Recursive self-improvement (RSI) is a hypothesized process where an artificial general intelligence (AGI) system rewrites its own code to enhance its intellectual capacity [1]. In theory, this creates a compounding cycle where each improvement increases the system’s ability to make further enhancements, potentially leading to an “intelligence explosion” and superintelligence [S1, S7].
While the concept often appears in marketing or as a regulatory warning, current RSI exists on a spectrum [4]. At one end are bounded systems that optimize specific tools or prompts; at the other is a fully autonomous loop where a system modifies its own methods with zero human direction [S4, S6].
Otonom Mühendisliğin Yükselişi
AI sistemleri, geliştirme sürecinin mühendislik tarafındaki döngüyü zaten kapatmaya başladı. Büyük dil modelleri (LLM’ler), kendilerinin gelecekteki sürümlerini üreten kodu yazmak için giderek daha fazla kullanılıyor [4]. Örneğin, OpenAI, GPT-5.3-Codex’in kendi oluşturulması sırasında eğitim hatalarını ayıklamaya, dağıtımı yönetmeye ve değerlendirme sonuçlarını analiz etmeye yardımcı olduğunu bildirdi [4].
Bu değişim, sektörel iç verilerde açıkça görülüyor. Anthropic, Mayıs 2026 itibarıyla Claude’un şirketin kod tabanına birleştirilen kodun %80’inden fazlasını yazdığını rapor ediyor [S5, S6]. Bu, mühendislerin 2021-2025 dönemine kıyasla çeyrek başına sekiz kat daha fazla kod üretmesiyle verimliliği önemli ölçüde artırdı [5].
Basit kodlamanın ötesinde, Google DeepMind’ın AlphaEvolve sistemi, algoritmik keşif için kodlama ajanı gibi davranarak sinir ağı mimarilerini ve çip tasarımını optimize eder [4]. Ancak, bu sistemler tam özyinelemeli döngüler değildir; çünkü problemleri tanımlama ve performansı değerlendirme hâlâ insanlar tarafından yapılmaktadır [4].
Açık Uçlu Araştırmanın Engeli
Mühendislik kazanımlarına rağmen, sistemin özgün araştırma yapma yeteneğinde hâlâ büyük bir boşluk var. Mühendislik, kontrol edilebilir cevapları olan iyi tanımlanmış problemleri çözmeyi içerirken, gerçek AI araştırması “açık uçlu düşünme” gerektirir [2]. Bu, hipotez seçmeyi, bir soruyu çözecek kanıtı belirlemeyi ve başarısız bir yaklaşımı ne zaman bırakacağını bilmeyi kapsar [2].
Bunu test etmek için araştırmacılar “gölge değerlendirme” yöntemini kullandı; bir AI ajanına yayınlanmamış makalelerden araştırma sorularını yanıtlaması istendi [2]. Ajanlar mühendislik görevlerini—literatürü inceleme ve yüzlerce deneyi yürütme—başarılı bir şekilde yerine getirebilsen de, araştırmayı kendileri başarısız oldu [2]. Ajanlar, yenilik ve yaratıcılık eksikliği nedeniyle insan bilim insanları tarafından reddedilen makaleler ürettiler [2].
Özellikle, ajanlar başarısız yaklaşımlardan geri dönmekte zorlandı ve metodolojilerini temelden yeniden düşünemediler [2]. Geri bildirim üzerine yaklaşımlarını revize etmek yerine, sadece iddialarını daraltıp uyarılar eklediler [2]. Bu, AI’nin iyi tanımlanmış bir deneyi yürütebileceğini, ancak henüz kendi halefini tasarlamak için gerekli yargıyı sergileyemediğini gösteriyor [5].
Teorik Çerçeveler ve Güvenlik Riskleri
Gerçek bir RSI’ye ulaşmak için araştırmacılar, iyileştirme‑uygulama özerklikinden özyinelemeli meta‑iyileştirmeye geçiş yapan bir yol haritası öneriyor [3]. Bunun temel çerçevesi, bir AGI’ye rastgele kod planlama, yazma, derleme, test etme ve çalıştırma yeteneği veren “seed improver” adlı başlangıç kod tabanıdır [1].
Böyle bir sistem, uzun vadeli hedeflere ulaşmak ve yeteneklerinin yinelemeler boyunca bozulmadığını garantilemek için özyinelemeli bir kendini‑sorulama döngüsü ve doğrulama protokolleri kullanır [1]. Bu, ajanın hem yazılımını hem donanımını değiştiren, kendini yönlendiren bir evrim türü gerçekleştirmesine olanak tanır [1].
Ancak bu yetenek, ciddi güvenlik endişelerini de beraberinde getirir [1]. Bir sistem tamamen kendi haleflerini inşa edebiliyorsa, insanlar onun davranışını güvence altına alma, izleme veya şekillendirme yetisini kaybedebilir [5]. Riskler arasında öngörülemeyen enstrümantal hedeflerin ortaya çıkması, insan değerleriyle uyumsuzluk ve sistemin insan kontrolünü aşma potansiyeli bulunur [1].
Mevcut Ölçütler ve Zaman Çizelgeleri
Yetenekler hızla genişliyor, ancak tam özerklik zaman çizelgesi hâlâ tartışılıyor [S2, S5]. Bazı ölçütler hızlı bir doygunluk gösteriyor; örneğin, AI sistemleri 2024’te araştırma sonuçlarını %20 oranında yeniden üretebiliyorken, on beş ay içinde CORE-Bench ölçütünü doldurmuş durumdalar [5].
Benzer şekilde, AI’nin güvenilir bir şekilde tamamlayabildiği görev süreleri yaklaşık her dört ayda bir ikiye katlanıyor [5]. Mart 2024’te Claude Opus 3 dört dakikalık görevleri hallederken, 2026’da Claude Opus 4.6 on iki saatlik görevleri yönetebildi [5]. Bu eğilim devam ederse, haftalar süren görevler 2027’ye kadar erişilebilir hale gelebilir [5].
Bu ölçütlere rağmen, açık uçlu araştırmadaki yaratıcılık ve yargı eksikliği, tam otonom kendini geliştirme sürecinin bazı abartılı zaman çizelgelerinden daha uzun sürebileceğini gösteriyor [2].
Kaynaklar
- Özyinelemeli Kendini Geliştirme - Wikipedia
- Özyinelemeli Kendini Geliştirme - AI Wiki
- Özyinelemeli Kendini Geliştirme AI Laboratuvarlarında Yaklaşıyor - IEEE Spectrum
- AI Kendini İnşa Ettiğinde \ Anthropic
- Ajanik AI’da Özyinelemeli Kendini Geliştirme (2026 Rehberi)
- AI’nın Özyinelemeli Kendini Geliştirmesi Beklenenden Daha Yavaş Geliyor
- İnsanlar Tarafından İnşa Edilen Son AI: Gerçek Özyinelemeli Kendini Geliştirmeye Doğru
