Sakana AI: самоулучшающийся ИИ против гонки вычислительных мощностей

Когда ИИ начинает улучшать сам себя

Представьте инженера, который не просто пишет код, а переписывает собственный мозг, чтобы писать код лучше. Именно на такую идею поставила Sakana AI, японский стартап, основанный в 2023 году одним из авторов знаменитой статьи «Attention Is All You Need» — Льоном Джонсом. Компания объявила о создании Sakana AI RSI Lab — исследовательской группы, целиком посвящённой рекурсивному самосовершенствованию (RSI, Recursive Self-Improvement).

Это не просто очередной пресс-релиз про «революционный подход». За этим стоит вполне конкретная стратегическая ставка: пока OpenAI, Google и Anthropic тратят десятки миллиардов долларов на строительство всё более гигантских дата-центров, Sakana пытается найти путь к мощному ИИ через качество алгоритмов, а не через количество железа.

Что такое RSI и почему это важно прямо сейчас

Рекурсивное самосовершенствование — концепция не новая. О ней говорили ещё в теоретических работах по ИИ-безопасности десятилетия назад. Идея проста: система, которая умеет улучшать собственную архитектуру, может запустить цепную реакцию прогресса — каждое улучшение делает следующее улучшение эффективнее.

Проблема в том, что до последнего времени это оставалось чисто теоретической конструкцией. Sakana утверждает, что у них уже есть практические результаты. Компания указывает на несколько собственных проектов как на доказательство того, что RSI перестал быть фантастикой.

LLM-Squared — система, где языковые модели проектируют улучшенные методы обучения для других языковых моделей. Это уже само по себе интересно: не человек придумывает, как обучать ИИ, а ИИ придумывает, как обучать ИИ.

Darwin Gödel Machine — пожалуй, самый амбициозный проект: агент, который генерирует варианты собственного кода, тестирует их и итеративно отбирает лучшие — прямо как эволюционный отбор в природе, только за часы, а не миллионы лет.

The AI Scientist заслуживает отдельного упоминания. Это система автоматизации научных исследований, и в марте 2026 года работа, написанная её более поздней версией, прошла настоящее peer review и была опубликована в Nature. Это не маркетинговый трюк — рецензируемая публикация в Nature это серьёзно.

Четыре фазы к самосовершенствующемуся ИИ

Sakana описывает конкретный дорожный план из четырёх этапов. Первый — создание моделей, изначально заточенных под агентные задачи, а не под чат. Второй — системы вроде The AI Scientist, которые применяют агентные способности к автоматизированным исследованиям. Третий — агенты, которые активно работают над собственными техническими основами: пишут, бенчмаркируют и верифицируют код своих архитектур. Четвёртый — широкая доступность мощного ИИ без зависимости от массивных GPU-кластеров.

Последний пункт — ключевой с точки зрения позиционирования. Sakana прямо говорит: мы хотим сделать frontier-ИИ доступным для тех, у кого нет сотен тысяч H100. Это явный вызов американским лабораториям, чья стратегия строится на масштабировании вычислений.

Реалистична ли эта ставка?

Я скептически отношусь к излишнему оптимизму здесь. Эволюционная оптимизация — мощный инструмент, но у него есть фундаментальные ограничения. Пространство поиска архитектур нейросетей огромно, и без достаточных вычислений эффективный поиск в нём крайне затруднён. Парадокс в том, что для эффективного RSI тоже нужны серьёзные вычислительные ресурсы.

С другой стороны, Sakana не претендует на то, что RSI полностью заменит масштабирование прямо сейчас. Это исследовательская ставка на другой путь к эффективности — и такие ставки исторически иногда срабатывают. Трансформер в своё время тоже казался одним из многих экспериментов.

Примечательно, что Anthropic публично предупреждает о рисках RSI. Компания, которая сама занимается безопасностью ИИ, видит в самосовершенствующихся системах потенциальные угрозы управляемости. Это не значит, что Sakana неправа — но это сигнал, что игра идёт с высокими ставками.

Что это значит для рынка

Для разработчиков и исследователей это интересный сигнал: эволюционные подходы к оптимизации архитектур возвращаются в мейнстрим. Инструменты вроде Darwin Gödel Machine потенциально могут стать новым классом AutoML — только не для гиперпараметров, а для самой архитектуры.

Для бизнеса пока рано делать ставки на RSI как на продукт. Sakana — исследовательская компания, и от фундаментальных результатов до коммерческого применения дистанция немалая.

Для российской аудитории: Sakana AI — японский стартап, его инструменты и публикации доступны через обычные каналы. The AI Scientist частично открыт на GitHub, документация на английском. VPN для доступа к материалам компании не требуется.

Итог

Sakana AI делает умную ставку: вместо того чтобы конкурировать с OpenAI и Google в гонке бюджетов, они ищут качественно другой путь. Получится ли — покажет время. Но то, что за последние два года они прошли от теории RSI до публикации в Nature, говорит о том, что команда умеет превращать идеи в реальные результаты. За этой лабораторией точно стоит следить.