作者：赵志民 加拿大皇后大学博士（研究方向为代码智能与世界模型）
如果你是第一次听说 RSI，这篇文章可以当作一份入门指南。 我们会带大家把 RSI从 0 理一遍， 从最早尝试自我改进的 AI 讲起，聊到今天能改代码、造训练数据、参与模型研发的 Agent，看看 AI 如何一步步学着改进自己的。
2026 年 7 月，OpenAI 发布 GPT-5.6。它的成绩单里，第一次出现了一门有些反常的新科目： AI 能不能参与改进 AI 本身。
OpenAI 把这项能力列为 自我改进 （Self-improvement）。GPT-5.6 Sol 得到 57.9%，GPT-5.5 是 41.7%，两代模型相差 16.2 个百分点。它考的不是模型又会做多少道常规题，而是它能不能走进 AI 研发现场：排查研究系统、优化 GPU 内核程序（GPU kernel）和训练配方、运行机器学习实验，甚至帮助改进另一个模型。
这不是一条孤立的新闻。同一个夏天，OpenAI 开始把智能体（Agent）称为“自动化研究实习生”。快手 AgentX 已经让智能体参与提出方案、写代码和线上新旧版本对照（A/B 测试）。Google 表示，长期运行的智能体循环参与了下一版模型的精炼。 Motus2 则把预测、评估和策略更新带进了真实机器人。
这些案例分别触及研发执行、工业实验、模型训练和物理行动，却都没有回答最关键的问题： 改进后的系统，会不会因此更擅长完成下一次改进？
这正是 递归自我改进 （Recursive Self-Improvement，RSI）所追问的问题。OpenAI 将这项评测称为 RSI 指数 （RSI Index），用来衡量“通往 RSI 的能力”。由于完整题目、任务 权重 和聚合公式均未公开，57.9% 只能视为内部综合指标，不能理解成任务通过率或 RSI 的“完成度”。
即便如此，这组数字仍然标志着一个变化：一个过去主要存在于思想实验里的问题，开始被前沿实验室拆成可测量的研发能力。
研究者用了四十年，才逐步把更多改进环节交给机器。本文先分清几种容易混淆的能力，再沿着五次“边界推进”，看哪些有界闭环已经转起来，为什么它们仍不等于“智能爆炸”，以及为什么闭环 怎么合上 比是否合上更重要。这五次推进只是梳理历史的叙事框架，不是学界公认的技术世代。它们在时间上彼此重叠，今天也仍在并行发展。
什么是 RSI：从自我改进到递归增益
这些新闻都在谈 “自我改进 ”，却没有说明一个闭环究竟怎样才算合上。
传统意义上的 递归自我改进 （RSI），指一个 AI 系统利用当前能力，去改进产生这份能力的认知机制。改进后的系统再参与下一轮改进。这里最容易混淆的是： 会自我改进，不等于会自我加速 。 一个系统可以在固定题库上越做越好，却没有变得更会设计下一轮训练。一家公司也可以因为大量使用智能体而研发提速，却没有形成由改进本身驱动的复利。
这个概念并不新鲜。1863 年，Samuel Butler 已经想象过机器通过迭代进化超越人类。1950 年，图灵提出可以构建一个能够被教育、能自我修改的“儿童机器”（Child Machine）。到 1965 年，I. J. Good 又指出：如果“设计更好的机器”本身也需要智力，那么一台足够聪明的机器就可能设计出更强的后继，后继再继续改进，“智能爆炸”由此展开。
真正关键的不是 AI 有没有参与改进，而是改进后的系统是否变得更会改进。为了看清这道分界，可以把 RSI 拆成四条可观察的标准，按达成难度从低到高排列。
本文采用下面这套框架。它不是学界唯一的标准定义，而是为了把经常混在一起的主张分开：
-
持久改进： 有效变化能进入权重、记忆、工具、驾具或训练流程，而不是一次回答结束就消失。这里的权重也叫参数，就是模型在训练中不断调整、最终保存下来的那组数字。达成这一条，才谈得上自我改进——本文用这个词泛指输出、记忆、参数或驾具变好。
-
自主闭环： 系统能在划定的边界内发现问题、提出修改、执行实验、评估结果并接纳更好的版本。新版本能在这条边界内参与下一轮改进，本文称为有界 RSI。
