Sztuczna inteligencja, która uczy się sama, to już nie tylko science fiction

Wydobywające się na pierwszy plan ramy sztucznej inteligencji zmierzają ku radykalnemu skokowi: maszynom, które same się udoskonalają, bez potrzeby ludzkiej wiedzy.

Przez lata nawet najbardziej zaawansowane modele sztucznej inteligencji pozostawały biernymi silnikami, przewidującymi odpowiedzi na podstawie danych szkoleniowych, których nie mogły modyfikować. Ale dzisiaj to nie rozmiar modelu określa następny rozdział sztucznej inteligencji; to czy model może ewoluować samodzielnie.

Niedawno badacze z MIT przedstawili nową ramę sztucznej inteligencji o nazwie Self-Adapting LLMs (SEAL). Podejście to pozwala dużym modelom językowym (LLM) na samodzielne udoskonalanie, umożliwiając sztucznej inteligencji diagnozowanie własnych ograniczeń i trwałe aktualizowanie własnych wag neuronowych za pomocą wewnętrznej pętli sprzężenia zwrotnego napędzanej przez uczenie wzmacnianie. Zamiast wymagać od badaczy wykrywania błędów, pisania nowych podpowiedzi lub wprowadzania dodatkowych przykładów, model bierze pełną odpowiedzialność za swoją ewolucję.

„Duże modele językowe (LLM) są potężne, ale statyczne; brakuje im mechanizmów, aby dostosować swoje wagi w odpowiedzi na nowe zadania, wiedzę lub przykłady”, napisali badacze z MIT w poście na blogu. „Eksperymenty na inkorporacji wiedzy i generalizacji z few-shot pokazują, że SEAL jest obiecującym krokiem w kierunku modeli językowych zdolnych do samokierowania w odpowiedzi na nowe dane.”

W wczesnych testach ta samodzielna pętla edycyjna pozwoliła modelom przechodzić od całkowitej porażki do sukcesu w złożonych abstrakcyjnych zagadkach, wyprzedzając nawet znacznie większe modele, takie jak GPT-4.1, z 72,5-procentowym wskaźnikiem sukcesu, gdzie tradycyjne metody zawiodły. Co więcej, SEAL rzekomo zmniejsza nadzór ludzki o 85 procent, zwiększając dokładność i dostosowywanie.

Wzrost ram sztucznej inteligencji samouczącej się

SEAL jest częścią szerszego trendu w kierunku autonomicznej inteligencji maszynowej. Badacze z Sakana AI, na przykład, wprowadzili Darwin-Gödel Machine— agenta sztucznej inteligencji, który zmienia swój własny kod za pomocą otwartych strategii ewolucyjnych.

„Tworzy różne samoudoskonalenia, takie jak walidacja łat, lepsze wyświetlanie plików, zaawansowane narzędzia edycyjne, generowanie i rankingowanie wielu rozwiązań, aby wybrać najlepsze, oraz dodawanie historii tego, co zostało wcześniej spróbowane (i dlaczego nie powiodło się), przy wprowadzaniu nowych zmian”, napisali badacze z Sakana AI w poście na blogu.

Podobnie, agenci sztucznej inteligencji Anthropic, napędzani przez Claude 4, mogą teraz samodzielnie koordynować przepływy pracy w różnych kodach i narzędziach biznesowych.

„System, który rekonfiguruje się w zależności od rodzaju zasobu, jego środowiska i historii, pozwala przechodzić od reaktywnej odpowiedzi do ciągłej strategii zapobiegania”, powiedział mi Christian Struve, dyrektor generalny i współzałożyciel Fracttal. „Chodzi nie o więcej warstw lub parametrów, ale o bardziej autonomiczne i użyteczne systemy.”

To, co łączy te wysiłki, jest podstawowym przekonaniem: sztuczna inteligencja nie musi rosnąć, aby stać się mądrzejsza. Musi stać się bardziej adaptacyjna.

