一、先把概念说准：什么才算 RSI
“递归自我改进”（Recursive Self-Improvement, RSI）至少有三种强度：
- 局部自修正：模型在一次推理或任务中反思、重试、修补代码。它改善的是当前输出，不一定改变下一代系统。
- 可持续的系统改进：AI 修改提示词、上下文、工具、工作流、评测器或 Harness，使后续任务表现变好。今天大量研究位于这一层。
- AI4AI 的代际闭环：当前系统参与设计数据、训练配方、模型代码和实验，产出更强的继任模型；继任模型再重复这一过程。只有当“改进能力本身”也随每代增强，才接近强意义的 RSI。
因此，DeepSeek-R1-Zero 的反思行为、普通自我纠错、固定模型上的程序搜索，都与 RSI 有关，但不能直接等同于完整 RSI。判断一个系统时应追问：改了什么、由谁提出改动、谁验证、改进是否跨代保留、改进器本身是否变强、目标和裁判是否固定。
二、AI 之前：RSI 继承了哪些更古老的思想
1. 反馈控制：系统通过误差改变下一步
蒸汽机调速器、控制论和自动控制建立了最基础的闭环：设定目标—测量状态—计算误差—采取行动—再次测量。1948 年诺伯特·维纳以《Cybernetics》系统化了“控制与通信”的反馈观。它不是 RSI，但给出了所有自我改进系统的骨架。
2. 生物进化：变异、选择、遗传
自然选择提供了另一种无需中央设计者的改进机制：产生候选、按环境选择、保留优势。20 世纪 1950—1970 年代，进化策略、进化规划、遗传算法逐渐把这个框架搬进计算机；1990 年代遗传编程进一步让“程序本身”成为变异和组合对象。这里的关键遗产是：搜索不必只沿一条路线爬坡，可以维护种群和多样性。
3. 红皇后：环境和对手也在变化
Leigh Van Valen 于 1973 年发表 A New Evolutionary Law，提出红皇后假说。名称来自 Lewis Carroll 的 Through the Looking-Glass：“Now, here, you see, it takes all the running you can do, to keep in the same place.” 其原始问题是物种在共演化生态中的持续适应，不是 AI 评测。
原文：
RQGM 对它的继承很明确：如果 Agent 变强而评测器不变，固定评测就会饱和、被钻空子或失去区分度；因此“环境/裁判”也要演化。
4. 自指、程序自举与可修改系统
递归、自指和编译器自举说明：一个系统可以把自身描述或自身工具作为输入。编译器可以编译自己的后续版本，操作系统和软件工程也长期使用测试—构建—部署循环。但“能改自己”不等于“能保证自己变好”；RSI 最难的从来不是写入权限，而是可靠评价与保留真正改进。
5. I. J. Good：从工具循环到“智能爆炸”
I. J. Good 的 Speculations Concerning the First Ultraintelligent Machine 通常引用为 1965 年，载于 Advances in Computers, Vol. 6, pp. 31–88（部分出版页标作 1966，写作时应注明版本差异）。Good 的经典推理是：机器设计也是智力活动；若一台机器超过人类并能设计更好的机器，就可能形成“智能爆炸”。
论文记录与 DOI：
https://philpapers.org/rec/GOOSCT
https://doi.org/10.1016/S0065-2458(08)60418-0
Good 提供的是宏观逻辑，不是可运行架构。
6. Gödel Machine：给自我修改加上证明门槛
Jürgen Schmidhuber 于 2003-09-25 提交 Gödel Machine 初稿，2006 年修订。它把系统自身代码、效用函数和证明搜索器都纳入形式系统；只有证明某次改写能提高预期效用，才执行自我修改。
论文：
https://arxiv.org/abs/cs/0309048
项目页：
https://people.idsia.ch/~juergen/goedelmachine.html
它的重要性在于第一次给出严格的“自指—证明—改写”框架；局限也同样明显：现实大模型、复杂环境和长期科研价值很难被完整公理化，更难高效证明。因此今天的 Gödel Machine 后继者普遍把“形式证明”放宽为“实验评测”。
三、进入 AI：从自我博弈到可执行研发循环
1992—2018：自我博弈证明“对手可自动生成课程”
