Штучний інтелект, який вчить себе, вже не є науковою фантастикою

Нові штучні інтелектуальні框ки рухаються до радикального стрибка: машини, які самозмінюються, без потреби у людській інтуїції.

Тривалий час навіть найрозвітліші моделі штучного інтелекту залишалися пасивними двигунами, передбачаючи відповіді на основі навчальних даних, які вони не могли змінити. Але сьогодні це не розмір моделі визначає наступний розділ штучного інтелекту; це те, чи може модель еволюціонувати самостійно.

Недавно дослідники з Массачусетського технологічного інституту (MIT) представили нову штучну інтелектуальну框ку під назвою Самоадаптивні великомасштабні мови (SEAL). Цей підхід дозволяє великомасштабним мовним моделям (LLM) покращувати себе автономно, дозволяючи штучному інтелекту діагностувати свої обмеження та постійно оновлювати свої власні нейронні ваги через внутрішній зворотній зв’язок, що працює на основі підкріплення. Замість того, щоб вимагати від дослідників виявлення помилок, написання нових запитів або введення додаткових прикладів, модель бере на себе повну відповідальність за свою еволюцію.

“Великомасштабні мови (LLM) є потужними, але статичними; їм бракує механізмів для адаптації їхніх ваг у відповідь на нові завдання, знання чи приклади”, – написали дослідники MIT у блозі. “Експерименти з включення знань та узагальнення показують, що SEAL є перспективним кроком до мовних моделей, які можуть самостійно адаптуватися у відповідь на нові дані”.

На ранніх тестах цей саморедагувальний цикл дозволив моделям перейти від повної невдачі до успіху на складних абстрактних розумових пазлах, випереджаючи навіть більші моделі, такі як GPT-4.1, з показником успіху 72,5%, тоді як традиційні методи зазнали невдачі. Крім того, SEAL, як повідомляється, зменшує контроль людини на 85%, одночасно підвищуючи точність та адаптивність.

Поява самонавчальних штучних інтелектуальних框ок

SEAL є частиною ширшої тенденції до автономної машининої інтелектуальності. Дослідники з Sakana AI, наприклад, представили Машину Дарвіна-Геделя – штучну інтелектуальну агенту, яка переписує свій власний код за допомогою відкритих еволюційних стратегій.

“Він створює різні самопокращення, такі як перевірка патчів, кращий перегляд файлів, покращені інструменти редагування, генерація та ранжування декількох рішень для вибору найкращого, а також додавання історії того, що було зроблено раніше (і чому це не вдавалося) при внесенні нових змін”, – написали дослідники з Sakana AI у блозі.

Аналогічно, штучні інтелектуальні агенти компанії Anthropic, що працюють на основі Claude 4, тепер можуть автономно оркеструвати робочі процеси по кодах та бізнес-інструментам.

“Система, яка переконфігурується залежно від типу активу, його середовища та історії, дозволяє перейти від реактивної відповіді до безперервної профілактичної стратегії”, – сказав мені Крістіан Струве, генеральний директор та співзасновник компанії Fracttal. “Це не про більше шарів чи більше параметрів, а про більш автономні та корисні системи”.

Те, що об’єднує ці зусилля, – це основна віра: штучний інтелект не потребує збільшення, щоб стати розумнішим. Він повинен стати більш адаптивним.

“Масштабування принесло великі вигоди, але ми досягли меж того, чого можна досягти лише за рахунок розміру. Самоадаптивні моделі навчання, такі як SEAL, пропонують переконливий наступний крок, дозволяючи системам розвиватися та покращуватися з часом”, – сказав мені Хорхе Рієра, засновник та генеральний директор компанії Dataco. “Самоеволюційні моделі також зміщують показники прогресу з статичних бенчмарків до мір адаптивності, ефективності навчання та безпечного довгострокового покращення. Замість того, щоб тестувати, що модель знає на момент розгортання, ми можемо оцінювати, як добре вона вчиться, зберігає та еволюціонує з часом”.

Вплив на екосистему штучного інтелекту та глобальний перехід до автономності

Цей рівень автономності також переписує економіку розгортання штучного інтелекту. Припустимо, що системи виявлення шахрайства оновлюються миттєво, щоб протидіяти новим загрозам, або штучні інтелектуальні тьютори, які змінюють свій стиль викладання залежно від поведінки студента. У робототехніці самоадаптивні框ки можуть привести до автономних машин, які вчаться новим рухам без перепрограмування.

По всьому Близькому Сходу країни, такі як ОАЕ та Саудівська Аравія, швидко будують фундаментальні моделі, призначені для адаптації. Falcon ОАЕ та Jais – це відкриті великомасштабні мови (LLM), створені з урахуванням регіональної значимості, тоді як Саудівська Аравія ALLaM та Metabrain цифрової компанії Aramco рухаються у сфері автономних штучних інтелектуальних агентів для розумних міст, охорони здоров’я та логістики.

