https://x.com/i/article/2112152891670896640
让 AI 自我进化：MIT 课程「How to AI an AI」——提示优化、Harness 演化、模型自博弈与任务生成四层演化
MAS.S62: How To AI an AI for (Almost) Anything
https://mit-mi.github.io/how2ai-course/fall2026/
MIT Media Lab 多感官智能组（MIT-MI）Paul Liang @pliang279 于 2026 年秋季开设的研究生课程（12 学分，每周三 2–4pm），课程副标题 "Self-Evolving AI"（自演化 AI）比主标题更能说明其定位。用一句话概括这门课关心的问题：
当 AI 系统能够通过经验、反馈、记忆、交互和探索，在长时间跨度上自我改进时，会发生什么？我们如何设计这样的系统？
这个问题正处于当前 AI 研究的最前沿。过去两年，"用 LLM 优化 LLM"、"agent 自我改进 harness"、"合成数据自我训练" 等方向从零散论文迅速汇聚成一个研究议程；从 Anthropic 的宪法式 AI、DeepMind 的 AlphaEvolve，到 2025 年密集出现的 Darwin Gödel Machine、self-play 长推理链等技术。这门课是第一次有人尝试把这个松散的领域系统化为一门有完整课程体系的课，这本身就说明了它的分量。
课程赞助方是 Kimi AI，为学生期末项目提供 API 额度；这也侧面反映了工业界对这个方向的投入程度。
核心分析框架：四个“演化”层次
课程最有价值的部分是它提出的分层分类法。它把"自演化 AI"沿着从外到内四个层次展开，每周的阅读清单都嵌在这个骨架里：
1. Context Evolution（上下文演化）最外层
改进的不是模型，而是喂给模型的东西：提示词、记忆、检索到的知识、可用工具。第一周讲提示词优化，阅读材料是这个子领域的完整谱系：
•从早期工作 LLMs Are Human-Level Prompt Engineers、Reflexion（用语言反馈代替梯度）
•到程序化框架 TextGrad（把文本反馈当作梯度做反向传播）、DSPy（把提示编程化、可编译优化）
•再到近期更激进的 GEPA、ReasoningBank（把推理经验沉淀为可复用的记忆库）
第二周的“LLM as optimizer”是当前最火的分支：FunSearch（用 LLM 进化程序发现新数学结果）、AlphaEvolve（DeepMind 的进化式代码优化器，已实际改进了矩阵乘法和数据中心调度）。这一层的特点是成本最低、迭代最快，不需要碰模型权重。
2. Harness Evolution（脚手架/工具链演化）中间层
"Harness" 指围绕模型搭建的外部系统：工作流、agent 记忆、工具与技能、多 agent 协作结构。课程讨论让这个脚手架本身也自我演化：
•Voyager（Minecraft agent 自动习得技能库）、Darwin Gödel Machine（agent 修改自己的代码来改进自己）
•MEM1（把 agent 的记忆循环压缩为模型内部状态）
•多 agent 部分选材很务实：Why Do Multi-Agent LLM Systems Fail?（多 agent 系统的实证失败分析）和 "Towards a Science of Scaling Agent Systems"，不是炒作多 agent，而是在建立对它的科学理解。阅读清单里甚至有博客文章（HarnessTax），说明这个领域新到论文和博客是同等地位的一手来源。
3. Model Evolution（模型演化）权重层
真正修改模型权重：continual learning（持续学习，对抗灾难性遗忘）、distillation（蒸馏，包括 self-distill）、test-time training（测试时训练，在推理阶段根据新输入微调自己；2024 年后重新流行的方向）、self-play（自我博弈，从 AlphaZero 到如今的 LLM 推理自我提升）。
4. Task/Environment Evolution（任务与环境演化）最深层也最前沿
让 AI 自己发明训练任务、生成环境、构建评测。包括合成数据与合成任务生成、世界模型（world models）、以及"演化评估标准与奖励"；这一层直指当前 AI 研究的瓶颈：高质量任务和评估比高质量模型更稀缺。对应的作业用 PostTrainBench，是极新的基准。
这个四层框架本身就是一个可复用的思维工具：面对任何“AI 自我改进”的主张，你可以先问它改进的是哪一层，上下文层的效果最便宜也最表面，环境层的影响最深远也最难评估。
教学设计与评分结构
课程的结构是典型的“研究型课程”，评分四块：
几个值得注意的设计细节：
作业与阅读直接对应课程骨架，四次编程作业分别覆盖：TextGrad/OpenEvolve（上下文）、SkillOpt/DGM/Meta-Harness（脚手架）、test-time training 或持续学习（模型）、PostTrainBench（任务），学生毕业时对四个层次都有动手经验，而不是只听课。
项目要求有明确的研究品位约束：提案“必须探索一个新的或研究不足的数据模态/任务，并配备严谨的评估方案”。这一条值得划重点，它把“蹭热点”式的项目排除掉了，要求学生在评估方法学上认真。项目以 2–4 人小组进行，终期展示可能对整个 MIT 社区公开。
项目页列出的往届成果很有说服力：包括 EMNLP 2024 的 MMoE（多模态交互专家混合）、NeurIPS 2025 Workshop 的多模态推理诊断协议、ICCV 2023 的多模态讲座数据集等十几篇正式发表论文，说明这门课（及其前身 MMAI 课程）的期末项目确实能走到顶会论文的完成度，不是练手项目。
课堂不录像，因为课程核心是现场讨论；先修要求是 6.390（MIT 机器学习导论）或同等水平，加概率、线性代数和 PyTorch 实操能力。
我对课程的感受
这门课的独特价值在于它的时机和体系化程度。 "Self-evolving AI" 目前不是一个有教科书的成熟学科：2024–2025 年的论文散落在 ICLR、NeurIPS 和 arXiv 各处，名词混乱（self-improving / self-evolving / test-time learning 各说各话）。这门课实际上做了一次领域定义（field-defining）的尝试：用四层演化框架把这些工作组织成连贯的叙事，并配上了作业和基准。对于想进入这个方向的研究者，跟着这 14 周的阅读清单走一遍，几乎是目前最高效的入门路径。
课程设计的成熟度也体现在克制上：它没有把 self-evolving AI 描述为已解决的问题；阅读清单里同时放了 "Why Do Multi-Agent Systems Fail" 和 "Harness Updating Is Not Harness Benefit" 这类批判性/实证性工作，最后两周专门讨论 safe evolution（安全演化）。它教的是这个领域的现状与开放问题，而非布道。
需要注意的现实约束：12 学分中 10 个学分在课外（2-0-10），项目占比高、期中期末展示密集，本质上是一门为准备发论文的研究生设计的高投入课程。另外日程中标注 "topics may shift based on student interests"，在这么快的领域里，大纲本身也在演化，这既是特色也意味着内容会有变动。
如果你打算学习这门课（无论是旁听还是跟随阅读清单自学），我的建议是：以它的阅读清单为主轴（Schedule 页每周都列了论文，多数在 arXiv 上免费可得），配合四次作业对应的开源工具（TextGrad、OpenEvolve、DGM、PostTrainBench 都有公开代码），最后用它的“新模态/新任务 + 严格评估”标准来检验自己的想法。