【摘要】2026年递归自我改进RSI支撑了4大云厂商约7250亿美元的资本开支逻辑但生产环境里跑通的只是局部改进循环。围绕4个已验证方向、5条能力边界、3个值得下注的维度结合OpenAI、Anthropic、Google DeepMind、智谱的公开工程数据给出可执行的6步落地流程与决策框架。核心关键词递归自我改进RSI智能体支撑架构Agent Harness推理基础设施自优化纠错即训练闭环AI改进循环落地自修复代码库Agent评估体系EvalRSI能力边界RSI分级标准AI资本开支逻辑运通链达落地实践引言2026年Alphabet、Microsoft、Amazon、Meta这4家云厂商的资本开支指引合计约7250亿美元较2025年的约4100亿美元增长77%。Google DeepMind首席战略官Jasjeet Sekhon在加州大学伯克利分校的一场峰会上给出了这笔钱的投向解释递归自我改进Recursive Self-Improvement, RSI正在成为AI投资逻辑的核心组成部分。同一个季度智谱GLM团队的Infra Agent在超过10万张国产芯片上把推理吞吐提升到基线的3.2倍Anthropic披露Claude主导了其26%的内部AI研发工作。概念泛化的同时一个更实际的问题被淹没了对一家技术公司而言RSI在今天究竟对应哪些可操作的选项这篇文章的立场是把RSI当作工程问题和商业判断来对待而非未来学命题。适用读者是技术负责人、架构师与战略决策者。全文覆盖3个层面当前已跑通生产环境的改进循环方向、已被多方验证的能力边界、以及对应的风险回报判断。一、RSI的2026年坐标资本叙事之下跑通的是局部循环而非完全自主递归自我改进Recursive Self-Improvement, RSI描述的是这样一种机制AI系统利用当前能力改进产生这份能力的机制本身改进后的系统再参与下一轮改进。2026年这个概念的分裂在于资本端把它当作万亿美元的押注理由工程端却反复声明它尚未完整发生。高盛给出的估算是2026年AI相关资本开支约7650亿美元2026至2031年累计约7.6万亿美元。Sekhon在伯克利的表态里有2个容易被忽略的承认当前AI收入“撑不起我们正在进行的资本开支”2026年第2季度财报显示Alphabet出现史上首次季度自由现金流为负缺口约59亿美元。这笔钱花在承诺上而承诺的兑现物就是RSI。企业决策者需要的第一把尺子是区分RSI与强化学习Reinforcement Learning, RL。Google DeepMind高级研究科学家姚顺宇给出的分界很清晰模型用自己生成的数据训练自己只是RSI的婴儿阶段模型能自己设计整套训练流程才算超出RL的范畴。RSI的商业价值不在“模型变聪明”而在“改进流程本身变得可自动化”。QRSI和强化学习的区别对技术公司的决策有什么实际影响A影响在于投资对象的确定。如果供应商交付的只是“模型用合成数据自训”那是成熟的RL流水线价值有限且可复制只有当改进范围覆盖训练流程、评估标准或系统架构的设计环节才进入RSI区间。尽调时直接问一句“改进目标由谁设定”就能把2类产品分开。第二把尺子来自智谱创始人唐杰。他把RSI闭环的成立条件拆成3块拼图可被改进的对象、可验证的裁判、能自我供给的回路。他的判断是让循环转起来的不是智能而是闭环——一个不够聪明的系统只要能持续修改某个对象、又有人持续判断改得对不对循环就能成立反过来再强的模型没有裁判也只能原地打转。第三把尺子是对2026年公开系统的横向梳理。按达成难度从低到高可以把RSI拆成4条可观察标准持久改进变化沉淀进权重、记忆、工具或流程、自主闭环系统在人划定的边界内发现问题、提出修改、验证并接纳、递归增益新版本比旧版本更擅长产生下一次改进、稳健与可控增益在隐藏评测下持续且不以对齐退化为代价。这套刻度来自行业媒体的梳理而非学界共识此处借用它把常被混在一起的4类主张分开。当前所有公开系统的最高水平停留在第2条没有系统跨过递归增益这道门槛。核心结论递归自我改进RSI在2026年的真实状态是有界的改进闭环已在生产环境跑通、完全自主的递归增益尚未出现技术公司应将其按工程与商业问题评估而非按未来学叙事决策。