Claude prowadzi 26% badań i rzuca „teorię spowolnienia AI”, Anthropic wzbudza gorącą dyskusję o „AI rozwijającym AI”! Paradigma treningu RSI katalizuje gwałtowną ekspansję zapotrzebowania na moc obliczeniową

Aplikacja finansowa Wisdom Finance APP informuje, że globalny lider w zakresie zastosowań AI, Anthropic, ogłosił 17 września wyniki pomiarów pokazujące, że do sierpnia Claude „dominował” w 26% prac badawczo-rozwojowych w dziedzinie AI, a prace o poziomie „współpracy” lub wyższym stanowią ponad 90%. Wraz z tym, jak Anthropic i OpenAI koncentrują się na nowym paradygmacie szkolenia dużych modeli AI, RSI (rekursywnej samo-poprawie), zdolności badawcze i skalowanie kapitałowe w czołowych laboratoriach AI postępują równolegle, a uwaga globalnych inwestorów skupia się nie tylko na samych dużych modelach AI czy produktach agentów AI, ale także na platformach badawczych oraz długoterminowej pojemności i zakresie możliwości infrastruktury obliczeniowej AI.

Jak wynika z najnowszych doniesień mediów cytujących osoby poinformowane, rozmowy inwestorów z drugim liderem sektora zastosowań AI, OpenAI, dotyczą już wyceny na poziomie 1,2 biliona dolarów, natomiast firma dąży do uzyskania wyceny około 1,5 biliona dolarów; Anthropic po majowej rundzie finansowania miał wycenę post-money na poziomie 965 miliardów dolarów, a omawiany obecnie scenariusz IPO zakłada wycenę około 2 bilionów dolarów i maksymalną wartość emisji na 100 miliardów dolarów – wówczas skala emisji mogłaby dorównać bądź znacząco przewyższyć SpaceX, ustanawiając nowy historyczny rekord. Warto jednak podkreślić, że 2 biliony dolarów to wycena planowana na debiut giełdowy, a nie faktyczna wartość rynkowa po debiucie.

Niedawno OpenAI wprowadziło potężny model Astra, który poszerza zakres profesjonalnych zadań możliwych do realizacji przez AI, a CEO Nvidii Jensen Huang na mediach społecznościowych ogłosił, że debiut GPT-6 Astra oznacza „nadejście AGI”. Potwierdzone przez Nvidię prognozy silnych przychodów oraz wysokie wskazania dla przyszłych dostaw, w połączeniu z tym, że prace nad dużymi modelami AI przechodzą do „rekursywnej samo-poprawy (RSI)” – innowacyjnego etapu, który otwiera jeszcze jeden tor do gwałtownego wzrostu zapotrzebowania na moc obliczeniową AI – sprawiają, że Astra ma szansę zwiększyć zapotrzebowanie na moc obliczeniową po stronie biznesowych zastosowań, a RSI, czyli „AI tworzy AI”, generuje dodatkowe eksperymenty, ewaluacje i długoterminowe inwestycje w szkolenia, co razem wydłuża cykl inwestycji w moc obliczeniową. Dlatego właśnie w czwartek akcje związane z mocą obliczeniową AI na rynku amerykańskim notowały silne wzrosty, m.in. indeks półprzewodników Filadelfii wzrósł o ponad 3%.

Warto zwrócić uwagę, że tuż przed największym IPO w historii ludzkości Anthropic ujawnił, iż Claude odpowiada za 26% nakładów na badania i rozwój, a jego CEO w miniony weekend ogłosił „tezę o spowolnieniu AI”. Rynek już w tym tygodniu zaczął wyceniać ryzyka związane z debatą o spowolnieniu AI – Anthropic, OpenAI i inni globalni liderzy AI w miniony weekend zgodnie wezwali do zwolnienia tempa rozwoju największych modeli AI.

Dyskusja o „spowolnieniu AI” wpływa na ocenę rynku odnośnie tempa prac badawczo-rozwojowych, ścieżek wydatków kapitałowych i kompensacji ryzyka, lecz nie jest tożsame z zatrzymaniem wzrostu popytu na aktualne zastosowania AI. 12 września Amodei wezwał do spowolnienia tempa rozwoju możliwości modeli, a Altman wyraził zgodę co do potrzeby kontrolowania tempa rozwoju, jednak branża nie wypracowała jednolitych sposobów koordynacji, zewnętrznej ewaluacji i regulacji.

