夜雨聆风【导读】Sakana AI 宣布在东京正式成立 Recursive Self-Improvement (RSI) Lab，专门研究"用 AI 重新设计 AI 开发流程"。从 AI Scientist 到 Darwin Gödel Machine，Sakana 把过去两年的研究整合成一条路线：让 AI 从工具变成协作者，最终变成自主创新引擎。更关键的一点——他们声称，这条路不需要烧掉天量算力。
「造 AI 的 AI」：Sakana 把这个概念做成了一个实验室
6 月 6 日，Sakana AI 在 X 上发了一条帖子，标题六个字就把野心亮出来了：
"Building AI that Builds AI."
「造 AI 的 AI。」
▲ Sakana AI 官方推文宣布成立 RSI Lab，近 20 万次浏览
帖子宣布：Sakana AI 正式成立Recursive Self-Improvement (RSI) Lab——一个位于东京的专门研究组，任务只有一个：用 AI 重新设计 AI 开发流程本身。
"a dedicated research group in Tokyo tasked with redesigning the AI development process itself using AI."
「一个位于东京的专职研究组，任务是用 AI 重新设计 AI 开发流程。」
这不是又一个"我们也在做大模型"的公告。Sakana 要研究的对象，是 AI 研发的流程——怎么提出想法、怎么跑实验、怎么写代码、怎么评估效果——然后让 AI 介入甚至接管这些环节。
官方路线图：从工具到协作者，再到自主创新引擎
Sakana AI 在官网公告里给出了明确的阶段定义。
▲ Sakana AI RSI Lab 官方页面首屏
官方原话是：
"The objective of the RSI Lab is to push AI from tool into collaborator, and ultimately, into an autonomous engine of innovation."
「RSI Lab 的目标，是把 AI 从工具推向协作者，最终推向自主创新引擎。」
具体怎么走？官方给出了四个阶段：
第一阶段：Automated Research（自动化研究）——让 AI agent 独立进行技术调研，包括文献搜索、假设生成、初步实验。
第二阶段：Automated Improvement of AI Agents（AI agent 自动改进）——让 agent 学会改进自己的工具链、评估方式和行为策略。
第三阶段：Automated Foundation Model R&D（基础模型研发自动化）——进入最硬的核心：让 AI 参与基础模型的架构搜索、训练策略优化和数据工程。
第四阶段：Recursive Self-Improvement（递归自我改进）——终极目标，AI 自我改进的闭环。每一轮改进的输出，成为下一轮改进的输入。
▲ 官方路线图：从 Agent-Native Models 到 Recursive Self-Improvement
这条路线最值得注意的地方在于：Sakana 把"递归自我改进"放在了最后一步，前面三个阶段的工程积累做不完，第四步就启动不了。
两年铺垫：DGM、AI Scientist、ShinkaEvolve 都指向同一个方向
RSI Lab 不是凭空冒出来的。Sakana 在官方页面里列出了一串前置项目，每个都在给"AI 改造 AI"这条路线添砖。
其中最直观的是Darwin Gödel Machine（DGM）。
▲ Sakana AI 的 DGM 项目：一个会改写自己代码的 coding agent
DGM 的定义很直白：
"The Darwin Gödel Machine is a self-improving coding agent that rewrites its own code to improve performance on programming tasks."
「Darwin Gödel Machine 是一个自我改进的编程 agent，它通过改写自己的代码来提升编程任务表现。」
重点在于改写自己的代码。普通 coding agent 写的是业务逻辑，DGM 改的是自己——修改自身工具、验证流程和 agent 策略，再通过多代变体演化筛选出更好的版本。官方说法是 DGM 在 SWE-bench 上把软件工程基线翻了一倍以上，不过这个结果目前只有 Sakana 自己的实验支撑，还没有独立第三方复现。
再看The AI Scientist：它覆盖了从提出研究想法、设计实验、跑实验、写论文到同行评审的完整科研流程。Sakana 想做的，是把科研流程本身变成一条可以自动运行的 pipeline。
还有ShinkaEvolve，强调低样本进化——官方称只用150 个样本就能完成程序进化任务。ALE-Agent则从失败中提炼结构化经验，官方表示其超越了 804 名人类启发式专家的表现。
把这些项目拼在一起看：DGM 做代码自改进，AI Scientist 做科研自动化，ShinkaEvolve 做低样本进化搜索，ALE-Agent 做经验学习。RSI Lab 要做的，就是把这些能力串成一条可以自运转的研发链条。
「modest compute」：Sakana 最大胆的赌注
在所有大模型公司都在拼谁的 GPU 集群更大的时候，Sakana 在官方公告里写了这么一段：
"We believe recursive self-improvement is achievable on modest, sample-efficient compute..."
