+− THE DAILY DIFFdev & AI news
NEEDS REVIEW

Rekurzívne samozdokonaľovanie, pod pokrievkou

Google DeepMind publikoval "Dream-RSI: Rekurzívne samovylepšovanie cez vyvíjajúce sa svety" – a kódovací model v ňom sa nikdy nemení.

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

Google DeepMind publikoval "Dream-RSI: Rekurzívne samovylepšovanie cez vyvíjajúce sa svety" – a kódovací model v ňom sa nikdy nemení. Pod pokrievkou: čo táto fráza znamenala 60 rokov, čo sa v Dream-RSI skutočne opakuje (politika prieskumu v Pythone, ktorá "sníva" nad zaznamenanými vyhľadávacími stromami) a prečo je 317 volaní agenta namiesto 550 zľava, nie vzlet. Verdikt: NEEDS REVIEW.

Prečítajte si písanú edíciu (anglicky) ↗

Čo toto video pokrýva

  • 1965 → 2008: „Explózia inteligencie“ od I. J. Gooda, seed AI od Yudkowského — stroj, ktorý prepisuje vlastné váhy
  • 2025: AlphaEvolve — 48-násobné násobenie matice 4×4, 0,7 % výpočtového výkonu Google vrátených, Gemini jadrá o 23 % rýchlejšie
  • 2026: Dream-RSI — politika sa zlepšuje, koder, posudzovateľ a prepisovač sú zmrazení; výzva hovorí „Neriešte vedeckú úlohu“
  • X: „Google práve prelomil rekurzívne samovylepšovanie“ (819 lajkov) vs HN: „nazývať to RSI sa zdá zavádzajúce“
  • Použité čísla: §4.1 Lasso 550 → 317 volaní agenta, 3587 → 2931 ms; Tabuľka 1 kruhové balenie 2.635983 = AlphaEvolveV2; §4.3 KernelBench 2.43× / 1.79× menej generácií, až 2.09× rýchlejšie; Príloha B.2 výzva (všetko z vyššie uvedeného PDF)

Otázky a odpovede

Čo znamená rekurzívne sebazdokonaľovanie v AI?

Znamená to, že systém AI sa sám zdokonaľuje a potom použije túto múdrejšiu verziu na opakovanie tohto procesu. I. J. Good popísal explóziu inteligencie v roku 1965 a esej Eliezera Yudkowskyho z roku 2008 urobila z tejto myšlienky ústredný bod bezpečnosti AI. Po desaťročia táto fráza znamenala systém, ktorý prepisuje svoj vlastný zdrojový kód alebo váhy a pri každom prechode je múdrejší.

en.wikipedia.org · www.lesswrong.com

Čo sa vlastne zlepšuje v článku Google DeepMind Dream-RSI?

Zlepšuje sa len prieskumná politika. Je to program v Pythone, ktorý rozhoduje, ktoré vetvy vyhľadávacieho stromu sa majú rozšíriť. Podľa článku sú programátor, sudca a prepisovač všetky zmrazené komponenty Gemini a výzva v Dodatku B.2 hovorí systému, aby upravil jeden súbor a neriešil vedeckú úlohu.

arxiv.org · dream-rsi.com

Ako systém AI testuje nové stratégie proti zaznamenaným behom namiesto skutočného hardvéru?

Dream-RSI premení každý minulý beh na simulátor opakovania. Každý beh zanecháva strom toho, čo bolo vyskúšané a aké bolo jeho skóre, a zmrazené Gemini prepíše politiku. Nová politika sa potom testuje proti týmto zaznamenaným výsledkom namiesto skutočných GPU. Článok to nazýva snívaním a jeden skutočný beh zaplatí za tisíce vysnívaných.

arxiv.org

Aké boli namerané zisky v Dream-RSI?

Zisky boli úspory efektívnosti. Pri úlohe Lasso potrebovala pevná explorácia 550 volaní agenta a Dream-RSI potrebovala 317, pričom runtime klesol z 3587 na 2931 ms. Pri KernelBench potrebovala 2,43-krát menej generácií. Balenie kruhov dosiahlo skóre 2,635983, rovnako ako AlphaEvolveV2. Podľa epizódy ide o zľavu na výpočty a žiadnu novú schopnosť.

arxiv.org

Mali by vývojári nazývať Dream-RSI rekurzívnym sebazdokonaľovaním?

Verdikt The Daily Diff bol NEEDS REVIEW. Slučka je skutočná a úspory sú merané, ale dve slová na obálke opisujú stroj, ktorý v článku nie je. Užitočná kontrola pre ďalší článok o RSI je opýtať sa, ktorý objekt sa mení, kto je zmrazený a v akej jednotke je merané hlavné číslo.

arxiv.org · news.ycombinator.com

Preložený prepis

Preložené z pôvodného anglického rozprávania. Dostupný zvuk a titulky sú kontrolované službou YouTube.

0:00 Rekurzívne samovylepšovanie je myšlienka, že AI sa sama stane múdrejšou, potom použije múdrejšie ja, aby to urobila znova, a tento týždeň Google publikoval článok s týmito dvoma slovami v názve, v ktorom sa váhy modelu nikdy nepohybujú. Tri čísla. Generálny riaditeľ Anthropicu hovorí, že táto slučka beží od leta, čo je jeho dôvod na spomalenie celého odvetvia. Tweet oznamujúci, že Google to práve prelúskol, nazbieral osemsto lajkov za deň.

