Google DeepMind observă semne timpurii ale unui proces de auto-îmbunătățire recursivă a sistemelor AI, un mecanism care ar putea accelera semnificativ dezvoltarea următoarei generații de modele. Logan Kilpatrick, membru al echipei tehnice, a afirmat că această buclă de feedback se manifestă deja în activitatea companiei, într-un interviu acordat podcastului The Pomp Podcast pe 16 septembrie.
Procesul de auto-îmbunătățire a AI
Kilpatrick a explicat că, în practică, această evoluție nu presupune ca modelele AI să modifice singure propriul cod sau parametri, ci să contribuie la diferite etape de cercetare. Acestea pot ajuta la scrierea de cod, proiectarea de experimente, testarea de sisteme sau descoperirea de algoritmi, ceea ce accelerează procesele de cercetare și dezvoltare.
Paramele potențiale ale mecanismului reies din capacitatea sistemelor AI de a automatiza și eficientiza etape importante în crearea și îmbunătățirea modelelor. Astfel, cercetătorii pot testa mai multe variante într-un timp mai scurt, iar modelele mai performante contribuie la dezvoltarea de următoarele versiuni.
Aplicarea în proiectele Google
Un exemplu concret menționat este sistemul AlphaEvolve, utilizat pentru descoperirea și optimizarea algoritmilor. Acesta a avut succes în programarea infrastructurii centrelor de date, în proiectarea hardware-ului și în antrenarea modelelor AI.
Google susține că AlphaEvolve a îmbunătățit cu 23% un kernel de multiplicare a matricelor folosit în antrenarea Gemini, reducând timpul de training al modelului cu aproximativ 1%. Aceste rezultate arată impactul pe care îl poate avea automatizarea în procesul de optimizare.
Noul model Gemini 4 și experimentul în curs
Google DeepMind pregătește lansarea modelului Gemini 4, considerat cel mai amplu proces de pre-antrenare realizat de companie până acum. Kilpatrick speră ca progresul obținut să fie vizibil în performanța acestui model și să ajute Google să recupereze teren în cursa pentru cele mai avansate modele AI.
În paralel, cercetătorii au prezentat Dream-RSI, un cadru pentru ca agenții AI să învețe din propriile istorii de explorare. Sistemul construiește simulatoare bazate pe aceste istorii, permițând testarea a mii de strategii fără necesitatea unor experimente costisitoare în lumea reală.
Acest mecanism creează o buclă de feedback, în care istoria descoperirilor devine material pentru simulatoare, apoi pentru testarea strategiilor, accelerând astfel procesul de optimizare.
Rolul auto-îmbunătățirii în viitorul AI
Dezvoltarea conceptului de auto-îmbunătățire recursivă îl plasează printre cele mai discutate direcții privind evoluția AI. Nu este vorba neapărat de un sistem care își rescrie singur „creierul”, ci de utilizarea sistemelor AI pentru a automatiza și accelera procesul de creare a modelelor mai bune.
Un raport publicat în iunie 2026 de Google DeepMind include această tehnică printre cele patru direcții principale pentru ca un sistem cu inteligență umană să depășească performanțele umane.
Momentan, afirmațiile lui Kilpatrick nu indică o atingere a unei forme complet autonome de auto-îmbunătățire, ci semne preliminary ale unui asemenea mecanism.
Testul major va fi dacă utilizarea AI în cercetare produce salturi măsurabile între generații, iar Gemini 4 va fi unul dintre experimentele cheie în demonstrarea acestei evoluții.
