文章核心观点 - Meta研究团队提出名为“超级智能体”的新一代AI架构，其结合了哥德尔机与开放式算法思想，形成“达尔文哥德尔机”，使AI不仅能优化具体任务表现，更能持续优化其自我改进的底层逻辑，实现“元学习”，并有望最终突破人类预设的算法边界[1][5][7][8] 理论基础：从哥德尔机到达尔文哥德尔机 - 哥德尔机是一种假设性的自我完善型AI，其核心思想是AI能够通过递归重写自身代码来解决问题，但前提是必须数学证明改动的净收益，这在现实中难以实现[12][13][16][17] - Meta团队提出的达尔文哥德尔机解决了上述难题，它利用基础模型提议代码改进方案，并借助开放式算法进行搜索，从而从经验上获取能提升性能的方案，构建一个不断增长且多样化的AI智能体库[18][20] - DGM的自我提升效果与算力投入正相关，获得的算力越多，效果越好[21] 超级智能体的架构与突破 - DGM存在主要适用于编程任务的限制，因其依赖任务评估与自我修改任务的“对齐”，在缺乏“自指性”的非编程领域进化链条会断裂[22][23][25][27][28] - 超级智能体突破了这一限制，它不仅能修改任务执行行为，也能修改生成未来改进建议的过程，实现了“元认知自我修改”[29][30] - 论文将超级智能体实例化为DGM-H，它整合了任务智能体与元智能体，使得“改进的方法”本身也可被改进，从而不再要求任务与修改必须对齐[31][32][38] 实验性能验证 - 在SWE-bench基准测试中，达尔文哥德尔机将其性能从20.0%自动提升至50.0%[36][37] - 在Polyglot基准测试中，DGM的性能从初始的14.2%跃升至30.7%，超过了具有代表性的人工设计智能体[42] - DGM采用开放式进化搜索策略，通过从现有智能体库中采样来并行探索多条进化路径，性能稍逊的“祖先”智能体有助于发现新方法，避免早熟收敛[41][45] 改进的迁移性与泛化能力 - DGM的改进具有广泛的迁移性，例如，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[55] - 在Polyglot基准中，于Python任务上的自我改进同样提升了其在Rust、C++、Go等不同语言任务上的表现[55]