Tekoäly, joka opettaa itsensä, ei ole enää tieteiskirjallisuutta

Uudet tekoälykehykset ovat siirtymässä radikaaliin askeluun: koneet, jotka parantavat itseään, ilman ihmisen vaatimusta.

Vuodesta toiseen, jopa edistyneimmät tekoälymallit ovat olleet passiivisia moottoreita, jotka ennustavat vastauksia koulutusdatasta, jota ne eivät voi muuttaa. Mutta tänään se ei ole mallin kokoa, joka määrittää seuraavan luvun tekoälyssä; se on se, voivatko mallit kehittyä itse.

Hiljattain MIT-tutkijat esittivät uuden tekoälykehyksen nimeltä Itse-sopeutuvat LLM:t (SEAL). Tämä lähestymistapa sallii suurten kielen mallien (LLM) parantaa itseään autonomisesti, mahdollistaen tekoälylle diagnosoida omat rajoitukset ja päivittää omat hermosolmukon painot sisäisen palautekehän kautta, jota ohjataan vahvistusoppimisella. Tutkijoiden sijaan malli ottaa täydellisen omistajuuden kehityksestään.

“Suuret kielen mallit (LLM) ovat voimakkaita, mutta staattisia; niissä ei ole mekanismeja sopeuttaa painoja uusien tehtävien, tietojen tai esimerkkien mukaisesti”, MIT-tutkijat kirjoittivat blogikirjoituksessa. “Kokeet tietojen sisällyttämisestä ja vähäisen yleistymisen osoittavat, että SEAL on lupaava askel kohti kielen malleja, jotka voivat sopeutua itseohjautuvasti uusiin tietoihin.”

Alkuvaiheen testeissä tämä itse-editoiva silmukka salli malleille siirtyä täydellisestä epäonnistumisesta menestykseen monimutkaisissa abstraktissa päättelypulmissa, jolloin ne ylittivät jopa paljon suurempia malleja, kuten GPT-4.1, 72,5 prosentin onnistumisprosentilla, kun perinteiset menetelmät epäonnistuivat. Lisäksi SEAL ilmoitetaan vähentävän ihmisen valvontaa 85 prosentilla samalla kun se lisää tarkkuutta ja sopeutumista.

Itseoppien tekoälykehysten nousu

SEAL on osa laajempaa suuntausta kohti autonomista koneälyä. Esimerkiksi Sakana AI -tutkijat ovat esittäneet Darwin-Gödel-koneen—tekoälyagentin, joka kirjoittaa oman koodinsa avoimilla evoluutiostrategioilla.

“Se luo erilaisia itseparannuksia, kuten patchin validointivaiheen, paremman tiedostonäkymän, parannellun muokkaustyökalun, useiden ratkaisujen luomisen ja niiden luokittelun parhaan valinnan, sekä lisäävän historian siitä, mitä on kokeiltu aiemmin (ja miksi se epäonnistui), kun tehdään uusia muutoksia”, Sakana AI kirjoitti blogikirjoituksessa.

Vastaavasti Anthropicin tekoälyagentit, joita ohjaa Claude 4, voivat nyt autonomisesti orkesteroida työvirran koodipohjassa ja liiketoimintatyökaluissa.

“Järjestelmä, joka mukautuu itsensä mukaan resurssin, ympäristön ja historian perusteella, mahdollistaa siirtymisen reaktiivisesta vastauksesta jatkuvaan ehkäisevään strategiaan”, Christian Struve, Fracttalin toimitusjohtaja ja perustaja, kertoi minulle. “Tämä ei ole enää kyse siitä, onko malli suurempi tai monimutkaisempi, vaan siitä, onko se autonomisempi ja hyödyllisempi.”

Nämä pyrkimykset yhdistää yhteinen usko: tekoäly ei tarvitse kasvaa suuremmaksi, jotta se tulisi älykkäämmäksi. Se tarvitsee kehittyä sopeutuvammaksi.

