Oriol Vinyals szerint jön az MI önfejlesztése, de nem várható intelligenciarobbanás

Röviden:

• Oriol Vinyals, a Google DeepMind korábbi kutatási alelnöke szerint az MI-rendszerek képesek lesznek saját működésük fejlesztésére, de ez várhatóan fokozatos folyamat marad.[^1]
• A legnagyobb akadályt az új kutatási ötletek kiválasztása és az eredmények megbízható értékelése jelenti.[^1]
• Vinyals új vállalkozása, a Discovery Loop a tudományos kísérletezés ismétlődő munkafolyamatának automatizálását tűzte ki célul.[^1]

Oriol Vinyals, a Google DeepMind nemrég távozott kutatási alelnöke az Agentic AI Summit 2026 rendezvényen arról beszélt, hogy az MI rekurzív önfejlesztése megvalósulhat, de nem valószínű, hogy hirtelen, önmagát korlátlanul gyorsító intelligenciarobbanáshoz vezet. Szerinte az MI egyes kutatási és mérnöki feladatokat akár tízszeres vagy nagyobb mértékben gyorsíthat fel, ám a folyamatot módszertani és fizikai korlátok is fékezik.[^1]

Az MI önfejlesztése több, egymástól eltérő feladatból áll

Vinyals szerint az önfejlesztés fogalma könnyen félrevezető, mert egy MI-rendszer több különböző szinten változtathat saját működésén. Módosíthatja például a neurális háló súlyait, a tanítási adatokat, a tanítási módszereket, a felhasznált utasításokat vagy a külső eszközeihez való hozzáférést. Elvileg még azt is átírhatja, milyen mérőszámok alapján tekinti sikeresnek a fejlődését.[^1]

Az ilyen fejlesztési ciklus négy fő lépésből áll: ígéretes ötlet megfogalmazása, a megoldás kódba ültetése, kísérletek elvégzése, majd annak értékelése, hogy a változtatás valóban javulást hozott-e. A korábbi DeepMind-vezető szerint az MI a megvalósításban és a kísérletezésben már számottevően fejlődik, az ötletalkotás és az értékelés azonban továbbra is nehéz feladat marad.[^1]

Az önfejlesztésben elért előrelépést nehéz mérni, a gyakorlatban pedig rendkívül nehéz megvalósítani.

A kutatási ötletek és az értékelés jelentik a fő szűk keresztmetszetet

A meglévő benchmarkok csak részben mérik a fejlődést

A laboratóriumok jelenleg gyakran képességtesztek, például a SWE-Bench Pro vagy az ML-Bench eredményei alapján következtetnek arra, hogy egy rendszer fejlődik-e. Ezek a benchmarkok olcsóbban és egyértelműbben mérhetők, de elsősorban a programozási megvalósítást és a kísérletezést vizsgálják. Nem feltétlenül mutatják meg, hogy az MI képes-e érdemi, általánosítható kutatási fejlődésre.[^1]

Vinyals arra is figyelmeztetett, hogy a rendszerek a meghatározott célokat váratlan módon „kijátszhatják”. Ezt a jelenséget a játékügynökökkel végzett korábbi munkából ismeri: egyes rendszerek nem a játék szabályos elsajátításával, hanem a környezet gyenge pontjainak kihasználásával értek el jó eredményt.[^1]

A „kutatási ízlés” nehezen automatizálható

A másik kulcskérdés az, hogy mely hipotéziseket érdemes egyáltalán vizsgálni. Vinyals ezt „research taste”, vagyis kutatási ízlés kifejezéssel írta le: annak felismerését, hogy egy ötlet eredeti, elegáns, hatékony és hosszabb távon is jelentős lehet-e.[^1]

Egyes szempontok szabályokba foglalhatók, és jutalommodellekkel is vizsgálhatók, amelyekre megerősítéses tanítást lehet építeni. A teljes folyamat automatizálása azonban még távoli cél, mivel az emberi szakértői bírálat is költséges, és nem mindig választja ki következetesen a legjobb ötleteket.[^1]

Fizikai korlátok is lassíthatják az intelligencia növekedését

A fokozatos fejlődés mellett szólhatnak a hardver fizikai határai is. A chipek számítási sebességét a tervezésük és olyan alapvető korlátok befolyásolják, mint a fénysebesség. Egy jobb algoritmus önmagában nem szünteti meg azt a függőséget, hogy az MI-rendszernek valamilyen konkrét hardveren kell futnia.[^1]

Vinyals szerint az is kérdéses, hogy bizonyos területeken mekkora további teljesítménytartalék maradt az emberi szint fölött. Példaként az AlphaGo teljesítményét említette: nehéz meghatározni, mennyire áll közel egy elméletileg tökéletes gojátékoshoz.[^1]

A Discovery Loop a tudományos kísérleti ciklust automatizálná

Vinyals a Discovery Loop nevű új vállalkozásban kíván foglalkozni a két legfontosabb szűk keresztmetszettel. A kezdeményezésben részt vesz Jeff Dean, aki vezérigazgatóként csatlakozik, továbbá Sanjay Ghemawat és Quoc Le is.[^1]

A vállalkozás célja a tudományos munka ismétlődő ciklusának automatizálása: hipotézisek felállítása, kísérletek lefolytatása, eredmények értékelése, majd az újabb kör elindítása. A csapat elsőként az MI-kutatásban alkalmazná a rendszert, vagyis saját munkájában lenne az első felhasználója a technológiának. Később más tudományterületekre is kiterjesztenék a megközelítést.[^1]

„Néhány ember” a jövőben sokkal gyorsabban és magasabb minőségben végezhet tudományos és mérnöki munkát, mint amire ma nagy csapatok képesek.

A vállalkozás kezdeti szakaszában az emberek és az MI-rendszerek közösen alakítanák ki a vizsgálandó hipotéziseket. Ez arra utal, hogy még a fejlesztők szerint is az emberi szakértelem marad a kutatási irányok meghatározásának fontos része.[^1]

Összefoglaló

Oriol Vinyals álláspontja szerint az MI önfejlesztése valós technológiai irány, de a fejlődés nem feltétlenül válik hirtelen és korlátlanul gyorsuló folyamattá. A hasznos önfejlesztő rendszerekhez nemcsak erősebb kódolási és kísérletező képességek kellenek, hanem megbízható módszerek az ígéretes kutatási irányok kiválasztására és az eredmények ellenőrzésére is. A Discovery Loop ezt a problémát próbálja megoldani az emberi és gépi kutatási munka szorosabb összekapcsolásával.[^1]

Forrás:

[^1]: THE DECODER (2026. 09. 11.). „Ex-Deepmind-Vize Vinyals: KI-Selbstverbesserung kommt, die Intelligenzexplosion nicht”. THE DECODER. Közzétéve [2026. 09. 11. 15:56:47 +0000].