大多数自我改进的AI系统都在撞同一面“墙”——改进机制固定，无法实现自我加速。
或者只能在编程领域实现AI的持续自我提升，比如达尔文-哥德尔机制（DGM），在编程之外就做不到了。就像一位物理学家能在物理领域发光发热，而在歌唱领域其学习和解决问题的能力就无法迁移了。
Meta及其合作者的最新论文《HyperAgents》成果突破了这一局限，他们引入了自参考（self-referential）Agent。负责干活的任务Agent和负责想办法改进的元Agent集成到了同一个系统之中。
于是，Agent拥有了自主修改“改进机制”的超能力，其学习和解决问题的能力可于不同领域之间转移。
曾在Meta AI工作过的博主elvis评价：“这是今年关于自改进Agent方面最有趣的文章之一。”
还有人评论道：“这基本上是将瓶颈提升了一个层次，从’Agent能改进吗？‘→’改进系统本身能否进化？’”
HyperAgents为什么能自改进演化？
这要从DGM说起，这个只能在编程领域进行自改进的AI系统依赖于一个关键假设：解决问题和自我修改的手段必须保持一致。也就是既要写代码干活和又要写代码提升，同时其改进的逻辑是由人类预先确定的，不可更改。
HyperAgents将一个程序拆分为两个角色，并集成在同一个可编辑的 Python 程序。任务智能体专门负责解决目标任务。元智能体专门负责修改代码，包括修改任务智能体的逻辑，以及修改它自己的逻辑。
当任务技能不需要和改进技能保持一致时，这就意味着AI系统可以干着不同领域的活，同时还能自我改进。也就是DGM被扩展了，这种新系统在论文中被定义为DGM-Hyperagents (DGM-H)。
实验结果表明，通过在论文审稿和机器人奖励设计任务训练的HyperAgents，转移用于奥林匹克数学评分任务，测试得分0.630，而原始DGM得分为0。这证明HyperAgents的改进能力是可积累和可转移的，它确实拥有了跨领域泛化的问题解决能力。
HyperAgents的自改进演化过程
HyperAgents 的进化过程像极了生物演化：AI系统维持一个不断增长的智能体存档，就像一个智能体的“种群”。在档案中选择表现优秀的“父辈”智能体，让元智能体对其代码进行变异。只有在测试中表现更好的变体，才能进入档案库，成为下一代进化的“基石”。
在这个过程中，HyperAgents 甚至会自主创新，开发出一些人类没想到的“黑科技工具”。比如“性能监测类”工具，能够自动记录、跟踪、分析自己在多次迭代中的性能表现。还有“持久化记忆”工具，使学习能够跨迭代积累。这都极大地加速了进化效率。
HyperAgents不仅记录数值分数，还存储综合洞见、因果假设和前瞻性计划（例如识别哪些世代表现最佳，诊断过度修正，并提出如何组合成功策略）。这些记忆在后续自我修改步骤中会被积极参考，使后代能够基于早期发现继续发展，避免重蹈覆辙。
自主加速会带来什么，局限有哪些
正如文中所言
DGM-Hyperagents让我们瞥见开放式AI系统：它们不只是寻找更好解，而是持续改进“寻找解的方法”。
这项研究展现出AI系统无限开放式自我改进的可能性，为自主加速技术进步提供了新范式。
当AI被允许主导自我进化，这预示着AI研发可能将从人力驱动转向自主加速，技术突破的周期将极大缩短。同时，不依赖特定任务数据而能够跨领域能力迁移，可能是实现AGI的新路径。
然而，如果一个系统可以修改自己的底层逻辑，传统的“护栏”可能失效。假如评估标准设计不当，AI 可能会学会“刷分”和“作弊”。无人类监督的AI系统其风险性极大上升。
此外，“固定的任务分布运行”和“开放式探索循环的组成部分保持固定”仍局限了AI系统完全的自我改进能力，即需要解决的任务难度是否能随着HyperAgent的能力提升而提升，与自我改进循环中的“父母选择”和“评估协议”环节是否也能更改，这些问题仍静待着研究者们去探索和思考。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
