DeepSeek Harness og Cordis: Den reversible motor bag afgrænset AI-selvforbedring

DeepSeek Harness (DSH) viser ikke, at DeepSeek har bygget et autonomt system til rekursiv selvforbedring eller opnået AGI – kunstig generel intelligens. Den mere holdbare konklusion er arkitektonisk: DSH skaber en agent-runtime, hvor værktøjer, modeltilpasninger, sessionsystemer og selve agentens arbejdssløjfe kan behandles som udskiftelige komponenter. Det gør gentagne eksperimenter sikrere og mere praktiske – netop den type grundlag, som afgrænset selvforbedring kræver. 2526

Den centrale idé: Forbedr stilladset, ikke kun modellen

Rekursiv selvforbedring kan betyde flere forskellige ting. Et system kan forbedre et konkret produkt, for eksempel en algoritme. Det kan hjælpe forskere med at udvikle en stærkere efterfølgermodel. Eller det kan ændre det genanvendelige softwarestillads, der bestemmer, hvordan en agent arbejder.

Forskning i RSI skelner mellem denne form for afgrænset selvforfinelse, der evalueres udefra, og åben, ubegrænset RSI. I sidstnævnte tilfælde ændrer systemet også selve mekanismerne eller kriterierne, der bruges til at forbedre det. 1

DSH retter sig tydeligst mod stilladslaget. I stedet for at kræve, at en agent omskriver sine neurale modelvægte, gør arkitekturen det muligt at eksperimentere med komponenterne omkring modellen: prompts, værktøjer, hukommelse, politikker, orkestrering og eksekveringssløjfer. En stærkere komponent kan installeres, testes og beholdes – eller fjernes igen, hvis den klarer sig dårligt.

Det er et meningsfuldt skridt mod en ingeniørorienteret form for RSI. Men det er ikke det samme som, at en agent selvstændigt designer en mere kapabel efterfølger, fastsætter sine egne mål eller sætter en ukontrolleret intelligenseksplosion i gang.

Sådan gør Cordis ændringer i runtime-miljøet mulige at rulle tilbage

DSH er bygget på Cordis, en plugin-runtime, som dokumentationen beskriver som baseret på »spatiotemporal composability« – på dansk omtrent komponerbarhed på tværs af tid og struktur. Frameworket håndterer to forskellige problemer, der opstår, når software ændres, mens det kører: Hvad sker der over tid, når komponenter indlæses eller fjernes? Og hvordan spiller komponenterne sammen i det aktuelle system? 1718

Temporal komponerbarhed: Sådan ophæves kontrollerede effekter

Et plugin kan ændre en fælles runtime ved at registrere ressourcer, lyttefunktioner, tjenester eller anden tilstand. I mange traditionelle pluginsystemer afhænger fjernelsen af manuelt skrevet oprydningskode. Det kan efterlade lækager eller såkaldt spøgelsestilstand – rester af en komponent, der burde være væk.

Cordis knytter i stedet ændringer i runtime-miljøet til effekter, der kan ophæves. Når en komponent fjernes, kan runtime-miljøet udføre de tilsvarende inverse operationer i den rigtige rækkefølge. Målet er ikke at køre pluginet baglæns og heller ikke at rulle alle eksterne handlinger tilbage. Målet er at genskabe den relevante runtime-struktur i en gyldig tidligere konfiguration. 2024

Det er en vigtig forskel. En rollback-mekanisme til pluginregistrering kan ikke automatisk trække en sendt e-mail tilbage, genskabe en slettet fil, fjerne en model, der er trænet på forurenede data, eller ophæve en irreversibel handling i den fysiske verden. Cordis’ reversibilitet er derfor en afgrænset softwareegenskab – ikke en universel sikkerhedsgaranti.

Spatial komponerbarhed: Afhængigheder under kontrol

Komponenter er også afhængige af hinanden. Et værktøj kan kræve et register, et hukommelsesmodul kan kræve en sessionsmanager, og en agentsløjfe kan kræve både en modeltilpasning og et værktøjsinterface.

