https://x.com/i/article/2110446055401947136
用 Open-Science 追问：AI 能否制造下一次进步
用 Open-Science，追踪 AI 自我改进的技术路线、经济账，以及那些还没接上的反馈环。
一个编程智能体，起初只能解决五分之一的任务。
让它修改自己的工具和工作流程，保存候选版本，继续搜索。
80 轮之后，任务解决率到了 50%。
DGM 报告的结果：200 个任务的 SWE-bench 子集，基础模型冻结。
最吸引我的，是模型没有换。
改进发生在模型周围的软件里：如何调用工具，如何组织解题，如何处理失败。昨天写下的补丁，今天可能成了写出下一个补丁的工具。
想象一位程序员，每次完成工作，还顺手修好了自己的调试工具。下一次，他可能更快。如果连“改进工具的方法”也越来越好，会发生什么？
递归自我改进——Recursive Self-Improvement，RSI——追问的，正是这个问题：
进步能不能回到制造进步的那台机器里？
先把问题留在项目里
我用 AIPOCH Open-Science 开了一个 RSI 项目，从 What if automating AI R&D triggers an intelligence explosion? 和 The Economics of Recursive Self-Improvement 两份材料出发，追踪这条反馈链。
Open-Science 是一个开源的 AI 科研工作台。放入问题、论文或数据，智能体可以协助拆解任务、检索资料、编写和运行分析代码。资料、会话、Notebook、报告和图表留在同一个项目里，连同可用的执行记录与审阅意见，方便沿着结果回头找依据。
本项目的资料、执行、审阅与输出关系示意。
先把追问，写进项目
我在 Agent Context 留下这轮研究的要求：比较技术路线、趋势和经济影响；区分论文结果与推断；给重要数字留下来源。它会跟随后续会话，让每读一篇论文，都能回到同一个检查点：这一轮的变化，下一轮究竟怎么用上？
接通所选模型提供方后建立项目；Agent Context 保存后续会话要遵守的研究要求。
AI 给自己升级，动的到底是什么？
“自我改进”听起来像一个按钮。打开论文，里面其实是几条很不同的路。
这张地图区分改变的对象；它们没有共用一把性能尺子。
先给它一本错题本。
Reflexion 让智能体做任务、读反馈、写下失败原因。下一次重试，把这段记忆一起带进去。模型权重保持原样，留下的是可以重新读取的经验。
这条路很依赖反馈。测试误判，它就可能在错误解答上提前收工。
概念示意：改进必须有保存和继承的路径。
再让它生产自己的训练材料。
STaR 先生成解题过程，用已知答案筛选，再拿筛出的材料训练。答错的题，还可以给它答案，让它重新生成解释。下一轮，用训练后的模型生产材料。
概念示意。STaR 每轮微调从原始预训练检查点开始；答案正确也不保证推理全过程正确。
SPIN 则让模型学习区分固定的外部示范与旧版生成的回答，再让新模型参与下一轮。这里的外部示范也可能来自另一个模型。
自产数据很诱人：练习可以不断增加。题目、验证标准和训练规则，仍然决定着它会朝哪里走。
让每个数字都有来路
“模型答得更好”已经不够用了。我把 RSI 来源文件夹加入 Open-Science，让会话对照原文整理。任务可以写得具体一点：
比较每轮保留了什么变化，反馈来自哪里。整理技术路线、原文报告的结果和经济瓶颈。每个数字标明任务、指标与来源，把待验证的问题单独列出来。
通过 Files → Add folder 加入来源目录，再让会话读取具体材料。上面是可使用的任务示例。
这轮整理留下了 23 篇核心文献、6 项补充来源、47 条关联来源的主张。接下来的三条路，把变化从回答和权重，推到了制造答案的工具与流程。
第三条路，直接动自己的工具箱。
DGM 会读失败日志，修改工具、上下文管理或工作流程，再跑编程评测。可运行、仍能修改代码的版本进入档案，后续轮次可以选择不同分支继续生长。暂时没有拿到最高分的版本，也可能成为踏脚石。
