DeepSeek Harness dan Cordis: Enjin Masa Jalan Boleh Balik untuk AI yang Memperbaiki Diri secara Terkawal

DeepSeek Harness (DSH) tidak membuktikan bahawa DeepSeek telah membina sistem penambahbaikan diri rekursif autonomi atau mencapai kecerdasan am buatan (AGI). Kepentingannya yang lebih munasabah terletak pada reka bentuk seni binanya: DSH menyediakan masa jalan ejen yang membolehkan alat, penyesuai model, pengurusan sesi dan juga gelung ejen dianggap sebagai komponen yang boleh diganti. Ini menjadikan eksperimen berulang lebih praktikal dan lebih selamat—iaitu asas yang diperlukan untuk penambahbaikan diri secara terkawal. 2526

Idea utama: memperbaiki harness, bukan model semata-mata

Istilah penambahbaikan diri rekursif, atau recursive self-improvement (RSI), boleh merujuk kepada beberapa perkara. Sesebuah sistem mungkin memperbaiki hasil tertentu seperti algoritma; membantu penyelidik membina model pengganti yang lebih kuat; atau mengubah rangka kerja boleh guna semula yang menentukan cara ejen berfungsi. Penyelidikan tentang RSI membezakan penambahbaikan kendiri yang terhad dan dinilai oleh pihak luar daripada RSI terbuka, apabila sistem turut mengubah peralatan atau kriteria yang digunakan untuk memperbaiki dirinya. 1

DSH paling jelas menyasarkan lapisan rangka kerja tersebut. Ejen tidak perlu menulis semula pemberat rangkaian neuralnya. Sebaliknya, seni bina ini membolehkannya bereksperimen dengan komponen di sekeliling model—termasuk arahan, alat, memori, polisi, penyelarasan proses dan gelung pelaksanaan. Komponen yang lebih baik boleh dipasang, diuji dan dikekalkan; komponen yang gagal pula boleh dibuang.

Ini merupakan langkah bermakna ke arah RSI berorientasikan kejuruteraan. Namun, ia tidak sama dengan ejen yang secara bebas mereka bentuk pengganti yang lebih berkemampuan, menentukan matlamatnya sendiri atau memulakan ledakan kecerdasan tanpa kawalan.

Bagaimana Cordis menjadikan perubahan masa jalan boleh dipulihkan

DSH dibina di atas Cordis, iaitu masa jalan pemalam yang dokumentasinya gambarkan sebagai berasaskan “kebolehgabungan ruang-masa” (spatiotemporal composability). Rangka kerja ini menangani dua masalah berbeza apabila perisian berubah ketika sedang berjalan: apa yang berlaku dari segi masa apabila komponen dimuatkan atau dikeluarkan, dan bagaimana komponen saling berinteraksi dalam sistem semasa. 1718

Kebolehgabungan temporal: membatalkan kesan yang diuruskan

Sesuatu pemalam boleh mengubah masa jalan bersama dengan mendaftarkan sumber, pendengar acara, perkhidmatan atau keadaan lain. Dalam sistem pemalam biasa, proses membuang pemalam sering bergantung pada kod pembersihan yang ditulis secara manual. Jika kod itu tidak lengkap, kebocoran atau keadaan “hantu” boleh kekal dalam sistem.

Cordis sebaliknya mengaitkan perubahan masa jalan dengan kesan yang boleh dibalikkan. Apabila sesuatu komponen dikeluarkan, masa jalan boleh melaksanakan operasi songsang yang sepadan mengikut urutan yang sesuai. Matlamatnya bukan menjalankan pemalam secara terbalik, dan bukan juga membatalkan semua tindakan luaran yang dilakukan oleh ejen. Matlamatnya ialah memulihkan struktur masa jalan yang berkaitan kepada konfigurasi terdahulu yang sah. 2024

Perbezaan ini penting. Mekanisme rollback untuk pendaftaran pemalam tidak boleh secara automatik membatalkan e-mel yang telah dihantar, fail yang telah dipadam, model yang telah dilatih menggunakan data tercemar atau tindakan yang tidak boleh dipulihkan dalam dunia fizikal. Jadi, kebolehbalikan Cordis ialah ciri perisian yang terhad—bukan jaminan keselamatan sejagat.

Kebolehgabungan spatial: mengurus kebergantungan

Komponen juga saling bergantung. Sesuatu alat mungkin memerlukan daftar alat; modul memori mungkin memerlukan pengurus sesi; manakala gelung ejen mungkin memerlukan penyesuai model dan antara muka alat.

