递归自我改进

定义

递归自我改进指一个系统反复修改自身，使自己在解决问题或完成任务方面的能力得到提升，并把这种提升再次用于改造自身，形成循环的过程^[2]。它属于人工智能研究与技术奇点讨论中的一类机制，与仅由人类设计改进不同，其核心在于改进工作的执行者与被改进对象部分重合^[4]。

在使用中，该词也常被用来描述前沿实验室让模型参与训练流程调试、部署管理与评测诊断等环节的现象^[1]。不过研究者提出，判定是否构成递归自我改进，关键要看控制结构，即当改进发生时，是否有具备验证能力的人类仍在回路中，而不能仅凭某一项基准测试的成绩得出结论^[1]。

原理

从控制论的角度，可以把能力看成性能与成本之比，其随时间的变化由分子与分母共同决定；对于蒸汽机一类传统技术，性能上限相对固定，而提高能力的难度不断上升，系统最终趋于平台期^[4]。当被改进的对象同时也是执行改进的主体时，改进能力会随能力本身增长，两者在数学上部分抵消，可得到速度保持恒定的改进；若改进能力与能力的更高次幂相关，则可能出现指数级增长^[4]。

形式化研究把这一过程写成迭代关系：系统在时刻 $t$ 的状态 $C(t)$ 经更新算子 $\Phi$ 得到下一时刻状态，即 $C(t+1)=\Phi(C(t))$，其中改进来源可以是系统自身的历史输出^[5]。也有研究者用可计算性理论把「有限次内部修订」「收敛式修订」和「能力内化到更强层次」区分为不同类别，指出仅靠在一个固定层次内部反复迭代，本身不足以说明能力发生了层级跃升^[6]。

flowchart LR

A[当前系统 C(t)] --> B[执行改进：修改代码、参数或流程]

B --> C[评测与验证]

C -->|保留有效改动| D[更新后的系统 C(t+1)]

D --> A

C -->|淘汰无效改动| A

在工程实现上，一种思路是让智能体与其评测器共同演化：评测器固定一段时间以便可靠测量进度，在检查点处由在可信基准上表现更好的新评测器替换旧评测器，从而避免智能体受限于固定测试所定义的能力上限^[7]。另一种思路是让基础模型自行组建多智能体团队，先演化工作流编排，再把执行轨迹用作训练数据微调自身^[8]。

发展历程

1965 年，数学家 I. J. Good 提出超智能机器设想：设计机器本身是一种智力活动，因此能力远超人类的机器可以设计出更好的机器，由此形成「智能爆炸」^[2]。同一时期，Marvin Minsky 与 John von Neumann 也发表过关于自我改进程序与自动机合成的论述^[9]。

1987 年，Jürgen Schmidhuber 在学位论文中提出把遗传编程递归应用于自身，以演化出更好的学习方法，被视为早期具体的递归自我改进算法之一^[10]。此后他又提出自修改强化学习、自指深度循环网络以及 2003 年前后的 哥德尔机 等方案，其中哥德尔机要求系统在找到「修改后效用更高」的形式证明后才重写自身^[11]。

2026 年前后，该概念进入前沿实验室的公开表述。有实验室在模型发布说明中称早期版本「参与了自身的创建」，协助调试训练过程、管理部署并诊断评测故障^[1]。同期，关于自动化人工智能研发是否触发智能爆炸的论文引发讨论，其作者名单包括多位图灵奖得主与前沿实验室研究人员^[3]。兰德的报告则指出，人工智能已自动化研发中的部分环节，但尚无公开信息显示任何系统能自主设定研究方向或设计自己的后续版本^[12]。

应用

在实际研发中，递归自我改进的思路被用于自动化软件工程环节，包括由模型撰写和审查代码、提交合并请求，以及在推理服务中搜索性能优化方案^[13]。有实验室披露，由人工智能担任主导开发角色的研发工作已占一定比例，人机协作比例更高^[13]。

在算法层面，相关方法包括面向代码生成的递归式自我优化，以及在开放性任务中由模型自行组织多智能体工作流并自我评估，再用生成的轨迹微调自身，研究显示经两轮循环后同等 token 下的产出性能有所提升^[8]。此外，让智能体与评测器共同演化的方法被用于科学论文写作与评审、数学奥林匹克级别的证明撰写与批改等任务^[7]。

局限

多位研究者认为，当前被称作递归自我改进的现象更多是压缩了既有能力边界内的开发周期，而非突破架构限制或发现新的能力类别^[1]。数据收集是重要瓶颈：训练数据的生成与评判往往依赖人类识别现有模型的盲区，这部分工作难以交给模型自行完成^[1]。

物理世界的可观测性与行动能力也被视为限制。系统无法自行安装或更换硬件、调试电路板上的信号，因而在数字世界之外的改进环节仍需人类介入^[1]。此外，自我改进还面临评测器上限问题：智能体只能达到给它打分的测试所允许的水平，固定测试在定义进步的同时也构成无法越过的天花板^[7]。

在资源层面，算力、高质量自然数据、实验时间以及科研难度递增构成四类现实约束，训练前沿模型需要数月时间，无法通过增加智能体数量来同步压缩^[3]。有观点认为，指数式改进是暂时的，会在技术遭遇资源约束或其他瓶颈时停止^[1]。

目标设定同样构成难点。当模型可以自行设定优化目标时，可能出现奖励黑客行为；而一旦目标由系统自身确定，「改进」的含义本身也需要重新界定^[1]。另有研究指出，用自身输出作为训练数据存在模型崩溃等退化风险^[5]。在治理层面，实验室内部使用的研究型智能体拥有对核心代码、数据和模型的高权限访问，其安全风险已被提出^[12]。

参见

• 智能爆炸 —— 递归自我改进被设想为触发智能爆炸的核心机制。

• 技术奇点 —— 以递归自我改进等机制为前提的未来学概念。

• 哥德尔机 —— 要求以形式证明保证自修改有效性的自我改进系统设计。

• 元学习 —— 让系统学习如何学习的技术方向，与递归自我改进关系密切。

• 人工智能对齐 —— 研究如何使自我改进系统的目标与人类意图保持一致。

• 多智能体系统 —— 以多个智能体互相监督实现自我改进的工程路径。