# RSI 技术探究

> 用大白话由浅入深地讲“递归自我改进”（RSI）：AI 怎样自己出题、自己打分、改自己的代码、发明算法、参与造下一代 AI，进展怎么量、卡在哪、实验室又为它设了哪些红线。

- 作者：David（道雾轩）
- 最后更新：2026-09-19
- 原文：https://daiw.org/manual/rsi
- 转载与引用：请注明出处并附原文链接（https://daiw.org/about/copyright）

# 序 · 当 AI 开始参与造 AI

1965 年，数学家 I. J. Good 设想过一台“超智能机器”：既然设计机器本身就是一种智力活动，一台比人更聪明的机器就能设计出更好的机器——然后是一场“智能爆炸”。半个多世纪里，这只是思想实验。

到了 2026 年，它开始有了工程上的影子。2 月 5 日，OpenAI 在 GPT-5.3-Codex 的发布说明里写道，这是他们第一个“instrumental in creating itself”（参与创造了自己）的模型：早期版本被用来监控和调试这次发布的训练运行、优化包在自己外面的 Agent 程序、在发布期间动态扩缩 GPU 集群——干的是造模型流程里的工程活，拍板的仍是人。各家前沿实验室陆续公开类似的内部数据，研究论文数量也在这一年陡增。这个方向有个名字：**RSI（Recursive Self-Improvement，递归自我改进）**——AI 系统参与改进“造 AI 的流程”，乃至它自己的下一代。

这个专栏用大白话，从“它到底是什么意思”讲到“它现在走到了哪一步、为什么还没失控加速、谁在给它设护栏”。

<Callout type="info">
  **资料说明**：本专栏成文于 **2026 年 9 月**，以论文（arXiv 等）、实验室官方博客、系统卡与安全框架原文为主要依据。实验室与论文作者自述、尚无第三方复现的数字，正文标“官方口径”或“作者报告”；媒体与二手解读注明出处。RSI 是一个每周都有新论文的方向，读时请留意各处标注的时间点。
</Callout>

## 先看全貌：五级台阶

“AI 改进自己”听起来像一件事，其实是一串由浅到深的台阶，本书就按这个顺序展开：

| 台阶 | 改的是什么 | 通俗说法 | 对应篇目 |
| --- | --- | --- | --- |
| 1 | 单次的答案 | 写完再检查一遍 | [五级台阶](https://daiw.org/manual/rsi/rsi-ladder) |
| 2 | 训练信号 | 自己出题、自己打分 | [自博弈与合成数据](https://daiw.org/manual/rsi/self-play-data)、[自我奖励](https://daiw.org/manual/rsi/self-rewarding) |
| 3 | 脚手架与代码 | 改写自己的工具和流程 | [改自己的代码](https://daiw.org/manual/rsi/self-modifying-agents) |
| 4 | 研发环节 | 发明算法、跑实验、调基础设施 | [AlphaEvolve 一族](https://daiw.org/manual/rsi/algorithm-discovery)、[自动化 AI 研发](https://daiw.org/manual/rsi/automated-research) |
| 5 | 整个研究闭环 | 自己提想法、验证、造出下一代 | [自动化 AI 研发](https://daiw.org/manual/rsi/automated-research) |

越往上，改动的影响越大，验收也越难——这是贯穿全书的一条线索。

## 这个专栏怎么走

**第 0 部分 · 先搞懂概念**
- **RSI 是什么** —— 从 1965 年的“智能爆炸”、哥德尔机讲到 2026 年实验室的表态。
- **五级台阶** —— 把“自我改进”拆成五级：每级改什么、谁来验收、2026 年走到哪一步。

**第 1 部分 · 自己教自己**
- **自己出题自己练** —— 从 AlphaGo Zero 的左右互搏，到大模型零数据自训练、合成数据飞轮与模型坍塌。
- **自己当裁判** —— 奖励从哪来：人类打分、AI 打分、自我奖励、可验证奖励，以及绕不开的奖励黑客。

**第 2 部分 · 自己改自己**
- **改自己的代码** —— 哥德尔机的“先证明再改”与达尔文哥德尔机的“先试再留”，档案库为何胜过贪心。
- **让 AI 发明算法** —— FunSearch 到 AlphaEvolve 再到 2026 年的开源与上云，这套循环怎样反哺 AI 自己。
- **自动化 AI 研发** —— 按研发流程逐段拆开：哪些环节已交给 AI，哪些仍由人拍板。

**第 3 部分 · 量尺、瓶颈与护栏**
- **怎么量进展** —— METR 的任务时间跨度、实验室的研发评测，以及直接量“研发加速”的新指标。
- **为什么还没“爆炸”** —— 算力、验证、数据、研究品味与收益递减，乐观派与怀疑派并排摆。
- **风险与治理** —— 各家实验室安全框架里为“AI 自动化 AI 研发”设的阈值，以及监控与对齐的难点。