「我们相信，递归自我改进可以在适度的、样本高效的算力上实现。」
The Decoder 的报道标题把这个信号放得更大：
"Sakana AI bets AI that improves itself can break the compute arms race of frontier labs."
「Sakana AI 押注：能自我改进的 AI，可以打破前沿实验室的算力军备竞赛。」
▲ The Decoder 报道：Sakana 想用自我改进 AI 打破算力军备竞赛
Sakana 的逻辑是这样的：日本的算力资源不可能和美国的超大规模集群竞争，但如果 AI 研发的核心瓶颈能从"更多 GPU"转移到"更聪明的搜索和进化策略"，那资源约束反而会变成设计优势。官方甚至把日本制造业的"持续改进（Kaizen）"文化和进化论类比搬了出来——Sakana 要做的，是 AI 研发领域的"精益生产"。
The Decoder 将 Sakana 的方法总结为：
"Instead of training ever-larger models with massive compute, the company focuses on evolutionary optimization."
「与其用海量算力训练越来越大的模型，Sakana 更专注于进化式优化。」
这个立场当然大胆。但需要指出的是：这仍然是一个路线主张，而非已经验证的结论。Frontier 级别模型研发的真实成本不会因为一句口号就降下来。Sakana 能不能真的在"适度算力"上实现有意义的递归自我改进，还需要后续的公开实验和第三方复现来证明。
社区最关心的问题：谁来定义"更好"？
RSI Lab 消息发出后，X 上的讨论迅速集中到了几个核心疑问。
有开发者直接要求看硬细节：
@saichand: eval setup, budgets, regression prevention, stack... show us the boring details.
「评估怎么设计的？预算多少？怎么防止性能退化？技术栈是什么？……给我们看那些'无聊的细节'。」
有人追问更深层的问题——当 AI 改进 AI 时，谁来判断改进的方向对不对：
@vedvednak 的质疑指向核心：如何区分真正的递归改进，和"优化到当前 benchmark 口味"的过拟合？
这个问题其实是 RSI 概念里最关键的一环：评估函数本身的稳定性。如果 AI 改进自己的代码和策略，但评估标准也在同一个循环里被影响，那系统可能会演化出在 benchmark 上得分漂亮、但实际能力脆弱的版本。每一轮优化都可能更擅长满足错误指标——这比"AI 不够好"更危险。
也有中文用户直接质疑：这听起来像 AutoML 和 NAS（神经架构搜索）的重新包装。
这个类比有一定道理。AutoML、program synthesis、agentic coding、AI Scientist——这些方向确实在概念上有交叉。但 Sakana 的区别在于：它试图把这些独立方向整合成一个连贯的、有明确阶段目标的研发体系，并用"递归"作为串联逻辑。至于这种整合能不能产生 1+1>2 的效果，目前还停留在组织框架层面。
回到最核心的问题
Sakana AI 成立 RSI Lab，本质上是在回应 AI 行业一个越来越明显的趋势：AI 研发的瓶颈正在从"模型能力"转向"研发效率"。
当训练一个 frontier 模型需要数十亿美元和数月时间，当每一次实验迭代都要消耗巨量计算资源，"用 AI 加速 AI 研发"就不再只是一个学术概念，而是一个有真实商业压力驱动的工程需求。
但 RSI 真正的难题在于——当改进者和被改进者是同一个系统时，如何保证改进方向持续正确。"AI 能不能写代码""AI 能不能跑实验"都还只是前置条件。评估函数会不会被污染？每一轮进化会不会放大盲点？外部验证如何介入一个闭环系统？
Sakana 给出了组织框架和研究路线，列出了前置项目的数据。但从实验室成立到真正跑通递归自我改进的闭环，中间还有很长的路。
这条路走不走得通，不取决于口号有多漂亮，取决于他们能不能在接下来的工作中回答那些"无聊的细节"：评估怎么做、失败日志公不公开、第三方能不能复现。
— END —
