《加速正在被加速：当ai开始自我进化》 所谓泡沫，不过是线性思考的生物无法理解指数曲线思维错觉；而 RSI，是进一步改变曲线形状的力量。 --- 题记 最近发布的Cloud Opus 4.5，离google发布gemini3和嵌套学习（Nested Learning, NL）范式以及hope框架，不到一周。 模型也展示出的递归自我进化一些特性，比方说： 自己调用工具检查自己的回答 给自己生成测试集 生成自己未来更好的回答模版 为自己生成“下一次回答要更强的策略” 当然，这还并不是真正的递归自我改进，但它在推理、自我反思、工具调用等层面展现出了一系列“类 RSI”特征 这是一个微妙却意义深远的时刻。 模型并没有通过指数级增加参数量或算力来提升，而是依靠内部结构的调整，使推理、工具调用、代码生成等能力出现了明显的协同增强。 这是第一次，我们看到一个大型系统在某些部分显示出 自我改善的倾向。 这可能不是 AGI，但却像是它的数学前提。 这也许不是奇点，但却像是它的加速轨道。 一、RSI 的概念：当改进的过程被改进（The improvement is improving） 所谓 RSI（Recursive Self-Improvement），指的是一个系统，能基于自己在环境中的表现反馈，实现不断的自我能力提升。 更进一步的来说，一个系统在改进自己的能力时，也同时提高下一轮改进的效率。 这意味着改进的来源从外部转向内部。 系统不再只依靠新的数据或输入，而是开始依靠自身的结构效率来获得新的数据或输入以及其他必须的要素，来实现自我不断提升。 RSI一旦开启，就会不断加速。 二、领域性 RSI：Cloud Opus 4.5 的真正意义 在 Cloud Opus 4.5 身上，我们第一次看到局部而真实的 RSI 迹象，可以被称为领域性 RSI，或者窄域RSI，主要来自三个方向： 1. 认知层面的自增强（推理 → 任务规划 → 数据生成） 推理能力越强，模型越能拆解任务、生成更高质量的数据，并为下一轮训练提供更精确的“学习路线图”。 这使得改进的效率本身在不断提高。 2. 工程层面的自增强（代码生成 → 工具链优化） 模型的代码能力提升意味着它可以自动优化自己的训练脚本、数据清洗流程、评估方法。 这相当于一个科学家开始改进自己的实验仪器，使他在下一轮实验中获得更高的精度。 3. 知识层面的自增强（生成 → 验证 → 再生成） 系统可以自动提出假设，自动查证，自动迭代。 这使知识的增长从顺序推进变为循环推进。 当然，Opus4.5并没有真正的提升自己的模型能力；目前所有主流模型——Opus、o3、GPT-5 家族、Gemini 3、Qwen——都不能直接修改自己的权重或架构； Opus 4.5 也不行。 其自我改进，更多的是在推理层面。 但推理层面的自我改进，和模型层面的自我改进，并没有技术上无法逾越的鸿沟。 推理层面的自我改进，可以看成是模型层面试验场。 三、领域性RSI，其实是多领域的 领域性 RSI 的价值不仅体现在模型能力上，更体现在它可直接加速科研链条： 它能让材料科学更快生成候选结构，让生物医药更快筛选靶点，让工程设计更快收敛，让生产工艺自动生长，让软件产出指数级提升。 每一个领域都能形成自己的“局部自增强循环”，每一个自增强循环，都能带来生产力的加速再加速 结语：不但没有泡沫，而且还被低估 Cloud Opus 4.5 和gemini3的出现，都指向同一个事实—— 智能系统正在获得改进自己的条件，我们更加接近AGI/ASI和科技奇点。 这种改变并没有带来市场的狂热， 是因为这些进步发生得太安静、太深层，以至于大多数人甚至还没有意识到地平线上的那条细白线其实是远处三千尺高的大海啸。 市场里的大多数只具备线性思维能力的生物，看见的是每天k线的波动； 这就是为什么，市场不但没有泡沫，还被严重低估！(rick awsb ($people, $people))