Den AI, der underviser sig selv, er ikke længere science fiction

Opdyrkende AI-rammer bevæger sig mod et radikalt spring: maskiner, der selvforbedrer sig, uden menneskelig indsigt.

I årevis, selv de mest avancerede AI-modeller forblev passive motorer, der forudsagde svar baseret på træningsdata, de ikke kunne ændre. Men i dag er det ikke størrelsen af modellen, der definerer det næste kapitel i kunstig intelligens; det er, om modellen kan udvikle sig selv.

For nylig afslørede MIT-forskere en ny AI-ramme kaldet Selvtilpasning LLMs (SEAL). Tilgangen tillader store sprogmodeller (LLMs) at forbedre sig selv autonomt, hvilket giver AI mulighed for at diagnosticere sine begrænsninger og permanent opdatere sine egne neurale vægte gennem en intern feedback-løkke drevet af forstærkningslæring. I stedet for at kræve, at forskere opdager fejl, skriver nye prompts eller føder yderligere eksempler, tager modellen fuld ejerskab af sin udvikling.

“Store sprogmodeller (LLMs) er kraftfulde, men statiske; de mangler mekanismer til at tilpasse deres vægte i respons til nye opgaver, viden eller eksempler,” skrev MIT-forskere i en blogpost. “Eksperimenter med videnindføring og få-skudsgeneralisering viser, at SEAL er et lovende skridt mod sprogmodeller, der kan tilpasse sig selv i respons til nye data.”

I tidlige tests tillod denne selvredigeringsløkke modeller at gå fra komplet fiasko til succes på komplekse abstrakte resonemingspuzzler, og overgik endda langt større modeller som GPT-4.1 med en 72,5 procents succesrate, hvor traditionelle metoder fejlede. Desuden reducerer SEAL angiveligt menneskelig tilsyn med 85 procent, samtidig med at det øger nøjagtighed og tilpasning.

Opblomstringen af selvunderviste AI-rammer

SEAL er en del af en bredere tendens mod autonom maskinintelligens. Forskere ved Sakana AI har for eksempel introduceret Darwin-Gödel-maskinen—en AI-agent, der omskriver sin egen kode ved hjælp af åbne, udviklingsstrategier. 

“Det skaber forskellige selvforbedringer, såsom en patchvalideringsproces, bedre filvisning, forbedrede redigeringsværktøjer, generering og rangordning af multiple løsninger til at vælge den bedste, og tilføje en historik over, hvad der er blevet prøvet før (og hvorfor det fejlede), når der foretages nye ændringer,” skrev Sakana AI i en blogpost.

Ligesom Anthropics AI-agenter, drevet af Claude 4, kan nu autonomt orkestrere arbejdsgange på tværs af kodebaser og forretningsværktøjer. 

“Et system, der omkonfigurerer sig selv baseret på typen af aktiv, dets miljø og dets historik, giver mulighed for at gå fra en reaktiv respons til en kontinuerlig forebyggelsesstrategi,” sagde Christian Struve, administrerende direktør og medstifter af Fracttal, til mig. “Det handler ikke om flere lag eller flere parametre, men mere autonome og mere nyttige systemer.”

Hvad forener disse bestræbelser, er en kerneoverbevisning: AI behøver ikke at blive større for at blive smartere. Det behøver at blive mere tilpasningsdygtigt. 

“Skalering har givet store gevinster, men vi er ved at nå grænserne for, hvad størrelse alene kan opnå. Selvtilpasningslæringsmodeller som SEAL tilbyder et overbevisende næste skridt ved at give systemer mulighed for at vokse og forbedre sig over tid,” sagde Jorge Riera, grundlægger og administrerende direktør for full-stack datakonsulentplatformen Dataco, til mig. “Selvudviklingsmodeller skifter også fremgangsmålene fra statiske benchmarks til mål for tilpasning, lærings-effektivitet og sikker langsigtede forbedring. I stedet for kun at teste, hvad en model ved på udviklingstidspunktet, kan vi evaluere, hvor godt den lærer, fastholder og udvikler sig over tid.”

Indvirkning på AI-økosystemet og den globale kapløb mod autonomi

Dette niveau af autonomi omskriver også økonomien i AI-udviklingen. Forestil dig svigsystemer, der opdaterer sig selv øjeblikkeligt for at modstå nye trusler, eller AI-lærere, der ændrer deres undervisningsstil baseret på en elevs adfærd. I robotteknik kunne selvtilpasningsrammer føre til autonome maskiner, der lærer nye bevægelsesmønstre uden at blive genprogrammeret. 

På tværs af Mellemøsten bygger lande som UAE og Saudi-Arabien hurtigt grundlæggende modeller, der er designet til tilpasning. UAE’s Falcon og G42’s Jais er open-source LLM’er bygget med regional relevans i mente, mens Saudi-Arabiens ALLaM og Aramco Digitals Metabrain er på vej ind i området for autonome AI-agenter til smarte byer, sundhedsvesen og logistik.

