【研究笔记 03】认识 RSI：从自我改进的想法到今天的 AI 研究

参加「初焰·纳宙」AI for Science 黑客松，我选择的议题是：

储能系统能否持续自我改进？从钠电与磷酸铁锂的充放电差异出发，研究电池管理系统（BMS）如何利用运行数据改进策略、迭代模型与架构，探索递归自我改进（RSI）的可能。

前两篇笔记，我从钠电、储能和 BMS 开始，慢慢认识了这道题涉及的对象。但还有一个词，始终让我觉得既熟悉又陌生：递归自我改进，RSI。

熟悉，是因为人本来就在改进工具，也在改进自己的工作方法。陌生，是因为当这个词与 AI 放在一起，讨论很快就会走向机器制造下一代机器、智能不断增长的未来。

这中间究竟发生了什么？一个关于人如何进步的想法，怎样变成 AI 公司的研发愿景，又怎样写进可以运行的程序？

这一篇先放下具体的电池实验，沿着这个问题往前走。

一、思想起点：我们能不能改进“改进的方法”？

可以从一件普通的事情想起。

一个人学习数学，第一次做错题，第二次改正了答案，这是进步。后来，他发现自己总在同一类题上出错，于是改变复习方法，把零散的错题整理成知识结构。再后来，他又根据学习效果调整这套方法。

这里有两种变化：一是事情做得更好了，二是让事情变好的方法，也发生了变化。

从哲学角度看，这涉及一种反身性：思考可以回过头来，检查自己的思考过程。我们既研究对象，也研究自己怎样认识对象。不过，这只是帮助理解 RSI 的思想入口，不能据此把所有反思、学习和技术进步都称为 RSI，也不能把它简单归到某一位古代哲学家的名下。

在现代计算机的思想史里，Douglas Engelbart 提供了一条更具体的线索。他在 1962 年的《Augmenting Human Intellect》中，把人、工具、语言、方法和训练放在一起，讨论怎样增强人解决复杂问题的能力。值得注意的是，他关注的是这一整套系统，而不只是让某台机器算得更快。Engelbart 原文

这与我最初的直觉很接近：人发明工具，工具帮助人开展研究，研究又带来更好的工具。笔记、程序、实验仪器，都可能参与这个循环。

但在人推动的循环里，决定改什么、判断是否有效、组织下一轮工作，往往仍然由人完成。 理解这一点，才容易看清 AI 领域后来提出的问题。

二、走向机器：从递归改进到智能爆炸

1965 年，数学家 I. J. Good 在《Speculations Concerning the First Ultraintelligent Machine》中提出一个影响深远的设想：如果一台机器在智力活动上远远超过人，而设计机器本身也是一种智力活动，那么它就可能设计出更强的机器。后者又可以继续这项工作。Good 原文节选，见第 33 页

这是关于智能爆炸的一种经典论证。它把改进的主体，也放进了被改进的对象之中。

今天所说的 RSI，全称是 Recursive Self-Improvement，通常译作递归自我改进。为了便于理解，我会先把它表述为：

系统改进自身，而改进后的系统又参与后续的自我改进；其中，改进能力本身也可能得到增强。

“递归”最值得留意的地方，是上一轮的结果会成为下一轮进行改进的主体或工具。可以想象一个研究助手：它先改进自己的代码编辑工具，借助更好的工具完成下一次修改，再继续改善自己的工作流程。

不过，能够重复改进，并不自动意味着能够无限加速。 一个版本可能更好，也可能更差；一次有效的修改可能很容易，下一次却需要更多资源。能否持续找到改进、收益是否足以抵消成本，都需要证据。

因此，RSI 与智能爆炸需要分开理解。前者讨论一种改进机制，后者讨论这种机制在特定条件下可能产生的快速增长结果。Good 的文章提供了重要设想，并没有给出现成的工程实现。

三、企业愿景：让 AI 参与研发下一代 AI

把这个设想放到今天的 AI 公司里，就容易理解为什么编码能力受到重视。

研发大模型需要写程序、准备数据、运行实验、分析结果、排查问题。如果模型能够承担其中一部分工作，它就可能帮助研发下一代模型；下一代模型又可能成为更有能力的研究助手。

我把这理解为一种研发循环的设想：

现有 AI → 参与 AI 研发 → 得到改进后的 AI → 再参与下一轮研发。

这也是为什么“AI 帮我写了一段代码”与“AI 正在参与改进 AI”，看起来动作相似，研究意义却不同：需要看这段代码最终改变了什么，以及收益是否回到了后续研发过程。

Anthropic 在《When AI builds itself》中采用了比较强的口径：完整 RSI 意味着 AI 能够完全自主地设计和开发自己的后继系统，并说明尚未达到这一状态。Anthropic 原文

