RSI走向产业，需要怎样的基础设施？

两家公司使用同一种模型，半年后，谁的 AI 会更好用？

刚部署时，它们的能力起点可能相近。但进入业务后，两套系统会遇到不同的客户、流程和异常。一家公司遇到的失败案例，可能只是留在日志里，等工程师有空再排查；另一家公司则把这些反馈整理成训练材料，定期更新模型，并检查改进是否有效。

半年后，双方使用的模型架构或许仍然相同，业务表现却可能逐渐拉开差距。区别来自部署之后：企业能否把每天发生的事情，变成下一次做得更好的依据。

如果进一步让 AI 参与分析错误、提出改进方案、运行训练和评估，这条学习链路就有机会持续运转：AI 在完成任务的同时，也开始参与决定下一轮学什么、怎么学，以及如何判断是否学得更好。这正是递归自我改进（Recursive Self-Improvement，RSI）越来越受到行业关注的原因：让 AI 帮助研发更强的 AI，再用更强的能力推动下一轮进化。

前沿实验室已经将其纳入实际研发过程。9 月 6 日，OpenAI 披露，Agent 已参与内部的代码编写、实验运行和结果分析；Google 此前发布 Gemini 3.8 Flash 时，也提到长期运行的 Agent 循环参与了底层模型的评估与改进。人类仍然掌握研究方向和关键决策，但部分改进工作正在交给 AI。

这些进展为 AI 行业的竞争增加了一个维度：除了模型当前有多强，还要看研发体系能否更快、更可靠地推动下一轮进步。而当 RSI 进入企业应用，问题会变得更加具体：业务经验能否持续帮助模型适应任务，而无需每次都由专家重新组织整套改进流程。

这也是 RSI 走向产业需要建设的基础：把反馈、训练、评估和更新连接起来，再逐步提高改进过程的自动化程度。企业需要积累的不只有业务数据，还有一套能够持续利用这些数据的机制。

（来源：DeepTech）

Pyromind 是国内较早围绕这一方向构建产品的公司。它通过自动化强化学习（AutoRL）让真实任务产生的数据和反馈进入后续训练与评估，使部署后的模型具备持续更新的可能。目前，这套方法已经用于软件 Agent、专业工业任务和具身智能，并取得了一些可量化的结果。

不过，单一项目的性能提升只能说明训练方法是否有效，还不足以判断一家公司是否真正具备 RSI 的产业化能力。要看清 Pyromind 所处的位置，需要先回答一个更基础的问题：RSI 进入产业，究竟要经得起哪些检验？

RSI 进入产业，先要经得起哪些检验

一套系统要证明自己具备持续改进能力，首先要看经验是否真正进入了模型。

Agent 在真实任务中会留下执行轨迹、失败案例和用户反馈。许多系统已经积累了大量日志，但这些信息如果只被用于检索、提示词优化或人工排查，仍然属于模型之外的辅助能力。后训练提供了另一条路径：将业务反馈转化为训练信号，进一步更新模型参数。

而要走通这条路径，系统需要判断哪些数据值得学习、错误为什么发生、优化目标如何设定，随后还要验证模型是否获得了预期能力。只有完成这一步，业务经验才算从运行记录变成了模型能力。

一次训练取得提升，也不能说明系统已经具备持续改进能力。真正的考验来自下一次环境变化：新数据进入后，训练和评估流程能否再次运行？新能力是否提高，旧能力有没有退化？异常出现时，系统能否回退到可靠版本？这里的“持续”并不意味着模型收到反馈后立即改变，更现实的做法是让数据持续回流，训练和部署按条件触发，经过评估和人工审核后再完成更新。对企业而言，更新是否有依据、发布节奏能否控制，往往比更新频率更重要。

再往后看，交付过程还要形成积累。新客户和新场景接入时，数据处理、训练调度、实验管理和评估方法能否沿用已有经验，决定了这套系统能否规模化。如果每个项目都要投入同样规模的专家团队重新设计，持续学习就很难形成规模经济。

