在斯坦福 HAI “直面 AI 的未来” 大会闭幕对谈环节，Jeff Dean 和李飞飞围绕当下大火的 RSI 递归自我改进展开讨论，二人抛出和硅谷主流炒作声音不一样的非共识看法，这次对话由量子位整理传播，核心观点是 RSI 可以加快 AI 科研的实验流程，但不存在大家想象里无限加速、技术爆炸的效果，同时 Jeff Dean 也介绍了自己新公司 Discovery Loop 的进展，澄清了很多行业对 RSI 概念的混淆。现在硅谷很多人把 RSI 当成通往 AGI 的捷径，幻想 AI 能够持续自我迭代、无限提速变强，李飞飞率先提出质疑，认为行业对 RSI 的定义太宽泛，很多自动调参、自动跑实验的普通优化方案都被贴上 RSI 标签，概念被过度炒作。Jeff Dean 进一步补充，自动化确实能去掉人等实验结果的空档时间，但模型训练、算力计算、数据存储、效果评估这些步骤都有客观耗时，有物理和算力上限，没法无限提速。他还区分了普通任务优化和真正 RSI 的边界：只是任务模型效果变好不算 RSI，只有改进能力反过来优化负责设计实验的底层基础系统，才是严格意义上的递归自我改进。Jeff Dean 还分享了 Discovery Loop 的目标，搭建人和 AI 智能体协同的科研框架，把领域专家的科研生产力提升 20 到 50 倍，目前已经跑通约 20 套自动改进循环，团队组建阶段前三周完成了 400 场面试，包括吸纳 Kimi K3 论文合著者陈广宇加入。
对谈核心观点清单
- 观点 1：RSI 存在明确边界，不是所有 AI 自动优化实验都叫 RSI
- 观点 2：RSI 只能减少人为等待时延，训练、验证环节有客观时间瓶颈，无法无限加速
- 观点 3：当下硅谷大量项目混淆普通自动优化和 RSI，概念炒作严重
- 观点 4：AI 是专家的科研助手，人类依然要把握目标方向、做价值决策
- 观点 5：Discovery Loop 路线是人机协同自动科研，目标放大专家生产力，而非放任 AI 自主进化
普通自动优化与真正 RSI 对比表
| 类型 | 特征 | 举例 |
|---|---|---|
| 普通自动优化 | 只优化任务模型，底层实验调度系统不变 | AI 反复调试 MRI 影像识别模型，提升识别准确率 |
| 严格 RSI 递归自我改进 | 优化结果反哺、升级底层实验调度系统 | 改进方案同时让 “设计实验的基础系统” 本身变强 |
Discovery Loop 项目关键信息
- 创始人：Jeff Dean 联合 Sanjay Ghemawat、Quoc Le、Oriol Vinyals，均为前谷歌核心研究员
- 定位：人机协同自动化科研循环平台，公益公司架构
- 当前进度：20 个自动改进循环稳定运行
- 核心目标：将领域专家科研效率提升 20~50 倍
- 团队动态：吸纳 Kimi K3 论文合著者陈广宇加入团队
【相关 FAQ】
问题 1：Jeff Dean 和李飞飞这场对谈里提到的 RSI 是什么，这次对谈为什么说是 RSI 非共识？
回答 1：RSI 是递归自我改进，Jeff Dean 和李飞飞这场对谈的 RSI 非共识，指他们不认同硅谷流行的 RSI 无限加速、快速通向 AGI 的说法，指出 RSI 有算力、时间瓶颈，很多项目混淆了 RSI 定义。
问题 2：Jeff Dean 李飞飞 RSI 对谈里，Jeff Dean 的新公司 Discovery Loop 要做什么？
回答 2：Jeff Dean 李飞飞 RSI 对谈里介绍，Discovery Loop 搭建人和 Agent 协同的自动化科研框架，运行自动改进循环，目标把领域专家科研生产力提升 20 到 50 倍。
