+− THE DAILY DIFFdev & AI news
NEEDS REVIEW

Αναδρομική αυτοβελτίωση, κάτω από το κάλυμμα

Η Google DeepMind δημοσίευσε το «Dream-RSI: Αναδρομική Αυτοβελτίωση μέσω Εξελισσόμενων Κόσμων» — και το μοντέλο κωδικοποίησης μέσα σε αυτό δεν αλλάζει ποτέ.

Want to see our stories first on Google? Add us to your preferred sources — it helps us grow.

Η Google DeepMind δημοσίευσε το «Dream-RSI: Αναδρομική Αυτοβελτίωση μέσω Εξελισσόμενων Κόσμων» — και το μοντέλο κωδικοποίησης μέσα σε αυτό δεν αλλάζει ποτέ. Κάτω από το κάλυμμα: τι σήμαινε η φράση για 60 χρόνια, τι πραγματικά επαναλαμβάνεται στο Dream-RSI (μια πολιτική εξερεύνησης Python που «ονειρεύεται» πάνω από καταγεγραμμένα δέντρα αναζήτησης), και γιατί 317 κλήσεις πρακτόρων αντί για 550 είναι έκπτωση, όχι απογείωση. Ετυμηγορία: NEEDS REVIEW.

Διαβάστε την γραπτή έκδοση (Αγγλικά) ↗

Τι καλύπτει αυτό το βίντεο

  • 1965 → 2008: «έκρηξη νοημοσύνης» του I. J. Good, AI σπόρου του Yudkowsky — μια μηχανή που ξαναγράφει τα δικά της βάρη
  • 2025: AlphaEvolve — 48-πολλαπλασιασμός 4×4 πίνακα πολλαπλασιασμού, 0,7% της υπολογιστικής ισχύος της Google ανακτήθηκε, πυρήνες Gemini 23% ταχύτεροι
  • 2026: Dream-RSI — η πολιτική βελτιώνεται, ο κωδικοποιητής, ο κριτής και ο αναπροσαρμογέας είναι όλοι παγωμένοι· η προτροπή λέει «Μην λύσετε την επιστημονική εργασία»
  • X: «Η Google μόλις έσπασε την αναδρομική αυτοβελτίωση» (819 likes) vs HN: «το να το αποκαλείς RSI φαίνεται παραπλανητικό»
  • Χρησιμοποιημένοι αριθμοί: §4.1 Lasso 550 → 317 κλήσεις πρακτόρων, 3587 → 2931 ms· Πίνακας 1 κυκλική συσκευασία 2.635983 = AlphaEvolveV2· §4.3 KernelBench 2.43× / 1.79× λιγότερες γενιές, έως και 2.09× ταχύτερα· Παράρτημα B.2 προτροπή (όλα από το παραπάνω PDF)

Ερωτήσεις και απαντήσεις

Τι σημαίνει αναδρομική αυτοβελτίωση στην Τεχνητή Νοημοσύνη;

Σημαίνει ότι ένα σύστημα τεχνητής νοημοσύνης γίνεται πιο έξυπνο και στη συνέχεια χρησιμοποιεί την πιο έξυπνη έκδοση για να το ξανακάνει. Ο I. J. Good περιέγραψε μια έκρηξη νοημοσύνης το 1965, και το δοκίμιο του Eliezer Yudkowsky το 2008 έκανε την ιδέα κεντρική στην ασφάλεια της τεχνητής νοημοσύνης. Για δεκαετίες η φράση σήμαινε ένα σύστημα που ξαναγράφει τον δικό του πηγαίο κώδικα ή τα βάρη και γίνεται πιο έξυπνο σε κάθε πέρασμα.

en.wikipedia.org · www.lesswrong.com

Τι πραγματικά βελτιώνεται στην εργασία Dream-RSI της Google DeepMind;

Μόνο η πολιτική εξερεύνησης βελτιώνεται. Είναι ένα πρόγραμμα Python που αποφασίζει ποιους κλάδους ενός δέντρου αναζήτησης θα επεκτείνει. Σύμφωνα με την εργασία, ο κωδικοποιητής, ο κριτής και ο αναπροσαρμογέας είναι όλα παγωμένα συστατικά του Gemini, και η προτροπή στο Παράρτημα B.2 λέει στο σύστημα να επεξεργαστεί ένα αρχείο και να μην λύσει την επιστημονική εργασία.