Ці зусилля ще не еквівалентні саморедагувальній здатності MIT SEAL, але вони відображають спільну траєкторію: від пасивних штучних інтелектуальних систем до активних, еволюційних агентів, які можуть орієнтуватися в складності з обмеженим людським керівництвом. І, як SEAL, ці ініціативи підтримуються міцними框ками управління, підкреслюючи зростаючу свідомість того, що автономність штучного інтелекту повинна бути поєднана з відповідальністю.

“Це перший крок до самоуправляющихся систем, які змінюють свою логіку без постійної інтервенції”, – сказав Струве. “Я вважаю, що штучний інтелект не переозначає, що таке інтелект, але він змушує нас переосмислити нашу взаємодію з ним. Найважливіше не те, що модель еволюціонує, а те, що вона робить це у відповідності з цілями, які ми визначаємо як люди”.

Джефф Таунс, технічний директор компанії Gorilla Logic, також підкреслює важливість управління, яке тримає темп з еволюцією штучного інтелекту: “Питання не в тому, чи може штучний інтелект еволюціонувати – а в тому, чи може підприємство еволюціонувати разом з ним. Управління повинно закріпити кожну адаптацію штучного інтелекту за чіткими результатами та KPI, які лідери можуть виміряти та довіряти, щоб інновації зростали з впевненістю, а не ризиком”.

Чи готові ми до штучного інтелекту, який переписує себе?

Найбільш провокаційне питання, яке SEAL ставить, не є технічним – це те, що якщо моделі можуть вирішувати, як навчати себе, яку роль ми граємо у формуванні їхніх цінностей, пріоритетів та напрямку?

Експерти попереджають, що коли самоадаптивні штучні інтелектуальні системи набувають автономності, поспішний перехід до самоусовершенствування не повинен обганяти встановлення етичних бар’єрів. “Я вважаю, що всі штучні інтелектуальні системи повинні включати принаймні три основних етичних принципи”, – сказав Джейкоб Еванс, технічний директор компанії Kryterion.

“По-перше, і це, можливо, не варто згадувати, але штучні інтелектуальні системи повинні ідентифікувати себе як штучний інтелект. По-друге, штучні інтелектуальні системи повинні бути орієнтовані на людину, посилюючи та не замінюючи людську увагу. І, нарешті, вони повинні визнавати свої обмеження та невизначеності, а також відмовлятися надавати інформацію, яка могла б сприяти серйозній шкоді. Без цих гарантій штучний інтелект може стати інструментом маніпуляції, а не надійною підтримкою”.

“Щоб дозволити моделям самоусовершенствуватися у виробництві, їм потрібен динамічний зворотній зв’язок, а не лише статичне навчання. Потужним методом є використання ‘цифрового двійника’ або складного пісочниці, де штучний інтелект може безпечно тестувати та валідувати свої власні самостворені покращення, перш ніж вони будуть розгорнуті для користувачів”, – поділився Ганеш Ванама, інженер з комп’ютерного зору компанії Automotus.

Щодо управління, Ванама додав, що “незаперечний контроль – це ‘людина у циклі’ нагляд”. Він сказав, що хоча ми хочемо, щоб моделі адаптувалися, “ви повинні мати безперервний моніторинг, щоб виявити ‘зміщення виравнювання’, коли модель відхиляється від своїх призначених цілей або обмежень безпеки. Ця система повинна надати людині-аудитору можливість вето або миттєво скасувати будь-яке автономне оновлення, яке не пройшло перевірку безпеки чи продуктивності”.

Але інші експерти вважають, що ще є час для розробки цих гарантій, стверджуючи, що створення справжньої, загальної, самоусовершенствувальної штучної інтелектуальної системи залишається монументальною задачею.

“Такі моделі все ще не мають можливості надійно перепрограмувати себе в реальному часі. Основні виклики залишаються, включаючи запобігання посиленню помилок, уникнення катастрофічного забуття, забезпечення стабільності під час оновлень та підтримання прозорості щодо внутрішніх змін”, – сказав Рієра. “До тих пір, поки ці питання не будуть вирішені, повна самоорієнтована адаптація залишається фронтиром, а не реальністю”.

Дослідники з MIT вважають SEAL необхідною еволюцією. Як сказав один із провідних вчених MIT, ця框ка зараз тільки відображає людське навчання ближче, ніж будь-що, що було раніше.

“Ці системи натякають на зміну від статичних, одномоментних моделей до адаптивних архітектур, які можуть навчатися з досвіду, керувати пам’яттю та переслідувати цілі з часом. Напрямок ясний: до модульної, контекстно-чутливої інтелектуальності, яка може коригувати себе безперервно”, – сказав мені Рієра. “Хоча це ще експериментальний етап, цей підхід позначає значний крок до більш автономних та стійких штучних інтелектуальних систем”.

Чи це приведе до більш персоналізованих систем чи зовсім нових форм машинної агентності, залишається невідомим. Ера самоучення штучного інтелекту наставила – і вона переписує не тільки свій власний код, а й переписує правила того, чим можуть стати машини.