“递归”已成为人工智能领域的最新热词。多家初创公司以此命名，更多企业则在路线图中提及“递归自我改进”（RSI）。与之前的AGI类似，RSI被视为灾难性AI爆发的代名词，尽管业界对其确切定义仍存分歧。
简而言之，RSI指能够持续升级自身的人工智能系统。一旦AI在管理升级周期上优于人类，该过程将形成闭环，仅受限于可用算力，人类不仅不再必要，甚至可能成为阻碍。
尽管这一愿景令人畏惧，却是众多AI实验室渴望实现的目标。
追逐RSI的先行者
本月早些时候，知名AI研究员理查德·索彻（Richard Socher）创立了Recursive Superintelligence公司，明确将RSI作为核心目标。他表示：“我们的重点是大规模构建真正递归、自我改进的超级智能，这意味着研究构想的构思、实施和验证全过程都将实现自动化。”
许多顶尖研究人员正致力于实现这一突破：
- 安德烈·卡帕西（Andrej Karpathy）：这位特斯拉与OpenAI前传奇人物正在推进“Auto-Research”项目，利用智能体集群训练大语言模型完成简单任务。他通过公开GitHub仓库分享进展，目前虽主要针对GPT-2规模模型进行小幅改进，但已吸引众多研究者追随。随着其在Anthropic负责预训练工作，未来有望更大规模应用该理念。
- Adaption团队：由Cohere及谷歌校友萨拉·胡克（Sara Hooker）创立，近期推出了类似工具AutoScientist。该系统同样训练智能体进行渐进式改进，旨在降低全尺寸前沿模型的训练门槛。若研发顺利，该系统或将迅速演变为真正的RSI形态。
- Doris Xin与Disarray：其自训练的机器学习代理在Kaggle竞赛中斩获28枚奖牌，击败众多人类训练的对手。Xin认为，给定无限算力和时间，技术层面已达标准，当前挑战主要在于可靠性及基础性工程落地。
尚未完全达成
尽管进展显著，AI行业距离实质意义上的递归系统仍有差距。Google CEO Sundar Pichai坦言：“这是一个连续的过程，我们确实在取得进展，但按照人们对RSI的描述，那种代表下一级加速并产生深远影响的阶段，我们尚未完全达到。”
然而，自我改进的AI系统已在实际应用中崭露头角：
- Claude Code的自我编写：Anthropic估计，其团队近100%的代码由Claude Code编写。这表明AI工具已深度介入自身开发流程。
- 替代中级工程师的潜力：在与Mythos预览版相关的调查中，18名Anthropic工程师中有5人认为，随着工具链改进，该版本很快能替代无需监督即可承担复杂项目的L4级工程师。
尽管如此，现有系统仍存在明显短板。报告指出，相比L4工程师，Claude在自主管理长期模糊任务、理解组织优先级、审美判断、验证能力及认识论等方面仍有不足。这些涉及“自我导向”的能力，恰恰是RSI的基石。
正如AGI一样，业界无法预测何时能展示有意义的递归系统。乔治城大学安全与新兴技术中心（CSET）专家组研究发现，评估结果分歧巨大：有人预计迫在眉睫的“超级智能”爆发，有人则预期缓慢发展。但共识在于，递归特性使未来极难预测。
CSET主任海伦·特纳（Helen Toner）强调，仅使用AI工具辅助研究不足以认定为RSI，“经典RSI意味着完全不需要人类参与。”她引用METR研究员Ajeya Cotra的观点，将AI接管研究分为三个阶段：
- 充分性（Sufficiency）：系统在移除人类后仍能进行研究，即便效率不高。
- 对等（Parity）：纯AI系统的研究能力与纯人类系统相当。
- 优势（Supremacy）：纯AI系统优于人机协作系统。
Cotra认为，AI已非常接近“充分性”阈值，预计未来几年内可实现；而一旦达到“对等”水平，AI进步节奏将极大加速，可能在一年内确立研究领先地位。
前行路上的挑战
由于AI构建多基于规模定律，人们常误以为RSI也会遵循平滑扩展曲线。但特纳指出，从渐进式改进到移交整个研究过程面临巨大挑战。历史上，人类虽逐步将底层环节移交机器，但仍掌控全局；要超越此范式，需在工程和对齐方面克服重大障碍。
此外，即便投资巨大，算力也非无限，人力与机器智能之间的基本权衡难以逾越。至于引发末日想象的完全递归AI系统，研究人员目前的唯一共识是：它与AGI一样，尚未到来。