李飞飞与JeffDean对谈RSI，AI自我改进存在物理天花板，非共识观点引发反思

2026年11月初，在斯坦福大学举办的‘直面AI的未来’（Confronting Our AI Future）大会上，一场备受关注的对话引发了学界与产业界的广泛讨论：斯坦福大学计算机科学教授李飞飞与前谷歌首席科学家Jeff Dean围绕‘递归自我改进’（Recursive Self-Improvement, RSI）展开了近半小时的坦率交流。这场对话并非技术演示或产品发布，而是一次对AI发展路径的理性校准——当RSI成为硅谷新热词时，两位资深研究者选择回归基础问题：它到底是什么？边界在哪里？是否真能无限加速？

RSI的概念近期因AI在编程、模型调优乃至科研辅助中的能力提升而迅速升温。从自动调整超参数、神经架构搜索（NAS），到让AI参与自身训练流程的设计，各类自动化实践被统称为‘自我改进’。但李飞飞在开场即指出，术语的滥用正模糊技术实质：“过去几十年我们一直在做元学习、持续学习、终身学习，现在突然都叫RSI，这让我作为科学家感到困扰。”她特别质疑了‘AI可无限加速自身进化’的流行叙事，认为其中混杂了真实进展与想象空间。

Jeff Dean对此表示认同。他承认自动化确能提升研发效率，例如在医学影像任务中，AI可反复尝试不同网络结构并筛选最优方案；但关键在于，该过程并未改变底层系统的研究能力本身。“真正的RSI要求系统不仅能优化模型，还能改进自己的‘研究方法’——比如学会设计更高效的实验协议、提出新的损失函数，甚至重构自身的推理机制，再用这个升级版系统继续迭代。”他强调，即便如此，训练周期、数据验证与硬件算力仍构成刚性约束。“有些人以为自我改进循环可以指数级加速，这是不现实的。计算和实验验证需要时间，物理世界不会为算法让步。”

值得注意的是，Dean本人正是RSI实践的积极推动者。今年8月，他在结束长达27年的谷歌生涯后，联合三位前谷歌核心研究员创立了Discovery Loop公司，目标正是通过AI闭环自动化加速科学与工程探索。他在大会闭幕环节首先介绍了该项目：利用AI代理构建“假设—实验—分析—修正”的自主循环，应用于材料科学、药物发现等领域。这一背景使他的审慎立场更具分量——并非否定方向，而是警惕对速度与规模的盲目乐观。

对话中，双方还探讨了RSI与人类元学习能力的关联。李飞飞提出，人类儿童通过少量样本快速泛化、迁移知识的能力，为AI的自我改进提供了启发路径；但人类认知受限于生物进化形成的“认知脚手架”，AI若要实现类似跃迁，需解决如何在无明确监督下建立内部评价标准的问题。Dean补充道，当前AI的“改进”高度依赖外部指标（如准确率、损失值），而真正递归式进化需系统自发定义“更好”的含义——这仍是未解难题。

技术边界的讨论也延伸至行业现实。根据METR（Machine Intelligence Research Institute）发布的基准评估图（图4），截至2026年10月，大模型综合能力（AECI）增长速率约为此前2025年10月前水平的1.9倍，但误差区间显著扩大，尤其在Opus 5.5、Mythos S等最新模型上，性能波动加剧。这暗示：当模型逼近现有架构与训练范式的极限时，单纯堆叠算力与数据带来的边际收益正在递减。Dean指出：“我们看到曲线斜率变陡，但别忘了，那只是短期现象。长期来看，如果没有新范式突破，增速必然回落。”

此次对话的深层价值，在于为喧嚣的产业叙事注入冷静变量。近年来，伴随多模态大模型落地、AI for Science兴起，RSI被部分机构包装为“通往AGI的捷径”。然而，李飞飞与Dean的共识是：自动化是工具，不是魔法；加速是相对的，不是绝对的。他们提醒听众，应区分“流程自动化”与“能力递归演化”——前者已在发生，后者仍处理论探索阶段。

这一立场也呼应了更广泛的学术反思。2026年多项研究指出，当前AI系统的“自我改进”本质仍是人类设定目标下的优化行为，其创新边界受制于初始架构与训练数据分布。例如，DeepMind近期论文显示，即使让AI重写自身代码，其生成的变体在数学推理任务上未超越原始模型；而斯坦福HAI团队的实证分析表明，超过70%的所谓“AI自主研究”成果仍需人工介入关键决策节点。

此外，Dean团队在Discovery Loop的实践中亦采取务实策略：不追求全栈自治，而是聚焦“人机协同增强回路”——AI负责高重复性实验设计与数据初筛，人类科学家主导假设生成与结果诠释。这种模式既利用AI效率优势，又规避了脱离人类监督的风险。

值得留意的是，这场对话发生于AI投资情绪阶段性回调的背景下。美联储官员戴利近期表示，人工智能相关资产的“重定价进程运行平稳”，暗示市场正从狂热转向理性估值。当资本开始追问“技术兑现周期”而非“概念想象力”时，学界对RSI的审慎声音恰逢其时。

李飞飞在结尾总结道：“我们欢迎创新，但必须守住科学的诚实。如果连‘什么是RSI’都未达成共识，就宣称它将带来奇点，这对领域长期健康有害。”Dean则补充：“我的创业不是为了证明RSI能无限快，而是想弄清楚——在物理与工程的约束下，它最多能做到哪一步。”

这场对话没有提供标准答案，却划出了一条清晰的认知底线：AI的自我改进之路，注定是一场在现实约束中寻找最优解的漫长跋涉，而非一蹴而就的指数飞跃。