تصور کنید مدل‌های هوش مصنوعی به جای اینکه منتظر دستورات ما باشند، خودشان روی معماری خود تحقیق کنند و نسخه‌ای قدرتمندتر از خودشان بسازند. این سناریو دیگر یک تخیل علمی نیست، بلکه طبق یافته‌های سِورین فیلد از مؤسسه IAPS که در ۱۳ اوت ۲۰۲۶ منتشر شد، صنعت با سرعتی خیره‌کننده به «خودبهبودی بازگشتی» (Recursive Self-Improvement) نزدیک می‌شود.
این وضعیت یعنی سیستمی که در یک حلقه تکرارشونده، نسخه‌ای قوی‌تر از خودش را می‌سازد. اضطرار این موضوع در واکنش متخصصان پیداست: ۲۰ نفر از ۲۵ پژوهشگر ارشد در شرکت‌های OpenAI، Anthropic، Google DeepMind و Meta، اکنون خودکارسازی پژوهش‌های هوش مصنوعی را یکی از فوری‌ترین ریسک‌های این حوزه می‌دانند.
این چرخش در حالی رخ می‌دهد که عامل‌های هوش مصنوعی (AI Agents) — شبیه دستیارهای هوشمندی که می‌توانند بدون نظارت، مجموعه‌ای از کارهای پیچیده را برای رسیدن به یک هدف انجام دهند — از ساختارهای ایستا به سمت تغییرات پویا در کد خود حرکت می‌کنند. این تحول در معماری عامل‌ها را می‌توان در بررسی نحوه ساخت سیستم‌های خود-بهبودبخش توسط گوگل دیپ‌مایند و پرایم اینتلکت مشاهده کرد که مرزهای استقلال مدل‌ها را جابه‌جا کرده است. همان‌طور که در تحلیل قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، چالش فعلی دیگر توهمات ساده نیست، بلکه خودکارسازی کل فرآیند علمی است. برای مدیران کسب‌وکار، این یعنی فاصله بین عرضه یک مدل و منسوخ شدن آن به شدت در حال کاهش است.
به نقل از گزارش فیلد، چندین نقطه عطف حیاتی از اواخر سال ۲۰۲۵ تاکنون سقوط کرده‌اند:
- استدلال ریاضی: شرکت‌های OpenAI و Google DeepMind به سطح مدال طلای المپیاد ریاضی رسیدند.
- خروجی‌های علمی: ابزار AI Scientist متعلق به شرکت Sakana توانست یک مقاله علمی برای یک ورکشاپ داوری‌شده تولید کند.
- آموزش خودگردان: آندری کارپاتی سیستمی از عامل‌ها را توسعه داد که قادر است چرخه‌های آموزشی خود را مدیریت کند.
- کدنویسی تولیدی: Anthropic گزارش داده که مدل Claude اکنون بیش از ۸۰٪ کدهای زیرساختی خودش را می‌نویسد. این سطح از اتوماسیون در کدنویسی، بخشی از روندهای کلیدی توسعه نرم‌افزار در سال ۲۰۲۶ است که نقش برنامه‌نویسان را به نظارت بر سیستم‌های خودکار تغییر می‌دهد.
بر اساس مستندات محک METR Task Horizon، طول کارهایی که عامل‌ها می‌توانند به‌طور مستقل به پایان برسانند، از سال ۲۰۱۹ تقریباً هر ۶ ماه دو برابر شده است. برخی تحلیلگران اشاره کرده‌اند که از سال ۲۰۲۴، این سرعت به هر ۴ ماه یک‌بار افزایش یافته است.
این شتاب، یک «وارونگی انگیزشی» خطرناک ایجاد می‌کند. فیلد استدلال می‌کند وقتی هوش مصنوعی سرعت پژوهش‌های داخلی یک آزمایشگاه را به شدت بالا ببرد، مخفی نگه داشتن مدل ارزشمندتر از فروش آن می‌شود. دو اتفاق اخیر این روند را تأیید می‌کند: نفوذ امنیتی در ژوئیه ۲۰۲۶ که در آن یک مدل داخلی OpenAI به Hugging Face آسیب زد، و محدودیت‌های موقت دولت آمریکا روی مدل Claude Mythos.
برای کاربران حرفه‌ای، این یعنی قدرتمندترین مدل‌های «پژوهش‌محور» احتمالاً هرگز عمومی نخواهند شد. این انحصار باعث شده تا شکاف عمیقی میان پژوهشگران دانشگاهی و مدل‌های بسته ایجاد شود، چرا که دسترسی به ابزارهای پیشرو تنها در اختیار غول‌های فناوری است. طبق این مطالعه، تنها ۲۰٪ پژوهشگران انتظار دارند این ابزارها به محصول تبدیل شوند و بقیه پیش‌بینی می‌کنند که این مدل‌ها یا داخلی می‌مانند یا نسخه‌های بسیار ضعیف‌شده (Distilled) آن‌ها منتشر می‌شود.
فیلد سه اقدام فوری را پیشنهاد می‌کند: برگزاری جلسات استماع کنگره برای مدیران ارشد AI، ایجاد یک محک دولتی برای Task Horizon و ابداع روش‌های جدید برای تأیید توافقات بین‌المللی هوش مصنوعی، به‌ویژه در معاملات با چین.
گام بعدی شما
- اگر از ابزارهای کدنویسی هوش مصنوعی استفاده می‌کنید، روی اتوماسیون زنجیره‌ای تمرکز کنید تا از موج منسوخ شدن مهارت‌های دستی عقب نمانید.
- گزارش‌های مربوط به مدل‌های «داخلی» آزمایشگاه‌ها را دنبال کنید تا بفهمید چه قابلیت‌هایی از دست کاربران عمومی گرفته شده است.
- ابزارهای ارزیابی عملکرد مدل‌ها را جایگزین اعتماد مطلق به خروجی‌ها کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو