RSI赛道升温：AI自我进化竞赛全面开跑

2026年，Recursive Self-Improvement（RSI，递归式自我改进）从理论命题变为AI产业新赛道。4月，ICLR首次为RSI单独举办Workshop，标志其成为独立研究议题。

头部AI公司密集布局。Anthropic发布长文《When AI Builds Itself》梳理工程进展；OpenAI调整架构，翁荔（Lilian Weng）回归并据报将主导RSI专项团队，其研究已从模型参数扩展至Harness、工作流和部署系统。

人才与资本加速涌入。OpenAI前研究副总裁Jerry Tworek创立Core Automation，目标直指“全球自动化程度最高的AI Lab”。Richard Socher等人创立的Recursive Superintelligence以6.5亿美元融资亮相，投后估值约46.5亿美元，GV、Greycroft、Nvidia和AMD Ventures参投；6月该公司公布首批Automated AI Research结果，AI已能自主提出想法、编写代码、运行实验并验证结果。曾共同领导Anthropic Discovery团队的Behnam Neyshabur创立Mirendil，专注“Self-accelerating AI R&D”，6月完成2亿美元种子轮融资，a16z与Kleiner Perkins领投，Nvidia等参与，估值约10亿美元。

ICLR 2026 RSI Workshop组织方判断，RSI正从“推测性愿景”走向“具体系统问题”。讨论焦点已从“超级智能是否出现”转向模型参数、Memory、Tools、Skills和架构能否持续变化，变化发生在推理阶段还是部署后，新能力如何评价、保留、回滚和治理。

RSI的自我改进可分为五个层次：数据/输出层（调整学习内容）、模型层（优化参数与结构）、Harness层（进化外部工作流）、方法层（改进自我改进的方法）、评价标准层（将Metric纳入优化范围）。层级越往外，系统可修改范围越接近整个AI研发流程。

RSI最早在Coding和Auto Research领域取得突破，因其修改对象完全数字化、结果可自动验证、实验成本可控且可回滚。Anthropic披露Claude已参与提出实验、编写代码、执行测试等环节；OpenAI亦组建团队加速内部AI Research。

然而，距离真正意义上的RSI仍有距离。长期稳定改进、跨任务泛化、可靠评价标准及算力经济性均未解决。RSI能否成为新的Scaling路径，取决于改进能否持续、能否跨任务迁移，以及收益能否覆盖实验成本。产业竞争的关键在于，谁能把一次成功实验转化为可保留、可复用并推动下一轮探索的系统能力。