OpenAI和Anthropic都在谈的RSI，进展到哪了？

RSI（递归自我改进）近期成为行业热点。模型参与训练和提升自身已成惯例。Anthropic 六月发布的文章显示，截至 2026 年 5 月，其生产代码库中超过 80% 的代码由 Claude 编写。OpenAI 也承认早期 GPT-5.3-Codex 模型曾“参与创造自身”。行业期待 RSI 能实现超越人类能力的模型研究，让 AI 不再依赖人类提升自身智能，最终触发快速起飞。

在 Dwarkesh Patel 主持的播客中，OpenAI 前联创 John Schulman、Zyphra CTO Beren Millidge 和 Baseten 训练负责人 Charlie O'Neill 围绕 RSI 展开辩论。

主要观点如下：今天的模型迭代已实现一种慢速 RSI，周期约三个月。当目标明确时，AI 可能将研究速度提高 10 倍，但最难的是找到正确目标。RL 的效果建立在高质量 mid-training 之上，其最明显泛化是让模型在更长时间里持续完成任务。越接近能力前沿，推动进步的有效信号越少，下一阶训练环境越难构造。

关于 RSI 可能被卡住的原因，Millidge 认为若 meta-learning 泛化极难、持续学习无法解决，AI 可能基准测试表现极佳但 sim-to-real 存在鸿沟。Schulman 认为人类在判断力、自我检查等方面仍有优势，新模型发布后总会被发现弱点，研究和工程瓶颈仍多。O'Neill 认为关键在于“能跑在芯片上的最优学习系统”与当前“Transformer + RL”方案的差距。若需下一次不连续性突破，当前基于 RL 环境训练 LLM 的方法未必能发现跃迁，否则将撞上渐近曲线。

O'Neill 将任务分为两类：当前范式内累积改进，以及需抛弃梯度下降甚至神经网络的全局最优范式。RSI 本质是累积型任务，但现实世界是非平稳分布，需不断学习。Schulman 指出模型弱点包括思路缺乏多样性、不擅长长期判断和“品味”。Millidge 认为 AI 理论上可通过元学习形成品味，但能否泛化到更长时间跨度尚未解决。

关于人类最后的工作，Millidge 认为是反复提出正确问题。Schulman 认为是定义目标和决定真正想要什么，对齐是最后的工作，其中明确正确目标不会很快消失。O'Neill 表示目标明确时研究速度可提高 10 倍，但无法泛化到一开始就提出正确目标。