當人工智能開始重新定義“自我進化”的邊界，一場關于智能體能力的變革正在悄然發生。meta聯合多所高校的研究團隊提出了一種名為HyperAgents的全新框架，其核心突破在于讓AI系統能夠自主修改自身的改進機制，而不僅僅是優化任務執行方式。這一成果標志著智能體從“被動執行”向“主動進化”的跨越，為通用人工智能的發展開辟了新路徑。
傳統智能體的進化邏輯存在明顯局限。以去年提出的Darwin G?del Machine（DGM）為例，該系統雖能在代碼編寫任務中通過自我修改代碼實現性能躍升，但其改進能力高度依賴任務場景與修改機制的天然對齊。當研究團隊嘗試將其應用于論文評審、機器人獎勵設計等非代碼場景時，系統性能幾乎停滯不前。這種“場景綁定”的進化模式，暴露出上一代自我進化系統的根本性缺陷。
HyperAgents框架通過顛覆性設計突破了這一瓶頸。研究團隊創造性地將執行任務的智能體與負責改進的元智能體合并為統一的可編輯程序，構建出所謂的“超智能體”（hyperagent）。這種架構設計使得系統不再局限于預設的改進規則，而是能夠動態調整“如何提出改進建議”的元機制。實驗數據顯示，在代碼任務中，HyperAgents在Polyglot基準測試上的準確率從8.4%提升至26.7%，與DGM表現相當的同時，展現出更強的泛化能力。
真正令人矚目的是該框架在非代碼任務中的表現。在論文評審場景中，初始智能體得分為0，經過HyperAgents優化后提升至71.0%；機器人獎勵設計任務的得分則從6.0%躍升至37.2%。更關鍵的是，這些改進并非局限于訓練任務，而是能夠遷移到全新領域。當將在論文評審任務中演化出的智能體應用于奧林匹克級數學評分時，其作為元智能體在50輪迭代內將生成體的評分從0提升至63.0%，而傳統DGM系統在此場景下幾乎失效。
這種跨領域遷移能力源于HyperAgents獨特的進化機制。系統在迭代過程中會自動構建性能追蹤器、持久記憶模塊等基礎設施，形成持續優化的閉環。例如，持久記憶模塊會記錄歷代策略的優缺點，如“某代評審準確但過于嚴苛，另一代平衡性更好”，并據此制定融合策略。這種將改進視為長期經營過程的思維模式，使系統能夠積累跨代經驗，避免重復試錯。研究團隊展示的代碼片段顯示，系統甚至能自主診斷過度修正問題，并制定下一輪改進計劃。
盡管HyperAgents仍處在實驗室階段，其潛在影響已引發行業深度思考。傳統AI競爭聚焦于模型參數、算力規模等硬件指標，而HyperAgents代表的新范式將競爭維度拓展至“改進能力”本身。未來具備跨任務經驗累積、持續自我優化能力的系統，可能重新定義AI公司的核心競爭力。開發者角色也將發生根本轉變，從功能實現者進化為系統進化邊界的設計者。
這項研究同時敲響了安全警鐘。當AI系統能夠開放式修改自身機制時，其演化速度可能超越人類審計能力。研究團隊明確指出，當前實驗仍在嚴格控制的沙箱環境中進行，任務分布、評估協議等關鍵環節仍由人類掌控。但隨著系統自主性的增強，如何確保進化方向的可控性將成為亟待解決的核心問題。這場關于智能體進化機制的探索，或許正在揭開AI發展新紀元的序幕。