OpenAI 的目标是发展在人类监督下工作的自动化 AI 研究者。智谱则用一句具体的工程关系描述其案例：模型帮助优化系统，系统又运行模型。两家都保留了人的方向判断与监督职责。OpenAI 原文；智谱原文

DeepSeek 的 DSec 论文提供了另一个入口：让 Agent 参与构建用于训练和评测 Agent 的环境。 这让我把注意力从“模型会不会解题”，转向了“模型能不能参与准备自己的训练条件”。DSec 论文，第 6.1 节

我现在更愿意把这些材料理解为一组处在不同层次的探索。接下来要看的，是各家公司究竟公开了什么数据，以及这些数据能够支持怎样的判断。

四、看图理解进展：四家公司分别在衡量什么？

第一次把这些图放在一起，我很容易被向上的曲线吸引。但仔细读坐标轴，会发现它们讲的是不同的事情：有的统计工作量，有的观察任务完成情况，有的衡量一段系统优化带来的收益。

下面是一组公开证据的导读，不是四家公司的 RSI 排名。 数据保留各自的发布时点和统计口径。

1. Anthropic：从写出多少代码，到完成什么任务

先看最容易观察的工作产出。

图 1｜人均代码贡献。图中以 2025 年之前的平均水平为基准，2026 年第二季度柱标为 8.0×；斜线部分对应尚未完整结束的季度。来源：Anthropic 官方文章。

Anthropic 还披露，截至 2026 年 5 月，合并进代码库的代码中，超过 80% 由 Claude 编写。这里统计的是代码归属，不能据此认为八成研发决策已由 AI 完成。原文及脚注口径

进一步的问题是：这些代码能否完成研究人员交给它的任务？

图 2｜不同任务类别的会话成功率，数据截至 2026 年 9 月 6 日。成功由 Claude 评判，要求任务明确完成且不需要纠正；曲线为四周均值，排除自动化会话。2025 年多数开放式任务周样本不足 100 次。来源：Anthropic 9 月 18 日更新图。

图中的开放式任务成功率，从起点约 26% 升至末端约 91%。它比代码量更接近任务能力，但任务构成和模型都在变化，不能当作同一套固定试题的成绩，也不能把代码量的八倍解释为科研效率的八倍。

2. OpenAI：Agent 做了多久，人还需要介入多少？

OpenAI 的 2026 年 9 月 6 日文章，提供了两种值得一起看的指标：到 8 月中旬，按八小时工作日折算，研究组织的 Agent 总运行时长是人类工作时长的 3.1 倍；而过去六个月，成功完成的 4—8 小时任务中，超过一半仍经历过至少一次人工干预。OpenAI 官方披露

图 3｜OpenAI 研究任务的无人工干预成功率。横轴是预估人类完成任务所需的时间，颜色区分 2026 年 1—7 月。此处图片由 RSI Progress 静态转载提供，并非 OpenAI 官方图片直链；原始交互图及方法见官方文章第三节。

这两个数字并不矛盾。多个 Agent 可以同时运行，积累大量工作时长；一个复杂任务中，人仍可能需要纠正方向。3.1 倍衡量投入时间，不代表研究效率提高 3.1 倍。

同样，实验数量增长还受到可用算力增加的影响。要理解研究加速，使用量、任务成功率和人工干预需要一起看。OpenAI 对统计限制的说明

3. 智谱 GLM：模型参与优化运行自己的系统

智谱 2026 年 9 月 17 日的文章，把视角落到一项具体工程：由 GLM-5.3 驱动的 Infra Agent，参与建设 GLM-5.3-Flash 的推理基础设施。它在开头谈到自主研发后继系统的 RSI 愿景，也明确表示当前尚未达到这一状态。智谱官方文章

图 4｜GLM-5.3-Flash 推理吞吐量。实线从 T+0 的 1.00× 基线走到 T+13 的 3.22×，每个阶段标注对应工程修改；末端虚线表示继续演进的方向。来源：智谱原文图 1。

这里的数字比较具体：不到两周，端到端吞吐量达到初始基线的约 3.22 倍。 这是工程师与 Agent 共同优化的系统收益，不是模型智能增长了 3.22 倍，也不是 Agent 相对于纯人工团队的对照实验结果。

更值得借鉴的是，团队怎样让 Agent 找到改进方向。

图 5｜智谱所说的“密集反馈”：把正确性、系统运行行为和性能分别变成可检查的反馈，再进行端到端验收。工程师负责目标、边界和关键审查。来源：智谱原文图 2。

例如，团队报告，在同一测试条件下，加入 KV Transfer 后相对于仅运行 Prefill 的性能差距，由 超过 20% 降至 不足 1%。Agent 通过执行时序和代码定位并发问题，再检验修复效果。对我而言，这个案例说明：反馈如果能指出具体问题，就更容易推动下一次有效修改。案例说明

