Jack Clark, współzałożyciel Anthropic, uważa teraz, że pełne rekurencyjne samodoskonalenie AI (RSI) stanie się możliwe raczej w 2027 niż w 2028 roku, jak zakładał jeszcze w maju. Powodem zmiany prognozy są m.in. wyniki nowego benchmarku TasteVal od P-Zero Research, w którym Claude Opus 5.5 przewyższył 24 ludzkich ekspertów w projektowaniu eksperymentów badawczych, kosztując przy tym około 30 razy mniej na próbę.
- Jack Clark, współzałożyciel Anthropic, przesunął swoją prognozę dotyczącą pełnego rekurencyjnego samodoskonalenia AI (RSI) z 2028 na 2027 rok, podając jako główne powody postępy modeli w odkryciach matematycznych oraz wyniki benchmarku TasteVal.
- W benchmarku TasteVal opracowanym przez P-Zero Research model Claude Opus 5.5 osiągnął mnożnik 2,30x względem 24 ludzkich ekspertów w projektowaniu eksperymentów badawczych, kosztując przy tym około 30 razy mniej na próbę; od grudnia 2025 roku eksperymentalny smak badawczy modeli podwaja się co 3,0 miesiąca.
- Badanie zespołu Petera Kirgisa i Sayasha Kapoora z Uniwersytetu Princeton, opisane w MIT Technology Review w sierpniu 2026 roku, wykazało, że agenty oparte na Claude Opus 4.8 radziły sobie z warstwą inżynierską badań, ale obie wygenerowane przez nie prace zostały odrzucone przez autorów oryginalnych tekstów oceniających je jak recenzenci konferencji NeurIPS 2026.
Wyniki TasteVal zespół P-Zero Research opisał w wątku na X:
How fast is AI's research taste improving?
We find that the experimental research taste of frontier models has doubled every ~3 months since December 2025. The best model, Opus 5.5, now exceeds our expert human baseline. Our human experts are experienced researchers, but most… pic.twitter.com/lES74iDon3
— P-Zero Research (@pzeroresearch) October 6, 2026
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Z 30 proc. szans na 2027 do „bardziej prawdopodobne”: jak zmieniła się prognoza Clarka
Clark pisze o nowej prognozie w numerze 476 swojego newslettera Import AI z 12 października 2026 roku. Ocenia w nim, że pełne RSI, czyli sytuacja, w której model AI samodzielnie trenuje swojego następcę, jest teraz bardziej prawdopodobne w 2027 roku, podczas gdy wcześniej stawiał na 2028.
„Teraz uważam, że pełne RSI stanie się możliwe raczej w 2027 roku” / „I now think it’s more likely we’ll see full RSI become possible in 2027”
Punktem odniesienia jest esej „AI systems are about to start building themselves” z Import AI 455, opublikowany 4 maja 2026 roku. Clark oceniał w nim na ponad 60 proc. szansę, że w pełni zautomatyzowane badania nad AI (bez udziału człowieka) nastąpią do końca 2028 roku. Na rok 2027 dawał wtedy tylko 30 proc. Tłumaczył to brakiem jednej cechy: kreatywności. Modele były według niego świetnymi inżynierami, ale nie pokazały jeszcze zdolności do przełomowych, heterodoksyjnych pomysłów, których wymaga posuwanie badań naprzód.
W październikowym tekście Clark wskazuje dwa powody zmiany zdania: postępy modeli w odkryciach matematycznych, które wyglądają na kreatywne, oraz benchmarki takie jak TasteVal, które sugerują, że modele robią się coraz lepsze również w samych badaniach nad AI.
Dwie rzeczy wymagają doprecyzowania. Clark nie podał nowej liczbowej wartości prawdopodobieństwa, napisał jedynie, że 2027 jest teraz „bardziej prawdopodobny”. I jest to jego osobista prognoza publikowana w prywatnym newsletterze, a nie oficjalne stanowisko Anthropic.