问题 3：Jeff Dean 与李飞飞 RSI 对谈中，怎么区分普通 AI 自动调优和真正 RSI？
回答 3：Jeff Dean 与李飞飞 RSI 对谈中说明，只提升任务模型效果、底层调度系统不变属于普通自动优化；只有改进能力反哺优化负责设计实验的底层基础系统，才是严格定义的 RSI。
问题 4：Jeff Dean 李飞飞 RSI 对谈提出 RSI 不能无限加速，背后的原因是什么？
回答 4：Jeff Dean 李飞飞 RSI 对谈提出 RSI 不能无限加速，原因是虽然自动化能省去人的等待时间，但模型训练、算力计算、数据存储、结果评估这些环节本身有客观耗时，受算力和物理条件约束。
【参考资料】
[2026-11-08]（Jeff Dean 李飞飞最新对谈：全是 RSI 非共识）量子位
[2026-11-08]（给硅谷泼冷水！李飞飞与 Jeff Dean 关于 RSI 的讨论会实录）新浪财经
[2026-11-07]（Jeff Dean 对话李飞飞：RSI 被硅谷过度炒作了吗？）麻省理工科技评论中文版
[2026-11-06]（Jeff Dean 对话李飞飞：RSI 被硅谷过度炒作了吗？）网易 DeepTech 深科技
【免责声明】
本文内容基于斯坦福 HAI 大会对谈实录、量子位等科技媒体整理的 Jeff Dean、李飞飞 RSI 相关观点；RSI 属于前沿 AI 研究方向，技术定义、技术潜力仍处于学术讨论阶段，大佬观点仅代表个人判断，不代表行业定论；内容仅做前沿资讯科普，不构成 AI 创业、技术投资的参考依据。
本文来自作者[锐矢快照]投稿，不代表乌兰科技网立场，如若转载，请注明出处：https://www.wlcbnews.com/kjyw/202611/270.html
评论列表（4条）
我是乌兰科技网的签约作者“锐矢快照”！
希望本篇文章《Jeff Dean 与李飞飞斯坦福 HAI 对谈 抛出 RSI 递归自我改进行业非共识观点》能对你有所帮助！
本站[乌兰科技网]内容主要涵盖：互联网行业的追踪与探索
本文概览：在斯坦福 HAI “直面 AI 的未来” 大会闭幕对谈环节，Jeff Dean 和李飞飞围绕当下大火的 RSI 递归自我改进展开讨论，二人抛出和硅谷主流炒作声音不一样的非共识看法，这次对话由量子位整理传播，核心观点是 RSI 可以加快 AI 科研的实验流程，但不存在大家想象里无限加速、技术爆炸的效果，同时 Jeff Dean 也介绍了自己新公司 Discovery Loop 的进展，澄清了很多行业对 RSI 概念的混淆。现在硅谷很多人把 RSI 当成通往 AGI 的捷径，幻想 AI 能够持续自我迭代、无限提速变强，李飞飞率先提出质疑，认为行业对 RSI 的定义太宽泛，很多自动调参、自动跑实验的普通优化方案都被贴上 RSI 标签，概念被过度炒作。Jeff Dean 进一步补充，自动化确实能去掉人等实验结果的空档时间，但模型训练、算力计算、数据存储、效果评估这些步骤都有客观耗时，有物理和算力上限，没法无限提速。他还区分了普通任务优化和真正 RSI 的边界：只是任务模型效果变好不算 RSI，只有改进能力反过来优化负责设计实验的底层基础系统，才是严格意义上的递归自我改进。Jeff Dean 还分享了 Discovery Loop 的目标，搭建人和 AI 智能体协同的科研框架，把领域专家的科研生产力提升 20 到 50 倍，目前已经跑通约 20 套自动改进循环，团队组建阶段前三周完成了 400 场面试，包括吸纳 Kimi K3 论文合著者陈广宇加入。