Google 展示了一個專門針對優化 AI 系統提示詞與內部政策的遞迴自我改進（RSI）循環。此流程讓模型能根據效能回饋自動精煉自身的指令，形成持續改進的循環。 這項進展透過自動化模型指令的精煉過程，而非僅更新權重，為實現完全自主的 AI 系統邁出了重要一步。這表明提示詞工程與政策管理可能成為自我維持的過程，從而加速通往人工通用智慧（AGI）的道路。 該展示強調這是一個「弱」或部分 RSI 循環，因為它改進的是模型的輔助層（提示詞/政策），而非端到端地重寫核心神經網路權重。這種區別對於理解自我改進 AI 架構的當前限制與能力至關重要。
事件背景
遞迴自我改進（RSI）是一種假設的過程，AI 系統透過重寫自身的程式碼或參數來提升智慧，理論上會導致智慧爆炸。雖然早期概念著重於完整的程式碼重寫，但最近的進展通常涉及「弱」 RSI 循環，系統在此過程中改進提示詞或訓練資料等特定組件，而不改變其基本架構。
社群觀察
社群成員正在辯論 RSI 的定義，區分改進提示詞的「弱」部分循環與重寫模型權重的「真正」端到端循環。許多人將此 Google 展示視為有希望的「RSI-lite」步驟，可能對開源智能體框架帶來顯著益處。
