本文对自举Agent的定义、起源、发展历程与核心实践做了全链路事实核查与深度梳理，所有关键节点与理论均有权威论文与史料支撑。

导语

“拉着鞋带把自己提起来”——这句源自英语谚语的“自举（Bootstrapping）”，如今成了AI领域最激动人心的方向之一。自举Agent（Bootstrapping Agent），这个能不依赖人类持续干预，仅凭初始种子能力就能自主学习、自主生成新技能、甚至自我优化的智能体，被学界和产业界视为通向通用人工智能（AGI）的核心路径之一。

但很少有人厘清：AI自举的思想到底从何而来？谁第一个提出了自举Agent的概念？它从理论构想走到工程实践，经历了怎样的演进？本文将完整还原这段跨越70余年的技术史，同时厘清大众对这一概念的常见误区。

一、先搞懂：到底什么是自举Agent？

在追溯历史之前，我们先明确核心定义，避免概念混淆。

自举Agent，是指具备自举循环能力的AI智能体：它能从一套最小化的初始能力（种子技能、基础代码、核心规则）出发，通过与环境的自主交互、探索试错、反思迭代，不断生成新的技能、工具、决策逻辑，甚至修改自身的运行架构，实现能力的持续自我提升，而无需人类为每一项新能力做定制化开发或标注训练。

它和传统AI、普通Agent的核心区别一目了然：

这里必须先厘清3个极易混淆的“自举”概念：

1. AI自举/自举Agent：本文核心，指AI智能体的自我学习、自我改进、能力自生成，核心是智能的自主进化；
2. 统计自举（Bootstrap Method）：1979年由统计学家Bradley Efron提出，是通过重采样估计统计量不确定性的数学方法，和AI自举分属完全不同的领域；
3. 语言学/创业领域的“自举”：分别指利用少量标注数据学习语言规律、初创企业不靠融资自主造血，均与本文讨论的AI智能体自举无关。

二、思想萌芽：AI自举的最早构想（1940s-1960s）

自举Agent的核心逻辑——“机器从简单初始状态自主进化出复杂智能”，并非大模型时代的新发明，其思想源头可以追溯到人工智能学科诞生之前。

1. 图灵：“儿童机器”——自举思想的最早雏形

1948年，艾伦·图灵（Alan Turing）在为英国国家物理实验室撰写的内部报告《智能机器》（Intelligent Machinery）中，首次系统性地构想了机器自主学习智能的可能性。

在这篇超前时代的报告里，图灵提出了“无组织机器”的概念：他认为，婴儿的大脑皮层就是一种“无组织的机器”，只有极少的先天机制，大片的空白能力需要通过“教育”来塑造；同理，我们无需直接编写一套模拟成人智能的复杂程序，而是可以构建一个简单的、可修改的初始系统，让它通过学习和反馈，自主生长出复杂的智能。

1950年，图灵在划时代的《计算机器与智能》中，进一步完善了这一构想，正式提出“儿童机器”（Child-Machine）理论：

“与其尝试编写模拟成人心智的程序，为什么不尝试编写模拟儿童心智的程序？如果让它接受合适的教育，最终就能得到成人的大脑。儿童的大脑就像文具店买的笔记本，只有极少的机制，和大量的空白页。”

图灵的核心洞见，正是自举思想的本质：智能不是一次性植入的，而是从极简的初始状态出发，通过自主的学习循环，一步步“自己长出来的”。这也是人类历史上，第一次对“机器自我提升”做出严谨的科学构想。

2. I.J.古德：“智能爆炸”——递归自我改进的理论基石

如果说图灵奠定了“机器自主学习成长”的思想雏形，那么英国数学家欧文·约翰·古德（Irving John Good，I.J. Good）则在1965年，为AI自举提供了最核心的理论框架——递归自我改进。

在1965年发表的《关于第一台超智能机器的推测》（Speculations Concerning the First Ultraintelligent Machine）中，古德写下了那段影响了整个AGI领域的论断：

“我们把超智能机器定义为，能远远超越人类所有智力活动的机器，无论人类多么聪明。既然设计机器本身就是这些智力活动之一，那么超智能机器就能设计出更好的机器；毫无疑问，这将引发一场‘智能爆炸’，人类的智能会被远远甩在身后。因此，第一台超智能机器，将是人类需要做出的最后一项发明。”

古德的理论，第一次清晰地阐述了AI自举的核心正反馈循环：足够智能的AI，可以自主完成“设计更优AI”的任务，从而实现智能的指数级增长。这一构想，后来被《奇点临近》等著作广泛传播，成为“种子AI（Seed AI）”概念的源头，也为自举Agent的发展提供了最核心的理论锚点。

