“递归”正成为人工智能行业的新关键词。多家初创公司直接以“Recursive”命名，更多机构在技术路线图中强调“递归自我改进”（RSI）。类似此前的“通用人工智能”（AGI），RSI逐渐被用作潜在“失控式”AI发展的代称，但其具体内涵在业内仍存在分歧。

从概念上看，RSI通常指一种能够持续自我升级的人工智能系统。一旦系统在管理自身升级周期方面优于人类，改进过程就可能形成闭环，仅受限于可用算力，人类在其中的作用被视为不再必要，甚至可能被认为是阻碍。

尽管这一前景在公众讨论中常被与风险联系在一起，多家人工智能实验室仍将其视为重要目标。

新创项目押注递归自我改进

本月早些时候，人工智能研究员理查德·索彻（Richard Socher）宣布启动名为 Recursive Superintelligence 的项目，明确将RSI作为研发方向。索彻在接受 TechCrunch 采访时表示，该项目“主要关注构建真正递归、自我改进并可扩展的超级智能”，目标是让“从构思、实现到研究想法验证的整个过程实现自动化”。

多名知名研究人员也在探索类似路径，希望找到让递归自我改进成为现实的技术突破。

其中备受关注的项目之一来自曾在特斯拉和OpenAI任职的亚历克斯·卡帕西（Alex Karpathy）。他提出名为 Auto-Research 的方案，利用一组智能体训练大型语言模型（LLM）完成简单任务。卡帕西通过社交媒体持续公开进展，并在GitHub上开放相关模块。目前，该项目主要在GPT-2规模模型上实现小幅性能提升。卡帕西在今年3月曾表示，这些成果“还称不上新颖、突破性的‘研究’”，但已足以吸引大量研究人员参与类似尝试。随着他在Anthropic负责预训练工作，这一思路有机会在更大模型上被进一步应用。

由Cohere和谷歌前员工萨拉·胡克（Sara Hooker）创立的Adaption近期推出工具 AutoScientist，定位为“自动化前沿训练”。与卡帕西的自动研究者类似，该系统通过训练智能体实现渐进式改进，但Adaption的目标是简化全规模前沿模型的训练流程。报道指出，如果这类工具开始直接推动前沿模型性能提升，其形态可能会迅速接近RSI概念。

另一家初创公司Disarray也引发关注。其创始人多丽丝·辛（Doris Xin）开发的自训练机器学习智能体在近期Kaggle竞赛中获得28枚奖牌，成绩超过大量由人类训练的智能体。辛在接受采访时表示，在假设算力和时间充足的前提下，“我们已经达到了那个阶段”，但她认为当前工作“其实并非创造性工作，更多是大量基础工程”，并指出可靠性是主要挑战。

行业共识：尚未进入RSI加速阶段

尽管相关项目不断涌现，多方迹象显示，行业距离完全意义上的递归系统仍有明显距离。谷歌首席执行官桑达尔·皮查伊（Sundar Pichai）在近期一档播客节目中谈及RSI时表示，当前AI发展是“一个连续过程”，各方“确实都在取得进展”，但按照外界对RSI的典型描述，那将意味着“下一阶段的加速，并带来诸多影响”，“我们还没到那个阶段”。

不过，在这一“连续过程”中，自我改进特征已经部分出现。今年1月，Anthropic一名参与 Claude Code 项目的主要程序员估计，该项目“几乎100%”的代码由该工具自身生成，相当于Claude Code在为自身编写代码。

工程师使用AI工具并不意味着工具可以完全取代他们，但Anthropic内部的一项小范围调查显示，部分员工认为工具替代部分工程岗位的可能性正在上升。在与“Mythos”预览相关的一次调查中，18名Anthropic工程师中有5人认为，随着工具能力提升，该版本的Mythos很快可能替代L4级工程师——即能够独立负责复杂项目的中级程序员。

调查同时指出了现阶段系统的明显短板。报告称，与L4工程师相比，Claude在“自我管理为期一周的模糊任务、理解组织优先级、品味、验证、遵循指令和认知论”等方面存在主要弱点。这些能力均与自我引导密切相关，而自我引导正是RSI的关键要素。报告认为，在其他方面，Claude已具备直接介入工程工作的能力。

专家：距离“无需人类”的RSI仍有差距

与AGI类似，行业内部对实现有意义的递归系统的时间表并无共识。乔治城大学安全与新兴技术中心（CSET）去年组织专家小组研究RSI，结果显示观点分化明显：部分专家认为“超级智能”式的快速爆发可能在不久出现，另一些则预计进展将更为缓慢并最终趋于平稳。但参与者普遍认为，递归机制本身增加了未来走向的不确定性。

CSET主任、前OpenAI董事会成员海伦·托纳（Helen Toner）在接受 TechCrunch 采访时表示，仅仅在AI研究中大量使用AI工具，并不足以构成RSI。“他们只是尽可能多地使用人工智能，”她说，并指出这与RSI的“经典定义”不同，后者“真正的含义是完全不需要人类”。

托纳提到，METR研究员艾耶贾·科特拉（Ayeja Cotra）近期在一篇文章中，将“AI接管AI研究”的路径划分为若干里程碑。科特拉提出，“适足性”指的是在移除所有人类后，系统仍能继续开展研究，即便研究成果的价值或效率有限；“平价”指纯AI系统的研究能力与纯人类团队相当；“霸权”则指纯AI系统的表现超过人类与AI协作系统。

科特拉认为，AI距离在部分工作上达到“适足性”门槛已经“非常接近”，类似卡帕西Auto-Research系统所实现的渐进式改进。她写道，如果有人声称这一里程碑已经实现，“我不会感到完全震惊”，并预计这一情况可能在未来几年内出现。至于“平价”何时到来，她表示尚不明确，但一旦实现，将“极大加速人工智能进展的步伐”，并可能在一年内推动“人工智能研究霸权”的出现。

工程与对齐挑战仍是主要障碍

在许多研究者看来，当前大模型的发展遵循“规模定律”，这也促使部分人推测RSI将沿着类似曲线演进。托纳指出，许多通过RSI推进AI研发的支持者“认为这是一条相当平滑的阶梯，可以不断向上扩展”。

但她同时强调，即便像卡帕西的自动研究者那样已经能够实现渐进式改进，要将整个研究流程完全交由系统自主完成，仍面临更大挑战。托纳以计算机发展史为例指出，人类在从机器语言到汇编语言再到高级编程语言的演进中，持续将更多底层工作交给机器处理，但“从某种直觉上讲，人类仍然在掌控全局”。

在她看来，要突破这一范式，既有工程难题，也有对齐问题。即使在巨额投资支持下，算力资源也不可能真正“无限”，在人力与机器智能之间如何分配和权衡，仍是难以回避的约束。

对于外界担忧的“末日式”完全递归AI系统，多名受访研究人员的共同判断是，与AGI类似，这类系统目前尚未出现。