AI News
ДІЇ НЕМАПозитивнаImpact 4/10Research🔐 Кібербезпека🏦 Фінанси і Банкінг

Шмідхубер та співавтори випустили карту самовдосконалюючих штучного інтелекту агентів

Редакція AI NewsДжерело: Все о блокчейн/мозге/space/WEB 3.0 в России и миреОпубліковано Оновлено
Все о блокчейн/мозге/space/WEB 3.0 в России и мире•4 місяці тому•2 перегляди•

Шмідхубер та його соавтори опублікували новий review, що створює таксономію самовдосконалюючих агентів та виокремлює два класи покращення: оновлення ваг моделі та оновлення скаффолдингу. Це важливо для бізнесу, бо показує шлях до повної автономії ІІ‑систем, що може зменшити потребу постійної людської налаштування та витрати на підтримку.

ВердиктПозитивнаImpact 4/10

🔬 Дослідження без продукту. Таксономія самоудосконалюючихся агентів — це карта території, а не транспорт; для компаній до 200 людей тут немає чого впроваджувати.

🎯 Чи підходить це вашому бізнесу?

Заповніть профіль компанії — і ми автоматично покажемо, чи варто вам це впроваджувати.

Заповнити профіль · 30 секунд
Детальний розбір ↓

TL;DR

  • •Шмідхубер та співавтори опублікували review «Self‑Improvements in Modern Agentic Systems».
  • •Таксономія поділяє самовдосконалення на оновлення ваг, оновлення скаффолдингу та Full Scaffolding (рекурсивне самозміщення).
  • •Приклади: Darwin Gödel Machine, AlphaEvolve, Gödel Agent.
  • •Дані не розкриті щодо продуктивності у реальних навантаженнях.
  • •Дослідження має характер чисто академічний, без готового продукту.

Як це змінить ваш ринок?

Поява systematizovanого підходу до самовдосконалюючих агентів відкриває шлях до скорочення циклів оновлення ІІ‑моделей у галузях, де важлива швидка адаптація (фінанси, логістика, виробництво). Якщо технологія дойде до стадії EARLY_ADOPTION, компанії зможуть зменшити витрати на ручну переналаштування та підвищити реакцію на зміни даних. Однак без чітких інструментів та рекомендацій ризик нестабільності залишається високим, особливо для регульованих секторів.

Додатково, впровадження таких систем може зменшити залежність від зовнішніх консультантів, оскільки агенти будуть самостійно виправляти свої слабкі місця. Це особливо цінно для стартапів з обмеженими ресурсами, які хочуть швидко ітерувати без великих витрат на людський капітал.

Визначення: Самовдосконалюючий агент — це штучний інтелектуальний систем, який змінює власну архітектуру, ваги або процедури роботи без зовнішнього втручання.


Для кого це і за яких умов

7B‑розмір моделі (як у прикладах) працює на ноутбуці з 16 GB RAM без GPU, проте для Full Scaffolding потрібна GPU 24 GB+ або еквівалентна хмарна потужність (~$0,5/год). Потрібна команда з досвідом у ML‑операціях і розумінням безпеки ІІ, мінімальний масштаб — SMB_10 (10+ співробітників) для тестування, а для продуктивного використання — MID_200 (окрема команда або бюджет $10 K/рік). Час на впровадження експериментального прототипу — 1‑2 тижні, а стабільного розгортання — 1‑3 місяці.

Для фінансових установ важливим є вимога до аудиту змін: кожне оновлення ваг або скаффолдингу повинно бути логговано і верифіковано, щоб задовольнити регуляторні стандарти. У галузі виготовлення та логістики потенційна вигода полягає в можливості агента адаптуватися до змін у постачання або попиту без простоїв.

Альтернативи

ПродуктЦінаДе працюєМін. вимогиКлючова різниця
OpenAI API (GPT‑4o)$0,03 / 1K токенівХмараІнтернет, обліковий записЗахищений, готові моделі, але без доступу до ваг
Llama 3 7B (локально)Безкоштовно (Meta ліцензія)Локально / хмараGPU 12 GB+ або CPU з достатньою RAMВідкриті ваги, але без вбудованого механізму самовдосконалення
AutoGPT (запуск через API)Вартість за токенами моделіХмара / локальноЗалежить від базової моделіАвтоматичне ланцюгове планування, але без рекурсивного самозміщення ваг
LangChain + самописний скриптРозробка власної логікиЛокально / хмараЗнання Python, доступ до моделіПовна контроль над процесом самозміщення, але потребує значичних розробницьких витратів

💬 Часті запитання

Чи можна сьогодні використовувати Full Scaffolding у продакшені?

На даний момент це експериментальний підхід; немає готових комерційних рішень, тому рекомендується тестувати лише в дослідних середовищах.

Які ресурси потрібні для запуску Darwin Gödel Machine на маленькому масштабі?

Для моделі розміром 7B достатньо ноутбука з 16 GB RAM і CPU, проте рекурсивне оновлення ваг може значно збільшити час обчислення; GPU прискорює процес.

Чи є відкриті репозиторії з кодом приведених систем?

Частина описаних алгоритмів опублікована у вигляді псевдокоду у папері; офіційних репозиторіїв на GitHub не виявлено, код зазвичай відтворюється дослідниками самостійно. **Як оцінити безпеку самовдосконалюючого агента перед впровадженням?** rебуються автоматизовані тести на інваріантності, логіка контролю версій ваг та механізми відкату; без таких заходів ризик непередбаченої поведінки залишається високим.

Чи впливає ліцензія на можливість комерційного використання таких агентів?

Якщо базова модель поширюється під permissive ліцензією (наприклад, Apache 2.0), то власні модифікації теж можуть бути комерційними; проте proprietaries моделі обмежують це, тому важливо перевіряти умови використання базової артефакту.

Підтекст

Шмідхубер (співавтор LSTM) систематизує поле, яке він сам допоміг створити. Стаття фіксує стан мистецтва на 2026 рік: більшість «агентів» сьогодні — це статичні промпти, а не системи, що переписують власний код. Рекурсивний скафолдинг (Darwin Gödel Machine, AlphaEvolve) залишається лабораторним експериментом без відкритого коду чи API.

Такий розбір щоранку о 08:00

Персональний AI-дайджест для вашої галузі — щодня у Telegram

Підписатися безкоштовно
self-improvingagentsSchmidhuberAItaxonomyrecursiveself‑modificationGödelMachine

AI Advisory Board

Навчіть вашу команду будувати такі AI-автоматизації

За 5 днів кожен співробітник побудує автоматизацію для своєї ділянки роботи.

Дізнатись більше → aiadvisoryboard.me