AI研发自动化加速下的模型、算力与应用机会：RSI，大模型的下一站？

RSI：AI开始参与生产下一代AI

从理论推演到工程实践：RSI的60年演进与当前拐点

• RSI（Recursive Self-Improvement，递归自我改进）最早可追溯至1965年，其核心是AI系统参与设计、开发和训练更强的继任系统，形成跨代持续的正反馈。
• RSI的落地推进是一个反馈闭环不断扩大的过程，从封闭任务中的策略优化，到利用自身生成数据训练模型，再到当前的代码实验和科研工作流。
• 完整RSI仍需时间，但工程条件正逐步成熟，模型能力、Agent执行、自动验证和研发基础设施开始被纳入同一套工程系统。
• 部分模型与工具已形成局部递归反馈能力，如Google DeepMind的AlphaEvolve，通过大模型生成、自动Evaluator和进化搜索相结合，已用于算法、数据中心、芯片设计及AI训练优化。

从自动化AI研发走向RSI：局部闭环已形成，跨代递归仍待推进

• AI已进入大模型研发多数环节，但自动化程度差异显著，整体呈现“中间强、两端弱”的结构，代码与实验执行相对成熟，实验设计和结果分析正在突破，研究方向和继任模型责任仍明显不足。
• AI已从执行单个步骤，进入目标明确的局部研发闭环，在目标和评价标准明确的任务中，AI可以连续完成多个研发环节，并根据反馈自主发起下一轮迭代。
• AI执行能力持续提高，长周期可靠性仍是自主迭代的核心约束，随着任务步骤增加、环境状态变化和决策空间扩大，限制AI独立负责完整模型研发的核心问题，正在从“能否执行任务”转向“能否长时间保持正确、及时发现错误，并在失败后可靠恢复”。
• 算力、数据与基础平台决定自动化研发能否持续迭代扩展，AI可以快速提出候选方案、编写代码并发起下一轮实验，但训练、微调、强化学习和模型评测仍需要真实的数据、算力和运行时间。
• 跨代、持续、可重复是RSI成立的核心判据，自动化AI研发已经能够提高代码、实验和系统优化效率，但一次研发提效、一项算法发现或一代模型升级，都不能证明RSI已经形成。

前沿模型厂商的RSI路径：从研发提效到继任模型闭环

• OpenAI、Anthropic与Google DeepMind虽然没有采用完全一致的RSI定义，但推进方向高度一致：让当前模型承担越来越多下一代AI系统的研发工作。
• OpenAI将RSI拆成可度量能力，并设置明确的High与Critical门槛，模型已进入完整研发链条，但能力仍呈现“工程强、训练弱”。
• Anthropic的研发工作持续向AI转移，RSI呈渐进式路径，内部生产率提升明显，但方向选择仍然依靠人工。
• Google DeepMind的AlphaEvolve代表Evaluator驱动的自动化研发路线，成果已进入生产系统，但仍是受约束的局部进化。
• 三家公司横向比较，路径各异，均指向更高水平AI研发自动化，目前还无法判断哪个方向“最接近RSI”。

产业影响与投资观点：AI研发加速下的模型、算力与应用机会

• RSI有望重构AI研发范式，竞争从单代模型转向AI Research Factory，AI从模型研发的最终产出，转变为生产下一代模型的研发工具。
• RSI将推动厂商扩大基础模型与AI研发计算投入，AI可以缩短代码开发、实验排错和训练验证时间，前沿厂商有动力提前建设自动化研发体系。
• 开源模型迈入万亿参数时代，Scaling仍在推高算、存、互联需求，新模型普遍面向Coding、长周期Agent、多模态和100万Token上下文，说明Scaling仍是能力竞争的重要底座。
• 参数、Token与代际频率共同放大，RSI或显著提升训练端算力需求，前沿预训练需求由激活参数、训练Token和模型代际频率共同决定，并由算法与硬件效率部分抵消。
• RSI若形成研发正反馈，AI渗透将从“工具普及”走向“能力供给加速”，模型能力与成本曲线的改善速度可能显著加快，头部厂商再通过MaaS、API和Agent平台，把最新推理、多模态、工具调用及长周期执行能力快速分发给企业。
• 投资观点：AI研发自动化加速，关注模型、算力硬件、CSP、与高价值应用，关注头部模型厂商、算力硬件及CSP与高价值应用场景。
• 风险提示：完整RSI可能长期无法形成；商业化落地低于预期风险；竞争加剧风险；监管政策风险；技术进步低于预期风险等。