最终，所有技术指标都要落到经济账上。准确率、任务成功率和运行效率的提升，需要对应人工成本、质量损失或维护投入的下降。客户只有从一次次更新中获得可计算的收益，持续训练才可能成为一项长期服务。

图丨RSI 进入产业的四个标准（来源：DeepTech）

这些要求相互制约，训练效果很好，但后续更新高度依赖算法专家，维护成本就很难下降；流程足够自动化，却无法识别模型退化，企业也不会把重要业务交给它；覆盖多个行业，但每次都从零定制，规模化依然无从谈起。

因此，我们所说的“RSI 早期产业形态”，可以被定义为：在具体任务和明确边界内，把经验积累、能力更新和结果验证组织成一套可运行、可重复的系统。随着技术成熟，系统再逐步承担更多改进方案的提出、选择与调整工作。

Agent 越多，持续学习越需要成为通用基础设施

Pyromind 创始人 Kevin Ding 对这个问题的认识，来自团队早期的一段项目经历。

在一个 GUI Agent 项目中，团队希望让 AI 像人一样操作图形界面：识别屏幕内容、点击按钮、填写表单。他们先后更换更强的视觉语言模型，增加提示词和规则，又补充数据进行监督微调。已知任务的成功率提高了，但新的应用和界面出现后，模型表现又会回落。

团队能够修复一个问题，却无法让这次修复自动减少下一次维护的工作量。Kevin 后来将这种状态概括为：“今天的 Agent 已经会工作，但还不会成长。”

这种困境并不局限于 GUI Agent。软件界面会更新，生产物料会更换，业务规则和验收标准也会变化。环境每发生一次变化，Agent 都可能出现新的错误，而恢复表现往往需要算法工程师重新分析问题、调整训练策略并验证结果。

基础模型的升级固然能够提高通用能力，却无法替企业完成场景适配。一家工厂怎样判断缺陷、哪些错误可以容忍、什么情况下必须转交人工，这些要求来自具体业务，需要通过数据和反馈进入系统。

工业质检就是一个典型例子。模型发现疑似缺陷后，怎样才算好的结果，取决于企业的实际目标。如果客户首先要求降低漏检，适度增加人工复检可以接受；如果误报已经造成复检环节拥堵，模型就需要向另一个方向调整。训练目标来自企业在质量风险、人力成本和生产效率之间的具体权衡，通用模型很难预先知道答案。

当然，并非所有任务都需要持续训练。流程稳定、异常有限的标准工作，通过提示词、知识检索和固定工作流就能较为经济地解决。AutoRL 更适合业务环境经常变化、专业反馈持续产生，并且人工维护成本已经难以承受的场景。

当这类场景只有少数几个时，算法团队尚可逐个处理。随着 Agent 进入更多业务环节，各部门分别搭建数据清洗、模型训练和评测体系，会带来大量重复投入。把其中共通的部分抽离出来，逐渐成为一种通用基础设施，才有可能降低长期维护成本。

图丨Pyromind 产品层级（来源：DeepTech）

Pyromind 的产品演进正是沿着这条路径展开。

团队最初推出的 Studio，是一个可视化训练工作流引擎，用于组织数据清洗、训练管线、奖励模型配置和评测流程。它主要解决训练基础设施的搭建和流程复用问题。

进入企业场景后，团队发现训练工具只覆盖了一部分需求。企业通常知道什么结果不能接受，却很难把业务判断直接翻译成训练目标。奖励如何设置、错误如何归因、哪些数据应该进入下一轮训练，仍然需要算法专家逐项处理。

此后，Pyromind 将产品从训练工作流延伸到 AutoRL。Studio Copilot 开始协助完成轨迹筛选、失败归因和评测建议，EchoMind 则进一步连接数据回流、模型训练、自动评估和版本更新。客户提供基础模型端点和业务数据后，系统可以在后台推动更新循环持续运行。关于 Studio、Studio Copilot 和 EchoMind 在这条链路中分别承担什么角色，以及数据、Reward、训练与校验如何衔接，Pyromind 在他们博文《走向 RSI：Pyromind 如何靠 AutoRL 开启模型自进化》中有更完整的介绍。

