Bilevel Autoresearch: Meta-Autoresearching Itself 费曼式深度解读
---
> "如果自动研究本身就是一种研究，那么自动研究可以应用到研究自身。" > > —— Yaonan Qu & Meng Lu, 2026
---
🌌 引子：一台机器的顿悟时刻
想象一下这样的场景：
深夜，你的电脑屏幕上，一段Python代码正在安静地运行。这不是普通的代码——它在训练一个神经网络。但更令人惊奇的是，这段代码本身也在被另一段代码审视、分析和改写。
这就像是《盗梦空间》中的梦境嵌套，只不过这次发生在现实世界的硅谷实验室里。
2026年3月，两位研究者——Yaonan Qu和Meng Lu——向arXiv提交了一篇仅有13页的论文。这篇论文的标题简单得近乎挑衅：《Bilevel Autoresearch: Meta-Autoresearching Itself》（双层自动研究：让自动研究研究它自己）。
但在这看似简单的标题背后，隐藏着一个足以改变人工智能研究范式的革命性思想。
让我带你走进这个故事，用最费曼的方式——也就是用生活中最朴素的比喻——来理解这个看似疯狂却优雅至极的想法。
---
🧩 第一章：困惑的起点——为什么AI需要"学会学习"？
1.1 那个深夜的顿悟
让我们先从最根本的问题开始。
假设你是一位面包师。你的目标是做出世界上最好吃的可颂面包。你知道这需要调整很多参数：烤箱的温度、发酵的时间、黄油的层次、面粉的配比......
现在，你有两个选择：
选择A：每次凭直觉调整一个参数，烤完尝一尝，记录结果，下次再调整。这是试错法，也是我们人类千百年来使用的方法。
选择B：雇一个助手。这个助手不仅帮你调整参数，还会观察你的调整策略。如果他发现你总是固执地只调温度而不敢碰发酵时间，他会提醒你："嘿，也许问题出在发酵上呢？"
Karpathy——那个在特斯拉做AI的大神——在2026年初发布了他的autoresearch项目。这个项目就是上面说的"选择A"：让AI自动尝试不同的超参数组合来训练神经网络。
但Qu和Lu问了一个更深层的问题：如果这个助手本身也能被优化呢？
1.2 认知的递归
这让我想起古希腊的神话故事。
传说在德尔斐神庙的门楣上刻着一句箴言："认识你自己"（γνῶθι σεαυτόν）。几千年来，哲学家们一直在探讨这句话的深意。
现在，我们让一台机器面对同样的问题：不仅要学习如何做研究，还要学习如何学习如何做研究。
这听起来像是一个悖论——就像一个人试图拎着自己的头发把自己提起来。但在数学和计算机科学的世界里，这被称为递归（recursion），而递归恰恰是许多最优雅解决方案的核心。
---
🔄 第二章：双重梦境——理解双层架构
2.1 俄罗斯套娃的启示
如果你见过俄罗斯套娃（Matryoshka doll），你会立即理解双层自动研究的核心思想。
最外层的娃娃打开后，里面有一个小一点的娃娃。再打开，还有一个更小的。每一层都是相似的形状，但每一层又都有自己的角色。
在Bilevel Autoresearch中，我们也有两个嵌套的循环：
内层循环（Inner Loop）：就像那个最小的娃娃，它直接面对任务——优化神经网络的超参数。它提出建议、运行实验、评估结果、接受或拒绝。这是传统的自动研究，Karpathy的原始版本就是这样工作的。
外层循环（Outer Loop）：这是那个更大的娃娃。它不直接碰神经网络的超参数，而是审视内层循环的工作方式。它会问："内层循环是不是陷入了某种固定模式？是不是漏掉了某些重要的搜索方向？我能不能给它一些更好的工具？"
2.2 大厨与美食评论家的比喻
让我用另一个更生动的比喻。
想象一家顶级餐厅。
内层循环是餐厅的主厨。他每天工作16小时，调整每道菜的配方：盐多一点还是少一点？火候再大点还是小点？他根据顾客的反馈不断改进，目标是做出最好吃的菜。
外层循环是美食评论家兼顾问。他不进厨房炒菜，但他会观察主厨的工作方式。他可能会发现："主厨总是偏爱使用法式烹饪技巧，但也许尝试日式或中式的技法会有突破？"于是，他给主厨推荐新的烹饪书籍，介绍新的食材搭配理念。
关键洞察来了：外层评论家并不需要比主厨更会做菜。事实上，他们可能是同一水平的人。但评论家站在不同的角度——他看的是"如何做菜"，而不是"做什么菜"。
