编辑：元宇<br> 【新智元导读】过去Agent比谁更会干活，现在可能要比谁更会变强。<br> AI已经学会「左脚踩右脚上天」了？<br> Meta的一项最新研究表明：AI已经开始碰自己的「进化引擎」了。<br> 华人学者Jenny Zhang在Meta实习期间，联合Meta AI、UBC、纽约大学等机构研究者，提出了一种新的智能体框架：HyperAgents（DGM-H）。<br> 这项工作的重点，不是再造一个更能干活的Agent。<br> 它瞄准的是更高一层的问题：<br> 如果AI已经能够修改自己的任务解法，那它能不能连「自己以后该怎么修改自己」这件事，也一并改掉？<br> 论文给出的答案是：可以。<br> 而且，这不再是概念推演，而是已经在实验中跑通的系统能力。<br> HyperAgents做的关键一步，是把「执行任务的 agent」和「负责改进 agent 的 meta agent」合并进同一个可编辑程序里，作者将之称为hyperagent。<br> DGM依赖任务与自修改能力的对齐，而DGM-H不再需要这种对齐<br> 在新框架下，系统不只会修改任务求解逻辑，还开始修改未来生成改进方案的机制本身。<br> 论文把这种能力称为metacognitive self-modification，也就是：元认知自我修改。<br> 过去行业竞争的是：谁的Agent更会干活。<br> 而HyperAgents 指向的下一阶段则可能是：谁的Agent更会变强，而且会越来越会变强。<br> 以往的「自我进化」<br> 其实还只是半手工<br> 这篇论文，指出了上一代自我进化路线的天花板。<br> 去年的Darwin G&ouml;del Machine（DGM），已经很惊艳。<br> 它能在coding任务中不断自改代码、自我验证、把成功版本存进archive，再从这些「垫脚石」里继续往前长。<br> 论文披露，DGM在SWE-bench上能从20.0%拉到50.0%，在Polyglot上从14.2%拉到30.7%。<br> 但问题在于，DGM之所以能在coding里成立，是因为「评估」和「自我修改」本身也都是coding任务。<br> 写代码更强了，反过来就更会改自己的代码。任务能力和自我改进能力，在这个场景里是对齐的。<br> 然而一旦离开coding，这个对齐关系就断了。<br> 比如评审论文、设计机器人奖励函数、给IMO级数学解答打分，这些任务做得更好，不等于你就更会修改自己的元机制。<br> HyperAgents论文最核心的一招，就是直接把这个假设砍掉：<br> 既然任务能力和自我改进能力未必天然对齐，那就不要再把meta层写死。<br> 这说明过去很多「自我进化」系统，本质上还是在人为设定的轨道里进化。<br> HyperAgents真正改变的，是改变机制本身。<br> HyperAgents新在哪里？<br> 表面上看，HyperAgents只是多了一个meta agent。<br> 但真正值得注意的是，它把task agent和meta agent合成了同一个可编辑程序。<br> 以前的DGM里，系统有一个手工设计的instruction-generation机制，负责根据过往表现决定下一步怎么改。<br> 这一步不能被改，所以它反而成了整个系统的瓶颈。<br> HyperAgents的做法是把这部分也纳入可修改范围。<br> 换句话说，AI不只是改自己的答案、自己的工具、自己的流程，它开始改「自己怎么提出修改建议」。<br> DGM里上层机制基本固定，DGM-H里meta层本身也进入可演化空间，也就是说，它是一个会经营自己进化过程的系统。<br> 所以，HyperAgents做的不是「再加一个Agent」，而是取消了「上层永远不变」这个默认前提。<br> 自我改进开始跨域迁移<br> 在coding任务中，HyperAgents在Polyglot 上的提升，与原始DGM处在同一量级：50-task训练子集从0.140提升到0.340，完整benchmark从0.084提升到0.267。<br> 换句话说，它并不是只靠牺牲泛化来换局部成绩。<br> 更关键的是，它不只在coding任务成立，还能在paper review、robotics reward design等非coding任务上继续自我改进。<br> 在paper review上，初始agent在测试集得分为0.0，DGM-H提升到0.710；在robotics reward design上，则从0.060提升到0.372。<br> 更关键的是，这些提升不仅出现在训练任务里，也转移到了held-out test tasks。