都在说RSI，那「递归自我改进」现在走到哪一步了

更新时间 2026-09-18来源 AI修猫Prompt正文 7657字阅读约 24分钟30 张图片

AI造AI这句话已经被重复了很多年，随着近期顶尖实验室对自动化研发（AI-for-AI）的密集下注，一个原本偏向理论探讨的概念，递归自我改进（Recursive Self-Improvement，RSI），开始被赋予清晰的工程落地意义，并迅速推向大众视野。

通俗来说，过去的AI变强全靠人类喂数据、写代码，而RSI是让AI自己把犯过的错、踩过的坑，转化成持久积累的技能与架构更新，再用升级后的自己去推动下一轮更强的进化。如果这条闭环跑通，模型研发将摆脱数万专家工时的试错瓶颈，在科学计算、复杂软件工程等超长链条领域真正释放出全自主进化的生产力。

上交大等机构最新的这篇综述《The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement》把「改进回路」本身当作分析基准，梳理出一张从执行自治到元改进的五级能力地图，并横跨科学、具身、代码与医疗四大场景测出了真实的水位线。这篇近八十页的硬核长文门槛极高，本文替你省去繁复的学术考据，直接抽离出它的核心骨架：先带你读懂作者用来对齐异构评测的核心度量衡，

通过清洗各家基准（Benchmark）的共识跑分与归一化计算，用最客观的真实数据，看清RSI当前的技术瓶颈与演进方向。

为什么改进本身成了瓶颈

综述从模型开发的现实负担写起。规模在扩张：Kimi K3与Qwen3.8-Max的参数规模分别达到2.8万亿与2.4万亿，各自支持约一百万token的上下文窗口。开发过程本身也在膨胀：OpenAI报告，在GPT-5.6之前的六个月里，投入内部编码推理的研究算力份额增长约100倍，内部agentic token使用量增长约22倍。

研究者把这种负担拆成三个阶段的三类问题。第一类是基础模型训练本身的资源密集：数据准备、架构设计、分布式优化与评测彼此耦合，数据质量与数量同样吃成本，例如OpenAI的GDPval用了1,320个专业任务、约9,240个专家小时。第二类是反馈与学习环境的扩容：合成数据与强化学习自动化了一部分能力开发，却带来生成与评估经验的新基础设施需求。第三类是部署后的反复适配：线上系统不断遇到新文档、新工具与不完整上下文，工程师要手工定位失败、改检索与工具接口、维护状态并重跑回归测试。

这三类问题的共同点是，改进仍是一连串昂贵且由外部协调的干预。RSI想问：这段协调里有多少可以变成被改进系统自身的持久能力。研究者的定义是，RSI是一个自主闭环过程，AI系统识别自身局限、开发并验证改进，再用由此获得的能力去改进「改进过程」本身。这里的关键在于第二半句：不是某个更好的结果，而是产生结果的机制也被改了。

训练数据流水线六个环节从人工主导（M）、人在环（H）到自动化（A）的定性进展；论文强调环节自动化与「学习者反馈反过来重塑经验获取」是两件事

尺子：HCI与它的四个公式

在聊“AI怎么自我改进”之前，必须先回答一个很多人常有的困惑：许多大模型今天号称拿下奥数，明天号称通过司法考试，它们到底是真的全面进化了，还是在挑偏科的Benchmark给我们看？

要摸清底细，就得有一把统一的尺子。但现实中各个评测考试的满分标准、题目难度千差万别，直接比分数就像拿“高考满分750”和“托福满分120”放在一起算平均分一样荒谬。为了解决这个问题，研究者设计了一套衡量指标，HCI（Headroom-Closed Index，剩余空间关闭指数）。

简单来说：HCI不看你Benchmark多少分，而是看你把“剩下的提分空间”攻克了多少。

比如某项考试，在刚推出大模型那年最高分就已经有80分了（基准起跑线），满分是100分，剩下可供提升的空间只有20分。如果今天的最新模型考到了90分，相当于在这20分的剩余空间里解决了10分，那么它的HCI就是50%（关闭了一半的剩余空间）。

