谷歌放出一篇关于AI自进化的论文，路子有点野：让Agent在历史记录里”做梦”，而不是重新训练模型。
Dream-RSI，核心不是改权重，也不是让Transformer自己重训自己。研究人员盯上了一个被忽略的东西：AI做研究时留下的历史记录，本身就是一座模拟器。
一次真实探索跑完，Agent没必要把几百上千次实验重跑一遍。它可以直接在旧的搜索树里做虚拟推演，找到更优策略后再回到真实环境验证一次。新研究又长出更大的树，再拿去”做梦”，如此循环。
省钱，而且真管用。逻辑项目、数学调优、GPU内核工程三类任务上都验证过。
历史记录为什么能当模拟器用
论文的核心判断是：RSI的驱动力在于高效探索，难点在于怎么管控和调优研究策略。
很多AI科研体系已经跑通了一个Loop：产出策略、跑实验、看效果、改方案、再跑实验。问题在于搜索空间不断膨胀，固定策略无法自适应；在线调优又慢、反馈滞后、代价高。
Dream-RSI抓住的是历史。一次Agent研究任务跑下来，会留下一棵发现树（Discovery Tree），结构大致长这样：
换个视角看，这堆过往记录就是模拟器。假设Agent第一轮把A、B、C三个分支依次跑了一遍，现在想试试”先跑C”的策略。如果C1不够好怎么办？不用从头再跑。C、C1、A、A1这些节点的效果都已经记录在案，让新策略在旧树上重新走一遍，就能算出”假如当时这么做，要花多少计算量”。
在Agent已经探索过的区域里，历史就是世界。一次真实执行，换来海量新策略在模拟世界里被低成本校验。
三步走：真实探索、做梦、派赢家上场
第一步，真实探索。当前策略控制一个Coding Agent，决定开哪些分支、延续哪些方案、跑多少并行任务、什么时候停。全过程记录成发现树。
第二步，做梦。引入另一个大语言模型专门负责开发研究策略。每产出一个新探索策略，不跑实验，直接在历史发现树上回放结果。综合答案质量、搜索成本和并行效率，挑出更好的动态策略。
第三步，把赢家重新派出去。新策略进入真实环境，指挥下一轮研究。策略变了，Agent可能走到上一代没到过的位置，长出新的发现树，供下一轮”梦境”使用。
循环就是：真实探索带来历史，历史变成模拟世界，模拟世界里调优策略，更好的策略产生新历史。
对照实验：省了多少算力
研究团队把Dream-RSI扔进8个发现任务，横跨算法工程、数学优化和GPU Kernel优化。
对照组叫Recursive Fixed Exploration，模型、Evaluator、初始策略、资源约束全部一致。区别只有一个：一个每轮学习如何重新组织研究，另一个永远按第一轮的固定策略搜。
算法工程上，Agent优化Lasso regularization path。模型为Gemini 3.1 Pro时，固定策略最终消耗550次Agent触发，六个测试数据集平均运行时间3587.1ms；Dream-RSI用了317次触发，做到2931.0ms。
换成Gemini 3.7 Flash，固定策略3200次触发、均值2516.7ms；Dream-RSI用了1879次，耗时降到2350.6ms。
跟Simple TES的差距更夸张。Simple TES对应实验预算达到51200次调用，Dream-RSI在一种设置下只需几百次触发，两者最高差出162倍。
GPU Kernel方面，VGG 16和Layer Norm任务上，Dream-RSI分别以2.43倍和1.79倍的产出次数达到相近表现。Conv Div和Conv Max中，在接近的算力预算下把表现分别抬升2.09倍和1.44倍。
数学优化上，Sum Difference拿到1.145427，高于论文列出的多个基线；Circle Packing打到2.635983。Auto Correlation里Simple TES仍是SOTA，但Dream-RSI在效果相近的情况下，触发量做到1000对51200。
这里有个坑值得单独说：部署这类Agent搜索系统时，历史树的存储和回放开销不能忽略。发现树节点少的时候无所谓，节点上万后，回放策略的推理成本会明显上升。实测更稳的做法是给树做剪枝，只保留有效评估过的节点，别把失败分支的中间态全留着。
给AI塞经验教训，反而拖后腿
研究人员还试了一件事：把之前研究中踩的坑直接塞进下一轮Prompt。
结果出乎意料。加了显式语义指导后，固定探索和Dream-RSI的表现都下降了。
论文的解释是：长程科研搜索通常存在很多并行路线。过早归纳”高层结论”，等于提前给未来的探索加上很强的先验。结果不是少走弯路，而是把一些看起来没希望、实际可能有意义的路直接堵死。
这条结论对做Agent记忆系统的团队有直接参考价值。把成功经验写进Memory、把历史数据拿去重训模型，是过去谈Agent自进化最常关注的两条路。Dream-RSI给出第三条：模型不变，知识甚至不用先归纳成文字，让”寻找知识的方法”自己进化。
下一代Agent不必只从上一代留下的答案里学习，而是学上一代怎么找到答案，以及有没有更好的找法。
适用边界与验证方法
这套方案不是万能药。它成立的前提是任务本身能留下结构化的搜索历史，且历史节点可回放评估。一次性、不可重复、评估代价极高的任务，比如需要真实物理实验的场景，Dream-RSI的模拟世界就搭不起来。
验证是否值得上这套方案，可以按这个顺序测：先用固定策略跑一轮，记录触发次数和评估耗时；再在历史树上回放若干候选策略，对比预测效果和真实重跑效果的偏差。偏差稳定在可接受范围内，再投入生产。偏差大，说明历史树覆盖的搜索空间不够，回放结果不可信。
论文由Google、Google DeepMind、马里兰大学和弗吉尼亚大学研究者共同完成，论文、项目页和代码库均已公开。
项目地址：
