Recursive Self-Improvement: як штучний інтелект починає покращувати самого себе

Зміст

• Що таке Recursive Self-Improvement (RSI)
• Чому RSI вважають основою сингулярності
• Як сучасні LLM допомагають створювати нові моделі
• Кейс Anthropic (квітень 2026): агенти закрили 97% дослідницької задачі з безпеки ШІ
• Чому Anthropic заявляє, що RSI "ще не неминуче"
• Де проходить межа між автоматизацією та самовдосконаленням
• Технічні обмеження сучасних моделей
• Чи можливий повністю автономний цикл розвитку ШІ
• Часті запитання

Що таке Recursive Self-Improvement (RSI)

Я б пояснив цей термін так: уявіть інженера, який не просто пише код, а створює наступного, кращого за себе інженера — і той, своєю чергою, створює ще кращого. Recursive Self-Improvement (рекурсивне самовдосконалення) — це саме такий цикл, тільки замість людини-інженера в ньому діє штучний інтелект. ШІ-система бере участь у створенні власного наступника: пише код, оптимізує архітектуру, готує тренувальні дані або формулює дослідницькі гіпотези, — а результат виявляється розумнішим і продуктивнішим за оригінал.

Ключова відмінність RSI від звичайної автоматизації — саме в рекурсії. Якщо ШІ просто прискорює одну конкретну задачу (наприклад, пише код за шаблоном), це корисна автоматизація, але не самовдосконалення. RSI починається там, де результат одного циклу стає вхідними даними для наступного, і кожна ітерація потенційно швидша та якісніша за попередню — а отже, теоретично, темп прогресу може зростати нелінійно, а не лінійно.

Чому RSI вважають основою сингулярності

Якщо повернутись до класичного визначення технологічної сингулярності — точки, після якої розвиток ШІ стає настільки швидким, що людина втрачає здатність його передбачати, — RSI є саме тим механізмом, який теоретично таку точку створює. Детальніше про походження самого поняття сингулярності, історію терміна та прогнози дослідників читайте в нашому повному гайді: Технологічна сингулярність: повний гід простими словами.

Логіка проста: якщо цикл самовдосконалення дійсно замкнений і кожна ітерація займає дедалі менше часу, темп прогресу перестає бути лінійним. Саме тому в переважній більшості наукових і науково-популярних робіт про сингулярність RSI фігурує не як один з можливих сценаріїв, а як центральний технічний механізм, навколо якого будується вся аргументація — включно з оригінальним есе Вернора Вінджа 1993 року.

Щоб зрозуміти, чому саме цикл, а не одноразовий стрибок якості, лежить в основі концепції, варто розібрати механіку по кроках. У звичайному, "нерекурсивному" сценарії розвитку ШІ кожне наступне покоління моделей створюють люди: дослідники ставлять гіпотези, інженери пишуть код, а швидкість прогресу обмежена кількістю людей-годин, які команда може вкласти в розробку. Це лінійний процес — подвоєння команди дослідників приблизно подвоює швидкість прогресу, не більше.

RSI змінює саме цю пропорцію. Якщо модель N бере участь у створенні моделі N+1, а модель N+1 — розумніша, швидша або дешевша у використанні, вона зі свого боку може взяти на себе ще більшу частку роботи над моделлю N+2. Кожна ітерація не просто повторює попередню, а потенційно скорочує час і ресурси, потрібні для наступної. Саме ця властивість — коли швидкість самого процесу прискорення теж прискорюється — і відрізняє рекурсивний цикл від простого накопичення прогресу, і саме вона математично відповідає за "вертикальний зліт" кривої, який Вернор Віндж описував як межу передбачуваності, а Рей Курцвейл — як наслідок закону прискорення віддачі.

Важливо ще раз наголосити: сам факт існування такого циклу в принципі не означає, що він уже запущений на повну потужність чи що його неможливо загальмувати. Наскільки далеко сучасні моделі просунулись цим шляхом і де саме проходить межа між "модель допомагає" і "модель самостійно веде процес" — детально розбираємо нижче, а також у розділах про кейс Anthropic і технічні обмеження.

Як сучасні LLM допомагають створювати нові моделі

Тут я хочу одразу розвести очікування й реальність. Сучасні великі мовні моделі вже активно залучені в розробку наступних поколінь ШІ — але переважно як інструмент, а не як автономний архітектор. На практиці це виглядає так: моделі пишуть і тестують код тренувальних пайплайнів, генерують синтетичні дані для донавчання, допомагають аналізувати результати експериментів і навіть пропонують гіпотези для подальшого дослідження.

