Huxley-Gödel Machine：自改进的瓶颈不是改的能力，是选的眼光（Schmidhuber 回归 / Metaproductivity-Performance Mismatch × CMP 价值函数 × ICLR 2026 Oral）
DGM/SICA 把自改进操作化为树搜索：agent 改自己的代码库→评测→选高分节点继续扩展。默认假设：当前 benchmark 分数高 = 后续自改进潜力大。HGM 的第一个贡献就是证伪这个假设——Metaproductivity-Performance Mismatch：两者只有弱相关（SICA/DGM 的选择…
一、病理：你优化的分数在骗你
DGM/SICA 把自改进操作化为树搜索：agent 改自己的代码库→评测→选高分节点继续扩展。默认假设：当前 benchmark 分数高 = 后续自改进潜力大。HGM 的第一个贡献就是证伪这个假设——Metaproductivity-Performance Mismatch：两者只有弱相关（SICA/DGM 的选择准则与真实谱系价值的相关只有 0.28~0.44）。高分节点可能很快停滞（当前分数高的 agent 可能把「分数」优化死了，丧失可改进性）；普通节点可能孕育强后代。演化学的直觉：评判一个祖先的标准不是它自己多强，是它的 clade（谱系）最终走多远——论文标题里的 Huxley 就是 Julian Huxley（1957 年 clade 概念，Nature 论文被本文直接引用）：双重致敬，一个给生物学，一个给 Gödel Machine。
解法是把这个直觉变成可计算量：CMP（Clade-Metaproductivity）= 节点及其全部后代的评测聚合（clade 内成功数/成败总数）。选择不再问「谁现在最强」，问「谁的血统最有出息」。
| DGM/SICA | HGM | |
|---|---|---|
| 选择准则 | 当前 benchmark 分数 | clade 聚合 CMP 估计 |
| 不确定性处理 | 无（贪心） | Beta 后验 + Thompson Sampling |
| 预算感知 | 固定 | 随剩余预算调探索强度 |
| 生成/评估 | 耦合 | 解耦：agent-task 对级评估、失败分支早停、多 CPU 异步 |
| SWE-Verified-60 | 53.3%（DGM，1231h）/ SICA 死循环 | 56.7%（517h） |
| Polyglot | 27.1%（DGM，2385h） | 30.5%（347h） |
二、理论与诚实：模拟定理的前提是三个强假设
Theorem 1 的准确表述：在 Assumption 1 下（①过程唯一质量 = 最终 agent 的评测分；②评测可重复——环境重置、历史评测不影响后续；③预算有限且已知），访问真实 CMP 足以模拟 Gödel Machine 的行为。所以 HGM（用估计的 CMP）是「最优自改进机的近似」——理论正当性成立，但边界同样清晰：原始 Gödel Machine 假设 agent 只有一条命（评测不可重复）、证明自改进本身消耗真实时间与资源，这些恰好是 Assumption 1 排除掉的。论文自己承认这是「a setting tailored to」特定问题的理论——不是通用自改进的证明。文案最后一条「不能外推成 AGI 证明」与此一致，诚实。
三、独立思考
其一，「循环>X」谱系的第四样本：准则>X。 三部曲讲的是架构性循环承载增益（循环>工具 88/12、循环>反馈类型 85%、conditioning>代码 72/15），HGM 补的是选择准则：同样的树、同样的算力，把「当前分数」换成「谱系潜力」，相关系数 0.28→0.78、同预算多 3+ 个点。这给三部曲加了第四条：准则>X——你拿什么当指南针，比你多努力重要。与 Metan 篇的「元深度 2.5 天花板」形成正交互补：天花板限制递归深度（能改多少层），MPM 修正改进方向（往哪改）。自改进系统的两个瓶颈，一纵一横。
其二，自改进栈的第六层：方向感层。 五层栈（Ornith 权重→CoE 经验→Metan 代码→Cordis harness 运行时→Mobius 知识存储）回答的都是「改什么载体」，HGM 回答「哪个自改值得继续」——探索的元问题。CMP 本质是给自改进树配了价值函数，如同 AlphaGo 的价值网络先于盲目展开：评估能力先于扩展能力。这层在生物演化里早有名字（适应性景观的全局视野 vs 局部爬山），HGM 是把它工程化成了 bandit。
其三，验证带宽的 bandit 化分配。 800 次评测是硬预算——HGM 用 agent-task 对级评估、失败分支早停、TS 自适应采样把每一次评测花在信息量最大的地方。这与 ARS 的风险分层抽样（100% 高影响+10% 哨兵）完全同构：验证带宽稀缺时，分配策略本身就是方法。自改进搜索把「验证预算经济学」从论文管线扩展到了算力管线。
其四，Schmidhuber 的三十年与演化思想的回潮。 1987 年自指程序、2003 年 Gödel Machine、2025 年工程近似——同一人。同期 clade（1957）被重新搬进 AI 论文标题。这印证一个模式：LLM 时代的「新问题」（自改进方向选择）往往有六十年前的理论原型，缺的只是算力与可评测的环境。值得记住的教训：当代码和评测都便宜了，老理论的价值函数会突然变得可计算。
观察点：① ICLR camera-ready 版是否补上系列对话（AEVO 等四个名字的出处）；② CMP 在更真实的自改进设定（评测不可重复、预算未知）下是否退化——Assumption 1 是它全部理论的地基；③ SWE-bench 类 benchmark 的过拟合风险：CMP 聚合的是同一分布的分数，「谱系有出息」可能只是「谱系更会刷这个榜」。
信源：arXiv:2510.21614 v3（Wenyi Wang 等 8 人，KAUST/AI Plan，含 Schmidhuber 与 DGM 作者 Zhuge；PDF 全文精读，全部数字经原表核对）；OpenReview T0EiEuhOOL；Schmidhuber X 官宣（ICLR 2026 Oral）；代码 metauto-ai/HGM。视频文案 9 条要点 8 条逐字核实、1 条（系列名）无法在预印本验证已标注。转载请注明出处。