Meta華人實習生搞出超級智能體！自己寫程式碼實現自我進化
能無限進步的「超級智能體」來了！
最近，Meta研究團隊的一篇題為HYPERAGENTS（超級智能體）的論文迅速刷屏。
這篇論文將LSTM之父Jürgen Schmidhuber二十年前提出的哥德爾機（Gödel Machine）思想，與達爾文開放演算法相結合，提出了能持續自我迭代的達爾文哥德爾機。
基於此這一思想，Agent不僅能更好地完成具體任務、持續提高自身表現。
更關鍵的是，它可以不斷最佳化“改進自身”的底層邏輯，實現“元學習（Meta-learning）”
這，便是論文定義的新一代超級智能體——Hyperagents。
論文更進一步提出：未來AI有望通過持續自我迭代，最終突破人類預設的初始演算法邊界，也正因如此，AI安全必須被擺在核心位置。
不少網友也感慨道：
元學習真正讓人既害怕又興奮的，是元層面的改進能夠跨領域遷移。這不是在某一件事上變得更厲害，而是學會了在一切事情上變得更厲害。
目前，這篇論文已被ICLR 2026接收。
從哥德爾機到達爾文哥德爾機
要理解超級智能體Hyperagents，必須先瞭解它的基石——
哥德爾機（Gödel Machine）。
哥德爾機是一種假設性的自我完善型AI。它在數學上尋求證明：
如果存在某種更好的策略，它會通過遞迴重寫自身程式碼來解決問題。
而這一假設，最早由尤爾根·施密德胡伯（Jürgen Schmidhuber）在二十多年前提出。
在傳統機器學習中，AI的“學習方法”是人類預設的硬編碼，它只能通過調整內部參數來逼近目標；
而哥德爾機則打破了這一限制，它能夠將演算法框架本身視為可編輯的程式碼，通過自主重寫程序來實現學習能力的自我演進。
但問題也隨之而來：哥德爾機往往要求AI在自我演進之前，證明該改動具備淨收益。
也就是說，改程式碼花掉的算力成本，未來能不能通過更強的性能賺回來？
不幸的是，這種計算在現實中的複雜任務中幾乎是無法實現的。
針對這一問題，Meta團隊提出達爾文哥德爾機（DGM），它利用開放式演算法（Open-ended algorithms），通過在大模型提議的程式碼改進方案中進行搜尋，獲取能從經驗上提升性能的方案。
換句話說，DGM利用基礎模型來提議程式碼改進方案，並利用開放式演算法的最新創新成果，來搜尋並建構一個不斷增長的、多樣化且高品質的AI智能體庫。
基於此，DGM能創造出各種自我改進方案，例如：增加補丁驗證（Patch Validation）步驟、最佳化檔案查看功能、增強編輯工具、生成並篩選多個解決方案以選出最優解，以及在進行新更改時，會自動加入歷史嘗試記錄（並分析失敗原因）以供參考。
論文的實驗還表明，DGM獲得的算力越多，自我提升效果越好。
超級智能體
雖然DGM很強，但它存在一個致命限制：它主要在程式設計任務中有效。
這是因為DGM依賴一個關鍵假設——評估任務與自我修改任務必須“對齊”。
在程式設計領域，這種對齊是天然的：提升了程式設計能力，自然也就提升了修改自身程式碼的能力。
也就是說，解決外部程式設計問題的邏輯工具，可以直接轉化為修改其自身底層程式碼的能力。
相反，如果是在非程式設計領域（如寫詩），即便提升了寫詩能力，也無法直接轉化為修改程式碼的邏輯水平。
在這種缺乏“自指性（Self-referentiality）”的任務中，DGM的遞迴進化鏈條就會斷裂，陷入停滯。
基於此，文章提出超級智能體——
它們既能修改自己的任務執行行為，也能修改生成未來改進建議的過程。
這實現了所謂的元認知自我修改（metacognitive self-modification）：不僅學習如何做得更好，還學習如何更有效地進行改進。
進一步，論文將超級智能體實例化為DGM-Hyperagents (DGM-H)。
DGM-H是對DGM的擴展，其中任務解決行為和自我改處理程序序都是可編輯且可進化的，其框架如下：
- 自指性架構：它將“任務智能體（Task Agent）”與“元智能體（Meta Agent）”整合為一個單一的、可編輯的程序。
- 元級進化：在Hyperagents中，“改進的方法”本身也是可以被改進的。這使得系統不再要求任務與修改必須對齊，從而實現了跨領域的“元認知自我修改”。
打個比方，在Hyperagents中，運動員不僅在訓練，教練也在學習如何更好地執教。由此，運動員的表現和教練的執教水平不斷螺旋上升。
此外，DGM-H還改進了生成新智能體的過程（例如引入持久化記憶、性能追蹤等），且這些元級改進具有跨領域遷移和跨運行累積的特性。
實驗驗證：從20%到50%的跨越
實驗證明，達爾文哥德爾機（Darwin Gödel Machine）能夠通過修改自身程式碼庫實現持續的自我提升。
在SWE-bench上，DGM自動將其性能從20.0%提升至50.0%。
在Polyglot上，DGM的性能從初始的14.2%躍升至30.7%，遠超由Aider開發的具有代表性的人工設計智能體。
這些結果證明了DGM能發現並實施有效的自我改進。
而實現這一點的關鍵在於其開放式進化搜尋策略：
通過從現有智能體庫中採樣生成新智能體，DGM能夠平行探索多條進化路徑。
性能稍遜的“祖先”智能體在發現新方法和功能方面起關鍵作用，避免了早熟收斂。
此外，DGM的改進具有廣泛的遷移性：
- 針對Claude 3.5 Sonnet最佳化的智能體，在切換到o3-mini或Claude 3.7 Sonnet時仍能提升性能。
- 在Polyglot基準中，Python任務上的自我改進同樣提升了Rust、C++、Go等不同語言任務的表現。 (量子位)