RSI实现！Google Gemini4完成自进化！

硅基观点｜鹈鹕骑自行车 + RSI信号：Argon正在用第一性原理重写世界理解

就像当年alphago靠左右手互搏自进化升级，最终在围棋上打败柯洁引起全球轰动一样，RSI递归自进化就是大模型领域的alphago技术！

从此，AI大模型开始进入自进化阶段！

昨天DeepMind的Jack Wotherspoon发了条推，直接甩出“New benchmark unlocked”。引用的是同事fofr那条火爆视频：一只鹈鹕稳稳骑着自行车，全程用傅里叶外摆线（Fourier epicycles）生成。视频是Argon自己做的，配乐是Argon提示Lyria 3.5同步生成的。

画面从N=3、误差26%的粗糙圆圈开始，一路叠加到N=1024、2049个旋转圆、误差仅0.33%。鹈鹕的身体、翅膀、腿、车轮、曲柄、甚至踩踏节奏（100 BPM）都被分解成时空傅里叶模态。最后还能3D旋转、调俯仰角，腿部用了2-Bone IK。整段60秒，数学公式实时浮在底部，干净得像教科书动画，却又充满生命感。

这不是简单的“画个SVG鹈鹕骑车”。以往模型做鹈鹕骑车，大多是模板+提示词硬凑。Argon这次是从第一性原理出发：理解闭合曲线的几何本质，再用傅里叶级数去逼近，同时把物理约束（踏频、轮转、重心）和时空连贯性一起建模。DeepMind内部人评价它“对世界有惊人的自然理解力”。从实测反馈看，它确实开始具备真正的物理直觉，而不是单纯的模式匹配。

更值得注意的是，围绕Argon的讨论里，一个关键词反复出现——RSI（Recursive Self-Improvement，递归自我改进）

RSI技术信息：Argon已经踩到自我改进的边缘？

RSI指的是AI系统能够参与改进自身，或直接帮助构建、编码、训练下一代模型，从而形成指数级加速的正反馈循环。这是AI圈长期追求的“圣杯”之一。

Gemini 4 Argon发布前后，DeepMind内部和研究人员的公开表态把这个话题推到了风口浪尖：

• DeepMind研究员Zirui Wang曾发帖（后删除）：“RSI来了！我已做无可做，是时候追逐我的咖啡师梦想了:)”
• 独立评测平台Vals的RSI Index上，Argon以30.55%排名第4，超越GPT-6 Astra，仅次于Claude系列几款模型。这是Gemini系列首次在该指数上出现如此大幅跃升。
• Google官方披露的内部落地案例，被外界普遍解读为“接近RSI实锤”的证据：

1. 数据中心内存自主优化：Argon智能体团队扫描全网性能遥测数据，自主定位并提交优化代码，已释放超过300 TiB内存，预计最终可达500 TiB～1 PiB，相当于千万美元级成本节约。
2. 大规模内核代码迁移：主导将Google底层C/C++代码（包括Fuchsia Zircon内核）迁移到内存安全的Rust，涉及超过80万行代码。这类底层重构以往需要人类团队数年，且风险极高。
3. 视频解码器重写：在开源libgav1项目中，Argon通过多轮profile-guided实验，替换3.2万行SIMD代码，用安全Rust重写后性能比原Rust移植版快2.7倍，输出完全一致，逼近高度优化的C++版本。
4. 量子算法优化：帮助研究人员将某个子程序的时空资源（量子比特×逻辑门）优化40%，仅用几分钟就超越已发表基线。

这些案例的共同点是：规模大、规则明确、可验证、可迭代。Argon不是简单“写代码”，而是形成“分析→实验→优化→提交→再验证”的闭环，已经在真实生产系统中产生可量化价值。这正是RSI的早期形态——模型开始能有效改进自己所依赖的基础设施和软件栈。

当然，严格意义上的“完全自主RSI”（模型完全不靠人类监督地自我迭代到下一代）尚未被官方确认。但Argon在Vals RSI Index的跃升，加上这些内部实战，已经让外界普遍认为：Google在递归自我改进这条路上，至少跑到了第一梯队前列。

Gemini 4 Argon核心技术规格回顾

• 统一上下文+输出上限：100万token（输入+思考+输出共享，此前最高64k输出）
• 稀疏混合专家（MoE）架构，原生多模态（文本、视觉、音频）
• DeepSWE v1.1（长周期真实软件工程）77.9%新SOTA
• Vals Index（按美国GDP加权的知识工作评测）排名第一（68.9%）
• 引入价2/百万输入、10/百万输出（缓存输入再打95折），11月30日后涨到4/20
• 支持可调思考级别（low/medium/high），长解码通过后台连续跳跃实现超长输出

它已在Google内部大规模使用，从写内存安全视频解码器、帮Gemma加速近3倍、到机器人物理grounding，都有实打实的产出。

为什么这个鹈鹕视频 + RSI信号特别重要？

1. 世界模型能力的直观证明
   傅里叶外摆线本身不新，但让模型自己决定用它来“从第一性原理重建骑行鹈鹕”，并把误差、模态数、物理参数全部可视化，说明它真正理解了“形状=频率叠加”这件事。这比单纯生成漂亮图片难得多。
2. 长输出 + 深度推理 + 自我迭代的完美结合
   1M token输出上限让它有足够空间迭代、自检、细化。视频里从粗到精的过程，本质上就是模型在内部跑了多轮“计算-评估-修正”——这正是RSI所需的核心能力之一。
3. 多模态闭环 + 工程落地闭环
   视频生成+同步音乐提示，全都由同一模型驱动；同时它已经在数据中心、内核、视频解码等真实系统中闭环优化。从“会生成漂亮动画”到“能优化自己的运行环境”，跨度非常大。
4. 对标当下最强模型的差异化
   目前公开评测里，Argon在知识工作、长周期编码、法律金融代理任务上领先或持平GPT-6 Astra和Claude Opus 5.5，价格却只有对手的1/5左右。物理直觉 + 初步RSI能力，可能是它真正拉开差距的地方。

当然，也有现实问题：Ultra订阅用户已经反馈“1小时就撞限流”、部分IDE还没全开。免费和Plus用户暂时只能用Flash系列。真正大规模落地，还要看API稳定性和企业工作流集成。

硅基判断

Argon不是又一次“跑分冠军”发布。鹈鹕骑自行车这件事，像当年AlphaGo下出“神之一手”一样，给了我们一个肉眼可见的信号：大模型正在从“会说话、会写代码”走向“真正理解物理世界并按第一性原理重建它”。

而RSI相关的内部案例和Vals RSI Index的跃升，则暗示它可能已经开始触及更深层的能力——用自身智能去改进自己所依赖的系统。当模型既能优雅地用数学描述一只鹈鹕如何踩踏板，又能自主重写80万行内核代码、优化数据中心内存时，下一步就是用同样的能力去设计芯片、优化物流、模拟气候、甚至辅助科学发现，并在过程中持续自我强化。

Google这次回来得很扎实。1M输出 + 强物理直觉 + 有竞争力的价格 + 初步RSI信号，组合拳打得漂亮。接下来就看开发者和企业能用它做出多少真正改变工作流的东西，以及RSI这条路能走多远了。

鹈鹕已经骑上了车，而且它似乎还在自己优化车轮。下一站，它会骑向哪里？