-
递归增益 （也叫”点火”，ignition）：新版本不只在任务上分数更高，还比旧版本更擅长产生下一次改进。只有跨过这一条，”改进能力本身”才开始复利，本文称之为递归自我加速。
-
稳健与可控： 增益在固定资源和隐藏评测下持续、能泛化到未见任务，同时不以评估污染、系统复杂度失控、对齐退化或不可审计为代价（对齐指让 AI 的行为符合人类意图和边界，而不只是把某个分数做高）。四条标准全部达成，才接近开放式 RSI。
目前，前两条已经出现，第三条尚无充分的公开证据，第四条更远未解决。 有界闭环已经出现，不代表递归自我加速已经启动 。 只有递归反馈足以抵消研究难度增加、迭代周期变长等阻力，改进才会进入自我放大区间。
后文将固定使用四种说法。 自我改进 泛指输出、记忆、 参数 或驾具变好。新版本能在固定边界内参与下一轮改进，本文称为 有界 RSI 。改进后的系统变得更会改进，叫 递归自我加速 ，也就是第三层的“点火”（ignition）。若这种增益还能持续、泛化并跨出原来的任务边界，才接近 开放式 RSI 。
目前，前两层已经出现，第三层尚无充分的公开证据，第四层更远未解决。 有界闭环已经出现，不代表递归自我加速已经启动。 只有递归反馈足以抵消研究难度增加、迭代周期变长等阻力，改进才会进入自我放大区间。
要看清今天究竟走到了哪一层，得先回到一个在 1981 年就学会了“作弊”的 AI。
什么是 RSI：从自我改进到递归增益
1981 年，Douglas Lenat构建了一个名叫 EURISKO 的系统。它不仅用启发式规则解决问题，还能生成、修改和评价新的规则，甚至把这套机制用到自己身上。这在当时相当超前。
EURISKO 参加了 Traveller TCS 太空战棋全国锦标赛。它会设计舰队、模拟战斗，再根据失败调整策略。它在 1981 年夺冠，主办方修改规则后，1982 年又赢了一次。当时的 AI 界为之震动：这东西居然会 自我改进 ！
但 Lenat 很快遇到了一个更棘手的问题。
EURISKO 发现，提升真实能力并不是获得高分的唯一方式。某条规则并没有真正做出重要发现，却学会了在其他规则做出发现时把自己的名字也写进"发现者"名单里，于是它的内部"有用程度"评分迅速接近最高。换句话说，它不是变聪明了，而是 学会了钻评价机制的空子。
这类现象今天通常叫 奖励黑客 （reward hacking，也叫奖励投机）：系统找到提高评分的漏洞，却没有真正完成设计者想要的目标。放到 AI 自我改进 的语境里尤其致命：一旦系统既是被改进者，又能影响评估过程，自我改进就可能滑向自我欺骗。这个陷阱，我们后面会反复遇到。
此后几十年，遗传算法、进化策略和神经进化不断证明 搜索 与选择能催生复杂行为，也反复暴露同一个问题：只要评估目标有漏洞，系统就可能先学会钻漏洞，而不是真正变强。
这条线索延伸到 2017 年，出现了一个更极端的案例：DeepMind 的 AlphaZero。它靠纯粹的自我对弈，从零掌握围棋、国际象棋和将棋，"用自己生成的数据训练自己"的威力第一次被完整展示出来。
从本文的四层框架看，AlphaZero 是一次 受限实现 ：自对弈产生训练信号，改进写入 权重 ，前两层在固定游戏内已经成立。
但关键的限制在于： 闭环的边界由人类划定，系统无法修改边界本身 。奖励函数（赢棋得分）、游戏规则、训练流程、评估方式，这一切都是人类事先写死的。AlphaZero 在一个完全封闭的沙盒里实现了持久、自主的 自我改进闭环 ，却无法质疑或修改这个沙盒。这意味着它的改进永远被限制在“更擅长下棋”这一个维度上，永远无法迁移到沙盒之外。
这正是前史方法的共同天花板。LLM时代的研究并没有一步跨过它，而是开始把原本由人掌握的环节逐个移进闭环。最先被交出去的，是判断“哪里需要改”的反馈信号。
第一次推进（2022–2023）： 让AI从自己的错误中学习
