Sakana AI的遞迴自我改進（RSI）實驗室

Sakana AI今天宣佈正式成立遞迴自我改進（RSI）實驗室，這是一個專門的研究小組，旨在利用人工智慧重新設計人工智慧開發過程本身。該實驗室位於東京，將專注於構建開放、自適應且自我改進的架構，類似於生物進化不斷基於過去的發現進行創新。

RSI實驗室並非從零開始，而是建立在Sakana AI過去兩年的突破性研究基礎上。其研究組合包括LLM-Squared（與牛津和劍橋合作開發），該框架開創了AI驅動的自動化，讓大語言模型發明更好的訓練方法；達爾文·哥德爾機器（DGM），透過與不列顛哥倫比亞大學合作開發，實現了開放式的連續自我改進，使軟體工程效能翻倍；ShinkaEvolve，一個開源框架，僅用150個樣本就解決了複雜的最佳化問題；ALE-Agent，在AtCoder Heuristic Contest 058中擊敗了804名人類參與者，獲得第一名；Digital Red Queen（與麻省理工學院合作），建立了開放式的對抗性協同進化；以及AI Scientist（2024-2026），一個能夠完全自動化科學發現的系統，其研究成果最近發表在《自然》雜誌上（2026年3月26日）。

Sakana AI的方法強調樣本效率而非暴力計算。例如，ShinkaEvolve僅用150個樣本就解決了傳統搜尋認為棘手的問題，而ALE-Agent透過從自身失敗中提取結構化教訓來超越人類專家，而不是消耗更多推理資源。這種理念將指導RSI實驗室的追求：構建最樣本高效的自改進引擎，使其進步能夠在國家而非超大規模的計算預算上覆合增長。

該實驗室的願景分為四個階段：代理原生模型、AI科學家、遞迴自我改進和民主化AI。他們相信遞迴自我改進可以在適度的計算資源上實現，從而改變前沿AI的地理分佈。國家、機構和領域無需在原始叢集規模上競爭，就可以構建自己所需的AI系統。

RSI實驗室的成立正值日本加速推進主權AI基礎設施戰略之際。實驗室將利用日本的科學人才和工程文化，同時將計算約束轉化為優勢。實驗室承諾公開研究，包括負面結果，並從一開始就設計可驗證的安全措施。

Sakana AI正在招聘前沿研究科學家和高階核心工程師，以推動這一使命。