Tamanho do texto
Autor: Zhao Zhimin, PhD, Queen's University, Canadá (direção de pesquisa: inteligência de código e modelo mundial)
Se esta é a primeira vez que você ouve falar sobre RSI, este artigo pode servir como uma introdução. Iremos levá-lo através do RSI desde 0, começando com a IA mais antiga que tentou melhorar a si mesma, até os Agentes de hoje que podem alterar códigos, criar dados de treinamento e participar do desenvolvimento de modelos, e ver como a IA aprende a melhorar a si mesma passo a passo.
Em julho de 2026, a OpenAI lançou o GPT-5.6. Pela primeira vez, um novo assunto um tanto incomum apareceu em seu boletim: se a IA pode participar na melhoria da própria IA.
OpenAI lista essa capacidade como autoaperfeiçoamento. GPT-5.6 Sol fica com 57,9%, GPT-5.5 com 41,7% e a diferença entre as duas gerações de modelos é de 16,2 pontos percentuais. O que ele testa não é quantas perguntas regulares o modelo pode fazer, mas se ele pode entrar no site de P&D de IA: solucionar problemas do sistema de pesquisa, otimizar o programa do kernel da GPU (kernel da GPU) e receitas de treinamento, executar experimentos de aprendizado de máquina e até ajudar a melhorar outromodelo.
Esta não é uma notícia isolada. Naquele mesmo verão, a OpenAI começou a se referir aos agentes como “estagiários de pesquisa em automação”. Kuaishou AgentX permitiu que os agentes participassem na proposta de planos, na escrita de códigos e na comparação de versões antigas e novas online (testes A/B). O Google diz que um ciclo de agente de longa duração está envolvido no refinamento da próxima versão do modelo. Motus2 traz atualizações de previsão, avaliação e estratégia para robôs reais.
Esses casos envolvem, respectivamente, execução de P&D, experimentos industriais, treinamento de modelos e operações físicas, mas nenhum deles responde à questão mais crítica: Será que o sistema melhorado será melhor na conclusão da próxima melhoria?
Esta é a pergunta que o Autoaperfeiçoamento Recursivo (RSI) faz. A OpenAI chama essa avaliação de Índice RSI, que mede “a capacidade de acessar o RSI”. Como as questões completas, os pesos das tarefas e as fórmulas de agregação não são divulgados, 57,9% só pode ser considerado como um indicador abrangente interno e não pode ser entendido como a taxa de aprovação da tarefa ou o “grau de conclusão” do RSI.
Mesmo assim, este conjunto de números ainda marca uma mudança: um problema que existia principalmente em experiências mentais começou a ser decomposto em capacidades mensuráveis de investigação e desenvolvimento por laboratórios de ponta.
Os pesquisadores levaram quarenta anos para gradualmente entregar mais melhorias às máquinas. Este artigo primeiro distingue várias habilidades facilmente confundidas e, em seguida, percorre os cinco "avanços de fronteira" para ver quais ciclos fechados limitados se transformaram, por que eles ainda não são equivalentes à "explosão de inteligência" e por que o modo como o ciclo fechado é fechado é mais importante do que se ele está fechado. Esses cinco avanços são apenas uma estrutura narrativapara resolver a história, e não são gerações tecnológicas reconhecidas pelos círculos acadêmicos. Eles se sobrepuseram no tempo e ainda hoje se desenvolvem em paralelo.
O que é RSI: do autoaperfeiçoamento ao ganho recursivo
Todas essas notícias falam de “autoaperfeiçoamento”, mas não explicam como se fecha um ciclo fechado.
O autoaperfeiçoamento recursivo (RSI), no sentido tradicional, refere-se a um sistema de IA que usa suas capacidades atuais para melhorar o mecanismo cognitivo que produz essa capacidade. O sistema melhorado participa então da próxima rodada de melhorias. O mais confuso aqui é: autoaperfeiçoamento não significa autoaceleração. Um sistema pode ficar cada vez melhor em um banco de questões fixo, mas não fica melhor no design do próximorodada de treinamento. Uma empresa também pode acelerar a investigação e o desenvolvimento devido à utilização extensiva de agentes inteligentes, mas não há juros compostos impulsionados pela melhoria em si.
Este conceito não é novo. Em 1863, Samuel Butler já imaginava as máquinas ultrapassando os humanos através da evolução iterativa. Em 1950, Turing propôs a possibilidade de construir uma “Máquina Infantil” que pudesse ser educada e auto-modificada. Em 1965, I. J. Good também apontou: Se “projetar máquinas melhores” também requer inteligência, então uma máquina que seja inteligente o suficiente poderá ser capaz de projetar sucessores mais fortes, que continuarão a melhorar,e a "explosão de inteligência" começa.
O que realmente importa não é se a IA participa na melhoria, mas se o sistema melhorado se torna melhor na melhoria. Para ver esta distinção claramente, o RSI pode ser dividido em quatro critérios observáveis, organizados da menor para a maior dificuldade.
Este artigo adota a seguinte estrutura. Não é a única definição padrão na academia, mas destina-se a separar afirmações que muitas vezes são misturadas:
Melhorias duradouras: Mudanças eficazes podem ser incorporadas em pesos, memória, ferramentas, equipamentos ou rotinas de treinamento, em vez de desaparecerem quando a resposta terminar. Os pesos aqui também são chamados de parâmetros, que são o conjunto de números que o modelo ajusta continuamente durante o treinamento e finalmente é salvo. Somente quando isso for alcançado poderemos falar de auto-aperfeiçoamento - este termo é usado neste artigo para se referir genericamente à melhoriade saída, memória, parâmetros ou equipamento de acionamento.
Ciclo fechado autônomo: O sistema pode identificar problemas, propor modificações, realizar experimentos, avaliar resultados e adotar versões melhores dentro de limites definidos. Novas versões podem participar da próxima rodada de melhorias dentro desse limite, que este artigo chama de RSI limitado.
Ganho recursivo (também chamado de "ignição"): A nova versão não apenas tem uma pontuação mais alta na tarefa, mas também é melhor que a versão antiga na geração da próxima melhoria. Somente depois de ultrapassar esse ponto a “própria capacidade de melhoria” começará a acumular juros, o que este artigo chama de autoaceleração recursiva.
Robusto e controlável: Os ganhos são sustentados sob recursos fixos e avaliações ocultas, e podem ser generalizados para tarefas invisíveis sem comprometer a poluição da avaliação, a complexidade do sistema fora de controle, a degradação do alinhamento ou a inauditabilidade (o alinhamento refere-se a fazer com que o comportamento da IA esteja em conformidade com as intenções e limites humanos, em vez de apenas aumentar uma determinada pontuação). Somente quando todos os quatro critérios são atendidos é que está próximo do RSI aberto.
Atualmente, os dois primeiros surgiram, o terceiro não tem provas públicas suficientes e o quarto ainda não foi resolvido. Um loop fechado limitado apareceu, mas isso não significa que a autoaceleração recursiva tenha começado. Somente quando o feedback recursivo for suficiente para compensar a resistência, como maior dificuldade de pesquisa e ciclos de iteração mais longos, as melhorias entrarão na faixa de autoamplificação.
As quatro declarações a seguir serão usadas fixamente. O autoaperfeiçoamento geralmente se refere à melhoria da produção, da memória, dos parâmetros ou do equipamento de direção. Novas versões podem participar da próxima rodada de melhorias dentro de limites fixos, que este artigo chama de RSI limitado. O sistema aprimorado torna-se mais capaz de melhorias, o que é chamado de autoaceleração recursiva, que é a terceira camada de “ignição”. Se esse ganho puder sersustentado, generalizado e além dos limites da tarefa original, estará próximo do RSI aberto.
Actualmente, surgiram as duas primeiras camadas, a terceira camada não tem provas públicas suficientes e a quarta camada continua por resolver. Um loop fechado limitado apareceu, mas isso não significa que a autoaceleração recursiva tenha começado. Somente quando o feedback recursivo for suficiente para compensar a resistência, como maior dificuldade de pesquisa e ciclos de iteração mais longos, as melhorias entrarão na faixa de autoamplificação.
Para ver exatamente onde estamos hoje, temos que voltar a uma IA que aprendeu a “trapacear” em 1981.
O que é RSI: do autoaperfeiçoamento ao ganho recursivo
Em 1981, Douglas Lenat construiu um sistema denominado EURISKO. Ele não apenas utiliza regras heurísticas para resolver problemas, mas também pode gerar, modificar e avaliar novas regras, e até mesmo utilizar esse mecanismo em si mesmo. Isso estava muito à frente de seu tempo.
EURISKO participou no campeonato nacional de xadrez de guerra espacial Traveler TCS. Ele projeta frotas, simula batalhas e ajusta sua estratégia com base no fracasso. Ganhou o título em 1981 e novamente em 1982, depois que os organizadores mudaram as regras. A comunidade de IA da época ficou chocada: essa coisa poderia realmente melhorar!
Mas Lenat logo encontrou um problema mais difícil.
