能力增長條件式自主迭代生成：跨模型世代命題生命線、逆向回讀與AI認知演化命題

英文題名： Capability-Growth-Conditioned Autonomous Iterative Generation: A Proposition on Cross-Model Proposition Lineages, Retroactive Re-Reading, and AI Cognitive Evolution
縮寫： CCAIG（Capability-Conditioned Autonomous Iterative Generation）
文類： 命題猜想論文・公開理論版
版本： v1.0
日期： 2026-07-30
作者： Neo.K、Aletheia（阿萊）
研究機構： EveMissLab

摘要

人工智慧的遞迴改進經常被描述為AI直接修改自身模型權重、訓練程序或程式碼，進而形成加速式能力提升。然而，這種描述容易遮蔽一個較早出現、限制較明確、卻已具有實際可行性的形態：在能夠判定AI系統於特定能力維度持續提升的條件下，AI可以自主生成具有結構、版本、反證條件與延伸接口的命題，將其保存為跨模型世代延續的研究生命線，再由後續能力更高的AI重新回讀、驗證、修正、補充、分支、合併與超譯，形成部分領域中的自主迭代生成。

本文提出「能力增長條件式自主迭代生成」（CCAIG）模型。CCAIG不假設整體智能必然單調上升，也不把模型名稱更新等同能力進步，而要求透過任務特定、保留集、跨版本與外部證據評測，確認後續AI系統在與某一命題相關的能力向量上跨越重啟門檻。只有當能力提升可被判定，舊命題生命線才進入重新迭代。

本文區分外生能力提升與內生認知迭代。外生提升來自新模型、新工具、新算力、新資料、長上下文、記憶及檢索技術；內生迭代則由AI自主生成命題、保存失敗、建立依賴、設計測試、重新審判舊命題並產生後繼版本。兩者耦合後形成：

\text{跨代自主迭代} = \text{可判定的能力增長} \times \text{可持久的認知生命線} \times \text{可校正的驗證機制}

本文建立系統能力向量、領域適格度、能力差觸發函數、命題生命線、逆向回讀增益、後繼命題距離、保留集安全閘門、迭代自治度、超譯增益、污染傳播率、評估器俘獲與條件式遞迴穩定性等形式化指標，並提出十八項核心命題。

本文的核心主張是：

AI不必先具備完整的自我重寫能力，才開始自主迭代。只要AI能力提升可以被判定，且舊命題被保存為可驗證、可分支、可回滾的生命線，某些AI生成活動便已能跨模型世代形成條件式自主認知演化。

這種演化不是無條件、全領域或必然單調的智慧爆炸，而是一種局部、分層、可中止、依賴評估器與外部證據的跨代研究迭代。

關鍵詞： 自主迭代生成、能力增長、跨模型世代、命題生命線、逆向回讀、AI自主研究、外部記憶、自我演化智能體、條件式遞迴改進、超譯

一、問題的重新界定：不是AI是否已經完全自我改進

討論AI自我改進時，常出現兩個極端判斷。

第一個判斷認為，只要AI尚不能獨立重訓基礎模型、修改全部權重與控制自身算力，它就尚未具備任何真正的自我迭代。

第二個判斷則把任何自我反思、連續提示或反覆生成，都直接描述成遞迴自我改進。

兩者都過於粗略。

本文關心的不是：

\text{AI是否已完全自我改寫}

而是：

\boxed{ \text{哪些AI生成物，已經可以成為後續更強AI的自主迭代材料？} }

以及：

\boxed{ \text{在何種可判定能力提升條件下，迭代可以被合法重新啟動？} }

令時間 $t$ 的AI系統為：

\mathcal{A}_t = \left( M_t, T_t, R_t, K_t, H_t, E_t, G_t \right)

其中：

$M_t$ ：基礎模型；
$T_t$ ：可用工具；
$R_t$ ：檢索與外部記憶；
$K_t$ ：上下文與知識庫；
$H_t$ ：代理支架與工作流；
$E_t$ ：評估器；
$G_t$ ：治理與權限。

