DarwinGödelMachine：一種自我提高的AI代理，使用基礎模型和現實基准進化代碼

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。

技術意義和局限性

DGM通過從邏輯證明轉移到證據驅動的迭代來代表對Gödel機器的實際重新解釋。它將AI改進視為搜索問題 – 通過反複試驗探索代理體系結構。該框架雖然仍在計算密集型且尚未與專家調整的封閉系統相提並論，但為軟件工程及其他方面的開放式AI進化提供了可擴展的途徑。

結論：邁向一般，自我發展的AI架構

DarwinGödel機器表明，AI系統可以通過代碼修改，評估和選擇的周期自主對自己進行自主改進。通過整合基礎模型，現實世界的基準和進化搜索原則，DGM展示了有意義的性能提高，並為更適應能力的AI奠定了基礎。儘管當前的應用僅限於代碼生成，但未來版本可能會擴展到更廣泛的領域，即更接近通用物質，自我改進的AI系統與人類目標保持一致。

tl; dr

• 🌱 DGM是一個自我提高的AI框架 這通過代碼修改和基準驗證來演變編碼代理。
• 🧠使用 冷凍基礎模型 和進化啟發的技術。
• 📈在SWE板凳上（50％）和多面體（30.7％）上勝過傳統基線。

查看紙張和GitHub頁面。 這項研究的所有信用都歸該項目的研究人員。另外，請隨時關注我們 嘰嘰喳喳 而且不要忘記加入我們的 95k+ ml子雷迪特 並訂閱 我們的新聞通訊。