Примерно в середине 2025 года команда учёных из Колумбийского университета, частично спонсируемая Управлением перспективных исследовательских проектов Министерства обороны США (DARPA — той самой организацией, благодаря которой, например, появился интернет), создала «машины, способные увеличиваться за счёт поглощения других машин». Речь, разумеется, идёт не о буквальном переваривании, а скорее об интуитивной механической самосборке: базовые цилиндрические роботы Truss Link, которые передвигаются благодаря выдвижным магнитным стержням на концах своих трубчатых корпусов, сначала беспорядочно носятся по поверхности, затем случайным образом соединяются — и в итоге, образуя упорядоченные структуры (треугольники, затем тетраэдры и так далее), им энергетически выгоднее менять своё положение в пространстве как единому целому. «Поглотив» таким образом несколько базовых роботов — фактически собрав себя из них, — получившийся трансформер движется быстрее и грациознее, чем раньше. Более того, этот механический вольвокс обрёл способность расти, восстанавливаться и приспосабливаться к окружающей среде — благодаря программному алгоритму, который его создатели назвали «роботизированным метаболизмом». Это прямое продолжение пути, проложенного биологической эволюцией: для живых организмов умение адаптироваться — ключевой фактор выживания. Учёные проводят параллель с аминокислотами: поедая другие организмы (и усваивая, в частности, те самые аминокислоты в процессе переваривания) или напрямую встраивая в себя чужой генетический код, живые существа улучшают свои адаптационные возможности. «В конечном счёте нам придётся научить роботов делать то же самое — интегрировать в себя других роботов частично или полностью, — заявил Ход Липсон (Hod Lipson), директор Лаборатории креативного машиностроения при Колумбийском университете. — Только представьте безграничный творческий потенциал в мире, где ИИ сможет создавать физические конструкции из роботов с такой же лёгкостью, с какой сегодня он пишет для вас электронные письма!»
Трёхмерный робот в форме тетраэдра, к которому присоединилось дополнительное звено, использовал это самое звено в качестве опоры при спуске по наклонной плоскости — и преодолел эту трассу на 66,5% быстрее «чистого» тетраэдра, составленного из тех же элементов Truss Link (источник: Columbia University)
Очевидно, что обучение искусственных сущностей взаимодействию и развитию в цифровом пространстве даётся даже легче, чем в физическом мире. Ключевое условие — предоставить им подходящую среду для обмена фрагментами (в данном случае исключительно информационными). В мае 2026 года стало известно, что Linux Foundation намерен адаптировать общепринятую распределённую открытую инфраструктуру системы доменных имён (DNS), чтобы упростить ИИ-агентам поиск аналогичных сущностей в интернете. Вместо традиционного сканирования портов и обращения к человекочитаемым веб-страницам, что увеличивает нагрузку на сетевую инфраструктуру, агенты и серверы, использующие протокол контекста модели (MCP), в рамках проекта DNS-AID смогут применять DNS как глобальный и децентрализованный реестр взаимного доступа — своего рода телефонную книгу для прямых коммуникаций между ботами. В частности, DNS-AID предполагает создание специального адреса в формате _index._agents.{domain}, который станет отправной точкой для обращения агентов к веб-ресурсам, чтобы находить друг друга и налаживать взаимодействие. Это, в свою очередь, приведёт к дообучению агентных моделей и приобретению ими свойств и возможностей, изначально отсутствовавших в их тренировочных данных.
И это лишь два относительно недавних примера того, как на практике реализуется идея внедрения эволюционного подхода в развитие генеративного искусственного интеллекта. Большие языковые модели (БЯМ) становятся настолько масштабными и сложными, что ручное проектирование их дальнейшего совершенствования с каждым годом становится всё более трудоёмким и дорогостоящим. Поэтому логично опереться на естественную эволюционную концепцию, в успешности которой — на собственном примере — у человечества нет причин сомневаться.
