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 посвященной 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 все 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 еще 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 ее более поздней версией, прошла настоящее peer review и была опубликована в Nature. Это не маркетинговый трюк - рецензируемая публикация в Nature это серьезно.
Четыре фазы к самосовершенствующемуся ИИ
Sakana описывает конкретный дорожный план из четырех 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. Четвертый - 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 нем крайне затруднен. Парадокс в том, что для эффективного RSI тоже нужны серьезные 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 свое 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 идет 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.
Источники
Похожие новости
OpenAI выпустила GPT-6.2 Astra и Sol: входные и выходные токены Astra в API на 20% дешевле, чем у GPT-6 Astra
OpenAI представила две модели: флагманскую GPT-6.2 Astra и экономичную GPT-6.2 Sol. Они доступны в ChatGPT Work, Codex и API и тратят меньше выходных токенов. В API Astra дешевле GPT-6 Astra: входные и выходные токены на 20% ниже, на кэшированные входные скидка 60%.
OpenAI показала агентов GPT-6 для клиник: Luna выполняет задачу за 8,5 цента
OpenAI предложила больницам и страховщикам GPT-6 Astra и Luna: агенты сами кликают по программам клиник и порталам страховых. Среди партнеров компании - CVS Health и Cigna Healthcare.
NVIDIA Vera Rubin NVL72 в MLPerf Endpoints: более 10x токенов на киловатт к GB300
В предварительных результатах MLPerf Endpoints v1.0 система Vera Rubin NVL72 выдала более чем в 10 раз больше токенов на киловатт, чем GB300 NVL72. Результаты еще не верифицированы MLCommons.