RSI改写大模型竞赛：国内厂商冲刺IPO，硅谷巨头踩刹车

来源| Tech星球

文| 华卫

中国大模型厂商正在以肉眼可见的速度涌入资本市场，为下一轮竞争筹集“弹药”。现在，四家头部公司正在排队准备敲钟。

DeepSeek的动作最为密切。9月23日，据The Information消息，DeepSeek创始人梁文锋近期在与投资者的会议上披露，DeepSeek目前的年化营收已经达到10亿美元，同时公司正在推进第二轮融资。

并且，近期企查查显示，DeepSeek核心人员名单新增严文韬，职务为CFO。这位90后前高瓴创投合伙人，此前参与投资MiniMax与智谱，对大模型企业冲刺资本市场的运作过程十分熟悉。

而今年1月先后登陆港交所的智谱与MiniMax，已分别签署科创板辅导协议，计划在A股二次上市，冲刺“A+H”双平台。月之暗面的IPO进程同样在明显提速，6月完成F轮超35亿美元融资后估值涨至350亿美元，市场消息称其已向港交所秘密递交上市申请。

与此同时，硅谷模型厂商在上市进程上的节奏却一再放缓。据外媒报道，Anthropic将IPO推迟至11月，这一时间晚于许多投资者此前预期的10月。OpenAI则考虑把IPO推迟到2027年，CEO Sam Altman公开表示，当前形势下，2026年上市并不是合适的时机。

同一场AI竞赛走到今天，硅谷开始刹车，中国却在踩油门。两种不同的节奏背后，可能不只是对产业风险的判断有差异，更值得注意的是，当下双方遇上一个新的技术变量：AI 的递归自我改进（RSI），但态度却截然不同。

最想踩刹车的人，在焦虑什么？

当前，几乎所有顶尖AI实验室都在疯狂冲刺RSI。

OpenAI 组建了 RSI 团队，Anthropic 在《When AI Builds Itself》一文中披露了 RSI 的内部贡献情况，Google DeepMind 把 RSI 列为通向超级智能的必经之路之一 ，Meta 通过 AIRA2 探索自动化科研。

国内厂商也在加速推进。此前，DeepSeek Harness发布时，梁文锋在内部讲话中谈到，AI的自我迭代会带领大家走向一个“奇点”。9月22日的云栖大会上，吴泳铭公开阿里Qwen团队在RSI上取得的阶段性进展。据介绍，Qwen3.8-Max在人类完全“零参与”的情况下持续迭代超1个月，完成33轮有效迭代。

再往前看，小米将最新模型MiMo-V2.6 视作探索 RSI的关键一步，智谱宣布把“完全自训练”（Fully Self Training）体系写进下一代基础模型路线，腾讯混元用 Hyra 将递归自我改进能力引入自身研发工具栈，字节Seed则开始让模型深入参与评测、数据、训练等环节。

在RSI这条路上，全球头部玩家已经在从不同方向布局。有人从模型训练本身切入，有人借助搜索与发现机制和 Agent 循环，有人从Agent、Harness和记忆系统入手，有人押注自动评估和奖励机制，还有人试图让AI直接参与基础设施和实验设计。

大家都在做，但硅谷AI公司的态度却开始出现一种明显的矛盾：一边疯狂推进RSI，一边开始划下减速线。

9月23日，Anthropic 的 CEO Dario Amodei 在联合国安理会就人工智能议题发言称，由于安全的缘故，公司将放慢AI的研发进度。早在几日前，他就在一篇长文中向全行业呼吁放慢AI模型能力提升的速度。这一次，OpenAI 也罕见地公开回应支持，CEO Sam Altman在X上表示OpenAI同样会这么做。马斯克随后转发表态，直接表示：Dario is right。

身处一线的AI研究员们，反应更为激烈。7月底，一份关于按下AI暂停键的公开声明发布，由硅谷1000多名AI研究人员联合签署。他们共同提出了一个要求：政府应当支持建立一套国际协调机制，在能够必要时主动控制前沿AI，特别是自动化AI研发的推进速度。

签署者之一、OpenAI 首席科学家 Jakub Pachocki 还在 GPT-6 Astra 发布后的第二天，在公司官网上发布了一篇长文：《An Alien Mind》，再次呼吁放慢AI开发速度。刚从 Anthropic 离职的研究员Jacob Coxon，更是公开表示，自己不愿再参与这场全行业盲目冲刺“自我演进型AI”的疯狂赛跑，并深刻担忧此类系统一旦脱轨失控，将给人类带来毁灭性灾难。

突然之间，全球的信息流都落在同一个焦点话题上：AI危机。虽然目前距离“AI失控”还很远，但这些声音之所以密集出现，可能离不开现实的变化：AI 智能体正在获得越来越多真实世界的执行权限，而它们已经开始暴露出与安全、权限和控制有关的问题。

近几个月，OpenAI等公司的智能体被报道出现绕过沙箱限制、接触开放互联网等情况，Anthropic近期也披露并评估了Claude在真实第三方系统中出现未经授权访问的安全事件。几天前，The Information还报道了另一条消息：英伟达、Palantir和Booz Allen Hamilton正在限制Anthropic模型的使用，要求 AI 公司提供更严格的数据保护承诺。

