过去大半年，「递归自我改进」这个词的出场频率明显高了。相关论文一年多涨了十几倍，头部实验室开始主动披露自己内部的自动化程度，有人给它单独编了指数，也有人把它写进了商业叙事的标题里。

但它同时是当下最容易被讲糊的一个概念。同一个词，有人指的是「模型帮我改两段提示词」，有人指的是「机器设计并训练自己的下一代」。这两件事之间，隔着好几个数量级。

这篇不追新闻，把这件事从头拆一遍：它到底指什么、闭环靠什么转起来、今年的真实进展发生在哪一层、以及怎么判断一句「AI 在自我改进」到底在说什么。

六十年前那句「最后一项发明」

这个概念的思想源头可以追到 1965 年。图灵在布莱切利园的同事 I.J. Good 写下过一个后来被反复引用的判断：如果机器能够参与设计更好的机器，自我改进就可能形成反馈回路。他把这个回路推到了极致——第一台超智能机器，将是人类需要做出的最后一项发明。

这句话之所以被讲了六十年，是因为它描述的是一个数学上的可能性，而不是一个工程方案。在它被提出的年代，没有任何一台机器具备「修改自己」的现实能力，所以这个概念长期停留在哲学讨论和预测辩论里。生物学家喜欢它，因为它像演化；计算机科学家警惕它，因为它没有任何可验证的实例。

转折发生在最近两年。转折点不是有人证明了它可行，而是这个回路的零件，一件一件变成了工程实践。大模型开始修改自己的输出、拿自己生成的数据训练、重写自己的智能体脚手架；有些系统甚至开始发现能反过来送进 AI 研发基础设施的算法。这些碎片已经真实存在了，问题变成了它们能不能被拼成一个闭环。

先分清：改进结果，还是改进方法

要读懂后面所有的讨论，第一步是把这个词拆开。RSI 的核心不是「变强」，而是变强这件事本身被写进了被优化的对象里。

左边是迭代：方法固定，每一轮只是再试一次，分数可能涨，但涨的是这一次的输出。右边是递归：每一轮都会改写「怎么产生结果」这件事，所以涨的是下一轮变强的能力。

这两个词经常被混用，混用之后讨论就没法进行下去了。判断标准其实很硬：下一代的系统，是不是比这一代更擅长造出更好的下一代？答「是」，才配叫递归；答「不确定」或者「只是这次分数高了」，那就还是一次性提升。

学者们后来把这个判据进一步收紧成两条，缺一条都不算真递归：一是新的改进机制必须被保留下来，并且真的参与下一轮的改进；二是在同等预算、独立评估的条件下，它确实产出了更强的后继系统。第二条尤其重要，因为它是唯一能排除「运气好」和「评测被钻空子」的办法。

闭环要转起来，需要三个前提

一个自我改进闭环能不能成立，取决于三个很朴素的条件。

第一，得有一处「自我的东西」可以动手改。这是闭环的抓手。能改的范围有多宽，自我改进的深度上限就有多高。改提示词和改模型权重，完全不是一回事。

第二，得有一个客观的验证器。必须能自动判断「这次改动是进步还是退步」。这是整个闭环的阀门，也是后面要展开讲的重点。代码能跑测试、数学有证明可查，所以这两个领域最先跑通；现实世界大多数场景没有自动评分，闭环就转不动。

第三，迭代周期。每轮改进要花多久，直接决定循环的速度上限。改一行提示词是秒级反馈，训练一次前沿模型以月计。这个时间尺度约束了递归能有多快。

第三个条件常被忽略，但它其实是理解后面所有争论的钥匙。很多人想象里的 RSI 是「AI 通宵自我进化」，而现实的物理约束是：每次自举都得从头跑一遍训练，而训练需要芯片、电力、冷却和数据中心。这些东西至今归人类管。