TasteVal mierzy „smak badawczy”, a nie umiejętność kodowania
TasteVal to benchmark autorstwa Olivera Jaffe i Dane’a Sherburna z P-Zero Research, opisany w pracy złożonej na arXiv 5 października 2026 roku. Mierzy on to, co autorzy nazywają eksperymentalnym „smakiem badawczym”: zdolność do projektowania eksperymentów i wyciągania wniosków z ich wyników przy zadanym z góry problemie badawczym.
Konstrukcja testu wygląda następująco:
- Model dostaje jedno z 8 zadań reprezentatywnych dla badań nad AI: kuracja danych do pretreningu, pretrening i fine-tuning modeli językowych, modelowanie preferencji, odporność na wrogie prompty.
- Badany model wyłącznie planuje eksperymenty i interpretuje wyniki. Kod pisze i uruchamia osobny, stały agent kodujący na pojedynczej karcie H100. Dzięki temu test izoluje „smak” od umiejętności programowania.
- Jedna próba kończy się po zużyciu 40 GPU-godzin albo 120 godzin czasu rzeczywistego.
- Wynik wyraża się jako mnożnik mocy obliczeniowej: model, który osiąga wynik ekspertów przy połowie zużytej mocy, ma dwa razy lepszy smak badawczy.
- Punktem odniesienia jest najlepsza próba każdego zadania wykonana przez jednego z 24 ekspertów (co najmniej dwóch na zadanie), którzy pracowali niedawno m.in. w OpenAI, Google DeepMind, NVIDIA i Microsoft Research.
- Zadania nie zostały upublicznione, żeby nie trafiły do danych treningowych.
Autorzy przebadali 20 modeli wydanych między 2023 a 2026 rokiem. Najważniejsze wyniki: od grudnia 2025 roku eksperymentalny smak badawczy modeli podwaja się co 3,0 miesiąca (95-proc. przedział ufności: 1,7-5,0 miesiąca). Najlepszy model, Claude Opus 5.5, osiągnął mnożnik 2,30x względem ekspertów (przedział ufności 1,15-4,37x), przy około 1/30 ich średniego kosztu na próbę. W poprzednich latach postęp był dużo wolniejszy, a krzywa wyraźnie zmieniła nachylenie na przełomie 2025 i 2026 roku.
P-Zero Research sami wymieniają ograniczenia. Zadania są szybkie i tanie w weryfikacji, czyli należą do kategorii, którą laboratoria najłatwiej „wspinają się” pod benchmark. Grupa ekspertów nie obejmuje najlepszych badaczy świata, więc baseline może być zaniżony. TasteVal nie mierzy też wyboru problemów wartych rozwiązania, czyli drugiego składnika smaku badawczego. Z drugiej strony elicytacja modeli była ograniczona (wspomniane 1/30 kosztu), więc wyniki mogą równie dobrze niedoszacowywać możliwości modeli.
Autorzy dodają jedną ekstrapolację, którą sami nazywają naiwną: gdyby tempo poprawy smaku utrzymało się, prawdopodobieństwo osobliwości „tylko przez smak” w modelu AI Futures Project wzrosłoby z 51 do 88 proc., a mediana daty superinteligencji przesunęłaby się z połowy 2030 na koniec 2028 roku.
Czytam te wyniki z dwóch stron naraz. Z jednej strony TasteVal to pierwszy benchmark, który próbuje zmierzyć coś, co przez lata było argumentem „ostatniej linii obrony” przeciwko szybkiemu RSI: ludzką intuicję badawczą. I okazuje się, że tę intuicję, przynajmniej w wąskim wariancie „zaplanuj kolejny eksperyment”, model ma lepszą niż byli pracownicy DeepMind czy OpenAI. To nie jest drobiazg.
Z drugiej strony widzę kilka rzeczy, które każą mi hamować. Clark jest współzałożycielem firmy, której model wygrał test. P-Zero sami przyznają, że ich zadania to dokładnie ten typ problemów, pod który laboratoria najłatwiej optymalizują. Osiem zadań i 24 ekspertów to mała próba, a przedział ufności 1,15-4,37x oznacza, że „2,3 razy lepszy” może w praktyce znaczyć „ledwo lepszy”. I najważniejsze: benchmark mierzy drugą połowę smaku badawczego, czyli projektowanie eksperymentów, a pomija pierwszą, czyli wybór problemu. Przełomy w AI, od transformera po MoE, brały się z tej pierwszej połowy.
