给硅谷泼冷水！李飞飞与Jeff Dean关于 RSI 的讨论会实录
Datawhale · 人工智能
原创 Datawhale 2026-11-06 23:30 浙江 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 ： 这是一篇把"RSI"讲明白的科普级综述！ 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