本文介绍了 Paired Open-Ended Trailblazer (POET) 算法，它同时探索了可能问题和解决方案的多个不同路径，允许这些解决方案在不同问题之间传输，从而促进创新，并提出通过这种算法可以不断创造新的复杂能力且能在不同领域产生启示性作用。

Jan, 2019

本文提出了一种 Enhanced Paired Open-Ended Trailblazer (ePOET) 和 Soft Actor-Critic 策略相结合的方法 (ePOET-SAC)，用于教授机器人在复杂三维环境下高效行走的复杂技能。实验结果表明，该方法可以成功地学习机器人在不同复杂地形上的运动技能。

Jun, 2022

本文提出了一种名为 ATEP 的增强型拓扑 EPOET 算法来同时进化越来越具有挑战性的环境和智能体的控制器结构，并证明这种方法相比于固定神经网络结构的基线算法具有更强的泛化性能，同时采用基于物种的转移机制有利于进一步提升智能体的表现和泛化能力。

Oct, 2022

开放式学习是一个复合概念，其核心特性是在无限时间内不断产生新元素，并以开放式目标条件下的强化学习问题为重点研究领域。该研究旨在定义开放式学习的基本属性，并探讨其与相关概念的区别与联系，以填补目前在发展性人工智能研究中的知识空白。

Nov, 2023

本文介绍了一种基于多智能体、开放式学习的方法，其能够使得智能体在一种包含大量挑战、跨越多个任务、更广泛的行为通用化领域中表现出非凡的学习能力。通过在环境中建立一个任务的宇宙，我们的训练代理能够跨越更广泛的任务领域，这个领域自然多智能体，涉及合作竞争等多种类型的游戏，而这一领域的挑战对于智能体来说多种多样，因此，我们提出了一种迭代方法来改进代理的效果，而不是试图最大化一个单一目标。最终，我们证明了这种代理的通用能力，可以通过简单的微调实现更大规模的行为传递。

Jul, 2021

本研究介绍了一种新颖的框架 OMNI-EPIC，通过在人类有趣概念模型（OMNI）中加入编程环境（EPIC），使用基础模型自动生成学习任务的代码和环境，从而创造各种可学习和有趣的环境，进一步推动自我进化的 AI 系统和 AI 生成算法的发展。

May, 2024

通过引入 "Diffusion for Open-ended Goals"（DOG）框架来提升具有人工智能的体验智能体（如机器人）的能力，以处理未预见的多方面、动态的、缺乏明确定义的的开放式任务目标，并展示了 DOG 在迷宫导航和机器人控制问题中处理未见过的任务目标的能力，以增强体验智能体在处理开放式目标时的适应性和能力。

Dec, 2023

利用基于语言模型的有趣性模型（MoI）改进无止境机器学习，集中于可学习且有趣的任务，实现自我优化和自我生成算法。

Jun, 2023

最近几年，AI 系统的总体能力有了巨大提升，主要得益于在互联网规模数据上训练基础模型。然而，创建一个开放性、能够不断自我改进的 AI 系统仍然是困难的。在这篇论文中，我们认为现在已经具备了实现 AI 系统开放性的条件，并且认为这种开放性是任何人工超级智能（ASI）的必要属性。我们首先通过新颖性和可学性的角度提供一个具体的开放性定义。然后，我们展示了通过基础模型上构建开放系统的路径，能够做出新颖的、与人类相关的发现，从而实现 ASI。最后，我们探讨了具有普遍能力的开放 AI 可能带来的安全隐患。我们预计，在不久的将来，开放式基础模型将成为一个日益多产且关键的研究领域。

Jun, 2024

该论文提出了一个理论框架来推动构建自我发起的开放世界学习（SOL）代理的研究，讨论和解决了在实现完全自主可学习代理方面的挑战，特别是如何自动化地检测未知的情况或新奇情况，并适应或调整代理以从中学习，提高代理的适应能力和任务性能。

Oct, 2021