谷歌提出“进化记忆”:AI不再从零开始优化Agent
当人工智能领域的巨头们还在为增加万亿参数而焦头烂额时,Google DeepMind联合宾夕法尼亚州立大学的一项最新研究,揭示了一个被长期忽视的低效瓶颈:AI并不缺聪明的大脑,缺的是能留住经验的“记忆”。
11月13日,该团队在 arXiv 上发布了题为《Self-Improvement Memory Enables Continual Recursive Self-Improvement》(自我改进记忆支持持续的递归自改进)的论文。他们提出了一种名为“持续递归自我改进”(CRSI)的新框架,通过为AI外挂程序建立一套结构化日志系统,让一个模型在优化后获得的经验,能够直接传递给另一个模型使用。
这项被称为“进化记忆”的技术,不仅能让AI在应对复杂任务时少走弯路,更在实测中展现出了惊人的分数跃升能力。它标志着大模型的演进路径,正从单纯堆砌算力转向追求更高效的知识沉淀。
打破“遗忘诅咒”:经验不再是单次旅程
在大模型的开发与部署过程中,研究人员发现了一个普遍的痛点:每次更换目标环境或更新底层模型时,之前耗费大量精力调优出的指令、规则和策略(在论文中称为“Harness”),往往面临“失效”的风险。
传统的AI自我优化更像是在黑暗中试错——模型尝试修改一段代码,观察结果,成功则保留,失败则丢弃。这个流程被称为递归自我改进(RSI),最早由多位研究者独立探索,包括Meta-Harness、AHE和Terminus等项目。尽管这些项目证明了自动化调优的可行性,但它们通常在一个固定的环境内运行,一旦环境发生迁移,之前的努力往往需要重来。
这就好比一个熟练的工程师换了一台全新的机器操作,尽管他懂原理,但需要重新摸索新机器的脾气;或者当一个团队用旧版系统完成了复杂的测试题库,升级到新版系统后,之前的优化代码可能因为接口微调而完全失效。
为了解决这个“不断从零开始”的问题,谷歌团队提出了自我改进记忆(Self-Improvement Memory, SIM)机制。
SIM要求系统在每一次优化的同时,不仅要记录“改了什么”,更要详细记录“为什么这么改”——包括修改的根因假设、预期的效果以及实际的运行反馈。这种结构化的日志,就像是给AI写了一本“避坑指南”。当任务发生迁移(例如从一种编程语言切换到另一种,或者从一个基准测试库转到另一个),新的AI在执行具体任务前,会先阅读这份厚厚的“历史档案”。它无需盲目重写,而是可以直接参考过去的经验和教训,选择性地复用之前的最优解。
11分的跨越:当Opus的经验喂给Gemini
这一机制在实测中的表现尤为抢眼。论文的测试覆盖了四个截然不同的领域:命令行编程(Terminal-Bench 2.1到TB4)、文本分类(三个数据集扩展到八个)、Agent工作空间(Harvey LAB扩展到JobBench/GDPval/APEX-Agents组合)、以及工程设计(EngDesign到Frontier-Eng)。每一组实验中,源端和优化阶段都使用了相同的回合数和候选预算设定。
最具说服力的场景是跨模型测试:先用Anthropic公司的Claude Opus模型对一个任务进行深度的递归优化(N=10轮,每轮生成5个候选方案),随后将这套经过千锤百炼的“经验包”无缝传递给谷歌自家的Gemini模型,让其继续在同一类任务上精进。
通常情况下,由于底层逻辑的差异,旧模型的优化成果在移植到新产品时会遭遇明显的“水土不服”。但在实验中,启用“完整SIM记忆”(Full SIM)的Gemini展现了压倒性的优势:
1。 工作空间任务的大幅领先:在涉及复杂多工具协调的Agent工作空间测试中,仅传输进化后的代码(无SIM记忆)的Gemini得分最终停留在73.42分,这甚至低于没有使用任何历史经验的初始版本(73.89分)。而接过了Opus全部“进化记忆”的Gemini,最终得分飙升至84.75分。这一差距高达11.33分。 2。 编码任务的极高胜率:在更为硬核的命令行自动编写与调试任务中,带有SIM记忆的AI方案在10次独立运行的盲测比拼中赢了9次。其平均分比对照组高出2.36分。统计学分析表明,这一胜率并非偶然——p值为0.003,意味着这一差异极不可能来自随机波动。
这些数字背后的意义在于:通过记忆机制,不同代际、不同架构的模型之间打破了壁垒。Claude曾经踩过的坑、总结出的规律,可以被Gemini直接读取并沿用。这意味着AI开发过程中的试错成本将被大幅削减。
商业落地的下一步:谁的收益最大?
虽然目前的技术核心聚焦于“智能体外挂程序(Agent Harness)”的配置优化,而非直接修改大模型千亿级的底层权重,但这并不妨碍其对AI产业产生深远影响。
首先是研发周期的缩短。 对于拥有海量定制化需求的云服务商和企业级客户而言,训练一个大模型耗时耗力,但针对特定行业调整Agent流程同样是一场硬仗。如果未来像SIM这样的机制成为标配,那么企业在升级底层模型时就能实现平滑过渡,无需重复漫长的A/B测试和提示词工程调试。
其次是生态竞争力的加固。 在这场测试中,谷歌自家的大模型矩阵与云端算力平台获益最多。通过打通底层工具链的记忆共享,谷歌正在试图构建一个闭环的护城河:一旦用户开始在Gemini平台上使用这套进化式开发流,迁移到其他平台的沉没成本将变得极为高昂。
相比之下,OpenAI的GPT系列和Anthropic的Claude系列虽然在基础模型能力上各有千秋,但如果它们未能同步建立起类似的跨代记忆体系,其产品迭代速度可能会受到相对制约。尤其是那些已经投入了数百万小时人工标注和数据清洗的公司而言,如何在新的竞争维度中保持先发优势,将是未来两年的关键命题。
当然,技术的成熟仍需时日。目前的实验主要集中在代码编写、文本分类等结构化较强的领域。面对更加发散、更具创造性的应用场景,AI的“进化记忆”能否保持同样的有效性,尚待验证。同时,如何存储和维护海量的进化日志而不拖慢响应速度,也是工程落地必须面对的算术题。
从目前来看,该论文尚未开源核心代码。业界观察者可以从以下几个维度跟踪后续进展:一是关注该项目是否会进入arXiv或顶级会议的同行评审环节;二是留意OpenAI或Anthropic是否披露了类似的研究方向;三是观察Gemini生态在后续产品中是否有相关特性的实际应用迹象。但从长远来看,停止无休止的参数堆叠,转而让AI学会像人类一样积累“经验教训”,或许才是通向下一代通用人工智能的最优路径。
观察窗口
- 源码与社区采用:该项目尚未开源。若未来代码公布,GitHub上的Star数和Fork数是衡量技术认可度的直接指标。
- 竞品动向:关注OpenAI与Anthropic是否在近期论文或产品更新中提及类似“经验复用”或“跨模型知识迁移”方案。
- 应用集成进度:跟踪Google Cloud或Gemini API是否在后续版本中引入相关的配置优化辅助功能。
- 学术引用量:追踪arXiv页面下方的引文数据变化,这将反映学术圈对该框架的认可速度。


