DeepSeek Harness i Cordis: odwracalne środowisko dla kontrolowanego samodoskonalenia AI

DeepSeek Harness (DSH) nie pokazuje, że DeepSeek stworzył autonomiczny system rekurencyjnego samodoskonalenia ani że osiągnął AGI. Jego bardziej uzasadnione znaczenie jest architektoniczne: DSH tworzy środowisko uruchomieniowe agentów, w którym narzędzia, adaptery modeli, obsługa sesji, a nawet sama pętla agenta mogą być wymiennymi komponentami. Dzięki temu wielokrotne eksperymentowanie staje się bezpieczniejsze i łatwiejsze do wdrożenia — a właśnie taka infrastruktura jest potrzebna do kontrolowanego samodoskonalenia. 2526

Najważniejsza zmiana: ulepszanie „uprzęży”, nie tylko modelu

Rekurencyjne samodoskonalenie może oznaczać kilka różnych rzeczy. System może poprawiać konkretny artefakt, na przykład algorytm; pomagać badaczom tworzyć silniejszy model następczy; albo modyfikować wielokrotnie wykorzystywane zaplecze, które określa sposób działania agenta. Badania nad RSI odróżniają takie ograniczone, oceniane zewnętrznie doskonalenie od otwartego RSI, w którym system zmienia również mechanizmy lub kryteria własnego ulepszania. 1

DSH najwyraźniej koncentruje się na warstwie zaplecza. Agent nie musi przepisywać własnych wag neuronowych. Zamiast tego może eksperymentować z elementami otaczającymi model: promptami, narzędziami, pamięcią, politykami działania, orkiestracją oraz pętlami wykonawczymi. Lepszy komponent można zainstalować, przetestować i zachować — albo usunąć, jeśli wyniki okażą się słabe.

To istotny krok w stronę inżynierskiego RSI, ale nie to samo co samodzielne zaprojektowanie przez agenta bardziej zdolnego następcy, ustalenie własnych celów czy uruchomienie niekontrolowanej „eksplozji inteligencji”.

Jak Cordis pozwala cofać zmiany w działającym systemie

DSH opiera się na Cordis — środowisku uruchomieniowym wtyczek, które dokumentacja opisuje jako system „kompozycyjności czasoprzestrzennej”. Framework odpowiada na dwa problemy pojawiające się wtedy, gdy oprogramowanie zmienia się w trakcie działania: co dzieje się w czasie ładowania i usuwania komponentów oraz jak komponenty współdziałają w bieżącej konfiguracji systemu. 1718

Kompozycyjność temporalna: cofanie zarządzanych efektów

Wtyczka może zmienić współdzielone środowisko, rejestrując zasoby, odbiorniki zdarzeń, usługi lub inne elementy stanu. W zwykłym systemie wtyczek ich usunięcie często zależy od ręcznie napisanego kodu sprzątającego. Taki kod może jednak pozostawić wycieki zasobów lub „duchowy” stan po odłączonym komponencie.

Cordis wiąże zmiany w środowisku uruchomieniowym z odwracalnymi efektami. Gdy komponent zostaje usunięty, środowisko może wykonać odpowiadające im operacje odwrotne, we właściwej kolejności. Nie chodzi o uruchomienie wtyczki od końca ani o cofnięcie każdej zewnętrznej czynności wykonanej przez agenta. Celem jest przywrócenie odpowiedniej struktury środowiska do poprawnej wcześniejszej konfiguracji. 2024

To rozróżnienie ma kluczowe znaczenie. Mechanizm wycofywania rejestracji wtyczek nie cofnie automatycznie wysłanego e-maila, usuniętego pliku, wytrenowania modelu na skażonych danych ani nieodwracalnego działania w świecie fizycznym. Odwracalność Cordis jest więc ograniczoną właściwością oprogramowania, a nie uniwersalną gwarancją bezpieczeństwa.

Kompozycyjność przestrzenna: zarządzanie zależnościami

Komponenty zależą także od siebie nawzajem. Narzędzie może wymagać rejestru, moduł pamięci — menedżera sesji, a pętla agenta — adaptera modelu i interfejsu narzędzi.

