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, 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.

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, 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:

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.