ხელოვნური ინტელექტის ევოლუციის ახალი ეტაპი შესაძლოა სულ სხვაგვარად წარიმართოს, ვიდრე ამას ტრადიციულ ლაბორატორიებში ვარაუდობენ. შანხაის ჯიაო ტონგის უნივერსიტეტის, ცინხუას, ByteDance-ისა და სხვა წამყვანი აკადემიური თუ ინდუსტრიული ცენტრების წარმომადგენლებისგან შედგენილმა 33-კაციანმა კონსორციუმმა ფართომასშტაბიანი წინასწარი პუბლიკაცია გამოაქვეყნა 2026 წლის 10 სექტემბერს. arXiv-ის პლატფორმაზე წარმოდგენილი ნაშრომი, სახელწოდებით The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement, რეკურსიული თვითგაუმჯობესების კონცეფციას სისტემურ სახეს აძლევს.
Theseus Labs, ModelBest, Xiaohongshu და Shanghai AI Lab წარმოადგენენ იმ წამყვან კვლევით და ინდუსტრიულ ინსტიტუციებს, რომელთა ექსპერტებიც აქტიურად მონაწილეობდნენ ამ ფუნდამენტური ნაშრომის შექმნასა და თანამედროვე ხელოვნური ინტელექტის არქიტექტურის ანალიზში.
ავტორები რეკურსიულ თვითგაუმჯობესებას განიხილავენ არა როგორც ერთჯერად ჩათბოტების ტექნიკურ შესწორებას, არამედ როგორც მუდმივ ცვლილებებსა და გამოცდილებაზე დაფუძნებულ პროცესს. ეს მექანიზმი აუმჯობესებს როგორც თავად სისტემის შესაძლებლობებს, ისე სამომავლო განვითარების პროცესსაც. ამ მიზნით, მკვლევარებმა შეიმუშავეს ავტონომიის ხუთდონიანი კიბე და გამოიყენეს Headroom-Closed Index, რათა ნათლად დაენახათ თანამედროვე ენობრივი მოდელების არსებული ლიმიტები სხვადასხვა ბენჩმარკზე.
ნაშრომში ასევე ყურადღება ეთმობა Headroom-Closed Index-ს (HCI), რომელიც სისტემების ეფექტურობისა და ლიმიტების შესაფასებლად ერთ-ერთ მთავარ მეტრიკას წარმოადგენს. ამ მიმართულებით მკვლევარები აანალიზებენ, თუ რა შეზღუდვები აქვთ თანამედროვე მოდელებს სხვადასხვა ბენჩმარკზე.
ხუთდონიანი სტრუქტურა იწყება პირველი დონით. L1 გულისხმობს გაუმჯობესების უბრალო შესრულებას, სადაც სისტემა ადამიანის მითითებით ასრულებს საბაზისო და ლოკალურ ამოცანებს. L2 მოიცავს გაუმჯობესების სტრატეგიას, რომელიც სისტემას საშუალებას აძლევს თავად შეარჩიოს ოპტიმალური საოპერაციო გზები. L3 დაკავშირებულია გამოცდილების შეძენასთან და დაგროვილ მონაცემებზე დაყრდნობით ავტონომიური დასკვნების გამოტანთან. L4 წარმოადგენს გარემოსთან სრულ ადაპტაციას, როდესაც მოდელი დინამიკურად ერგება უცხო და ცვალებად პირობებს. L5 არის რეალური რეკურსიული მეტა-გაუმჯობესება, სადაც სისტემა სრულიად დამოუკიდებლად იგონებს და ავითარებს თავისივე ახალ ვერსიებს.
განვითარების ეს სცენარები და დონეები ვრცელდება ისეთ რთულ და პრიორიტეტულ სფეროებზე, როგორიცაა სამეცნიერო აღმოჩენები, რობოტიკა და ფიზიკურ გარემოში მოქმედი ინტელექტი, ასევე პროგრამული უზრუნველყოფის ინჟინერია.
პროგრამული უზრუნველყოფის ინჟინერია ორიენტირებულია კოდის გენერაციასა და ავტომატიზებულ ტესტირებაზე, სამეცნიერო აღმოჩენა მოიცავს ჰიპოთეზების დამოუკიდებელ ტესტირებას და ლაბორატორიული კვლევების მართვას, ხოლო რობოტიკა აერთიანებს ფიზიკურ სამყაროში მოქმედებას, სენსორულ ინტეგრაციასა და რეალურ დროში ადაპტაციას.
ნაშრომში მოთავსებული გრაფიკული მონაცემების მიხედვით, ავტორებმა გააანალიზეს 491 სამეცნიერო ნაშრომი. კვლევის შედეგად გაირკვა, რომ პროექტების აბსოლუტური უმრავლესობა ჯერ კიდევ ადრეულ ეტაპზეა. კერძოდ, პროექტების ~75 პროცენტი პირველ და მეორე დონეებზე ნაწილდება, სადაც პირველი დონე შეადგენს 43.8 პროცენტს, ხოლო მეორე დონე 31.6 პროცენტს, მაშინ როცა უმაღლესი მეხუთე დონე მხოლოდ 5.9 პროცენტს შეადგენს.
თუმცა უნდა აღინიშნოს, რომ ნაშრომი წარმოადგენს მხოლოდ კვლევით რუკას და თეორიულ ჩარჩოს, და ის არ ამტკიცებს, რომ მანქანებმა სრულფასოვანი ავტონომიური თვითგაუმჯობესება უკვე პრაქტიკაში მიაღწიეს. უსაფრთხოებისა და ვერიფიკაციის გამოწვევები კვლავ მთავარ დაბრკოლებად რჩება მკვლევართა საზოგადოებისთვის.
ამ ფონზე, დასავლურ სამყაროში სერიოზული დებატები მიმდინარეობს. როგორც IBTimes UK და Metaverse Post აღნიშნავენ, აშშ-ჩინეთის კონკურენციისა და რეკურსიული თვითგაუმჯობესების რისკების კონტექსტში, Anthropic-ის მკვლევარი ანნა ვანგი პირად პოზიციაზე დაყრდნობით მიიჩნევს, რომ ამგვარი რისკების შესაკავებლად სიცოცხლისუნარიანი სამეცნიერო გეგმა ჯერჯერობით არ არსებობს.
ჩინური კონსორციუმის ნაშრომი სწორედ ამ დისკუსიაში მნიშვნელოვან აკადემიურ ფუნდამენტს ქმნის, რომელიც ინდუსტრიას მომავალი მიმართულებების გადაფასებისკენ უბიძგებს. ეს ყველაფერი ცხადყოფს, რომ ხელოვნური ინტელექტის უსაფრთხოებისა და ავტონომიის მიმართულებით გლობალური მიდგომები გადახედვას საჭიროებს.
წყარო: arXiv, IBTimes UK, Metaverse Post