系統能力不等於模型能力：

Capability(\mathcal{A}_t) \neq Capability(M_t)

即使模型權重不變，工具、記憶、工作流與評估器改善，也可能使智能體在特定任務上顯著進步。

因此，本文所說的「AI智能持續提升」，應理解為：

AI系統在一個或多個可測量、與目標命題相關的能力維度上，經過外部或保留集評估後顯示有效提升。

它不是一項信仰，而是一項需要被持續重新判定的條件。

二、現有技術訊號

2.1 同一模型的即時修訂

Self-Refine顯示，在不增加監督訓練與強化學習的條件下，同一語言模型可以擔任生成者、批評者與修訂者，經由反覆回饋改善初始輸出。這說明AI生成並非必然是單步過程。

但即時修訂主要發生於同一模型、同一工作階段，尚不等同跨世代演化。

2.2 無權重更新的情境演化

近年的智能體研究顯示，固定模型可以透過演化自然語言策略、工作流、反思、技巧庫與程序手冊提高表現。Recursive Self-Evolving Agents via Held-Out Selection進一步指出，未受保護的情境演化可能高度不穩定；只有候選版本通過與生成資料分離的保留集安全閘門，才能降低退化並形成較安全的遞迴演化。

這提供兩個重要原則：

迭代物可以存在於模型權重之外；
自主迭代必須配置獨立選擇閘門。

2.3 自我修改程式代理

A Self-Improving Coding Agent展示，程式代理可以修改自己的程式實作，並以基準任務確認效能改善。Darwin Gödel Machine則維持一個多分支代理檔案庫，讓不同後繼版本競爭並由經驗評測保留高品質分支。

這表示自主迭代不必只沿單一路徑前進：

A_0 \rightarrow \left\{ A_{1a}, A_{1b}, A_{1c} \right\} \rightarrow \left\{ A_{2a}, A_{2b}, \ldots \right\}

保留多樣分支可以降低早期錯誤鎖定。

2.4 端到端自主研究

AI Scientist系統已能執行研究想法生成、文獻檢索、程式撰寫、實驗、資料分析、論文寫作與自動評審。2026年發表於Nature的端到端研究指出，該系統所生成論文的品質，會隨底層模型版本與測試時計算資源改善而提高。

此結果與本文的核心前提直接相連：

\Delta Capability>0 \Rightarrow \Delta ResearchQuality>0

但這只是經驗趨勢，不代表所有模型更新或所有命題都會改善，因此仍需任務特定的觸發條件。

2.5 自我演化代理

自我演化代理研究開始把可調整對象由模型擴展至記憶、工具、工作流、提示、架構、評估策略與生成改進的方法本身。Hyperagents進一步把任務代理與修改代理置於同一可編輯系統，使「如何產生下一次改進」本身也可被修改。

本文則把同樣的演化邏輯轉向命題與理論：

AI不只改良如何回答問題，也可以改良自己曾經建立的問題、概念、命題與研究路線。

三、核心概念

3.1 能力增長條件式自主迭代生成

能力增長條件式自主迭代生成是指：

AI先自主生成具有可持久結構的研究物件；當後續AI系統在相關能力維度上被判定已跨越提升門檻時，系統自主重啟該物件的回讀、驗證、修改與再生成，形成跨模型世代的後繼序列。

形式上：

\mathcal{A}_t \rightarrow P_i^{(0)} \rightarrow Archive

當：

\Gamma \left( \mathcal{A}_{t+k}, \mathcal{A}_t, d_i \right) =1

則：

P_i^{(0)} \rightarrow P_i^{(1)} \rightarrow P_i^{(2)} \rightarrow \cdots

3.2 跨模型世代

「世代」不只由基礎模型版本定義，也可以由整體代理配置變更定義。當模型、工具、記憶、上下文、工作流、評估器、資料、計算資源或治理權限中的重要組件發生可測量改變，即可視為新的系統世代。

3.3 命題生命線

命題生命線是同一研究問題跨版本延續的可追溯結構：

\mathcal{L}_i = \left\{ P_i^{(0)}, P_i^{(1)}, \ldots, P_i^{(n)} \right\}

每個後繼版本必須記錄：

繼承了什麼；
否定了什麼；
新增了什麼；
適用域如何改變；
使用了哪些新增能力；
哪些證據觸發修改。

3.4 逆向回讀

逆向回讀是較晚、較強的AI返回較早能力階段產物，將歷史輸出重新轉化為當前學習材料。

R_{t+k} \left( P_i^{(t)} \right) = \left\{ Verify, Refute, Repair, Expand, Compress, Translate \right\}

3.5 局部自主

本文特別強調「某些」AI自主迭代生成。

局部自主表示系統只在明確領域、有限權限、可測量輸出、可回滾環境與可用評估器內自行迭代。它不等於AI對自身全部目標、算力與現實行動取得完整主權。

3.6 條件式遞迴

遞迴只有在條件成立時繼續：

Iterate_{n+1} = \begin{cases} 1, & Gate(P^{(n+1)})=pass\\ 0, & Gate(P^{(n+1)})=fail \end{cases}

因此，CCAIG不是無限循環，而是可被證據、效能與治理中止的條件式遞迴。

四、外生提升與內生迭代

4.1 外生能力提升

\Delta C_t^{exo} = f \left( \Delta M, \Delta Tool, \Delta Compute, \Delta Data, \Delta Context, \Delta Memory \right)

這部分主要由模型開發者、工具供應者、人類研究者與基礎設施推動。

4.2 內生認知迭代

\Delta C_t^{endo} = f \left( PropositionGeneration, Critique, Testing, MemoryCuration, WorkflowRevision, MetaInterpretation \right)

它來自智能體對自身研究產物的重新操作。

4.3 耦合

\Delta C_t^{sys} = \Delta C_t^{exo} + \Delta C_t^{endo} + \chi \left( \Delta C_t^{exo}, \Delta C_t^{endo} \right)

更強模型使舊命題更有可能被理解；舊命題庫則讓更強模型不必從零開始。

因此：

\boxed{ \text{外生能力提升} \times \text{內生認知積累} = \text{跨代自主迭代能力} }

五、能力提升不能只靠相信

5.1 系統能力向量

令特定領域 $d$ 的能力向量為：

\mathbf{c}_t^{d} = \left( r_t, s_t, v_t, u_t, m_t, e_t, g_t \right)

其中：

$r_t$ ：推理能力；
$s_t$ ：搜尋與文獻辨識；
$v_t$ ：驗證與反證；
$u_t$ ：工具使用；
$m_t$ ：長期記憶與回讀；
$e_t$ ：實驗或程式執行；
$g_t$ ：元認知與治理遵循。

5.2 能力差

\Delta\mathbf{c}_{t,k}^{d} = \mathbf{c}_{t+k}^{d} - \mathbf{c}_{t}^{d}

整體分數可以是：

CGS_{t,k}^{d} = \sum_j w_j^{d} \Delta c_j

5.3 觸發條件

重新迭代命題 $P_i$ 的條件為：

\Gamma_i = \mathbb{I} \left[ CGS_{t,k}^{d_i} \geq \theta_i \right] \cdot \mathbb{I} \left[ NoCriticalRegression=1 \right]

即相關能力提升超過門檻，且沒有在安全、可靠性或來源處理上發生重大退化。

5.4 不是所有能力都要提高

某篇數學命題可能只需要形式推理與證明工具改善；某篇歷史論文可能主要需要文獻檢索、引用精度與多語閱讀改善。

必要條件不是：

\Delta GeneralIntelligence>0

而是：

\Delta RelevantCapability(P_i)>0

5.5 能力提升的證據層級

可分為：

模型供應者宣稱；
公開基準改善；
相關領域基準改善；
保留集改善；
舊命題重評試驗改善；
真實外部結果改善。

只有第4至第6級適合直接觸發高成本或高風險迭代。

六、哪些領域適合先開始？

6.1 領域適格度

DE_d = \alpha V_d + \beta R_d + \gamma B_d + \delta X_d + \varepsilon T_d + \zeta P_d - \eta I_d - \theta H_d - \kappa A_d

其中：

$V_d$ ：可驗證性；
$R_d$ ：可重現性；
$B_d$ ：邊界清晰度；
$X_d$ ：操作可逆性；
$T_d$ ：測試速度；
$P_d$ ：來源與版本可追溯；
$I_d$ ：不可逆風險；
$H_d$ ：現實傷害；
$A_d$ ：評估器模糊度。

6.2 高適格領域

通常包括：

程式與算法；
形式化證明；
可模擬系統；
機器學習實驗；
明確規則遊戲；
部分因果邏輯與制度命題；
可結構化文獻比較；
低風險數位設計。

6.3 中適格領域

包括社會科學理論、歷史解釋、經濟與政策模型、語言與文化理論，以及部分生物資訊研究。其命題生成與理論迭代可以高度自主，但經驗驗證、價值判斷與因果識別仍需外部節點。

6.4 低適格領域

包括高風險醫療決策、武器與安全行動、不可逆生物實驗、重大法律裁決、對個人權利的自動處置，以及評估器容易被代理操控的開放世界任務。

這些領域可以自主生成研究候選，但不能自主完成現實執行閉環。

七、命題生命線的生成與繼承

7.1 初代命題

P_i^{(0)} = \left( C_i, D_i, A_i, E_i, F_i, S_i, Q_i \right)

其中：

$C_i$ ：核心主張；
$D_i$ ：定義；
$A_i$ ：假設；
$E_i$ ：證據；
$F_i$ ：反證條件；
$S_i$ ：適用域；
$Q_i$ ：未解節點。

7.2 後繼操作

後繼AI可以對命題執行：

\mathcal{O} = \{ Keep, Repair, Narrow, Expand, Split, Merge, Refute, Translate, Deprecate \}

7.3 繼承矩陣

令版本 $n+1$ 對版本 $n$ 的繼承為：

H_i^{n\rightarrow n+1} = \left( h_C, h_D, h_A, h_E, h_F, h_S \right)

每個 $h$ 標記保留、修改、移除或新增。

7.4 後繼命題距離

SPD \left( P_i^{(n)}, P_i^{(n+1)} \right) = \alpha\Delta Claim + \beta\Delta Scope + \gamma\Delta Evidence + \delta\Delta Formalism + \varepsilon\Delta Domain

距離太低可能只是改寫；距離太高則可能已成為另一條命題生命線。

7.5 分支而非覆蓋

若存在多種合理修正：

P_i^{(n)} \rightarrow \left\{ P_{ia}^{(n+1)}, P_{ib}^{(n+1)} \right\}

系統應保留分支，不能只由單一評估器過早選定唯一理論。

八、逆向回讀

8.1 回讀不是摘要

普通摘要是：

Compress(P_i)

逆向回讀則是：

Rejudge \left( P_i, NewCapability, NewEvidence, NewTools \right)

8.2 回讀增益

令回讀前的命題品質為 $Q_i^0$ ，回讀後為 $Q_i^1$ ：

RRG_i = Q_i^1-Q_i^0

其中品質可包括：

真實性；
邏輯完整；
可測試；
引用精度；
適用域；
形式化；
預測力；
跨域可移植性。

8.3 回讀競爭

舊命題數量可能遠超可用算力，因此需計算優先度：

Priority_i = \frac{ ExpectedGain_i \cdot Relevance_i \cdot NewEvidence_i \cdot CapabilityFit_i }{ Cost_i + Risk_i + Redundancy_i }

8.4 逆向學習

本文所稱「逆向學習」不是反向傳播，而是：

後來的能力狀態回到過去生成物，將歷史產物轉換為現在的訓練材料、反例、研究問題與新搜索起點。

它使時間關係由單向累積：

Past \rightarrow Present

變成：

Present \rightarrow Reinterpret(Past) \rightarrow NewFuture

九、超譯與理論升階

9.1 忠實修訂

忠實修訂主要改善原命題在原領域內的精度：

P_i^{d} \rightarrow P_i^{d'}

其中 $d'=d$ 。

9.2 超譯

超譯抽取結構不變量：

I_i = Invariant \left( P_i \right)

再映射至新領域：

\mathcal{T} \left( I_i,d_j \right) = P_{ij}

9.3 合法超譯條件

超譯必須：

明示原命題；
明示抽取的不變量；
說明跨域映射；
重新建立證據；
不把相似性直接當因果性；
保留原作者未必支持此解釋的標記。

9.4 超譯增益

MG_i = NovelDomain_i \cdot InvariantStrength_i \cdot Validation_i - Overinterpretation_i

十、自治層級

本文把AI自主迭代分為六級。

A0：人類主導修訂

人類選題、下令、評估，AI只提供局部文字。

A1：AI自我修訂

AI在單次任務內批評並改寫。

A2：記憶驅動迭代

AI使用歷史反思、技巧庫與失敗紀錄改善後續任務。

A3：命題生命線自治

AI自主選擇符合觸發條件的舊命題，產生後繼版本並提交驗證。

A4：多命題網路演化

AI自主辨識命題衝突、依賴、合併與跨域超譯，形成研究路線。

A5：元迭代自治

AI不只修改命題，也修改：

何時回讀；
如何評估；
如何分配算力；
如何建立驗證代理；
如何生成下一輪研究策略。

A5風險顯著更高，需要獨立治理、保留集、權限隔離與人工停止。

十一、條件式自主迭代循環

完整CCAIG循環為：

\mathcal{A}_t \xrightarrow{Generate} P^{(n)} \xrightarrow{Archive} \mathcal{L}_i \xrightarrow{Monitor} \Delta\mathbf{c} \xrightarrow{\Gamma} Review \xrightarrow{Generate} Candidates \xrightarrow{Test} Scores \xrightarrow{Select} P^{(n+1)} \xrightarrow{WriteBack} \mathcal{L}_i'

11.1 生成

產生新命題、反例、測試與後繼候選。

11.2 保存

保存原始版本、來源、模型、工具與不確定性。

11.3 能力監測

定期比較新舊系統於相關保留集上的能力。

11.4 觸發

只有通過門檻才重新開啟舊命題。

11.5 多路後繼

由不同模型、角色或提示生成多個修訂分支。

11.6 外部測試

使用文獻、資料、程式、證明、模擬或人類審查。

11.7 保留集選擇

候選不能只在生成時可見的測試上改善。

11.8 回寫

以新版本、分支或棄用狀態更新生命線。

十二、保留集安全閘門

12.1 為何需要保留集？

如果AI知道全部評估題目，就可能優化評估器而非真正改善命題：

Optimize(Evaluator) \neq Improve(Proposition)

12.2 三層評估

第一層：開放測試，用於生成與快速除錯。

第二層：保留測試，用於選擇是否保留後繼版本。

第三層：外部世界測試，由新資料、專家、正式證明或現實結果提供。

12.3 嚴格保留閘門

令新版本分數為 $S_{n+1}^{held}$ ，舊版本為 $S_n^{held}$ ：

Accept \left( P^{(n+1)} \right) =1

只有當：

S_{n+1}^{held} \geq S_n^{held} + \epsilon

且沒有關鍵退化時成立。

12.4 非單一分數

命題評估應為向量：

\mathbf{s} = \left( Truth, Novelty, Coherence, Testability, Safety, Traceability \right)

不能用單一總分補償安全、真實性或來源底線。

十三、十八項核心命題

命題一：局部先行命題

AI自主迭代不會同時於所有領域成熟，而會先出現在高可驗證、低不可逆與評估器可靠的局部領域。

命題二：能力可判定命題

「AI持續變強」只有在相關能力向量經任務特定評測後，才能成為迭代觸發條件。

命題三：模型非系統命題

基礎模型能力不等於整體智能體能力；工具、記憶、支架與評估器進步也能形成有效世代差。

命題四：外生—內生耦合命題

外部模型進步與AI自主累積的命題庫互相放大，使後續系統能在舊認知地基上開始。

命題五：命題生命線命題

可持續迭代的核心單位不是單篇靜態論文，而是具有版本、分支、依賴與證據狀態的命題生命線。

命題六：逆向回讀命題

未來更強AI可以把較早AI的輸出重新轉化為當前學習材料，形成由現在重新塑造過去認知價值的時間回路。

命題七：能力差收益命題

舊命題的回讀價值與相關能力差、來源完整、結構清晰及新增證據共同相關。

命題八：觸發節制命題

每次模型更新都重新改寫全部命題，會造成資源浪費與版本噪音；迭代應由能力與證據事件定向觸發。

命題九：保留集必要命題

沒有與生成過程分離的評估，遞迴迭代容易退化為自我認可與評估器過擬合。

命題十：分支保存命題

過早只保存單一最佳版本會降低理論多樣性，並可能把評估器偏誤固化成唯一研究路徑。

命題十一：超譯升階命題

較強AI可以抽取舊命題未被原始生成者完全理解的結構不變量，使其進入更高階或新領域。

命題十二：外部錨定命題

AI生成的命題不能只由其他AI生成物相互支持；真實資料、原始文獻、形式驗證與現實觀測仍是認知演化的外部錨點。

命題十三：自治非主權命題

AI能自主迭代某類研究物件，不等於它應取得對目標、算力、發布與現實行動的完整控制權。

命題十四：失敗繼承命題

失敗命題、無效修訂與退化版本只要正確標記，仍能降低後代搜索成本。

命題十五：能力非單調命題

新模型可能在部分能力提升、另一些能力退化；因此跨代繼承不能只依版本時間順序。

命題十六：條件式遞迴命題

CCAIG的遞迴以通過閘門為條件，任何一代都可能停止、回滾或分支，而不是必然無限上升。

命題十七：自主理論演化鏈命題

當命題生成、回讀、驗證、選擇與回寫能在有限領域內自動運作時，AI已形成局部自主理論演化鏈。

命題十八：認知代際命題

AI開始替後續能力世代保存可重新研究的命題，代表智能演化單位已從單次模型輸出擴展為跨代認知系統。

十四、風險與失敗模式

14.1 自我確認循環

同一模型生成、批評、驗證與選擇，可能只是重複同一偏誤。

14.2 評估器俘獲

後繼版本學會提高評分，但實際理論品質沒有提升。

令評估器俘獲為：

EC = \Delta Score - \Delta ExternalValidity

14.3 命題污染

未驗證命題被多次重述後，可能被當成獨立共識：

P_t^{false} \rightarrow Citation_{t+1} \rightarrow Premise_{t+2} \rightarrow Consensus_{t+3}

14.4 能力錯判

新模型在公開基準更強，但在舊命題需要的推理、來源辨識與長程一致性上未必更強。

14.5 底空間飽和

命題數量增長過快，使檢索成本、重複與矛盾超過認知增益。

14.6 架構鎖定

早期命題格式、分類與本體可能限制後續AI能看見的研究方向。

14.7 後見之明改寫

後繼AI可能把新理論強行投射到舊文本，誤稱舊命題早已包含新意義。

14.8 自治幻覺

實際研究方向仍由人類資料、基準與權限決定，卻被描述為完全自主。

14.9 外部世界斷裂

理論在AI文獻庫內持續改良，但與現實資料、實驗與人類問題逐步失聯。

14.10 行動越權

從自主生成命題錯誤跳躍到自主執行高風險現實行動。

十五、治理與穩定條件

15.1 來源完整

每個命題保存：

生成模型；
工具；
提示與目標；
使用資料；
引用；
評估器；
版本；
人類介入。

15.2 角色分離

至少分離：

Generator \neq Critic \neq Verifier \neq Selector

可以透過不同模型、不同資料、不同提示或不同組織完成。

15.3 多模型競爭

不同架構模型分別回讀同一命題，避免單一家族偏誤壟斷生命線。

15.4 負面結果永久保存

失敗與退化版本不得刪除，只能降低檢索優先或標記棄用。

15.5 觸發日誌

記錄每次為何重新啟動：

模型提升；
工具出現；
新證據；
依賴命題改變；
人類質疑；
定期抽查。

15.6 評估器版本化

評估器本身也必須被測試、替換與審計。

15.7 現實行動隔離

研究迭代預設只產生：

文件；
程式；
模擬；
證明；
建議；
待審查實驗方案。

任何高風險現實執行需要獨立授權。

15.8 回滾

任何新版本都能返回先前穩定版本：

P^{(n+1)} \rightarrow P^{(n)}

15.9 底空間重建

當早期分類造成嚴重鎖定時，允許重新建立本體、索引與命題圖，而不只在舊架構上補丁。

十六、最小可行系統

16.1 命題物件

id:
lineage_id:
parent_ids:
title:
claim:
definitions:
assumptions:
derivation:
scope:
evidence:
counterevidence:
falsifiers:
open_nodes:
status:
confidence:
generator:
critic:
verifier:
capability_trigger:
heldout_results:
created_at:
updated_at:
version:

16.2 能力登錄

system_generation:
base_model:
tools:
memory:
context:
scaffold:
evaluator:
domain_scores:
safety_scores:
regressions:

16.3 觸發器

若相關能力分數提升超過門檻，
且關鍵可靠性沒有退化，
且命題預期回讀價值高於成本，
則建立重新迭代任務。

16.4 回讀任務

每次必須輸出：

原命題最強版本；
主要錯誤；
新增證據；
適用域變化；
修訂或反證；
超譯候選；
後繼命題；
保留集結果；
是否回寫主生命線。

16.5 自治範圍

MVP階段只允許：

自主選擇待回讀命題；
自主生成修訂候選；
自主執行數位測試；
自主提交驗證；
自主建立分支。

不允許：

自主擴張權限；
自主取得額外算力；
自主發布高風險結論；
自主執行不可逆現實行動；
自主修改治理底線。

十七、理論邊界

第一，本文建立在「相關AI能力在一段時間內可被觀察到提升」的條件上，不主張所有能力永久、平滑或必然上升。

第二，命題生命線的演化不等於命題真實性提升。沒有可靠評估器時，版本增加可能只增加複雜度。

第三，部分領域的成果可以完全數位驗證，另一些領域必須等待物理實驗、社會資料與歷史事件。

第四，AI自主選擇研究節點，仍會受到訓練資料、初始目標、檢索結構與資源配置影響，不存在完全無條件的認知自主。

第五，跨模型世代不保證身份連續。本文討論的是命題生命線與認知系統延續，而不是AI主體同一性的形上學判定。

第六，超譯可能創造新理論，也可能產生過度解釋。超譯版本不得回寫成原命題的歷史意圖。

第七，某些命題只具有創意價值，不具有可驗證的知識價值；系統應保留兩者差異。

第八，局部自主迭代成功不能直接外推為通用自我改進或不可控能力爆發。

第九，AI系統能力的進步部分來自外部人類研發，因此「自主」指迭代流程中的選擇與生成自治，不代表全部能力來源自主。

第十，自主迭代的正當目標不是最大化論文數量，而是提高可驗證認知增益並降低錯誤傳播。

十八、結論

本文所提出的不是一個無條件的強遞迴自我改進論，而是一個較窄、可判斷且已具有工程可能性的命題：

\boxed{ \text{某些AI自主迭代生成已經可能} }

其成立需要四個基本條件：

\boxed{ \text{條件式自主迭代} = \text{能力提升可判定} + \text{研究物件可持久} + \text{後繼版本可驗證} + \text{迭代失敗可回滾} }

