RSI 技术探究
用大白话由浅入深地讲“递归自我改进”（RSI）：AI 怎样自己出题、自己打分、改自己的代码、发明算法、参与造下一代 AI，进展怎么量、卡在哪、实验室又为它设了哪些红线。
序 · 当 AI 开始参与造 AI
1965 年，数学家 I. J. Good 设想过一台“超智能机器”：既然设计机器本身就是一种智力活动，一台比人更聪明的机器就能设计出更好的机器——然后是一场“智能爆炸”。半个多世纪里，这只是思想实验。
到了 2026 年，它开始有了工程上的影子。2 月 5 日，OpenAI 在 GPT-5.3-Codex 的发布说明里写道，这是他们第一个“instrumental in creating itself”（参与创造了自己）的模型：早期版本被用来监控和调试这次发布的训练运行、优化包在自己外面的 Agent 程序、在发布期间动态扩缩 GPU 集群——干的是造模型流程里的工程活，拍板的仍是人。各家前沿实验室陆续公开类似的内部数据，研究论文数量也在这一年陡增。这个方向有个名字：RSI（Recursive Self-Improvement，递归自我改进）——AI 系统参与改进“造 AI 的流程”，乃至它自己的下一代。
这个专栏用大白话，从“它到底是什么意思”讲到“它现在走到了哪一步、为什么还没失控加速、谁在给它设护栏”。
资料说明：本专栏成文于 2026 年 9 月，以论文（arXiv 等）、实验室官方博客、系统卡与安全框架原文为主要依据。实验室与论文作者自述、尚无第三方复现的数字，正文标“官方口径”或“作者报告”；媒体与二手解读注明出处。RSI 是一个每周都有新论文的方向，读时请留意各处标注的时间点。
先看全貌：五级台阶
“AI 改进自己”听起来像一件事，其实是一串由浅到深的台阶，本书就按这个顺序展开：
| 台阶 | 改的是什么 | 通俗说法 | 对应篇目 |
|---|---|---|---|
| 1 | 单次的答案 | 写完再检查一遍 | 五级台阶 |
| 2 | 训练信号 | 自己出题、自己打分 | 自博弈与合成数据、自我奖励 |
| 3 | 脚手架与代码 | 改写自己的工具和流程 | 改自己的代码 |
| 4 | 研发环节 | 发明算法、跑实验、调基础设施 | AlphaEvolve 一族、自动化 AI 研发 |
| 5 | 整个研究闭环 | 自己提想法、验证、造出下一代 | 自动化 AI 研发 |
越往上，改动的影响越大，验收也越难——这是贯穿全书的一条线索。
这个专栏怎么走
第 0 部分 · 先搞懂概念
- RSI 是什么 —— 从 1965 年的“智能爆炸”、哥德尔机讲到 2026 年实验室的表态。
- 五级台阶 —— 把“自我改进”拆成五级：每级改什么、谁来验收、2026 年走到哪一步。
第 1 部分 · 自己教自己
- 自己出题自己练 —— 从 AlphaGo Zero 的左右互搏，到大模型零数据自训练、合成数据飞轮与模型坍塌。
- 自己当裁判 —— 奖励从哪来：人类打分、AI 打分、自我奖励、可验证奖励，以及绕不开的奖励黑客。
第 2 部分 · 自己改自己
- 改自己的代码 —— 哥德尔机的“先证明再改”与达尔文哥德尔机的“先试再留”，档案库为何胜过贪心。
- 让 AI 发明算法 —— FunSearch 到 AlphaEvolve 再到 2026 年的开源与上云，这套循环怎样反哺 AI 自己。
- 自动化 AI 研发 —— 按研发流程逐段拆开：哪些环节已交给 AI，哪些仍由人拍板。
第 3 部分 · 量尺、瓶颈与护栏
- 怎么量进展 —— METR 的任务时间跨度、实验室的研发评测，以及直接量“研发加速”的新指标。
- 为什么还没“爆炸” —— 算力、验证、数据、研究品味与收益递减，乐观派与怀疑派并排摆。
- 风险与治理 —— 各家实验室安全框架里为“AI 自动化 AI 研发”设的阈值，以及监控与对齐的难点。
最后一篇回顾与展望把全书串起来。
和站内其他专栏的关系
想先补大模型本身的底子，可以读《AI 大模型解构》；想看 Agent 是怎么从一个模型搭起来的，见《从 LLM 到 Coding Agent》。同期另一条前沿方向——不写字、只给决策的 System One 模型——见《Jev 原理与应用》。
准备好了，就从 RSI 是什么 开始。