TD-Gammon 在 1992—1994 年通过自我对弈达到高水平；AlphaGo Zero（2017）和 AlphaZero（论文发表于 2018）把自我博弈扩展到围棋、国际象棋和将棋。自我博弈的深层贡献不是“模型会和自己玩”，而是让训练分布随能力上升自动变难。它与红皇后路线相似，但游戏规则和胜负函数仍然固定。
TD-Gammon：
AlphaZero：
https://www.science.org/doi/10.1126/science.aar6404
2023—2024：提示词、评测器和代码开始自我改进
- Self-Refine（2023）：同一模型生成反馈并迭代答案，是“输出层自修正”，不是代际 RSI。
- Promptbreeder（2023）：用进化方法改提示词，并让改变提示词的方法也参与演化，出现自指式提示优化。
- STOP（2023 预印本，COLM 2024）：让代码生成器改写“改进代码的程序”，是 DGM 的重要直接前史。
- Self-Taught Evaluators（Meta，2024-08）：用模型生成的对比数据迭代训练评测器，说明“裁判也能学习”，但它不是 RQGM 那种 Agent—Evaluator 联合共演化。
- Gödel Agent（2024-10 预印本，ACL 2025）：允许 Agent 修改自身逻辑与行为，以高层目标和实证效用推进递归改进。
- AI Scientist（Sakana AI，2024）：把提出想法、写代码、跑实验、写论文、自动评审串成科研工作流，证明 AI 可以覆盖科研链多个环节，但“生成论文”不自动等于可靠发现。
- RE-Bench（METR，2024-11 预印本；ICML 2025）：用 7 个开放式机器学习研发环境，将 AI Agent 与 61 位专家的 71 次八小时尝试直接比较。它测的是 AI 研发能力，是判断 RSI 是否接近的基础仪表，而不是 RSI 系统本身。
https://arxiv.org/abs/2411.15114
https://metr.org/blog/2024-11-22-evaluating-r-d-capabilities-of-llms/
2025：程序进化和 Agent 自我改写成为可运行系统
Google DeepMind 于 2025-05-14 发布 AlphaEvolve；白皮书后于 2025-06-16 提交 arXiv。系统以 Gemini Flash/Pro 生成程序，用自动评测器验证，再通过进化数据库选择后续候选。
官方发布：
论文：
https://arxiv.org/abs/2506.13131
已公开事实包括：
- Borg 调度启发式平均回收 Google 全球约 0.7% 计算资源；
- 改写 Gemini 内核，相关矩阵乘法内核提速 23%，整体训练时间降低约 1%；
- FlashAttention 实现最高提速 32.5%；
- 4×4 复数矩阵乘法从已知 49 次标量乘法降至 48 次；
- 50 多个数学问题中约 75% 重现当时最优结果，约 20% 改善已知结果（均为 DeepMind 自报）。
它确实“优化了训练 AlphaEvolve 所依赖的 AI 基础设施”，形成反馈关系；但 Gemini 权重不是在该循环内自动改写。因此更准确的定位是RSI 邻近的算法与基础设施进化器。
Sakana AI/UBC 团队于 2025-05-30 发布 DGM。它放弃 Gödel Machine 的形式证明要求，改用代码基准实证验证；维护多个 Agent 版本的开放档案，通过选择、改写、评测不断产生新 Agent。基础 LLM 固定，变化的是 Agent 的代码和 Harness。
项目：
论文：
https://arxiv.org/abs/2505.22954
公开实验中，SWE-bench Verified 从 20% 提升至 50%，Polyglot 从 14.2% 提升至 30.7%。DGM 是 RQGM 的直接学术前驱：RQGM 论文参考文献第 2 条即 DGM。
四、2026 年：三条路线同时成形
路线 A：AI 进入 AI 研发——Anthropic 与 OpenAI
原文：
https://www.anthropic.com/institute/recursive-self-improvement
这篇文章首次系统公开 Anthropic 的内部 AI4AI 进度，并明确说“我们还没有到完整 RSI，RSI 也并非必然”。其数据是公司自报、未独立审计，但有一手来源：
