- 9月10日,arXiv 挂出论文 2609.11873《The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement》,33 位作者,来自上海交大、清华大学、字节跳动、上海 AI Lab 等机构,通讯作者为 Xuanhe Zhou。
- 论文核心是一个自主性分级框架:B0(任务内改进)加 L1 至 L5 五级,最高级 L5 叫"元改进",指系统改写并继承"如何造出更好后继系统"的过程本身。
- 论文提出 Headroom-Closed Index(HCI)量化能力天花板:2026 年高等数学达 86.4、研究生水平科学达 85.8,工具型 Agent 只有 39.9,可验证领域接近封顶,长流程任务差距明显。
- 论文区分"结构性 L5"与"有效 L5":前者已有系统做到,后者缺乏统计显著证据,AIDE2 实验里进化出的外壳并未带来显著效率优势。
- 这是一篇综述加路线图,没有新模型,没有开源代码;行业案例覆盖 Meta、腾讯混元、面壁智能等。
一句话说清楚:这篇论文在解决什么问题
造一个前沿模型,最贵的是人。论文开篇给了一组数字:GPT-5.6 发布前的六个月里,OpenAI 内部用于编程推理的研究算力份额增长 100 倍,Agentic Token 用量增长 22 倍;Kimi K3 和 Qwen3.8-Max 的参数量冲到 2.8 万亿和 2.4 万亿。模型能力在涨,但"造模型的过程"仍旧是一项靠研究员手工协调的劳动密集型工程。 递归自我改进(RSI)要替换的正是这个过程。论文的定义是:AI 系统把经验和反馈转化为持久改变,这种改变提升系统自身能力,同时提升"未来继续改进"的过程。关键在后半句:改进的不只是模型,还有改进机制本身。这是 RSI 和"AI 帮工程师写代码"的分界线,也是全文 75 页要展开的一句话。
L1 到 L5:AI 自己改进自己的五个等级
论文把 RSI 拆成 B0 加五个等级,判断标准是"改进循环里哪一环交给了 AI"。可以用一个新员工的成长路径来类比。
B0 是任务内改进:AI 在当前任务里打磨输出,比如反复修改一段代码直到通过测试,任务结束,改进不留下。L1 是执行人类设计的改进:AI 按人写好的流程修 bug,把验证过的修复存成可复用规则,用到后面的任务里——像按操作手册干活并把经验写进手册附录。论文举的生产案例是 Meta 的 Capacity Efficiency 系统,它把工程师的调试经验编码成修复技能,把一次性能回归排查从几小时压到几分钟。
L2 是自选改进策略:目标和验收标准仍由人定,但诊断哪里弱、选什么方案由 AI 决定,类似员工开始自己写改进方案交给系统评审。L3 是自决学习经验:AI 自己决定学什么——选数据、造任务、找交互,论文用 AZR 和 R-Zero 两个系统说明,难点在于"题对不对、难不难"都不等于"学了有用"。L4 是在部署中适应环境:系统带着参数、记忆、技能库上岗,从真实使用里持续学习,论文提醒一个反直觉现象——技能库膨胀(Library Drift)会让检索退化,攒得太多反而改不动。
L5 是元改进:系统改写"如何改进"的机制本身——改进器、后继评估器、搜索策略或研究流程——并把这个改写后的机制交给下一代继承。类比到员工,不是学会了新技能,而是重写了公司的培训体系,且新人按新体系培养。论文在这里做了一个关键区分:结构性 L5 只要求"AI 主导的机制修改被保留并控制了后续改进",有效 L5 要求"改写后的机制在同等预算下能产出更好的后继系统"。前者已有系统做到(如 STOP、Gödel Agent),后者还没有过硬证据。论文也没给正面案例贴金:STOP 在弱底座模型上会出现平均回退,Gödel Agent 在 100 次试验中有 14 次以低于初始策略的表现收尾。
HCI 指标:一张图看清哪些能力快被封顶
