商業第 128 期

帶著9000億投資離去的的研究者，留在東京的138人

選擇改善而非算力戰爭的研究所

安光涉（Oswarld）· INLEVEL9 作者與編輯

帶著9000億投資離去的的研究者，留在東京的138人

前言

各位訂閱者，今年五月，AI 產業出現了一個有趣的分岔路口。曾與 Sakana AI 共同研究「AI 自我改進系統」的科學家 Jeff Clune，募資約 9000 億韓元，另立了一家新公司。公司名為 Recursive Superintelligence，直譯就是「遞歸式超智慧」。NVIDIA 和 Google Ventures 都名列投資人之中，企業估值約 6.5 兆韓元。

同一時期，留在東京的 Sakana AI 138 位成員正式成立了名為 RSI Lab1 的專責研究組織。同樣的研究起點、同樣的目標方向，方法論卻完全分道揚鑣。先說結論：這個分岔的本質不是技術競爭，而是對「要讓 AI 進步，需要更大的電腦，還是更聰明的方法？」這個根本問題的兩種回答。

我之所以在這個時間點坐在鍵盤前寫這封信，是因為這則新聞，以及日本代表性 AI 公司 Sakana AI 推出全新編排平台的消息。

同樣的代碼，不同的押注

「AI 自我改進」這個概念並不新。1966 年，英國數學家 I. J. Good 曾預測：「如果超智慧機器能設計出更好的機器，就會引發智慧爆炸。」 到了 2026 年，這個概念已成為以 RSI（Recursive Self-Improvement，遞歸式自我改進） 為名的實際研究領域。今年四月，ICLR 2026 甚至開設了 RSI 專屬工作坊，學界也開始將其視為獨立的研究領域。

然而，在如何實現 RSI 這個問題上，目前兩大陣營正呈現極端的分歧。

Recursive Superintelligence 今年五月在倫敦脫下隱形斗篷，公開募資約 9000 億韓元（6.5 億美元）。企業估值約 6.5 兆韓元（46.5 億美元）。八位共同創辦人分別來自 OpenAI、Google DeepMind、Meta AI 和 Salesforce，都是明星級研究者，AI 教科書的代名詞 Peter Norvig 則擔任顧問。目前團隊不到 30 人，尚未公開任何技術成果。這家公司的押注很明確：用大規模算力將自我改進迴路的速度推到極致。

Sakana AI 走的是完全相反的路。這家 2023 年在東京成立的公司，CTO 是 Llion Jones——現代 AI 基石論文「Attention Is All You Need」的共同作者。共同發明 Transformer 架構的人，2025 年在 TED AI 舞台上說「我受夠 Transformer 了」，然後在東京研究它之外的可能性。累計募資約 5300 億韓元（3.79 億美元），企業估值約 3.7 兆韓元（26.5 億美元），員工 138 人。他們的核心哲學可以用一句話概括：

「靠點子，而非算力來進步。」

這不是單純的戰術差異，而是對 AI 開發根本假設——「越大越好，還是越聰明越好？」——的不同立場。而這個分岔的起點，正是 Darwin Gödel Machine2。Sakana 與 UBC（不列顛哥倫比亞大學）在 2025 年共同開發的這個系統，讓 AI 代理自行修改自身代碼，將軟體工程效能提升了兩倍以上。該專案 UBC 方面的核心研究者正是 Jeff Clune，他帶著同樣的理念、以不同的規模創立了 Recursive。

150 個樣本的改善

Sakana AI 的 RSI Lab 發表文中有一句令人印象深刻的話：日本的製造業霸權並非源於豐厚的資源，而是對工廠系統本身的根本性重新設計。這是將豐田的改善（Kaizen）3 哲學應用於 AI 開發的宣言。

這只是口號嗎？看看 Sakana 過去兩年發表的研究成果，就有實據。

ShinkaEvolve（2025）僅用 150 個樣本就解決了複雜的優化問題。考慮到同樣的問題通常需要數萬甚至數十萬次迭代，這是令人驚嘆的樣本效率4。這項技術甚至被用來為 MoE 模型5** 重新設計負載分佈損失函數。**

ALE-Agent（2025）在 AtCoder 演算法競賽中擊敗 804 位人類專家奪得冠軍。這不是靠無限增加運算量，而是透過從試錯中提煉結構化經驗的自我學習機制實現的。

還有 AI Scientist。這個系統自動化了科學研究的完整流程——從研究構想生成、實驗設計與執行、論文撰寫，甚至同行評審。其論文今年三月刊登於 Nature。這是 AI 撰寫的論文首次通過世界頂尖學術期刊的同行評審。特別值得注意的是，這篇論文中有一個有趣的發現：基礎模型效能越好，AI Scientist 生成的論文品質也按比例提升——這被稱為「科學的縮放定律」。這算是自我改進迴路可行的間接證據吧。

貫穿這些研究的共同點是：不是用更多資源，而是設計出用同樣資源學到更多東西的結構。豐田之所以能擊敗大規模生產模式的 GM，不是因為工廠建得更大，而是以「需要的時候才做、做需要的量」為原則重新設計了系統。 Sakana 追求的，就是這個模式的 AI 版本。

