递归自我改进这一概念正迅速在业界与学界升温。尽管关于其定义和标准尚未完全统一，但这一聚焦于AI自我演进的议题已快速进入落地阶段。近半年来，OpenAI、Anthropic、Google DeepMind等前沿实验室及初创公司频频提及相关进展。特别是9月中旬以来，Anthropic和OpenAI数次预警RSI的失控风险，甚至呼吁放缓研发进度，试图为安全保障争取时间。
在国内，RSI的技术演进与判断也日益走向台前。智谱AI创始人兼首席科学家唐杰于9月17日披露了公司首个RSI方向的工程化实践，并将下一代“完全自训练”模型GLM-6.0的核心技术定位类比为RSI；小米则在9月22日发布MiMo-V2.6系列模型，称其为“探索RSI的关键一步”；阿里巴巴集团CEO吴泳铭在云栖大会上表示，通往超级人工智能的具体技术路径就是RSI，并透露Qwen团队已取得一定进展。
尽管相关讨论引发的观感不一，但资本市场的反馈相对积极。对“减速”的焦虑短暂导致波动后即被抛诸脑后，RSI叙事迅速被推向前台。加之Meta发布消费级个人AI代理Muse等爆点事件，美股科技板块明显回暖。资本市场的热度进一步推高了RSI的讨论度。
一位国内Vibe Coding领域初创公司CTO指出，近期虽有多位不同领域的朋友咨询RSI，但很多理解仍“过于科幻”。在他看来，将RSI理解为模型能无间隔、利用一切时间来提升自己、完成进化显得不切实际。目前大模型不存在“在线实时学习能力”，训练完权重即固定，这与人类大脑有本质区别。若简单理解为模型自我调整，也并非特别有开创性的新鲜事。例如，模型的迭代仍需研究员定义和发起，AI更多是执行者角色。
Anthropic公布数据显示，旗下模型Claude“主导”的AI研发任务比例已从2月的不到1%提升至8月的约26%。在该公司的AL0至AL5六级自动化标准中，这属于AL4级别，指人类给出高层目标后，AI完成大部分端到端工作，人类负责监督和最终决策。前述CTO认为，只要方向、目标和评估、决策仍由人类负责，AI的改进就被限制在固定线段中。目前的自动化实践主要在代码领域，这是确定性最高也最适配AI的任务。他总体认为，将披露的实践视为现有技术路径的延续更为合适，尽管AI研发规模的扩大可能带来新的技术问题，但技术量变达到质变的奇点目前尚看不清。
从这种理解延伸来看，当AI能胜任“发起”到“决策”的“两头”工作时，才更符合RSI的想象。这涉及算法、训练范式，更涉及组织与流程问题。在2026 ITValue Summit数字价值年会的AI Coding专题闭门会中，多个团队透露，AI编程端到端交付显著提升，Agent已能作为数字员工批量上岗。但他们也达成共识：总体目标、关键判断、最终结果仍由人类负责。
在垂类行业中，AI面临更多隐性知识、隐私数据壁垒，传统程序员需转型为懂业务的技术从业者，近期爆火的FDE（前沿部署工程师）即体现了这一点。目前RSI能让AI接手的“两头”工作多限于实验型任务，如Weco AI团队的AIDE²案例，让AI Agent在8天试验中自我改进代码。但在真实组织层面，AI的“端到端”仍局限在短链路中，是否应授予AI更高权限、如何界定权责、配套监督机制如何更新，这些超越了现有的人机协作范式，在成规模组织中少有探索。
或许，当AI在开发流程中贡献度达到一定量级、落地真实场景达到一定阶段后，才会出现更前沿的AI组织形态，那才是RSI的最强加速器和验证器。当然，也有不少声音认为RSI是“伪概念”，或认为延续当前技术路径不可能出现RSI。一位本地模型初创公司创始人认为，目前的云端大模型及Transformer范式无法形成创造力，只能在人类设定的框架中运行，“路越走越窄”。在RSI概念热度升高之际，关于技术路径、底层架构、组织形态的探索与理论框架也在被重新讨论。在一种关于未来的想象逐渐具象化的过程中，往往会诞生更多意料之外的变革与突破。