中国团队发布 RSI 五级框架：拆解「人类造的最后一个 AI」路线图

2026-09-15 12:34 9 阅读

RSI 不再是哲学猜想，而是一张可分级的工程路线图

最近，一篇来自中国研究团队的报告在海外 AI 圈引发热议。标题直指一个老问题：「人类造的最后一个 AI」还有多远？但这次，答案不再是模糊的预言，而是一套从 L1 到 L5 的递归式自我改进（Recursive Self-Improvement, RSI）框架。

这份由 Theseus Labs 牵头、联合清华大学、字节跳动、面壁智能、小红书超级智能团队等多家机构发布的报告《The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement》，没有堆砌宏大叙事，而是扎进 OpenAI、Anthropic、Google DeepMind、Meta、腾讯混元、字节 Seed 等 72 家团队的公开材料里，一条条比对、一家家拆解，最终提炼出可度量、可工程化的路径。

报告的核心观点很直接：RSI 的关键不在于模型能不能在某个任务上刷高分，而在于它能否在有限资源下，让每一次改进都成为下一次更高效改进的基础。

用 HCI 量出 AI 的「能力余量」

要讨论 RSI 的潜力，先得知道模型现在到底缺什么。Theseus Labs 提出了一个新指标：能力余量闭合指数（Headroom-Closed Index, HCI）。

HCI 的计算逻辑很简单：以某项评测首次纳入数据集那一年模型得分的第 90 百分位为基准（比如 60 分），满分设为 100 分，那么当前得分 80 分对应的 HCI 就是 50——意味着原有提升空间已被填补一半。

他们汇总了 2023 至 2026 年间 10 大能力领域的 393 组观测数据，结果呈现出强烈反差：

前沿数学 HCI 达 86.4
研究生级科学为 85.8
广博知识 77.2

但另一边：

法律推理仅 64.5
多模态推理 62.2
前沿学术广度 60.4

更值得注意的是交互类任务：软件工程 HCI 仅为 52.6，搜索与终端 Agent 为 56.8，而工具调用 Agent 更是低至 39.9。相比之下，网络安全 Agent 已达 91.9。

这说明，模型在标准化、边界清晰的测试中已接近天花板，但在需要长程交互、状态维护和真实环境反馈的任务中，才刚刚起步。而这些恰恰是 RSI 最能发挥杠杆作用的领域。

文章配图

五级自主权：从执行到递归继承

基于 HCI 揭示的能力缺口，Theseus Labs 提出了 RSI 五级框架，按 AI 在「改进循环」中承担的责任划分：

L1 执行自主：人类设计任务、环境和更新策略；智能体只负责执行和更新。
L2 策略自主：人类设计任务和环境；智能体自己设计更新策略并持久化。
L3 经验获取自主：人类只设计环境；智能体自主规划经验获取、执行、设计策略并更新。
L4 环境适应自主：人类设定边界；智能体与环境交互，将失败转化为更新信号。
L5 递归继承自主：人类仅设定边界；智能体不仅能改进自身能力，还能改进「改进系统」本身，并将有效方法传给下一代。

目前，主流大厂集中在 L1–L2。例如 OpenAI Symphony 和 Anthropic Agent Skills 主要优化任务衔接与技能复用；GPT-Red 的自博弈、Claude 的工具优化则开始将策略改进自动化。

向 L3 迈进的代表是腾讯 R-Zero，它能自主出题并求解，减少对人工准备学习任务的依赖。L4 的探索包括 Factory Signals 和 OpenAI 的自改进税务智能体，它们试图缩短「发现问题—修复—验证」的闭环。

至于 L5，Meta HyperAgents、Sakana Darwin Gödel Machine 等尚属候选，Anthropic 的《When AI Builds Itself》更多是愿景。关键问题在于：改进机制本身是否能在同等预算和独立评估下产生更强后代？

RSI 的真正红利在「干活」最弱的环节

报告指出一个反直觉的事实：模型当前最不擅长的领域，恰恰是 RSI 能带来最大增量的地方。

Theseus Labs 给出了一个示意性公式：R = 100 - 0.22 × (100 - 2026 年 HCI)。假设 RSI 能以当前效率（系数 0.22）填补能力缺口，那么：

软件工程可从 52.6 跃升至 89.6
工具 Agent 从 39.9 拉高到 86.8
搜索与终端从 56.8 提升至 90.5

为什么？因为「干活」需要长程交互、反复试错、回归测试——这正是 RSI 在积累经验、验证更新上的强项。简单测评只能锻炼 L1–L2 能力，而只有真实工作流才能暴露 L3–L4 所需的验证、记忆与适应能力。

因此，务实的切入点不是追求通用智能，而是聚焦部署薄弱环节：让 Agent 在软件工程、工具调用等场景中反复生成经验、做回归测试、沉淀有效策略。

工业界已有初步信号

报告梳理了多个团队的实践案例，证明 RSI 正从理论走向落地：

Humanlaya：经过四轮反馈驱动更新，关键缺陷率从 9.0% 降至 3.7%，平均人工处理时间从 48 分钟降至 27 分钟。
面壁智能（ModelBest）：Agent 自主完成工程设计、实现和优化，ForgeStencil 实现 1.15–1.9× 加速。
腾讯混元：将代码、日志和评估反馈沉淀为经验，驱动下一轮实验；nanochat 验证 BPB 从 0.9109 降至 0.9015。
小红书生成式推荐：利用推荐后的真实反馈校正用户记忆，并将高价值难例转为后训练样本；Feed 精排分 score_mean@16 从 2.211 提升至 2.366（+7.0%）。

这些数字背后是共同逻辑：形成「经验沉淀—模型迭代—效果验证」的闭环。不同领域的进展速度也取决于三个因素：反馈成本、可验证性、部署约束。软件工程因反馈快、验证易，走在最前；科学发现、医疗、具身智能则因验证难或风险高，进展较慢。