Kompozycyjność przestrzenna pozwala komponentom deklarować takie relacje. Dzięki temu środowisko może koordynować aktywację, dezaktywację, wymianę i odzyskiwanie sprawności, gdy dostawcy usług lub zależności zmieniają się. Modułowy agent może rekonfigurować się bez traktowania całego systemu jako jednego, kruchego bloku. 1820

Połączenie odwracalnych efektów ze świadomym zarządzaniem zależnościami ułatwia bezpieczniejsze próby, wymianę komponentów, odzyskiwanie po awarii i transakcyjne aktualizacje działającego środowiska. To przydatne warunki wstępne samodoskonalenia: obniżają koszt wypróbowania kandydata, a następnie odrzucenia go, jeśli nie spełni oczekiwań.

Co DSH mówi o strategii DeepSeek w drodze do AGI

Projekt sugeruje systemową drogę do coraz bardziej uniwersalnych agentów: środowisko wykonawcze ma być na tyle podatne na zmiany, aby agent mógł ulepszać mechanizmy, za pomocą których wykonuje zadania.

Takie podejście przesuwa uwagę z samego modelu na cały system. Nawet niezmieniony model może działać lepiej, jeśli otrzyma skuteczniejsze narzędzia, pamięć, planowanie, ewaluację i mechanizmy odzyskiwania po błędach. Jeżeli agent potrafi zaproponować zmiany tych mechanizmów, sprawdzić je według zewnętrznych kryteriów i zachować tylko udane wersje, doskonalenie może przebiegać w kontrolowanej pętli.

Sama architektura nie dowodzi jednak, że DSH autonomicznie realizuje rekurencyjne samodoskonalenie. Dostępne materiały opisują środowisko uruchomieniowe i otwarty harness, a nie zademonstrowaną pętlę end-to-end, w której DSH samodzielnie generuje, ocenia, wybiera i wdraża coraz bardziej zdolne wersje samego siebie. 2526

DSH na tle innych projektów związanych z RSI

Systemy omawiane w szerszej debacie o RSI celują w różne warstwy procesu doskonalenia. Traktowanie ich jako bezpośrednich zamienników zaciera najważniejsze różnice techniczne.

AlphaEvolve Google DeepMind: ewolucja algorytmów sterowana przez ewaluatory

AlphaEvolve jest bardziej bezpośrednio pętlą optymalizacyjną. Agenci wykorzystujący modele Gemini proponują zmiany w kodzie, automatyczne ewaluatory oceniają rezultaty, a proces ewolucyjny promuje obiecujących kandydatów. Google opisuje zastosowania systemu do odkrywania i optymalizacji algorytmów, między innymi w problemach matematycznych i infrastrukturze obliczeniowej. 2314

Największą siłą AlphaEvolve jest informacja zwrotna: kandydata można sprawdzić względem celu, który da się zweryfikować maszynowo. DSH jest natomiast przede wszystkim architekturą środowiska, która umożliwia bezpieczne komponowanie i wymianę komponentów. AlphaEvolve skupia się na ewolucji rozwiązań, a Cordis — na bezpiecznej rekonfiguracji działającego systemu.

RSI Index OpenAI: pomiar, nie mechanizm

Dostępne tutaj materiały opisują RSI Index jako zagregowany wynik zestawu ewaluacji badań nad AI. W tym ujęciu jest to narzędzie śledzenia zdolności, a nie silnik, który sam modyfikuje model lub uruchamia pętlę doskonalenia. Wynik może wskazywać osiągi w wybranych zadaniach związanych z samodoskonaleniem, ale sam w sobie nie dowodzi, że system autonomicznie poprawia się podczas wdrożenia. 3435

Index należy więc porównywać z DSH jako warstwę pomiarową, a nie jako konkurencyjną architekturę. Dostarczone publiczne materiały nie wystarczają do niezależnej oceny konstrukcji indeksu ani znaczenia zmian jego wyników.

Automatyczne badania weak-to-strong firmy Anthropic

Automatyczni badacze zgodności tworzeni przez Anthropic próbują rozwiązać inny problem: jak wykorzystać słabszy nadzór do trenowania lub prowadzenia silniejszego modelu. Agenci proponują pomysły, przeprowadzają eksperymenty i iterują nad badaniami dotyczącymi nadzoru weak-to-strong, czyli sytuacji, w której słabszy model pomaga kształtować zachowanie silniejszego. 4958

To podejście jest bliższe automatyzacji części badań nad AI i ewaluacji zgodności niż wymianie komponentów na poziomie środowiska DSH. W przyszłości oba kierunki mogą się uzupełniać: agent badawczy mógłby odkrywać lepsze komponenty, a odwracalny harness testowałby je i wdrażał z możliwością kontrolowanego wycofania.