Обидва лідери індустрії підтверджують цю тенденцію офіційно, хоч і різними словами. Anthropic повідомляє, що частка коду, написаного Claude і злитого в продакшн-кодову базу компанії, зросла з одноцифрових показників на початку 2025 року до понад 80% у травні 2026-го (Anthropic, "When AI builds itself"). OpenAI тим часом публічно окреслила амбітнішу мету: CEO Сем Альтман, головний науковець Якуб Пахоцкі та співзасновник Войцех Заремба заявили про намір створити "ШІ-дослідника-стажера" вже до вересня 2026 року, а повністю автономного ШІ-дослідника — до березня 2028-го (MIT Technology Review).

Утім, самі дослідники визнають: емпіричні дані про те, наскільки сильно ШІ-асистована автоматизація насправді прискорює розвиток ШІ, поки суперечливі. У пілотному дослідженні для International AI Safety Report 2026 експерти-прогнозисти оцінили ймовірність того, що прогрес наступних кількох років стисне шість років розвитку (2018–2024) буквально в два роки, лише у 20% медіанно, а супер-прогнозисти — ще консервативніше, у 8% (International AI Safety Report 2026).

⚙️ За рахунок чого саме відбувається рекурсія: три конкретні механізми

У попередніх розділах ми навмисно описували RSI на верхньому рівні — "модель пише код", "модель оптимізує архітектуру". Але щоб зрозуміти, наскільки це реально, а не метафорично, варто розібрати, які саме технічні прийоми стоять за цими словами. Їх три, і кожен уже має задокументовані, вимірювані результати — не в лабораторних обіцянках, а в продакшн-інфраструктурі провідних лабораторій.

1. Пошук архітектур і гіперпараметрів через навчання з підкріпленням (NAS + RL)

Neural Architecture Search (NAS) — підхід, коли замість того, щоб інженер вручну підбирав структуру нейромережі (кількість шарів, тип з'єднань, розмір вікна уваги), цей пошук доручають окремій RL-системі, яка розглядає кожен варіант архітектури як "дію" і отримує "винагороду" залежно від того, наскільки добре навчена на ній модель. Це не нова ідея — перші роботи Google Brain з NAS через RL з'явились ще у 2016-2017 роках, — але масштаб застосування зараз якісно інший.

Найпоказовіший сучасний приклад — AlphaEvolve, система Google DeepMind, представлена у травні 2025 року. Вона поєднує великі мовні моделі (на базі Gemini) з автоматизованою еволюційною оцінкою: LLM пропонує варіанти коду чи алгоритму, автоматичний оцінювач перевіряє результат за заданою метрикою, і найкращі варіанти "виживають" і мутують далі — класична еволюційна схема, тільки варіанти генерує не випадкова мутація, а сама мовна модель. AlphaEvolve вже застосовували для оптимізації дизайну чипів, розкладу дата-центрів і — що особливо показово для теми цієї статті — для оптимізації самого процесу тренування Gemini, скоротивши час тренування приблизно на 1%. Цифра звучить скромно, але на масштабі тренувального кластера вартістю в сотні мільйонів доларів це вже суттєва економія (MindStudio).

2. Еволюційна самомодифікація коду агента

Другий механізм — не оптимізація архітектури моделі, а самомодифікація коду самого агента, який цю модель використовує. Найяскравіший приклад — Darwin Gödel Machine (DGM), розроблена Sakana AI разом з Університетом Британської Колумбії: система, де агент на основі базової LLM пропонує зміни у власному коді, тестує їх на реальних задачах, і якщо зміна покращує результат — вона стає новою "версією" агента, яка далі сама пропонує наступні зміни. Важливе технічне уточнення: DGM модифікує код і логіку роботи агента (як він планує кроки, як обробляє помилки, як звертається до інструментів), а не саму базову мовну модель, — тобто це самовдосконалення "обв'язки", а не мозку. На бенчмарку SWE-bench (реальні задачі виправлення багів у відкритому коді) така самомодифікація дала покращення на 20-50% порівняно з початковою версією агента (AI Wiki).