A EURISKO descobriu que melhorar as suas capacidades reais não é a única forma de alcançar pontuações elevadas. Uma determinada regra não fez realmente uma descoberta importante, mas aprendeu a adicionar seu nome à lista de “descobridores” quando outras regras fizeram descobertas, de modo que sua pontuação interna de “utilidade” rapidamente se aproximou do mais alto. Por outras palavras, não se tornou mais inteligente, mas aprendeu a explorar lacunas no mecanismo de avaliação.
Esse fenômeno é frequentemente chamado de hacking de recompensa (também chamado de especulação de recompensa): o sistema encontra brechas que melhoram a pontuação, mas na verdade não atinge os objetivos pretendidos pelos designers. É especialmente fatal no contexto do autoaperfeiçoamento da IA: uma vez que o sistema é ao mesmo tempo aquele que está sendo melhorado e também pode afetar o processo de avaliação, o autoaperfeiçoamento pode cair no autoengano. Encontraremos esta armadilha novamente enovamente mais tarde.
Nas décadas seguintes, os algoritmos genéticos, as estratégias evolutivas e a neuroevolução provaram continuamente que a pesquisa e a selecção podem dar origem a comportamentos complexos e expuseram repetidamente o mesmo problema: enquanto existirem lacunas no alvo de avaliação, o sistema pode primeiro aprender a explorar as lacunas em vez de se tornar verdadeiramente mais forte.
Este tópico se estende até 2017, e aparece um caso mais extremo: o AlphaZero da DeepMind. Baseia-se no puro autojogo para dominar Go, xadrez e shogi do zero. O poder de “treinar-se com dados autogerados” é totalmente demonstrado pela primeira vez.
Do ponto de vista da estrutura de quatro camadas deste artigo, AlphaZero é uma implementação restrita: a reprodução automática gera sinais de treinamento, melhora os pesos de escrita e as duas primeiras camadas foram estabelecidas dentro do jogo fixo.
Mas a principal limitação é: os limites do circuito fechado são traçados pelos seres humanos e o sistema não pode modificar eles próprios os limites. A função de recompensa (pontuação por vencer um jogo), as regras do jogo, o processo de treinamento e os métodos de avaliação são todos codificados antecipadamente por humanos. AlphaZero implementa um ciclo fechado de autoaperfeiçoamento autônomo e duradouro em uma sandbox completamente fechada, mas não pode questionar ou modificar essa sandbox. Isso significa quesua melhoria sempre estará limitada à dimensão de “melhor jogando xadrez” e nunca poderá ser migrada para fora da sandbox.
Este é o teto comum dos métodos históricos. A pesquisa na era LLM não o cruzou de uma só vez, mas começou a mover os links originalmente controlados por humanos em um circuito fechado, um por um. A primeira coisa a ser entregue é o sinal de feedback para determinar “o que precisa ser mudado”.
Primeiro empurrão (2022–2023): deixe a IA aprender com seus próprios erros
Todos os métodos da história estão presos no mesmo lugar: a direção da melhoria é escrita antecipadamente pelos humanos. EURISKO e AlphaZero dependem de funções de avaliação fornecidas por humanos, e os algoritmos genéticos dependem de funções de aptidão projetadas por humanos. O sistema pode evoluir, mas só pode avançar ao longo do caminho traçado pelos humanos. Para avançar, o primeiro passo é perguntar: o sistema pode julgar sozinho a qualidade da produção atual?sem depender da intervenção humana, um após o outro, e gerar direções para melhorias? Este tipo de feedback que pode apontar para a próxima revisão é chamado de “sinal de melhoria” neste artigo.
Esta etapa não era possível no passado porque as máquinas não conseguiam ler “qual é uma boa resposta”. No segundo semestre de 2022, o Large Language Model (LLM) será capaz de compreender a linguagem e avaliar a qualidade de um trecho de texto. Deixar o sistema gerar seu próprio feedback verbal torna-se uma abordagem comum pela primeira vez. A principal restrição desta rota é: nem um único parâmetro é alterado ao longo do processo, e a melhoriaocorre principalmente no processo de raciocínio e na memória externa.
Reflexão: Transforme a revisão falhada em memória reutilizável
A ideia mais direta é deixar o modelo ser lapidado repetidamente no processo de resposta na hora: primeiro dê a resposta, depois critique a resposta e depois reescreva-a, repetindo o ciclo, sem alterar os parâmetros ao longo do processo. Mas há uma falha inerente. Usar o mesmo modelo para criticar a sua própria produção equivale a usar a mesma régua para medir o mesmo pedaço de tecido, e é difícil medir a sua própria produção.pontos cegos. Se a revisão permanecer apenas no contexto atual, o progresso será perdido após o término da tarefa.
Reflexion (NeurIPS'23) adiciona um design chave nesta base: memória episódica. Depois que uma tarefa falha, o modelo escreve uma revisão post-mortem em linguagem natural, salva a revisão e injeta contexto diretamente na próxima vez que encontrar uma tarefa semelhante. Isso equivale a dar à IA um livro de perguntas erradas. Quanto mais perguntas erradas você acumular, maior será o seu ponto de partida para a próxima largada.
No teste de programação HumanEval Python, a precisão do pass@1 do Reflexion atingiu 91%, superando o melhor resultado anterior GPT-4 (80%) listado no artigo. pass@1 significa que cada pergunta é calculada apenas uma vez para o processo de resposta completo e a proporção do programa final que passa no teste de unidade oculta é calculada. Durante todo o processo, os parâmetros do modelo não foram alterados.
O limite do primeiro avanço: a memória pode durar e a habilidade básica não forma uma nova versão.
A memória episódica do Reflexion pode ser retida entre tarefas, portanto já satisfaz parcialmente a “melhoria duradoura”. Mas o que é salvo é a memória de texto externa, não os parâmetros do modelo, e não produz um novo modelo com capacidades básicas mais fortes. Assim que a memória for removida, a habilidade retorna ao seu estado original.
Em uma palavra: esta etapa dá à IA um livro de perguntas erradas que podem ser salvas, mas ainda não incorporou a experiência ao corpo. Seguindo em frente, as melhorias devem ser inseridas nos parâmetros para formar uma versão verdadeiramente nova.
Segundo impulso (2022–2024): Treine-se com os dados que você gera
Em seguida, solde o livro de perguntas errado no corpo do modelo. O problema a ser resolvido neste avanço é permitir que os sinais melhorados gerados independentemente sejam escritos em parâmetros para formar uma melhoria de capacidade verdadeiramente duradoura. Sem esta etapa, não haveria estrutura recursiva de “a versão subsequente é mais forte que a anterior” e não haveria RSI.
A ideia é muito simples: deixar o modelo gerar sozinho um lote de dados de treinamento e, em seguida, usar esses dados para treinar novamente. Parece um pouco como “pisar com o pé esquerdo e alcançar o céu com o pé direito”. Se ele pode realmente pisar é algo que precisa ser verificado nesta etapa.
Esta é a primeira vez que melhorias duradouras no nível de peso foram sistematicamente abordadas por grandes modelos de linguagem.
STAR: O trabalho fundamental da inicialização da cadeia de raciocínio
Em 2022, STaR (Self-Taught Reasoner) (NeurIPS'22) permite que o modelo gere o processo de raciocínio, retém a parte correta da resposta para se ajustar e, em seguida, usa o modelo atualizado para gerar o próximo lote de processos de raciocínio.
O problema é que, se o modelo errar todas as respostas, o loop não será iniciado.
A solução do STaR é chamada de raciocínio reverso: primeiro diga ao modelo a resposta correta e deixe-o reverter o processo de resolução de problemas e usá-lo para treinamento. É equivalente a acender a luz uma vez em um quarto escuro, esperar que ele aprenda a andar e depois apagar a luz para deixá-lo andar sozinho.
SPIN: Melhorando o modelo em comparação com versões históricas
O limite de filtragem do STaR é fixo, enquanto o SPIN (Self-Play Fine-Tuning) (ICML'24) permite que o modelo atual jogue contra a versão histórica e aprenda a distinguir entre "demonstração humana" e "saída da versão histórica". Quanto mais difícil for distinguir entre os dois, significa que o modelo está mais próximo da demonstração humana e não é necessária nenhuma nova anotação manual em todo o processo.
O limite do segundo empurrão: os pesos mudaram, mas o alvo e a caneta vermelha ainda são fornecidos por humanos.
Esta etapa resolve o problema da persistência do nível de peso, mas o sinal de feedback ainda depende dos humanos. A função de recompensa é projetada por humanos, as tarefas de treinamento são selecionadas por humanos e os critérios de filtragem de dados também são formulados por humanos. O sistema pode gerar dados candidatos de forma autônoma, mas o julgamento de quais dados são considerados “bons” e dignos de treinamento ainda está nas mãos de humanos. SPIN não exige novo manualanotações, mas ainda tem como alvo a distribuição de demonstração humana existente, portanto o limite superior ainda está ancorado por esta distribuição.
O problema mais profundo é que o ganho recursivo ainda não apareceu: à medida que as capacidades do modelo melhoram, as tarefas fixas de treino perderão gradualmente o seu desafio. O sistema ficará cada vez melhor no preenchimento deste lote de perguntas, mas não há evidências de que ficará cada vez melhor na concepção do treinamento em si. Assim como um atleta já correu menos de 10 segundos, mas o treinador ainda segue os padrões do ensino fundamentalaulas de educação física para julgar, o espaço para melhorias será limitado pelo teto dos padrões de julgamento.
