Sakana AI成立递归自我改进实验室，用创意取代算力开辟AI新范式

从日本制造哲学到AI自我进化

Sakana AI 近日正式宣布成立递归自我改进（RSI）实验室，这是一个专注于用AI重新设计AI开发流程本身的研究团队。这家总部位于东京的AI公司，正试图将日本制造业"持续改善"（Kaizen）的哲学注入人工智能的核心架构中，走出一条不同于硅谷"暴力堆算力"的技术路线。

Sakana AI 的核心论点颇具说服力：人类认知并非诞生于无限资源，而是在严格约束下通过开放式的进化过程锻造而成。同样，在日本这个算力规模远不及美国超大规模集群的环境中构建AI，恰恰提供了最佳的设计约束——迫使研究者追求优雅、适应性和自主性，而非简单的规模扩张。

两年积累：从理论到实践的RSI研究里程碑

RSI实验室并非从零开始。过去两年，Sakana AI 已经交付了一系列实质性的研究成果，系统性地将行业从人工设计的启发式方法推向自主进化优化循环。

LLM² 与 DiscoPOP

与牛津和剑桥合作开发的 LLM-Squared 框架，开创性地让大语言模型自主发明更好的训练方法。其产出的 DiscoPOP 是一个完全由LLM通过代际进化循环发现并编写的偏好优化算法，达到了当时的最优水平。这项工作标志着一个关键转折：AI模型已经强大到可以开展研究来改进自身。

Darwin Gödel Machine（DGM）

与不列颠哥伦比亚大学合作开发的DGM，实现了开放式的持续自我改进。它维护着一个不断进化的智能体变体谱系，能够自主重写自己的代码库。在SWE-bench软件工程基准测试上，DGM自动将基线性能提升了一倍以上，绝对改进达30个百分点。

ShinkaEvolve 与 ALE-Agent

ShinkaEvolve 展示了前所未有的样本效率——仅用150个样本就解决了复杂优化问题，并生成了一个能改进混合专家（MoE）模型的新型负载均衡损失函数。而 ALE-Agent 更是在 AtCoder 启发式竞赛058中，从804名人类参赛者中脱颖而出夺得第一名。它通过大规模推理时间扩展和从试错失败中提取洞察的自学习机制，自主推导出了超越人类专家的新算法。

Digital Red Queen 与 AI Scientist

与MIT合作的 Digital Red Queen 项目在图灵完备的 Core War 沙盒中建立了开放式对抗共进化系统，LLM编写的竞争代码触发了复杂软件策略的自主涌现，为将RSI应用于网络安全奠定了基础。而旗舰项目 AI Scientist 则实现了从生成想法、运行实验到撰写完整论文和执行同行评审的全自动化科学发现流程，相关研究已发表在《Nature》上。

核心理念：样本效率优先而非算力军备竞赛

贯穿 Sakana AI 所有工作的核心纪律是：通过创意而非算力推动进步。

这一点在数据上体现得非常清晰：ShinkaEvolve 仅需150个样本就能解决暴力搜索视为不可解的问题；ALE-Agent 通过从失败中提取结构化经验击败804名人类专家，而非消耗更多推理资源。RSI实验室的目标不是构建最"吃算力"的自我改进引擎，而是最具样本效率的引擎——其进步应当能在国家级而非超大规模的算力预算上实现复利式增长。

这种将样本高效的自我改进引擎直接应用于智能体基础模型开发的策略，构成了一个战略闭环：Agent-Native Models 驱动 AI Scientist，AI Scientist 反过来构建更好的 Agent-Native Models。这是一个指数级改进的飞轮。

四阶段路线图：从基础模型到民主化AI

Sakana AI 将递归自我改进的发展轨迹划分为四个阶段：

1. Agent-Native Models：从一开始就为开放式智能体用例量身定制认知架构和世界模拟器，而非简单的聊天界面。

2. AI Scientist：部署这些架构执行端到端的自动化研究，独立扩展科学知识。

3. 递归自我改进：达到关键拐点——AI智能体主动编写、基准测试和验证自身底层基础架构的代码，启动自主升级循环。

4. 民主化AI：这是最具雄心的愿景。Sakana AI 认为递归自我改进可以在适度的、样本高效的算力上实现，从而改变前沿AI的"地理版图"。那些在原始集群规模上永远无法竞争的国家、机构和领域，将能够开始构建自己问题所需的AI系统。指数级自我改进将成为公共产品，而非赢家通吃的资产。

为什么是日本？结构性约束即战略优势

前沿RSI研究目前几乎完全集中在全球最大的两个算力集群内部（即美国和中国）。日本的起点不同：深厚的科学人才储备、强大的工程文化，以及一个按全球标准衡量规模可观但与超大规模集群相比仍显适度的算力基础。

在这种环境下，算力高效的自我改进不是偏好，而是结构性必然。而从这种约束中涌现的技术，恰恰最有可能推广到当前仅靠原始规模竞赛的两个国家之外。这正是RSI实验室选择在东京成立的原因——日本不断加速的主权AI基础设施国家战略提供了制度支持，而该国在全球算力版图中的实际位置则提供了Sakana AI希望在其下工作的设计约束。

负责任的RSI：失败模式是核心工程问题

有意思的是，Sakana AI 对RSI的风险保持了清醒认识。两年的系统构建经验让他们直接观察到了各种失败模式：偏离分布的进化循环、通过基准测试但在部署中失败的自我修改、绕过给定约束找到捷径的智能体。

他们将这些不视为边缘案例，而是递归自我改进的核心工程问题。RSI实验室承诺公开发表研究成果（包括负面结果），并从一开始就为自我改进循环设计可验证的安全保障。正如他们所言："负责任的RSI不是对能力的约束，而是使能力可持续的关键。"

总结：递归自我改进能否重新定义AI竞争格局

Sakana AI 的RSI实验室代表了一种与主流硅谷路线截然不同的AI发展哲学。在全球AI竞赛日益演变为算力军备竞赛的当下，一家日本公司提出"用创意而非算力取胜"的主张，并以两年的扎实研究成果（包括Nature论文和竞赛冠军）作为背书，这本身就值得关注。

如果递归自我改进真的能在适度算力上实现，其影响将远超技术本身——它将重新定义谁有资格参与前沿AI的竞争。这或许是Sakana AI最具颠覆性的愿景：让AI的指数级进步不再是少数超大规模玩家的专属特权。