Rekurzív önfejlesztés, a motorháztető alatt
A Google DeepMind közzétette a „Dream-RSI: Rekurzív önfejlesztés fejlődő világokon keresztül” című tanulmányt – és a benne lévő kódolási modell sosem változik.
A Google DeepMind közzétette a „Dream-RSI: Rekurzív önfejlesztés fejlődő világokon keresztül” című tanulmányt – és a benne lévő kódolási modell sosem változik. A motorháztető alatt: mit jelentett a kifejezés 60 évig, mi ismétlődik valójában a Dream-RSI-ben (egy Python feltárási irányelv, amely rögzített keresési fákon „álmodik”), és miért jelent kedvezményt, nem pedig felemelkedést a 317 ügynök hívás 550 helyett. Ítélet: NEEDS REVIEW.
Olvassa el az írott kiadást (angolul) ↗
Amit ez a videó tartalmaz
- 1965 → 2008: I. J. Good „intelligenciarobbanása”, Yudkowsky mag-AI-ja – egy gép, amely átírja saját súlyait
- 2025: AlphaEvolve – 48-szoros 4×4-es mátrixszorzás, a Google számítási kapacitásának 0,7%-a visszanyerve, Gemini kernelek 23%-kal gyorsabban
- 2026: Dream-RSI – az irányelv fejlődik, a kódoló, bíró és újraíró mind lefagyott; a prompt azt mondja: „Ne oldd meg a tudományos feladatot”
- X: „A Google most feltörte a rekurzív önfejlesztést” (819 lájk) vs HN: „ezt RSI-nek nevezni félrevezetőnek tűnik”
- Felhasznált számok: §4.1 Lasso 550 → 317 ügynök hívás, 3587 → 2931 ms; 1. táblázat körpakolás 2.635983 = AlphaEvolveV2; §4.3 KernelBench 2.43× / 1.79× kevesebb generáció, akár 2.09× gyorsabb; B.2. függelék prompt (mind a fenti PDF-ből)
Kérdések és válaszok
Mit jelent a rekurzív önfejlesztés a mesterséges intelligenciában?
Azt jelenti, hogy egy mesterséges intelligencia rendszer okosabbá teszi önmagát, majd az okosabb verziót használja arra, hogy újra megtegye. I. J. Good 1965-ben írt le egy intelligenciarobbanást, és Eliezer Yudkowsky 2008-as esszéje tette az ötletet a mesterséges intelligencia biztonságának központi elemévé. Évtizedekig a kifejezés olyan rendszert jelentett, amely átírja saját forráskódját vagy súlyait, és minden egyes iterációval okosabbá válik.
Mi fejlődik valójában a Google DeepMind Dream-RSI tanulmányában?
Csak a feltárási irányelv javul. Ez egy Python program, amely eldönti, hogy a keresési fa mely ágait kell kibővíteni. A tanulmány szerint a kódoló, a bíró és az átíró is mind befagyasztott Gemini komponensek, és a B.2. függelékben található prompt arra utasítja a rendszert, hogy egyetlen fájlt szerkesszen, és ne oldja meg a tudományos feladatot.
Hogyan tesztel egy mesterséges intelligencia rendszer új stratégiákat rögzített futtatások ellen, ahelyett, hogy valós hardvert használna?
A Dream-RSI minden korábbi futtatást visszajátszási szimulátorrá alakít. Minden futtatás egy fát hagy maga után arról, hogy mi került kipróbálásra és milyen pontszámot ért el, és egy befagyasztott Gemini átírja az irányelvet. Az új irányelvet ezután ezekkel a rögzített eredményekkel tesztelik, ahelyett, hogy valódi GPU-kat használnának. A tanulmány ezt álmodozásnak nevezi, és egy valós futtatás több ezer álmodott futtatás költségét fedezi.
Mekkora volt a Dream-RSI-ben mért nyereség?