<br> 与此同时，对照组也很说明问题：去掉self-improve，效果明显变弱；去掉open-ended exploration，系统也很难取得有意义进展；原始DGM直接搬到非coding 域几乎失效，只有经过人工定制成DGM-custom后，才恢复竞争力。<br> 这说明HyperAgents 的关键价值，不在于某一个benchmark多拿了几个点，而在于它把原本依赖coding场景对齐关系的自我改进，推进成了一个能在非coding任务中运行的框架。<br> 更值得注意的是迁移实验。<br> 作者把在paper review和robotics任务中演化出来的hyperagents，转移到Olympiad-level math grading。<br> 虽然这些转移体自身初始得分仍接近0，但它们作为「生成更优agent的meta agent」，却能在50轮内把最好生成体推到0.630，对应imp@50从0拉到0.630。<br> 相比之下，来自DGM-custom的转移体几乎没有这种能力。<br> 换句话说，迁移过去的，不只是任务经验，而是「如何持续变好」的能力。<br> 它开始自己长基础设施了<br> 很多人看到「自我进化」会以为，无非是AI自己改prompt、调工作流、加几个规则。<br> 但论文展示给我们、最让人感到冲击力的一个地方在于：它开始自己长基础设施了。<br> DGM-H在迭代中会自动长出performance tracking、persistent memory、evaluation analysis、compute-aware planning这些基础设施。<br> 论文中甚至直接给出了自动生成的性能追踪器代码和持久记忆条目：它开始记录跨代指标、总结哪些代际策略有效、诊断过度修正、制定下一轮改进计划。<br> 这还不是「日志记录」那么简单，系统开始把改进看成一个长期经营过程，而不是一次次孤立的paœtch。<br> 它不只记录每一代分数，还会比较趋势、识别回退，并把跨代经验沉淀进persistent memory。<br> 正如网友所说，真正让这一切变成现实的关键，恰恰是persistent memory的自主出现。<br> 论文展示的memory示例中写道：某一代评审准确率更高，但过于严苛；另一代平衡更好；下一轮要融合两者优点。<br> 没有这层记忆，agent往往只会反复「重新发明轮子」；有了它，过去几代的有效经验才第一次能真正沉淀为下一轮改进的起点。<br> 这说明Agent正在从「输出一个结果」，走向「维护一个持续优化系统」。<br> 这不是AGI宣言<br> 但旧规则确实在失效<br> 当然，这篇论文没有证明「无限自我进化AI」已经降临。<br> 作者自己也写得很清楚：<br> 实验都在沙箱、资源限制和人工监督下完成；外层循环还有不少部分没有开放给系统自改，比如任务分布、parent selection、evaluation protocol等；真正无界的open-ended self-improvement，还远远没到。<br> 但风险预警已经出现。<br> 一旦AI开始改自己的改进机制，安全讨论就变得重要起来。<br> 论文也专门有一节谈风险：随着系统越来越能开放式地修改自己，它的演化速度可能超过人类审计和理解速度。<br> 今天靠sandbox和人工盯着还能管住，明天未必。<br> HyperAgents代表了一种新的路线，它可能会改写Agent竞争。<br> 未来比的不只是谁会调模型、谁会写workflow、谁会做更强单点工具，而是谁能把「改进能力」本身产品化、系统化、可迁移化。<br> 这将改变AI公司的护城河。<br> 真正的壁垒，可能不再只是参数、算力和数据，而是有没有一套能跨任务累积经验、跨运行持续变好的自我改进系统。<br> 也会改变开发者位置。<br> 开发者不再只是写功能的人，而更像是在设计AI可以继续自我设计的边界条件。<br> 最重要的一点，它改写了AI行业过去默认的一条规则：系统可以变强，但变强的方法由人来定义。<br> 现在，这条规则开始松动了。<br> 作者简介<br> Jenny Zhang<br> Jenny Zhang<br> Jenny Zhang，现为英属哥伦比亚大学人工智能博士生，师从Jeff Clune，同时也是Vector Institute研究生，并曾在Meta担任Research Scientist Intern。<br> 她本科毕业于帝国理工学院，研究方向聚焦开放式进化、强化学习与自我改进AI，代表工作包括《Darwin G&ouml;del Machine》《HyperAgents》以及OMNI系列研究。<br> 她的长期目标，是构建能够自主提出新任务、持续自我提升、不断演化复杂能力的AI系统。