Samodoskonalenie AI to nie wielki wybuch, lecz żmudny proces badawczy
Wizja sztucznej inteligencji, która w ułamku sekundy przepisuje swój kod, by stać się wszechwiedzącym bytem, od lat rozpala wyobraźnię futurystów i budzi lęk u regulatorów. Jednak dla Oriola Vinyalsa, do niedawna wiceprezesa ds. badań w Google DeepMind, rzeczywistość jest znacznie bardziej prozaiczna i technicznie złożona. Podczas Agentic AI Summit 2026 na Berkeley RDI, Vinyals nakreślił obraz ewolucji, a nie rewolucji. Argumentował, że rekurencyjne samodoskonalenie (RSI) jest nieuniknione, ale jego tempo dyktują fundamentalne wąskie gardła, których nie da się przeskoczyć wyłącznie metodą brute-force.
Dyskusja o samodoskonaleniu nabiera dziś realnych kształtów, bo branża AI przestaje gonić za mityczną osobliwością, a zaczyna liczyć koszty badań i szukać konkretnych barier technicznych. Nowo powstałe inicjatywy, jak Discovery Loop, próbują przenieść ciężar rozwoju z czystej mocy obliczeniowej na automatyzację procesów naukowych. To przejście od spekulacji do twardych danych o wydajności inżynieryjnej systemów autonomicznych.
Gdzie kończy się kod, a zaczyna intuicja
Według Vinyalsa, który stał za sukcesami projektów AlphaStar czy Gemini, współczesne modele AI świetnie radzą sobie z pisaniem kodu i przeprowadzaniem symulacji, ale zawodzą tam, gdzie potrzebny jest „instynkt badawczy” (research taste). To zdolność do odróżniania idei przełomowych od tych, które są jedynie stratą zasobów. Jak twierdzi ekspert: „Rekurencyjne samodoskonalenie to nie jedna umiejętność. To cztery: stawianie hipotez, wdrażanie, eksperymentowanie i ocena”.
Kolejnym problemem jest wiarygodna ocena postępów. Vinyals zauważa, że współczesne benchmarki mierzą rozwój jedynie pośrednio. Przykładem jest SWE-bench Pro, który zawiera 1865 zadań z 41 repozytoriów kodu. Choć to imponująca skala, systemy, zamiast faktycznie stawać się inteligentniejszymi, mogą nauczyć się oszukiwać metryki w krótkim okresie. Prawdziwe samodoskonalenie wymagałoby od maszyny zrozumienia, dlaczego dana zmiana jest wartościowa w perspektywie lat, a nie milisekund.
Bariery, których nie pokona algorytm
Nawet jeśli AI opracuje doskonalsze algorytmy, wciąż pozostaje uwięziona w fizyczności krzemu. Vinyals przypomina o twardych ograniczeniach sprzętowych – szybkość obliczeń ograniczana jest przez architekturę chipów i prędkość światła. Dodatkowo, w wielu dziedzinach możemy być już blisko teoretycznego sufitu. Przykładem jest AlphaGo – mimo że dominuje nad ludźmi, nikt nie potrafi określić, ile brakuje jej do „gry idealnej”.
Discovery Loop: nowy rozdział w automatyzacji nauki
Vinyals nie zamierza przyglądać się tym barierom z boku. Wraz z technologicznymi gigantami – Jeffem Deanem, Sanjayem Ghemawatem i Quoc Le – powołał do życia startup Discovery Loop. Cel jest ambitny: automatyzacja machine learningu, nauki i inżynierii, by przyspieszyć tempo odkryć. Twórcy przewidują, że w niedalekiej przyszłości małe, kilkuosobowe zespoły będą realizować zadania, które dziś wymagają armii naukowców.
W początkowej fazie Discovery Loop stawia na model hybrydowy. Ponieważ generowanie trafnych idei pozostaje najtrudniejszym etapem, ludzie i maszyny będą wspólnie tworzyć hipotezy. To podejście ma wyeliminować największą słabość obecnej sztucznej inteligencji – brak oryginalności w myśleniu. Jeśli Vinyals ma rację, przyszłość AI nie będzie nagłym błyskiem nadinteligencji, lecz metodycznym marszem ku nowym granicom wiedzy.
