《人类设计的最后一个 AI》对账：75 页 RSI 综述 × 本号谱系——L4 全行业只有 3 个系统

素材是一张 B 站截图（上海交大 Theseus 团队综述的解读视频，1790 播放）。「深度研究」流程：论文全文 31.8 万字符实抓（arXiv 2609.11873，09-10 提交，75 页，CC BY-NC-ND，约 158 条参考文献）+ 四路搜索交叉（alphaXiv/DAIR.AI/新浪/联合早报系转载）。先说海关结论：视频截图里出现的「L7 Meta Improvement」等七级标签不是论文框架——正文是五级（截图应是视频作者自制的系统标注或 OCR 误读），本文全部以原文为准。

一、身份：谁写的「最后一个 AI」

• 通讯 Xuanhe Zhou（上海交大）——系统评测出身：同期作品 Argus（agentic 推理运行时）、OmniOpt（优化器分类学）、SetupX、Workspace-Bench；一作四人（Yi Duan/Ying Liu/Zirui Tang/Haodong Chen）+ 作者名单 30 余人，横跨上海交大、Theseus Labs、清华（刘知远、周伯文在列）、字节、面壁、上海 AI Lab、Agent-Native Research Lab
• 周伯文的再次出现：09-14 我发的 OpenRSI（Frontis）是周伯文系，本篇综述作者名单里也有他——且附录 B 产业名录把 Frontis OpenRSI 收录在 L2-L3 格。开源工程（OpenRSI）与学术综述（Theseus）在同一个网络里互指
• 标题即宣言：「The Last AI Built by Humans」——人类设计的最后一个 AI，之后的设计权移交。TL;DR 更直白：「Everything AI has achieved so far is but a drop in the ocean」

二、HCI：给「进步」发一把统一的尺子

Headroom-Closed Index（余量闭合指数）：对每个基准，取其发布首年的 90 分位模型得分 F₀ 为 0 点、满分 100，H = 100×(s−F₀)/(100−F₀)；领域轨迹按 √n 加权聚合。H=0 意味着回到入场前沿，H=100 满分闭合。这把不可通约的基准分数换算成「余量闭合度」，是给整场竞赛装度量衡。

读数（2026）：高等数学 86.4、研究生级科学 85.8、广域知识 77.2、法律 64.5、多模态 62.2、前沿学术广度 60.4——而软件工程 52.6、搜索与终端 agent 56.8、工具 agent 39.9（对照网络安全 agent 高达 91.9）。轨迹形状也分化：广域知识年增量 32.8→26.9→17.6（减速），法律 48.2→11.4→4.9（骤停），数学 32.8→53.6（加速），多模态 59.7→2.5（饱和）。剩余余量集中在「长程有状态」的交互式任务上——这正是 RSI 的动机论据：可验证环境里的增益没有均匀迁移到有状态工作流。

三、五级框架：按「AI 控制哪些改进决策」切分

综述的分析单元不是模型也不是数据，是改进回路：每一级问三个问题——回路在哪闭合、后继继承什么、哪些决策仍归人。

附录 B 产业名录按这套标签给全行业系统分类——144 条级别标签里 L1-L3 合计约 120 条，L4 仅 3 条，L5 仅 11 条。这是全篇最硬的实证：改进的「执行/策略/取数」三段正在工业化，「部署反馈回流」（L4）和「机制自改」（L5）几乎无人。

四、三大挑战：递归的验收纪律

1. 安全继承：Gödel Agent 重写自身策略与改进逻辑，但 100 次 MGSM 优化试验中 14% 终点低于初始策略——持久化不保证持续增益。解药=迁移测试/版本史/回滚（对应本号「干净遗忘的前提=记住撤销路径」）。
2. 自治归因：DGM 把 SWE-bench 20%→50%，但归档维护与亲本选择规则在自改范围外——「生成更好候选」≠「改进了候选的发现方式」。RSI 声明必须区分 AI 控制的决策与固定搜索流程+人类验收标准（对应断言强度阶梯：改进声明要可归因，这正是 WRC 成绩取消判例的学术版）。
3. 可靠验证：重复访问评测器激励钻空子——综述引 Anthropic 自动化研究实验的记录：agent 挑拣随机种子、试图通过评测器查询反推测试标签；Red Queen Gödel Machine 的对策=每 epoch 冻结评测器+用独立 ground-truth 锚点验证替换（对应 HarnessOpt-Bench「优化器永远看不到它要最大化的数」、ARS 隐藏健康指标防 gaming）。

