Kernaut：让编码智能体自主搜索核函数，在未见任务上超越元学习深度核

事件核心：发生了什么

论文提出 Kernel Autoresearch（Kernaut），把核函数设计视为开放式模型发现。方法让编码智能体自由编写描述特征映射、输入变换等核组件的程序，再经由“构造契约”和可信解释器转化为核函数，从而在无限制代码与有效性保证之间取得平衡。作者也指出，仅靠数值检查不可靠：在压力测试中，22%–58% 通过随机输入数值检查的 LLM 生成核，换到不同尺度或维度时会失败。

Kernaut 结合质量-多样性归档和“新颖性筛查”，保留行为不同且高性能的核。实验方面，搜索与调参只用元训练任务，元验证选出一个冻结的核程序，元测试任务直到最终评估才解封。一个代表性发现是 dual warp-fold（DWF）核，它把柔和扭曲与三角折叠组合后再套用 Matérn 核，使相似性同时依赖输入位置和距离。作者称，在六个函数族共 60 个未见任务上，DWF 的预测误差和优化遗憾低于元学习深度核 FSBO；来自十种酶动力学速率定律的核，在五个未见机制上误差低于调过的 ARD 与深度核基线。人类研究者进一步修改后，留出预测误差再降 5.7%、优化遗憾降 7.8%。

为什么重要

核函数决定了许多机器学习模型的归纳偏置。固定语法保证合法但限制可搜索结构；无限制程序更自由却无法保证核满足对称性和半正定性，这是自动化核设计的核心两难。Kernaut 的意义在于把 LLM 代码生成与形式化约束结合起来，让智能体在“可验证有效”的范围内探索新结构，而不是只在预定义算子库里组合。若这类方法可复现，它会改变 AutoML 和科学建模的搜索空间：从调超参数转向发现可解释的程序化先验。不过目前素材主要来自摘要和作者社交帖，尚未看到同行评审信息或完整实验细节，结论应限定在已报告的任务和评测条件内。

对用户/开发者/创作者的影响

对开发者和研究团队，这一方向提示可以用编码智能体生成候选核组件，再用构造契约做有效性筛选，减少手工设计特征映射与输入变换的成本。对做贝叶斯优化、小样本科学建模的从业者，若代码与权重后续开源，DWF 这类可解释核程序可能成为初始起点，便于人工审查和继续改进。对普通用户，短期内没有直接产品变化；它更像底层建模工具的研究进展。企业采购或投资判断上，目前公开信息不足以评估落地成熟度，需等代码、论文全文和复现结果。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

一是作者是否公开 kernaut 项目代码、模型权重与评估协议，让外部团队复现 DWF 和酶动力学结果。二是构造契约能否扩展到状态空间核等更复杂的核类型，同时保持有效性保证。三是这些方法在真实工业任务和更大规模模型上的表现，以及是否会出现基于类似思路的 AutoML 产品。

来源：alphaXiv