Sakana 的長期路線圖分為四個階段。第一，開發針對代理用途（而非聊天）優化的基礎模型（Agent-Native Model）。第二，利用該模型進行自動化科學研究（AI Scientist）。第三，AI 代理直接修改並驗證自身基礎模型代碼的自主升級循環（RSI）。第四，將自我改進技術普及化（Democratized AI）。

從第三階段到第四階段的躍遷，才是這條路線圖真正的核心。而在這個節點上，Sakana 為什麼偏偏選在東京，就變得至關重要。

只有東京才可能的押注

Sakana 在東京設立 RSI Lab 並非出於感性，而是嚴謹的策略計算。

日本的 AI 基礎設施市場正在經歷結構性轉變。據 IDC 預測，2026 年日本 AI 基礎設施支出將突破 55 億美元（約 7.7 兆韓元），是三年前的七倍。在《經濟安全保障推進法》的推動下，政府主導的 GPU 伺服器部署加速推進，AIST（產業技術綜合研究所）的 ABCI 雲端已作為國家 AI 算力基礎設施投入運行。半導體領域，為下一代 2 奈米晶片而設的 Rapidus 正獲得 1000 億日圓規模的國家投資。

但將這些數字與美國大型科技公司相比，規模差距依然巨大。2026 年大型科技公司的 AI 基礎設施投資總額預計達 6550 億美元，日本的 55 億美元不到 1%。

Sakana AI 將這個差距重新定義為設計約束，而非劣勢。他們的邏輯是：人類認知能力也是在嚴格的約束下由演化所塑造的，而非無限資源的產物。算力約束反而迫使發展出樣本高效的自我改進技術，而這項技術才是超規模雲端服務商之外唯一能普遍運作的途徑。

這恰好與主權 AI（Sovereign AI）6 的討論相呼應。截至 2026 年，法國（Mistral）、UAE（Falcon）、沙烏地阿拉伯（HUMAIN）、新加坡（SEA-LION）、印度（BharatGen）、日本（LLM-jp）等主要國家都在建構本國 AI 能力。但大多數仍無法在基礎模型訓練階段擺脫對美國超規模雲端服務商的依賴。德國 Aleph Alpha 放棄自研模型、轉做顧問的案例就說明，主權 AI 的現實遠比口號複雜。

日本在這裡走了一條略有不同的路。不是單一國家冠軍，而是 AIST、Swallow、Stockmark 等聯盟加上 Sakana 等民間前沿實驗室的合作結構。Sakana 的 RSI 所承諾的，就是在這個合作結構之上疊加自我改進引擎。如果自我改進技術能在小型算力環境中運作，基礎模型開發本身就能去中心化。

當然，這目前還只是願景。完整的自我改進迴路確實運作的證明還不存在。但嘗試的方向本身就值得關注。

然而，就在我完成這篇稿件的時候，Sakana 給出了一個證據。

然後今天，138 人給出的答案

昨天，也就是 6 月 22 日，Sakana AI 正式推出了 Sakana Fugu。距離四月 Beta 版大約兩個月。

Fugu 的架構幾乎就是 Sakana 改善哲學的產品化。核心在於：一個 7B（70 億）參數的小型語言模型擔任編排器7** 的角色。這個模型本身不解決問題。** 而是向 GPT-5、Claude、Gemini 等前沿模型下達「誰負責哪個部分」的指令，驗證結果，必要時遞歸式地調用自身來執行校正工作流。

結果很有趣。Fugu Ultra 在 SWE-Pro（實際軟體工程）、GPQA-D（研究生級科學問答）、LiveCodeBench（編程）等主要基準測試中，超越了 Opus 4.8、Gemini 3.1 Pro 和 GPT-5.5。十項基準測試中有八項排名第一或並列第一。更值得注意的是，它達到了與 Fable 5 和 Mythos Preview 同級的性能（這些模型甚至不在 Fugu 的代理池中）。

在 AutoResearch 實驗中，僅用一張 H100 GPU 在 14 小時內自主完成了 123 個訓練實驗，結果超越了所有前沿模型的基準線。這是沒有大型叢集就能達成的成就。

Sakana 這個名字在日語中是「魚」的意思。一條魚不算什麼，但魚群集結時比掠食者更聰明。 Fugu 就是將這個隱喻產品化。不是打造一個巨大的單一模型，而是由訓練有素的指揮官協調多個模型的集體智慧。被 ICLR 2026 錄取的两篇論文（TRINITY、Conductor）就是這個架構的學術基礎。 順帶一提，Fugu 在日語中是河豚。河豚含有河豚毒素這種致命劇毒，但只有熟練的專業廚師精確處理後，才能成為安全而美味的高級珍饈。 同樣地，當美國 AI 出口管制或特定供應商風險發生時（如 Fable 5），Fugu 會內部排除有問題的模型，動態組合安全的替代模型（Swappable Pool）來維持基礎設施的穩定。也就是說，它還蘊含著「規避外部管制的毒素、守護 AI 主權」的策略意涵……連品牌命名都無懈可擊吧？

