# Давал Аджода о будущем AI: «Это не вера, самосовершенствование уже происходит»

Источник: https://www.youtube.com/watch?v=3Q1mdn5ZGvM
Канал: a16z (Andreessen Horowitz)
Опубликовано: 12.10.2026

---

Рекурсивное самосовершенствование (RSI) — одна из самых обсуждаемых и, возможно, самых неверно истолкованных концепций в современном ИИ. Пока индустрия спорит о сроках достижения общего искусственного интеллекта (AGI), основатели стартапа MakerMaker.AI, Давал Аджода и Оуэн Хэ, работают над созданием систем, способных не просто автоматизировать рутину, а стать собственными «архитекторами». В беседе с генеральным партнером a16z Мартином Касадо они раскрывают, почему истинное RSI — это не просто ИИ, пишущий код для ИИ, и как замкнутый цикл оптимизации может привести к качественному скачку без экспоненциальных затрат ресурсов.

## 🧠 Что такое истинное RSI: от инструментов к замкнутому циклу
[[JUMP:02:25]]

В современной индустрии термин RSI часто используется как маркетинговый ярлык. Мартин Касадо отмечает, что многие стартапы называют «самосовершенствованием» простую автоматизацию отдельных участков, например, использование ИИ для написания GPU-ядер [02:12]. Однако гости проводят четкую границу между **автокатализом** и **рекурсией**.

*   **Автокатализ:** Использование ИИ как инструмента (улучшение компьютеров с помощью компьютеров). Здесь «оптимизатором» остается человеческий мозг, который придумывает идеи, а ИИ лишь ускоряет их реализацию [02:50].
*   **Истинное RSI:** Замена человеческого оптимизатора на саму модель. Это ситуация, когда «мозг» агента (LLM) становится объектом собственной оптимизации [04:07].

Давал Аджода подчеркивает: ключевое различие заключается в наличии «замкнутого цикла» (closed loop). В автокаталитических системах всегда есть разрыв, который заполняется человеческими ресурсами. В замкнутом цикле система сама переинвестирует свои когнитивные улучшения в дальнейшее развитие [04:58].

## 📉 Формула прогресса: числитель и знаменатель
[[JUMP:05:10]]

Для оценки прогресса MakerMaker.AI используют математическую модель, где темп роста возможностей ИИ зависит от двух факторов:

1.  **Числитель — Производительность:** Насколько мощной становится система [05:24].
2.  **Знаменатель — Затраты и сложность:** Капитал, энергия и интеллектуальные усилия, необходимые для следующего шага [05:38].

В обычных технологических эпохах (например, во времена паровых двигателей) числитель был фиксированным, а сложность росла, что приводило к плато [06:04]. В случае с RSI, если способность системы к улучшению коррелирует с её текущими возможностями, знаменатель и числитель могут компенсировать друг друга, обеспечивая **постоянный темп прогресса** при фиксированных ресурсах [06:29]. Если же возможности растут быстрее сложности, возможен сценарий «экспоненциального взлета» (takeoff) [06:43].

## 👥 Гибридный подход: люди как часть системы
[[JUMP:08:32]]

Несмотря на акцент на автоматизации, Оуэн Хэ поясняет, что их видение RSI не исключает человека. В системе MakerMaker.AI исследователи и инженеры рассматриваются как «специальные типы агентов» в рамках мультиагентной структуры [09:06]. 

**Ключевые аспекты этого подхода:**

*   **Оптимизация всего стека:** Недостаточно улучшать только веса модели. Нужно оптимизировать промпты, оснастку (harness), алгоритмы и в конечном итоге — само оборудование (чипы) [17:08].
*   **Борьба с «бутылочными горлышками»:** Любой компонент, который не включен в цикл оптимизации, со временем станет тормозом всей системы [09:19].
*   **Эффективность капитала:** Команда внимательно следит за «бледербордом» (bleederboard) — внутренним рейтингом затрат на эксперименты, чтобы гарантировать, что прогресс достигается не просто за счет вливания денег [11:28].

## 🛠️ Практическое применение: от теории к инференсу
[[JUMP:17:41]]

Вместо абстрактных исследований MakerMaker.AI сфокусировались на **инференсе** (выводе) [18:12]. Это решение продиктовано как экономической важностью (весь мир хочет запускать модели дешевле и быстрее), так и близостью проблемы к самой сути ИИ.

Улучшение инференса создает двойной эффект:

1.  Модель начинает работать быстрее.
2.  Благодаря возросшей скорости, она может быстрее проводить циклы самосовершенствования [18:50].

Интересно, что система сама выбирает, какой элемент оптимизировать. Аджода утверждает, что они стараются быть максимально «hands-off» (не вмешиваться), позволяя агенту даже улучшать собственный «мастер-промпт» [20:35].

## 📊 «Вице-король вариативности» и проблемы измерения
[[JUMP:24:00]]

На вопрос Касадо о том, является ли самосовершенствование лишь «верой», Давал отвечает категорично: «Это не вера, это происходит» [24:04]. Команда уже наблюдает ранние признаки (glimmers) того, что системы начинают требовать меньше энергии для получения лучших результатов [23:12].

Однако главной сложностью остается **верификация**. В море «шумных» публикаций об RSI сложно отличить реальный прогресс от ошибок измерения. В компании даже существует должность «Вице-короля вариативности» — инженера, чья задача — разрушать собственные результаты, искать аномалии, «взлом наград» (reward hacking) и шум в данных [25:55].

Оуэн Хэ добавляет, что интеллект не является одномерной шкалой. В таких областях, как математика или программирование, где оценка результата дешева и мгновенна, RSI даст колоссальное ускорение. В областях, связанных с физическим миром (например, клинические испытания лекарств), прогресс все равно будет ограничен скоростью «движения атомов» [29:11].

## 🛸 Физические пределы и «шланг из Висконсина»
[[JUMP:29:39]]

Обсуждая пределы роста, Давал Аджода напоминает о физических константах: скорости света и количестве частиц во Вселенной. Рано или поздно любая система упрется в «верхнюю границу вычислений» [23:51]. 

В завершение дискуссии спикеры делятся внутренней шуткой о «компании по производству садовых шлангов в Висконсине». Смысл аналогии в том, что если бы Эйнштейн не открыл теорию относительности, инженерам GPS пришлось бы вводить эмпирические «поправки», не понимая природы искажения пространства-времени [30:31]. MakerMaker.AI стремятся найти фундаментальную «физику» самосовершенствования ИИ, которая скрыта за сложностью текущих рабочих процессов, и превратить эмпирические наблюдения в надежную инженерную дисциплину.