目前，这条管线尚未实现完全自主，Pyromind 对自身阶段的判断是，后训练服务正在从“Agent 辅助”走向更高程度的自动化。产品按这一方向逐层展开，后续可以随着场景成熟逐步提高自动化程度，而无需反复重建整套系统。

三类场景，检验同一套学习机制

而这种产品设计是否成立，最终要回到实际项目中检验。Pyromind 已披露的几组案例，为我们提供了多种类型的观察样本。

在与欢网的合作中，Pyromind 对 Qwen3-VL-4B 进行强化学习训练。任务来自 Android TV 的遥控器操作：系统需要判断电视屏幕上当前选中了哪个元素，才能继续执行下一步。

据公司披露，训练后模型的焦点识别准确率由约 45% 提升至 99.6%。训练数据来自真实电视界面的操作轨迹，其中既有成功操作，也有失败尝试。这些轨迹经过处理后进入训练，最终带来了模型参数和能力的变化。

随着应用和界面更新，新的操作轨迹也为模型提供了持续学习的材料。在项目的后续交付中，Pyromind 完成了业务奖励模型的适配，并通过 EchoMind 接入生产环境中的操作轨迹，让数据回流、奖励构造、模型训练、自动评估、版本比对和更新部署形成连续流程。

这条流程的价值，不只是完成某一次训练。任务定义、数据处理方法、奖励标准、训练配置和评估结果都能作为项目资产保留下来。下一批数据进入后，团队可以沿用已有流程继续迭代，也能追溯此前哪些调整有效、哪些尝试失败。

华秋项目验证的是另一个环节：专业规则能否转化为训练和评价标准。这个项目面向工业场景中复杂的电子元件专业输出任务，Pyromind 将元器件样本、工程规则和输出标准组织为可训练、可评价的流程。据公司披露，训练后渲染相似度的交并比指标 IoU 由 0.2 提升至 0.65。

电视界面的操作反馈显然不能直接迁移到工程图纸中。进入新的行业，行业内的领域专家仍然要为训练提供相应的业务规则，再将其转化为模型能够训练和验证的目标。两个项目的差异也说明了跨场景复用的实际边界：训练调度、数据处理和实验管理可以复用，行业知识、奖励函数与合规要求则需要重新适配。

到了具身智能领域，循环的起点又发生了变化。机器人要从经验中学习，首先要稳定记录真实设备执行任务时的动作、状态和环境信息。

Pyromind 披露，其 R2VLA 方案能够在真机环境下连续采集 24 小时数据，无需人工遥操作，并将数据采集链路的时间缩短 50% 以上。这一结果首先证明了数据生产效率的改善。采集到的轨迹还要经过评价、训练和真机验证，才能进入完整的模型更新循环。

图丨Pyromind 具身智能整体技术闭环（来源：DeepTech）

从软件 Agent 到要求更高的工业领域，再到机器人，具体任务一直在变，背后的问题却始终不变：如何记录经验，判断哪些信息值得学习，再验证模型是否获得了所需能力。

三类场景分别检验了持续学习链路中的不同关键环节，为 Pyromind 积累可复用的训练、评估和更新能力提供了真实环境。同一套工具进入不同业务后，哪些环节可以沿用、哪些需要重新适配、哪些判断暂时离不开专家，也会变得更清楚。基础设施的通用性，需要从这些差异中逐步建立。

归根结底，这套基础设施能否成长为一门健康的长期生意，最终还要交由客户的 ROI 去结算。Kevin 曾介绍，团队在约 1 万张样本上，将一个质检任务的误报率从 23% 降至 8%。误报下降可以直接减少人工复检工作量，再结合漏检风险、质量损失和训练投入，客户能够判断一次更新是否值得。

