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

Wschodzące ramy sztucznej inteligencji zmierzają ku radykalnemu skokowi: maszynom, które same się poprawiają, 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 poprawianie się, umożliwiając sztucznej inteligencji diagnozowanie własnych ograniczeń i trwałe aktualizowanie własnych wag neuronowych za pomocą wewnętrznej pętli sprzężenia zwrotnego zasilanej przez uczenie ze wzmocnieniem. Zamiast wymagać od badaczy wykrywania błędów, pisania nowych podpowiedzi lub wprowadzania dodatkowych przykładów, model całkowicie własnoręcznie zarządza swoją ewolucją.

„Duże modele językowe (LLM) są potężne, ale statyczne; brakuje im mechanizmów do adaptacji swoich wag w odpowiedzi na nowe zadania, wiedzę lub przykłady” – napisali badacze z MIT w poście na blogu. „Eksperymenty na wdrożeniu wiedzy i generalizacji z niewielu przykładów pokazują, że SEAL jest obiecującym krokiem w kierunku modeli językowych zdolnych do samokierowania w odpowiedzi na nowe dane.”

We 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 redukuje nadzór ludzki o 85 procent, zwiększając przy tym dokładność i adaptacyjność.

Wzrost ram sztucznej inteligencji, która uczy się sama

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

„Tworzy różne samoudoskonalenia, takie jak walidacja poprawek, lepsze wyświetlanie plików, ulepszone narzędzia edycyjne, generowanie i ocena wielu rozwiązań w celu wyboru najlepszego, oraz dodanie historii tego, co zostało wcześniej wypróbowane (i dlaczego nie powiodło się) przy wprowadzaniu nowych zmian” – napisali Sakana AI w poście na blogu.

Podobnie, agenci sztucznej inteligencji Anthropic, zasilani przez Claude 4, mogą teraz samodzielnie zarządzać przepływami pracy w różnych kodach źródłowych i narzędziach biznesowych.

„System, który rekonfiguruje się w zależności od typu zasobu, jego środowiska i historii, pozwala przechodzić od reaktywnej odpowiedzi do ciągłej strategii prewencji” – powiedział mi Christian Struve, CEO i współzałożyciel Fracttal. „Chodzi nie o więcej warstw czy 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 duże korzyści, ale dochodzimy do granic tego, co sam rozmiar może osiągnąć. Samoadaptujące się modele uczenia, takie jak SEAL, oferują kuszący następny krok, umożliwiając systemom rozwijać się i poprawiać się w czasie” – powiedział mi Jorge Riera, założyciel i CEO platformy konsultingowej danych Dataco. „Modele samorozwijające się również przesuwają postępy w metrykach od statycznych benchmarków 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 samodzielne ramy 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 szybko budują podstawowe modele 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 Metabrain wkraczają w dziedzinę autonomicznych agentów sztucznej inteligencji dla inteligentnych miast, opieki zdrowotnej i logistyki.

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

„To jest pierwszy krok w kierunku sam zarządzających się systemów, które modyfikują swoją logikę bez stałej interwencji” – mówi Struve. „Wierzę, że sztuczna inteligencja nie zmienia definicji inteligencji, ale zmusza nas do przemyślenia naszej relacji z nią. Ważne nie jest to, że model ewoluuje, ale że robi to w zgodzie z celami, które ludzie określają.”

Jeff Townes, CTO 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 KPI, które liderzy mogą mierzyć i ufaj, aby innowacje rosły z pewnością zamiast ryzyka.”

Czy jesteśmy gotowi na sztuczną inteligencję, która samodzielnie zmienia swój kod?

Najbardziej prowokacyjne pytanie, które SEAL stawia, nie jest techniczne – to czy modele mogą decydować, jak się uczyć, jaka rola przypada nam w kształtowaniu ich wartości, priorytetów i kierunku?

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

„Po pierwsze, a może to nie musi być powiedziane, 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 zamiast godnym zaufania wsparcia.”

“Aby umożliwić modelom samodoskonalenie 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 przed ich wdrożeniem do użytkowników” – podzielił się Ganesh Vanama, inżynier widzenia komputera w Automotus.

W odniesieniu do zarządzania Vanama dodał: „niezbywalną kontrolą jest nadzór ‘człowiek w pętli’. Powiedział, że chociaż chcemy, aby modele adaptowały się, „musisz mieć ciągłe monitorowanie, aby wykryć ‘dryf wyrównania’, gdzie model odbiega od swoich zamierzonych celów lub ograniczeń bezpieczeństwa. Ten system musi dać ludzkiemu audytorowi 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 rozwinąć te zabezpieczenia, argumentując, że budowanie prawdziwie solidnych, ogólnych, samodoskonalających się systemów sztucznej inteligencji pozostaje monumentalnym wyzwaniem.

„Tego rodzaju modele nadal brakuje możliwości niezawodnego samodzielnego przeprogramowania w czasie rzeczywistym. Kluczowe wyzwania pozostają, w tym zapobieganie wzmocnieniu błędów, unikanie katastrofalnego zapomnienia, zapewnienie stabilności podczas aktualizacji oraz utrzymanie przejrzystości wokół wewnętrznych zmian” – mówi Riera. „Dopóki te kwestie nie zostaną rozwiązane, pełne samokierowane adaptacje pozostają na granicy, a nie rzeczywistością.”

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

„Te systemy sygnalizują przesunięcie od statycznych, jednorazowych modeli do adaptacyjnych architektur, które mogą uczyć się z doświadczenia, zarządzać pamięcią i realizować cele w czasie. Kierunek jest wyraźny: w kierunku modułowej, świadomej kontekstu inteligencji, która może dostosowywać się ciągle” – powiedział mi Riera. „Chociaż jeszcze w fazie eksperymentalnej, to podejście stanowi 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 niejasne. Era samouczącej się sztucznej inteligencji nadeszła – i zmienia nie tylko swój własny kod, ale także zmienia reguły tego, czym mogą być maszyny.