Co nie zmienia faktu, że krzywa od grudnia 2025 wygląda inaczej niż wcześniej. Pytanie, które sobie zadaję, nie brzmi „czy RSI nadchodzi”, tylko „czy ktokolwiek mierzy to, co naprawdę się liczy, zanim się okaże, że już nadeszło”.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Wypełnij formularz, a my skontaktujemy się z Tobą, aby upewnić się czego potrzebujesz.
Anthropic: „kodowanie nie jest już wąskim gardłem”, liczba merge’ów wzrosła 12-krotnie
Dzień po newsletterze Clarka, 13 października 2026 roku, inżynierowie Anthropic opublikowali na firmowym blogu technicznym tekst o przebudowie systemu kontroli wersji. Jego pierwsze zdanie dobrze oddaje nastrój w firmie:
„W Anthropic kodowanie nie jest już wąskim gardłem w budowaniu systemów ani w prowadzeniu badań” / „At Anthropic, coding is no longer the bottleneck to building systems or doing research”
Liczby z wpisu: w maju 2026 roku Anthropic scalało do głównego repozytorium średnio około 2500 zmian kodu dziennie, we wrześniu ponad 30 000. Firma wykonuje rzędu 25 mln checkoutów kodu dziennie na potrzeby samego CI. Historia głównej gałęzi repozytorium zbliża się do 100 GB. Git przestał to wytrzymywać, więc siedmioosobowy zespół zbudował własny system kontroli wersji o nazwie Scion (plus narzędzie do code review Antique) i w pięć miesięcy zmigrował na niego całe monorepo. Nowym wąskim gardłem, według Anthropic, jest infrastruktura deweloperska zaprojektowana „na ludzką skalę”: kontrola wersji, buildy i CI.
Anthropic nie zamierza udostępniać Scion na zewnątrz. Firma pisze, że system ma sens tylko dla gigantycznych monorepo z dziesiątkami tysięcy inżynierów albo rojami agentów i że ona sama wydaje na tokeny do użytku wewnętrznego więcej, niż jakakolwiek inna firma chciałaby realnie wydać.
Wpis spotkał się też z krytyką. Ravid Shwartz Ziv zwrócił uwagę na X, że wzrost z 2500 do 30 000 merge’ów mierzy ilość scalonego kodu, a nie ilość wytworzonego użytecznego oprogramowania, i że Scion opiera się na architekturach wypracowanych wcześniej przez Google (Piper) i Metę (Sapling/Mononoke) oraz na gotowej bazie Spanner. Anthropic zresztą samo wskazuje w tekście na te pierwowzory.
Sceptycy: agenci świetnie radzą sobie z inżynierią, ale słabo z badaniami
Argument przeciwny pojawił się w sierpniu. MIT Technology Review opisał 18 sierpnia 2026 roku badanie zespołu kierowanego przez Petera Kirgisa i Sayasha Kapoora z Uniwersytetu Princeton, w którym agenci oparci na Claude Opus 4.8 dostali sześć dni, 3000 dolarów w kredytach API i budżet GPU, żeby odpowiedzieć na pytania badawcze z dwóch niepublikowanych jeszcze prac zgłoszonych na NeurIPS 2026. Celem był artykuł na poziomie topowej konferencji. Autorzy oryginalnych prac oceniali wyniki jak recenzenci konferencyjni i odrzucili obie.
Według badaczy agenci poradzili sobie z całą warstwą inżynierską: przeglądem literatury, setkami eksperymentów, zestawieniem wyników. Zawiedli natomiast w samym badaniu.
