+− THE DAILY DIFFdev & AI news
NEEDS REVIEW

ಪುನರಾವೃತ್ತಿ ಸ್ವಯಂ-ಸುಧಾರಣೆ, ತೆರೆಮರೆಯ ಹಿಂದಿನದ್ದು

ಗೂಗಲ್ ಡೀಪ್‌ಮೈಂಡ್ "Dream-RSI: Recursive Self-Improvement through Evolving Worlds" ಅನ್ನು ಪ್ರಕಟಿಸಿತು — ಮತ್ತು ಅದರೊಳಗಿನ ಕೋಡಿಂಗ್ ಮಾದರಿ ಎಂದಿಗೂ ಬದಲಾಗುವುದಿಲ್ಲ.

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

ಗೂಗಲ್ ಡೀಪ್‌ಮೈಂಡ್ "Dream-RSI: Recursive Self-Improvement through Evolving Worlds" ಅನ್ನು ಪ್ರಕಟಿಸಿತು — ಮತ್ತು ಅದರೊಳಗಿನ ಕೋಡಿಂಗ್ ಮಾದರಿ ಎಂದಿಗೂ ಬದಲಾಗುವುದಿಲ್ಲ. ತೆರೆಮರೆಯ ಹಿಂದಿನದ್ದು: 60 ವರ್ಷಗಳಿಂದ ಈ ಪದಗುಚ್ಛದ ಅರ್ಥವೇನು, Dream-RSI ಯಲ್ಲಿ ನಿಜವಾಗಿ ಯಾವುದು ಲೂಪ್ ಆಗುತ್ತದೆ (ದಾಖಲಾದ ಸರ್ಚ್ ಟ್ರೀಗಳ ಮೇಲೆ "ಕನಸು ಕಾಣುವ" ಪೈಥಾನ್ ಎಕ್ಸ್‌ಪ್ಲೋರೇಶನ್ ಪಾಲಿಸಿ), ಮತ್ತು 550 ಏಜೆಂಟ್ ಕರೆಗಳ ಬದಲಿಗೆ 317 ಏಜೆಂಟ್ ಕರೆಗಳು ರಿಯಾಯಿತಿಯೇ ಹೊರತು ಟೇಕ್‌ಆಫ್ ಅಲ್ಲ ಏಕೆ. ತೀರ್ಪು: NEEDS REVIEW.

ಲಿಖಿತ ಆವೃತ್ತಿಯನ್ನು ಓದಿ (ಇಂಗ್ಲಿಷ್) ↗

ಈ ವೀಡಿಯೊ ಏನನ್ನು ಒಳಗೊಂಡಿದೆ

  • 1965 → 2008: I. J. Good ರ "ಬುದ್ಧಿಮತ್ತೆ ಸ್ಫೋಟ", ಯುಡ್ಕೋವ್ಸ್ಕಿಯ ಸೀಡ್ AI — ತನ್ನದೇ ತೂಕವನ್ನು ಪುನಃ ಬರೆಯುವ ಯಂತ್ರ
  • 2025: AlphaEvolve — 48-ಗುಣಾಕಾರ 4×4 ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಗುಣಾಕಾರ, Google ನ ಕಂಪ್ಯೂಟ್‌ನ 0.7% ಮರುಪಡೆದಿದೆ, ಜೆಮಿನಿ ಕರ್ನಲ್‌ಗಳು 23% ವೇಗವಾಗಿವೆ
  • 2026: Dream-RSI — ನೀತಿ ಸುಧಾರಿಸುತ್ತದೆ, ಕೋಡರ್, ನ್ಯಾಯಾಧೀಶರು ಮತ್ತು ಪುನಃ ಬರೆಯುವವರು ಎಲ್ಲರೂ ಹೆಪ್ಪುಗಟ್ಟಿದ್ದಾರೆ; ಪ್ರಾಂಪ್ಟ್ "ವೈಜ್ಞಾನಿಕ ಕಾರ್ಯವನ್ನು ಪರಿಹರಿಸಬೇಡಿ" ಎಂದು ಹೇಳುತ್ತದೆ
  • X: "Google ಈಗಷ್ಟೇ ಪುನರಾವೃತ್ತಿ ಸ್ವಯಂ-ಸುಧಾರಣೆಯನ್ನು ಸಾಧಿಸಿದೆ" (819 ಇಷ್ಟಗಳು) vs HN: "ಇದನ್ನು RSI ಎಂದು ಕರೆಯುವುದು ದಾರಿ ತಪ್ಪಿಸುವಂತಿದೆ"
  • ಬಳಸಿದ ಸಂಖ್ಯೆಗಳು: §4.1 Lasso 550 → 317 ಏಜೆಂಟ್ ಕರೆಗಳು, 3587 → 2931 ms; ಕೋಷ್ಟಕ 1 ವೃತ್ತ ಪ್ಯಾಕಿಂಗ್ 2.635983 = AlphaEvolveV2; §4.3 KernelBench 2.43× / 1.79× ಕಡಿಮೆ ಪೀಳಿಗೆಗಳು, 2.09× ವರೆಗೆ ವೇಗವಾಗಿ; ಅನುಬಂಧ B.2 ಪ್ರಾಂಪ್ಟ್ (ಎಲ್ಲವೂ ಮೇಲಿನ PDF ನಿಂದ)

ಪ್ರಶ್ನೋತ್ತರಗಳು

AI ನಲ್ಲಿ ಪುನರಾವರ್ತಿತ ಸ್ವಯಂ-ಸುಧಾರಣೆ ಎಂದರೆ ಏನು?