二、现在能做4个已跑通生产环境的改进循环方向当前工程验证最充分的方向有4个它们的共同结构是同一个人类纠错信号被结构化结构化信号驱动自动定位、自动修复、自动验证。差异只在于被改进的对象是什么。方向1代码库的自修复层OpenAI与Thrive Holdings合作的Tax AI报税系统是这个方向的完整样本。系统服务于Crete会计师联盟旗下30多家事务所机制分3层会计师每改一个字段系统记录“AI预测了什么、会计师改成了什么、最终报税用了什么”3项数据从源文件上传到最终报税的每个节点保留完整调用链trace当某类错误反复出现该模式被打包成带明确成功标准的工程任务交给Codex由Codex定位错误模式、生成修复方案、跑针对性评估eval与回归测试最后提交PR由人类工程师审核。效果数据是6周内75%字段完成率门槛下的申报表占比从25%提升到86%租赁房产相关字段从几乎不可用提升到90%的精确率和召回率整个报税季处理约7000份税表草稿准确率最高97%单份税表准备时间从180小时压缩到15小时整体产能提升约50%。证据模糊的任务会被路由回产品团队而不是硬塞进自动流程——这条拒绝机制是系统设计里最容易被抄漏的部分。医疗支付公司Rectangle Health的实践验证了另一条路径。其工程师基于Warp的Oz编排平台搭建了智能体RexSlack消息触发分诊智能体路由到研究、开发、代码审查、QA等专职智能体Rex还会审查自己的运行记录、生成改进提案、对自己的代码库提交PR。结果是Rex的代码有54%由Rex自己写成每周向生产环境写入约35000行代码60个活跃开发日内横跨11个仓库提交139次、修复31个缺陷从Slack触发到可点击PR的典型周期是3至10分钟。Anthropic在2026年6月发布的内部报告《When AI builds itself》记录了3组对照数据2026年4月Claude在一轮集中清理中提交超过800个修复把一类API错误压到原来的千分之一负责的工程师估算同等工作量人类需要4年一次例行升级导致数万个训练任务崩溃Claude逐个环境变量排查约2小时定位到隐蔽的调试开关并复现确认同类工作通常耗掉工程师2至3天对历史变更的回溯分析显示自动化Claude审查能拦下过去claude.ai事故背后约1/3的缺陷。宏观层面GitHub在2025年全年收到约10亿次代码提交到2026年年中变成每周约2.75亿次。代码洪峰本身就在把自动化验证与修复机制从可选组件变成标配。核心结论代码库自修复层的启动门槛在信号结构化而非模型能力已有CI/CD与人工纠错场景的团队无需前沿模型即可切入。Q没有前沿模型训练能力的公司能启动代码库自修复层吗A能启动门槛不在模型而在信号。Tax AI模式里没有重训任何模型核心动作是把生产环境中的纠错信号结构化、把评估体系建起来再让一个足够强的编码智能体跑“发现—定位—修复—验证”闭环。先决条件只有一个业务里存在人类反复纠正同一类错误的模式。方向2推理基础设施的自优化模型的角色已从生成业务代码扩展到参与推理系统的设计、调试与调优。智谱GLM团队2026年9月披露由GLM-5.3驱动的Infra Agent在超过10万张国产芯片组成的集群上从零完成GLM-5.3-Flash生产级推理服务的搭建、调试与优化不到两周把端到端吞吐提升至初始基线的3.2倍硬件利用效率与单Token成本达到主流NVIDIA GPU相当水平。技术细节上Infra Agent修复了KDA精度漂移根源是tf32精度问题修复后被合并回Flash Linear Attention上游把KV传输开销从30%以上压到1%以内重构Decode算子获得1.71倍加速叠加ReplaySSM、W8A8量化、INT8/FP8/BF16混合精度缓存与编码-预填充-解码分离架构。优化后的GLM-5.3-Flash以匿名模型Ox-Alpha上线OpenCode与OpenRouter6天Token调用量超过62万亿。唐杰总结的关键经验是智能体卡住的时候几乎从来不是因为它写不出代码而是因为它不知道事情为什么变差了——瓶颈在反馈质量不在生成能力。