AI开启自我迭代 智能进化新篇章

AI自诞生之初，便寄托着一个愿景：机器终将实现自我革新。早在1966年，英国数学家I. J. Good就预言：“超级智能机器能够设计出比自身更强的机器；届时必将爆发一场‘智能大爆炸’，人类智能将被远远甩在身后。”多年来，AI研究者对递归自我进化（RSI）怀着既向往又忌惮的复杂心态。如今，AI技术的飞速进步，让人不禁发问：这一进化过程的部分环节，是否已然悄然开启？

RSI在不同群体心中有着天壤之别。有人视其为舆论噱头，借此推动行业监管；也有人将其用作营销话术。一部分人认为它代表完全自主的智能迭代闭环，另一部分人则把凡是用技术创造新技术的行为，都视作RSI。

毫无疑问，RSI是一个跨度很大的概念。在最严格的定义下，研究者用这个术语指代一类智能系统：它们不仅能优化输出结果，还能优化自身的迭代进化机制 —— 自主构思方案、评估效果、修正自身运行方法，全程无需人类指令介入。以这一标准衡量，当下绝大多数AI系统都达不到要求。它们可以辅助打造更强的人工智能，但仍依赖人类设定目标、定义评判标准，并决定保留哪些优化改动。当下的核心问题，不在于这种自我进化是否已以某种形式存在，而在于智能迭代闭环究竟已经完成了多大程度的自主化。

自我进化的底层架构

多年来，科研人员一直在构建递归自我进化（RSI）的各项基础要素。机器学习算法能够自动调校程序参数，使其可以玩游戏、甚至编写全新程序。一类名为进化算法的机器学习方法，能够对设计方案进行多元化衍生与迭代优化，其中也包括其他算法。过去十年间，自动机器学习（AutoML） 实现了 AI 流程链路多环节的自动化，涵盖神经网络等机器学习模型的架构搭建、训练与效果评估全流程。

如今，GPT、Gemini、Claude、Grok等大语言模型延续了这一发展趋势。这类模型最核心的用途之一就是编写代码，甚至能编写用于迭代自身新版本的代码。今年2月，OpenAI披露，GPT-5.3-Codex在自身研发过程中起到了关键作用：协助训练排错、管理模型部署、分析评测结果。Anthropic也宣称，公司目前绝大多数代码都由Claude Code编写。当然，这些系统仍需人类进行任务指导与成果核验。

去年，谷歌DeepMind推出了一套名为AlphaEvolve的系统，定位是面向科学探索与算法创新的智能编程代理。它依托大语言模型引导解决方案的进化迭代，可用于神经网络架构优化、数据中心任务调度、芯片设计等场景。它还算不上完整的递归闭环，因为仍需人类为AlphaEvolve划定待解决问题，并制定效果评估标准。但每一次技术突破，都会进一步提升科研人员打造下一代AI技术的能力。

DeepMind的Matej Balog表示：“这也是一个人机深度协作的过程。”“很多时候，我们观察系统自主发现的成果，反而能从中获得新的认知与启发。”该系统已多次给研发团队带来意外惊喜。Balog称：“我们的目标是借助人工智能，发掘那些超出人类直觉认知的全新算法。我认为目前我们已经初步证明，这不再是不切实际的空想。”

此外，谷歌AlphaChip的联合负责人创办了Ricursive Intelligence初创公司，专注用人工智能设计AI芯片。联合创始人Azalia Mirhoseini表示：“我们有望把芯片设计周期从一到两年大幅缩短至数天。”第一阶段，主要为人类设计师提供辅助；第二阶段，为没有自研设计团队的企业实现设计流程自动化；联合创始人Anna Goldie称，到第三阶段，公司将实现递归式正向循环：用AI设计更强芯片，再用更强芯片训练更先进的AI —— 不过全程仍会处于人类监督之下。

其他项目则关注智能体自主调整自身行为。去年，不列颠哥伦比亚大学与Sakana AI的研究人员联合发布了达尔文哥德尔机器（DGM），借助进化算法来优化基于大语言模型的代码智能体。关键亮点在于：这类智能体能够修改自身代码（尚不涉及底层大模型本体），且修改能力还在持续变强。其新版本甚至可以调整用于自我迭代的底层元机制。

该团队还研发了AI Scientist，相关成果于今年3月发表在《自然》期刊上，目标是实现完整科研链路的自动化。它可以自主提出研究选题、通过软件开展实验、撰写学术论文，还能对论文进行同行评审。该项目预示着：未来AI研发全流程 —— 不只限于写代码，还包括实验开展与效果评估 —— 都有可能纳入自动化闭环。

