递归自改进（RSI）正成为人工智能领域最核心的变革力量。这一概念指代一种能够参与自身迭代优化的智能系统：它提出修改方案、进行测试、评估效果，并保留能提升性能的部分，从而开启新一轮循环。对非技术背景读者而言，这意味着机器不仅能完成任务，更能学会如何优化完成任务的方式；而对专家来说，关键在于系统内部必须存在一个可测量、相对自主的优化闭环，系统能改进自身的组件、架构甚至训练流程，而不仅仅是调用工具或编写代码。
当前讨论的焦点在于，RSI之所以成为行业 obsession，不仅因为它承诺用AI提升AI，更因为它揭示了一个更深层的现实：基础模型的性能提升可能正在放缓，创新重心正向上层转移，转向智能体（Agents）、工具链以及实验循环。这种转变并非意味着AI突然拥有了类似人类的“思考”能力，而是标志着一种基础设施的诞生——它利用“计算耐心”，即系统能够不知疲倦地观察结果、执行动作、修正轨迹并反复尝试，从而将原本依赖人类工匠式技能的迭代工作转化为可复制的自动化流程。
Andrej Karpathy在GitHub上提出的"autoresearch"项目是这一趋势的绝佳注脚。该方案设计了一个极简环境：赋予智能体一个真实的模型训练环境，允许其修改代码、运行实验、评估指标并重复循环。这并非魔法，却令人不安，因为它证明了传统上需要人类参与的迭代研究环节，如今已能被封装进具备操作准则的自动循环中。这种将“试错、测量、保留或丢弃”的过程自动化，正是能够颠覆行业的根本性进步。
随着我们进入“循环时代”，价值不再仅取决于静态模型，而在于能够持续观察、执行和修正的动态系统。许多资深开发者反馈，其工作重心已发生质变，约90%的时间都在与智能体协作，通过自然语言指令进行长周期的迭代工作。这种从“辅助工具”向“长期迭代智能体”的跨越，才是当前真正的行业新闻。它标志着AI不再仅仅是被动响应，而是开始主动利用计算资源进行持续探索。
然而，技术界需警惕过度夸大。许多所谓的“自改进”并非完整的RSI，例如2023年提出的"STOP"（自教学优化器）虽然实现了代码的递归自改进，但底层模型权重并未改变，改进的是调用模型的组织程序。这并非“智能爆炸”的预演，但绝非无足轻重。技术史表明，许多革命性变革往往始于局部的、不完整的形态。关键在于，当改进依赖于稀缺的人类人才时，其速度受制于预算和行政摩擦；而当改进嵌入自动循环，其速度则取决于算力和指标质量，这将彻底改变行业发展的节奏。
数据进一步佐证了这一趋势。METR的研究显示，智能体能够以50%的可靠性自主完成的任务长度，在过去几年中每七个月翻一番。Anthropic指出，智能体已开始涉足高风险领域，软件工程活动占据了其API使用量的近半。OpenAI的PaperBench则从反面揭示了现状：虽然顶尖智能体尚无法完全替代博士级研究人员，但已能自动化处理大量基础性、探索性的工作。这种“无法完全替代专家，但能大幅压缩基础工作”的组合，正是行业需要高度警惕的信号。
与此同时，这种自改进系统也面临严峻的脆弱性。系统的优化能力完全取决于评估函数的质量和学习环境的真实性。若评估标准低下，系统将高效地优化垃圾数据。更危险的是，若模型训练数据大量来自其他模型生成的内容，可能导致“模型崩溃”，即原始数据分布的尾部特征被侵蚀，造成不可逆的质量退化。自改进若缺乏监管，极易演变为“自我污染”。
RSI的真正意义不在于科幻式的“奇点”降临，而在于它将自动化越来越多的发明、测试和优化环节。无需好莱坞式的超级智能，只要足够多的迭代、枯燥、可验证的工作不再需要人类介入，知识经济的游戏规则就会被改写。当系统改进从偶发的、昂贵的人类行为转变为连续的、自动化的、可扩展的过程时，真正的拐点便已到来。这不仅是技术的胜利，更是研发组织形态的根本性重构。