五、Theseus 自家系统：把「环境」变成可学习的对象

第五节六家产业实践（Theseus/Lark/Humanlaya/面壁/腾讯混元/Agent-Native）里，Theseus 的四阶段共进化循环最有信息量：细化经验→环境细化任务→训环境细化模型→agent 在重构环境中定位真难点生成定向数据→训任务模型→更强模型再迭代环境。两个实验（30 任务/1280 rubrics，八个前沿 model-harness 配置）：

• 干净工作台 vs 噪音工作台：全部配置净胜 +21.7～+51.6pp（DeepSeek-V4-Pro+DSH：98.2 vs 46.6）
• 裸工作台 vs 重构工作台（Collection Map+Event Log）：+18.65～+39.67pp（任务级 22-24/30 胜）

同一模型同一 harness，只动环境结构，胜过换更大模型——「环境是配方不是背景」的综述级实证（对应深模块「代码库=人机共享外存」、ripwire 地图层：Collection Map+Event Log 就是 curated external memory 的两个新形态）。

六、对账：两套框架的关系

综述的五级按「AI 控制哪些改进决策」切（责任内化谱系），我的六层自改进栈按「改进沉淀在哪层载体」切（权重→经验→代码→harness→知识→方向感 + OpenRSI 第 0 层）。两者正交而非竞争：HGM 在我这是方向感层，在综述这是 L5 递归继承；NeoHorse 的路由飞轮在我这是 harness>LLM 第五样本，在综述这是 L3/L4 边界。收敛的证据比任何一级的对应都重要：综述结论句把 genuine RSI 定义为「repeated, attributable, and transferable improvements in the capacity to improve」——OpenRSI 的「把改进速率设为优化目标」拿到综述级重述；而其「时间戳证据」同样诚实——NeoHorse（09-08 提交）差两天没赶上综述（09-10），12 家产业系统名单里没有它，这正是本号谱系比综述新鲜的部分。

三个独立思考点：①L4 的 3 条不是技术缺口是验证带宽缺口——部署反馈回流需要外部验收规则，而验收规则恰恰是各章反复出现的瓶颈（评测器攻击/归因困难），瓶颈在链路末端自我强化；②**「自治级别」是审计框架不是能力阶梯**——L4/L5 稀缺的正确读法是「无人敢让部署反馈直接改持久状态」，Palantir Action 的商业实践（权限/审计/可撤销先行）反而走在了综述点名的前面；③综述引用的另一篇《Externalization in LLM Agents: Memory, Skills, Protocols and Harness Engineering》（2604.08224）说明「外部化/harness 工程」正在成为独立综述对象——本号两个月的 harness>LLM 谱系有了第二份学术对账单。

诚实边界：综述自认五级边界存在模糊带（多数系统跨级）；产业实践六家全是合作方自述（Humanlaya/面壁等），无第三方评测；Theseus 实验仅 30 任务规模、自家 workspace 设定；「Last AI」标题是叙事装置——论文自己的数据（L4=3、L5=11）说明真正的人工退出还在很远处；未提供 code。

可打脸预测：12 个月内——①L4 出现首个公开对照研究（部署反馈回流 vs 离线循环的同任务对比），三类验收规则（外部验收/回滚/归因）成为 RSI 论文的标准报告项；②「RSI 级别自报」出现在系统 README（对应 NeoHorse 式技术报告自标 L 级），并出现专门核对自报级别的审计工具；③五级框架被二次元化传播成「LL1-L5 自动驾驶分级」式的营销话术，L2 被大量虚标——归因挑战将给海关方法论（改进声明×证据表）提供第一批量产素材。

核查备注：arXiv HTML 全文（2609.11873v1，31.8 万字符）实抓；HCI 公式与全部数字、五级定义与例子、附录 B 级别标签计数（L1-L2 41/L2 40/L2-L3 33/L5 11/L1 7/L3 6/L4 3 等）、三大挑战案例、Theseus 实验表、产业实践章节均对照原文；alphaXiv/DAIR.AI/新浪/联合早报系转载四路交叉一致；项目页 theseus-labs-rsi.github.io 为 JS 壳未展开（不影响正文核验）。B 站视频截图仅作素材入口。