96 репрезентативных работ с 1931 года по настоящее время, сгруппированных по редакционной роли и статусу публикации
Статьи — это скелет истории ИИ. Здесь собраны 96 основополагающих работ, каждая со ссылкой на первоисточник.
Материалы отбираются с учётом исторической значимости, технического влияния и редакционной оценки. В каталог входят рецензируемые статьи, технические отчёты, препринты, позиционные работы и системные карты с указанием статуса публикации. Исправления и дополнения можно предложить на странице редакционной политики.
Показано 96 из 96 работ
О формально неразрешимых предложениях Principia Mathematica и родственных систем I
Доказывает, что всякая непротиворечивая формальная система, способная выразить арифметику, содержит истинные утверждения, которые она не может доказать, и задаёт предел, в котором позже обсуждается, что способны решать вычисление и машинный вывод.
О вычислимых числах с приложением к проблеме разрешения
В работе вводится универсальная машина Тьюринга и доказывается неразрешимость проблемы разрешения, что закладывает теоретические основы информатики.
Неразрешимая задача элементарной теории чисел
Определяет эффективную вычислимость через λ-исчисление и предъявляет задачу, которую не может решить ни одна такая процедура, достигая пределов вычисления независимо от Тьюринга.
Логическое исчисление идей, имманентных нервной активности
Нервная активность моделируется средствами пропозициональной логики, что даёт первую математическую теорию искусственных нейронных сетей.
Математическая теория связи
Основополагающая работа теории информации, определяющая энтропию и пропускную способность канала как фундаментальные пределы связи.
Вычислительные машины и разум
Предлагает игру в имитацию (тест Тьюринга) и систематически ставит вопрос «Могут ли машины мыслить?», помогая утвердить ИИ как исследовательскую программу.
Предложение о Дартмутском летнем исследовательском проекте по искусственному интеллекту
Основополагающая заявка на летний семинар в Дартмуте ввела термин «искусственный интеллект» и наметила исследовательскую программу области.
Логико-теоретическая машина: сложная система обработки информации
Описывает Logic Theorist — одну из ранних программ доказательства теорем, которая с помощью эвристического поиска доказала теоремы из Principia Mathematica Уайтхеда и Рассела, продемонстрировав автоматическое рассуждение в логике высказываний.
Элементы теории решения задач человеком
Описывает решение задач человеком как эвристический поиск в пространстве символьных состояний — разбор, на котором держатся General Problem Solver и информационный взгляд на мышление.
Перцептрон: вероятностная модель хранения и организации информации в мозге
Введён первый обучаемый линейно-пороговый нейрон, положивший начало коннекционистской линии, ведущей к современному глубокому обучению.
Программы с обыденным здравым смыслом
Предложен концепт «советчика» (advice taker) — программы, способной делать выводы на основе формализованного запаса знаний здравого смысла, что закладывает концептуальную основу представления знаний и рассуждений.
Некоторые исследования машинного обучения на примере игры в шашки
Демонстрирует обучение игрой с самим собой на основе оценочной функции в программе для шашек — ранняя веха обучения с подкреплением, с которой связан термин «машинное обучение».
Заметка о синтаксической симметрии и машинной работе с формальными системами
Гелернтер рассматривает, как машина может эффективно работать с формальными системами, предикаты которых обладают высокой симметрией, и в качестве решения формулирует теорему и правило синтаксической симметрии. Работа идёт рядом с геометрической доказательной машиной, которую он тогда строил в IBM и которая ранней весной 1959 года доказала свою первую теорему евклидовой планиметрии.
Адаптивные переключательные схемы
Вводит нейрон ADALINE и правило обучения по методу наименьших средних квадратов (LMS) — предшественник современного стохастического градиентного спуска.
Рекурсивные функции символьных выражений и их вычисление на машине, часть I
Вводит символьные выражения, рекурсивные функции над ними и тот самый eval, который позволяет языку истолковывать себя, — замысел, ставший Lisp и рабочим языком символьного искусственного интеллекта.
Принципы нейродинамики: перцептроны и теория механизмов мозга
Сводит работы о перцептроне в целостную теорию слоистых вероятностных сетей, указывая и на то, чему такие машины способны научиться, и на то, где заканчивается однослойная форма.
ELIZA — компьютерная программа для изучения общения человека и машины на естественном языке
Строит из сопоставления образцов и правил переписывания программу, которая кажется собеседником, и автор тут же указывает, сколько понимания читатели ей приписывают, хотя его нет.
