AI 距离真正的递归自我改进（RSI）还有多远？当前，AI 已开始参与数据生成、训练优化、工具迭代与结果验证，但参与研发，并不意味着已经具备持续改进自身的能力。它能够自主完成哪些环节，又如何将局部优化连接成持续、可靠的改进闭环？回答这些问题，需要回到具体的研究与实践，审视已有进展与尚待突破的瓶颈。
9 月 23 日，「Triple T」张江塔尖会系列技术沙龙在张江 AI 创新小镇顺利举行，本场沙龙由机器之心与张江 AI 创新小镇生态公司联合举办，以「AI²：当 AI 学会自我超越」为题，聚焦自进化 AI 的前沿研究与实践进展，通过六场主题分享和一场圆桌对话，围绕研发自动化、代码模型、智能体系统、具身智能与科学发现等方向，探讨技术路径、关键瓶颈与突破条件，为自进化 AI 的研究交流与产业协作搭建平台。
前沿洞察
拆解 AI 自进化的实践路径
自进化 AI 并非单一模型能力的突破，而是智能体、环境、数据与模型共同作用的结果。上海交通大学人工智能学院副教授陈思衡在《以前沿研究牵引「智能体-环境-数据-模型」递归自演进》的分享中指出，递归自演进的核心，是让 AI 逐步减少对人类的依赖，实现自主迭代与能力跃迁。其提出「智能体-环境-数据-模型」协同演进路线，当前重点在于通过 AI 自主开展前沿科研，持续产生、筛选和沉淀高质量数据，再反哺模型能力，形成闭环。前沿科研具备高难度、可验证、可规模化等特点，能够持续牵引智能向更高水平演进。
上海交通大学人工智能学院副教授 陈思衡
代码则为这种循环提供了更清晰的执行环境与反馈信号。北京航空航天大学副教授、北航卓越青年学者杨健在《自进化代码大模型》的分享中谈到，代码大模型是 RSI 较具落地性的场景，核心不只是优化 Agent Harness，更在于实现 Model RSI，让模型通过执行、验证、纠错持续改进自身。代码任务具备闭环环境和客观验证机制，适合开展长程 Agentic RL。未来可通过任务、Harness、Model 三层协同进化，逐步打通数据、环境、模型的全要素闭环，并从后训练进一步延伸至评测、部署，推动 AI 研发流程走向自动化、自进化。
北京航空航天大学副教授、北航卓越青年学者 杨健
当反馈从明确的测试结果转向开放世界中的证据，自进化也由任务执行走向科学发现。北京大学助理教授、普林斯顿大学 AI Lab 博士后研究员、PhAI Labs 联合创始人杨灵以《From RSI to Discovery Intelligence》为题，分享了从代码 RSI、Agent 交互学习到科学发现智能的研究演进。他认为，科学研究具备长程、可执行、可验证且能够获得真实环境反馈等特征，是探索 AI 持续学习与递归自我改进的重要场景。未来的 AI 将在自主发现高价值问题、提出假设、设计并执行实验的过程中，持续接受真实证据的检验，并将研究经验转化为可迁移的能力，通过更复杂、更开放的科学场景推动通用智能上限的提升。
北京大学助理教授、普林斯顿大学 AI Lab 博士后研究员、PhAI Labs 联合创始人 杨灵
当越来越多的系统声称具备自进化能力，RSI 行业真正缺少的已然不是概念，而是判断标准。上海交通大学长聘轨助理教授、上海人工智能实验室双聘助理研究员、智源青年学者周煊赫，结合 Theseus Labs 近期发布的 RSI 分析报告《The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement》，分享了核心判断：真正的 RSI 不应局限于模型在既定任务中的局部优化，而应形成更高层级的「外循环」。由 AI 自主发现问题、提出方案、构建反馈并验证结果，让任务&数据&环境与模型形成闭环。基于这一框架，Theseus Labs 正在环境演化闭环、数据自推理、拓展模型前沿边界等多方向继续探索。新的研究结论和技术报告即将发布，敬请期待。
上海交通大学长聘轨助理教授、上海人工智能实验室双聘助理研究员、智源青年学者 周煊赫