ಇದರರ್ಥ AI ವ್ಯವಸ್ಥೆಯು ತನ್ನನ್ನು ತಾನು ಹೆಚ್ಚು ಸ್ಮಾರ್ಟ್ ಆಗಿ ಮಾಡಿಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ನಂತರ ಅದನ್ನು ಮತ್ತೆ ಮಾಡಲು ಸ್ಮಾರ್ಟ್ ಆವೃತ್ತಿಯನ್ನು ಬಳಸುತ್ತದೆ. ಐ. ಜೆ. ಗುಡ್ 1965 ರಲ್ಲಿ ಬುದ್ಧಿಮತ್ತೆಯ ಸ್ಫೋಟವನ್ನು ವಿವರಿಸಿದರು, ಮತ್ತು ಎಲಿಯೆಜರ್ ಯುಡ್ಕೋವ್ಸ್ಕಿಯವರ 2008 ರ ಪ್ರಬಂಧವು AI ಸುರಕ್ಷತೆಗೆ ಕಲ್ಪನೆಯನ್ನು ಕೇಂದ್ರವನ್ನಾಗಿ ಮಾಡಿತು. ದಶಕಗಳಿಂದ ಈ ನುಡಿಗಟ್ಟು ತನ್ನದೇ ಆದ ಮೂಲ ಕೋಡ್ ಅಥವಾ ತೂಕವನ್ನು ಪುನಃ ಬರೆಯುವ ಮತ್ತು ಪ್ರತಿ ಪಾಸ್‌ನಲ್ಲಿ ಹೆಚ್ಚು ಸ್ಮಾರ್ಟ್ ಆಗಿ ಹೊರಬರುವ ವ್ಯವಸ್ಥೆಯನ್ನು ಅರ್ಥೈಸುತ್ತದೆ.

en.wikipedia.org · www.lesswrong.com

Google DeepMind ನ ಡ್ರೀಮ್-RSI ಪೇಪರ್‌ನಲ್ಲಿ ವಾಸ್ತವವಾಗಿ ಏನು ಸುಧಾರಿಸುತ್ತದೆ?

ಅನ್ವೇಷಣೆ ನೀತಿ ಮಾತ್ರ ಸುಧಾರಿಸುತ್ತದೆ. ಇದು ಹುಡುಕಾಟ ಮರದ ಯಾವ ಶಾಖೆಗಳನ್ನು ವಿಸ್ತರಿಸಬೇಕು ಎಂದು ನಿರ್ಧರಿಸುವ ಪೈಥಾನ್ ಪ್ರೋಗ್ರಾಂ ಆಗಿದೆ. ಪೇಪರ್ ಪ್ರಕಾರ, ಕೋಡರ್, ನ್ಯಾಯಾಧೀಶರು ಮತ್ತು ಪುನಃ ಬರೆಯುವವರು ಎಲ್ಲರೂ ಹೆಪ್ಪುಗಟ್ಟಿದ ಜೆಮಿನಿ ಘಟಕಗಳಾಗಿವೆ, ಮತ್ತು ಅನುಬಂಧ B.2 ರಲ್ಲಿನ ಪ್ರಾಂಪ್ಟ್ ವ್ಯವಸ್ಥೆಗೆ ಒಂದು ಫೈಲ್ ಅನ್ನು ಸಂಪಾದಿಸಲು ಹೇಳುತ್ತದೆ ಮತ್ತು ವೈಜ್ಞಾನಿಕ ಕಾರ್ಯವನ್ನು ಪರಿಹರಿಸಲು ಅಲ್ಲ.

arxiv.org · dream-rsi.com

AI ವ್ಯವಸ್ಥೆಯು ನೈಜ ಹಾರ್ಡ್‌ವೇರ್ ಬದಲಿಗೆ ರೆಕಾರ್ಡ್ ಮಾಡಿದ ರನ್‌ಗಳ ವಿರುದ್ಧ ಹೊಸ ತಂತ್ರಗಳನ್ನು ಹೇಗೆ ಪರೀಕ್ಷಿಸುತ್ತದೆ?

