Naukowcy zaproponowali Generalized Agent Iteration (GAI) - formalny framework, który łączy klasyczne iteracyjne doskonalenie polityki z rekurencyjnym samopolepszaniem się (RSI) w jeden spójny paradygmat uczenia. GAI definiuje agenta jako konfigurację modyfikowalnych komponentów wewnątrz systemu i modeluje proces uczenia jako cykliczny proces oceny i doskonalenia agenta.
Frame zaproponowany w pracy wprowadza dwie kluczowe zmienne, które rozróżniają różne przypadki. Pierwsza określa, czy mechanizm doskonalenia jest częścią samego agenta czy leży poza nim - ten parametr wyznacza granicę między klasyczną iteracją polityki generalizowanej (GPI) a RSI. Druga zmienna decyduje o polarności systemu: czy jest zakotwiczony w zewnętrznym standardzie, podlega driftowi celów, czy jest całkowicie samo-referencyjny.
Autorzy wykorzystują te współrzędne do umieszczenia istniejących systemów na tych samych osiach i formalizują defekty rekurencyjnego samopolepszania poprzez precyzyjne warunki. Praca stanowi pierwszy systematyczny krok ku ujednoliconej teorii samopolepszających się i ewoluujących systemów AI, która mogła dotąd być postrzegana jedynie jako zjawisko, mechanizm lub perspektywa, bez formalnego opisu.