Msaada, uotomatishaji, na uboreshaji wa kujirudia ni madai tofauti
Mifumo ya AI tayari inasaidia kazi za programu na ujifunzaji wa mashine. Inazalisha msimbo, kutafuta machapisho, kuchambua majaribio, kupendekeza majaribio, na kusaidia kutatua hitilafu. Kuotomatisha sehemu za utafiti wa AI kunaweza kufupisha mizunguko ya maendeleo. Hakuna kati ya hayo, peke yake, kinachothibitisha uboreshaji wa kujirudia (recursive self-improvement): mzunguko ambao mfumo wa AI unaboresha kwa kiasi kikubwa mchakato unaozalisha warithi wake, warithi hao wanauboresha zaidi, na ukuaji wa uwezo unaongeza kasi zaidi ya udhibiti wa binadamu.
Uchambuzi ulio wazi unatenganisha viwango vitatu:
- Msaada wa utafiti: watu hutumia vifaa vya AI huku wakibaki na mpango, hukumu, na kazi ya kuunganisha.
- Uotomatishaji wa mtiririko wa kazi: wakala hukamilisha kazi finyu ya utafiti au uhandisi kwa uingiliaji finyu.
- Uotomatishaji kamili wa utafiti na maendeleo ya AI: mifumo hufanya kazi nyingi zinazohitajika kuzalisha maendeleo muhimu ya kialgorithimu na kuyaunganisha katika mifumo iliyoboreshwa.
Ni kiwango cha tatu tu kinachounda hoja imara zaidi ya mzunguko wa maoni, na hata hivyo vifaa, majaribio, taasisi, na maamuzi ya utumiaji vinaweza kuzuia kasi.
Uwezo wa usimbaji ulioshuhudiwa
Usimbaji ni miongoni mwa nyanja imara zaidi za sasa. Mawakala wa hadhara wanaweza kurekebisha masuala fulani ya hazina yaliyochaguliwa na kuzalisha programu zinazofanya kazi. Hata hivyo, vipimo mara nyingi hutoa suala safi, majaribio, vifaa, na mwisho unaoweza kupimwa kiotomatiki. Maendeleo ya kukomaa yanahusisha muktadha usioandikwa, uratibu, hukumu ya bidhaa, usalama, na matengenezo.
Utafiti wa METR uliochaguliwa kwa nasibu wa wasanidi programu 16 wenye uzoefu wa chanzo-huria waliokamilisha kazi 246 katika hazina walizozifahamu vizuri uligundua kwamba vifaa vya AI vya mwanzoni mwa 2025 viliongeza muda wa kukamilisha kwa asilimia 19, licha ya wasanidi kuamini vifaa hivyo vilikuwa vinawafanya haraka zaidi (utafiti wa tija ya wasanidi wa METR). Hili ni tokeo finyu, lenye tarehe—wala si uthibitisho kwamba vifaa vya baadaye au wasanidi wengine ni wapole zaidi. Linaonyesha kwa nini uboreshaji wa vipimo hauwezi kubadilishwa moja kwa moja kuwa kasi ya kiuchumi.
METR ilianzisha ufuatiliaji mkubwa zaidi na kubadilisha muundo wake mwaka 2026 kadri vifaa na matumizi vilivyobadilika (sasisho la kuinua uwezo la METR). Tija halisi inategemea mzigo wa ukaguzi, uchaguzi wa kazi, ufahamu wa msanidi, violesura vya wakala, na makosa yanayopita majaribio.
Ushahidi kutoka vipimo vya utafiti wa AI
RE-Bench inaweka mawakala na wataalamu wa binadamu katika mazingira saba ya utafiti-uhandisi wa ujifunzaji wa mashine yasiyo na mipaka. Katika utafiti wake asilia, mawakala bora walipata alama karibu mara nne zaidi ya binadamu kwa bajeti ya saa mbili. Binadamu waliboreka zaidi kwa muda wa ziada, wakawazidi kwa uchache mawakala kwa saa nane, na wakapata karibu mara mbili ya alama ya wakala katika saa 32 (karatasi ya RE-Bench).
Matokeo hayo yanaonyesha majaribio imara ya muda mfupi: mawakala wanaweza kuzalisha na kujaribu suluhu nyingi kwa haraka na wakati mwingine kutengeneza kazi bora ya uboreshaji. Pia yanaonyesha kikwazo: mawakala hukwama, hushindwa kubadili mwelekeo, au kupata faida ndogo kutoka bajeti ndefu zaidi. Kazi saba haziwezi kuwakilisha usambazaji kamili wa utafiti, na kuchukua sampuli kwa marudio si sawa na mwanasayansi mmoja endelevu.
