சகானா AI மீள்சுற்று சுயமேம்பாட்டை முன்னெடுக்க ஆய்வகத்தை அமைக்கிறது

முனைமட்ட முன்னேற்றத்திற்கு சகானா AI வேறொரு பாதையில் பந்தயம் வைக்கிறது

சகானா AI மீள்சுற்று சுயமேம்பாடு, அல்லது RSI, ஆகியவற்றை ஆய்வு செய்ய Sakana AI RSI Lab எனும் ஒரு தனித்த ஆய்வுக் குழுவை தொடங்கியுள்ளது. இந்தக் கருத்து பெரும் இலட்சியமுடையது, ஆனால் அடிப்படை வடிவில் நேர்மையானது: எதிர்கால AI அமைப்புகளின் தொழில்நுட்ப அடித்தளங்களை மறுவடிவமைக்க, மேம்படுத்த, மற்றும் விரிவுபடுத்த உதவும் AI அமைப்புகளை உருவாக்கி, மேம்பாட்டு சுழற்சி தானாகவே பெருகும் ஒரு வளையத்தை உருவாக்குவது.

இந்த ஸ்டார்ட்அப்பின் வாதம் மூலோபாய ரீதியாகவும் உள்ளது. முன்னேற்றத்தை தொடர்ந்து பெரிய மாடல்களை தொடர்ந்து பெரிய கணினி வளப் பட்ஜெட்டுகளுடன் பயிற்றுவிப்பதன் விளைவாக மட்டுமே பார்க்காமல், சகானா மீள்சுற்று சுயமேம்பாட்டை அதிக செயல்திறன் மற்றும் பரந்த அணுகலுக்கான பாதையாக நிலைநிறுத்துகிறது. அந்தக் கோணத்தில், முன்னேற்ற AI-யின் அடுத்த படி வெறும் அதிக அளவு அல்ல. அது அமைப்புகளை மேம்படுத்தும் சிறந்த அமைப்புகளாக இருக்கலாம்.

அதனால் இந்த ஆய்வகத்தின் தொடக்கம் ஒரு பிராண்டிங் நகர்வை விட அதிகமானது. இது நெருக்கமாக கவனிக்கப்படும் AI ஸ்டார்ட்அப்புகளில் ஒன்றிற்கு, தற்போதைய முனைமட்டப் போட்டிக்கு பொருத்தமான மாற்று எங்கு உருவாகக்கூடும் என்பதைக் குறித்து உள்ள நிலைப்பாடு ஆகும்.

கோட்பாட்டிலிருந்து கட்டுப்படுத்தப்பட்ட சோதனைகளுக்கு

மீள்சுற்று சுயமேம்பாடு நீண்ட காலமாக ஊகத்தின் ஓரமொன்றைக் கொண்டிருந்தது; அது நடைமுறை ஆய்வுத் திட்டமாக அல்ல, தொலைவில் இருக்கக்கூடிய வாய்ப்பாகவே பேசப்பட்டது. சகானா அந்த இடைவெளியை குறைக்க, இந்தக் கருத்தை குறிப்பிட்ட முந்தைய திட்டங்களில் நிலைநிறுத்த முயல்கிறது. RSI Lab-ஐ அறிவித்தபோது, நிறுவனம் கடந்த இரண்டு ஆண்டுகளில் நடந்த பல முயற்சிகளை ஒரு படிக்கட்டுகளாகக் குறிப்பிட்டது.

அவற்றில் ஒன்று LLM-Squared; இது, மொழி மாதிரிகள் பிற மொழி மாதிரிகளுக்கான மேம்பட்ட பயிற்சி முறைகளை எவ்வாறு உருவாக்கலாம் என்பதை ஆராய்கிறது. இன்னொன்று Darwin Godel Machine; இது தனது சொந்த codebase-இன் மாற்றங்களை உருவாக்கி, சோதித்து, மீண்டும் மேம்படுத்தும் ஒரு அமைப்பாக விவரிக்கப்படுகிறது. சகானா ShinkaEvolve, ALE-Agent, மற்றும் The AI Scientist ஆகியவற்றையும் முன்னிறுத்தியது; இவை அனைத்தும் பரிணாம மேம்பாடு, முயற்சி-பிழை வழி உத்தி கண்டறிதல், அல்லது அறிவியல் ஆய்வின் சில பகுதிகளை தானியங்கமாக்குதல் ஆகியவற்றுடன் தொடர்புடைய திட்டங்கள்.

