20 июля 2026 г. · Mark-riedl
Рекурсивное самоулучшение ИИ: чего реально ждать
Вадим Барсов · Growth / Marketing / Adtech / LLM / ML · barsov-growth.ru
Источник: Mark-riedl
Контекст
В индустрии ИИ появилось очередное словосочетание, вокруг которого закручивается волна ожиданий: рекурсивное самоулучшение (Recursive Self Improvement, RSI). Идея звучит просто — система ИИ улучшает саму себя, каждая новая версия делает следующую ещё умнее. Марк Ридл в своём разборе предлагает смотреть на неё как инженер, а не как участник хайп-цикла.
Повод для разговора — публикации крупных ИИ-лабораторий, где RSI подаётся почти как неизбежная траектория. Но между красивым нарративом и тем, что реально происходит в коде и на кластерах, лежит большая дистанция. Именно её стоит разобрать, если вы принимаете решения о технологиях, а не читаете новости ради вдохновения.
Что произошло
Основная мысль источника: RSI — это не магический процесс, а набор вполне земных механизмов, каждый из которых имеет свои границы. Когда говорят, что модель "улучшает себя", на практике это раскладывается на несколько разных вещей:
- ИИ помогает писать код для следующей версии — по сути, ускорение работы инженеров, а не автономная эволюция.
- ИИ генерирует обучающие данные (синтетика), на которых дообучается новая модель.
- ИИ оптимизирует свои же гиперпараметры, архитектуру, пайплайны обучения.
- ИИ-агенты автоматизируют часть исследовательского цикла — постановку экспериментов, отбор результатов.
Ключевой аргумент Ридла в том, что ни один из этих механизмов не даёт бесконечного роста сам по себе. Везде есть потолки: качество синтетических данных деградирует, если модель учится на собственном выходе без внешнего сигнала; вычислительные ресурсы конечны и дороги; выигрыши от каждой итерации имеют тенденцию к убыванию, а не к экспоненте. "Самоулучшение" куда чаще выглядит как S-образная кривая с насыщением, чем как вертикальный взлёт.
Отдельно стоит проблема измерения. Чтобы система улучшала себя, ей нужен надёжный критерий, что новая версия действительно лучше. А хорошие метрики "общего интеллекта" — это до сих пор нерешённая задача. Оптимизируя под метрику, легко получить модель, которая лучше сдаёт тест, но не становится реально способнее.
Почему это важно
Здесь важно отделить научную дискуссию от экономики капитала — и вторая для практика часто важнее. Нарратив о неизбежном RSI работает как инструмент привлечения инвестиций: если убедить рынок, что рост способностей будет экспоненциальным, оценки лабораторий и объёмы вложений растут соответственно. Экономика ИИ последних лет во многом держится на ожиданиях будущего скачка, а не только на текущей выручке.
Проблема в том, что реальные ограничения — стоимость вычислений, доступность качественных данных, энергия, инженерные узкие места — никуда не деваются. Если самоулучшение упирается в S-кривую, то модель окупаемости, построенная на экспоненте, оказывается под давлением. Для тех, кто строит продукты на генеративном ИИ, это означает простую вещь: не стоит закладывать в план допущение, что "через полгода модель станет в разы умнее сама собой и всё решит за нас".
Для продуктовой команды практический вывод трезвый. Прирост качества от новых поколений моделей реален, но постепенный. Выигрыш чаще приходит не от того, что модель поумнела, а от того, как вы её встроили: качество данных, обвязка из инструментов, ретривал, валидация, человек в контуре. AI-агенты, которые "сами себя улучшают", в проде пока означают конкретные пайплайны с людьми, метриками и защитой от деградации — а не автономный разум.
Как это читать из РФ
Для специалиста в России тема RSI имеет несколько практических проекций.
Первое — капитал и доступ к вычислениям. Даже если бы RSI работал как экспонента, он требует огромных вычислительных ресурсов. В условиях ограниченного доступа к топовым ускорителям ставка на "модель улучшит себя сама" ещё менее реалистична. Локально куда рациональнее вкладываться в эффективность: дообучение под узкую задачу, компактные модели, качество данных — то, что даёт отдачу без гонки за самым большим кластером.
Второе — данные как реальный рычаг. Если синтетика без внешнего сигнала деградирует, то ценность собственных, чистых, размеченных доменных данных только растёт. Для команд в продуктовой аналитике и работе с данными это прямой аргумент инвестировать в дата-инфраструктуру и разметку, а не ждать, что фундаментальная модель "сама всё поймёт".
Третье — фильтр хайпа. Российскому рынку часто прилетает зарубежный нарратив с задержкой и в усиленной форме. Умение отличать инженерную реальность от инвестиционного сторителлинга — это конкурентное преимущество. Когда вендор обещает, что его платформа скоро выйдет на самоулучшение, стоит спрашивать про метрики, про источник сигнала для улучшения и про потолок кривой.
Четвёртое — риски регуляторики и зависимости. Строить бизнес-процессы на предположении о скором сверхинтеллекте — значит закладывать в стратегию неконтролируемую переменную. Более устойчивая позиция: относиться к ИИ как к инструменту с известными ограничениями, который улучшается инкрементально, и планировать так, чтобы продукт работал и без чудесного скачка.
Что взять в работу
- Не закладывайте в продуктовые и финансовые планы допущение об экспоненциальном самоулучшении моделей. Планируйте под инкрементальный прогресс.
- Проверяйте обещания вендоров про RSI вопросами: какой сигнал улучшения, как измеряется прогресс, где потолок.
- Инвестируйте в собственные данные и их качество — это рычаг, который работает независимо от хайпа.
- Выигрыш ищите в обвязке модели (инструменты, ретривал, валидация, человек в контуре), а не только в смене поколения LLM.
- Относитесь к экономике ИИ критически: часть оценок построена на ожиданиях скачка, а не на текущей отдаче.
RSI — полезная концепция для понимания того, как системы могут ускорять собственное развитие. Но между "могут ускорять" и "взлетят в бесконечность" лежит вся инженерная реальность с её потолками. Практику выгоднее держаться реальности.
Читайте также
Смежные материалы на сайте:
- Opt-out по умолчанию: почему ИИ-функции включают без спроса — Компании всё чаще включают ИИ-функции по умолчанию, заставляя пользователей отказываться вручную. Разбираем, п…
- Уход футуролога OpenAI: почему бегут специалисты по безопасности ИИ — OpenAI покидает главный футуролог Джошуа Ачиам. Разбираем отток команд по безопасности ИИ на фоне подготовки к…
- GPT-5.6: экономика интеллекта и агенты с длинным горизонтом — Разбор GPT-5.6: рекорды на Agents' Last Exam, цена за токен и что это значит для агентных рабочих процессов и …