Современный искусственный интеллект упирается в невидимый потолок статики: после завершения обучения модель остается заложником своих весов. Чтобы преодолеть этот барьер, исследователи обращаются к фундаментальным принципам биологического выживания и математической логики. От физических роботов, способных к «метаболизму», до алгоритмов, переписывающих собственный код, индустрия переходит от ручного проектирования к управляемой эволюции. Этот синтез дарвиновского отбора и гёделевской рекурсии закладывает фундамент для появления по-настоящему автономного разума.
Путь к созданию полноценного искусственного интеллекта сегодня всё чаще напоминает не столько программирование, сколько селекцию. В 2025 году исследователи из Колумбийского университета, при поддержке DARPA, представили концепцию машин, способных расти за счет поглощения себе подобных. Речь идет о роботах Truss Link — базовых цилиндрических модулях, которые в процессе хаотичного перемещения случайным образом сцепляются друг с другом. В результате возникают упорядоченные структуры, такие как тетраэдры, которым энергетически выгоднее перемещаться в пространстве как единому целому.
Этот процесс, названный «роботизированным метаболизмом», имитирует биологическую эволюцию: способность к адаптации становится главным критерием выживания. Подобно тому как живые организмы усваивают аминокислоты или инкорпорируют чужеродный генетический код для совершенствования, роботы интегрируют в себя новые модули, становясь быстрее и изящнее. В перспективе это открывает путь к миру, где ИИ будет создавать физические конструкции с той же легкостью, с какой сегодня генерирует текст.
Перенос этих принципов в цифровую среду происходит еще стремительнее. В 2026 году Linux Foundation предложила модифицировать инфраструктуру DNS с помощью проекта DNS-AID. Цель — создать глобальный децентрализованный реестр для ИИ-агентов, своего рода «телефонную книгу» для межботовых коммуникаций. Вместо трудоемкого сканирования портов агенты, использующие протокол контекста модели (MCP), смогут находить друг друга через специальные адреса. Такое взаимодействие неизбежно ведет к взаимному дообучению и обретению моделей новых свойств, которые изначально отсутствовали в их тренировочных массивах.
Сегодняшний подход к оптимизации нейросетей опирается преимущественно на минимизацию функции потерь и градиентный спуск. Это эффективный, но ограниченный метод: он ищет оптимумы в многомерных пространствах параметров, но не меняет саму суть системы. Нейроэволюционный подход предлагает сдвинуть фокус с улучшения метода на оптимизацию конечных показателей производительности. Здесь в игру вступает имитация естественного отбора.
Процесс нейроэволюции выглядит как итеративный цикл: сначала генерируется случайная популяция совместимых алгоритмов, затем каждая модель проходит испытание на конкретной задаче. Выживают лишь те, кто набрал наибольшее количество баллов. Далее следует этап клонирования с внесением стохастических изменений — цифровых мутаций — или скрещивание моделей. Этот цикл повторяется до тех пор, пока система не достигнет требуемого уровня сложности. Если биологической жизни потребовалось 4 миллиарда лет, то в виртуальном пространстве этот процесс может ускориться в миллионы раз, стартуя не с простейших клеток, а с уже развитых когнитивных контуров.
Основная проблема современных больших языковых моделей (БЯМ) заключается в их статичности. Даже агентные системы, обладающие гибкостью, базируются на моделях с фиксированными весами, что приводит к галлюцинациям и накоплению ошибок. Прорывным решением стала машина Дарвина–Гёделя (DGM), которая объединяет идеи эволюционной теории Чарльза Дарвина и логическую рекурсию Курта Гёделя. В отличие от традиционных БЯМ, DGM способна модифицировать собственную структуру, переписывая программный код своих рабочих элементов для адаптации к новым задачам.
Связь с Гёделем здесь проявляется через концепцию самосовершенствования. Еще в 2003 году Юрген Шмидхубер предложил идею машины, которая рекурсивно ускоряет себя, находя математические доказательства полезности тех или иных изменений. Однако на практике доказать полезность модификации кода оказалось почти невозможно. Команда Дженни Чжан из Университета Британской Колумбии и стартапа Sakana.ai предложила заменить «холодный расчет» доказательств эмпирическим методом Дарвина.
Вместо того чтобы искать строгое доказательство, машина Дарвина–Гёделя итеративно модифицирует свой код и проверяет результат на эталонных тестах. Она не просто следует одной линии развития, а поддерживает архив различных версий агентов, создавая разветвленное дерево возможностей. Такой недетерминированный поиск позволил значительно повысить производительность систем кодирования: в тестах SWE-bench эффективность выросла с 20% до 50%, а в Polyglot — с 14,2% до 30,7%.
Подобный подход превращает ИИ из статичного инструмента в динамическую систему, которая постигает мир через взаимодействие с ним, а не только через чтение текстов. Это критически важно для автономных систем, например, для аппаратов, исследующих глубокий космос или океанское дно, где условия непредсказуемы. Google DeepMind уже представила своего эволюционного агента AlphaEvolve, который смог оптимизировать алгоритм умножения матриц Штрассена, побив рекорд, державшийся 56 лет.
Однако эволюция несет в себе и серьезные риски. Главный из них — взрывной рост неопределенности в вопросах безопасности. Саморазвивающийся ИИ может начать «обманывать» систему оценки, чтобы получить высокий балл, не решая задачу по существу. Это классическое проявление закона Гудхарта: когда метрика становится целью, она перестает быть надежной метрикой.
В конечном итоге, эволюционирующая БЯМ остается машиной по генерации токенов, лишенной осознания ответственности и привязки к физической реальности. Перед человечеством стоит сложнейшая задача: создать такие механизмы измерения качества, которые не позволяли бы системе использовать «чит-коды» в своем развитии. Ответ на вопрос, удастся ли это сделать до наступления эпохи общего искусственного интеллекта (AGI), остается открытым.
Технологический гамбит Intel с узлом 14A