Kebolehgabungan spatial membolehkan komponen mengisytiharkan hubungan tersebut. Masa jalan kemudiannya boleh menyelaras pengaktifan, penyahaktifan, penggantian dan pemulihan apabila penyedia atau kebergantungan berubah. Inilah yang membolehkan ejen modular dikonfigurasi semula tanpa menganggap seluruh sistem sebagai satu blok rapuh. 1820

Gabungan kesan boleh balik dan gubahan yang peka terhadap kebergantungan menyokong percubaan yang lebih selamat, penggantian komponen, pemulihan daripada kegagalan dan kemas kini masa jalan secara transaksi. Keupayaan ini berguna sebagai prasyarat penambahbaikan diri kerana ia mengurangkan kos untuk mencuba—dan menolak—perubahan calon.

Apa yang DSH isyaratkan tentang strategi AGI DeepSeek

Reka bentuk ini mencadangkan laluan berorientasikan sistem ke arah ejen yang semakin umum: bina persekitaran pelaksanaan yang cukup mudah diubah supaya ejen boleh memperbaiki mekanisme yang digunakannya untuk menyelesaikan tugasan.

Pendekatan itu mengalihkan perhatian daripada model semata-mata. Model yang sama boleh menjadi lebih berkeupayaan dalam amalan apabila dibekalkan alat, memori, perancangan, penilaian dan mekanisme pemulihan yang lebih baik. Jika ejen boleh mencadangkan perubahan pada mekanisme tersebut, mengujinya berdasarkan kriteria luaran dan hanya mengekalkan versi yang berjaya, penambahbaikan boleh berlaku dalam gelung yang terkawal.

Namun, seni bina itu sendiri tidak membuktikan bahawa DSH menjalankan penambahbaikan diri rekursif secara autonomi. Bukti yang tersedia menerangkan sebuah masa jalan dan harness sumber terbuka, bukannya gelung hujung ke hujung yang telah ditunjukkan secara terbuka, di mana DSH secara bebas menjana, menilai, memilih dan menggunakan versi dirinya yang semakin berkemampuan. 2526

Perbandingan dengan usaha berkaitan RSI

Sistem yang sering dibincangkan dalam perdebatan RSI menyasarkan lapisan berbeza dalam proses penambahbaikan. Menganggap semuanya sebagai pengganti langsung akan mengaburkan perbezaan teknikal yang penting.

AlphaEvolve Google DeepMind: evolusi algoritma dipacu penilai

AlphaEvolve lebih hampir kepada gelung pengoptimuman secara langsung. Ejen berasaskan Gemini mencadangkan perubahan pada kod, penilai automatik memberikan skor dan proses evolusi memilih calon yang menjanjikan. Google menerangkan penggunaannya untuk penemuan serta pengoptimuman algoritma, termasuk masalah matematik dan infrastruktur pengkomputeran. 2314

Kekuatan utamanya ialah maklum balas: calon boleh diuji berdasarkan objektif yang boleh disemak oleh mesin. DSH pula terutama sekali ialah seni bina masa jalan untuk menggubah dan menggantikan komponen dengan selamat. AlphaEvolve menumpukan pada evolusi penyelesaian; Cordis menumpukan pada menjadikan sistem yang sedang berjalan mudah dikonfigurasi semula dengan pemulihan.

RSI Index OpenAI: ukuran, bukan mekanisme

Bahan awam yang tersedia di sini menggambarkan RSI Index sebagai ukuran agregat merentas penilaian penyelidikan AI. Berdasarkan penerangan itu, ia ialah alat menjejaki keupayaan, bukannya enjin yang mengubah model atau menjalankan gelung penambahbaikan. Skor boleh menunjukkan prestasi dalam tugasan berkaitan penambahbaikan diri, tetapi skor itu sendiri tidak membuktikan bahawa sistem sedang memperbaiki dirinya secara autonomi ketika digunakan. 3435

Oleh itu, RSI Index lebih wajar dibandingkan dengan DSH sebagai lapisan pengukuran, bukan sebagai pesaing seni bina. Bukti awam yang diberikan juga belum mencukupi untuk menilai secara bebas pembinaan indeks itu atau maksud perubahan pada skornya.

Penyelidikan lemah-ke-kuat automatik Anthropic: mengautomasikan penyelidikan AI

Penyelidik penjajaran automatik Anthropic menangani kesesakan yang berbeza: bagaimana menggunakan penyeliaan yang lebih lemah untuk melatih atau membimbing model yang lebih kuat. Ejen sistem itu mencadangkan idea, menjalankan eksperimen dan mengulangi kajian tentang penyeliaan lemah-ke-kuat. 4958

Usaha ini lebih dekat kepada pengautomatan sebahagian penyelidikan AI dan penilaian penjajaran berbanding penggantian komponen pada tahap masa jalan DSH. Kedua-dua pendekatan itu berpotensi saling melengkapi: ejen penyelidikan mungkin menemui komponen yang lebih baik, manakala harness boleh balik boleh menguji dan menggunakannya dengan keupayaan pemulihan yang terkawal.