arxiv.org · dream-rsi.com

Πώς ένα σύστημα τεχνητής νοημοσύνης δοκιμάζει νέες στρατηγικές έναντι καταγεγραμμένων εκτελέσεων αντί για πραγματικό υλικό;

Το Dream-RSI μετατρέπει κάθε προηγούμενη εκτέλεση σε έναν προσομοιωτή αναπαραγωγής. Κάθε εκτέλεση αφήνει ένα δέντρο από αυτά που δοκιμάστηκαν και τι βαθμολογήθηκαν, και ένα παγωμένο Gemini ξαναγράφει την πολιτική. Η νέα πολιτική δοκιμάζεται στη συνέχεια έναντι αυτών των καταγεγραμμένων αποτελεσμάτων αντί για πραγματικές GPU. Η εργασία το αποκαλεί αυτό ονειροπόληση, και μία πραγματική εκτέλεση πληρώνει για χιλιάδες ονειρεμένες.

arxiv.org

Πόσο μεγάλα ήταν τα μετρούμενα κέρδη στο Dream-RSI;

Τα κέρδη ήταν εξοικονόμηση αποδοτικότητας. Στην εργασία Lasso, η σταθερή εξερεύνηση χρειάστηκε 550 κλήσεις πράκτορα και το Dream-RSI χρειάστηκε 317, με τον χρόνο εκτέλεσης να πέφτει από 3587 σε 2931 ms. Στο KernelBench χρειάστηκε 2.43× λιγότερες γενιές. Η συσκευασία κύκλων βαθμολογήθηκε 2.635983, το ίδιο με το AlphaEvolveV2. Αυτό είναι μια έκπτωση στον υπολογισμό, σύμφωνα με το επεισόδιο, και καμία νέα δυνατότητα.

arxiv.org

Πρέπει οι προγραμματιστές να αποκαλούν το Dream-RSI αναδρομική αυτοβελτίωση;

Η ετυμηγορία του The Daily Diff ήταν NEEDS REVIEW. Ο βρόχος είναι πραγματικός και οι οικονομίες μετρούμενες, αλλά οι δύο λέξεις στο εξώφυλλο περιγράφουν μια μηχανή που δεν υπάρχει στην εργασία. Ένας χρήσιμος έλεγχος για την επόμενη εργασία RSI είναι να ρωτήσουμε ποιο αντικείμενο αλλάζει, ποιος είναι παγωμένος και σε ποια μονάδα μετράται ο κύριος αριθμός.

arxiv.org · news.ycombinator.com

Μεταφρασμένη μεταγραφή

Μεταφράστηκε από την πρωτότυπη αγγλική αφήγηση. Ο διαθέσιμος ήχος και οι υπότιτλοι ελέγχονται από το YouTube.

0:00 Η αναδρομική αυτοβελτίωση είναι η ιδέα ότι μια τεχνητή νοημοσύνη γίνεται πιο έξυπνη, και μετά χρησιμοποιεί τον πιο έξυπνο εαυτό της για να το ξανακάνει, και αυτή την εβδομάδα η Google δημοσίευσε ένα έγγραφο με αυτές τις δύο λέξεις στον τίτλο, στο οποίο τα βάρη του μοντέλου δεν κινούνται ποτέ. Τρεις αριθμοί. Ο Διευθύνων Σύμβουλος της Anthropic λέει ότι αυτός ο βρόχος τρέχει από το καλοκαίρι, που είναι ο λόγος του για να επιβραδύνει ολόκληρη τη βιομηχανία. Το tweet που ανακοίνωνε ότι η Google μόλις το έσπασε, συγκέντρωσε οκτακόσια likes σε μια μέρα.

0:24 Και το κύριο αποτέλεσμα της ίδιας της εργασίας είναι 317 κλήσεις μοντέλου αντί για 550, που είναι έκπτωση, όχι απογείωση. Σε τρία λεπτά: από πού προήλθε η φράση, τι πραγματικά επαναλαμβάνεται μέσα στο Dream-RSI, και πώς να διαβάσετε την επόμενη εργασία με το RSI στο εξώφυλλο. Αυτό είναι το The Daily Diff, κάτω από το κάλυμμα. 1965. Ο I. J. Good, ένας στατιστικολόγος του Bletchley Park που δούλευε δίπλα στον Turing, γράφει ότι μια υπερ-έξυπνη μηχανή θα μπορούσε να σχεδιάσει ακόμη καλύτερες μηχανές,

