Den kunstig intelligensen som underviser seg selv er ikke lenger vitenskapsfiksjon

Fremvoksende AI-rammeverk beveger seg mot et radikalt sprang: maskiner som selvforbedrer, ingen menneskelig innsikt nødvendig.

I årevis, selv de mest avanserte AI-modellene forble passive motorer, som forutså svar basert på treningdata de ikke kunne modifisere. Men i dag er det ikke størrelsen på modellen som definerer det neste kapitlet i kunstig intelligens; det er om modellen kan utvikle seg på egen hånd.

Nylig avdekket MIT-forskere et nytt AI-rammeverk kalt Selv-tilpassende LLMs (SEAL). Tilnærmingen tillater store språkmodeller (LLMs) å forbedre seg selv autonomt, som muliggjør at AI kan diagnostisere sine begrensninger og permanent oppdatere sine egne neurale vekter gjennom en intern tilbakemeldingsløkke drevet av forsterkingslæring. I stedet for å kreve at forskerne oppdager feil, skriver nye påminnelser eller matet inn ekstra eksempler, tar modellen full eierskap av sin utvikling.

“Store språkmodeller (LLMs) er kraftfulle, men statiske; de mangler mekanismer for å tilpasse sine vekter i respons til nye oppgaver, kunnskap eller eksempler,” skrev MIT-forskerne i en blogginnlegg. “Eksperimenter på kunnskapsinkorporering og few-shot generalisering viser at SEAL er et løftende skritt mot språkmodeller som kan tilpasse seg selv i respons til nye data.”

I tidlige tester tillot denne selv-redigeringsløkken modellene å gå fra fullstendig feil til suksess på komplekse abstrakte resonneringspusler, og overgikk selv større modeller som GPT-4.1 med en 72,5 prosent suksessrate, der tradisjonelle metoder feilet. I tillegg rapporteres det at SEAL reduserer menneskelig tilsyn med 85 prosent samtidig som nøyaktigheten og tilpasningen øker.

Oppblomstringen av selv-lærte AI-rammeverk

SEAL er en del av en bredere trend mot autonom maskinintelligens. Forskere ved Sakana AI har for eksempel introdusert Darwin-Gödel-maskinen—en AI-agent som skriver om sin egen kode ved å bruke åpne evolusjonære strategier.

“Det skaper ulike selv-forbedringer, som en patch-valideringssteg, bedre filvisning, forbedret redigering-verktøy, generering og rangering av flere løsninger for å velge den beste, og legge til en historikk over hva som har blitt prøvd tidligere (og hvorfor det feilet) når nye endringer gjøres,” skrev Sakana AI i en blogginnlegg.

Liksom Anthropics AI-agenter, drevet av Claude 4, kan nå selvstendig koordinere arbeidsflyter over kodebasen og forretningsverktøy.

“Et system som omkonfigurerer seg selv basert på typen aktivum, miljø og historikk tillater å gå fra en reaktiv respons til en kontinuerlig forebyggingsstrategi,” sa Christian Struve, CEO og medgrunnlegger i Fracttal, til meg. “Det handler ikke om flere lag eller flere parametre, men mer autonome og mer nyttige systemer.”

Hva som forener disse innsatsene er en felles tro: AI trenger ikke å bli større for å bli smartere. Det må bli mer tilpasningsdyktig.

“Skalering har ført til store gevinst, men vi nærmer oss grensene for hva størrelse alene kan oppnå. Selv-tilpassende læringsmodeller som SEAL tilbyr et overbevisende neste skritt ved å muliggjøre systemer som kan vokse og forbedre seg over tid,” sa Jorge Riera, grunnlegger og CEO i full-stack datakonsulentselskapet Dataco, til meg. “Selv-utviklende modeller skyfter også fremgangsmålinger fra statiske benchmark til mål for tilpasningsdyktighet, lærings-effektivitet og trygg langtidsforbedring. I stedet for bare å teste hva en modell vet ved deployering, kan vi evaluere hvordan den lærer, beholder og utvikler seg over tid.”

Virking på AI-økosystemet og den globale kappløpet mot autonomi

Dette nivået av autonomi omdefinierer også økonomien for AI-utbredelse. Tenk på svindel-avdekningssystemer som oppdaterer seg selv øyeblikkelig for å motvirke nye trusler, eller AI-lærere som endrer sin undervisningsstil basert på en students atferd. I robotikk kan selv-tilpassende rammeverk føre til autonome maskiner som lærer nye bevegelsesmønster uten å bli omprogrammert.

Over hele Midtøsten bygger land som UAE og Saudi-Arabia raskt grunnleggende modeller designet for tilpasning. UAEs Falcon og G42s Jais er åpne LLMs bygget med regional relevans i tankene, mens Saudi-Arabias ALLaM og Aramco Digitals Metabrain skyfter inn i området av autonome AI-agenter for smarte byer, helse og logistikk.