Szersza publiczna wypowiedź Anthropic zawiera przy tym ważne zastrzeżenie: firma twierdzi, że nie osiągnęła jeszcze w pełni autonomicznego rekurencyjnego samodoskonalenia i że RSI nie jest nieuniknione. 59

Tencent Hyra-1.0 i MiniMax M2.7: za mało danych do porównania

Dostarczone źródła nie zawierają wiarygodnej, niezależnie weryfikowalnej dokumentacji technicznej dotyczącej Hyra-1.0 firmy Tencent ani M2.7 firmy MiniMax. Przypisywanie któremukolwiek z tych systemów konkretnej architektury RSI lub stawianie ich na tym samym poziomie dowodowym co DSH, AlphaEvolve czy opublikowane prace Anthropic byłoby więc mylące.

Dlaczego środowiska i pętle informacji zwrotnej stają się nowym polem rywalizacji

Coraz ważniejszym zasobem konkurencyjnym jest system zbudowany wokół modelu bazowego. Największe znaczenie mają cztery elementy:

1. Wydajne środowisko. Piaskownice, repozytoria, narzędzia, symulatory, zbiory danych, moc obliczeniowa i telemetria wdrożeń określają, jakie eksperymenty agent może faktycznie przeprowadzić.
2. Automatyczna informacja zwrotna. Testy, weryfikatory, benchmarki, funkcje nagrody i metryki produkcyjne zamieniają proponowane zmiany w mierzalne eksperymenty. AlphaEvolve pokazuje wartość połączenia pomysłów generowanych przez model z automatycznymi ewaluatorami. 26
3. Możliwość odzyskania stanu. Wersjonowanie, izolacja, śledzenie pochodzenia zmian, wycofywanie i bramki akceptacji pozwalają przeprowadzać więcej prób bez ryzyka, że pojedyncza porażka trwale uszkodzi system. Odwracalne efekty Cordis bezpośrednio odpowiadają na tę potrzebę. 1720
4. Kumulacja kolejnych iteracji. Jeśli każdy cykl poprawia kodowanie, ewaluację, eksperymentowanie lub infrastrukturę, następne cykle mogą stawać się szybsze albo tańsze. Obecne dowody wyraźniej potwierdzają jednak ograniczone samodoskonalenie niż otwarte, samonapędzające się RSI. 1

Dlatego model osiągający nieco słabsze wyniki na benchmarkach może mimo wszystko konkurować, jeśli działa w lepszym środowisku — z mocniejszymi narzędziami, informacją zwrotną i mechanizmami odzyskiwania. Produktem staje się nie tylko checkpoint modelu, lecz cała pętla doskonalenia.

Nierozwiązany problem kontroli

Możliwość odzyskania stanu ogranicza ryzyko, ale go nie eliminuje. Przycisk „cofnij” nie gwarantuje, że każdy skutek działania agenta jest obserwowalny lub odwracalny. Zmiany mogą dotyczyć danych, poświadczeń, zewnętrznych usług, granic bezpieczeństwa albo decyzji ludzi pozostających poza kontrolą środowiska uruchomieniowego.

Szybsze iteracje mogą także wzmacniać błędne cele, obchodzenie specyfikacji, ukryte regresje i nieprzejrzyste zależności. Kontrola człowieka wymaga zatem więcej niż technicznego rollbacku. Zmiany muszą pozostać obserwowalne, niezależnie ocenialne, objęte uprawnieniami, możliwe do przypisania konkretnemu działaniu i rzeczywiście odwracalne w całym systemie — nie tylko w grafie wtyczek.

Najmocniejszy wniosek powinien być wyważony: DSH i Cordis pokazują, jak projektować infrastrukturę agentów pod kątem ograniczonej i możliwej do odzyskania samomodyfikacji. AlphaEvolve demonstruje siłę ewolucji sterowanej przez ewaluatory, a prace Anthropic pokazują, że AI może coraz aktywniej uczestniczyć w badaniach. Razem projekty te świadczą o postępie w kierunku pętli doskonalenia wspomaganego przez AI, ale nie potwierdzają jeszcze w pełni autonomicznego, otwartego RSI ani AGI. 14959