ಡ್ರೀಮ್-RSI ಪ್ರತಿ ಹಿಂದಿನ ರನ್ ಅನ್ನು ರಿಪ್ಲೇ ಸಿಮ್ಯುಲೇಟರ್ ಆಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ. ಪ್ರತಿ ರನ್ ಏನು ಪ್ರಯತ್ನಿಸಲಾಯಿತು ಮತ್ತು ಅದು ಏನು ಗಳಿಸಿತು ಎಂಬುದರ ಮರವನ್ನು ಬಿಡುತ್ತದೆ, ಮತ್ತು ಹೆಪ್ಪುಗಟ್ಟಿದ ಜೆಮಿನಿ ನೀತಿಯನ್ನು ಪುನಃ ಬರೆಯುತ್ತದೆ. ಹೊಸ ನೀತಿಯನ್ನು ನಂತರ ನೈಜ GPU ಗಳ ಬದಲಿಗೆ ಆ ರೆಕಾರ್ಡ್ ಮಾಡಿದ ಫಲಿತಾಂಶಗಳ ವಿರುದ್ಧ ಪರೀಕ್ಷಿಸಲಾಗುತ್ತದೆ. ಪೇಪರ್ ಇದನ್ನು ಕನಸು ಕಾಣುವುದು ಎಂದು ಕರೆಯುತ್ತದೆ, ಮತ್ತು ಒಂದು ನೈಜ ರನ್ ಸಾವಿರಾರು ಕನಸಿನ ರನ್‌ಗಳಿಗೆ ಪಾವತಿಸುತ್ತದೆ.

arxiv.org

ಡ್ರೀಮ್-RSI ನಲ್ಲಿ ಅಳತೆ ಮಾಡಿದ ಲಾಭಗಳು ಎಷ್ಟು ದೊಡ್ಡದಾಗಿದ್ದವು?

ಲಾಭಗಳು ದಕ್ಷತೆಯ ಉಳಿತಾಯಗಳಾಗಿವೆ. ಲಸ್ಸೋ ಕಾರ್ಯದಲ್ಲಿ, ಸ್ಥಿರ ಅನ್ವೇಷಣೆಗೆ 550 ಏಜೆಂಟ್ ಕರೆಗಳು ಬೇಕಾಗಿದ್ದವು ಮತ್ತು ಡ್ರೀಮ್-RSI ಗೆ 317 ಬೇಕಾಗಿದ್ದವು, ರನ್‌ಟೈಮ್ 3587 ರಿಂದ 2931 ms ಗೆ ಇಳಿದಿದೆ. ಕರ್ನಲ್‌ಬೆಂಚ್‌ನಲ್ಲಿ ಇದಕ್ಕೆ 2.43× ಕಡಿಮೆ ತಲೆಮಾರುಗಳು ಬೇಕಾಗಿದ್ದವು. ಸರ್ಕಲ್ ಪ್ಯಾಕಿಂಗ್ 2.635983 ಅಂಕ ಗಳಿಸಿತು, ಇದು AlphaEvolveV2 ನಂತೆಯೇ ಇದೆ. ಇದು ಎಪಿಸೋಡ್ ಪ್ರಕಾರ ಕಂಪ್ಯೂಟ್‌ಗೆ ರಿಯಾಯಿತಿ, ಮತ್ತು ಯಾವುದೇ ಹೊಸ ಸಾಮರ್ಥ್ಯವಲ್ಲ.

arxiv.org

ಡೆವಲಪರ್‌ಗಳು ಡ್ರೀಮ್-RSI ಅನ್ನು ಪುನರಾವರ್ತಿತ ಸ್ವಯಂ-ಸುಧಾರಣೆ ಎಂದು ಕರೆಯಬೇಕೇ?

ದಿ ಡೈಲಿ ಡಿಫ್‌ನ ತೀರ್ಪು NEEDS REVIEW ಆಗಿತ್ತು. ಲೂಪ್ ನಿಜವಾಗಿದೆ ಮತ್ತು ಉಳಿತಾಯಗಳನ್ನು ಅಳೆಯಲಾಗುತ್ತದೆ, ಆದರೆ ಕವರ್‌ನಲ್ಲಿರುವ ಎರಡು ಪದಗಳು ಪೇಪರ್‌ನಲ್ಲಿ ಇಲ್ಲದ ಯಂತ್ರವನ್ನು ವಿವರಿಸುತ್ತವೆ. ಮುಂದಿನ RSI ಪೇಪರ್‌ಗೆ ಉಪಯುಕ್ತ ಪರಿಶೀಲನೆ ಎಂದರೆ ಯಾವ ವಸ್ತು ಬದಲಾಗುತ್ತದೆ, ಯಾರು ಹೆಪ್ಪುಗಟ್ಟಿದ್ದಾರೆ ಮತ್ತು ಹೆಡ್‌ಲೈನ್ ಸಂಖ್ಯೆಯನ್ನು ಯಾವ ಘಟಕದಲ್ಲಿ ಅಳೆಯಲಾಗುತ್ತದೆ ಎಂದು ಕೇಳುವುದು.

arxiv.org · news.ycombinator.com

ಅನುವಾದಿತ ಪ್ರತಿಲೇಖನ

ಮೂಲ ಇಂಗ್ಲಿಷ್ ನಿರೂಪಣೆಯಿಂದ ಅನುವಾದಿಸಲಾಗಿದೆ. ಲಭ್ಯವಿರುವ ಆಡಿಯೋ ಮತ್ತು ಶೀರ್ಷಿಕೆಗಳನ್ನು YouTube ನಿಯಂತ್ರಿಸುತ್ತದೆ.