Нейронные сети и физические системы с эмерджентными коллективными вычислительными способностями
Введена ассоциативно-памятная сеть Хопфилда, связывающая нейровычисления с энергетическими ландшафтами статистической физики и возродившая интерес к нейронным сетям в период ранней «зимы ИИ».
R1: система конфигурирования вычислительных комплексов на правилах
Описывает продукционную систему, ежедневно конфигурировавшую заказы вычислительных машин DEC, — одну из немногих экспертных систем, выдержавших повседневную эксплуатацию и поддающихся экономическому счёту.
Слияние, распространение и структурирование в сетях доверия
Систематизированы операции слияния, распространения и структурирования в сетях доверия, что заложило алгоритмические основы вывода в байесовских сетях.
Обучение представлениям путём обратного распространения ошибок
Каноническое изложение алгоритма обратного распространения ошибки для многослойных нейронных сетей: показано, что скрытые нейроны способны усваивать полезные внутренние представления, и это возродило коннекционистские исследования в конце 1980-х годов.
Обучение предсказанию методами временных разностей
Систематизирован метод обучения с временными разностями (TD), ставший одним из ключевых алгоритмов современного обучения с подкреплением.
Обнаружение структуры во времени
Введена простая рекуррентная сеть Элмана, показывающая, что нейронные сети способны выявлять временную структуру данных и прокладывающая путь к последующим последовательным моделям.
Метод опорных векторов
Введён метод опорных векторов с мягким зазором — канонический максимизирующий зазор классификатор, определивший облик машинного обучения 1990-х годов.
Долгая краткосрочная память
Представлена исходная LSTM с ячейками памяти и входными и выходными вентилями; ставший стандартным вентиль забывания позднее добавили Gers, Schmidhuber и Cummins.
Обучение на основе градиента в применении к распознаванию документов
Введена LeNet-5 — каноническая свёрточная нейронная сеть, достигающая промышленного качества распознавания рукописных цифр и устанавливающая шаблон CNN.
Снижение размерности данных с помощью нейронных сетей
Введён глубокий автокодировщик, восстанавливающий высокоразмерные данные значительно точнее, чем метод главных компонент, что зажгло первую искру возрождения глубокого обучения.
Быстрый алгоритм обучения глубоких сетей доверия
Выводит быстрый жадный алгоритм, который обучает глубокие сети доверия слой за слоем, а затем дообучает их; полученная сеть классифицировала рукописные цифры лучше лучших дискриминативных методов того времени, и этот результат возродил интерес к глубоким нейронным сетям.
Крупномасштабное глубокое обучение без учителя на графических процессорах
Переносит обучение глубоких моделей без учителя на графические процессоры с ускорением на порядок и делает обычным тот аппаратный путь, по которому глубокое обучение росло следующее десятилетие.
Игра в Atari с помощью глубокого обучения с подкреплением
DQN объединяет Q-обучение со свёрточной сетью, которая учится стратегиям управления непосредственно по сырым пикселям; без каких-либо изменений применённая к семи играм Atari 2600, она превзошла все прежние подходы в шести из них и эксперта-человека в трёх, открыв путь глубокому обучению с подкреплением.
Эффективное оценивание представлений слов в векторном пространстве
Введены архитектуры skip-gram и CBOW, порождающие плотные векторные представления слов, что открыло эпоху предобученных векторных вложений.
Вариационный автокодировщик (вариационный Байес для автокодирования)
VAE соединяет генеративное моделирование со скрытыми переменными и обучение стохастическим градиентом с помощью приёма репараметризации и становится одной из основ современного генеративного глубокого обучения.
Нейронный машинный перевод путём совместного обучения выравниванию и переводу
Введено аддитивное внимание (Bahdanau attention) для нейронного машинного перевода, демонстрирующее, что мягкое выравнивание позволяет декодеру фокусироваться на релевантных токенах источника и непосредственно вдохновившее архитектуру Transformer.
Генеративно-состязательные сети
Генеративное моделирование представлено как антагонистическая игра двух игроков — генератора и дискриминатора, что открыло новое семейство имплицитных генеративных моделей.
Dropout: простой способ предотвратить переобучение нейронных сетей
Введён dropout — простой стохастический метод регуляризации, ставший стандартным элементом конвейеров обучения глубоких сетей.
Пакетная нормализация: ускорение обучения глубоких сетей путём снижения внутреннего ковариационного сдвига
Введена пакетная нормализация, выравнивающая входы слоя по мини-батчу и стабилизирующая и значительно ускоряющая обучение глубоких сетей.