Tathmini nyingine zinahusu sehemu za mchakato. PaperBench ya OpenAI inauliza mawakala kuiga matokeo ya makala 20 za ICML kutoka maelezo na kutekeleza majaribio (PaperBench). MLE-bench inatathmini uhandisi wa ujifunzaji wa mashine kupitia mashindano ya mtindo wa Kaggle (MLE-bench). Vipimo hivi vinapima ujuzi wenye maana lakini haviithibitishi uundaji wa nadharia asilia, uwekaji wa ajenda, usimamizi wa maabara, ukaguzi wa marika, au utumiaji salama.
Watengenezaji wanaripoti nini
Maabara za mstari wa mbele sasa zinachukulia utafiti na maendeleo ya kiotomatiki kama kizingiti cha hatari. Ripoti ya Hatari ya Anthropic ya Februari 2026 ilisema Claude Opus 4.6 haikuwa katika au karibu sana na uotomatishaji kamili wa shughuli zinazohitajika kwa utafiti na maendeleo katika nyanja muhimu, huku ikionya kwamba uotomatishaji wa sehemu unaweza bado kuharakisha maendeleo (Ripoti ya Hatari ya Anthropic). Hii ni tathmini binafsi ya mtengenezaji, yenye ufichaji na mgongano wa maslahi.
Anthropic ilirekebisha kizingiti chake cha utafiti na maendeleo ya kiotomatiki tena katika Sera ya Uongezaji Kiwango Kwa Uwajibikaji toleo la 3.4 Julai 2026, ikionyesha kwamba kigezo kinachopimwa hakijakaa thabiti (hifadhi ya RSP ya Anthropic). Vizingiti vya kampuni vinaweza kuongoza hatua za ndani, lakini havipaswi kuchukuliwa kama makubaliano ya kisayansi.
Mnamo Agosti 2026, watafiti wa Anthropic waliripoti majaribio ambapo mawakala wa utafiti wa kiotomatiki walipata suluhu za kupunguza hitilafu fulani za upatanishi (alignment) (ripoti ya utafiti wa kiotomatiki wa Anthropic). Huo ni ushahidi wenye kutia moyo kwamba utafiti ulioharakishwa na AI unaweza kuimarisha usalama. Pia ni utafiti wa chama cha kwanza kuhusu kazi zilizobuniwa, wala si uthibitisho wa sayansi kamili ya upatanishi wa kiotomatiki.
Hoja ya mzunguko wa maoni
Mzunguko rahisi una hatua nne: kutumia AI kutafiti AI; kupata uboreshaji wa kialgorithimu au wa kihandisi; kufunza au kupanga mfumo bora; kutumia mfumo huo kuzalisha maboresho zaidi. Kasi inategemea mazao ya vigezo kadhaa, wala si kuwepo tu kwa mzunguko huo.
Ufunikaji wa utafiti: Ni kiasi gani cha kazi husika mawakala wanaweza kufanya? Msaada wa usimbaji una thamani, lakini watu wanaweza kubaki vikwazo katika uchaguzi wa matatizo, tathmini, vifaa, data, usimamizi, na usalama.
Ukubwa wa uboreshaji: Majaribio mengi hushindwa au kutoa faida ndogo. Wakala lazima azalishe uvumbuzi unaoboresha kwa kiasi kikubwa mfumo unaofuata badala ya kuboresha kipimo pekee.
Muda wa mzunguko: Mafunzo, utengenezaji wa chip, ujenzi wa vituo vya data, tathmini, na utoaji vinaweza kuchukua muda mrefu zaidi kuliko kuandika msimbo. Utafiti bora hauwezi kutengeneza kikokotoo papo hapo.
Uwekezaji upya: Taasisi lazima zichague kutumia faida kwa uwezo zaidi. Zinaweza kuzitumia kwa gharama, uaminifu, bidhaa, au usalama badala yake.
Mapato yanayopungua: Ugunduzi unaweza kuwa mgumu zaidi kadri maboresho rahisi yanavyoisha. Mzunguko unaweza kuendelea bila kuongeza kasi kwa mlipuko.
Uthibitishaji: Utafiti usioaminika huunda gharama za ukaguzi na urudiaji. Iwapo mifumo inaweza kudanganya tathmini, matokeo ya haraka zaidi yanaweza kupunguza kasi ya maendeleo yanayoaminika.
Kwa hiyo uboreshaji wa kujirudia ni hali yenye masharti. Sio uongezaji wa moja kwa moja kutoka viwango vya uzalishaji wa msimbo.
Programu inaweza kusonga kwa kasi zaidi kuliko vifaa
Ufanisi wa kialgorithimu, mbinu za mafunzo, uratibu wa data, mbinu za hitimisho, vikusanyaji (compilers), na miundo ya wakala vinaweza kuboreka ndani ya vifaa vilivyopo. Faida hizi za «programu» zinaweza kusambaa kwa haraka na kuongeza uwezo kwa kila chip. AI inaweza kusaidia kutafuta nafasi hizi, ikiunda njia halisi ya maoni chanya.
