RSI zastępuje AGI jako nowy buzzword AI. Ale definicja wciąż jest mglista i cel odległy

Branża AI najwyraźniej znalazła sobie nowe hasło. Zamiast AGI coraz częściej pada RSI, czyli wizja systemu, który ulepsza samego siebie. Problem w tym, że łatwo brzmi to jak plan, a na razie częściej przypomina ambitny kierunek niż technologię gotową do działania.

Co właściwie oznacza RSI w AI?

RSI, czyli rekurencyjne samodoskonalenie się, opisuje system AI, który nie tylko wykonuje zadania, ale też sam znajduje własne ograniczenia, proponuje poprawki, testuje je i wdraża kolejne wersje. Zamknięta pętla ulepszeń jest tu sednem sprawy. Chodzi o sytuację, w której człowiek nie prowadzi już każdego kroku ręcznie, tylko nadzoruje proces z boku albo schodzi z niego całkiem.

To ważna różnica względem zwykłego „ulepszania modeli”. Dziś nawet bardzo zaawansowane laboratoria nadal opierają się na ludziach, którzy planują eksperymenty, oceniają wyniki i decydują, co robić dalej. W wersji RSI te funkcje też miałyby zostać zautomatyzowane. Richard Socher mówił o tym w maju 2026 roku w rozmowie z TechCrunch: celem ma być automatyzacja całego cyklu, od pomysłu przez implementację po walidację. Brzmi mocno, ale na razie bardziej jako kierunek niż opis gotowego produktu.

Richard Socher i Recursive Superintelligence stawiają na ambitną nazwę

Richard Socher założył firmę Recursive Superintelligence i już sama nazwa mówi, gdzie chce ustawić poprzeczkę. To nie jest startup, który sprzedaje „asystenta do notatek” i po cichu marzy o czymś większym. Socher od początku ustawia narrację wokół automatyzacji badań i odkrywania wiedzy. Ambicja jest jasna: zbudować system, który będzie coraz mniej zależny od ludzkiego zespołu badawczego.

Problem polega na tym, że między deklaracją a działającym RSI jest jeszcze spory dystans. W szkicu pojawiała się kwota finansowania, ale bez solidnego przypisania do konkretnego źródła i daty, więc lepiej jej tu nie pompować. Sama teza broni się bez niej. Istotniejsze jest to, że Socher nie jest odosobniony: kilka firm i labów coraz częściej mówi dziś językiem „samodoskonalenia”, bo AGI zrobiło się jednocześnie zbyt szerokie i zbyt zużyte marketingowo.

Andrej Karpathy testuje Auto-Research, ale to jeszcze nie jest pełne RSI

Andrej Karpathy pracuje nad Auto-Research i wcześniej publikował wyniki projektu na GitHubie. To podejście jest ciekawe, bo pokazuje bardziej przyziemną wersję całej idei: zamiast opowiadać o maszynie, która sama odkrywa nową naukę, próbuje się automatyzować kolejne odcinki pracy badawczej. To raczej prototyp kierunku niż dowód, że pętla już się zamknęła.

W tym samym krajobrazie mieszczą się też inne próby. W szkicu pojawiały się Adaption Sary Hooker, projekt AutoScientist i Disarray Doris Xin. To ważny kontekst, bo pokazuje, że rynek nie czeka na jedną wielką premierę. Zamiast tego mamy serię narzędzi, które automatyzują część procesu: planowanie eksperymentów, trening modeli, ocenę wyników czy szukanie lepszych konfiguracji. Tyle że z takiego zestawu narzędzi do systemu, który samodzielnie kieruje całym badaniem, droga nadal jest długa.

Co Sundar Pichai naprawdę powiedział o RSI?

Sundar Pichai w 2026 roku studził oczekiwania i to chyba najuczciwszy fragment całej dyskusji. W podcaście „Hard Fork” „The New York Times” mówił, że w takim sensie, w jakim entuzjaści opisują RSI, „nie jesteśmy jeszcze tam”. To nie jest detal, tylko ważne ustawienie skali problemu. Jeśli szef Google mówi wprost, że branża nie doszła do tego poziomu, to trudno udawać, że jesteśmy o jeden benchmark od samonapędzającej się superinteligencji.

