Author name: Dr. Ashish V

簡介：傳統AI系統的限制 常規人工智能係統受其靜態架構的限制。這些模型在固定的，人工設計的框架內運行，部署後不能自主改進。相比之下，人類的科學進步是迭代和累積性的 – 每個進步基於先前的見解。 AI研究人員從這種連續改進模型中汲取靈感，現在正在探索進化和自我反射技術，這些技術使機器可以通過代碼修改和性能反饋來改進。 達爾文·戈德爾機器（DarwinGödelMachine）：自我改善AI的實用框架 Sakana AI，不列顛哥倫比亞大學和媒介學院的研究人員介紹了 達爾文·戈德爾機器（DGM），一種旨在自主發展的新型自我修改AI系統。與依賴於可證明的修改的戈德爾機器（GödelMachine）這樣的理論結構不同，DGM包含經驗學習。該系統通過不斷編輯自己的代碼而演變，並在現實世界編碼基準（例如SWE-Bench和Polyglot）的性能指標的指導下發展。 基礎模型和進化AI設計 為了驅動這個自我完善循環，DGM使用冷凍 基礎模型 這有助於代碼執行和生成。它從能夠自我編輯的基本編碼劑開始，然後對其進行迭代修改以產生新的代理變體。如果這些變體顯示出成功的彙編和自我完善，則將評估並保留在檔案中。這個開放式搜索過程模仿了生物學演化 – 提供多樣性，並使以前的次優設計成為未來突破的基礎。 基準結果：驗證SWE基礎和Polyglot上的進度 DGM在兩個眾所周知的編碼基准上進行了測試： SWE板凳：績效從20.0％提高到50.0％ 多面體：準確性從14.2％增加到30.7％ 這些結果突出了DGM在不干預的情況下發展其體系結構和推理策略的能力。該研究還將DGM與缺乏自我修飾或探索能力的簡化變體進行了比較，證實這兩個要素對於持續的績效改善至關重要。值得注意的是，在多種情況下，DGM甚至超過了像Aider這樣的手動系統。