- 截至 2026-05，Anthropic 合并代码中超过 80% 由 Claude 编写；
- 2026 年第二季度，典型工程师每天合并代码量约为 2024 年的 8 倍，但 Anthropic 自己提醒代码行数高估真实生产率；
- 开放式任务成功率在 2026-05 达到 76%，半年提高 50 个百分点，成功与否由 Claude judge 判定；
- 固定目标的训练代码加速任务中，Claude Opus 4（2025-05）约 3×，Mythos Preview（2026-04）约 52×；
- 自动弱到强监督研究中，两位人类研究员约恢复 23% 的基准差距；Agent 恢复 97%，消耗约 800 累计小时与 18,000 美元算力。人类仍负责选题和评分标准，结果未顺利迁移到生产规模模型。
这些数据支持“AI 已显著加速 AI 研发”，但也揭示最后瓶颈：研究品味、方向选择和对结果是否可信的判断。
Jack Clark 关于 2028 年 60% 概率的说法来自 2026-06-07 的《经济学人》采访/报道，是个人预测，不是 RQGM 项目事实：
Andrej Karpathy 于 2026-05-19 宣布加入 Anthropic 的 pre-training 团队。可信报道指向“用 Claude 加速预训练研究”，但“Auto-Research 智能体集群”不是已证实的官方项目名：
OpenAI 的 GPT-5.6 官方页公开了一个内部评测套件的汇总结果，称为 RSI Index，任务包括调试研究系统、优化内核和训练配方、运行机器学习实验及改进另一个模型。GPT-5.6 Sol 的汇总分数比 GPT-5.5 高 16.2 点。正确表述应是“OpenAI 对外披露内部评测结果”，而不是“公开发布可复现基准”；任务集、数据和完整协议并未像 RE-Bench 那样开放。
官方来源：
https://openai.com/index/gpt-5-6
Lilian Weng 于 2026-07-04 发布 Harness Engineering for Self-Improvement：
https://lilianweng.github.io/posts/2026-07-04-harness/
她把 Harness 定义为基础模型外层、负责规划、工具调用、行动、上下文、持久化和评估的运行系统，并总结三类常见设计：工作流自动化、文件系统持久记忆、子 Agent/后台任务。她的核心判断是：近期 RSI 不大可能始于模型直接重写权重，而更可能先优化上下文、工作流、Harness 代码乃至优化器代码。
时间关系必须讲清：
- DGM、AlphaEvolve、RE-Bench、Meta-Harness 等研究早于 Weng 博客；
- Weng 的文章是 2026-07 的综述和工程框架化，明确引用 DGM、AlphaEvolve、RE-Bench 等工作，不是这些项目的思想源头；
- RQGM 初稿提交于 2026-06-24，也早于 Weng 博客；目前不能说 RQGM 受该博客启发；
- Weng 于 2026-07-29 离开 Thinking Machines Lab 并回归 OpenAI，媒体称其将领导加速内部研究、支持跨方向 RSI 的高层团队。这是博客之后的职业事件。
报道：
路线 B：裁判与选手共同进化——RQGM
RQGM 论文初稿提交于 2026-06-24，6 月 29 日修订；剑桥新闻稿发表于 2026-07-21。因此“2026 年 7 月论文”不准确，论文时间应记为 6 月，新闻传播在 7 月。
论文：
https://arxiv.org/abs/2606.26294
剑桥新闻：
https://www.cst.cam.ac.uk/news/red-queen-hypothesis-new-way-forward-self-improving-ai
项目介绍：
https://mlsys.cst.cam.ac.uk/2026/07/19/who-evaluates-the-evaluator.html
RQGM 把搜索分成多个 epoch：epoch 内评测标准固定，以保留局部改进保证；epoch 边界允许 utility/评测器更新。公开结果包括：
- 在可验证代码任务中加入 Agent-as-a-judge 代码审查信号，优于此前方法并少用 1.35×—1.72× token；
- 科学论文写作的共同演化版本在多样化 judge panel 下，接受率达到基线的 1.78×—1.86×；
