ARTICLE · 1289219
AI能否真正自我进化?从第二递归定理到自指的临界门槛
LLM已经能够写代码、修复错误，甚至优化自己的工作流程。但这是否意味着它已经具备真正的自我进化能力？
要回答这个问题，我们需要回到一个近九十年前的数学发现——克莱尼第二递归定理（Kleene’s Second Recursion Theorem，简称SRT）。
2026年8月，张江、袁冰和张倩在《Entropy》期刊发表论文《Self-Referential Introspection in Large Language Models: The Critical Threshold for Recursive Self-Improvement》，提出一个重要假说：
持续的递归自改进，可能需要AI系统跨越一个“自指式内省”的能力门槛。
这不仅关乎AI模型有多大、计算能力有多强，更关乎一个根本性问题：
一个智能系统，能否将自己作为认识、模拟、评价与改造的对象？
一、递归：一个过程如何调用自己？
我们先从数学中的递归说起。
最经典的例子是阶乘：
n! = n × (n−1)!
其中规定0! = 1。
例如计算4!：
4! = 4 × 3!= 4 × 3 × 2!= 4 × 3 × 2 × 1!= 24
整个计算过程不断重复相同的规则，只是每次面对一个更小的问题，直到达到终止条件。
这就是递归（Recursion）的基本思想：
一个过程通过重复应用自身的规则来解决问题。
计算机中的递归函数、搜索算法、树状任务分解，本质上都属于这种机制。
但这里有一个容易忽视的问题：
一个程序能够调用自己，并不意味着它知道自己是什么，更不意味着它能够修改自己的程序结构。
递归并不等于自指。
二、自指：当程序把自己变成研究对象
所谓自指（Self-Reference），就是一个系统能够在自己的计算中引用自身的描述。
我们可以设想两种AI程序。
第一种程序能够反复执行任务，发现结果不好，就重新计算。
第二种程序则能够进一步思考：
“我的求解算法是什么？”
“为什么我的算法经常失败？”
“如果修改自己的内部规则，结果会怎样？”
“我能否设计出一种更好的方法，来改进自己的求解方法？”
两者之间存在本质区别。
第一种程序在解决外部问题，第二种程序则开始把解决问题的自己作为研究对象。
在计算机科学中，有一种非常有趣的程序叫作Quine。
Quine程序的特点是：运行以后能够输出自己的完整源代码，而且不需要从文件中读取自身代码。
它证明了一件看似不可思议的事情：
一个程序可以成为自己所处理的信息。
不过，能够输出自己的代码，并不代表程序具有自我意识，也不意味着它理解这些代码，更不代表它能够改善自己。
Quine展示的是自指的计算可能性，而不是智能进化的必然性。
三、第二递归定理：自指的数学基础
1938年，数学家斯蒂芬·克莱尼（Stephen Cole Kleene）提出了第二递归定理。
它是可计算性理论中非常优美的成果之一。
其核心思想可以表述为：
对于任何可计算的程序变换规则，都可以构造一个程序，使它的计算行为与该规则作用于自身程序编号后得到的程序等价。
数学上通常写成：
φₑ ≃ φ_{f(e)}
其中：
- e代表一个程序的编号。
- φₑ代表该程序计算的函数。
- f代表一个全可计算的程序变换函数。
- f(e)代表变换后的程序编号。
- ≃表示两个程序的计算行为等价。
这里最精彩的地方，是程序编号e既代表被执行的程序，又作为变换规则f的输入。
程序同时成为计算的主体和被计算的对象。
第二递归定理通过程序编码、参数特化和对角化，证明这种关系可以被严格构造。
它不需要任何神秘的自我意识，也不依赖某种哲学意义上的主观体验。
自指完全可以是一种数学上明确、计算上可实现的机制。
但我们必须特别强调：
第二递归定理证明了自指程序的存在性，并没有证明程序能够通过自我修改变得更聪明。
数学上的固定点，不等于智能水平的持续增长。
四、递归自改进：AI为什么可能越改越差？
