11月9日，百度文心首次公开披露了其RSI（Recursive Self-Improvement，递归自我改进）系统的进展：一个名为ERNIE Evolve的自动研究系统，已经实际参与了即将发布的文心5.5 Flash的研发，负责三项推理性能优化任务——并且全部通过了生产级验证。

这条新闻在国内媒体的报道里不算显眼，但它可能是本周最值得深思的一条行业信号。原因很简单：RSI第一次以"已用于生产研发"而非"论文/demo"的姿态，出现在一家主流大厂的官方路线图里。

RSI到底是什么，为什么它重要

递归自我改进的核心思想一句话就能说清：让AI直接参与自身的研发流程，自主提出方向、跑实验、验证结果、积累经验，用这些改进后的能力再去改进自己，形成闭环。

这个概念在AI安全文献里被讨论了十几年，长期以来它更多是一个理论恐吓——“奇点"叙事的标配元素。但2026年的进展让它迅速实体化：OpenAI、Anthropic、腾讯、智谱等多家厂商都在探索将RSI引入模型研发；创业公司Recursive干脆以"Eureka Machine"为主业，号称自动化整套科学方法，其发布的40B参数MoE模型Flint宣称"每一个构建环节都由自动研究系统塑造”。

百度这次披露的价值在于细节的颗粒度。它不是愿景宣言，而是一份带工程数字的落地报告——这让我们第一次能拆开看，RSI在真实生产环境里到底长什么样。

拆解ERNIE Evolve：一个"AI研究团队"的组织架构

ERNIE Evolve采用双层循环组织研究：

  • 外层循环：结合历史实验结果和已有知识，提出新的研究方向，并安排多条研究线并行探索；
  • 内层循环：针对具体方向持续进行代码修改、效果评测和经验沉淀。

系统内部由多个智能体分工协作，角色划分清晰得像一份创业公司组织架构图：

  • Director负责选择研究方向；
  • Selector确定每轮实验的目标和代码起点；
  • Executor修改代码并生成新版本；
  • Evaluator（独立评测程序）负责评测性能和结果；
  • Reviewer检查研究是否偏离目标、是否存在评测漏洞。

注意最后两个角色。只有通过评测和复核的改进才能保留——这是整个系统里最关键的设计。每轮实验的代码改动、结果和经验都会被记录，供后续研究参考。

这个架构揭示了当前RSI的真实形态：它不是科幻意义上的"AI重写自己的权重"，而是AI Agent接管研发工作流中可形式化的那部分——推理优化、算子调度、参数搜索这类目标明确、反馈即时、结果可客观验证的工程任务。

三个生产案例里的数字

ERNIE Evolve在文心5.5 Flash上的三项任务，成绩单如下：

昆仑芯P800低时延优化：历时约168小时，4轮方向探索，先后接入原生融合算子、启用投机解码，再优化主机调度与同步机制、通信路径，最优版本生成速度提升至基线的623.6%。

确定性推理吞吐优化：3天时间，围绕确定性采样、确定性开关及算子并行策略探索3个方向，吞吐提升至基线的133.7%，平均每token生成时间缩短26%，首token延迟降低12%——且严格保持确定性。

极致解码速度优化：累计探索7个研究方向，其中3个方向（MoE与mHC算子、矩阵乘与调度策略、草稿模型关键路径）带来有效提升，推理性能累计提升至基线的114.9%，精度与基线一致。

这些数字值得放在行业坐标系里看。推理基础设施优化，历来是依赖顶级系统工程师经验的"手艺活"——一个资深团队做出10%-30%的性能提升，通常以周为单位计。而ERNIE Evolve在几天到一周的时间里，并行探索多条路径，拿到了从14.9%到523.6%幅度不等的提升，并且全部通过人类团队的压测与正确性检查。

换句话说：在目标明确、评测客观的工程领域，AI研究系统的探索带宽已经可以和人类专家团队掰手腕，而且它不知疲倦、不休假、可以无限并行。

为什么第一落点是推理优化，而不是"更聪明的模型"

