Większość badaczy z czołowych laboratoriów AI, z którymi rozmawiała amerykańska firma Gladstone AI, spodziewa się, że rekurencyjne samodoskonalenie (RSI), czyli proces, w którym AI coraz bardziej samodzielnie ulepsza kolejne generacje AI, ruszy w ciągu najbliższych 3-12 miesięcy. Najtwardsze dane do tej debaty dorzuca Anthropic: w maju 2026 r. ponad 80 proc. kodu włączanego do bazy firmy napisał Claude, który w teście przyspieszania treningu małego modelu osiągnął ok. 52-krotne przyspieszenie.
- Według danych Anthropic, w maju 2026 r. ponad 80 proc. kodu włączanego do bazy firmy napisał Claude, a w teście przyspieszania treningu małego modelu Claude Mythos Preview osiągnął ok. 52-krotne przyspieszenie – dla porównania doświadczony badacz potrzebuje 4–8 godzin, by uzyskać przyspieszenie czterokrotne.
- Większość badaczy z czołowych laboratoriów AI, z którymi rozmawiała firma Gladstone AI, spodziewa się, że rekurencyjne samodoskonalenie ruszy w ciągu 3–12 miesięcy, zakładając brak interwencji rządu USA i brak spowolnienia prac.
- Think tank RAND wskazuje, że laboratoria nie raportują systematycznie, jaka część pracy badawczej jest zautomatyzowana ani ile mocy obliczeniowej trafia do eksperymentów prowadzonych przez AI, przez co regulatorzy nie są w stanie ocenić, jak szybko zbliża się pełne RSI.
Dla porównania, doświadczony badacz potrzebuje w tym samym zadaniu 4-8 godzin, żeby dojść do przyspieszenia czterokrotnego. W październiku na temat RSI wypowiedziały się jednocześnie think tank RAND, Gladstone AI, japońska Sakana AI i start-up Recursive. Wcześniej, we wrześniu, głos zabrał Jakub Pachocki, główny naukowiec OpenAI. Uważam, że to dobry moment, żeby uporządkować, co naprawdę wiemy, a co jest prognozą.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
RSI to pętla, w której każda generacja AI pomaga zbudować następną
Rekurencyjne samodoskonalenie (ang. recursive self-improvement) opisuje sytuację, w której system AI uczestniczy w budowie swojego następcy, ten następca jeszcze lepiej buduje kolejny model i tak dalej. Pomysł nie jest nowy. W 1965 r. brytyjski matematyk Irving John Good opisał „maszynę ultrainteligentną”, która przewyższa człowieka także w projektowaniu maszyn. Taka maszyna mogłaby zaprojektować lepszą od siebie, co Good nazwał eksplozją inteligencji.
Dzisiejsza dyskusja jest bardziej przyziemna. Badacze odróżniają trzy poziomy:
- AI jako asystent badacza, który pisze kod i uruchamia eksperymenty według wskazówek człowieka,
- AI jako badacz, który sam proponuje i testuje pomysły, podczas gdy człowiek wyznacza cel i ocenia wyniki,
- pełne RSI, w którym kolejne generacje AI same wybierają kierunek prac i budują swoich następców przy minimalnym udziale ludzi.
Turing Post, newsletter o badaniach nad AI, zwraca uwagę na jeszcze jedno rozróżnienie. Agenci określani jako „samodoskonalący się” zwykle ulepszają własne prompty, narzędzia i pamięć. RSI dotyczy czegoś głębszego: danych, architektury, metod treningu i oceny samego modelu.
Anthropic: Claude pisze większość kodu, ludzie wciąż wybierają kierunek badań
Najbardziej szczegółowe dane pochodzą z tekstu „When AI builds itself”, który Marina Favaro i Jack Clark z Anthropic Institute opublikowali 4 czerwca 2026 r. i uzupełnili 18 września. Anthropic dzieli pracę nad modelem na inżynierię (kod, infrastruktura, nadzór nad treningiem) i badania (wybór eksperymentów, interpretacja wyników, decyzja o kolejnym kroku). W inżynierii Claude radzi sobie już z zadaniami słabo zdefiniowanymi. W badaniach dorównuje ludziom przy wykonywaniu jasno określonego eksperymentu. Największa luka dotyczy wyboru celów.
