AI 能否通过“递归自我改进”（Recursive Self-Improvement，RSI）实现研发速度的无限加速？这一概念近期在硅谷引发热议，但其技术边界仍显模糊。从自动优化参数到独立开展研究，不同程度的自动化均被冠以 RSI 之名。
近日，在斯坦福大学举办的“直面 AI 的未来”大会上，斯坦福大学教授李飞飞与前 Google 首席科学家 Jeff Dean 就此展开深入对话。李飞飞对 RSI 概念的泛化及过度炒作表示担忧，Jeff Dean 则指出，虽然自动化能提升效率，但受限于物理计算过程，无限加速并不现实。
值得一提的是，Jeff Dean 于今年 8 月离职 Google，联合三位前核心研究员创办 Discovery Loop，致力于通过 AI 自动化实验循环加速科学研究。
RSI 的真实边界：是自动化加速还是无限进化？
对话伊始，李飞飞追问 RSI 与传统机器学习中“自我改进”的区别。她指出，从增量学习到神经架构搜索，机器学习领域长期探索系统如何通过经验提升能力，但当前 RSI 的概念界限十分模糊。
Jeff Dean 以医学影像模型为例阐释：若 AI 仅自动尝试不同架构并选择最优方案，这属于自我改进，但非严格意义上的 RSI，因为基础系统自身的研究能力未变。真正的 RSI 要求系统能反过来改进自身的研究能力，形成持续优化的闭环。
针对 RSI 是否存在物理极限的质疑，Jeff Dean 强调，模型训练、数据保存与分析均为耗时物理过程。自动化可消除人类休息带来的时间空隙（如夜间自动启动新实验），并整合多团队结果，从而加快迭代速度，但无法压缩物理计算时间。因此，“无限加速”的设想缺乏现实依据。
行业数据也佐证了这一观点。11 月 5 日，AI 评估机构 METR 发布报告显示，自 2025 年 10 月以来，Anthropic 模型在特定任务上的能力进步速度约为之前的 1.9 倍。尽管 AI 辅助研发成效显著，但距离实现完整的递归改进循环仍有差距。
（来源：StandFord HAI）
图｜METR 评估显示，2025 年 10 月以来，Anthropic 模型的综合能力指标增长速度约为此前的 1.9 倍，95% 置信区间为 1.5—2.8 倍。（来源：METR）
人类视角下的递归自我改进
李飞飞提出一个有趣类比：人类学习煎蛋卷的过程是否算 RSI？若大脑神经连接因反复学习而改变，使人更善于学习，即具备递归性。Jeff Dean 认为，人类兼具学习具体技能与优化学习方法的能力，后者正是递归自我改进的关键。他建议将 RSI 视为具体的工程系统，关注如何通过自动化提高模型能力，而非将其神秘化。
Discovery Loop：AI 驱动科研的新范式
除 RSI 争议外，两人还探讨了 AI 对科学研究的变革。Jeff Dean 解释创业初衷时提到，十年前神经架构搜索需复杂程序指定范围，如今大模型允许研究者通过自然语言描述目标，由系统自主设计模型、执行实验并调整方案。
今年 8 月，Jeff Dean 与 Sanjay Ghemawat、Quoc Le 和 Oriol Vinyals 共同创办 Discovery Loop。目前，公司已搭建内部智能体框架，运行约 20 个自动化改进循环，旨在将领域专家生产力提升 20 至 50 倍。初期重点聚焦机器学习、工程及硬件设计等数字环境领域，未来逐步扩展至生物医学等涉及物理实验的学科。
（来源：Discovery Loop）
实验主义与理论创新的平衡
针对 AI 科研可能偏向“实验主义”的担忧，Jeff Dean 认为理论与实验并无严格界限。自动化系统可基于数据提出理论并迭代优化，甚至通过跨学科知识积累发现新联系，突破传统学科边界。
在数学领域，李飞飞对 AI 解题感到心情复杂，认为数学家追求证明过程中的美感。Jeff Dean 承认，机器生成的证明往往冗长且缺乏优雅思路，但能验证问题可解性，激励人类寻找更简洁的证明方法，推动研究发展。
回顾与展望：技术意外与社会影响
对谈中，李飞飞突击测验 Jeff Dean 关于 2017 年 6 月 12 日的记忆，Jeff Dean 准确答出这是 Transformer 架构论文《Attention Is All You Need》提交 arXiv 的日子。借此契机，两人回顾了过去十年 AI 发展的意外之处：
- 架构演化：Jeff Dean 曾预期混合专家模型（MoE）会使神经网络更接近生物复杂性，但现实中的 MoE 结构依然相对规则。
- 编程能力：他未充分预见到编程会成为大模型解决复杂问题的关键能力。
面对 AI 快速发展引发的就业焦虑，Jeff Dean 建议年轻人主动掌握新技术，将其应用于感兴趣的领域。他强调：“无论是医疗、文学还是软件开发，AI 均可提供助力，但人类仍需决定共同完成的目标。”李飞飞对此表示认同，认为在 AI 时代，人类的热情依然是永恒的核心价值。
综上所述，AI 确实能加速自身研发，但受物理规律制约。递归自我改进的最终潜力，仍是一个待解的开放性问题，而其核心价值始终在于服务人类的愿景。
注：封面/首图由 AI 辅助生成