RSI 的分层世界观（当前共识）：自改进不是一个开关，而是一个谱系
2026 年 RSI递归自改进确实成了爆点话题——从学术会议到 Nature 级政策论文都在讨论。给你梳理一份全景。一、2026 年核心 RSI 论文论文团队一句话定位RSI-Forge: from Research Papers to Environments for RSIScale AI UNC姚华修组把论文变成 RSI 训练环境VideoHarness-RSI腾讯冻结模型权重递归改进 harnessFrom AI Assistant to AI Scientist (POISE)复旦Agent 自主发现 RL 算法Autonomous AI Agents and RSI: A Comprehensive SurveyCluster Computing249 篇文献系统综述Recursive Self-Improving LLM Agents with Meta-Cognitive Feedback LoopsSRMISTExecutor-Critic-Planner 元认知回路Your Agent May MisevolveICLR 2026—自进化 Agent 的涌现风险What if Automating AI RD Triggers an Intelligence Explosion?Hinton/Bengio 等 20 人政策警告书上次聊过相关生态位论文ReasoningBank经验记忆自进化ICLR 2026、CoEvoSkills技能共进化COLM 2026、MiMo-V2.6规模化 RL 走向 self-improvement小米。二、核心思想观点① RSI 的分层世界观当前共识自改进不是一个开关而是一个谱系——提示层自改进prompt/harness 优化 → 经验层自进化记忆、技能沉淀ReasoningBank/CoEvoSkills → 算法层自发现自动改训练算法POISE → 权重层递归训练模型自我训练自己尚未真正闭环 → 全自动化 AI RD智能爆炸假设仍在前夜② VideoHarness-RSI 的关键发现冻结 VLM 权重仅递归搜索可执行的上下文构造程序就能持续超越手工基线且可迁移到未见过的基准——证明harness 即优化层改进不必动权重。③ RSI-Forge 的瓶颈诊断RSI 的地基是环境问题可靠反馈但环境构建依赖领域专家规模受限。它用三 Agent 流水线构建/复现/评审把论文变成 210 个可执行环境18 个领域90 个经人类专家评审——本质是在给 RSI “造操场”。专家评价改进潜力和评估区分度好但捷径抵抗性和对原论文的忠实度存疑。④ POISE 的突破从 GRPO 出发评估 64 个候选算法变体自主发现了解析方差缩放和有效性掩码等机制AIME25 pass32 提升 4.6——Agent 首次在算法机制层面做出人类研究者级别的发现。⑤ 安全侧的三大悖论综述结论RSI-安全悖论自改进性能越强的系统安全水平越低能力提升跑在安全前面可扩展性-协调困境多智能体收益随规模退化宪法完备性问题不可能穷尽地规定价值⑥ 访谈数据上次提过的 25 人研究20/25 前沿研究者认为自动化 AI 研发是最紧迫风险但学界派对爆炸情景更怀疑。三、当前周期阶段判断我的判断技术导入期后半段正在向爆发期过渡但离真·RSI还有一堵墙。维度现状成熟度harness 层自改进✅ 已验证可迁移VideoHarness-RSI早商用经验/技能自进化✅ ICLR/COLM 2026 密集发表研究验证期算法自发现 单点突破POISE数学推理域概念验证权重层递归训练 未闭环——模型还不能可靠地训练出更强的自己实验室全自动 AI RD 假设阶段政策界已提前预警叙事期类比现在的 RSI 大约相当于 2015 年的深度学习——核心论证成立、demo 惊艳、基础设施RSI-Forge 造环境 当年的 ImageNet刚起步但规模化后是否涌现质变仍未验证。最关键的未解问题自改进的增益是收敛的环境信息有限挖完就没了还是发散的正反馈引爆——这决定了整个领域的天花板。四、商业化前景近期可变现1-2 年RL 环境生意RSI-Forge 出自 Scale AI 绝非偶然——环境/数据合成是数据公司的自然延伸环境即服务是明确的商业模式自动化数据科学Nature 生物医学工程的自进化多智能体数据分析 已上正刊生物医药数据分析是付费意愿最强的垂直场景企业级 AI ScientistAdapting the AI Scientist for Enterprise 探索了 Text-to-SQL 研究问题的企业落地路径中期2-4 年自改进编码 AgentClaude Code/Cursor 们的下一站从写代码到改自己的工作流大厂内部的自动化 RD 流水线MiMo-V2.6 已把 groupwise agentic grading 等机制用于工业级训练——先内部提效不对外结构性风险安全悖论直接限制商用自进化系统的审计、回滚、misevolve 防护ICLR 2026 已有专文会成为监管抓手Hinton/Bengio 联名论文的政策主张可见性、约束机制若落地闭门自改进会面临合规成本若增益收敛论成立RSI 会退化为高级超参数优化——商业故事讲不大一句话总结2026 年的 RSI 处在地基浇筑期——环境合成、经验记忆、算法自发现三块基础设施同时在铺安全研究同步跟上商业化最现实的路径是垂直域数据科学、编码 卖铲子环境/评测而智能爆炸本身还停留在叙事层。想深挖哪一块比如 POISE 的算法发现细节、RSI-Forge 的环境构建流水线或者安全侧的 misevolve 风险分析。