Το AI που διδάσκει τον εαυτό του δεν είναι πλέον επιστημονική φαντασία

Εμφερίζοντα πλαίσια AI προχωρούν προς einen ριζικό αλλαγή: μηχανές που auto-βελτιώνονται, χωρίς ανθρώπινη είσοδο.

Για χρόνια, ακόμη και τα πιο προηγμένα μοντέλα AI παρέμειναν παθητικά, προβλέποντας απαντήσεις με βάση τα δεδομένα εκπαίδευσης που δεν μπορούσαν να τροποποιήσουν. Αλλά σήμερα δεν είναι το μέγεθος του μοντέλου που ορίζει το επόμενο κεφάλαιο της τεχνητής νοημοσύνης, αλλά αν το μοντέλο μπορεί να εξελιχθεί μόνος του.

Πρόσφατα, ερευνητές του MIT παρουσίασαν ένα νέο πλαίσιο AI που ονομάζεται Self-Adapting LLMs (SEAL). Η προσέγγιση επιτρέπει στα μεγάλα μοντέλα γλωσσών (LLMs) να βελτιώνονται αυτόνομα, επιτρέποντας στο AI να διαγνώσει τις περιορισμοί του και να ενημερώνει μόνιμα τα δικά του νευρωνικά βάρη μέσω ενός εσωτερικού βρόχου ανατροφοδότησης που τροφοδοτείται από την ενίσχυση της μάθησης. Αντί να απαιτούν οι ερευνητές να εντοπίσουν σφάλματα, να γράψουν νέες προτροπές ή να παρέχουν επιπλέον παραδείγματα, το μοντέλο λαμβάνει την πλήρη ιδιοκτησία της εξέλιξής του.

«Τα μεγάλα μοντέλα γλωσσών (LLMs) είναι ισχυρά αλλά στατικά, λείπουν μηχανισμοί για να προσαρμόσουν τα βάρη τους σε απάντηση νέων εργασιών, γνώσεων ή παραδειγμάτων», έγραψαν οι ερευνητές του MIT σε μια ανάρτηση στο blog. «Πειράματα για την ενσωμάτωση γνώσεων και τη γενίκευση με λίγα shots δείχνουν ότι το SEAL είναι ένα υποσχόμενο βήμα προς τα μοντέλα γλωσσών που είναι ικανά για αυτο-καθοδηγούμενη προσαρμογή σε απάντηση νέων δεδομένων».

Στις πρώτες δοκιμές, αυτός ο αυτο-επεξεργαζόμενος βρόχος επέτρεψε στα μοντέλα να μεταβούν από πλήρη αποτυχία σε επιτυχία σε σύνθετα αφηρημένα προβλήματα συλλογισμού, υπερβαίνοντας ακόμη και πολύ μεγαλύτερα μοντέλα όπως το GPT-4.1 με ποσοστό επιτυχίας 72,5%, όπου οι παραδοσιακές μεθόδους απέτυχαν. Επιπλέον, το SEAL αναφέρει ότι μειώνει την ανθρώπινη επιτήρηση κατά 85% ενώ αυξάνει την ακρίβεια και την προσαρμοστικότητα.

Η άνοδος των αυτο-διδακτικών πλαισίων AI

Το SEAL είναι μέρος ενός ευρύτερου трένδ για την αυτονομία της μηχανικής νοημοσύνης. Ερευνητές στο Sakana AI, για παράδειγμα, έχουν εισαγάγει το Darwin-Gödel Machine—ένα πράγμαμα AI που επαναγράφει τον δικό του κώδικα χρησιμοποιώντας ανοιχτές στρατηγικές εξέλιξης.

«Δημιουργεί διάφορες αυτο-βελτιώσεις, όπως ένα βήμα επαλήθευσης修正, καλύτερη προβολή αρχείων, ενισχυμένα εργαλεία επεξεργασίας, γεννήτρια και κατάταξη πολλών λύσεων για να επιλέξει την καλύτερη, και προσθήκη ιστορικού για ό,τι έχει δοκιμαστεί trước από τότε (και γιατί απέτυχε) κατά την πραγματοποίηση νέων αλλαγών», έγραψαν οι Sakana AI σε μια ανάρτηση στο blog.