A nyereség hatékonysági megtakarítás volt. A Lasso feladatnál a rögzített feltárásnak 550 ügynökhívásra volt szüksége, a Dream-RSI-nek pedig 317-re, miközben a futási idő 3587 ms-ről 2931 ms-re csökkent. A KernelBenchnél 2,43-szor kevesebb generációra volt szükség. A körpakolás 2,635983-as pontszámot ért el, ugyanannyit, mint az AlphaEvolveV2. Ez a számítási kapacitás kedvezménye az epizód szerint, és nem új képesség.
Nevezzék-e a fejlesztők a Dream-RSI-t rekurzív önfejlesztésnek?
A The Daily Diff ítélete NEEDS REVIEW volt. A ciklus valós, és a megtakarítások mérhetőek, de a borítón szereplő két szó olyan gépet ír le, amely nem szerepel a tanulmányban. Egy hasznos ellenőrzés a következő RSI tanulmányhoz, ha megkérdezzük, mi változik, ki van befagyasztva, és milyen egységben mérik a főcím számát.
Lefordított átirat
Az eredeti angol narrációból fordítva. A rendelkezésre álló hangot és feliratokat a YouTube vezérli.
0:00 A rekurzív önfejlesztés az az elképzelés, hogy egy AI okosabbá teszi önmagát, majd az okosabb énjét használja arra, hogy újra megtegye, és ezen a héten a Google kiadott egy tanulmányt, amelynek címében szerepel ez a két szó, melyben a modell súlyai sosem mozdulnak. Három szám. Az Anthropic vezérigazgatója szerint ez a kör tavaly nyár óta fut, ami az oka annak, hogy lelassítja az egész iparágat. Az a tweet, amely bejelentette, hogy a Google most feltörte, nyolcszáz lájkot gyűjtött egy nap alatt.
0:24 És a tanulmány saját fő eredménye 317 modellhívás 550 helyett, ami kedvezmény, nem pedig fellendülés. Három percben: honnan ered a kifejezés, mi ismétlődik valójában a Dream-RSI-ben, és hogyan olvassuk el a következő, RSI-t a borítón feltüntető tanulmányt. Ez a The Daily Diff, a motorháztető alatt. 1965. I. J. Good, egy Bletchley Park-i statisztikus, aki Turing mellett dolgozott, azt írja, hogy egy ultraintelligens gép még jobb gépeket is tervezhet,
0:52 intelligenciarobbanásnak és az utolsó találmánynak nevezi, amit az ember valaha is létrehozhat, feltéve, hogy a gép elég engedelmes ahhoz, hogy elmondja nekünk, hogyan irányítsuk, ami az a feltétel, amit az emberek a vessző után már nem olvasnak el. Negyven évig a kifejezés pontosan azt jelentette: egy rendszer, amely szerkeszti saját forráskódját vagy súlyait, és minden körben okosabb lesz. Eliezer Yudkowsky 2008-as esszéje tette az AI biztonság teherhordó szavává, és senkinek nem volt gépe, amin tesztelhette volna, ami ideális körülmény egy definícióhoz. Aztán 2025 májusában a DeepMind kiadta az AlphaEvolve-ot,
1:23 egy Gemini ügynököt, amely kódot javasol, azt pontozzák, megtartja a nyerteseket és újra mutálja őket. Négy-négyes komplex mátrixokat szorzott meg 48 lépésben, megdöntve egy 1969-ben Strassen által felállított rekordot, és visszanyeri a Google világméretű számítási kapacitásának körülbelül nulla pont hét százalékát, ami a Google méreténél egy kanapé alatt talált adatközpont. A Gemini most segített a Gemini képzésében, és a kifejezés csendesen átkerült a biztonsági blogokból a sajtóközleményekbe. A Dream-RSI egy vezérlőt csavar erre a hurkára.