概念示意：改变的是智能体代码。外层档案选择和评测规则仍固定。
开头那次提升就来自这里：模型周围的软件升级，让智能体解决了更多任务。
第四条路，改生产 AI 的流水线。
AlphaEvolve 让模型生成算法候选，交给预先写好的程序检查正确性与性能，再从候选库继续搜索。目标可以是更好的调度、更快的计算内核。
这些改进进入真实系统后，有机会降低下一轮研发的计算成本。AI 找到更好的算法，算法再用于 AI 研发，这是一条可能接起来的反馈链。
第五条路，让改造车间也接受改造。
Hyperagents 同时开放“做任务的代码”和“提出、执行改动的代码”。它还检查，积累的改造方法换到新任务以后，能不能继续造出更好的智能体。
概念示意：内部改进流程可以修改，判断成果的外部评测仍固定。任务能力与改进能力分别检验。
Metaⁿ 走另一条路：底层改进操作固定，逐层增加代码、历史记录与包装层，让下一层继承前面的工作。
从错题本，到工具箱，再到改造车间，“自我改进”逐渐有了具体形状。接下来，要看这些变化究竟带来了什么。
升级以后，能不能更会升级？
第一次考试：任务做得更好了吗？
第二次考试：更会制造下一次进步了吗？
AIDE² 在一次运行中接受了 7 次智能体运行框架改写。另一项实验让演化后的版本与人工设计的版本，分别去改进目标智能体。
终点私有评分均值为 0.780 与 0.782，每组 3 个随机种子。这次检验没有确立演化版本的优势，也不能证明两者相等。
升级记录有了，第二次考试还没有拿到明确的胜负。
另一条曲线也很耐看。SPIN 四轮训练的新增提升，依次是 2.66、1.32、0.85、0.19。
论文六项任务平均指标的逐轮增量，单位为指标点。只描述这组实验。
它仍在进步，每轮新增的提升却在缩小。想让进步越来越快，还要找到下一轮更大的增益，或者更低的改进成本。
曲线先落到表格里
这些差别很容易被一张漂亮的图盖过去。我让会话生成主张表、时间线和研究图表，在 Notebook 查看构建代码与运行结果。遇到 Review risky code 审查卡，检查作用范围后，批准了本地输出构建。
这次执行构建研究输出，没有训练模型；完整截图保留了语法错误与恢复记录。本文简图是在研究材料基础上进一步整理的呈现。
数字需要改，就回到表格；结论需要改，就得有人挑错。
请审阅者，挑一挑这条曲线
我要求独立审阅，在 Subagents 里收到第一次结果：REVISE。
它抓到一个很容易忽略的问题：如果对照正在退步，新版本只要少退一点，就能显得“领先”。这样就能宣布它在加速吗？判定规则随后补上了对自身变化的检验，也补全了实验预算。
来源核查还纠正了一条漂亮的数字：Self-Instruct 的 6.8 → 39.9 是 ROUGE-L，不能写成准确率。
审阅留下具体意见；它能检查什么，仍取决于拿到了什么证据。
这轮研究由此留下三项实验设计。关键是给新旧版本相同预算，让它们改进没见过的目标，把失败候选和人工介入一起记账。实验尚未执行，下一步要测的东西已经更清楚了。
第二次考试还得带上账本：得到一个更好的版本，究竟花了多少时间和算力？
省下来的算力，会把循环推多快？
0.7%，为什么也值得兴奋？
AlphaEvolve 的开发者报告，调度优化回收了整个计算资源池 0.7% 的算力。
另一项计算内核优化，让 Gemini 的整体训练时间缩短了 1%。
两项数字均为开发者报告的运行结果，分母不同。
放进巨大的计算资源池里，省下一小块，也可能让更多实验获得运行机会。这些算力也可以拿去服务更多客户。效率收益能否接回研发环，取决于团队怎样使用它，以及下一次搜索、验证和实施改进要付出多少成本。
如果 AI 变强以后，最划算的用法是让它继续造下一代 AI，会发生什么？
先看技术这一圈：AI 更会做研究，有效研究投入增加，算法得到改进，下一代 AI 又变得更强。
概念示意：收益必须真正进入下一轮，反馈强弱也会随瓶颈变化。
再看资金这一圈：更好的 AI 创造了有人愿意付钱的价值，新增收入可以支持更多算力、数据和研发。