0:00 ಪುನರಾವೃತ್ತಿ ಸ್ವಯಂ-ಸುಧಾರಣೆ ಎಂದರೆ ಒಂದು AI ತನ್ನನ್ನು ತಾನೇ ಹೆಚ್ಚು ಸ್ಮಾರ್ಟ್ ಮಾಡಿಕೊಳ್ಳುವ ಕಲ್ಪನೆ, ನಂತರ ಹೆಚ್ಚು ಸ್ಮಾರ್ಟ್ ಆದ ಸ್ವಯಂ ಅನ್ನು ಬಳಸಿ ಅದನ್ನು ಮತ್ತೆ ಮಾಡಲು, ಮತ್ತು ಈ ವಾರ Google ಒಂದು ಕಾಗದವನ್ನು ಪ್ರಕಟಿಸಿತು, ಶೀರ್ಷಿಕೆಯಲ್ಲಿ ಆ ಎರಡು ಪದಗಳಿದ್ದವು, ಅದರಲ್ಲಿ ಮಾದರಿಯ ತೂಕಗಳು ಎಂದಿಗೂ ಚಲಿಸುವುದಿಲ್ಲ. ಮೂರು ಸಂಖ್ಯೆಗಳು. Anthropic ನ CEO ಈ ಲೂಪ್ ಬೇಸಿಗೆಯಿಂದಲೂ ನಡೆಯುತ್ತಿದೆ ಎಂದು ಹೇಳುತ್ತಾರೆ, ಅದು ಇಡೀ ಉದ್ಯಮವನ್ನು ನಿಧಾನಗೊಳಿಸಲು ಅವರ ಕಾರಣವಾಗಿದೆ. Google ಈಗಷ್ಟೇ ಅದನ್ನು ಭೇದಿಸಿದೆ ಎಂದು ಘೋಷಿಸುವ ಟ್ವೀಟ್ ಒಂದು ದಿನದಲ್ಲಿ ಎಂಟು ನೂರು ಇಷ್ಟಗಳನ್ನು ಸಂಗ್ರಹಿಸಿದೆ.

0:24 ಮತ್ತು ಕಾಗದದ ಸ್ವಂತ ಮುಖ್ಯಾಂಶದ ಫಲಿತಾಂಶ 550 ಬದಲಿಗೆ 317 ಮಾದರಿ ಕರೆಗಳು, ಇದು ರಿಯಾಯಿತಿ, ಟೇಕ್‌ಆಫ್ ಅಲ್ಲ. ಮೂರು ನಿಮಿಷಗಳಲ್ಲಿ: ಆ ಪದಗುಚ್ಛ ಎಲ್ಲಿಂದ ಬಂತು, Dream-RSI ಒಳಗೆ ನಿಜವಾಗಿ ಯಾವುದು ಲೂಪ್ ಆಗುತ್ತದೆ, ಮತ್ತು ಕವರ್ ಮೇಲೆ RSI ಇರುವ ಮುಂದಿನ ಕಾಗದವನ್ನು ಹೇಗೆ ಓದುವುದು. ಇದು The Daily Diff, ತೆರೆಮರೆಯ ಹಿಂದಿನದ್ದು. 1965. ಐ. ಜೆ. ಗುಡ್, ಟ್ಯೂರಿಂಗ್ ಪಕ್ಕದಲ್ಲಿ ಕೆಲಸ ಮಾಡಿದ ಬ್ಲೆಚ್ಲಿ ಪಾರ್ಕ್ ಸಂಖ್ಯಾಶಾಸ್ತ್ರಜ್ಞ, ಒಂದು ಅತಿಬುದ್ಧಿವಂತ ಯಂತ್ರವು ಇನ್ನಷ್ಟು ಉತ್ತಮ ಯಂತ್ರಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಬಹುದು ಎಂದು ಬರೆಯುತ್ತಾರೆ,

