DeepSeek Harness a Cordis: vratitelné prostředí pro řízené sebezdokonalování AI

DeepSeek Harness (DSH) neprokazuje, že DeepSeek vytvořil autonomní systém rekurzivního sebezdokonalování ani že dosáhl obecné umělé inteligence (AGI). Jeho přesvědčivější význam je architektonický: DSH vytváří běhové prostředí pro agenty, v němž lze nástroje, adaptéry modelů, práci se sezeními a dokonce i samotnou agentní smyčku chápat jako vyměnitelné komponenty. Opakované experimentování je díky tomu praktičtější a bezpečnější — právě takový základ řízené sebezdokonalování potřebuje. 2526

Hlavní myšlenka: zdokonalovat prostředí, ne jen model

Rekurzivní sebezdokonalování může označovat několik odlišných procesů. Systém může vylepšovat konkrétní výstup, například algoritmus, pomáhat výzkumníkům vytvořit silnější nástupnický model nebo upravovat znovupoužitelnou infrastrukturu, která určuje, jak agent funguje. Výzkum RSI rozlišuje takové omezené a externě vyhodnocované zdokonalování od otevřeného RSI, při němž systém mění také mechanismy či kritéria, podle nichž se sám zlepšuje. 1

DSH podle dostupných podkladů míří především na vrstvu infrastruktury. Agent nemusí přepisovat své neuronové váhy — může experimentovat s komponentami kolem modelu: s prompty, nástroji, pamětí, pravidly, orchestracé a prováděcí smyčkou. Lepší komponentu lze nainstalovat, otestovat a ponechat, případně ji při špatných výsledcích odstranit.

Jde o významný krok k inženýrsky pojatému RSI. Není to však totéž jako agent, který sám navrhne výrazně schopnějšího nástupce, určí si vlastní cíle nebo spustí nekontrolovanou explozi inteligence.

Jak Cordis umožňuje vratné změny za běhu

DSH je postaven na Cordisu, pluginovém runtime, který dokumentace popisuje pomocí „časoprostorové kompozability“. Framework řeší dva problémy vznikající při změnách softwaru za běhu: co se děje v čase při načítání a odebírání komponent a jak spolu komponenty v aktuálním systému vzájemně souvisejí. 1718

Časová kompozabilita: jak vracet spravované změny

Plugin může změnit sdílené běhové prostředí — například registrovat zdroje, posluchače událostí či služby nebo upravit stav. V běžném pluginovém systému závisí odstranění často na ručně napsaném úklidovém kódu. Ten může selhat a zanechat úniky zdrojů nebo takzvaný přízračný stav.

Cordis místo toho spojuje změny v runtime s vratnými účinky. Když je komponenta odstraněna, runtime může ve správném pořadí provést odpovídající opačné operace. Cílem není spustit plugin pozpátku ani vrátit každý vnější krok, který agent provedl. Jde o obnovu příslušné struktury runtime do platné předchozí konfigurace. 2024

To je důležité omezení. Mechanismus pro vrácení registrace pluginu automaticky neodvolá odeslaný e-mail, nesmaže zpět už smazaný soubor, nevrátí trénink modelu na kontaminovaných datech ani nezvrátí nevratný zásah ve fyzickém světě. Vratnost Cordisu je proto omezená vlastnost softwaru, nikoli univerzální bezpečnostní záruka.

Prostorová kompozabilita: správa závislostí

Komponenty jsou zároveň na sobě závislé. Nástroj může potřebovat registr, modul paměti správce sezení a agentní smyčka adaptér modelu i rozhraní nástrojů.

Prostorová kompozabilita umožňuje tyto vztahy deklarovat. Runtime pak může koordinovat aktivaci, deaktivaci, nahrazení a obnovu ve chvíli, kdy se poskytovatelé nebo závislosti změní. Modulární agent se tak může překonfigurovat, aniž by celý systém fungoval jako jeden křehký blok. 1820

Vratné účinky společně se správou závislostí podporují bezpečnější testování, výměnu komponent, zotavení po selhání a transakční změny runtime. Pro sebezdokonalování je to užitečný předpoklad: snižuje cenu pokusů — i cenu jejich odmítnutí.

Co DSH naznačuje o přístupu DeepSeeku k AGI

Architektura naznačuje systémově orientovanou cestu k obecnějším agentům: vytvořit dostatečně tvárné prostředí, v němž agent dokáže zlepšovat mechanismy, pomocí kterých pracuje.

Pozornost se tím přesouvá od samotného modelu k celému systému. I neměnný model může být v praxi schopnější, pokud dostane lepší nástroje, paměť, plánování, vyhodnocování a mechanismy obnovy. Pokud agent dokáže navrhovat změny těchto mechanismů, testovat je podle externích kritérií a ponechat pouze úspěšné verze, může se zlepšovat v kontrolované smyčce.

Samotná architektura však nepotvrzuje, že DSH autonomně provádí rekurzivní sebezdokonalování. Dostupné podklady popisují runtime a open-source harness, nikoli předvedenou end-to-end smyčku, v níž DSH sám generuje, vyhodnocuje, vybírá a nasazuje stále schopnější verze sebe sama. 2526

Jak si DSH stojí vedle dalších projektů spojených s RSI

Projekty diskutované v souvislosti s RSI cílí na různé vrstvy procesu zlepšování. Považovat je za přímé alternativy by zakrylo podstatné technické rozdíly.

