AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：递归自我改进×
6月23日
15:25
6月16日
20:46
6月14日
07:51
6月13日
10:52
6月12日
13:37
12:57
12:26
12:26Sakana AI@SakanaAILabs
精选
Sakana AI 在东京成立专门研究递归自我改进（RSI）的实验室「RSI Lab」，旨在让 AI 自动生成并改进 AI 模型。该实验室基于此前在 LLM-Squared、The AI Scientist 等项目上的积累，目标是在不依赖无限计算资源的前提下实现 RSI。2026 年以来，RSI 已成为全球 AI 研究的重要趋势，Sakana AI 希望凭借其独特方法，在计算资源有限的日本推动这一领域的发展。实验室将招募全球研究人员和工程师，并与社区共享成果。
行业递归自我改进Sakana AIRSI LabAI 研究东京
推荐理由：RSI 是让 AI 自我进化的前沿方向，做 AI 研究和模型开发的团队值得关注——Sakana AI 试图用更少的算力实现它，这对资源有限的团队尤其有启发。
原文
12:25
12:25Sakana AI@SakanaAILabs
精选
Sakana AI 宣布成立递归自我改进（RSI）实验室，专注于用 AI 重新设计 AI 开发流程。该实验室整合了多项突破性成果，包括 LLM² 自动优化偏好算法、Darwin Gödel Machine 自主重写代码库、ShinkaEvolve 高效程序进化等。团队认为递归自我改进可在适度算力下实现，不应被超大规模集群垄断。目前正在东京招募前沿科学家和工程师，以构建开放、自适应的集体自我改进架构。
AI产品Sakana AI递归自我改进AI 自动化东京实验室开源/仓库
推荐理由：Sakana AI 把自我改进 AI 从理论推向实践，整合了多项已验证的技术成果。做 AI 研究和开发的团队值得关注——他们正在探索一条不同于堆算力的路径，可能改变未来 AI 开发范式。
原文
01:42
01:42Richard Socher@RichardSocher
精选
Recursive 公司宣布其自动化开放发现系统在三个 AI 任务上取得了最先进成果，包括 NanoGPT speedrun、NanoChat 和 NVIDIA 的 Sol-ExecBench。该系统旨在实现递归自我改进超级智能（RSI），通过自动化科学方法循环（构思、实现、验证）来扩展人类知识。所有代码和想法均由 AI 系统自身生成，而非人类团队。Recursive 已开源系统发现，强调其解决方案具有创造性和良性，而非危险或优化导向。这是迈向“尤里卡机器”的早期里程碑，但已展示出解决多种 AI 研究问题的能力。
AI模型递归自我改进AI 研究自动化开源/仓库NanoGPTSol-ExecBench
推荐理由：AI 研究自动化终于有了可验证的成果——Recursive 的系统在三个基准上跑赢 SOTA，做 AI 研究的团队可以直接看开源代码，感受下机器自己搞科研的潜力。
原文
6月11日
15:28
15:23
15:07
06:23
00:21
00:21Simon Willison’s Weblog（博客/媒体）
Jeremy Howard 在 Twitter 上提出一个解决 AI 递归自我改进速度问题的简单方案：排名最高的实验室必须同意不使用其顶级模型进行前沿 AI 研究，但其他所有人应能访问该模型。他认为这能阻止前沿推进，并避免危险的力量失衡。他批评 Anthropic 选择了相反的安全路径——允许自己（当前顶级实验室）使用顶级模型进行前沿研究，并破坏他人的尝试，这导致 AI 前沿推进且力量失衡加剧。Howard 明确表示自己并不主张放缓递归自我改进，而是主张尽可能开放和民主化。
行业AI 伦理递归自我改进AnthropicJeremy Howard权力平衡
推荐理由：Jeremy Howard 的提议直击 AI 安全与权力分配的核心矛盾，关注 AI 伦理的从业者、政策制定者和开源社区成员值得一读，看完会重新思考“安全”与“开放”的平衡。
原文
6月10日
13:42
6月5日
21:11
21:11rohanpaul_ai@rohanpaul_ai
88°
Anthropic 发表声明，呼吁建立全球机制来减缓前沿 AI 的发展，因为其自身模型可能正在接近递归自我改进的临界点——即系统能够在没有直接人类控制的情况下帮助构建更强的版本。未来模型在科研、实验、调试和训练设计方面将变得极其擅长，以至于人类不再是主要瓶颈。一旦这种循环启动，进展将从人类主导的工程转向机器辅助的改进，使得所有安全测试、法律和实验室政策都显得滞后。Anthropic 警告，这一跳跃可能在政府、公司和研究人员拥有可信的衡量或约束手段之前到来。验证是难点，因为大型 AI 训练比武器设施更容易隐藏，任何在他人暂停时秘密训练的实验室都可能获得领先优势。
行业AI 安全递归自我改进Anthropic前沿 AI监管