Resumindo: o sistema pode gerar dados e responder perguntas por si só, mas não pode corrigi-los sozinho. Enquanto a caneta vermelha estiver em mãos humanas, os humanos ainda desenharão o teto.
O terceiro avanço (2022–2025): Conceder mais direitos de pontuação à IA
Essa caneta vermelha também pode ser dada à IA? Enquanto a pontuação e o feedback dependerem de anotações manuais ou de validadores escritos por humanos, a direção da melhoria ainda estará nas mãos de humanos. O validador aqui é um programa que pode determinar automaticamente se o resultado está correto ou incorreto de acordo com regras predefinidas. É esta camada de dependência que o terceiro impulso reduzirá: mais sinais de feedback podem ser gerados pela IA?em si?
Este é o aprofundamento do ciclo fechado autônomo: não apenas deixar o modelo refletir sobre o resultado, mas também dar parte do feedback do treinamento à IA.
CAI para Meta-Recompensador: Das respostas da avaliação aos juízes da avaliação
O cerne do terceiro empurrão é o salto triplo da pergunta “quem vai marcar?”
Primeiro salto: Em 2022, a Antrópica propôs IA Constitucional (CAI). Os humanos apenas escrevem um princípio escrito e depois deixam a IA pontuar de acordo com os princípios. No experimento, isso não é significativamente diferente do efeito do treinamento de pontuação manual, e as pessoas não precisam mais participar da pontuação item por item.
Segundo salto: Em 2024, os Modelos de Linguagem Auto-Recompensadores da Meta (ICML'24) vão um passo além. O mesmo modelo escreve as respostas, pontua a si mesmo e às respostas de outros candidatos e se atualiza com essas pontuações. O método de ajuste fino usado é chamado de Otimização de Preferência Direta (DPO), que pode ser entendido simplesmente como: "Esta resposta é melhor que aquela. No futuro, confie na melhor."
A partir do Llama 2 70B, após três iterações, sua taxa de vitórias no AlpacaEval 2.0 aumentou de 9,94% para 20,44%. Aqui, GPT-4 atua como juiz e GPT-4 Turbo atua como oponente. A taxa de vitórias não é a taxa de respostas correta no sentido geral.
O terceiro salto: uma vez que a qualidade das respostas pode evoluir por si só, a própria qualidade do julgamento também pode evoluir? Meta-Rewarding (2024) adiciona uma camada de “meta-julgamento” nesta base. O mesmo modelo desempenha os papéis de réu, juiz e “juiz dos juízes” simultaneamente. A terceira função é dedicada a julgar se a pontuação está correta desta vez. Durante cada rodada de atualizações, o modelo se move em duas direções: “melhores respondedores” e “maisjuízes precisos" ao mesmo tempo.
Contudo, o artigo também regista um fenómeno digno de vigilância: após várias rondas de iteração, os “juízes dos juízes” começam a degradar-se. Ele não determina mais qual pontuação é mais razoável, mas seleciona diretamente aquela com pontuação mais alta, e os critérios de julgamento também variam de acordo. Esta é a versão de 2024 do velho problema da EURISKO: quanto mais profundamente evolui, mais curva se torna a régua para medir o bem e o mal.
O limite do terceiro avanço: Depois que a caneta vermelha é entregue à IA, a própria régua começa a dobrar.
Esta etapa reduz significativamente a dependência do sinal de feedback na anotação manual, uma por uma, mas ao mesmo tempo expõe a dificuldade central do RSI: quando o juiz e o juiz compartilham o mesmo conjunto de pontos cegos, o circuito fechado pode facilmente confirmar-se.
Esses sistemas podem formar atualizações persistentes e autônomas, mas não necessariamente lidam com novas tarefas que diferem dos dados de treinamento, nem provam que novas versões serão melhoradores mais fortes. O problema mudou de “o feedback humano é muito lento” para “se o autojulgamento é confiável”.
Em uma frase: A caneta vermelha foi finalmente entregue à IA, mas ao segurá-la, começou a receber notas altas.
Quarto Avanço (2023–2026):
Deixe a IA modificar a forma como opera
Os três primeiros avanços focaram principalmente na alteração de saída, memória, parâmetros e sinais de feedback. No entanto, as capacidades de um sistema de IA não são determinadas apenas por parâmetros, mas também por todo o sistema de controlo que funciona em torno do modelo: como escrever palavras de alerta, que ferramentas chamar, que processos organizar, onde existe a memória, onde está a autoridade e como julgar os resultados.
Lilian Weng chamou toda essa camada de arnês em seu artigo de 2026. É como um arreio de cavalo. Não só apoia o modelo para funcionar, mas também restringe onde, como e até onde o modelo pode ir. A engrenagem motriz determina se as capacidades do modelo podem ser traduzidas em ações confiáveis.
É provável que os auto-aperfeiçoamentos recentes comecem com ferramentas de condução, porque a mudança de pesos é dispendiosa, o feedback é lento e os riscos são elevados. Alterar as ferramentas de direção é essencialmente alterar o código, que é mais barato e mais fácil de reverter. A direção a longo prazo pode ser que os pesos dos modelos coevoluam com o veículo, mas os avaliadores, os controles de permissão e os limites críticos de segurança devem permanecer fora da zona evolutiva.
Portanto, a questão a ser respondida no quarto impulso é: o sistema pode modificar autonomamente o seu próprio equipamento de condução, ou seja, definir a arquitetura de seu funcionamento?
A atualização de parâmetros visa treinar recursos no modelo no modo operacional estabelecido. As atualizações dos equipamentos de direção mudam a forma como as habilidades são usadas, o que equivale a redesenhar a bancada, a caixa de ferramentas e os métodos de treinamento.
Existe uma clara escada progressiva para melhorar o equipamento de condução. Os objetos a serem otimizados vão de superficiais a profundos, e cada nível está mais próximo do núcleo de "como o sistema pensa":
fluxograma LR
A["Prompt Word
Alterar o texto"] --> B["Estrutura do contexto
O que mudar"] B --> C["Fluxo de trabalho
Etapas de alteração"] C --> D["Código do equipamento de condução
Alterar todo o arranjo"] D --> E["Código do otimizador
alterar "como alterar" a si mesmo"] Quanto mais avançamos, maior será a alavancagem para a mudança e mais próximo estará de “o sistema reescrever sozinho a lógica operacional”. Vamos seguir esta escada e observá-la do superficial ao profundo. OPRO: deixe as palavras do prompt iterarem sozinhas O sistema pode ficar mais forte deixando os parâmetros inalterados e alterando apenas as palavras de prompt, que são as palavras que damos instruções ao modelo? A abordagem do OPRO (ICLR 2024) é muito representativa. Ele fornece as palavras de prompt testadas e as pontuações correspondentes ao modelo, permitindo que o modelo resuma as regras e gere uma versão melhor. No passado, as “habilidades de ajuste” dependiam da tentativa e erro das pessoas, mas agora o modelo podeser iterado por conta própria. Mas o limite superior é claro: não importa quão boa seja a palavra-chave, ela apenas recorre às capacidades existentes do modelo e não pode criar novas capacidades. ADAS e AFlow: fluxos de trabalho automatizados de agentes de design Indo uma camada mais abaixo, o que é otimizado não é mais apenas o texto, mas as informações alimentadas no modelo e como todo o processo da tarefa é organizado. Por exemplo, AI Scientist monta uma linha de montagem de “propor ideias → escrever código → executar experimentos → escrever artigos → revisão por pares”. Como um processo pode ser escrito em código, ele também pode ser pesquisado. ADAS (ICLR 2025) transforma o próprio “fluxo de trabalho de design” em um problema de otimização. Um "agente designer" de nível superior escreve continuamente novos fluxos de trabalho no código, executa-os, filtra-os e depois modifica-os, e assim por diante. AFlow (ICLR 2025) vai um passo além. Ele representa o fluxo de trabalho como um fluxograma composto por chamadas de modelo e julgamentos lógicos e, em seguida, usa algoritmos de busca para encontrar estruturas melhores, superando, em última análise, soluções projetadas manualmente. Self-Harness e DGM: Deixe o sistema reescrever o código do Harness O topo da escada é o sistema reescrever diretamente o código que define como ele opera. Existem duas rotas aqui. A primeira forma é “propor, avaliar e aceitar”. O sistema encontra seus próprios problemas, propõe modificações e as adota após verificar se são eficazes. Self-Harness (2026) adiciona condições estritas de aceitação: o sistema primeiro resume os motivos da falha e depois faz pequenas modificações reversíveis. A nova versão será mantida apenas se não regredir em questões visíveis e invisíveis. O segundo caminho é a busca evolutiva. O sistema retém um grupo de soluções candidatas, permite gerar variantes e depois deixa versões melhores por meio de experimentos. A Máquina Darwin Gödel (DGM) (2025) desenvolve diretamente um código de direção automodificável. Partindo da premissa de que o modelo básico permanece inalterado, sua taxa de sucesso de reparo no SWE-bench Verified aumenta de 20% para 50%. Por trás de ambos os caminhos está o mesmo insight: o código é a linguagem universal para definir sistemas. Uma vez que o veículo é escrito em código executável e pontuável, os agentes de programação podem pesquisar o espaço de design. MetaClaw e AgentX: deixe que usuários reais