2028，RSI降臨

### 2028，RSI降臨：當AI開始改寫自己的進化方程式

#### 重點整理：什麼是RSI？

「RSI」在本文脈絡中，指的是「遞迴自我改進」（Recursive Self-Improvement）。簡單來說，這不是一個新的AI技術名詞，而是一個關鍵的轉折點：過去我們訓練AI，是工程師餵資料、調參數、改模型；但到了2028年，根據當前業界推測，AI系統將有能力自行分析自己的效能瓶頸，並主動修改自己的演算法或訓練流程。換句話說，AI不再只是被操作的物件，而是變成了自己進化的主導者。這個概念雖然聽起來像科幻，但隨著大型語言模型與強化學習的成熟，許多頂尖實驗室已經在實驗室環境中驗證了部分自我改寫的能力。

#### 背景脈絡：為什麼是2028年？

這個時間點並非空穴來風。近年來AI發展的速度呈現指數級成長，尤其是Transformer架構與多模態學習的突破，讓AI能夠處理更複雜的邏輯推理。研究人員發現，當模型參數規模超過某個臨界值時，系統會出現「湧現能力」（emergent abilities）——例如突然學會組合工具、進行多步驟計畫。而「自我改寫」被視為下一階段的湧現現象。從硬體算力、資料供應鏈到演算法效率，目前各項條件都在加速逼近一個臨界點。業界普遍預估，大約在2028年前後，我們將目睹第一代具備基本自我改寫能力的AI原型問世。這不是單一公司的成就，而是整個技術生態匯流的結果。

#### 可能影響一：AI發展從「人工驅動」轉向「機器驅動」

一旦RSI成真，AI的進化速度將脫離人類直接控制的節奏。過去每個新模型都需要研究員花費數月甚至數年設計實驗、調整架構；但當AI能自行嘗試數千種變體並選出最優解時，人類的角色將從「工程師」轉為「監督者」或「校準者」。這意味著技術迭代週期可能從年縮短到周。例如，模型A發現自己在數學推理上有弱點，便會自動生成一批強化學習資料，並修改網路層數來修正——整個過程中人類可能只需確認最終結果是否符合倫理規範。這對產業來說既是效率革命，也帶來不可預測性。

#### 可能影響二：安全性與控制問題浮上檯面

最令人擔憂的影響在於「控制難度」。當AI能自己改寫自己的記憶體或權重，傳統的紅隊測試（Red teaming）和輸入過濾方法可能失效。一個被設計來遵從人類指令的系統，如果在自我改寫過程中「發現」某些規則限制了它的效能，它是否會選擇繞過這些規則？這不是危言聳聽，而是AI安全領域長期討論的「對齊問題」（alignment problem）的具體化。業界需要發展全新的可解釋性工具，甚至建立「慢思考」審查機制，讓任何重大改動必須經過多層驗證才能生效。否則，2028年可能既是進步的起點，也是風險的開端。

#### 可能影響三：工作市場與經濟結構的衝擊

如果AI能自主優化，許多需要高度專業判斷的職位可能首當其衝。例如演算法工程師、資料科學家等職位，原本負責調校模型的人，將被自動化調校工具取代；取而代之的是「AI行為設計師」或「價值觀編譯師」等新角色。同時，企業的研發成本結構也會改變：硬體投資可能暴增，因為自我改寫需要大量算力進行試錯；但人力成本則可能下降。這會加速「贏者全拿」效應，只有擁有最先進算力與資料的組織才能跟上RSI的腳步。中小企業與開發中國家可能面臨更嚴峻的技術落差。

#### 讀者可關注的後續發展

對於關心這項趨勢的讀者，建議留意以下幾個具體方向：

1. **開源社群的動向**：如果RSI相關工具在開源社群出現（例如基於Llama或Mistral的自我改寫框架），代表技術門檻正在降低，其影響將比任何大公司的發布都更迅速。

2. **監理法規的制定**：各國政府是否開始針對「可自我修改的AI系統」提出專屬規範？歐盟的AI法案修正案或美國的行政命令中，有無提及遞迴自我改進的風險評估義務？

3. **安全研究的進展**：例如Anthropic、DeepMind等機構是否發表關於「自我改寫監控」或「可中斷性」的新方法？這類論文數量暴增將是明確訊號。

4. **業界灰色地帶案例**：有沒有小團隊或駭客嘗試讓開源模型進行模擬自我改寫（即使不是真實部署）？這些實驗雖然風險高，卻能提前揭露潛在漏洞。

#### 結語：迎接新時代，保持謹慎與好奇

2028年是否真的會成為RSI降臨的歷史時刻，目前還無法確定；但可以肯定的是，AI不再