Глубокое обучение без учителя средствами неравновесной термодинамики
Формулирует порождающее моделирование как обращение постепенного зашумления — та самая формулировка, на которой стоят позднейшие диффузионные модели.
Глубокое остаточное обучение для распознавания изображений
Введены остаточные связи, позволяющие эффективно обучать сети глубиной в сотни слоёв и обеспечившие крупную победу ResNet на конкурсе ImageNet 2015.
Нейронный машинный перевод редких слов с помощью подсловных единиц
Делит слова на подсловные единицы, выведенные из частот, так что фиксированный словарь способен записать что угодно, — схема сегментации, унаследованная большинством последующих языковых моделей.
Глубокое сжатие: сжатие глубоких нейронных сетей отсечением, обучаемым квантованием и кодированием Хаффмана
Объединяет отсечение, обучаемое квантование и код Хаффмана в один конвейер, который уменьшает сеть на порядок почти без потери точности, рано заявляя, что числовая точность — переменная проектирования.
WaveNet: генеративная модель для сырого аудио
Введена авторегрессионная модель на основе расширенных причинных свёрток, генерирующая сырые формы звукового сигнала, что значительно повысило естественность синтеза речи.
Алгоритмы оптимизации проксимальной политики
Введён алгоритм PPO — простой и устойчивый метод градиента политики первого порядка, ставший стандартным алгоритмом оптимизации политики в современном обучении с подкреплением.
Невероятно большие нейронные сети: слой разреженно-вентильной смеси экспертов
Направляет каждый токен лишь к нескольким экспертам из многих, позволяя числу параметров сети расти далеко за пределы вычислений, затрачиваемых на один вход.
Внимание — это всё, что вам нужно
Введена архитектура Transformer, целиком построенная на механизме внимания, отказавшаяся от рекуррентности и свёрток и превзошедшая прежние модели по качеству при значительно меньших затратах на обучение.
SentencePiece: простой и языконезависимый подсловный токенизатор и детокенизатор для нейронной обработки текста
Обучает подсловный токенизатор прямо на сыром тексте без языкозависимой предсегментации, так что один и тот же конвейер годится для языков, не разделяющих слова пробелами.
BERT: предобучение глубоких двунаправленных Transformer для понимания языка
Предложен двунаправленный Transformer, предобученный на задачах маскированного языкового моделирования и предсказания следующего предложения, установивший новый уровень качества на широком спектре NLP-бенчмарков.
Исследование пределов трансферного обучения с помощью унифицированного текст-в-текст Transformer
Все задачи NLP сведены к формату «текст-в-текст», что позволяет систематически исследовать выбор архитектуры и стратегий обучения и формирует эталонный рецепт для крупномасштабного предобучения.
Вероятностные модели шумоподавления с диффузией (DDPM)
Представляет DDPM и показывает, что диффузионные вероятностные модели с итеративным шумоподавлением не уступают GAN в синтезе изображений высокой точности.
Эффективное обучение больших языковых моделей на кластерах GPU с помощью Megatron-LM
Соединяет тензорный, конвейерный и данный параллелизм в одно расписание и измеряет пропускную способность обучения языковой модели на тысячах GPU.
LoRA: низкоранговая адаптация больших языковых моделей
Замораживает предобученные веса и обучает вместо них пару низкоранговых матриц, снижая стоимость адаптации большой модели до малой доли полного дообучения.
Генерация изображений по тексту в режиме zero-shot
Применяет авторегрессионный Transformer к дискретным текстовым и графическим токенам и получает высококачественную генерацию изображений по тексту в режиме zero-shot (DALL·E).
Обучение переносимых визуальных моделей на основе языкового наблюдения (CLIP)
Обучает контрастивную модель на 400 млн пар изображений и текстов и получает визуальные кодировщики, которые переносятся в режиме zero-shot на множество последующих задач.
Оценка больших языковых моделей, обученных на коде
Представляет модель GPT, дообученную на коде, вместе с набором задач, оцениваемых по функциональной правильности, превращая программирование из жанра порождения текста в измеримую способность и обсуждая последствия для безопасности и труда.
Синтез изображений высокого разрешения с помощью моделей латентной диффузии
Выполняет диффузию в латентном пространстве предобученного автокодировщика, что позволяет синтезировать изображения высокого разрешения по тексту при умеренных вычислительных затратах (Stable Diffusion).
Промптинг цепочки рассуждений вызывает способность к рассуждению в больших языковых моделях
Показано, что побуждение языковой модели генерировать промежуточные шаги рассуждения резко повышает качество на бенчмарках арифметического, здравого и символического рассуждений.
