henry 发自 凹非寺
量子位 | 公众号 QbitAI
能无限进步的「超级智能体」来了！
最近，Meta研究团队的一篇题为HYPERAGENTS（超级智能体）的论文迅速刷屏。
这篇论文将LSTM之父Jürgen Schmidhuber二十年前提出的哥德尔机（Gödel Machine）思想，与达尔文开放算法相结合，提出了能持续自我迭代的达尔文哥德尔机
基于此这一思想，Agent不仅能更好地完成具体任务、持续提高自身表现。
更关键的是，它可以不断优化“改进自身”的底层逻辑，实现“元学习（Meta-learning）”
这，便是论文定义的新一代超级智能体——Hyperagents
论文更进一步提出：未来AI有望通过持续自我迭代，最终突破人类预设的初始算法边界，也正因如此，AI安全必须被摆在核心位置。
不少网友也感慨道：
元学习真正让人既害怕又兴奋的，是元层面的改进能够跨领域迁移。这不是在某一件事上变得更厉害，而是学会了在一切事情上变得更厉害。
目前，这篇论文已被ICLR 2026接收。
从哥德尔机到达尔文哥德尔机
要理解超级智能体Hyperagents，必须先了解它的基石——
哥德尔机（Gödel Machine）
哥德尔机是一种假设性的自我完善型AI。它在数学上寻求证明：
如果存在某种更好的策略，它会通过递归重写自身代码来解决问题。
而这一假设，最早由尤尔根·施密德胡伯（Jürgen Schmidhuber）在二十多年前提出。
在传统机器学习中，AI的“学习方法”是人类预设的硬编码，它只能通过调整内部参数来逼近目标
而哥德尔机则打破了这一限制，它能够将算法框架本身视为可编辑的代码，通过自主重写程序来实现学习能力的自我演进
但问题也随之而来：哥德尔机往往要求AI在自我演进之前，证明该改动具备净收益。
也就是说，改代码花掉的算力成本，未来能不能通过更强的性能赚回来？
不幸的是，这种计算在现实中的复杂任务中几乎是无法实现的。
针对这一问题，Meta团队提出达尔文哥德尔机（DGM），它利用开放式算法（Open-ended algorithms），通过在大模型提议的代码改进方案中进行搜索，获取能从经验上提升性能的方案。
换句话说，DGM利用基础模型来提议代码改进方案，并利用开放式算法的最新创新成果，来搜索并构建一个不断增长的、多样化且高质量的AI智能体库。
基于此，DGM能创造出各种自我改进方案，例如：增加补丁验证（Patch Validation）步骤、优化文件查看功能、增强编辑工具、生成并筛选多个解决方案以选出最优解，以及在进行新更改时，会自动添加历史尝试记录（并分析失败原因）以供参考。
论文的实验还表明，DGM获得的算力越多，自我提升效果越好。
超级智能体
虽然DGM很强，但它存在一个致命限制：它主要在编程任务中有效
这是因为DGM依赖一个关键假设——评估任务与自我修改任务必须“对齐”。
在编程领域，这种对齐是天然的：提升了编程能力，自然也就提升了修改自身代码的能力。
也就是说，解决外部编程问题的逻辑工具，可以直接转化为修改其自身底层代码的能力。
相反，如果是在非编程领域（如写诗），即便提升了写诗能力，也无法直接转化为修改代码的逻辑水平。
在这种缺乏“自指性（Self-referentiality）”的任务中，DGM的递归进化链条就会断裂，陷入停滞。
基于此，文章提出超级智能体——
它们既能修改自己的任务执行行为，也能修改生成未来改进建议的过程。
这实现了所谓的元认知自我修改（metacognitive self-modification）：不仅学习如何做得更好，还学习如何更有效地进行改进。
进一步，论文将超级智能体实例化为DGM-Hyperagents (DGM-H)。
DGM-H是对DGM的扩展，其中任务解决行为和自我改进程序都是可编辑且可进化的，其框架如下：
自指性架构：它将“任务智能体（Task Agent）”与“元智能体（Meta Agent）”整合为一个单一的、可编辑的程序。元级进化：在Hyperagents中，“改进的方法”本身也是可以被改进的。这使得系统不再要求任务与修改必须对齐，从而实现了跨领域的“元认知自我修改”。
打个比方，在Hyperagents中，运动员不仅在训练，教练也在学习如何更好地执教。由此，运动员的表现和教练的执教水平不断螺旋上升。
此外，DGM-H还改进了生成新智能体的过程（例如引入持久化记忆、性能追踪等），且这些元级改进具有跨领域迁移和跨运行累积的特性。
实验验证：从20%到50%的跨越
实验证明，达尔文哥德尔机（Darwin Gödel Machine）能够通过修改自身代码库实现持续的自我提升。
在SWE-bench上，DGM自动将其性能从20.0%提升至50.0%
在Polyglot上，DGM的性能从初始的14.2%跃升至30.7%，远超由Aider开发的具有代表性的人工设计智能体。
这些结果证明了DGM能发现并实施有效的自我改进。
而实现这一点的关键在于其开放式进化搜索策略：
通过从现有智能体库中采样生成新智能体，DGM能够并行探索多条进化路径。
性能稍逊的“祖先”智能体在发现新方法和功能方面起关键作用，避免了早熟收敛。
此外，DGM的改进具有广泛的迁移性：
针对Claude 3.5 Sonnet优化的智能体，在切换到o3-mini或Claude 3.7 Sonnet时仍能提升性能。在Polyglot基准中，Python任务上的自我改进同样提升了Rust、C++、Go等不同语言任务的表现。
作者介绍
最后，让我们来介绍一下这篇论文的作者们。
这篇论文的第一作者是来自UBC的Jenny Zhang，她师从Jeff Clune教授。
她本科就读于帝国理工，这篇论文是她在Meta实习期间完成的。她的研究方向专注于强化学习、自改进AI与Open-Ended AI。
Bingchen Zhao是来自爱丁堡大学的博士生，，师从Oisin Mac Aodha教授
他本科毕业于同济大学，他此前在Meta FAIR团队，致力于构建自我改进的AI系统。
Wannan Yang在纽约大学攻读博士，目前在Meta超级智能实验室实习，她本科毕业于爱丁堡大学。
论文的其他作者还包括Jeff Clune、以及来自Meta的研究员Minqi Jiang（已离职）、Sam DevlinTatiana Shavrina。
[1]https://arxiv.org/pdf/2603.19461
[2]https://sakana.ai/dgm/
[3]https://x.com/jennyzhangzt