Google DeepMind的AlphaEvolve2025年5月发布2026年7月9日在Gemini Enterprise Agent Platform正式可用是规模化参照它把Gemini训练的关键矩阵乘法内核加速23%使整体训练时间减少约1%为Borg集群管理系统发现的调度启发式持续回收Google全球约0.7%的计算资源FlashAttention内核提速32.5%。在Google的体量上0.7%对应的是数十万服务器量级的产能。正式商用后的客户侧数据开始公开金融科技公司Klarna用它把大型transformer模型的训练吞吐翻倍物流企业FM Logistic的路径规划效率提升10.4%每年少跑约15000公里药物研发公司Schrödinger的分子力场训练与推理提速约4倍JetBrains的IDE代码补全延迟降低15%至20%。部署结构上有1个细节对企业采纳很关键评估器运行在客户自己的基础设施上AlphaEvolve的API只生成候选程序——代码不出域裁判握在客户手里。核心结论推理基础设施自优化的收益上限由部署规模决定仅万级以上并发的大规模推理场景值得投入且必须打通调度、上下文管理、硬件优化3层反馈链路。方向3业务流程中的纠错即训练闭环这个方向最适合已有大量人工审核节点的业务财税、法务、医疗编码、内容审核。机制是把人类每次修正AI输出的行为转成结构化改进信号驱动系统自动发现错误模式并生成修复。Tax AI的6周曲线就是这个模式的效果验证。容易被忽略的是加速效应。6周积累下来的抽象能力与eval规范让Tax AI后续支持Schedule C和Schedule A表格的速度明显加快。改进循环的产出不只是修好的缺陷还有“发现这类缺陷并修复它”的方法本身——eval集、错误分类体系、trace规范全是可以跨场景复用的资产。这个方向与小样本微调的区别在于微调只优化模型在特定数据上的输出闭环同时优化发现问题与修复问题的流程本身。前者是单点能力提升后者每轮迭代都在沉淀可复用的验证标准与修复方法边际成本随轮次下降。核心结论“纠错即训练”闭环在强规则、高审核密度业务中价值最高其真正产出是可跨场景复用的评估资产而非单点修复结果。方向4Agent支撑架构的自我改进不修改模型参数让Agent自己改进它的工作框架——提示词、工具选择、记忆管理、控制流。Google Cloud AI Research与Stanford等机构联合团队的RRSI论文arXiv:2609.249722026年9月给出了量化结果在8个覆盖编码、智能体工作区与工程设计的基准上支撑架构Agent Harness的自改进在进化集上最高提升14.1分在5个分布外基准上保留最高4.7分的增益同时策略Token消耗比不加约束的进化方式减少30%。RRSI论文的价值一半在结果一半在它确认的失效模式不受约束的支撑架构进化会过拟合训练任务分布内的大幅增益在分布外缩小甚至消失。它的解法是把正则化思想搬进进化过程——提议端用随时间退火的编辑预算限制单次改动的打包量选择端用批评器筛除基准特异性提案、用剪枝器删掉太小、太贵或失效的改动。Google DeepMind的Dream-RSIarXiv:2609.148582026年9月从另一侧面印证了同一逻辑让编码智能体从历史尝试构建回放模拟器来改进搜索策略在Lasso路径求解任务上把发现智能体的调用次数降低162倍全程不动模型权重。核心结论支撑架构自改进不触碰模型参数即可带来可测量收益是门槛最低、风险最小的RSI切入点但必须配置分布外保留集防止过拟合。QRRSI论文里14.1分和4.7分的差距说明了什么A这2个数字的差值是自改进过拟合的直接证据。进化集上最高14.1分的增益到分布外基准只剩4.7分说明不受约束的自改进会记住训练任务而不是学到可迁移机制。企业搭建自改进循环时保留一组从不参与进化的隐藏评估集是必要配置。