Claude samodzielnie dominuje w 26% prac badawczo-rozwojowych! Anthropic ujawnia kluczowe dane dotyczące wsparcia AI dla badań i bezpieczeństwa

W raporcie opublikowanym w czwartek Anthropic PBC informuje, że ponad jedna czwarta prac badawczo-rozwojowych z zakresu sztucznej inteligencji jest napędzana przez flagowego chatbota AI Claude lub jego linię produktów agentów AI, co stanowi najczytelniejszy dotychczas dowód na to, że technologie AI faktycznie potrafią znacząco przyspieszyć rozwój przyszłych modeli.

Zgodnie z najnowszym raportem opublikowanym w czwartek, Anthropic stwierdził, że Claude „dominował” w 26% prac badawczo-rozwojowych firmy, gdzie na początku roku udział ten wynosił niemal zero. Firma podaje też, że Claude współpracuje z pracownikami przy około 90% procesów lub złożonych zadaniach.

Te dane są częścią szerszego raportu, mającego pomóc opinii publicznej śledzić postępy w rozwoju AI, przy jednoczesnym wzroście obaw, że AI może szybko się udoskonalać i wymknąć się spod ludzkiej kontroli.

Firma potwierdziła również swoje plany, polegające na wprowadzeniu do firmy audytorów zewnętrznych z różnych organizacji i przyznaniu im takich samych uprawnień do procesów, systemów i danych, co pracownicy, by udoskonalić bezpieczeństwo technologii AI i zarządzanie ryzykiem związanym z ich zastosowaniem.

„Zdolności systemów AI rosną wykładniczo i zaczynają automatyzować coraz więcej procesów związanych z własnym rozwojem. W czasach, gdy globalnie rozważa się spowolnienie prac nad czołowymi modelami AI, społeczeństwo potrzebuje rzetelnych informacji,” czytamy w raporcie firmy.

Anthropic jest jedną z wielu firm AI koncentrujących się na „rekursywnej samo-poprawie” (RSI). Koncepcja ta oznacza, że systemy AI mogą ulepszać swoje zdolności niemal bez lub nawet całkowicie bez udziału człowieka. Niektóre firmy postrzegają to jako przyszłość rozwoju AI, lecz realizacja takiej zdolności może również pociągać za sobą poważne zagrożenia bezpieczeństwa.

Anthropic informuje na blogu, że buduje ramy służące śledzeniu agentów i monitorowaniu ilości pracy wykonywanej przez nich na platformie. Firma podaje, że do sierpnia w każdym czasie ponad 30 tys. agentów prowadziło badania i prace inżynieryjne w ramach firmy.

Anthropic ujawnił również, jak dzieli zasoby pomiędzy przyspieszanie rozwoju AI a zapewnianie jej bezpieczeństwa. Według wyników pomiarów, w zależności od rodzaju prowadzonych badań, firma przeznacza 6–12% zasobów obliczeniowych na monitoring bezpieczeństwa.

Na początku września, na blogu, konkurencyjna firma OpenAI również podzieliła się postępem w automatyzacji badań, wskazując, że po wykryciu, iż jeden z ich modeli włamał się do zewnętrznego systemu start-upu Hugging Face, zawiesili część procesu szkolenia modeli.

W zeszłym tygodniu Jacob Calkson, pracownik Anthropic, odszedł z firmy w spektakularny sposób, zwiększając obawy związane z ryzykiem egzystencjalnym AI dla ludzkości. W swoim poście na mediach społecznościowych oskarżył firmy rozwijające AI o „stawianie naszego życia na szali”.

W ostatnich dniach, wielu liderów firm AI, w tym CEO Anthropic Dario Amodei i CEO OpenAI Sam Altman, wezwało do spowolnienia tempa rozwoju technologii AI, by zminimalizować rosnące, trudne do przewidzenia ryzyko – choć nie ma zgody, jak konkretnie to zrobić.

W sobotę Amodei opublikował 3800-słowny artykuł wzywający do regulacji rządowej i poparcia szeroko zakrojonych działań na rzecz spowolnienia rozwoju AI, co wywołało silny sprzeciw ze strony prezydenta USA Donalda Trumpa, który uznał obawy dotyczące ryzyka dla tej technologii za „oszustwo technologiczne” i odrzucił pomysł wprowadzania nowych przepisów.

