# Рекурсивне самовдосконалення ШІ: що показують DGM і AlphaEvolve

> Агент Darwin Gödel Machine від Sakana AI підняв точність на SWE-bench з 20% до 50%, самостійно переписуючи власний код — це вже не гіпотеза про RSI.

- Опубліковано: 12 серпня 2026 р. (2026-08-12T11:48:33.825931+00:00)
- Розділ: AI-дослідження
- На основі публікації: [Speka](https://speka.ua/artificial-intelligence/rekursivne-samovdoskonalennya-si-ci-stane-vono-slyaxom-do-agi-p6wm7l)
- Видання: AiiN (https://aiin.news)
- URL: https://aiin.news/article?slug=%D1%80%D0%B5%D0%BA%D1%83%D1%80%D1%81%D0%B8%D0%B2%D0%BD%D0%B5-%D1%81%D0%B0%D0%BC%D0%BE%D0%B2%D0%B4%D0%BE%D1%81%D0%BA%D0%BE%D0%BD%D0%B0%D0%BB%D0%B5%D0%BD%D0%BD%D1%8F-%D1%88%D1%96-%D1%89%D0%BE-%D0%BF%D0%BE%D0%BA%D0%B0%D0%B7%D1%83%D1%8E%D1%82%D1%8C-dgm-%D1%96-alphaevolve

---

У травні 2025 року дослідницька лабораторія Sakana AI разом з Університетом Британської Колумбії випустила Darwin Gödel Machine (DGM) — агента, що сам переписує власний код і тестує кожну нову версію на бенчмарку SWE-bench. За кілька десятків ітерацій точність вирішення задач зросла приблизно з 20% до 50%, а на бенчмарку Polyglot — з 14,2% до 30,7%. Це один із перших публічних прикладів, коли модель реально покращує саму себе без прямого втручання людини на кожному кроці.

Саме такі експерименти оживили стару ідею: якщо система здатна автономно ставати кращою у створенні кращих систем, цикл може прискорюватись без лінійного обмеження людською швидкістю розробки. Гіпотезу «інтелектуального вибуху» сформулював ще математик І. Дж. Гуд у 1965 році, а сьогодні її обговорюють інженери OpenAI, DeepMind та Anthropic не як фантастику, а як конкретний ризик-сценарій, який варто моделювати.

[За даними Speka](https://speka.ua/artificial-intelligence/rekursivne-samovdoskonalennya-si-ci-stane-vono-slyaxom-do-agi-p6wm7l), тема рекурсивного самовдосконалення (RSI) знову набула актуальності на тлі публікацій про агентів, здатних покращувати власний код, і дискусій про те, чи це справді прямий шлях до AGI — загального штучного інтелекту, що зрівняється або перевершить людину в більшості когнітивних задач.

## Що таке рекурсивне самовдосконалення і чим воно відрізняється від файнтюнінгу?

Рекурсивне самовдосконалення (RSI) — це цикл, у якому система сама генерує зміни у власній архітектурі, вагах або коді, перевіряє результат і залишає лише покращення, повторюючи процес без постійного ручного втручання людини. На відміну від звичайного файнтюнінгу чи RLHF, де людина формує сигнал нагородження й контролює кожен раунд, RSI передбачає, що сама модель бере на себе роль дослідника: пропонує гіпотезу, ставить експеримент, оцінює результат за метрикою і вирішує, чи зберігати зміну.

Ключова відмінність — у джерелі покращення. Класичний прогрес у ШІ рухається завдяки людям, які пишуть нові архітектури (Transformer, Mixture-of-Experts) і масштабують дані та обчислення. RSI натомість переносить частину цієї роботи на саму систему: DGM, наприклад, редагує власний Python-код агента, а не лише ваги нейромережі, тестуючи кожну мутацію на реальних задачах з SWE-bench.

## Які експерименти вже показують ознаки RSI?

Окрім DGM, схожий підхід демонструє AlphaEvolve від Google DeepMind (травень 2025) — еволюційний агент на базі Gemini, що ітеративно переписує алгоритмічний код і відібрав рішення, які на 0,7% зменшили використання обчислювальних ресурсів у дата-центрах Google та знайшли новий алгоритм множення матриць 4×4, що покращив результат, відомий з 1969 року. Ще раніше, у 2023-му, дослідники представили STOP (Self-Taught Optimizer) — прототип, де мовна модель ітеративно вдосконалює власний код-стратегію вирішення задач.

- Darwin Gödel Machine — самомодифікація коду агента, перевірка на бенчмарках програмування
- AlphaEvolve — еволюційний пошук кращих алгоритмів під наглядом автоматизованого оцінювача
- STOP — рекурсивне вдосконалення промптів і стратегій без зміни ваг моделі

Спільна риса всіх трьох: покращення відбувається у вузькій, чітко вимірюваній ділянці (код, алгоритми), а не в загальному інтелекті моделі. Це принципове обмеження поточного стану RSI.

