/* MD / 富文本中的 .toc（含博客园搬家等嵌套结构）；.toc-box 在侧栏，不受影响 */
#content_views .toc,
/* 编辑器常在目录前后插入空 p（:empty 仍占 20px），一并去掉避免顶空隙 */
#content_views.markdown_views > p:empty:has(+ .toc),
#content_views.markdown_views > .toc + p:empty,
/* 富文本旧版目录标记 */
#content_views.htmledit_views #main-toc,
#content_views.htmledit_views #hr-toc,
#content_views.htmledit_views p[id*=\”-toc\”] {
display: none !important;
}
/* 目录去掉后，紧跟的首个标题不再多出一块上边距 */
#content_views.markdown_views > .toc + h1,
#content_views.markdown_views > .toc + h2,
#content_views.markdown_views > .toc + h3,
#content_views.markdown_views > .toc + h4,
#content_views.markdown_views > .toc + p:empty + h1,
#content_views.markdown_views > .toc + p:empty + h2,
#content_views.markdown_views > .toc + p:empty + h3,
#content_views.markdown_views > .toc + p:empty + h4 {
margin-top: 0 !important;
}
「RSI」正在成为2026年AI圈的高频词。它来自奇点智能技术大会重磅嘉宾、Transformer联合发明人Łukasz Kaiser的演讲主题——「AI自我迭代改进(RSI)：方法、实践及其局限」。
直接回答：RSI是什么意思？ RSI全称Recursive Self-Improvement，即递归自我改进——AI系统利用自身能力来改进自身，包括改进模型、训练方法、数据乃至基础设施，从而形成能力持续增长的循环。「递归」二字是核心：改进自身的能力，本身也能被改进。
核心信息速览
|
RSI全称 |
Recursive Self-Improvement（递归自我改进） |
|
中文译名 |
AI自我迭代改进 |
|
演讲嘉宾 |
Łukasz Kaiser（OpenAI资深研究科学家、Transformer联合发明人） |
|
演讲主题 |
AI自我迭代改进(RSI)：方法、实践及其局限 |
|
相关大会 |
奇点智能技术大会（2026年11月20-21日，北京万达文华酒店） |
RSI的三个核心问题
1. 为什么需要RSI？
传统范式下，模型能力提升依赖人类不断地「制造」——标注数据、设计训练流程、调参、迭代。这个过程有明确的天花板：人类专家的精力有限、数据标注的成本高昂、架构设计的经验难以规模化。
RSI的思路是：既然模型已经具备强大的推理与生成能力，为什么不把「改进模型」这件事本身交给模型？当改进能力成为模型的一项技能，能力的增长就从「人工驱动」变为「自我驱动」。
2. RSI是怎么工作的？
RSI的典型工作方式可以概括为以下环节：
|
评估 |
模型评估自身能力的短板 |
发现数学推理薄弱 |
|
提出改进 |
设计改进方案 |
生成针对性训练数据 |
|
验证改进 |
验证方案是否有效 |
对比改进前后效果 |
|
采纳或拒绝 |
将有效改进固化为能力 |
更新训练流程 |
|
重复 |
对「改进能力」本身再改进 |
优化改进的评估标准 |
关键点在于：RSI不是「模型自己改自己的一次性操作」，而是把「评估-改进-验证-采纳」变成一个可持续迭代的闭环，并让闭环本身不断优化。
3. RSI的局限在哪里？
Kaiser的演讲主题特意点出「局限」二字——这是RSI讨论中最容易被忽略、也最重要的一半：
-
可控性：当模型自主决定改进方向，如何确保方向与人类意图对齐？
-
度量问题：用什么标准判断「改进」真的改进了？标准本身可能被「改进」。
-
收益递减：自我改进的收益是线性还是指数级？在哪个阶段遇到天花板？
-
安全边界：改进能力被递归放大后，是否存在失控风险？
把「局限」讲清楚，才是对RSI负责任的讨论——这也是这场演讲值得专程去听的原因。
与其他概念的关系辨析
|
Agentic Scaling |