sejam a fonte de feedback Não importa o caminho que você tome, a autoevolução do equipamento de direção requer um sinal de “se a modificação é boa ou não”. O sinal de melhoria do DGM vem do conjunto de testes fixo. MetaClaw (2026) permite que o agente extraia experiência do diálogo em implantação real e solidifica a experiência em pesos em segundo plano, empurrando a autoevolução de um banco de perguntas para um usuário. Já existem pessoas no setor que estão seguindo esse caminho para negócios reais. O AgentX (2026) de Kuaishou revisará os registros de execução, modificará o equipamento de condução do subagente de acordo e, em seguida, usará tarefas históricas para filtrar novas versões. Ele usa um esqueleto semelhante de "propor, avaliar, aceitar" como o Self-Harness. A diferença é que ele passa por testes A/B online reais. A permanência e o comportamento de consumo do usuário passam a ser o sinal de recompensa do sistema. A diferença essencial entre esses métodos não está no mecanismo, mas em quem é o coach: um conjunto de testes, usuários reais ou um negócio online. Quanto mais próximo o treinador estiver da realidade, maior será a probabilidade de as melhorias realmente funcionarem, mas maior será o risco de serem aproveitadas. O limite do quarto avanço: A arquitetura operacional pode ser alterada, mas o limite de verificação e o objetivo final ainda são externos. Este avanço também transformou os métodos de chamada de modelos, ferramentas e memórias em objetos evolutivos. Mas a direção em que a ferramenta de condução evolui ainda é determinada por tarefas externas, validadores ou objetivos do usuário. Mais importante ainda, uma pontuação mais elevada para o instrumento de condução não significa que a inteligência da base se torne mais forte. Só porque um sistema irá modificar o equipamento de condução não significa que o equipamento de condução atualizadoserá efetivamente utilizado por ele. Resumindo: o sistema é finalmente capaz de reinventar seus próprios membros e bancada de trabalho, com critérios de aceitação e limites de construção ainda sendo definidos pelo mundo exterior. Quinto impulso (2025–2026): Coloque o processo de aprendizagem e pesquisa em um ciclo fechado Modificar a ferramenta de condução é um caminho, mas o que muda a ferramenta de condução é como o sistema executa as tarefas durante o tempo de execução – qual ferramenta chamar, qual processo seguir e quando parar. O quinto impulso é mudar a camada mais a montante: os materiais utilizados pelo sistema para aprender e o próprio local – de onde vêm as questões práticas, como é o ambiente de prática e como os dados de treinamento são gerados. O primeiro determinacomo os recursos existentes são usados, e o último determina em que tipo de experiência a próxima versão do modelo será treinada. Os cronogramas dos dois são altamente sobrepostos, porque muitas equipes estão fazendo as duas coisas ao mesmo tempo, mas os objetos de mudança são diferentes: um altera a estrutura de controle durante a inferência e o outro altera o fornecimento de insumos antes do treinamento. Assim, outro caminho começou a expandir o escopo do circuito fechado: todo o processo de aprendizagem e pesquisa pode se tornar o objeto operacional do sistema? O sistema começa a gerar materiais de treinamento, seleciona estratégias práticas, executa experimentos, modifica o processo de treinamento e, em seguida, grava os resultados de volta no modelo ou equipamento de direção. Há um mal-entendido a evitar aqui. A geração autônoma de dados ou ambiente do sistema apenas amplia o escopo dos circuitos fechados autônomos. Mesmo que as perguntas, respostas e correções sejam todas concluídas pela IA, se a nova versão não melhorar no design da próxima rodada de melhorias, o sistema ainda não ultrapassou o limiar do ganho recursivo. SEAL: Deixe o modelo gerar seus próprios dados de treinamento e atualizar instruções Dê a um modelo um novo material que ele nunca viu antes, e ele geralmente só poderá aprender de maneiras predeterminadas pelos humanos. Um trabalho em 2025 pediu ao modelo que escrevesse primeiro um "plano de aprendizagem" para si mesmo: como organizar os materiais, em que ritmo aprender e se precisa ser reescrito várias vezes são todos decididos pelo próprio modelo, e então os parâmetros são atualizados de acordo com o plano. Isso equivale a organizar seu próprio cursoagendar e depois assistir às aulas de acordo com ele. Este método é denominado SEAL (LLMs auto-adaptáveis) (NeurIPS'25). Se o plano é bom ou não, depende “se as perguntas serão precisas após o término da aula”. O sistema então usa os resultados para ajustar o plano. Isso é aprendizagem por reforço. Na tarefa de perguntas e respostas de conhecimento, este método aumentou a precisão de 33,5% para 47,0%, o que também é melhor do que usar diretamente o GPT-4.1 para gerar materiais de aprendizagem. SEAL aborda “como preparar materiais de aprendizagem para você mesmo”. Mas para os agentes que precisam interagir repetidamente com o ambiente, surge rapidamente outro gargalo: a prática real em si é muito lenta e cara. Assim, a próxima tarefa foi mover o ambiente para um circuito fechado. SEAL resolve "como preparar materiais de aprendizagem para você". Mas para os agentes que precisam interagir repetidamente com o ambiente, a prática da vida real costuma ser muito lenta e cara: o ambiente web é muito complexo e cada operação deve ser realmente executada, e a coleta de dados de treinamento é lenta e cara. O WebEvolver (EMNLP'25) oferece um compromisso - treinar um "modelo mundial" interno para simular como as páginas da web responderão, o que éequivalente a construir uma caixa de areia em sua mente. O agente pode praticar muito no sandbox com baixo custo e só ficar online para verificação em etapas críticas; ao executar tarefas, o sandbox também pode ajudá-lo a prever os resultados da próxima operação. Em três conjuntos reais de testes de tarefas de páginas da Web, seu desempenho geral é melhorado em cerca de 10% em comparação com os agentes autoevolutivos existentes e não depende de um "modelo de professor" mais forte. Neste ponto, o circuito fechado pode ser praticado no ambiente de simulação. A próxima questão é naturalmente: a previsão, avaliação e atualização de parâmetros podem sair da página web e ser fechadas no mundo físico real? Motus2: Quando o autoaperfeiçoamento dos parâmetros entra no mundo físico O autoaperfeiçoamento não acontece apenas em linguagens e códigos. Em agosto de 2026, a taxa média de sucesso de um sistema robótico em duas tarefas de máquina real aumentou de 65% para 75%. A mudança vem de um ciclo fechado muito específico: o robô primeiro imagina diversas ações, prevê os resultados de cada ação, seleciona uma ação melhor e depois usa os resultados para a próxima rodada de treinamento. Este sistema é denominado Motus2. A estratégia é responsável por propor ações, o modelo mundial prevê os resultados das ações e o modelo de valor determina se os resultados ajudarão a completar a tarefa. Previsões e pontuações são usadas para selecionar ações e para atualizar parâmetros de ação. Esta é uma melhoria da estratégia de nível de peso, mas ainda é um ciclo fechado limitado: a espinha dorsal do modelo mundial e o modelo de valor permanecem congelados, as metas de tarefas e a supervisão ainda são fornecidas externamente, e o artigo não mostra que o Motus2 aprimorado seja melhor no design da próxima rodada de algoritmos de aprendizagem. O que isso prova é que circuitos fechados podem ser executados em robôs reais, e não que o RSI aberto tenha sido feito. SEAL, WebEvolver e Motus2 trazem, respectivamente, materiais de treinamento, ambiente de prática e ações físicas para o circuito fechado. Eles ampliam o escopo em que o sistema pode operar de forma autônoma, mas ainda não deixam ao sistema o poder de decisão sobre “o que estudar e quando usar os resultados”. Para ver até que ponto esta fronteira avançou na investigação e desenvolvimento reais, temos de voltar aos laboratórios de ponta esistemas de produção. OpenAI e Google: permitam que os agentes participem no desenvolvimento do modelo Os "estagiários de pesquisa automatizada" da OpenAI foram capazes de solucionar problemas, otimizar programas de kernel de GPU, testar receitas de treinamento e ajudar a melhorar outro modelo. O Google também disse que os loops de agentes de longa duração participam do refinamento do modelo subjacente. No entanto, nenhuma das empresas provou ser um ciclo fechado totalmente autónomo: os seres humanos ainda decidem a direcção da investigação e se os resultados são avançados, e a informação pública não é suficiente para restaurarcomo o loop funciona. A verdadeira mudança é que a IA passou de “o modelo em estudo” para “o executor que participa do modelo de pesquisa”. Entrou na oficina de treinamento, mas ainda não assumiu o comando do laboratório. Verão de 2026: Os sistemas de pesquisa automatizados começam a melhorar a forma como fazem pesquisas Os primeiros cinco avanços continuaram a expandir “o que pode ser modificado no sistema”. Um grupo de trabalho que surgiu no verão de 2026 começou a perguntar de frente: o sistema automático de pesquisa pode estudar e melhorar o próprio sistema automático de pesquisa? Em