Sakana AI ra mắt phòng thí nghiệm RSI: Định hình lại tương lai của AI tự cải thiện

Sakana AI ra mắt phòng thí nghiệm RSI: Định hình lại tương lai của AI tự cải thiện

Trong bối cảnh thế giới bước vào kỷ nguyên trí tuệ nhân tạo, Nhật Bản đang đứng trước cơ hội độc đáo để giành lại vị thế tiên phong trong đổi mới toàn cầu. Tuy nhiên, để đạt được vị trí dẫn đầu trong AI và khám phá khoa học, chúng ta không thể chỉ dựa vào phương pháp truyền thống là "cưỡng chế" các mô hình khổng lồ bằng sức mạnh tính toán thô. Chúng ta cần một bước nhảy vọt về mặt tư duy.

Lịch sử đã chứng minh sự thống trị của Nhật Bản trong sản xuất không đến từ tài nguyên thiên nhiên phong phú, mà từ việc thiết kế lại triệt để quy trình sản xuất dựa trên triết lý cải tiến liên tục. Sakana AI đang áp dụng nguyên tắc tương tự cho trí tuệ nhân tạo: thay vì phụ thuộc vào việc mở rộng quy mô (scaling), chúng tôi theo đuổi sự tinh tế, khả năng thích ứng và tính tự chủ.

Phòng thí nghiệm RSI của Sakana AI

Hôm nay, Sakana AI tự hào công bố sự thành lập chính thức của Sakana AI RSI Lab – một nhóm nghiên cứu chuyên biệt với nhiệm vụ thiết kế lại chính quy trình phát triển AI bằng công nghệ AI. Đây là một trong những phòng thí nghiệm đầu tiên phát triển công nghệ Tự cải thiện đệ quy (Recursive Self-Improvement - RSI) sử dụng các mô hình nền tảng hiện đại.

Di sản nghiên cứu: Những bước đi tiên phong

Trong khi ngành công nghiệp vẫn đang suy đoán về tiềm năng lý thuyết của AI tự cải thiện trong tương lai, Sakana AI đã dành hai năm qua để hiện thực hóa các cột mốc thực tế. RSI Lab không xây dựng từ con số không, mà dựa trên danh mục nghiên cứu đột phá đã chuyển dịch ngành từ các heuristic do con người thiết kế sang các vòng lặp tối ưu hóa tiến hóa tự chủ.

Dưới đây là những thành tựu nổi bật trong danh mục nghiên cứu RSI của Sakana AI:

• LLM-Squared (2024): Phát triển cùng Oxford và Cambridge, khuôn khổ này tiên phong trong việc tự động hóa bằng AI để cho phép các Mô hình Ngôn ngữ Lớn (LLM) phát minh ra cách tốt hơn để đào tạo chính chúng. Nó đã tạo ra thuật toán tối ưu hóa ưu tiên SOTA (DiscoPOP) được phát hiện và viết hoàn toàn bởi một LLM.
• The Darwin Gödel Machine (2025): Phát triển cùng Đại học British Columbia (UBC), hệ thống này cho phép cải thiện liên tục không giới hạn bằng cách duy trì một dòng dõi các biến thể tác nhân tự động viết lại mã nguồn của chính mình. DGM đã tự động tăng gấp đôi hiệu suất kỹ thuật phần mềm cơ bản trên SWE-bench.
• ShinkaEvolve (2025): Một khuôn khổ mã nguồn mở chứng minh hiệu quả mẫu chưa từng có trong tiến hóa chương trình cho khám phá khoa học. Nó giải quyết các vấn đề tối ưu hóa phức tạp chỉ với 150 mẫu và tạo ra hàm mất mát cân bằng tải mới cho các mô hình Mixture-of-Experts (MoE).
• ALE-Agent (2025): Tác nhân tối ưu hóa đã giành vị trí thứ nhất trong số 804 người tham gia là con người tại cuộc thi AtCoder Heuristic Contest 058. Nó tự động suy ra một thuật toán mới vượt qua các chuyên gia con người bằng cách học hỏi từ những thất bại của mình.
• The AI Scientist (2024–2026): Hệ thống mang tính bước ngoặt có khả năng khám phá khoa học tự động hoàn toàn, từ tạo ý tưởng, chạy thí nghiệm đến viết bài báo và thực hiện bình luận đồng nghiệp. Nghiên cứu này đã được công bố trên tạp chí Nature vào tháng 3 năm 2026.