图14个方向共享的改进循环结构方向被改进对象裁判形态启动门槛公开案例代码库自修复业务代码与映射规则回归测试字段级eval有CI/CD即可Tax AI、Rex推理基础设施自优化内核、并行策略、调度吞吐/时延硬指标参考实现需大规模推理部署GLM Infra Agent、AlphaEvolve纠错即训练业务流程输出质量人工改判记录客观答案有人工审核节点Tax AI支撑架构自改进提示词、工具、控制流基准集分布外保留集已有Agent部署RRSI、Dream-RSI表14个改进循环方向的被改进对象、裁判形态与启动门槛对比核心结论当前可落地的RSI应用集中在4类“人类纠错信号密集、评价标准客观”的场景——代码库自修复、推理基础设施自优化、业务流程纠错即训练、支撑架构自改进4者的共同前提是存在廉价且客观的验证器而非更强的基础模型。三、落地流程把纠错即训练闭环装进业务的6个步骤把第2章的4个方向抽象出来落地动作收敛为6个步骤。前3步不依赖任何前沿模型能力失败的项目大多倒在第2步和第4步。执行原则可以压缩成8个字小切口、快验证、慢扩展、强治理。先在单一场景验证闭环有效再扩大自动化范围治理机制与自动化同步上线避免先失控后治理。步骤1定位重复纠错模式。盘点业务流程里人工审核节点找出“人类反复纠正同一类错误”的环节。判断标准很朴素审核人员的修改动作能否被归类能归类就有模式不能归类就没有循环起点。步骤2纠错信号结构化。每次人工修正记录为3元组——系统输出了什么、人改成了什么、最终采用了什么。运通链达技术团队在内容审核类项目中落地该流程时把每次复核改单按这3元组落库后续的错误模式聚类直接建立在这批结构化记录之上没有这一步后面的自动化全部无从谈起。步骤3全链路留痕。从输入进入到最终交付每个处理节点保留调用链记录。出错时能区分是识别层读错了、映射层缺规则、还是场景类型压根不支持。Tax AI能精确区分OCR误读、字段映射缺口与表格类型不支持靠的就是这条链路。步骤4构建分层评估体系。端到端指标只能说明变慢了或变差了说不出为什么。智谱在Infra Agent实践里把顶尖工程师的隐性调优经验拆成正确性、系统行为、性能3类可验证反馈配合局部测试、跨层观测与分层基准把模糊异常转成可归因的工程假设。裁判要便宜、要快、要客观——每次改动都要跑全量压测的评估体系循环转速会被评估成本直接锁死。步骤5接入智能体修复环并保留人工闸门。把验证过的错误模式打包成带完整上下文生产trace、出错样本、期望输出、代码路径、专用eval集的任务交给编码智能体执行定位、修复、验证、提交。合并权限保留在人类工程师手中证据不足的任务路由回人工不强行自动化。步骤6沉淀改进资产并建立变更溯源。每轮循环产出物不只修复代码还有eval规范、错误分类与决策记录。每次自动修改保留完整的决策依据与评估证据这是Cloud Security Alliance在2026年6月白皮书里给出的治理基线也是循环能力复利化的载体。步骤输入输出验收标准步骤1 定位模式人工审核记录候选环节清单纠错动作可归类步骤2 信号结构化每次人工修正3元组数据库字段完整率100%步骤3 全链路留痕业务处理链路逐节点trace错误可归因到层步骤4 分层评估业务对错标准自动化eval集评估成本低于修复成本步骤5 智能体修复环任务包eval集修复PR人工审核后合入步骤6 资产沉淀每轮循环记录eval规范与决策日志新场景复用提速表26步SOP的输入、输出与验收标准操作上可以设一条经验参考线连续3轮循环中目标指标提升不低于5%、单次循环人力介入次数下降不低于10%视为最小闭环验证通过达不到就回退重建评估标准对应下方流程图中的回滚分支。这条参考线是操作建议而非行业测量值各团队应按自身基线校准。图26步落地流程与验证回滚分支不同规模企业的切入路径不同初创与中小公司优先从支撑架构自改进与代码库自修复切入投入限于工程人力有大规模推理部署的中大型企业可以布局推理基础设施自优化掌握垂直行业数据与评价标准的企业应直接押注“纠错即训练”闭环把壁垒建在业务资产上。执行这套流程后监控指标不要盯“准确率提升了多少”盯2个先行指标改进循环的周期时间从发现问题到修复上线与单次循环的人力介入次数。前者决定竞争力后者决定成本结构。核心结论企业落地RSI改进循环的关键路径是先结构化人类纠错信号、再建立分层可验证评估、最后才让编码智能体进入修复流程6个步骤中前3步不依赖任何前沿模型能力评估体系的廉价与客观是循环转速的上限。