## Чи справді це шлях до AGI, чи поки що метафора?

Пряма лінія від сьогоднішніх експериментів до AGI поки що не доведена, і більшість дослідників погоджуються, що це, найімовірніше, необхідна, але не достатня умова. Наявні системи самовдосконалюються у вузьких, добре визначених доменах з чіткою функцією оцінки — код проходить тести, алгоритм або проходить бенчмарк, або ні. AGI ж вимагає перенесення покращень між доменами, яких заздалегідь не визначено, а надійної автоматичної метрики «загального інтелекту» не існує.

Водночас саме швидкість, а не напрямок, турбує лабораторії безпеки. Якщо агент здатний пришвидшувати власну розробку хоча б у вузькій ніші — написання коду для ML-експериментів, — це вже скорочує цикл ітерації всієї галузі. Anthropic і OpenAI окремо публікували політики, які прив'язують рівні доступу до обчислень і автономії моделі до її здатності самостійно проводити ML-дослідження — по суті, це операціоналізація ризику RSI, а не абстрактна дискусія. Прогнозний сценарій [про надлюдський ШІ за п'ять років](https://aiin.news/article?slug=маск-обіцяє-надлюдський-ші-за-п-ять-років-чи-є-на-це-підстави), який публічно озвучував Ілон Маск, спирається якраз на припущення про подібне прискорення.

## Що з цим робити AI-білдеру вже зараз?

Для команд, що будують продукти на LLM, пряма RSI поки що недоступна й не потрібна — але непрямі патерни вже працюють і варто їх переймати:

- Автоматизовані цикли «згенеруй-протестуй-відбери» для промптів і агентних workflow: якщо у вас є чітка метрика (проходить/не проходить тест), можна автоматизувати ітерацію без RSI-масштабів ризику
- Тримайте оцінювальний бенчмарк окремим від системи, що самовдосконалюється — DGM і AlphaEvolve працюють саме тому, що verifier незалежний і не піддається маніпуляції з боку агента, що оптимізується
- Логуйте кожну мутацію і причину її прийняття — це той самий принцип аудиту, що рекомендують лабораторії безпеки для RSI-систем, і він однаково корисний для звичайного agentic-пайплайну

## Висновок AiiN

Наша теза: рекурсивне самовдосконалення вже не гіпотеза — DGM і AlphaEvolve показують, що вузько-доменна версія працює сьогодні, на реальних бенчмарках, з вимірним приростом. Але шлях до AGI через RSI залежить не від того, чи вміє модель покращувати код, а від того, чи з'явиться універсальний verifier, здатний оцінювати прогрес поза вузькими, заздалегідь заданими метриками. Поки такого verifier немає, RSI лишається потужним інструментом прискорення вузьких інженерних задач, а не автономним двигуном до загального інтелекту — і саме цей розрив між «швидше в коді» та «розумніше загалом» варто відстежувати, а не заголовки про «інтелектуальний вибух».

## Що таке AGI і чим воно відрізняється від сьогоднішніх LLM?

AGI (Artificial General Intelligence) — гіпотетична система, здатна виконувати практично будь-яку інтелектуальну задачу на рівні людини або краще, переносячи знання між доменами без спеціального перенавчання під кожен з них. Сьогоднішні LLM, включно з агентами на базі DGM чи AlphaEvolve, демонструють сильні результати у вузьких, вимірюваних задачах, але не мають підтвердженої здатності до такого перенесення.

## Чи є ризик, що RSI вийде з-під контролю?

Теоретичний ризик існує й саме тому OpenAI, Anthropic та DeepMind публікують окремі політики безпеки для моделей з ознаками автономного ML-дослідження. На практиці поточні системи, як DGM, працюють у пісочниці з обмеженим бюджетом ітерацій і людським наглядом за фінальним відбором, тож мова йде про кероване прискорення, а не про неконтрольований цикл.

---

Теги: AI, AGI, RSI, SakanaAI, DeepMind, штучнийінтелект

Джерело: AiiN — https://aiin.news/article?slug=%D1%80%D0%B5%D0%BA%D1%83%D1%80%D1%81%D0%B8%D0%B2%D0%BD%D0%B5-%D1%81%D0%B0%D0%BC%D0%BE%D0%B2%D0%B4%D0%BE%D1%81%D0%BA%D0%BE%D0%BD%D0%B0%D0%BB%D0%B5%D0%BD%D0%BD%D1%8F-%D1%88%D1%96-%D1%89%D0%BE-%D0%BF%D0%BE%D0%BA%D0%B0%D0%B7%D1%83%D1%8E%D1%82%D1%8C-dgm-%D1%96-alphaevolve. Цитуючи, посилайтесь на канонічний URL.