ОтветыОпубликовано19 источники
Самоулучшающийся ИИ: почему важна не только модель, но и система вокруг неё
По состоянию на 31 октября 2026 года наиболее убедительные примеры связаны с улучшением систем вокруг моделей: инфраструктуры для вывода, агентных оболочек и сред обучения. Пятиуровневая схема помогает отличить выполнение заданных людьми улучшений от самостоятельного выбора того, что менять, и перестройки самого про...
ОпубликовалОтредактировано с помощью GPT-6 LunaИзображения созданы с помощью GPT Image 2
Ответ на исследование
Ключевые выводы
- По состоянию на 31 октября 2026 года наиболее убедительные примеры связаны с улучшением систем вокруг моделей: инфраструктуры для вывода, агентных оболочек и сред обучения.
- Пятиуровневая схема помогает отличить выполнение заданных людьми улучшений от самостоятельного выбора того, что менять, и перестройки самого процесса улучшения.
- Публикации о росте производительности и новых инструментах сами по себе не подтверждают, что ИИ способен автономно оценивать результаты и надёжно строить собственных преемников.
Промпт ИИ
openai.comCreate a landscape editorial hero image for this Studio Global article: As of October 31, 2026, how are China’s AI labs pursuing recursive self-improvement by improving the machinery around models rather than rew. Article summary: The direction described in your question is system-level self-improvement: agents improve the software, environments and workflows used to run agents and develop successor models, rather than directly editing their own w. Topic tags: general, documentation, general web, academic, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, w
Рекурсивное самоулучшение не обязательно означает, что модель переписывает собственные веса. Агент может менять программы, инструменты, среды и рабочие процессы, с помощью которых запускают и совершенствуют ИИ. Такой подход заметен в ряде описанных китайских проектов, однако доступные данные позволяют говорить лишь о более ограниченной автоматизации, а не о том, что ИИ уже самостоятельно создаёт себе всё более сильных преемников.
Что считать рекурсивным улучшением
Изменить промпт или написать фрагмент кода — ещё не значит запустить рекурсивное самоулучшение. Более строгий критерий таков: система вносит устойчивое изменение в процесс, который производит следующие улучшения, и следующий цикл уже использует этот улучшенный процесс.
Исследование самоулучшающихся агентных оболочек описывает цикл из трёх этапов: агент ищет слабые места в журналах выполнения, предлагает изменения оболочки и проверяет их регрессионными тестами. 52 Другая работа определяет рекурсию ещё строже: принятая версия кода исследовательского ИИ-агента становится именно той версией, которая выполняет следующий раунд правок. В аннотации сообщается о семи последовательных улучшениях за восьмидневный запуск. Это результат в конкретной исследовательской конфигурации, а не свидетельство открытого самоулучшения ИИ общего назначения.
56
Что показывают доступные данные о Китае
В сентябре издание 36Kr сообщило, что инфраструктурный агент на базе GLM-5.3 оптимизировал движок инференса модели на кластере более чем из 100 тысяч микросхем китайского производства. По данным публикации, работа заняла менее двух недель, а пропускная способность всего процесса выросла втрое относительно исходного уровня. 21 Это пример заявленной оптимизации инфраструктуры с помощью ИИ. Сам по себе он не доказывает, что агент самостоятельно выбрал цель, проверил достоверность результата или улучшил процедуру, которая будет выполнять следующую оптимизацию.
Материалы Moonshot AI о Kimi K3 показывают ещё один важный слой этой системы. Компания представила AgentEnv — инфраструктуру для распределённых сред обучения с подкреплением, а также технологии обучающей платформы, включая библиотеку коммуникации и высокопроизводительное ядро внимания. 25 Такие инструменты помогают обучать модели и работать с агентами, но их наличие само по себе не означает, что агент автономно спроектировал более эффективные среды обучения или модель-преемника.
Важно также различать улучшение инфраструктуры и обучение модели. В документации Z.ai сказано, что GLM-5.3 использует ту же базовую модель, что и GLM-5.2, а улучшения достигнуты за счёт постобучения. 2 Это описанный способ совершенствовать модель посредством постобучения, а не доказательство того, что прирост её возможностей получен исключительно за счёт изменений окружающей инфраструктуры.