Типичная схема оптимизации модели искусственного интеллекта: функция потерь показывает, насколько верны предсказания, формируемые данной моделью. Во время обучения корректирующий механизм (к примеру, алгоритм обратного распространения ошибки) применяет градиент функции потерь по отношению к параметрам нейросети, чтобы скорректировать их и уменьшить потери, тем самым повышая эффективность работы модели на используемом наборе данных (источник: DataCamp)
⇡#Всё как у зверей
Как в наши дни оценивается качество алгоритма ИИ (напомним, что машинное обучение по сути представляет собой генерацию внутри нейросети именно алгоритмов — пусть и неявно заданных, с трудом поддающихся интерпретации человеком; их также называют статистическими процессами, основанными на данных)? Очевидно, существует широкий спектр профильных тестов, сложных прикладных задач (например, математические проблемы Эрдёша), статистика использования в различных сферах и так далее. Однако наиболее общее представление о работе нейросети формируется через оценку того, насколько эффективно она минимизирует функцию потерь — математическое выражение, которое показывает, насколько прогнозы модели расходятся с ожидаемыми результатами. Без преувеличения можно утверждать, что алгоритмы, лежащие в основе современных больших языковых моделей, отбираются (не разработчиками вручную, разумеется, а в ходе обучения модели) главным образом по критерию качества реализации классического градиентного спуска. Да, существуют и ограниченно применимые исключения — генетические алгоритмы, байесовская оптимизация, — но, поскольку обучение крупной универсальной нейросети сводится к поиску оптимумов функции в сильно многомерных пространствах её параметров, градиентный спуск по-прежнему сохраняет ключевое значение.
Нейроэволюционная методология — это конкретное применение идей дарвиновской эволюции (наследственности и изменчивости под воздействием экологических факторов) к усовершенствованию алгоритмов ИИ — формально вовсе не требует отказа от градиентного спуска. Однако акцент здесь переносится с улучшения самого этого подхода на оптимизацию итоговых результатов, достигаемых при его применении; на оценку условной эффективности БЯМ — которая может измеряться баллами, полученными на синтетических тестах, количеством решённых за определённое время задач Эрдёша, снижением частоты галлюцинаций в ответах и так далее. Другими словами, на передний план выходит моделирование естественного отбора: алгоритмы ИИ, создаваемые в ходе обучения модели, должны мутировать, а затем проходить отбор точно так же, как живые организмы в своей природной среде.
Принцип работы машины Дарвина–Гёделя: слева — отдельный гёделевский «цифровой организм»; справа — группа таких «организмов», участвующих в дарвиновском отборе (источник: Sakana.ai)
Техническая реализация такого моделирования сводится к нескольким вполне понятным этапам:
- запуск, при котором хаотичным (это критично!) способом создаётся множество разнообразных потенциально скрещиваемых (с точки зрения будущего объединения) ИИ-алгоритмов или даже целых готовых моделей;
- анализ путём тестирования каждой полученной на начальном этапе модели на определённой задаче (например, распознавание образов, прохождение видеоигры и т. д.), которая предполагает чёткие численные показатели успеха её выполнения;
- селекция через прямое сравнение моделей по числу набранных на втором этапе очков: модели, демонстрирующие наилучшую результативность, признаются «выжившими» и переходят на следующий этап;
- вариативность и передача признаков: отобранные модели копируются с добавлением некоторой случайности (аналог биологических мутаций) и/или смешиваются (скрещивание), порождая новое поколение —
- жизнеспособность которого затем снова оценивается в следующем цикле, полностью повторяющем только что завершённый.
Действительно, звучит довольно просто — однако биологическим формам жизни, которые в итоге привели к появлению носителей достаточно сложного интеллекта на Земле, пришлось осуществлять такие итеративные циклы примерно 4,1 миллиарда лет подряд. Хочется надеяться, что в виртуальной среде компьютерной памяти нейроэволюция будет продвигаться гораздо более вдохновляющими темпами, тем более что она начинается не с цифровых аналогов каких-нибудь архей и вирусов, а сразу с контура, имитирующего достаточно сложные мыслительные процессы.
Анимированная иллюстрация работы машины Дарвина–Гёделя — саморазвивающегося программного агента, способного изменять собственный код с целью улучшения эффективности при решении поставленных задач. Этот агент создаёт дочерние версии (child), включая в них как полезные усовершенствования, так и историю всех предыдущих изменений, — в том числе записи о том, почему определённые нововведения были отвергнуты, если они оказывались неудачными (источник: Sakana.ai)
Для чего вообще требуется машинная нейроэволюция — ведь финансовые затраты на конкурентоспособное развитие множества моделей со схожими аппаратными требованиями, скорее всего, будут колоссальными? Ответ кроется в той самой способности к изменениям под влиянием внешней среды, которую предоставляет дарвиновский подход. Подавляющая часть современных больших языковых моделей (БЯМ) остаётся неизменной после завершения обучения и не может самостоятельно улучшать себя без вмешательства человека. Агентные системы частично решают эту задачу, однако их фундаментом всё равно служат те же крупные модели с неизменными весами. Именно поэтому агенты (несмотря на свою очевидную гибкость, включая возможность быстрого, прямо во время работы, дообучения) продолжают испытывать проблемы с галлюцинациями, «забыванием» информации при смене сессий и накоплением случайных ошибок, которые часто распространяются по многошаговым рабочим процессам. Специалисты, работающие в этой области, склонны рассматривать ИИ-агентов скорее как дополнительные уровни автоматизации, которые не в состоянии компенсировать врождённые недостатки базовой БЯМ, а не как по-настоящему эволюционирующие, корректно дообучаемые (и, что важнее всего, закрепляющие в своей структуре проверенные улучшения) нейросети.
