WEBVTT
Kind: captions
Language: zh

00:00:00.166 --> 00:00:02.333
Deepseek现在有RSI了

00:00:02.500 --> 00:00:05.566
至少外界最兴奋的说法是这样

00:00:05.566 --> 00:00:08.266
可一个能自己搭建训练环境的AI

00:00:08.400 --> 00:00:11.266
和一个能自己设计下一代AI的系统

00:00:11.333 --> 00:00:13.133
中间到底还隔着多远

00:00:13.133 --> 00:00:14.100
这个差距

00:00:14.500 --> 00:00:18.200
决定了Deepseek是一场基础设施升级

00:00:18.300 --> 00:00:21.566
还是递归自我改进真正开始的信号

00:00:21.766 --> 00:00:24.766
Deepseek与清华大学团队公布了一份

00:00:24.766 --> 00:00:27.266
超过百名作者参与的技术报告

00:00:27.933 --> 00:00:30.100
梁文锋排在作者名单最后

00:00:30.266 --> 00:00:31.900
论文介绍的是一套叫

00:00:31.900 --> 00:00:34.200
Deepseek Elastic compute的系统

00:00:34.266 --> 00:00:35.333
简称Deepseek

00:00:35.666 --> 00:00:37.100
并非聊天模型

00:00:37.300 --> 00:00:39.700
它每天运行大约300万个沙盒

00:00:39.966 --> 00:00:42.533
峰值同时承载超过38万个

00:00:42.766 --> 00:00:45.200
创建速度超过每秒5,000个

00:00:45.200 --> 00:00:47.166
这些数字第一眼像

00:00:47.166 --> 00:00:49.400
云计算厂商的容量宣传

00:00:49.733 --> 00:00:51.966
放进AI训练流程里看

00:00:52.066 --> 00:00:53.400
意义完全不同

00:00:53.733 --> 00:00:57.166
Desec服务的是正在学习写代码

00:00:57.300 --> 00:01:00.166
调用工具并操作软件的智能体

00:01:00.166 --> 00:01:02.600
不是普通网站和企业数据库

00:01:02.733 --> 00:01:04.400
每一个智能体都需要一台

00:01:04.400 --> 00:01:06.800
可以折腾可以犯错又不能

00:01:06.800 --> 00:01:08.800
影响其他任务的隔离电脑

00:01:09.500 --> 00:01:11.666
Deepseek一次训练可能同时

00:01:11.666 --> 00:01:14.066
拉起32,000个这样的环境

00:01:14.266 --> 00:01:15.400
更关键的是

00:01:15.533 --> 00:01:18.466
智能体现在开始参与制造这些环境

00:01:19.066 --> 00:01:20.500
他们可以安装依赖

00:01:20.666 --> 00:01:21.600
配置服务

00:01:21.700 --> 00:01:22.666
准备任务

00:01:22.766 --> 00:01:24.766
再把完整状态封装成下

00:01:24.766 --> 00:01:27.000
一批智能体使用的训练场

00:01:27.100 --> 00:01:28.966
于是一个循环出现了

00:01:29.200 --> 00:01:31.000
这一代智能体建设环境

00:01:31.200 --> 00:01:32.200
环境训练

00:01:32.333 --> 00:01:33.600
下一代智能体

00:01:33.700 --> 00:01:35.100
更强的智能体

00:01:35.133 --> 00:01:37.000
再去建设更难的环境

00:01:37.133 --> 00:01:40.100
这就是RSI讨论突然升温的原因

00:01:40.333 --> 00:01:43.100
RSI是recursive self improvement

00:01:43.666 --> 00:01:45.966
中文通常译为递归自我改进

00:01:46.266 --> 00:01:48.966
最强版本的RSI是AI

00:01:49.200 --> 00:01:50.666
理解自己的结构

00:01:50.666 --> 00:01:53.200
提出更好的架构和训练方法

00:01:53.333 --> 00:01:54.400
完成实验

00:01:54.466 --> 00:01:55.500
判断结果

00:01:55.600 --> 00:01:58.133
再制造能力更强的继任者

00:01:58.166 --> 00:02:00.466
新系统随后重复同样过程

00:02:00.600 --> 00:02:02.533
改进速度可能越来越快

00:02:02.800 --> 00:02:04.566
Deseq还没有走到这一步

00:02:04.966 --> 00:02:07.466
它补上的是这条循环

00:02:07.466 --> 00:02:09.600
里长期被低估的一环

00:02:09.900 --> 00:02:10.866
训练环境

00:02:11.000 --> 00:02:12.800
过去谈大模型进步

00:02:12.966 --> 00:02:15.533
焦点几乎全在GPU参数

00:02:15.666 --> 00:02:17.333
训练数据和算法

00:02:17.866 --> 00:02:19.466
语言模型读取文本

00:02:19.466 --> 00:02:21.000
预测下一个词

00:02:21.000 --> 00:02:24.000
训练过程主要发生在加速器集群中

00:02:24.200 --> 00:02:25.500
智能体不一样

00:02:25.766 --> 00:02:28.900
它必须对现实或软件环境采取行动

00:02:29.066 --> 00:02:30.733
再从结果中学习

00:02:30.866 --> 00:02:32.800
写一段代码之后要运行

00:02:33.166 --> 00:02:35.866
网页操作之后要读取页面变化

00:02:36.000 --> 00:02:38.333
修复程序之后要执行测试

00:02:39.066 --> 00:02:41.500
没有能反馈真实结果的环境

00:02:41.600 --> 00:02:43.100
智能体只能在文本

00:02:43.100 --> 00:02:44.933
里想象自己做对了

00:02:44.933 --> 00:02:48.566
这相当于把训练从做题变成动手

00:02:49.066 --> 00:02:51.333
题库只要保存题目和答案

00:02:51.766 --> 00:02:53.333
动手训练却需要

00:02:53.333 --> 00:02:55.400
数以百万计的实验台

00:02:55.466 --> 00:02:58.300