До цієї ж категорії належить і генерація hard negative прикладів — коли модель сама створює для себе найскладніші, межові навчальні приклади (ситуації, де попередня версія найчастіше помилялась), і тренується саме на них, а не на випадковій вибірці даних. Це прискорює навчання на конкретних слабких місцях моделі, але — і це прямий місток до наступного розділу — цей прийом працює лише тоді, коли є надійний спосіб перевірити, що згенерований "складний приклад" насправді коректний, а не просто правдоподібна помилка, яку модель сама собі згенерувала.

3. Автоматизація власного циклу розробки

Третій, найпрямолінійніший механізм — коли модель просто бере участь у створенні наступної версії себе через звичайну інженерну роботу, тільки в дедалі більшому обсязі. У лютому 2026 року OpenAI повідомила, що модель GPT-5.3-Codex відіграла істотну роль у створенні самої себе: допомагала налагоджувати процес тренування, керувати розгортанням і аналізувати результати оцінювання наступної версії (IEEE Spectrum). Це узгоджується з даними Anthropic про частку коду Claude у власній кодовій базі компанії, які ми наводили вище.

Спільна риса всіх трьох механізмів — і водночас їхнє найважливіше практичне обмеження — у тому, що кожен з них досі працює всередині чітко визначеної, вимірюваної системи оцінки, яку задав інженер-людина (метрика AlphaEvolve, тестовий набір SWE-bench для DGM, критерії успіху для GPT-5.3-Codex). Це саме та межа "хто визначає задачу", про яку йшлося в розділі вище.

🌀 Математичний глухий кут: проблема "вирождення моделі" (Model Collapse)

Один із найважливіших контраргументів проти оптимістичних прогнозів RSI рідко потрапляє в популярні перекази — і дарма, бо він не риторичний, а математичний. Якщо ШІ-система дедалі більше навчається на даних, які самі згенеровані попередніми ШІ-моделями (а не на "сирих" людських даних), виникає ризик так званого model collapse — прогресуючого вироджування якості й різноманітності моделі з кожним новим циклом.

Явище формально описали Шумайлов та співавтори у статті, опублікованій у Nature в липні 2024 року. Механіка проста й невблаганна: кожне покоління моделі, натреноване переважно на виході попереднього покоління, поступово втрачає "хвости" початкового розподілу даних — рідкісні, нетипові, але цілком правильні відповіді й приклади. З кожним циклом розподіл виходу моделі звужується, дедалі сильніше стягуючись до "середньостатистичної", шаблонної відповіді, аж до практично виродженого, майже однакового виходу на різні запити (Digital Applied). Дослідники виділяють три складові цієї помилки: статистична похибка апроксимації (обмежена кількість тренувальних прикладів на кожному кроці), похибка виразності моделі (архітектура фізично не може відтворити весь оригінальний розподіл) і похибка функціонального навчання.

Це не суто теоретичний ризик. Подальші дослідження показали конкретні порогові значення. Зедік та співавтори продемонстрували, що домішування навіть 5% реальних, людських даних до кожного покоління тренування суттєво уповільнює й стримує довгостроковий колапс, тоді як тренування на 100% синтетичних даних веде до лінійного, невпинного погіршення з кожним поколінням. Суреш та співавтори у 2025 році формалізували цю залежність математично: якщо частка реальних даних у кожному циклі більша за нуль, розходження від справжнього розподілу залишається обмеженим; якщо ж вона прямує до нуля — розходження стає необмеженим (arXiv, Suresh et al.).

Тут і криється прямий зв'язок із самою ідеєю RSI: замкнений цикл, у якому модель N навчає модель N+1 виключно на власних згенерованих даних без притоку нових людських даних чи зовнішньої верифікації, — це майже підручниковий рецепт для model collapse, а не для прискореного прогресу. Показово, що дослідники Фенг та співавтори у 2025 році знайшли важливий нюанс, який пояснює, чому провідні лабораторії все ж уникають цієї пастки на практиці: достатньо ефективна верифікація синтетичних даних здатна суттєво пом'якшити колапс, навіть якщо частка "сирих" людських даних невелика (arXiv). Саме тому механізми з попереднього розділу — AlphaEvolve, DGM, генерація hard negative прикладів — усі до одного спираються не на "сліпе" самонавчання, а на зовнішній, об'єктивний критерій перевірки (компільований код, що дійсно швидший; тест, що дійсно проходить; задача, що дійсно розв'язана правильно) — це і є та сама верифікація, яка теоретично захищає їх від колапсу.