0:52 ಅದನ್ನು ಬುದ್ಧಿಮತ್ತೆ ಸ್ಫೋಟ ಮತ್ತು ಮನುಷ್ಯ ಎಂದಿಗೂ ಮಾಡಬೇಕಾದ ಕೊನೆಯ ಆವಿಷ್ಕಾರ ಎಂದು ಕರೆಯುತ್ತಾರೆ, ಯಂತ್ರವು ಅದನ್ನು ನಿಯಂತ್ರಿಸುವುದು ಹೇಗೆ ಎಂದು ನಮಗೆ ಹೇಳಲು ಸಾಕಷ್ಟು ಸಾಧುವಾಗಿದ್ದರೆ, ಅದು ಅಲ್ಪವಿರಾಮದ ನಂತರ ಜನರು ಓದುವುದನ್ನು ನಿಲ್ಲಿಸುವ 'provided-that' ಆಗಿದೆ. ನಲವತ್ತು ವರ್ಷಗಳ ಕಾಲ ಆ ಪದಗುಚ್ಛವು ನಿಖರವಾಗಿ ಅದನ್ನೇ ಅರ್ಥೈಸಿತು: ತನ್ನದೇ ಆದ ಮೂಲ ಅಥವಾ ತೂಕವನ್ನು ಸಂಪಾದಿಸಿ ಮತ್ತು ಪ್ರತಿ ಪಾಸ್‌ನಲ್ಲೂ ಹೆಚ್ಚು ಸ್ಮಾರ್ಟ್ ಆಗಿ ಹೊರಬರುವ ವ್ಯವಸ್ಥೆ. ಎಲಿಜರ್ ಯುಡ್ಕೋವ್ಸ್ಕಿಯ 2008 ರ ಪ್ರಬಂಧವು ಅದನ್ನು AI ಸುರಕ್ಷತೆಯ ಭಾರ ಹೊರುವ ಪದವನ್ನಾಗಿ ಮಾಡಿತು, ಮತ್ತು ಅದನ್ನು ಪರೀಕ್ಷಿಸಲು ಯಾರಿಗೂ ಯಂತ್ರವಿರಲಿಲ್ಲ, ಅದು ವ್ಯಾಖ್ಯಾನಕ್ಕೆ ಆದರ್ಶ ಸ್ಥಿತಿಯಾಗಿದೆ. ನಂತರ ಮೇ 2025 ರಲ್ಲಿ ಡೀಪ್‌ಮೈಂಡ್ AlphaEvolve ಅನ್ನು ರವಾನಿಸಿತು,

1:23 ಕೋಡ್ ಅನ್ನು ಪ್ರಸ್ತಾಪಿಸುವ, ಅದಕ್ಕೆ ಅಂಕಗಳನ್ನು ಪಡೆಯುವ, ವಿಜೇತರನ್ನು ಉಳಿಸಿಕೊಳ್ಳುವ ಮತ್ತು ಅವುಗಳನ್ನು ಮತ್ತೆ ರೂಪಾಂತರಗೊಳಿಸುವ ಜೆಮಿನಿ ಏಜೆಂಟ್. ಅದು ನಲವತ್ತೆಂಟು ಹಂತಗಳಲ್ಲಿ ನಾಲ್ಕಕ್ಕೆ ನಾಲ್ಕು ಸಂಕೀರ್ಣ ಮ್ಯಾಟ್ರಿಕ್ಸ್‌ಗಳನ್ನು ಗುಣಿಸಿತು, 1969 ರಲ್ಲಿ ಸ್ಟ್ರಾಸೆನ್ ಸ್ಥಾಪಿಸಿದ ದಾಖಲೆಯನ್ನು ಸೋಲಿಸಿತು, ಮತ್ತು ಇದು Google ನ ವಿಶ್ವವ್ಯಾಪಿ ಕಂಪ್ಯೂಟ್‌ನ ಸುಮಾರು ಶೂನ್ಯ ದಶಮಾಂಶ ಏಳು ಪ್ರತಿಶತವನ್ನು ಮರುಪಡೆಯುತ್ತದೆ, ಇದು Google ನ ಪ್ರಮಾಣದಲ್ಲಿ ಸೋಫಾದ ಅಡಿಯಲ್ಲಿ ಸಿಕ್ಕಿದ ಡೇಟಾ ಸೆಂಟರ್ ಆಗಿದೆ. ಜೆಮಿನಿ ಈಗ ಜೆಮಿನಿಗೆ ತರಬೇತಿ ನೀಡಲು ಸಹಾಯ ಮಾಡುತ್ತಿತ್ತು, ಮತ್ತು ಆ ಪದಗುಚ್ಛವು ನಿಧಾನವಾಗಿ ಸುರಕ್ಷತಾ ಬ್ಲಾಗ್‌ಗಳಿಂದ ಪತ್ರಿಕಾ ಪ್ರಕಟಣೆಗಳಿಗೆ ಸ್ಥಳಾಂತರಗೊಂಡಿತು. Dream-RSI ಆ ಲೂಪ್ ಮೇಲೆ ನಿಯಂತ್ರಕವನ್ನು ಜೋಡಿಸುತ್ತದೆ.

