EvolveNet: Collaborative Harness Evolution for Agent Self-Improvement
EvolveNet 引入了一种用于智能体自我改进的协作框架，该框架向本地智能体广播一个共享挂架以进行独立进化，随后聚合其程序适配，从而在不使原始数据中心化的情况下实现跨隔离工作负载的知识传递。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你拥有一个超级聪明的机器人大脑（大型语言模型），它能编写代码、解决数学问题或规划旅行。但这个大脑是冻结的；你无法重新训练它，也无法改变它的内部结构。为了让它真正去“做事”，你需要为它包裹上一层“护套”（harness）——这是一套指令、脚本或程序，告诉大脑何时说话、使用哪些工具、如何检查自己的工作，以及如果犯错该怎么办。你可以把这个护套看作机器人的身体和神经系统。一个更好的身体，可以让同一个冻结的大脑完成它原本无法实现的奇迹。
长期以来，科学家们试图通过将机器人所有的错误和成功经验收集起来，堆成一大堆数据，送到一个中央总部来改进这些身体。在那里，一个单一的“优化器”会尝试为所有人进化出一个完美的身体。但在现实世界中，机器人（或智能体）散布在各处：在不同的公司、不同的数据库和不同的环境中。由于隐私规则或技术限制，它们无法总是共享自己的私有数据。这产生了一个谜题：如果无法将所有的经验都汇聚到一个地方，你该如何为每个人打造一个共享的、超智能的身体呢？
这就是 EvolveNet 这篇论文介入的地方，它提出了一个巧妙的新想法。EvolveNet 不再将所有杂乱的数据聚集到一点，而是反其道而行之。它将一个“共享身体”（护套）发送到所有的机器人那里。每个机器人利用自己的本地数据和特定的问题来尝试改进这个身体。完成后，它们不会传回数据，而是只传回它们对身体所做的“改动”。随后，中央服务器扮演着一位“大师级裁缝”的角色，将所有不同修改中的精华部分缝合在一起，变成一个新的、改进后的共享身体，然后再发回给每个人。
研究发现，这种“协作进化”的效果极其出色。在针对五个不同领域（如将文本转化为数据库查询、编写数据科学代码以及解决竞争性编程挑战）的测试中，这个共享身体在每一项任务上的表现都显著提升。例如，在名为 DS-1000 的编程挑战中，准确率从 55.5% 跳升至 68.5%。至关重要的是，论文表明这种进步并非仅仅通过挑选表现最好的单个机器人并忽略其他机器人来实现，而是来自于将不同机器人发现的独特修复方案进行“结合”。一个机器人可能修复了某个特定数学库的问题，而另一个机器人则修复了另一领域的逻辑错误。服务器的任务是弄清楚如何在保留这两个修复方案的同时，避免它们产生冲突。研究人员发现，通过使用“作用域类型化”（scope-typed）的规则——本质上是告诉身体：“处理数学时使用这个修复，处理地图时使用那个修复”——他们可以将这些不同的技能合并成一个单一的、能力超群的智能体。
该研究同时也排除了“必须集中所有数据才能获得良好结果”的假设。它证明了你可以在保持数据本地化和私密性的同时，依然共同构建出一个更聪明的系统。然而，作者也谨慎地指出，这并不是一个能瞬间解决一切问题的“魔杖”。这个过程需要经过几轮试错，并且系统依赖于拥有一些带标签的数据来检查这些改动是否真的有效。虽然研究结果在多个现实场景中表现强劲且有据可查，但论文也暗示，随着这些系统变得越来越庞大且运行轮数越来越多，可能会出现新的挑战，比如代码变得过于臃肿或混乱，这些都需要得到管理。但就目前而言，EvolveNet 展示了通过让许多智能体进化出各自的专业技能，然后进行精心的缝合，我们可以创造出一种比任何单个智能体自身都要聪明得多的集体智能。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。