Meta AI 연구진이 정적 아키텍처의 한계를 극복하기 위해 설계된 재귀적 자가 개선 프레임워크인 HyperAgents를 도입했다. 기존 시스템이 인간이 작성한 코드 업데이트에 의존했던 것과 달리, HyperAgents는 자신의 내부 논리와 성능 개선을 위해 사용하는 메커니즘 자체를 스스로 수정할 수 있다. 특히 문제 해결 에이전트와 메타 에이전트를 편집 가능한 하나의 프로그램으로 병합함으로써, 시스템은 문제 해결 전략과 자가 수정 프로토콜을 동시에 진화시킨다.

이러한 접근 방식은 이전의 코딩 작업 자가 개선 모델인 Darwin Gödel Machine(DGM)을 기반으로 발전시킨 것이다. HyperAgents는 이 역량을 로봇 공학 보상 설계나 복잡한 수학 채점과 같은 모든 계산 가능한 작업으로 확장했다. 시스템은 자가 수정된 변종을 생성하고 성능을 평가한 뒤, 최적의 버전을 다음 반복 단계의 디딤돌로 삼는 방식으로 작동한다. 그 결과 시스템이 더 나은 해결책을 찾는 방식을 지속적으로 정교화하는 개방형 루프가 형성된다.

연구에 따르면 영구 메모리 개발이나 성능 추적 개선과 같은 메타 수준의 향상은 서로 다른 도메인 간에도 전이될 수 있는 것으로 나타났다. 다만 안전성을 보장하기 위해 모든 실험 과정에서는 샌드박싱과 인간의 감독이 철저히 병행되었다. 이번 연구는 시스템이 단순히 주어진 문제를 해결하는 수준을 넘어, 인간의 개입 없이도 스스로 더 뛰어난 문제 해결사로 성장하는 인공지능의 미래를 시사한다.

Meta AI 연구진이 정적 아키텍처의 한계를 극복하기 위해 설계된 재귀적 자가 개선 프레임워크인 HyperAgents를 도입했다. 기존 시스템이 인간이 작성한 코드 업데이트에 의존했던 것과 달리, HyperAgents는 자신의 내부 논리와 성능 개선을 위해 사용하는 메커니즘 자체를 스스로 수정할 수 있다. 특히 문제 해결 에이전트와 메타 에이전트를 편집 가능한 하나의 프로그램으로 병합함으로써, 시스템은 문제 해결 전략과 자가 수정 프로토콜을 동시에 진화시킨다.

이러한 접근 방식은 이전의 코딩 작업 자가 개선 모델인 Darwin Gödel Machine(DGM)을 기반으로 발전시킨 것이다. HyperAgents는 이 역량을 로봇 공학 보상 설계나 복잡한 수학 채점과 같은 모든 계산 가능한 작업으로 확장했다. 시스템은 자가 수정된 변종을 생성하고 성능을 평가한 뒤, 최적의 버전을 다음 반복 단계의 디딤돌로 삼는 방식으로 작동한다. 그 결과 시스템이 더 나은 해결책을 찾는 방식을 지속적으로 정교화하는 개방형 루프가 형성된다.

연구에 따르면 영구 메모리 개발이나 성능 추적 개선과 같은 메타 수준의 향상은 서로 다른 도메인 간에도 전이될 수 있는 것으로 나타났다. 다만 안전성을 보장하기 위해 모든 실험 과정에서는 샌드박싱과 인간의 감독이 철저히 병행되었다. 이번 연구는 시스템이 단순히 주어진 문제를 해결하는 수준을 넘어, 인간의 개입 없이도 스스로 더 뛰어난 문제 해결사로 성장하는 인공지능의 미래를 시사한다.