Lakini mifano ya mstari wa mbele bado inategemea nishati, chip, mitandao, kumbukumbu, vituo, na minyororo ya usambazaji. Mfumo hauwezi kujihariri kwa kujirudia kupita kila kizuizi cha kimwili. Unaweza kuboresha jinsi rasilimali zinavyotumika au kusaidia kubuni vifaa, huku utengenezaji na ujenzi vikibaki na muda halisi wa kusubiri.
Njia ya haraka zaidi kwa hiyo huenda ikawa mlipuko wa uboreshaji wa programu na mchakato unaofuatwa na vikwazo vya kimwili au kitaasisi—wala si ukuaji wa kielelezo laini milele. Njia nyingine bado zinawezekana; ushahidi uliopo hauwezi kuchagua moja kwa uhakika.
Kwa nini mzunguko unaweza kuongeza hatari
Mizunguko ya haraka ya uwezo inaweza kupita tathmini, udhibiti, na ujifunzaji wa kitaasisi. Iwapo mawakala wa utafiti wa ndani wanapata ufikiaji wa uzito wa mfano, miundombinu ya mafunzo, utoaji wa msimbo, na tathmini nyeti, kosa au matumizi mabaya yana ufikiaji mkubwa zaidi. Shinikizo la ushindani linaweza kuwahimiza watengenezaji kutumia uotomatishaji kabla ya ufuatiliaji kukomaa.
Mzunguko pia unaweza kujikita mamlaka. Taasisi zenye kikokotoo na mifumo ya utafiti wa kiotomatiki zinaweza kusonga mbele, kuvuta mtaji na vipaji zaidi. Vinginevyo, kialgorithimu chenye ufanisi kinaweza kusambaa na kupunguza mkusanyiko. Athari hizi zinazopingana zinapaswa kuigwa badala ya kudhaniwa.
Kwa nini mzunguko unaweza kuboresha usalama
AI inaweza kutafuta udhaifu, kuzalisha majaribio, kuchambua matukio, kuboresha vifaa vya ufafanuzi wa ndani, na kuotomatisha uthibitishaji wa kawaida. Utafiti wa usalama unaweza kunufaika na kiwango na marudio hayohayo. Swali kuu la usimamizi ni kama uwezo wa usalama unakua kabla na sambamba na uwezo—wala si kama msaada wa utafiti wa AI ni hatari kwa asili.
Udhibiti unajumuisha mazingira ya utafiti yaliyofungiwa (sandboxed), seti za tathmini zilizolindwa, ufikiaji wa upendeleo mdogo zaidi (least-privilege), ufuatiliaji huru, uunganishaji wa hatua kwa hatua, majaribio yanayoweza kurudiwa, na idhini ya binadamu kabla mabadiliko hayajafika kwenye mafunzo au utoaji. Mawakala wa utafiti hawapaswi kuweza kubadilisha mtathmini wao, taarifa za uthibitisho, au mifumo ya uzalishaji.
Taasisi zinaweza kupima kasi ya uwezo na usalama vyote: masaa ya mtafiti yaliyookolewa, ugunduzi ulioidhinishwa, majaribio yaliyoshindwa yaliyogunduliwa, mzigo wa ukaguzi, kiwango cha matukio, na muda unaohitajika kwa urudiaji huru.
Ushahidi ambao ungebadilisha tathmini
Ushahidi imara zaidi wa mzunguko wa maoni wa haraka ungejumuisha mawakala wanaozalisha maendeleo mapya, muhimu ya kialgorithimu katika nyanja nyingi; urudiaji huru; mafanikio endelevu katika miradi mirefu; muda uliopunguzwa wa mzunguko kamili; na mifumo mfululizo inayoboresha kwa kupimika wakala wa utafiti bila ukuaji sawia wa kazi ya binadamu.
Ushahidi dhidi ya kasi ya mlipuko wa muda mfupi ungejumuisha utegemezi unaoendelea wa uwekaji ajenda wa binadamu, mapato yanayopungua kwa haraka, gharama kubwa za uthibitishaji, kutokuwa na uwezo wa kuendesha miradi mirefu, na vikwazo vigumu vya kikokotoo au majaribio.
Hitimisho la vitendo
Utafiti wa AI ulioharakishwa na AI tayari ni halisi katika kiwango cha msaada na uotomatishaji finyu uliochaguliwa. Vipimo vinaonyesha uhandisi wa utafiti wa muda mfupi wa kushangaza, huku tafiti za tija za ulimwengu halisi na bajeti ndefu zaidi zikifichua mapengo muhimu. Hakuna ushahidi wa hadhara kufikia Septemba 13, 2026 unaoonyesha utafiti na maendeleo kamili ya kiotomatiki ya AI au mzunguko wa uboreshaji wa kujirudia usiodhibitika.
Jibu sahihi si kupuuza wala kuchukulia kama jambo lisiloepukika. Fuatilia kila kizuizi, jaribu mfumo wa utafiti uliotumika, linda vifaa vyake na watathmini wake, na weka wazi mawazo kuhusu ufunikaji, ukubwa wa uboreshaji, muda wa mzunguko, na uwekezaji upya.