张江塔尖会拆解AI自进化：从Build AI到真正RSI还有多远

AI距离真正的递归自我改进（RSI）还有多远？当前AI已参与数据生成、训练优化、工具迭代与结果验证，但参与研发不等于具备持续改进自身的能力。9月23日，「Triple T」张江塔尖会系列技术沙龙在张江AI创新小镇举行，由机器之心与张江AI创新小镇生态公司联合举办，以「AI²：当AI学会自我超越」为题，通过六场主题分享和一场圆桌对话，探讨自进化AI的技术路径与关键瓶颈。

上海交通大学副教授陈思衡指出，递归自演进的核心是让AI逐步减少对人类依赖，实现自主迭代，其提出「智能体-环境-数据-模型」协同演进路线，通过AI自主开展前沿科研，持续产生、筛选和沉淀高质量数据，反哺模型能力形成闭环。北京航空航天大学副教授杨健认为，代码大模型是RSI较具落地性的场景，核心在于实现Model RSI，让模型通过执行、验证、纠错持续改进自身，未来可通过任务、Harness、Model三层协同进化，推动AI研发流程走向自动化。北京大学助理教授杨灵以《From RSI to Discovery Intelligence》为题，指出科学研究具备长程、可执行、可验证等特征，是探索AI持续学习与递归自我改进的重要场景。上海交通大学助理教授周煊赫结合Theseus Labs报告指出，真正RSI应形成更高层级「外循环」，由AI自主发现问题、提出方案、构建反馈并验证结果。上海科技大学研究员石野认为，具身智能自进化核心是让机器人快速适应新环境并持续学习，需结合世界模型、仿真与真实交互形成闭环。英灵殿科技创始人张昊天表示，AI for Science正从「AI辅助科研」走向「AI训练AI」，核心是让AI自主完成科研任务的诊断、假设生成、实验验证与证据沉淀。

圆桌对话以「AI Build AI：真正的自我进化还有多远？」为题，由诸葛鸣晨主持。杨健强调AI Coding最可能率先实现RSI，关键在于打通模型、数据、Infra与工具调用；杨灵认为真正自进化应具备发现问题、定义问题和产生创新的能力；周煊赫提到RSI核心是让AI形成自己的判断与「品位」；石野强调将真实世界失败经验转化为可复用能力；张昊天指出未来RSI关键在于AI能否形成超越专家经验的判断力。张江集团副总经理陈衡表示，希望汇聚青年科学家与产业创新力量，推动张江双塔成为产业与科技地标。本场沙龙让自进化AI的进展、分歧与待解问题得到充分呈现，也为下一阶段突破寻找方向。