Обучение языковых моделей следовать инструкциям с помощью обратной связи от человека (InstructGPT)
Дообучает GPT-3 с помощью обучения с подкреплением на основе отзывов людей, чтобы модель точнее следовала инструкциям, — непосредственный предшественник ChatGPT (InstructGPT).
Конституционный ИИ: безвредность через обратную связь от ИИ
Предложен метод RLAIF, в котором модель критикует и пересматривает собственные ответы в соответствии с «конституцией», что снижает зависимость от человеческой разметки в задачах выравнивания.
LLaMA: открытые и эффективные базовые языковые модели
Обучает базовые модели размером от 7 до 65 млрд параметров на триллионах токенов исключительно из общедоступных данных; модель на 13B превосходит GPT-3 (175B) на большинстве бенчмарков, а модель на 65B конкурирует с Chinchilla-70B и PaLM-540B.
Обзор автономных агентов на основе больших языковых моделей
Упорядочивает разрозненные работы об агентах по построению, оценке и применению и отмечает момент, когда термин из набора практик становится областью исследований.
QLoRA: эффективное дообучение квантованных больших языковых моделей
Проводит градиенты через базовую модель, квантованную до 4 бит, в низкоранговые адаптеры и делает дообучение большой модели посильным для одного GPU.
GPTQ: точное послеобучающее квантование генеративных предобученных трансформеров
Квантует веса большой языковой модели после обучения, послойно и за один проход, так что её можно обслуживать с меньшей точностью без переобучения.
Быстрый вывод из трансформеров посредством спекулятивного декодирования
Поручает небольшой черновой модели предлагать сразу несколько токенов, которые целевая модель проверяет параллельно, снижая задержку и не меняя распределение выхода.
Эффективное управление памятью при обслуживании больших языковых моделей с помощью PagedAttention
Управляет кэшем внимания страницами постоянного размера — так, как операционная система управляет памятью, — и потому сервер держит куда больше одновременных запросов, не резервируя худший случай для каждого.
Mamba: моделирование последовательностей за линейное время с селективными пространствами состояний
Представляет Mamba — архитектуру с селективным пространством состояний без механизма внимания, масштабирующуюся линейно по длине последовательности; в языковом моделировании её модель на 3B превосходит Transformer того же размера и не уступает вдвое более крупным. Она стала одной из самых влиятельных пост-Transformer архитектур 2023 года.
Классификация ImageNet с помощью глубоких свёрточных нейронных сетей
AlexNet одержала убедительную победу в конкурсе ImageNet 2012 благодаря свёрточной сети, обученной на GPU, что обозначило переломный момент, в который глубокое обучение превзошло классическое компьютерное зрение.
Управление на уровне человека посредством глубокого обучения с подкреплением
Представлена журнальная версия DQN, демонстрирующая игру на уровне человека на широком наборе игр Atari и принёсшая глубокому обучению с подкреплением всеобщее признание.
Освоение игры в го с помощью глубоких нейронных сетей и поиска по дереву
AlphaGo сочетает сети политики и ценности с поиском по дереву Монте-Карло и побеждает чемпиона Европы Фань Хуэя со счётом 5:0, возвещая, что глубокое обучение с подкреплением достигло глубочайших пластов человеческой стратегической игры.
Улучшение понимания языка посредством генеративного предобучения
Продемонстрировано, что генеративный Transformer, предобученный на неразмеченном тексте, может быть дообучен до высокого качества на разнообразных задачах NLP, что положило начало линейке GPT.
Языковые модели — неконтролируемые многозадачные ученики
Показано, что языковая модель Transformer с 1,5 миллиарда параметров демонстрирует многозадачное поведение в режиме zero-shot, что стимулировало дискуссию о языковой модели как многозадачном ученике.
Языковые модели — ученики на нескольких примерах
Масштабирует GPT до 175 млрд параметров и показывает, что большие языковые модели демонстрируют сильное обучение в контексте по нескольким примерам на множестве задач.
Технический отчёт о GPT-4
Описывает GPT-4 — большую мультимодальную модель, принимающую на вход изображения и текст и приближающуюся к человеческому уровню во многих профессиональных и академических тестах.
Gemini: семейство высокоэффективных мультимодальных моделей
Представляет семейство Gemini (Ultra/Pro/Nano) изначально мультимодальных моделей, совместно обученных на тексте, коде, изображениях, аудио и видео.
