Рекурсивное самосовершенствование (RSI) — это гипотетический процесс, в котором система искусственного общего интеллекта (AGI) переписывает свой собственный код для повышения своей интеллектуальной способности [1]. В теории это создаёт ускоряющийся цикл, в котором каждое улучшение увеличивает способность системы к дальнейшим улучшениям, потенциально приводя к «взрыву интеллекта» и суперинтеллекту [S1, S7].
Хотя концепция часто появляется в маркетинге или как регуляторное предупреждение, текущее RSI существует в спектре [4]. На одном конце находятся ограниченные системы, оптимизирующие конкретные инструменты или подсказки; на другом конце — полностью автономный цикл, в котором система модифицирует свои методы без какого-либо участия человека [S4, S6].
Взлёт автономной инженерии
Системы ИИ уже начали замыкать петлю на инженерной стороне разработки. Большие языковые модели (LLM) всё чаще используются для написания кода, который производит будущие версии самих себя [4]. Например, OpenAI сообщила, что GPT-5.3-Codex помог отладить обучение, управлять развёртыванием и анализировать результаты оценки во время своего собственного создания [4].
Этот сдвиг проявляется во внутренних отраслевых данных. Anthropic сообщает, что к маю 2026 года Claude написал более 80% кода, слитого в кодовую базу компании [S5, S6]. Это значительно повысило производительность: инженеры отгружают в восемь раз больше кода за квартал по сравнению с периодом 2021–2025 годов [5].
Помимо простого кодирования, системы вроде AlphaEvolve от Google DeepMind выступают в роли агентов кодирования для алгоритмического открытия, оптимизируя архитектуры нейронных сетей и проектирование чипов [4]. Однако такие системы не являются полностью рекурсивными циклами, поскольку люди по-прежнему определяют задачи, которые нужно решить, и оценивают производительность [4].
Барьер открытых исследований
Несмотря на успехи в инженерии, значительный пробел остаётся в способности системы проводить оригинальные исследования. Инженерия подразумевает решение чётко определённых задач с проверяемыми ответами, тогда как подлинные исследования в области ИИ требуют «открытого мышления» [2]. Это включает выбор гипотез, определение того, какие доказательства решают вопрос, и понимание, когда следует отказаться от неудачного подхода [2].
Для проверки этого исследователи использовали «теневую оценку», попросив ИИ-агента ответить на исследовательские вопросы из неопубликованных статей [2]. Хотя агенты могли справляться с инженерной частью — просматривать литературу и проводить сотни экспериментов — они провалились в самой исследовательской части [2]. Агенты создали статьи, которые были отвергнуты учёными-людьми из-за отсутствия новизны и креативности [2].
Конкретно, агенты испытывали трудности с отходом от неудачных подходов и не могли фундаментально переосмыслить свою методологию [2]. Вместо того чтобы пересмотреть свой подход на основе обратной связи, они просто сузили свои утверждения и добавили оговорки [2]. Это указывает на то, что хотя ИИ может выполнить чётко определённый эксперимент, он ещё не способен проявить суждение, необходимое для разработки своего собственного преемника [5].
Теоретические рамки и риски безопасности
Для достижения подлинного RSI исследователи предлагают дорожную карту, переходящую от автономии выполнения улучшений к рекурсивному мета-улучшению [3]. Основой этой структуры является «seed improver» — начальная кодовая база, которая предоставляет AGI возможность планировать, писать, компилировать, тестировать и выполнять произвольный код [1].
Такая система использовала бы рекурсивный самоподсказывающий цикл для достижения долгосрочных целей и внедряла бы протоколы валидации, чтобы гарантировать, что её способности не ухудшаются с каждой итерацией [1]. Это позволило бы агенту осуществлять вид самонаправленной эволюции, изменяя как своё программное обеспечение, так и аппаратное обеспечение [1].
Однако эта способность порождает серьёзные проблемы безопасности [1]. Если система способна полностью создавать своих преемников, люди могут потерять возможность обеспечивать безопасность, контролировать или формировать её поведение [5]. Риски включают появление непредсказуемых инструментальных целей, несоответствие человеческим ценностям и потенциал системы превзойти человеческий контроль [1].
Текущие бенчмарки и сроки
Возможности расширяются быстро, хотя срок полной автономии остаётся предметом дискуссий [S2, S5]. Некоторые бенчмарки демонстрируют быстрое насыщение; например, ИИ-системы увеличили долю воспроизведения результатов исследований с 20% в 2024 году до насыщения бенчмарка CORE-Bench через пятнадцать месяцев [5].
Аналогично, продолжительность задач, которые ИИ способен надёжно выполнять, удваивается примерно каждые четыре месяца [5]. В марте 2024 года Claude Opus 3 справлялся с задачами продолжительностью четыре минуты; к 2026 году Claude Opus 4.6 управлял задачами продолжительностью двенадцать часов [5]. Если эта тенденция сохранится, задачи, занимающие недели, могут стать выполнимыми к 2027 году [5].
Несмотря на эти метрики, недостаток креативности и суждения в открытых исследованиях указывает на то, что полностью автономное самосовершенствование может занять больше времени, чем предполагают некоторые ажиотажные прогнозы [2].
Источники
- Рекурсивное самосовершенствование — Википедия
- Рекурсивное самосовершенствование — AI Вики
- Рекурсивное самосовершенствование приближается в лабораториях ИИ — IEEE Spectrum
- Когда ИИ создает само себя \ Anthropic
- Рекурсивное самосовершенствование в агентном ИИ (руководство 2026)
- Рекурсивное самосовершенствование ИИ, возможно, не наступит так быстро, как кажется
- Последний ИИ, созданный людьми: к подлинному рекурсивному самосовершенствованию