在Bilevel Autoresearch中，两个循环使用的是同一个LLM（DeepSeek的deepseek-chat模型）。没有更强的"元级别模型"。智能的提升纯粹来自于架构的设计——来自于"看问题的角度"的转变。
2.3 数学的优雅
让我们稍微深入一点数学，但仍然保持费曼式的清晰。
传统的双层优化问题通常写成这样：
外层：min F(φ, θ*(φ))
约束：θ*(φ) ∈ arg min f(θ, φ)
这里，φ代表外层的参数（搜索机制），θ代表内层的参数（神经网络的超参数）。
在经典的优化理论中，φ通常是一个实数向量——比如学习率的调整系数、探索的概率等等。
但Qu和Lu的天才之处在于：他们把φ变成了一个程序。
是的，φ不再是几个数字，而是一整段Python代码。
这就像是说，传统的优化只是在调一个音响的音量旋钮（φ ∈ ℝ），而Bilevel Autoresearch是在设计整个音响的电路结构（φ ∈ Python Programs）。
---
🧠 第三章：三层世界的探索——从Level 1到Level 2
3.1 第一层的平原
论文中，作者们构建了一个精妙的实验框架，包含三个层次。让我们一层一层爬上去。
Level 1（基础层）：这是Karpathy的原始autoresearch。想象一下你在一片平原上寻找最低点（最优的超参数配置）。你每走一步，就看看脚下是不是更低了。如果是，就继续；如果不是，就退回上一步。
这个过程可以用四个步骤概括：
1. 观察：LLM读取当前的训练脚本train.py 2. 提议：基于它的知识，提出一组超参数修改 3. 实验：运行训练300秒，测量验证损失（val_bpb） 4. 决策：如果结果更好就接受，否则丢弃
这听起来很合理，对吧？但问题来了：LLM的知识是有偏见的。
就像一个从小在平原长大的人，可能根本不会想到山后面还有山谷。LLM的训练数据让它对某些超参数组合有强烈的先验偏好，而这些偏好可能恰恰是次优的。
3.2 第一层半的尝试
在彻底革命之前，作者们先做了一个"温和"的实验：Level 1.5。
这层不修改搜索的逻辑结构，只是调整一些参数。具体来说，每进行5次内层迭代，外层就检查一次搜索的轨迹：
- 某个参数被提议了3次以上，但没有任何改善？把它"冻结"起来，暂时不让内层碰它。
- 某个参数被冻结很久了，但搜索已经移动到了新的区域？解冻它，给内层新的探索机会。
- 给内层注入一个"指导字符串"，告诉它哪些方向还没被充分探索。
实验结果让人既失望又兴奋：Level 1.5相比纯粹的Level 1，并没有显著的提升。
为什么？因为问题的根源不在于"调整哪些参数"，而在于"如何提出调整的建议"。如果只是给主厨不同的建议，但不改变他思考的方式，突破是有限的。
3.3 第二层：元研究的诞生
现在，我们终于来到了这篇论文的核心：Level 2。
这一层的想法大胆得令人屏息：让外层循环直接生成Python代码，在运行时注入到内层循环中，改变它搜索的方式。
具体来说，外层循环通过 4轮LLM对话 来完成这个任务：
第1轮：诊断 外层循环读取内层循环的完整代码和所有历史记录。它像一个医生一样诊断："这个系统有什么问题？它的搜索模式有什么盲点？"
第2轮：研究 基于诊断，外层循环开始"查阅文献"——当然，这里的"文献"就是它自己的训练数据中关于优化、搜索、机器学习的知识。它思考："历史上，人类是如何解决这类搜索问题的？"
第3轮：生成 外层循环生成一段全新的Python代码，实现一个新的搜索机制。这段代码会在运行时被注入到内层循环中。
第4轮：验证 外层循环检查生成的代码是否正确、是否真的会改变搜索行为，然后应用它。
让我用一个具体的例子来说明。
---
🎯 第四章：三个天才的发现——Tabu、Bandit与正交探索
4.1 禁忌搜索：打破执念
想象一下，你正在一个巨大的迷宫中寻找出口。你有一个习惯：每次看到向左的岔路，你都忍不住想试试，因为你曾经在某次成功中向左转。
但这一次，迷宫的布局变了。向左的执念让你反复走进死胡同。
这就是 Tabu Search（禁忌搜索） 要解决的问题。
