当大模型的能力越来越强，训练它们所需的高质量数据却正在成为最稀缺的资源。在一场无声的竞赛中，中国一个研究团队率先跑通了数据层的强化自我改进（RSI）技术，让AI能够自己给自己出题、自己生成训练数据，从而摆脱对人工标注的严重依赖，迈出了“自我造血”的关键一步。
数据枯竭：大模型狂奔背后的隐忧
过去两年，参数规模动辄数千亿的大语言模型不断刷新各项基准，但支撑这一切的燃料——高质量训练数据，正面临前所未有的危机。研究机构Epoch AI曾预测，互联网上可供模型训练的高质量文本数据可能会在2026年前后耗尽。现实比预测更紧迫：OpenAI、Google等公司已经在训练新一代模型时，明显感受到“数据墙”的逼近。
传统上，突破数据瓶颈主要依赖两条路径：一是扩大数据采集范围，但版权、隐私和内容质量参差不齐等问题难以解决；二是人工标注，成本高昂且速度远跟不上模型迭代的节奏。当“喂养”模式走到尽头，业界开始思考一个根本性命题：AI能不能像人类一样，通过自我练习和反思来提升自己？
从“喂数据”到“自我造血”：RSI技术原理
强化自我改进（Reinforced Self-Improvement，简称RSI）正是在这一背景下应运而生的思路。其核心思想并不复杂：让模型扮演自己的“教练”和“学员”，通过“出题—答题—评估—筛选—再训练”的闭环，自动生成高质量训练数据，持续提升模型能力。
在具体实现上，数据层RSI将自我改进的焦点放在训练数据的生成环节，而非仅仅在模型参数微调上做文章。系统会先利用一个生成器模型，根据预设的知识领域和难度要求，自动生成大量题目。这些题目会交给另一个评判模型进行打分，内容质量、难度适配性、知识覆盖度等指标都会被严格评估。只有评分达到一定阈值的题目，才会被纳入训练数据集，用于下一轮模型的迭代训练。经过多轮循环，模型在数学推理、代码生成、逻辑分析等任务上的表现会逐步提升，而整个过程几乎不需要人类提供新的标注数据。
中国团队的突破：跑通数据层循环
近日，这一技术设想在国内被成功落地。一支来自中国的研究团队在真实模型训练环境中，完整跑通了数据层RSI的全流程闭环。他们设计的智能体不仅能够生成多样化的题目，还能根据当前模型的能力短板，动态调整出题策略，实现“因材施教”。
实验结果显示，在数学推理任务上，经过RSI循环训练的模型，其在GSM8K等权威基准上的准确率提升了超过15个百分点，部分指标甚至逼近了使用大量人工标注数据训练的同规模模型。在代码生成任务中，模型生成的代码可执行率也显著提高。更关键的是，这一提升是在没有额外引入人类标注数据的前提下实现的，直接证明了AI自我生成数据、自我进化的可行性。
该团队在技术实现中尤其注重题目质量的把控，避免了“垃圾进、垃圾出”的恶性循环。他们引入的多维度质量评估机制，确保了生成数据的多样性和知识深度，这被认为是RSI能够跑通并产生实际增益的核心原因之一。
自我进化开启，AI产业面临重塑
数据层RSI的成功跑通，其影响远不止于一项技术突破。它意味着AI训练的成本结构可能被彻底改写，高质量数据的获取不再必然依赖高昂的人力投入，这为中小团队参与大模型竞争提供了新的可能。同时，AI的进化速度有望从“数据驱动”的线性增长，转向“自我驱动”的指数级加速，通往通用人工智能的路径变得更加清晰。
然而，AI自我出题也带来了新的风险。自我生成的题目如果包含偏见或有毒信息，可能会在循环训练中被不断放大，形成难以纠正的隐患。模型的评估标准亦需要谨慎设计，避免过度优化某些表面指标而丧失通用能力。行业需要建立相应的监管框架和安全测试体系，确保AI在自我进化的过程中，始终朝有益于人类的方向前行。
当AI学会给自己出题，人类或许正在见证一个自举式智能的诞生。这一次，中国团队跑通的不仅是一个技术闭环，更可能开启了一个AI自我迭代的新纪元。