当人工智能开始重新定义“自我进化”的边界，一场关于智能体能力的变革正在悄然发生。meta联合多所高校的研究团队提出了一种名为HyperAgents的全新框架，其核心突破在于让AI系统能够自主修改自身的改进机制，而不仅仅是优化任务执行方式。这一成果标志着智能体从“被动执行”向“主动进化”的跨越，为通用人工智能的发展开辟了新路径。
传统智能体的进化逻辑存在明显局限。以去年提出的Darwin Gödel Machine（DGM）为例，该系统虽能在代码编写任务中通过自我修改代码实现性能跃升，但其改进能力高度依赖任务场景与修改机制的天然对齐。当研究团队尝试将其应用于论文评审、机器人奖励设计等非代码场景时，系统性能几乎停滞不前。这种“场景绑定”的进化模式，暴露出上一代自我进化系统的根本性缺陷。
HyperAgents框架通过颠覆性设计突破了这一瓶颈。研究团队创造性地将执行任务的智能体与负责改进的元智能体合并为统一的可编辑程序，构建出所谓的“超智能体”（hyperagent）。这种架构设计使得系统不再局限于预设的改进规则，而是能够动态调整“如何提出改进建议”的元机制。实验数据显示，在代码任务中，HyperAgents在Polyglot基准测试上的准确率从8.4%提升至26.7%，与DGM表现相当的同时，展现出更强的泛化能力。
真正令人瞩目的是该框架在非代码任务中的表现。在论文评审场景中，初始智能体得分为0，经过HyperAgents优化后提升至71.0%；机器人奖励设计任务的得分则从6.0%跃升至37.2%。更关键的是，这些改进并非局限于训练任务，而是能够迁移到全新领域。当将在论文评审任务中演化出的智能体应用于奥林匹克级数学评分时，其作为元智能体在50轮迭代内将生成体的评分从0提升至63.0%，而传统DGM系统在此场景下几乎失效。
这种跨领域迁移能力源于HyperAgents独特的进化机制。系统在迭代过程中会自动构建性能追踪器、持久记忆模块等基础设施，形成持续优化的闭环。例如，持久记忆模块会记录历代策略的优缺点，如“某代评审准确但过于严苛，另一代平衡性更好”，并据此制定融合策略。这种将改进视为长期经营过程的思维模式，使系统能够积累跨代经验，避免重复试错。研究团队展示的代码片段显示，系统甚至能自主诊断过度修正问题，并制定下一轮改进计划。
尽管HyperAgents仍处在实验室阶段，其潜在影响已引发行业深度思考。传统AI竞争聚焦于模型参数、算力规模等硬件指标，而HyperAgents代表的新范式将竞争维度拓展至“改进能力”本身。未来具备跨任务经验累积、持续自我优化能力的系统，可能重新定义AI公司的核心竞争力。开发者角色也将发生根本转变，从功能实现者进化为系统进化边界的设计者。
这项研究同时敲响了安全警钟。当AI系统能够开放式修改自身机制时，其演化速度可能超越人类审计能力。研究团队明确指出，当前实验仍在严格控制的沙箱环境中进行，任务分布、评估协议等关键环节仍由人类掌控。但随着系统自主性的增强，如何确保进化方向的可控性将成为亟待解决的核心问题。这场关于智能体进化机制的探索，或许正在揭开AI发展新纪元的序幕。
