Sakana AI ने recursive self-improvement के लिए लैब बनाई

Sakana AI फ्रंटियर प्रगति के लिए एक अलग रास्ते पर दांव लगा रहा है

Sakana AI ने recursive self-improvement, या RSI, का अध्ययन करने के लिए Sakana AI RSI Lab नामक एक समर्पित शोध समूह शुरू किया है। अवधारणा महत्वाकांक्षी है, लेकिन रूपरेखा में सीधी है: ऐसी AI प्रणालियाँ बनाना जो भविष्य की AI प्रणालियों की तकनीकी नींव को फिर से डिज़ाइन करने, अनुकूलित करने और विस्तारित करने में मदद कर सकें, जिससे सुधार का एक संचित चक्र बने।

स्टार्टअप का तर्क रणनीतिक भी है। प्रगति को केवल ever larger models और ever larger compute budgets के साथ प्रशिक्षित करने का मामला मानने के बजाय, Sakana recursive self-improvement को अधिक दक्षता और व्यापक पहुँच के रास्ते के रूप में स्थापित कर रहा है। इस दृष्टि में, उन्नत AI का अगला चरण केवल अधिक scale नहीं हो सकता। यह systems को improve करने के लिए बेहतर systems हो सकते हैं।

इससे लैब लॉन्च केवल branding का कदम नहीं रह जाता। यह इस बात का बयान है कि सबसे अधिक देखे जाने वाले AI startups में से एक को लगता है कि मौजूदा frontier race के लिए एक सार्थक विकल्प कहाँ उभर सकता है।

सिद्धांत से नियंत्रित प्रयोगों तक

Recursive self-improvement लंबे समय से एक अटकलबाज़ी-सी आभा लिए हुए है, और अक्सर इसे एक व्यावहारिक शोध कार्यक्रम की बजाय एक दूर की संभावना के रूप में चर्चा किया गया है। Sakana इस अंतर को कम करने की कोशिश कर रहा है, इसके लिए वह इस विचार को विशिष्ट पूर्व परियोजनाओं में आधार दे रहा है। RSI Lab की घोषणा करते हुए, कंपनी ने पिछले दो वर्षों की कई पहलों की ओर इशारा किया, जिन्हें वह stepping stones मानती है।

इनमें LLM-Squared शामिल है, जो यह खोजता है कि भाषा मॉडल अन्य भाषा मॉडलों के लिए बेहतर प्रशिक्षण विधियाँ कैसे बना सकते हैं। एक और है Darwin Godel Machine, जिसे ऐसा सिस्टम बताया गया है जो अपने स्वयं के codebase के संस्करण बनाता है, उनका परीक्षण करता है, और उन्हें दोहराता है। Sakana ने ShinkaEvolve, ALE-Agent, और The AI Scientist को भी रेखांकित किया, जो evolutionary optimization, trial-and-error strategy discovery, या वैज्ञानिक शोध के हिस्सों के स्वचालन से जुड़े प्रोजेक्ट हैं।

इस समूह में एक मजबूत संकेत कंपनी का यह दावा है कि The AI Scientist के बाद के संस्करण ने एक paper लिखा जो peer review पास कर गया, और उससे संबंधित शोध मार्च 2026 में Nature में प्रकाशित हुआ। इन सबको मिलाकर, Sakana इन परियोजनाओं को इस बात के प्रमाण के रूप में प्रस्तुत करता है कि recursive self-improvement शुद्ध विचार-प्रयोग से निकलकर नियंत्रित, क्रमिक प्रदर्शनों तक पहुँच चुका है।

चार-चरणीय रोडमैप

Sakana कहता है कि उसका रोडमैप चार चरणों में आगे बढ़ता है, जिसकी शुरुआत ऐसे सिस्टम्स से होती है जिन्हें chatbots के रूप में नहीं, बल्कि open-ended technical work के उपकरणों के रूप में डिज़ाइन किया गया है। व्यापक विचार मानव-नेतृत्व वाले अनुकूलन से ऐसे AI agents की ओर बढ़ना है, जो अपनी underlying architecture, code, और design choices में अधिकाधिक योगदान दे सकें।

