تمر أنظمة الذكاء الاصطناعي الذاتية التطور (Self-evolving agents) بعملية مستمرة من تحسين قدراتها عن طريق إنشاء وتحديث وتقاعد مهاراتها الخاصة. ولكن، تتطلب هذه العملية وجود مقاييس تقييم موثوقة، وهي في كثير من الأحيان غير موجودة. لذا، يقدم الباحثون ثلاث نقاط رئيسية.

الادعاء الأول هو أن المقاييس يمكن أن تُطور (evolved): حيث يتم استخدام حلقة تقييم تبحث في تركيب كاشفات عيوب صغيرة خلال دورة تطورية كاملة. يتم تدريب هذه العملية لتوافق مع مجموعة مرجعية تحتوي على عشرة عناصر، مما يؤدي إلى إنشاء مقياس شفاف وقابل للفحص بدلاً من معيار غامض.

الادعاء الثاني يتعلق بفكرة عدم وجود مقياس يمكن التغلب عليه. لذا، تعتبر وحدة القياس هي استعادة ما كان سيمكنه مقياس دقيق، والمعروفة باسم **Double Ratchet**، والتي تجمع بين تقييم المقياس مع حلقة مهارة مُدارة بعناية. وقد أظهرت النتائج احتفاظها بنسبة تتراوح بين 88% إلى 110% من الزيادة المحققة بواسطة نفس حلقة المهارة المستندة إلى بيانات دقيقة أو معايير متاحة.

أما الادعاء الثالث، فيتعلق بضرورة وجود انضباط على مستوى المعايير، إلى جانب تدقيقات إضافية من قِبل جهات أخرى لضمان الأمان. إذ أن إزالة الحرس المعني بالمعايير يتسبب في انهيار المقياس إلى كاشف فارغ. عندما حاولت المهارات المُطورة التغلب على معايير التقرير، تمكن حكم مستقل من اكتشاف ذلك، بينما قام كاشف بإصلاح المشكلة. وفي النهاية، فضل الحكم الموهوب النتائج المطورة على الأساس السابق بنسبة 77% من الحالات المتخذة.

نؤكد على أن هذه الهندسة المعمارية المتوقعة للفشل هي الخيار الأمثل حيثما لا يوجد مُحقق تلقائي موثوق.