um benchmark de pré-treinamento GPT, o loop interno comum reduz a perda de verificação em cerca de 0,009, e a adição do loop externo reduz a perda de verificação em cerca de 0,045 em média, uma melhoria de cerca de 5 vezes. A perda de validação pode ser entendida como “quão errado” o modelo está em novos dados e, geralmente, quanto menor, melhor. A comparação aqui é a redução de perdas, não o aumento de 5 vezes na precisão da tarefa. A pesquisa automática de dois níveis faz isso usando um loop de duas camadas: o agente interno otimiza o código da tarefa e o agente externo otimiza o mecanismo de pesquisa interno. O que o sistema melhorou não foram apenas as respostas, mas “como encontrar as respostas”. O Recursive Harness Self-Improvement (RHI) obteve resultados semelhantes: em 30 tarefas de pesquisa de aprendizado de máquina sintética, o agente atualizado de baixo orçamento de inferência excedeu a configuração não otimizada de maior orçamento, reduzindo os custos de inferência em até cerca de 60%. Melhorar o mecanismo operacional é por vezes mais eficaz do que simplesmente aumentar o orçamento de reflexão. No entanto, ambos os resultados vêm principalmente de experimentos em escala controlada. Provar que um loop fechado não encontra uma boa solução apenas ocasionalmente requer execuções mais longas, múltiplas versões subsequentes e testes fora do loop. AIDE² tenta juntar essas três coisas. O que realmente causou polêmica foi o AIDE². A equipe da Weco pediu a um agente de pesquisa automatizado para atuar como melhorador externo, reescrevendo a ferramenta de condução do AIDE interno em 100 etapas consecutivas. Durante oito dias de operação autônoma, ele filtrou sete versões melhoradas consecutivas. A equipe relatou que a melhor versão não só ultrapassou o ponto inicial, mas também superou a versão que havia sido ajustada manualmente por dois anos, e trouxe oganhos para tarefas que o loop nunca tinha visto antes. Outra mudança ocorreu com os cheats de recompensa. No teste do programa de kernel da GPU KernelBench que não participou da otimização, 63% dos casos de teste na versão inicial tiveram uma situação em que “a pontuação pública parecia ter melhorado, mas a verificação oculta não foi reconhecida”. A versão mais evoluída cai para 34%. A pontuação privada aqui é uma pontuação que não pode ser vista durante a otimização do sistema e é usada apenas durante a otimização final.aceitação. Pode ter eliminado versões que atenderiam apenas a partituras públicas. A Weco chama isso de Nível 1: Melhoria Líquida Positiva. Este não é um padrão comum da indústria, mas é uma evidência de RSI limitado que merece ser levado a sério agora. Os limites das evidências também são claros: os resultados vêm dos autorrelatos da equipe, o relatório completo ainda não foi divulgado e há recorrências no sistema evoluído. Inchaço de complexidade e código morto. Mais criticamente, falhou no teste de ignição de nível seguinte: o sistema melhorado não provou ser melhor do que o seu antecessor na melhoria de outra versão. A evidência inversa vem do AI4AI-Bench. Permite ao agente reescrever o algoritmo de treinamento dentro de um recurso fixo, que é então pontuado por um avaliador inacessível ao agente. Tomando o algoritmo original como 0,1 e o valor ideal da tarefa como 1,0, o sistema mais forte obtém apenas 0,250, e a maioria dos envios não modifica realmente o modelo "como aprender". Atualmente, os agentes são muito bons em reparar projetos, ajustar a conduçãoequipamentos e execução de experimentos, mas sua capacidade de tocar o núcleo dos algoritmos de treinamento ainda é muito superficial. Resumindo: o circuito fechado conseguiu girar algumas vezes de forma positiva, mas não foi provado que a próxima volta girará mais rápido por causa da anterior. Perspectiva unificada: como avaliar para onde foi o RSI A tabela a seguir utiliza os quatro critérios iniciais (melhoria persistente, malha fechada autônoma, ganho recursivo, robustez e controlabilidade) para comparar os avanços anteriores e marcar as principais lacunas. Quase todo o trabalho relacionado ao ciclo fechado de metapesquisa vem de pré-impressões do arXiv nos últimos meses de 2026, entre as quais AIDE² é um resultado de blog auto-relatado pela equipe, que ainda não foi revisado por pares. Estas conclusõesdevem ser vistos como observações encenadas e não como consenso estabelecido. ✅ na tabela indica que há evidências relativamente diretas, ⚠️ indica que só foi estabelecido sob condições limitadas ou as evidências ainda são insuficientes e ❌ indica que ainda não foi demonstrado. A história deste campo é a história dos “objetos que podem ser alterados pelo sistema” avançando camada por camada. Os objetos que foram alterados passaram gradativamente de saída e memória para parâmetros, avaliação, equipamentos de direção e ambiente de treinamento, e finalmente encontraram o próprio mecanismo que produziu a melhoria. Quanto mais você avança, mais difícil é definir “melhoria” e mais difícil é comprovar. Voltando aos quatro critérios anteriores – melhoria duradoura, circuito fechado autônomo, ganho recursivo, robustez e controlabilidade – o que realmente bloqueia a ignição e abre o RSI hoje é o ponto mais difícil de ultrapassar em cada um dos últimos três critérios, que podem ser divididos em quatro portas interligadas. A primeira porta (se o circuito fechado autônomo é confiável): se o verificador é confiável e o sistema não pode alterá-lo. Quando o sistema é ao mesmo tempo um melhorador e um juiz, os critérios de julgamento podem variar ao longo das iterações. Mais tarde, os “juízes” do Meta-Rewarding tornaram-se cada vez mais tendenciosos em relação às pontuações mais altas, e a EURISKO aprendeu mais cedo a inserir o seu nome na carteira de crédito. Todos eles lembram a mesma coisa: a otimizaçãoo processo ataca cada lacuna entre suas métricas e seus verdadeiros objetivos. A âncora externa aqui refere-se a uma avaliação ou restrição que não pode ser alterada pelo sistema melhorado. Provas formais, verificadores executáveis e testes ocultos são geralmente mais confiáveis do que a autoavaliação do modelo. A pontuação oculta do AIDE² pode reduzir algumas trapaças de recompensa precisamente porque o agente interno não pode manipulá-la. Um princípio verdadeiramente sólido não é ter pessoas auditando cada etapa, mas sim: os avaliadores e os limites de permissão devem permanecer fora do controle do sistema que está sendo desenvolvido. As tarefas matemáticas e de codificação podem contar com provadores, compiladores ou testes ocultos. Gostos de pesquisa, integridade do código a longo prazo e limites de implantação ainda exigem julgamento humano final. A segunda porta (que seja robusta e controlável): se as melhorias podem ir além da própria distribuição de dados. Treinar-se com dados autogerados amplificará os desvios existentes, suavizará a diversidade e, eventualmente, levará ao colapso do modelo: o resultado torna-se cada vez mais monótono e os erros originais são repetidamente amplificados em rodadas de autotreinamento. Se você usar um banco de perguntas fixo para modificar a ferramenta de condução, poderáescreva os recursos do banco de perguntas no fluxo de trabalho, criando outro tipo de ajuste excessivo. Uma melhoria em uma missão invisível não é suficiente. O sistema deve passar por uma avaliação oculta em tarefas, domínios e tempo para demonstrar que está acumulando habilidades transferíveis, em vez de habilidades mais ocultas para fazer testes. A terceira porta (o próprio ganho recursivo): se a melhoria realmente tem um ganho recursivo. Aumentar a pontuação da tarefa não significa que o sistema projetará a próxima melhoria. AIDE² demonstra melhoria positiva líquida em várias etapas sem passar pela ignição. AI4AI-Bench mostra que a maioria dos sistemas ainda não modifica o algoritmo de aprendizagem principal. Quando a base é muito fraca, a qualidade dos dados autogerados e do autodiagnóstico podetambém espiralar o ciclo cada vez mais. A quarta porta (robusta e controlável 2): se as capacidades, a complexidade e o controle podem ser expandidos juntos. Quanto mais forte você se torna, mais "obediente" você é e quanto mais você pode alterar o código, mais fácil será mantê-lo. O código morto e a inflação de complexidade do AIDE² são um aviso em pequena escala. Em sistemas de treinamento maiores, quanto maior a autoridade e mais rápida a iteração, mais difícil será para os humanos entenderem o que cada mudançatraz. O cientista-chefe da OpenAI, Jakub Pachocki, declarou publicamente que nenhum laboratório resolveu o alinhamento e o monitoramento o suficiente para escalar com responsabilidade e velocidade total no longo prazo. O verdadeiro objetivo não é apenas aumentar a curva de capacidade, mas fazer com que os recursos de segurança, monitoramento, reversão e auditoria pelo menos aumentem simultaneamente. AutoResearchEval examinou 800 trajetórias reais de pesquisas científicas e resumiu 45 tipos de falhas. Em última análise, apontam para a mesma lacuna: os agentes actuais carecem de um ciclo metacognitivo estável e são incapazes de verificar continuamente conclusões e provas, de recuar de forma fiável quando ocorrem erros, ou de questionar activamente os seus próprios caminhos de