సకానా AI పునరావృత స్వయంసुधారణను ముందుకు తీసుకెళ్లేందుకు ప్రయోగశాల ఏర్పాటు చేసింది

ఫ్రంట్ియర్ పురోగతికి సకానా AI వేరే మార్గంపై పందెం వేస్తోంది

సకానా AI పునరావృత స్వయంసुधారణ, లేదా RSI, ను అధ్యయనం చేయడానికి Sakana AI RSI Lab అనే ప్రత్యేక పరిశోధనా సమూహాన్ని ప్రారంభించింది. ఈ భావన మహత్తరమైనదే, కానీ రూపరేఖలో సూటిగా ఉంది: భవిష్యత్తు AI వ్యవస్థల సాంకేతిక పునాదులను మళ్లీ రూపకల్పన చేయడానికి, మెరుగుపరచడానికి, మరియు విస్తరించడానికి సహాయపడగల AI వ్యవస్థలను నిర్మించడం, తద్వారా మెరుగుదల యొక్క సమ్మిళిత చక్రాన్ని సృష్టించడం.

స్టార్టప్ వాదన వ్యూహాత్మకంగానూ ఉంది. పురోగతిని క్రమంగా పెద్ద మోడళ్లను క్రమంగా పెద్ద కంప్యూట్ బడ్జెట్లతో శిక్షణ ఇవ్వడమే ప్రధానమని చూడటం బదులు, సకానా పునరావృత స్వయంసుధారణను మరింత సమర్థత మరియు విస్తృత ప్రాప్యతకు మార్గంగా నిలబెడుతోంది. ఆ దృక్పథంలో, అభివృద్ధి చెందిన AI యొక్క తదుపరి దశ కేవలం మరింత స్కేల్ కావడం మాత్రమే కాదు. అది వ్యవస్థలను మెరుగుపరచే మెరుగైన వ్యవస్థలు కావచ్చు.

అందువల్ల ఈ ప్రయోగశాల ప్రారంభం ఒక బ్రాండింగ్ చర్య కంటే ఎక్కువ. ప్రస్తుత ఫ్రంట్ియర్ రేసుకు అర్థవంతమైన ప్రత్యామ్నాయం ఎక్కడ ఉద్భవించవచ్చో గురించి అత్యంత జాగ్రత్తగా గమనించబడుతున్న AI స్టార్టప్‌లలో ఒకటి ఇచ్చిన ప్రకటన ఇది.

సిద్ధాంతం నుంచి నియంత్రిత ప్రయోగాలకు

పునరావృత స్వయంసుధారణ చాలా కాలంగా ఊహాత్మక వాతావరణాన్ని మోస్తూ వచ్చింది, తరచుగా అది ప్రాయోగిక పరిశోధనా కార్యక్రమం కంటే దూరమైన అవకాశంగా చర్చించబడింది. సకానా ఈ అంతరాన్ని తగ్గించడానికి, ఆ ఆలోచనను నిర్దిష్ట గత ప్రాజెక్టులపై ఆధారపరుస్తోంది. RSI Lab ప్రకటిస్తూ, సంస్థ గత రెండు సంవత్సరాల నుండి కొన్ని ప్రయత్నాలను చూపించింది, వాటిని అది మెట్టెలుగా చూస్తోంది.

అవాటిలో ఒకటి LLM-Squared, ఇది భాషా మోడళ్లు ఇతర భాషా మోడళ్లకు మెరుగైన శిక్షణ పద్ధతులను ఎలా రూపొందించగలవో అన్వేషిస్తుంది. మరోది Darwin Godel Machine, ఇది తన స్వంత codebase యొక్క వేరియంట్లను ఉత్పత్తి చేసి, పరీక్షించి, పునరావృతం చేసే వ్యవస్థగా వర్ణించబడింది. సకానా ShinkaEvolve, ALE-Agent, మరియు The AI Scientist‌లను కూడా ప్రస్తావించింది, ఇవన్నీ పరిణామ అనుకూలీకరణ, ప్రయోగం-దోషం ఆధారిత వ్యూహ అన్వేషణ, లేదా శాస్త్రీయ పరిశోధనలోని కొన్ని భాగాల ఆటోమేషన్‌తో సంబంధం ఉన్న ప్రాజెక్టులు.