推荐理由：Anthropic 的警告直指 AI 安全的核心矛盾——递归自我改进可能让所有监管都来不及，做 AI 治理、模型安全或前沿研究的从业者值得认真读一读，这关系到行业未来几年的规则走向。
原文
11:13
11:13AI Will@FinanceYF5
88°
Anthropic 发布内部数据，显示其 AI 模型 Claude 正在加速 AI 开发进程，可能走向递归自我改进——即 AI 自主构建更强大的后继者。这一进展速度超出预期，Anthropic 认为其影响值得更大关注。该发现暗示 AI 可能无需人类干预即可实现能力跃迁，对 AI 安全与治理具有深远意义。
行业递归自我改进AI安全ClaudeAnthropicAI治理
推荐理由：递归自我改进是 AI 领域最受关注的潜在转折点之一，Anthropic 用内部数据证实它正在发生。做 AI 安全、治理或模型开发的团队，建议仔细读读原文，理解其速度与影响。
原文
09:20
09:20shao__meng@shao__meng
91°
Anthropic 发布了一份关于「AI 递归自我改进」的研究报告，指出以 Claude 为代表的 AI 系统正被越来越深地用于开发下一代 AI，可能导致系统完全自主设计并训练自身后继版本。报告显示，Claude 在代码产出、实验执行和自主研究方面已接近甚至超越人类，例如截至 2026 年 5 月，Anthropic 合并到主干的代码中超过 80% 由 Claude 撰写，工程师日均合并代码量是 2024 年的 8 倍。在自主研究方面，Claude Agent 端到端完成了一项 AI 安全开放研究问题，恢复能力达到人类两组研究者一周工作量的 97%。报告还提出了三种未来情景：趋势停滞、持续自动化且人类仍掌方向、以及完整的递归自我改进，其中作者认为持续自动化情景最可能。这份报告揭示了 AI 自我改进的速度超出预期，对 AI 安全和治理具有重要警示意义。
行业递归自我改进ClaudeAnthropicAI 安全AI 研发自动化
推荐理由：Anthropic 用内部数据证明了 AI 自我改进正在加速，做 AI 研发的团队和关注 AI 安全的人值得细看——Claude 的代码占比和实验效率数据会刷新你对 AI 能力的认知。
原文
04:36
04:36The Rundown AI@therundownai
88°
Anthropic 在最新博文中提出，世界应有权选择减缓或暂停前沿 AI 的发展。文章聚焦于递归自我改进（RSI），即 AI 自主设计并开发下一代 AI 的能力。Anthropic 透露，公司内部已出现 RSI 迹象：超过 80% 的合并代码由 Claude 编写，而 2025 年初 Claude Code 推出前这一比例仅为个位数。典型工程师每季度交付的代码量是过去的 8 倍。关于暂停，Anthropic 指出关键在于协调和验证全球竞争对手是否真的停止开发，而建立类似军控条约的基础设施和信任需要数十年，但时间并不充裕。
行业AnthropicClaude递归自我改进AI安全暂停开发
推荐理由：Anthropic 首次公开呼吁暂停前沿 AI 开发，并披露内部 RSI 数据，做 AI 安全或政策研究的团队值得关注——这可能是行业转折点的信号。
原文
02:12
00:49
00:28
00:28Anthropic@AnthropicAI
Anthropic 在 X 上发文讨论递归自我改进的可能性，指出虽然 Claude 目前尚不具备研究判断能力（即选择正确问题的能力），但如果趋势持续，AI 系统设计和构建自身后继者将成为可能。这有望在医学、科技和经济领域带来革命性改善，但也可能加剧对齐问题并最终导致失控。Anthropic Institute 将与外部利益相关者合作，研究日益强大、可能自我改进的系统的潜在影响，并探索如何让世界对技术未来发展做出审慎选择。
行业递归自我改进AI安全对齐问题Anthropic失控风险
推荐理由：Anthropic 首次公开讨论递归自我改进的可行性，做 AI 安全或长期对齐研究的团队值得关注——这可能是未来几年最关键的议题之一。
原文
5月29日
03:00
03:00rohanpaul_ai@rohanpaul_ai
78°
Hexo AI 发布了开源递归自我改进框架 SIA（Self Improving AI），该框架允许 AI 智能体在完成任务后，不仅改进外部工作流程（如提示词、工具），还能直接更新模型内部权重，实现真正的自我进化。与当前大多数“冻结工人”式智能体不同，SIA 通过反复训练自身任务反馈来积累领域知识，无需人工手动编码策略。实验结果显示，SIA 在 LawBench 上提升 56.6%，GPU 内核运行时减少 91.9%，单细胞 RNA 去噪提升 502%。这一突破为构建持续自优化的 AI 系统提供了新路径。
AI模型递归自我改进开源/仓库智能体模型权重更新SIA
推荐理由：做 AI 智能体开发的团队终于有了一个能自我进化的开源框架——SIA 让模型从“冻结工人”变成“持续学习者”，直接提升任务效果，建议研究自优化系统的开发者点开看看。
原文
5月23日
01:31