Spatial komponerbarhed gør det muligt for komponenter at erklære disse relationer, så runtime-miljøet kan koordinere aktivering, deaktivering, udskiftning og genopretning, når leverandører eller afhængigheder ændres. Dermed kan en modulær agent omkonfigurere sig uden at behandle hele systemet som én skrøbelig blok. 1820

Tilsammen understøtter ophævelige effekter og afhængighedsbevidst komposition sikrere forsøg, udskiftning af komponenter, fejlhåndtering og transaktionelle runtime-opdateringer. Det er nyttige forudsætninger for selvforbedring, fordi de sænker omkostningen ved både at afprøve og forkaste ændringer.

Hvad DSH antyder om DeepSeeks AGI-strategi

Designet peger mod en systemorienteret vej til stadig mere generelle agenter: Gør det miljø, agenten arbejder i, så fleksibelt, at agenten kan forbedre de mekanismer, den bruger til at udføre opgaver.

Det flytter fokus væk fra modellen alene. En fast model kan i praksis blive mere kapabel, hvis den får bedre værktøjer, hukommelse, planlægning, evaluering og genoprettelse. Hvis en agent kan foreslå ændringer til disse mekanismer, teste dem mod eksterne kriterier og kun beholde de vellykkede versioner, kan forbedringen foregå i en kontrolleret sløjfe.

Men arkitekturen alene dokumenterer ikke, at DSH autonomt udfører rekursiv selvforbedring. Det tilgængelige materiale beskriver en runtime og et open source-harness – ikke en demonstreret end-to-end-sløjfe, hvor DSH selvstændigt genererer, evaluerer, udvælger og implementerer stadig mere kapable versioner af sig selv. 2526

Hvordan DSH adskiller sig fra andre RSI-relaterede initiativer

De systemer, der indgår i den bredere RSI-debat, retter sig mod forskellige lag i forbedringsprocessen. Hvis de behandles som direkte alternativer, forsvinder de tekniske forskelle, der faktisk betyder mest.

Google DeepMinds AlphaEvolve: Algoritmeudvikling med evaluatorer

AlphaEvolve er mere direkte en optimeringssløjfe. Gemini-baserede agenter foreslår ændringer i kode, automatiske evaluatorer bedømmer resultaterne, og en evolutionær proces fremmer lovende kandidater. Google beskriver systemet som anvendt til opdagelse og optimering af algoritmer, blandt andet i matematiske problemer og beregningsinfrastruktur. 2314

Dets afgørende styrke er feedback: En kandidat kan testes mod et maskinverificerbart mål. DSH er derimod først og fremmest en runtime-arkitektur til sikker sammensætning og udskiftning af komponenter. AlphaEvolve fokuserer på at udvikle løsninger; Cordis fokuserer på at gøre et kørende system sikkert at omkonfigurere.

OpenAI’s RSI Index: Måling frem for mekanisme

Det offentligt tilgængelige materiale her beskriver RSI Index som et samlet mål på tværs af AI-forsknings­evalueringer. På det grundlag er det et redskab til at følge kapabiliteter – ikke en motor, der ændrer en model eller selv kører en forbedringssløjfe. En score kan vise præstationer på udvalgte opgaver med relation til selvforbedring, men den viser ikke i sig selv, at et system autonomt forbedrer sig i drift. 3435

Indekset bør derfor sammenlignes med DSH som et målingslag, ikke som en arkitektonisk konkurrent. De offentlige kilder, der er leveret her, er ikke tilstrækkelige til selvstændigt at vurdere indeks­ets konstruktion eller betydningen af ændringer i scoren.

Anthropics automatiserede weak-to-strong-forskning: AI-forskning automatiseret

Anthropics automatiserede alignment-forskere tager fat på en anden flaskehals: Hvordan kan svagere supervision bruges til at træne eller styre en stærkere model? Systemets agenter foreslår idéer, gennemfører eksperimenter og gentager processen i forskning i weak-to-strong-supervision. 4958

Arbejdet ligger tættere på automatisering af dele af AI-forskning og alignment-evaluering end på DSH’s runtime-baserede udskiftning af komponenter. De to tilgange kan på længere sigt supplere hinanden: En forskningsagent kan opdage bedre komponenter, mens et reversibelt harness kan teste og implementere dem med kontrolleret rollback.