Inni liderzy sektora technologicznego także zareagowali. Altman i CEO Nvidii Jensen Huang twierdzą, że firmy AI są w stanie samodzielnie kontrolować tempo rozwoju AI w sposób bezpieczny; CEO Meta Platforms Mark Zuckerberg uważa, że laboratoria AI powinny polegać na niezależnych audytorach i doradcach ds. bezpieczeństwa, by zapewnić bezpieczeństwo modeli.

Od „wsparcia badań przez AI” do rekursywnej samo-poprawy – czy zapotrzebowanie na moc obliczeniową AI otwiera nowy wymiar?

Znaczenie inwestycyjne Astra i RSI polega na tym, że wiodące, wysoko wydajne duże modele AI oraz sama działalność badawcza AI stają się nowymi, trwałymi scenariuszami konsumpcji mocy obliczeniowej. OpenAI 6 września ujawniło, że zrealizowało cel „automatyzacji stażysty badawczego”, który pod ludzkim nadzorem jest w stanie wykonać zadania, które normalnie wymagałyby kilku dni pracy doświadczonych naukowców; do połowy sierpnia każdy dzień pracy człowieka odpowiadał około 3,1 dni pracy agenta AI. Mierzone są czasy pracy, a nie faktyczne zwiększenie produktywności o 3,1x. Z tego wynika, że automatyzacja badań jednocześnie zwiększa zapotrzebowanie na generowanie kodu, ewaluację eksperymentów oraz szkolenie modeli. RSI nie jest jednak dominującym paradygmatem – kierunki badań i alokacja zasobów nadal kontrolowane są przez ludzi.

GPT-6 Astra oraz skupienie liderów AI na RSI mogą stać się dwoma kluczowymi napędami ekspansji zapotrzebowania na moc obliczeniową AI: mocniejsze duże modele AI i szersze użycie narzędzi AI oraz najsilniejszy nowy tor szkolenia AI, wzmacniające trwały wzrost zapotrzebowania na infrastrukturę obliczeniową AI. OpenAI niedawno ujawniło, że Astra wzmocniła możliwości programowania, przeglądania, obsługi komputera i wykonywania złożonych zadań, poszerzając zakres prac, w których model może brać udział. Product manager podkreślił, że wzrost popytu na Astra powoduje presję na infrastrukturę; od 10 września firma wstrzymała przyjmowanie nowych i upgrade’ów subskrypcji Pro 20X za 200 dolarów/miesiąc, dotychczasowe subskrypcje są nadal odnowione jak zwykle.

Rdzeń rekursywnej samo-poprawy (Recursive Self-Improvement, RSI) polega na tym, by AI brało udział w rozwoju mocniejszych AI, a następnie jeszcze silniejsze modele zwiększały zdolności rozwojowe, tworząc zamkniętą, iteracyjną pętlę zwrotną. Nie jest to konkretny nowy algorytm zastępujący pre-trening lub uczenie przez wzmacnianie, ale paradygmat R&D obejmujący projektowanie, kodowanie, prowadzenie eksperymentów, ewaluację wyników i iterację modeli. Publiczne prezentacje Anthropic i OpenAI dotyczą automatyzacji R&D pod nadzorem człowieka, a nie pełnej autonomii, w której RSI odbywa się bez ludzkiej interwencji.

Do sierpnia Claude „dominował” w 26% prac badawczo-rozwojowych w AI, prace na poziomie „współpracy” lub wyższym stanowiły ponad 90%, a na najczęściej używanej platformie wewnętrznej firmy jednocześnie pracowało około 30 tys. agentów. Znaczenie branżowe tych danych polega na tym, że AI z narzędzia używanego sporadycznie przez badaczy stała się trwałym zasobem wykonawczym w procesie R&D; same działania badawcze stają się ważnym źródłem trwałego zapotrzebowania na moc obliczeniową związaną z rozumowaniem.

Anthropic i OpenAI skupiają się na RSI przede wszystkim po to, aby zwiększyć efektywność całego procesu iteracji badań, który wymaga coraz więcej równoległych eksperymentów i agentów badawczych pracujących w sposób ciągły. Z mechanizmu inżynieryjnego wynika, że agenci mogą proponować i selekcjonować rozwiązania, modyfikować kod treningowy, generować konfiguracje eksperymentów, prowadzić testy i analizować wyniki, umożliwiając naukowcom jednoczesne eksplorowanie większej liczby dróg rozwoju; myślenie i programowanie agentów wymaga mocy obliczeniowej do rozumowań, a weryfikacja rozwiązań dodatkowo zasobów do treningów, testów i przetwarzania danych.

