与田渊栋聊 RSI：模型自进化如何到来？

2026年6月，一家成立4个月的公司官宣A轮融资6.5亿美元，估值46.5亿美元。公司叫Recursive SuperIntelligence，缩写RSI，和硅谷今春最热的那个词撞名：recursive self improvement，递归自进化。联创之一是田渊栋。

去年5月他做客晚点聊，聊的是自己的科幻小说《破晓之中》。一年后再坐下来，小说里的设想已经开始有了工程版本。他在节目里说，去年8月用GPT-5写完一篇论文，突然意识到模型已经强到可以不用招实习生。推演下去，五年后自己可能被取代。既然这样，不如自己开公司做这件事。

这期节目聊了RSI为什么在今年复兴，和十年前的AutoML差在哪，Anthropic那篇《When AI builds itself》走到了哪一步，以及一个流行推演：率先达到RSI的公司会不会把别人越甩越远。田渊栋给了另一个答案，取决于你相信智能提升是平滑曲线，还是台阶式的跳跃。

为什么是今年春天 05:53

RSI这个概念不新。十年前Google做AutoML，用AI搜索神经网络架构，思路一脉相承。田渊栋自己就发过architecture search和AI guided optimization的论文。但那一波没有真正转起来。

今年春天变了。田渊栋给的原因很具体：coding agent变强了，模型本身的能力也到了某个位置。

模型能力提升到一定程度之后，你可以用模型来充当研究员。

模型当研究员，先找到当前模型的弱点，再做优化。优化完的模型更强，下一轮再找弱点。这个闭环一旦转起来，就是递归。

去年5月两人聊过AI会不会取代顶尖AI研究员。田渊栋当时的判断是短期很难，因为AI研究员能从少量数据里抓到精准而细节的联系，大模型要靠大量数据做统计。他现在仍然认为大模型替代不了顶尖研究员。变化在于，模型已经足够能干一些研究工作了。

够用和顶尖之间有一大段距离，而RSI要的恰恰是这段距离里的东西。

和GPT-5合写论文之后，他决定开公司 07:15

契机出现在去年8月。田渊栋用GPT-5合作写了一篇关于grokking的论文。做完之后他意识到一件事：模型的能力已经强到让他觉得可以不用招实习生。

想法和思路通过对话给到模型，模型找新方向、证新定理，他这边写代码、做实验。后来写代码也可以交给AI。整个loop开始有转起来的迹象。

他的推演很直接：也许五年之后我就被取代了，这个时间可能已经快到了。

与其自己被取代，不如我就开公司。

这种感受有个门槛，得亲手把模型当合作者用一遍才能体会到。田渊栋观察到一个gap：资深研究员习惯想high level的方向，不太碰细节；刚毕业的学生把模型当执行工具，不做难问题。两边都没把模型放到合作者的位置上。

他自己也有过转变。2023年的年终总结写怎么带团队，2024年就改成要更hands on。大模型阶段，不亲手碰，就不知道模型内部发生了什么，指挥方向会偏，偏了还很难拿到反馈。

传统的研究loop是导师指方向，学生做实验，几天一个来回，一个项目几周几个月。AI把验证一次循环的时间压到几分钟到几小时。出去喝杯茶，开个会，结果已经在了。田渊栋说，以前是以天为周期，现在以分钟为周期，研究者的判断频率完全不一样了。

从AutoML到RSI：解空间的定义权换了人 15:26

十年前那一波，田渊栋参与过。问题在于没有模型能建模人类的高层知识。研究员要定义搜索空间的大小、行为，AI在这个空间里搜一个更好的解。人深度参与每个细节，AI本身比较笨。

现在不一样的地方是，模型对AI本身、对架构本身有理解。这个理解可以部分代替人去定义问题。解空间变得更大，也更智能。

田渊栋把区别落在人参与多少上。以前是人定义好空间让AI搜；现在的难题是最大限度发挥AI的能力，让它自己找到解空间的结构，自己找到解法。

这带出一个概念上的区分。OpenAI说2026年9月做AI研究实习生，2028年3月实现真正自动化的AI研究员。听起来目标是把人从loop里拿掉。但递归自进化强调的是循环上升。

田渊栋认为递归会先发生，完全自动化不一定很快。人还在loop里，只是层级更高。低层级的工作AI接走了，人要做更高层的判断，脑力消耗反而更大。

他也承认，一旦循环跑起来，掌握循环的团队可能进入加速度，把别人甩开。这个推演他给了一个是但有条件的回答。

从Anthropic的进展，到强者愈强的变数 19:48

Anthropic 6月发了一篇长文《When AI builds itself》，副标题是他们在RSI方向上的进展和探索。里面有个具体案例：Claude的agent端到端独立完成一个开放式的AI安全研究，累计工作800小时，把weak-to-strong的性能差距缩小了97%。人类来做，一周缩小23%。