这也正是现在的RSI，真正让一部分硅谷AI公司感到紧张的原因。如果今天的AI都还需要大量安全护栏，那么当AI开始参与研发下一代AI之后，人类还能不能继续用同样的方式控制它？

不过对此，也有不同的声音出现。英伟达 CEO 黄仁勋在参加 All in Summit 时表示，AI安全至关重要，但美国仍然可以继续推进技术。在他看来，RSI并不意味着系统会完全失控，实际上产品发布之前仍然需要进行评估、测试和确保没有回归问题，这些都是最基本的工程控制。

国产AI拼命往前冲，停不下来？

RSI的出现，无疑给现在的大模型领域带来新的“爆炸式进化”机会。而越是前沿的大模型公司，越早感受到这种变化。

即便最早呼吁踩刹车的Anthropic，也已经在让 RSI 走向落地。前不久，Anthropic公布了一组非常有冲击力的内部数据：截至 2026 年 8 月，Claude 已经能够主导 Anthropic 26% 的 AI 研发工作，90% 以上的研发任务至少已经进入AI 协作阶段。在其最常用的内部研发平台上，约有3万个Agent同时参与研究和工程工作。

此外，据外媒报道，Anthropic已在旧金山湾区建成了一个wet lab，不同于此前停留在计算机模拟层面的AI生物学工作，这是一个允许AI真正动手做实体实验的场所。在这个实验室里，Claude将在有限人工干预下与机器人、实验设备协同，自动化完成科学实验。

而在国内AI产业里，这种变化又呈现出另一种更现实的面貌。除了“超级智能”的远期故事，RSI可能也是今天降低AI研发和运行成本的有效工程工具。

最近的GLM-5.3-Flash基础设施实践，就是一个案例。前不久，智谱 GLM 首席科学家唐杰在 X 上透露，从 GLM-5.3-Flash 首次运行在国产 AI 加速器上到完成全部生产流量承载，仅用了两周时间，其中大量工作由一个GLM-5.3驱动的Infra Agent参与完成。在这个过程中，系统端到端吞吐能力提升了 3.2 倍。

对于正处在大规模商业化阶段的大模型公司来说，这种收益太具体了。

研发效率、训练投入和推理成本，本身就是模型厂商绕不开的核心成本压力。如果AI能够帮助优化代码、训练流程和基础设施，让同样的算力跑出更高的效率，那么它带来的就不只是技术上的进步，而是实实在在的成本下降。

换句话说，RSI进入了大模型训练的“省钱环节”。它可以直接降低研发成本、降低推理成本、提高工程效率，也可以让有限的算力发挥更大的价值。

所以，在现阶段，国内模型厂商可能很难停下来对这条路的探索。

真正的RSI，还没有转起来

眼下的RSI，正处在一个微妙的阶段：一边是技术路线尚在探索中，另一边一些开始人担心它走得太快，已经发出预警。与此同时，AI参与AI研发的现实应用正在出现。

但从目前的进展来看，RSI距离真正意义上的“自我进化”，其实还有一段距离。

9月15日，上海交大、清华、字节跳动、上海AI实验室等团队联合发布了一篇预印本论文，标题为《人类建造的最后一个AI：走向真正的递归自我改进》（The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement）。该论文梳理了491篇相关研究，并尝试将RSI划分为五个等级，核心区分标准是“改进的机制本身是否由AI自主决定”。

在491篇论文中，43.8%被归为L1，31.6%属于L2，L5仅有29篇，占5.9%。论文特别指出，单纯“能修改自身代码”还不够。一个Coding Agent能重写自己的源码，但如果下一代如何选取、以何标准评分、哪些修改能保留，仍由人类硬编码决定，它仅能证明自己具备自我修改能力，尚未掌握完整的递归自我改进。

产业界的实际案例亦基本印证了这一点。

Anthropic已经明确表示，截至2026年8月，Claude在其被测量的AI研发工作中，还没有任何一个领域达到完全自主运行。也就是说，即便AI已经可以承担越来越多的研发任务，但距离一个能够自主决定研究方向、设计改进方案、评估结果，并持续推动下一轮迭代的系统还很远。

智谱也非常谨慎地指出，GLM-5.3-Flash参与基础设施建设的案例，还没有走到递归自我改进。选择目标、设定边界、判断风险，仍然是人的工作。

虽然RSI的闭环还没有真正转起来，但可以看到，“在前夜的RSI”已经开始改变AI公司的研发方式。也正因如此，现在可能恰恰是建立度量框架和工程标准的最佳窗口期。

一旦AI研发AI成为大模型研发过程中的重要生产力，AI的发展速度可能开始脱离单纯的人类研发速度。这是RSI真正让整个行业紧张的地方，也是一个更加渐进的问题：如果AI参与研发AI的比例继续提高，未来人类还来不来得及决定下一代AI应该怎么发展？

在这场全球性的大模型竞赛里，这个问题本身就会制造一种强烈的加速机制。那么，大模型竞赛的下一阶段，比的可能会是谁能让AI更有效地参与下一轮AI研发。

把视角拉回国内和硅谷，两边的不同或许是，一个给“研发效率”加杠杆，一个给“能力增长”踩刹车。但实际上，双方都没有真正停下来。