0:24 A vlastný hlavný výsledok článku je 317 volaní modelu namiesto 550, čo je zľava, nie vzlet. Za tri minúty: odkiaľ táto fráza pochádza, čo sa skutočne opakuje vnútri Dream-RSI a ako čítať ďalší článok s RSI na obálke. Toto je The Daily Diff, pod pokrievkou. 1965. I. J. Good, štatistik z Bletchley Parku, ktorý pracoval vedľa Turinga, píše, že ultra-inteligentný stroj by mohol navrhnúť ešte lepšie stroje,

0:52 nazýva to explóziou inteligencie a posledným vynálezom, ktorý človek kedy bude potrebovať, za predpokladu, že stroj je dostatočne poslušný, aby nám povedal, ako ho ovládať, čo je to 'za predpokladu, že' ľudia prestanú čítať po čiarke. Po štyridsať rokov táto fráza znamenala presne to: systém, ktorý upravuje vlastný zdroj alebo váhy a po každom prechode je múdrejší. Esej Eliezer Yudkowského z roku 2008 z nej urobila kľúčové slovo bezpečnosti AI, a nikto nemal stroj na testovanie, čo je ideálna podmienka pre definíciu. Potom v máji 2025 DeepMind vydal AlphaEvolve,

1:23 agenta Gemini, ktorý navrhuje kód, nechá ho ohodnotiť, ponechá víťazov a mutuje ich znova. Násobil komplexné matice štyri krát štyri v 48 krokoch, prekonal rekord, ktorý Strassen stanovil v roku 1969, a získava späť asi nula celá sedem desatín percenta celosvetového výpočtového výkonu Google, čo v rozsahu Google je dátové centrum nájdené pod pohovkou. Gemini teraz pomáhalo trénovať Gemini, a fráza sa potichu presunula z blogov o bezpečnosti do tlačových správ. Dream-RSI pripája k tejto slučke ovládač.

1:52 Politika, skutočný program v Pythone, rozhoduje, ktoré vetvy vyhľadávacieho stromu rozšíriť, koľko ich bude paralelne a kedy sa vzdať. Gemini píše kandidátsky kód a pevný hodnotiteľ ho boduje. Každý beh zanecháva strom toho, čo bolo vyskúšané a aké skóre dosiahlo. Tento strom sa stáva simulátorom prehrávania: druhý, rovnako zmrazený Gemini prepisuje politiku a nová politika sa testuje proti zaznamenaným výsledkom namiesto na skutočných GPU.

2:16 Článok to nazýva snívaním a jeden skutočný beh zaplatí za tisíce vysnívaných s nulovými nákladmi na vykonanie. Víťaz sa vracia online, skupina zaznamenaných svetov rastie, opakovať. A výzva v Dodatku B.2 hovorí samovylepšujúcej sa AI, písomne: upravte len tento jeden súbor a neriešte vedeckú úlohu. Zmerané. Pri úlohe riešiča Lasso, pevný prieskum spotreboval 550 volaní Gemini na dosiahnutie troch celých šesť desatín sekundy, Dream-RSI spotreboval 317 na dosiahnutie dvoch celých deväť desatín, a oba prekonali scikit-learn.

2:46 Na KernelBench dosiahol rovnakú rýchlosť jadra s približne dvoma celými štyri desatiny menej generácií. A pri balení kruhov dosiahol skóre dve celé šesť tri päť deväť osem tri, čo je presne, na šesť desatinných miest, to, čo AlphaEvolve verzia dva dosiahol minulý rok. Takže X si prečítal titul: Google práve prelomil rekurzívne samovylepšovanie. Hacker News si prečítal PDF: nazývať to RSI sa zdá zavádzajúce. A v ten istý týždeň generálny riaditeľ konkurenta povedal, že slučka beží od leta a všetci by mali spomaliť.

3:13 Tri vety, tie isté dve slová, tri rôzne stroje. Takže, pondelok, ako čítať ďalší RSI článok. Jedna: spýtajte sa, ktorý objekt sa mení, váhy, kód alebo nastavenia vyhľadávania; Dream-RSI mení tretí. Dva: spýtajte sa, kto je zamrznutý; tu je to koder, sudca a prepisovač, všetci traja. Tri: spýtajte sa, čo je jednotkou hlavného čísla. Ušetrený výpočtový výkon je optimalizácia; benchmark, ktorý model predtým nedosiahol, je vzlet, a to zatiaľ nikto nepublikoval.

3:40 Verdikt, pod pokrievkou: NEEDS REVIEW. Slučka je reálna, úspory sú merané a dve slová na obálke popisujú stroj, ktorý v článku nie je. Ak si to radšej prečítate, než aby ste ma počuli hovoriť, diff vám príde do schránky každé ráno, zadarmo na the daily diff dot dev, odkaz nižšie. Povedzte mi v komentároch, čo mám otvoriť nabudúce. A to je dnešný diff. Som Niko z Axrisi.

4:00 Spojte zodpovedne.

Zdroje

  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

Súvisiace videá