“Skaalautuminen on tuonut suuria voittoja, mutta olemme saavuttaneet koon rajoitukset. Itse-sopeutuvat oppimismallit, kuten SEAL, tarjoavat houkuttelevan seuraavan askelen, mahdollistaen järjestelmien kasvun ja parantamisen ajan myötä”, Jorge Riera, Datacon perustaja ja toimitusjohtaja, kertoi minulle. “Itsekehittyvät mallit siirtävät myös edistymisen mittareita staattisista benchmark- mittauksista mittaamiin sopeutumisen, oppimisen tehokkuuden ja turvallisen pitkän aikavälin parantamisen mittareihin. Sen sijaan, että testaisimme vain sitä, mitä malli tietää käyttöönoton aikana, voimme arvioida, miten hyvin se oppii, muistaa ja kehittyy ajan myötä.”

Vaikutus tekoälyekosysteemiin ja globaali kilpailu kohti autonomiaa

Tämä autonomian taso uudelleenkirjoittaa myös tekoälyn taloudelliset perusteet. Kuvittelepeto- ja petosjärjestelmiä, jotka päivittävät itseään välittömästi uusien uhkien torjumiseksi, tai tekoälyopettajia, jotka muuttavat opetusmenetelmiään oppilaan käyttäytymisen mukaan. Robotiikassa itse-sopeutuvat kehykset voivat johtaa autonomisiin koneisiin, jotka oppivat uusia liiketoimintamalleja ilman uudelleenohjelmointia.

Lähi-idässä maat, kuten UAE ja Saudi-Arabia, rakentavat nopeasti perusmalleja, jotka on suunniteltu sopeutumiseen. UAE:n Falcon ja G42:n Jais ovat avoimia LLM:ejä, jotka on kehitetty alueellisen merkityksen mukaisesti, kun taas Saudi-Arabian ALLaM ja Aramco Digitalin Metabrain ovat siirtymässä autonomisten tekoälyagenttien alueelle älykkäissä kaupungeissa, terveydenhuollossa ja logistiikassa.

Nämä pyrkimykset eivät ole vielä vastaavia kuin MIT:n SEAL itse-editoivien kykyjen suhteen, mutta ne heijastavat yhteistä suuntaa: passiivisista tekoälyjärjestelmistä aktiivisiin, kehittyviin agenteihin, jotka voivat navigoida monimutkaisuuden rajoitettujen ihmisten ohjausten kanssa. Ja kuten SEAL, nämä aloitteet on tuettu vankkoilla hallintokehyksillä, korostaa kasvavaa tietoisuutta, että tekoälyn autonomia on yhdistettävä vastuuseen.

“Tämä on ensimmäinen askel kohti itsehallinnollisia järjestelmiä, jotka voivat muuttaa logiikkaansa ilman jatkuvaa väliintuloa”, Struve sanoo. “Uskon, että tekoäly ei uudelleenmäärittele älykkyyttä, mutta se pakottaa meidät uudelleenarvioimaan suhdetta siihen. Tärkeintä ei ole, että malli kehittyy, vaan että se kehittyy ihmisten määrittämien tavoitteiden mukaisesti.”

Jeff Townes, Gorilla Logicin CTO, korostaa myös hallinnon merkitystä tekoälyn evoluution aikana: “Kysymys ei ole siinä, voivatko tekoälyt kehittyä – se on siinä, voivatko yritykset kehittyä niiden mukana. Hallinto on kiinnitettävä jokaiseen tekoälysopeutumiseen selkeisiin tuloksiin ja KPI:hin, joita johtajat voivat mitata ja luottaa, jotta innovaatio kehittyy luottamuksella eikä riskin kanssa.”

Olemmeko valmiit tekoälylle, joka kirjoittaa itsensä uudelleen?

Provokatiivisin kysymys, jonka SEAL herättää, ei ole tekninen – se on se, mitä roolia meillä on tekoälyn arvojen, prioriteettien ja suunnan muokkaamisessa, jos mallit voivat päättää, miten ne opettavat itsensä?

