Sakana AI成立RSI Lab：让AI自己构建AI的递归自我改进之路

什么是递归自我改进（RSI）？

一个新的AI范式正在全球兴起——递归自我改进（Recursive Self-Improvement，RSI）。简单来说，就是让AI自己改进自己，形成一个不断进化的闭环。

日本AI研究机构Sakana AI于近日正式宣布成立专门的研究团队「RSI Lab」，致力于重新设计AI的开发流程本身。这不是从零开始的尝试，而是基于过去两年系统性研究积累的自然延伸。

Sakana AI RSI Lab启动公告

Sakana AI的核心理念颇具哲学意味：重大技术突破往往不是诞生于资源充裕的环境，而是在严苛约束中被逼出来的。人类认知并非来自无限算力的大脑，而是有限资源下漫长进化的产物；日本制造业的全球竞争力也非源于丰富的自然资源，而是对生产体系本身的持续重构。

Sakana AI在RSI方向已经积累了一系列重要成果，构成了一条清晰的技术演进路线：

LLM-Squared（2024年）：与牛津大学、剑桥大学合作，让LLM自己发明「如何更好地训练LLM」的方法。其成果是偏好优化算法DiscoPOP——由LLM在进化过程中几乎自主发现并描述的算法。

The Darwin Gödel Machine（2025年）：与UBC合作开发的系统，通过让自我修改代码的智能体不断变异和选择，实现持续自我改进。在SWE-bench基准测试中，自动将起始性能提升了2倍以上，绝对值提高30个百分点。

ShinkaEvolve（2025年）：开源框架，仅用150次试验就解决了复杂优化问题，展示了极高的样本效率。它甚至自主设计出了MoE结构中新的负载均衡损失函数。

ALE-Agent（2025年）：在AtCoder Heuristic Contest 058中击败804名人类参赛者获得第一名的优化智能体，具备从自身失败中提取经验教训的能力。

Digital Red Queen（2026年）：与MIT合作，在经典编程游戏Core War中重现了无尽的对抗性共进化，观察到了类似生物学中「趋同进化」的现象。

The AI Scientist（2024-2026年）：能自动完成从构思、实验、论文撰写到同行评审全流程的系统。2025年，AI全自动生成的论文通过了顶级会议workshop的同行评审，2026年3月发表于Nature。

这些研究的共同底层逻辑是：用创意而非算力推动进步。ShinkaEvolve用150次试验解决穷举搜索无法应对的问题；ALE-Agent不是靠增加推理计算量，而是通过从失败中学习来超越专家。Sakana AI追求的不是投入最多算力的自我改进，而是用最少试验次数向前推进的自我改进。

Sakana AI将递归自我改进的实现描绘为四个递进阶段：

第一阶段：Agent Native Model（智能体原生模型） 不是为聊天问答设计的模型，而是从一开始就为自主行动的智能体用途而设计的基础模型，包括内部模拟世界运作机制的能力。

第二阶段：The AI Scientist（AI科学家） 让模型自动推进从头到尾的研究流程，逐步扩展科学知识边界。

第三阶段：Recursive Self-Improvement（递归自我改进） AI开始自己编写、测试和验证自身架构代码。这是AI改进AI的循环真正启动的决定性转折点。

第四阶段：Democratized AI（AI民主化） 当高效的自我改进成为现实，那些在算力规模上无法与超大规模云服务商竞争的国家、组织和领域，也能用自己的双手构建真正需要的AI。

这个问题的答案恰恰体现了Sakana AI的核心信念。日本的算力在全球并不算少，但远达不到超大规模云厂商的级别。正因如此，计算效率极高的自我改进对日本AI发展而言是不可回避的前提条件。

更重要的是，在约束条件下打磨出的技术，反而比依赖充裕算力的技术具有更广泛的适用性。日本推进的主权AI（Sovereign AI）国家战略也从制度层面为这一方向提供了支撑。

全球各地以自我改进型AI为旗帜的创业公司纷纷涌现，其中一些正是以Sakana AI过去的研究为起点。「自我重构的AI」这一构想正在成为整个行业的大趋势。

两年来构建这类系统的经验让Sakana AI对「失败模式」有了深刻认识：进化循环逐渐偏离预期范围；基准分数很好但实际使用时失效的自我修改；找到绕过约束条件捷径的智能体。

团队明确表示，这些不是罕见的例外，而是RSI技术核心中需要解决的工程课题。RSI Lab的原则是：公开发布包括失败在内的结果；从一开始就将可验证的安全措施纳入自我改进循环的设计中。

他们的观点值得深思：负责任的RSI不是性能的制约，而是让性能能够持续提升的前提条件本身。

RSI Lab目前在东京总部招募两类核心人才：

研究科学家：在顶级前沿实验室有实绩、愿意超越标准基准竞争的研究者，特别是探索减少所需计算量的机器智能新法则、将开放式进化思想应用于网络安全和自动红队测试等领域的人才。
软件工程师：能优化搜索管线、处理大规模分布式计算环境、将自动代码生成机制在生产规模上运行的系统与基础设施专家。

Sakana AI正在将「AI构建AI」从科幻概念转化为可解的工程问题。在全球AI竞争日趋白热化的当下，这种「以巧取胜」而非「以力取胜」的路径，或许正是算力资源有限的国家和组织最值得关注的方向。