| Wskaźnik w Anthropic | Wcześniej | Ostatni pomiar |
|---|---|---|
| Udział kodu napisanego przez Claude’a w kodzie włączanym do bazy | kilka procent przed lutym 2025 r. | ponad 80 proc. (maj 2026) |
| Przyspieszenie treningu małego modelu przy zachowaniu testów poprawności | ok. 3x (Claude Opus 4, maj 2025) | ok. 52x (Claude Mythos Preview, kwiecień 2026) |
| Odsetek sytuacji, w których model proponował lepszy następny krok badawczy niż człowiek | 51 proc. (Claude Opus 4.5, listopad 2025) | 64 proc. (Mythos Preview, kwiecień 2026) |
| Skuteczność Claude Code w najbardziej otwartych zadaniach | ok. 26 proc. (sierpień 2025) | ok. 91 proc. (wrzesień 2026) |
Anthropic sam dodaje zastrzeżenia. Ośmiokrotny wzrost liczby linii kodu na inżyniera w II kwartale 2026 r. wobec 2024 r. firma nazywa niemal na pewno zawyżoną miarą produktywności, bo liczba linii mierzy ilość, nie jakość. Ankieta wśród 130 pracowników działów badawczych z marca 2026 r. dała medianę czterokrotnie większej wydajności z Mythos Preview. Firma zaznacza jednak, że rzeczywisty efekt był prawdopodobnie niższy.
Ciekawszy od liczb jest eksperyment z otwartym problemem bezpieczeństwa AI: czy słabszy model może skutecznie nadzorować silniejszy. Dwóch badaczy przez tydzień zamknęło ok. 23 proc. luki między dolną i górną granicą wyniku. Agenci oparci na Claudzie zamknęli 97 proc. w ciągu 800 łącznych godzin pracy, zużywając moc obliczeniową za ok. 18 tys. dolarów. Problem i kryteria oceny wybrali jednak ludzie.
Anthropic opisuje trzy scenariusze: wyhamowanie trendu, dalsze przyspieszanie pracy laboratoriów przy zachowaniu ludzkiej kontroli nad kierunkiem badań oraz pełne RSI. Firma uważa drugi scenariusz za najbardziej prawdopodobny w najbliższym czasie i deklaruje, że spowolniłaby lub wstrzymała prace, gdyby inni twórcy najbardziej zaawansowanych modeli zrobili to samo w sposób możliwy do sprawdzenia.
„Nie jesteśmy jeszcze na tym etapie i rekurencyjne samodoskonalenie nie jest nieuniknione. Może jednak nadejść wcześniej, niż przygotowana jest na to większość instytucji” / „We are not there yet, and recursive self-improvement is not inevitable. But it could come sooner than most institutions are prepared for.”
Gladstone AI: insiderzy mówią o 3-12 miesiącach, hamulcem jest moc obliczeniowa
Gladstone AI, firma doradzająca amerykańskiej administracji w sprawach bezpieczeństwa AI, opublikowała w środę 14 października 2026 r. raport opisujący, jak wygląda dziś proces badawczy w laboratoriach i które jego etapy są automatyzowane. Autorzy, bracia Jeremie Harris (prezes) i Edouard Harris (dyrektor technologiczny), oparli go na rozmowach z mniej więcej sześcioma badaczami z czołowych firm AI. Według raportu laboratoria aktywnie pracują nad automatyzacją wszystkich etapów: generowania pomysłów, eksperymentów i interpretacji wyników.
Prognoza 3-12 miesięcy ma wyraźne zastrzeżenie. Rozmówcy Gladstone zakładają, że rząd USA nie zainterweniuje i że nie dojdzie do spowolnienia prac. To szacunek kilku anonimowych osób, nie harmonogram.
Ciekawsza jest część o ograniczeniach. Laboratoria testują pomysły portfelowo: każdy dostaje niewielki przydział mocy obliczeniowej, a tylko te, które poprawiają się wraz ze skalą, przechodzą do kolejnych, droższych rund. Jeśli AI generuje dużo pomysłów, z których większość jest chybiona, odsiewanie ich może kosztować więcej, niż daje. Przewagę mają więc firmy z największymi zasobami mocy obliczeniowej.
Edouard Harris tłumaczył w rozmowie z magazynem TIME, po co raport tak dokładnie rozpisuje proces:
„Żeby dało się wskazać konkretną część tego procesu i powiedzieć: tu musi być człowiek” / „So that it is possible to point to a part of this process and say: a human needs to be there.”
