RSI技术：AI下一轮竞赛的核心引擎，如何重构训练算力与产业格局？

若将过去两年的AI竞赛形容为一场“模型规模与算力芯片的军备竞赛”，那么未来的竞争焦点或将转向一个更具颠覆性的方向：如何让AI自主参与到自身的训练过程中。

这一转变的核心在于一项名为RSI（Recursive Self-Improvement，递归自我改进）的技术。尽管听起来充满科幻色彩，但RSI已逐步从理论走向工程实践。它并非让AI模型瞬间实现自我进化，而是构建了一条持续优化的“进化流水线”：模型首先生成候选答案、代码或训练样本，随后通过可验证的规则、评估器或人类反馈进行筛选，最终将高质量结果反馈至下一轮训练。这一循环的效率越高，模型迭代的速度就越快，训练任务也将从一次性项目转变为常态化的能力建设。

一、RSI的本质：一个受控的进化闭环，而非“自我评分”

拆解RSI的运作机制，其逻辑并不复杂：第一步，模型生成多样化的解题路径、代码、推理轨迹或合成数据；第二步，利用验证器、奖励模型、测试环境或人工抽检剔除低质量结果；第三步，将优质样本重新注入模型，启动下一轮训练。关键在于，RSI的核心并非“生成”本身，而是验证与筛选环节——若缺乏可靠的“闸门”机制，模型可能将错误放大，甚至陷入同质化陷阱。

简言之：RSI并非让AI脱离人类监督实现自主升级，而是将传统依赖人工的试错、评测、数据生产和工程优化流程，逐步转化为可审计的自动化闭环。

二、RSI如何将训练算力从“阶段性冲刺”转化为“长期常量”？

传统大模型训练如同一场“期末考试”：集中数据、租用算力、完成单次大规模训练后发布新版本。而RSI的引入将彻底改变这一模式。为了持续提升模型在代码、数学、Agent任务、科学计算或安全对抗等领域的表现，平台需反复进行采样、验证、奖励建模、强化学习和再训练。尽管单轮训练规模未必超过预训练，但循环次数的增加将使训练集群的占用从“间歇性爆发”转向“持续性稳定”。

更值得关注的是，RSI与长上下文、多模态、Agent技术的结合将进一步放大训练需求。模型需处理更长的轨迹、调用更多工具、在更复杂的环境中展开评估，这对训练基础设施提出了更高要求：除了加速卡的峰值算力，高带宽存储、先进封装、网络互连、服务器整机柜以及数据中心供配电与散热系统均需协同优化，以确保训练流程的稳定性。

从研究趋势看，若RSI将“模型迭代速度”确立为核心竞争维度，2027年训练侧的技术叙事有望再度强化。近期市场已开始讨论模型参数进一步扩大的可能性——国内模型正迈向10万亿参数级别，海外模型则向50-100万亿参数演进。尽管参数量并非衡量模型的唯一标准，但其增长仍反映了训练需求的持续攀升，算力需求并未因技术范式转变而减弱。

三、RSI将如何重塑AI产业格局？从“算力堆砌”到“系统化竞争”

第一，训练需求常态化。随着模型持续生成数据、执行验证并接受优化，训练资源将不再局限于服务大模型版本迭代，而是延伸至高频后训练以及安全、代码、Agent等专项能力建设。

第二，算力竞争系统化。高端GPU和ASIC仍是训练核心，但构建稳定、高利用率的集群需依赖HBM、先进封装、交换与互连等模块的协同优化。

第三，评价能力成为稀缺资源。拥有更优质的测试集、可验证环境、奖励模型和工程平台的参与者，将能将同一份算力转化为更多有效迭代。这也是RSI的产业价值所在——它不仅关乎“购买更多算力”，更在于“提升每轮训练的产出效率”。

四、RSI技术落地，如何通过ETF布局产业链机遇？

RSI的发展或将引发一场从模型能力、训练平台到芯片制造的资本开支传导。对于普通投资者而言，与其押注单一模型或公司，不如通过指数工具分层把握产业机遇。

1）若看好AI产业整体趋势，人工智能ETF易方达（159819）跟踪中证人工智能主题指数，可作为观察与参与AI主题景气度上行的工具之一。其覆盖范围更广，不局限于单一细分环节。

2）若聚焦RSI带来的训练算力新增需求，可沿“芯片能力—制造资本开支”两条主线拆解：科创芯片ETF易方达（589130）跟踪上证科创板芯片指数，适合捕捉科创板芯片产业链的主题机会；半导体设备ETF易方达（159558）跟踪中证半导体材料设备主题指数，对应半导体制造、先进封装与设备材料等资本开支环节。前者受益于芯片供给自主可控与技术迭代，后者受益于扩产与制造投入增长，两者均受RSI技术范式的长期影响。

因此，RSI的真正价值或许不在于能否实现“模型自主造模型”的突破性时刻，而在于它能否将AI迭代从偶发的大项目推向持续运行的工业化闭环。一旦这一闭环的效率得到验证，训练算力、芯片和设备的需求逻辑或将迎来全新评估。