1:52 ಒಂದು ನೀತಿ, ನಿಜವಾದ ಪೈಥಾನ್ ಪ್ರೋಗ್ರಾಂ, ನಿರ್ಧರಿಸುತ್ತದೆ ಸರ್ಚ್ ಟ್ರೀನ ಯಾವ ಶಾಖೆಗಳನ್ನು ವಿಸ್ತರಿಸಬೇಕು, ಎಷ್ಟು ಸಮಾನಾಂತರವಾಗಿ, ಮತ್ತು ಯಾವಾಗ ಬಿಟ್ಟುಕೊಡಬೇಕು. ಜೆಮಿನಿ ಅಭ್ಯರ್ಥಿ ಕೋಡ್ ಅನ್ನು ಬರೆಯುತ್ತದೆ, ಮತ್ತು ಸ್ಥಿರ ಮೌಲ್ಯಮಾಪಕ ಅದಕ್ಕೆ ಅಂಕಗಳನ್ನು ನೀಡುತ್ತದೆ. ಪ್ರತಿ ರನ್ ಏನು ಪ್ರಯತ್ನಿಸಲಾಯಿತು ಮತ್ತು ಅದು ಏನು ಅಂಕ ಪಡೆಯಿತು ಎಂಬುದರ ಮರವನ್ನು ಬಿಟ್ಟುಹೋಗುತ್ತದೆ. ಆ ಮರವು ರಿಪ್ಲೇ ಸಿಮ್ಯುಲೇಟರ್ ಆಗುತ್ತದೆ: ಎರಡನೆಯ, ಸಮಾನವಾಗಿ ಹೆಪ್ಪುಗಟ್ಟಿದ ಜೆಮಿನಿ ನೀತಿಯನ್ನು ಪುನಃ ಬರೆಯುತ್ತದೆ, ಮತ್ತು ಹೊಸ ನೀತಿಯನ್ನು ನೈಜ GPU ಗಳಲ್ಲಿ ಅಲ್ಲದೆ ದಾಖಲಾದ ಫಲಿತಾಂಶಗಳ ವಿರುದ್ಧ ಪರೀಕ್ಷಿಸಲಾಗುತ್ತದೆ. ನೈಜ GPU ಗಳಲ್ಲಿ ಅಲ್ಲ.

2:16 ಕಾಗದವು ಇದನ್ನು ಕನಸು ಕಾಣುವುದು ಎಂದು ಕರೆಯುತ್ತದೆ, ಮತ್ತು ಒಂದು ನೈಜ ರನ್ ಸಾವಿರಾರು ಕನಸು ಕಂಡ ಅವುಗಳಿಗೆ ಶೂನ್ಯ ಕಾರ್ಯಗತಗೊಳಿಸುವ ವೆಚ್ಚದಲ್ಲಿ ಪಾವತಿಸುತ್ತದೆ. ವಿಜೇತರು ಮತ್ತೆ ಆನ್‌ಲೈನ್‌ಗೆ ಹೋಗುತ್ತಾರೆ, ದಾಖಲಾದ ಪ್ರಪಂಚಗಳ ಸಂಗ್ರಹ ಬೆಳೆಯುತ್ತದೆ, ಪುನರಾವರ್ತಿಸಿ. ಮತ್ತು ಅನುಬಂಧ B.2 ರಲ್ಲಿನ ಪ್ರಾಂಪ್ಟ್ ಸ್ವಯಂ-ಸುಧಾರಿಸುವ AI ಗೆ ಹೇಳುತ್ತದೆ, ಬರವಣಿಗೆಯಲ್ಲಿ: ಈ ಒಂದು ಫೈಲ್ ಅನ್ನು ಮಾತ್ರ ಸಂಪಾದಿಸಿ, ಮತ್ತು ವೈಜ್ಞಾನಿಕ ಕಾರ್ಯವನ್ನು ಪರಿಹರಿಸಬೇಡಿ. ಅಳತೆಮಾಡಲಾಗಿದೆ. Lasso ಸಾಲ್ವರ್ ಕಾರ್ಯದಲ್ಲಿ, ಸ್ಥಿರ ಅನ್ವೇಷಣೆಯು ಮೂರು ದಶಮಾಂಶ ಆರು ಸೆಕೆಂಡ್‌ಗಳನ್ನು ತಲುಪಲು 550 ಜೆಮಿನಿ ಕರೆಗಳನ್ನು ಬಳಸಿದೆ, Dream-RSI ಎರಡು ದಶಮಾಂಶ ಒಂಬತ್ತನ್ನು ತಲುಪಲು 317 ಅನ್ನು ಬಳಸಿದೆ, ಮತ್ತು ಎರಡೂ scikit-learn ಅನ್ನು ಸೋಲಿಸಿದವು.