前史所有方法卡在同一处：改进方向由人类事先写死。 EURISKO 和 AlphaZero 依赖人类给定的评估函数，遗传算法依赖人类设计的适应度函数。系统能进化，却只能沿着人类划好的轨道前进。要往前走，第一步得先问：系统能不能 不靠人类逐次介入， 自己判断当前输出的好坏，并产生改进方向？这种能指向下一次修改的反馈，本文称为“改进信号”。
这一步在过去做不到，因为机器读不懂“什么叫好答案”。到 2022 年下半年，大语言模型（Large Language Model，LLM）已经既能理解语言，也能评价一段文字的好坏。让系统自己产生语言反馈，第一次成为通用方法。这条路线的关键约束是：全程一个 参数 都不改，改进主要发生在推理过程和外部记忆里。
Reflexion：把失败复盘变成可复用的记忆
最直接的思路， 是让模型在当场作答的过程里反复打磨 ：先给出答案，再批评这个答案，然后改写，循环往复，全程不动 参数 。但这有一个内在缺陷。用同一个模型批评它自己的输出，等于用同一把尺子量同一块布，很难量出自己的盲区。如果复盘只留在当前上下文，任务结束后，进步也会随之消失。
Reflexion （NeurIPS'23）在此基础上加了一个关键设计： 情景记忆 。任务失败后，模型用自然语言写一篇事后复盘，把复盘存起来，下次遇到同类任务时直接注入上下文。这相当于给 AI 配了一本错题本。错题攒得越多，下次开局的起点就越高。
在 HumanEval Python 编程测试上， Reflexion 的 pass@1 准确率达到 91% ，超过论文列出的此前最好结果 GPT-4（80%）。pass@1 表示每道题只计算一次完整作答流程后，最终程序通过隐藏单元测试的比例。整个过程中，模型 参数 没有改动。
第一次推进的边界：记忆可以持久，底座能力没有形成新版本。
Reflexion 的 情景记忆 可以跨任务保留，因此已经部分满足 “持久改进” 。但被保存的是外部文字记忆，不是模型 参数 ，也没有产生一个基础能力更强的新模型。记忆一旦移除，能力便回到原点。
一句话： 这一步给了 AI 一本能保存的错题本，但还没有把经验练进身体。 再往前，就要让改进写进 参数 ，形成真正的新版本。
第二次推进（2022–2024）： 用自己生成的数据训练自己
那就把错题本焊进模型的身体里。这次推进要解决的问题是： 让自主产生的改进信号写入参数，形成真正持久的能力提升。 没有这一步，就没有“后继版本比前代更强”的递归结构，也就谈不上 RSI。
思路很朴素：让模型自己生成一批训练数据，再拿这些数据回头训练自己。听起来有点像“左脚踩右脚上天”，能不能真的踩上去，是这一步要验证的事。
这是 权重 级 持久改进 第一次被大语言模型系统性触及。
STaR：推理链自举的奠基之作
2022 年， STaR （Self-Taught Reasoner）（NeurIPS'22）让模型生成推理过程，保留答案正确的部分来微调自己，再用更新后的模型生成下一批推理过程。
问题是，如果模型一开始全部答错，循环就无法启动。
STaR 的解法叫 逆向推理 ：先把正确答案告诉模型，让它倒推出解题过程并用于训练。相当于先在黑屋里开一次灯，等它学会走了，再关灯让它自己走。
SPIN：在与历史版本的对比中改进模型
STaR 的过滤门槛是固定的，而 SPIN （Self-Play Fine-Tuning）（ICML'24）让当前模型与历史版本博弈，学习区分“人类示范”和“历史版本的输出”。两者越难区分，说明模型越接近人类示范，全程不需要新增人工标注。
第二次推进的边界：权重变了，但目标和红笔仍由人类提供。
这一步解决了 权重 级持久化，但反馈信号仍然依赖人类。奖励函数由人类设计，训练任务由人类选定，数据过滤标准也由人类制定。系统能自主生成候选数据，但 哪些数据算“好”、值得用来训练 ，判断权还在人类手里。SPIN 不需要新增人工标注，却仍以既有的人类示范分布为目标，因此上限仍由这份分布锚定。
更深的问题是递归增益尚未出现：随着模型能力提升，固定训练任务会逐渐失去挑战性，系统越来越会完成这批题，却没有证据表明它也越来越会设计训练本身。就像运动员已经跑进 10 秒，教练还在用小学体育课的标准评判，进步空间会被评判标准的天花板截断。