这套标尺由四个递进的数学公式构成：

1.挤干水分：加权共识分（Consensus Score）

不同机构对同一模型的测试结果经常互相冲突，厂商自报的分数更往往带有水分。研究者首先将同一评测协议与版本下的结果聚合成“协议链族”，并计算加权共识分：

公式含义： $s_{imbh}$ 是第个来源对模型在基准、协议下给出的分数； $\widetilde{w}_i$ 是来源权重。
计算逻辑：为抑制虚高战报，官方榜单权重最高（基准方榜单为3，第三方独立通用框架为2.5，综合报告为2，模型方自测表格仅为1）；若采用厂商自报值，还会额外乘上0.75的惩罚折损。所有后续分析，都建立在这套清洗后的客观共识分之上。

2.拉齐起跑线：剩余空间关闭指数（HCI）

统一输入后，必须解决不同考试难度与量纲不一的难题。HCI的核心逻辑不是看AI考了多少分，而是看它把“原本还没攻克的提分空间”消灭了多少：

公式含义： $F_{b,0}$ 是该基准进入统计第一年时模型的90分位最高表现（即“入场起跑线”），100代表理论满分； $H_{mbh}$ 即为归一化后的HCI。
计算逻辑：如果某项测试一诞生时前沿模型就能拿80分（ $F_{b,0}=80$ ），意味着留给后人的改进空间只有20分。若新模型跑到90分，相当于攻克了这20分空间里的一半，其HCI即为50。通过这种方式， $H_{mbh}=0$ 锚定入场基准， $H_{mbh}=100$ 代表彻底封顶，异构的评测被拉平到了同一个百分制进度条上。

3.宏观画像：领域前沿轨迹（Domain Trajectory）

单个基准容易产生偶然波动。为了看清宏观趋势，论文将各细分基准按年汇总成领域维度的整体前沿轨迹：

公式含义： $\mathcal{B}_{d,y}$ 是领域在第年可用的基准族集合； $Q_{b,y}$ 是该基准当年的90分位HCI前沿； $n_{b,y}$ 是参评该基准的不同模型数量。
计算逻辑：权重采用模型数量的平方根 $\sqrt{n_{b,y}}$ 。这样既让参评充分、受业界公认的成熟榜单拥有更大发言权，又避免个别超大测试集完全绑架该领域的整体走势。结合年度增量，便能精确捕捉各领域是正在加速冲刺，还是陷入停滞。

4.假设性推演：短板优先的终点假说

在描摹出2023至2026年的实际历史走势后，论文在2026年之后画出了一条延伸的端点虚线，用以形式化表达一个关于“自我改进潜力”的理论假设：

公式含义： $T_{d,2026}$ 为2026年该领域的实际轨迹值，为设想的端点水平。
计算逻辑：这个等式本质上假设了一个“自适应补短板”机制——即新增的改进增益并非平均撒网，而是有78% 会精准流向尚未被攻克的剩余空间（）。剩余空白越大的领域，获得的补偿性增益就越大。需要注意，公式 (4) 不是被实验证实的拟合预测，而是作者用来展示“闭环纠错如果起效，最应该在哪里带来质变”的理论假想。

将这套计算规则代入2023至2026年间近四百项前沿模型测试后，论文最终绘制出了下面这张十个能力维度的宏观轨迹图。图中每一条曲线都直观呈现了不同领域的推进速度：实线部分记录了真实的进展分化，而2026年后的带阴影虚线，正是公式 (4) 假设在引入RSI辅助后可能迎来的大幅补齐。

十个能力领域的HCI年度前沿轨迹，0为基准入场年前沿、100为满分；虚线表示网络安全基准子集或pass@1口径变化，2026年之后为借助RSI的说明性外推

从这张图的走势中，可以清晰看到当前大模型能力的结构性割裂：高等数学与研究生科学等“静态答题”维度的HCI已经逼近85分以上的高位，增长曲线明显放缓；而软件工程（52.6）、终端搜索（56.8）以及工具智能体（仅39.9）等需要真正动手干活的交互领域，依然横亘着巨大的落差。