Ομοίως, τα πράγματα AI της Anthropic, powered by Claude 4, μπορούν τώρα να αυτο-οργανώσουν εργοflows σε κώδικες και εργαλεία επιχειρήσεων.

«Ένα σύστημα που αναδιατάσσει τον εαυτό του με βάση τον τύπο του περιουσίου, του περιβάλλοντος και της ιστορίας του επιτρέπει να μεταβεί από μια αντιδραστική απάντηση σε μια συνεχής στρατηγική πρόληψης», είπε ο Christian Struve, CEO και συν-ιδρυτής της Fracttal. «Δεν είναι για περισσότερες στρώσεις ή περισσότερους παραμέτρους, αλλά για πιο αυτονομικά και πιο χρήσιμα συστήματα».

Τι ενώνει αυτές τις προσπάθειες είναι μια βασική πίστη: το AI δεν χρειάζεται να γίνει μεγαλύτερο για να γίνει πιο έξυπνο. Χρειάζεται να γίνει πιο προσαρμοστικό.

«Η κλιμάκωση έχει φέρει σημαντικά κέρδη, αλλά φτάνουμε στα όρια του τι μπορεί να επιτύχει μόνο το μέγεθος. Τα αυτο-προσαρμοζόμενα μοντέλα μάθησης όπως το SEAL προσφέρουν ένα πειστικό επόμενο βήμα, επιτρέποντας στα συστήματα να μεγαλώσουν και να βελτιωθούν με τον καιρό», είπε ο Jorge Riera, ιδρυτής και CEO της Dataco, μιας πλήρως στοίβας πλατφόρμας συμβουλευτικής δεδομένων. «Τα αυτο-εξελισσόμενα μοντέλα επίσης μεταφέρουν τα μέτρα πρόοδου από στατικά βENCHMARKS σε μέτρα προσαρμοστικότητας, αποδοτικότητας μάθησης και ασφαλούς μακροπρόθεσμης βελτίωσης. Αντί να δοκιμάζουμε τι ξέρει ένα μοντέλο κατά την ανάπτυξή του, μπορούμε να αξιολογήσουμε πόσο καλά μαθαίνει, διατηρεί και εξελίσσεται με τον καιρό».

Επίδραση στο οικοσύστημα AI και τον παγκόσμιο αγώνα προς την αυτονομία

Αυτό το επίπεδο αυτονομίας επίσης αναγράφει τις οικονομικές της ανάπτυξης AI. Φανταστείτε συστήματα ανίχνευσης απάτης που ενημερώνουν τον εαυτό τους άμεσα για να ανταποκριθούν σε νέες απειλές, ή AI δασκάλους που αλλάζουν το στυλ διδασκαλίας τους με βάση τη συμπεριφορά eines μαθητή. Στη ρομποτική, τα αυτο-προσαρμοζόμενα πλαίσια θα μπορούσαν να οδηγήσουν σε αυτονομούς μηχανισμούς που μαθαίνουν νέους τρόπους κίνησης χωρίς να προγραμματίζονται ξανά.

Σε όλη τη Μέση Ανατολή, χώρες όπως τα Ηνωμένα Αραβικά Εμιράτα και η Σαουδική Αραβία κατασκευάζουν γρήγορα θεμελιώδεις μοντέλα που σχεδιάζονται για προσαρμογή. Το Falcon των ΗΑΕ και το Jais της G42 είναι ανοιχτά μοντέλα γλωσσών (LLMs) που κατασκευάζονται με περιφερειακή σχετικότητα στο μυαλό, ενώ η ALLaM και το Metabrain της Saudi Aramco προχωρούν στο πεδίο των αυτονομών πραγμάτων AI για έξυπνες πόλεις, υγεία και логιστική.