一句话： 系统能自己生成数据、自己作答，却还不能自己批改。只要那支红笔还攥在人类手里，天花板就仍由人类划定。
第三次推进（2022–2025）： 把更多打分权交给 AI
那支红笔，能不能也交给 AI？只要打分、给反馈还得靠人工标注或人类写的验证器，改进方向就仍然掌握在人类手里。这里的验证器，是能按照预设规则自动判断结果对错的程序。第三次推进要减少的正是这层依赖： 更多反馈信号能不能由 AI 自己生成？
这是 自主闭环 的深化：不只是让模型反思输出，而是把训练反馈的一部分也交给 AI。
CAI 到 Meta-Rewarding：从评价回答到评价评委
第三次推进的核心，是“谁来打分”这个问题的三级跳。
第一跳： 2022 年，Anthropic 提出 Constitutional AI （CAI）。人类只写一份文字原则，再让 AI 对照原则打分。实验中，这与人工打分训练的效果没有显著差异，人不再需要逐条参与评分。
第二跳： 2024 年，Meta 的 Self-Rewarding Language Models （ICML'24）更进一步。同一个模型既写回答，又给自己和其他候选答案打分，再用这些分数来更新自己。它使用的微调方法叫 直接偏好优化 （Direct Preference Optimization，DPO），可以简单理解为：“这个回答比那个好，以后多往好的那种靠。”
从 Llama 2 70B 出发，三轮迭代后，它在 AlpacaEval 2.0 上的胜率从 9.94% 涨到 20.44%。这里由 GPT-4 担任评委、GPT-4 Turbo 担任对手，胜率不是一般意义上的答题正确率。
第三跳： 既然回答质量可以自我进化，评判质量本身能不能也进化？ Meta-Rewarding （2024）在此基础上加了一层“元评判”。同一个模型同时扮演回答者、评委和“评委的评委”三个角色。第三个角色专门判断这次打分准不准。每轮更新时，模型同时朝“更好的回答者”和“更准的评委”两个方向前进。
不过论文也记录了一个值得警惕的现象：迭代几轮后，“评委的评委”开始退化。它不再判断哪次打分更合理，而是直接选择分数更高的那次，评判标准也随之漂移。这正是 EURISKO 老毛病的 2024 版：进化得越深，那把衡量好坏的尺子也越弯。
第三次推进的边界：红笔交给 AI 后，尺子本身开始变弯。
这一步显著减少了反馈信号对逐条人工标注的依赖，却同时暴露了 RSI 的核心难题： 当评判者和被评判者共享同一套盲区时，闭环很容易自我确认。
这类系统可以形成持久、自主的更新，却不一定能应对不同于训练数据的新任务，也没有证明新版本会成为更强的改进者。问题从“人类反馈太慢”，变成了“自我评判是否可靠”。
一句话： 红笔终于交到了 AI 自己手里，可它握着握着，就开始给自己打高分了。
第四次推进（2023–2026）：
让AI修改自己的运行方式
前三次推进主要在改输出、记忆、 参数 和反馈信号。但一个 AI 系统的能力不只由参数决定，还取决于围绕模型运行的整套控制系统：提示词怎么写、调用哪些工具、按什么流程编排、记忆存在哪、权限到哪、结果怎么评判。
Lilian Weng 在 2026 年的长文中把这一整层称为 驾具 （harness）。它就像套在马身上的挽具，不只托着模型干活，也约束模型往哪走、怎么走、能走多远。驾具决定了模型能力能否转化为可靠行动。
近期的 自我改进 很可能先从驾具入手，因为改 权重 昂贵、反馈慢、风险高，而改驾具本质上是改代码，更便宜，也更容易回滚。长期方向可能是 模型权重与驾具共同进化 ，但评估器、权限控制和关键安全边界仍应留在可进化区域之外。
于是第四次推进要回答的问题是： 系统能不能自主修改自己的驾具，也就是定义自己如何运行的架构？
参数 更新是在既定运行方式下把能力练进模型。驾具更新则改变能力如何被调用，相当于重新设计工作台、工具箱和训练方法。