田渊栋看了，判断这还停在提效。做法是把representation拿出来做分析，把很多常规想法放在一起，最后分数往上提。算法本身不新鲜。

有分数才能做自我进化，因为除了分数没有别的办法衡量模型现在多强。分数通常体现为提效、提速、降延迟。他把这称为自进化的第一层。

第一层有价值，但离AI做研究还有距离。田渊栋区分了两类任务。从头写一个Linux，或者写一个C编译器，路径清楚，只是工作量大，AI可以做。难的AI research问题，人自己都不知道怎么做，AI现在也很难。

RSI比coding agent大得多。coding agent只是执行者。而且开源模型已经把coding能力扩散出去了，GLM、Kimi这些模型在日常执行任务上够用，和Opus的差距在缩小。所有人都有coding能力，不等于所有人都有RSI。

行业里新的尝试在变多。Mirendil 6月25日官宣，种子轮2亿美元，团队来自DeepMind和Anthropic。Sakura AI在东京成立了RSI team。田渊栋创业前和Anthropic的人聊过，对方问他要不要加入，后来对方自己也走了。他开玩笑说，跟我聊过的人都跑路了。

为什么出来做。OpenAI和Anthropic都是两三千人的公司，都要冲IPO，手上最紧的业务是code agent，能赚钱就先赚钱。RSI方向比较远，在大公司里很难成为第一优先级。

然后是最热的那个推演：谁先到RSI，谁就把别人越甩越远。田渊栋认为这个逻辑有前提。如果scaling law是全部，能力随算力平滑上升，那领先者确实会一直领先，初创公司没机会。

他的另一个图像是S型曲线：涨一段，遇到瓶颈进平台期，等下一个突破再涨一段。每个平台期都对应一个突破。没突破的时候，大家做得再好也只是逼近上一个效果的上界。

这个判断现在还不主流，取决于你对scaling law有多大信任。田渊栋补了一句现实约束：scaling law的横轴是指数级的，十倍算力换线性增长，而电力和算力都有上限，不可能把整个地球的电力供给一个系统做自我进化。他还说过，如果scaling law就是未来，那是一个悲哀、也很无聊的未来，因为没有新的知识突破。

First Steps：三个benchmark，一次外行打败专家 45:51

6月11日，Recursive发了第一篇技术博客，《First Steps Toward Automated AI Research》。三个成果，用同一个系统跑，不是为每个任务单独改。

第一个，NanoChat Autoresearch的5分钟训练，把BPB这个验证集指标压得比community更低。第二个，NanoGPT Speedrun，从79秒提到77秒。第三个，GPU算子优化，在英伟达2026年3月发布的SOL-ExecBench上拿到SOTA。

数字看起来不大。NanoGPT Speedrun提了2秒，外行会觉得就这。田渊栋解释，79秒是community做了两年的SOTA，已经很难再往上提。做过这个方向的人会知道，2秒是个大数字。

算子优化那一项更说明问题。第二名是一家以色列公司double ai，CEO Sasha是前Mobileye的CEO，Mobileye做过特斯拉的芯片供应，团队里都是专业做GPU的工程师。Recursive团队里没什么GPU专家，田渊栋自己也没真正做过算子优化，只做过大模型效率提升。结果他们的系统比double ai高10%。

最懂算子优化的应该是我，但我没真的做过算子优化。

这句话的意思跟个人能力关系不大。一个通用系统加上领域知识不多的人，可以打败一个专家团队。这是RSI第一级台阶的实际样子：反馈快、可验证、分数明确的任务，系统能自己迭代。

三个benchmark的共同点是反馈快。预训练找更好的想法，算子找更快的实现，都能在几分钟到几小时内验收。这也是它们被选为第一步的原因，容易拿到一个初始结果，让系统先跑起来。

小规模到大模型之间有gap。NanoChat训的是GPT-2级别，和现在的主流大模型参数差很多。田渊栋说在继续做，具体不方便展开。系统接下来会优化预训练和后训练，商业化也在想，但不想为了一两个垂直领域把系统做特殊化。

把AI当狗训练，以及一个少数派的判断 57:13

安全问题是这类公司绕不开的。田渊栋说，来问他的人里，领域外的比领域内的多，也问得更急。领域内的人反而没那么担心，因为知道这不是一天到来的事。

他的回答分两层。第一层，训练AI像训练狗，信号是人给的，进化压力下AI不会长出人的自我意识。第二层，意识和创造力不是一回事。有些天才数学家和物理学家在自己的领域极强，同时与世无争，不想要权力。能力和欲求可以分开。