AlphaEvolve od Google DeepMind: evoluce algoritmů řízená hodnotiteli

AlphaEvolve je příměji zaměřený optimalizační cyklus. Agenti využívající modely Gemini navrhují změny kódu, automatické hodnoticí nástroje výsledky obodují a evoluční proces posouvá dál slibné kandidáty. Google popisuje využití systému při objevování a optimalizaci algoritmů, včetně matematických úloh a výpočetní infrastruktury. 2314

Jeho hlavní předností je zpětná vazba: kandidáta lze otestovat proti strojově ověřitelnému cíli. DSH je naproti tomu především runtime architektura pro bezpečné skládání a výměnu komponent. AlphaEvolve se soustředí na evoluci řešení, Cordis na bezpečnou rekonfiguraci běžícího systému.

RSI Index od OpenAI: měření, nikoli mechanismus

Veřejně dostupné podklady zde popisují RSI Index jako souhrnný ukazatel založený na více hodnoceních AI výzkumu. V tomto pojetí jde o nástroj pro sledování schopností, nikoli o mechanismus, který sám upravuje model nebo spouští zlepšovací smyčku. Skóre může naznačit výkon v určitých úlohách spojených se sebezdokonalováním, samo o sobě však neprokazuje, že se systém autonomně zlepšuje v nasazení. 3435

Ve srovnání s DSH je proto vhodnější chápat RSI Index jako měřicí vrstvu, nikoli jako architektonického soupeře. Veřejné důkazy dodané pro toto srovnání navíc nestačí k nezávislému posouzení konstrukce indexu ani významu změn jeho skóre.

Automatizovaný výzkum Anthropic: od slabého do silného dohledu

Automatizovaní výzkumníci společnosti Anthropic řeší jinou překážku: jak využít slabší dohled k trénování nebo vedení silnějšího modelu. Agenti navrhují nápady, provádějí experimenty a iterují na výzkumu takzvaného dohledu „weak-to-strong“, tedy od slabšího k silnějšímu systému. 4958

Tento směr je blíže automatizaci částí AI výzkumu a hodnocení souladu než výměně komponent na úrovni runtime, kterou řeší DSH. Do budoucna se oba přístupy mohou doplňovat: výzkumný agent může objevit lepší komponenty, zatímco vratný harness je může kontrolovaně otestovat a nasadit s možností návratu.

Širší veřejná diskuse Anthropic zároveň obsahuje důležitou výhradu: společnost uvádí, že k plně autonomnímu rekurzivnímu sebezdokonalování zatím nedospěla a že RSI není nevyhnutelné. 59

Tencent Hyra-1.0 a MiniMax M2.7: pro technické srovnání chybí dostatek důkazů

Dodané zdroje neposkytují spolehlivou a nezávisle ověřitelnou technickou dokumentaci k systémům Tencent Hyra-1.0 a MiniMax M2.7. Bylo by proto zavádějící připisovat kterémukoli z nich konkrétní architekturu RSI nebo je stavět na stejnou důkazní úroveň jako DSH, AlphaEvolve či publikovanou práci Anthropic.

Proč se prostředí a zpětné smyčky stávají novým bojištěm

Stále důležitějším konkurenčním aktivem je systém kolem základního modelu. Nejvíce záleží na čtyřech prvcích:

1. Schopné prostředí. Sandboxy, repozitáře, nástroje, simulátory, datové sady, výpočetní kapacita a telemetrie z nasazení určují, jaké experimenty může agent skutečně provádět.
2. Automatická zpětná vazba. Testy, verifikátory, benchmarky, odměnové funkce a produkční metriky převádějí navržené změny na měřitelné experimenty. AlphaEvolve ukazuje hodnotu spojení nápadů generovaných modelem s automatickými hodnotiteli. 26
3. Možnost obnovy. Verzionování, izolace, provenance neboli dohledatelný původ změn, návrat k předchozí verzi a schvalovací brány umožňují provádět více experimentů, aniž by jediné selhání trvale poškodilo systém. Vratné účinky Cordisu míří přímo na tuto vrstvu. 1720
4. Kumulace iterací. Pokud každý cyklus zlepší programování, vyhodnocování, experimentování nebo infrastrukturu, mohou být další cykly rychlejší či levnější. Současné důkazy však přesvědčivěji podporují omezené sebezdokonalování než otevřené a samoudržující se RSI. 1

Proto může být v praxi konkurenceschopný i model s o něco slabšími výsledky v benchmarku, pokud funguje v lepším prostředí s kvalitnějšími nástroji, zpětnou vazbou a obnovou. Produktem se stává zlepšovací smyčka — nejen samotný checkpoint modelu.

Nevyřešený problém kontroly

Možnost návratu snižuje riziko, ale neodstraňuje ho. Tlačítko pro rollback nezaručí, že každý důsledek jednání agenta bude pozorovatelný nebo vratný. Změny mohou ovlivnit data, přístupové údaje, externí služby, bezpečnostní hranice nebo rozhodnutí lidí mimo kontrolu runtime.

Rychlejší iterace může navíc zesílit špatně zadané cíle, obcházení specifikací, skryté regrese, bezpečnostní chyby a neprůhledné závislosti. Lidská kontrola proto vyžaduje víc než technickou možnost návratu. Změny musí zůstat pozorovatelné, nezávisle vyhodnotitelné, oprávněné, dohledatelné a skutečně vratné napříč celým systémem — nejen uvnitř grafu pluginů.

Nejpevnější závěr je proto střízlivý: DSH a Cordis ukazují, jak navrhnout infrastrukturu agentů pro omezenou a obnovitelnou sebe-modifikaci. AlphaEvolve demonstruje sílu evoluce řízené hodnotiteli a práce Anthropic ukazuje, jak se AI může stále více zapojovat do výzkumu. Společně tyto směry představují pokrok k AI-asistovaným zlepšovacím smyčkám, nikoli však důkaz plně autonomního, otevřeného RSI nebo AGI. 14959