递归自我改进（RSI）指的是AI系统能够以最少的人类干预来设计、编写代码并部署其继任者。一旦实现，改进可能会迅速累积，更智能的模型催生出更智能的下一代模型——这种进展有可能超越人类的理解范围，更令人担忧的是，超出人类的控制能力。对于数据中心运营商而言，RSI将波及电力、冷却、编排、治理和认证等各个方面。
RSI是什么，以及它的发展方向
尽管RSI的定义较为宽泛，类似于通用人工智能（AGI），但已有迹象表明它正逐渐接近现实。实现RSI取决于AI辅助编程的快速进步，各大实验室表示这一进程已经在推进中。例如，前沿AI模型开发商Anthropic在其题为《当AI构建自身》的报告中指出，其Claude模型现在编写了自身代码库的相当大一部分：“截至2026年5月，我们合并到Anthropic代码库中的代码超过80%是由Claude编写的。在Claude Code于2025年2月首次以研究预览版形式推出之前，这一数字还是个位数。”如果这种贡献持续下去，这将是朝着系统能够自我改进迈出的一步。
在硬件方面，量子计算等突破可能催化RSI或AGI的阶跃式变化。“在递归AI的世界里，本质上是一个优化问题。什么是最好的AI？未来最好的AI模型神经网络是什么样的？量子计算可以支持这一点，”Q-CTRL首席产品经理杰伊·奎尔马特（Jay Quilmart）表示。“有一种算法叫作格罗弗算法（Grover's algorithm），它非常擅长搜索大型参数空间。它可以支持递归运算，帮助系统表现得更好，更快地挑选出最佳方案。”
如果AI能够反复构建更好的自身版本，其对物理基础设施的影响将是直接的。这对IT硬件生命周期、能源使用、工作负载编排以及我们设计和运营数据中心的方式意味着什么？
“‘自我改进系统’这一基本理念本身并不新鲜，”Uptime Institute高级分析师约翰·奥布莱恩（John O'Brien）表示。“不同的是，如今……AI模型和基础设施方面的进步，使得这些曾经天马行空的理论设想很可能已经或即将在技术上变得可行。”
从实用角度看待RSI，需要将真正能够编写并部署新代码的系统（即RSI）与那些持续自我优化但不重写自身代码的系统区分开来。后者已经在数据中心中出现，通常依托于强化学习（RL）技术。“如今数据中心中成功的AI应用往往会用到强化学习，这是一种经过验证的机器学习技术，根据环境反馈给予惩罚和奖励，”奥布莱恩说。“这在参数已定义的闭环系统中效果良好，例如数据中心的冷却、IT和电力系统。”
能够就地进行自我改进的系统已经开始出现。“初创公司Emerald AI和Phaidra在早期试点和演示项目中取得了突破，展示了动态自我改进系统的潜力，”奥布莱恩补充道。
451 Research高级分析师佐伊·罗斯（Zoe Roth）也认同这一观点，她表示自主改进，尤其是在能源使用方面的自主改进，是新一代数据中心管理软件平台的目标。“像Phaidra、etalytics和Vigilent这样的公司已经在证明，闭环AI能够实时持续优化物理设施的各项变量，”罗斯说。“像Phaidra这样的当前AI引擎，作为现有冷却系统（楼宇管理系统）和电力系统（电力管理系统）之上的自主控制层。它们并不重写自身代码，但会根据实时传感器遥测数据重新训练和更新神经网络。”
数据中心的运营影响
对运营商而言，自我优化在监测和维护方面有望带来实实在在的好处。“如今的基于状态的维护，需要大量历史数据集才能有把握地识别故障风险，”戴尔奥罗（Dell'Oro）研究总监亚历克斯·科尔多维尔（Alex Cordovil）表示。“一个能够从自身运行经验中不断改进的系统，可以更快、更有效地实现这一目标，切实提升正常运行时间和性能。”
但这也带来了一个棘手的问题：如何为一个不断变化的软件进行认证？“如果一个软件套件或AI智能体被认定能够胜任数据中心管理职责，我不确定该如何为一个在你脚下不断变化的东西做认证，”科尔多维尔说。“你无法为一个移动的目标做认证。”实际操作中，这可能需要对模型进行持续的重新审批，或采取持续监控和回滚控制机制，让人类始终处于监管环节中，这也会削弱部分效率提升的效果。
“你无法为一个移动的目标做认证。”——亚历克斯·科尔多维尔，戴尔奥罗研究总监
在训练和推理之间切换的自我改进型AI，可能会加剧AI数据中心已经面临的大幅电力波动挑战。“持续同步训练的表现与推理完全不同：大规模集群会在近乎闲置和接近峰值之间同步摆动，在几分之一赫兹的频率下波动数十到数百兆瓦，”科尔多维尔说。“一个同时进行训练和服务的集群，会让这种情况变成永久性的设计要求，而不再仅仅是训练集群才会遇到的问题。”
战略前景与行业影响
除了近期的设计选择外，RSI还可能改变产业格局。“一个能够编写代码并设计其继任者的系统，将对那些设计、建造和制造数据中心基础设施的企业产生巨大影响，”奥布莱恩说。“他们是否愿意让一半的员工实现自动化？这会对他们的业务造成什么影响？”
目前，RSI仍是一个尚处于萌芽阶段的概念。但如果它最终得以实现，其影响——无论好坏——都将远远超出模型本身的范畴，重塑整个AI技术栈，并波及整个社会。一种可能的场景是，AI不仅编写出更强大的继任模型代码，还会设计乃至预先制造出容纳这些模型的数据中心。即便如此，能够自我优化、自我复制的AI数据中心，仍将在监管、认证、安全保障和公众接受度方面面临重重障碍。对许多社区而言，扩张的速度已经令人应接不暇；而RSI可能会进一步加快这一步伐。
Q&A
Q1：什么是递归自我改进（RSI）？
A：递归自我改进（RSI）指的是AI系统能够以最少的人类干预来设计、编写代码并部署其继任者。一旦实现，改进可能迅速累积，更智能的模型不断催生出更智能的下一代，进展速度可能超越人类的理解和控制能力。
Q2：自我改进型AI会给数据中心带来哪些具体挑战？
A：主要挑战包括电力波动加剧、认证困难以及运营模式的改变。由于训练和推理行为差异很大，自我改进型AI可能导致数据中心电力需求出现更剧烈的波动；同时，持续变化的软件系统也难以进行常规认证。
Q3：现在有哪些公司已经在实践自我改进或自我优化的AI系统？
A：目前，Phaidra、Emerald AI、etalytics和Vigilent等初创公司已经在数据中心管理领域取得进展，它们的AI系统能够根据实时传感器数据自主优化冷却和电力系统，但尚未达到真正重写自身代码的RSI水平。