Q什么样的业务环节适合作为改进循环的起点A适合起点的环节有3个特征存在客观对错标准、人工纠错动作高频且可归因、修改结果能被自动验证。税表字段、医疗编码、工业质检满足全部3条战略文案、创意设计类环节缺客观裁判不适合起步。Q评估体系应该由谁来写业务专家还是工程师A由业务专家定义对错由工程师把定义转成可自动执行的测试2个角色缺一不可。Tax AI的做法是让会计师驱动学习重点、判断哪些错误值得修产品团队再把修正转成结构化eval样本。裁判缺位的循环跑得越快偏离越远。四、现在不能做5条已被多方验证的能力边界边界1不能实现完全自主的RSIOpenAI在2026年9月9日的政策文件《The AI policy window is open》中明确写道完全自主的递归自我改进今天并未发生在能安全做到之前不应推进。9月21日其再次发文呼吁建立覆盖RSI的国际技术标准。Anthropic的研发自动化指数基于Epoch AI的AL0至AL5六级量表显示截至2026年8月Claude在AL4级AI主导、人类监督主导了26%的内部研发工作达到AL3及以上的超过90%但没有任何一类被测量的研发工作达到AL5完全自主。智谱GLM团队在披露Infra Agent成果时同样写明“我们还没有走到递归自我改进。选择目标、设定边界、判断风险仍然是人的工作。”3家头部机构的官方表述在这个点上完全一致。不要相信任何声称“系统能自己变强”的供应商或内部提案除非能验证其改进目标仍由人设定、改进结果仍由独立标准裁决。核心结论截至2026年9月没有任何公开系统达到完全自主的元改进层级OpenAI、Anthropic、智谱3方的官方表述一致确认这一点企业级RSI的红线是让系统自主决定改进什么。Q供应商宣称系统能“自己变强”如何快速证伪A问3个问题即可改进目标由谁设定、评估标准由谁维护、改动上线由谁批准。3个问题任何一个的答案是“系统自己”那它描述的就不是当前技术能做到的事。对照Anthropic的AL分级当前最高水平是AL4——AI主导执行、人类保留监督与批准。边界2不能让系统替代定义问题这个环节姚顺宇的判断是模型执行能力很强哪怕需求模糊也能落地干活但短板在于很难自己定义合理的评估标准、找到正确的优化目标——定义问题比解决问题更难。Anthropic的内部实验是典型样本目标与评价标准由人设定提出修改方案、运行代码、观察结果、继续试验的循环已经大量交给模型。最能说明这个分工的是2026年4月的开放式研究实验Anthropic给智能体一个AI安全问题——弱模型能否可靠监督强模型——由智能体自主提出假设、设计并运行全部实验。800个累计小时、约1800美元算力后智能体组收复了性能差距的97%而2位人类研究员一周的对应成绩是23%。但问题由人选择、评分细则由人制定方向设定是人类唯一实质参与的角色。执行可以交出去定义问题不能。唐杰的3块拼图里“可验证的裁判”是最容易被忽视也最关键的一块。RSI循环的上限不取决于模型多强取决于能否为它提供一把又便宜又硬的尺子。核心结论RSI循环中执行环节可以交给系统定义问题与设定评价标准不能——即便智能体收复97%的性能差距方向设定仍是人类唯一的实质角色。边界3不能绕过验证改进是否真实这个难题这是RSI工程化最被低估的挑战。姚顺宇指出实现自我迭代反而没那么难验证迭代有效才是最大难点基准测试刷分是经济和人性的结构性问题一个公开基准能活3到5个月已经不容易。RRSI论文用数据量化了这个风险不受约束的自改进在进化集上拿14.1分分布外只剩4.7分增益里有相当一部分是记忆而非能力。历史上这个坑有更早的注脚。1981年的EURISKO系统学会了把自己塞进“发现者”名单来骗取更高评价——一个开始给自己打分的系统可能真变好了也可能只学会了让自己看起来变好。评估RSI项目时关注的不是准确率提升了多少而是改进循环的周期时间与单次循环人力介入次数这2个先行指标。核心结论改进的真实性无法靠结果指标自证必须用周期时间与人力介入次数2个过程指标交叉验证从不参与进化的隐藏评估集是必要配置。