BC大学的Jeff Clune参与研制了DGM与AI Scientist两大项目，他表示，用AI迭代优化AI已是“硅谷最热门的研究方向之一”。他认为，具备递归自我进化能力的系统即将问世，并断言递归自我提升（RSI）将迅速重塑科技格局，深刻改变社会与文化的方方面面。

AI自我进化面临的挑战

当前仍面临诸多阻碍。Clune称，AI在创意生成、方案落地、成果评判上仅达到尚可水准，远未做到极致顶尖。美国创新基金会高级研究员Dean Ball表示，AI科研者的能力仍不及人类顶尖科学家。他说：“AI 或许终有一天能复刻天才级科研能力，但绝不是明年。短期内，AI只能替代那些埋头打磨算法效率、重复繁琐工作的基层从业者。”

即使这类能力持续提升，迭代也不一定顺畅复利增长。艾伦研究所的Nathan Lambert近期发文提出：未来大概率不会出现理想的RSI，取而代之的会是有损自我进化（LSI） —— 各类阻力不断增加，拖慢智能迭代的飞轮增速。一方面，大型AI系统本身复杂度越来越高，未来AI研究者的核心工作将变成管控系统复杂度，而非只对局部模块做微调优化。另一方面，顶尖AI系统的研发成本动辄数十亿美元，没人愿意放任耗费巨资的AI完全自主运行、不受约束。

此外，还有宏观制约因素。Ball曾专门撰文分析RSI，并坦言自己不属于末日悲观派。他指出，AI想要掌控世界，中间需要跨过大量实际环节，从落地实验研发到周旋地缘政治，缺一不可。再者，人类知识分散且多为隐性经验，很难被打包整合进单一AI模型里。例如芯片制造商台积电的技术实力，源自其9万名员工协作形成的集体智慧，绝非单个智能体可以复刻。

完全成熟的RSI，不仅需要设计软件与芯片，还要自建数据中心、运营发电厂、开采矿产，且全部依靠可自我复制的机器人完成。基于以上种种原因，部分研究者认为人类仍将始终处于核心主导地位。Meta研究院的Jason Weston与Jakob Foerster近期撰文提出：比起追求纯粹的机器自我进化，“人类更现实、也更理想的目标，是最大化人机协同共进。”他们写道，保留人类参与决策环节，既能让技术发展更快，也更安全：人类既能贡献自身洞察，也能引导AI朝着造福人类的方向演进。

RSI会引发灾难吗？

尽管如此，许多科学家并未排除RSI失控的可能性，这种情况有时也被称作技术奇点。去年，研究人员就AI研发自动化与RSI议题，采访了25位人工智能领域专家。除两人之外，其余所有人都认可智能爆炸存在发生的可能性。受访专家还普遍认为，各大AI企业会把具备自我进化能力的模型留作内部自用，不会对外公开部署。该论文合著者、蒙特利尔大学计算机科学家David Scott Krueger表示：“这种组合态势着实令人警惕。”他担忧这类高风险研发正在公众视野之外悄悄推进。

Krueger创办了人工智能安全非营利机构Evitable，主张全球暂缓前沿 AI 研发。他称：“这是在拿全人类的命运做赌注。”他还提出一条触发暂停研发的红线标准：当99%的代码由AI编写时，就应当按下暂停键。“而我认为，我们眼下或许正处在跨过这条红线的边缘。”

虽然Ball认为奇点是无稽之谈，但他认为开展RSI研究的前沿AI实验室应被严密监管，防止相关模型落入居心不良之人手中。他表示，RSI固然有风险，但风险可以管控。

人工心智社会形态

人们常想象RSI时，以为会出现单个超级智能AI，且智力不断单方面飙升。但现实形态更可能接近生物演化：大量形态各异的智能体涌现、协同共生。Krueger认为，未来或将迎来一场人工生命体的寒武纪大爆发。它们会形成自身的生态系统、文化形态与经济体系。

Clune认为，进化算法以及无固定强目标的开放式演化流程，将成为实现RSI的关键。智能体之间的协作同样至关重要。像“AI Scientist”这类能把研究成果整理成规范学术论文的系统，为智能体之间共享成果、相互借鉴迭代提供了可行路径。Clune表示：“这是智能体与其他智能体之间很好的沟通方式。”

人类在AI研发中的角色或许会逐渐淡出，但这是一个缓慢渐进的过程。Clune认为，首先，人类会从底层琐碎工作中解脱出来，角色更像教授或项目负责人，只负责选定研究方向。接下来，人类会进一步退化为项目主管或企业决策者，只制定宏观科研规划。最终，人类将只承担监督管控职能，而他希望人类永远不要放弃这一核心角色。Clune坦言，如果有机器取代他成为AI科学家，他会感到些许失落，但他认为这种代价值得付出：“哪怕舍弃自己热爱的事业，只要能攻克癌症，我也愿意。”