ఆ సమూహంలో బలమైన సంకేతాలలో ఒకటి కంపెనీ చేసిన ఈ వాదన: The AI Scientist యొక్క తరువాతి వెర్షన్ peer review‌ను దాటిన ఒక పేపర్ రాసింది, మరియు ఆ అంతర్లీన పరిశోధన March 2026లో Natureలో ప్రచురితమైంది. ఇవన్నీ కలిపి చూస్తే, పునరావృత స్వయంసుధారణ స్వచ్ఛమైన ఆలోచనా ప్రయోగం నుంచి నియంత్రిత, క్రమానుగత ప్రదర్శనలకు మారిందని సకానా ఈ ప్రాజెక్టులను ఆధారాలుగా చూపిస్తోంది.

నాలుగు దశల రోడ్‌మ్యాప్

సకానా తన రోడ్‌మ్యాప్ నాలుగు దశల్లో సాగుతుందని చెబుతోంది, మొదట చాట్‌బాట్‌లుగా కాకుండా, ఓపెన్-ఎండెడ్ సాంకేతిక పనికి సాధనాలుగా రూపకల్పన చేసిన వ్యవస్థలతో. ప్రధాన ఆలోచన మానవులు నడిపే ఆప్టిమైజేషన్ నుండి, తమ స్వంత అంతర్లీన నిర్మాణం, code, మరియు డిజైన్ నిర్ణయాలకు క్రమంగా మరింతగా తోడ్పడగల AI ఏజెంట్ల వైపు కదలడం.

ఈ రోడ్‌మ్యాప్ ముఖ్యమైనది, ఎందుకంటే ఇది ఆకస్మిక దూకుడుకు బదులు కొలిచిన మార్పును సూచిస్తోంది. నేటి వ్యవస్థలు పూర్తిస్థాయిలో స్వయంచాలకంగా తమను తాము తిరిగి ఆవిష్కరించగలవని సకానా చెప్పడం లేదు. బదులుగా, సంకుచిత పరిధి ఉన్న ఆప్టిమైజేషన్, ప్రయోగాలు, మరియు code జనరేషన్ క్రమంగా అభివృద్ధి చక్రంలో కేంద్రంగా మారే ఒక శ్రేణిని అది వివరిస్తోంది.

ఇది AI చుట్టూ ఉన్న ప్రధాన వాణిజ్య కథనానికి గణనీయమైన వ్యత్యాసం. అక్కడ సామర్థ్య పెరుగుదలలు ఎక్కువగా మోడల్ పరిమాణం, శిక్షణ రన్స్, మరియు మౌలిక సదుపాయాల ఖర్చుల ద్వారా వివరించబడతాయి. సకానా శోధన, అనుకూలనం, మరియు పరిణామాన్ని ప్రత్యామ్నాయ లీవర్లుగా నొక్కి చెబుతోంది.

ప్రస్తుత AI మార్కెట్‌లో ఈ దృక్పథం ఎందుకు ముఖ్యం

కంప్యూట్ సాంద్రీకరణ AI పరిశ్రమను నిర్వచించే లక్షణాల్లో ఒకటిగా మారిన కాలంలో ఈ ప్రారంభం వచ్చింది. ఫ్రంట్ియర్ శిక్షణ రన్స్ ఖరీదైనవి, హార్డ్‌వేర్ ప్రాప్తి అసమానంగా ఉంది, మరియు అతి పెద్ద ల్యాబ్‌లకు మిగతావారికీ మధ్య ఉన్న అంతరం నిర్మాణాత్మకంగా కనిపించవచ్చు. స్వయంసుధారణ వ్యవస్థలు కేవలం brute-force స్కేలింగ్‌పై ఆధారపడకుండా పురోగతిని సాధించగలిగితే, ఆ ఆధిక్యం కొంత మేరకు తగ్గవచ్చని సకానా సిద్ధాంతం చెబుతోంది.

