有意思，谷歌刚被曝跑通了RSI，一篇关于如何让AI实现自我进化的论文，就被官方发到了网上。

打开方式还挺别致，“做梦”。

对，没让大模型重新训练自己，也不是让AI直接修改自己的权重，而是Dream-RSI，直接就是一个“梦中学”。

不开玩笑，咱还是正经说，其实是研究人员们发现了一个有点妙的事情：

AI真实探索留存下的历史记录，本身就是一个模拟世界。

于是，一次昂贵的真实探索结束后，Agent不必真的重新跑上几百、几千遍实验，就可以在过去已经发生过的搜索树里，进行虚拟推演（做梦），反复试验新的搜索策略。

等找到更好的策略，再回到真实环境里跑一次。

新的探索，又会产生一棵更大的搜索树。

再拿来“做梦”。

如此循环。

省了一大笔钱不说，这法子还真的管用。在算法工程、数学优化和GPU内核工程三类任务上，研究人员都证明，Dream‑RSI不仅能大幅降低探索的计算成本，还能达到甚至超越原有方案的发现效果。

历史就是世界

一起来细扒一下论文。

论文的核心思路可以这样总结：把AI走过的弯路，变成AI新的训练场。

谷歌的研究人员认为，RSI的核心驱动力，其实在于高效探索。因此如何管控并优化探索策略，是一个非常关键的问题。

实际上，很多AI科研系统都已经实现了一个Loop：

生成一个方案 → 跑实验 → 看结果 → 修改方案 → 再跑实验。

问题是，随着搜索空间的不断扩大，固定的探索策略无法自适应调整；而在线策略优化，又存在迭代时间长、反馈滞后、代价高等等困境。

Dream-RSI抓住了一个此前没有被充分利用的东西：历史。

一次Agent探索任务跑下来，其实会留下非常丰富的记录，形成一棵发现树（Discovery Tree）。

be like：

谷歌的研究人员换了个视角，发现这一堆历史日志，不就是一个模拟器嘛！

举个例子，Agent首次执行的策略，是把A、B、C分支依次都跑一遍，跑完之后每个节点的结果其实都存下来了：A1得多少分、B1会不会报错、C2效果怎样、各自花了多少计算量。

现在，我们换一种搜索策略，比如：先跑C，如果C1不够好，再走A。

从头再跑一遍？大可不必，因为C、C1、A、A1这些结果都可以直接调用，只要让新策略在旧树上“重新走一遍”，就能算出，“如果当时这么做，需要花费多少计算量，能达到什么效果”。

也就是说，在Agent已经探索过的区域里，历史就是世界。

只需要一次真实的执行，大量新的策略探索都能更低成本地在这个“模拟世界”中被验证。

在梦中自我进化

整个Dream-RSI系统分为三步。

第一步，真实探索。

当前探索策略控制一个Coding Agent，决定开哪些分支、继续哪些方案、跑多少个并行任务、什么时候结束。

所有过程被记录为一棵发现树。

第二步，开始做梦。

引入另一个大语言模型来负责开发探索策略。

每生成一种新的探索方案，不重新跑实验，而是在过去积累的所有发现树上“回放”结果。

最终，综合考虑答案质量、搜索成本和并行效率，找出更好的动态策略。

第三步，把赢家重新派出去。**

新策略进入真实环境，指挥下一轮探索。

由于策略已经变化，它可能会走到上一代Agent没有抵达过的位置。

这样就会产生新的发现树，继续扩大下一轮的“梦境”。

也就是：

真实探索 → 产生更多历史 → 历史变成更多模拟世界 → 在模拟世界中优化探索策略 → 更好的策略产生新的历史……

大幅降低计算成本，效果不降反增

研究团队把Dream-RSI扔到了8个发现任务里，横跨三个方向：算法工程、数学优化和GPU Kernel优化。

最直接的对照组叫Recursive Fixed Exploration。

它和Dream-RSI使用相同模型、相同Evaluator、相同初始策略和资源约束。

不同在于，一个每轮都会学习如何重新组织探索，另一个永远按照第一轮的固定策略继续搜索。

算法工程

研究团队让Agent优化Lasso regularization path。

当模型为Gemini 3.1 Pro时，固定探索最终消耗550次Agent调用，六个测试数据集平均运行时间3587.1ms。

Dream-RSI则用了317次调用，最终做到2931.0ms。

换成Gemini 3.7 Flash也是类似：

固定策略用了3200次Agent调用，平均耗时2516.7ms；Dream-RSI用了1879次，耗时降到2350.6ms。

跟SimpleTES的对比结果差距更夸张。

SimpleTES对应实验预算达到51200次调用。Dream-RSI在部分设置下则只需几百次调用。

两者最高能差出去162倍。

GPU Kernel

在VGG16和LayerNorm任务上，Dream-RSI分别相差2.43倍和1.79倍的生成次数，做到相近性能。

在ConvDiv和ConvMax中，则在接近的计算预算下，把性能分别提高2.09倍和1.44倍。

数学优化

在Sum Difference上，Dream-RSI拿到1.145427，高于论文列出的多个基线；Circle Packing打到2.635983。

但Auto Correlation中，SimpleTES仍然是SOTA。不过Dream-RSI在结果相近的情况下，调用量做到了1000 vs 51200。

One More Thing

有意思的一点是，研究人员们还发现，给AI总结“经验教训”，结果反而更差了。

他们把之前探索中踩的坑直接塞进下一轮Prompt，结果万万没想到：

加了显式语义指导以后，不管是固定探索还是Dream-RSI，表现反而普遍下降了。

论文给出的解释是：

长程科研搜索往往同时存在很多并行路线。

如果过早去总结“高层结论”，就相当于提前给未来的探索加上了很强的先验。

结果可能不是少走弯路，而是直接把一些看起来没希望、实际上可能有价值的路线堵死了。

最后，做个小小的总结，实际上，在Dream-RSI的整个实验里，模型本身没有被重新训练，与其说是模型的自进化，更像是Harness的自进化。

过去我们谈Agent自进化，关注最多的是两件事：一、把成功经验写进Memory；二、把历史数据重新拿去训练模型。

Dream-RSI提供了第三条路：

模型可以不变，知识甚至不用先总结成文字，先让「寻找知识的方法」自己进化。

下一代Agent不必只从上一代留下的“答案”里学习。

而是学习：

上一代到底是怎么找到答案的，以及——有没有一种更好的找法。

论文由Google、Google DeepMind、马里兰大学和弗吉尼亚大学研究者共同完成，目前论文、项目页和代码仓库均已公开。