> **来源：[研报客](https://pc.yanbaoke.cn)** # RSI，大模型的下一站？——AI研发自动化加速下的模型、算力与应用机会 ## 核心内容 RSI（Recursive Self-Improvement，递归自我改进）是指 AI 系统参与设计、开发和训练更强的继任系统，形成跨代持续的正反馈机制。当前 AI 已经进入代码编写、研究调试、Kernel 优化、自动实验和部分后训练环节，局部研发反馈闭环正在形成，但完整 RSI 尚未实现。 ## 主要观点 1. **RSI 是 AI 研发流程的重要参与者和工具**：AI 不仅是辅助工具，还逐步承担更多研发任务，包括实验执行、结果分析和系统优化。 2. **研发流程正向平台化发展**：模型、Agent、Evaluator、训练平台和算力基础设施开始整合，形成统一的工程系统。 3. **算力需求将持续增长**：随着 AI 研发自动化，训练与 Research Inference 需求同步扩张，带动算力产业链需求上升。 4. **应用机会向高价值场景扩展**：软件工程、研发工具、企业知识管理、客户服务和数字内容等领域有望率先实现 Agent 规模化渗透。 5. **RSI 的实现仍需时间**：尽管 AI 在部分环节展现出闭环能力，但其在长周期任务中的可靠性、错误恢复和自主决策能力仍待提升。 ## 关键信息 ### 1. RSI 的定义与现状 - RSI 是 AI 系统通过 Research Agent、Evaluator、训练平台和实验系统，参与设计、开发和训练更强的继任系统。 - 当前 AI 可以承担代码、调试、实验和分析任务，但在研究方向选择、目标设定、评价标准和关键结果判断等方面仍依赖人类。 - RSI 的核心门槛在于“研发能力”能否跨代、持续地增强，而不仅仅是单次任务的优化。 ### 2. RSI 的技术演进与工程实践 - **RSI 的理论基础**：自 1965 年 I. J. Good 提出“智能爆炸”概念以来，RSI 理念经历了 60 年的发展。 - **当前进展**： - AI 能够完成代码编写、实验运行、结果分析等任务。 - 在目标明确的实验中，AI 可以提出方案、运行实验、分析结果，并根据反馈发起下一轮迭代。 - Google DeepMind 的 AlphaEvolve 是 RSI 的典型代表，通过自动验证和反馈优化算法、数据中心、芯片设计等。 ### 3. RSI 对算力基础设施的影响 - **训练端需求扩大**：算力需求不再仅取决于单次模型训练，而是由参数规模、训练 Token 数量、模型代际频率、候选实验、Post-training、RL Rollout、验证及研发推理等共同决定。 - **算力需求倍增**：在 RSI 形成前，训练需求可能达到当前的 3 倍；若形成正反馈，需求可能达到 15—30 倍，甚至 50—100 倍以上。 - **关键基础设施**：包括计算芯片及 ASIC、HBM 与存储、先进封装、高速互联与光通信、交换设备、液冷、电力及数据中心等，这些环节具备较高的供给壁垒。 ### 4. RSI 对应用端的影响 - **高价值场景优先受益**：软件工程、研发工具、企业知识管理、客户服务和数字内容等领域，因具备可验证、可闭环的特性，有望率先实现 AI 的规模化应用。 - **研发场景效率提升**：药物、材料、芯片设计等领域的研发效率有较大提升潜力。 - **应用公司的核心壁垒**：从“能否接入模型”转向专有数据、核心工作流、可靠 Evaluator 和持续提高客户产出的能力。 ### 5. 前沿模型厂商的 RSI 路径 - **OpenAI**：通过 Codex 和 Research Agent，推动 AI 参与代码、调试、Kernel 优化等任务，已实现 RSI Index 提升，但尚未完全实现 RSI。 - **Anthropic**：Claude 已能完成实验优化任务，形成“人类提供目标，AI 决定方法”的分工，但目标选择和研究判断仍需人工。 - **Google DeepMind**：AlphaEvolve 通过自动验证和反馈机制优化算法、数据中心和芯片设计，是 RSI 的重要前置形态。 ## 风险提示 - 完整 RSI 可能长期无法形成； - 商业化落地低于预期； - 竞争加剧； - 监管政策风险； - 技术进步低于预期。 ## 投资观点 - RSI 正由理论进入落地前夕阶段，AI 研发自动化正在加速。 - 算力基础设施是 AI 研发的核心支撑，重点关注具备大规模算力和持续资本开支能力的头部 CSP。 - 高价值应用将优先受益于 AI 能力的外溢，重点跟踪可验证、可闭环的场景。 ## 产业影响 - **模型与研发流程**：模型、Agent、Evaluator、训练平台和算力基础设施的整合，将推动 AI 研发流程的平台化和自动化。 - **算力需求扩张**：随着 AI 研发自动化，训练与推理需求同步增加，带动算力产业链需求空间。 - **应用渗透**：AI 能力的加速普及将推动应用场景扩展和渗透率提升，尤其在高数字化、高反馈效率的领域。 ## 关键公司与技术趋势 | 公司名称 | 股票代码 | 云业务品牌 | 2026年预估资本支出 | 业务结构与技术趋势 | |----------------|------------------|--------------------|------------------------|------------------------------| | 阿里巴巴 | 9988.HK | 阿里云 | - | 通义千问(Qwen)、商业友好开源 | | 腾讯 | 0700.HK | 微信生态 | - | 混元大模型、AI 编程工具 | | 科大讯飞 | 002230.SZ | - | - | 星火大模型、垂直领域深耕 | | 三六零 | 601360.SH | - | - | 360智脑4.0、企业服务落地 | | 昆仑万维 | 300418.SZ | - | - | 天工大模型、Mureka V8 | | 智谱华章 | 02513.HK | - | - | GLM 系列、MaaS 平台 | | MiniMax | 00100.HK | - | - | M2 系列、C 端订阅 | | 字节跳动 | 未上市 | - | - | 豆包大模型、Seedance 视频生成 | | 月之暗面(Kimi) | 未上市 | - | - | Kimi K3、全球参数最大开源模型 | | 深度求索(DeepSeek)| 未上市 | - | - | DeepSeek 系列、国产开源龙头 | | 微软 | MSFT | Azure | 约 1,750 亿美元 | Copilot、Azure AI、GPT 整合 | | 谷歌 | GOOGL / GOOG | Google Cloud | 1,950 亿—2,050 亿美元 | Gemini、TPU、Vertex AI | | 亚马逊 | AMZN | AWS | 约 2,200 亿美元 | AWS、Bedrock、自研芯片 | | Meta | META | - | - | Llama 系列、广告与内容生成 | | Anthropic | 未上市 | - | - | Claude、IPO 估值达 9650 亿美元| | OpenAI | 未上市 | - | - | GPT 系列、Sora、战略投资 | ## 总结 RSI 是 AI 研发自动化的重要方向，代表 AI 能力的持续提升和跨代递归。当前 AI 已进入真实模型研发流程，但尚未形成完整的 RSI 循环。随着模型能力、Agent 执行、Evaluator 验证和研发基础设施的整合，AI 正在逐步承担更多研发任务，推动算力需求和应用场景的扩展。然而，RSI 的实现仍面临长周期可靠性、错误累积、物理与组织瓶颈等挑战。未来，具备更强模型、平台化能力和算力基础设施的厂商，将在 AI Research Factory 竞争中占据优势。