Anthropics bredere offentlige diskussion indeholder samtidig en vigtig reservation: Virksomheden siger, at den endnu ikke har nået fuldt autonom rekursiv selvforbedring, og at RSI ikke er uundgåelig. 59

Tencent Hyra-1.0 og MiniMax M2.7: For lidt dokumentation til en teknisk sammenligning

De leverede kilder indeholder ikke pålidelig, uafhængigt verificerbar teknisk dokumentation for Tencent’s Hyra-1.0 eller MiniMax’ M2.7. Det ville derfor være misvisende at tilskrive nogen af systemerne en bestemt RSI-arkitektur eller placere dem på samme dokumentationsmæssige grundlag som DSH, AlphaEvolve eller Anthropics offentliggjorte arbejde.

Hvorfor miljøer og feedbacksløjfer bliver AI-branchens nye frontlinje

Den vigtigste konkurrencefordel ligger i stigende grad i systemet omkring grundmodellen. Fire elementer er særligt afgørende:

1. Et kapabelt miljø. Sandboxes, kodearkiver, værktøjer, simulatorer, datasæt, beregningskraft og driftsdata afgør, hvilke eksperimenter en agent faktisk kan gennemføre.
2. Automatiseret feedback. Tests, verifikatorer, benchmarks, belønningsfunktioner og produktionsmålinger gør foreslåede ændringer til målbare eksperimenter. AlphaEvolve illustrerer værdien af at kombinere modelgenererede idéer med automatiske evaluatorer. 26
3. Mulighed for genoprettelse. Versionsstyring, isolation, sporbarhed, rollback og godkendelsesporte gør det muligt at gennemføre flere eksperimenter uden at lade én fejl skade systemet permanent. Cordis’ reversible runtime-effekter retter sig direkte mod dette lag. 1720
4. Forbedringer, der kan bygge oven på hinanden. Hvis hver cyklus gør kodning, evaluering, eksperimentering eller infrastruktur en smule bedre, kan de næste cyklusser blive hurtigere eller billigere. Den nuværende dokumentation understøtter dog tydeligere afgrænset selvforfinelse end åben, selvopretholdende RSI. 1

Derfor kan en model med lidt lavere benchmarkresultater stadig være konkurrencedygtig, hvis den arbejder i et bedre miljø med stærkere værktøjer, feedback og genoprettelse. Det er forbedringssløjfen – ikke kun modelcheckpointet – der bliver produktet.

Det uløste kontrolproblem

Muligheden for genoprettelse mindsker risikoen, men fjerner den ikke. En rollback-knap kan ikke garantere, at alle konsekvenser af en agents handlinger er synlige eller reversible. Ændringer kan påvirke data, adgangsoplysninger, eksterne tjenester, sikkerhedsgrænser eller menneskelige beslutninger uden for runtime-miljøets kontrol.

Hurtigere iteration kan også forstærke dårlige mål, specifikationssnyd, skjulte regressioner og uigennemsigtige afhængigheder. Menneskelig kontrol kræver derfor mere end teknisk rollback. Ændringer skal fortsat være synlige, kunne evalueres uafhængigt, være tilladelsesstyrede og kunne spores og reelt reverseres på tværs af hele systemet – ikke kun i plugin-grafen.

Den stærkeste konklusion er derfor nøgtern: DSH og Cordis viser, hvordan agentinfrastruktur kan designes til afgrænset og genoprettelig selvmodifikation. AlphaEvolve viser styrken ved evaluatorstyret evolution, mens Anthropics arbejde viser, hvordan AI i stigende grad kan deltage i forskning. Tilsammen dokumenterer initiativerne fremskridt mod AI-assisterede forbedringssløjfer, men ikke fuldt autonom, åben RSI eller AGI. 14959