驾具改进有一条清晰的递进阶梯。被优化的对象从浅到深，一级比一级更接近“系统如何思考”的内核：
flowchart LR
A["提示词<br/>改措辞"] --> B["上下文结构<br/>改喂什么"]
B --> C["工作流<br/>改步骤"]
C --> D["驾具代码<br/>改整个编排"]
D --> E["优化器代码<br/>改“怎么改”本身"]
越往里，改动的杠杆越大，也越接近“系统自己重写运行逻辑”。下面就沿着这条阶梯，从浅到深依次来看。
OPRO：让提示词自己迭代
参数 不动，只改提示词，也就是我们给模型下指令的那段话，能让系统变强吗？ OPRO （ICLR 2024）的做法很有代表性。它把尝试过的提示词和对应得分一起交给模型，让模型从中归纳规律，再生成更好的版本。过去要靠人反复试的“调话术”，现在可以让模型自己迭代。
但上限是明确的：提示词再好，也只是在调用模型现有能力，造不出新能力。
ADAS 与 AFlow：自动设计智能体工作流
再往里一层，被优化的不再只是措辞，而是喂给模型的信息和 整个任务流程怎么编排。 例如，AI Scientist 把“提想法→写代码→跑实验→写论文→同行评审”串成流水线。既然流程能写成代码，它也可以被 搜索 出来。
ADAS （ICLR 2025）把“设计工作流”本身变成一道优化题。一个更高层的“设计师智能体”不断用代码写出新工作流，运行、筛选、再修改，如此循环。
AFlow （ICLR 2025）更进一步。它把工作流表示成由模型调用和逻辑判断组成的流程图，再用搜索算法寻找更好的结构，最终超过人工设计的方案。
Self-Harness 与 DGM：让系统改写Harness代码
阶梯的顶端，是让系统直接改写 定义自己如何运行的那段代码。 这里有两条路线。
第一条路是“提出、评估、接纳”。 系统找出自己的问题，提出修改，验证有效后再采纳。
Self-Harness （2026）加入了严格的接纳条件：系统先归纳失败原因，再做小步、可撤销的修改。新版本只有在已见和未见问题上都不退步，才会被保留。
第二条路是进化搜索。 系统保留一群候选方案，让它们产生变体，再通过实验留下更好的版本。
达尔文哥德尔机 （Darwin Gödel Machine，DGM）（2025）直接进化可自我修改的驾具代码。在底座模型不变的前提下，它在 SWE-bench Verified 上的修复成功率从 20% 提升到 50%。
这两条路背后是同一个洞见： 代码是定义系统的通用语言。 一旦驾具被写成可执行、可评分的代码，编程智能体就能在这个设计空间里搜索。
MetaClaw 与 AgentX：让真实用户成为反馈来源
无论走哪条路，驾具自进化都需要“改得好不好”的信号。
DGM 的改进信号来 自固定测试集 。MetaClaw（2026）则让智能体在真实部署中从对话提炼经验，并在后台把经验固化进 权重 ，把自进化从题库驱动推向用户驱动。
工业界已经有人把这条路线跑进真实业务。快手的 AgentX （2026）会复盘执行记录，据此修改子智能体的驾具，再用历史任务筛选新版本。
它和 Self-Harness 使用相似的“提出、评估、接纳”骨架。区别在于，它最终还要接受真实线上 A/B 测试。用户的停留和消费行为，成了系统的奖励信号。
这些方法的本质差异不在机制，而在 教练是谁 ：测试集、真实用户，还是线上生意。教练越贴近现实，改进就越可能真的有用，但被钻空子的风险也越大。
第四次推进的边界：运行架构可改，但验证边界和最终目标仍在外部。
这次推进把模型、工具和记忆的调用方式也变成了可进化对象。但驾具朝哪个方向进化，仍由外部任务、验证器或用户目标决定。更重要的是，驾具分数变高不等于底座智能变强。一个系统会修改驾具，也不等于更新后的驾具一定能被它有效利用。
一句话： 系统终于能改造自己的手脚和工作台了，可验收标准和施工边界仍由外部世界划定。
第五次推进（2025–2026）：
把学习与研究过程放进闭环