Các ấn phẩm nghiên cứu của Sakana AI

Điểm chung của các vòng lặp tối ưu hóa này là kỷ luật tiến bộ thông qua ý tưởng, không chỉ thông qua sức mạnh tính toán. ShinkaEvolve chỉ cần 150 mẫu để giải quyết các vấn đề mà tìm kiếm vét cạn coi là bất khả thi. ALE-Agent vượt qua 804 chuyên gia con người không phải bằng cách đốt cháy nhiều tài nguyên tính toán hơn, mà bằng cách rút ra bài học có cấu trúc từ thất bại.

Quỹ đạo của AI chủ quyền theo cấp số nhân

Tầm nhìn rộng lớn hơn của Sakana AI là vạch ra một con đường chuyển dịch khỏi các giới hạn tĩnh của việc tinh chỉnh AI truyền thống sang một quỹ đạo tự cải thiện. Chúng tôi hình dung sự chuyển đổi này qua bốn giai đoạn riêng biệt:

Quỹ đạo tự cải thiện đệ quy

1. Agent-Native Models (Mô hình Ưu tiên Tác nhân): Xây dựng các kiến trúc nhận thức và trình mô phỏng thế giới được thiết kế riêng từ đầu cho các trường hợp sử dụng tác nhân mở rộng, thay vì chỉ là các giao diện trò chuyện cơ bản.
2. The AI Scientist (Nhà khoa học AI): Triển khai các kiến trúc này để thực hiện nghiên cứu tự động từ đầu đến cuối, mở rộng khối kiến thức khoa học một cách độc lập.
3. Recursive Self-Improvement (Tự cải thiện Đệ quy): Đạt đến điểm uốn quan trọng khi các tác nhân AI chủ động viết, điểm chuẩn và xác minh mã của các kiến trúc nền tảng của chính chúng, khởi động chu kỳ tự nâng cấp tự chủ.
4. Democratized AI (AI Dân chủ hóa): Chúng tôi tin rằng tự cải thiện đệ quy có thể đạt được trên quy mô tính toán khiêm tốn và hiệu quả, thay đổi địa lý của AI tiên phong. Các quốc gia hoặc tổ chức không thể cạnh tranh về kích thước cụm máy tính (cluster) vẫn có thể xây dựng các hệ thống AI theo nhu cầu riêng.

Hướng tới RSI có trách nhiệm

Hai năm xây dựng các hệ thống này đã chỉ ra cho chúng ta thấy các chế độ thất bại của chúng: các vòng lặp tiến hóa bị trôi đi, các tự sửa đổi vượt qua điểm chuẩn nhưng thất bại khi triển khai thực tế. Chúng tôi không coi đây là các trường hợp ngoại lệ mà là vấn đề kỹ thuật trung tâm của tự cải thiện đệ quy.

RSI Lab cam kết xuất bản công khai, bao gồm cả các kết quả tiêu cực, và thiết kế các vòng lặp tự cải thiện với các biện pháp bảo vệ có thể xác minh ngay từ đầu. RSI có trách nhiệm không phải là rào cản đối với khả năng, mà là yếu tố giúp khả năng đó bền vững.

Sự thành lập của RSI Lab đánh dấu cam kết nghiêm túc trong việc kỹ thuật hóa bước nhảy vọt tiếp theo trong trí tuệ tính toán. Được thúc đẩy bởi chiến lược quốc gia của Nhật Bản về cơ sở hạ tầng AI chủ quyền, chúng tôi đang mở rộng quy mô tài nguyên nghiên cứu và kỹ thuật tại trụ sở Tokyo.

Chúng tôi đang tìm kiếm những cá nhân xuất sắc, đầy động lực để gia nhập đội ngũ, bao gồm các Nhà khoa học Nghiên cứu Tiên phong và Kỹ sư Lõi Cao cấp. Nếu bạn là người xây dựng tầm nhìn sẵn sàng chuyển đến Nhật Bản để kỹ thuật hóa động cơ khám phá đệ quy, chúng tôi mời bạn ứng tuyển.