给硅谷泼冷水！李飞飞与Jeff Dean关于 RSI 的讨论会实录

Datawhale干货

对谈：李飞飞、Jeff Dean

递归自我改进（RSI）是当下最性感的 AI 概念。之前我们就给大家科普过：

在很多人的想象里，RSI 就是打开 AGI 的终极钥匙。一旦 AI 能够自己写代码、自己做实验，研发就会进入无限加速的“奇点循环”，一夜之间完成技术爆炸。

但狂欢属于围观者，清醒属于造物主。当大家都在畅想 AI 左脚踩右脚上天时，一线的大佬们看到的却是另一番景象。

最新，斯坦福 HAI 大会迎来了最重磅的闭幕对谈。对谈的双方，是任何 AI 从业者看到都要起立致敬的名字：用 ImageNet 点燃深度学习革命的李飞飞，以及亲手缔造了谷歌大脑与无数底层神作的传奇巨匠 Jeff Dean。

两位真正经历过 AI 寒冬与盛夏的领路人凑在一起，完全不打算给硅谷的泡沫留面子。

“咱们别整虚的公关辞令了，直接上点硬核干货吧（let's nerd out a little bit）。”李飞飞一句话定下了全场的基调。在她看来，如今硅谷挂在嘴边的 RSI，充斥着太多脱离现实的幻想。

当最懂 AI 视觉的学者，遇上最懂 AI 系统的工程大佬，他们用最朴素的工程逻辑，一层层剥开了 RSI 的神话外衣。

一、自动调参不等于 RSI

1. 看清不断翻新的技术概念

理解这场对谈，首先需要厘清术语的演变与界定。

李飞飞在现场直言，太阳底下无新事。在她学术生涯的不同阶段，类似的探索在机器学习领域早就换过好几茬名字了。从早期的增量学习（incremental learning），到持续学习（continuous learning）、元学习（meta-learning）、终身学习（lifelong learning），再到前几年大火的神经架构搜索（NAS）。如今，聚光灯又打在了「自我改进」与 RSI 身上。

2. 底座变强才算递归进化

面对这串让人眼花缭乱的术语，Jeff Dean 直接给出了一个极其犀利的判据：到底是谁在变得更好？

他拿医学影像分析举了个例子。假设团队要做一个看核磁共振（MRI）的诊断模型。如果我们搭一套自动化流水线，让系统自己去试各种模型架构、跑测试、看结果，最后挑出准确率最高的方案——这个 MRI 模型的性能确实会越跑越强。

但 Jeff Dean 一针见血地指出：这只叫常规的「自我改进系统」，根本不算递归。

为什么？因为在这个过程里，变强的只是那个用来看片的 MRI 模型。而背后那个负责设计实验、负责调度和评估的「基础研究系统」，从头到尾原地踏步，它的科研能力没有半点提升。

在 Jeff Dean 看来，真正的 RSI 有着极其严苛的门槛：改进的结果，必须能反哺给「负责提出改进方案的基础系统本身」。只有当这个底层系统在运转中变得越来越会设计实验、越来越懂提出假设，整个过程才算真正跨入了「递归」的门槛。

看懂这一层，就能过滤掉市面上 90% 的伪概念：一个能产出更好结果的应用流水线，和一个自身科研智商不断进化的底座系统，在技术难度上隔着一条鸿沟。

二、单点提效不等于底层进化

1. 试错只能练好单项技能

在明确了系统层面的概念区分后，李飞飞将话题延伸到了认知与生物学层面：从现有机制来看，人类自身究竟属于自我改进系统，还是递归自我改进系统？

她拿自己学做煎蛋卷的经历打了个比方。李飞飞笑着说自己厨艺很差，第一次煎蛋大概率会把锅彻底烧糊。但只要不断试错调整，第二次就会好一点，煎上十次，差不多就能端出一盘及格的煎蛋卷了。

这种“试错—反馈—熟练”的过程，就是最典型的自我改进。

但如果非要把学煎蛋变成 RSI，那画风就完全变了。它意味着你在煎蛋的过程中，大脑底层的神经连接被彻底重构，甚至直接进化出了更适合颠勺的“第六根手指”。整个中枢系统完成硬件与底层的全面升级，再去降维打击更复杂的任务。

2. 关键是提炼出通用方法

面对老友这个生动的类比，Jeff Dean 认为，人类身上其实同时装着这两套引擎。

一方面，我们学做饭、学微积分，这属于针对具体任务的自我改进。但更关键的是，人类在死磕具体技能的同时，还在暗中完成另一重进化：我们能够「学会如何学习（learning how to learn）」。

通过不断跨界接触新事物，人类会慢慢摸清什么样的信息结构最容易吸收、什么样的认知路径能最快抓住本质。这种对「学习方法本身」的提炼，直接拉高了我们未来攻克陌生领域的速度。Jeff Dean 认为，这种元学习能力，正是人类身上的递归进化属性。

把这个逻辑映射到 AI 上， 核心挑战 也就浮出水面了：系统能 不能在解完一道道具体题目后，自己总结出一套可跨界迁移的「科研方法论」？如果不能，那它就依然只是一个熟练工。