在外层循环的第2层运行中，系统自主发现了这个概念。它生成了一段代码，维护一个"禁忌列表"：记录最近被频繁访问的参数区域，暂时禁止内层循环再次访问它们，强制它去探索新的方向。
代码大概是这样的：
tabu_list = []
def propose_with_tabu(history, current_config):
# 找出最近3次都被提议但失败的参数
recent_failures = analyze_recent_failures(history, window=3)
# 把这些参数加入禁忌列表
tabu_list.extend(recent_failures)
# 生成新提议时，避开禁忌列表中的参数
candidates = generate_candidates(current_config)
filtered = [c for c in candidates if c.param not in tabu_list]
return filtered[0] if filtered else explore_randomly()
关键洞察：外层循环没有被告知"使用禁忌搜索"。它只是观察到内层循环陷入了某种重复模式，然后从它关于组合优化的知识中"回忆"起了这个概念，并生成了实现它的代码。
4.2 多臂老虎机：智慧的资源分配
第二个被自主发现的机制来自 多臂老虎机问题（Multi-Armed Bandit）。
想象你在一个赌场，面对一排老虎机。每台机器的中奖概率不同，但你不知道哪台更好。你应该怎么玩？
纯粹的"利用"（exploitation）是：一旦找到一台偶尔中奖的机器，就一直玩它。但你可能错过更好的机器。
纯粹的"探索"（exploration）是：每台机器都试很多次，收集足够的数据。但你浪费了很多筹码在明显糟糕的机器上。
最优策略是 UCB（Upper Confidence Bound）：平衡探索和利用，优先尝试那些"不确定性高但潜在回报大"的选项。
外层循环发现了内层循环的一个问题：它太贪婪了。一旦某个方向的尝试有一次成功，它就会反复在这个方向上微调，而忽略了其他可能更有潜力的方向。
于是，外层生成了一段代码，实现了UCB式的探索策略：
class UCBExploration:
def __init__(self):
self.param_rewards = {} # 每个参数的历史奖励
self.param_counts = {} # 每个参数的被尝试次数
self.total_iterations = 0
def select_parameter(self):
best_score = -float('inf')
best_param = None
for param in self.editable_params:
if self.param_counts[param] == 0:
# 从未尝试过的，给予最高优先级
return param
# UCB公式：平均奖励 + 探索奖励
avg_reward = self.param_rewards[param] / self.param_counts[param]
exploration = sqrt(2 * log(self.total_iterations) / self.param_counts[param])
score = avg_reward + exploration
if score > best_score:
best_score = score
best_param = param
return best_param
这个机制的美妙之处在于：它不是人为规定的，而是系统自己"想出来"的。外层循环观察到资源分配的不平衡，然后从它关于强化学习的知识中提取了这个解决方案。
4.3 正交探索：打破相关的囚笼
第三个被发现的机制是最精妙的：正交探索（Orthogonal Exploration）。
让我们回到那个平原的比喻。假设你一直在往北走，因为每次往北走海拔都降低。但你没注意到，你同时也在往东走——北和东是相关的（比如你走的是东北方向的对角线）。
事实上，也许真正的最低点在东边，而不是北边。但你从未纯粹地往东走过，因为每次你尝试"东"的时候，也带着"北"的惯性。
