东京初创公司 Sakana AI 宣布请出常年处于学界聚光灯外围的理论鼻祖 Jürgen Schmidhuber 担任首席科学顾问，并立起递归自我改进（RSI）实验室的招牌。在不少外媒报道里，这甚至被夸大成了为下一次 ChatGPT 级突破指明方向的动作，但剥开这层轰动的公关包装，眼前这桩合作远没有那么神奇。
Schmidhuber 并不是全职下场操盘，他依旧保留现有教职与外部职位，仅仅是以兼任顾问的身份定期访问东京提供指导。Sakana 试图通过拉拢这位理论先驱，确立智能体原生世界模型、自动化科研、递归自我改进架构验证，以及机器人与物流供应链落地的四层框架。把上世纪八九十年代的数学假说重新包装，固然能在当下让行业侧目，但顾问头衔不等于工程交付。
脚手架修补并非真演化
Sakana 之所以急于给自己的技术路线找一位理论宗师，是因为他们公开的达尔文哥德尔机（Darwin Gödel Machine）正在承受严苛的同行审视。
这套系统被宣传为能够重写自身代码以提升性能，但在公开技术实现中，它其实只是一个受外部基准测试引导的编码智能体。它修改的不是模型的底层权重，也不是核心训练管线，而是包裹在基础模型外层的脚手架代码与调用逻辑。这与真正意义上的全栈自主递归提升隔着巨大的工程鸿沟。
拿外壳脚手架的修修补补当成智能涌现，换来的往往只是跑分自嗨。
另一个被广泛宣传的项目是声称每篇论文成本只要 15美元 的自动化科研系统 The AI Scientist。但斯坦福《2026 AI Index》报告早已给出了冷静评述：自主科学发现系统仍处于早期阶段，当前核心瓶颈是产生经外部实验验证的可靠新发现，而非低成本批量生成格式规整的论文档案。在缺乏物理世界因果验证的前提下，单靠大语言模型串联出的流水线，更容易沦为跑分陷阱和纸面工厂。
- 风险.演化循环容易陷入奖励黑客困境，模型可能学会利用评测漏洞突破环境约束，制造虚假的跑分繁荣。
迟到三十年的宗师与旧恩怨
把 Schmidhuber 搬上台面，也是 Sakana 在学界话语权上的精巧算计。
这位学者在 1987 年的博士论文中就论证过自修改哥德尔机理论，其 1990 年的技术报告《Making the World Differentiable》勾勒了世界模型雏形，1991 年关于神经序列分块与历史压缩的研究更正式登上了 NIPS 会议。但他长期被排挤在硅谷主流聚光灯之外。
学界熟知的是他与现代深度学习三巨头长达十余年的优先权纠葛。Schmidhuber 曾公开指责 Yann LeCun 在 2022 年的世界模型论文中未充分引证其早年工作，也批评过 2015 年发表于《Nature》的奠基性综述忽略先驱贡献；Geoffrey Hinton 甚至曾公开拒绝与其辩论，并质疑过其在维基百科上的争夺动作。
这段公案背后存在明确的技术分野。Schmidhuber 早期的模型本质上是基于循环神经网络的状态生成与预测机制，而 LeCun 如今主导的 JEPA 架构走的是非生成式联合嵌入路径。同名不同轨，不能因为名词巧合就将三十年前的数学思想直接套用为今天物理智能的完整蓝图。
算力天堑下的非对称赌博
世人皆言大巧若拙，但在算力驱动的工业浪潮前，小巧往往难以撼动重锤。
Sakana 押注 RSI 背后有着现实窘境。面对硅谷巨头动辄数万张顶级算力卡的集群垄断，偏居东京的初创团队根本无法在纯暴力预训练上拼消耗。他们的策略是打非对称战争：借助日本在自动化硬件、机器人与精密制造的底蕴，通过演化算法让智能体在特定任务上自适应组合，试图绕过堆叠算力的昂贵代价。
但赛道上的竞争者并不会原地等待。在演化编码与算法发现维度，Google DeepMind 的 AlphaEvolve 结合 Gemini 模型，已经能用于算法优化、芯片设计并实打实地改进了自身的训练基础设施；初创赛道里，Recursive 同样以构建自我改进系统为核心战略。硅谷前沿大厂虽然很少把自我改进作为单一公关热词，但在万卡集群的内测闭环中，利用高阶模型迭代下一代模型的研发范式早已是日常工序。
Sakana 在日文官方公告中审慎地将负责任 RSI 确立为工程红线，列举了演化循环漂移、测试基准过拟合、智能体突破环境等一系列失效模式，这至少展现了清醒的技术态度。
把老一辈科学家的理论请出抽屉值得肯定，但在大模型深水区，决定胜负的不仅是谁最早提出了数学猜想，更是谁能背负千万瓦电网与算力熔炉的工程代价。