1:52 Egy irányelv, egy tényleges Python program dönt el, hogy a keresési fa mely ágait bővítse, mennyit párhuzamosan, és mikor adja fel. A Gemini írja a jelölt kódot, és egy rögzített értékelő pontozza azt. Minden futtatás mögött marad egy fa arról, hogy mit próbáltak ki és mit ért el. Ez a fa egy visszajátszási szimulátorrá válik: egy második, szintén lefagyasztott Gemini újraírja az irányelvet, és az új irányelvet a rögzített eredmények alapján tesztelik, nem pedig valódi GPU-kon.
2:16 A tanulmány ezt álmodásnak nevezi, és egy valódi futtatás ezreket fizet az álmodott futtatásokért, nulla végrehajtási költséggel. A nyertes visszakerül online, a rögzített világok halmaza nő, ismétlés. A B.2. függelékben lévő prompt pedig az önfejlesztő AI-nak mondja, írásban: csak ezt az egy fájlt szerkeszd, és ne oldd meg a tudományos feladatot. Mérve. A Lasso megoldó feladaton a fix feltárás 550 Gemini hívást használt fel, hogy elérje a 3,6 másodpercet, a Dream-RSI 317-et használt fel, hogy elérje a 2,9-et, és mindkettő felülmúlta a scikit-learn-t.
2:46 A KernelBench-en ugyanazt a kernel sebességet érte el körülbelül 2,4-szer kevesebb generációval. A körpakoláson pedig 2,635983-at ért el, ami pontosan, hat tizedesjegyre, annyi, amennyit az AlphaEvolve kettes verziója ért el tavaly. Szóval az X elolvasta a címet: A Google most feltörte a rekurzív önfejlesztést. A Hacker News elolvasta a PDF-et: ezt RSI-nek nevezni félrevezetőnek tűnik. Ugyanezen a héten egy versenytárs vezérigazgatója azt mondta, hogy a ciklus nyár óta fut és mindenkinek lassítania kellene.
3:13 Három mondat, ugyanaz a két szó, három különböző gép. Szóval, hétfőn, hogyan olvassuk el a következő RSI tanulmányt. Egy: kérdezzük meg, mi változik, a súlyok, a kód vagy a keresési beállítások; A Dream-RSI a harmadikat változtatja meg. Kettő: kérdezzük meg, ki van lefagyasztva; itt a kódoló, a bíró és az újraíró, mindhárom. Három: kérdezzük meg, minek az egysége a fő szám. A megtakarított számítás optimalizálás; egy benchmark, amit a modell korábban nem ért el, az a felemelkedés, és azt még senki sem publikálta.
3:40 Ítélet, a motorháztető alatt: NEEDS REVIEW. A ciklus valódi, a megtakarítások mértek, és a borítón lévő két szó egy olyan gépet ír le, ami nincs a tanulmányban. Ha inkább elolvasnád ezt, mint hallanád tőlem, a diff minden reggel megérkezik a beérkező leveleid közé, ingyenesen a the daily diff dot dev oldalon, link alább. Mondd el a hozzászólásokban, mit nyissak ki legközelebb. És ennyi a mai diff. Niko vagyok az Axrisi-től.
4:00 Összevonás felelősen.
Források
- Paper: Dream-RSI (Zheng et al., Google / Google DeepMind / UMD / UVA, 14 Sep 2026)arxiv.org
- Code (293 stars, no license) — https://github.com/zhengkid/Dream-RSI · project pagedream-rsi.com
- Hacker News thread (169 points)news.ycombinator.com
- Hugging Face papers (278 upvotes)huggingface.co
- I. J. Good, 1965, "Speculations Concerning the First Ultraintelligent Machine"en.wikipedia.org
- Eliezer Yudkowsky, "Recursive Self-Improvement", LessWrong, 1 Dec 2008www.lesswrong.com
- Google DeepMind, AlphaEvolve (14 May 2025): 0.7% compute, 48 multiplications, 23% kernel speed-updeepmind.google
- Dario Amodei, "We Must Pace the Frontier" (12 Sep 2026)darioamodei.com
- Tweetx.com