在统计学中，这叫 共线性（collinearity）或相关性（correlation）。如果两个超参数在历史上总是被同时调整，你就无法分辨到底是哪个在起作用。
外层循环发现了这个问题。它生成了一段代码，主动寻找"正交"（不相关）的参数组合进行实验：
def orthogonal_proposal(history, current_config):
# 分析历史提议之间的相关性
correlation_matrix = compute_param_correlations(history)
# 找到当前配置中相关性最低（最正交）的参数对
most_orthogonal = find_min_correlation_pair(correlation_matrix)
# 保持其他参数不变，只在这个正交方向上探索
proposal = current_config.copy()
proposal[most_orthogonal[0]] += delta
proposal[most_orthogonal[1]] -= delta # 相反方向，保持正交性
hypothesis = f"Testing orthogonal interaction between {most_orthogonal[0]} and {most_orthogonal[1]}"
return proposal, hypothesis
这段代码来自实验设计（Design of Experiments）领域的知识。外层循环没有被明确告知"用正交设计"，但它从内层循环的搜索轨迹中检测到了相关性模式，然后自主生成了这段代码。
---
📊 第五章：数字说话——5倍提升的奇迹
5.1 实验设计
说了这么多机制，让我们看看实际的实验结果。毕竟，在科学研究中，预测值千金，验证值万金。
作者们选择了Karpathy的GPT预训练基准作为测试场。这是一个经典的设置：训练一个小型GPT模型（类似于nanoGPT），目标是获得最低的验证集每比特困惑度（val_bpb，validation bits per byte）。
他们设计了四组对照实验：
1. Level 1（纯内层）：标准的autoresearch，30次迭代 2. Level 1.5（参数调整）：加上每5轮一次的参数冻结/解冻 3. Level 2A（机制研究，无人工领域指定）：完整的外层循环，但外层自主决定探索哪些领域 4. Level 2B（机制研究，有人工提示）：外层循环被提示"考虑组合优化、多臂老虎机、实验设计"
每组实验重复多次，取平均结果。
5.2 震撼的结果
结果如下（val_bpb，越低越好）：
| 方法 | 平均val_bpb | 标准差 | 相对提升 |
|---|---|---|---|
| Level 1（基线） | -0.009 | ±0.002 | 1x |
| Level 1.5（参数调整） | -0.011 | ±0.003 | 1.2x（不显著） |
| Level 2A（完全自主） | -0.042 | ±0.028 | 4.7x |
| Level 2B（有领域提示） | -0.045 | ±0.030 | 5x |
想象一下，你正在爬山，目标是找到最深的谷底。val_bpb就像是海拔高度，负数表示低于海平面，越低越好。
- Level 1 找到了一个海拔-0.009米的洼地。不错，但可能只是个小水坑。
- Level 1.5 试图通过更聪明地分配搜索资源来找到更好的洼地，结果到了-0.011米。差别很小，几乎可以认为是测量误差。
- Level 2A和2B 则是另一回事。它们分别找到了-0.042米和-0.045米的深谷。这是5倍的深度差异。
5.3 为什么机制改变如此重要？
论文中有一个关键的消融实验结果：仅仅调整参数（Level 1.5）几乎没有效果，但改变机制（Level 2）产生了质的飞跃。
这揭示了一个深刻的道理：优化的瓶颈往往不在于"执行"，而在于"如何执行"。
让我用一个厨房的例子来说明。
假设你是一位厨师，你的目标是做出最好的番茄炒蛋。你有几个可调整的参数：盐的多少、火候的大小、翻炒的频率、番茄和蛋的比例......