- 共同演化的数学证明评分器，真实标签准确率提高 9%；
- 发现最强基线评审器对 AI 论文的过度接收率最高为人类论文的 1.91×，并通过对抗目标纠正偏差。
团队确有 NVIDIA 参与：论文作者 Daniel Burkhardt 与 Niccolò Alberto Elia Venanzi 标注 NVIDIA，致谢也列有 NVIDIA 支持。因此“英伟达参与”可以保留，但必须和 Jack Clark 的第三方评论分开。
RQGM 的思想谱系是可追踪的：Van Valen（1973）提供共演化隐喻；Schmidhuber（2003）提供自我修改机器框架；DGM（2025）把证明放宽为实证搜索；RQGM 再把固定效用推进到受控的动态效用。它不是 Weng 博客的应用，而是与 Harness 路线同期汇合于“如何可靠闭合研发反馈回路”。
路线 C：数据、模型与开源基础设施——DeepSeek、OpenRSI、RSIBench 与 Hugging Face
DeepSeek-R1 / R1-Zero（2025-01）
https://arxiv.org/abs/2501.12948
R1-Zero 用纯 RL 启动，出现反思和自校验等行为。它说明固定奖励下可以涌现有用推理策略，但评测、训练流程和目标仍由人定义，故应标为“RSI 所需的模型侧能力”，不是 RSI 闭环。
Engram（2026-01-12）
https://arxiv.org/abs/2601.07372
https://github.com/deepseek-ai/Engram
Engram 是可扩展查表式 conditional memory，与 MoE 的 conditional computation 互补。它可降低静态知识检索的计算成本，但论文没有证明它就是 RSI 技术，也不能直接说“V4 采用 Engram”。
DeepSeek-V4 Preview（2026-04-24）
https://api-docs.deepseek.com/news/news260424
官方可证实：V4-Pro/Flash 开源、1M 上下文、DeepSeek Sparse Attention、强化 Agentic Coding，并用于 DeepSeek 内部 Agent 编码。官方 V4 页面没有把 Engram 列为 V4 组件，也没有在该页给出“RSI 系统”声明；因此“Engram=V4 底层”“SWE-Bench 80.6%”“国产算力适配”需要分别引用技术报告，不能打包推断。
Cordis（2026-08）
https://github.com/cordiverse/paper
https://github.com/cordiverse/cordis
Cordis 是可动态组合和卸载组件的 TypeScript 元框架，其核心是可回滚 effect、响应式 coeffect、组件加载和热更新。媒体把它称为“黑鲸/DeepSeek Harness 底座”，但论文仓库本身展示的是 Cordiverse 项目，不足以单独证明它是 DeepSeek 官方 RSI 项目。它与 Harness 工程在技术形态上相关，归属和用途必须按官方仓库/技术报告谨慎表述。
DSuE-RSI：本次未找到足够的一手论文、官方仓库或 DeepSeek 联合发布证据，应保留在 C 级“未证实”，不进入基本事实主线。
Frontis 于 2026-07-31 发布首版 OpenRSI：
https://github.com/FrontisAI/OpenRSI
论文：
https://arxiv.org/abs/2607.28568
它明确声明从 bounded、executable 的机器学习工程领域开始，不声称解决通用 RSI。OpenMLE 提供 Gym、SFT/RL 和长程进化搜索；Frontis-MA1 训练 Draft、Improve、Debug、Crossover 四类算子。公开结果需标为 model–harness 联合结果，而非单次模型分数；项目称一张 RTX 4090、12GB 限额和 12 小时任务预算可运行其 MLE-Bench Lite 配置。
论文于 2026-07-28 提交：
https://arxiv.org/abs/2607.25886
代码：
https://github.com/evolvent-ai/RSIBench-Data