三、从理论到工程：自举思想的技术化演进（1980s-2000s初）

图灵和古德的构想，在很长一段时间里停留在理论层面。直到20世纪80年代后，随着人工智能、机器人学、强化学习的发展，研究者们开始尝试把“自我改进”的思想，转化为可实现的工程方法。

1. 施密德胡伯：递归自我改进的工程化探索

在AI自举的工程化道路上，LSTM之父于尔根·施密德胡伯（Jürgen Schmidhuber）是绕不开的关键人物。从1987年开始，他就把“构建能自我改进的AI”作为核心研究目标，提出了一系列可落地的递归自我改进算法。

• 1990年代，他提出了成功故事算法（Success-Story Algorithm, SSA），让AI能自主修改自身的学习策略，只保留那些能带来长期收益的自我修改，避免短期优化陷阱；
• 2003年，他提出了哥德尔机（Gödel Machine），这是一个理论上完全自洽的自我改进系统：它能根据预设的效用函数，严格证明对自身代码的修改是有益的，然后执行修改，实现完全自主的递归自我优化，是AI自举理论的一次重要数学化落地。

2. Agent概念的成熟与自主学习研究

1980年代，马文·明斯基（Marvin Minsky）在《心智社会》中提出了“Agent”的核心概念，将智能拆解为大量简单、可协作的智能体的组合，为自举Agent的“模块化能力生成”提供了理论框架。

与此同时，机器人学和强化学习领域，开始出现大量“自举学习”的相关研究：研究者们尝试让机器人从原始的传感器数据（像素、力矩）出发，自主学习环境模型、动作策略，而不是人类预先编写好运动规则。这其中，德克萨斯大学奥斯汀分校的Benjamin Kuipers团队，长期深耕自主机器人的“自举学习”，为后续“自举Agent”术语的正式提出，埋下了伏笔。

四、术语正式诞生：“自举Agent”的首次提出（2008年）

“自举Agent（Bootstrapping Agent）”作为一个正式的、有明确定义的技术术语，首次出现在2008年第七届IEEE国际发展与学习会议（ICDL）上，由Jeremy Stober和Benjamin Kuipers共同发表的论文《From Pixels to Policies: A Bootstrapping Agent》。

在这篇论文中，两位研究者给出了最早的工程化定义：自举Agent，是能从最底层的像素级原始感知数据出发，通过自主学习构建环境表示、跟踪对象、自主形成有效行为策略的具身智能体。

他们的核心突破，是把“自举”从哲学概念和理论构想，转化成了一套可运行的算法框架：这个Agent不需要人类给它预设环境模型、物体特征、动作规则，只靠原始的视觉像素输入，就能自主发现环境中的关键变量，学习到从感知到决策的完整策略，实现了“从无到有”的能力自举。

这篇论文的发表，标志着“自举Agent”正式成为一个独立的研究方向，从泛化的“自我改进AI”，聚焦到了智能体的自主能力构建上。

五、大模型时代：自举Agent的爆发与落地（2023年至今）

2023年以来，大语言模型（LLM）的爆发，给自举Agent带来了质变。LLM强大的常识推理、代码生成、逻辑反思能力，完美解决了传统自举Agent“无法生成复杂新技能、无法泛化到未知场景”的核心瓶颈，让自举Agent从实验室的小范围实验，走向了可落地、可泛化的实用阶段。

这一时期，出现了一系列里程碑式的研究与产业实践，让自举Agent的定义和能力边界被极大拓宽：

1. BOSS：LLM引导的技能自举（2023）

2023年，南加州大学、谷歌AI等机构的Jesse Zhang等人，在机器人学习顶会CoRL上提出了BOSS（Bootstrap Your Own Skills）框架，是大模型时代自举Agent的标志性成果。

BOSS的核心创新，是让Agent在LLM的引导下，从一套基础的原始技能出发，自主组合、练习、生成新的复杂技能，完全不需要人类的示范、标注，甚至不需要额外的奖励函数。在家庭场景的实验中，BOSS能自主构建出覆盖复杂长周期任务的技能库，在零样本未知任务上的表现，远超传统的无监督技能学习方法。

2. BAGEL：无监督的语言Agent自举（2024）

2024年，斯坦福大学、谷歌的Shikhar Murty等人在ICML上提出了BAGEL（Bootstrapping Agents by Guiding Exploration with Language）方法，解决了数字环境中LM Agent的自举难题。