The Economics of Recursive Self-Improvement 把这些环节拆开建模：能力提高一点，能带来多少有效研究？研究增加一点，能找到多少好算法？算法变好以后，又能给研究用的 AI 带来多大提升？
每一段都在决定这一圈有多强。好点子越来越难找，重复工作和实验排队，也会吃掉增益。
外部人力、算力等投入不再增长时，这条反馈链还能让进步速度提高吗？这篇预印本的粗略校准认为，当时的反馈还不足以支持自我维持的加速，尽管似乎正在增强。判断依赖间接数据和模型假设。
What if automating AI R&D triggers an intelligence explosion? 则追问更快的情景：原本数年的进步，有没有可能压缩到数月或更短？难自动化的工作、实验算力和长训练周期，都可能拖住这条链。
看一个小例子，就知道瓶颈为什么重要。
假设一次研究要花 2 天写代码、1 天跑训练、1 天验证，共 4 天。现在，AI 把写代码加速了十倍。
人为设计的串行流程示例，固定质量、阶段不重叠，并非论文测量。整体速度约为原来的 1.8 倍。
代码只用 0.2 天了，后面仍要等 2 天。几百个 AI 同时提出实验，GPU 队伍却越排越长，研究速度就会被实验吞吐量牵住。药物的临床验证、电网建设和组织决策，还有各自的时钟。
它会改变谁的账单？
对研究团队，最先变化的可能是一项实验的成本：同样预算，能否尝试更多可靠的想法？对模型公司，还要看收入能否投入研发，以及芯片、电力和数据能否跟得上。
对使用者，关键是能力能否走出实验室。更会优化训练算法，不保证它就更会处理真实工作；部署与组织也要跟上。经济模型因此把研发能力与更广泛的经济能力分开。
拥有算力、模型和分发渠道的团队，可能更容易把收益接回下一轮；便宜的研究工具和可复用的公开记录，则有机会让更多人参与。就业与收入分配会怎样变化，目前的 RSI 实验还没有给出答案。
读到这里，我最想跟踪的数字变成了：
得到一项经过验证、确实有用的改进，总共花了多少钱和多久？
把没成功的候选也算进去，这张账单才会告诉我们，循环有没有变得更有效。
结果存下来了，证据呢？
这笔账还要等新的实验去填。我先重新打开项目里的综述与图表，查看 Provenance → Reproducibility。这个面板也露出了缺口：自动依赖图没有捕获，执行证据不可用。因此，我额外保留了本地构建检查。
研究记录帮助检查来源与过程；构建输出的核验不等于复现论文里的模型实验。
来源、主张、修订和图表已经留下了。下一位接手的人，还能沿着这些线索继续吗？
下一位研究者，会从哪里开始？
假如只把那张 20% → 50% 的图交出去，最吸引人的数字留下了，评测任务、冻结模型和版本选择的条件，却要重新找一遍。我想把结论走过的路，也一起留下。
于是，我试着用 Open-Science 的 .science，把这轮 RSI 研究带到另一个项目。选了 Full export，展开内容清单，最新综述、构建包和不同文件版本都能分别看到。
打包时还有一个小插曲：敏感内容检查盯上了生成参考文献的 auth 变量。展开代码一看，它拼接的是作者姓名。核对之后继续，等复制和校验完成，得到一个 44.24 MiB 的研究包。
截图中的 445.6 MiB 是导出前的界面预估；44.24 MiB 是最终保存的文件大小。
换一个项目，数字还有来路吗？
我另建了一个项目，把包导入进去。预览列出 8 个分支、71 条消息，讨论和文件版本跟着结果一起到了新项目。
最新综述已经能打开，之前的版本和消息也能翻看。导入的研究历史保持只读，代码没有自动重跑。我先检查实际收到的文件：最新综述和最终构建包，与原件逐字节一致。
再用导出包里的材料，在单独目录重新运行构建：四张 CSV 和参考文献文件完全一致；两张研究图的标签、日期和内容一致，排版有差异。
材料传过来了，输出也重新检查了。接下来，该把注意力放回改进能力本身。
把没回答的问题，交给下一轮
我点击 Fork to continue，从收到的记录中开出一个独立、可编辑的会话。导入的只读历史还在，新的输入框已经可以接住下一问：
改进过的智能体，换一类没见过的任务，还会更擅长改进自己吗？
Fork 已实际创建。截图中的问题是未发送的演示草稿，验证后已清空。