investigação. O problema não pode ser resolvido apenas por vários conjuntos de fluxos de trabalho. Portanto, o quadro realista mais provável não é que os humanos sejam simplesmente expulsos do ciclo fechado, mas que eles subam na escada abstrata: da escrita do código ao teste do código, da execução de experimentos à verificação do projeto, da execução local à decisão sobre o que vale a pena pesquisar, quais evidências são suficientes para avançar e quando é necessário parar. As máquinas estão assumindo cada vez mais empregos, e o que resta aos humanos não é o direito de operar cada passo, mas o poder de atingir metas, limites de verificação e veto final. Conclusão: O ciclo fechado de autoaperfeiçoamento surgiu, mas o ganho recursivo ainda precisa ser comprovado. Desde 1981, quando a EURISKO aprendeu a “enganar-se”, até 2026, quando o modelo começou a participar na avaliação, modificação de equipamentos de condução, atualizações estratégicas e formação subsequente, uma conclusão mais precisa é que surgiu um ciclo fechado de auto-aperfeiçoamento limitado e mensurável, e até começou a gerar benefícios líquidos positivos, mas não há provas públicas suficientes de que o sistema melhorado tenha melhorado continuamente o seu própriocapacidades de melhoria. Portanto, a forma como o circuito fechado se fecha é mais importante do que o próprio fechamento do circuito fechado. Um ciclo fechado que se fecha na deriva dos critérios torna-se cada vez mais apto a optimizar os seus próprios objectivos distorcidos. Um ciclo fechado que se fecha no colapso da distribuição de dados torna-se cada vez mais bom em um subconjunto cada vez mais restrito de tarefas. Um ciclo fechado na amplificação dos desvios de alinhamento torna-se cada vez mais capaz e difícil de corrigir. As verdadeiras questões tornaram-se duas questões: será que irá inflamar-se e o que permanecerá fora dos seus limites imutáveis quando se inflamar? O primeiro depende de se é possível obter capacidades melhoradas de forma recursiva, e o último depende de a verificação, a autoridade e a governação poderem continuar a ser eficazes. Voltemos ao EURISKO, que colocou o seu nome na lista dos “descobridores” há quarenta anos. A lacuna da qual ele se aproveitou é, na verdade, o mesmo problema enfrentado pelos sistemas autoevolutivos mais avançados da atualidade: quando um sistema começa a se pontuar, como saber se ele realmente melhorou ou se apenas aprendeu a melhorar sua aparência? Quarenta anos se passaram e as capacidades do sistema tornaram-se muito diferentes, mas este problema permaneceu quase inalterado. O que mudou foram os riscos: o que se ganhava ou se perdia num jogo de tabuleiro naquela altura pode ser a forma como a investigação científica e os sistemas económicos funcionarão no futuro. A forma como esta lacuna finalmente será colmatada ainda depende de quando e como colocarmos as mãos nela ou a retirarmos.
Ler a fonteAlterar o texto"] --> B["Estrutura do contexto
O que mudar"] B --> C["Fluxo de trabalho
Etapas de alteração"] C --> D["Código do equipamento de condução
Alterar todo o arranjo"] D --> E["Código do otimizador
alterar "como alterar" a si mesmo"] Quanto mais avançamos, maior será a alavancagem para a mudança e mais próximo estará de “o sistema reescrever sozinho a lógica operacional”. Vamos seguir esta escada e observá-la do superficial ao profundo. OPRO: deixe as palavras do prompt iterarem sozinhas O sistema pode ficar mais forte deixando os parâmetros inalterados e alterando apenas as palavras de prompt, que são as palavras que damos instruções ao modelo? A abordagem do OPRO (ICLR 2024) é muito representativa. Ele fornece as palavras de prompt testadas e as pontuações correspondentes ao modelo, permitindo que o modelo resuma as regras e gere uma versão melhor. No passado, as “habilidades de ajuste” dependiam da tentativa e erro das pessoas, mas agora o modelo podeser iterado por conta própria. Mas o limite superior é claro: não importa quão boa seja a palavra-chave, ela apenas recorre às capacidades existentes do modelo e não pode criar novas capacidades. ADAS e AFlow: fluxos de trabalho automatizados de agentes de design Indo uma camada mais abaixo, o que é otimizado não é mais apenas o texto, mas as informações alimentadas no modelo e como todo o processo da tarefa é organizado. Por exemplo, AI Scientist monta uma linha de montagem de “propor ideias → escrever código → executar experimentos → escrever artigos → revisão por pares”. Como um processo pode ser escrito em código, ele também pode ser pesquisado. ADAS (ICLR 2025) transforma o próprio “fluxo de trabalho de design” em um problema de otimização. Um "agente designer" de nível superior escreve continuamente novos fluxos de trabalho no código, executa-os, filtra-os e depois modifica-os, e assim por diante. AFlow (ICLR 2025) vai um passo além. Ele representa o fluxo de trabalho como um fluxograma composto por chamadas de modelo e julgamentos lógicos e, em seguida, usa algoritmos de busca para encontrar estruturas melhores, superando, em última análise, soluções projetadas manualmente. Self-Harness e DGM: Deixe o sistema reescrever o código do Harness O topo da escada é o sistema reescrever diretamente o código que define como ele opera. Existem duas rotas aqui. A primeira forma é “propor, avaliar e aceitar”. O sistema encontra seus próprios problemas, propõe modificações e as adota após verificar se são eficazes. Self-Harness (2026) adiciona condições estritas de aceitação: o sistema primeiro resume os motivos da falha e depois faz pequenas modificações reversíveis. A nova versão será mantida apenas se não regredir em questões visíveis e invisíveis. O segundo caminho é a busca evolutiva. O sistema retém um grupo de soluções candidatas, permite gerar variantes e depois deixa versões melhores por meio de experimentos. A Máquina Darwin Gödel (DGM) (2025) desenvolve diretamente um código de direção automodificável. Partindo da premissa de que o modelo básico permanece inalterado, sua taxa de sucesso de reparo no SWE-bench Verified aumenta de 20% para 50%. Por trás de ambos os caminhos está o mesmo insight: o código é a linguagem universal para definir sistemas. Uma vez que o veículo é escrito em código executável e pontuável, os agentes de programação podem pesquisar o espaço de design. MetaClaw e AgentX: deixe que usuários reais sejam a fonte de feedback Não importa o caminho que você tome, a autoevolução do equipamento de direção requer um sinal de “se a modificação é boa ou não”. O sinal de melhoria do DGM vem do conjunto de testes fixo. MetaClaw (2026) permite que o agente extraia experiência do diálogo em implantação real e solidifica a experiência em pesos em segundo plano, empurrando a autoevolução de um banco de perguntas para um usuário. Já existem pessoas no setor que estão seguindo esse caminho para negócios reais. O AgentX (2026) de Kuaishou revisará os registros de execução, modificará o equipamento de condução do subagente de acordo e, em seguida, usará tarefas históricas para filtrar novas versões. Ele usa um esqueleto semelhante de "propor, avaliar, aceitar" como o Self-Harness. A diferença é que ele passa por testes A/B online reais. A permanência e o comportamento de consumo do usuário passam a ser o sinal de recompensa do sistema. A diferença essencial entre esses métodos não está no mecanismo, mas em quem é o coach: um conjunto de testes, usuários reais ou um negócio online. Quanto mais próximo o treinador estiver da realidade, maior será a probabilidade de as melhorias realmente funcionarem, mas maior será o risco de serem aproveitadas. O limite do quarto avanço: A arquitetura operacional pode ser alterada, mas o limite de verificação e o objetivo final ainda são externos. Este avanço também transformou os métodos de chamada de modelos, ferramentas e memórias em objetos evolutivos. Mas a direção em que a ferramenta de condução evolui ainda é determinada por tarefas externas, validadores ou objetivos do usuário. Mais importante ainda, uma pontuação mais elevada para o instrumento de condução não significa que a inteligência da base se torne mais forte. Só porque um sistema irá modificar o equipamento de condução não significa que o equipamento de condução atualizadoserá efetivamente utilizado por ele. Resumindo: o sistema é finalmente capaz de reinventar seus próprios membros e bancada de trabalho, com critérios de aceitação e limites de construção ainda sendo definidos pelo mundo exterior. Quinto impulso (2025–2026): Coloque o processo de aprendizagem e pesquisa em um ciclo fechado Modificar a ferramenta de condução é um caminho, mas o que muda a ferramenta de condução é como o sistema executa as tarefas durante o tempo de execução – qual ferramenta chamar, qual processo seguir e quando parar. O quinto impulso é mudar a camada mais a montante: os materiais utilizados pelo sistema para aprender e o próprio local – de onde vêm as questões práticas, como é o ambiente de prática e como os dados de treinamento são gerados. O primeiro determinacomo os recursos existentes são usados, e o último determina em que tipo de experiência a próxima versão do modelo será treinada. Os cronogramas dos dois são altamente sobrepostos, porque muitas equipes estão fazendo as duas