通衍灵智推出 RSI 技术：让 AI 在持续使用中沉淀专属智能资产

封面为AI生成的主题示意图，非新闻现场照片。

随着人工智能从通用工具向个性化服务演进，北京通用人工智能研究院（BIGAI）孵化的团队通衍灵智推出了 Recursive Self-Improving Personal AI（递归自进化个性化智能，简称 RSI）技术，旨在解决企业长期积累的业务经验如何沉淀为专属 AI 能力的问题。

不同于仅依靠 Prompt、RAG 等外部机制的现有方案，RSI 采用共享基础模型与轻量化 Personal LoRA 相结合的架构。它将用户在长期实践中形成的稳定行为模式转化为参数化能力，使不同主体能建立符合自身需求的专属智能，而无需各自训练完整的大模型。

为了确保模型在实际工作中成长且不积累错误，通衍灵智构建了包含模型与评估器协同迭代的持续学习框架。业务产生的反馈首先作为候选数据，经由 Evaluator 根据用户标准筛选有效样本后，再对 Personal LoRA 进行增量更新，未达标准的更新则通过版本控制和回滚机制处理。

该机制涉及解决灾难性遗忘、反馈污染、模型漂移等技术挑战。通衍灵智 CEO 谢枭楠表示，企业的 AI 需求正从获取通用能力转向积累专属能力，真正拉开差距的是能否将专业判断和做事方式沉淀为模型能力，而非仅仅停留在查资料层面。

目前，RSI 核心技术路线与产品架构已明确，相关模块正在推进工程化，完整的自动化闭环仍处于持续研发阶段。通衍灵智 CTO 储兵兵强调，系统并非简单依据单次用户反馈进行训练，而是通过 Evaluator 判断反馈的学习价值，确保模型在长期交互中稳健进化。