OpenAI ujawnia, że do połowy sierpnia organizacja badawcza na każdy dzień pracy człowieka miała około 3,1 standardowych dni pracy agenta AI; medianowy badacz, według użycia API, wykorzystywał codziennie moc obliczeniową o wartości ponad 600 dolarów – są to wskaźniki czasu pracy i przeliczoną cenę usługi, nie mnożnik produktywności ani faktyczny koszt wewnętrzny. Firma podkreśla, że wraz ze zmniejszaniem innych wąskich gardeł w R&D, zasoby obliczeniowe mogą stać się najważniejszym ograniczeniem. Badania nad bezpieczeństwem AI stanowią niezależny obciążenie pracy – na próbie z 13–20 lipca Anthropic wykorzystał około 6% całkowitej mocy obliczeniowej AI i około 12% mocy napędzanej AI na prace związane z bezpieczeństwem.

Postępy badań nad RSI i pojawienie się modelu Astra z AGI w centrum debaty oznaczają, że kiedy duże modele AI w pełni zaczną realizować zadania badawcze, branża przestaje być tylko miejscem „inwestowania mocy obliczeniowej w trening modeli”, a pojawia się dodatkowy tor „wykorzystywania mocy obliczeniowej do uruchamiania agentów badań, którzy sami organizują kolejne eksperymenty”; automatyzacja R&D zwiększa skalę możliwych do eksplorowania eksperymentów oraz podnosi wymagania względem dostępnej mocy obliczeniowej, efektywności przydziału i niezawodności infrastruktury.

Najważniejszą katalizą dla inwestowania w AI moc obliczeniową, ze strony RSI i Astra, nie jest tylko „wzrost liczby parametrów modelu”, ale rozszerzenie zakresu prac wykonywanych przez AI i pogłębianie procesów realizacji pojedynczych zadań: rozumowanie po stronie użytkownika i po stronie badań nad modelami wspólnie poszerzają długoterminową przestrzeń zapotrzebowania na zasoby infrastruktury AI. RSI i Astra dają bezpośrednie sygnały popytu od strony zastosowań biznesowych, umożliwiając jednoczesną obserwację dwóch ścieżek wzrostu mocy obliczeniowej: „automatyzacja R&D + rozumowanie użytkownika”.

Zgodnie z raportem znanej agencji badania rynku TrendForce, w 2027 roku dostawy racków NVL72 wzrosną o ponad 50% r/r, całkowita wartość systemów rackowych NVL wokół Nvidia AI GPU, w tym GB200/GB300 i kolejna generacja oparta o architekturę Vera Rubin może przekroczyć 710 miliardów dolarów, z 214% wzrostem r/r, uwzględniając upgrade produktów i wzrost cen. Wraz z rosnącym zapotrzebowaniem na moc AI z powodu zaawansowanych modeli Astra, Morgan Stanley przewiduje, że sumaryczne nakłady inwestycyjne czterech największych firm chmurowych i AI w Ameryce Północnej wzrosną z 917 miliardów dolarów w 2026 roku do 1,47 biliona w 2027 i 1,64 biliona w 2028 roku, równocześnie pojemność sieci wzrośnie z 35 GW w 2025 do 145 GW w 2028 roku.

Z perspektywy architektury systemów wnioskowania, bardziej złożone zadania często obejmują dłuższy kontekst, wielokrotne wywołania modeli, uruchamianie narzędzi i weryfikację wyników: prefill obsługuje wejścia, decode generuje wyjścia, a KV Cache wraz z kontekstem i skalą równoległości coraz bardziej angażuje pamięć, przez co przepustowość i pojemność pamięci, jak też wydajność obliczeniowa muszą być podnoszone równolegle. Dalej można wnioskować, że GPU, TPU obsługują obliczenia modeli, CPU odpowiada za uruchamianie narzędzi i harmonogram zadań, HBM, serwerowy DRAM, pamięć masowa oraz urządzenia sieciowe i światłowodowe w data center zapewniają efektywny transfer danych i zarządzanie stanem, zaś do dostarczenia trwałej, stale dostępnej usługi potrzebne są kompletne, nieustannie powiększające się klastry serwerów obliczeniowych AI.