上周，DeepSeek 正式推出 DeepSeek Harness（DSH）开发者预览版，并与北京大学联合发表论文，提出一套面向 AI 自我改进的系统架构。DSH 的底层运行框架引入 Cordis 核心机制，让运行环境中的组件可以装上、卸下、回退，依赖变化时还能自动重新协调——这正是"AI 敢于修改自己"所需的工程前提。
递归式自我改进（RSI）并不是新概念。1965 年，数学家古德就曾预言，第一台超智能机器将是人类最后一项发明。如今，谷歌 DeepMind 的 AlphaEvolve 已运行一年多，用自动评估器驱动模型生成、验证与迭代，甚至为数据中心调度找到了新算法；OpenAI 则在 GPT-5.6 中引入 RSI-Index 指标，用于衡量模型的自进化程度。头部实验室对 RSI 的押注已经相当公开。
当模型能力进入平台期，提升 AI 的路径正在改变：不再只是堆参数，而是让 AI 参与下一轮自身的改进。DeepSeek 创始人梁文锋把 AI 发展描述为 LLM—CoT—Agent—持续学习—自我迭代—具身智能的阶梯，RSI 正是通往奇点的关键一环。行业的投入逻辑，也在从"造一个更强的模型"转向"建一套让模型自己变强的机制"。
让 AI 自我改进，工程难度远超想象。一个 Agent 的运行环境里塞满工具、权限、沙箱、记忆和会话状态，传统插件系统很难在不重启进程的情况下把一次修改完整撤销；一次失败的修改，还可能把系统带进无法恢复的中间状态。这正是 DSH 试图解决的问题：时间上可追踪回退，空间上自动协调依赖，让失败不再是自我迭代的终点。
RSI 对算力和工程平台提出了全新要求：自我改进的 Agent 需要弹性、可控、可观测的运行环境，也需要稳定调度的 GPU 算力来支撑持续的实验与迭代。这与星战科技围绕 GPU 算力平台、智能体协作与 AI 实训的方向高度契合——当企业开始尝试让 AI 辅助改进 AI，平台层的算力调度与工程能力，将成为竞争胜负手。
RSI 的落地并非一蹴而就。DSH 发布后，也有开发者吐槽部署繁琐、配置复杂，体验像"半成品"。但作为一次对 RSI 的工程化探索，它已经让行业看到方向。可以预见，未来一段时间，围绕自我改进的评测体系、沙箱机制和算力调度，会成为 AI 基础设施竞争的新焦点。
从谷歌到 DeepSeek，AI 自我改进正从概念走向工程实践。谁能先建好让 AI 安全、可控地改进自身的底座，谁就更可能率先逼近 AGI。