AI 改进 AI 的两条路：从哥德尔机到 HarnessX

1965 年，统计学家古德写下一句话：能够设计出比自己更聪明的机器的机器，一旦造出第一台，人类的发明事业就到头了。这是「智能爆炸」的最早版本，比神经网络实用化早了半个多世纪。

让它从猜想变成工程问题的，是过去两年里出现的一批系统。有的让模型在测试时继续训练自己，有的让一段外围代码反复改写自己。它们都还不聪明，但它们都真的在跑、真的在涨分。这篇文章把这些系统排在一张地图上，看看每条路走到了哪里，哪里有坑。

先说地图的画法。改进自己只有两个下手的地方：模型自己（权重），或者模型外面的那圈代码（工具、记忆、工作流——行话叫 harness）。一篇 2025 年的综述把这叫 θ 轴和 Σ 轴。名字唬人，意思简单：要么继续训练模型，要么改它身上的装备。

权重那条路：自己给自己当裁判

TTRL（测试时强化学习，2025 年 4 月）做了一件乍看不可能的事：在没有任何标注的数据上做强化学习。裁判从哪来？模型自己的多数投票。同一个题采样一百次，多数答案就算对。这个「多数共识当奖励」的办法让 Qwen-2.5-Math-7B 在 AIME 2024 上的 pass@1 提了 211%——用的全是没标签的测试题。

有个细节值得多看一眼。论文报告 TTRL 稳定超过模型自身的 maj@n 上限——多数投票投一百次能达到的上限，被只投一次的模型超过了。机制不神秘：RL 把「答案落在多数派附近」的输出放大了，等于把考试时多想几次的运气蒸馏回单次作答。但这也埋着自我确认的循环：奖励是模型自己的共识，模型变自信之后，共识更容易达成，奖励更容易满足。裁判和选手是同一个人。

Agent0（2025 年 11 月，北卡教堂山和 Salesforce）把自我出题做成了双主角。两个从同一个底座模型出发的智能体，一个当出题人，专门出「略高于解题人当前水平」的题；一个当解题人，带着工具去解。解题人变强，出题人被迫加码，互相抬着走。全程零外部数据，数学推理 +18%，通用推理 +24%。出题和解题的军备竞赛，替代了人类标注员。

装备那条路：从哥德尔到达尔文

另一条路的祖先更老。Schmidhuber 2003 年的哥德尔机是一个能改写自己任何代码的程序，但有个苛刻的前提：只有当它能「证明」这次改写在形式系统里严格更优时，才允许动手。优雅，严格，几乎跑不动——证明的代价太高。

达尔文戈德尔机（DGM，Sakana AI，2025 年 5 月）的名字就是答案：把「证明」换成「实测」。它改写自己的代码，跑测试集，留下变好的变体，扔掉变差的。SWE-bench 从 20% 涨到 50%，两年前这条路的代表作还只是个想法。

从 DGM 往后，这条线开始加速，而且方向清楚：越来越深入「改装备」这件事本身。

ADAS（2024 年 8 月）让 agent 用代码写 agent，发现的写法存进档案供后续取用。Hyperagents（2026 年 3 月）注意到 DGM 有个隐蔽的限定：它改进的是编码 agent，用编码任务评估改进，改的东西和测的东西同域——这套自指在编码领域恰好闭合，出了编码就不闭合了。Hyperagents 的做法是把「元级修改程序」本身也变成可编辑对象：agent 既改任务代码，也改改任务代码的那段代码。

Meta-Harness（斯坦福等，2026 年 3 月）解决的是反馈怎么给。此前的自动优化器把历史经验压成标量分数或几行摘要——压缩得太狠，细节全丢了。它反过来：让提议者通过文件系统翻看所有历史候选的完整源码、分数和执行轨迹。在在线文本分类上超过了此前最强的上下文管理系统。把历史当文件翻，不是当摘要读。