Αυτές οι προσπάθειες δεν είναι ακόμη ισοδύναμες με το SEAL του MIT σε όρους αυτο-επεξεργασίας, αλλά αντανακλούν μια κοινή τροχιά: από παθητικά συστήματα AI σε ενεργά, εξελισσόμενα πράγματα που μπορούν να πλοηγηθούν στη σύνθετη με περιορισμένη ανθρώπινη καθοδήγηση. Και όπως το SEAL, αυτές οι πρωτοβουλίες υποστηρίζονται από ισχυρά πλαίσια διακυβέρνησης, υπογραμμίζοντας την αυξανόμενη ευαισθητοποίηση ότι η αυτονομία AI πρέπει να συνοδεύεται από υπευθυνότητα.

«Αυτό είναι ένα πρώτο βήμα προς τα αυτο-διαχειριζόμενα συστήματα που τροποποιούν τη λογική τους χωρίς συνεχή παρέμβαση», λέει ο Struve. «Πιστεύω ότι η τεχνητή νοημοσύνη δεν αναedefinει τι είναι η νοημοσύνη, αλλά μας αναγκάζει να ξανασκεφτούμε τη σχέση μας με αυτήν. Το σημαντικό δεν είναι ότι ένα μοντέλο εξελίσσεται, αλλά ότι το κάνει αυτό με βάση τους στόχους που ορίζουμε ως άνθρωποι».

Ο Jeff Townes, CTO της Gorilla Logic, επίσης τονίζει την σημασία της διακυβέρνησης να跟κει την εξέλιξη AI: «Η ερώτηση δεν είναι αν το AI μπορεί να εξελιχθεί—αλλά αν η επιχείρηση μπορεί να εξελιχθεί μαζί του. Η διακυβέρνηση πρέπει να αγκιστρώσει κάθε προσαρμογή AI σε σαφείς αποτελέσματα και KPIs που οι ηγέτες μπορούν να μετρήσουν και να εμπιστευτούν, ώστε η καινοτομία να κλιμακωθεί με εμπιστοσύνη αντί για ρίσκο».

Είμαστε έτοιμοι για το AI που ξαναγράφει τον εαυτό του;

Το πιο προκλητικό ερώτηση που θέτει το SEAL δεν είναι τεχνικό—αλλά αν τα μοντέλα μπορούν να αποφασίσουν πώς να διδάξουν τον εαυτό τους, ποιο ρόλο παίζουμε στην διαμόρφωση των αξίων, προτεραιοτήτων και κατευθύνσεων τους;

Εкспέρτες προειδοποιούν ότι καθώς τα αυτο-προσαρμοζόμενα συστήματα AI κερδίζουν αυτονομία, η αναχώρηση προς την αυτο-βελτίωση δεν πρέπει να ξεπεράσει την καθοδήγηση των ηθικών φραγμών. «Πιστεύω ότι όλα τα συστήματα AI πρέπει να ενσωματώνουν τουλάχιστον τρεις βασικές ηθικές αρχές», λέει ο Jacob Evans, CTO tại Kryterion.

«Πρώτα, και αυτό μπορεί να πει ότι, τα AI πρέπει να ταυτοποιούν τον εαυτό τους ως AI. Δεύτερο, τα AI πρέπει να είναι ανθρωποκεντρικά, να ενισχύουν και όχι να αντικαθιστούν την ανθρώπινη κρίση. Και τελικά, πρέπει να αναγνωρίσουν τις περιορισμοί και τις αβεβαιότητες τους, ενώ αρνούνται να παρέχουν πληροφορίες που θα μπορούσαν να διευκολύνουν σοβαρές ζημιές. Χωρίς αυτές τις προστασίες, το AI μπορεί να γίνει ένα εργαλείο της χειραγώγησης αντί για αξιόπιστη υποστήριξη».