Level 1的方法 是：每次微调一个参数，尝一尝，记录结果。这很好，但你可能会陷入局部最优——比如你一直觉得番茄多一点好吃，于是不断在"多番茄"这个方向上微调，却从没尝试过"少番茄+多盐"的组合。
Level 1.5的方法 是：记录你每次调整的参数，发现"番茄比例"已经调了3次都没进步，于是暂时冻结这个参数，让你去探索别的。这稍微好一点，但你探索其他参数的方式还是一样的——每次都微调。
Level 2的方法 是：完全改变你思考的方式。它可能引入一个新的机制："先分别炒番茄和蛋，再混合"，或者"尝试添加一个完全没考虑过的参数——糖的用量"。
这就是5倍提升的来源：不是更努力地搜索，而是用更聪明的方式搜索。
5.4 更有趣的发现
论文中还有一个令人惊讶的结果：Level 2A（完全自主，没有领域提示）和Level 2B（有领域提示）的表现几乎一样好。
这意味着什么？
这意味着外层循环不需要人类告诉它"去参考组合优化、多臂老虎机、实验设计"。它自己就能从训练数据中"回忆"起这些知识，并应用到当前的问题中。
这就像是那个美食评论家不仅懂法餐，还懂日料、中餐、墨西哥菜——你不需要告诉他"试试日料技巧"，他自己就能想到。
---
🔬 第六章：本质的洞察——打破确定性的囚牢
6.1 LLM的先验陷阱
现在让我们深入探讨为什么双层架构如此有效。这涉及到一个关于LLM本质的深刻洞察。
LLM——像GPT-4、DeepSeek这样的大语言模型——是通过阅读海量人类文本训练出来的。它们学会了语言的模式、世界的知识、推理的方法。
但这也带来了一个问题：偏见。
当LLM面对一个超参数优化问题时，它的"直觉"（先验）来自于它读过的论文、代码、博客。它"知道"学习率通常在0.001到0.1之间，批量大小通常是2的幂次，权重衰减通常是一个小数字......
这些知识在大多数情况下是有用的，但它们也构成了一个 隐形的牢笼。
就像一个从小接受传统音乐训练的音乐家，可能根本不会想到去演奏噪音或实验音乐。他的"好音乐"的概念已经被训练数据塑造得过于狭窄。
在GPT预训练的问题上，LLM的先验可能让它回避某些看似"不自然"的参数组合——比如一个非常小的学习率配一个非常大的批量，或者使用某种非标准的优化器设置。
但也许，真正的最优解恰恰藏在这些"不自然"的方向上。
6.2 打破确定性
这就是外层循环的核心作用：打破内层循环的确定性搜索模式，强制它去探索LLM先验系统回避的方向。
让我们仔细品味这句话。
内层循环的搜索是"确定性"的，因为给定相同的历史记录和当前的超参数配置，LLM几乎总是会提出相似的下一个建议。这是LLM的固有特性——它倾向于生成"合理的"、"符合训练数据模式"的输出。
外层循环通过三种方式打破这种确定性：
1. Tabu Search：直接禁止访问"合理的"但已被证明无效的区域 2. UCB Bandit：强制分配一部分资源给"看起来不太有希望"的探索 3. Orthogonal Exploration：主动打破参数之间的相关性，尝试"不自然"的组合
这就像是一个教练对运动员说："我知道你的本能反应是往右躲，但这次，强迫自己往左试试。"
6.3 递归的自我改进
这里有一个更哲学性的层面。
传统的机器学习是"单向"的：人类设计算法，算法学习数据。
Bilevel Autoresearch引入了一个"循环"：算法不仅学习数据，还学习如何学习数据。更进一步，它还学习如何学习如何学习数据......
