过去的大模型竞争主要比拼算力、数据和模型能力，如今一个更深的变化正在发生：AI开始进入代码、实验、训练优化乃至芯片设计流程。严格意义上的RSI尚未实现，但“AI参与研发下一代AI”的闭环已经开始出现。真正值得关注的，也许已经不是AGI何时到来，而是AI进步的速度是否开始由AI自己推动。
一、发生了什么？——AI开始进入“制造AI”的流水线
1、RSI并不是“AI有了自我意识”：
RSI是Recursive Self-Improvement的缩写，通常可以翻译成“递归式自我改进”。这个概念听起来有些科幻，但它讨论的并不是AI突然拥有自我意识，而是一个非常具体的工程问题：当前这一代AI，能不能参与研发下一代AI，而能力更强的下一代AI，又能不能进一步提高AI研发效率。
过去开发一代前沿模型，研究人员需要阅读论文、寻找方向、写训练代码、设计实验、运行测试、分析失败，再决定下一轮怎么调整；如今这些环节中的一部分，已经逐步转移给AI来承担。不过，AI帮程序员写几段代码还不能叫RSI。严格意义上的RSI要求形成一条跨代反馈链：AI₀参与开发AI₁，AI₁不仅能力更强，而且也更擅长开发AI，于是AI₁能够更快地帮助开发AI₂，而AI₂又进一步提高下一轮研发效率。
真正持续变强的，不只是模型本身，还有“开发AI的能力”本身。这也解释了它和AGI最大的区别。AGI讨论的是AI最终能有多强，像不像一个全能的数字工作者；RSI讨论的则是AI变强的速度，会不会开始由上一代AI自己推动。
2、AI已经从“研发助手”走进真实实验流程：
过去两年，前沿模型在AI公司的内部角色发生了明显变化。它们不再只是回答研究员的问题，而是已经可以修改真实代码库、自动Debug、运行实验、分析日志，甚至在目标清晰、评价标准明确的条件下，连续完成“提出方案—修改代码—运行实验—比较结果—继续优化”这一整套动作。这类能力之所以重要，不在于它替研究员省下了多少机械劳动，而在于AI第一次开始具备“持续推进研发任务”的雏形。
Google DeepMind的AlphaEvolve能够大量生成候选算法，通过自动评测判断哪些方案更优，再把更好的方案送入下一轮搜索，已经被用于数据中心调度、芯片设计和AI训练优化。Anthropic和OpenAI披露的内部实践也说明，AI已经进入研究调试、训练系统优化和部分开放式实验环节。
当然，这距离完整RSI仍有明显距离，因为“研究什么”“为什么值得研究”“一个小模型上的结果能不能推广到前沿模型”这类最困难的判断，仍然高度依赖人类研究员。今天的AI更像一名执行能力越来越强的研究工程师，而不是一个能够完全独立选题、承担结果责任的首席科学家。
……