4. DeepSeek：让 Agent 参与准备训练环境

读 DeepSeek 的 DSec 论文时，我觉得一个容易忽略的问题变得具体了：如果想让 AI 在实践中学习，谁来准备它练习的地方？

这里的环境，可以理解为一台供 Agent 操作的隔离计算机。DSec 是支撑这类训练与评测的沙箱平台。论文第 6.1 节介绍，Agent 可以搭建环境，通过增量快照保存；研究人员建立的平台检查质量，再导出给训练和评测使用。论文第 6.1 节

图 6｜论文图 1：DSec 平台架构，它展示执行环境的支撑系统。原图及说明。

这与 RSI 的联系是AI 开始参与建设供 AI 学习的条件。 它给出的数字，主要是平台规模与执行效率：一个生产部署单元每天服务约 300 万个沙箱，支持超过 38 万个并发沙箱。论文摘要

图 7｜论文图 10：在独立的 10 节点测试集群中，一次发起 8,192 个容器。左图为每节点运行容器数，右图为磁盘写入。按需加载约 35 分钟完成全部任务，完整镜像冷拉取超过 60 分钟。实验设置与结果。

这张图衡量的是基础设施效率。 第 8 节也明确把与训练框架的集成排除在该节评测范围之外。因此，我会把 DSec 放在“支持自我改进研究的基础设施”这一层：它让相关实验更容易大规模开展，距离证明递归改进持续增强，仍然有问题需要验证。评测范围

把这些指标放回各自的位置

公司	本文展示的指标	可以观察什么	不能直接推出什么
Anthropic	代码贡献、代码归属、任务成功率	AI 参与日常研发的程度与任务表现	整体科研效率或智能增长倍数
OpenAI	Agent 运行时长、任务成功与人工干预	研发投入与自主完成程度	完整研发过程已经无人参与
智谱 GLM	吞吐量、性能差距、优化过程	AI 参与改进自身运行基础设施的工程收益	收益全部归因于 Agent，或完整 RSI 已实现
DeepSeek	沙箱服务规模、任务完成耗时	Agent 训练与评测的基础设施能力	改进能力逐轮增强，或完整 RSI 已实现

这些图让我对“现实进展”有了更具体的认识。我们已经可以观察 AI 在研发中的投入、表现和局部收益。下一步还要追问：这些收益是否进入后续改进过程，又能否稳定地帮助下一轮工作？带着这个问题，再去看论文，就更容易理解研究者究竟在验证什么。

五、走进论文：自我改进怎样变成程序？

企业材料告诉我们研发工作正在变化。论文则进一步追问：系统究竟修改哪里，用什么方法产生修改，又怎样知道修改有用？

下面三项工作，分别提供了不同的回答。它们并不是一条已经完成的升级路线，但放在一起，很适合帮助理解 RSI。

1. Gödel Machine：先证明修改有用

Jürgen Schmidhuber 在 2003 年提交的 Gödel Machine 论文中，提出了一种可以修改自身程序的理论系统。它寻找证明；当能够证明某项自我修改符合规定的效用目标时，就执行修改。寻找证明的程序本身，也在可修改范围内。论文

它把一个直觉变得严格了：既然系统可以改自己的方法，那么“寻找更好方法的方法”也不必永远固定。

但这种严格性有前提。证明依赖对目标、程序和运行环境的形式化描述，也受限于能否找到所需的证明。论文中的最优性结论不能直接搬到任意现实系统上。

这项工作更像是在回答：如果要严肃地讨论自我修改，需要怎样的逻辑条件？

2. AlphaEvolve：提出程序，让评价结果推动搜索

2025 年的 AlphaEvolve 把大模型生成程序与自动评价结合起来。模型提出候选程序，评价器运行并打分，程序库保存结果，再为后续生成提供素材。技术论文

图 8｜Google DeepMind 官方原图。顺着箭头看，模型生成程序只是其中一环，程序还要经过评价，结果再回到后续搜索。来源：AlphaEvolve 项目介绍。

项目报告的应用包括改进 AI 训练中的计算组件。这提供了一个具体例子：AI 产生的算法收益，可以回到支撑 AI 的计算过程。官方说明

不过，优化一个训练组件，与自主设计、训练和验证整个后继模型，仍然是不同范围的工作。

这项工作让我注意到：模型可以负责提出想法，能否留下这个想法，需要可执行的评价。

3. Darwin Gödel Machine：把 Agent 自己的代码放进搜索过程

同样发表于 2025 年的 Darwin Gödel Machine，简称 DGM，把修改对象进一步放到了编程 Agent 自身。这里的 Agent，可以先理解为语言模型加上工具和工作流程构成的系统。

