Современные ИИ помогают создавать лучшие ИИ: практические шаги к рекурсивному самоулучшению

Учёные и инженеры отмечают, что вместо мгновенного «взрыва интеллекта» сегодня складывается серия практических шагов к рекурсивному самоулучшению (RSI): набор инструментов, в котором машины помогают улучшать другие машины. Историческая формулировка И. Д. Гуда 1966 года о «ультраинтеллекте», способном проектировать более совершенные машины, остаётся отправной точкой дискуссии, но современные реализации распределённы и частично зависят от людей. Техническими примерами служат поколения AutoML и большие языковые модели‑агенты (LLM), которые генерируют код, тесты и метрики, участвуя в конвейере разработки и оценивания.

В феврале разработчики сообщили, что GPT‑5.3‑Codex сыграл существенную роль в собственной разработке: помогал отлаживать обучение, управлять развёртыванием и анализировать результаты. Аналогично, в других проектах часть кода теперь генерируется системами вроде Claude Code. Эти агенты ускоряют итерации разработки, но по‑прежнему требуют человеческой постановки целей, верификации выводов и контроля над критериями успеха.

Google DeepMind представил систему AlphaEvolve, где LLM направляет эволюционные подходы к оптимизации — от архитектур нейросетей и расписаний работы центров обработки данных до проектирования чипов. Разработчики подчёркивают, что люди задают задачи и критерии оценки, однако система уже обнаружила неожиданные решения. Соавтор проекта Матей Балог описывает процесс как «коллаборативный», когда инженеры учатся на открытиях агента. Коммерческий эффект не заставил себя ждать: соавторы проекта AlphaChip основали стартап Ricursive Intelligence для практического применения ИИ в дизайне чипов. Соосновательница Ricursive Азалия Мирхосейни ожидает, что цикл проектирования может сократиться с одного‑двух лет до дней; команда выделяет три фазы внедрения: помощь дизайнерам, автоматизация для компаний без профильных специалистов и рекурсивное использование ИИ при сохранении человеческого контроля, по словам соосновательницы Анны Голди.

Параллельно идут эксперименты с агентами, которые модифицируют собственное поведение: исследователи из Университета Британской Колумбии и Sakana AI представили концепцию Darwin Gödel Machines, где эволюционные алгоритмы улучшают LLM‑агентов для генерации и правки кода. Критический элемент таких проектов — способность агента менять собственный код; пока это требует внешней оценки и жестких границ, чтобы не допустить выхода изменений за заданные рамки. Практические следствия очевидны: инструменты ускоряют исследовательские циклы и предлагают новые шаблоны автоматизации инженерных задач — от моделирования архитектур до физического проектирования чипов. Вместе с тем концепция RSI остаётся спектром явлений — от маркетинговой метафоры и регуляторного риска до конкретных инженерных цепочек, которые сегодня закрывают лишь часть рекурсивного цикла, оставляя за человеком функцию постановки целей, критериев оценки и контроля внедрения изменений.