0:52 το ονομάζει έκρηξη νοημοσύνης και την τελευταία εφεύρεση που χρειάζεται να κάνει ο άνθρωπος, υπό την προϋπόθεση ότι η μηχανή είναι αρκετά υπάκουη για να μας πει πώς να την ελέγξουμε, που είναι το «υπό την προϋπόθεση ότι» οι άνθρωποι σταματούν να διαβάζουν μετά την κόμμα. Για σαράντα χρόνια η φράση σήμαινε ακριβώς αυτό: ένα σύστημα που επεξεργάζεται τα δικά του πηγαίο κώδικα ή βάρη και βγαίνει πιο έξυπνο σε κάθε πέρασμα. Το δοκίμιο του Eliezer Yudkowsky του 2008 το έκανε την κύρια λέξη της ασφάλειας της ΤΝ, και κανείς δεν είχε μια μηχανή για να το δοκιμάσει, που είναι η ιδανική συνθήκη για έναν ορισμό. Στη συνέχεια, τον Μάιο του 2025, η DeepMind κυκλοφόρησε το AlphaEvolve,

1:23 ένας πράκτορας Gemini που προτείνει κώδικα, τον βαθμολογεί, κρατά τους νικητές και τους μεταλλάσσει ξανά. Πολλαπλασίασε τετράγωνους προς τετράγωνους σύνθετους πίνακες σε 48 βήματα, ξεπερνώντας ένα ρεκόρ που έθεσε ο Strassen το 1969, και ανακτά περίπου μηδέν κόμμα επτά τοις εκατό της παγκόσμιας υπολογιστικής ισχύος της Google, η οποία στην κλίμακα της Google είναι ένα κέντρο δεδομένων που βρέθηκε κάτω από τον καναπέ. Το Gemini βοηθούσε τώρα στην εκπαίδευση του Gemini, και η φράση σιωπηλά μετακινήθηκε από τα ιστολόγια ασφαλείας σε δελτία τύπου. Το Dream-RSI βιδώνει έναν ελεγκτή πάνω από αυτόν τον βρόχο.

1:52 Μια πολιτική, ένα πραγματικό πρόγραμμα Python, αποφασίζει ποια παρακλάδια του δέντρου αναζήτησης θα επεκτείνει, πόσα παράλληλα, και πότε να εγκαταλείψει. Το Gemini γράφει τον υποψήφιο κώδικα, και ένας σταθερός αξιολογητής τον βαθμολογεί. Κάθε εκτέλεση αφήνει πίσω ένα δέντρο από αυτά που δοκιμάστηκαν και τι βαθμολογήθηκαν. Αυτό το δέντρο γίνεται ένας προσομοιωτής αναπαραγωγής: ένα δεύτερο, εξίσου παγωμένο Gemini ξαναγράφει την πολιτική, και η νέα πολιτική δοκιμάζεται έναντι των καταγεγραμμένων αποτελεσμάτων αντί σε πραγματικές GPUs.

2:16 Η εργασία το ονομάζει αυτό όνειρο, και μια πραγματική εκτέλεση πληρώνει για χιλιάδες ονειρεμένες χωρίς κόστος εκτέλεσης. Ο νικητής επιστρέφει online, η δεξαμενή των καταγεγραμμένων κόσμων μεγαλώνει, επαναλάβετε. Και η προτροπή στο Παράρτημα B.2 λέει στην αυτοβελτιούμενη τεχνητή νοημοσύνη, γραπτώς: επεξεργαστείτε μόνο αυτό το αρχείο, και μην λύσετε την επιστημονική εργασία. Μετρημένο. Στην εργασία επίλυσης Lasso, η σταθερή εξερεύνηση ξόδεψε 550 κλήσεις Gemini για να φτάσει τα τρία κόμμα έξι δευτερόλεπτα, το Dream-RSI ξόδεψε 317 για να φτάσει τα δύο κόμμα εννέα, και οι δύο ξεπέρασαν το scikit-learn.

2:46 Στο KernelBench έφτασε στην ίδια ταχύτητα πυρήνα με περίπου δύο κόμμα τέσσερις φορές λιγότερες γενιές. Και στην κυκλική συσκευασία σημείωσε δύο κόμμα έξι τρία πέντε εννέα οκτώ τρία, το οποίο είναι ακριβώς, σε έξι δεκαδικά ψηφία, ό,τι σημείωσε η AlphaEvolve έκδοση δύο πέρυσι. Έτσι, ο X διάβασε τον τίτλο: Η Google μόλις έσπασε την αναδρομική αυτοβελτίωση. Το Hacker News διάβασε το PDF: το να το αποκαλείς RSI φαίνεται παραπλανητικό. Και την ίδια εβδομάδα ο Διευθύνων Σύμβουλος ενός ανταγωνιστή είπε ότι ο βρόχος έτρεχε από το καλοκαίρι και όλοι πρέπει να επιβραδύνουν.

