Czym jest RSI i czy rekurencyjne samodoskonalenie wpłynie na rozwój AI?

Po AGI i agentach AI branża sztucznej inteligencji zaczyna mówić o kolejnym etapie rozwoju modeli AI – RSI, czyli rekurencyjnym samodoskonaleniu. Chodzi o systemy sztucznej inteligencji zdolne do samodzielnego ulepszania własnego kodu, modeli i procesów badawczych bez istotnego udziału człowieka. Część ekspertów uważa, że technologia ta może radykalnie przyspieszyć rozwój AI, inni znowu przekonują, że branża wciąż jest daleko od takiego scenariusza.

RSI, czyli Recursive Self-Improvement – rekurencyjne samodoskonalenie, to dla części branży kolejny etap rozwoju AI po AGI, czyli sztucznej inteligencji ogólnej. W praktyce chodzi o stworzenie systemów, które potrafią samodzielnie rozwijać własne możliwości, projektować ulepszenia, testować je i wdrażać kolejne wersje bez bezpośredniego udziału człowieka.

To właśnie element „rekurencyjny” jest tutaj kluczowy. Model AI nie tylko wykonuje zadania lub pomaga programistom, ale sam staje się uczestnikiem procesu badawczo-rozwojowego. System analizuje własne błędy, proponuje usprawnienia architektury, optymalizuje kod, a następnie wykorzystuje ulepszoną wersję do dalszego przyspieszania własnego rozwoju. Teoretycznie taki proces mógłby tworzyć zamkniętą pętlę, w której postęp technologiczny staje się coraz szybszy i coraz mniej zależny od ludzi.

RSI przechodzi z teorii do pierwszych wdrożeń w laboratoriach AI

Koncepcja RSI od lat funkcjonowała głównie w środowiskach akademickich i dyskusjach o superinteligencji, ale w ostatnich miesiącach zaczęła przenikać do realnych projektów rozwijanych przez startupy i największe laboratoria AI. Jednym z najbardziej nagłośnionych przykładów jest projekt Recursive Superintelligence uruchomiony przez Richarda Sochera, znanego badacza AI i byłego szefa działu AI w Salesforce. Otwarcie deklaruje on, że celem projektu jest automatyzacja całego procesu badań nad sztuczną inteligencją – od generowania pomysłów, przez implementację, aż po testowanie i walidację wyników, wskazuje TechCrunch.

Podobnym kierunkiem podąża Andrej Karpathy, były badacz OpenAI i Tesli. W ramach projektu Auto-Research rozwija system wykorzystujący roje agentów AI do prowadzenia prostych badań nad modelami językowymi. Agenci samodzielnie wykonują eksperymenty, analizują wyniki i proponują drobne ulepszenia modeli. Na razie projekt dotyczy głównie niewielkich usprawnień starszych modeli pokroju GPT-2, ale wielu badaczy uważa go za potencjalny fundament przyszłych systemów RSI.

AI coraz lepiej zastępuje programistów, ale do pełnego RSI nadal daleko

Rosnące zainteresowanie RSI wynika z przekonania, że obecne modele AI zaczynają osiągać poziom umożliwiający częściową automatyzację pracy programistów i badaczy. Anthropic przyznał niedawno, że narzędzie Claude Code odpowiada już za zdecydowaną większość kodu pisanego przez część zespołów firmy. Wewnętrzne testy sugerują również, że przyszłe wersje modeli mogą osiągnąć poziom średniego programisty zdolnego do realizacji bardziej złożonych projektów bez nadzoru.

Nie oznacza to jednak, że RSI jest blisko. Nawet najbardziej zaawansowane modele nadal mają duże problemy z długoterminowym planowaniem, rozumieniem priorytetów, samodzielnym zarządzaniem projektami czy oceną jakości własnych decyzji. To właśnie te kompetencje są uznawane za fundament prawdziwego rekurencyjnego samodoskonalenia.

Sceptycznie do tematu podchodzą także część ekspertów zajmujących się bezpieczeństwem AI. Jak informuje TechCrunch, Helen Toner, była członkini zarządu OpenAI i dyrektor CSET przy Georgetown University, podkreśla, że obecne systemy jedynie wspierają badaczy, ale nadal nie są zdolne do całkowicie autonomicznego prowadzenia badań nad sztuczną inteligencją. Eksperci zwracają uwagę, że samo wykorzystywanie AI do tworzenia kolejnych modeli nie oznacza jeszcze osiągnięcia RSI. Kluczowy byłby moment, w którym system potrafiłby samodzielnie rozwijać nowe generacje AI równie skutecznie lub skuteczniej niż zespoły ludzi.

RSI między teorią a praktyką

W środowisku badaczy pojawiają się różne scenariusze dalszego rozwoju technologii. Część uważa, że RSI może doprowadzić do gwałtownego przyspieszenia postępu AI i powstania systemów o możliwościach trudnych dziś do przewidzenia. Inni zakładają znacznie wolniejszy rozwój i wskazują na bariery związane z mocą obliczeniową, kosztami energii, ograniczeniami architektury modeli oraz koniecznością ludzkiego nadzoru.

Na razie nawet najwięksi zwolennicy tej koncepcji przyznają, że pełne RSI jeszcze nie istnieje. Jednak tempo rozwoju agentów AI, automatyzacji programowania i systemów badawczych sprawia, że temat szybko przestaje być wyłącznie teorią z pogranicza science fiction.