تصور کنید کارخانه ای را که هر روز قطعات خود را بازطراحی می‌کند تا سریع‌تر و دقیق‌تر شود؛ این دقیقاً همان اتفاقی است که اکنون در قلب Anthropic رخ می‌دهد. طبق اعلام این شرکت در مقاله‌ای در ژوئن ۲۰۲۶، بیش از ۸۰ درصد از کدهایی که تا مه ۲۰۲۶ در مخزن عملیاتی Claude ادغام شده‌اند، توسط خودِ این هوش مصنوعی نوشته شده‌اند.
این خبر به معنای پایان بحث‌های تئوریک درباره خودبهبودی بازگشتی (Recursive Self-Improvement) است. برای دهه‌ها، ایده‌ی سیستمی که بتواند خودش را ارتقا دهد، تنها یک تمرین آکادمیک در آثار افرادی مثل آی. جی. گود و یورگن اشمیدهوبر بود. اما امروز، این مفهوم به یک خط لوله‌ی مهندسی تبدیل شده است که در آن «کارخانه» در حال ساختن خودش است.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، اتکای شدید به کد تولیدشده توسط ماشین، ریسک‌های جدیدی ایجاد می‌کند. به گزارش وب‌سایت thesequence.substack.com، سه آزمایشگاه بزرگ اکنون نسخه‌های متفاوتی از این حلقه بازگشتی را اجرا می‌کنند:
- Anthropic: مدل Claude اکنون اکثریت قریب به اتفاق ادغام‌های کد در محیط عملیاتی را مدیریت می‌کند.
- OpenAI: مدل GPT-5.3-Codex برای عیب‌یابی فرآیند آموزش خود و مدیریت لجستیک استقرار به کار گرفته شده است. این رویکرد در راستای استفاده از عوامل هوشمند برای حل مسائل پیچیده است، مشابه آنچه در حل مسئله ریاضی ناویر-استوکس توسط هزاران عامل OpenAI مشاهده شد.
- DeepMind: مدل AlphaEvolve در حال تولید بهبودهای الگوریتمی است که مستقیماً در زیرساخت‌های آموزش مدل‌های دیگر ادغام می‌شوند.
این چرخش راهبردی، پیش‌فرض‌های این حوزه درباره گلوگاه پیشرفت هوش مصنوعی را تغییر می‌دهد. بر اساس مستندات منتشر شده، محدودیت اصلی دیگر صرفاً قدرت محاسبات (Compute) یا حجم داده‌ها نیست، بلکه قابلیت اطمینان لایه‌ی «تأیید» (Verification) است؛ یعنی همان مکانیزمی که کد هوش مصنوعی را پیش از ادغام در سیستم اصلی بررسی می‌کند. این بهینه‌سازی‌های نرم‌افزاری در کنار هم‌سویی مدل و سخت‌افزار برای کاهش هزینه‌های استنتاج، سرعت تکامل این سیستم‌ها را دوچندان می‌کند.
اگر این فرآیند تأیید شکست بخورد، سیستم با خطر وارد کردن خطاهای انباشته به بنیادهای خود مواجه می‌شود. اکنون رقابت اصلی صنعت بر سر این است که کدام بخش‌های چرخه توسعه را می‌توان با ایمنی کامل خودکار کرد و چگونه نظارت انسانی را در این مقیاس حفظ نمود.
گام بعدی شما
- پژوهش‌های جدید درباره تأیید رسمی (Formal Verification) و چارچوب‌های تست خودکار را دنبال کنید؛ این‌ها تنها حفاظ‌های باقی‌مانده برای سیستم‌های خودتکامل‌یافته هستند.
- بررسی کنید که آیا در گردش‌کارهای توسعه خود، لایه‌ای برای تأیید مستقل کدهای تولیدشده توسط AI دارید یا خیر.
- مدل‌های تخصصی کدنویسی را برای بهینه‌سازی زیرساخت‌های کوچک‌تر آزمایش کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو