#AI
ScienceDiscovery 树搜索实现科研 RSI
openJiuwen 社区的 AI 科研工作台 ScienceDiscovery 展示了树搜索驱动的 RSI(递归自我改进):被演进的是科研代码本身,**模型不训练、搜索规则不改**,每一轮只变产物。
搜索以树形展开,每轮从树中选一个版本交给模型改写、进沙箱评分并挂成新节点,失败版本同样入树;预算按打分在「深挖当前最好」与「铺开被搁置分支」之间分配。
💡 为什么值得看自进化代码 2 小时写通用积分器,成本不足 3 元。
查证
来源档案
量子位(QbitAI)
中文 AI 科技媒体,本文系获 openJiuwen 社区授权刊载的一手通稿,内容由原作者(ScienceDiscovery 团队)撰写
官方授权通稿,数据和案例细节来自作者本人,可信度高;但为单方自述、无第三方独立评测,各项指标(误差、加速比、正确率)未经验证
延伸阅读
预算在深挖与铺开之间的分配机制(名次加权 + 重复选择衰减)是这套方法与单纯「改最优」的关键差异,最终版本正是从一个早已被超越的第 65 版分支走出
改什幺 / 从哪出发 / 怎幺评分 / 怎幺合并四个固定插槽,换算法只换实现——理解这套平台能力如何复用到遗传、爬山等不同搜索策略