NVIDIA與劍橋聯合發表「Red Queen Gödel Machine」論文，AI自我進化機制引發2028年ASI時程爭議

AI自我進化這件事，過去二十年卡在同一道牆上。現在那道牆出現了裂縫。

NVIDIA、劍橋大學等機構近期聯合發表論文，提出「Red Queen Gödel Machine」（RQGM）框架。這個名字取自生物學的「紅皇后假說」——你必須不斷奔跑，才能留在原地，因為對手也在進化。RQGM的核心邏輯正是如此：讓AI的「出題者」與「應試者」同步演化，打破過去所有自我改進框架的根本盲點。

過去二十年，「哥德爾機器」這個概念一直停在理論層面。原始設計要求AI在修改自身代碼之前，必須以數學方式證明那個改動有益——這在計算量上幾乎不可能實現。後來的達爾文版本（DGM）和赫胥黎版本（HGM）改用演化替代證明：大量生成代碼變體、沙盒測試、淘汰失敗者、留存成功者。這條路走得通，但有個致命缺口：評分標準始終是靜態的，外掛在演化循環之外，一動不動。靜態考官配動態選手，本質上違反了演化的基本前提。

RQGM的解法是把考官也丟進演化循環。具體機制稱為「受控效用演化」：每個訓練週期內，評估者凍結、統一評分，確保訊號穩定；只有在週期邊界，才允許新評估者上位，且新考官必須在一組保留的「真實答案錨點資料」上統計上優於現任者，才能接班。換代之後，系統立即執行「選擇性清除」，只丟棄舊考官的評分紀錄，其他證據全部保留。這個設計在確保每一步扎實的同時，讓整個系統快速前進。

論文給出三組實驗數據，值得關注的是量級而非細節。代碼生成任務（Polyglot benchmark）上，pass rate從前任SOTA的69.9%提升至71.7%，同時token消耗僅為競爭方案的58%至74%——更強、更便宜。論文寫作任務上，紙本接受率從21.8%跳至40.5%。奧林匹克級數學證明任務上，搜索成本降低三倍。最有意思的是論文評審實驗裡對「AI偏好偏見」的處理：基準模型對AI撰寫的論文接受率是人類作品的1.91倍，RQGM透過在週期邊界建立對抗樣本池、專門訓練能識別並拒絕AI論文的新評審，最終讓評分系統對AI與人類公平對待，同時維持80%的事實準確率。

這篇論文真正的產業意涵不在於某個benchmark的提升數字，而在於它完成了一個結構性跨越：AI開始自行定義「什麼叫做好的評估標準」。過去，人類設定benchmark，AI負責刷分；現在，AI開始替換考官本身。這個遞迴一旦啟動，外部錨點的角色就從「評判者」變成了「初始條件」。

這一切的外部背景是Anthropic聯合創辦人Jack Clark的預測：2028年底前，出現高度自主、能自我演化的AI系統，概率60%。RQGM論文本身沒有宣稱任何ASI時程，但它實驗性地示範了「自我演化的評估機制」在受控條件下可以運作——這讓那個60%的概率變得不再完全是玄學。

對亞太地區的技術決策者來說，需要看清楚的是：這仍是一篇學術論文，三個任務領域的實驗結果距離通用遞迴自我改進還有相當距離。但RQGM解決的那個結構問題——靜態評估者限制動態演化系統的上限——是真實存在的工程瓶頸。誰先把這個機制規模化，誰就掌握了下一代AI訓練基礎設施的關鍵槓桿。