知识卡片：上交清华字节等发布递归自进化75页路线图

一句话结论
上海交大、清华等30多位研究者发布的75页综述《人类构建的最后一个AI》认为，训练成本与人力标注天花板正迫使AI转向递归自我改进（RSI），并提出B0至L5自主度框架与HCI指数；当前系统多具备L1/L2，L3/L4依赖领域且多在仿真，L5仅见于有界原型，且更高自主度未必带来更好改进。

事件概述/研究问题

• 来源条目：腾讯研究院AI速递 20260915，第六则“上交清华字节等发布递归自进化75页路线图”。
• 材料称上海交大、清华等30多位研究者发布综述《人类构建的最后一个AI》。
• 研究问题：训练成本和人力标注存在天花板，AI为何、如何转向递归自我改进（RSI）。
• 英文标题：待核实（材料未给出）。
• 关键词：RSI（recursive self-improvement）、HCI指数、B0、L1–L5、自主度分级。

方法/产品要点

• 提出五级自主框架，材料列出的层级包括：
  • B0：任务内改进；
  • L1：执行自主；
  • L2：策略自主；
  • L3：经验获取自主；
  • L4：部署适应自主；
  • L5：改进机制自改进。
• 用HCI指数量化十大能力域的剩余空间；HCI全称、计算方式与能力域清单待核实。
• 属路线图/综述型研究，不是具体产品发布；75页为来源标题所述。

主要结果/产业意义

• 当前L1、L2已有大量系统支撑。
• L3、L4高度依赖领域，且多停留在仿真环境。
• L5仅见于有界原型。
• 更高自主度未必带来更好改进。
• 产业意义：为讨论“AI自我进化”提供分层语言，提醒不要把自主度简单等同于能力提升或产品成熟度。

为什么重要

• RSI是AI能力评估、安全治理和产业路线争论中的关键概念；该综述尝试把模糊的“自我改进”拆成可比较的自主层级。
• HCI指数若可用，可能帮助判断不同能力域距离更高自主度还有多少空间。
• 核心纠偏是“自主度不等于改进质量”，对夸大递归自进化的叙事有约束作用。
• 与既有卡片中NIST AI RMF的风险治理、Epoch AI的趋势数据、OpenRouter的基础设施产品化视角不同，本条增量在于提出RSI自主度分级与HCI评估视角。

局限与不确定性

• 材料为二手速递摘要，未提供论文全文、作者完整名单、发表会议/期刊、同行评审状态、DOI/arXiv编号。
• 英文标题、HCI全称、十大能力域具体内容、B0/L1–L5的判定标准均待核实。
• 材料称“五级”，但列出的层级包含B0与L1–L5，如何计数待核实。
• “字节”出现在条目标题，但摘录正文仅写“上海交大、清华等”，字节是否参与及角色待核实。
• L3/L4“多停留在仿真”、L5“有界原型”、“更高自主度未必更好改进”的实证依据和样本范围待核实。
• 速递标题中的日期20260915为来源标识，具体发布时间待核实。

可用于图书/PPT/简报的角度

• 用B0/L1–L5阶梯解释“AI自我进化”不是单一开关，而是从执行、策略、经验、部署到改进机制的分层能力栈。
• 用“HCI指数/剩余空间”讨论不同能力域距离更高自主度的差距。
• 用“自主度越高未必改进越好”作为反直觉论点，连接AI安全与工程可靠性。
• 与算力成本、数据标注瓶颈、基础模型自训练、AI科研自动化等趋势结合，作为产业路线图素材。

原始材料

• 来源：腾讯研究院AI速递 20260915，条目六“上交清华字节等发布递归自进化75页路线图”。
• URL：https://m.sohu.com/a/1076026719_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334&digest_item=5
• Parent URL：https://m.sohu.com/a/1076026719_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334
• 英文标题：待核实。
• 英文关键词：RSI（recursive self-improvement）；HCI index（全称待核实）；B0；L1–L5。其他关键词待核实。