Már 2027-re várja az önmagát továbbfejlesztő AI lehetőségét Jack Clark
Egy új teszten az AI kevesebb számítással éri el a kutatók eredményeit, de ez még nem bizonyítja, hogy önállóan jobb utódot tud készíteni.
▶ 30 MÁSODPERCBEN
- MI TÖRTÉNT
- A P-Zero Research bemutatta a kísérlettervezést és eredményértelmezést mérő TasteVal tesztet; Jack Clark szerint már 2027-ben lehetővé válhat az AI rekurzív önfejlesztése.
- MIÉRT FONTOS
- A vezető modell kisebb számítási ráfordítással érte el a szakértők eredményeit, ami fontos jelzés az AI-fejlesztőknek, de még nem bizonyít önálló kutatói képességet.
Az Anthropic Opus 5.5 modellje a szakértők eredményéhez szükséges számítási kapacitás kevesebb mint felével is elérte ugyanazt a szintet a P-Zero Research TasteVal tesztjének központi becslése szerint. Az új mérés azt vizsgálja, hogyan terveznek és értékelnek kutatási kísérleteket az AI-modellek. Jack Clark, az Anthropic társalapítója és az Import AI hírlevél szerzője közben már 2027-et tartja az önmagukat továbbfejlesztő rendszerek lehetséges megjelenési idejének, a korábban várt 2028 helyett.
Mitől jó kutató egy modell?
A P-Zero Research három képességet sorol a kutatói ítélőképességhez: értékes kérdések kiválasztását, megfelelő kísérletek tervezését és az eredmények helyes értelmezését. A TasteVal csak az utóbbi kettőt teszteli. Nyolc feladata a tanítóadatok kiválasztásától a nyelvi modellek előtanításán és finomhangolásán át az emberi preferenciák szerinti tanításig, illetve a megtévesztő utasítások elleni védekezésig terjed.
Minden kísérletet ugyanaz a kódoló ágens, vagyis feladatokat végrehajtó szoftveres rendszer futtat egyetlen Nvidia H100 gyorsítókártyán; így a kód végrehajtását nem különböző ágensekre bízzák. Egy futás legfeljebb 40 GPU-órányi számítást használhat fel, vagy 120 óra elteltével véget ér. Az emberi összehasonlítás alapját 24 szakértő adta, akik nemrég például az OpenAI-nál, a Google DeepMindnál, az Nvidiánál vagy a Microsoft Researchnél dolgoztak; minden feladaton legalább ketten dolgoztak, és a legjobb emberi próbálkozás lett a viszonyítási pont.
A 2,3-as szorzó kevesebb számítást jelent
A TasteVal számítási szorzóval fejezi ki a teljesítményt: ha egy modell feleannyi számítással éri el a szakértői pontszámot, kétszeres szorzót kap. Az első helyezett Opus 5.5 értéke 2,3, a közölt statisztikai tartomány viszont tág: 1,15–4,37, vagyis az alsó határán a modell előnye csak csekély. A 2,3-as érték tehát bizonytalan becslés, nem biztos előny. Egy futása nagyjából harmincadannyiba került, mint egy átlagos szakértői próbálkozás.
A P-Zero szerint a vezető modellek szorzója 2025 decembere óta hozzávetőleg háromhavonta megduplázódott; a közölt duplázódási idő 1,7–5,0 hónap. A szerzők ugyanakkor elismerik, hogy túlbecsülhetik a fejlődés ütemét: a feladatok gyorsan és olcsón ellenőrizhetők, az összehasonlító csoportban pedig nem voltak a kutatói élvonalhoz tartozó szakemberek. Egyetlen teljesítménytesztből nem állapítható meg biztosan az általános trend.
A jobb kísérletterv még nem önfejlesztés
A rekurzív önfejlesztés azt jelentené, hogy egy AI önállóan erősebb utódot tanít be. Clark 2026 májusi esszéjében erre 2028 végéig körülbelül 60 százalékos, 2027-re 30 százalékos esélyt adott. Az Anthropic júniusban azt írta: ezt még nem érték el, de hamarabb bekövetkezhet, mint amire a legtöbb intézmény felkészült. Clark előrejelzésének megítéléséhez fontos körülmény, hogy az Anthropic társalapítója, és éppen a cég modellje vezeti a tesztet: nem független megfigyelőről van szó.
Herbie Bradley AI-kutató szerint a modellek átvehetik a kezdő kutatók munkáját, de a kutatói ítélőképesség, a kreativitás és a hosszú távú tervezés még nincs látótávolságban. A TasteVal eredményei a kísérlettervezés és -értékelés terén szembemennek ezzel az értékeléssel, a hosszú távú kutatási irányok kiválasztásáról viszont nem mondanak semmit. A Fudan Egyetem ágenskutatásában az AI a módszertani javaslatok akár 55 százalékát adta, miközben a végső döntések több mint 85 százalékát emberek hozták meg.
TECH-SZÓTÁR
- Előtanítás és finomhangolás
- Az előtanítás a modell általános képességeit alapozza meg, a finomhangolás ezeket célzott példákkal alakítja tovább.
- GPU-óra
- Egy grafikus processzor egyórányi használatának megfelelő számítási ráfordítás.
» Követett téma: AI · kulcsszó: önfejlesztő AI, kutatási képességek