Anthropic: samodoskonaląca się AI możliwa już w 2027 roku

Współzałożyciel Anthropic, Jack Clark, zmienił swoją prognozę dotyczącą pojawienia się samodoskonalącej się sztucznej inteligencji. Zamiast spodziewanego wcześniej roku 2028, obecnie wskazuje na 2027. Powód? Nowy benchmark o nazwie TasteVal, opracowany przez laboratorium P-Zero Research, który mierzy zdolność modeli językowych do prowadzenia samodzielnej pracy badawczej. To przesunięcie terminu o rok może wydawać się niewielkie, ale sygnalizuje głębszą zmianę w debacie o AI – z pytania „jak dobrze modele rozwiązują zadania” na „czy potrafią podejmować decyzje napędzające badania”.

Clark, który współtworzył Anthropic i prowadzi newsletter Import AI, od dawna twierdzi, że kreatywność jest kluczowym czynnikiem decydującym o tempie samodoskonalenia się systemów AI. Wcześniej uważał, że modele nie wykazują tej umiejętności na przełomową skalę. Teraz wskazuje na postępy w przełomach matematycznych oraz wyniki benchmarku TasteVal jako dowody, że sytuacja się zmienia. Warto zaznaczyć, że prognoza pochodzi od osoby współtworzącej firmę, której model zajmuje szczyt rankingu – co wprowadza pewien czynnik stronniczości.

Czym jest TasteVal i co właściwie mierzy

P-Zero Research definiuje „research taste” (wyczucie badawcze) jako zestaw trzech zdolności: rozpoznawania, które pytania badawcze warto zgłębiać, projektowania eksperymentów odpowiadających na te pytania oraz prawidłowej interpretacji wyników. Benchmark TasteVal testuje jednak tylko dwie ostatnie umiejętności. Wybór najbardziej obiecującego kierunku badań – często uznawany za sedno naukowej intuicji – jest w tym przypadku podejmowany za model.

Każde z ośmiu zadań w benchmarku określa stały cel badawczy związany z rozwojem modeli AI, wraz z mierzalnym wynikiem. Zakres obejmuje selekcję danych treningowych, pretrening i fine-tuning modeli językowych, trenowanie na preferencjach ludzkich oraz obronę przed atakami typu adversarial prompts. Model decyduje, który eksperyment przeprowadzić jako następny, i wykorzystuje uzyskane rezultaty do kierowania kolejnymi krokami.

Aby umiejętności kodowania nie zafałszowały wyników, wszystkie eksperymenty wykonuje stały agent programistyczny na pojedynczym GPU Nvidia H100. Każde uruchomienie kończy się po 40 godzinach obliczeń GPU lub 120 godzinach czasu rzeczywistego. Punktem odniesienia były wyniki 24 ekspertów, którzy niedawno pracowali w takich miejscach jak OpenAI, Google DeepMind, Nvidia czy Microsoft Research. Każde zadanie rozwiązywały co najmniej dwie osoby, a najlepsza próba człowieka wyznaczała poziom benchmarku.

Wyczucie badawcze mierzone przez efektywność obliczeniową

Aby uczynić „research taste” mierzalnym, P-Zero Research przekłada je na efektywność obliczeniową. Logika jest prosta: moc obliczeniowa do eksperymentów jest w badaniach nad AI zasobem deficytowym, więc trafny wybór eksperymentów i poprawne odczytanie wyników oznacza mniej uruchomień i większy postęp przy tym samym budżecie. Laboratorium opiera się na własnym „AI Futures Model”, który przewiduje, że po automatyzacji kodowania to właśnie moc obliczeniowa do eksperymentów stanie się głównym wąskim gardłem.

TasteVal mierzy zatem, ile obliczeń potrzebuje model, by dorównać wynikom ekspertów. Model, który osiąga ten poziom przy połowie zużycia, ma – według tej definicji – dwukrotnie lepsze wyczucie badawcze. P-Zero Research nazywa ten stosunek „mnożnikiem obliczeniowym”.

Wyniki czołowego modelu i ich niepewność

Najlepszy model, Opus 5.5 od Anthropic, osiągnął mnożnik obliczeniowy na poziomie 2,3 – docierając do wyników ekspertów przy zużyciu mniejszym niż połowa. Przedział statystyczny jest jednak szeroki i wynosi od 1,15 do 4,37. Przy dolnej granicy model ledwo by przewodził. Pojedyncze uruchomienie kosztowało około jednej trzydziestej średniego kosztu próby eksperta.

