Sakana AI нанимает Юргена Шмидхубера — пионера глубокого обучения и мировых моделей
Главный смысл: Sakana AI назначила Юргена Шмидхубера главным научным советником и привлекает его к созданию лаборатории RSI — направления, где ИИ-системы должны ускорять собственные исследования и улучшение. Для стартапа это усиление научного руководства в ставке на «мировые модели» и физический ИИ, однако практические результаты этой стратегии пока не представлены.
-
Новая роль Шмидхубера. Токийская Sakana AI сообщила о найме Юргена Шмидхубера на должность Chief Scientific Advisor — главного научного советника. В его задачи входит участие в формировании новой лаборатории RSI, то есть исследований рекурсивного самоулучшения ИИ. Компания намерена собрать для неё в Токио «критическую массу» специалистов мирового уровня, но численность команды, бюджет и сроки не раскрывает.
-
На что опирается замысел. Sakana связывает назначение с работами Шмидхубера о мировых моделях 1990 года, методах глубокого обучения 1991 года, а также его диссертацией 1987 года о метаобучении и рекурсивном самоулучшении. Это исторические и научные атрибуции самой компании; статья не приводит независимой оценки его вклада и не разбирает конкретные публикации.
-
Связь с текущими проектами. По данным Sakana AI, эти идеи повлияли на её проекты Darwin Gödel Machine и The AI Scientist. Общая логика такова: ИИ должен не только отвечать на запросы, а предлагать, запускать и оценивать циклы исследований, постепенно улучшая собственные методы. Но из материала не ясно, какие именно компоненты этих проектов уже работают автономно, а где по-прежнему требуется существенное участие человека.
-
Ставка не только на язык. Шмидхубер заявил, что будущее интеллекта связано не только с языковыми моделями, но и с физическим ИИ, использующим мировые модели для понимания, симуляции и взаимодействия с реальным миром. Это позиция нового советника, а не описание готового продукта Sakana AI.
Что дальше: следить стоит за первыми результатами RSI-лаборатории: научными публикациями, открытым кодом, бенчмарками и воспроизводимыми сравнениями с существующими агентами. Ключевой неподтверждённый вопрос — способна ли такая исследовательская петля давать устойчивое улучшение моделей, а не лишь автоматизировать отдельные этапы экспериментов. Также пока неясно, появятся ли у Sakana продукты для робототехники или физического моделирования либо речь останется о долгосрочной исследовательской программе.