遞迴自我改進

摘要

遞迴自我改進（Recursive Self-Improvement，RSI）指 AI 系統能夠自行發現並實作更好的演算法或訓練方法，從而強化自身能力——這個過程可以反覆進行，形成自我強化的能力螺旋。DeepMind 的 AlphaEvolve 是目前最具代表性的實證案例。

核心觀點

Alpha 系列的演進脈絡揭示能力躍遷的邏輯。 AlphaEvolve：DeepMind 的 AI 自我演化突破 整理了 DeepMind Alpha 系列的演進：AlphaGo（圍棋）→ AlphaZero（棋類通用）→ AlphaFold（蛋白質結構預測）→ AlphaEvolve（演算法自我改進）。每一代不只是在既有能力上精進，而是解鎖了一種全新的問題解決模式。

AlphaEvolve 標誌著「跨時代」轉折。 不同於前幾代 Alpha 系統針對單一領域，AlphaEvolve 能夠自行撰寫程式碼、發明並改進演算法，具備跨領域的問題解決能力。這意味著 AI 開始能夠參與「如何讓 AI 更好」這個問題本身，啟動了真正的自我改進循環。

RSI 對 Agent 經濟的潛在影響。 若 AI 能持續自我強化，AI Agent 經濟 中的 Agent 能力天花板將不再固定。這既是機會（更強大的自動化工具），也是挑戰（能力邊界的不可預測性）。Agentic Web 的基礎設施如何因應快速演化的 Agent 能力，是 RSI 帶來的關鍵問題。

來源引用

• AlphaEvolve：DeepMind 的 AI 自我演化突破 — AlphaEvolve 發表評論，梳理 Alpha 系列演進脈絡與 RSI 意義

矛盾與爭議

目前來源觀點一致（單一來源，confidence: low）。核心爭議點待後續素材補充：AlphaEvolve 的能力改進是否真的構成「遞迴自我改進」，還是只是更強大的搜索演算法？RSI 是否必然走向不可控的能力爆炸，或是有自然的收斂邊界？

延伸連結

• → AI Agent 經濟 RSI 擴展 Agent 的能力上限，影響 Agent 經濟的長期格局
• → Agentic Web 持續自我改進的 AI 如何改變 Agentic 基礎設施的設計假設