ChatGPT 的下一次重大更新，或许正藏在 1991 年的一篇旧论文中。Sakana AI 刚刚做出了一个让行业侧目的决定。
这家东京初创公司聘请了 Jürgen Schmidhuber 担任首席科学顾问。此举释放了一个明确信号：当头部大厂还在疯狂扩充 GPU 时，部分玩家已经转向研究让机器自己进化，试图绕开硬件层面的正面硬刚。
先说结论：
- Sakana AI 正式聘请 Jürgen Schmidhuber 担任首席科学顾问，指导其全新的 RSI lab。
- 该实验室的核心目标是构建递归自我改进循环，让机器通过重写自身代码来提升性能。
- 这一布局直指当前大模型的算力瓶颈，试图用世界模型和物理 AI 寻找新的增长曲线。
从语言模型到物理 AI 的范式转移
Jürgen Schmidhuber 在学术界享有“现代 AI 之父”的称号。他在 1990 年开展了世界模型的早期研究，并在 1991 年提出了奠定当今 AI 繁荣基础的深度学习技术。更早的 1987 年，他的博士论文就探讨了元学习和递归自我改进，即让 AI 不断自我优化的机制。Sakana AI 明确表示，这些早期思想直接启发了他们目前的 Darwin Gödel Machine 和 The AI Scientist 项目。
Schmidhuber 在加盟声明中提到，智能的未来不仅限于语言处理，更在于由世界模型驱动的物理 AI。他将协助指导 Sakana 新成立的 RSI lab，该实验室旨在建立一个自我强化的研究循环。Sakana AI 计划在东京聚集一批世界级专家，试图构建能够真正理解、模拟物理宇宙并与之交互的自主系统。
这种从纯文本向物理世界延伸的路径，要求模型具备更强的空间理解和因果推理能力。语言模型可以通过海量文本喂养，但物理 AI 需要处理多模态的实时反馈。Sakana AI 选择在这个节点引入 Schmidhuber，看中的正是他在世界模型和自主系统方面的底层理论积累。
打破算力军备竞赛的另一种解法
当前前沿实验室的普遍做法是堆叠算力，通过扩大参数规模来提升模型能力。Sakana AI 则试图通过 AI 改进 AI 来打破这种资源消耗战。以他们的 The AI Scientist 项目为例，该系统能够自动生成研究论文，单次成本仅为 15 美元。
这种自动化研究流程如果与 RSI lab 的递归自我改进机制结合，将产生显著的杠杆效应。机器不再仅仅是执行任务的工具，而是参与优化自身的工程师。对于资源有限的初创公司而言，这种策略能有效降低对昂贵算力的依赖。
不过，这种模式也面临严格的适用边界。递归自我改进的前提是基础模型具备足够的逻辑校验能力。如果模型缺乏自我纠错机制，自我改进很容易陷入幻觉循环，导致代码质量不升反降。创业者在评估此类项目时，不能只看概念，必须考察其在特定垂直领域的闭环验证能力。
关注 Sakana AI 的项目进展
对于希望跟踪这一技术路线的研究者和开发者，可以通过以下官方渠道获取最新动态：
Darwin Gödel Machine 项目报道：
The AI Scientist 项目报道：
Sakana AI 官方动态：
深度分析文章：
这些链接详细记录了 Sakana AI 在自动化研究和代码重写方面的具体实践，是理解其技术路线的一手资料。
从行业投资的角度来看，Sakana AI 的这一步棋反映了资本对纯算力堆叠模式的疲劳。当大模型的边际收益开始递减，寻找新的架构突破和训练范式成为必然。RSI lab 的成立，标志着机器自我进化从理论探讨进入了工程实践阶段。对于产品经理和创业者来说，这提示我们需要重新评估现有 AI 产品的护城河。如果未来的模型能够以极低成本自我迭代，那么单纯依赖数据规模或算力优势建立的壁垒将迅速瓦解。真正的竞争优势，将转移到对物理世界规律的理解和系统级架构的设计能力上。
评论区唠唠
你觉得“AI 自己写代码优化自己”在三年内能落地，还是依然停留在实验室阶段？
往期推荐
- ·
- ·软银发111亿债券押注OpenAI，高杠杆真相引担忧
- ·GitHub Copilot 重构 PR 视图，百万行代码零卡顿
点击公众号头像 → 历史消息，可翻阅以上文章