不同基准的原始分数无法直接比较,论文用 Headroom-Closed Index(HCI)做归一化:0 分代表该基准进入数据集那一年的前沿水平(90 分位),100 分代表满分。HCI 回答的问题是"这个领域还剩多少上升空间"。
2026 年的读数分成两层。靠近封顶的一侧:高等数学 86.4,研究生水平科学 85.8,广泛知识 77.2;网络安全 Agent 读数达 91.9,但论文自己提醒,该领域后期观测更换了任务子集与聚合方式,这个数字只能谨慎比较。封顶也不是整齐划一的:广泛知识的年增量从 32.8 收窄到 17.6,减速明显,高等数学的年增量却从 32.8 扩大到 53.6,不降反升。落在后面的一侧:软件工程 52.6,搜索与终端 Agent 56.8,工具型 Agent 39.9——2026 年一年从 8.2 跳到 39.9,增速快但基数最低。
这组数字支撑了论文的一个判断:有界、易验证环境里的能力提升,没有均匀传导到长程、有状态的工作流。按论文的分级语言说,有界评测主要考 L1–L2,环境交互任务开始要求 L2–L3,而真实工作流暴露的是 L3–L4 才处理的验证、记忆和适应问题。天花板分布不均,本身就是为什么需要 RSI 的论据。
意义与局限:给热词装上刻度尺,但 L5 还没有被证明有效
这篇论文的价值不在预言,在划界。"AI 会自己造 AI"在安全讨论里被当成整体恐慌对象,在融资叙事里被当成整体卖点,论文把它拆成五个可判定的等级,配上"结构性/有效"的证据标准,再附一份八个方向的研究议程——从跨组件诊断、经验获取,到改进机制的可信演化和长周期评估。今后评估任何"自我改进"宣传,都可以问两句:到了哪一级?是结构性的还是有效的?中文媒体 6 月讨论 Anthropic 的"RSI 悖论"时缺的就是这样一把尺。
局限同样明确。第一,这是综述,没有新模型、没有可运行代码,结论主要依赖被综述系统的既有证据,只有第 5 章的产业案例含作者团队披露的第一方初步实验。第二,有效 L5 没有被证明:论文援引的 AIDE2 实验里,进化出的外壳作为外层改进器时没有取得统计显著的效率优势。第三,四个应用场景(科学发现、具身智能、软件工程、医疗)的反馈成本差异巨大,软件能跑测试,医疗的后果不可回滚,同一条改进循环装不进所有行业。
论文给现状划的基准线比"有效 L5 未证明"更冷:四个应用领域的总结一致指向 L2 是当前最强的已证实水平,端到端的 L4 和 L5 基本无人做到。拿这把尺去量任何"自我改进"宣传,大多数会停在刻度尺的下三分之一。
对读者的实用提示:看到"自我改进""自训练"类表述时,先按五级框架定位,再看证据标准。智谱的"完全自训练"按论文口径大致落在 L2–L3 区间的工程化尝试,距离 L5 的"改写并继承改进机制"还有三个等级。
作者与团队
论文作者 33 人,来自上海交通大学、清华大学、字节跳动、上海人工智能实验室等机构,通讯作者为清华大学的 Xuanhe Zhou,署名含 Conghui He(上海 AI Lab)、Guoliang Li 与 Zhiyuan Liu(清华大学)等。约 75 页的体量里,正文第 5 章用六个案例展示产业实践,包括腾讯混元、面壁智能和 Agent-Native Research Lab;两个附录分别盘点 491 篇学术论文与 72 家公司所处的等级。
快速上手:75 页的论文从哪读起
论文没有可运行代码,"上手"的方式是按问题选章节。想搞清分级定义,直接读第 3 章,每一级开头都有判定标准和代表系统。想看能力天花板的数据,读第 2 章的 HCI 部分,图 3 的跨领域轨迹是全文信息密度最高的一张图,其中 2026 年之后的部分是说明性外推,不是论文给出的预测。关心落地障碍,读第 6 章的八个挑战方向,每条都写了已验证到什么程度、缺口在哪。想对照具体公司,翻附录 B 的产业全景表,里面给每家标注了 L1–L5 等级和证据强度,包括"候选级"与"目标级"的区分。