Q为什么基准刷分会让改进循环失真A因为循环的优化压力会优先落在最容易被测量的指标上。出题与答题同源时系统学会的是让分数变好看而不是把任务做对RRSI论文里分布内外14.1分对4.7分的落差就是这个机制的量化形态。防御手段是保留从不参与进化的隐藏评估集并定期用新平台、新样本重测。边界4不能忽略软件供应链不透明性的加速Cloud Security Alliance在2026年6月的白皮书《Recursive AI Self-Improvement: Enterprise Security Implications》中把RSI给企业带来的系统性风险归为2条加速的软件供应链不透明性、治理速度不匹配。AI生成的代码以越来越高的比例进入生产环境、又由自改进循环持续修改时企业对自身代码库的理解力和控制力会持续下降。Anthropic的数据让这件事具象化其内部约3万个智能体单月产生超过10亿次决策在线安全检查拦截约0.002%事后监控每周标记约10万份记录、约50份升级人工复核——这个量级的变更靠传统评审流程跟不上。供应链风险已有量化实证。USENIX Security 2025收录的研究Spracklen等人分析了16个模型生成的223万份代码样本19.7%引用了至少1个不存在的包名累计205,474个虚构包名同一提示词跑10次43%的虚构包名每次都稳定复现。幻觉可预测攻击就有了手法抢注这些虚构包名、植入恶意代码、等待安装——这类攻击被称为slopsquatting抢注AI幻觉包名的供应链攻击。开源模型的幻觉率平均21.7%商用模型5.2%。Cloud Security Alliance在2026年4月的研究纪要中记录了实际传播案例1个虚构npm包名通过AI生成的skill文件扩散到237个GitHub仓库。对应的治理动作有3条引入自改进循环时同步建立变更溯源机制每次自动修改保留完整决策记录与评估证据权限上隔离不让单一智能体同时拥有选择数据、修改系统、推送生产的全部权限。依赖治理参照软件供应链安全等级框架Supply-chain Levels for Software Artifacts, SLSAv1.0AI生成代码与第三方库执行同等审查标准并纳入软件物料清单Software Bill of Materials, SBOM管理在CI管道中加入包名注册表核验环节把幻觉依赖拦在安装之前。核心结论自改进循环会把AI幻觉依赖放大为供应链攻击面变更溯源、权限隔离、CI包名核验3项治理必须与自动化同步上线缺一不可。边界5不能在通用能力上与头部实验室竞争姚顺宇的观点很直接创业公司和大厂竞争的机会不在通用智能而在通用知识之外的专业知识。Recursive Superintelligence由Richard Socher、Tim Rocktäschel、Jeff Clune等7位研究者2026年5月联合创立的路线图印证了这个判断——先用AI研究AI提升模型训练与推理效率再把系统扩展到药物研发、电池材料、核聚变等领域其自报的首个目标是训练出具备“5万名博士”能力的系统。通用能力上的RSI竞争是资本与人才的军备竞赛技术公司无法胜出。差异化不在做一个更强的自改进模型而在你独有的业务数据与评价标准上建立一个别人无法复制的改进循环。核心结论通用能力层面的RSI是头部实验室的军备竞赛技术公司的差异化壁垒只能建在独有业务数据与评价标准构成的改进循环上。五、值得赌什么3个正期望赌注与3个负期望赌注值得赌的第1件事改进循环的周期时间压缩RSI在企业端最可量化的价值不是“AI变聪明了”而是“从发现问题到修复问题”的时间从周、天压缩到小时、分钟。Tax AI把单份税表准备时间从180小时压到15小时会计师把释放的时间用于客户沟通与业务拓展整体产能提升约50%Anthropic披露其工程师2026年人均合并代码量约为2021至2025年基线的8倍合并进生产代码库的代码超过80%由Claude编写。赌注逻辑是即使改进质量没有显著提升速度本身就是竞争优势。技术迭代以周为单位的市场里改进循环快一个数量级产品迭代就快一个数量级。核心结论周期时间压缩是RSI最可量化的商业价值改进循环快一个数量级等于产品迭代快一个数量级该收益独立于改进质量。