一个耐人寻味的细节：百度明确说"推理基础设施优化是RSI在真实研发中的第一个落点"，未来才逐步延伸至训练系统优化、模型能力研究和评测体系迭代。

这个顺序不是随意的，它揭示了RSI落地的真实约束条件：

**第一，反馈信号必须客观、即时、廉价。**推理优化有现成的基准（吞吐、延迟、精度），评测可以自动化，一次实验的验证成本是分钟级。相比之下，“模型能力研究"的反馈信号模糊、评测昂贵、结果方差大，AI自主探索的信号噪声比差得多。

**第二，失败必须廉价。**推理优化的实验失败，损失的是算力和时间；训练实验失败可能烧掉几十万且一无所得。RSI系统的探索是高并行的试错，只有失败成本低，试错的数学期望才为正。

**第三，改进必须可验证、可回滚。**Evaluator和Reviewer的双重复核机制之所以有效，是因为代码性能的提升是可精确度量的。如果扩展到模型能力研究，“这个改动让模型变好了吗"本身就成为一个难以自动判定的问题。

这意味着RSI的扩展路径会遵循一条清晰的规律：**从反馈明确的工程优化，逐步走向反馈模糊的研究任务，每一步的推进速度取决于该领域能否建立可靠的自动化评测。**评测体系的含金量，决定了RSI能走多远。这也是为什么百度把"评测体系迭代"列为未来方向之一——先造尺子，再让AI用尺子探索。

速度上限的改写：从人类带宽到机器带宽

理解了RSI的工作形态，就能看清它真正改变的是什么。

传统上，模型迭代的瓶颈是人类研究者的带宽：一个实验室能同时探索的研究方向数，受限于有多少个能独立带方向的研究员。方向A和B之间的人力争夺，决定了技术路线收敛的速度。

RSI把探索的边际成本压到了算力价格。当方向探索可以无限并行，模型迭代的速度上限就不再受限于人类研究者的数量和精力，而是取决于算力预算和评测体系的可靠性。

这对行业竞争格局的含义是深远的：

**其一，研发效率的军备竞赛有了新的维度。**过去比拼的是"能雇到多少顶尖研究员”，未来比拼的是"自动研究系统的探索效率×算力投入×评测可靠性”。ERNIE Evolve在NanoChat AutoResearch和NanoGPT Speedrun两项任务上拿到公开验证的SOTA——注意，这类基准本身就在快速涌现，说明"自动研究能力"正在成为一个独立的、可评测、可竞争的能力层。

**其二，基准与能力的差距周期会缩短。**人类研究者对新基准的"攻克"以月计；自动研究系统以天计。当各家评测体系都在被RSI加速冲刷，我们熟悉的"基准发布→刷榜→饱和"周期会被压缩，基准设计将不得不更多转向对抗性、开放性和真实任务。

**其三，小团队的机会窗口在收窄的同时也在变形。**RSI需要算力、需要成熟的评测基础设施、需要生产环境验证——这些都是巨头优势。但反过来看，推理优化这类"苦活"被AI接管后，人类工程师的价值会更集中在定义问题、设计评测、审查方向这些上游环节。工程师的稀缺能力从"做优化"变成"判断什么值得优化"。

必须回答的两个问题

百度在披露中强调，RSI的扩展"将在明确的目标、权限和资源边界内进行，并接受持续的安全评估与人工监督"。这句话不该被当作例行公文的免责声明，因为RSI确实带来两个尚未有行业共识的问题：

**一是可审计性问题。**当一条技术路线是AI自主探索出来的——Director选择了方向A而不是B，理由可能埋在数万条实验记录里——人类团队如何复核这个决策的合理性？如果ERNIE Evolve式系统在几个月内积累了人类永远读不完的实验历史，“人工监督"在实践上意味着什么？监督者监督的是结果，还是过程？目前的Reviewer机制解决了单轮实验的质检，但没有回答系统层面的方向合理性审查。

**二是能力分布的不对称。**RSI在推理优化上验证有效的逻辑，同样适用于漏洞挖掘、攻击工具开发等"目标明确、反馈客观"的恶意方向。安全侧的RSI研究与能力侧的RSI研究，目前明显不在一个投入量级上。当能力迭代被机器加速，安全评估如果还停留在人类速度，差距会指数级拉开。

这两个问题没有现成答案，但它们应该在RSI扩展到训练优化、能力研究之前被回答，而不是之后。

结语

RSI从论文概念走到生产研发，最值得记住的不是623.6%这个数字，而是一个更朴素的事实：AI研发这个职业本身，正在成为第一批被AI显著改造的知识工作之一。

这不是"AI取代研究员"的陈旧叙事。恰恰相反——定义问题、设计评测、审查方向、守住边界，这些人类研究者的核心职能，价值正在被放大；被自动化吞掉的，是那些本就机械重复的试错环节。

真正的分水岭在于：当探索的带宽不再稀缺，判断力会成为整个AI产业链上最稀缺的资源。而判断力如何培养、如何传承、如何不被海量机器生成的实验记录淹没，是留给人类研究者的新作业。

参考：百度文心技术博客（ERNIE Evolve）、雷峰网、Recursive (recursive.com)、Latent.Space