„Skalowanie przyniosło znaczne korzyści, ale dochodzimy do granic tego, co można osiągnąć tylko przez rozmiar. Samoadaptujące się modele uczenia, takie jak SEAL, oferują kuszący następny krok, umożliwiając systemom rozwijać się i poprawiać w czasie”, powiedział mi Jorge Riera, założyciel i dyrektor generalny platformy Dataco. „Modele samorozwijające się również przesuwają postępy z benchmarków statycznych do miar adaptacyjności, wydajności uczenia i bezpiecznej długoterminowej poprawy. Zamiast testować tylko to, co model wie w momencie wdrożenia, możemy ocenić, jak dobrze uczy się, zachowuje i ewoluuje w czasie.”

Wpływ na ekosystem sztucznej inteligencji i globalny wyścig ku autonomii

Ten poziom autonomii również zmienia ekonomikę wdrożenia sztucznej inteligencji. Wyobraź sobie systemy wykrywania oszustw, które aktualizują się natychmiast, aby przeciwdziałać nowym zagrożeniom, lub sztuczne nauczyciele, którzy zmieniają swój styl nauczania w zależności od zachowania ucznia. W robotyce ramy samoadaptacyjne mogą prowadzić do autonomicznych maszyn, które uczą się nowych wzorców ruchu bez potrzeby ponownego programowania.

W całym Bliskim Wschodzie kraje takie jak Zjednoczone Emiraty Arabskie i Arabia Saudyjska budują szybko modele podstawowe zaprojektowane z myślą o adaptacji. Falcon ZEA i Jais G42 to modele językowe o otwartym kodzie źródłowym, zaprojektowane z myślą o regionalnej istotności, podczas gdy Arabia Saudyjska ALLaM i Aramco Digital’s Metabrain są na progu autonomijnej sztucznej inteligencji dla inteligentnych miast, opieki zdrowotnej i logistyki.

Te wysiłki nie są jeszcze równoważne z samooddzielającą się możliwością MIT SEAL, ale odzwierciedlają wspólny kierunek: od biernych systemów sztucznej inteligencji do aktywnych, ewoluujących agentów, które mogą nawigować złożoność z ograniczonym nadzorem ludzkim. I tak jak SEAL, te inicjatywy są wspierane przez solidne ramy zarządzania, podkreślając rosnące świadomość, że autonomia sztucznej inteligencji musi być połączona z odpowiedzialnością.

„To jest pierwszy krok w kierunku systemów samozarządzających, które modyfikują swoją logikę bez stałej interwencji”, mówi Struve. „Uważam, że sztuczna inteligencja nie zmienia definicji inteligencji, ale zmusza nas do przemyślenia naszego stosunku do niej. Ważne nie jest to, że model ewoluuje, ale to, że robi to w zgodzie z celami, które ludzie określają.”

Jeff Townes, dyrektor techniczny Gorilla Logic, również podkreśla wagę zarządzania, które musi nadążać za ewolucją sztucznej inteligencji: „Pytanie nie brzmi, czy sztuczna inteligencja może ewoluować — to, czy przedsiębiorstwo może ewoluować wraz z nią. Zarządzanie musi kotwiczyć każdą adaptację sztucznej inteligencji w jasnych wynikach i wskaźnikach, których liderzy mogą mierzyć i ufać, aby innowacje rosły z pewnością zamiast ryzyka.”

Czy jesteśmy gotowi na sztuczną inteligencję, która zmienia sama siebie?

Najbardziej prowokacyjne pytanie, które SEAL stawia, nie jest techniczne — to, jaka rola przypada nam w kształtowaniu jej wartości, priorytetów i kierunku?

