谷歌提出Dream-RSI：不改模型权重，以历史探索实现自改进

近日，谷歌联合Google DeepMind及马里兰大学、弗吉尼亚大学团队，推出Dream-RSI递归自我改进系统，为人工智能能力进阶开辟新路径。该系统摒弃传统依赖模型权重更新与持续重训的模式，转而聚焦于优化模型顶层的探索策略。面对复杂计算任务，Dream-RSI将过往实验过程转化为可反复调用的历史发现树，构建回放模拟器环境。系统借此让AI在既定轨迹中模拟推演，以极低代价快速验证不同搜索路径，从而精准分配算力并规避无效分支。 在算法工程、数学优化与GPU内核优化等测试中，该技术成效显著。实验无需更新底层大模型参数，智能体调用量即最高削减162倍，部分场景算力消耗下降逾50%，并在多项基准中超越现有标准实现。研究同时证实，保留完整探索轨迹而非强行提炼自然语言经验，能有效防止搜索范围过早收窄。尽管该系统仍需依赖真实环境进行初始探索以拓展数据边界，但Dream-RSI成功论证，未来AI的持续进化未必依赖参数量膨胀。通过高效复用历史行动轨迹并优化决策逻辑，同样可实现算力节约与效能跃迁。