அந்த தொகுப்பில் உள்ள வலுவான அறிகுறிகளில் ஒன்று, The AI Scientist-இன் பின்னர் வெளியான ஒரு பதிப்பு peer review-ஐத் தாண்டிய ஒரு கட்டுரையை எழுதியதாக நிறுவனத்தின் கூறு. அதற்கான அடிப்படை ஆய்வு March 2026-ல் Nature-இல் வெளியிடப்பட்டது. இவை அனைத்தையும் ஒன்றாகப் பார்க்கும்போது, மீள்சுற்று சுயமேம்பாடு தூய சிந்தனைப் பரிசோதனையிலிருந்து கட்டுப்படுத்தப்பட்ட, படிப்படியான நிரூபணங்களாக மாறிவிட்டதாக சகானா இத்திட்டங்களை ஆதாரமாக முன்வைக்கிறது.

நான்கு கட்டங்களான சாலை வரைபடம்

சகானா தனது சாலை வரைபாடு நான்கு கட்டங்களில் முன்னேறுகிறது என்று கூறுகிறது; அது சாட்பாட்களாக அல்ல, திறந்த முடிவு கொண்ட தொழில்நுட்ப பணிக்கான கருவிகளாக வடிவமைக்கப்பட்ட அமைப்புகளால் தொடங்குகிறது. மொத்தமான கருத்து, மனிதர்கள் வழிநடத்தும் மேம்பாட்டிலிருந்து, தங்களின் அடிப்படை கட்டமைப்பு, code, மற்றும் வடிவமைப்பு முடிவுகளில் அதிகமாக பங்களிக்கக் கூடிய AI முகவர்களுக்குச் செல்லுவதாகும்.

இந்த சாலை வரைபாடு முக்கியமானது, ஏனெனில் அது திடீர் தாவலை அல்ல, அளவான மாற்றத்தைத் தெரிவிக்கிறது. இன்றைய அமைப்புகள் முழு அளவில் தன்னிச்சையாகத் தங்களை மறுபிறப்புச் செய்ய முடியும் என்று சகானா கூறவில்லை. அதற்குப் பதிலாக, குறுகிய வரம்புடைய மேம்பாடு, பரிசோதனை, மற்றும் code உருவாக்கம் ஆகியவை வளர்ச்சி சுழற்சியில் படிப்படியாக மையமாகிவரும் ஒரு தொடர் நிலைகளை அது வரைவதாகும்.

இது AI-யைச் சுற்றியுள்ள மேலாதிக்கமான வணிகக் கதைக்கு கணிசமான முரண்பாடாகும்; அங்கே திறன் மேம்பாடுகள் பெரும்பாலும் மாதிரி அளவு, பயிற்சி ஓட்டங்கள், மற்றும் உட்கட்டமைப்பு செலவுகள் மூலமாகவே விவரிக்கப்படுகின்றன. சகானா தேடல், தழுவல், மற்றும் பரிணாமத்தை மாற்று இயக்கிகளாக வலியுறுத்துகிறது.

தற்போதைய AI சந்தையில் இந்த அணுகுமுறை ஏன் முக்கியம்

கணினி வளங்களின் செறிவு AI துறையின் நிர்ணயிக்கும் அம்சங்களில் ஒன்றாக மாறியுள்ள காலகட்டத்தில் இந்தத் தொடக்கம் நிகழ்கிறது. முனைமட்ட பயிற்சி ஓட்டங்கள் மிகச் செலவானவை, வன்பொருள் அணுகல் சீரற்றது, மேலும் மிகப்பெரிய ஆய்வகங்களுக்கும் மற்ற அனைவருக்கும் இடையிலான இடைவெளி கட்டமைப்பு சார்ந்ததாகத் தோன்றலாம். சகானாவின் கருதுகோள், சுயமேம்படும் அமைப்புகள் வெறும் brute-force அளவாக்கத்தை மட்டும் சார்ந்து இல்லாமல் முன்னேற்றத்தைச் செய்யவைக்க, அந்த நன்மையை மங்கச் செய்யக்கூடும் என்பதாகும்.

