CNCC 2026｜澜舟科技创始人兼CEO周明博士详解 RSI：从任务级优化，到机制级自进化

导语

中国计算机大会（CNCC 2026）于 10 月 21 日至 24 日在成都举行。CNCC 由中国计算机学会（CCF）主办，是我国计算机领域规格最高、规模最大的年度学术与产业盛会之一。

本届大会以“数聚驱动，智算未来”为主题，注册参会人数超过 1.1 万，共设 17 场特邀报告、3 场大会论坛、167 场专题论坛及 40 余场专题活动，这也是 CNCC 创办二十余年来首次落地成都。人工智能基础模型、智能体、机器人与具身智能、AI for Science 等构成本届大会的核心议题。

其中，由澜舟科技、北京航空航天大学、南方科技大学联合组织的“大模型智能体强化学习与自进化”论坛（以下简称 RSI 论坛）于 10 月 24 日下午在中国西部国际博览城举办。

这是 CNCC 首次举办以 RSI 为主题的专题论坛，由澜舟科技创始人兼CEO 周明博士担任主席，清华大学教授沈阳、北京智源人工智能研究院研究员钱泓锦、中国人民大学高瓴人工智能学院副教授林衍凯、西湖大学研究员林涛作主题报告，多位嘉宾共同参与思辨环节，从 Agentic RL 与 Agent Harness 两条技术路线出发，探讨智能体自进化的技术挑战、发展路径与产业影响。论坛现场反响热烈，取得了圆满成功。

以下为论坛主席周明在会上的致辞：

尊敬的各位来宾：大家下午好！

欢迎大家出席CNCC 大模型智能体强化学习与自进化论坛，以下简称为RSI论坛。

我是来自澜舟科技的周明。我们自2021年成立以来从事大模型、智能体、数字员工的核心技术研发和企业AI落地，非常关注RSI在企业智能体的应用。

最近我们也与北航杨健老师合作建立了AI联合实验室（了解详情：深化校企合作布局，澜舟科技携手北航成立AI联合实验室！），研究方向包括RSI以及在Coding大模型和预测大模型上的应用。我们在LangClaw数字员工平台里面也研发了框架层次的RSI能力并应用于多个企业AI服务场景。

我非常荣幸能够和北航杨健老师、南方科技大学陈冠华老师共同组织本次CNCC大会的RSI技术专题论坛。

也感谢参会的各位演讲嘉宾。

当前，RSI已经成为AI最核心、最前沿、也最具挑战和争议的研究方向，是从“静态的大模型”走向“动态自主智能”的关键分水岭。

但纵观整个行业，目前RSI领域普遍存在概念混淆、技术边界不清、理论体系缺失、产业泡沫泛滥的问题。

今天，我想系统厘清RSI的技术谱系、进展与瓶颈，介绍我对当前学术与产业发展的认识，最后阐述本次论坛举办的初衷，与各位同仁共探RSI的发展之路。

RSI的三层体系和发展现状

首先，我们明确RSI的核心定义。所谓RSI，本质是AI系统具备自主迭代、自我优化、持续进化的闭环能力，核心区别于普通模型微调与单次反思：不仅能优化任务结果，更能逐层优化改进流程、改进策略乃至底层改进机制，形成层级化、可递归、可继承的智能进化闭环，是实现高阶自主智能的核心底层范式。

我认为RSI技术体系可划分为层层递进的三个核心层级，分别为框架级RSI、模型级RSI、机制级RSI。

请注意，这三个层次的划分也许跟现有的若干RSI的综述文章不一样，但是我的初衷是层次划分越简单越好。这三者能力边界、技术路径、落地进展、核心挑战完全不同，也是当前行业最容易混淆的核心痛点。

第一层级：框架级RSI（工程落地层）

这是目前工业界落地最成熟、应用最广泛的RSI形态，也是市面上绝大多数AI智能体、自主工作流所采用的核心方案。

核心定义与技术进展

框架级RSI不改动基础模型权重与底层能力，仅通过优化模型外围的执行框架、工作流、提示词体系、记忆、工具调度、技能编排、任务闭环规则，实现单次、多轮的任务自优化与结果自修正。当前产业进展已高度成熟：主流厂商的智能体平台、自主工作流系统、任务编排框架，均已实现标准化的任务拆解、自我复盘、错误回溯、技能复用、流程迭代能力。简单来说，模型底座是固定的不变量，变化与进化全部来自外部框架的精细化迭代优化，属于受限、有界的自改进范式。