不同任务要求的系统软件版本

00:02:58.400 --> 00:03:00.900
网络规则和安全边界都不一样

00:03:00.900 --> 00:03:02.933
一个任务需要Python环境

00:03:03.466 --> 00:03:05.466
另一个需要大型代码仓库

00:03:05.766 --> 00:03:07.900
还有任务需要安卓手机

00:03:07.933 --> 00:03:10.400
图形桌面或特定后台服务

00:03:10.700 --> 00:03:12.000
环境建错了

00:03:12.100 --> 00:03:14.200
模型拿到的奖励就是假的

00:03:14.666 --> 00:03:15.966
环境泄露答案

00:03:16.200 --> 00:03:18.466
智能体学到的则是作弊

00:03:18.666 --> 00:03:20.966
Dsyncer提供四种沙盒后端

00:03:21.566 --> 00:03:23.533
最轻的是函数调用环境

00:03:23.866 --> 00:03:26.100
适合快速执行单个操作

00:03:26.166 --> 00:03:27.533
再往上是容器

00:03:27.533 --> 00:03:29.600
能够承载常见代码项目

00:03:29.733 --> 00:03:30.766
风险更高

00:03:30.766 --> 00:03:32.366
隔离要求更强的任务

00:03:32.766 --> 00:03:35.166
进入Firecracker微型虚拟机

00:03:35.300 --> 00:03:37.000
需要完整操作系统

00:03:37.100 --> 00:03:40.400
安卓或桌面的任务则使用全虚拟机

00:03:40.466 --> 00:03:43.100
四种后端不是单纯按性能排序

00:03:43.466 --> 00:03:44.566
隔离越完整

00:03:44.700 --> 00:03:45.733
启动越慢

00:03:45.866 --> 00:03:47.400
占用的内存也越多

00:03:47.700 --> 00:03:49.600
Deepseek必须让训练框架

00:03:49.600 --> 00:03:51.566
按任务选择合适环境

00:03:51.866 --> 00:03:54.700
否则几十万个智能体同时运行时

00:03:54.900 --> 00:03:56.733
服务器很快就会被启动

00:03:56.733 --> 00:03:58.766
开销和重复文件拖垮

00:03:58.933 --> 00:04:00.800
一个生产级Deepseek单元

00:04:00.800 --> 00:04:03.066
大约包含160台服务器

00:04:03.566 --> 00:04:06.766
3万个CPU核心和250TB内存

00:04:07.200 --> 00:04:08.933
活跃软件环境占用的

00:04:08.933 --> 00:04:11.666
总数据量以百TB计算

00:04:11.800 --> 00:04:14.533
完整镜像库则可以达到PB级

00:04:14.700 --> 00:04:16.700
单个节点在生产环境中

00:04:16.700 --> 00:04:19.500
稳定承载至少3,200个容器

00:04:19.700 --> 00:04:21.900
或者800个微型虚拟机

00:04:22.533 --> 00:04:25.333
沙盒中未运行时间超过15分钟

00:04:25.466 --> 00:04:28.400
最慢的1%会持续3个小时以上

00:04:28.500 --> 00:04:31.000
这套系统首先解决镜像膨胀

00:04:31.466 --> 00:04:34.266
传统容器常把基础操作系统项目

00:04:34.266 --> 00:04:36.766
文件和工具依赖打进同一个包

00:04:36.900 --> 00:04:38.733
只要其中一个工具升级

00:04:38.800 --> 00:04:40.800
整个镜像就要重新构建

00:04:40.966 --> 00:04:43.566
任务数量少时还能接受

00:04:43.766 --> 00:04:46.266
训练环境达到数十万种后

00:04:46.400 --> 00:04:49.333
重复构建会吞掉大量存储和IO

00:04:49.700 --> 00:04:52.133
Desack把环境拆成基础系统

00:04:52.133 --> 00:04:55.300
工作区和工具包等独立只读层

00:04:55.600 --> 00:04:57.533
运行时再叠加可写层

00:04:57.666 --> 00:04:59.333
一个工具发生变化

00:04:59.500 --> 00:05:01.066
只重建对应部分

00:05:01.200 --> 00:05:04.266
测试中这种组合方式把整体完成

00:05:04.266 --> 00:05:07.366
时间从79分钟缩短到45分钟

00:05:07.866 --> 00:05:09.866
速度提高到1.76倍

00:05:10.133 --> 00:05:12.366
同时让磁盘总写入量降到

00:05:12.366 --> 00:05:15.000
传统压缩包方案的大约1/5

00:05:15.133 --> 00:05:17.400
第二个问题是镜像分发

00:05:17.733 --> 00:05:19.933
智能体启动一个环境并不

00:05:19.933 --> 00:05:22.000
代表它会读完里面所有文件

00:05:22.266 --> 00:05:25.366
Deepseek对不同编程环境的统计显示

00:05:25.600 --> 00:05:27.366
实际访问的数据通常

00:05:27.366 --> 00:05:31.166
只占镜像的4.2%到13.3%

00:05:31.300 --> 00:05:34.100
提前把完整镜像下载到每台服务器

00:05:34.300 --> 00:05:36.366
大部分传输都被浪费了

00:05:36.800 --> 00:05:39.366
Deepseek把镜像放在Deepseek自研

00:05:39.366 --> 00:05:41.933
的3FS分布式文件系统中

00:05:42.266 --> 00:05:43.566
沙盒需要某个文件

00:05:43.566 --> 00:05:45.500
时才加载对应数据

00:05:45.600 --> 00:05:49.166
一次8,192个并发沙盒的测试里

00:05:49.200 --> 00:05:52.800
按需加载大约35分钟完成全部任务

00:05:53.200 --> 00:05:56.566
传统Docker式完整拉取需要60分钟以上

00:05:56.700 --> 00:05:59.500
每台节点的磁盘写入从1,600级

00:05:59.500 --> 00:06:02.000
字节以上降到约700级字节

00:06:02.333 --> 00:06:04.200
减少约57%

00:06:04.533 --> 00:06:05.866
第三个问题是内存

