245
0智谱CEO唐杰指出，人工智能的演进已进入新阶段：递归自我改进（Recursive Self-Improvement, RSI），即AI开始具备自我进化及创造继任者的能力。在GLM-5.3的研发过程中，这一能力已得到实质性验证。通过由GLM-5.3驱动的底层设施代理（Infra Agent），智谱在两周内实现了GLM-5.3-Flash在国产芯片上的全流程部署优化，端到端吞吐量提升至3.2倍。这一过程的核心在于将人类工程师的隐性经验显性化为“稠密反馈”系统，通过资源置换和自动化迭代，使Agent完成的每一项任务都成为下一代模型的训练信号。
递归自我改进（RSI）：AI 的下一站
AI 发展的核心趋势正从单纯的人类驱动转向递归自我改进（RSI）。其定义与表现如下：
核心定义： AI 自我进化、自己创造自己的继任者。
早期迹象： 在 GLM 系列模型的研发中，高级别模型（如 GLM-5.3）已开始辅助优化轻量化模型（如 GLM-5.3-Flash）的底层部署与性能表现。
实战案例分析：GLM-5.3 驱动的 Infra Agent
智谱利用 GLM-5.3 驱动的 Infra Agent 针对国产加速卡进行了深度优化，取得了显著的效能提升。
1. 任务成果
研发周期： 仅用两周时间，完成从第一次跑通到承载全线流量的过程。
性能提升： 端到端吞吐量提升至原来的 3.2 倍。
2. 克服的底层挑战
国产芯片环境存在多重限制，Infra Agent 必须在以下困难条件下工作：
硬件约束： 显存受限、互联带宽受限。
需求复杂： 需同时支持 1M 超长上下文和多模态请求。
生态缺失： 生态不成熟，算子不完备，且相关技术文档极其匮乏。
3. 三大关键技术突破
优化哲学与方法论
1. 资源置换原则
每一项性能优化在本质上都是对底层资源的重新分配与置换：
以算换存： 通过增加计算量来减少显存占用。
以通信换显存： 利用数据传输缓解存储压力。
以精度换容量： 在可接受范围内调整精度以提升存储效率。
以分离换调度自由： 通过架构解耦获取更高的调度灵活性。
2. 隐性经验显性化：稠密反馈系统
为了让 Agent 替代资深工程师，需要将工程师头脑中的“隐性经验”（如观察时间线、跑微基准、分层对比输出等）转化为 Agent 可调用的显性工具，构建稠密反馈机制。
反馈系统的三大支柱：
正确性反馈： 验证计算结果是否准确。
系统行为反馈： 分析时间消耗的分布情况。
性能反馈： 对比不同方案在特定条件下的优劣。
反馈标准： 所有的反馈必须具备局部化、廉价化、可客观验证的特点。
结论与未来展望
递归自我改进（RSI）的核心逻辑在于建立一个高效的反馈闭环。一旦“反馈-验证”系统建立，真实的部署和优化任务就会源源不断地产生高质量的训练信号。
这种模式意味着：Agent 每一个成功完成的任务，都不再仅仅是一次工具性的输出，而是为其继任者（下一代模型）提供的实战训练场。 这种自我强化的循环将极大地加速大模型的进化速度与落地效率。
