9月30日，Google DeepMind研究员Zirui Wang在社交媒体上表示，其团队新发布的模型已正式超越他本人的能力。当天，谷歌发布Gemini 4系列首款模型Gemini 4 Argon，这是谷歌今年最重要的旗舰模型发布。这一表态随即引发业界对谷歌是否已实现RSI（递归式自我改进）的猜测与讨论。
RSI指AI参与改进自身或研发下一代AI的能力。目前，多家公司已将RSI纳入研究目标和投资叙事，相关论文、评测基准和产品正密集出现。谷歌是其中投入最大、行动最激进的公司之一。仅在9月，谷歌就连续公布了四项相关进展，涉及模型研发、搜索策略和智能体工作流等环节。
密集布局的背后是谷歌在大模型竞赛中的紧迫感。不到一年时间，Gemini从登顶榜单滑落至被部分用户揶揄为“美国豆包”。旗舰模型延期、核心人才流失、编程智能体等关键方向被竞争对手率先定义，谷歌面临的风险已从单轮模型落后演变为逐渐失去行业节奏。据Business Insider报道，谷歌联合创始人谢尔盖·布林对Gemini的进展并不满意，并推动团队将更多精力投入RSI。
RSI看似是“AI改进AI”，但行业至今未形成统一定义，争论主要围绕三个问题展开：AI究竟能改进什么、一次改进能否降低下一次进步的成本、如何证明改进真实有效。
在改进对象上，Anthropic将代码智能体视为RSI的前置阶段，认为只有当模型能较为自主地完成训练、评估和后继系统开发时，循环才算真正闭合。OpenAI关注研究工作自动化程度，于9月6日宣布达到“自动化研究实习生”阶段目标，并计划在2028年3月前进化为“自动化AI研究员”。谷歌的理解则更偏向系统工程，认为只要AI能持续改进训练代码、算法、工具链、芯片设计和数据中心调度，并用这些收益缩短下一代模型开发周期，递归效应就可能出现在整套研发系统中。
在迭代效率上，Google DeepMind研究员姚顺宇指出，RSI是一个连续光谱，而不是某个突然到来的时刻。真正的递归效应要求一次成功能够提高后续搜索、实验或研发的效率，例如训练内核加速可缩短下一代模型训练时间，数据中心释放更多算力可支持更多实验。
在验证机制上，代码能否编译、内核提速多少、内存节省多少均有相对明确的标准，但模型是否获得可迁移到新任务的能力、自动生成的训练方法是否优于原方案，往往更难判断。近期，Scale AI推出的RSI Bench、聚焦算法设计的AI4AI-Bench，以及覆盖GPU内核、训练、推理和服务等领域的Φ-Bench，都在测试RSI所需的前置能力。
过去一个月，谷歌原本散落在模型、智能体、搜索策略、芯片和数据中心等环节的RSI投入开始汇合。9月2日发布的Gemini 3.8 Flash释放了直接信号，谷歌称长时间运行的智能体循环参与了该模型的开发。姚顺宇评价，这是模型能力的“一小步”，却是RSI的“一大步”。
9月14日，谷歌与两所美国高校的研究者发布Dream-RSI，为智能体配备持续更新的“探索地图”，记录每次尝试的代码、报错、运行时间和最终得分，从而判断哪条路值得继续、哪条路应放弃，减少研发中的无效试错。一周后的9月21日，谷歌云AI研究团队联合三所美国高校发布RRSI，让AI参与改造自己的操作台，根据任务反馈修改提示词、增减工具调用、重新拆分任务或调整多智能体分工。Dream-RSI解决“往哪里走”，RRSI解决“怎么把活干好”。
更早发布的AlphaEvolve已将这套思路带入生产系统。Gemini批量提出候选方案，评估器逐一测试，系统保留表现更好的版本并继续探索。目前，AlphaEvolve已进入谷歌的数据中心、芯片和AI训练流程。今年7月10日，谷歌将AlphaEvolve正式推向Google Cloud商用，自动优化从内部研发工具扩展为对外平台能力。
对谷歌而言，RSI既是技术路线，也是资本回报逻辑。8月初，Google DeepMind首席战略官Jasjeet Sekhon在伯克利Agentic AI峰会上表示，RSI是当前巨额AI投入背后的核心投资逻辑之一。2026年，Alphabet将资本开支指引上调至1950亿至2050亿美元，大部分资金将用于服务器、数据中心和网络设备。谷歌需要证明这些资源不只能服务搜索、广告等核心业务，也能持续提升自身研发效率。RSI提供的正是一种复利效应：算力扩大研发能力，更强的研发能力又反过来提升算力利用效率。
从模型外围入手、在容易衡量的环节积累改进、再将收益带回模型研发，是谷歌现阶段推进RSI的核心思路。随着模型、智能体与基础设施开始彼此连接，一条RSI研发生产线正在谷歌内部成型。这条路线能否帮助谷歌重新夺回行业节奏，将取决于其在改进对象、自主程度和验证机制三个维度上的实际进展。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
