- По данным WIRED, стартап Recursive представил Flint — модель ИИ для программирования с открытыми весами и 40 миллиардами параметров. Она была разработана преимущественно с помощью самоулучшающейся системы искусственного интеллекта под названием Eureka Machine.
- Генеральный директор Richard Socher сообщил, что Eureka Machine автоматизирует большую часть процесса разработки Flint: от проектирования архитектуры и методов обучения базовой модели до оптимизации кода для различных типов чипов. Благодаря этому небольшая исследовательская команда смогла создать модель всего за несколько месяцев.
- Согласно результатам бенчмарков, предоставленным Recursive, Flint превосходит модели сопоставимого размера и архитектуры в ряде задач программирования. Журналист WIRED протестировал модель на Mac с 48 ГБ оперативной памяти и отметил её высокую скорость и способность эффективно выполнять запросы на создание программного обеспечения.
- Recursive развивает подход рекурсивного самоулучшения (recursive self-improvement, RSI), при котором ИИ предлагает, внедряет и оценивает улучшения самой системы разработки ИИ, а затем начинает новый цикл оптимизации.
- По словам Socher, долгосрочная цель заключается в том, чтобы Eureka Machine достигла полноценного рекурсивного самоулучшения при сохранении человеческого надзора и механизма остановки работы при обнаружении аномалий.
- Подход RSI вызывает споры из-за риска того, что возможности ИИ могут выйти за пределы человеческого контроля. Некоторые законопроекты в Конгрессе США предлагают запретить RSI, тогда как Recursive считает, что слишком ранние ограничения этой технологии могут затормозить инновации.
- Recursive привлекла 650 млн долларов при оценке компании в 4,65 млрд долларов. Среди инвесторов — Google Ventures, Greycroft, Nvidia и AMD Ventures. В число основателей входят Richard Socher, бывший главный научный сотрудник Salesforce, и Jeff Clune, исследователь самообучающегося ИИ.
📌 Flint демонстрирует потенциал использования ИИ для автоматизации исследований и разработки моделей ИИ, позволяя небольшим командам конкурировать с крупными лабораториями без сопоставимых ресурсов. Однако нынешние результаты подтверждают лишь возможность автоматизации многих этапов разработки и пока не доказывают, что система достигла полноценного рекурсивного самоулучшения. Ключевые задачи — проверить эффективность улучшений, обеспечить надлежащий надзор и сохранить контроль человека по мере того, как ИИ всё активнее участвует в создании самого ИИ.
