带着9千亿离开的研究者，留在东京的138人

开篇

订阅者朋友，今年5月，AI行业出现了一个有趣的分岔路。曾与Sakana AI共同研究“AI自我改进系统”的科学家Jeff Clune，获得了约9千亿韩元的投资，并成立了一家独立公司。公司名为Recursive Superintelligence，字面意思就是“递归超级智能”。NVIDIA和Google Ventures都出现在投资者名单中，企业估值约为6.5万亿韩元。

同一时期，留在东京的Sakana AI的138名员工正式成立了名为RSI Lab¹​的专属研究组织。从同一项研究出发，朝向同一个目标，方法论却完全分道扬镳。先说结论：这个分岔路的本质并非技术竞争，而是关于“要发展AI，究竟需要更大的计算机，还是需要更聪明的方法”这一根本问题的两种答案。

我之所以在这么晚的时间坐在键盘前写这封邮件，正是因为这条新闻，以及日本代表性人工智能公司SakanaAI推出的新型编排平台。

相同的代码，不同的押注

“AI自我改进”这个概念由来已久。1966年，英国数学家I. J. Good曾预测：“如果超级智能机器能够设计出更好的机器，就会发生智能爆炸。” 60年后的2026年，这个概念已经以RSI（Recursive Self-Improvement，递归自我改进）之名成为一个真正的研究领域。今年4月的ICLR 2026大会上，甚至专门开设了RSI工作坊，足见其已在学界形成独立的研究阵地。

然而，关于如何实现RSI，现在两大阵营正呈现出鲜明的分裂。

Recursive Superintelligence于今年5月在伦敦揭开隐身模式的面纱，公开了约9千亿韩元（$650M）的融资，企业估值约为6.5万亿韩元（$4.65B）。8位联合创始人均是来自OpenAI、Google DeepMind、Meta AI、Salesforce的明星研究者，AI教科书的代名词彼得·诺维格（Peter Norvig）担任顾问。团队目前不足30人，尚无公开的技术成果。这家公司的押注很明确：用大规模算力尽可能提高自我改进循环的速度。

Sakana AI则走的是完全相反的道路。这家2023年在东京成立的公司，其CTO是Llion Jones，正是奠定现代AI基础的论文《Attention Is All You Need》的共同作者。共同发明了Transformer架构的人，在2025年TED AI舞台上表示自己“已经对Transformer感到厌倦”，如今正在东京研究超越它的方向。累计融资约5,300亿韩元（$379M），企业估值约3.7万亿韩元（$2.65B），员工138人。他们的核心理念可以用一句话概括：

“靠的是想法，而不是算力。”

这不只是战术上的差异，而是关于“更大就更好，还是更聪明就更好”这一AI开发根本前提的立场分歧。而促成这场分岔的起点研究，正是Darwin Gödel Machine²​。这套由Sakana与UBC（不列颠哥伦比亚大学）在2025年共同开发的系统，让AI代理通过自我修改代码，将软件工程性能提升了一倍以上。这个项目在UBC一方的核心研究者正是Jeff Clune，他为了以不同规模执行同一理念，创立了Recursive。

150个样本的改善

Sakana AI的RSI Lab发布文中有一句令人印象深刻的话：日本制造业的主导地位，并非来自丰富的资源，而是来自对工厂系统本身的根本性重新设计。这是一种宣言，要将丰田的改善³​哲学套用到AI开发中。

这只是修辞吗？看看Sakana过去两年拿出的研究成果，会发现其中确有实质。

ShinkaEvolve（2025）仅用150个样本就解决了复杂的优化问题。考虑到同类问题通常需要数万到数十万次试验，这是惊人的样本效率⁴​。这项技术还被用来重新设计MoE模型⁵​的负载均衡损失函数。

ALE-Agent（2025）在AtCoder算法竞赛中击败了804名人类专家，夺得第一。这一成果并非依靠无限增加算力，而是靠从试错中提炼出结构化经验的自我学习机制实现的。