这也是 Pyromind 优先进入数据丰富、评价标准较明确、收益可量化场景的原因。只有学习材料、评价依据和经济回报都相对清楚，持续训练才容易进入企业的日常经营。

从项目闭环走向通用基础设施

综合前面的这些案例和标准，我们可以做出判断的是，当前的 RSI 不是一个能够自主决定如何改进的系统，更接近一种半自动的持续训练基础设施：行业知识和关键判断仍由人提供，系统负责将这些输入高效转化为训练、评估和部署流程。

从现有产品形态看，相关工具仍多按环节分布：训练平台负责执行训练，数据工具处理数据，Agent 观测工具记录运行轨迹，评估工具检验模型表现。单个环节的效率已经得到改善，但每次模型更新时，专家往往还要重新搬运数据、翻译业务标准并组织流程。要减少这些重复工作，需要将任务定义、奖励标准、评估口径和版本记录一并沉淀下来，让每轮更新都能沿用此前的积累。因此，判断 AutoRL 这类系统能否从项目能力走向通用基础设施，关键不只是能否做好一个项目，更在于随着项目数量和更新轮次增加，每次新增交付所需的专家时间与边际成本能否持续下降。

Pyromind 的实践为这个判断提供了一个可观察的样本。它的产品和项目演进，始终围绕模型交付后的维护问题展开。团队先在具体业务中寻找解决方法，再将数据回流、奖励构造、训练调度、评估验证和更新部署逐步连接起来，形成产品，并放到更多场景中检验。

相对于靠专家逐次组织训练的做法，围绕完整更新链路建设产品，能够让已有的数据处理方法、奖励配置和评估记录服务于下一轮迭代。一次项目留下的经验，因而有机会减少后续重复搭建和调试的工作。

软件 Agent、工业视觉和具身智能的实践，分别验证了更新链路上的不同能力，也帮助团队分清哪些流程可以复用、哪些行业知识和奖励标准需要重新适配。

而这些实践的行业代表性，在于它们回应了 Agent 长期使用中的共性问题。无论运行在动态软件、专业工业任务还是物理环境中，Agent 都需要适应变化，并从使用经验中继续改进。不同客户的具体要求各异，背后对数据处理、训练组织、效果评估和版本更新的需求却有共通之处。将这些共通能力沉淀为产品，才有可能让项目经验服务更多客户。

图 ｜Pyromind 对 RSI 四个阶段的划分（来源：Pyromind）

完整意义上的 RSI，仍是整个行业尚未抵达的目标。而 Pyromind 在这一阶段的先发积累，来自较早将生产反馈、奖励设计、训练、评估和模型更新放在同一条产品路线中推进，并通过真实客户、量化指标和投入产出评估检验其中的关键能力。它的进展体现在系统建设、跨场景实践和商业交付的共同积累上，单次训练的指标只是其中一部分。

这条路径还有不少问题等待验证。不同项目之间的复用能在多大程度上降低交付成本，仍需要更多案例和更长时间的数据；新场景的奖励设计仍需要专家参与，长期更新也要持续检查已有能力的退化和新的风险。能否在扩大服务范围的同时，减少重复开发、保持更新可靠，将决定这些先发积累能否形成长期优势。

前沿实验室用 AI 加速模型研发，企业则希望 AI 在投入使用后持续适应业务。两者所处的环境不同，都需要把反馈、改进和验证连接起来，并逐步减少对人工衔接的依赖。对企业而言，基础设施成熟的具体表现，是每次环境变化后，不必再投入同等规模的专家重新调试，改进效果能够持续验证，更新成本也更加可控。

Pyromind 以 RSI 为长期方向，以 AutoRL 推进产品，以 ROI 检验每一轮更新。它当前的价值，是让这条仍然前沿的技术路线拥有了可以观察、验证和持续迭代的产业样本。

参考资料：

https://pyromind.ai/

https://mp.weixin.qq.com/s/ot3trNyNWI4LS4B-dda1eQ

运营/排版：何晨龙