Учёные Meta AI и университетские исследователи представили революционную архитектуру искусственного интеллекта под названием HyperAgents, которая обеспечивает самостоятельное совершенствование системы без зависимости от фиксированных алгоритмов.
Об этом сообщает ProIT
- HyperAgents устраняют проблему «бесконечного регресса» в ИИ.
- Система способна самостоятельно изменять собственные стратегии развития.
- Гиперагенты демонстрируют перенос навыков между различными задачами.
Инновационная архитектура HyperAgents: новый подход к саморазвитию ИИ
HyperAgents — это концепция, разработанная на основе идеи машины Дарвина—Геделя (DGM), которая доказала возможность самосовершенствования программных систем. Однако, если ранее такие системы ограничивались жестко заданными алгоритмами, HyperAgents позволяет искусственному интеллекту не только находить новые решения, но и переписывать собственные правила развития, преодолевая человеческие ограничения метауровня.
«Ключевым элементом стала метакогнитивная самомодификация — способность системы переписывать собственные правила развития. В отличие от предыдущих подходов, гиперагент может улучшать механизм генерации будущих улучшений».
Интеграция в одной модели как функций решения задач, так и механизмов саморазвития позволяет DGM-Hyperagent адаптироваться и изменять как свои решения, так и сам подход к их оптимизации. Благодаря этому гиперагент не ограничивается заранее определенной логикой и может развиваться автономно.
Практическое применение и потенциал гиперагентов
Разработчики протестировали HyperAgents в сферах робототехники, рецензирования научных исследований и оценки математических задач. Во всех случаях система продемонстрировала значительное улучшение результатов по сравнению с традиционными моделями. В частности, в робототехнике гиперагент перешёл от элементарных стратегий к более сложным и эффективным, а в рецензировании создал многоуровневые подходы с чёткими критериями оценки.
Особенной преимуществом новой архитектуры стала способность переносить навыки на новые задачи, в которых система изначально не обучалась. Это открывает перспективу формирования универсальных механизмов обучения для будущих автономных ИИ-систем.
В процессе работы HyperAgents способны формировать собственную инфраструктуру — от систем отслеживания производительности до механизмов планирования вычислительных ресурсов. Благодаря этим инструментам система может анализировать предыдущие результаты и корректировать стратегии без привлечения человека.
Специалисты подчеркивают, что гиперагенты способны выходить за пределы локальных решений и создавать обобщённые подходы к обучению, что может привести к появлению универсальных и независимых систем искусственного интеллекта. По словам авторов, архитектура HyperAgents преодолевает фундаментальные ограничения предыдущих моделей, открывая новые возможности для масштабируемого саморазвития ИИ в различных областях.
