当题库追不上模型，AI开始给自己出题：中国团队跑通数据层RSI

硅谷今年最贵的词是Recursive Self-Improving（RSI），即让AI参与迭代自身的模型、算法、数据和研发流程。Jeff Dean离职创办的Discovery Loop探索AI自动化科学研究，AlphaGo缔造者David Silver等大牛也在同一条赛道，顶级AI研究者正形成共识：让AI参与创造下一代AI。

但共识之下有个棘手问题：模型越强，能给AI出题、解题、验证的人越少，高质量训练数据从哪来？传统做法要么给模型套工具外壳（如harness），底层训练管线不变；要么用大模型打分筛选，但评判标准是人类预先写死的，模型变强后旧标尺很快失效。训练数据仍由人类逐题生产，进化速度被人类出题速度卡住，这是RSI落地的核心问题之一。

由上海交大人工智能学院、深势科技、上海算法创新研究院组成的无尽前沿团队发布BigBang-V1，这是首个基于RSI原生方式训练的基座模型。训练中出题、解题、验证都交给AI，通过可验证前沿任务持续生成高质量自演进合成数据，全程无需人类逐题参与。

团队换了个角度：如果模型能自我改进，能否让训练数据生产系统本身也成为被优化的对象？问题从「如何收集更多科学数据」变成「如何让数据生产系统随模型能力持续进化」。数据质量不是清洗出来的，而是任务属性决定的。任务必须同时满足前沿性（位于知识或能力边界，无已知最优答案）和可验证性（能通过形式化方法、程序执行、数值计算等客观检查），二者缺一数据都会快速贬值。

科学领域恰好同时满足两大条件，天然组合搜索、阅读、假设、数学推导、代码开发、工具调用、实验分析等，相当于面向通用智能的综合课程。Jeff Dean说Discovery Loop适用于有可衡量目标的科学和工程领域，BigBang选科学当训练场，底层逻辑同源。