这就是为什么在讨论路线图前，必须先看懂HCI的原因：

靠人类工程师手工写Prompt、喂静态题库的传统方法，已经把AI的“答题”潜力榨得差不多了；而真正能解放生产力、让AI去写工程代码、操作复杂软件的“交互能力”，依然留着巨大的鸿沟。

这种在动态环境里不断碰壁、尝试、排错的任务，靠人类在外面一场场盯着调参根本救不过来，必须让AI具备在交互中自己发现错误、自己生成经验、自己更新自己（RSI）的能力。

把「改进」拆开：九个部件与三个问题

有了测量层，研究者转向概念层。他们不把某个算法当分析单位，而是定义一条改进回路：AI系统用经验提出对某个目标的修改，按接受规则评估候选，把被接受的变化保留进自身状态，并从更新后的状态开始下一轮。回路包含九个部件，您理解它们之后，这张地图的每一级都能被问同一个问题。

AI系统：跨改进周期被追踪能力状态的完整计算实体。
系统状态：一轮结束时保留、被下一轮继承的部分。
经验：从先前交互中获得、用于指导后续修改的信息。
目标：本轮被直接修改的对象。
改进者：把当前状态与可用经验转成候选修改的机制。
策略：改进者决定往哪里搜索、如何生成候选的方法。
验证器：评估候选并执行接受规则的机制。
改进：通过接受规则、被保留并进入下一轮状态的候选修改。
后继者：继承了一项或多项改进、带着更新状态进入下一轮的AI系统。

这套拆解导出三个贯穿全文的问题：回路在哪里闭合；第一，改了什么？第二，又继承了什么？第三，哪些决定仍留在外部？研究者用它们区分「看起来在自我改进」和「真的在自我改进」。同一部件被修改的系统，可以把非常不同的决定权交给AI，所以按更新对象分类（改提示词、改记忆、改代码）不足以下判断。

在此基础上，RSI的定义被收紧：系统要能通过持续交互，把经验与反馈自主转化为跨轮的持久自更改，并且这些更改要能进一步影响生成、评估、选择与整合后续自我改进的机制。研究者还把它与三个邻近范式划清界线：持续学习通常固定学习目标、更新规则与接受检验；AutoML与智能体式机器学习会搜索模型、流程或智能体设计，但搜索空间、目标、预算与评估器一般由外部事先给出。研究者用八项特征对比四者，结论是：只有当被验证的更改跨任务持久保留，并影响后续改进如何产生或选择时，自动化才接近RSI的边界。

这里有一个容易被忽略但很关键的分辨：结构性递归与有效性递归。前者指被修订的改进机制确实被后续轮次继承并调用；后者指在可比预算与独立评估下，这个机制真的产出或筛出了更强的后继者。任务分数变高不等于后者成立，这个区分后来反复出现在论文的L5一节与挑战部分。

RSI与持续学习、AutoML、智能体式机器学习的八项特征对比；RSI一列在跨轮学习、持久保留、系统自我修改、候选提出、更新验证、后继者再入、机制修订与机制复用上均成立

五级地图：从执行自治到元改进

研究者按「AI把多少改进责任内化」把系统分成五级，外加一个参照级。判据不是模型能力，也不是自动化组件的数量。

B0（任务内改进，非RSI参照级）：只在当前任务内反复修改、验证或筛选输出，不把更改保留为未来的系统状态。定义特征是「输出变了，系统没变」。
L1（改进执行自治）：人指定改什么、怎么改、什么算成功，AI执行候选更新，且被接受的结果保留并在后续任务中复用。
L2（改进策略自治）：目标、任务边界与评估标准仍由外部固定，但AI诊断弱点并自主决定如何改进系统。
L3（学习信号或经验获取自治）：系统进一步决定下一轮改进需要什么经验，让关于学习者自身的证据去影响接下来学什么。
L4（环境适应自治）：改进回路利用部署交互来修订持久状态，接受与治理规则仍在外部。
L5（递归继承自治）：系统持久地修订支配后续改进的机制，例如改进者、验证器或后继者生成流程。