Действительно революционным достижением в данной сфере может стать не так давно представленная, весной 2025 года, машина Дарвина–Гёделя, в названии которой увековечены как «основоположник эволюционной теории» Чарльз Дарвин (Charles Darwin), так и Курт Фридрих Гёдель (Kurt Friedrich Gödel), создатель знаменитой теоремы о неполноте, которого Эйнштейн называл «величайшим логиком со времён Аристотеля». Напомним, что главный недостаток современных БЯМ — их неспособность изменять собственную структуру. Речь идёт не о настройке отдельных весов, а о модификации самой архитектуры перцептронных слоёв и других рабочих компонентов нейросети — хотя технических препятствий для этого не существует, ведь сеть в любом случае воспроизводится в памяти сервера (или более простого компьютера, если говорить о малых языковых моделях). Перспективный саморазвивающийся ИИ должен быть лишён подобного ограничения, умея совершенствовать собственную архитектуру и адаптироваться для эффективного решения всё более сложных задач — точно так же, как живые организмы из поколения в поколение приспосабливаются к более успешному развитию (а точнее, к более эффективной передаче генетического кода, пусть и с изменениями, следующим поколениям) в своей среде обитания.
Машина Дарвина–Гёделя итеративно формирует растущий архив агентов, используя принципы недетерминированного поиска (open-ended exploration). Новые агенты создаются и оцениваются не исходя из каких-то предварительных предположений о конкретном направлении их совершенствования, но путём чередования самомодификации с последующей оценкой результатов (источник: Sakana.ai)
⇡#Настала пора задуматься
Хорошо, роль Дарвина здесь совершенно ясна. Но при чём же Гёдель? Всё дело в том, что, помимо биологической эволюции, существует ещё один чрезвычайно продуктивный процесс формирования сложнейших структур — нематериальных, напрямую связанных с нейросетями, эмулируемыми в компьютерной памяти. Речь идёт о научном методе познания мира, история которого, правда, короче дарвиновской (его зарождение обычно относят к античной Греции, VI–IV векам до н. э.), но эффективность его просто колоссальна. Если биологически современный человек почти не отличается от кроманьонца, пришедшего в Европу 40–45 тысяч лет назад, то по образу жизни различия между этими двумя представителями одного вида Homo sapiens колоссальны — благодаря стремительным темпам социальной эволюции, а в последние 2–3 тысячи лет — ещё и открытию того самого научного метода, а затем его активному применению.
В научной сфере прогресс, представляющий собой накопление и расширение объективно проверяемого знания о природных явлениях и процессах, достигается через выдвижение гипотез, их последующую проверку и применение предсказательной силы подтверждённых теорий (которые, по сути, переходят на новый уровень после практического подтверждения гипотез) для дальнейшего продвижения. Параллельно с этим эволюция — снова обращаясь к Дарвину — совершенствует биологические организмы (точнее, биологические виды; не случайно в названии главного труда учёного речь идёт о происхождении видов, а не отдельных особей) через изменчивость и естественный отбор. Идея Дженни Чжан (Jenny Zhang) и её коллег из Университета Британской Колумбии и стартапа Sakana.ai, описанная в работе «Машина Дарвина–Гёделя: открытая эволюция самосовершенствующихся агентов», заключается в создании такого ИИ, который способен динамически изменять (переписывать, да — ведь генерация программного кода большими языковыми моделями уже доступна если не на отлично, то очень хорошо) свою собственную архитектуру, проверять её на реальных задачах, а затем тщательно дорабатывать собственный код. При этом ставится цель максимально устранить те аспекты, которые омрачают репутацию современных больших языковых моделей: галлюцинации, уязвимость к атакам (adversarial attacks) и другие крайне досадные недостатки. Несовершенства существуют и в живой природе, это верно, — но именно в этом проявляется очищающая сила дарвиновского отбора: от поколения к поколению выживают всё лучше приспособленные к своей среде организмы. ИИ с аналогичной динамикой развития вполне заслуживает названия саморазвивающегося.
