AI 已经能参与哪些自我进化环节？一场技术沙龙的观察

2026-09-11 12:38 0 阅读

RSI 不是魔法，而是一连串具体动作

“递归自我改进”（Recursive Self-Improvement，简称 RSI）这个词听起来像科幻设定：一个 AI 对自己说“做个更好的版本”，然后新模型立刻诞生，再继续改进下一代，形成指数级加速的智能爆炸。

但现实没那么戏剧化。真正的进展藏在细节里——比如 AI 开始帮人类生成训练数据、自动调参、写工具代码，甚至验证实验结果。这些动作单独看都不算革命，但合起来，可能正在悄悄重构 AI 的研发流程。

9 月 23 日，机器之心联合张江 AI 创新小镇生态公司在上海举办了一场名为「AI²：当 AI 学会自我超越」的技术沙龙。没有宏大宣言，也没有 AGI 时间表，参与者更关心的是：今天的 AI，到底已经能干哪些原本属于“人类研究员”的活？

过去几年，大模型训练严重依赖互联网爬取的海量文本。但高质量、特定领域的数据越来越稀缺。于是，AI 开始反过来生成数据。

比如在代码领域，已有系统能根据自然语言描述自动生成 Python 或 C++ 函数，并附带单元测试用例。这些合成数据被用于微调专用模型，效果有时不输真实代码库。类似方法也出现在数学推理、法律文书甚至医疗问答场景中。

不过问题随之而来：如果训练数据全是 AI 生成的，会不会陷入“同质化循环”？有研究者提到，他们会在生成过程中加入噪声扰动或对抗样本，强制多样性。但如何保证生成数据的真实性和边界，仍是开放问题。

超参调优曾是工程师的噩梦。现在，一些团队开始用强化学习智能体自动搜索最优训练配置。比如调整学习率调度策略、混合精度设置，甚至决定何时早停。

更进一步的是“课程学习”的自动化。传统做法是人工设计从易到难的任务序列，现在有系统能根据模型当前能力动态生成下一阶段的训练样本。北航一位讲者分享了一个案例：他们的视觉模型在训练初期只看清晰图像，随着准确率提升，系统自动混入模糊、遮挡或低光照样本，让模型逐步适应复杂场景。

这类方法节省了大量人力，但也带来新挑战——如何评估“自动课程”是否真的有效？目前仍需人工抽检，尚未完全闭环。

代码生成早已不是新鲜事。但沙龙中提到的进展在于：AI 开始参与系统级设计。

瞬适科技展示了一个内部工具，它能分析现有代码库的性能瓶颈，建议重构方案，比如将同步调用改为异步、引入缓存层，甚至替换底层数据库驱动。这已超出“补全函数”的范畴，接近初级架构师的角色。

更有意思的是“自我修复”实验。研究人员故意在代码中注入 bug，让 AI 模型通过日志和测试失败信息定位问题并修复。在简单场景下成功率超过 70%，但在涉及多模块耦合的复杂错误中，仍容易误判根因。

如果说软件世界的数据可以“编”，那物理世界就没那么容易糊弄。具身智能（embodied AI）和分子生成是两个典型例子。

在机器人领域，上海交大的团队让机械臂在仿真环境中反复试错，积累操作经验，再迁移到实体设备。关键在于，AI 不仅执行任务，还会记录失败案例，自动生成新的训练场景——比如“杯子滑落时如何调整抓力”。这种基于真实物理反馈的迭代，比纯文本模拟更可靠。

分子设计则更极端。英灵殿科技的做法是：AI 提出新分子结构 → 自动化实验室合成 → 测试生物活性 → 结果反馈给模型。整个循环中，人类只设定目标（如“抑制某蛋白”），其余步骤尽量自动化。虽然周期仍以天计，但相比传统药物研发的数年周期，已是巨大进步。

所有这些尝试都面临同一个瓶颈：如何验证 AI 改进后的版本确实更好？

在代码领域，可以用测试覆盖率和运行效率衡量；在分子设计中，有明确的生物实验指标。但在通用智能或复杂决策场景中，缺乏统一标尺。

有讲者直言：“我们现在很多‘自我改进’其实依赖人类事后评判。这不算真正的 RSI。” 真正的突破可能需要建立可量化的“能力坐标系”——比如定义模型在推理深度、知识广度、鲁棒性等维度的具体分数，让改进有据可依。

整场沙龙下来，没人宣称实现了完整的 RSI 循环。但共识是：AI 正在逐个接管研发链条中的子任务。从数据生成、训练调度、代码编写到实验验证，每个环节都有落地案例。

这些探索的价值不在于立刻通向 AGI，而在于降低创新门槛。一个小型团队现在可以用 AI 工具完成过去需要数十人协作的工程，快速试错、快速迭代。

当然，风险也真实存在。比如合成数据导致模型偏见固化，或自动化测试覆盖不足引发线上事故。但正如一位创始人所说：“我们不是在等待完美系统，而是在使用中学习如何让它更安全。”

活动选址在张江 AI 小镇并非偶然。这里聚集了芯片、算法、机器人、生物医药等不同领域的团队。沙龙本身也刻意混合了学术界和工业界视角——高校讲前沿方法，创业公司谈落地约束。

这种交叉很重要。因为真正的自我进化不会只发生在单一模态里。代码智能需要硬件支持，分子设计依赖湿实验平台，具身智能离不开传感器和执行器。RSI 的未来，可能不在某个超级模型，而在一个能协同演化的技术生态中。

所以，与其问“AI 能否自我超越”，不如问：我们能否构建一个让 AI 安全、透明、可验证地参与自身进化的环境？这场沙龙没给出答案，但它展示了正在搭建的脚手架。