A Sakana AI öntanuló AI-rendszerekkel kívánja megkerülni a számítási háborút
A japán Sakana AI megalapította a Sakana AI RSI Lab kutatócsoportot, amely az AI-rendszerek önmagukat fejlesztő képességét vizsgálja, és alternatívát kínál a folyamatosan növekvő számítási kapacitást igénylő modellekkel szemben.
A Sakana AI új kutatócsoportot hozott létre, amely az AI-rendszerek önmagukat iteratívan tervező és fejlesztő képességére, az úgynevezett rekurzív önfejlesztésre (RSI) összpontosít. A startup szerint ez az útja a számítási kapacitás háborújának megkerülésének, amely a nagy mesterséges intelligencia laboratóriumokat jellemzi.
A Sakana AI RSI Lab korábbi munkájukra épít. A cég korábbi kutatási mérföldkövei közé tartozik az LLM-Squared, ahol nyelvi modellek terveznek jobb képzési módszereket más nyelvi modellek számára, valamint a Darwin Gödel Machine, amely saját kódbázisának variánsait generálja, teszteli és iterálja.
Kapcsolódó: AI olimpiai bajnokok
A rekurzív önfejlesztés gyakorlati lépései
A ShinkaEvolve és az ALE-Agent projektekkel a Sakana az evolúciós programszerkesztés és az új stratégiákat kikísérletező ügynökök terén végzett munkát is kiemeli. Egy másik kulcsfontosságú projekt a The AI Scientist, egy rendszer a tudományos kutatás részek automatizálására; egy későbbi verziója egy szakértői értékelésen átment tanulmányt írt, márciusban publikálva a Nature-ben.
Kapcsolódó: LLM gyorsítás
A Sakana AI céljai
A Sakana AI ezeket a projekteket bizonyítékként mutatja be arra, hogy a rekurzív önfejlesztés már nem csupán elméleti, hanem kontrollált kutatási környezetben tesztelt. A cég egy négyfázisos ütemtervet vázolt fel, amely a hagyományos, ember által vezérelt AI-optimalizálásról az önfejlesztő rendszerek felé halad.
Kapcsolódó: AI-ügynök hibák
A RSI Lab elindítása rávilágít egy olyan kérdésre, amelyet az Anthropic nemrégiben potenciális biztonsági aggályként jelölt meg. Míg a Sakana az előnyökre összpontosít, az Anthropic figyelmeztet a kockázatokra: a teljes rekurzív önfejlesztés még nem valósult meg, de ha igen, az AI-rendszerek gyorsabban hajthatják saját fejlődésüket, mint ahogy az intézmények lépést tudnának tartani.
Kapcsolódó: Anchor rendszer
A Sakana AI, amelyet korábbi Google-kutatók alapítottak, beleértve a Transformer-papír egyik szerzőjét, Llion Jonest, a domináns skálázási paradigmával szemben az adaptív rendszerekre és az evolúciós optimalizálásra fogad. A cég hosszú távú célja, hogy a rekurzív önfejlesztés révén a mesterséges intelligencia határterülete szélesebb körben hozzáférhetővé váljon, az LLM-Squared projekt eredményeit a Nature márciusi számában publikálták.
Kapcsolódó: AI számítási teljesítmény