摘要：在人工智能探索的漫漫长路上，一个名为“哥德尔机”（Gödel Machine）的理论构想，长久以来被视为通往通用人工智能（AGI）的“圣杯”。它描绘了一种终极的自指（self-referential）系统，能够通过严格的数学逻辑，形式化地证明某个修改将使自身变

在人工智能探索的漫漫长路上，一个名为“哥德尔机”（Gödel Machine）的理论构想，长久以来被视为通往通用人工智能（AGI）的“圣杯”。它描绘了一种终极的自指（self-referential）系统，能够通过严格的数学逻辑，形式化地证明某个修改将使自身变得更强，然后执行该修改，从而实现完美的、可证明的自我完善。

“Darwin-Gödel Machine” 术语解释（图源：Sakana AI 博客）

然而，这一构想因其对“形式化证明”的严苛要求，在复杂的现实世界中始终是可望而不可及的理论幻影。近日，总部位于东京的AI研究机构Sakana AI，通过一篇突破性的论文，宣告了这一理论僵局的终结。他们巧妙地将达尔文的进化论思想注入哥德尔机的理论框架，创造出首个真正意义上的自我进化AI系统——“达尔文-哥德尔机”（DGM），为我们揭示了一条通往机器自我改进的现实路径。

Darwin-Gödel Machine 通过开放式探索不断构建一个由 Agent 组成的“档案库”，其中的每个 Agent 都能通过自我修改和下游任务评估不断迭代优化自身能力。

Sakana AI的深刻洞见在于，他们果断地用经验主义的“实验证据”取代了理想主义的“形式化证明”。DGM的核心哲学不再是“先证明再行动”，而是“先变异，后筛选”。它首先将一个由大语言模型驱动的编码智能体（Agent）作为“初始物种”，赋予其访问并修改自身代码库的能力。

随后，一场数字世界的“进化”大戏便拉开帷幕：系统并非追求单一的最优解，而是鼓励父代智能体产生大量的、多样的“子代变体”。这些新生的智能体被投入到真实的软件工程基准测试（如SWE-bench和Polyglot）中接受严酷的“自然选择”。只有那些能够成功编译并保持自我修改能力的子代，才有资格被存入“档案库”，成为进化种群的一员，其余则被无情淘汰。

这场数字进化的精髓，在于其“开放式探索”的机制。DGM在选择父代进行下一轮迭代时，并非简单地“掐尖”，即只选择当前表现最好的智能体。相反，它通过一个复杂的加权算法，在“利用”高性能智能体和“探索”新生或表现平平但具有潜力的智能体之间取得了精妙的平衡。

一个为子代较少的“冷门”智能体设置的“新颖性奖励”机制，确保了种群的多样性，使得一些暂时的落后者依然有机会开辟出全新的、意想不到的进化路径。这完美地模拟了生物进化中，那些看似不起眼的变异最终可能成为主流的深刻规律。在实验中，DGM的“存档树”清晰地显示，最终性能最优的那个智能体，其进化路径上就曾经历过数次明显的性能下滑，但正是因为开放式探索没有放弃这条“看似走偏”的路线，才最终迎来了能力的巅峰。

实验结果雄辩地证明了这一范式的强大威力。在仅仅80次迭代后，DGM在SWE-bench基准上的表现从20.0%飙升至50.0%，在Polyglot上则从14.2%提升至30.7%。这意味着，系统通过不断地重写自身代码，自主学会了如何更有效地使用工具、优化提示策略，甚至更好地整合不同的语言模型。其最终发现的最佳智能体版本，性能已足以媲美顶尖人类工程师开发的开源项目，甚至在某些基准上实现了超越。研究人员通过“消融实验”进一步证实，一旦剥离“自我改进”或“开放式探索”任一核心机制，系统的性能提升便会迅速陷入停滞，这凸显了DGM设计的完整性和缺一不可的精妙。

尽管DGM的出现是通往AGI道路上的一座里程碑，但我们仍需清醒地认识到前路的漫长。目前的DGM还无法修改其背后大模型的参数，其能力也局限于编程领域。更重要的是，这场“进化”的代价极为高昂：在SWE-bench上完成单次运行的成本估算高达22,000美元，耗时约两周。然而，这一切都无法掩盖其开创性的光芒。DGM的诞生，标志着人工智能的发展范式正从“静态设计”向“动态进化”迈出决定性的一步。我们首次拥有了一个不再仅仅是被动执行任务的工具，而是一个能够主动探索、从失败中学习、并自主规划其成长路径的智能实体。哥德尔机的理论梦想，终于在达尔文思想的沃土上，迎来了它的第一次现实回响。

参考文献

来源：人工智能学家