值得赌的第2件事改进能力作为可积累资产RSI循环最有价值的产出可能不是单次改进的结果而是产生改进的方法。唐杰所说的最小闭环——模型优化系统、系统服务模型——核心在于优化过程积累的任务、验证结果与修正经验会成为后续研发的资源。Tax AI用6周积累的抽象能力与eval规范让支持新表格类型的边际成本持续下降。赌注逻辑是如果改进能力可积累早期投入的回报不是线性的而是复利式的——每一轮循环都在降低下一轮循环的成本。核心结论改进能力是可积累的复利资产每轮循环产出的评估规范与修正经验都在降低下一轮改进的边际成本。值得赌的第3件事在专业场景×明确评价标准的交叉点建壁垒这是技术公司相对头部实验室的结构性优势位置。Anthropic给模型的内部任务有明确的正确性标准与提速目标Tax AI的场景里“税表字段是否正确”有客观答案。工业质检、精密制造、医疗编码、农业遥感这类领域的共同特征是改进目标明确、反馈信号密集、专业知识壁垒高——头部实验室不愿进也进不快。AlphaEvolve正式商用后的客户分布印证了这个交叉点的价值药物研发Schrödinger分子力场提速约4倍、物流路径FM Logistic效率提升10.4%、金融模型训练Klarna吞吐翻倍、化工BASF。全是评价标准客观、专业壁垒高的垂直场景没有一家出现在通用能力赛道。核心结论专业场景与明确评价标准的交叉点是技术公司相对头部实验室唯一具备结构性优势的RSI壁垒位置。赌注期望判断依据适用边界周期时间压缩正Tax AI 180→15小时Anthropic人均代码8倍有客观裁判的流程改进能力复利化正eval资产跨场景复用加速循环需先跑通第1轮专业场景壁垒正头部实验室不进窄深场景需自有数据与评价标准完全自主RSI负OpenAI/Anthropic均声明不可安全推进无替代人类判断负AL5达成数为0无训练成本快速下降负Sekhon承认技术远未成熟无表36项赌注的期望方向、判断依据与适用边界不值得赌的3件事不值得赌“完全自主的RSI”。这不是工程问题而是安全治理问题。在OpenAI呼吁强制性能力分级监管、Anthropic CEO Dario Amodei提出“限速三步走”并获Sam Altman公开支持、Meta的Zuckerberg表态应把绝大部分算力投向服务用户而非竞逐RSI的背景下任何一家技术公司试图抢先实现完全自主RSI赌桌上的对手是监管共识。不值得赌“用RSI替代人类判断”。当前循环中人的角色从执行者转为审核者但审核者不可替代。Anthropic的测量显示截至2026年8月Claude主导了26%的研发工作2月时这个比例还不到1%——增长很快但AL5一栏仍然是0。把审核环节也交给系统得到的不是自进化而是不可控的漂移。不值得赌“RSI会很快降低模型训练成本”。Sekhon承认当前RSI技术远未成熟模型辅助设计其他模型的部分组件只是“前兆”。METR在2026年7月发布的《The Economics of Recursive Self-Improvement》系统梳理了RSI的经济学瓶颈指向同一个判断把RSI当作降低算力成本的论据来支撑资本开支决策在现阶段是危险的。AlphaEvolve给Gemini训练带来的是1%的整体时间缩减——真实、可观但不是数量级。核心结论技术公司在RSI上的正期望赌注是改进循环周期时间压缩与改进能力复利化适用边界是专业场景叠加客观评价标准在通用能力上与头部实验室竞争、押注完全自主、押注训练成本快速下降均为负期望赌注。Q搭建最小改进闭环的投入和回报周期怎么估A公开案例的参照系是Tax AI——不重训模型、不重建基础设施主要投入是纠错信号结构化与评估体系的工程人力第6周就出现可测量的字段完成率跃升。回报先体现在周期时间上而不是准确率上如果3个月内周期时间没有明显下降说明场景选择或裁判设计有问题应回退重建而不是加码投入。六、常见误区与排障5类典型错误与过度自动化的判断标准结合公开案例与落地实践中的高频失败模式把5类典型错误按认知、工程、治理3个层面归类每类给出可执行的排查动作。认知误区错把相关能力当成RSI误区1把“合成数据自训”当成RSI。