李飞飞与Jeff Dean对谈：拆解RSI的神话与边界

递归自我改进（RSI）是当前AI领域最受关注的概念之一。此前已有科普内容对其进行了系统梳理，指出不少人将RSI视为开启通用人工智能（AGI）的终极钥匙，认为一旦AI能自主编写代码、开展实验，研发将进入无限加速的循环，引发技术爆炸。但一线AI领域的顶尖专家却持有更务实的观点，在近期某行业重要会议的闭幕对谈中，两位经历过AI发展全周期的领路人——曾主导ImageNet项目点燃深度学习革命的学者，以及缔造谷歌大脑的工程巨匠，共同拆解了RSI的神话外衣。

对谈伊始，双方就跳出了空泛的讨论，直指RSI概念的本质。李飞飞指出，类似的技术探索在机器学习领域由来已久，从早期的增量学习、持续学习、元学习到神经架构搜索，只是换了不同的名称。Jeff Dean则给出了核心判据：判断是否为真正的RSI，要看「到底是谁在变得更好」。他以医学影像诊断模型为例，若搭建自动化流水线，让系统自主测试不同架构、筛选最优方案，确实能提升MRI模型的性能，但这只是常规的自我改进系统，而非递归。因为在这个过程中，负责设计实验、调度评估的基础研究系统本身毫无进步。真正的RSI要求，改进结果必须反哺给负责提出改进方案的基础系统，让底层系统在运转中学会更好地设计实验、提出假设，才算跨入递归的门槛。

李飞飞进一步将话题延伸至认知层面，以自身学做煎蛋卷的经历类比：普通人反复试错调整，做出合格煎蛋卷，这是典型的自我改进；而若要达到RSI的程度，则需要底层神经连接被重构，甚至进化出更适配任务的「硬件」，才能应对更复杂的挑战。Jeff Dean补充道，人类身上同时存在两种机制：针对具体任务的自我改进，以及更关键的「学会如何学习」的元学习能力——通过跨界接触新事物，摸清高效吸收信息、抓住本质的认知路径，这种能力正是人类具备递归进化属性的核心。映射到AI领域，核心挑战在于，系统能否在解决具体问题后，总结出可跨界迁移的科研方法论，否则只能停留在熟练工层面。

针对AI自主研发能否无限加速的设想，Jeff Dean给出了物理层面的边界：自动化能消除研发流程中的「空窗期」，比如研究员提交实验后，机器跑完结果等待人工处理的六小时，自动化系统可立刻读取结果并启动下一轮实验，这正是其创办公司的核心切入点。但物理计算的耗时无法跳过，机器学习依赖矩阵乘法、反向传播等实打实的算力，科研的因果律要求必须等待上一轮结果，无法跨越时间。因此，自动化仅适用于全流程可在数字世界闭环的领域，如机器学习、工程优化、芯片设计，而涉及湿实验的材料、化学、生物制药等领域，无法突破自然规律的限制，自动化也无法按快进键。

关于AI科研对传统科学范式的影响，李飞飞提出疑问：全靠海量试错的AI科研，是否会让科学倒向粗糙的实验主义？Jeff Dean则认为，当实验规模达到一定程度，量变会催生新的理论质变，系统可基于海量跨学科数据寻找最小描述理论，打破学科壁垒。在数学领域，AI能通过大规模并行搜索攻克复杂方程，生成长达数百页的形式化验证代码，虽无美感，但能证明题目有解，为人类学者指明方向，人类则可提炼出简洁优雅的证明思想，发明新的数学工具。未来的科研搭档模式是：AI负责暴力探路，人类负责提炼工具。

回到现实，AI参与研发的提速已有量化信号，某评估机构显示，部分模型研发进度达到此前趋势的1.9倍，但这种提速来自人机协同，是AI辅助工程师处理代码和测试，而非系统脱离人类实现自主递归。无论是自动化消除空转，还是调出更好的模型，目前的变化仍停留在流程与工具层面。面对关于自我改进的热议，与其讨论抽象概念，不如回到实际问题：系统是在帮人类提效，还是本身真的学会了如何做研究？