相邻两级之间的边界可以压成五句话，这也是这张地图最可复用的部分：B0到L1是持久化，被接受的变化必须活过当前任务；L1到L2转移的是策略选择，AI决定尝试哪个干预，而不只是执行规定动作；L2到L3加的是学习议程，不断变化的学习者影响下一份经验的获取；L3到L4把反馈过程延伸到部署与环境交互，更改必须在变化的运行条件下仍然有用；L4到L5引入递归继承，负责后续改进的机制本身成为被改进对象。

五级RSI自治度地图与代表系统，自治度从L1执行既定改进逐级扩展到L5元改进，并标出各应用领域所处的位置

研究者在跨级综合一节明确了一个限定：更高的自治级别本身不等于更好的改进过程。更大的授权可以与低效搜索、不可靠反馈、能力回退、评估器被利用或迁移失败共存。因此他们始终把「内化的责任范围」与「改进的质量和效率」分开陈述。就证据分布而言，初中级由相当多的系统支撑，L3与L4更依赖具体领域，而端到端的L5证据集中在有边界的研究原型与新兴的产业系统上。

五级回路的形态对比；灰色虚线框是仍由人控制的部件，橙色描边标出每一级新被内化的那个部件

(a) L4在固定的改进过程内吸收环境反馈；(b) L5诊断并修订改进过程本身、把经验证的变化交给后继者；元层面可修订的是后继者生成、候选评估与研究控制，而任务、安全边界、受保护评估与最终验收仍在人手里

四个应用场景：反馈决定路线

同一套回路放在不同领域，差别主要来自验证一项改进需要什么反馈。研究者选了四个场景，因为它们代表四种反馈机制。

科学、具身智能、软件工程与医疗的差别在于验证并继承一项改进所需的反馈不同，共同瓶颈是可用于持久继承的安全证据；图中标出各场景当前最强的一级

S1科学：探索开放，实验昂贵，失败不指认原因（可能是假设错、协议错，也可能是仪器不稳），结论的有效性还依赖假设、领域与测量流程。
S2具身智能：经验是内生的，当前策略决定能到达哪些状态；能力分布在感知、规划、控制与本体上，难以归因到单一模块；物理试验不可随意复现或回滚。
S3软件工程：产物与开发它的智能体都是可执行代码，反馈便宜且可执行，但测试通过仍受限于规格与覆盖率。
S4医疗：不允许无约束试错，临床反馈延迟、异质且混杂，改进还可能在人群与机构之间不可迁移。

研究者对每个场景都给了同一组判断：目前最强的一级在哪里，哪些还只是提案。科学的现状是L2最强，少数系统展现L3的跨任务经验复用，端到端L4与L5基本未被探索。具身智能同样是L2为主，L4的智能体与环境共同演化主要出现在仿真中，个别系统接近有边界的L5。软件工程里L2是最成熟的等级，L4环境适应基本缺席，L5只出现有边界特征，完整改进「软件开发改进者」本身尚未被展示。医疗的L2最强，L4与L5大多未被触及。对您来说，这张表的用途是判断一个自称「自我进化」的系统究竟停在哪儿。

产业层的初步实践：六个案例与它们的分寸

论文特意把产业材料纳入证据范围，理由是许多前沿改进回路先出现在技术报告、工程博客、开源仓库与产品基础设施里，而不是先出现在学术论文里。以下六个案例来自公司或团队的自述，研究者把它们与学术文献并列，但读者应把它们读作可行性证据，而不是独立复现的实验结果。