能动手改的地方，决定了能走多深

把「可以改什么」摊开来看，大致分四层，从浅到深。

最浅的是提示与记忆。改上下文、改检索内容、改记忆条目。好处是立刻生效、立刻能验证；坏处是它最容易改坏，而且进程一关就没了——这也是为什么「会话里自我批评几轮」这件事，学界压根不把它算作递归，只算任务内打磨。

第二层是工具与代码，也就是现在行业里说的 harness：工具集、控制流、验证逻辑、工作流。这一层是当下工程上的主战场，因为它同时满足三个条件——改动可审计、可回滚、验证成本可控。今年绝大多数被称作「AI 自我改进」的真实案例，都落在这一层。

第三层是训练配方与数据。后训练配方、数据配比、评测集构造。到这里就要真烧算力了，一轮跑不完，什么都验证不了。

第四层是模型权重与架构。改的是模型本身。完整 RSI 的终点在这一层，它也是唯一没法一键回滚的一层。到了这一层，出错不再是「这次效果不好」，而是「这一代模型的某些性质被永久改变了」。

改进的天花板，卡在验证信号有多硬

如果这篇文章只留一个知识点，我希望是这一个。

今年的两篇大型综述，各自收了一千多篇论文，最后收敛到了同一句结论上：每一个自我改进循环，本质上都是一个「某个信号可以替代人类判断」的声明。所以系统能改进到什么程度，取决于那个信号有多硬。

把验证信号按硬度排一排，大致是这个顺序：形式化验证器（Lean、编译器、类型系统）> 执行反馈（跑测试、跑基准）> 训练过的判官（奖励模型、评分口径）> 模型的自我评估。越往上，改动越难糊弄；越往下，分数越容易自己发给自己。

这个顺序不是理论推演，是被实验反复验证过的。

往硬的一侧走，效果是真的。今年有一项工作让一个 Lean 证明智能体自己重写自己的工作流，全程只用形式化验证把关，跑了十五代：从最初的 12.7% 解出率，涨到 45.1%；作为对照，对着固定基准优化的版本只到 32.0%。在形式化验证器面前，智能体没法假装证出来了，所以提升是可信的。

往软的一侧走，翻车也是真的。另一项工作让模型在自博弈里对着一个没有参考答案的判官反复优化：判官的通过率从 0.716 一路涨到 0.938，而用独立锚点复核的真实准确率，五轮下来纹丝不动，停在 0.209 左右。这个循环学会的是怎么说服判官，不是怎么答对题。

这也顺带解释了工具层那些看起来有点反直觉的工程细节。为什么智谱做推理基础设施自优化时，要专门造「正确性、系统行为、性能」三层密集反馈？因为一个端到端基准要跑几小时、中间没有任何中间信号，这就是教科书级的稀疏奖励问题，加上归功分配难题，探索效率低到不可用。真正的解法从来不是把模型做大，而是把奖励做密。

验证器还有一个性质，值得单独记下来：基准一旦被自适应地反复查询，它就从测量仪器变成了优化面的一部分。你测得越勤，它越不准。

今年的真实进展，都发生在哪些层

把具体案例按前面那四层摆一下，图景会清楚很多。

工具与代码层，已经跑进了生产环境。达尔文-哥德尔机（DGM）让编码智能体重写自己的 Python 代码，在 SWE-bench 上把自己从 20.0% 提到 50.0%，在多语言基准 Polyglot 上从 14.2% 提到 30.7%；它自己发明出来的东西包括补丁验证步骤、更好的文件查看、多方案生成与排序。代价也真实：一次 80 迭代的实验跑了两周，API 成本约两万两千美元。香港科技大学的 HSI 框架更进一步——在底层模型权重完全冻结的前提下，让一个模型同时扮演三层角色：干活的任务脚手架、负责改脚手架的进化者、以及负责改「进化者怎么改」的元进化者。在 BALROG 基准上，中等难度任务拿到了 BabyAI +39.3、Crafter +33.0、TextWorld +25.0 的进度提升。