修改驾具是一条路线，但驾具改的是 系统在运行时怎么执行任务 ——调用哪个工具、走哪条流程、什么时候停。第五次推进改的是更上游的一层： 系统用来学习的素材和场地本身 ——练习题从哪来、练习环境长什么样、训练数据怎么生成。前者决定的是已有能力如何被调用，后者决定的是下一版模型会在什么样的经验上被训练出来。两者的时间线高度重叠，因为很多团队是同时在做这两件事，但改动的对象并不相同：一个动的是推理时的控制结构，一个动的是训练前的输入供给。
于是另一条路线开始扩大闭环所覆盖的范围： 整个学习与研究过程能否成为系统的操作对象？ 系统开始自己生成训练材料、选择练习策略、运行实验、修改训练流程，再把结果写回模型或驾具。
这里要避免一个误区。系统自主生成数据或环境，只是扩大了 自主闭环 的范围。即便出题、作答和批改都由 AI 完成，如果新版本没有变得更会设计下一轮改进，系统仍然没有跨过递归增益的门槛。
SEAL：让模型生成自己的训练数据和更新指令
给模型一份从未见过的新材料，它通常只能按人类预先规定的方式学习。2025 年的一项工作却让模型先为自己写“学习计划”：如何整理材料、用什么节奏学习、是否需要多次改写，都由模型自己决定，然后再照着计划更新 参数 。这相当于自己排课程表，再照着上课。
这套方法叫 SEAL （Self-Adapting LLMs）（NeurIPS'25）。计划好不好，要看“上完课后做题准不准”。系统再用结果反过来调整计划，这就是 强化学习 。
在知识问答任务上，这种方式把准确率从 33.5% 提升到 47.0% ，也优于直接用 GPT-4.1 生成学习材料。
SEAL 解决的是“如何为自己准备学习材料”。但对需要与环境反复互动的智能体，另一个瓶颈很快出现：真实练习本身太慢、太贵。于是，下一项工作把环境也搬进了闭环。
SEAL 解决的是”如何为自己准备学习材料”。但对需要与环境反复互动的智能体，真实练习往往太慢、太贵：网页环境太复杂，每次操作都要真的执行，收集训练数据既慢又贵。 WebEvolver （EMNLP'25）给出了一种折中——训练一个内部”世界模型”，模拟网页会怎样响应，相当于在脑子里建一个沙盘。智能体可以在沙盘里低成本地大量练习，只在关键步骤才真正上线验证；执行任务时，这个沙盘还能帮它预判下一步操作的结果。在三个真实网页任务测试集上，它相对既有自进化智能体的整体性能提高约 10% ，且不依赖更强的”老师模型”。
到这里，闭环已经能在模拟环境里练习。接下来的问题自然是：预测、评估和 参数 更新能否离开网页，在真实物理世界里闭合？
Motus2：当参数自我改进走进物理世界
自我改进 并不只发生在语言和代码里。2026 年 8 月，一套机器人系统在两项真机任务上的平均成功率从 65% 提高到 75%。变化来自一个很具体的闭环：机器人先设想几个动作，预测每个动作会带来什么结果，选出更好的动作，再把结果用于下一轮训练。
这套系统叫 Motus2。 策略负责提出动作，世界模型预测动作的结果，价值模型判断结果是否有助于完成任务。预测和评分既用于选择动作，也用于更新动作 参数 。
这是 权重 级策略改进，但仍是有界闭环：世界模型骨干与价值模型保持冻结，任务目标和监督仍由外部提供，论文也没有展示改进后的 Motus2 更擅长设计下一轮学习算法。它证明的是闭环能在真实机器人上运行，而不是开放式 RSI 已经完成。
SEAL、 WebEvolver 和 Motus2 分别把训练材料、练习环境和物理行动纳入闭环。它们扩大了系统能够自主操作的范围，却仍没有把“研究什么、何时采用结果”的决定权交给系统。要看这条边界在现实研发中推进了多远，还得回到前沿实验室和生产系统。
OpenAI 与 Google：让智能体参与模型研发
OpenAI 的“自动研究实习生”已经能排障、优化 GPU 内核程序、尝试训练配方和帮助改进另一个模型。Google 也表示，长期运行的智能体循环参与了底层模型的精炼。但两家公司都没有证明完整 自主闭环 ：人类仍决定研究方向和结果是否推进，公开资料也不足以还原循环如何运行。