三、自动化跨不过物理极限

1. 自动化能消灭「流程空窗期」

厘清了概念，两位大佬开始讨论硅谷最流行的那个设想：既然 AI 能自己做实验，研发速度是不是就能无限加快？

作为全球最懂大规模计算系统的工程师，Jeff Dean 给出了一个冷酷的回答：在物理现实面前，无限加速根本不成立。

为了说明自动化到底能干什么、不能干什么，Jeff Dean 讲了一个所有算法工程师都深有体会的「凌晨两点案例」。

在现在的研发流程里，研究员傍晚下班前提交一轮实验，机器跑到凌晨两点其实就跑完了。但因为人得睡觉，实验结果就只能干等着，直到早上八点研究员端着咖啡坐回工位，看完日志再决定下一步怎么改。这中间的六个小时，算力和研发进度完全处于空置等待状态。

如果换上自动化系统，凌晨两点实验刚结束的那一秒，系统就能立刻读取日志、分析全局结果，当场拍板启动下一轮实验。

把人工交接和作息带来的「流程空窗期」彻底解决，让实验 24 小时连轴转——这正是 Jeff Dean 创办新公司 Discovery Loop 主打的核心切入点。

2. 物理计算的耗时无法跳过

但是，消灭了人的等待，不代表实验本身的耗时能凭空消失。

Jeff Dean 强调，机器学习不是变魔术，模型的每一次改进都建立在实打实的物理计算之上。跑训练需要算力去做矩阵乘法，反向传播需要时间，数据的读写与校验同样受限于硬件带宽。就算决策脑子转得再快，底层的芯片也得老老实实把计算跑完。

更何况，科研是有因果律的。下一轮实验怎么设计，死死依赖于上一轮实验跑出来的结果。如果前一轮训练硬生生要跑上几个小时，系统就必须老老实实等够这几个小时，不可能跨越时间去未卜先知。

这道物理铁律，也直接划定了自动化科研的版图边界。Jeff Dean 透露，Discovery Loop 目前只聚焦在机器学习、工程优化和芯片设计这三个方向——因为它们的全流程都能在纯数字世界里闭环，最容易榨干自动化的红利。一旦跨入材料、化学或生物制药等需要「湿实验」的领域，细胞生长和化学反应受制于客观自然规律，任何算法都无法按快进键。

所以，自动化带来的是消灭空转的「工程红利」，它永远不可能凌驾于物理与计算的硬性极限之上。

四、人机科研的全新分工

1. 海量实验数据能催生新理论

既然自动化系统能以远超人类的并发规模去跑实验，这会不会彻底颠覆延续了几百年的科学发现范式？

拥有物理学背景的李飞飞，抛出了一个极具深度的方法论追问：科学史上有两条路径，一条是实验家，一条是理论家。像牛顿、爱因斯坦那样伟大的理论突破，靠的从来不是海量做实验，而是直刺本质的思想洞察与数学推演。如果未来的 AI 科研全靠海量并发试错，科学会不会彻底倒向粗糙的「实验主义」？

Jeff Dean 对此却非常乐观。他认为，当实验的规模大到一定程度，量变就会催生出新的理论质变。

一个在成百上千个领域跑过海量测试的系统，手里握着人类学者一辈子都见不到的跨学科实证数据与边界条件。基于这些海量事实，系统完全可以反过来去寻找能够解释一切的「最小描述理论（minimal description theory）」。这种跨学科的规律归纳，不仅能反哺理论创新，甚至能一举打破人类大学里各自为政的学科高墙。

2. 机器负责暴力探路，人类负责提炼工具

聊到纯理论，数学是绕不开的终极领地。

李飞飞提到，在准备这场对谈前，她特意找菲尔兹奖得主陶哲轩聊了聊近期 AI 在数学界的突破。前阵子 AI 智能体靠大规模并行搜索攻克了 Navier-Stokes 方程的相关证明，虽然轰动一时，却让很多顶尖数学家心情复杂。

为什么数学家高兴不起来？因为机器吐出来的证明，往往是长达几百页的形式化验证代码（比如 Lean 语言）。

计算机能严格验证这几百页代码绝对正确，但人类数学家看过去却像在看天书，根本提炼不出简洁、优雅、有启发性的证明思想。要知道，数学家毕生追求的不只是“证出真伪”，更是在证明过程中发明新的数学工具，去照亮其他未知的难题。

面对这种落差，Jeff Dean 展现出了极强的工程务实感。他承认，几百页的机器暴力证明确实毫无美感可言，但它干成了一件极其伟大的事。它铁板钉钉地告诉人类：「这道题，在现有逻辑体系下是有解的！」

在漫长而孤独的科学探索中，「确信这道题有解」本身就是一剂强心针。只要机器探明了前方有路，人类学者就会充满干劲地扑上去，顺着方向找出那条最清晰、最优雅的人类理解路径。机器负责暴力探路，人类负责提炼工具——这才是未来最性感的科研搭档。

回到现实中，AI 参与研发到底能提速多少？

行业里确实已经有了一些量化信号。比如评估机构 METR 近期测出，Anthropic 的模型研发进度达到了此前趋势的 1.9 倍。但报告本身说得很清楚，这种提速主要来自 AI 帮工程师写代码、处理测试，它依然是人机协同的辅助提速，而不是系统脱离人类的自主递归。

这和李飞飞与 Jeff Dean 的观点不谋而合。

无论是自动化省去凌晨六小时的交接等待，还是帮具体业务调出更好的模型，目前发生的变化，更多停留在流程与工具层面。

面对关于自我改进的热议，与其讨论那些抽象的概念，不如回到最实际的工程问题：系统到底是在帮人类提效，还是它本身真的学会了如何去做研究。

一起“点赞”三连↓