從主權 AI 的角度看，啟示也很深遠。即使特定前沿模型受到出口管制影響，Fugu 也能僅用可取得的模型重新組合同級性能。不受供應商束縛的前沿性能……這是前文提到的願景開始在產品層面運作的訊號。

Oz 的視角

老實說，我對 Sakana AI「約束即優勢」的敘事，一半認同、一半保留。Fugu 之後，這個比例稍微動了動。

在制定 GTM 策略和技術經營策略的過程中，我觀察到一個模式：資源不足的一方提倡「效率」，既是策略，也可能是自我合理化。改善之所以成功，不是因為口號，而是因為真正讓「用更少的資源學到更多」的系統運轉起來了。Fugu 就是這個「運轉」的第一個產品證據。7B 模型指揮前沿模型、達到前沿水準，這表明單純的路由不夠，訓練有素的協調本身就能成為競爭力。

但需要區分的是：Fugu 是「更好地組合現有模型的技術」。RSI 的完整循環——AI 改進自身基礎模型的代碼，該模型再改進 AI Scientist 的自我強化迴路——是另一個維度。編排的成功不等於自我改進的成功。Recursive 那邊募了 9000 億，但至今沒有公開成果。

我關注的不是兩邊的勝負，而是這場競爭本身的存在。它是一個訊號：AI 開發方法論正在從單一路徑分岔為多條路徑。路徑越多，「使用 AI」的一方就越有符合自身條件的選擇。

還有一點值得指出：Sakana 在 RSI Lab 發表文中公開描述了自我改進系統的失敗模式（分佈偏移、基準測試作弊、約束規避），並將其列為核心工程課題。這是這個領域所需要的態度。

結語

總結一下。

同樣的研究起點、同樣的「AI 改進 AI」目標，兩個組織選擇了截然相反的策略。一方押注資本與規模，另一方押注效率與約束。而東京這邊先拿出了產品。7B 模型指揮前沿級性能的 Fugu，是「不做大也能贏」這個假設的第一個運作證據。

這場競爭的結果將超越兩家公司的勝負。它可能決定 AI 開發是少數大型科技公司的專利，還是向更多元的主体開放。下次看 AI 新聞時，別只看基準測試排名，試著問問「打造這個模型花了多少成本」。

個人覺得，中、韓、日現在對 AI 選擇了完全不同的策略。中國走與美國相同的縮放路線，日本走編排路線，韓國嘛……就請參考上一期電子報吧。各位訂閱者，你們認為 AI 開發最終是「資本的遊戲」還是「方法論的遊戲」？歡迎留言分享你的看法。

參考資料 & 延伸閱讀

核心來源

背景知識

作者 安光涉（Oswarld） 現任世宗大學兼任教授，INLEVEL9 策略顧問。職涯經歷、研究、著作與近期活動會持續更新在作者介紹。 最新動態 · 2026年7月：HEMA-2: A Consolidation-Aware Tri-Memory Architecture with Multi-Channel Scheduling for Lifelong Conversational AI。

각주

  1. RSI（Recursive Self-Improvement，遞歸式自我改進）：AI 反覆改進自身開發流程的方式。目標是建立 AI 創造更好的 AI、該 AI 再創造更好的 AI 的自我強化迴路。 ↩

  2. Darwin Gödel Machine（DGM）：AI 代理以演化演算法修改自身代碼以提升效能的系統。由 Sakana AI 與 UBC 共同開發，在軟體工程基準測試中實現了相對於基礎效能 30 個百分點的絕對提升（約兩倍）。 ↩

  3. 改善（Kaizen）：源自日本製造業的「持續、漸進式改善」哲學。是豐田生產系統（TPS）的核心原則，強調小改進的反覆累積，而非一次性的重大投入。 ↩

  4. 樣本效率（Sample Efficiency）：僅用少量數據或迭代次數即可達到目標效能的能力。AI 訓練中雖然數據量大通常有利，但用更少數據達到同等效能可大幅降低成本與時間。 ↩

  5. MoE（Mixture of Experts，專家混合）：不是一個巨大的單一模型，而是根據輸入只激活多個「專家」模組中合適的幾個。整體模型規模大但實際運算量遠小，廣泛用於高效能大規模模型建構。 ↩

  6. 主權 AI（Sovereign AI）：國家或機構在不受外部（特別是美國大型科技公司）依賴的情況下，自主擁有和運作的 AI 能力。涵蓋模型訓練、數據管線、算力基礎設施的全面自主權。 ↩

  7. 編排器（Orchestrator）：向多個 AI 模型分配角色、驗證並綜合結果的「指揮官」模型。在 Fugu 中，7B 參數的小型模型經強化學習訓練，協調 GPT-5、Claude、Gemini 等大型模型。 ↩

延伸閱讀

第 126 期商業

每天一萬人註冊，為什麼營收卻不增長？

問題不在於郵件本身，而在於寄給誰

第 124 期商業

蘋果付給 Google 一兆韓元的真正原因

選擇了最大的部署，而非最強的模型

第 118 期商業

23萬人，連聯合國都猜錯的數字

生育率下降的轉折點不是經濟危機，而是與智慧型手機普及的年份完全重疊