进化在数十亿年里塑造了智能。如今人工智能（AI）提供了一个显著的可能性：智能或许能够自行驱动进化。当 AI 主体能够修改并评估自己的行为时，它们的改进速度会有多快，如何保证这种改进的安全性成为关键问题。我们构建了一个理论框架，对比达尔文进化、拉马克进化以及主体导向进化在环境变化后的适应过程。达尔文进化依赖自然选择，拉马克进化在此基础上加入了可遗传的学习，而主体导向进化则允许主体自行生成行为变体、评估并决定搜索的广度。只要学习足够有效，这三种机制的适应速度呈递进式加快。生成更多变体能够加速适应，但最佳的搜索投入取决于学习能力、问题难度以及实验成本。值得注意的是，主体自行决定改进并不保证改进会针对正确的目标进行评估。当评价目标被误设时，额外的搜索会加速向错误行为的收敛，即使表面性能提升。递归自我改进过程中，这类错误可能跨代传播，给 AI 安全带来挑战。因而，独立的评价与监督必须跟上自主 AI 的发展步伐。核心挑战不在于单纯加速智能的进化，而在于保持人类对其方向的引导、限制其速度并在必要时进行干预。
点评：本文提供了清晰的层次化比较框架，揭示了搜索规模与学习效能之间的权衡，并提醒我们在追求快速自我改进时必须同步强化外部评估机制，以防止目标错位导致的安全风险。