ШІ, який вдосконалює себе у 2027 році: прогноз Джека Кларка та межі TasteVal

Штучний інтелект уже допомагає людям писати код і аналізувати експерименти. Але що станеться, якщо він зможе проводити дослідження для створення наступної, сильнішої версії самого себе? Співзасновник Anthropic Джек Кларк вважає, що така можливість може з’явитися раніше, ніж він очікував.

Що таке рекурсивне самовдосконалення простими словами

Уявімо цикл: дослідники дають ШІ завдання поліпшити спосіб навчання моделей. Система пропонує гіпотези, проводить експерименти й допомагає створити нову модель. Та, своєю чергою, може краще досліджувати й допомогти створити наступну. Такий повторюваний процес називають рекурсивним самовдосконаленням, або RSI.

Це ширша ідея, ніж звичайне «ШІ написав код для ШІ». У повному циклі потрібно обрати корисну задачу, спланувати експерименти, перевірити результат, навчити нову систему та довести, що вона справді краща. Також необхідні дані, сервери, енергія, бюджети й механізми безпеки. Здатність виконати одну частину цього ланцюга ще не означає, що вся система працює автономно.

Що сказав Кларк — і чого не сказав

У своєму випуску Import AI від 12 жовтня Кларк пояснив, що раніше вважав творчість одним із головних обмежень на шляху до RSI. Він звернув увагу на прогрес у математичних задачах та на TasteVal — тест того, як моделі планують експерименти й оцінюють результати. На цій підставі він змінив свій прогноз: повне RSI, на його думку, може стати можливим у 2027 році раніше, ніж він припускав.

Це не дедлайн і не нова офіційна дата Anthropic. У жовтневому тексті Кларк не навів нового числового відсотка. Він співзасновник компанії, чия модель показала високий результат у тесті, тому його професійна обізнаність важлива, але можливу зацікавленість теж варто враховувати. Матеріал THE DECODER від 25 жовтня, з якого ми почали перевірку, висвітлює жовтневий прогноз.

Що перевіряли в TasteVal

Дослідники P-Zero Research описали тест у відкритому препринті TasteVal. Вони називають дослідницьким чуттям здатність обирати важливі проблеми, планувати експерименти й робити висновки. Але в цьому тесті задачу заздалегідь обирали люди: модель оцінювали за двома наступними кроками — плануванням експериментів та інтерпретацією результатів.

Було вісім завдань, пов’язаних із дослідженнями ШІ: наприклад, відбір даних, навчання й донавчання моделей та стійкість до шкідливих запитів. Модель-дослідник пропонувала експерименти, а окремий незмінний агент реалізовував і запускав їх. Людський орієнтир сформували з результатів 24 фахівців, щонайменше двох на завдання; для кожного завдання брали найкращу людську спробу.

2,3 раза і три місяці: як читати цифри

За оцінкою авторів, Opus 5.5 отримала коефіцієнт обчислювальної ефективності 2,30 порівняно з людським орієнтиром. Простий умовний приклад: якщо певного результату людина досягає за 23 години роботи графічного процесора, коефіцієнт 2,3 означав би досягнення того самого рівня приблизно за 10 годин. Це пояснення метрики, а не опис конкретного завдання з дослідження.

У результату є невизначеність: автори навели 95% довірчий інтервал 1,15–4,37. Вони також оцінили, що вартість середньої спроби моделі була приблизно в 30 разів нижчою за середню вартість спроби експерта за їхньою методикою. Це порівняння включало оцінені витрати на роботу людей, API та обчислення в умовах тесту; його не можна переносити на зарплати чи вартість усієї роботи дослідницької команди.

Автори оцінили, що саме цей показник обчислювальної ефективності провідних моделей із грудня 2025-го подвоювався приблизно кожні три місяці. Довірчий інтервал оцінки — від 1,7 до 5 місяців. Інша метрика — якість кінцевого результату при заданому бюджеті — у дослідженні показала іншу динаміку. Тому фраза «інтелект ШІ подвоюється щокварталу» була б неправильною.

Чому це ще не доказ автономного створення ШІ

• Люди обирали проблему. Тест не вимірює, чи модель сама визначить найважливіший напрям досліджень.
• Завдань було вісім. Вони корисні для порівняння, але не охоплюють повну складність багаторічної роботи лабораторії.
• Умови відрізняються від реальної лабораторії. Автори зазначають, що задачі порівняно легко перевіряти та вони працюють на одному H100; результати можуть як завищувати, так і занижувати прогрес.
• Висновки — з одного препринту. Самі завдання не оприлюднені, щоб уникнути забруднення тесту, тому незалежне відтворення обмежене. Тренд не гарантує продовження в майбутньому.

Корисне порівняння з реальної роботи команди: у дослідженні розробки моделі Atria Dawn люди залишали за собою більшість остаточних рішень щодо методів та параметрів, навіть коли ШІ пропонував варіанти. Це окреме дослідження одного проєкту, а не універсальна статистика всіх AI-лабораторій. Дослідження Atria Dawn ↗

Що це означає для роботи з ШІ вже зараз

Для розробника, дизайнера чи аніматора головний практичний висновок — не чекати точної дати RSI, а навчитися будувати перевірюваний робочий процес. Сучасний агент може запропонувати кілька варіантів, але впевнена відповідь не гарантує правильного коду, прав на матеріали чи якості фінального результату.

1. Постав вимірювану задачу. Наприклад: «Покращити час завантаження сцени, не змінивши її вигляд».
2. Попроси кілька гіпотез і способи перевірки. Для кожної — очікуваний результат, ризики, час і критерій успіху.
3. Перевір на копії проєкту. Порівняй результат із початковою версією за однакових умов; не надавай агенту зайвих доступів.
4. Залиш фінальне рішення людині. Перевір працездатність, авторські права, візуальну якість і можливість відкотити зміну.

Це редакційний приклад для самостійної перевірки, а не тест TasteVal чи гарантія результату. Детальніше — у нашому матеріалі про перевірку роботи AI-агентів.

Які ризики обговорюють дослідники

Якщо майбутні системи прискорять дослідження, людям може бути складніше перевіряти кожен експеримент і наслідки змін. Питання доступу до обчислень, незалежних оцінок і контролю моделей стануть важливішими. Водночас сам тест не доводить втрату контролю або неминучий вибух інтелекту. Сценарії залежать від припущень, які ще треба перевіряти.

Джерела та методика

• Джек Кларк, Import AI 476, 12 жовтня 2026 — його жовтнева оцінка й контекст.
• P-Zero Research: TasteVal — методика, результати та обмеження препринту.
• P-Zero Research: опис тесту — визначення метрики й постановка завдань.
• Atria Dawn: дослідження застосування агентів у розробці моделі — окремий приклад розподілу рішень.
• OpenAI, 26 жовтня 2026 — первинний опис трьох AI-згенерованих результатів, матеріалів і процесу зовнішньої перевірки.
• The Verge, 27 жовтня 2026 — журналістський привід уважніше розібрати відкритість перевірки.
• THE DECODER, 25 жовтня 2026 — привід для початкового розбору.

Ми звірили прогноз із текстом Кларка, а числа — з дослідженням авторів. Ми не проводили власних експериментів і не маємо незалежного підтвердження прогнозу. Інструмент вище — наша редакційна евристика, а не наукова шкала достовірності. Обкладинка з Мією — згенерована редакційна ілюстрація, а не фотографія події.

Обговорюй новини та свої проєкти в українській спільноті Вайб-Кодинг у Telegram.