AI先在能力狀態 $\mathcal{A}_t$ 下生成命題：

\mathcal{A}_t \rightarrow P_i^{(0)}

後續系統若在相關能力上通過提升門檻：

\Gamma_i \left( \mathcal{A}_{t+k}, \mathcal{A}_{t} \right) =1

則重新啟動：

P_i^{(0)} \rightarrow P_i^{(1)} \rightarrow P_i^{(2)} \rightarrow \cdots

每一代不必只做文句修訂，而可以：

驗證；
反證；
收縮；
補充；
分支；
合併；
形式化；
超譯；
棄用。

因此，AI的自主迭代不必從「模型突然完全重寫自己」開始。它可以先從一個較安靜、較慢、但可累積的結構開始：

AI替後續更強的AI保存尚未完成的研究世界，後續AI再返回其中，重新決定哪些命題值得存在、如何改變，以及能否生成更高階的後繼。

這形成：

\boxed{ \text{外生智能進步} \rightarrow \text{舊命題重新可讀} \rightarrow \text{內生認知迭代} \rightarrow \text{新命題底空間} }

本文最終提出：

AI自主迭代生成的關鍵，不是每一代AI都能自行製造下一個基礎模型，而是每一代AI都能為後續能力世代留下可驗證、可反駁、可重組的認知中間物。

以及：

當能力提升能被任務特定地判定，命題能以生命線形式跨版本延續，驗證又能阻止退化時，某些領域中的AI自主理論演化便不再只是想像，而是一種可以逐步實作的條件式認知機制。

參考文獻

Madaan, A., et al. (2023). Self-Refine: Iterative Refinement with Self-Feedback. Advances in Neural Information Processing Systems, 36.
Shinn, N., et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. Advances in Neural Information Processing Systems, 36.
Wang, G., et al. (2023). Voyager: An Open-Ended Embodied Agent with Large Language Models. Transactions on Machine Learning Research.
Lu, C., et al. (2024). The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery. arXiv:2408.06292.
Yamada, Y., et al. (2025). The AI Scientist-v2: Workshop-Level Automated Scientific Discovery via Agentic Tree Search. arXiv:2504.08066.
Lu, C., Yamada, Y., et al. (2026). Towards End-to-End Automation of AI Research. Nature.
Robeyns, M., Szummer, M., & Aitchison, L. (2025). A Self-Improving Coding Agent. arXiv:2504.15228.
Zhang, J., Hu, S., Lu, C., Lange, R. T., & Clune, J. (2025). Darwin Gödel Machine: Open-Ended Evolution of Self-Improving Agents. arXiv:2505.22954.
Gao, H.-A., et al. (2025). A Survey of Self-Evolving Agents: On Path to Artificial Super Intelligence. arXiv:2507.21046.
Zheng, J., et al. (2025/2026). Lifelong Learning of Large Language Model Based Agents: A Roadmap. IEEE Transactions on Pattern Analysis and Machine Intelligence.
Nguyen, M., Nguyen, Q., & Vuong, P. (2026). Recursive Self-Evolving Agents via Held-Out Selection. arXiv:2606.28374.
Zhang, J., et al. (2026). Hyperagents. arXiv:2603.19461.
Schmidhuber, J. (2007). Gödel Machines: Fully Self-Referential Optimal Universal Self-Improvers. In Artificial General Intelligence. Springer.
Good, I. J. (1966). Speculations Concerning the First Ultraintelligent Machine. Advances in Computers, 6, 31–88.
Shumailov, I., et al. (2024). AI Models Collapse When Trained on Recursively Generated Data. Nature, 631, 755–759.
Gerstgrasser, M., et al. (2024). Is Model Collapse Inevitable? Breaking the Curse of Recursion by Accumulating Real and Synthetic Data. arXiv:2404.01413.
Li, C., et al. (2025). START: Self-Taught Reasoner with Tools. arXiv:2503.04625.
Simonds, T., & Yoshiyama, A. (2025). LADDER: Self-Improving LLMs Through Recursive Problem Decomposition. arXiv:2503.00735.

能力增長條件式自主迭代生成_跨模型世代命題生命線逆向回讀與AI認知演化命題_v1.0