AITOP

递归自我改进

共 34 条相关 AI 资讯
8月24日
00:18
00:18elvis@omarsar0
精选
Google DeepMind提出一种无需训练的模型架构进化方法，通过模型自身反馈进行架构修改。在Gemma3系列上，自适应变体将困惑度降低23%，GSM8k准确率提升21%，仅进行轻微超参数调整。
论文Google DeepMind模型架构进化无需训练
推荐理由：强烈推荐这篇来自Google DeepMind的论文，它提出了一种有趣的无需训练的模型架构进化方法，对递归自我改进方法有启发。
原文
8月22日
00:03
00:03Philipp Schmid@_philschmid
智能体正在检查失败的运行，编辑自己的工具、技能和代码，并保留有效的改进。作者总结了递归自我改进的理解和现状，更多信息请访问 philschmid.de/recursive-self…
论文递归自我改进智能体自我学习
推荐理由：Phil Schmid 分享了智能体如何进行递归自我改进，了解智能体如何自我学习和优化自己的工具和技能，值得一读。
原文
8月13日
19:03
19:03官方账号Decoder@Maximilian Schreiner
Severin Field（IAPS 研究员）访谈了来自 OpenAI、Anthropic、Google DeepMind、Meta 和美国高校的 25 位研究者，主题是递归自我改进。他在新博客文章中盘点了这些研究者预测的里程碑。其中数项里程碑已经实现。
行业OpenAIAnthropicGoogle DeepMind
事件专题
推荐理由：The Decoder 这篇报道把 25 位顶级 AI 研究者的自动化研究预警整理出来了，没想到好几个里程碑已经兑现，比读原报告快多了。
原文
8月1日
01:39
7月31日
03:48
01:15
01:15AI Engineer@aiDotEngineer
Richard Socher在AI Engineer首次Autoresearch环节发表演讲，介绍Recursive_SI正在构建的Eureka机器。该机器旨在实现递归自我改进，推动自动化AI研究。Socher同时指出了当前技术面临的挑战与局限。演讲展示了自动化AI研究的第一步进展。
AI模型RichardSocherRecursive_SIEureka
事件专题
推荐理由：Richard Socher分享了构建递归自我改进AI的Eureka机器思路，展示了自动化研究的早期探索，值得关注。
原文
7月30日
08:56
08:56IT之家（博客/媒体）
79°
翁荔因病从Thinking Machines裸辞仅48小时后，随即重返OpenAI，负责递归自我改进（RSI）模型研发。RSI旨在让AI自主设计、训练和评估下一代模型，OpenAI计划在2026年9月前交付一个能独立承担研究问题的“自主AI研究实习生”。翁荔曾在OpenAI领导Safety Systems团队至80多人，并担任安全研究副总裁，其回归被视作OpenAI对ASI路径的押注。她三周前发布的博客系统梳理了RSI的工程化思路，主张从模型外部的Harness层切入自我改进。
行业翁荔OpenAIThinking Machines
事件专题
推荐理由：翁荔两天前刚裸辞就回OpenAI带RSI项目，用AI研发AI，目标2026年出自主研究员，这剧情比小说还刺激。
原文
7月21日
11:45
7月14日
06:24
7月13日
11:19
7月9日
11:48
11:47
11:47AI Will@FinanceYF5
精选
Google DeepMind发布论文《From AGI to ASI》，提出从AGI到ASI的四种技术路径：持续扩展算力/模型规模/数据/测试时推理、算法范式转变、递归自我改进、多智能体集体智能。论文指出递归改进是最不确定的路径，因为AI加速AI研究可能遇到真实测试、稀缺硬件或新想法瓶颈。多智能体集体被作者视为最被低估的路径，通过专业化、速度和协调可超越单个模型。ASI可能不是单一事件，而是AI帮助创造更好AI和科学工具带来的加速链。
论文Google DeepMindAGIASI
推荐理由：Google DeepMind这篇论文把AGI到ASI的四种路径拆解得明明白白，递归改进和多智能体集体两条线特别值得关注。
原文
10:22
10:22官方账号arXiv cs.AI@Mingguang Chen, Licheng Wang, Bo Qu
精选
该论文调查了2024-2026年间1250篇arXiv论文，沿两个轴分类：系统改进的对象（行为、策略、评估器、研究过程）和循环闭合程度。它将有界自优化（收敛、可评估、已成工业实践）与开放端递归自我改进（RSI）区分开，后者在所有可测维度上受制于基础、崩溃动态和计算约束。论文提出评估器设计空间，将信号从形式验证器（最强）到内在自我评估（最弱）排序，并证明自我改进强度与验证层级相关。失败模式如自确认循环、模型崩溃和多样性崩溃源于违反该层级，而保持人类在环中的“研究方向设定”瓶颈位于该层级顶端。
论文自我改进递归自我改进自我评估
推荐理由：这篇论文把AI自我改进的各种文献梳理得特别清楚，区分了“有界自优化”和真正的“递归自我改进”，还画出了验证强度层级，读完对AI安全风险理解更深。
原文
7月7日
15:15
15:15shao__meng@shao__meng
精选
Lilian Weng 在博客中提出，短期 RSI 将通过模型改进其部署系统（harness）实现，而非直接重写自身权重。博客归纳了三类基础设计模式：workflow automation、文件系统持久记忆、子 agent 并行。在 harness 优化上，介绍了 Context Engineering（ACE/MCE）和 Meta-Harness 双层搜索，并实验了 Self-Harness 可学到针对不同基座模型弱点的特定指令。STOP 方法在 GPT-4 有效，但在 GPT-3.5 和 Mixtral 上退化。进化搜索方法 Darwin Gödel Machine 在 SWE-bench Verified 上将得分从 20% 提升至 50%。
论文Harness Engineering递归自我改进智能体
事件专题
推荐理由：这篇博客把 auto-research、自改进 agent 等方向的工作收成系统框架，想了解 RSI 怎么落地可以看。
原文
7月3日
01:37
6月23日
15:25
15:25Philipp Schmid@_philschmid