递归自改进（Recursive Self-Improvement，RSI）指的是一个系统能够改进自身，而改进后的系统又能够进一步改进下一代。
我们可以把这个过程表示为：
S₀ → S₁ → S₂ → S₃ → ……
其中S₀是原始系统，S₁是第一次改进后的版本，后续依次类推。
直觉上，这似乎会带来持续的智能增长。
但实际并非如此。
第一种情况：能力退化
系统可以修改自己，却无法正确判断这些修改是否有效。
每一次修改都可能引入新的错误，错误又在下一轮中被进一步放大。
最后，系统虽然不断变化，能力却越来越差。
这不是进化，而是递归式退化。
第二种情况：能力提升，但很快停滞
系统能够优化提示词、选择更合适的工具、调整工作流程。
前几轮修改带来明显提升。
但当容易发现的优化机会耗尽，系统便进入平台期。
它能够改进某个任务的完成方式，却不能有效改善自己寻找优化方法的能力。
第三种情况：改进能力本身也得到改进
这是更强意义上的递归自改进。
系统不只是提高任务准确率，还能发现自己现有的优化方法存在缺陷。
于是，它开始改进自己的测试机制、搜索方法、学习策略，甚至修改用于评价和选择改进方案的算法。
这种改进又让下一代系统更擅长发现新的优化机会。
真正关键的，不只是下一代AI是否更聪明，而是下一代AI是否更擅长改进自己。
不过，这种机制仍须接受可靠的实验验证，而不能预设它会无限持续。
五、冯·诺依曼的复杂性阈值
上世纪40年代末，冯·诺依曼研究自复制自动机时提出过一个深刻问题：
一台机器能否制造出与自己同样复杂，甚至更复杂的机器？
如果一台机器只能制造简单的机器，那么经过多代复制，系统最终可能不断退化。
如果它拥有足够完整的构造描述、复制机制和控制结构，就可能制造出与自身具有相同复杂组织的后继机器。
这引出了自复制系统的复杂性临界规模思想。
2026年的《Entropy》论文借鉴这个思想，提出了AI递归自改进中的内省阈值（Introspection Threshold）。
作者认为，在其提出的形式模型中，系统若要实现持续、自主的递归自改进，就需要具备足够完整的自指式内省能力。
所谓内省，并不是指AI具有人的主观意识，而是指一种计算功能：
系统能够对自身的运行机制形成模型、进行模拟、识别缺陷，并预测修改自身可能产生的结果。
不过，“内省阈值”目前仍是一项研究假说，而不是已被证明适用于所有AI系统的普遍定律。
究竟是否存在清晰的临界点，还是改进能力随着自我建模能力逐渐增强，仍然需要实验研究。
六、真正的自指式AI，需要四种核心能力
我认为可以把真正自指式递归自改进的要求归纳为四个相互联系的能力。
1. 自我建模（Self-Modeling）
系统需要形成关于自身结构、运行机制、能力边界及局限性的有效描述。
没有自我模型，就很难知道应当修改什么。
2. 自我模拟（Self-Simulation）
系统应当能够预测：如果调整某个算法、更换某个模块、改变某种决策策略，后续行为会发生什么变化？
模拟不一定完全准确，但必须能够通过实际结果检验。
3. 自我评价（Self-Evaluation）
系统必须能够比较修改前后的效果。
尤其重要的是，不能仅仅因为AI自己宣布“我进步了”，就认为改进已经成功。
真正可信的自我评价，需要明确的性能指标、可复现的实验和适当的独立验证。
4. 自我修改（Self-Modification）
系统最终需要将评价结果转化为真实的结构或行为变化。
它可以修改允许修改的代码、算法、策略、工具配置，或者在适当条件下更新其他系统组成部分。
修改后的结果应该能够被验证、记录，并在必要时回滚。
这四种能力形成一个循环：
自我建模 → 自我模拟 → 自我评价 → 自我修改 → 再次自我建模。
这才是自指式递归自改进的重要计算结构。
七、今天的大语言模型已经跨过这个门槛了吗？
目前还没有充分证据表明，当代大语言模型已经具备严格意义上的完整自指式内省。
大模型确实可以检查自己的回答、修复代码、调整解题策略，甚至对自己的能力做出某种评价。
但这些能力与完整的自指式内省仍然存在距离。
模型能够谈论自己的内部机制，不代表它可以完整访问这些机制。
