递归自我改进有了五级标尺:从执行到元改进,现有系统多数停在策略层
核心概要
上海交通大学等机构的研究者提出以“改进回路”为分析单位,用五级自主性框架梳理递归自我改进:从执行人类规定的改进,到选择改进策略、获取学习经验、适应部署环境,直至修订支配后续改进的机制。框架同时用“剩余空间闭合指数”比较2023年至2026年间多领域模型的能力轨迹,指出工具使用与软件工程等交互型能力的缺口最大,并据此讨论哪些改进决策仍由人类掌握。
深度剖析
递归自我改进被拆成一条可逐级检查的回路,每一级对应AI从人类手中接过的不同改进决策。 此前的自演化综述多按更新对象、时机或技术机制分类,同一组件被更新时,AI实际掌握多少决定权并不清楚。 五级划分依次为改进执行、改进策略、学习信号或经验获取、环境适应、递归继承,每一级都追问回路在哪里闭合、什么被保留到下一轮、哪些关键决策仍由人类控制。
能力轨迹显示,可快速验证的领域闭合得最快,需要长程状态跟踪的交互任务留下更大缺口。 单一聚合基准会把不同领域的水平差异和增长节奏抹平。 在2023年至2026年9月发布的393条模型—基准观测中,2026年高等数学与研究生级科学的剩余空间闭合指数分别为86.4和85.8,软件工程为52.6,搜索与终端智能体为56.8,工具智能体为39.9。
框架把“结构递归”和“有效递归”分开:改进机制被改写并进入下一轮,不等于它在可比预算和独立评估下产出了更强的后继系统。 任务表现提升本身不能说明改进机制被修订、保留并复用。 达尔文哥德尔机器在其SWE-bench子集上把表现从20%提升到50%,但其档案维护与父代选择规则仍在自我修改范围之外;哥德尔智能体的100次MGSM优化试验中有14%低于初始策略。
启示与展望
讨论范围覆盖学术文献与工业实践,包括技术报告、工程博客、开源仓库和模型文档;能力轨迹只纳入基准版本与评测框架可对齐的结果,最新模型审计中33条结果有17条进入轨迹,其余16条仅作参考。
作者把2026年之后的曲线标为示意性外推,用剩余空间按固定比例收缩来画端点,而非实测预测;网络安全轨迹后段的Cybench子集或pass@1聚合方式发生过变化,比较需谨慎;工业系统的公开描述只能说明运营层面的自动化,未必构成完整的学习者—经验闭环。