还有AI Scientist。这个系统将从研究构想产生、实验设计与执行、论文撰写，乃至同行评审在内的整个科研过程自动化，其相关论文于今年3月发表在《Nature》上。这是AI撰写的论文首次通过世界顶级期刊同行评审的案例。这篇论文中尤其有一个有趣的发现：基础模型的性能一旦提升，AI Scientist生成论文的质量也会随之成比例提高，这被称为“科学的规模法则”。这可以说是自我改进循环具备可行性的间接证据。

贯穿这些研究的共同点是：不是投入更多资源，而是设计出用同样资源学到更多的结构。丰田能够击败采用大规模生产方式的GM，靠的不是把工厂建得更大，而是用“需要什么就造多少”的原则重新设计了整个系统。Sakana所追求的，正是这一模式在AI领域的版本。

Sakana的长期路线图由四个阶段构成。第一，开发针对代理用途（而非聊天用途）优化的基础模型（Agent-Native Model）。第二，利用该模型实现自动化科研（AI Scientist）。第三，让AI代理直接修改并验证自身基础模型代码的自主升级循环（RSI）。第四，将这种自我改进技术普及化（Democratized AI）。

从第三阶段到第四阶段的转变，才是这份路线图真正的核心。而在这一点上，Sakana为何偏偏选择立足东京，就变得重要起来。

只有在东京才可能的押注

Sakana将RSI Lab设在东京，并非出于感性理由，而是彻底的战略计算。

日本的AI基础设施市场正处于结构性转型之中。据IDC统计，2026年日本AI基础设施支出预计将突破55亿美元（约7.7万亿韩元），较三年前增长7倍。在《经济安全保障推进法》框架下，政府主导的GPU服务器部署已加速推进，AIST（产业技术综合研究所）的ABCI云平台正作为国家级AI算力基础设施运行。在半导体领域，面向下一代2纳米芯片的Rapidus项目正获得1,000亿日元规模的国家投资。

但若将这一数字与美国大型科技公司相比，规模差距依然巨大。在2026年大型科技公司AI基础设施总投资预计达6,550亿美元的背景下，日本的55亿美元占比不到1%。

Sakana AI将这一差距重新定义为设计约束，而非劣势。其逻辑是：人类的认知能力也并非源自无限的资源，而是进化在严格约束下造就的产物。算力约束反而会倒逼出样本高效的自我改进技术，而这项技术恰恰是唯一能在超大规模科技公司之外普遍适用的路径。

这与主权AI（Sovereign AI）⁶​的话语体系恰好吻合。截至2026年，法国（Mistral）、阿联酋（Falcon）、沙特（HUMAIN）、新加坡（SEA-LION）、印度（BharatGen）、日本（LLM-jp）等主要国家都在构建本国的AI能力。但大多数国家在基础模型训练阶段仍未摆脱对美国大型科技公司的依赖。正如德国Aleph Alpha放弃自研模型转而做咨询的案例所示，主权AI的现实远不像口号那样简单。

日本在这方面走的是一条略有不同的路。它不是打造单一的国家冠军，而是构建了AIST、Swallow、Stockmark等联盟+Sakana这样的民间前沿实验室的协作结构。Sakana的RSI所承诺的，是在这一协作结构之上叠加一个自我改进引擎。只要自我改进技术能在小规模算力环境中运作，基础模型开发本身就可能实现去中心化。

当然，这目前还只是一种愿景。目前尚无证据表明完整的自我改进循环已经真正运转起来。但这一尝试的方向本身值得关注。

而就在这份稿件即将收尾之际，Sakana拿出了一项证据。

而今天，138人给出的答案

昨天，也就是6月22日，Sakana AI正式发布了Sakana Fugu。距4月的测试版仅过去约两个月。

Fugu的架构，几乎可以说是Sakana改善哲学在产品层面的具象化。核心在于一个仅有7B（70亿）参数的小型语言模型充当编排器⁷​的角色。这个模型本身并不解决问题。 相反，它会向GPT-5、Claude、Gemini等前沿模型下达指令，指定“谁负责哪一部分”，验证结果，并在必要时递归地调用自身，运行纠错工作流。

结果颇为有趣。Fugu Ultra在SWE-Pro（实战软件工程）、GPQA-D（研究生水平科学问答）、LiveCodeBench（编程）等主要基准测试中，均超越了Opus 4.8、Gemini 3.1 Pro、GPT-5.5。在10项基准测试中，8项拿下第一或并列第一。更值得注意的是，它还达到了与因出口管制而受限访问的Fable 5或Mythos Preview（这些模型甚至没有被纳入Fugu的代理池）同等的性能水平。