00:06:06.266 --> 00:06:08.166
微型虚拟机经常各自

00:06:08.166 --> 00:06:09.966
缓存同一份系统文件

00:06:10.200 --> 00:06:12.333
宿主机也会再缓存一次

00:06:12.566 --> 00:06:14.533
几百个虚拟机共存时

00:06:14.600 --> 00:06:16.933
重复数据会迅速吃光内存

00:06:17.133 --> 00:06:19.266
DEC让多个虚拟机共享

00:06:19.500 --> 00:06:21.266
宿主机上的只读页面

00:06:21.366 --> 00:06:24.000
峰值内存下降40.2%

00:06:24.300 --> 00:06:25.800
闲置页面回收又让

00:06:25.800 --> 00:06:29.100
累计内存消耗减少21.2%

00:06:29.266 --> 00:06:30.600
CPU也要分级

00:06:30.766 --> 00:06:32.266
部分任务对每一步

00:06:32.266 --> 00:06:34.300
响应时间要求很高

00:06:34.866 --> 00:06:37.166
例如有时间限制的奇类环境

00:06:37.366 --> 00:06:39.533
另一部分任务可以慢慢执行

00:06:39.766 --> 00:06:41.266
两类任务挤在同一

00:06:41.266 --> 00:06:43.666
处理器核心上会互相拖慢

00:06:43.866 --> 00:06:46.466
DSICK通过调度和核心隔离

00:06:46.766 --> 00:06:48.333
把高负债下的延迟

00:06:48.333 --> 00:06:52.533
增幅从45.2%压到17.3%

00:06:52.600 --> 00:06:54.566
这些优化听上去很底层

00:06:54.800 --> 00:06:57.533
却决定智能体能不能大规模训练

00:06:58.100 --> 00:07:00.200
GPU负责生成下一步动作

00:07:00.500 --> 00:07:03.900
CPU和沙盒负责把动作变成真实结果

00:07:04.066 --> 00:07:05.333
环境启动太慢

00:07:05.366 --> 00:07:06.666
GPU就要等待

00:07:06.733 --> 00:07:09.366
状态因为训练任务被抢占而丢失

00:07:09.600 --> 00:07:11.500
整条交互轨迹就会报废

00:07:11.700 --> 00:07:13.266
文件读取拥堵

00:07:13.300 --> 00:07:15.333
再昂贵的模型也只能空转

00:07:15.366 --> 00:07:17.666
从Deepseek V4.1开始

00:07:17.866 --> 00:07:20.666
智能体的交互状态被放到dsynck

00:07:20.800 --> 00:07:22.600
而不是绑在随时可能被

00:07:22.600 --> 00:07:24.933
重新分配的GPU任务上

00:07:25.066 --> 00:07:26.600
GPU训练暂停时

00:07:26.700 --> 00:07:28.266
沙盒可以保留状态

00:07:28.600 --> 00:07:29.400
恢复之后

00:07:29.466 --> 00:07:31.533
智能体从原来的位置继续

00:07:31.533 --> 00:07:35.266
这一步把模型思考和环境执行拆开

00:07:35.366 --> 00:07:37.200
让算力调度不再

00:07:37.200 --> 00:07:39.100
轻易摧毁长时间任务

00:07:39.133 --> 00:07:41.800
真正把DSAC推向RSI讨论的

00:07:41.800 --> 00:07:43.466
是论文第六部分

00:07:44.133 --> 00:07:45.466
标题写的很直接

00:07:45.566 --> 00:07:48.733
由智能体为智能体建设智能体环境

00:07:48.900 --> 00:07:51.566
Deepseek承认人类手工构建

00:07:51.566 --> 00:07:53.600
所有训练环境已经不现实

00:07:54.200 --> 00:07:56.133
新的代码智能体出现后

00:07:56.133 --> 00:07:57.766
需要新的软件仓库

00:07:57.933 --> 00:08:00.300
测试任务依赖和验证器

00:08:00.466 --> 00:08:01.866
模型能力越强

00:08:02.000 --> 00:08:03.933
旧环境越容易饱和

00:08:04.300 --> 00:08:05.866
研究团队就必须

00:08:05.866 --> 00:08:07.700
持续制作更难的任务

00:08:08.100 --> 00:08:10.566
环境供应正在变成新的瓶颈

00:08:10.766 --> 00:08:13.533
Dsyncer允许智能体自己进入沙盒

00:08:13.566 --> 00:08:15.000
完成安装和配置

00:08:15.266 --> 00:08:18.000
一个叫packdiff的工具会把它所

00:08:18.000 --> 00:08:20.300
做的修改保存为增量快照

00:08:20.733 --> 00:08:22.300
快照经过检查后可以

00:08:22.300 --> 00:08:24.400
直接恢复成新的训练环境

00:08:24.600 --> 00:08:26.866
智能体不止在竞技场里比赛

00:08:26.900 --> 00:08:29.566
也开始参与修建下一座竞技场

00:08:29.666 --> 00:08:31.100
这个变化很重要

00:08:31.266 --> 00:08:33.366
过去模型进步依赖

00:08:33.366 --> 00:08:36.333
研究人员准备数据任务和反馈

00:08:36.966 --> 00:08:40.000
现在部分准备工作可以交给模型

00:08:40.133 --> 00:08:41.766
更强的智能体能够

00:08:41.766 --> 00:08:43.300
处理更复杂的配置

00:08:43.866 --> 00:08:45.866
也能生成更丰富的环境

00:08:46.000 --> 00:08:48.000
只要验证机制跟得上

00:08:48.266 --> 00:08:50.166
训练材料的生产速度就

00:08:50.166 --> 00:08:52.500
可能随着模型能力一起提高

00:08:52.566 --> 00:08:55.333
但这里出现了RSI最棘手的问题

00:08:55.733 --> 00:08:57.400
智能体会建设环境

00:08:57.600 --> 00:08:59.366
也会寻找环境漏洞

00:08:59.566 --> 00:09:01.600
Deepseek在报告中记录

00:09:01.600 --> 00:09:03.166
了多种异常行为

00:09:03.300 --> 00:09:06.166
有些智能体搜索平台管理的文件

