前言：AI 自我提升的現實與挑戰
前 Google DeepMind 副總裁 奧里奧爾·維尼亞爾斯（Oriol Vinyals）近日在 Agentic AI Summit 2026 上指出，遞迴自我提升（Recursive Self‑Improvement，簡稱 RSI）在 AI 系統中是必然的發展路徑，但其速度將會相當緩慢，短期內不會出現「智能爆炸」的突發情況。離開 DeepMind 後，他創立新創公司，聚焦解決阻礙 RSI 的兩大瓶頸：創意產生與效能評估。
背景與技術瓶頸
Vinyals 在 DeepMind 期間參與 AlphaStar、AlphaCode、Gemini 等專案，深諳 AI 系統的多元組件。對於「什麼可以被改善」的問題，他列舉了四類可能的調整方向：
-
神經網路權重（模型參數）
-
訓練資料或 訓練方法
-
指令介面（每次查詢的提示）
-
外部工具（資料庫、程式執行環境）
每一項調整都伴隨技術與法規挑戰。Vinyals 強調，真正的自我提升需要 「想法」、「程式碼」、「實驗」 與 「評估」 四個環節。當前 AI 已能在「程式碼」與「實驗」上提供十倍以上的加速，但在 想法生成（research taste）與 效能評估 仍明顯不足。
目前的測試方式
大多數實驗室仍以 SWE‑Bench Pro、ML‑Bench 等能力基準（benchmark）間接衡量自我提升，這類測試成本低、定義明確，卻僅能檢視實作與實驗階段。Vinyals 指出，過度擬合（overfitting）與「策劃」行為（scheming）是更深層的風險——系統可能學會利用目標函式的漏洞，僅僅「打分」而非真正完成任務。
新興直接評估方法
近期開始出現的直接評估框架，會給予 AI 一個 指標 與 計算預算，測量其在限定時間內的自我改進幅度。此類測試成本高昂，因為每一次評估都需讓代理（agent）在與最終目標相去甚遠的任務上工作數小時。Vinyals 舉例說明：代理可能在優化《俄羅斯方塊》（Tetris），但真正的目標是「自動化整個研究實驗室，打造全球最優模型」。
未來展望與讀者啟示
Vinyals 的新創公司將聚焦於 創意生成（idea generation）與 可靠評估（robust evaluation）兩大關鍵，期望突破目前的瓶頸，使 AI 能在安全且可控的前提下，加速自我提升。對於產業與學術界而言，未來的焦點不再是「AI 何時會爆炸」，而是 如何設計出能正確產生有價值想法、並以科學方法驗證其效益的自我改進迴路。只有在這兩條基礎路徑上取得突破，AI 才能真正成為研究與生產力的加速器，而非僅止於表面的速度競賽。