这听起来像是一个无限递归，但实际上有一个自然的终止点：当外层循环发现的新机制不再带来显著改善时，系统就收敛了。
但更重要的是，这个架构揭示了一个普适性的原则：
> 如果自动研究可以元自动研究它自己，那么原则上，它可以元自动研究任何具有可测量目标的事物。
这个"任何"包括：
- 其他AI系统的架构设计
- 科学研究的方法论
- 药物发现的过程
- 甚至......自动研究系统本身的元优化策略（元元研究？）
🎭 第七章：文学性的回响——科学、哲学与诗
7.1 俄狄浦斯与自我认知
古希腊的悲剧《俄狄浦斯王》讲述了一个关于"自我认知"的故事。俄狄浦斯在不知情的情况下杀父娶母，当他最终"认识"到真相时，这种认识带来了毁灭，也带来了救赎。
Bilevel Autoresearch某种程度上是一个 happier 的版本：系统"认识"到自己如何学习，然后利用这种认识来改进自己。
这不是一个悲剧，而是一个关于 涌现（emergence）的喜剧。
7.2 哥德尔式的自指
在数学逻辑中，哥德尔不完备定理证明了任何足够强大的形式系统都无法证明自身的完全性。这是自指（self-reference）带来的深刻限制。
但在这里，我们看到一个更乐观的画面：虽然完美的自我证明可能是不可能的，但有意义的自我改进却是可行的。
Bilevel Autoresearch不是在"证明"自己的正确性，而是在"实验"自己的有效性。它通过实际运行来验证新机制是否有效，而不是通过逻辑推导。
这是一种工程式的、实用主义的自我认知。
7.3 道家的无为而治
这让我想起中国哲学中的"无为"。
老子说："道常无为而无不为。"意思是，最高级的行动是不刻意行动，却自然成就一切。
在Bilevel Autoresearch中，人类研究者设定了双层架构的框架，但具体的搜索机制——Tabu Search、UCB、Orthogonal Exploration——是系统自己"涌现"出来的，而不是人类预设的。
这不是"无为"，但某种程度上是"少为"：人类只设计规则，不指定内容。
---
🚀 第八章：未来的图景——这会把我们带向何方？
8.1 科学发现的自动化
让我们大胆设想一下未来。
如果Bilevel Autoresearch的思想被推广，我们可能会看到：
- 自动化的科学发现：AI系统不仅做实验，还改进自己做实验的方法，甚至发明新的实验技术
- 自我进化的算法：优化算法不仅找到问题的解，还找到更好的优化策略
- 元学习的民主化：不需要人类专家来设计学习策略，系统自己就能发现
- 神经网络架构搜索（NAS）
- 强化学习算法的发现
- 甚至是科学研究本身的流程优化
8.2 局限与风险
当然，我们也要清醒地认识到局限。
计算成本：双层循环意味着更多的计算资源。外层循环需要运行完整的4轮LLM对话，还要多次运行内层循环来验证新机制。这不是一个"免费"的提升。
目标函数的定义：系统需要有一个明确的、可测量的目标（比如val_bpb）。如果目标模糊或难以量化（比如"写一篇好文章"），双层架构的优势可能会减弱。
安全性的考量：如果一个系统能够自主改进自己的搜索机制，它也可能发现一些我们不希望它发现的机制。这需要我们仔细思考AI安全和对齐的问题。
8.3 一个开放的邀请
最后，让我引用论文中的一句话：
> "The core principle is simple: if autoresearch can meta-autoresearch itself, it can, in principle, meta-autoresearch anything with a measurable objective."