活动为期48小时，主题为递归自我改进（RSI）系统。合作方包括Google DeepMind、MongoDB、MiniMax、LiveKit、DigitalOcean。奖金池超1万美元及合作伙伴积分。将于6月27-28日在旧金山SHACK15举办。
行业Cerebral ValleyaiDotEngineerGoogle DeepMind
推荐理由：专门搞递归自我改进的黑客松，谷歌DeepMind等大厂赞助，奖金过万。在旧金山的朋友赶紧申请吧！
原文
6月14日
07:51
6月13日
10:52
6月12日
13:37
13:37官方账号Jeremy Howard (fast.ai)@jeremyphoward
Jeremy Howard 提出一个减缓递归 AI 自我改进的简单方案：排名最高的模型实验室必须同意不使用该模型进行前沿 AI 研究，但其他所有人都可以访问它。这样，前沿就不会进步。该方案旨在防止 AI 快速自我改进带来的风险，同时保持开放访问。
行业AI 安全递归自我改进前沿 AI
事件专题
推荐理由：关注 AI 安全的团队可以看看这个反直觉的思路——通过限制领先者而非封锁技术来减缓 AI 进化，值得讨论。
原文
12:26
12:26官方账号Sakana 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 Lab
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
12:25官方账号Sakana 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
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
事件专题
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
06:23
06:23rohanpaul_ai@rohanpaul_ai
OpenAI 的 CEO Sam Altman 据报向员工表示，递归自我改进（RSI）技术的重大突破可能导致公司推迟首次公开募股（IPO）。Altman 认为，在模型能力可能以快于季度报告能解释的速度变化的关键阶段，公开市场对收入和利润的压力可能过大。作为私营公司，OpenAI 可以更灵活地推进 RSI 研究，而不受季度业绩的束缚。这一表态反映了 AI 前沿公司对长期研发与短期财务压力之间矛盾的权衡。
行业OpenAIIPO递归自我改进
事件专题
推荐理由：OpenAI 的 IPO 动向直接影响 AI 行业融资和竞争格局，关注 AI 投资或技术路线的读者值得了解这一战略权衡。
原文
00:21
00:21官方账号Simon 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Anthropic
事件专题
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
13:42IT之家（博客/媒体）
78°
Anthropic于6月5日发布博文，指出AI正加速自身研发，迈向递归自我改进，但强调这一阶段尚未到来。AI可稳定独立完成任务的时长约每4个月翻倍，从2024年的4分钟增至2026年的12小时。在Anthropic内部，超过80%的合入代码由Claude编写，工程师人均日代码量较2024年提升8倍。然而，人类在方向把控、问题选择等决策层面仍具优势，AI自我改进仍受算力约束。
行业AnthropicClaude递归自我改进
事件专题
推荐理由：Anthropic用内部数据揭示了AI执行力的惊人跃升，做AI研发或软件工程的团队值得关注——这直接关系到你的工作节奏和工具选择。
原文
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
事件专题
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Claude
事件专题
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ClaudeAnthropic
事件专题
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
事件专题
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
02:12Alex Albert@alexalbert__
88°
Anthropic 发布内部数据，显示 Claude 已承担其代码库中超过 80% 的代码编写工作，许多研究人员数月未手写代码。典型工程师在 2024 年基础上交付量提升 8 倍，Claude 在开放式工程任务中的成功率从 26% 跃升至 76%。当研究会话偏离轨道时，Claude 提出的下一步方案比人类更优的概率达 64%。这被视为迈向递归自我改进的重要一步，可能比预期更早到来。
行业ClaudeAnthropicAI 编程
事件专题
推荐理由：Anthropic 用真实数据展示了 AI 辅助开发的极限——代码量暴增、成功率翻倍，做 AI 工程或关注 AGI 进度的开发者值得细读，看看自己团队能否复制这种效率。
原文
00:49
00:49官方账号Anthropic@AnthropicAI
88°
Anthropic 发布内部数据，显示其 AI 模型 Claude 正在加速 AI 开发进程，这可能指向递归自我改进（即 AI 自主构建更强大的后继者）的路径。公司表示这一进展比预期更快，其影响值得更多关注。该发现暗示 AI 可能在不依赖人类干预的情况下实现能力跃升，对 AI 安全与治理具有深远意义。Anthropic 呼吁业界重视这一趋势，并已发布相关研究报告。
行业递归自我改进AI安全Anthropic
事件专题
推荐理由：Anthropic 首次公开内部数据证实 AI 自我改进正在加速，做 AI 安全、对齐研究或关注 AGI 风险的从业者值得细读，这可能是未来几年最关键的 AI 趋势之一。
原文
00:28
00:28官方账号Anthropic@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
事件专题
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
事件专题
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