2:46 KernelBench ನಲ್ಲಿ ಇದು ಸುಮಾರು ಎರಡು ದಶಮಾಂಶ ನಾಲ್ಕು ಪಟ್ಟು ಕಡಿಮೆ ಪೀಳಿಗೆಗಳೊಂದಿಗೆ ಅದೇ ಕರ್ನಲ್ ವೇಗವನ್ನು ತಲುಪಿತು. ಮತ್ತು ವೃತ್ತ ಪ್ಯಾಕಿಂಗ್‌ನಲ್ಲಿ ಇದು ಎರಡು ದಶಮಾಂಶ ಆರು ಮೂರು ಐದು ಒಂಬತ್ತು ಎಂಟು ಮೂರು ಅಂಕ ಗಳಿಸಿತು, ಇದು ನಿಖರವಾಗಿ, ಆರು ದಶಮಾಂಶಗಳಿಗೆ, AlphaEvolve ಆವೃತ್ತಿ ಎರಡು ಕಳೆದ ವರ್ಷ ಗಳಿಸಿದ್ದಕ್ಕೆ ಸಮಾನವಾಗಿದೆ. ಕಳೆದ ವರ್ಷ ಗಳಿಸಿದ್ದಕ್ಕೆ ಸಮಾನವಾಗಿದೆ. ಆದ್ದರಿಂದ X ಶೀರ್ಷಿಕೆಯನ್ನು ಓದಿತು: Google ಈಗಷ್ಟೇ ಪುನರಾವೃತ್ತಿ ಸ್ವಯಂ-ಸುಧಾರಣೆಯನ್ನು ಸಾಧಿಸಿದೆ. Hacker News PDF ಅನ್ನು ಓದಿತು: ಇದನ್ನು RSI ಎಂದು ಕರೆಯುವುದು ದಾರಿ ತಪ್ಪಿಸುವಂತಿದೆ. ಮತ್ತು ಅದೇ ವಾರ ಒಂದು ಪ್ರತಿಸ್ಪರ್ಧಿಯ CEO ಬೇಸಿಗೆಯಿಂದಲೂ ಲೂಪ್ ನಡೆಯುತ್ತಿದೆ ಎಂದು ಹೇಳಿದರು ಮತ್ತು ಎಲ್ಲರೂ ನಿಧಾನವಾಗಬೇಕು.

3:13 ಮೂರು ವಾಕ್ಯಗಳು, ಅದೇ ಎರಡು ಪದಗಳು, ಮೂರು ವಿಭಿನ್ನ ಯಂತ್ರಗಳು. ಆದ್ದರಿಂದ, ಸೋಮವಾರ, ಮುಂದಿನ RSI ಕಾಗದವನ್ನು ಹೇಗೆ ಓದುವುದು. ಒಂದು: ಯಾವ ವಸ್ತು ಬದಲಾಗುತ್ತದೆ ಎಂದು ಕೇಳಿ, ತೂಕ, ಕೋಡ್, ಅಥವಾ ಸರ್ಚ್ ಸೆಟ್ಟಿಂಗ್‌ಗಳು; Dream-RSI ಮೂರನೆಯದನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ. ಎರಡು: ಯಾರು ಹೆಪ್ಪುಗಟ್ಟಿದ್ದಾರೆ ಎಂದು ಕೇಳಿ; ಇಲ್ಲಿ ಅದು ಕೋಡರ್, ನ್ಯಾಯಾಧೀಶರು ಮತ್ತು ಪುನಃ ಬರೆಯುವವರು, ಎಲ್ಲಾ ಮೂವರು. ಮೂರು: ಮುಖ್ಯಾಂಶದ ಸಂಖ್ಯೆ ಯಾವುದರ ಘಟಕ ಎಂದು ಕೇಳಿ. ಉಳಿಸಿದ ಕಂಪ್ಯೂಟ್ ಆಪ್ಟಿಮೈಸೇಶನ್ ಆಗಿದೆ; ಮಾದರಿಯು ಮೊದಲು ತಲುಪಲು ಸಾಧ್ಯವಾಗದ ಮಾನದಂಡವು ಟೇಕ್‌ಆಫ್ ಆಗಿದೆ, ಮತ್ತು ಅದನ್ನು ಇನ್ನೂ ಯಾರೂ ಪ್ರಕಟಿಸಿಲ್ಲ.

3:40 ತೀರ್ಪು, ತೆರೆಮರೆಯ ಹಿಂದಿನದ್ದು: ಪರಿಶೀಲನೆ ಅಗತ್ಯವಿದೆ. ಲೂಪ್ ನೈಜವಾಗಿದೆ, ಉಳಿತಾಯಗಳನ್ನು ಅಳೆಯಲಾಗಿದೆ, ಮತ್ತು ಕವರ್ ಮೇಲಿನ ಎರಡು ಪದಗಳು ಕಾಗದದಲ್ಲಿ ಇಲ್ಲದ ಯಂತ್ರವನ್ನು ವಿವರಿಸುತ್ತವೆ. ನಾನು ಇದನ್ನು ಹೇಳುವುದಕ್ಕಿಂತ ನೀವು ಇದನ್ನು ಓದಲು ಬಯಸಿದರೆ, ಪ್ರತಿ ಬೆಳಿಗ್ಗೆ ನಿಮ್ಮ ಇನ್‌ಬಾಕ್ಸ್‌ಗೆ ಡಿಫ್ ಬರುತ್ತದೆ, thedailydiff.dev ನಲ್ಲಿ ಉಚಿತವಾಗಿದೆ, ಲಿಂಕ್ ಕೆಳಗಿದೆ. ಕಾಮೆಂಟ್‌ಗಳಲ್ಲಿ ಮುಂದೆ ಏನನ್ನು ತೆರೆಯಬೇಕು ಎಂದು ನನಗೆ ಹೇಳಿ. ಮತ್ತು ಇಂದಿನ ಡಿಫ್ ಇಷ್ಟೇ. ನಾನು Axrisi ನಿಂದ ನಿಕೋ.