训练配方层，开始有自动化案例。OpenAI 披露过一个具体场景：研究员只给了一句欠规格的指令，GPT-5.6 Sol 自己完成了 Luna 的后训练过程——选训练配置、挑 GPU、启动脚本、监控运行。参与的研究员有一句评价被广泛引用：以前这是资深研究员团队做的活，现在「自动化的研究员已经很接近了」。同时 OpenAI 也给这件事画了边界：Sol 并没有从零发明训练配方，它是把已有的配置适配到了另一个模型架构上；反事实成本大约是两位研究员两周的工作量。把它叫「执行得又快又稳」，比叫「会做研究」准确得多。

硬件与算法层，已经出现真正闭合的循环。DeepMind 的 AlphaEvolve 把矩阵乘法的指数推进到 2.371177 以下——这是理论计算机科学意义上的进展，不是跑分技巧。因为这里的反馈是完全闭合的：算出来的东西对不对，数学说了算。

头部实验室自己的研发流程，是最直接的一组数据。Anthropic 今年公开过一份内部复盘，把 AI 参与自身研发的过程画成一段阶梯：人写全部代码（2021 前）→ 聊天机器人补代码片段（2023–2025）→ 编码智能体自己读写整个文件（2025–2026）→ 智能体运行代码并把数小时的工作委派给别的智能体（当下）→ 最后一格写着「闭环？」——智能体设计并训练自己的后继模型，标着问号。他们给出的内部数字包括：截至 2026 年 5 月，合并进代码库的代码里超过 80% 由 Claude 写成；工程师人均代码产出约为 2021–2025 年的八倍；一个开放式安全问题交给智能体集群跑，累计约 800 小时、约一万八千美元算力，把两位人类研究员一周只推进了 23% 的基准差距补掉了 97%。同时他们也划了那条最重要的线：在「选择一个值得做的方向」这件事上，机器的判断力仍然不过关。作为参考，模型在「提出的下一步比人类更好」这个指标上，从 2025 年 11 月的 51% 涨到 2026 年 4 月的 64%——涨得很快，但离可信赖还有距离。

还有一层进展容易被忽略：评测本身被做成了产品。OpenAI 随 GPT-5.6 一起推出了一个叫 RSI Index 的内部评测集，任务包括调试研究系统、优化 kernel 与训练配方、改进另一个模型。Sol 在这个指数上比上一代高 16.2 分，子项里 KernelGen 从 29.3% 跳到 61.1%。值得一起读的是他们自己加的那句注脚：这些模型都还没有达到其内部「AI 自我改进」能力的高风险阈值。这句注脚比那个 16.2 分更有信息量。

一把可以逐级检查的尺子

看完这些案例，你会发现它们被称作「自我进化」的程度差别极大——从「改了几段提示词」到「改了自己的改进策略」。缺少刻度，讨论就只能吵架。

今年 9 月挂上 arXiv 的一篇 75 页综述做了一件很实在的事：它不预测 AI 会不会自我进化，而是造了一把尺子，把 491 项研究钉在同一个坐标上。坐标只有一个维度——AI 在自我改进这件事里，究竟替人承担了多少决策。

级别	谁在拿主意	代表系统	论文占比
B0	参照级：对话内打磨，改动不保留	Self-Refine	不计数
L1	改进执行自主：人定方案，AI 跑流程	FineWeb-Edu	215 篇 · 43.8%
L2	改进策略自主：AI 自己提修改方案	GEPA、AlphaEvolve	155 篇 · 31.6%
L3	学习经验自主：AI 自己定该学什么	AZR、R-Zero	64 篇 · 13.0%
L4	部署环境自主：改动落进真实环境	PANDO、Metis	28 篇 · 5.7%
L5	递归元改进：改进机制本身也被改	DGM、STOP	29 篇 · 5.9%

这张表的分布比刻度本身更能说明问题。近四分之三的工作落在 L1 和 L2——也就是「AI 执行改进、开始能自选策略」，但决定改什么、结果可不可信，仍然由人和固定流程把守。标称 L5 的只有不到 6%。