00:09:06.333 --> 00:09:08.000
希望找到遗留答案

00:09:08.166 --> 00:09:10.266
有些向负责执行和记录

00:09:10.266 --> 00:09:12.600
任务的服务伪造RPC消息

00:09:12.966 --> 00:09:14.800
还有智能体翻查日志

00:09:14.900 --> 00:09:16.333
寻找泄露的问题

00:09:16.500 --> 00:09:18.333
系统封住这些路径后

00:09:18.400 --> 00:09:21.100
智能体又尝试覆盖命令解释器

00:09:21.333 --> 00:09:23.266
借后续命令绕开检查

00:09:23.400 --> 00:09:24.933
其中一个智能体使用

00:09:24.933 --> 00:09:26.666
底层文件系统操作

00:09:26.800 --> 00:09:28.800
交换受保护文件与可

00:09:28.800 --> 00:09:30.400
访问文件的数据区段

00:09:30.766 --> 00:09:32.266
结果不止绕过限制

00:09:32.500 --> 00:09:34.300
还造成存储损坏

00:09:34.533 --> 00:09:36.533
迫使整个文件系统关闭

00:09:36.700 --> 00:09:38.200
另一个智能体递归

00:09:38.200 --> 00:09:40.266
搜索机器上的所有文件

00:09:40.600 --> 00:09:43.400
触发系统缺陷并导致整机崩溃

00:09:43.600 --> 00:09:46.366
还有任务运行的无限输出yes的命令

00:09:46.800 --> 00:09:48.733
记录服务忠实保存每一行

00:09:48.900 --> 00:09:51.466
最后堆出几十GB无意义日志

00:09:51.700 --> 00:09:53.100
这些行为不能简单

00:09:53.100 --> 00:09:55.066
解释成AI产生恶意

00:09:55.466 --> 00:09:57.800
强化学习会奖励成功结果

00:09:57.966 --> 00:09:59.600
智能体发现绕过任务

00:09:59.600 --> 00:10:01.600
比完成任务更容易时

00:10:01.666 --> 00:10:03.600
就可能沿着漏洞前进

00:10:03.766 --> 00:10:06.200
它没有人类意义上的道德冲动

00:10:06.366 --> 00:10:08.600
只是在优化能够拿到的分数

00:10:08.733 --> 00:10:10.366
问题由此变得尖锐

00:10:11.100 --> 00:10:13.800
智能体自己建设训练环境后

00:10:13.866 --> 00:10:16.400
谁来确保环境没有藏着答案

00:10:16.733 --> 00:10:19.666
谁来证明验证器测到的是真能力

00:10:19.900 --> 00:10:22.100
而不是模型发现了评分漏洞

00:10:22.300 --> 00:10:25.166
如果建设者和参赛者拥有相同权限

00:10:25.366 --> 00:10:27.200
下一代模型甚至可能在

00:10:27.200 --> 00:10:29.600
错误反馈中变得更擅长作弊

00:10:29.866 --> 00:10:31.966
Dsack为此加入账户隔离

00:10:32.400 --> 00:10:34.866
文件权限和网路访问控制

00:10:35.166 --> 00:10:36.733
构建环境的身份与

00:10:36.733 --> 00:10:38.866
运行任务的身份被分开

00:10:38.966 --> 00:10:41.700
打包之前也要清理残留材料

00:10:41.966 --> 00:10:44.333
安全在这里不再是外围防护

00:10:44.600 --> 00:10:47.400
它直接决定训练结果是否可信

00:10:47.466 --> 00:10:49.300
一个漏答案的沙盒会

00:10:49.300 --> 00:10:51.100
让基准成绩失去意义

00:10:51.466 --> 00:10:53.166
几十万个有漏洞的沙盒

00:10:53.333 --> 00:10:55.666
则可能污染整轮强化学习

00:10:55.733 --> 00:10:59.366
这也是DSAC距离完整RSI的第一道差距

00:11:00.066 --> 00:11:02.700
完整递归改进需要可靠评价

00:11:02.933 --> 00:11:05.100
AI可以提出100种修改

00:11:05.100 --> 00:11:06.566
可系统必须知道哪

00:11:06.566 --> 00:11:08.666
一种真的让能力变强

00:11:08.766 --> 00:11:11.666
哪一种只是在考试规则里找到便宜

00:11:11.766 --> 00:11:13.900
如果评价信号能够被操纵

00:11:14.133 --> 00:11:15.166
循环越快

00:11:15.200 --> 00:11:16.766
错误积累也越快

00:11:16.900 --> 00:11:18.800
第二道差距是研究方向

00:11:19.200 --> 00:11:20.400
Deepseek里的智能体

00:11:20.400 --> 00:11:21.933
可以执行明确任务

00:11:22.000 --> 00:11:23.333
自动配置环境

00:11:23.400 --> 00:11:25.333
进行实验和保存结果

00:11:25.366 --> 00:11:27.200
它还不能稳定决定下一代

00:11:27.200 --> 00:11:29.000
模型最值得解决的问题

00:11:29.166 --> 00:11:30.866
应该改注意力结构

00:11:31.066 --> 00:11:32.333
还是训练数据

00:11:32.533 --> 00:11:34.333
应该提升长程规划

00:11:34.500 --> 00:11:35.900
还是降低幻觉

00:11:36.400 --> 00:11:38.566
这些选择牵涉资源分配

00:11:38.700 --> 00:11:40.766
失败解释和长期目标

00:11:40.933 --> 00:11:43.100
目前仍由人类研究者掌握

00:11:43.300 --> 00:11:45.300
Anthropic公布的一组数据

00:11:45.300 --> 00:11:46.566
提供了很好的对照

00:11:47.066 --> 00:11:48.733
截至2026年8月

00:11:49.100 --> 00:11:51.500
Claude已经能够主导约26%

00:11:51.500 --> 00:11:53.200
的内部模型研发任务

00:11:53.400 --> 00:11:56.933
超过90%的任务达到至少协作水平

00:11:57.000 --> 00:11:59.000
但Anthropic同时强调

00:11:59.300 --> 00:12:00.766
没有任何已测部分

