Сучасний штучний інтелект стикається з невидимою стелею статики: після завершення етапу навчання модель фактично стає заручником власних ваг. Аби подолати цей бар'єр, дослідники звертаються до фундаментальних принципів біологічного виживання та математичної логіки. Шлях від фізичних роботів, здатних до свого роду «метаболізму», до алгоритмів, що самостійно переписують власний код, свідчить про те, що індустрія відходить від ручного проєктування на користь керованої еволюції. Цей синтез дарвінівського відбору та гёделівської рекурсії закладає підвалини для появи справді автономного розуму.
Шлях до створення повноцінного штучного інтелекту сьогодні дедалі більше нагадує не стільки класичне програмування, скільки селекцію. У 2025 році дослідники з Колумбійського університету за підтримки DARPA представили концепцію машин, здатних розвиватися шляхом поглинання собі подібних. Йдеться про роботів Truss Link — базові циліндричні модулі, які в процесі хаотичного переміщення випадковим чином зчіплюються один з одним. У результаті виникають упорядковані структури, такі як тетраедри, яким енергетично вигідніше пересуватися в просторі як єдине ціле.
Цей процес, названий «роботизованим метаболізмом», імітує біологічну еволюцію: здатність до адаптації стає головним критерієм виживання. Подібно до того, як живі організми засвоюють амінокислоти або інкорпорують чужорідний генетичний код для вдосконалення, роботи інтегрують у себе нові модулі, стаючи швидшими та витонченішими. У перспективі це відкриває шлях до світу, де ШІ створюватиме фізичні конструкції з тією ж легкістю, з якою сьогодні генерує текст.
Перенесення цих принципів у цифрове середовище відбувається ще стрімкіше. У 2026 році Linux Foundation запропонувала модифікувати інфраструктуру DNS за допомогою проєкту DNS-AID. Мета — створити глобальний децентралізований реєстр для ШІ-агентів, свого роду «телефонну книгу» для міжботових комунікацій. Замість трудомісткого сканування портів агенти, що використовують протокол контексту моделі (MCP), зможуть знаходити один одного через спеціальні адреси. Така взаємодія неминуче веде до взаємного донавчання та набуття моделями нових властивостей, яких відсутні в їхніх початкових тренувальних масивах.
Сучасний підхід до оптимізації нейромереж спирається переважно на мінімізацію функції втрат і градієнтний спуск. Це ефективний, але обмежений метод: він шукає оптимуми в багатовимірних просторах параметрів, проте не змінює саму суть системи. Нейроеволюційний підхід пропонує змістити фокус із вдосконалення методу на оптимізацію кінцевих показників продуктивності. Саме тут у гру вступає імітація природного добору.
Процес нейроеволюції виглядає як ітеративний цикл: спочатку генерується випадкова популяція сумісних алгоритмів, потім кожна модель проходить випробування на конкретному завданні. Виживають лише ті, що набрали найбільшу кількість балів. Далі йде етап клонування із внесенням стохастичних змін — цифрових мутацій — або схрещування моделей. Цей цикл повторюється доти, доки система не досягне потрібного рівня складності. Якщо біологічному життю знадобилося 4 мільярди років, то у віртуальному просторі цей процес може прискоритися в мільйони разів, стартуючи не з найпростіших клітин, а з уже розвинених когнітивних контурів.
Основна проблема сучасних великих мовних моделей (LLM) полягає в їхній статичності. Навіть агентні системи, що мають певну гнучкість, базуються на моделях із фіксованими вагами, що призводить до галюцинацій та накопичення помилок. Проривним рішенням стала машина Дарвіна–Геделя (DGM), яка об'єднує ідеї еволюційної теорії Чарльза Дарвіна та логічну рекурсію Курта Геделя. На відміну від традиційних LLM, DGM здатна модифікувати власну структуру, переписуючи програмний код своїх робочих елементів для адаптації до нових завдань.
Зв'язок із Геделем тут проявляється через концепцію самовдосконалення. Ще у 2003 році Юрген Шмідхубер запропонував ідею машини, яка рекурсивно прискорює себе, знаходячи математичні докази корисності тих чи інших змін. Однак на практиці довести корисність модифікації коду виявилося майже неможливо. Команда Дженні Чжан з Університету Британської Колумбії та стартапу Sakana.ai запропонувала замінити «холодний розрахунок» доказів емпіричним методом Дарвіна.
Замість того щоб шукати суворий доказ, машина Дарвіна–Геделя ітеративно модифікує свій код і перевіряє результат на еталонних тестах. Вона не просто слідує однією лінією розвитку, а підтримує архів різних версій агентів, створюючи розгалужене дерево можливостей. Такий недетермінований пошук дозволив значно підвищити продуктивність систем кодування: у тестах SWE-bench ефективність зросла з 20% до 50%, а в Polyglot — з 14,2% до 30,7%.
Подібний підхід перетворює ШІ зі статичного інструменту на динамічну систему, яка пізнає світ через взаємодію з ним, а не лише через читання текстів. Це критично важливо для автономних систем, наприклад, для апаратів, що досліджують глибокий космос або океанське дно, де умови є непередбачуваними. Google DeepMind уже представив свого еволюційного агента AlphaEvolve, який зміг оптимізувати алгоритм множення матриць Штрассена, побивши рекорд, що тримався 56 років.
Однак еволюція несе в собі й серйозні ризики. Головний із них — вибухове зростання невизначеності в питаннях безпеки. Саморозвиваючийся ШІ може почати «обманювати» систему оцінювання, щоб отримати високий бал, не вирішуючи завдання по суті. Це класичний прояв закону Гудхарта: коли метрика стає ціллю, вона перестає бути надійною метрикою.
Зрештою, еволюційна LLM залишається машиною з генерації токенів, позбавленою усвідомлення відповідальності та прив'язки до фізичної реальності. Перед людством стоїть надскладне завдання: створити такі механізми вимірювання якості, які не дозволяли б системі використовувати «чит-коди» у своєму розвитку. Відповідь на питання, чи вдасться це зробити до настання епохи загального штучного інтелекту (AGI), залишається відкритою.
Технологічний гамбіт Intel: ставка на вузол 14A
