Новое исследование: рекурсивное самоулучшение ИИ пока не наступило, нужно 15%, есть 9%
Группа экономистов и ИИ-исследователей (ведущий автор Том Каннингем из METR, с ним ещё восемь соавторов, работа под эгидой Elasticity Institute) опубликовала 13 июля 2026 года статью "The Economics of Recursive Self-Improvement" ("Экономика рекурсивного самоулучшения"). Тема, насколько реален сценарий, в котором ИИ ускоряет собственную разработку настолько, что прогресс становится самоподдерживающимся без роста внешних ресурсов (человеческого труда, вычислений на обучение и т.д.).
Авторы строят серию математических моделей в виде направленных графов: узлы, переменные вроде "алгоритмической эффективности" и "возможностей ИИ", рёбра, эластичности (насколько процентный рост одной переменной сдвигает другую). Ключевое понятие, "базовая петля обратной связи": насколько увеличение возможностей модели на единицу поднимает возможности следующего поколения моделей. Самоподдерживающееся ускорение возникает, если суммарная эластичность этой петли превышает 1, то есть темп роста технологии растёт по мере роста самой технологии, а не затухает.
Отдельно авторы разводят "узкие" и "широкие" способности ИИ: возможен сценарий, где модели быстро прогрессируют именно в задачах, полезных для ускорения ИИ-разработки (оптимизация алгоритмов, кодинг, математика), но это не обязательно транслируется в рост экономической отдачи от ИИ в целом.
Главный количественный результат, калибровка условия самоподдерживающегося ускорения по существующим данным (индекс возможностей Epoch, ECI). Условие выполняется, если рост возможностей модели на единицу даёт как минимум 15% прироста продуктивности ИИ-исследований и разработок. Грубая оценка на основе заявленного прироста продуктивности инженеров с момента появления кодинг-агентов даёт около 9%, ниже порога. Вывод авторов: самоподдерживающегося ускорения сейчас нет, но эффект явно растёт со временем, так что в обозримом будущем порог может быть пройден.
Авторы также перечисляют возможные "бутылочные горлышки", которые могут заблокировать петлю обратной связи даже при сильной связи между возможностями и алгоритмическими улучшениями: нехватка человеческого труда для тех частей исследований, где ИИ пока "не хватает вкуса" (lack of taste), ограничения по экспериментальным и инференс-вычислениям, дефицит качественных данных для обучения, ограничения вычислений на само обучение. Отдельно подчёркивается: даже если технические условия для ускорения будут выполнены, реальное развёртывание может серьёзно затормозиться политическими и регуляторными ограничениями.
В статье приведён список эмпирических показателей, которые ИИ-компании могли бы измерять и публично раскрывать без риска для себя: темп роста алгоритмической эффективности, доля R&D-бюджета на разные виды ресурсов (люди, данные, экспериментальные вычисления, инференс), прямая доля технических прорывов, произведённых самим ИИ.
В обсуждении на Hacker News комментаторы указывают на слабое место: оценка в 9% построена на самоотчётных опросах инженеров (заявленный прирост продуктивности 1,4, 2 раза), что называют шаткой основой при в целом интересной модели. Часть комментаторов напоминает, что "ИИ помогает разработке ИИ", не новость: компьютеры участвуют в собственном совершенствовании уже около 80 лет, и по аналогии с тем, как базы данных вытеснили часть канцелярской работы (хотя секретарей заменили не сами СУБД, а организационные изменения, которые они сделали возможными). Другие сохраняют скепсис, вспоминая прошлые спекулятивные прогнозы вроде самовоспроизводящихся 3D-принтеров.
Ключевые факты
- Экономисты из METR/Elasticity Institute (Т. Каннингем и восемь соавторов) опубликовали 13 июля 2026 года модель экономики рекурсивного самоулучшения ИИ
- Порог самоподдерживающегося ускорения: рост возможностей модели на 1 единицу должен давать ≥15% прироста продуктивности ИИ-исследований
- Оценка по факту, около 9% прироста продуктивности инженеров с момента появления кодинг-агентов, то есть порог пока не пройден, но эффект растёт
- Модель разводит "узкие" способности (полезные для ускорения самой ИИ-разработки) и "широкие" (влияющие на экономику в целом), рост первых не гарантирует роста вторых
- Даже при выполнении технических условий развёртывание ускорения может затормозиться регуляторными и политическими ограничениями; критики на Hacker News указывают, что оценка 9% опирается на шаткие самоотчётные опросы
Почему это важно
Вокруг идеи "ИИ уже ускоряет разработку ИИ" много спекуляций и мало строгих оценок, обычно это либо алармистские сценарии "интеллектуального взрыва", либо маркетинговые заявления лабораторий. Эта статья, одна из первых попыток дать проверяемый количественный порог (конкретное число процентов), при котором прогресс ИИ становится самоподдерживающимся, вместо общих рассуждений о том, что ИИ "уже помогает себя же разрабатывать".
Кому это важно
Исследователям безопасности ИИ и экономистам, изучающим темпы технологического прогресса; аналитикам и журналистам, которые оценивают заявления лабораторий об "ускорении" разработки; самим лабораториям, авторы прямо предлагают им набор метрик для публикации, которые позволили бы независимо проверять, насколько близко реальное ускорение.
Как это применить
Модель даёт конкретный ориентир: если независимые оценки покажут, что рост возможностей моделей поднимает продуктивность ИИ-R&D на 15% и больше на единицу прироста, это сигнал приближения самоподдерживающегося ускорения. Пока по грубой прикидке цифра около 9%, значит, дистанция есть, но она сокращается. Авторы также перечисляют, какие именно данные (доля R&D-бюджета на разные ресурсы, темп роста алгоритмической эффективности, доля прорывов, сделанных самим ИИ) стоит отслеживать, чтобы не полагаться на общие впечатления.
Можно ли доверять
Авторы, экономисты и ИИ-исследователи, работа поддержана METR и Elasticity Institute. Модель методологически прозрачна и явно перечисляет собственные ограничения: эластичности не обязательно постоянны, ключевая эмпирическая оценка (9%) грубая и основана на ограниченных данных. Комментаторы на Hacker News отдельно подтверждают: цифра 9% строится на самоотчётных опросах инженеров о приросте продуктивности (1,4, 2 раза), что сами авторы и комментаторы называют шаткой основой, при этом саму модель и постановку задачи комментаторы оценивают как интеллектуально серьёзную.
Риски и подводные камни
Главный подводный камень, ключевая цифра (9% прироста продуктивности от кодинг-агентов) держится на самоотчётных опросах, а не на прямых измерениях, и это признают и авторы, и участники обсуждения. Даже если порог в 15% в будущем будет пройден технически, авторы прямо предупреждают: реальное развёртывание может затормозиться регуляторными и политическими ограничениями. Кроме того, ускорение может оказаться "узким", сильным в задачах, полезных для самой ИИ-разработки (кодинг, оптимизация алгоритмов), но не обязательно транслирующимся в широкий экономический эффект. Наконец, бутылочные горлышки, нехватка качественных данных, ограничения вычислений на эксперименты и инференс, недостаток человеческого труда там, где ИИ пока "не хватает вкуса", могут заблокировать петлю обратной связи независимо от роста самих моделей.
«Сверхразумная машина могла бы проектировать ещё более совершенные машины, тогда, вне всякого сомнения, случился бы интеллектуальный взрыв.»
— И. Дж. Гуд, 1965 (цитата приведена в статье)