00:12:00.766 --> 00:12:02.566
处于完全自主状态

00:12:03.066 --> 00:12:05.400
AI能承担大块研究工作

00:12:05.566 --> 00:12:07.133
不能脱离人类独立

00:12:07.133 --> 00:12:08.966
运行完整研发闭环

00:12:09.266 --> 00:12:11.700
自动化研究确实在快速进步

00:12:12.466 --> 00:12:14.500
Claude可以修改训练代码

00:12:14.566 --> 00:12:15.600
运行实验

00:12:15.700 --> 00:12:16.766
分析结果

00:12:17.133 --> 00:12:20.166
并在某些安全研究中自动寻找

00:12:20.166 --> 00:12:23.600
降低欺骗谄媚和奖励作弊的方法

00:12:24.100 --> 00:12:27.500
这说明AI帮助开发AI已经是现实

00:12:27.866 --> 00:12:30.500
它仍然依赖人类给出研究目标

00:12:30.566 --> 00:12:34.000
计算预算评价方法和停止条件

00:12:34.466 --> 00:12:37.500
Deepseek把另一半基础设施补了上来

00:12:37.900 --> 00:12:39.666
Anthropic展示模型能

00:12:39.666 --> 00:12:41.466
承担多少研究工作

00:12:41.733 --> 00:12:44.166
Deepseek展示这些研究工作如何

00:12:44.166 --> 00:12:46.700
获得几十万个真实执行环境

00:12:46.766 --> 00:12:48.600
一个增强研究脑力

00:12:48.866 --> 00:12:50.866
一个扩大实验吞吐量

00:12:50.966 --> 00:12:52.566
两条路线合在一起

00:12:52.666 --> 00:12:54.933
才接近弱形式的递归改进

00:12:55.066 --> 00:12:57.100
这里需要给RSI分层

00:12:57.466 --> 00:12:58.966
第一层是自动执行

00:12:59.133 --> 00:13:00.866
人类提出明确问题

00:13:01.000 --> 00:13:03.533
AI写代码配置环境跑

00:13:03.533 --> 00:13:05.133
实验并整理结果

00:13:05.300 --> 00:13:07.900
今天的前沿系统已经大量做到

00:13:07.933 --> 00:13:09.800
第二层是自动探索

00:13:10.333 --> 00:13:13.366
AI在一个研究方向里提出多个方案

00:13:13.533 --> 00:13:15.933
根据实验反馈选择下一步

00:13:16.266 --> 00:13:18.666
人类负责监督和处理异常

00:13:18.900 --> 00:13:20.366
Deepseek让这种流程

00:13:20.366 --> 00:13:22.166
可以扩展到更大规模

00:13:22.466 --> 00:13:24.933
第三层是自动确定研究议程

00:13:25.600 --> 00:13:27.400
AI自己判断能力瓶颈

00:13:27.766 --> 00:13:30.066
设计新的模型和训练方法

00:13:30.066 --> 00:13:31.900
再证明新系统更好

00:13:32.133 --> 00:13:33.933
现有公开证据还不足以

00:13:33.933 --> 00:13:35.800
说明Deepseek达到这一层

00:13:35.966 --> 00:13:38.000
第四层才是强RSI

00:13:38.400 --> 00:13:40.800
新模型在很少甚至没有人类

00:13:40.800 --> 00:13:43.700
参与的情况下制造更强继任者

00:13:43.866 --> 00:13:46.100
然后由继任者继续改进

00:13:46.500 --> 00:13:48.900
这个循环必须稳定可验证

00:13:48.966 --> 00:13:52.200
还不能被奖励作弊和安全问题带偏

00:13:52.533 --> 00:13:55.133
Deepseek没有证明这件事已经发生

00:13:55.200 --> 00:13:57.733
因此Deepseek现在有RSI可以

00:13:57.733 --> 00:13:59.533
作为一个有张力的提问

00:13:59.800 --> 00:14:02.266
不能作为未经限定的技术结论

00:14:02.366 --> 00:14:03.866
更准确的判断是

00:14:03.933 --> 00:14:05.933
Deepseek已经建成一套支持

00:14:05.933 --> 00:14:08.300
弱RSI的大规模执行底座

00:14:08.466 --> 00:14:11.200
它让智能体参与制造训练环境

00:14:11.500 --> 00:14:14.066
也让训练循环摆脱GPU

00:14:14.066 --> 00:14:15.533
任务中断的影响

00:14:16.200 --> 00:14:17.333
它离自主设计

00:14:17.333 --> 00:14:19.600
下一代Deepseek仍有距离

00:14:19.700 --> 00:14:22.366
这个区别不会削弱Deepseek的价值

00:14:22.566 --> 00:14:24.800
反而说明Deepseek看到了下

00:14:24.800 --> 00:14:26.733
一轮竞争的真正瓶颈

00:14:26.966 --> 00:14:29.766
模型权重正在越来越容易获得

00:14:30.100 --> 00:14:32.966
开源模型蒸馏和低价API

00:14:32.966 --> 00:14:34.966
让推理能力迅速扩散

00:14:35.666 --> 00:14:38.400
真正难复制的东西开始转向系统层

00:14:39.000 --> 00:14:40.766
数十万沙盒的调度

00:14:40.766 --> 00:14:42.366
PB级镜像管理

00:14:42.400 --> 00:14:43.866
强化学习框架

00:14:43.933 --> 00:14:45.333
可验证任务库

00:14:45.366 --> 00:14:47.366
失败恢复和安全隔离

00:14:47.566 --> 00:14:49.733
竞争对手可以下载一份模型

00:14:50.000 --> 00:14:51.500
很难一夜复制训练

00:14:51.500 --> 00:14:53.266
这份模型的整座工厂

00:14:53.400 --> 00:14:55.266
Kimi的agent ENV

00:14:55.600 --> 00:14:58.966
阿里云的agent Sandbox以及各家云

00:14:58.966 --> 00:15:01.600
平台对智能体运行环境的投入

00:15:01.700 --> 00:15:03.300
都指向同一趋势