进入物理世界，真实交互与环境反馈为自进化提出了新的要求。上海科技大学研究员、助理教授、博士生导师，YesAI 实验室负责人、瞬适科技创始人石野，带来《具身智能的自进化：世界模型、策略学习与可执行经验》。他认为具身智能的自进化面临数据稀缺、真实环境复杂、反馈难获取等独特挑战，其核心不是追求像大模型一样的通用泛化，而是让机器人具备快速适应新环境、新任务并持续学习的能力。围绕「学什么、在哪里学、如何更新、如何部署」，他提出以世界模型构建可交互、可学习的环境，结合仿真、真实交互经验与强化学习，形成从经验生成、策略更新到真实部署的闭环，推动具身智能持续进化。
上海科技大学研究员、助理教授、博士生导师，YesAI 实验室负责人、瞬适科技创始人 石野
面向更具体的生命科学任务，英灵殿科技创始人兼 CEO 张昊天以《AI for AI4Science：自进化的 AI4Science 模型》为题，分享了 AI for Science 从「AI 辅助科研」走向「AI 训练 AI」的探索。他认为，AI for Science 正从「AI 辅助科研」走向「AI 训练 AI」，核心是让 AI 自主完成科研任务的诊断、假设生成、实验验证与证据沉淀。在生物制药等小样本、高异质性场景中，AI 不仅要自动处理数据，还要通过单轴实验验证假设，并将实验结果形成可复用的经验记忆，持续反哺模型与任务迭代，最终实现科研智能的自我进化。
英灵殿科技创始人兼 CEO 张昊天
观点交锋
距离真正的 RSI 还差哪一步？
从代码研发到具身智能与科学发现，不同路径的探索最终指向一个共同问题：任务表现的提升，如何进一步转化为持续的自我进化能力？围绕这一问题，圆桌对话以「AI Build AI：真正的自我进化还有多远？」为题，由 Recursive 创始成员、KAUST 博士诸葛鸣晨主持，邀请杨健、杨灵、周煊赫、石野及张昊天五位嘉宾展开讨论。
嘉宾们从自进化的定义与判断标准切入，进一步探讨模型、数据、Agent、环境之间如何形成协同闭环，以及数字世界、具身智能、AI for Science 等场景中面临的数据稀缺、反馈获取、长程任务、实验验证与经验复用等挑战，并围绕真正实现自主迭代所需的判断力、环境适应与模型自我改进能力，展望 RSI 从局部优化走向更高阶自主进化的可能路径。
杨健强调，AI Coding 是最有可能率先实现 RSI 的场景，但真正的模型自进化不仅是 Harness 层面的优化，还需要打通模型、数据、Infra 与工具调用。下一步关键在于让模型具备更强的长程任务、问题发现与自主解决能力，逐步减少人工参与。
杨灵认为，真正的自进化不应只是更好地解决既定问题，而应具备发现问题、定义问题和产生创新的能力。在 AI for Science 中，还需要解决干湿实验速度不匹配、反馈稀疏以及数据与环境构建等问题，才能形成完整的科研自进化闭环。
周煊赫提到，RSI 的核心是让 AI 从完成既定任务，进一步走向自主探索和自我改进，并最终形成自己的判断与「品位」。
石野谈到，具身智能的 RSI 核心在于将真实世界中的失败经验转化为可复用的能力。相比单纯依赖大模型接管，更重要的是结合 VLA、Action Model、小模型与 Harness，通过有限真实交互持续沉淀经验，加速机器人学习和决策。
张昊天强调，AI for Science 的进一步突破，需要从「AI 辅助科研」走向「AI 训练 AI」。多模态模型能够缓解科学数据稀疏问题，而未来真正的 RSI 关键在于 AI 是否能够形成超越专家经验的判断力，并自主完成模型与科研流程的优化。
结语
张江集团副总经理、教授级高工陈衡在总结交流中表示：希望通过张江「塔尖会」汇聚青年科学家与产业创新力量，让前沿思想与技术充分交流碰撞。未来，张江人工智能创新小镇将持续打造高质量交流平台，推动张江双塔从建筑地标进一步成为产业与科技地标。
张江集团副总经理、教授级高工 陈衡
从「AI 能否自我进化」到「如何让自我改进持续发生」，技术探索正走向更具体的机制与验证。本场「Triple T」张江塔尖会系列技术沙龙将不同领域的研究与实践放在一起讨论，让自进化 AI 的进展、分歧与待解问题得到更充分的呈现，也为下一阶段的突破寻找方向。
前沿问题的推进，同样需要研究与产业之间的持续交流。以此次张江 AI 创新小镇相聚为起点，围绕数据、工具、实验环境与真实需求展开的协作，有望让现场的思考延伸为新的研究与实践，推动自进化 AI 从局部探索走向更扎实的能力积累。
文章来自于"机器之心"，作者 "机器之心"。