上交、清华等机构联合论文《The Last AI Built by Humans》给出了 RSI 的自主性分级标尺：B0（任务内改进）+ L1 至 L5，最高级 L5 要求系统改写并继承「如何造更好后继系统」的机制。论文用 HCI 指标测出 2026 年各领域能力天花板：高等数学 86.4，工具型 Agent 仅 39.9。当前最强已证实水平是 L2，有效的 L4/L5 缺乏统计显著证据。智谱 9 月宣布的「完全自训练」按此框架仅属 L2–L3 工程尝试。

RSI 的源头不在 2026 年，而在 1965 年数学家 I.J. Good 的「智能爆炸」设想：一台超智能机器能设计出更好的机器，人类智能将被远远甩在后面。1993 年弗诺·文奇在论文《超人剧变即将来临》中系统阐述了技术奇点理论。2001 年 Eliezer Yudkowsky 正式提出「种子 AI」与「递归自我改进」术语。Gödel Machine（2003）给出了第一个数学上严格的自指改进模型。60 年来逻辑内核未变，但 2026 年的突破在于——代码生成能力突破让部分有界闭环保真跑了起来。

同一场 RSI 叙事里，Anthropic 的达里奥·阿莫代伊呼吁全行业集体降速、允许第三方评估员常驻实验室，OpenAI 和马斯克罕见附和。英伟达的黄仁勋直接开怼：AI 末日论纯属无稽之谈，真正风险是制造恐慌导致技术不敢落地。批评者指出，头部公司推动的高额安全审查成本天然构成扼杀开源社区和中小企业的壁垒，它们既是规则的推动者也是风险标准的定义者，安全叙事本质是争夺算力与监管特权的工具。

OpenAI 已实现「自动化研究实习生」：截至 8 月中旬，每投入 1 个人类工作日，研究部门的智能体运行时长相当于 3.1 个工作日。Anthropic 代码库中 80% 的合入代码由 Claude 自主编写，训练效率提升至人类工程师的 13 倍。但 Elasticity Institute 的研究指出，当前 AI 研发生产力提升仅约 9%，距离维持 RSI 正反馈所需的 15% 阈值仍有差距。真正瓶颈不在代码生成，而在人类审查速度——AI 生成的代码堆积如山。OpenAI 的下一个里程碑是 2028 年 3 月的全自动 AI 研究员。

如果 AI 能自主改进训练流程、重写自身代码，甚至修改自身的安全评估机制，那么对齐这个经典问题——如何让 AI 目标与人类意图一致——将面临一个全新维度：传统 RLHF 等控制论方法假设改造主体是人类，RSI 下改造主体可能是 AI 本身。北大对齐小组的综述将主要思路分为控制论进路（RLHF）和博弈论进路（合作逆强化学习），但二者都假设改进过程中人类能持续介入。RSI 的递归性质让「谁来确保下一轮改进不会偏离」成为一个悬而未决的开放问题。