यह रोडमैप महत्वपूर्ण है क्योंकि यह एक अचानक छलांग की बजाय एक मापा हुआ संक्रमण सुझाता है। Sakana यह नहीं कह रहा कि आज की प्रणालियाँ पूर्ण पैमाने पर स्वायत्त रूप से स्वयं का पुनर्निर्माण कर सकती हैं। इसके बजाय वह एक क्रम रेखांकित कर रहा है जिसमें सीमित-क्षेत्र वाले optimization, experimentation, और code generation धीरे-धीरे विकास-चक्र का अधिक केंद्रीय हिस्सा बनते जाते हैं।

यह AI के प्रमुख व्यावसायिक आख्यान के मुकाबले एक उल्लेखनीय विरोध है, जहाँ क्षमता-वृद्धि को अक्सर मुख्यतः model size, training runs, और infrastructure spending के माध्यम से वर्णित किया जाता है। Sakana search, adaptation, और evolution को वैकल्पिक लीवर के रूप में महत्व दे रहा है।

वर्तमान AI बाज़ार में यह दृष्टिकोण क्यों मायने रखता है

यह लॉन्च ऐसे समय में आया है जब compute concentration AI उद्योग की सबसे परिभाषित विशेषताओं में से एक बन गई है। Frontier training runs महंगे हैं, hardware access असमान है, और सबसे बड़े labs और बाकी सभी के बीच का अंतर संरचनात्मक लग सकता है। Sakana का सिद्धांत है कि self-improving systems उस बढ़त को कम कर सकते हैं, क्योंकि प्रगति केवल brute force scaling पर कम निर्भर होगी।

यह compute को अस्वीकार करना नहीं है। यह इस बात का दावा है कि अतिरिक्त लाभ कहाँ से आ सकते हैं। यदि AI systems बेहतर training methods खोज सकते हैं, अपने code को optimize कर सकते हैं, और शोध तथा experimentation के हिस्सों को स्वचालित कर सकते हैं, तो algorithmic improvement और raw infrastructure के बीच संतुलन बदल सकता है।

भले ही recursive self-improvement का सबसे मजबूत रूप अभी दूर हो, बीच के लाभ भी मूल्यवान हो सकते हैं। experimental design, code iteration, या automated model improvement के लिए बेहतर tooling Sakana से बहुत आगे के labs के लिए भी महत्वपूर्ण होगी।

असली परीक्षा आगे है

नए लैब के लिए चुनौती conceptual visibility नहीं है। Recursive self-improvement पहले से ही AI के सबसे चर्चित दीर्घकालिक विचारों में से एक है। चुनौती यह दिखाना है कि मौजूदा प्रणालियाँ वास्तव में क्या कर सकती हैं, इसे बढ़ा-चढ़ाकर बताए बिना, टिकाऊ और मापने योग्य प्रगति प्रदर्शित करना।

फिलहाल, Sakana की घोषणा को सबसे अच्छा इस तरह पढ़ा जाना चाहिए कि वह एक शोध-दिशा को औपचारिक रूप दे रही है, जिसके बारे में उसे लगता है कि पहले से प्रारंभिक प्रमाण मिल चुके हैं। कंपनी तर्क दे रही है कि recursive self-improvement को अब केवल दार्शनिक संभावना नहीं, बल्कि एक engineering agenda के रूप में देखा जाना चाहिए।

यदि यह तर्क सही साबित होता है, तो इसके निहितार्थ महत्वपूर्ण होंगे। AI प्रगति कम इस बात पर निर्भर हो सकती है कि कौन compute पर सबसे ज्यादा खर्च कर सकता है, और अधिक इस पर कि कौन ऐसे सिस्टम बना सकता है जो शोध प्रक्रिया को ही बेहतर बनाते हैं। यह साबित करने का कठिन रास्ता है, लेकिन संभावित रूप से अधिक महत्वपूर्ण भी।

मुख्य बिंदु

• Sakana AI ने recursive self-improvement का अध्ययन करने के लिए RSI Lab बनाया है।
• कंपनी का कहना है कि RSI मौजूदा compute arms race का एक विकल्प दे सकता है।
• Sakana ने लैब को LLM-Squared, Darwin Godel Machine, और The AI Scientist जैसी पूर्व परियोजनाओं से जोड़ा है।
• कंपनी ने ऐसे सिस्टम्स की ओर चार-चरणीय मार्गरेखा बताई है जो अपनी तकनीकी नींव को बढ़ती सीमा तक स्वयं सुधार सकते हैं।

यह लेख The Decoder की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.