可解释性是另一层保险。知道模型在什么地方起作用、用什么能力、得到什么结果，黑箱的恐惧就能消解一部分。

这里他把自己归为少数派。大部分人已经觉得大模型太复杂，没希望真正理解里面在干什么。他相信存在一个好的principle，找到它既能让模型更强，也能让模型更安全。

这种相信来自过去十几年的工作。他一直在做神经网络训练算法的分析：梯度下降给网络动力学带来什么影响，权重怎么生成，怎么学会pattern。2020年到2021年之后，他慢慢觉得也许自己在这条路线上。

同行在变少。很多人放弃了理论，加入scaling大军。他提到Mirendil的联创Behnam Neyshabur，早年也做模型理论分析，和普林斯顿的Sanjeev Arora合作过，后来去了Anthropic。田渊栋的说法是，打不过就加入，这也是一种选择。

他自己的目标是让AI变成科学。路径参照历史：炼金术变成化学，第谷的观测到开普勒的总结，再到牛顿的原理。

AI终将变成科学。

下一个牛顿可能是AI，也可能是人和AI一起。真到图灵奖可以颁给一个系统的时候，图灵奖本身也不重要了。系统会变成knowledge discovery system，隔一两个月产出新东西。

到那个状态，人类研究员的乐趣是什么。田渊栋说，第一是理解AI到底怎么工作，第二是欣赏美。他平时会翻数学证明，看别人怎么想出来的，那种豁然开朗的感觉本身是享受。AlphaEvolve把矩阵乘法减少一次乘法，他看了，觉得有意思，但那是数的层面，是高空穷举找到一个好结果，还没到道的层面，没提出新的理论链条。

从Waymo到FAIR，150人是一条线 01:08:13

田渊栋的职业路径有几个转折。最早在Google X做无人驾驶，做紧急车辆检测，样本少到连分类器都训不出来，只能手工写规则。他当时判断这个方向要么0要么100，corner case要修很久，中间状态不存在。2011年听说五年后能上路，2013年进去还是五年，现在旧金山和洛杉矶在路上跑了，也还是五年。

2013到2014年正是深度学习起来的时候。他希望在无人车内部做深度学习，但资源有限，GPU少，级别低的人拿不到。谷歌内部级别7的人有自由度，级别4的人做打杂。他当时是4级。这段经历让他后来去Meta FAIR，从工程转向研究。

FAIR前几年还是偏工程。做围棋项目，他自己搭蒙特卡洛树搜索，搭分布式强化学习系统。打开电脑全是代码，别人打开电脑全是论文，他被人评价太工程，不像研究员。2018到2019年OpenGo战胜韩国职业棋手，20比0。之后他才慢慢形成自己的研究taste。

hands on的经历给他一个能力：区分难的不同程度。只指方向不做实现的研究员，容易把难的问题、比较难的问题、非常难的问题混在一起，因为没有亲手做过，就不知道卡点在哪。接地气的研究员会告诉团队，为达到这个目的必须走一二三四五，把这些拼起来。

他举了两类研究员。LeCun是提问题、开坑的类型。自监督学习那张经典蛋糕图，把强化学习放在最上面，因为强化学习的反馈最少，他不认为那条路有前途。这个判断不一定全对，但指出了一个方向，很多人跟着走。Ilya也属于这一类，对scaling有宗教般的信仰，让大家别想太多，把工程做好，把数据放进去。田渊栋自己的很多工作属于第二类，不仅知道做什么，还知道怎么做，把机制抓出来。

大公司做AI有个结构性麻烦。田渊栋说现在这一波AI是反大厂的，大厂的incentive、职级、人和人之间的关系，跟AI需要的方向背道而驰。组织越臃肿，进展越慢。一旦出现经理和执行者的二级架构，速度就慢下来，跟导师和学生之间的信息损耗是一个道理。

他给了一个数字：150人。LaMDA、FAIR、X都是超过150人之后开始不行。30人、40人的团队，每个人认识每个人，关系简单。人再多，就得靠组织架构获取知识，再汇报给上面。OpenAI七千多人，但做模型的核心团队很小。

Recursive不打算招太多人。

读者能带走的判断有三条。

第一，RSI在今年变热，靠的是coding agent把执行这一步的成本打下来了。但RSI比coding agent大得多，难的AI research问题人自己都不知道怎么做，系统暂时还接不住。第一级台阶能提效，已经有用，别把它当成终点。

第二，强者愈强的推演成立与否，取决于智能提升是平滑曲线还是台阶。田渊栋押台阶。如果是台阶，平台期就是初创公司的窗口，突破来自新想法，而新想法现在还不是靠更强的coding就能自动长出来的。

第三，可解释性在田渊栋的框架里是加速器，不只是安全附录。找到模型运转的principle，既能变强也能变安全。他是这个判断上的少数派，但他做了十几年相关研究，这个少数派立场至少值得放进自己的判断里。

如果只记一句话：别把scaling law当成唯一的剧本。田渊栋给的理由很朴素，电力和算力有上限，而人类对智能的探索才刚看到一点星光。