ASI-Evolve：AI 加速 AI

AI 能加速 AI 自身的发展吗？尽管近期的智能体系统在目标明确、反馈迅速的任务上表现出色，但它们能否胜任驱动真实 AI 进展的高成本、长周期、弱监督研究循环，仍不清楚。我们提出 ASI-Evolve，一个面向 AI-for-AI 研究的智能体框架，通过学习-设计-实验-分析循环闭合这一回路。ASI-Evolve 用两个关键组件增强标准进化智能体：一个将积累的人类先验注入每轮探索的认知库（cognition base），以及一个将复杂实验结果提炼为可复用洞见供后续迭代使用的专用分析器。据我们所知，ASI-Evolve 是首个在 AI 发展的三大核心组成部分——数据、架构和学习算法——上统一展示 AI 驱动发现的框架。在神经架构设计上，它发现了 105 个 SOTA 线性注意力架构，其中最佳的已发现模型超过 DeltaNet 0.97 分，约为近期人工设计改进增益的近 3 倍。在预训练数据筛选上，演化出的流水线将平均基准成绩提升 3.96 分，其中在 MMLU 上的提升超过 18 分。在强化学习算法设计上，发现的算法在 AMC32 上最高超过 GRPO 12.5 分，在 AIME24 上超过 11.67 分，在 OlympiadBench 上超过 5.04 分。我们还通过数学与生物医学实验提供了初步证据，表明这一 AI-for-AI 范式可以迁移到 AI 技术栈之外。总体而言，这些结果表明，ASI-Evolve 是让 AI 在各基础发展阶段加速 AI 的有前景一步，为闭环 AI 研究的可行性提供了早期证据。