现存核心问题与挑战

其一，能力存在天然天花板，所有迭代优化的上限，完全受制于基础大模型的原生能力，无法突破基座固有缺陷；
其二，迭代同质化严重，框架层面的优化仅能优化执行流程，无法优化模型推理逻辑与认知短板，复杂高阶任务的改进增益持续边际递减；
其三，无真正递归性，所有改进都是“任务级优化”，无法实现改进能力层面的自我传承、自我升级，不属于真正意义上的递归进化。

第二层级：模型级RSI（模型优化层）

这是当前学术界研究最火热、迭代速度最快的中间层级RSI，是连接工程落地与终极自进化的关键过渡形态。

核心定义与技术进展

模型级RSI突破了框架约束，直接通过自监督、自训练、强化学习、过程奖励、自我数据蒸馏等方法，主动修改模型参数、推理范式、认知能力。当前主流技术路径已非常清晰：包括模型自我反思蒸馏、自生成数据微调、过程奖励优化、多轮自我对齐、错误样本自迭代修复等。近两年大量顶会论文集中在此赛道，实现了模型能力的内生性提升，让模型不再依赖外部框架，可自主完成认知、推理、输出能力的迭代升级，相比框架级RSI，真正实现了模型本体的能力进化。

现存核心问题与挑战

第一，评估悖论凸显，模型自我迭代高度依赖自评体系，容易陷入自证实循环，模型持续迎合自有评估标准，造成指标虚高、真实能力退化；
第二，坍缩风险不可规避，长期基于自生成数据迭代训练，极易出现能力多样性坍缩、认知固化、泛化能力衰减，是目前模型自迭代无法突破的底层难题；
第三，迭代可控性极差，模型参数更新无规律、不可解释、不可预测，每次迭代都会带来能力漂移、对齐漂移，安全风险呈指数级上升；
第四，算力成本极高，模型级持续自迭代的算力开销远超传统预训练，难以规模化、常态化落地。

第三层级：机制级真正自进化RSI（终极理论层）

这是严格定义上的原生RSI，也是通用人工智能的终极核心形态，目前全球仍处于理论探索、小规模验证阶段，无成熟工业系统。

核心定义与技术本质

前两层RSI，都是“用固定的改进方式，去优化任务、优化模型”；而真正的RSI自进化，核心是改进"改进的方式本身"。简单概括：它不再局限于优化任务结果、不再局限于优化模型参数，而是自主迭代、升级、重构自身的迭代规则、优化机制、学习范式、进化逻辑，实现元层级的递归闭环，让系统的"自我改进能力"本身持续进化、无限升级，具备开放式、无边界的智能进化潜力。

现存进展与核心挑战

目前仅在理论研究、小规模仿真实验中得到初步验证，包括元优化机制、自演化评估体系、自主科研闭环等前沿探索。

但该层级面临根本性、原理性的底层瓶颈：

一是理论体系空白，尚未建立统一的自进化机制数学框架、迭代收敛理论、能力边界理论；
二是闭环验证无解，无可靠的外部强验证体系支撑无边界自进化，纯内生迭代必然放大幻觉与缺陷；
三是安全对齐无解，机制的每一次自我重构，都会彻底颠覆原有对齐体系，静态安全范式完全失效，动态自适应对齐尚无可行方案；
四是可解释性完全缺失，机制级进化属于黑盒元迭代，人类无法预判进化方向、约束进化边界。

我们需要直面RSI的挑战

梳理完三层核心技术谱系，我们可以清晰界定当前RSI领域在全球科技发展中的真实坐标：

从学术层面：RSI是典型的“工程先行、理论滞后”。各类框架级、模型级的迭代方案层出不穷、快速迭代，但统一的学科理论体系、技术标准、评估体系、边界范式完全缺失，领域研究呈现碎片化、无序化状态。
从工程层面：浅层框架级RSI已通过智能体框架落地应用，模型级RSI实现了部分领域的阶段性学术进展，但真正的机制级自进化刚刚开始，有太多的空白领域。目前RSI的各种技术概念混淆，相互套用现象普遍。
从安全层面：整个领域处于裸奔状态，没有适配RSI的安全框架、风险管控体系。RSI能力进化与安全失控始终相伴。
从行业生态层面：泡沫和空白并存，学术缺范式、工业缺路径，产学研严重脱节。

总体来看机遇和挑战并存。

CNCC 首届RSI论坛的目标

这也是我们本次发起CCF首届RSI专题论坛的初衷。

我们举办本次论坛，不是为了追热点，而是希望在RSI发展之初就打好各方面的基础。我们期待本次论坛及未来的活动能够促进如下四个方面的工作：