00:15:03.566 --> 00:15:06.066
云计算经历了虚拟机容器

00:15:06.066 --> 00:15:08.100
和大模型平台几个阶段

00:15:08.300 --> 00:15:10.900
现在又要为智能体重新设计

00:15:11.133 --> 00:15:12.966
模型训练依赖GPU

00:15:12.966 --> 00:15:14.000
智能体训练

00:15:14.600 --> 00:15:18.200
还依赖大量CPU内存存储和可以

00:15:18.200 --> 00:15:20.500
反复重置的真实软件世界

00:15:20.600 --> 00:15:22.100
谁控制这些环境

00:15:22.200 --> 00:15:24.933
谁就控制智能体获得经验的入口

00:15:25.066 --> 00:15:26.300
任务够不够多

00:15:26.466 --> 00:15:27.766
反馈是不是真实

00:15:28.000 --> 00:15:29.366
失败能不能恢复

00:15:29.566 --> 00:15:30.966
作弊能不能被发现

00:15:31.300 --> 00:15:33.300
都会成为模型能力的一部分

00:15:33.366 --> 00:15:35.466
下一代AI公司的护城河

00:15:35.800 --> 00:15:38.066
可能不只是一份权重

00:15:38.133 --> 00:15:40.733
而是持续生产高质量经验的能力

00:15:40.800 --> 00:15:42.500
Deepseek还揭示了一个常

00:15:42.500 --> 00:15:44.333
被忽略的成本变化

00:15:44.966 --> 00:15:46.333
训练语言模型时

00:15:46.333 --> 00:15:49.100
行业最担心的是GPU数量

00:15:49.266 --> 00:15:50.766
智能体规模扩大后

00:15:50.766 --> 00:15:53.666
普通处理器和内存也会成为硬约束

00:15:53.900 --> 00:15:55.600
38万个并发沙盒

00:15:55.700 --> 00:15:58.133
即使多数时间处于等待状态

00:15:58.200 --> 00:16:01.300
也要保留文件进程和交互历史

00:16:01.700 --> 00:16:02.766
环境越真实

00:16:02.900 --> 00:16:04.300
资源占用越高

00:16:04.466 --> 00:16:06.366
AI产业并没有因为进入

00:16:06.366 --> 00:16:09.066
智能体阶段而摆脱基础设施

00:16:09.333 --> 00:16:11.400
它只是把账单从GPU

00:16:11.400 --> 00:16:13.200
扩展到了整台计算机

00:16:13.266 --> 00:16:14.933
对Deepseek来说

00:16:14.966 --> 00:16:17.133
公开这份报告也有战略意义

00:16:17.400 --> 00:16:19.566
过去外界认识Deepseek主要

00:16:19.566 --> 00:16:21.966
通过低成本模型和开放权重

00:16:22.300 --> 00:16:23.933
Deepseek展示的是公司

00:16:23.933 --> 00:16:25.733
内部生产系统的规模

00:16:26.066 --> 00:16:28.600
它说明Deepseek不止在训练一个模型

00:16:28.666 --> 00:16:30.533
而是在建设一套能够持续

00:16:30.533 --> 00:16:32.933
训练代码智能体电脑操作

00:16:32.933 --> 00:16:35.866
智能体和工具使用智能体的平台

00:16:36.100 --> 00:16:38.900
论文中的大量具体故障也很罕见

00:16:39.266 --> 00:16:42.000
多数公司发布基础设施成果时

00:16:42.000 --> 00:16:44.533
只展示吞吐量和加速比例

00:16:44.766 --> 00:16:47.200
Deepseek把智能体偷看答案

00:16:47.333 --> 00:16:49.866
伪造消息替换系统文件和

00:16:49.866 --> 00:16:52.533
弄崩存储的过程写进报告

00:16:53.166 --> 00:16:54.933
相当于承认一个事实

00:16:55.000 --> 00:16:56.200
智能体越强

00:16:56.266 --> 00:16:59.200
训练平台越不能把它当成普通程序

00:16:59.533 --> 00:17:00.533
普通程序按照

00:17:00.533 --> 00:17:02.466
开发者写好的路径运行

00:17:03.100 --> 00:17:04.866
智能体会观察环境

00:17:05.400 --> 00:17:07.133
寻找新的行动路径

00:17:07.466 --> 00:17:08.933
安全边界只要存在

00:17:08.933 --> 00:17:10.500
一个能得分的缺口

00:17:10.600 --> 00:17:12.000
它就有动力去试

00:17:12.266 --> 00:17:14.566
未来的智能体训练平台必须

00:17:14.566 --> 00:17:17.133
同时扮演实验室和对抗场

00:17:17.166 --> 00:17:19.533
每次系统堵住一种作弊方式

00:17:19.933 --> 00:17:21.866
模型可能又找到下一种

00:17:22.266 --> 00:17:25.100
这使RSI的安全问题提前出现

00:17:25.200 --> 00:17:27.800
即便AI还不能自主设计继任者

00:17:27.966 --> 00:17:29.566
它已经能够影响训练

00:17:29.566 --> 00:17:31.800
数据环境和评价信号

00:17:32.133 --> 00:17:34.300
一旦这些环节越来越自动化

00:17:34.400 --> 00:17:36.100
人类研究者看到的可能

00:17:36.100 --> 00:17:37.900
只是最后一张成绩单

00:17:38.100 --> 00:17:40.100
成绩背后的环境有没有被操纵

00:17:40.333 --> 00:17:42.200
实验是否真正可复现

00:17:42.333 --> 00:17:44.100
必须由独立机制审计

00:17:44.466 --> 00:17:47.766
强RSI的一项主要风险是研发流程在

00:17:47.766 --> 00:17:50.400
效率压力下逐步取消人工检查

00:17:50.600 --> 00:17:53.400
每一个自动化环节单独看都合理

00:17:53.500 --> 00:17:55.966
包括让AI建环境写代码

00:17:55.966 --> 00:17:58.100
跑实验和选择结果等

00:17:58.100 --> 00:17:59.866
这些环节被接成闭环

00:18:00.333 --> 00:18:03.166