«Για να ενεργοποιήσουμε τα μοντέλα να auto-βελτιωθούν στην παραγωγή, χρειάζονται ένας δυναμικός βρόχος ανατροφοδότησης, όχι μόνο στατική εκπαίδευση. Ένας ισχυρός μέθοδος είναι η χρήση ενός ‘ψηφιακού δίδυμου’ ή ενός sophistιcated sandbox περιβάλλοντος όπου το AI μπορεί να δοκιμάσει και να επικυρώσει τις δικές του αυτο-γεννημένες βελτιώσεις πριν από τότε που θα αναπτυχθούν ποτέ στους χρήστες», μοιράστηκε ο Ganesh Vanama, Computer Vision Engineer στην Automotus.

Όσον αφορά τη διακυβέρνηση, ο Vanama πρόσθεσε, «η αδιαπραγμάτευτη έλεγχος είναι ‘ανθρώπινος στο βρόχο’ έλεγχος». Είπε ότι ενώ θέλουμε τα μοντέλα να προσαρμοστούν, «πρέπει να έχει συνεχής παρακολούθηση για να ανιχνεύσει ‘alignment drift’ όπου το μοντέλο απομακρύνεται από τους προοριζόμενους στόχους ή τις ασφαλείς περιορισμούς. Αυτό το σύστημα πρέπει να δώσει στον ανθρώπινο ελεγκτή την εξουσία να βέτο ή να αναστρέψει αμέσως οποιαδήποτε αυτονομία ενημέρωση που αποτυγχάνει σε μια ασφάλεια ή επιδόσεις ανασκόπηση».

Αλλά άλλοι εμπειρογνώμονες πιστεύουν ότι υπάρχει ακόμη χρόνος για να αναπτύξουν αυτές τις προστασίες, υποστηρίζοντας ότι η κατασκευή ενός πραγματικά robust, γενικής χρήσης, αυτο-βελτιωμένου AI παραμένει μια τεράστια πρόκληση.

«Τέτοια μοντέλα ακόμη λείπουν την ικανότητα να επαναπρογραμματίσουν τον εαυτό τους με τρόπο αξιόπιστο σε πραγματικό χρόνο. Κύριες προκλήσεις παραμένουν, συμπεριλαμβανομένης της αποτροπής της ενίσχυσης σφαλμάτων, της αποφυγής της καταστροφικής λήθης, της διασφάλισης της σταθερότητας κατά τις ενημερώσεις και της διατήρησης της διαφάνειας γύρω από τις εσωτερικές αλλαγές», λέει ο Riera. «Μέχρι να αντιμετωπιστούν αυτά, η πλήρης αυτο-καθοδηγούμενη προσαρμογή παραμένει ένα μέτωπο αντί για μια πραγματικότητα».

Οι ερευνητές του MIT βλέπουν το SEAL ως μια αναγκαία εξέλιξη. Όπως είπε ένας από τους επιστήμονες του MIT, αυτό το πλαίσιο αντικατοπτρίζει τη μαθήση ανθρώπων πιο στενά από ότι οποιοδήποτε άλλο που έχει προηγηθεί.

«Αυτά τα συστήματα υποδεικνύουν μια αλλαγή από στατικά, one-shot μοντέλα σε προσαρμοζόμενα αρχιτεκτονικά που μπορούν να μαθαίνουν από την εμπειρία, να διαχειρίζονται τη μνήμη και να επιδιώκουν στόχους με τον καιρό. Η κατεύθυνση είναι σαφής: προς modουλάρ, context-aware νοημοσύνη ικανή να προσαρμόζεται συνεχώς», είπε ο Riera. «Ενώ ακόμη βρίσκεται στη φάση πειραμάτων, αυτή η προσέγγιση σηματοδοτεί ένα σημαντικό βήμα προς πιο αυτονομικά και ανθεκτικά συστήματα AI».

Αν αυτό οδηγεί σε πιο προσωποποιημένα συστήματα ή εντελώς νέες μορφές μηχανικής νοημοσύνης παραμένει να δούμε. Η εποχή του αυτο-διδακτικού AI έχει έρθει—και γράφει πάνω από τον δικό του κώδικα, γράφει τις κανόνες για ό,τι μπορεί να γίνει μια μηχανή.