Jedes selbstverbessernde KI‑System ist bisher am selben Schicksal gestorben: Der Agent verbessert sich, der Evaluator, der ihn bewertet, bleibt unverändert, und sobald der Agent alles beherrscht, was der Test unterscheiden kann, flacht der Fortschritt ab. Der Richter ist die Obergrenze.
Die Red‑Queen‑Gödel‑Machine — ein Forschungs‑Framework von 13 Forschern an Cambridge, NVIDIA, Flower Labs, MBZUAI und Inria, im späten Juni auf arXiv veröffentlicht — entfernt diese Obergrenze, indem beide Seiten gleichzeitig weiterentwickelt werden. Je besser der Agent wird, desto höher steigt die Messlatte.
Wie die Co‑Evolutions‑Schleife funktioniert
Das Training läuft in Epochen. Innerhalb jeder Epoche ist der Evaluator eingefroren, sodass die Scores vergleichbar bleiben. An Checkpoints ersetzt ein stärkerer Evaluator den alten, und die Schleife eskaliert. Ergebnisse: Ko‑evolvierte Bewerter erreichten 9 % höhere Ground‑Truth‑Genauigkeit bei Olympiad‑Level‑Beweisen als der Stand‑der‑Technik, und Paper‑Writing‑Agenten erzielten 1,78–1,86‑fach höhere Annahmequoten bei Richter‑Panels. Ein Hybrid‑Setup auf NVIDIA’s Nemotron 3 Ultra reduzierte die Rechenkosten etwa um das 13‑fache.
Warum das die AGI‑Zeitlinien‑Debatte befeuert
Dies ist ein Paper, kein Produkt — keine API, keine Preisgestaltung. Aber rekursive Selbstverbesserung ist die Kernvariable in jeder AGI‑Zeitlinie. Jack Clark setzte die Wahrscheinlichkeit für einen kritischen Punkt der Selbstverbesserung bis Ende 2028 auf 60 %. Ein Ergebnis, das von Cambridge und NVIDIA gestempelt ist und zeigt, dass das Evaluator‑Flaschenhalsproblem beseitigt werden kann, liefert ernsthaften Treibstoff — Cambridge’s writeup landete diese Woche auf der Startseite von HackerNews.