Theseus：把环境、数据与模型放进同一个共同演化回路，先训练环境细化模型，再用重建后的环境暴露真实能力缺口并生成训练数据。早期实验里，八个前沿模型与框架组合在30个工作任务、1,280条评分项上，干净工作区相对噪声工作区的通过率高出21.7到51.6个百分点；在固定模型与框架的条件下，由Collection Map与Event Log组成的重建环境把总分抬高18.65到39.67个百分点，同时出现了少数「范围蔓延」式回退，即改动比任务要求更大。
Theseus的四阶段共同演化回路：重建环境、发现困难案例、训练任务模型、演化环境，并由环境细化经验训练环境细化模型
Lark：从企业协作数据里持续构建知识图谱，并把数据生产、质量评估与失败归因当作RSI的地基。它报告人工评定的任务可用性从52% 升到65%，自动评估可用性从47% 升到56%（相对RAG基线），自动评估器与人工判断的一致率约84%，且偏差多数来自自动评估更严格。
Lark的数据地基回路：采集协作数据、组织数据、评估质量、构造反馈，再由真实工作中的智能体改进反哺下一轮迭代
Humanlaya：数据质量保障场景里分成内环与外环，内环修当前批次的数据，外环修「检查与修复的方法」，把规则、提示词、少样本示例与技能当作持久改进对象。四个反馈驱动的版本迭代后，在600个未参与更新的任务包上，含关键缺陷的包从9.0% 降到3.7%，平均人工处理时间从48分钟降到27分钟。
Humanlaya的交付驱动回路，内环改进当前批次的数据，外环更新「检查与修复的方法」，真实使用反馈与验证闸门连接两环
ModelBest：主张AI工程会比开放式研究更早自治，并把「从空目录出发交付一个可运行的训练实现」做成端到端范式。其ForgeTrain在H100上约8小时追平Megatron-LM v0.15，并在1.5至2.5天内据称超过它，而同类人工开发被估计需要3至5名工程师投入6至12个月；模型FLOPs利用率从40.1% 升到44.1%（MiniCPM4-0.5B）、从47.0% 升到50.9%（8B模型）。
ModelBest的Forge Engineering双层回路：内环锻造单个场景，外环跨场景蒸馏经验并更新知识库
腾讯混元Hyra：以「经验银行」保留可执行的过往经验（代码、执行日志、评分与评估器反馈），由上下文智能体组织灵感、多个提案智能体在隔离沙箱中并行求解，并把结果写回。它还把评估器本身纳入修订范围。报告的对比里，nanochat AutoResearch的验证BPB从0.9109降到0.9015，nanoGPT Speedrun的达标时间从77.5秒降到76.4秒，SOL-ExecBench的平均SOL从0.754升到0.771。
腾讯混元Hyra的经验驱动回路：上下文智能体组织过往经验，多个提案智能体在隔离环境中并行求解并接受评估，代码、执行日志与评估反馈写入「经验银行」
Agent-Native Research Lab：解决的是继承的载体问题，提出用可执行的「智能体原生研究工件」替代只面向人类阅读的论文式记录，保留形式逻辑、代码与规格、探索图（包括被放弃的分支）与原始实证证据；报告问答准确率93.7% 对72.4%，RE-Bench复现成功率从57.4% 升到64.4%。它同时把「确定性验证」当作瓶颈来对待，只有通过机器可验证闸门的结论才进入共享研究状态。

Agent-Native Research Lab的智能体原生回路，把引导式探索、确定性验证、知识继承与下一代学习连成可验证的工程发现流程

结论

那递归自我改进（RSI）到底走到哪一步了？如果用一句话回答：

工业界已经把‘局部策略搜索（L2）’用熟了，‘经验自主获取（L3）与环境适应（L4）’正处于攻坚期，而真正的‘递归元改进（L5）’在全行业依然处在实验室玩具和原型探索阶段。

能做到的：AI 在给定的任务框架下，自己改改提示词、自动跑跑训练配置、把碰壁经验记进工具库和外挂记忆，甚至在代码环境里自己写测试修 Bug，这套流程各大厂已经跑通了。做不到的：让 AI 脱离人类预设的评价体系，自己决定下一次该学什么，甚至自己重构底层的自我改进机制、一代比一代进化得更快。当前的各种高分演进，本质上依然依靠人类工程师在外部不断搭梯子、拉红线和做最终把关。

读完这篇综述，RSI 对你而言就不再是一个被科幻狂想或营销话术层层包装的神秘概念，而是一把能一眼看穿当下各种“自我进化”营销噱头的清醒标尺。

未来已来，有缘一起同行！