AHE（复旦等，2026 年 4 月）是目前这条线上把工程做透的。三个支柱：组件可观测——harness 拆成七个文件级组件，每次改动进 git，可检查可回滚；经验可观测——千万 token 的原始轨迹蒸馏成分层报告，默认读摘要但随时能下钻到原始记录；决策可观测——每次改动必须自带「预期影响」，下一轮任务结果自动验证这个预测，错了就翻车。Terminal-Bench 2 的 pass@1 从 69.7% 到 77.0%。

HarnessX（2026 年 6 月）把零件做成代数。harness 的部件变成带类型的可组合原语，用替换代数组装，一个叫 AEGIS 的引擎从执行轨迹驱动进化。五个基准平均 +14.5%，最高 +44%，而且增益最大的地方是基线最差的地方。它还把循环闭上：轨迹不只回灌 harness，也回灌模型训练信号——装备和权重两条路在这里合流。

分数涨了，然后呢

这张地图上所有系统都报了涨分。但 2026 年有两组研究者开始给涨分本身挑刺。

AI2 和华盛顿大学的一篇评审论文指出：harness 进化的评测有个结构性漏洞——进化过程用测试用例当搜索反馈，最后又在同一个公开基准上报成绩，而同算力的朴素基线（直接在任务上多采样几次）往往没被认真排除。涨的分里有多少是「装备变好」，有多少只是「在同一张卷子上多刷了几遍」，这套协议分不开。

另一个叫 HarnessDev 的基准列出了装备过拟合的四种形态：过拟合写它的那个模型、背下开发样例、提一个能力悄悄掉一个能力、在反馈集上提分但换个任务就不行。

有意思的是，AHE 在自己的分析里撞见了同类问题，而且说得更狠。两条限制：其一，组件之间非加性——各自有效的改动堆在一起，总收益会封顶，harness 不是乐高；其二，自我归因对修复可靠，对回归盲——系统很擅长讲清楚自己为什么修好了什么，几乎看不见自己弄坏了什么。每次改动自带的预测，对「变好」的预测准，对「变坏」的预测失灵。

这第二条值得停在原地。自我归因对回归盲，不是 AHE 的 bug，是一切自指系统的共性：裁判和选手同源时，选手的进步看得见，选手的犯规看不见。AHE 的应对是让预测被下一轮真实任务结果证伪——把「我说它会变好」变成可以被推翻的断言。哥德尔机当年用形式证明解决这个问题，代价是跑不动；现在大家用 held-out 重放解决，代价是回归可能漏网。严格性和可运行性之间，这道坎从 2003 年到现在没变过。

回到爆炸

古德的条件翻译成今天的话：改进这件事本身，能不能被改进。目前的证据是「有一点，还很早」。TTRL 超越了自身的多数票上限，Agent0 的出题人自动加码，HarnessX 把轨迹回灌训练信号，上个月还有团队让模型搜架构、写算子、造出整个模型。改进的改进，雏形都在。

但同一个时期的评测论文在说另一件事：相当一部分「进步」跑在评测的盲区里。改进的速率造假不易、但改进的方向可以挑软柿子捏——涨分容易的地方未必是智能所在的地方。爆炸论里最脆弱的一环也许不是机器的改进速度，而是人类这边：出题、判卷、辨别真进步和过拟合，这些活还是人在干。机器改进自己用天计，人类换一套评测习惯用年计。

DGM 把 SWE-bench 从 20% 抬到 50% 用了 80 轮迭代。AHE 从 69.7% 到 77.0% 用了十轮。这两个数字都真。它们之间隔着的那道题——分数上去了，智能跟没跟——还没有人给出裁判。

信源：TTRL (arXiv:2504.16084)、Agent0 (arXiv:2511.16043)、STOP (arXiv:2310.02304)、ADAS (arXiv:2408.08435)、Darwin Gödel Machine (arXiv:2505.22954)、Hyperagents (arXiv:2603.19461)、Meta-Harness (arXiv:2603.28052)、AHE (arXiv:2604.25850)、HarnessX (arXiv:2606.14249)、Rethinking the Evaluation of Harness Evolution (arXiv:2607.12227)、HarnessDev (arXiv:2609.01437)；I. J. Good (1965)、Schmidhuber Gödel Machine (arXiv:cs/0309048)。各系统数字均出自对应论文摘要。