openai的rsi焚诀，正式登场！
就在黄仁勋高调发文力挺开源权重之后，OpenAI也悄然转向“Open”路线——
其最新技术报告中，首次坦诚披露了部分RSI（AI递归自进化）的核心实践路径：
让GPT-5.6实现“左脚踩右脚”，自主重构支撑自身运行的底层系统。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
据该报告披露，GPT-5.6已正式接入OpenAI真实生产环境，承担起多项关键任务：实时分析线上流量分布、动态调整请求路由策略，甚至直接介入底层Kernel重写与推测解码模型优化。
这套组合操作落地后，OpenAI端到端服务成本下降20%，Token生成吞吐量提升超15%。
更引人注目的是，参与该项目的五位作者中，赫然包括Triton创始人、编译器领域权威——Philippe Tillet。
2021年，OpenAI发布Triton 1.0时，初衷是让非CUDA专家也能写出高性能GPU代码；
五年后的今天，GPT-5.6已能用Triton反向修改自己在GPU上运行的底层逻辑。
从“教人类写Kernel”，到“让模型自己改Kernel”，RSI的气息，已然扑面而来。
（难怪翁荔选择重返老东家——搞RSI，终究还得看OpenAI）
RSI焚诀，首战直指底层基建
此事之所以意义重大，正因其已初具RSI雏形。
所谓RSI（Recursive Self-Improvement），即递归式自我增强，本质是构建一个闭环：
AI能力提升 → 加速下一代AI研发 → 能力进一步跃升 → ……
诚然，GPT-5.6尚无法全自动训练下一代大模型，但它已开始深度参与自身运行系统的迭代升级：模型不再只是被部署与调用的对象，正逐步演变为系统架构的共建者与优化者。
具体而言，它完成了以下四类关键动作：
1、剖析OpenAI真实生产流量特征
GPT-5.6持续监测各节点负载状态，识别服务瓶颈，并主动验证新型路由策略，将请求智能调度至最优计算单元。
2、重写并精炼生产级Kernel
它深入模型前向传播链路，识别可提前预计算、跳过或并行执行的模块，再借助Codex自动改写Triton与Gluon中的核心Kernel代码。
3、自主优化自身推测解码机制
GPT-5.6为draft model定制设计方案，并自动发起数百轮实验，遍历不同模型规模、结构及特征配置；训练过程中同步监控稳定性，遇硬件异常或收敛波动即触发干预。
4、按需匹配最优部署参数
面对短对话、长文本、代码生成等差异化任务场景，它可自动搜索batch size、模型分片（sharding）策略与KV Cache管理方案的最佳组合。
这四项能力串联起来，意味着GPT-5.6所参与的，已远不止单点代码优化，而是一条完整闭环的工程反馈链：
观测系统表现 → 定位性能瓶颈 → 提出改进方案 → 执行A/B测试 → 应对突发故障 → 将有效变更回滚至自身运行环境。
人类仍牢牢握紧方向盘
当然，真正的全自主RSI尚未到来，人类依然处于核心决策环中——即“human in the loop”。
尽管GPT-5.6开始参与系统改造，但优化目标设定、权限边界划定、效果评估标准，以及最终代码能否上线，均由工程师拍板决定。
通过本地 Codex 或 OpenClaw OAuth 凭证直接调用 ChatGPT/Codex Responses 的 image_generation 工具来生成或编辑光栅图像，然后保存
此外，模型内部优化再彻底，外部冗余开销依然显著。
例如，在ChatGPT Work与Codex处理复杂任务时，常陷入高频循环：
模型推理 → 调用工具 → 解析返回 → 继续推理
一次用户请求背后，可能经历十余轮乃至数十轮此类交互。
若某任务需调用模型30次，每次仅多耗1秒，累积延迟便达30秒；上下文指令、工具说明与历史结果亦在每轮中重复传输与计算。
为此，OpenAI专门构建了一套基于Rust的Agent Harness中间层，统一衔接模型、工具与用户环境，着力削减Agent循环中的重复负担。
其中两大关键设计如下：
1、按需供给：拒绝“信息轰炸”式提示注入
当前Agent虽支持海量插件、Skill与MCP扩展，但单任务往往只需极小功能子集。OpenAI摒弃“一次性塞满全部工具文档”的做法，改为在真正需要时才向模型呈现对应工具接口。工具响应默认限制在1万Token以内，超出部分需模型显式申请。
2、增量追加：保障Prompt缓存持续生效
Prompt缓存依赖上下文前缀的严格一致性。因此，新消息与工具输出仅追加至上下文尾部，绝不插入旧内容；工具调用顺序保持固定，权限校验与审批流程则延至执行阶段完成。
如此一来，GPU可复用此前已完成的计算状态，仅处理本轮新增输入，大幅降低重复计算开销。
单次循环节省有限，但当数以万计的Agent日均执行数十轮交互时，积少成多的效率增益便极为可观。
因此，本轮效能跃升实则源于双重合力：一边是GPT-5.6主动投身自身系统优化；另一边，则是人类持续为模型扫清运行环境中的冗余障碍。
人类仍在圈内，只是圈内的AI，已主动拿起扳手。
AI越高效，使用越频繁
除推动GPT-5.6参与系统自优化外，OpenAI技术报告还透露了一个重要现象：
在GPT-5.6内部灰度测试阶段，每位活跃研究员的日均输出Token量，已达GPT-5.5峰值时期的两倍以上。
过去半年间，OpenAI用于内部编程推理的研究型算力占比飙升100倍，Agent相关Token消耗量亦增长约22倍。
这些数字未必等同于研究效率同步翻百倍，但至少印证了一条规律：
当AI变得更廉价、更易用、更可靠时，它的实际使用强度不仅不会衰减，反而会呈指数级攀升。
参考链接
[1]https://www.php.cn/link/f20848a781e3554b876afadc3dc3281a
[2]https://www.php.cn/link/b2bda5107e30f358ff7e47bd0fe6c828
本文来自微信公众号“量子位”，作者：关注前沿科技，36氪经授权发布。