Eksperci ostrzegają, że w miarę jak systemy sztucznej inteligencji zyskują autonomię, pogoń za samoudoskonaleniem nie powinna wyprzedzać ustanowienia etycznych barier ochronnych. „Uważam, że wszystkie systemy sztucznej inteligencji muszą zawierać co najmniej trzy podstawowe zasady etyczne”, mówi Jacob Evans, dyrektor techniczny Kryterion.

„Po pierwsze, a może to nie musi być mówione, ale sztuczna inteligencja musi identyfikować się jako sztuczna inteligencja. Po drugie, sztuczna inteligencja musi być ukierunkowana na ludzi, wspierając i nie zastępując ludzkiej oceny. I wreszcie, musi uznać swoje ograniczenia i niepewności, odmawiając podawania informacji, które mogłyby ułatwić poważną szkodę. Bez tych zabezpieczeń sztuczna inteligencja może stać się narzędziem manipulacji, a nie godnym zaufania wsparciem.”

“Aby umożliwić modelom samoudoskonalenie w produkcji, potrzebują one dynamicznej pętli sprzężenia zwrotnego, a nie tylko statycznego szkolenia. Potężną metodą jest użycie ‘cyfrowego bliźniaka’ lub zaawansowanego środowiska piaskownicy, w którym sztuczna inteligencja może bezpiecznie testować i walidować swoje własne samowystawione ulepszenia, zanim zostaną wdrożone do użytkowników”, podzielił się Ganesh Vanama, inżynier widzenia komputera w Automotus.

Jeśli chodzi o zarządzanie, Vanama dodał, „niepodważalną kontrolą jest nadzór ‘człowiek w pętli’”. Powiedział, że chociaż chcemy, aby modele adaptowały się, „musisz mieć ciągłe monitorowanie, aby wykryć ‘drift wyrównania’, gdzie model odbiega od swoich zamierzonych celów lub ograniczeń bezpieczeństwa. Ten system musi dać auditorowi ludzkiemu władzę, aby zawetować lub natychmiast cofnąć każdą autonomiczną aktualizację, która nie przejdzie przeglądu bezpieczeństwa lub wydajności.”

Ale inni eksperci uważają, że jest jeszcze czas, aby rozwijać te zabezpieczenia, argumentując, że budowanie naprawdę solidnego, ogólnego, samoudoskonalającego się modelu sztucznej inteligencji pozostaje monumentalnym wyzwaniem.

„Takie modele nadal brakuje im zdolności do niezawodnego ponownego programowania w czasie rzeczywistym. Kluczowe wyzwania pozostają, w tym zapobieganie wzmocnieniu błędów, unikanie katastrofalnego zapomnienia, zapewnienie stabilności podczas aktualizacji i utrzymanie przejrzystości wokół wewnętrznych zmian”, mówi Riera. „Dopóki te kwestie nie zostaną rozwiązane, pełne samokierowanie pozostaje granicą, a nie rzeczywistością.”

Badacze z MIT widzą SEAL jako konieczną ewolucję. Jak powiedział jeden z czołowych naukowców z MIT, ta ramka obecnie tylko odbija ludzkie uczenie się bardziej niż cokolwiek, co przyszło przedtem.

„Te systemy sygnalizują przesunięcie od statycznych, jednorazowych modeli do architektur adaptacyjnych, które mogą uczyć się z doświadczenia, zarządzać pamięcią i dążyć do celów w czasie. Kierunek jest jasny: w kierunku modułowej, świadomej kontekstu inteligencji, która może dostosowywać się ciągle”, powiedział mi Riera. „Chociaż nadal w fazie eksperymentalnej, to podejście oznacza znaczący krok w kierunku bardziej autonomicznych i wytrzymałych systemów sztucznej inteligencji.”

Czy to prowadzi do bardziej personalizowanych systemów czy całkowicie nowych form agencji maszynowej, pozostaje jeszcze do zobaczenia. Era samouczącej się sztucznej inteligencji nadeszła — i zmienia nie tylko swój własny kod, ale także zmienia reguły tego, czym mogą stać się maszyny.