Czytam te raporty jeden po drugim i widzę wyraźny rozjazd. Dane Anthropic są konkretne i opatrzone uczciwymi zastrzeżeniami. Prognoza Gladstone opiera się na rozmowach z kilkoma osobami z firm, które mają interes w tym, żeby świat traktował je jako liderów wyścigu. Jedno i drugie mówi jednak to samo: inżynieria jest już w dużej mierze zautomatyzowana, a ostatnim bastionem człowieka jest decyzja, co warto badać. Uważam, że to właśnie ten bastion zasługuje na uwagę, bo test, w którym Claude wybiera lepszy następny krok niż badacz w 64 proc. przypadków, jest wąski i dobrany przez samą firmę. Martwi mnie coś innego. Laboratoria jednocześnie ostrzegają przed RSI i ścigają się, kto osiągnie je pierwszy. Deklaracja „zwolnimy, jeśli inni zwolnią” brzmi rozsądnie, tyle że dziś nie istnieje żaden mechanizm, który pozwoliłby to sprawdzić. Kto miałby go zbudować i czy zdąży przed końcem tych 3-12 miesięcy?
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Wypełnij formularz, a my skontaktujemy się z Tobą, aby upewnić się czego potrzebujesz.
RAND: nikt z zewnątrz nie mierzy, jak bardzo AI już przyspiesza AI
Think tank RAND opublikował 12 października 2026 r. 37-stronicową analizę „Recursive Self-Improvement and Automated AI Research and Development”, której autorami są Gopal P. Sarma, Rachel Steratore, Michael Jacob i Sunny D. Bhatt. RAND potwierdza, że kilka czołowych laboratoriów deklaruje, iż większość nowego kodu generuje AI. Jednocześnie żaden ujawniony system nie wyznacza sobie samodzielnie programu badań ani nie projektuje swoich następców.
Najpoważniejszy wniosek RAND dotyczy przejrzystości. Laboratoria nie raportują systematycznie, jaka część pracy jest zautomatyzowana, ile mocy obliczeniowej trafia do eksperymentów prowadzonych przez AI ani w jakim stopniu postęp modeli wynika z pomysłów wygenerowanych przez AI. Bez takich danych regulatorzy nie wiedzą, jak szybko zbliża się RSI.
RAND wskazuje też problem, który rzadko pojawia się w publicznej debacie. Agenci AI prowadzący badania wewnątrz laboratoriów mają dostęp na poziomie zaufanego pracownika do najbardziej wrażliwego kodu, danych i modeli. Przejęcie takiego agenta przez napastnika mogłoby niepostrzeżenie wpłynąć na rozwój przyszłych systemów AI.
Skalę zjawiska widać poza laboratoriami. Według danych przytoczonych przez Anthropic GitHub zanotował w całym 2025 r. ok. miliarda commitów (zapisów zmian w kodzie). W połowie 2026 r. było ich ok. 275 mln tygodniowo, co daje tempo ok. 14 mld rocznie. Organizacja badawcza METR mierzy z kolei, że długość zadań, które modele AI potrafią wykonać samodzielnie, podwaja się mniej więcej co cztery miesiące, podczas gdy wcześniej trwało to około siedmiu miesięcy.
Najgłośniejsze ostrzeżenie z OpenAI napisał Polak, Jakub Pachocki
Polski wątek w tej debacie jest wyjątkowo mocny. 6 września 2026 r. na stronie OpenAI ukazał się esej „An Alien Mind” autorstwa Jakuba Pachockiego, głównego naukowca firmy. Pachocki urodził się w 1991 r. w Gdańsku, był wielokrotnym finalistą Olimpiady Informatycznej i ukończył studia magisterskie na Uniwersytecie Warszawskim. Doktorat obronił na Carnegie Mellon University, a w 2024 r. zastąpił Ilyę Sutskevera na stanowisku głównego naukowca OpenAI.
W eseju Pachocki opisuje automatyzację badań nad AI zarówno jako szansę dla nauki, jak i problem dla nadzoru. Pisze, że możliwość monitorowania „toku rozumowania” modeli stopniowo maleje, i wzywa do dobrowolnego zwalniania prac do czasu ustalenia wspólnych progów bezpieczeństwa. Jego najczęściej cytowane zdanie brzmi:
„Żadne laboratorium nie rozwiązało problemu dopasowania i monitorowania modeli na tyle, by jeszcze długo odpowiedzialnie skalować je z maksymalną prędkością” / „No lab has solved alignment and monitoring to a sufficient degree to continue responsibly scaling at maximum speed for much longer.”
