AI өөрийгөө өөрөө хөгжүүлдэг үе эхэллээ: Anthropic кодынхоо 80%-ийг Claude-оор бичүүлж, бүтээмжээ 8 дахин өсгөжээ

Хиймэл оюун ухааны салбарт олон жилийн турш зөвхөн онолын түвшинд яригддаг байсан Recursive Self-Improvement (RSI) буюу AI систем өөрөө өөрийгөө сайжруулж, дараагийн үеийн загваруудынхаа архитектур, кодод шууд хувь нэмэр оруулах үзэгдэл бодит амьдрал дээр эрчимжиж эхэлснийг Anthropic Institute албан ёсоор дэлгэлээ.

"When AI builds itself" тайланд дурдсанаар, хиймэл оюун ухааны судалгаа, код хөгжүүлэлтийн уламжлалт хэлхээнд хүний гүйцэтгэх үүрэг эрс багасаж, AI загварууд өөрсдийн залгамжлагчдыг бий болгох процессод голлох байр суурь эзэлж эхэлжээ. Энэ нь зөвхөн AI лабораториудад төдийгүй дэлхийн нийт программ хангамжийн инженерүүдийн үүрэг роль, хөгжүүлэлтийн арга барилд гүнзгий өөрчлөлт авчирч байна.

Дотоод статистик: Anthropic-ийн кодын 80%+ нь Claude-ийн бүтээл

Anthropic анх удаа дотоод инженерчлэлийн бодит тоон үзүүлэлтүүдээ ил болгосон нь олны анхаарлыг татаж байна:

Кодын 80 гаруй хувь: Өдгөө Anthropic-ийн үндсэн код суурьт (production codebase) нэгтгэгдэж буй нийт кодын 80-аас дээш хувийг Claude өөрөө автоматаар бичиж байна.
Бүтээмжийн 8 дахин өсөлт: Нэг инженер улиралд дунджаар зах зээлд нийлүүлж (ship) буй кодын хэмжээ 2021–2025 оны дунджаас 8 дахин нэмэгдсэн байна.
Инфраструктурын гүн алдааг 2 цагт шийдвэрлэсэн нь: Загвар сургалтын үеэр хэдэн арван мянган сургалтын ажлыг (training jobs) унагаж байсан системийн түвшний далд алдааг Claude бие даан 2 цагийн дотор илрүүлж, туршин засварласан нь хүний инженерийн 3 өдрийн ажлыг хэмнэжээ.

Эдгээр дата нь хиймэл оюуныг энгийн туслах (autocomplete) биш, харин кодчиллын хүнд дэд бүтцийг авч явах хэмжээний бие даасан агент түвшинд хүрснийг харуулж байна.

"Судалгааны хүрд" автоматжиж буй нь

Программ хангамж болон машин сургалтын судалгаа нь үндсэндээ зургаан үе шаттай давталт (loop) байдаг:

Санал дэвшүүлэх (Propose): Юуг өөрчлөх, сайжруулах вэ гэдэг гипотез гаргах.
Хэрэгжүүлэх (Implement): Код болон алгоритмыг бичих.
Ажиллуулах (Run): Туршилтыг орчинд ажиллуулах.
Баталгаажуулах (Validate): Алдаа, үр дүнг шалгах.
Суралцах (Learn): Үр дүнгээс дүгнэлт хийх.
Сонгох (Choose): Дараагийн шийдлийг сонгох.

Урьд өмнө нь энэ бүх шатанд хүн ажиллаж байсан бол одоо Implement, Run, Validate шатууд бүрэн AI-д шилжиж, цаашлаад дараагийн судалгааны гипотез болон чиглэлийг AI өөрөө сонгох (Autonomous Experimentation) эхний туршилтууд амжилттай болж байна. Энэ нь загвар бүр өмнөх үеэсээ илүү ухаалаг, чадварлаг шинэ загварыг сургах "рекурсив сайжруулалт"-ын суурийг тавьж буй хэрэг юм.

Программ хөгжүүлэгчдийн үүрэг хэрхэн өөрчлөгдөх вэ?

Энэхүү хурдацтай хувьсал нь өдөр тутмын хөгжүүлэгчдэд яг ямар дохио өгч байна вэ?

Синтакс бичихээс "Evaluator & Architect" болох шилжилт: Хөгжүүлэгчийн үнэ цэнэ өдөр тутмын boilerplate код, CRUD логик бичихэд бус, харин системийн өндөр түвшний архитектур зохиох, нарийн шаардлага (spec) тодорхойлох, үр дүнг шүүмжлэлтэй үнэлэх чадварт шилжиж байна.
Code Review болон Quality Assurance-ийн шинэ эрин: Код бичих хурд 8 дахин өссөн ч кодын чанар, логик алдаа, security цоорхойг хянах нь хүний инженерийн хамгийн чухал хариуцлага хэвээр байна. Хүний чадвар "хэрхэн бичих вэ"-ээс "юу зөв, юу буруу вэ гэдгийг хэрхэн үнэлэх вэ" рүү шилжиж байна.
Autonomous Agents экосистемтэй ажиллах чадвар: Кодоо зөвхөн IDE дотор бус, CLI, GitHub, CI/CD pipeline болон cloud орчиндоо бүрэн агент горимоор холбож, параллель ажлуудыг зэрэг удирдах (Orchestration) чадвар орчин үеийн Senior түвшний гол шалгуур болж байна.

Аюулгүй байдал ба "Compounding Errors" эрсдэл

Anthropic-ийн тайланд зөвхөн бүтээмжийн өсөлтийг магтаад зогсохгүй ноцтой эрсдэлүүдийг ч анхааруулсан байна. Хэрэв AI өөрийнхөө дараагийн үеийг сургах явцад үнэлгээний далд алдаа (reward hacking эсвэл alignment drift) гаргавал тэр алдаа нь үе дамжин өсөн үржиж (compounding error), хүний хяналтаас гарах аюултай. Иймээс хамгаалалтын систем, тусгаарлагдсан орчин (sandbox), хяналтын механизмыг загварын хүчин чадалтай зэрэгцүүлэн чангатгах шаардлага тулгарч байна.

Дүгнэлт

AI өөрийнхөө залгамжлагчийг бүтээх үйл явц аль хэдийн эхэлжээ. Хөгжүүлэгч бидний хувьд хиймэл оюуныг зөвхөн туслах гэж харах бус, инженерчлэлийн бүрэн эрхт хамтрагч гэж хүлээн зөвшөөрч, өөрсдийн "architecture", "system evaluation", "prompt orchestration" чадваруудаа хөгжүүлэх цаг болжээ.

Эх сурвалж: Anthropic Institute Research: When AI builds itself — Our progress toward recursive self-improvement, and its implications