课程简介

在 AGI 的实现以及从 AGI 到 ASI 的跃迁过程中，大模型自进化（又叫递归自我改进，Recursive Self-improvement, RSI） 正在从一个理论构想，迅速演变为业界公认的核心技术方向。其核心命题是：AI系统能够自主地改进自身（或设计出更强的继任系统），而改进后的系统又能进一步更高效地改进自己，最终形成一个自我加速、可持续演化的智能闭环。一旦该闭环跑通，模型能力的迭代速度将不再受限于人类研究员的产出节奏，而由"算法迭代速度"本身决定，这正是当前业界判断"通向 ASI 的临门一脚"的根本原因。

 当前随着Coding能力的跃升，自进化已出现早期技术形态，但在进化过程的可归因与可解释、训练数据的自主构造与组织、进化目标的自主发现与校准、训练方法的自动优化迭代等方面还有很多待研究内容，更进一步，联动实时海量数据的在线持续学习更是空白地带。

 本次分享将梳理大模型自进化的系统思考，并重点研讨当前自进化闭环的核心构成与落地实践。

 课程收益

目标： 

1、理解大模型自进化的系统思考；

2、了解自进化闭环的核心构成与落地范式；

3、看到递归自我改进（RSI）的最新进展与实践探索；

4、看到通向 ASI 的下一步发展趋势。

 成功要点： 

大模型自进化正在从理论构想快速走向工程现实，跑通"数据自生成—自我评估—进化策略—迭代训练"这一自我加速的闭环，不仅是这个时代通向 ASI 的核心命题之一，更对大模型的落地应用有重要的指导意义和加速作用。

 启示：

软件工程领域这几年经历了“辅助编程 -> 协同编程 -> 自主编程”的快速演进，而今在大模型算法领域这一现象正在重演并且势不可挡。

 受众人群

大模型开发人员、算法专家、架构师、CTO、CEO、大数据工程师以及其他对大模型感兴趣的从业者。

课程周期

    0.5天（3H） 

课程大纲