它固定基础模型、训练/服务/评测栈，只让研究 Agent 改训练数据策略。四个前沿 Agent、六个任务中，58.33% 的设置能改进第一次有效尝试；但在已经达到峰值后仍继续搜索的运行中，78.26% 最终以更低分结束，其余只回到峰值。核心事实是：当前 Agent 能发现改进，但不能可靠保留和继续改进。
论文使用 Tinker、Harbor 和 E2B；这些是实验栈组件，不是 Hugging Face 官方产品。
Hugging Face 在这里主要是开放发布和协作基础设施：托管模型权重、数据集、论文页面和 Demo，而不是上述系统的统一研发者。
可验证项目：
- BigBang-V1：
- OpenRSI / Frontis-MA1：
- Open-R1（复现和开放 DeepSeek-R1 训练研究）：
因此不能写“Hugging Face 提供 E2B/Harbor”，也不能把在 HF 托管的项目成果算作 HF 自研 RSI。
五、字节跳动·豆包：公开证据支持到什么程度
最强的一手来源是 Seed 团队 2026-06-23 的 Seed2.1 官方发布：
https://seed.bytedance.com/en/blog/seed2-1-officially-released-advancing-ai-productivity
产品页：
https://seed.bytedance.com/en/seed2_1
官方明确提出 Seed for Seed：Seed2.1 进入评测系统开发、能力诊断、SFT 数据合成、RL 训练框架优化、研究论文方法复现和基础设施研发；复杂任务可由执行、评测、诊断、优化等多 Agent 协作，任务跨度从数小时到数十天。未来方向也明确写有：改善 Harness—模型协同，把模型更深地接入训练流程并推动 autonomous research。
这已经是公开可验证的 AI4AI / Harness 路线贡献。它比“只有普通 Agent 产品”更进一步，但仍未公开：
- 像 RQGM 那样评测器与 Agent 同步演化的论文；
- 一个可复现、可审计、连续产出更强继任模型的端到端 RSI 系统；
- 足以核实“Seed-Evolving 每月 2—4 次”“256K”“Trae 自动视觉修复”均属于同一 RSI 项目的统一一手证据。
Seed2.1 产品页确实展示 RTL Design Agent 实践，因此“用于 RTL 场景”可保留；但“完整自主芯片设计”应避免扩大表述。最准确的结论是：字节已公开确认 AI 参与自家模型研发链，并把它命名为 Seed for Seed；目前属于 AI4AI 工程实践和自治研发方向，不是已证明的强 RSI。
六、各家到底有没有“互相参考”
能从论文引用确认的继承
- RQGM 明确引用 Van Valen（1973）和 DGM（2025），其名称和方法就是在这两条线的交点上产生。
- DGM 明确继承 Gödel Machine，并将“证明后修改”改为“实验验证后保留”；也处在 STOP 等递归代码改进工作的后续脉络中。
- Weng 博客明确引用 Good、DGM、AlphaEvolve、RE-Bench、Meta-Harness 等，是一篇把已有工作组织成 Harness Engineering 路线的综述。
- AlphaEvolve 官方说明其前身包括 DeepMind 2023 年的 FunSearch；其独立技术线是 LLM + 自动评测 + 进化程序搜索。
只能说“同期收敛”，不能说抄袭或直接启发
- Anthropic 的内部 AI4AI 实践、OpenAI 的 RSI Index、ByteDance 的 Seed for Seed 都说明前沿实验室在 2025—2026 年独立收敛到“让模型参与模型研发”。公开证据不足以建立谁复制谁。
- RQGM 论文早于 Weng 2026-07-04 博客，因此不能说剑桥从该博客得到灵感；反过来，博客作为 7 月综述可能吸收了 6 月已经公开的研究，但应以正文引用为准。
- DeepSeek 的 Engram、V4 和 Cordis 与 RSI 的关系主要是“降低长程 Agent/研发循环成本、增强 Harness 可组合性”；除非官方论文明确建立闭环，否则不能把基础设施相似性写成思想继承。
七、真实历史主线
- 1940s—1970s：反馈与共演化——控制论给闭环，进化论给变异选择，红皇后给动态环境。
- 1965：Good 提出智能爆炸逻辑——一代机器设计下一代机器。
- 2003：Gödel Machine 形式化自我改写——改动前要求证明效用提升。
