递归自我改进（RSI）是指人工智能系统提升自身能力的过程，即直接修改其架构或训练方式，或间接加速构建其继任者的研究，使得每一代系统都让下一代更易于创造。长期以来，这仅是人工智能安全文献中的理论关切，但在2020年代中期，随着前沿实验室开始使用其模型编写研究代码、设计实验、生成训练数据并调试训练下一代模型的系统，这一概念已进入工程现实。
理论
这一思想可追溯至I. J. 古德1965年的“智能爆炸”论证：一台能够改进自身同类机器设计的机器将引发失控过程，使其成为“人类需要做出的最后一项发明”。该概念支撑了技术奇点文献中的硬起飞场景，并推动了大量对齐研究：一个自我改进速度快于人类审计能力的系统，恰好集中了监督旨在捕捉的风险。
分析人士区分弱RSI（模型加速人类主导的研究：编码辅助、数据生成、实验筛选）与强RSI（系统在人类脱离循环的情况下自主重新设计自身）。复合论证适用于两者，但治理影响截然不同。
实践中的情况（2025-2026年）
到2025年，实验室负责人将弱RSI描述为已投入运营：萨姆·奥尔特曼的温和奇点认为，即使是“幼虫期”的自我改进也会产生显著复合效应，主要实验室的内部工具依赖前沿模型承担越来越多的研究工程工作。2026年，达里奥·阿莫代伊将整个行业（包括Anthropic）加速发展的RSI视为我们必须为前沿踩刹车的主要催化剂，这是他呼吁有意放缓前沿发展的倡议。