„Z drugiej strony agenci byli jednoznacznie źli w prowadzeniu samych badań” / „On the other hand, the agents were unambiguously bad at carrying out the research itself”
Tak Kapoor opisał wynik. Agenci porzucali obiecujące hipotezy na podstawie szczątkowych danych, nie potrafili wrócić do punktu wyjścia po nieudanym podejściu, a zamiast poprawiać metodologię po krytyce, zawężali twierdzenia i dodawali zastrzeżenia. Badanie objęło tylko dwie prace, a recenzenci wiedzieli, że oceniają teksty wygenerowane przez AI, co autorzy sami wymieniają jako ograniczenie.
Ciekawe jest to, że wiosną sam Clark pisał w podobnym tonie. Opisując w kwietniu próbę zautomatyzowania części badań nad bezpieczeństwem w Anthropic, zauważał, że dzisiejszym systemom brakuje intuicyjnej kreatywności i że mają skłonność do schematycznego myślenia, co nazwał sygnałem przeciwko krótkim terminom RSI. Pół roku później ten sam autor skraca swoją prognozę o rok. Różnica między kwietniem a październikiem to w dużej mierze właśnie TasteVal i wyniki w matematyce.
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.
OpenAI celuje w automatycznego badacza AI do marca 2028 roku
Nie tylko Anthropic mówi otwarcie o automatyzacji badań nad AI. OpenAI w tekście „Research acceleration: The view inside OpenAI” z 6 września 2026 roku ogłosiło, że według własnych pomiarów osiągnęło zapowiedziany jesienią 2025 roku cel: posiadanie „automatycznego stażysty badawczego” do września 2026. Firma definiuje go jako system wykonujący pod ludzkim nadzorem dobrze zdefiniowane zadania badawcze, w tym takie, które zajęłyby doświadczonemu badaczowi kilka dni. Kolejny cel to w pełni automatyczny badacz AI do marca 2028 roku.
Z tego samego tekstu pochodzą dane o skali zmian w codziennej pracy. Do połowy sierpnia 2026 roku mediana badacza OpenAI zużywała dziennie agentów kodujących za ponad 600 dolarów w cenach API, a użytkownik z 90. percentyla ponad 7000 dolarów. Organizacja badawcza OpenAI wykorzystuje 3,1 „dnia roboczego agenta” na każdy dzień roboczy człowieka. Liczba eksperymentów na aktywnego badacza osiągnęła w sierpniu 2026 roku rekord od początku pomiarów w styczniu 2025.
OpenAI jednocześnie zastrzega, że nie wie jeszcze, jak bezpiecznie dojść do w pełni dopasowanego RSI, i że ogólne tempo postępu badań prawdopodobnie nie dotrzyma kroku tym konkretnym wskaźnikom. Firma przypomina też, że po incydencie z Hugging Face w lipcu wstrzymała na dwa tygodnie trening RL najnowszych modeli przeznaczonych do wdrożenia.
Składa się z tego dość spójny obraz: dwa największe amerykańskie laboratoria publicznie mierzą swoją drogę do RSI, oba raportują gwałtowny wzrost ilości kodu i eksperymentów, oba przyznają, że nie mają gotowej odpowiedzi na pytanie o bezpieczeństwo. A spór między optymistami i sceptykami sprowadza się do jednego, nierozstrzygniętego pytania: czy do samodoskonalenia wystarczy przyspieszenie inżynierii i projektowania eksperymentów, czy potrzebny jest jeszcze kreatywny skok, którego żaden benchmark na razie nie mierzy.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym newslettera Jacka Clarka Import AI 476 z dnia 12.10.2026 i wcześniejszego eseju Import AI 455 z dnia 04.05.2026, publikacji P-Zero Research Introducing TasteVal z dnia 06.10.2026 oraz pracy TasteVal: Measuring the Experimental Research Taste of AI Systems Against Human Experts (arXiv, 05.10.2026), wpisu inżynierów Anthropic Redesigning source control at Anthropic z dnia 13.10.2026, publikacji OpenAI Research acceleration: The view inside OpenAI z dnia 06.09.2026 oraz artykułu MIT Technology Review z dnia 18.08.2026.
Cytaty Jacka Clarka, inżynierów Anthropic oraz Sayasha Kapoora 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 na temat benchmarku TasteVal i prognoz dotyczących rekurencyjnego samodoskonalenia AI.
