Коротко:
- Recursive Self-Improvement (RSI) — механізм, за якого ШІ-система бере участь у створенні наступної, розумнішої за себе версії, і цикл повторюється зі зростанням швидкості.
- У квітні 2026 року Anthropic вперше продемонструвала, як агенти на базі Claude самостійно провели відкрите дослідження з безпеки ШІ — і відновили 97% продуктивності проти 23% у двох людей-дослідників.
- Станом на травень 2026 року понад 80% коду, який потрапляє в продакшн Anthropic, написано Claude.
- Сама Anthropic наголошує: повний, незалежний від людини цикл самовдосконалення ще не продемонстровано, і не є неминучим.
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.
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).