Disse bestræbelser er endnu ikke på niveau med MIT’s SEAL, når det kommer til selvredigeringsfunktion, men de afspejler en fælles retning: fra passive AI-systemer til aktive, udviklende agenter, der kan navigere kompleksitet med begrænset menneskelig vejledning. Og ligesom SEAL er disse initiativer bakket op af robuste styrestrukturer, der understreger den voksende bevidsthed om, at AI-autonomi må kombineres med ansvar.

“Dette er et første skridt mod selvstyrende systemer, der ændrer deres logik uden konstant indgriben,” siger Struve. “Jeg tror, at kunstig intelligens ikke omdefinerer, hvad intelligens er, men det tvinger os til at genoverveje vores forhold til den. Det vigtige er ikke, at en model udvikler sig, men at den gør det i overensstemmelse med de mål, vi definerer som mennesker.”

Jeff Townes, CTO af Gorilla Logic, understreger også vigtigheden af, at styrestrukturer følger med AI-udviklingen: “Spørgsmålet er ikke, om AI kan udvikle sig – det er, om virksomheden kan udvikle sig med det. Styrestrukturer må fastgøre hver AI-tilpasning til klare resultater og nøgleperformanceindikatorer, som ledere kan måle og stole på, så innovation skalerer med tillid i stedet for risiko.”

Er vi klar til AI, der omskriver sig selv?

Det mest provokerende spørgsmål, SEAL rejser, er ikke teknisk – det er, hvis modeller kan beslutte, hvordan de skal undervise sig selv, hvilken rol spiller vi så i formning af deres værdier, prioriteter og retning? 

Eksperter advarer om, at da selvtilpasnings-AI-systemer får autonomi, må rushen mod selvforbedring ikke overhale etableringen af etiske vogter. “Jeg tror, at alle AI-systemer må inkorporere mindst tre grundlæggende etiske principper,” sagde Jacob Evans, CTO hos Kryterion. 

“Først, og det kan måske gå uden at sige, men AI’er behøver at identificere sig selv som AI. Anden, AI’er må være menneskecentrerede, supplere og ikke erstatte menneskelig dømmekraft. Og til sidst må det anerkende sine begrænsninger og usikkerheder, mens det nægter at give information, der kunne facilitere alvorlig skade. Uden disse sikkerhedsforanstaltninger kan AI blive et værktøj for manipulation i stedet for pålidelig støtte.”

“For at aktivere modeller til selvforbedring i produktion, behøver de en dynamisk feedback-løkke, ikke kun statisk træning. En kraftfuld metode er at bruge en ‘digital tvilling’ eller en sofistikeret sandkasse-miljø, hvor AI kan teste og validere sine egne selvgenererede forbedringer, før de nogensinde deployes til brugere,” delte Ganesh Vanama, computer vision-ingeniør hos Automotus. 

Vedrørende styre, tilføjede Vanama, “den uafviselige kontrol er ‘menneske-i-løkken’-overvågning.” Han sagde, at mens vi ønsker, at modeller skal tilpasse sig, “du må have kontinuerlig overvågning for at opdage ’tilpasningsafvigelse’, hvor modellen afviger fra sine intentionerede mål eller sikkerhedsbegrænsninger. Dette system må give en menneskelig auditor mulighed for at annullere eller øjeblikkeligt tilbageføre enhver autonom opdatering, der fejler en sikkerheds- eller performancesammenligning.”

Men andre eksperter mener, at der stadig er tid til at udvikle disse sikkerhedsforanstaltninger, idet de argumenterer for, at opbygning af robuste, generelle, selvforbedrende AI-modeller stadig er en monumental udfordring.

“Sådanne modeller mangler stadig evnen til pålideligt at omskrive sig selv i realtid. Nøgleudfordringer inkluderer at forhindre fejlforstærkning, undgå katastrofalt glemsomhed, sikre stabilitet under opdateringer og fastholde gennemsigtighed omkring interne ændringer,” sagde Riera. “Indtil disse er adresseret, forbliver fuld selvstyrende tilpasning en grænse i stedet for en realitet.”

MIT’s forskere ser SEAL som en nødvendig udvikling. Som en af MIT’s ledende forskere sagde, spejler denne ramme kun menneskelig læring mere nøjagtigt end noget, der er set før. 

“Disse systemer antyder en skift fra statiske, enkelt-skud-modeller til adaptive arkitekturer, der kan lære af erfaring, styre hukommelse og forfølge mål over tid. Retningen er klar: mod modulære, kontekstbevidste intelligens, der kan tilpasse sig selv kontinuerligt,” sagde Riera til mig. “Selvom det stadig er i det eksperimentelle stadium, markerer denne tilgang et betydningsfuldt skridt mod mere autonome og robuste AI-systemer.”

Om dette fører til mere personlige systemer eller helt nye former for maskineagenturer, bliver set. Tiden for selvunderviste AI er ankommet – og det omskriver mere end blot sin egen kode; det omskriver reglerne for, hvad maskiner kan blive.