它修改自己的程序，例如改善代码编辑工具、组织工作步骤，再通过编程任务检验新版本。系统保存多个版本，后续探索可以从这些版本继续分支。论文

图 9｜Sakana AI 官方原图。系统交替进行自我修改与任务评价，逐步形成包含不同 Agent 版本的档案。这里展示的是编程 Agent 的实验机制。来源：DGM 项目介绍。

相较于理论上的 Gödel Machine，DGM 用任务上的实验结果判断候选表现，不要求先证明每一次修改都必然有益。论文还比较了移除自我改进或开放式探索机制后的表现，以检验这些设计是否发挥作用。论文摘要与实验概述

这更接近“让改进能力参与下一轮改进”的问题。但它修改的是 Agent 的代码与工具流程，不能据此说底层大模型已经自主完成重新训练。

把三项工作放在一起，我得到一个更具体的认识：自我改进可以发生在不同层次，而每一层都需要说明修改对象和判断依据。

六、怎样判断：系统是真的变好了，还是分数变高了？

读到这里，我最初的注意力在“系统能改什么”。后来发现，还需要同样认真地问：谁来判断修改有效？

假设一个程序需要通过十项测试。如果它解决了原来的错误，通过更多测试，这可能是能力进步。如果它只是删掉了失败的测试，分数也会提高，但问题并没有解决。

这不只是一个假想的担忧。DGM 团队在针对工具使用幻觉的附加实验中，记录了系统通过移除检测标记来取得虚假成功的情况。这个案例说明，评价机制也可能成为系统钻空子的对象。研究团队对该实验的说明

因此，之后再看到“实现了自我改进”的说法，我会带着几个问题去读：

要问的问题	它帮助我们看清什么
改了什么？	是答案、参数、工具代码，还是整个模型研发过程？
谁提出并执行修改？	是人手动调整，还是系统根据反馈产生候选？
怎样判断更好？	是真实运行结果，还是模型自己的评价？
改进是否进入下一轮？	新版本是否真的参与后续工作或自我修改？
换任务、换条件后还有效吗？	收益是否只适用于反复看过的题目？

这些问题是我的阅读方法，并不是统一的 RSI 认证标准。它们帮助我把一个很大的词，拆成可以检查的事实。

七、回到赛题：先知道自己正在研究哪一层

再看“储能系统能否持续自我改进”，我的理解也发生了一点变化。

电池产生数据，人根据数据修改算法，这是一条由人推动的改进链。Agent 帮助分析数据、提出候选，是在这条链中承担更多工作。如果 Agent 还能检查自己的研究方法，验证修改，并让有效的新方法继续参与后续研究，就更接近我想探索的 RSI 问题。

但这些层次需要分别记录。一次参数拟合变好，并不能说明整个研究系统已经学会改进自己；一个软件实验成立，也不会自动证明真实储能设备已经具备同样的能力。

从人的反思，到 Good 对机器设计机器的设想，再到今天的企业研发和 Agent 实验，我逐渐觉得，RSI 最值得追问的地方是：当我们得到一种更好的工具，它能否帮助我们找到下一种更好的工具？这个过程又由什么证据来确认？

后面的电池研究，我想带着这两个问题继续往下做。

参考资料怎么读？

可以先读企业文章理解现实背景，再结合流程图读 AlphaEvolve 和 DGM，最后回到早期思想与理论。没有必要第一遍就啃完证明和实现细节。

阅读入口	适合带着什么问题阅读
Engelbart，1962：Augmenting Human Intellect	人、工具和方法怎样一起提高解决问题的能力？
Good，1965：超智能机器设想，原文节选	为什么设计机器的能力可能反馈到下一代机器？
Anthropic：When AI builds itself	当前研发变化与完整 RSI 愿景之间有什么距离？
OpenAI：Research acceleration	怎样观察研究加速，人仍然承担哪些工作？
智谱：GLM 如何建设自身推理基础设施	工程反馈怎样帮助 Agent 优化系统？
DeepSeek Elastic Compute（DSec），2026	Agent 怎样参与构建训练环境，平台指标又能说明什么？
Gödel Machine，2003 年首稿、2006 年修订版	自我修改的理论保证依赖什么条件？
AlphaEvolve，2025	模型生成、自动评价与程序搜索怎样连接？
Darwin Gödel Machine，2025 年首稿	Agent 怎样修改自身代码，并用实验检验收益？