核心内容
Zhengyao Jiang 讨论通过改写 AI 智能体提升能力的可能,关注系统改进与智能增长之间的关系。
介绍依据 · 发布标题 · 完整内容待核读
编辑导览,依据原始来源 ↗,整理于 2026-10-06。 介绍只说明标题中的讨论议题,不据此判断讲者结论。
递归自我改进(RSI)不必局限于昂贵的模型权重自更新;通过外环智能体自动化改写内环智能体的脚手架代码与提示词规则,系统能够在不改动底层权重的情况下实现进化速度超越人类研发团队的净正增益,为通往端到端自我指涉的智能点火提供了极高样本效率与可解释性的演进路径。
原话
2逐字核对过;核对了说话人和位置我们真正关心的最终结果是系统整体能力的实际提升,而非特定具体层级。当然各层都有改进空间,而且平心而论,当最终走向拐点拐弯的 Level 3 终极递归自我改进时,所有不同层级之间必然需要建立起完整的自指涉闭环。
actually improve the capability of the system not uh a specific layer. uh of course there could be argument that there's more to be do on different layers and to be fair I think eventual level three recursive self-improvement like when we actually reach the inflection point I think there need to be this uh self-referential loop on all different layers
语境:Zhengyao Jiang 阐述 RSI 的系统论视角:不必执念于必须更新神经网络权重,只要系统工程层面跨层实现了端到端自主能力跃迁,即构成了实质意义上的自改进。
所谓 Level 1 是我们称之为「净正增益」的阶段:当你运行自我改进循环时,系统自我迭代与优化的演进速度已经明确超越了人类工程师手工研发优化该系统的速度;而我们当下正处于这一转折点。
the level one is what we called net positive where you run the self-improvement loop and you found that the speed at self-improve is faster than human doing R&D to improve the system and uh that's where we are
语境:Zhengyao Jiang 定义首个可量化的 RSI 实证里程碑:自我优化循环的迭代速率首次超越人类专家 R&D 团队的效率基准。
主张
1转述不加引号;附原文依据和位置,核对范围见语境与收据针对复杂现实任务,针对模型外周脚手架与执行环境的 Harness 工程是极度廉价且高效的自适应手段,能以远低于全参数微调的试错代价最大化释放通用基座模型的智能潜力。
语境:Zhengyao Jiang 强调脚手架工程在 Agent 自进化中的核心战略地位:将算法改写锚定在代码与提示词空间,兼顾极致能效与防作弊验证。
相关
递归语言模型
Alex Zhang·Latent Space·播客 · 2026-10-02
同话题 · 学习范式与路线已核对原话
用反思打败强化学习:GEPA 与通用文本优化协议
Lakshya A. Agrawal·AI Engineer·演讲 · 2026-09-26
同话题 · 递归自我改进已核对原话
自动研究让我们的模型快了 3 倍:GPU 算子搜索与防作弊
Tejas Bhakta·AI Engineer·演讲 · 2026-09-26
同话题 · 递归自我改进已核对原话
一个会自我改进的智能体是怎么造的
Zubin Aysola·AI Engineer·演讲 · 2026-09-26
同话题 · 递归自我改进已核对原话
OpenAI 研究员谈智能体集群与递归自我改进
Noam Brown·Dwarkesh Podcast·播客 · 2026-09-17
同话题 · 递归自我改进已核对原话
递归自我改进:从自动研究到超级智能
Richard Socher·Latent Space·播客 · 2026-09-14
同话题 · 递归自我改进已核对原话