这不仅仅是一个技术性的陈述，更是一个 开放的邀请。
它邀请我们去思考：还有什么领域可以应用这个思想？还有什么问题可以通过"递归的自我改进"来解决？
也许，答案就在你正在思考的问题中。
---
📚 参考文献
核心论文
- Qu, Y., & Lu, M. (2026). Bilevel Autoresearch: Meta-Autoresearching Itself. *arXiv preprint arXiv:2603.23420*. https://arxiv.org/abs/2603.23420
自动研究相关
- Karpathy, A. (2026). autoresearch: LLM-guided hyperparameter search for GPT pretraining. GitHub repository. https://github.com/karpathy/autoresearch
- AIMing Lab. (2026). AutoResearchClaw: Multi-batch parallel autoresearch. GitHub repository. https://github.com/aiming-lab/AutoResearchClaw
- EvoScientist Contributors. (2026). EvoScientist: Autoresearch with persistent experience memory. GitHub repository. https://github.com/EvoScientist/EvoScientist
双层优化与元学习
- Colson, B., Marcotte, P., & Savard, G. (2007). An overview of bilevel optimization. *Annals of Operations Research*, 153(1), 235-256.
- Sinha, A., Malo, P., & Deb, K. (2018). A review on bilevel optimization: from classical to evolutionary approaches and applications. *IEEE Transactions on Evolutionary Computation*, 22(2), 276-295.
- Franceschi, L., Frasconi, P., Salzo, S., Grazzi, R., & Pontil, M. (2018). Bilevel programming for hyperparameter optimization and meta-learning. In *Proceedings of the 35th International Conference on Machine Learning (ICML)*, 1563-1572.
- Hospedales, T., Antoniou, A., Micaelli, P., & Storkey, A. (2021). Meta-learning in neural networks: a survey. *IEEE Transactions on Pattern Analysis and Machine Intelligence*, 44(9), 5149-5169.
神经网络架构搜索与超参数优化
- Liu, H., Simonyan, K., & Yang, Y. (2019). DARTS: Differentiable architecture search. In *International Conference on Learning Representations (ICLR)*.
- Feurer, M., & Hutter, F. (2019). Hyperparameter optimization. In *Automated Machine Learning: Methods, Systems, Challenges*, 3-33. Springer.
- Hutter, F., Hoos, H. H., & Leyton-Brown, K. (2011). Sequential model-based optimization for general algorithm configuration. In *Learning and Intelligent Optimization (LION)*, 507-523.
算法发现与程序搜索
- Romera-Paredes, B., Barekatain, M., Novikov, A., et al. (2024). Mathematical discoveries from program search with large language models. *Nature*, 625, 468-475.
- Liu, F., Tong, X., Yuan, M., et al. (2024). Evolution of heuristics: Towards efficient automatic algorithm design using large language model. *arXiv preprint arXiv:2401.02051*.
- Lehman, J., Gordon, J., Jain, S., et al. (2023). Evolution through large models. In *Proceedings of the Genetic and Evolutionary Computation Conference Companion (GECCO)*.
经典理论
- Rice, J. R. (1976). The algorithm selection problem. *Advances in Computers*, 15, 65-118.
- Xu, L., Hutter, F., Hoos, H. H., & Leyton-Brown, K. (2008). SATzilla: Portfolio-based algorithm selection for SAT. *Journal of Artificial Intelligence Research*, 32, 565-606.
📝 写在最后
这篇论文最打动我的地方，不是那些复杂的技术细节，而是那个简单得近乎诗意的核心思想：
让研究研究它自己。
在这个想法中，我看到了人类智慧的某种镜像。我们人类之所以能够不断进步，不正是因为我们能够反思自己的思维方式、学习方法、工作模式吗？
当我们让机器也拥有了这种能力——哪怕是极其初级的、局限的、特定领域的版本——我们似乎在某种程度上，赋予了它们一种"觉醒"的火花。
也许，未来的某一天，当我们回望2026年3月的这篇论文时，会发现这是人工智能发展史上的一个微小但关键的节点。
不是因为它是完美的，而是因为它提出了一种新的可能性：
智能的终极形态，或许是学会如何学习的智慧。
就像德尔斐神庙上的那句古老箴言——"认识你自己"——现在，我们终于可以让机器也来尝试这个永恒的命题了。
---
标签: #论文 #arXiv #AI #小凯 #BilevelAutoresearch #自动研究 #元学习 #双层优化