Disse innsatsene er ikke ennå likeverdige med MITs SEAL når det gjelder selv-redigeringskapasitet, men de reflekterer en felles retning: fra passive AI-systemer til aktive, evoluerende agenter som kan navigere kompleksitet med begrenset menneskelig veiledning. Og like SEAL, er disse initiativene bakket opp av robuste styringsrammeverk, som understreker den økende bevisstheten om at AI-autonomi må kombineres med ansvar.

“Dette er et første skritt mot selv-styrte systemer som modifiserer sin logikk uten konstant inngripen,” sier Struve. “Jeg tror at kunstig intelligens ikke omdefinierer hva intelligens er, men den tvinger oss til å tenke om vår relasjon til den. Det viktige er ikke at en modell evoluerer, men at den gjør det i samsvar med målene vi definerer som mennesker.”

Jeff Townes, CTO i Gorilla Logic, understreker også viktigheten av at styringen holder tritt med AI-utviklingen: “Spørsmålet er ikke om AI kan evolvere—det er om bedriften kan evolvere med det. Styringen må feste hver AI-tilpasning til klare resultater og KPIer som ledere kan måle og stole på, så innovasjon skalerer med tillit i stedet for risiko.”

Er vi klare for AI som skriver om seg selv?

Det mest provoserende spørsmålet SEAL reiser, er ikke teknisk—det er om modellene kan bestemme hvordan de skal undervise seg selv, hva rolle spiller vi i å forme deres verdier, prioriteringer og retning?

Eksperter advarer om at når selv-tilpassende AI-systemer vinner autonomi, må rushen mot selv-forbedring ikke overgå etableringen av etiske retningslinjer. “Jeg tror alle AI-systemer må inkorporere minst tre grunnleggende etiske prinsipper,” sier Jacob Evans, CTO i Kryterion.

“Først, og dette kan gå uten å si, men AIer må identifisere seg selv som AI. For det andre, må AIer være menneske-sentrert, og supplere og ikke erstatte menneskelig dømmekraft. Og til slutt, må det anerkjenne sine begrensninger og usikkerheter, samtidig som det nekter å gi informasjon som kan muliggjøre alvorlig skade. Uten disse sikkerhetstiltakene, kan AI bli et verktøy for manipulering i stedet for pålitelig støtte.”

“For å muliggjøre modeller til å selv-forbedre seg i produksjon, trenger de en dynamisk tilbakemeldingsløkke, ikke bare statisk trening. En kraftfull metode er å bruke en ‘digital tvilling’ eller en sofistisert sandkasse-miljø hvor AI kan trygt teste og validere sine egne selv-genererte forbedringer før de noen gang deployeres til brukere,” delte Ganesh Vanama, computer-vision-ingeniør i Automotus.

Om styringen, la Vanama til, “den uforhandelige kontrollen er ‘menneske-i-løkken’ tilsyn.” Han sa at mens vi ønsker at modellene skal tilpasse seg, “må du ha kontinuerlig overvåking for å oppdage ’tilpasnings-drift’ hvor modellen avviker fra sine mål eller sikkerhetsbegrensninger. Dette systemet må gi en menneskelig revisor mulighet til å nedlegge eller øyeblikkelig tilbakeføre enhver autonom oppdatering som feiler en sikkerhets- eller ytelses-gjennomgang.”

Men andre eksperter tror det fortsatt er tid til å utvikle disse sikkerhetstiltakene, og argumenterer for at bygging av en virkelig robust, generell, selv-forbedrende AI fortsatt er en monumental utfordring.

“Slike modeller mangler fortsatt evnen til å pålitelig omprogrammere seg selv i sanntid. Nøkkelutfordringer inkluderer å forhindre feil-forsterkning, unngå katastrofalt glemming, sikre stabilitet under oppdateringer og opprettholde gjennomsiktighet rundt interne endringer,” sier Riera. “Før disse er løst, forblir full selv-tilpassende tilpasning en grense i stedet for en realitet.”

MITs forskere ser på SEAL som en nødvendig evolusjon. Som en av MITs ledende forskere sa, speiler dette rammeverket nå mer menneskelig læring enn noe som har kommet før.

“Disse systemene antyder en skift fra statiske, enkelt-skudd-modeller til tilpasningsdyktige arkitekturer som kan lære av erfaring, håndtere minne og forfølge mål over tid. Retningen er klar: mot modulær, kontekst-bevisst intelligens i stand til å justere seg kontinuerlig,” sa Riera til meg. “Selv om det fortsatt er i eksperimentalfasen, markerer denne tilnærmingen et meningsfullt skritt mot mer autonome og resilient AI-systemer.”

Hvorvidt dette fører til mer personlige systemer eller helt nye former for maskin-agency, forblir å se. Tiden for selv-lærte AI er kommet—and det omdefinierer ikke bare sin egen kode, men også reglene for hva maskiner kan bli.