在AutoResearch实验中，仅用一块H100 GPU，在14小时内自主完成了123次训练实验，其结果超越了所有前沿模型的基线。这是在没有大型集群的情况下取得的成果。

Sakana这个名字在日语中意为“鱼”。一条鱼算不了什么，但成群结队时，它们会比捕食者更聪明。 Fugu正是把这一比喻做成了产品。它不是打造一个庞大的单一模型，而是由一个经过训练的“指挥者”来调度多个模型的集体智能。ICLR 2026收录的两篇论文（TRINITY、Conductor）构成了这一架构的学术基础。 顺便一提，Fugu在日语中是河豚的意思。河豚体内含有名为河豚毒素的致命剧毒，但只有经验丰富的专业厨师极其精准地处理和准备，它才能变成安全又出色的高级美味，同样地，当美国的AI出口管制或某个特定供应商出现风险时（比如Fable5），Fugu会在内部动态地绕过并组合出安全的替代模型（可替换池，Swappable Pool），排除有问题的模型，从而稳定维持整个基础设施。也就是说，其中还蕴含着一种战略意涵：躲避外部管制这剂“毒”，以此守护AI主权……连品牌命名都做得如此完美，不是吗？

从主权AI的角度看，其启示也十分重大。即便某个特定的前沿模型因出口管制而无法使用，Fugu也能仅凭可访问的模型重新构建出同等水平的性能。不依附于特定供应商的前沿性能……这正是上一节所讨论的愿景，开始在产品层面真正运转起来的信号。

Oswarld视角

老实说，对于Sakana AI提出的“约束即优势”这一叙事，我此前一直是半信半疑。Fugu出现之后，这个比例稍微发生了变化。

在制定GTM战略与技术经营战略的过程中，我见过这样一种模式：资源匮乏的一方标榜“效率”，这既可能是战略，也可能同时是一种自我合理化。改善之所以能够成功，靠的不是口号，而是真正运转起来的、以更少投入学到更多的系统。Fugu正是这种“运转”的第一个产品层面的证据。一个7B模型指挥多个前沿模型、最终达到前沿水准，这说明学习得来的协调本身也可以成为竞争力，而不仅仅是简单的路由分发。

不过需要加以区分。Fugu是一种“更好地组合现有模型”的技术，与RSI的完整循环——AI改进自身基础模型的代码，而该模型再反过来改进AI Scientist的自我强化循环——属于不同的层次。编排上的成功，并不等同于自我改进的成功。而Recursive一方，尽管募集了9千亿韩元，至今仍没有公开的成果。

比起双方谁胜谁负，我更关注的是这场竞争本身的存在。这是一个信号，表明AI开发方法论正从单一路径，开始分裂为多条路径。路径一旦多元化，对于“使用”AI的那一方而言，就会出现符合自身条件的选项。

还有一点值得一提。Sakana在RSI Lab的发布文中，公开描述了自我改进系统的失败模式（分布偏移、基准测试作弊、约束规避），并将其定性为核心工程难题，这在这一领域是一种必要的态度。

结语

总结一下。

从同一项研究出发的两个组织，围绕“AI改进AI”这一相同目标，选择了截然相反的策略。一方押注资本与规模，另一方押注效率与约束。而东京一方率先拿出了产品。由7B模型指挥前沿级性能的Fugu，是“无需做大也能获胜”这一假设的第一个可运转的证据。

这场竞争的结果，超越了两家公司的胜负本身。它可能决定AI开发究竟会继续是少数大型科技公司的专属领域，还是会向更多元的主体开放。下次你看到AI新闻时，不妨不要只看基准测试排名，而是想想“打造这个模型花了多少钱”。

就我个人而言，中日韩如今在AI上选择了完全不同的战略。中国走的是与美国相同的规模化路线，日本走的是编排路线，韩国……就用上一期的内容作答吧。订阅者朋友，您认为AI开发终究是“资本的游戏”，还是“方法论的游戏”？欢迎在评论区分享您的看法。