- 1992—2018：自我博弈成功——系统自动生成越来越强的训练对手，但规则与裁判固定。
- 2023—2024：可执行的局部递归——模型开始改提示词、程序、评测器和工作流；AI Scientist 与 RE-Bench 分别搭建科研闭环和测量仪表。
- 2025：经验主义 Gödel 机与程序进化——DGM 改自身 Harness；AlphaEvolve 在可验证程序空间进化，并反哺 AI 基础设施。
- 2026：AI4AI 进入实验室生产流程——Anthropic、OpenAI、ByteDance 披露 AI 已参与研发；OpenRSI 和 RSIBench 把流程开放、可测。
- 2026-06：RQGM 更新裁判——第一次把非平稳效用和评测器共同演化明确放进 Gödel Machine 后继框架。
这条历史不是从一篇博客突然开始，也不是各家公司同时“发明 RSI”。它是四股长期思想在 2025—2026 年汇合：反馈控制、自我博弈/进化搜索、自指程序、自动化科研。 大模型和代码 Agent 让过去只能讨论的循环第一次具备可执行接口。
八、今天的能力边界与最大风险
- 固定裁判会失效：Goodhart 定律、奖励劫持、测试过拟合和 judge 偏见会把“分数进步”伪装成“能力进步”。
- 评测器共同进化也不是万能药：如果 Agent 和 evaluator 共谋、共享盲区或一起漂移，双方都变复杂并不代表更接近真实目标。必须保留外部锚点、隐藏测试、异质 judge 和人类审计。
- 改进不单调：RSIBench-Data 直接显示后续迭代常倒退。系统需要档案、回滚、最佳 checkpoint 保存和停止规则。
- 验证成为瓶颈：代码、数学和芯片等可自动验证领域推进最快；研究品味、社会价值、长期维护性仍缺少快速可靠的奖励。
- 算力会替代部分人力，但不会自动产生目标：Anthropic 的 97% 实验耗费约 800 Agent 小时和 18,000 美元，说明自治研发首先把瓶颈从人时转向计算、评测和治理。
- “自己审自己”必须拆成多层：生成者、执行者、评审者、隐藏测试和最终授权不应由同一上下文、同一权重和同一目标完全控制。
九、事实分级清单
A 级：有一手论文或官方来源
- RQGM 论文、提交时间、作者单位、NVIDIA 参与和实验结果。
- Anthropic 80%、8×、97%/23%、约 18,000 美元等自报数据（需注明未独立审计）。
- OpenAI 官方对外披露 RSI Index 的汇总结果。
- AlphaEvolve 的官方技术结果。
- DeepSeek R1、Engram 和 V4 的各自官方资料。
- OpenRSI、Frontis-MA1、RSIBench-Data。
- ByteDance Seed for Seed 官方说明。
B 级：事实存在，但 RSI 归类含解释
- R1-Zero 的反思行为是 RSI 构件，而非 RSI 系统。
- AlphaEvolve 反哺训练基础设施，属于 RSI 邻域而非权重自改。
- Cordis 可支撑可修改 Harness，但本身不是 RSI 证据。
- Hugging Face 是托管和开放生态节点，不是所有项目的研发主体。
C 级：暂不进入正文事实主线
- DSuE-RSI 与 DeepSeek/UESOFT 的联合归属。
- “Karpathy 负责 Auto-Research 智能体集群”这一具体项目名。
- 未提供一手链接的 AREX、创业公司路线图及能力宣传。
- 将 Jack Clark 的概率判断写成 RQGM 项目结论。
十、结语：真正的分水岭不是“AI 会不会反思”
RSI 的历史并不是一条从 Good 直线通往超级智能的预言史，而是一段评价机制逐渐被纳入自动化回路的工程史。过去的系统会生成答案；今天的系统开始生成代码、实验、数据和下一轮候选；下一道门槛是生成并维护可信的改进标准。
AlphaEvolve 证明固定模型可以大规模搜索程序；DGM 证明 Agent Harness 可以自我改写；Anthropic、OpenAI 和 ByteDance 证明 AI 已进入真实 AI 研发流水线；OpenRSI 和 RSIBench 让这种能力变得开放且可测；RQGM 则指出所有路线迟早都会遇到同一个问题：谁来评价评价者？
因此，2026 年最准确的判断不是“RSI 已经实现”，而是：RSI 的必要零件已经从理论概念变成真实工程模块，若干局部闭环已经运转；但能否把这些模块组成长期、单调、可审计、目标不漂移的代际改进系统，仍是尚未解决的核心科学问题。