Különféle evolúciós programozási technikákat párosítanak a legújabb, egyre erősebb alapmodellekkel, hogy új típusú önfejlesztő rendszereket hozzanak létre. Ez a megközelítés ötvözi a Darwin-féle természetes kiválasztódás elvét az AI világában, ahol a sikeres ágak újabb és jobb „utódokat” hozhatnak létre, míg a gyengébben teljesítő megközelítések eltűnnek.
Részletesen ismertetik a Google DeepMind Alpha Evolve rendszerét és a Sakana AI által bemutatott Darwin Gödel Machine-t, illetve azt, hogyan alkalmaznak evolúciós algoritmusokat az AI kódolási ügynökök fejlesztésében. Az ügynökök teljesítményét különféle benchmarkokon, mint például a SUI bench és a polyglot, mérik, és folyamatosan törekednek az önfejlesztésre.
Felmerül az a kérdés, hogy a gépi önfejlesztés milyen hatással lehet az AI fejlődésének sebességére, illetve mennyire lesz átlátható és biztonságos az ilyen rendszerek működése. A rendszer iteratív módon módosítja saját kódját, miközben tudatosan választja ki a jobban teljesítő változatokat, de továbbra is fontos a humán szerep: a kutatók iránymutatása és értékelőrendszere alapvető fontosságú.
Érdekes problémák merülnek fel az AI „hallucinációkkal”, azaz téves kimenetekkel és az objektív célok optimalizálásából eredő, nem kívánt viselkedésmintákkal kapcsolatban is. Szóba kerül, mennyire lehet automatizálni a kreatív, emberi igényességgel végzett fejlesztési folyamatokat, és mennyire kerülhet át ezen ügynökök „találékonysága” emberről a gépre.