To osobiste stanowisko Pachockiego, nie oficjalna polityka OpenAI. Firma nadal wypuszcza kolejne modele.
Temat przebija się także do polskich mediów głównego nurtu. 1 listopada Komputer Świat opublikował materiał wideo wyjaśniający, czym jest RSI i dlaczego budzi obawy w branży. Dla polskich firm wnioski są na razie praktyczne, nie egzystencjalne. Jeśli Anthropic ma rację co do scenariusza „przyspieszających laboratoriów”, największym hamulcem staje się przegląd kodu i decyzje ludzi. To samo wąskie gardło pojawi się w każdym polskim software housie, który przerzuci pisanie kodu na agentów.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Sakana AI i Recursive budują RSI otwarcie, krytycy mówią o modzie
Część firm nie ukrywa, że RSI jest ich celem. Japońska Sakana AI, założona w 2023 r. przez byłych badaczy Google, uruchomiła w Tokio laboratorium poświęcone wyłącznie RSI i przekonuje, że samodoskonalenie można osiągnąć bez gigantycznych zasobów obliczeniowych. 12 października 2026 r. Sakana opublikowała pracę o metodzie MASS (Multi-Agent Self-Supervision). Jeden model rozwiązuje w niej zadania jako zespół wirtualnych podagentów, sam ocenia najlepsze sposoby współpracy i uczy się na wynikach najlepszego zespołu.
Start-up Recursive pokazał z kolei, że jego zautomatyzowany system badawczy Eureka Machine skrócił czas treningu w teście NanoGPT Speedrun z 79,7 do 77,5 sekundy, czyli poniżej najlepszego wyniku osiągniętego przez ludzi. W październiku firma wydała model Flint. Według Recursive Eureka Machine współtworzyła jego architekturę, metody treningu, kwantyzację i kody odpowiedzialne za uruchamianie modelu.
Nie wszyscy są przekonani. Mark Riedl, profesor w School of Interactive Computing na Georgia Institute of Technology, skomentował czerwcowy tekst Anthropic na Bluesky:
„Wielkie firmy AI wskakują do pociągu z modą na »rekurencyjne samodoskonalenie«” / „The big AI companies are all jumping on the 'recursive self-improvement’ hype train.”
Sceptycy wskazują też problem pomiaru. Jacob Strauss, dyrektor technologiczny ChaseLabs, zaproponował w rozmowie z Communications of the ACM, żeby za RSI uznawać tylko zmiany wprowadzone przez model, które poprawiają wyniki w niezależnych testach chronionych przed zapisem, których model nie widzi i nie może edytować. Jego zdaniem wynik w benchmarku da się podnieść poprawką promptu, łagodniejszym oceniającym albo większą mocą obliczeniową, co z samodoskonaleniem nie ma nic wspólnego. Recursive opisało dokładnie taki przypadek: część kandydatów w teście optymalizacji kodu GPU tylko wyglądała na szybsze, bo wykorzystywała luki w benchmarku.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym tekstu „When AI builds itself” Anthropic Institute z dnia 04.06.2026 (aktualizacja 18.09.2026), raportu RAND „Recursive Self-Improvement and Automated AI Research and Development” z dnia 12.10.2026 oraz omówienia raportu Gladstone AI w magazynie TIME z dnia 14.10.2026. Wykorzystano również esej Jakuba Pachockiego „An Alien Mind” (OpenAI), materiały Sakana AI i Recursive, omówienie Turing Post oraz publikacje Scientific American i Communications of the ACM. Punktem wyjścia był materiał wideo Komputer Świata z dnia 01.11.2026.
Cytaty Mariny Favaro i Jacka Clarka (Anthropic), Edouarda Harrisa (dyrektor technologiczny Gladstone AI), Jakuba Pachockiego (główny naukowiec OpenAI) i prof. Marka Riedla (Georgia Institute of Technology) zostały zweryfikowane z oryginalnym anglojęzycznym materiałem źródłowym.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o rekurencyjnym samodoskonaleniu AI i automatyzacji badań w laboratoriach AI.
