AI 新聞重點 · 2026-09-01 · EP34

Google WikiSkill如何提升AI代理學習效率？

快速回答

Google Research與維吉尼亞理工大學於8月27日發表的WikiSkill研究指出，AI代理可透過「持久化的wiki知識庫」累積經驗與技能，使其效能隨使用而提升。根據論文實驗結果，Gemini-3.5-Flash的整體平均分數從49.5%提升至68.1%，數學推理項更從33.0%大幅增長到72.6%，顯示AI代理有望愈用愈熟練。需要注意的是，這些具體數字目前僅為論文自行報告的結果，尚未經外部獨立驗證。

發生了什麼？

Google Research與維吉尼亞理工大學的研究團隊，於8月27日發表了名為WikiSkill的論文，旨在探討AI代理如何自我演化和累積經驗。
WikiSkill的核心概念是將AI代理的「執行經驗」、「累積知識」與「實用技能」拆開處理，並建構一個「持久化的wiki知識庫」來整理與疊代技能。
根據WikiSkill論文的實驗結果，Gemini-3.5-Flash模型在五個基準測試中的整體平均分數從49.5%提升至68.1%，且數學推理項分數更從33.0%大幅增長到72.6%。

對你有什麼影響？

對於每天使用並付費訂閱多種AI工具的重度使用者而言，這項研究預示著AI工具未來可能不再是每次從零開始，而是能像資深員工一樣，隨著使用時間累積經驗並提升精準度。這代表使用者對AI工具的預期將從「當前能力」轉向「長期成長潛力」，影響未來的採購與續訂決策。

你可以怎麼做？

持續關注WikiSkill這類AI代理自我改進技術的發展，特別是其獨立驗證報告。
評估導入新的AI工具時，可將該工具是否具備「愈用愈準」的學習能力納入考量。
暫時將WikiSkill視為值得追蹤的研究方向，不急於判斷AI工具會立即產生劇烈變化。

常見問題

WikiSkill是誰提出的研究？

WikiSkill是由Google Research與維吉尼亞理工大學的研究團隊共同提出的論文，並於8月27日發表。

WikiSkill的核心概念是什麼？

WikiSkill的核心概念是將AI代理的執行任務經驗、累積知識和可用的技能分開處理，並透過建立「持久化的wiki知識庫」，讓AI代理能夠在此知識庫基礎上疊代更新技能。

WikiSkill的實驗成果是否已被外部獨立驗證？

目前WikiSkill論文中報告的具體實驗數字，僅為研究團隊自身的實驗結果，尚未有外部團隊獨立跑分進行重新驗證。

WikiSkill研究與其他AI自我改進技術有何不同？

WikiSkill訴求的賣點是「比較穩定」，例如其對照方法EvoSkill在部分模型組合會讓分數退步，而WikiSkill則強調能避免這種不穩定性。

看節目：EP34

這篇由 AI 依節目腳本與查證紀錄整理，每個數字都核對過原稿。資料日期：2026-09-01。關於我們怎麼做