多家顶尖科研机构联合完成的一项研究，为评估人工智能自主学习能力提供了全新视角。这项研究构建了一个名为EvoPolicyGym的评测框架，通过模拟人类学生反复试错的学习过程，检验AI系统能否在固定预算内自主优化行动策略。研究团队设计了包含十六个不同场景的测试环境，要求AI系统在128次交互机会内，通过修改策略代码、观察反馈效果、持续改进的方式提升表现，最终用全新场景检验学习成果。
传统AI评测往往聚焦最终得分，如同仅用菜品口味评判厨师水平。但这项研究指出，真正优秀的AI应当具备从失败中学习的能力——就像厨师能通过试错调整配方，而非依赖固定菜谱。现有评测体系要么仅关注最终结果，要么将AI投入过于复杂的真实场景，难以准确识别AI的真实学习能力。EvoPolicyGym通过设定明确的交互预算，将学习过程从结果中剥离出来，为观察AI的自主学习轨迹提供了可控环境。
测试环境被命名为Core16，涵盖四大类任务：经典控制类要求AI掌握双节机械臂摆动、小车爬坡等精准操作；物理仿真类需要AI控制机械生物奔跑或机械臂推物；符号迷宫类考验AI在有限视野中建立内部地图的能力；机器人操作类则涉及自动驾驶和机械臂抓取等复杂任务。这些场景刻意选择差异巨大的设计，目的是检验AI能否在完全不同类型的任务中保持学习能力，而非仅在特定领域表现优异。
参与测试的四套AI系统均由大型语言模型与工具套件组成，包括GPT-5.5搭配Codex工具、Claude Opus 4.7搭配Claude Code工具等组合。研究团队还设置了完全随机选择动作的对照组作为基准。测试结果显示，GPT-5.5以0.891的综合得分位居榜首，在全部十六个任务中均进入前两名；Claude Opus 4.7以0.750分排名第二，在迷宫导航任务中表现尤为突出；其他系统则出现明显短板，随机对照组得分仅为0.109。
研究团队通过绘制"分数演化曲线"，记录了各系统在128次交互中的学习轨迹。分析发现，迷宫导航任务的学习曲线常呈现"阶梯式跃升"——AI在积累足够经验后突然找到关键逻辑；物理控制任务则表现为渐进式改进，每次微调都能带来小幅提升；机器人操作任务的学习过程最为漫长，往往在消耗大量预算后才出现明显进步。这种差异揭示了不同任务对AI学习方式的不同要求。
进一步分析显示，AI改进策略的方式可分为"结构创新"与"参数调整"两类。前者相当于彻底改变烹饪方法，如将红烧改为清蒸；后者则类似调整调料用量。在需要建立全新感知或规划机制的任务中，强系统能以更高成功率将架构修改转化为性能提升。例如在赛车任务中，优秀系统会构建像素处理模块提取赛道信息，而较弱系统则反复更换无效架构。这种差异解释了GPT-5.5在复杂任务中的领先地位。
研究团队通过追踪具体任务发现，表现优异的AI策略通常包含精心设计的抽象机制。赛车最优策略将像素分类转化为几何控制问题，通过计算赛道中心曲率控制方向；机械臂抓取策略则采用分阶段几何控制，精确计算移动轨迹和施力方向。这些案例表明，有效策略需要建立任务特有的抽象表示，并将控制器与这种表示连接，同时为反馈暴露的失败模式添加恢复逻辑。
尽管取得突破性进展，研究团队也坦诚指出当前方法的局限性。例如，用代码骨架结构判断创新可能忽略行为相似性；分析范围未涵盖AI生成的数据文件和未引用代码；任务分类也存在重叠性——所有任务都同时包含结构创新与参数调整的需求。这些限制意味着当前结论应被视为"汇聚性证据"而非精确测量，未来需要更精细的分析工具。
这项研究为评估AI自主学习能力提供了重要参考框架。在AI系统日益需要独立应对复杂环境的背景下，如何公平严格地检验其学习能力已成为关键科学问题。EvoPolicyGym通过量化学习过程、控制干扰因素、设置多样化场景，为理解AI的认知发展机制开辟了新路径。完整技术细节可通过论文编号2607.02440在学术平台获取。
