搜索
RSI（Recursive Self-Improvement，递归自我改进）关注系统能否不断发现自身短板、获取新经验，并用新经验提升下一轮表现。然而，当前的具身系统仍高度依赖真机试错和人工决策。
机器人领域已经轰轰烈烈地 Scaling 了好几年。
从通用模型到个性化智能，人工智能的竞争正在向长期学习与专属能力沉淀延伸。
由Transformer奠基论文核心作者Llion Jones创办的 Sakana AI，联手UC Berkeley带来了一项递归自我改进（RSI）新成果：MASS（Multi-Agent Self-Supervision）。
AI 确实在帮 AI 变强，但收益正逐轮递减。当前 AI 自我改进回路的实际强度，仅为触发“智能爆炸”所需理论阈值的 10% 到 20%；若要实现自我维持式的加速进化，这条回路必须再增强 5 到 10 倍。而在巨额过程损耗面前，眼下的系统连维持匀速进步都已十分吃力。
RSI（Recursive Self-Improvement，递归自我改进）最近成为了行业内关注的新热点。 简单说来，模型参与训练和提升模型自己，在业界已经开始成为一种惯例。Anthropic 在六月
今年以来，RSI（Recursive Self-Improvement，递归自我改进）逐渐从硅谷前沿话题，演变为全球共识。
要论造词和包装概念，AI 圈要是自认第二，恐怕就没人敢称第一。
让模型自己生成训练数据、自己改写提示词、自己修复代码，这条路线被称为： 递归自我改进（Recursive Self-Improvement，RSI）。
第一篇AI4AI综述论文将long horizon智能体、AI4AI与recursive self-improvement纳入同一研究地图，指出AI能在明确目标与评价规则下承担部分研发工作，但单项能力提升无法证明完整流程可靠，持续自我改进仍面临组合鸿沟等验证挑战。