Perbincangan awam Anthropic yang lebih luas turut memberikan satu pengecualian penting: syarikat itu menyatakan bahawa mereka belum mencapai RSI yang sepenuhnya autonomi dan RSI bukan sesuatu yang pasti berlaku. 59

Tencent Hyra-1.0 dan MiniMax M2.7: bukti teknikal belum mencukupi

Sumber yang diberikan tidak menyediakan dokumentasi teknikal yang boleh dipercayai dan disahkan secara bebas tentang Hyra-1.0 Tencent atau M2.7 MiniMax. Maka, adalah mengelirukan untuk menetapkan seni bina RSI tertentu kepada mana-mana sistem berkenaan atau meletakkannya pada kedudukan bukti yang sama dengan DSH, AlphaEvolve atau hasil terbitan Anthropic.

Mengapa persekitaran dan gelung maklum balas menjadi medan persaingan baharu

Aset persaingan utama semakin berganjak kepada sistem di sekeliling model asas. Empat unsur paling penting ialah:

1. Persekitaran yang berkeupayaan. Kotak pasir, repositori, alat, simulator, set data, sumber pengkomputeran dan telemetri penggunaan menentukan eksperimen yang benar-benar boleh dilakukan oleh ejen.
2. Maklum balas automatik. Ujian, pengesah, penanda aras, fungsi ganjaran dan metrik pengeluaran menukar cadangan perubahan kepada eksperimen yang boleh diukur. AlphaEvolve menunjukkan nilai menggabungkan idea yang dijana model dengan penilai automatik. 26
3. Kebolehpulihan. Pemversian, pengasingan, jejak asal, rollback dan pintu kelulusan membolehkan organisasi menjalankan lebih banyak eksperimen tanpa membiarkan satu kegagalan merosakkan sistem secara kekal. Kesan masa jalan boleh balik Cordis secara langsung menangani lapisan ini. 1720
4. Iterasi yang semakin berkesan. Jika setiap kitaran memperbaiki pengekodan, penilaian, eksperimen atau infrastruktur, kitaran seterusnya mungkin menjadi lebih pantas atau lebih murah. Namun, bukti semasa lebih jelas menyokong penambahbaikan kendiri yang terhad berbanding RSI terbuka yang berkekalan dengan sendirinya. 1

Sebab itu model yang sedikit lebih rendah prestasinya dalam penanda aras masih boleh bersaing jika beroperasi dalam persekitaran yang lebih baik, dengan alat, maklum balas dan pemulihan yang lebih kukuh. Produk sebenar bukan lagi hanya titik semak model—tetapi gelung penambahbaikan di sekelilingnya.

Masalah kawalan yang masih belum selesai

Kebolehpulihan mengurangkan risiko, tetapi tidak menghapuskannya. Butang rollback tidak menjamin bahawa setiap akibat tindakan ejen dapat dilihat atau dibatalkan. Perubahan mungkin mempengaruhi data, kelayakan akses, perkhidmatan luaran, sempadan keselamatan atau keputusan manusia di luar kawalan masa jalan.

Iterasi yang lebih pantas juga boleh memperbesar kesan matlamat yang buruk, permainan spesifikasi, kemerosotan tersembunyi dan kebergantungan yang sukar difahami. Kawalan manusia memerlukan lebih daripada pemulihan teknikal. Perubahan perlu kekal boleh diperhatikan, dinilai secara bebas, diberi kebenaran, dijejak kepada pihak yang bertanggungjawab dan benar-benar boleh dibatalkan merentas keseluruhan sistem—bukan hanya dalam graf pemalam.

Kesimpulan paling kukuh perlu dibuat dengan berhati-hati: DSH dan Cordis menunjukkan bagaimana infrastruktur ejen boleh direka untuk pengubahsuaian diri yang terhad dan boleh dipulihkan. AlphaEvolve pula menunjukkan kuasa evolusi yang dipacu penilai, manakala usaha Anthropic menunjukkan bagaimana AI semakin boleh menyertai penyelidikan. Kesemuanya menandakan kemajuan ke arah gelung penambahbaikan berbantukan AI, tetapi belum membuktikan RSI terbuka yang sepenuhnya autonomi atau AGI. 14959