AI递归自我改进（RSI）现状：窄域闭环已通，全自主演进概率30%-40%

事件概述

人工智能领域的“递归自我改进”（Recursive Self-Improvement, RSI）正从理论走向工程实践。RSI指AI系统能够参与设计并制造比自身更强的后继系统，且这种改进过程随着代际迭代越来越减少对人类依赖。尽管全自主闭环尚未达成，但AI已在多个层面深度介入下一代模型的研发流程，显著压缩了技术进化的时间周期。

核心事实与技术进展

1. RSI的实现阶段与时间表

• 窄域小闭环已跑通： 在代码生成、数学证明等拥有形式化验证工具的领域，AI已能自主修改Agent、优化搜索策略并进行连续迭代。例如，Darwin Gödel Machine通过自修改将SWE-bench成绩从20%提升至50%；AIDE²系统在八天内自主迭代七代，演化出新的记忆机制。
• 全自主大闭环未闭合： 涵盖“选定研究方向—提出假设—设计实验—训练基座—验证部署”的全流程自动化仍未实现。
• 概率预测： 业界对2027年底前实现严格Full RSI的主观概率评估约为30%-40%，真正的技术分水岭预计出现在2028年至2030年之间。

2. 研发加速的内生变量化

• 效率提升数据： Anthropic数据显示，其生产代码库中超80%由Claude编写，工程师每日合并代码量约为2024年的8倍；OpenAI内部“人类工作日”与“Agent工作日”比例约为1:3.1；Google AlphaEvolve直接优化了支撑自身的训练算法。
• METR评估： 第三方机构评估认为，目前AI给前沿研发带来的整体加速约为1.5×，达到2×加速的概率约30%。这标志着研发能力已从外生变量转化为内生变量，形成自催化回路。

3. “研究品味”的突破

• TasteVal基准测试显示，Claude Opus 5.5在实验设计与结果解释的“研究品味”上超越人类专家基线，算力效率达人类的2.3倍。自2025年底以来，AI在该指标上的表现每三个月翻倍一次。但这仅解决了“如何做实验”，尚未解决“定义什么问题值得研究”。

关键制约与挑战

1. 验证器（Verifier）是最大命门
自我改进的上限取决于验证系统的可靠性。在缺乏客观标准的主观评判领域（如开放式科学探索），AI容易陷入“奖励黑客”（Reward Hacking）或数据泄露导致的虚假进步。错误的反馈一旦进入递归系统，偏见将被指数级放大。

2. 三重系统性风险

• 过拟合： 反馈闭环过短易将噪音误判为规律。
• 模型坍塌： 完全封闭的自指涉循环会丧失外部多样性。
• 局部最优： 高频迭代强化路径依赖，阻碍范式突破。

3. 物理与算力瓶颈
遵循阿姆达尔定律，即便数字环节加速百倍，受限于GPU算力、晶圆厂产能及生物临床试验周期等物理瓶颈，整体进化速度无法无限指数增长。

行业观点分歧

• 激进派（如Jack Clark, Sergey Brin）： 认为现有工程曲线足以推动RSI提前到来，2027年可能性增加，AI正踏上“跑步机”。
• 审慎派（如Demis Hassabis, Yann LeCun）： 指出当前系统缺失长期记忆、世界模型及持续学习能力，目前的改进多为局部优化循环，AGI中心点仍锚定在2030年左右。
• 官方口径： 三大实验室均强调目前处于“人类监督下”的自动化阶段，Full RSI尚未发生。

结论与启示

即使Full RSI未完全实现，当研发速度从1×提升至1.5×或更高时，现有的组织形态、公司护城河及个人竞争力已被重构。未来的核心竞争力将从单纯的执行转向设定目标、审美判断（Taste）以及承担最终责任。对于个人和组织而言，建立诚实的反馈闭环、避免自尊心污染传感器、并在内核层坚守第一性原理，是适应这一加速时代的关键。