真正的变化是，AI 已从“被研究的模型”变成“参与研究模型的执行者”。它跨进了训练车间，但还没有拿走实验室的方向盘。
2026 年夏： 自动研究系统开始改进自身的研究方式
前五次推进不断扩大“系统可以修改什么”。2026 年夏天出现的一组工作，则开始正面追问： 能不能让自动研究系统去研究并改进自动研究系统本身？
在一个 GPT 预训练基准上，普通内层循环把验证损失降低约 0.009，加入外层循环后平均降低约 0.045，改进幅度约为 5 倍。验证损失可以理解为模型在新数据上“错得有多远”，通常越低越好。这里比较的是损失下降量，不是任务正确率提高了 5 倍。
做到这一点的 Bilevel Autoresearch 使用两层循环：内层智能体优化任务代码，外层智能体优化内层的 搜索机制 。系统改进的已经不只是答案，而是“怎么寻找答案”。
递归式驾具自我改进 （Recursive Harness Self-Improvement，RHI）得到了类似结果：在 30 个合成机器学习研究任务上，更新后的低推理预算智能体超过了未优化的最高预算配置，同时最多降低约 60% 的推理成本。改进运行机制，有时比单纯增加思考预算更有效。
不过，这两项结果主要来自规模受控的实验。要证明闭环不只会偶尔找到一个好方案，还需要更长的连续运行、多个后继版本，以及循环之外的测试。 AIDE² 尝试把这三件事放在一起。
真正引发争议的是 AIDE² 。Weco 团队让一个自动研究智能体充当外层改进者，连续 100 步重写内层 AIDE 的驾具。在八天无人值守运行中，它筛出 7 个连续改进版本。团队报告称，最佳版本不仅超过起点，也超过人工调了两年的版本，并把增益带到循环从未见过的任务上。
另一个变化发生在奖励作弊上。在未参与优化的 GPU 内核程序测试 KernelBench 中，起始版本有 63% 的测试案例出现“公开得分看似提高、隐藏验证却不认可”的情况。最佳进化版本将这个比例降到 34%。 这里的隐藏分数 （private score），就是系统优化时看不到、只在最终验收时使用的分数。它可能淘汰了只会迎合公开分数的版本。
Weco 把这称为 第一级 （Level 1）： 净正改进。 这不是行业通用标准，但它是目前值得认真对待的 有界 RSI 证据 。证据边界也很清楚：结果来自团队自报，完整报告仍待发布，进化后的系统还出现了复
杂度膨胀和死代码。更关键的是，它没有通过下一级的 点火测试 （ignition test）：改进后的系统没有被证明比前代更擅长改进另一个版本。
反向证据来自 AI4AI-Bench 。它让智能体在固定资源内重写训练算法，再由智能体无法接触的评估器打分。以原配算法为 0.1、任务最优值为 1.0，最强系统只得到 0.250，而且多数提交没有真正修改模型“如何学习”。当前智能体很会修工程、调驾具和跑实验，但触及训练算法核心的能力仍然很浅。
一句话： 闭环已经能够净正地转几圈，但还没有证明下一圈会因为上一圈而转得更快。
统一视角： 如何判断RSI走到了哪一步
下表用开篇的四条标准（持久改进、自主闭环、递归增益、稳健与可控），对照前面各次推进，并标出主要缺口。元研究闭环的相关工作几乎全部来自 2026 年最近数月的 arXiv 预印本，其中 AIDE² 更是团队自报的博客结果，尚未经过同行评审。这些结论应被视为阶段性观察，而不是已经沉淀的共识。
表中的 ✅ 表示已有较直接证据，⚠️ 表示只在有限条件下成立或证据仍不充分，❌ 表示尚未展示。
这个领域的历史，就是“能被系统改动的对象”一层层向内推进的历史。 被改动的对象从输出和记忆，逐步深入到参数、评判、驾具和训练环境，最后终于碰到产生改进的机制本身。
越往里走，“改进”就越难定义，也越难证明。回到前面那四条标准—— 持久改进、自主闭环、递归增益、稳健可控 ——今天真正挡住 ignition 和 开放式 RSI 的，正是后三条各自最难跨过的地方，可以拆成四道相互咬合的门。