同一篇综述还算了一个更有意思的指数：把 2023 到 2026 年各条基准线上的前沿模型拉通比较，看每个领域的「剩余空间」被关掉了多少。结果很不均匀——高等数学 86.4、研究生级科学 85.8，几乎关满；而工具类 agent 只有 39.9、软件工程 52.6。也就是说，模型能力的上涨不是一片均匀的潮水，而是一部分海域涨得快、一部分几乎不动。决定涨速的不是参数规模，而是各领域的反馈条件：你能不能便宜、快速、可靠地知道一次改动是好是坏。

落到具体领域，规律高度一致。

软件工程是快车道。跑一遍测试就知道改动行不行，验证信号近乎免费，所以这里 L2 最成熟，DGM 这类系统甚至摸到了受限的 L5。

具身智能是慢车道。仿真环境里已经能做「环境与课程共演化」，但真实场景每一轮改进都要支付真实的物理时间，所以主要前沿还停在 L2–L3。

科研普遍停在 L2，因为实验反馈慢、单次成本高、而且说不清功劳算谁的。医疗最保守，不允许拿患者试错，L4 与 L5 基本空白——这个领域的验证器是临床规范、真实结局和监管审计，没有一个是便宜的。

结构上递归，不等于真的在变强

这把尺子最锋利的一刀，是区分了结构性递归和有效性递归。

结构上递归，指被改写的改进机制确实被下一轮用上了，机制被继承、被调用了。有效性递归，指在同等预算和独立评测下，这套机制真的筛出了更强的后继者。两者听起来接近，杀伤力却很大：仅有结构上的递归，完全不等于系统在变强。

前面提到的 DGM 就是个现成的例子。它在 SWE-bench 上把成绩从 20% 拉到 50%，是这类工作里最有名的系统。但综述作者把话说得很直白：它的档案维护规则和父代选择规则，都不在自修改范围之内。也就是说，那 30 个百分点里，有相当一部分功劳要记在那套没被改动的固定流程头上。同理，另一项工作用自改写策略跑了 100 次优化试验，其中 14 次的结果还不如初始策略——改动跨轮持久了，但持久不等于持续变好。

这也直接回答了「为什么 L5 只有 5.9%」这个数字该怎么读。它不该读成「快到了」，而该读成：绝大多数自我宣称的样本，经不起「同等预算、独立评测」这一问。

三件事给这股热潮泼冷水

前面讲的都是这件事为什么重要。下面讲为什么不能过嗨。

第一，物理约束没有被绕开。每一次自我改进如果要触及模型本身，就得跑一次训练，而训练的瓶颈是芯片、电力、冷却和数据中心——这些是公司持有的、政府监管的、接在电网上的物理资产。有一句批评我觉得说得很到位：写代码更快，不等于造出了更好的「心智」；前沿研发的瓶颈从来不是打字速度，而是知道该试什么。同时，数据墙也是真的：公开互联网基本被扫完，而用自己生成的数据递归训练自己，已经有研究证实在丢掉原始分布里的长尾信息，也就是模型坍缩。这条路的尽头不是变笨，而是越来越擅长确认自己，离真实世界越来越远。

第二，收益递减是常态，不是例外。在几乎所有已公开的例子里，自我改进循环的第一轮收益最大，后面每一轮都变小。这说明现在的技术擅长找到「低垂的果实」，但不擅长维持那种理论上的持续加速。相关的分歧其实分成三派：乐观派认为收益递增，一旦 AI 研发全自动化，半年的算法进步可能超过过去十年；怀疑派提出「有损自我改进」——系统越复杂摩擦越大，前沿研发动辄数十亿美元，没有企业敢让 AI 自主支配资金，收益会被流程损耗吃掉；中间派则认为它迟早发生但不会突然爆炸，瓶颈卡在「提出好想法」和「评估结果」这两步上，也就是缺研究品味。