Пять уровней автономии
В сентябрьской статье The Last AI Built by Humans предложена схема из пяти уровней: выполнение предписанных улучшений; выбор стратегии улучшения; самостоятельное получение опыта для дальнейшего обучения; адаптация на основе работы в реальной среде; и, наконец, совершенствование самого процесса улучшений. 33 В обзорах эту схему также описывают как путь к системам, способным создавать собственных преемников.
35
Эти уровни помогают не смешивать разные виды автоматизации. Агент, который проводит эксперимент, придуманный человеком, — не то же самое, что агент, сам выбирающий, что улучшать. А оба варианта отличаются от системы, способной надёжно перестроить и проверить собственный цикл улучшений. Статья предлагает рамку для таких сравнений, но доступные здесь источники не подтверждают, что большинство передовых систем находятся на первом или втором уровне.
Что пока не подтверждено — и почему это важно
Предоставленные источники не подтверждают ряд подробных утверждений о ежедневном объёме песочниц DSec, тестах производительности обучающей платформы и ядер ModelBest, числе песочниц и сценариях восстановления Moonshot AI или заявленном запуске обучения Alibaba. Не удалось найти в них и результаты упоминавшегося опроса Leiphone. Материал Leiphone в наборе источников — технический разбор Kimi K3, а не опрос о рекурсивном самоулучшении. 24
Исследования агентных оболочек указывают и на практический компромисс: рост производительности может сопровождаться увеличением затрат на выполнение задач. Поэтому оценивать приходится не только успешность, но и расход вычислительных ресурсов и инструментов. 54 В целом для любого заявления о рекурсивности важно уточнять: кто задаёт цель, кто решает, что изменение сработало, и действительно ли принятое изменение улучшает следующий цикл.
Самый обоснованный вывод: мы видим перспективную автоматизацию инфраструктуры и процессов разработки ИИ, но не подтверждённое открытое рекурсивное самоулучшение. Агентная инфраструктура и оболочки, способные совершенствоваться, — значимый шаг, если улучшения сохраняются и помогают последующей работе. Но рост пропускной способности, переиспользуемые инструменты или повторяющиеся циклы обучения по отдельности ещё не доказывают, что ИИ надёжно определяет, что менять, оценивает результат и создаёт более совершенного преемника.
Studio Global AI
Продолжайте свое исследование
На этой странице есть ответ, подтвержденный источником, который вы можете продолжить внутри Studio Global.
Люди также спрашивают
Каков краткий ответ на вопрос «Самоулучшающийся ИИ: почему важна не только модель, но и система вокруг неё»?
По состоянию на 31 октября 2026 года наиболее убедительные примеры связаны с улучшением систем вокруг моделей: инфраструктуры для вывода, агентных оболочек и сред обучения.
Какие ключевые моменты необходимо проверить в первую очередь?
По состоянию на 31 октября 2026 года наиболее убедительные примеры связаны с улучшением систем вокруг моделей: инфраструктуры для вывода, агентных оболочек и сред обучения. Пятиуровневая схема помогает отличить выполнение заданных людьми улучшений от самостоятельного выбора того, что менять, и перестройки самого процесса улучшения.
Что мне делать дальше на практике?
Публикации о росте производительности и новых инструментах сами по себе не подтверждают, что ИИ способен автономно оценивать результаты и надёжно строить собственных преемников.
Источники
ar5iv.labs.arxiv.orgar5iv.labs.arxiv.org · html · 2606[2606.09498] Self-Harness: Harnesses That Improve Themselves
arxiv.orgRecursive self-improvement of AI research agents - arXiv
m.36kr.com做一个能自迭代的后训练平台，Mind Lab要让更多企业拥有 ...
kimi.comKimi K3 开放日：模型权重、技术报告和关键Infra 技术同步开放
docs.z.aiGLM-5.3 - Overview - Z.AI DEVELOPER DOCUMENT
