閉源RSI的嚴父：18個Agent自主科研，Kimi K3靠Harness逼近Opus 5

在人工智慧研究領域，遞歸自我改進（RSI）向來被視為通往通用智慧的關鍵路徑，而過去這條路徑多半與開放原始碼社群協作、持續回饋循環緊密連結。然而，近期一股名為「閉源RSI」的新路線正以截然不同的姿態登場，打破外界對模型自我進化的既有想像。這套方法不再仰賴外界眾包，而是轉向內部高度控制的封閉體系，試圖在完全可控的環境下推動跨越式進展；其操作風格甚至被形容為「嚴父」式的強硬主導，強調紀律化管理與精準調度。這條新路線的具體實現，是讓 18 個具備獨立研究能力的 Agent 投入自主科研流程。

這些 Agent 不再只是人類研究員的輔助工具，而是被賦予從提出假設、設計實驗到分析結果的完整任務，幾乎形成一支自動運轉的微型研究團隊。值得注意的是，整個過程始終維持閉源狀態，由開發方以嚴格的規範約束每個環節，避免傳統開放式反饋可能帶來的雜訊與方向偏移。這種做法捨棄了過去依賴社群逐步疊代的安全網，轉而追求在封閉場域內最大化效率與收斂速度。支撐這套體系的關鍵，則是一個名為 Harness 的框架。它像是一道總控閘門，將 Agent 的研究行為、資源調度與決策路徑悉數納入統一編排，確保所有步驟都沿著預設目標加速收斂。

Harness 不僅負責協調 18 個 Agent 之間的任務分配，還能動態調整實驗參數、監控研究進度，並在必要時介入糾偏。這種「中央集權」式的管理，恰恰與開源 RSI 的分散式協作形成鮮明對比；前者強調紀律與效率，後者則重視多樣性與意外發現。在 Harness 的調度下，Kimi K3 的表現也確實逼近了外界熟悉的 Opus 5 水準。Opus 5 是當前業界公認的頂級模型之一，其能力門檻極高，而 Kimi K3 能夠在封閉環境中自主推進研究，並以驚人效率逼近此一標竿，無疑驗證了閉源 RSI 的可行性。

這個結果不僅讓原本被視為「唯一出路」的經典劇本顯得不再那麼理所當然，更引發業界對「何謂有效改進路徑」的重新思考。過去，許多人相信只有透過開源社群的廣泛參與，才能累積足夠的數據與反饋來驅動模型持續進步；但閉源 RSI 的實踐證明，少數精心設計的 Agent 在高度控制的環境中，同樣能產出接近頂尖水準的成果。這背後的邏輯在於：當研究目標明確、流程標準化時，封閉系統反而能避免因外部雜訊導致的資源浪費，讓每一輪迭代都精準對齊最終目標。當然，這條路線也引發了若干爭議。

批評者認為，閉源 RSI 可能導致技術壟斷加劇，因為開發方能夠完全掌握模型的進化軌跡，而不需與外界分享中間成果；支持者則指出，這種方法更適合需要快速迭代、保護商業機密的場景，尤其對於那些希望將核心能力鎖定在內部的企業而言，閉源 RSI 幾乎是必然選擇。值得注意的是，閉源 RSI 的 Agent 並非憑空產出突破，而是依賴 Harness 框架提供的嚴謹實驗設計與資源調度。這意味著，真正決定效果上限的，或許不是 Agent 的數量或算力規模，而是框架本身的設計品質。Harness 能否在未來進一步擴展，容納更多 Agent 同時運作，或是在不同領域的任務中展現通用性，將是後續觀察的重點。

從經典的開源 RSI 到如今的閉源路線，人工智慧領域的自我改進正從「眾志成城」走向「精兵強將」。18 個 Agent 在封閉環境中自主科研，並以 Kimi K3 逼近 Opus 5 的成績，已經為這個命題提供了具體的實驗證據。未來，這兩種路線是否會走向融合，或者各自在不同場景中發揮優勢，仍有待時間驗證。但可以確定的是，閉源 RSI 的出現，已經讓整個領域對「何謂有效改進路徑」的認知，開始重新校準。