అది కంప్యూట్‌ను తిరస్కరించడం కాదు. అది అంచు లాభాలు ఎక్కడి నుంచి రావచ్చో గురించిన వాదన. AI వ్యవస్థలు మెరుగైన శిక్షణ పద్ధతులను కనుగొనగలిగితే, తమ codeను ఆప్టిమైజ్ చేయగలిగితే, మరియు పరిశోధన, ప్రయోగంలోని కొన్ని భాగాలను ఆటోమేట్ చేయగలిగితే, అల్గోరిథ్మిక్ మెరుగుదల మరియు మౌలిక సదుపాయాల మధ్య సమతుల్యత మారవచ్చు.

పునరావృత స్వయంసుధారణ యొక్క అత్యంత బలమైన రూపం ఇంకా దూరంగా ఉన్నా, మధ్యంతర లాభాలు కూడా విలువైనవే. ప్రయోగాత్మక రూపకల్పన, code పునరావృతం, లేదా ఆటోమేటెడ్ మోడల్ మెరుగుదల కోసం మెరుగైన సాధనాలు సకానా వెలుపల ఉన్న ల్యాబ్‌లకూ ఉపయోగపడతాయి.

ముందున్న అసలైన పరీక్ష

కొత్త ప్రయోగశాలకు సవాలు భావనాత్మక దృశ్యత కాదు. పునరావృత స్వయంసుధారణ ఇప్పటికే AIలో అత్యంత చర్చించబడుతున్న దీర్ఘకాలిక ఆలోచనల్లో ఒకటి. సవాలు ఏమిటంటే, ప్రస్తుత వ్యవస్థలు నిజంగా చేయగలిగిన దాన్ని అతిశయోక్తి చేయకుండా, నిలకడగా కొలవగల పురోగతిని చూపించడం.

ప్రస్తుతానికి, సకానా ప్రకటనను సంస్థ ఇప్పటికే ప్రారంభ ఆధారాలను అందించిందని నమ్ముతున్న ఒక పరిశోధనా దిశను అధికారికంగా స్థాపించాలనే ప్రయత్నంగా చదవడం మంచిది. పునరావృత స్వయంసుధారణను ఇకపై కేవలం తాత్విక అవకాశంగా కాక, ఇంజినీరింగ్ కార్యక్రమంగా పరిగణించాలని సంస్థ వాదిస్తోంది.

ఆ వాదన నిలబడితే, దాని ప్రభావాలు గణనీయంగా ఉంటాయి. AI పురోగతి కంప్యూట్‌పై ఎవరు ఎక్కువ ఖర్చు చేయగలరో అనే దానికంటే, పరిశోధనా ప్రక్రియనే మెరుగుపరచగల వ్యవస్థలను ఎవరు నిర్మించగలరో అనే దానిపై మరింత ఆధారపడవచ్చు. అది నిరూపించడానికి కఠినమైన మార్గం, కానీ సంభావ్యంగా మరింత కీలకమైనది.

ముఖ్యాంశాలు

• పునరావృత స్వయంసుధారణను అధ్యయనం చేయడానికి సకానా AI RSI Lab‌ను ఏర్పాటు చేసింది.
• ప్రస్తుత కంప్యూట్ ఆయుధపోటీకి RSI ఒక ప్రత్యామ్నాయం కావచ్చని సంస్థ భావిస్తోంది.
• LLM-Squared, Darwin Godel Machine, మరియు The AI Scientist వంటి గత ప్రాజెక్టులతో సకానా ఈ ల్యాబ్‌ను అనుసంధానించింది.
• తమ సాంకేతిక పునాదులను క్రమంగా మెరుగుపరుచుకునే వ్యవస్థల వైపు నాలుగు దశల మార్గాన్ని సంస్థ వివరించింది.

ఈ వ్యాసం The Decoder రిపోర్టింగ్‌పై ఆధారపడింది. అసలు వ్యాసాన్ని చదవండి.