arXiv cs.AI· Chien-Ping Lu·· 9 天前AI 评分24
自我改进智能体的相对可计算性理论
A Relative-Computability Theory of Self-Improving Agents
AI 导读
该研究提出一种 oracle 相对模型，用可变求解器、评估器和改进器刻画自我改进智能体，将自主改进、能力提升与计算范围扩大区分开来。在布尔规则获取的可构造模型中，学习到的求解器可在所有输入上摆脱教师，但仍处于同一可计算层；而从任意有效特征程序统一构造所需特征张成规范，已与相对停机问题同等困难。
正文 · AI 翻译
摘要：智能体越来越多地修改其解决问题和改进自身的方式。对改进的自主性、实际能力的提升以及计算范围的扩大是不同的属性。我们开发了一个相对于预言机的模型，其中求解器、评估器和改进器都是可变的。统一模拟使每个由对 $A$ 的有效自我修正产生的全决策过程都保持在 $\mathcal{C}(A)=\{D:D\leq_T A\}$ 内；预言机连接解释了额外的访问，而相对化极限引理将极限答案与有效完成区分开来。一个布尔规则获取的具体模型使这一区分具有构造性。对于已知的有限维特征语言，我们精确刻画了查询历史所确定的答案，得到了一个紧的教师查询界，并给出了一个允许修改查询提出者的终止协议。学习到的求解器可以在每个输入上无需教师，同时保持在相同的可计算性层级。然而，从任意有效特征程序统一构造所需的特征张成规范已经和相对停机问题一样困难。我们还给出了严格上升的条件性判据，并将其与有限行为证据区分开来。因此，该框架将获取、认证和可计算性上升分离开来，既指出了通向经过验证的支持移除的积极路径，也指出了它所依赖的假设。
| 评论： | 20 页，3 幅图，1 张表。添加了可变状态模拟和经过认证的教师移除的示意图；澄清了引言以及关于相对可计算性作为演化 AI 系统基础的讨论。主要结果和证明未变。包含辅助有限检查代码 |
| 主题： | 计算复杂性（cs.CC）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.27381 [cs.CC] |
| （或 arXiv:2605.27381v3 [cs.CC] 对应此版本） | |
| https://doi.org/10.48550/arXiv.2605.27381 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Chien-Ping Lu [查看电子邮件]
[v1]
2026 年 4 月 9 日星期四 22:56:56 UTC（17 KB）
[v2]
2026 年 10 月 7 日星期三 06:14:45 UTC（25 KB）
[v3]
2026 年 10 月 8 日星期四 12:24:07 UTC（26 KB）
来源：arXiv cs.AI · arxiv.org