模型能够生成一段自我反思，不代表它真正模拟了自身的计算过程。
模型能够评价自己，不代表评价一定准确。
模型能够修改外部代码，也不代表它具备对自身全部运行结构的可靠控制能力。
论文将当代大模型的一些表现称为准内省（Quasi-Introspection）。
这里我还想提出一个重要区别：
AI的自我进化单位，未必必须是单独的神经网络模型。
如果我们将AI视为由模型、记忆、工具、执行环境和评价机制构成的完整系统，那么整个系统也可以成为自我描述、自我评价和递归改进的对象。
因此，问题不一定是“模型能不能直接修改自己的神经网络权重”。
更根本的问题是：
正在被改进的计算系统是什么？它是否能够有效认识、评价并修改自身？
八、自指不是万能钥匙：还有三道无法忽视的边界
即使未来AI具备了强大的自指能力，也不能由此推导出它必然实现无限加速的智能增长。
第一，可计算不等于可判定
Rice定理告诉我们，不存在一种通用算法，可以对所有程序准确判定任意非平凡的计算语义性质。
因此，我们不能期待存在一种万能检测机制，能够对所有可能的自我修改都给出完全正确的改进判断。
第二，自我修改不等于自我优化
一个程序可以非常精确地复制自己，也可以反复修改自己的代码，但这些能力本身并不能保证性能提高。
第二递归定理并没有赋予程序学习能力，更没有证明智能必然呈指数增长。
第三，自我评价不能自动等于可信评价
如果一个AI系统不仅可以随意修改自己的程序，还可以随意修改评价标准，那么它完全可能通过降低标准来宣布自己取得了进步。
这种所谓的自我进化，可能只是评价指标发生了漂移。
因此，自我改进系统需要有可信的评价边界、实验记录、版本回滚和适当的外部治理。
越是能够改变自己的智能系统，越需要有能力区分“真正变好”与“只是认为自己变好”。
九、真正的智能进化，可能不只是模型的进化
我认为，讨论AI递归自改进时，应该区分两个层次。
第一层：任务能力的改进。
系统能够比上一代更好地完成特定任务。
第二层：改进能力的改进。
系统能够比上一代更有效地发现问题、设计优化方案、验证结果，并创造下一代系统。
第二层才更接近强递归自改进的核心。
这也提示我们，未来AI的进化可能不仅发生在模型参数层面，还可能发生在模型与记忆、工具、评价机制、执行环境相互作用的整个系统之中。
当然，这种系统层面的进化是否可持续、是否能够不断提高能力，仍需要通过明确指标和长期实验验证。
结语：从能够计算世界，到能够把自己纳入计算
递归、自指和递归自改进，是三个相关但不同的概念。
递归，让系统能够反复执行自身的规则。
自指，让系统能够把自身作为计算对象。
递归自改进，让系统有可能在可信评价下不断改善自身，甚至改善自己的改进机制。
第二递归定理最深刻的意义，是证明程序引用自身，并不需要任何神秘力量，而是可以通过严格的数学构造实现。
但从数学上的自指可能性，到真正持续的AI自我进化，中间仍然隔着自我建模、模拟预测、可靠评价、有效修改和长期验证等多道门槛。
未来衡量AI发展的一个重要问题，可能不再只是：
“它能回答多难的问题？”
而是：
“它能否理解自己为什么会失败，并创造出一个更擅长发现和修正失败的下一代系统？”
这或许才是从工具型智能迈向持续演化智能的真正分水岭。
参考文献
- Zhang, J., Yuan, B., & Zhang, Q. (2026). Self-Referential Introspection in Large Language Models: The Critical Threshold for Recursive Self-Improvement. Entropy, 28(9), 951. https://doi.org/10.3390/e28090951
- Kleene Second Recursion Theorem: A Functional Pearl. https://okmij.org/ftp/Computation/Kleene.pdf
说明：本文区分了已经成立的数学定理与尚待检验的AI内省阈值假说。
