RSI 是什麼？從 AI 執行工具走向自我改進的算力新故事

L1：高效率執行，仍由人類定義規則

多數現有 Agent 仍接近 L1：人類指定任務、限制與驗收方式，AI 負責編碼、整理、查找或執行子任務。它可以大幅提高效率，但工作框架仍來自人。

這一階段的商業價值已經很實際，卻也較容易被底層模型進步與價格下降商品化。產品要建立護城河，必須進入資料、權限、審核與跨系統協作，而不只是把聊天框包進企業流程。

L2：AI 開始修改約束與產生高品質資料

在 L2，AI 不只執行規則，還能根據結果修正特徵、限制或演算法。以財務預測為例，它可能發現換機週期、價格彈性或季節性需要被加入，再把新的判斷回饋給資料與評測系統。

這會產生大量探索、反覆試錯與強化學習需求，也會打開新的企業級 Work Agent。但它同時要求更嚴格的可追溯性：誰允許模型改規則、如何避免資料污染、錯誤如何回滾，都是部署成本。

L3：模型參與下一代模型的訓練與部署

L3 的想像是，當代模型實質參與下一代模型的設計、評估與部署。機器可以同時嘗試遠多於人類團隊的方案，因此訓練需求可能重新成為 CapEx 的主角。

但投資上不能把能力路線圖直接換成營收。評測能否外推、錯誤是否累積、能源與資料是否成為瓶頸、治理是否允許自動改寫規則，都可能讓技術進度與商業化進度脫鉤。RSI 是需求的選擇權，不是已簽收的訂單。

RSI 的算力需求不只來自更大的模型

如果 AI 開始自動提出假設、產生資料、設計實驗並評估結果，算力需求會從單次大型訓練，擴展成大量平行試驗。每一條候選路線都需要推論、模擬、評測與回饋，成功的少數結果再進入下一輪訓練。這種工作負載未必只追求最大叢集，也可能需要更靈活的排程、低延遲網路、儲存與資料版本管理，讓資料中心需求從晶片數量延伸到整套研究基礎設施。

但效率進步會形成反方向力量。更好的演算法、稀疏模型、蒸餾與推論最佳化，可能讓單次任務所需算力下降。最後總需求增加多少，取決於效率提升是否帶來更多使用，也就是類似傑文斯悖論：單位成本下降後，總使用量可能反而上升。投資人不能只問模型變強會用多少 GPU，還要問每單位成本下降後，企業會新增多少原本不值得自動化的任務。

企業導入的核心是可逆性，不是完全自動化

當 Agent 從 L1 走向 L2，企業最大的變化不是少幾個人，而是系統開始參與規則修改。財務、醫療、製造與人力資源等高責任場景，不能只追求模型自主性，必須保留版本、審核者、資料來源與回滾機制。最實用的架構通常不是一次跳到無人運作，而是先讓 AI 提議、人類批准，再逐步把低風險、可回復的決策交給系統。

這也會改變軟體的競爭力。未來企業不只採購模型能力，也會採購治理能力：誰能說明模型為何改規則、發生錯誤時如何定位、不同部門能設定哪些權限。對創業者而言，這些看似不性感的功能往往才是續約來源。會自我改進的 AI 很迷人，但董事會更想知道的是：它改錯時，誰能在星期一早上九點以前把系統恢復。

落地時可以把治理拆成四層：模型層保存版本與評測，資料層記錄來源與授權，工作流層限制可呼叫工具，組織層指定核准人與責任歸屬。每次能力升級都先在隔離環境跑回歸測試，再用小比例真實流量觀察錯誤率與成本。這些程序會讓導入看起來比較慢，卻能把一次重大錯誤造成的停機、法遵與聲譽成本降到可承受範圍。