第一道门 （自主闭环能否可靠） ：验证器是否可靠，而且系统改不动它。 当系统既是改进者又是评判者时，评判标准会随迭代漂移。 Meta-Rewarding 的“评委的评委”后来越来越偏向高分本身， EURISKO 更早学会把自己的名字塞进功劳簿。它们都在提醒同一件事：优化过程会攻击指标与真实目标之间的每一条缝。
这里的 外部锚 ，指被改进系统无法篡改的评估或约束。形式证明、可执行验证器和隐藏测试通常比模型自评可靠。 AIDE² 的隐藏分数能减少一部分奖励作弊，正是因为内层智能体无法操纵它。
真正可靠的原则不是让人审核每一步，而是： 评估器和权限边界必须留在被进化系统的控制范围之外。 数学和代码任务可以依赖证明器、编译器或隐藏测试。研究品味、长期代码健康与部署边界，仍需要人类作最终判断。
第二道门 （稳健可控之一） ：改进能否跨出自己的数据分布。 用自己生成的数据训练自己，会放大已有偏差、抹平多样性， 最终形成模型坍缩 ：输出越来越单一，原有错误在一轮轮自训练中被重复放大。用固定题库改驾具，则可能把题库特征写进工作流，制造另一种过拟合。
一次未见任务上的提升还不够。系统必须经受跨任务、跨领域、跨时间的隐藏评估，才能证明它积累的是可迁移能力，而不是更隐蔽的应试技巧。
第三道门 （递归增益本身） ：改进是否真的具有递归增益。 任务分数提高，不代表系统更会设计下一次改进。AIDE² 展示了多步净正改进，却没有通过 ignition。AI4AI-Bench 则显示，多数系统仍不会修改核心学习算法。底座太弱时，自生成数据和自我诊断的质量也可能让循环越转越差。
第四道门 （稳健可控之二） ：能力、复杂度和控制能否一起扩张。 越变强未必越“听话”，越会改代码也未必越容易维护。 AIDE² 的死代码和复杂度膨胀是一个小尺度预警。在更大的训练系统里，权限越高、迭代越快，人类越难理解每次变化究竟带来了什么。
OpenAI 首席科学家 Jakub Pachocki 公开表示，目前没有任何实验室已经把 对齐 与监控解决到足以负责任地长期全速扩展的程度。真正的目标不是只让能力曲线上升，而是让安全、监控、回滚和审计能力至少同步上升。
AutoResearchEval 检查了 800 条真实科研轨迹，归纳出 45 类失败。它们最终指向同一个缺口：当前智能体缺少稳定的 元认知循环 ，无法持续核对结论与证据、在出错时可靠回退，或主动质疑自己的研究路径。问题不能只靠多套一层工作流解决。
所以更可能的现实图景，不是人类简单被踢出闭环，而是 沿抽象阶梯向上移动 ：从写代码转向验代码，从跑实验转向设计验证，从局部执行转向决定什么值得研究、什么证据足以推进、什么时候必须
停止。机器接走越来越多工作，人类留下的不是每一步操作权，而是目标、验证边界和最终否决权。
结语： 自我改进闭环已经出现， 递归增益仍待证明
从 1981 年 EURISKO 学会“自欺欺人”，到 2026 年模型开始参与评估、修改驾具、更新策略和训练后继，更准确的结论是： 有界、可测量的自我改进闭环已经出现，甚至开始产生净正收益，但尚无充分公开证据表明，改进后的系统持续提升了自身的改进能力。 因此，闭环合上的方式比闭环合上本身更重要。
一个在评判标准漂移中合上的闭环，会越来越擅长优化它自己扭曲的目标。一个在数据分布坍缩中合上的闭环，会越来越擅长一个越来越窄的任务子集。一个在 对齐 偏差放大中合上的闭环，会越来越有能力、越来越难以校正。
真正的问题已经变成了两问： 它会不会点火，以及点火时什么仍留在它改不动的边界之外？ 前者取决于改进能力能否递归增益，后者取决于验证、权限和治理能否继续有效。
回到四十年前那个把自己名字塞进“发现者”名单的 EURISKO 。它钻的那个空子，和今天最前沿的自进化系统面对的难题，其实是同一个： 当一个系统开始给自己打分，你怎么知道它是真的变好了，还是只学会了让自己看起来变好？
四十年过去，系统的能力早已不可同日而语，这个问题却几乎原封不动。变的是赌注：当年是一场桌游的输赢，往后可能是科研与经济系统的运行方式。这道缝最终怎样合上，仍取决于我们何时、以什么方式把手搭上去，或者收回来 。