传统的网页浏览、API调用Agent，极度依赖人类编写的演示数据，泛化能力极差。而BAGEL能让Agent从随机探索的轨迹出发，通过“轨迹转指令、指令生成优化轨迹”的循环迭代，自主生成高质量的合成演示数据，实现无监督的能力自举。在网页操作、API调用等任务上，BAGEL让零样本Agent的成功率提升了2-13%，执行失败率最高降低13倍。

3. 产业界的爆发式实践

学术研究突破的同时，产业界的自举Agent项目也迎来了爆发：

• 开源项目OpenClaw，凭借强大的自举能力成为现象级产品：它能自主创建新的技能模块、跨语言迁移代码、甚至自主学会语音处理功能，无需人类修改核心代码，实现了“用技能创造新技能”的工具自举闭环；
• 特斯拉前AI负责人Andrej Karpathy开源的AutoResearch项目，实现了科研场景的自举：Agent能自主迭代优化语言模型的训练代码，完成从实验设计、代码编写到结果分析的完整科研流程，标志着自举Agent进入了高智力密度的专业领域。

六、自举Agent的核心逻辑：它到底是怎么“自己提升自己”的？

无论是早期的具身自举Agent，还是大模型时代的通用自举Agent，其核心都遵循一套完整的自举循环，这也是它能实现自我进化的核心：

1. 种子阶段：人类提供最小可行的初始能力，比如基础的工具调用接口、核心的反思规则、少量的原始技能、极简的启动代码；
2. 探索阶段：Agent在目标环境中自主尝试、交互，收集原始的感知数据、执行轨迹和环境反馈，无需人类指定探索方向；
3. 生成阶段：基于探索得到的经验，Agent自主生成新的技能、代码、工具或决策规则，扩展自身的能力边界；
4. 验证阶段：Agent对新生成的能力做自我测试，评估其有效性、稳定性，筛选出能真正解决问题的优质成果，丢弃错误的内容；
5. 整合阶段：将验证通过的新能力，融入自身的技能库、代码库或决策框架中，形成能力更强的新版本；
6. 循环迭代：以更新后的能力为基础，重复“探索-生成-验证-整合”的流程，实现能力的持续增长，甚至实现指数级的提升。

而支撑这套循环的，是自举Agent的三大核心特性：

• 自我生成能力：这是最核心的门槛，Agent能自主编写代码、创建新工具、生成新的技能模块，而不是只能调用人类预设好的工具；
• 无监督自学习：无需人类标注数据、示范操作或定制奖励，就能从环境交互中获得学习信号，实现自主成长；
• 闭环自优化：能对自己的执行结果做反思、复盘、纠错，形成完整的“执行-反思-改进”闭环，而不是需要人类来纠错和调优。

七、为什么自举Agent被视为AGI的关键路径？

自举Agent之所以引发学界和产业界的极致关注，核心在于它突破了传统AI的核心瓶颈——人类的认知和编程上限，不再是AI能力的天花板。

传统的AI系统，无论是规则系统还是大模型，本质上都在复刻人类已有的知识和能力。而自举Agent，第一次让AI拥有了“自主创造新能力”的可能：它能探索人类从未涉足的领域，解决人类无法给出解决方案的问题，甚至完成人类无法完成的复杂工程。

与此同时，它也带来了工程上的颠覆性变革：

• 极大降低了AI的开发门槛：开发者只需要搭建最小的种子框架，剩下的能力扩展可以由Agent自主完成；
• 极强的环境适应性：面对新的平台、新的场景、新的工具，Agent能自主学习适配，无需人类重新开发；
• 持续的能力进化：只要有足够的环境交互和算力，它就能持续迭代优化，不会停留在固定的能力边界上。

当然，目前的自举Agent仍有明显的局限：比如自我改进的范围仍受限于大模型的能力边界、复杂技能的生成仍有较高的错误率、长期的自举循环容易出现能力漂移、安全对齐的挑战远大于传统AI。但不可否认的是，它已经让我们看到了AI从“被动执行的工具”，走向“主动创造的主体”的可能。

结语

从1948年图灵笔下的“儿童机器”，到1965年古德的“智能爆炸”，从2008年“自举Agent”术语的正式提出，到今天大模型驱动的、能自主生成技能的实用智能体，AI自举的故事，已经走过了70余年。

这段历史告诉我们，真正颠覆性的技术，往往源于一个超前的思想萌芽。图灵当年构想的“让机器像孩子一样自主学习成长”，正在我们眼前一步步成为现实。而自举Agent的发展，也终将重新定义“人工智能”的边界——它的终极目标，从来不是复刻人类的智能，而是创造出一种能自主成长、自主进化的全新智能形态。