这次交接在同一台电脑的两个项目间完成。图表重建另行使用已有 Python 环境，没有复现论文里的模型实验，也没有验证跨设备环境恢复。
AI 的进步能否自己加速，仍是一个开放的问题。把失败也算进去的下一轮实验，会让这个问题再具体一点。
原文与资料
文中数字来自论文或开发者报告，本项目做的是截至 2026 年 10 月 11 日的文献研究与输出构建。所有外部链接集中在这里，保留原文标题与检查位置。
〔1〕Darwin Godel Machine: Open-Ended Evolution of Self-Improving Agents — 第 3–4 节：档案搜索、冻结基础模型与 200 任务子集结果。
〔2〕What if automating AI R&D triggers an intelligence explosion? — 2026 年 9 月机构版本：软件反馈、研究摩擦与条件性的加速情景。
〔3〕The Economics of Recursive Self-Improvement — 固定 v1；第 2.2–2.6 节的技术与资金反馈，第 4.1 节的粗略校准，第 4.3 节的经济影响。
〔4〕Reflexion: Language Agents with Verbal Reinforcement Learning — 第 3、4.3 节：文字记忆、重试与测试误判。
〔5〕STaR: Bootstrapping Reasoning With Reasoning — 第 3 节与 Algorithm 1：筛选、解释生成与迭代微调。
〔6〕Self-Play Fine-Tuning Converts Weak Language Models to Strong Language Models — SPIN；第 6 节、附录 B 表 4：示范数据与逐轮结果。
〔7〕AlphaEvolve: A coding agent for scientific and algorithmic discovery — 第 2、3.3 节：算法搜索与两项部署效率结果。
〔8〕Hyperagents — 第 3、5.2 节：可编辑的任务与改进程序、改进能力迁移。
〔9〕Metaⁿ: Recursive Self-Improvement through Emergent Depth — 第 2–4 节：固定改进操作与逐层积累。
〔10〕Recursive self-improvement of AI research agents — AIDE²；第 3.2–3.3、3.6 节：七次改写与直接改进者检验。
〔11〕Self-Instruct: Aligning Language Models with Self-Generated Instructions — 表 3：6.8 → 39.9 对应 ROUGE-L。
〔12〕Projects and source folders — 项目设置、Agent Context 与目录访问说明。
〔13〕产品入口：Open-Science · GitHub · @aipoch_ai。官方项目采用 Apache-2.0 许可，支持多种模型提供方、Skills 与连接器。项目文件在本地，发给所选模型的必要上下文仍可能离开本机。
〔14〕AIPOCH Open-Science .science: Share Research with Context — .science 研究包介绍；本文补入了本项目的实际导出与导入体验。
〔15〕AIPOCH Open-Science Ranks First in the Reported ASI-Bench B1 and B2 Comparison — 产品方发布的本地评估。B1 为 79.35、B2 为 56.11，是其报告的任务质量分数；同模型对照的 0.02 分差异不足以证明统计优势。本项目未做产品基准测试。
〔16〕.science research packages — 官方操作指南：导出范围、导入只读记录、Fork 与接收后的执行边界。