2026 年 RSI（递归自改进）确实成了爆点话题——从学术会议到 Nature 级政策论文都在讨论。给你梳理一份全景。
一、2026 年核心 RSI 论文
| 论文 | 团队 | 一句话定位 |
|---|---|---|
| RSI-Forge: from Research Papers to Environments for RSI | Scale AI + UNC（姚华修组） | 把论文变成 RSI 训练环境 |
| VideoHarness-RSI | 腾讯 | 冻结模型权重，递归改进 harness |
| From AI Assistant to AI Scientist (POISE) | 复旦 | Agent 自主发现 RL 算法 |
| Autonomous AI Agents and RSI: A Comprehensive Survey | Cluster Computing | 249 篇文献系统综述 |
| Recursive Self-Improving LLM Agents with Meta-Cognitive Feedback Loops | SRMIST | Executor-Critic-Planner 元认知回路 |
| Your Agent May Misevolve（ICLR 2026） | — | 自进化 Agent 的涌现风险 |
| What if Automating AI R&D Triggers an Intelligence Explosion? | Hinton/Bengio 等 20+ 人 | 政策警告书（上次聊过） |
相关生态位论文：ReasoningBank（经验记忆自进化，ICLR 2026）、CoEvoSkills（技能共进化，COLM 2026）、MiMo-V2.6（规模化 RL 走向 self-improvement，小米）。
二、核心思想观点
① RSI 的分层世界观（当前共识）：自改进不是一个开关，而是一个谱系——
提示层自改进（prompt/harness 优化） → 经验层自进化（记忆、技能沉淀：ReasoningBank/CoEvoSkills） → 算法层自发现（自动改训练算法：POISE） → 权重层递归训练（模型自我训练自己：尚未真正闭环） → 全自动化 AI R&D（智能爆炸假设：仍在前夜）② VideoHarness-RSI 的关键发现：冻结 VLM 权重，仅递归搜索"可执行的上下文构造程序"，就能持续超越手工基线，且可迁移到未见过的基准——证明"harness 即优化层"，改进不必动权重。
③ RSI-Forge 的瓶颈诊断：RSI 的地基是环境（问题+可靠反馈），但环境构建依赖领域专家，规模受限。它用三 Agent 流水线（构建/复现/评审）把论文变成 210 个可执行环境（18 个领域，90 个经人类专家评审）——本质是在给 RSI “造操场”。专家评价：改进潜力和评估区分度好，但捷径抵抗性和对原论文的忠实度存疑。
④ POISE 的突破：从 GRPO 出发，评估 64 个候选算法变体，自主发现了"解析方差缩放"和"有效性掩码"等机制，AIME25 pass@32 提升 4.6+——Agent 首次在算法机制层面做出人类研究者级别的发现。
⑤ 安全侧的三大悖论（综述结论）：
- RSI-安全悖论：自改进性能越强的系统，安全水平越低（能力提升跑在安全前面）
- 可扩展性-协调困境：多智能体收益随规模退化
- 宪法完备性问题：不可能穷尽地规定价值
⑥ 访谈数据（上次提过的 25 人研究）：20/25 前沿研究者认为自动化 AI 研发是最紧迫风险，但学界派对爆炸情景更怀疑。
三、当前周期阶段判断
我的判断：技术导入期后半段，正在向爆发期过渡，但离"真·RSI"还有一堵墙。
| 维度 | 现状 | 成熟度 |
|---|---|---|
| harness 层自改进 | ✅ 已验证可迁移（VideoHarness-RSI） | 早商用 |
| 经验/技能自进化 | ✅ ICLR/COLM 2026 密集发表 | 研究验证期 |
| 算法自发现 | 🟡 单点突破（POISE：数学推理域） | 概念验证 |
| 权重层递归训练 | 🔴 未闭环——模型还不能可靠地训练出更强的自己 | 实验室 |
| 全自动 AI R&D | 🔴 假设阶段，政策界已提前预警 | 叙事期 |
类比：现在的 RSI 大约相当于 2015 年的深度学习——核心论证成立、demo 惊艳、基础设施（RSI-Forge 造环境 = 当年的 ImageNet）刚起步，但"规模化后是否涌现质变"仍未验证。最关键的未解问题：自改进的增益是收敛的（环境信息有限，挖完就没了）还是发散的（正反馈引爆）——这决定了整个领域的天花板。
四、商业化前景
近期可变现（1-2 年）：
- RL 环境生意：RSI-Forge 出自 Scale AI 绝非偶然——环境/数据合成是数据公司的自然延伸，"环境即服务"是明确的商业模式
- 自动化数据科学：Nature 生物医学工程的自进化多智能体数据分析 已上正刊，生物医药数据分析是付费意愿最强的垂直场景
- 企业级 AI Scientist：Adapting the AI Scientist for Enterprise 探索了 Text-to-SQL 研究问题的企业落地路径
中期（2-4 年）：
- 自改进编码 Agent（Claude Code/Cursor 们的下一站：从"写代码"到"改自己的工作流"）
- 大厂内部的"自动化 R&D 流水线"（MiMo-V2.6 已把 groupwise agentic grading 等机制用于工业级训练——先内部提效，不对外）
结构性风险：
- 安全悖论直接限制商用：自进化系统的审计、回滚、misevolve 防护（ICLR 2026 已有专文）会成为监管抓手
- Hinton/Bengio 联名论文的政策主张（可见性、约束机制）若落地，"闭门自改进"会面临合规成本
- 若增益收敛论成立，RSI 会退化为"高级超参数优化"——商业故事讲不大
一句话总结：2026 年的 RSI 处在"地基浇筑期"——环境合成、经验记忆、算法自发现三块基础设施同时在铺，安全研究同步跟上；商业化最现实的路径是垂直域（数据科学、编码）+ 卖铲子（环境/评测），而"智能爆炸"本身还停留在叙事层。
想深挖哪一块？比如 POISE 的算法发现细节、RSI-Forge 的环境构建流水线，或者安全侧的 misevolve 风险分析。