3:13 Τρεις προτάσεις, οι ίδιες δύο λέξεις, τρεις διαφορετικές μηχανές. Λοιπόν, Δευτέρα, πώς να διαβάσετε την επόμενη εργασία RSI. Ένα: ρωτήστε ποιο αντικείμενο αλλάζει, τα βάρη, τον κώδικα, ή τις ρυθμίσεις αναζήτησης· Το Dream-RSI αλλάζει το τρίτο. Δύο: ρωτήστε ποιος είναι παγωμένος· εδώ είναι ο κωδικοποιητής, ο κριτής και ο αναπροσαρμογέας, και οι τρεις. Τρία: ρωτήστε ποια μονάδα είναι ο κύριος αριθμός. Η εξοικονόμηση υπολογιστικής ισχύος είναι βελτιστοποίηση· ένα benchmark που το μοντέλο δεν μπορούσε να φτάσει πριν είναι η απογείωση, και κανείς δεν το έχει δημοσιεύσει ακόμα.

3:40 Ετυμηγορία, κάτω από το κάλυμμα: χρειάζεται επανεξέταση. Ο βρόχος είναι πραγματικός, οι εξοικονομήσεις μετρημένες, και οι δύο λέξεις στο εξώφυλλο περιγράφουν μια μηχανή που δεν υπάρχει στην εργασία. Αν προτιμάτε να το διαβάσετε αυτό παρά να με ακούσετε να το λέω, το diff προσγειώνεται στα εισερχόμενά σας κάθε πρωί, δωρεάν στο the daily diff dot dev, σύνδεσμος παρακάτω. Πείτε μου τι να ανοίξω στη συνέχεια στα σχόλια. Και αυτό είναι το diff για σήμερα. Είμαι ο Νίκος από την Axrisi.

4:00 Συγχωνεύστε υπεύθυνα.

Πηγές

  1. Paper: Dream-RSI (Zheng et al., Google / Google DeepMind / UMD / UVA, 14 Sep 2026)arxiv.org
  2. Code (293 stars, no license) — https://github.com/zhengkid/Dream-RSI · project pagedream-rsi.com
  3. Hacker News thread (169 points)news.ycombinator.com
  4. Hugging Face papers (278 upvotes)huggingface.co
  5. I. J. Good, 1965, "Speculations Concerning the First Ultraintelligent Machine"en.wikipedia.org
  6. Eliezer Yudkowsky, "Recursive Self-Improvement", LessWrong, 1 Dec 2008www.lesswrong.com
  7. Google DeepMind, AlphaEvolve (14 May 2025): 0.7% compute, 48 multiplications, 23% kernel speed-updeepmind.google
  8. Dario Amodei, "We Must Pace the Frontier" (12 Sep 2026)darioamodei.com
  9. Tweetx.com

Niko from Axrisi

Nikoloz Turazashvili · Vexrail · Axrisi

LinkedIn · dev.to · GitHub · X · Substack

Σχετικά βίντεο

under-the-hood · el · 12 Οκτ 2026

Τα αρχεία μοντέλων Hugging Face μπορούν να εκτελέσουν κρυφό κώδικα

Τα κακόβουλα πακέτα μοντέλων μπορούν να εκτελέσουν κώδικα κατά τη μη ασφαλή φόρτωση. Τρία τεκμηριωμένα παραδείγματα εξηγούν Pickle reverse shells, συμπεριφορά σαρωτή ελαττωματικών αρχείων και έρευνα-α

3:33 ↗
under-the-hood · el · 11 Οκτ 2026

Το Stripe θυμάται το αίτημά σας όταν εξαφανίζεται η απάντηση

Ένα χρονικό όριο μπορεί να αφήσει μια ολοκλήρωση αγοράς αβέβαιη αφού ο διακομιστής έχει ολοκληρώσει τη λειτουργία. Αυτή η επεξήγηση "Under the Hood" χρησιμοποιεί το τεκμηριωμένο συμβόλαιο ιδεοδυναμίας

2:54 ↗