அது கணினி வளத்தை மறுப்பதல்ல. அது கூடுதல் லாபங்கள் எங்கிருந்து வரக்கூடும் என்பதைக் குறித்த கூற்று. AI அமைப்புகள் சிறந்த பயிற்சி முறைகளை கண்டுபிடிக்க, தங்களின் code-ஐ மேம்படுத்த, மற்றும் ஆய்வு மற்றும் பரிசோதனையின் சில பகுதிகளை தானியங்கமாக்க முடிந்தால், algorithmic மேம்பாடு மற்றும் மூல உட்கட்டமைப்பு ஆகியவற்றின் இடையிலான சமநிலை மாறக்கூடும்.

மீள்சுற்று சுயமேம்பாட்டின் மிக வலுவான வடிவம் இன்னும் தொலைவில் இருந்தாலும், இடைநிலை முன்னேற்றங்கள் கூட மதிப்புடையவையாக இருக்கலாம். பரிசோதனை வடிவமைப்பு, code மீளுருவாக்கம், அல்லது தானியங்கி மாடல் மேம்பாட்டுக்கான சிறந்த கருவிகள் சகானாவைத் தாண்டிய ஆய்வகங்களுக்கும் முக்கியமானவை ஆகும்.

முன்னுள்ள உண்மையான சோதனை

புதிய ஆய்வகத்துக்கான சவால் கருத்தியல் தெளிவின்மை அல்ல. மீள்சுற்று சுயமேம்பாடு ஏற்கனவே AI-யில் மிகவும் விவாதிக்கப்படும் நீண்டகால கருத்துகளில் ஒன்றாக உள்ளது. சவால் என்னவெனில், தற்போதைய அமைப்புகள் உண்மையில் என்ன செய்ய முடியும் என்பதைக் குறித்து மிகைப்படுத்தாமல், நிலைத்த மற்றும் அளவிடக்கூடிய முன்னேற்றத்தை நிரூபிப்பதாகும்.

இப்போதைக்கு, சகானாவின் அறிவிப்பு, நிறுவனம் ஏற்கனவே தொடக்க ஆதாரங்களை வழங்கியதாக நம்பும் ஒரு ஆய்வுத் திசையை அதிகாரபூர்வமாக்கும் முயற்சியாகவே படிக்கப்பட வேண்டும். மீள்சுற்று சுயமேம்பாட்டை இனிமேல் தத்துவ வாய்ப்பாக மட்டுமல்ல, ஒரு பொறியியல் திட்டமாகவும் கருத வேண்டும் என்று நிறுவனம் வாதிடுகிறது.

அந்த வாதம் நிலைத்தால், அதன் விளைவுகள் குறிப்பிடத்தக்கவையாக இருக்கும். AI முன்னேற்றம் அதிகமாக கணினி வளத்தில் யார் அதிகம் செலவு செய்ய முடியும் என்பதைக் குறைவாகவும், ஆய்வு செயல்முறையையே மேம்படுத்தும் அமைப்புகளை யார் உருவாக்க முடியும் என்பதைக் அதிகமாகவும் சார்ந்திருக்கலாம். அது நிரூபிக்க கடினமான பாதை, ஆனால் சாத்தியமாக அதிக விளைவுள்ள ஒன்றாகும்.

முக்கிய குறிப்புகள்

• மீள்சுற்று சுயமேம்பாட்டை ஆய்வு செய்ய சகானா AI RSI Lab-ஐ உருவாக்கியுள்ளது.
• தற்போதைய கணினி வளப் போட்டிக்கு RSI ஒரு மாற்றாக இருக்கலாம் என்று நிறுவனம் கருதுகிறது.
• LLM-Squared, Darwin Godel Machine, மற்றும் The AI Scientist உள்ளிட்ட முந்தைய திட்டங்களுடன் இந்த ஆய்வகத்தை சகானா இணைத்துள்ளது.
• தங்களின் தொழில்நுட்ப அடித்தளங்களை மேலும் மேலும் மேம்படுத்தக்கூடிய அமைப்புகளுக்கான நான்கு கட்டப் பாதையை நிறுவனம் வகுத்துள்ளது.

இந்தக் கட்டுரை The Decoder செய்தி அறிக்கையை அடிப்படையாகக் கொண்டது. அசல் கட்டுரையை படிக்கவும்.