📑 💡1、。 📝RSI 全称是递归式自我改进，核心是使 AI 大模型形成自我优化的闭环反馈机制，可自主进化出更强的模型性能。 🔎目前 RSI 已正式由抽象概念转
- 序号：372
- 星球链接：打开网页
- 附件：图片 0，音频 0，文档 0
- 音频文件：无音频
图片
无图片
正文
📑
💡1、。 📝RSI 全称是递归式自我改进，核心是使 AI 大模型形成自我优化的闭环反馈机制，可自主进化出更强的模型性能。 🔎目前 RSI 已正式由抽象概念转变为实际的产业规划，2026 年 7 月 OpenAI 原安全研究副总裁 Lilian Weng 正式回归 OpenAI 并负责 RSI 团队，目标通过 AI 加速设计、训练及评估下一代模型的整套流程。 📊2026 年 4 月 Antropic 将 9 个 Claude 智能体组成的团队放在限定的 AI 对齐研究任务中累计自主工作 800 小时，花费约 1.8 万美元，追回 97% 的性能差距，两位人类研究员花费 1 周仅追回 23% 的性能差距，并且其在 2026 年 6 月发布《》论文，明确表示 RSI 趋势正在加速。 ✨我们认为，模型范式变化驱动 AI 训练回归 AI 研究核心。 ⚙️2、。 📋目前已发布的 Kimi K3、DeepSeek V4 pro 参数量分别为 2.8/1.6 万亿，并且根据金融时报，字节正在训练一款参数量高达 10 万亿参数的大模型。 🧮大模型训练过程中算力芯片的算力有效利用率通常保持在 80% 以上，并且计算产生的结果需要在算力芯片间快速传输，避免出现计算等待通信的情景（计算单元因数据尚未传输过来而闲置），其对算力芯片间的通信性能提出很高要求。 🎯我们认为，根据华为《》，昇腾 384 超节点相较传统服务器架构，通信带宽提高 15 倍且芯片与芯片间的通信时延由 2 微秒降低至 200ns，芯片实际性能在 DeepSeek、Qwen 等多模态、MoE 模型上可实现 3 倍以上提升。 🚀伴随国产大模型参数量提升以及国产算力芯片向训练场景拓展，。
总体总结
主题正文
- 📝RSI 全称是递归式自我改进，核心是使 AI 大模型形成自我优化的闭环反馈机制，可自主进化出更强的模型性能。
- 🔎目前 RSI 已正式由抽象概念转变为实际的产业规划，2026 年 7 月 OpenAI 原安全研究副总裁 Lilian Weng 正式回归 OpenAI 并负责 RSI 团队，目标通过 AI 加速设计、训练及评估下一代模型的整套流程。
- 📊2026 年 4 月 Antropic 将 9 个 Claude 智能体组成的团队放在限定的 AI 对齐研究任务中累计自主工作 800 小时，花费约 1.8 万美元，追回 97% 的性能差距，两位人类研究员花费 1 周仅追回 23% 的性能差距，并且其在 2026 年 6 月发布《》论文，明确表示 RSI 趋势正在加速。
- ✨我们认为，模型范式变化驱动 AI 训练回归 AI 研究核心。
- 📋目前已发布的 Kimi K3、DeepSeek V4 pro 参数量分别为 2.8/1.6 万亿，并且根据金融时报，字节正在训练一款参数量高达 10 万亿参数的大模型。
- 🧮大模型训练过程中算力芯片的算力有效利用率通常保持在 80% 以上，并且计算产生的结果需要在算力芯片间快速传输，避免出现计算等待通信的情景（计算单元因数据尚未传输过来而闲置），其对算力芯片间的通信性能提出很高要求。
- 🎯我们认为，根据华为《》，昇腾 384 超节点相较传统服务器架构，通信带宽提高 15 倍且芯片与芯片间的通信时延由 2 微秒降低至 200ns，芯片实际性能在 DeepSeek、Qwen 等多模态、MoE 模型上可实现 3 倍以上提升。
- 🚀伴随国产大模型参数量提升以及国产算力芯片向训练场景拓展，。