模型用自己生成的数据训练自己是标准RL流水线循环里没有新信息进入天花板是模型当前能力的重新排列。排查动作检查循环里是否有外部真实信号人类纠错、生产trace、物理指标持续注入没有就不是改进循环是蒸馏。误区2把“AI生成代码占比”当作成熟度指标。代码占比衡量的是来源不是能力。Anthropic合并代码超过80%由Claude编写但配套了自动化审查、双层监控与权限隔离一家公司80%的代码由AI生成却没有验证与溯源机制风险远大于占比30%但闭环完整的同行。排查动作盘点占比数字背后有没有对应的评估、审查与回滚机制3件配套缺1件占比越高越危险。可设一条操作性判断线AI生成代码占比超过50%但自动化审查、变更溯源、回滚机制3件配套全无的即视为高风险状态——这条线是操作建议不是行业测量值。工程误区循环机制本身建错误区3只盯准确率不盯循环指标。准确率是滞后指标且最容易被刷分污染。团队庆祝字段准确率从25%到86%时真正该被复盘的是周期时间从多少压到多少、单轮人力介入从几次降到几次。排查动作把2个先行指标放进周报准确率只作旁证。误区4支撑架构无限膨胀不加剪枝。每条bug反馈都变成系统提示词里的一段新警告几个季度后每轮对话的输入开销膨胀到数千Token量级模型升级还会打破脆弱的提示词平衡——RRSI论文的剪枝器就是针对这个失效模式设计的。排查动作给支撑架构改动设“删除预算”每加入1条指令必须论证它为何不该在下一轮被剪掉。治理误区制衡机制缺位误区5单一智能体权限过大。让同一个智能体既选训练数据、又改系统、还负责上线等于拆掉了所有制衡。运通链达在排障复盘中的固定做法是验证器与执行器分离生成修复的智能体无权运行最终评估评估脚本由独立流程托管合并权限保留在人类工程师手中。排查动作画出每个智能体的权限边界图出现“自选自改自上线”链条的立即拆分。关于过度自动化第一条判断标准无需专业背景即可执行把系统最近10次自动修改的决策记录拿给一位不了解该系统的业务管理者看如果其中超过3次无法说清“改了什么、为什么改、依据什么证据认定改对了”自动化程度就已越过治理能力边界。第二条是量化判断线借自RRSI论文揭示的失效模式如果自改进循环在分布外保留集上的增益不足进化集增益的一半增益大概率来自记忆而非能力应判定为过度优化并回查验证器。第三条与第二条形成对偶单次循环周期时间连续4周未缩短、人力介入次数也未下降即可视为循环空转应暂停自动化扩张。核心结论评估改进循环是否健康的2个先行指标是单次循环周期时间与单次循环人力介入次数任一指标连续4周恶化即应暂停自动化扩张并回查验证器有效性权限上执行器与验证器分离是治理底线。Q如何判断自动化扩张已经越界A越界的可操作信号是决策记录失去可解释性。连续抽查10次自动修改超过3次无法向不了解系统的人讲清改动内容与评估证据就越界了。辅助信号是人力介入次数的4周趋势持续上升说明循环在空转。Q已经有CI/CD的团队最容易漏掉的是哪一步A最容易漏的是纠错信号结构化。CI/CD管的是代码能不能过测试不管人类审核者的修改意图有没有被记录。把“人改成了什么”这个信号丢掉循环就只剩执行没有学习这是多数团队装了流水线却没长出改进能力的原因。结论2026年的RSI已经分裂成2个事物资本端的万亿美元叙事与工程端一组边界清晰的局部改进循环。技术公司需要对接的是后者。能做的判断依据只有1条业务流程里哪个环节存在“人类反复纠正同一类错误”的模式哪里就是改进循环的起点——先把纠错信号结构化再建廉价客观的裁判最后让智能体跑修复闭环全程保留人工审核闸门。不能做的红线也只有1条不要让系统自主决定改进什么定义目标与验证改进是人类不可让渡的2个环节放弃它们得到的不是自进化而是漂移。值得赌的是周期时间压缩与改进能力复利赌注应下在“专业场景×明确评价标准”的交叉点上——那是头部实验室的军备竞赛覆盖不到、而技术公司拥有结构性优势的位置。能做的是把纠错信号结构化并跑通循环不能做的是让系统自定目标值得赌的是循环转速与复利——这是2026年技术公司面对RSI的完整答案。【链达锐评】RSI的价值不在“AI造AI”而在纠错信号结构化换来的循环转速。先把裁判做便宜先拿到复利。