AI开始“自主进化”了？科学家让机器摆脱数据依赖，像生命体一样自我成长
如今，研究人员正试图将这种能力赋予机器。一项最新研究提出了一项颇具开创性的构想：让AI像生命体一样，最终迈向自我进化的道路。
论文给出了一套全新的AI架构：需求驱动自系统（Need-Driven Self-System）与智能体自进化模型（Self-evolution Model of Intelligent Agents）。
其核心目标清晰明确：推动人工智能从“被训练”迈向“自主成长”。
AI距离真正的智能，还差什么？
如今的大模型已相当强大，ChatGPT能够撰写文章、分析问题；视觉模型能够识别复杂场景；机器人能够完成越来越多的任务。
然而，这些AI都存在一个共同局限：它们不会自发产生学习动机。它们掌握答案，却不明白“我为何要学习？”“接下来该学什么？”“对我来说什么最重要？”目前AI的发展路径，本质上仍是：人类采集数据 → 人类设计模型 → 人类训练AI。论文作者指出：真正趋近AGI（通用人工智能）的机器，应当像生命体一样运作。
生命的成长过程是怎样的？
感知外界；
萌生需求；
付诸行动；
收获反馈；
调整自我；
持续进化。
这正是这篇论文试图复刻的机制。
为AI植入“生命成长机制”
研究团队首先提出：需求驱动自系统模型。通俗来讲：生命并非随机行动，而是围绕需求不断调整。
Fig. 1. Need-Driven Self-System Model Diagram.
举例而言：
人体缺水→产生饮水需求→寻找水源→获得满足→积累经验→下次更高效地解决问题
AI也可构建类似循环：
内部需求萌生→生成目标→执行动作→环境反馈→评估结果→调整策略→催生新需求
这构成了一个不断循环的“AI成长闭环”。
过去的AI：训练完成，能力便固定。
未来的AI：运行过程中持续进化。
Fig. 2. Need-driven self-system structure flowchart.
核心突破：让强化学习更贴近生物进化
为验证这一构想，研究人员将该机制融入强化学习算法。他们选用经典算法：DDPG（深度确定性策略梯度算法）。但做了一个关键改动：替换损失函数。
传统算法通常采用MSE（均方误差），其问题在于遭遇异常情况时，模型易受一次错误经验的左右，而生命系统不会因一次失败就彻底改变行为。
因此研究人员选用MAE（平均绝对误差）。
它更为稳健，能降低异常数据对学习过程的干扰。
实验一：AI自主学会走迷宫
研究人员设计了一个迷宫寻宝实验。
环境设定：
10×10网格地图
障碍物随机生成
AI随机出生点
目标为寻找宝藏
规则：撞墙扣分；移动消耗能量；找到宝藏获得奖励。AI需不断探索，锁定最佳路径。
实验结果如下：
传统DDPG，平均奖励6.13
自进化智能体，平均奖励6.85
同时：失败次数减少；训练时间缩短；最佳决策速度加快。
具体数据：
模型
失败
次数
训练
时间
最佳决策时间
平均
奖励
DDPG
478
397.18秒
308.57秒
6.13
自进化智能体
467
365.90秒
296.65秒
6.85
这表明：AI不仅能学习，还能依据环境反馈持续调整自身行为。
更大的挑战：让AI自主设计视觉模型
A
研究人员并未止步于模拟实验，他们进一步将这种“自进化思想”落地到真实任务：SAR遥感图像舰船检测。
卫星雷达图像一直是AI视觉领域的难题，目标尺寸差异悬殊；环境错综复杂；标注数据成本高昂。
于是团队设计了：Auto-T-YOLO模型。
Fig. 8. The structure of Auto-T-YOLO.
它模拟人类视觉过程
第一步：快速锁定重要区域。
第二步：聚焦注意力分析目标。
针对大目标：引入Transformer捕获全局信息。
针对小目标：借助CNN强化细节识别。
最终构建一个类似人眼观察方式的检测系统。
Fig. 9. The operational workflow of Auto-T-YOLO.
实验结果：AI跨越不同显微镜依然精准
实验采用公开SAR舰船数据集：
1160张遥感图像
2456个舰船目标
覆盖近海与远海场景
训练环境：NVIDIA RTX 3080Ti GPU。
结果显示：
Auto-T-YOLO：准确率达98.99%；mAP达0.99；Recall达0.98；误报率仅0.01。
相较YOLOv3：准确率提升约3.6%；召回率提升约4%；误报率降至约五分之一。
这意味着：面对复杂海洋环境，AI能够发现更多目标，同时减少误判。
AI的下一步，或许不是更大，而是更像生命
过去十年AI比拼的是参数规模。谁的数据更多，谁的模型更大。但未来真正决定AI能力的或许不是规模，而是自主成长能力。一台真正智能的机器，不应只是回答问题、执行命令、完成任务；它应当能够发现问题；确立目标；主动学习；持续进化。
这篇论文所提出的方向，
或许正在重塑未来AI的发展轨迹：
从“大模型时代”，迈向“自主智能体时代”。
过去，人类教AI如何计算。
未来，人类或许要教AI如何成长。
当机器开始拥有自身的“需求”，人工智能距离真正的自主智能，或许正越来越近。
（注：本文基于上海第二工业大学等联合团队发表于《Egyptian Informatics Journal》的学术论文《From evolution to autonomous modeling: need-driven self-system and intelligent agent self-evolution for remote sensing detection》进行深度解读。数据、图表与技术原理均源自原论文，仅供学术与技术交流。若有侵权行为，请联系我们删除。）
往期回顾
01
新模型让神经元识别准确率暴涨22.8%，换显微镜、换实验室，AI依然能精准找到神经连接
02
AI终于看懂了世界：给它一张照片，它能生成你没拍过的任何角度
03
你加入哪个阵营，AI可能早已看穿：一篇顶刊论文揭开人类思想规律