【研究笔记 06】RSI概念再阐明

Peter 的评论让我意识到，我们说 RSI 时，可能在谈不同层次的改进。让我回到概念本身，看看能看出什么。

Anthropic 在 RSI文章中提到AI 自主研发自己的后继系统，报告 AI 参与编码和研究的进展，但明确尚未达到完整自主研发后继系统的状态。简单来说，Anthropic 的RSI是端到端的RSI，包括模型本身的迭代优化。
DGM文章 DGM 提到让Agent 修改自身程序，改后的 Agent 继续参与修改。DGM提到的RSI是Agent 系统层面的自我改进，并不等于重新训练底层大模型。
最近新出的文章RSI-Anything 是让反馈变成可保留的策略、流程或预测模型更新，通过检查的版本影响下一轮交互与学习，不要求每轮改写元算法。

即使在 AI 领域，不同材料讨论 RSI 时，采用的系统边界和实现层级也不一致。有的是指大模型本身的研发流程，有的是指Agent参与的部分优化，有的是指迭代框架。

对本题而言，我更希望把这些讨论落到可验证的 BMS 改进上。因此，我参考 DGM 和 RSI-Anything 的做法，从局部工具、模型或流程的更新开始。BMS 需要面对真实电芯和硬件约束，可以先在部分环节借助 AI，再检查有效更新是否被保留，并帮助下一轮研究。

还有两种相关视角，需要与上述研究口径分开：