Варто, однак, дотримуватись балансу й тут: не всі дослідники вважають масштаб загрози колапсу однаково катастрофічним. Позиційна робота 2026 року під промовистою назвою "Model Collapse Does Not Mean What You Think" застерігає, що частина публічного занепокоєння побудована на спрощеному прочитанні початкового дослідження Шумайлова, і що за реалістичніших сценаріїв — коли синтетичні дані не замінюють, а накопичуються поряд із реальними, і коли є хоч якась верифікація якості — колапс проявляється значно повільніше й м'якше, ніж припускали перші алармістські заголовки (arXiv, "Position: Model Collapse Does Not Mean What You Think").

Практичний висновок для цієї статті: model collapse — не аргумент "RSI неможливий", а конкретний, математично обґрунтований пояснювальний механізм того, чому кожен задокументований приклад RSI, який ми розглянули вище — і в цій статті, і в кейсі Anthropic, — спирається саме на верифіковані, об'єктивно перевірювані критерії успіху, а не на чисте самонавчання моделі на власних відповідях. Це ще одна причина, чому "хто визначає й перевіряє критерій успіху" — по суті, не менш важливе питання, ніж "хто визначає саму задачу", яке ми розбирали вище.

Кейс Anthropic (квітень 2026): агенти закрили 97% дослідницької задачі з безпеки ШІ

Найконкретніший і найкраще задокументований приклад того, як це працює на практиці, — квітневий експеримент Anthropic, описаний у звіті "When AI builds itself" від 4 червня 2026 року. Agents на базі Claude отримали справжню відкриту дослідницьку задачу з безпеки ШІ: чи здатна слабша модель надійно контролювати (наглядати за) сильнішою. Задача мала чітко вимірювану "підлогу" (наскільки добре слабший наглядач справляється сам) і "стелю" (наскільки добре сильна модель показує себе, коли її тренують на правильних відповідях).

Дев'ять паралельних агентів самостійно формулювали гіпотези, ставили експерименти, обмінювались результатами через спільний форум і ітерували рішення. За 800 сукупних годин роботи й приблизно 18 000 доларів витрат на обчислення агенти відновили 97% розриву між "підлогою" і "стелею". Для порівняння: двоє людей-дослідників, які працювали над тією ж задачею близько тижня, відновили лише 23% (Anthropic).

Окремо варто згадати ще один показовий результат того ж звіту: попередня модель Claude Mythos Preview продемонструвала 52-кратне пришвидшення на задачі оптимізації коду тренування моделей — тоді як кваліфікованому людині-дослідникові для чотирикратного покращення того ж коду знадобилося б від чотирьох до восьми годин. Для порівняння, попередня версія моделі — Claude Opus 4 — показувала на аналогічній задачі лише трикратне пришвидшення роком раніше (Anthropic).

Чому Anthropic заявляє, що RSI "ще не неминуче"

Я свідомо винесла цей нюанс в окремий розділ, бо саме тут найчастіше спотворюють меседж Anthropic у переказах. Сама компанія, попри вражаючі цифри, прямо й багаторазово наголошує на застереженнях. По-перше, результат квітневого експерименту не переносився чисто на моделі промислового масштабу — задача була навмисно обмеженою й ізольованою. По-друге, і це найважливіше: людина в цьому експерименті все одно обирала саму дослідницьку задачу і писала рубрику оцінювання результатів — тобто напрямок дослідження, а не лише його виконання, залишався людським рішенням (Anthropic).

Показово, що ці ж дані Anthropic використала не для тріумфального анонсу, а як аргумент на користь глобальної координації з безпеки ШІ, публічно закликавши індустрію розглянути можливість контрольованої паузи в розробці найпотужніших систем, якщо кілька провідних лабораторій одночасно наблизяться до порогу самовдосконалення (Dallas Express). Це нетипова для індустрії комунікаційна стратегія: компанія публікує дані, які можна прочитати як доказ власної технологічної переваги, але подає їх насамперед як сигнал тривоги, а не як маркетинг.

Де проходить межа між автоматизацією та самовдосконаленням

На мою думку, це найважливіше практичне питання в усій темі RSI — і водночас найчастіше ігнороване в популярних переказах. Межа проходить не через те, наскільки добре модель виконує задачу, а через те, хто визначає, яку задачу взагалі варто вирішувати.