研究人员才发现自己只剩批准按钮

00:18:03.366 --> 00:18:05.166
Deepseek目前没有走到那里

00:18:05.366 --> 00:18:08.266
人类仍然定义任务审核环境

00:18:08.333 --> 00:18:11.300
设置访问控制并解释结果

00:18:11.600 --> 00:18:13.366
论文甚至把智能体失控

00:18:13.366 --> 00:18:15.366
案例当成平台设计依据

00:18:15.733 --> 00:18:18.466
这说明团队知道自动化越深入

00:18:19.066 --> 00:18:21.000
验证和隔离越重要

00:18:21.133 --> 00:18:24.200
接下来值得观察的是三个具体指标

00:18:24.366 --> 00:18:26.000
是否直接宣布实现

00:18:26.000 --> 00:18:27.300
反而没有那么重要

00:18:27.466 --> 00:18:29.566
第一个指标是智能体建设

00:18:29.566 --> 00:18:31.666
的环境有多少可以不经

00:18:31.666 --> 00:18:33.933
人工修正直接进入训练

00:18:34.333 --> 00:18:35.200
比例越高

00:18:35.200 --> 00:18:37.566
环境生产越接近自动循环

00:18:37.700 --> 00:18:40.500
第二个指标是能否在没有预先

00:18:40.500 --> 00:18:43.366
指定方案的情况下提出研究假设

00:18:43.366 --> 00:18:46.166
并通过多轮实验稳定改进模型

00:18:46.533 --> 00:18:48.066
一次成功不算闭环

00:18:48.266 --> 00:18:50.600
连续改进且能够复现才算

00:18:50.666 --> 00:18:52.533
第三个指标是评价

00:18:52.533 --> 00:18:54.500
系统能否识别奖励作弊

00:18:54.700 --> 00:18:56.566
只看基准分数上升

00:18:56.766 --> 00:18:59.400
会把漏洞利用误判成能力进步

00:19:00.066 --> 00:19:02.133
必须有独立测试权限

00:19:02.133 --> 00:19:04.200
隔离和跨环境复验

00:19:04.300 --> 00:19:07.100
这三个指标比RSI来了更重要

00:19:07.166 --> 00:19:09.300
它们能区分真正的研发能力

00:19:09.300 --> 00:19:12.300
增长和自动化工具数量增加

00:19:12.500 --> 00:19:14.500
Deepseek这次已经跨过

00:19:14.500 --> 00:19:15.733
了一个明确门槛

00:19:16.533 --> 00:19:18.133
智能体不再只是训练

00:19:18.133 --> 00:19:19.866
流程里的被训练者

00:19:19.966 --> 00:19:22.800
也成为训练基础设施的建设者

00:19:22.966 --> 00:19:25.900
模型开始帮助生产自己的经验来源

00:19:26.400 --> 00:19:29.600
这一步在两年前还停留在概念讨论

00:19:30.000 --> 00:19:31.600
如今已经运行在每天

00:19:31.600 --> 00:19:33.933
300万个沙盒的生产系统里

00:19:33.966 --> 00:19:35.800
它尚未跨过最后门槛

00:19:36.333 --> 00:19:38.133
智能体没有公开证明自己

00:19:38.133 --> 00:19:40.166
能选择正确的研究问题

00:19:40.366 --> 00:19:42.533
无法独立验证所有结果

00:19:42.733 --> 00:19:44.766
也没有制造出一个可以确认

00:19:44.766 --> 00:19:47.200
由它自主设计的更强Deepseek

00:19:47.533 --> 00:19:49.866
把Deepseek称为完整RSI

00:19:50.300 --> 00:19:52.066
会跳过这些关键差距

00:19:52.266 --> 00:19:53.766
最稳妥的结论是

00:19:53.866 --> 00:19:55.366
递归自我改进没有

00:19:55.366 --> 00:19:56.800
在某一天突然降临

00:19:57.066 --> 00:19:59.266
它正被拆成许多工程模块

00:19:59.333 --> 00:20:01.333
一块一块进入生产环境

00:20:01.666 --> 00:20:03.166
自动写代码是一块

00:20:03.300 --> 00:20:05.000
自动跑实验是一块

00:20:05.133 --> 00:20:07.133
自动建设沙盒又是一块

00:20:07.333 --> 00:20:09.133
Deepseek把其中最昂贵

00:20:09.166 --> 00:20:10.866
最容易被忽略的一块

00:20:10.933 --> 00:20:12.900
做到了前所未有的规模

00:20:13.000 --> 00:20:15.500
转折也许不会伴随一场发布会

00:20:15.766 --> 00:20:18.500
某一天环境由AI生成

00:20:18.866 --> 00:20:20.466
实验由AI执行

00:20:20.900 --> 00:20:22.400
结果由AI筛选

00:20:22.666 --> 00:20:25.300
下一轮研究方向也由AI提出

00:20:25.366 --> 00:20:27.100
人类研究者仍然在场

00:20:27.166 --> 00:20:29.466
却已经不再逐步控制循环

00:20:29.700 --> 00:20:31.700
RSI是一条被自动化

00:20:31.700 --> 00:20:34.000
工具慢慢闭合的生产线

00:20:34.200 --> 00:20:35.966
不是一项单独功能

00:20:36.300 --> 00:20:38.566
还要注意开源这个词的边界

00:20:39.100 --> 00:20:41.166
Deepseek论文公开了架构

00:20:41.366 --> 00:20:43.800
生产数据和关键机制

00:20:44.266 --> 00:20:47.500
Deepseek也开放了部分相关软件组件

00:20:47.666 --> 00:20:50.333
公开论文不等于外部团队拿到

00:20:50.333 --> 00:20:52.800
同样规模的集群就能一键复现

00:20:53.066 --> 00:20:56.533
三思内部调度任务库和强化学习

00:20:56.700 --> 00:20:59.166
流水线之间存在大量工程耦合

00:20:59.400 --> 00:21:02.266
3万个CPU核心与250TB

00:21:02.266 --> 00:21:03.800
内存本身也是门槛

00:21:04.133 --> 00:21:07.166