Co istotne, w kolejnych generacjach modeli mnożnik obliczeniowy rósł w przybliżeniu dwukrotnie co trzy miesiące od grudnia 2025 roku. I tu również niepewność jest duża – raportowany czas podwojenia waha się od 1,7 do 5,0 miesiąca. W poprzednich latach wyczucie badawcze modeli rosło znacznie wolniej; krzywa wyraźnie się stromo podniosła dopiero na przełomie 2025 i 2026 roku.

Autorzy sami przyznają, że ich wyniki mogą zawyżać tempo poprawy „research taste”. Zadania można sprawdzić szybko i tanio, a to właśnie tego typu zadania laboratoria AI optymalizują najłatwiej. Grupa porównawcza nie obejmowała też żadnych badaczy najwyższej klasy.

Debata o samodoskonaleniu nabiera tempa

Clark od dawna wskazuje kreatywność jako kluczowy czynnik tempa samodoskonalenia się AI. W majowym eseju przedstawiał ostrożniejsze liczby: około 60 procent szans na system, który samodzielnie wytrenuje silniejszego następcę do końca 2028 roku, i 30 procent do końca 2027. Teraz przesuwa ten horyzont.

Krytycy wyznaczali granicę dokładnie na tej zdolności, którą mierzy TasteVal. Badacz AI Herbie Bradley w odpowiedzi na majowy esej Clarka argumentował, że choć modele mogą przejąć pracę juniorów, to bardziej wymagające umiejętności – wyczucie badawcze, kreatywność i spójne długoterminowe planowanie badań – pozostają poza ich zasięgiem. TasteVal częściowo podważa tę ocenę w zakresie planowania i oceny eksperymentów, choć nie mówi nic o wyborze długofalowego programu badawczego.

Jak szeroka pozostaje praktyczna luka, pokazuje badanie nad rozwojem AI z użyciem agentów prowadzone przez zespół z Uniwersytetu Fudan. Naukowcy przeanalizowali rozwój własnego modelu i odkryli, że agenci AI odpowiadali za nawet 55 procent propozycji metodologicznych, ale ludzie wciąż podejmowali ponad 85 procent ostatecznych decyzji. Autorzy zauważyli, że nie jest jasne, jak AI może generować różnorodne kierunki badań i oceniać ich wartość przed poznaniem wyników – a to właśnie tego typu decyzję TasteVal zdejmuje z modeli.

Stanowiska głównych laboratoriów

Benchmark pojawia się w środku debaty, którą same laboratoria AI zainicjowały. W czerwcu Anthropic napisał, że rekurencyjne samodoskonalenie (RSI) nie zostało jeszcze osiągnięte, ale „może nadejść szybciej, niż większość instytucji jest przygotowana”. Dyrektor generalny Anthropic, Dario Amodei, wzywa obecnie do kontrolowanego spowolnienia rozwoju AI. OpenAI z kolei przyznaje, że w pełni autonomiczne RSI jeszcze nie występuje i powinno być rozwijane wyłącznie przy zagwarantowanym nadzorze człowieka.

TasteVal zmienia to, co uznajemy za postęp. Przez długi czas liczyło się to, jak dobrze modele rozwiązują ściśle określone zadania – problemy matematyczne czy wyzwania programistyczne. Teraz coraz częściej pytanie brzmi, czy potrafią podejmować decyzje popychające badania naprzód.

Co to oznacza w praktyce

Jeśli trend zmierzony przez P-Zero Research utrzyma się w innych testach, konsekwencje będą dwustronne. Rozwój AI stałby się szybszy i tańszy – ale jednocześnie coraz większa część badań stawałaby się trudniejsza do zweryfikowania przez ludzi, ponieważ modele planowałyby i oceniały własne eksperymenty.

Warto zachować ostrożność: to pojedynczy benchmark, a jego autorzy sami przyznają ograniczenia metodologiczne. Niemniej przesunięcie prognozy przez Clarka pokazuje, że dyskusja o samodoskonalącej się AI przestaje być abstrakcyjna. Pytanie nie brzmi już „czy”, ale „kiedy” – i czy zdążymy przygotować mechanizmy nadzoru, zanim odpowiedź stanie się aktualna.