coisas ao mesmo tempo, mas os objetos de mudança são diferentes: um altera a estrutura de controle durante a inferência e o outro altera o fornecimento de insumos antes do treinamento. Assim, outro caminho começou a expandir o escopo do circuito fechado: todo o processo de aprendizagem e pesquisa pode se tornar o objeto operacional do sistema? O sistema começa a gerar materiais de treinamento, seleciona estratégias práticas, executa experimentos, modifica o processo de treinamento e, em seguida, grava os resultados de volta no modelo ou equipamento de direção. Há um mal-entendido a evitar aqui. A geração autônoma de dados ou ambiente do sistema apenas amplia o escopo dos circuitos fechados autônomos. Mesmo que as perguntas, respostas e correções sejam todas concluídas pela IA, se a nova versão não melhorar no design da próxima rodada de melhorias, o sistema ainda não ultrapassou o limiar do ganho recursivo. SEAL: Deixe o modelo gerar seus próprios dados de treinamento e atualizar instruções Dê a um modelo um novo material que ele nunca viu antes, e ele geralmente só poderá aprender de maneiras predeterminadas pelos humanos. Um trabalho em 2025 pediu ao modelo que escrevesse primeiro um "plano de aprendizagem" para si mesmo: como organizar os materiais, em que ritmo aprender e se precisa ser reescrito várias vezes são todos decididos pelo próprio modelo, e então os parâmetros são atualizados de acordo com o plano. Isso equivale a organizar seu próprio cursoagendar e depois assistir às aulas de acordo com ele. Este método é denominado SEAL (LLMs auto-adaptáveis) (NeurIPS'25). Se o plano é bom ou não, depende “se as perguntas serão precisas após o término da aula”. O sistema então usa os resultados para ajustar o plano. Isso é aprendizagem por reforço. Na tarefa de perguntas e respostas de conhecimento, este método aumentou a precisão de 33,5% para 47,0%, o que também é melhor do que usar diretamente o GPT-4.1 para gerar materiais de aprendizagem. SEAL aborda “como preparar materiais de aprendizagem para você mesmo”. Mas para os agentes que precisam interagir repetidamente com o ambiente, surge rapidamente outro gargalo: a prática real em si é muito lenta e cara. Assim, a próxima tarefa foi mover o ambiente para um circuito fechado. SEAL resolve "como preparar materiais de aprendizagem para você". Mas para os agentes que precisam interagir repetidamente com o ambiente, a prática da vida real costuma ser muito lenta e cara: o ambiente web é muito complexo e cada operação deve ser realmente executada, e a coleta de dados de treinamento é lenta e cara. O WebEvolver (EMNLP'25) oferece um compromisso - treinar um "modelo mundial" interno para simular como as páginas da web responderão, o que éequivalente a construir uma caixa de areia em sua mente. O agente pode praticar muito no sandbox com baixo custo e só ficar online para verificação em etapas críticas; ao executar tarefas, o sandbox também pode ajudá-lo a prever os resultados da próxima operação. Em três conjuntos reais de testes de tarefas de páginas da Web, seu desempenho geral é melhorado em cerca de 10% em comparação com os agentes autoevolutivos existentes e não depende de um "modelo de professor" mais forte. Neste ponto, o circuito fechado pode ser praticado no ambiente de simulação. A próxima questão é naturalmente: a previsão, avaliação e atualização de parâmetros podem sair da página web e ser fechadas no mundo físico real? Motus2: Quando o autoaperfeiçoamento dos parâmetros entra no mundo físico O autoaperfeiçoamento não acontece apenas em linguagens e códigos. Em agosto de 2026, a taxa média de sucesso de um sistema robótico em duas tarefas de máquina real aumentou de 65% para 75%. A mudança vem de um ciclo fechado muito específico: o robô primeiro imagina diversas ações, prevê os resultados de cada ação, seleciona uma ação melhor e depois usa os resultados para a próxima rodada de treinamento. Este sistema é denominado Motus2. A estratégia é responsável por propor ações, o modelo mundial prevê os resultados das ações e o modelo de valor determina se os resultados ajudarão a completar a tarefa. Previsões e pontuações são usadas para selecionar ações e para atualizar parâmetros de ação. Esta é uma melhoria da estratégia de nível de peso, mas ainda é um ciclo fechado limitado: a espinha dorsal do modelo mundial e o modelo de valor permanecem congelados, as metas de tarefas e a supervisão ainda são fornecidas externamente, e o artigo não mostra que o Motus2 aprimorado seja melhor no design da próxima rodada de algoritmos de aprendizagem. O que isso prova é que circuitos fechados podem ser executados em robôs reais, e não que o RSI aberto tenha sido feito. SEAL, WebEvolver e Motus2 trazem, respectivamente, materiais de treinamento, ambiente de prática e ações físicas para o circuito fechado. Eles ampliam o escopo em que o sistema pode operar de forma autônoma, mas ainda não deixam ao sistema o poder de decisão sobre “o que estudar e quando usar os resultados”. Para ver até que ponto esta fronteira avançou na investigação e desenvolvimento reais, temos de voltar aos laboratórios de ponta esistemas de produção. OpenAI e Google: permitam que os agentes participem no desenvolvimento do modelo Os "estagiários de pesquisa automatizada" da OpenAI foram capazes de solucionar problemas, otimizar programas de kernel de GPU, testar receitas de treinamento e ajudar a melhorar outro modelo. O Google também disse que os loops de agentes de longa duração participam do refinamento do modelo subjacente. No entanto, nenhuma das empresas provou ser um ciclo fechado totalmente autónomo: os seres humanos ainda decidem a direcção da investigação e se os resultados são avançados, e a informação pública não é suficiente para restaurarcomo o loop funciona. A verdadeira mudança é que a IA passou de “o modelo em estudo” para “o executor que participa do modelo de pesquisa”. Entrou na oficina de treinamento, mas ainda não assumiu o comando do laboratório. Verão de 2026: Os sistemas de pesquisa automatizados começam a melhorar a forma como fazem pesquisas Os primeiros cinco avanços continuaram a expandir “o que pode ser modificado no sistema”. Um grupo de trabalho que surgiu no verão de 2026 começou a perguntar de frente: o sistema automático de pesquisa pode estudar e melhorar o próprio sistema automático de pesquisa? Em um benchmark de pré-treinamento GPT, o loop interno comum reduz a perda de verificação em cerca de 0,009, e a adição do loop externo reduz a perda de verificação em cerca de 0,045 em média, uma melhoria de cerca de 5 vezes. A perda de validação pode ser entendida como “quão errado” o modelo está em novos dados e, geralmente, quanto menor, melhor. A comparação aqui é a redução de perdas, não o aumento de 5 vezes na precisão da tarefa. A pesquisa automática de dois níveis faz isso usando um loop de duas camadas: o agente interno otimiza o código da tarefa e o agente externo otimiza o mecanismo de pesquisa interno. O que o sistema melhorou não foram apenas as respostas, mas “como encontrar as respostas”. O Recursive Harness Self-Improvement (RHI) obteve resultados semelhantes: em 30 tarefas de pesquisa de aprendizado de máquina sintética, o agente atualizado de baixo orçamento de inferência excedeu a configuração não otimizada de maior orçamento, reduzindo os custos de inferência em até cerca de 60%. Melhorar o mecanismo operacional é por vezes mais eficaz do que simplesmente aumentar o orçamento de reflexão. No entanto, ambos os resultados vêm principalmente de experimentos em escala controlada. Provar que um loop fechado não encontra uma boa solução apenas ocasionalmente requer execuções mais longas, múltiplas versões subsequentes e testes fora do loop. AIDE² tenta juntar essas três coisas. O que realmente causou polêmica foi o AIDE². A equipe da Weco pediu a um agente de pesquisa automatizado para atuar como melhorador externo, reescrevendo a ferramenta de condução do AIDE interno em 100 etapas consecutivas. Durante oito dias de operação autônoma, ele filtrou sete versões melhoradas consecutivas. A equipe relatou que a melhor versão não só ultrapassou o ponto inicial, mas também superou a versão que havia sido ajustada manualmente por dois anos, e trouxe oganhos para tarefas que o loop nunca tinha visto antes. Outra mudança ocorreu com os cheats de recompensa. No teste do programa de kernel da GPU KernelBench que não participou da otimização, 63% dos casos de teste na versão inicial tiveram uma situação em que “a pontuação pública parecia ter melhorado, mas a verificação oculta não foi reconhecida”. A versão mais evoluída cai para 34%. A pontuação privada aqui é uma pontuação que não pode ser vista durante a otimização do sistema e é usada apenas durante a otimização final.aceitação. Pode ter eliminado versões que atenderiam apenas a partituras públicas. A Weco chama isso de Nível 1: Melhoria Líquida Positiva. Este não é um padrão comum da indústria, mas é uma evidência de RSI limitado que merece ser levado a sério agora. Os limites das evidências também são claros: os resultados vêm dos autorrelatos da equipe, o relatório completo ainda não foi divulgado e há recorrências no sistema evoluído. Inchaço de complexidade e código morto. Mais criticamente, falhou