Ta ostrożność dobrze współgra z innymi sygnałami z rynku. W szkicu pojawiało się odniesienie do raportu Anthropic i narzędzia Mythos: nawet jeśli część inżynierów widzi potencjał w zastępowaniu bardziej samodzielnych ról, to wąskie gardła pozostają te same. Systemy nadal mają problem z prowadzeniem długich, niejednoznacznych zadań, pilnowaniem priorytetów i sprawdzaniem, czy ich własne wnioski mają sens. A właśnie na takich rzeczach RSI wykłada się najszybciej.

ICLR 2026, AlphaChip i reszta branży pokazują kierunek, nie metę

Warsztat ICLR 2026 i przykłady pokroju AlphaChip od Google DeepMind dobrze pokazują, skąd bierze się cały hype. Jeśli AI potrafi pomagać w projektowaniu układów albo przyspieszać pracę badawczą, łatwo dopisać do tego dalszy ciąg: a może za chwilę zacznie samo poprawiać własne podstawy. Kierunek jest widoczny, ale to jeszcze nie znaczy, że meta jest blisko.

Właśnie tutaj najłatwiej pomylić częściową automatyzację z rekurencyjnym samodoskonaleniem. Narzędzie, które dobrze optymalizuje jeden etap procesu, nie staje się od razu systemem zdolnym do samodzielnego rozwoju bez nadzoru. To trochę jak różnica między bardzo dobrym kalkulatorem a kimś, kto wymyśla nową matematykę. W polskim kontekście ten rozdźwięk też jest istotny: firmy wdrażające AI do biznesu częściej kupują dziś produktywność i automatyzację pracy niż wizję laboratorium, które samo buduje sobie następcę.

Dlaczego RSI stało się nowym hasłem po AGI?

Bo AGI jest już zbyt pojemne. Dla jednych oznacza system lepszy od człowieka prawie we wszystkim, dla innych po prostu model bardziej ogólny niż dzisiejsze chatboty. RSI daje branży coś świeższego: opowieść bardziej konkretna, techniczna i lepiej brzmiąca w prezentacji dla inwestorów. Nowe słowo porządkuje narrację, nawet jeśli nie rozwiązuje problemu definicji.

Moim zdaniem to właśnie dlatego RSI tak szybko zyskuje nośność. Można nim opisać realne eksperymenty z automatyzacją badań, a jednocześnie zostawić sobie dużo miejsca na ambitne obietnice. To wygodne. Tyle że czytelnik powinien uważać, by nie brać tego skrótu za gotową kategorię technologiczną. Na razie to raczej parasol nad różnymi próbami zrobienia AI, które coraz mniej potrzebuje człowieka do rozwijania kolejnych wersji.

Co RSI może zmienić na rynku AI, jeśli w ogóle dojrzeje?

Jeśli choć część tej wizji zadziała, najbardziej skorzystają firmy budujące narzędzia do automatyzacji badań, testowania i walidacji modeli. To one mogą stać się zapleczem dla większych graczy. Stawka jest wysoka, bo nawet częściowe skrócenie cyklu badawczego oznacza szybsze iteracje, niższe koszty i przewagę nad konkurencją.

Ale rynek ma też swój filtr. Inwestorzy lubią wielkie hasła, a potem przychodzi etap rozliczania z rezultatów. Z AGI już to przerabialiśmy. Dlatego przy RSI rozsądniej patrzeć nie na same deklaracje, tylko na to, czy dane narzędzie faktycznie potrafi samodzielnie planować eksperymenty, oceniać wyniki i nie rozpada się przy dłuższym zadaniu. Jeśli nie, to mamy co najwyżej kolejny etap automatyzacji, a nie nową epokę AI.

Źródła:

TechCrunch, The New York Times, IEEE Spectrum, ICLR 2026 Workshop, GitHub karpathy/autoresearch, NYT Hard Fork podcast