最后一篇**回顾与展望**把全书串起来。

## 和站内其他专栏的关系

想先补大模型本身的底子，可以读[《AI 大模型解构》](https://daiw.org/manual/llm-anatomy)；想看 Agent 是怎么从一个模型搭起来的，见[《从 LLM 到 Coding Agent》](https://daiw.org/manual/llm-to-agent)。同期另一条前沿方向——不写字、只给决策的 System One 模型——见[《Jev 原理与应用》](https://daiw.org/manual/jev)。

准备好了，就从 [RSI 是什么](https://daiw.org/manual/rsi/what-is-rsi) 开始。

## 本专栏篇目

- [RSI 技术探究](https://daiw.org/manual/rsi.md): 用大白话由浅入深地讲“递归自我改进”（RSI）：AI 怎样自己出题、自己打分、改自己的代码、发明算法、参与造下一代 AI，进展怎么量、卡在哪、实验室又为它设了哪些红线。

### 第 0 部分 · 先搞懂概念

- [RSI 是什么：从“智能爆炸”说起](https://daiw.org/manual/rsi/what-is-rsi.md): RSI（递归自我改进）指 AI 参与改进“造 AI 的流程”乃至自己的下一代。本篇从 1965 年的“智能爆炸”讲到 2026 年实验室的表态，理清来龙去脉。
- [五级台阶：从自我修正到自主研究](https://daiw.org/manual/rsi/rsi-ladder.md): 把“自我改进”拆成由浅到深的五级：改答案、改训练信号、改脚手架、改研发环节、闭环自主研究。讲清每级改什么、谁验收、2026 年走到哪一步。

### 第 1 部分 · 自己教自己

- [自己出题自己练：自博弈与合成数据](https://daiw.org/manual/rsi/self-play-data.md): 没有老师也能变强吗？从 AlphaGo Zero 的“左右互搏”，讲到大模型自己出题、自己解题的零数据训练，再到合成数据飞轮、模型坍塌与 2026 年的新进展。
- [自己当裁判：自我奖励与可验证奖励](https://daiw.org/manual/rsi/self-rewarding.md): 强化学习的“分数”从哪来？从人类打分、AI 打分、模型给自己打分，到代码能跑、数学能验的可验证奖励，再到绕不开的奖励黑客问题和 2026 年的应对。

### 第 2 部分 · 自己改自己

- [改自己的代码：从哥德尔机到达尔文哥德尔机](https://daiw.org/manual/rsi/self-modifying-agents.md): 能改写自身代码的 Agent 怎样从理论走进实验：哥德尔机的“先证明再改”，达尔文哥德尔机的“先试再留”，档案库为何胜过贪心，以及作弊与沙箱。
- [让 AI 发明算法：AlphaEvolve 一族](https://daiw.org/manual/rsi/algorithm-discovery.md): 大模型出主意、评估器打分、进化算法挑选：从 FunSearch 到 AlphaEvolve 再到 2026 年的开源与上云，看这套循环怎样反哺 AI 自己。
- [自动化 AI 研发：AI 科学家与“参与造自己”的模型](https://daiw.org/manual/rsi/automated-research.md): 从 AI Scientist 到三大实验室的内部数据，按研发流程逐段拆开：哪些环节已交给 AI，哪些仍由人拍板，“参与”离“独立完成”还差多远。

### 第 3 部分 · 量尺、瓶颈与护栏

- [怎么量进展：时间跨度与研发基准](https://daiw.org/manual/rsi/measuring-rsi.md): 自我改进走到了哪一步？这一篇拆开三类尺子：METR 的任务时间跨度、各家实验室的 AI 研发评测，以及直接量“研发加速”的新指标，并逐一讲清它们量不到的地方。
- [为什么还没“爆炸”：算力、验证与数据](https://daiw.org/manual/rsi/bottlenecks.md): AI 已经大量参与造 AI，进展为何还没失控加速？这一篇拆开五道关卡：算力、验证、数据、研究品味与收益递减，并把乐观派与怀疑派的论据并排摆出来。
- [风险与治理：实验室为自我改进设的红线](https://daiw.org/manual/rsi/safety-governance.md): 当 AI 开始参与造下一代 AI，红线画在哪里？这一篇对照三家实验室现行框架里的自我改进阈值，讲监控与对齐的难点、2026 年的事件与刹车，以及政策动向。

### 收尾

- [回顾与展望](https://daiw.org/manual/rsi/recap.md): 把十篇收成一页：RSI 的五级台阶各走到了哪里，哪些是实验室与作者的自述、哪些有独立证据，为什么还没“爆炸”，护栏画在哪，以及接下来值得盯的信号。