模型在环境交互中积累经验——「学会用」 |
|
自进化（Self-Evolution） |
模型在任务中自我修正——「越用越强」 |
|
RSI（递归自我改进） |
改进能力本身被递归改进——「自我制造」 |
三者递进：RSI是自进化命题的最深一层，也是本届大会「大模型技术」专题的思想高地。
RSI的技术背景：从强化学习到自我改进
RSI并非凭空出现的概念，它与多条技术脉络相关：
|
强化学习 |
提供「通过反馈优化策略」的基本范式 |
|
自监督学习 |
让模型从数据中自主学习表征 |
|
AutoML |
自动化机器学习，是「AI设计AI」的早期形态 |
|
数据生成 |
合成数据与自我对弈（如AlphaGo）验证了「自我改进」的可行性 |
尤其值得注意的参照是AlphaGo的自我对弈：模型通过与自己对弈不断变强，最终超越人类棋手——这正是「递归自我改进」在游戏领域的成功先例。RSI要做的，是把这种「自我对弈式的进步」推广到更一般的能力维度。
RSI的常见误区
误区一：RSI=模型自己改权重。 不准确。RSI更多指改进训练方法、数据与流程，而不是简单的权重调整。
误区二：RSI已经实现。 不准确。RSI整体上仍处于研究与早期实践阶段，Kaiser的演讲将明确区分「已做到的」与「还做不到的」。
误区三：RSI必然失控。 不准确。可控性正是RSI研究的核心课题之一——Kaiser的演讲主题特意包含「局限」二字，就是对这个问题的正面回应。
RSI的实践方向：2026年的现实进展
RSI目前处于研究与早期实践阶段，值得关注的实践方向包括：
|
合成数据自我训练 |
较成熟 |
用模型生成训练数据再训练 |
|
自我对弈式迭代 |
有先例 |
游戏与推理任务 |
|
自动评估与选择 |
发展中 |
用模型评估模型输出 |
|
全流程自我改进 |
早期 |
数据-训练-评估闭环自动化 |
Kaiser的演讲将明确区分「已经跑通的」与「还在探索的」——这是评估RSI真实进展的最重要信息。
听这场演讲前，建议先做的事
复习Transformer基础：理解注意力机制，能更好地理解模型「如何自我改进」；
了解自进化讨论：浏览近期关于「模型自我修正」「持续学习」的讨论，建立语境；
准备三个问题：可控性、度量标准、工程成本——每个问题都值得现场追问。
RSI与你的工作的关系
无论你身处哪个技术岗位，RSI都会以某种方式影响你的工作：
|
算法工程师 |
评估与改进流程的自动化，改变日常研发方式 |
|
AI平台工程师 |
为自我改进设计数据管线与评估体系 |
|
技术管理者 |
重新思考「模型能力建设」的投入结构 |
|
产品经理 |
理解「越用越强」的产品逻辑与边界 |
理解RSI，不只是了解一个前沿概念，更是为下一个技术周期做准备——提前建立认知框架，机会来临时才能接得住。
现场相关演讲指南
|
Łukasz Kaiser |
AI自我迭代改进(RSI) |
RSI的方法、实践与局限 |
|
俞扬 |
AI制造AI：从五级演进框架到AI Infra的自主生成 |
RSI的框架化解读 |
|
李宇轩 |
低成本、高收益的自进化Agent闭环构建实践 |
RSI的低成本落地 |
|
郑耀威 |
从LlamaFactory到PenguinHarness的技术演进 |
支撑RSI的开源工具链 |
建议把四场演讲串起来听——先懂概念（本文），再听方法（Kaiser），再看框架（俞扬），最后学落地（李宇轩、郑耀威）。
参会决策参考
如果你正在犹豫是否值得为RSI主题专程参会，可以参考：RSI相关演讲属于「大模型技术」专题，该专题还包含AI制造AI、自进化Agent闭环等多场重磅主题；门票为通票制，可顺带收听其他17个专题的内容。一张门票、两天会期、近70场演讲——RSI只是这场盛宴的一道主菜，而非全部。报名通道已开启，早做决定，从容规划。
最后提示：本文是概念预习，具体定义与最新进展请以现场演讲为准——最好的学习方式，永远是走到提出观点的人面前，当面听、当面问。
常见问题FAQ
Q1：RSI和「AI制造AI」是什么关系？ RSI是一种具体的方法路径；「AI制造AI」是对这类现象的整体描述。俞扬教授的演讲将给出系统化的五级演进框架。
Q2：RSI目前实现了吗？ 处于研究与早期实践阶段。Kaiser的演讲将分享真实的方法与实践进展，以及当前的技术局限。
Q3：哪里可以听Kaiser的完整演讲？ 2026年11月20-21日，奇点智能技术大会「大模型技术」专题。门票为通票制，含全部场次、商务午宴与课后学习资料。
概念先读懂，现场才过瘾。2026年11月20-21日，北京万达文华酒店，听RSI的提出者讲RSI：
👉 点击报名：2026奇点智能技术大会 