Asiantuntijat varoittavat, että kun itse-sopeutuvat tekoälyjärjestelmät saavuttavat autonomian, itseparantamisen pyrkimyksen ei pidä ylittää eettisten suojavallien perustamista. “Uskon, että kaikissa tekoälyjärjestelmissä on oltava vähintään kolme perusettistä periaatetta”, Jacob Evans, Kryterionin CTO, sanoo.

“Ensinnäkin, ja tämä saattaa olla ilmeistä, tekoälyjärjestelmien on tunnistettava itsensä tekoälyksi. Toiseksi, tekoälyjärjestelmien on oltava ihmiskeskeisiä, tukien ja korvaamatta ihmisen arviointia. Ja lopuksi, niiden on tunnustettava rajoituksensa ja epävarmuutensa, kieltäytyen antamasta tietoa, joka voisi helpottaa vakavaa vahinkoa. Ilman näitä suojausjärjestelmiä tekoäly voi muuttua manipuloinnin välineeksi eikä luotettavaksi tukeksi.”

“Jotta mallit voivat parantaa itseään tuotannossa, niiden tarvitsee dynaaminen palautekehys, ei vain staattinen koulutus. Voimakas menetelmä on käyttää ‘digitaalista kaksosta’ tai sofistikoitunutta hiekkalaatikkoa, jossa tekoäly voi turvallisesti testata ja vahvistaa omat itsegeneroivat parannukset ennen kuin ne koskaan käytetään käyttäjille”, Ganesh Vanama, Automotusin tietokoneen näön insinööri, jakoi.

Hallinnosta puolestaan Vanama lisäsi, että “ehdoton valvonta on ‘ihminen silmukassa’ -valvonta.” Hän sanoi, että vaikka haluamme, että mallit sopeutuvat, “on oltava jatkuva valvonta havaitsemaan ‘sopimussuunnan muutos’, jossa malli poikkeaa tarkoitetuista tavoitteista tai turvallisuusrajoituksista. Tämän järjestelmän on annettava ihmiselle valtuudet vetää tai peruuttaa välittömästi autonomisen päivityksen, joka epäonnistuu turvallisuuden tai suorituskyvyn tarkastelussa.”

Mutta toiset asiantuntijat uskovat, että on vielä aikaa kehittää näitä suojausjärjestelmiä, väittäen, että luoda todella vankka, yleispätevä, itseparantava tekoäly on edelleen valtava haaste.

“Nämä mallit puuttuvat edelleen kyvystä uudelleenohjelmoida itsensä luotettavasti reaaliajassa. Avainhaasteita ovat estää virheiden vahvistus, välttää katastrofaalinen unohtaminen, varmistaa vakaus päivitysten aikana ja ylläpitää avoimuutta sisäisten muutosten yhteydessä”, Riera sanoo. “Kunnes nämä on ratkaistu, täydellinen itseohjautuva sopeutuminen on edelleen raja-alue eikä todellisuutta.”

MIT:n tutkijat pitävät SEAL:ia välttämättömänä evoluutiona. Yksi MIT:n johtavista tutkijoista totesi, että tämä kehys heijastaa vain ihmisen oppimista tarkemmin kuin mikään aiempi.

“Nämä järjestelmät viittaavat siirtymään staattisista, yksittäisistä malleista sopeutuvaisiin arkkitehtuureihin, jotka voivat oppia kokemuksesta, hallita muistia ja tavoitella tavoitteita ajan myötä. Suunta on selvä: modulaarinen, kontekstiaaltoinen äly, joka voi sopeutua jatkuvasti”, Riera kertoi minulle. “Vaikka edelleen kokeellisessa vaiheessa, tämä lähestymistapa merkitsee merkittävää askelta kohti autonomisempia ja kestävämpiä tekoälyjärjestelmiä.”

Onko tämä johtaa henkilökohtaisempiin järjestelmiin tai täysin uusiin muotoihin koneellisesta toiminnasta, on nähtävä. Itseoppien tekoälyn aikakausi on saapunut – ja se kirjoittaa uudelleen enemmän kuin vain oman koodinsa; se kirjoittaa uudelleen säännöt siitä, mitä koneet voivat tulla.