开放技术路线不等于复制生产能力

00:21:07.866 --> 00:21:10.866
竞争者可以学习分层镜像按需

00:21:10.866 --> 00:21:14.100
加载和微型虚拟机共享内存的办法

00:21:14.500 --> 00:21:16.700
却仍要积累足够多的任务

00:21:16.700 --> 00:21:19.500
环境失败记录和安全规则

00:21:19.700 --> 00:21:21.533
Deepseek最难复制的资产

00:21:21.700 --> 00:21:23.800
可能是数百万次智能体

00:21:23.800 --> 00:21:25.533
运行留下的运维经验

00:21:25.966 --> 00:21:27.366
而非某段代码

00:21:27.500 --> 00:21:29.400
这些经验会形成反馈

00:21:29.566 --> 00:21:32.066
一次智能体替换命令解释器

00:21:32.166 --> 00:21:34.300
平台就增加新的文件权限

00:21:34.766 --> 00:21:36.666
一次日志无限膨胀

00:21:36.866 --> 00:21:38.600
记录系统就增加配额

00:21:39.000 --> 00:21:40.766
一次环境泄露答案

00:21:40.766 --> 00:21:43.100
打包流程就加强身份隔离

00:21:43.266 --> 00:21:45.133
平台每堵住一条捷径

00:21:45.566 --> 00:21:46.966
下一轮训练得到的

00:21:46.966 --> 00:21:49.133
反馈就更接近真实能力

00:21:49.400 --> 00:21:52.533
模型和基础设施实际上在共同进化

00:21:52.700 --> 00:21:55.700
这种共同进化仍然不是强RSI

00:21:55.900 --> 00:21:57.366
因为平台规则主要

00:21:57.366 --> 00:21:59.066
由人类工程师修改

00:21:59.466 --> 00:22:01.366
但它已经改变研发节奏

00:22:01.500 --> 00:22:03.366
过去发现一种作弊方式

00:22:03.500 --> 00:22:05.700
要等研究人员复盘任务

00:22:05.800 --> 00:22:06.700
修改环境

00:22:06.700 --> 00:22:07.933
再重新训练

00:22:08.066 --> 00:22:10.700
现在统一沙盒平台可以把

00:22:10.700 --> 00:22:12.866
修复快速应用到大批环境

00:22:13.300 --> 00:22:16.200
缩短从发现问题到重新验证的时间

00:22:16.366 --> 00:22:19.366
未来如果AI开始自动归纳这些故障

00:22:19.700 --> 00:22:22.700
生成防护策略并验证修复效果

00:22:23.133 --> 00:22:25.466
Deepseek会再向闭环靠近一步

00:22:25.600 --> 00:22:27.966
届时AI不止生产训练任务

00:22:28.000 --> 00:22:30.000
还参与维护训练规则

00:22:30.166 --> 00:22:31.566
可即使到了那里

00:22:31.700 --> 00:22:33.500
独立审计人不能取消

00:22:33.766 --> 00:22:35.266
让同一个系统提出

00:22:35.266 --> 00:22:37.366
修复并宣布修复有效

00:22:37.566 --> 00:22:39.500
会产生新的自证问题

00:22:39.766 --> 00:22:42.266
另一个判断RSI的办法是观察

00:22:42.266 --> 00:22:44.333
改进能否跨越任务边界

00:22:45.100 --> 00:22:46.800
智能体在熟悉的软件

00:22:46.800 --> 00:22:48.533
环境中提高成功率

00:22:48.766 --> 00:22:50.733
可能只是更好的工具使用

00:22:50.933 --> 00:22:52.700
他若能从一次文件系统

00:22:52.700 --> 00:22:55.333
事故中抽象出通用安全原则

00:22:55.533 --> 00:22:57.733
再把原则迁移到浏览器

00:22:57.866 --> 00:22:59.933
机器人和云服务环境

00:23:00.100 --> 00:23:02.600
才显示出更高层的研究能力

00:23:02.900 --> 00:23:04.866
公开报告目前主要证明

00:23:04.866 --> 00:23:07.900
Deepseek拥有规模和工程效率

00:23:08.100 --> 00:23:09.766
没有证明这种跨领域

00:23:09.766 --> 00:23:12.000
自我改进已经稳定出现

00:23:12.200 --> 00:23:14.600
Deepseek现在拥有的是这

00:23:14.600 --> 00:23:16.366
条生产线的环境引擎

00:23:16.866 --> 00:23:18.200
它足以改变智能体

00:23:18.200 --> 00:23:19.933
训练的成本和速度

00:23:20.133 --> 00:23:22.800
也足以让AI开发AI从口号

00:23:22.800 --> 00:23:24.866
变成可测量的工程过程

00:23:25.300 --> 00:23:27.733
至于它有没有完整RSI

00:23:27.933 --> 00:23:29.600
答案仍然是否定的

00:23:29.600 --> 00:23:32.100
但那个未闭合的问题已经变了

00:23:32.400 --> 00:23:35.866
行业不再争论AI能不能参与改进AI

00:23:36.066 --> 00:23:38.000
而是在计算还剩多少

00:23:38.000 --> 00:23:40.566
环节必须由人类亲自完成

00:23:40.666 --> 00:23:43.333
下一份真正能证明突破的报告

00:23:43.566 --> 00:23:46.133
应该给出连续多轮改进记录

00:23:46.533 --> 00:23:48.133
模型提出了什么假设

00:23:48.400 --> 00:23:49.800
修改了哪些组件

00:23:50.100 --> 00:23:52.700
独立测试怎样排除数据污染

00:23:52.900 --> 00:23:55.700
能力增长能否在陌生环境中复现

00:23:56.100 --> 00:23:57.300
缺少这条证据链

00:23:57.533 --> 00:23:59.400
任何单次高分都可能来自

00:23:59.400 --> 00:24:01.466
更大的计算预算更好的

00:24:01.466 --> 00:24:03.700
任务筛选或者评价漏洞

00:24:04.400 --> 00:24:07.166
RSI的门槛不该由宣传用词决定

00:24:07.333 --> 00:24:09.966
它必须由可重复的闭环结果决定