谷歌提出SIM机制实现跨模型经验继承,AI首次具备可传递的进化记忆

谷歌与宾夕法尼亚州立大学联合论文揭示其内部已实现递归自我改进(RSI)的关键突破:通过Self-Improvement Memory(SIM)机制,AI优化器可结构化记录并传递 Harness 修改的...

人工智能 阅读量: 2.09万

谷歌近期与宾夕法尼亚州立大学合作发表的一篇论文,首次系统性展示了大模型在递归自我改进(Recursive Self-Improvement, RSI)方向上的实质性进展。核心突破在于一种名为‘自我改进记忆’(Self-Improvement Memory, SIM)的机制,它使不同模型间的经验传承成为可能——例如,Gemini可直接继承Claude Opus在Agent框架优化中积累的‘进化记忆’,不再需要从零开始重建整套逻辑规则。

文章配图

这一进展直指当前Agent开发中的关键瓶颈:当底层大模型更换时,此前精心调优的外部‘机甲’(Harness)往往失效。Harness包含提示词、工具调用逻辑、拦截规则等组件,是AI执行复杂任务的核心控制层。过去,即便一个Harness在Claude Opus上经过数百轮迭代达到高分,一旦迁移到Gemini,性能反而可能下降——因为新模型无法理解旧规则背后的决策逻辑,仅看到结果而丢失了‘为什么这样改’的上下文。

谷歌研究员在实验中观察到典型问题:一个为抑制‘过早完工’Bug而设计的拦截器(要求必须真实执行Git命令才允许提交完成),在Claude时期运行良好;但当该Harness直接迁移至Gemini 3.8 Flash后,优化器因不明其设计意图,在后续迭代中反复误删关键校验逻辑,甚至两次重写代码以修复自己刚引入的新Bug,陷入恶性循环。这本质上是知识断层导致的‘经验浪费’。

  • Rationale(修改动机与具体代码):明确指出哪一行代码被修改,以及修改的推理依据;
  • Predicted outcomes(预期效果):修改前预判该调整将改善哪些具体任务场景;
  • Observed outcomes(实际效果):执行后统计成功/失败案例数,并标记是否引入新缺陷;
  • Evaluation context(评估上下文):注明所用模型版本、数据集及测试环境。
  • 这套日志使新一代模型在接手旧Harness时,能像资深工程师阅读交接文档一样,快速理解每条规则的历史成因与验证路径,从而在优化过程中‘避坑’并延续有效策略。

    论文中展示的跨模型接力实验极具说服力:研究团队将Claude Opus 5.5深度优化后的Harness及其完整SIM日志,整体迁移至Gemini 3.8 Flash,并启动新一轮自主优化。在多个基准任务中,启用SIM的方案显著优于其他对照组。以Coding / AHE任务为例,基础冷启动(Cold Start)得分为16.36,单纯迁移Harness仅提升至19.39;而加入Problem-Only Memory(仅存问题描述)后为18.18;唯有Full SIM(完整记忆)达到24.85分,提升幅度超过50%。类似趋势在Text cls. / FewShotAll、Workspace / ReAct等任务中均稳定复现。

    更进一步,图2呈现了从Opus 5.5到Gemini 3.8 Flash的跨模型CRSI实测结果。在Engineering / ReAct任务中,无记忆迁移得分仅为39.13,而Full SIM方案达50.43;在Text cls. / FewShotAll任务中,后者以84.75分远超冷启动的73.89分与纯Harness迁移的68.41分。数据表明,SIM不仅提升最终性能,还大幅缩短收敛周期——模型无需重复试错即可跳过无效路径。

    值得注意的是,SIM并非对模型权重本身的修改,而是作用于优化器层面的元认知增强。它不改变大模型的参数,而是赋予其‘反思能力’与‘传承能力’:每一次代码迭代都被编码为可检索、可解释的知识单元,形成代际积累的‘工程遗产’。这标志着AI开发范式正从‘单代暴力调优’转向‘多代协同演进’。

    图2:Opus 5.5到Gemini 3.8 Flash的跨模型CRSI结果,Full SIM方案在各任务中均显著领先

    行业影响层面,该机制若落地,将极大降低Agent部署成本。企业无需为每个新模型版本重新训练全套工具链,而是可构建统一的‘经验库’,供不同架构模型共享调优成果。同时,它也为开源社区提供新思路——未来模型发布时附带SIM日志,可加速下游开发者适配效率。

    目前该技术仍处于论文验证阶段,尚未公开集成至Gemini产品线。但结合谷歌近期密集发布Gemini 4 Hydrogen与Neon等新版本的节奏,内部已将其作为核心能力推进的可能性较高。RSI长期被视为AGI路径中的关键一环,而SIM机制首次让‘经验遗传’具备工程可行性,为AI持续自主进化提供了切实可行的基础设施。

    技术挑战依然存在:SIM日志的压缩效率、跨模态记忆对齐(如视觉Agent与语言Agent间经验迁移)、以及对抗性记忆污染等问题尚待深入研究。但可以确定的是,大模型‘换代即归零’的时代正在结束,AI的进化开始拥有真正的历史纵深。