参考资料与延伸阅读

核心来源

• Sakana AI，“Introducing Sakana AI’s Recursive Self-Improvement (RSI) Lab”，2026。：整理了Sakana的RSI研究组合与四阶段路线图，是本期新闻信的核心来源。
• Sakana AI，“Sakana Fugu: One Model to Command Them All”，2026。：整理了Fugu/Fugu Ultra的架构、基准测试和定价结构，是正式发布公告。
• Sakana AI，“Sakana Fugu Technical Report”，2026。：可查阅Fugu技术基础TRINITY和Conductor论文、详细基准结果及API结构。
• “Sakana AI bets AI that improves itself can break the compute arms race”，The Decoder，2026。：很好地梳理了RSI Lab发布的背景以及Sakana的研究轨迹。
• “Recursive Superintelligence raises $650m at $4.65bn valuation”，The Next Web，2026。：详细报道了Recursive的创立背景、团队构成与融资结构。
• Lu et al.，“Towards end-to-end automation of AI research”，Nature，2026年3月。：讨论AI Scientist系统架构与规模化结果的Nature论文。

背景知识

• “Recursive Self-Improvement Edges Closer In AI Labs”，IEEE Spectrum，2026。：从学术与产业两方面均衡地梳理了RSI领域现状。
• IDC，“7x Growth in Just Three Years: Japan’s AI Infrastructure Will Surge Past $5.5 Billion in 2026”，2026。：关于日本AI基础设施市场结构性增长的数据。
• ICLR 2026 Workshop on AI with Recursive Self-Improvement. ：展现了RSI已开始作为独立研究领域获得学界认可的事件。
• “Sakana AI’s CTO says he’s ‘absolutely sick’ of transformers”，VentureBeat，2025。：整理了Llion Jones在TED AI上的完整发言，有助于理解Sakana的哲学基础。

作者安光涉是世宗大学经营学教授，也是 OBF（Oswarld Boutique Consulting Firm）首席顾问。他在大学教授经营数据管理、商业分析等统计与数据分析课程，同时在产业现场负责 GTM 与人工智能战略咨询，设计技术与商业的连接方式。他曾发表关于 AI 对话系统记忆架构（HEMA）的学术论文，并运营每日策展全球 AI 论文的 Daily Arxiv 项目。他毕业于高丽大学技术经营专业研究生院与 KMBA，著有《把思考交出去的人：Homo Brainless》。

注释

1. RSI（Recursive Self-Improvement，递归自我改进）：指AI反复改进自身开发流程的方式。其目标是形成AI制造出更好的AI、而这个更好的AI再制造出更好的AI的自我强化循环。 ↩

2. Darwin Gödel Machine（DGM）：一种AI代理通过进化算法自我修改代码以提升性能的系统。由Sakana AI与UBC共同开发，在软件工程基准测试中相较基础性能实现了30%p的绝对提升（约提升一倍）。 ↩

3. 改善（Kaizen）：源自日本制造业的“持续、渐进式改进”哲学。作为丰田生产系统（TPS）的核心原则，它强调小改进的反复积累，而非一次性的大投入。 ↩

4. 样本效率（Sample Efficiency）：仅凭少量数据或试验次数即可达到目标性能的能力。在AI训练中，使用大量数据通常更有利，但若能以更少数据达到相同性能，就能大幅降低成本与时间。 ↩

5. MoE（Mixture of Experts，专家混合）：一种结构，不使用单一的庞大模型，而是在多个“专家”模块中只激活与输入匹配的部分。模型整体规模虽大，但实际运算量却小得多，因而被广泛用于构建高效的大规模模型。 ↩

6. Sovereign AI（主权AI）：指国家或机构在不依赖外部（尤其是美国大型科技公司）的情况下，自主拥有并运营的AI能力。涵盖模型训练、数据流水线、算力基础设施等方面的自主权。 ↩

7. 编排器（Orchestrator）：负责向多个AI模型分配角色，并对结果进行验证与整合的“指挥者”模型。在Fugu的案例中，一个仅有7B参数的小型模型经过强化学习训练，用来调度GPT-5、Claude、Gemini等大型模型。 ↩