Сучасні моделі — включно з агентами з квітневого експерименту Anthropic — вже впевнено переросли рівень "виконавця за шаблоном": вони самостійно проєктують експерименти, пишуть і налагоджують складний код, аналізують суперечливі результати. Але вибір напрямку дослідження, пріоритизація проблем і визначення критеріїв успіху — усе ще людська прерогатива в переважній більшості задокументованих випадків. Автори звіту Anthropic прямо розділяють ці дві категорії: інженерну автоматизацію, де прогрес вже дуже суттєвий, і дослідницьке прийняття рішень, де розрив між людиною і моделлю залишається значним (SmartCR, огляд звіту Anthropic).

Є й проміжні дані, які показують, наскільки швидко ця межа рухається. В окремому внутрішньому експерименті Anthropic перевіряла, чи здатна модель самостійно обирати кращий "наступний крок" на складних розвилках реальних дослідницьких сесій — і в листопаді 2025 року Claude співпадала з рішенням людини-дослідника вже у 51% випадків (TheNextWeb). Це не автономний вибір напрямку дослідження в чистому вигляді, але явний сигнал, що межа між "виконанням" і "прийняттям рішень" уже не абсолютна.

Технічні обмеження сучасних моделей

Варто перелічити конкретні бар'єри, які, на мою думку, найчастіше недооцінюють в оптимістичних прогнозах:

• Перенесення результатів на більший масштаб. Успіх на обмеженій, спеціально підготовленій задачі (як у квітневому кейсі Anthropic) не гарантує такого ж результату на моделях промислового масштабу з набагато складнішою й менш структурованою постановкою задач.
• Вибір цілей і пріоритизація. Найбільш стійкий і задокументований розрив — саме в здатності моделі самостійно вирішувати, яку проблему варто вирішувати першою і чому, а не лише як її вирішити.
• Вартість і час обчислень. Навіть вражаючий результат у 97% відновленого розриву коштував майже 18 000 доларів і 800 годин агентської роботи на одну відносно вузьку задачу — це поки що далеко не миттєвий чи дешевий процес.
• Оцінка якості результату. У згаданому експерименті рубрику оцінювання успіху як і раніше писала людина. Автономна, надійна самооцінка якості власних наукових висновків моделлю — окрема нерозв'язана проблема.

Чи можливий повністю автономний цикл розвитку ШІ

Чесна відповідь станом на середину 2026 року: продемонстровано окремі елементи такого циклу, але не сам замкнений цикл цілком. Моделі вже пишуть значну частину коду, який навчає наступні моделі, самостійно проєктують і проводять експерименти в чітко окреслених межах, і навіть подекуди приймають рішення на рівні окремих дослідницьких розвилок. Чого поки не задокументовано жодною з провідних лабораторій — це моделі, яка від початку до кінця самостійно обирає напрямок дослідження, формулює критерії успіху, проводить роботу і при цьому виробляє наступну модель, суттєво кращу за себе, без визначального внеску людини на кожному з цих етапів.

І OpenAI, і Anthropic, попри різну публічну риторику, по суті визнають один і той самий факт: ключова відсутня ланка — не технічна складність автоматизації окремих кроків, а автономне визначення того, які кроки взагалі варто робити. Саме тому OpenAI формулює свою мету обережно поетапно — спершу "дослідник-стажер" до вересня 2026-го, і лише потім, за оптимістичним сценарієм, повністю автономний дослідник до 2028 року (Marketing AI Institute), а не заявляє про готовий замкнений цикл вже зараз.

Часті запитання

Що таке Recursive Self-Improvement простими словами?

Це механізм, за якого ШІ-система бере участь у створенні власного наступника — розумнішої за себе версії, — і цей цикл теоретично може повторюватись зі зростаючою швидкістю.

Чи вже відбувається рекурсивне самовдосконалення ШІ?

Повністю замкненого, незалежного від людини циклу поки не задокументовано жодною провідною лабораторією. Водночас окремі елементи циклу — автоматизація коду, проведення експериментів, часткова участь у виборі наступних кроків дослідження — вже активно використовуються.

Скільки коду Anthropic пише сама Claude?

За даними компанії, станом на травень 2026 року понад 80% коду, який потрапляє в продакшн-кодову базу Anthropic, написано Claude — порівняно з одноцифровими показниками на початку 2025 року.

Чому Anthropic закликає до паузи в розробці ШІ, якщо сама демонструє такі результати?

Компанія подає ці дані не як маркетинг, а як аргумент для індустрії: якщо кілька провідних лабораторій одночасно наблизяться до порогу самовдосконалення, контрольована й скоординована пауза, на її думку, буде безпечнішою за неконтрольовану гонку.