Sakana AI rzuca wyzwanie gigantom. Czy rekurencyjne ulepszanie zastąpi wyścig na moc obliczeniową?

Zamiast licytować się z Microsoftem na liczbę kontenerów z procesorami H100, japoński startup z Tokio wybiera drogę, która dotąd brzmiała jak scenariusz Terminatora. Zespół kierowany przez byłych inżynierów Google ogłosił właśnie powołanie Sakana AI RSI Lab. To jednostka, której jedynym celem jest sprawienie, by sztuczna inteligencja przejęła rolę inżynierów i sama projektowała swoje przyszłe iteracje.

Dlaczego to ważne teraz? Branża zaczyna uderzać w ścianę kosztów i dostępności energii. Dominujący model budowy AI opiera się na brutalnym skalowaniu danych i prądu, podczas gdy Sakana AI stawia na ewolucyjną optymalizację. Rezygnacja ze statycznego, ludzkiego R&D na rzecz autonomicznych, samodoskonalących się silników inteligencji może radykalnie zmienić układ sił, faworyzując spryt projektowy nad miliardowymi budżetami na infrastrukturę.

Koniec ery brute force?

Od startu w 2023 roku, Sakana AI – założona przez Llion Jonesa, współtwórcę architektury Transformer – buduje alternatywę dla amerykańskiego kolosa. Ich strategia to bezpośrednie uderzenie w paradygmat skalowania. Jak twierdzą twórcy, „dzisiaj formalnie powołujemy Sakana AI RSI Lab, dedykowaną grupę badawczą, której zadaniem jest przeprojektowanie samego procesu tworzenia AI przy pomocy AI”. Zespół argumentuje, że kluczem do postępu nie jest wyłącznie siła obliczeniowa, lecz cykle zwrotne, w których maszyna analizuje, testuje i wdraża poprawki we własnym kodzie.

Efekty widać w twardych liczbach. Maszyna Darwina-Gödla, opracowana przez startup, autonomicznie generuje i weryfikuje warianty własnej bazy kodowej, co przekłada się na konkretny wzrost wydajności. W testach SWE-bench system odnotował skok o 50,0%, a w benchmarku Polyglot o blisko 31%. To dowód, że rekurencyjne samodoskonalenie (RSI) przestało być teoretycznym konceptem z pogranicza science-fiction.

Automatyczny naukowiec i cztery fazy ewolucji

Szczególną uwagę przyciąga projekt AI Scientist-v2. W pracy opublikowanej 8 kwietnia 2025 roku opisano system end-to-end, który wygenerował pierwszy w pełni stworzony przez maszyny materiał badawczy zaakceptowany przez recenzję warsztatową. Sakana AI nie kryje ambicji: ich mapa drogowa zakłada dojście do momentu, w którym agenty „aktywnie piszą, testują i weryfikują kod swoich własnych, bazowych architektur”.

Plan transformacji dzieli się na cztery etapy:

• Modele Agent-Native – systemy od początku projektowane pod konkretne zadania.
• Agentowe systemy badawcze – AI przejmujące rolę laboranta.
• Autonomiczne kodowanie architektur bazowych – maszyna pisząca własny fundament.
• Demokratyzacja Frontier AI – wysokowydajne systemy, które nie potrzebują farm serwerów wielkości małych miast.

Ryzykowny zakład o przyszłość

To podejście budzi jednak opór. Firmy takie jak Anthropic czy OpenAI sugerują, że tempo samodoskonalenia AI może wyrwać się spod kontroli, jeśli systemy zaczną ewoluować szybciej, niż ludzie są w stanie je monitorować. Sakana odpowiada na to budową „otwartych, adaptacyjnych architektur, które doskonalą się zbiorowo”.

Mimo sukcesów w benchmarkach, RSI Lab pozostaje strategicznym hazardem. Na razie nie mamy gwarancji, że optymalizacja ewolucyjna zniweluje przewagę, jaką dają ogromne klastry GPU należące do Google czy Meta. Jednak sukces startupu z Tokio sugeruje, że przyszłość AI może nie należeć do tego, kto spali więcej węgla, ale do tego, czyj algorytm potrafi najskuteczniej wyciągać wnioski z własnych błędów.