4:00 ಜವಾಬ್ದಾರಿಯುತವಾಗಿ ವಿಲೀನಗೊಳಿಸಿ.

ಮೂಲಗಳು

  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

ಸಂಬಂಧಿತ ವೀಡಿಯೊಗಳು

under-the-hood · kn · ಅಕ್ಟೋ 12, 2026

Hugging Face ಮಾದರಿ ಫೈಲ್‌ಗಳು ಗುಪ್ತ ಕೋಡ್ ಅನ್ನು ಚಲಾಯಿಸಬಹುದು

ದುರುದ್ದೇಶಪೂರಿತ ಮಾದರಿ ಪ್ಯಾಕೇಜ್‌ಗಳು ಅಸುರಕ್ಷಿತ ಲೋಡಿಂಗ್ ಸಮಯದಲ್ಲಿ ಕೋಡ್ ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದು. ಪಿಕಲ್ ರಿವರ್ಸ್ ಶೆಲ್‌ಗಳು, ಮುರಿದ-ಫೈಲ್ ಸ್ಕ್ಯಾನರ್ ನಡವಳಿಕೆ ಮತ್ತು ಸಂಶೋಧನೆಯಿಂದ ಪ್ರದರ್ಶಿಸಲಾದ ಮಾದರಿ-ಹೆಸರಿನ ಗೊಂದಲವನ್ನು ಮ

3:33 ↗
under-the-hood · kn · ಅಕ್ಟೋ 11, 2026

ಪ್ರತಿಕ್ರಿಯೆ ಕಣ್ಮರೆಯಾದಾಗ Stripe ನಿಮ್ಮ ವಿನಂತಿಯನ್ನು ನೆನಪಿಟ್ಟುಕೊಳ್ಳುತ್ತದೆ

ಸರ್ವರ್ ಕಾರ್ಯಾಚರಣೆಯನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದ ನಂತರ ಟೈಮ್‌ಔಟ್ ಚೆಕ್‌ಔಟ್ ಅನ್ನು ಅನಿಶ್ಚಿತಗೊಳಿಸಬಹುದು. ಈ ಅಂಡರ್ ದಿ ಹೂಡ್ ವಿವರಣೆಯು ಸ್ಥಿರ ಕಾರ್ಯಾಚರಣೆಯ ಕೀಲಿಗಳು, ಉಳಿಸಿದ-ಪ್ರತಿಕ್ರಿಯೆ ಮರುಪಂದ್ಯ, ಪ್ಯಾರಾಮೀಟರ್ ಮತ್ತು ಸಮಕಾಲೀನ ಮಿತಿಗಳು,

2:54 ↗
under-the-hood · kn · ಅಕ್ಟೋ 10, 2026

Shopify ತನ್ನ ಇನ್ವೆಂಟರಿ ಮೀಸಲಾತಿಯನ್ನು MySQL ಗೆ ಸರಿಸಿದೆ

Shopify ತನ್ನ ಇನ್ವೆಂಟರಿ ರಿಸರ್ವೇಶನ್ ಸಿಸ್ಟಮ್ ಅನ್ನು Redis ನಿಂದ MySQL ಡೇಟಾಬೇಸ್‌ಗೆ ಸ್ಥಳಾಂತರಿಸಿತು, ಅದು ಈಗಾಗಲೇ ಇನ್ವೆಂಟರಿ ಲೆಡ್ಜರ್ ಅನ್ನು ಹೊಂದಿತ್ತು. ಪ್ರತ್ಯೇಕವಾಗಿ ಲಾಕ್ ಮಾಡಬಹುದಾದ ಯುನಿಟ್ ರೋಗಳ ಬೌಂಡೆಡ್ ಪೂಲ್ ಏಕಕಾಲೀನ ಚ

2:58 ↗
under-the-hood · kn · ಸೆಪ್ಟೆಂ 24, 2026

SAML, ಅಡಗಿರುವ ರಹಸ್ಯ: ಪತ್ರದೊಳಗಿನ ಸಹಿ

SAML ನಿಮ್ಮನ್ನು ಬಹುತೇಕ ಎಲ್ಲಾ ಕೆಲಸದ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗೆ ಲಾಗ್ ಇನ್ ಮಾಡುತ್ತದೆ, ಮತ್ತು ಅದರ ಸಹಿಯು ಅದು ಸಹಿ ಮಾಡುವ XML ನ ಒಳಗೆ ಇರುತ್ತದೆ. ಅಡಗಿರುವ ರಹಸ್ಯ: ಅಪ್ಲಿಕೇಶನ್, ಬ್ರೌಸರ್ ಮತ್ತು ಗುರುತಿನ ಪೂರೈಕೆದಾರರ ನಡುವಿನ ಲಾಗಿನ್ ನೃತ್

3:02 ↗