178: 与田渊栋聊 RSI：模型自进化如何到来？

📌 一句话摘要

对话 Recursive SuperIntelligence 联创田渊栋，深入探讨递归自进化（RSI）在 2026 年复兴的动因、技术路径、创业实践以及对 AI 未来竞争格局的深远影响。

📝 详细摘要

本期节目与估值超 46 亿美元的 Recursive SuperIntelligence 联创田渊栋深入对谈，聚焦 RSI（递归自进化）。田渊栋分享了从去年 8 月与 GPT-5 合写论文时意识到 AI 可以'取代实习生'，从而催生创业想法的过程。他认为，随着 Coding Agent 能力提升，AI 已能识别自身问题并进行优化，形成研究闭环。相比十年前的 AutoML，现在的大模型能部分替代人类定义问题的能力，使搜索空间更智能。讨论涵盖了 RSI 与自动化的区别、所需的核心能力（如品味、抽象与创造力）、以及业内对'强者愈强'推论的博弈——田渊栋认为智能提升可能是阶梯式跳跃而非平滑曲线，这为初创公司留出了机会。他还展示了公司发布的第一批成果：一个通用系统在 NanoChat 优化、训练加速和 GPU 算子优化三个 Benchmark 上达到 SOTA，并展望了 AI 终将成为科学、迈向'修仙社会'的愿景与风险。

💡 主要观点

- RSI 复兴的动因是 Coding Agent 与模型能力的质变 田渊栋指出，RSI 在 2026 年变热的核心原因是模型能力提升到了足以充当'研究员'的临界点，能够发现自身问题并形成优化闭环，而 Coding Agent 的实用性让这个循环得以高效运行。

当下的 RSI 与十年前的 AutoML 有本质区别 过去的 AutoML 需要人类研究员预先定义复杂的搜索空间让 AI 去执行。如今，大语言模型本身对 AI 架构有了更深刻的理解，能够部分替代人类去'定义问题'，使搜索空间变得更大且更智能。

智能提升可能是阶梯式跳跃，而非平滑曲线 针对'率先实现 RSI 的公司会一骑绝尘'的推论，田渊栋认为 AI 的发展并非无限平滑 Scaling，而更可能由一系列底层架构和数学模型的突变驱动，每次突破后会进入平台期，这为初创公司提供了超车机会。

RSI 的良好启动并不依赖 AI 完全掌握深层理论 田渊栋将 RSI 视为多级台阶，初级阶段无需解决 AI 如何从少量样本中领悟新知的终极难题。只要 AI 能在预训练优化、Infra 效率提升等明确指标上实现自进化，它就能产生巨大的实用价值。

AI 研究人员需兼具 Hands-on 经验与方向感 在 Agent 承担执行工作的时代，研究老手的优势回归。他们能通过与大模型的频繁交互，将验证周期从数月压缩到几分钟，凭借过往积累的'技术品味'和判断力，精准把控科研大方向。

💬 文章金句

- 在与 GPT-5 合作写完一篇文章后，我意识到模型的能力已经强到让我觉得我可以不用招实习生的水平了。

• 完全的自动化不一定很快会发生。人还在这个 Loop 里面，只不过 Loop 的 Level 更高了。
• 我觉得 RSI 比 Coding Agent 要大得多，它的难度、它的可能的路径比现在的空间上要大很多。
• 大部分人可能已经觉得绝望了，但是我觉得不是这样子......我觉得它以后终将变成科学。
• 智能不是平滑的，它是阶段式跳跃的。RSI 这个 Loop 本身是一个元叙事上的 Loop，但底层架构和数学是会有突变的。

📊 文章信息

AI 初评：92

来源：晚点聊 LateTalk

作者：晚点聊 LateTalk

分类：人工智能

语言：中文

阅读时间：139 分钟

字数：34589

标签： 递归自进化, RSI, AI 研究自动化, 科研范式, 创业访谈

收听完整播客