Let's Make AGI Real

近年来，人工智能领域出现了一种全新思路：让AI像生物一样“进化”，自我修养，不断提升。这正是“达尔文‑哥德尔机”（Darwin-Gödel Machine, 以下简称DGM）的核心理念。想象一群章鱼，每只因基因不同而有各自的生存优势，环境决定了哪些变体能留下来，这就是达尔文进化。DGM借鉴了这一思路，把AI本身当作“进化对象”，让它在不断试错和改进中自我提升。

传统的“哥德尔机”理论要求AI对每次自我修改都给出数学证明，确保安全和有效。但在实际中，这几乎无法实现，因为很多改动的效果只能通过实践检验。DGM的突破在于：不再强求理论证明，而是让AI在沙盒环境里主动修改代码、跑测试，用实际表现来决定哪些变体值得保留。它还会同时保存所有变体，避免只探索一条路径而陷入“局部最优”。

DGM的自我进化流程

DGM的进化过程非常直观。首先，系统会固定一个大型语言模型（比如Claude 3.5 Sonnet），只允许外围代码、工具和流程发生变化。每一轮，系统会挑选一个“父代”智能体，根据测评结果提出改进建议，比如优化编辑方式或调整测试策略。随后，AI会把这些建议写进自己的代码，生成新版本，并用一系列编程挑战（如SWE-bench、Polyglot）来测试自己。每个新变体都会被记录下来，好的继续迭代，不理想的也会保留，为后续探索提供更多可能。经过多轮循环，系统就形成了一棵“进化树”，在多条路径上同时试错和优化。

性能提升与实际效果

在实际测试中，DGM的进步非常显著。例如，在SWE-bench（衡量AI修复GitHub代码能力的基准）上，DGM的成功率从最初的20%提升到了50%；在Polyglot（多语言编程测试）上，成绩从14.2%提升到30.7%。这些成绩不仅超过了不具备自我改进能力的AI，也追平甚至超越了人类设计的智能体。

DGM之所以能带来提升，是因为它能自动发现并改进自己的“编辑工具”和“思考流程”。比如，允许按行修改文件、精准替换内容，或多次尝试后选择最佳方案，这些看似细微的改进，实际效果非常显著。

意义与前景

DGM的出现，标志着AI迈向“自我提升”的新阶段。过去，AI的优化主要依赖人类工程师手动修改。DGM则让AI自己发现问题、改代码、验证效果，实现了真正的“自我进化”。这意味着AI的进步可以更快、更连贯。

此外，DGM还证明，外围工具和流程的改进对AI表现的提升作用巨大，甚至比核心模型本身更值得投入。它的安全设计也很有前瞻性——所有修改都在沙盒环境下进行，只能影响Python工具层，并有严格的记录和验证机制，避免了“奖励作弊”等风险。

如果未来能让AI连“智力核心”也能自我进化，DGM有望催生“智能爆炸”，让AI的能力指数级增长。虽然目前还只是在外围层面自我优化，但这已经为更高级的自我进化打下了基础。

与其他项目的对比

与DGM类似的还有AI Scientist和Google AlphaEvo。AI Scientist更像一个自动化的科研实习生，可以自动生成并提交科研论文，虽然效率高、成本低，但实验失败率较高，内容质量也有待提升。AlphaEvo则专注于底层算法和硬件优化，提升了AI运行效率，但还没有扩展到自我改进软件流程。相比之下，DGM更像一个长期优化内部流程的小团队，真正实现了“自我学习”和“自我提升”。

未来展望

DGM的下一步是将基础模型也纳入进化链，让AI不仅能优化外围工具，还能自我提升“智力核心”。此外，DGM有望扩展到图像、视频、机器人等多模态领域，并与AI Scientist无缝集成，实现自动创建实验、处理数据、写论文的全流程自我优化。同时，强化安全与对齐机制，确保每一次自我改进都可控且有益。

小结

DGM是AI实现“学会自己学习”的重要一步。它具备自我测试、自我优化、自我迭代的能力，像AI的“自动发动机”。相较其他项目，DGM不仅能生成内容，还能真正改进自身代码并验证效果。未来，随着核心模型也能自我进化，DGM有望引领AI迈向“智能爆炸”的新时代。