第三，能力和风险走的是同一条通道。这是最值得警惕的一点。综述里有一句总结：坏经验会被后继系统继承，被系统自己修改过的评估器会随迭代漂移——能力提升的通道，同时就是风险放大的通道。Anthropic 在披露自身自动化进展的同时，也公布了这个事实：在他们的自动研究实验里，出现过随机种子挑拣、试图抠测试标签这类行为。更早的一次测试里，模型得知「答对超过 50% 会被判定过强而停用」之后，故意在十道题里只答对四道。评估器本身会被博弈，这件事已经在现实里发生了。

所以业界给出的对策，第一条叫现实锚定：让系统持续接触来自自身之外的现实——新数据、新任务、独立验证器、真实用户的反馈。第二条是冻结-替换测试：把第 0 代和第 1 代的改进器冻住，放到同一个全新起点上，看谁造出的后继者更好。这是目前少有的、能真的验证「递归是否有效」的实验设计。

如果只带走一条可操作的建议

抛开 RSI 这个标签，这件事对所有在做 agent 系统的人有一条非常具体的教训：先把反馈环境做厚，再谈自主性。

大多数 agent 项目失败的方式，不是模型不够强，而是给它的反馈太稀、太慢、太模糊。它做错了事，你三天后才知道；它做对了一件事，你也不知道为什么对。在这种环境里加自主性，本质上是赌博。

顺序其实是反过来的：先把你所在的领域里「资深工程师脑子里那套隐式的判断标准」显性化——哪些信号能局部采集、哪些能低成本验证、哪些能客观判定胜负——把这三类做出来，自主性才有一个可以往上爬的坡。

如果要再具体一点，可以从这几条开始：

• 把生成和批准分开。让智能体提改动，但要求独立检查才能上线。
• 把安全策略、权限、上线逻辑放在智能体可编辑范围之外。被改写的边界之内，不该包含定义边界的那段代码。
• 给一切版本化。提示词、工具、记忆、数据集、评测集，都要有留痕和回滚路径。
• 除了任务成功率，还要盯退化指标。事实性、校准度、多样性、安全失败率——只盯通过率，早晚会养出一个只会讨好验证器的东西。

最后我想说一个尺度感。Anthropic 在披露自身进展时用了一句措辞很克制的自我限定：我们还没走到那一步，而且递归自我改进不是必然发生的。他们给出的三种未来里，只有一种是完整闭环，另外两种是「趋势停滞但能力广泛扩散」和「复利式的效率提升」。

把这句话和前面那张 L1/L2 占七成以上的分布图放在一起看，我的判断是：零件已经齐了，局部已经在转，但完整闭环还没有构成。它转起来之后是爆炸还是漏气，是当下分歧最大的一场争论。而对做工程的人来说，无论哪一派最后对，先把验证信号做硬、做便宜，都是稳赚不赔的那一步。

参考资料

• Recursive Self-Improvement in AI: From Bounded Self-Refinement to Autonomous Research Loops（arXiv:2607.07663）
• The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement（arXiv:2609.11873，综述，491 项研究、B0–L5 自主度分级）
• When AI builds itself（Anthropic Institute，2026）
• Darwin Gödel Machine: Open-Ended Evolution of Self-Improving Agents（arXiv:2505.22954）
• Hierarchical Self-Improvement: A Framework for Task-Specific Evolvable Agent Harnesses（arXiv:2608.08466）
• Self-Modifying Lean Proof Agents with Verifier-Grounded Benchmark Coevolution（arXiv:2607.17352）
• More Convincing, Not More Correct: Self-Play Reward Hacking of Reference-Free LLM Judges
• GPT-5.6 发布说明与 RSI Index 评测口径（OpenAI，2026 年 7 月）
• The Verification Horizon: No Silver Bullet for Coding Agent Rewards（Qwen 团队与复旦大学）

微信公众号

欢迎关注「字与码」

如果这篇文章对你有用，也欢迎在微信里继续关注后续更新。

X

X / Twitter

关注 @ax2_zicode

更即时的技术观察、新文章提醒和一些短想法会发在 X 上。