no teste de ignição de nível seguinte: o sistema melhorado não provou ser melhor do que o seu antecessor na melhoria de outra versão. A evidência inversa vem do AI4AI-Bench. Permite ao agente reescrever o algoritmo de treinamento dentro de um recurso fixo, que é então pontuado por um avaliador inacessível ao agente. Tomando o algoritmo original como 0,1 e o valor ideal da tarefa como 1,0, o sistema mais forte obtém apenas 0,250, e a maioria dos envios não modifica realmente o modelo "como aprender". Atualmente, os agentes são muito bons em reparar projetos, ajustar a conduçãoequipamentos e execução de experimentos, mas sua capacidade de tocar o núcleo dos algoritmos de treinamento ainda é muito superficial. Resumindo: o circuito fechado conseguiu girar algumas vezes de forma positiva, mas não foi provado que a próxima volta girará mais rápido por causa da anterior. Perspectiva unificada: como avaliar para onde foi o RSI A tabela a seguir utiliza os quatro critérios iniciais (melhoria persistente, malha fechada autônoma, ganho recursivo, robustez e controlabilidade) para comparar os avanços anteriores e marcar as principais lacunas. Quase todo o trabalho relacionado ao ciclo fechado de metapesquisa vem de pré-impressões do arXiv nos últimos meses de 2026, entre as quais AIDE² é um resultado de blog auto-relatado pela equipe, que ainda não foi revisado por pares. Estas conclusõesdevem ser vistos como observações encenadas e não como consenso estabelecido. ✅ na tabela indica que há evidências relativamente diretas, ⚠️ indica que só foi estabelecido sob condições limitadas ou as evidências ainda são insuficientes e ❌ indica que ainda não foi demonstrado. A história deste campo é a história dos “objetos que podem ser alterados pelo sistema” avançando camada por camada. Os objetos que foram alterados passaram gradativamente de saída e memória para parâmetros, avaliação, equipamentos de direção e ambiente de treinamento, e finalmente encontraram o próprio mecanismo que produziu a melhoria. Quanto mais você avança, mais difícil é definir “melhoria” e mais difícil é comprovar. Voltando aos quatro critérios anteriores – melhoria duradoura, circuito fechado autônomo, ganho recursivo, robustez e controlabilidade – o que realmente bloqueia a ignição e abre o RSI hoje é o ponto mais difícil de ultrapassar em cada um dos últimos três critérios, que podem ser divididos em quatro portas interligadas. A primeira porta (se o circuito fechado autônomo é confiável): se o verificador é confiável e o sistema não pode alterá-lo. Quando o sistema é ao mesmo tempo um melhorador e um juiz, os critérios de julgamento podem variar ao longo das iterações. Mais tarde, os “juízes” do Meta-Rewarding tornaram-se cada vez mais tendenciosos em relação às pontuações mais altas, e a EURISKO aprendeu mais cedo a inserir o seu nome na carteira de crédito. Todos eles lembram a mesma coisa: a otimizaçãoo processo ataca cada lacuna entre suas métricas e seus verdadeiros objetivos. A âncora externa aqui refere-se a uma avaliação ou restrição que não pode ser alterada pelo sistema melhorado. Provas formais, verificadores executáveis e testes ocultos são geralmente mais confiáveis do que a autoavaliação do modelo. A pontuação oculta do AIDE² pode reduzir algumas trapaças de recompensa precisamente porque o agente interno não pode manipulá-la. Um princípio verdadeiramente sólido não é ter pessoas auditando cada etapa, mas sim: os avaliadores e os limites de permissão devem permanecer fora do controle do sistema que está sendo desenvolvido. As tarefas matemáticas e de codificação podem contar com provadores, compiladores ou testes ocultos. Gostos de pesquisa, integridade do código a longo prazo e limites de implantação ainda exigem julgamento humano final. A segunda porta (que seja robusta e controlável): se as melhorias podem ir além da própria distribuição de dados. Treinar-se com dados autogerados amplificará os desvios existentes, suavizará a diversidade e, eventualmente, levará ao colapso do modelo: o resultado torna-se cada vez mais monótono e os erros originais são repetidamente amplificados em rodadas de autotreinamento. Se você usar um banco de perguntas fixo para modificar a ferramenta de condução, poderáescreva os recursos do banco de perguntas no fluxo de trabalho, criando outro tipo de ajuste excessivo. Uma melhoria em uma missão invisível não é suficiente. O sistema deve passar por uma avaliação oculta em tarefas, domínios e tempo para demonstrar que está acumulando habilidades transferíveis, em vez de habilidades mais ocultas para fazer testes. A terceira porta (o próprio ganho recursivo): se a melhoria realmente tem um ganho recursivo. Aumentar a pontuação da tarefa não significa que o sistema projetará a próxima melhoria. AIDE² demonstra melhoria positiva líquida em várias etapas sem passar pela ignição. AI4AI-Bench mostra que a maioria dos sistemas ainda não modifica o algoritmo de aprendizagem principal. Quando a base é muito fraca, a qualidade dos dados autogerados e do autodiagnóstico podetambém espiralar o ciclo cada vez mais. A quarta porta (robusta e controlável 2): se as capacidades, a complexidade e o controle podem ser expandidos juntos. Quanto mais forte você se torna, mais "obediente" você é e quanto mais você pode alterar o código, mais fácil será mantê-lo. O código morto e a inflação de complexidade do AIDE² são um aviso em pequena escala. Em sistemas de treinamento maiores, quanto maior a autoridade e mais rápida a iteração, mais difícil será para os humanos entenderem o que cada mudançatraz. O cientista-chefe da OpenAI, Jakub Pachocki, declarou publicamente que nenhum laboratório resolveu o alinhamento e o monitoramento o suficiente para escalar com responsabilidade e velocidade total no longo prazo. O verdadeiro objetivo não é apenas aumentar a curva de capacidade, mas fazer com que os recursos de segurança, monitoramento, reversão e auditoria pelo menos aumentem simultaneamente. AutoResearchEval examinou 800 trajetórias reais de pesquisas científicas e resumiu 45 tipos de falhas. Em última análise, apontam para a mesma lacuna: os agentes actuais carecem de um ciclo metacognitivo estável e são incapazes de verificar continuamente conclusões e provas, de recuar de forma fiável quando ocorrem erros, ou de questionar activamente os seus próprios caminhos de investigação. O problema não pode ser resolvido apenas por vários conjuntos de fluxos de trabalho. Portanto, o quadro realista mais provável não é que os humanos sejam simplesmente expulsos do ciclo fechado, mas que eles subam na escada abstrata: da escrita do código ao teste do código, da execução de experimentos à verificação do projeto, da execução local à decisão sobre o que vale a pena pesquisar, quais evidências são suficientes para avançar e quando é necessário parar. As máquinas estão assumindo cada vez mais empregos, e o que resta aos humanos não é o direito de operar cada passo, mas o poder de atingir metas, limites de verificação e veto final. Conclusão: O ciclo fechado de autoaperfeiçoamento surgiu, mas o ganho recursivo ainda precisa ser comprovado. Desde 1981, quando a EURISKO aprendeu a “enganar-se”, até 2026, quando o modelo começou a participar na avaliação, modificação de equipamentos de condução, atualizações estratégicas e formação subsequente, uma conclusão mais precisa é que surgiu um ciclo fechado de auto-aperfeiçoamento limitado e mensurável, e até começou a gerar benefícios líquidos positivos, mas não há provas públicas suficientes de que o sistema melhorado tenha melhorado continuamente o seu própriocapacidades de melhoria. Portanto, a forma como o circuito fechado se fecha é mais importante do que o próprio fechamento do circuito fechado. Um ciclo fechado que se fecha na deriva dos critérios torna-se cada vez mais apto a optimizar os seus próprios objectivos distorcidos. Um ciclo fechado que se fecha no colapso da distribuição de dados torna-se cada vez mais bom em um subconjunto cada vez mais restrito de tarefas. Um ciclo fechado na amplificação dos desvios de alinhamento torna-se cada vez mais capaz e difícil de corrigir. As verdadeiras questões tornaram-se duas questões: será que irá inflamar-se e o que permanecerá fora dos seus limites imutáveis quando se inflamar? O primeiro depende de se é possível obter capacidades melhoradas de forma recursiva, e o último depende de a verificação, a autoridade e a governação poderem continuar a ser eficazes. Voltemos ao EURISKO, que colocou o seu nome na lista dos “descobridores” há quarenta anos. A lacuna da qual ele se aproveitou é, na verdade, o mesmo problema enfrentado pelos sistemas autoevolutivos mais avançados da atualidade: quando um sistema começa a se pontuar, como saber se ele realmente melhorou ou se apenas aprendeu a melhorar sua aparência? Quarenta anos se passaram e as capacidades do sistema tornaram-se muito diferentes, mas este problema permaneceu quase inalterado. O que mudou foram os riscos: o que se ganhava ou se perdia num jogo de tabuleiro naquela altura pode ser a forma como a investigação científica e os sistemas económicos funcionarão no futuro. A forma como esta lacuna finalmente será colmatada ainda depende de quando e como colocarmos as mãos nela ou a retirarmos.