Стартап Deep Cogito залучив $43 млн інвестицій на розробку AI-моделей, здатних ітеративно вдосконалювати власну архітектуру та ваги — тобто змінювати внутрішній механізм навчання й ухвалення рішень без ручного втручання інженерів-розробників.

Для індустрії, де левова частка прогресу досі тримається на ручному підборі архітектур, гіперпараметрів і датасетів, ідея моделі, яка сама редагує власний «код» — це стрибок в інший клас задач. Якщо підхід спрацює, він обіцяє швидший прогрес без лінійного зростання витрат на дослідницькі команди. Якщо ні — ризики зростають так само нелінійно.

За даними SiliconANGLE AI, Deep Cogito фокусується саме на самовдоскональних (self-improving) моделях — напрямі, який довгий час лишався переважно теоретичним у роботах з AI safety, а тепер отримує венчурне фінансування як окремий продуктовий напрям.

Що саме зробила Deep Cogito?

Компанія залучила $43 млн, щоб побудувати AI-моделі, які самостійно ітеративно покращують власну архітектуру й ваги. На практиці це означає цикл, у якому модель не просто донавчається на нових даних (як у стандартному fine-tuning), а бере участь у зміні власної структури — того, які шари, з'єднання чи параметри взагалі формують мережу.

• Класичний ML-цикл: людина міняє архітектуру → запускає тренування → оцінює результат.
• Self-improving цикл: модель сама пропонує й тестує зміни архітектури, людина лишається на рівні нагляду за результатом, а не автором кожної зміни.

Чим self-improving модель відрізняється від звичайного файн-тюнінгу?

Файн-тюнинг змінює ваги в межах фіксованої архітектури, яку спроєктувала людина, — self-improving модель претендує на зміну самої архітектури. Це визначення варто зафіксувати: self-improving AI — це система, здатна автономно модифікувати власний дизайн (структуру мережі, а не лише числові ваги) на основі результатів власної роботи, без нового циклу проєктування з боку людини.

Різниця здається технічною, але вона змінює хто контролює швидкість і напрям прогресу моделі. У класичному підході кожна архітектурна зміна проходить через людське рев'ю. У self-improving підході частина цього рев'ю переноситься на саму систему — і саме тут з'являється питання контролю.

Чому це один із найризикованіших напрямів для AI alignment?

Наш погляд у AiiN: напрям self-improving models — один із найризикованіших і водночас найцікавіших для довгострокового alignment, і причина проста — чим менше кроків між рішенням моделі й зміною її ж власної поведінки, тим складніше людині встигнути помітити небажаний дрейф до того, як він закріпиться в наступній ітерації.

У класичному сценарії alignment-дослідники перевіряють кожну нову версію моделі окремо, з паузою на аудит. Якщо модель сама генерує й впроваджує наступну версію себе, ця пауза стає вузьким місцем: або компанія її зберігає ціною швидкості, або пришвидшує цикл ціною контролю. Це, ймовірно, і є ключовий компроміс, навколо якого будуватиметься публічна дискусія про Deep Cogito та подібні проєкти найближчими роками.

Що з цим робити AI-білдерам просто зараз?

Поки self-improving models — це напрям на рівні дослідницького стартапу з посівним раундом, а не готовий продукт для інтеграції в чужий пайплайн. Практичний висновок для команд, що будують продукти на LLM:

• Не варто закладати self-improving-архітектури в дорожню карту продукту на 2026–2027 рік — це дослідницька стадія, а не інфраструктурний вибір.
• Варто стежити за тим, які safety-практики Deep Cogito публікує поруч із технічними результатами — саме баланс «швидкість ітерації / контрольованість» визначить, чи довірятиме ринок таким моделям.
• Для команд, що вже працюють з autonomous agents, вартий уваги той-таки принцип: чим автономніший цикл ухвалення рішень моделі, тим важливіший зовнішній аудит-шар, який не залежить від самої моделі.

Висновок AiiN

$43 млн — скромна сума за мірками флагманських лабораторій, але вона показує дещо важливіше за розмір раунду: venture-капітал готовий фінансувати не просто «ще одну модель», а зміну самого механізму, яким моделі створюються. Наша теза: self-improving AI перетворює alignment із задачі «перевірити одну модель перед релізом» на задачу «перевірити процес, що сам породжує нескінченну серію моделей» — і саме ця відмінність, а не сама технологія, стане головним викликом для регуляторів і safety-команд, коли (і якщо) підхід Deep Cogito почне масштабуватися за межі лабораторного етапу.

Що таке self-improving AI простими словами?

Це AI-система, яка може змінювати власну архітектуру та ваги на основі результатів своєї ж роботи, без того, щоб інженер-людина щоразу проєктував нову версію вручну. На відміну від звичайного донавчання, тут змінюється не лише «знання» моделі, а її структурний дизайн.

Чи означає $43 млн, що Deep Cogito вже має робочий self-improving продукт?

Ні, раунд такого розміру типовий для ранньої дослідницької стадії, а не для готового до продажу продукту. Це фінансування напряму досліджень, а не підтвердження того, що технологія вже працює в промисловому масштабі.

Чому AI safety-спільнота приділяє self-improving моделям особливу увагу?

Тому що здатність моделі змінювати власний дизайн ускладнює традиційний цикл людського рев'ю кожної нової версії — а саме цей цикл лишається основним інструментом контролю за поведінкою AI-систем сьогодні.