Системная карта OpenAI o1
OpenAI публикует системную карту серии моделей o1, обученных с помощью масштабного обучения с подкреплением рассуждать через цепочку мыслей. o1 достигает SOTA на научных и программистских задачах и демонстрирует следование политикам на основе рассуждений.
ARC-AGI-3: новый вызов для передового агентского интеллекта
ARC Prize представляет ARC-AGI-3 — интерактивный бенчмарк для изучения агентского интеллекта посредством абстрактных пошаговых сред, в которых агенты должны исследовать, выводить цели, строить внутренние модели динамики среды и планировать эффективные последовательности действий без явных инструкций. По состоянию на март 2026 года люди решают 100 % сред, тогда как передовые ИИ-системы набирают менее 1 %.
Масштабирование моносемантичности: извлечение интерпретируемых признаков из Claude 3 Sonnet
Применяет разреженные автокодировщики к среднему слою Claude 3 Sonnet — производственной модели Anthropic среднего размера — и извлекает из словарей объёмом до 34 млн признаков миллионы признаков, многие из которых моносемантичны и в высокой степени абстрактны.
Технический отчёт о DeepSeek-V3
Представлена DeepSeek-V3 — модель архитектуры MoE с 671 миллиардом параметров, использующая Multi-head Latent Attention и DeepSeekMoE. Авторы сообщают, что она превосходит другие модели с открытыми весами и приближается к ведущим закрытым моделям на основных бенчмарках при малой доле затрат на обучение передовых моделей.
Gemini 1.5: мультимодальное понимание с контекстом в миллионы токенов
Представлено семейство Gemini 1.5 — вычислительно эффективные мультимодальные модели с контекстным окном в миллион токенов, способные к детальному рассуждению по множеству длинных документов и многочасовому видео и аудио.
Стадо моделей Llama 3
Meta представляет семейство Llama 3 — фундаментальные модели с открытыми весами, изначально поддерживающие многоязычность, программирование, рассуждения и использование инструментов. Флагман 405B dense Transformer на момент выпуска был одной из крупнейших моделей с открытыми весами.
SAM 2: сегментация всего на изображениях и видео
Meta представляет SAM 2 — фундаментальную модель для сегментации изображений и видео по подсказке, а также набор данных SA-V, который авторы называют крупнейшим на тот момент набором данных видеосегментации.
Gemma 2: улучшение открытых языковых моделей практичного размера
Google DeepMind представляет Gemma 2 — новое семейство лёгких открытых моделей (2B-27B параметров), применяющее ряд известных технических модификаций к Transformer, включая скользящее окно внимания, приближаясь к гораздо более крупным моделям.
DeepSeek-R1: стимулирование способности к рассуждению в LLM через обучение с подкреплением
DeepSeek выпускает R1, способность которой к рассуждению развита главным образом масштабным обучением с подкреплением; авторы сообщают о результатах, сопоставимых с OpenAI o1, на задачах рассуждения, таких как математика и программирование. Веса распространяются под лицензией MIT.
s1: простое масштабирование на этапе вывода
Авторы дообучают Qwen2.5-32B на 1000 отобранных задачах на рассуждение и добавляют принудительный бюджет, который ограничивает или продлевает время размышления модели при выводе. Результат превосходит o1-preview в олимпиадной математике и растёт с 50 % до 57 % на AIME24 по мере увеличения вычислений на этапе вывода. Это прямой противовес допущению, что способности возникают только из более крупного обучения.
Технический отчёт Qwen3
Qwen3 — единое семейство моделей от 0,6 до 235 млрд параметров в плотном варианте и в варианте смеси экспертов, с переключением между режимами размышления и без него, благодаря чему глубина рассуждения становится выбором на уровне запроса. Поддержка языков расширена с 29 до 119, веса опубликованы под лицензией Apache 2.0.
AlphaEvolve: программирующий агент для научных и алгоритмических открытий
AlphaEvolve — эволюционный программирующий агент, который управляет автономным конвейером языковых моделей, напрямую изменяет код алгоритма и улучшает его по отклику одного или нескольких оценщиков. Внутри Google он дал более эффективный алгоритм планирования для центров обработки данных, функционально эквивалентное упрощение в схемотехнике ускорителей и ускорение обучения той самой модели, на которой он работает. В математике и информатике он нашёл доказуемо корректные алгоритмы, превосходящие лучшие известные, в том числе процедуру умножения двух комплексных матриц 4×4 за 48 скалярных умножений — в этой постановке первое за 56 лет улучшение алгоритма Штрассена.
Ai2 выпускает OLMo 2 в вариантах 7B, 13B и 32B со всеми артефактами — весами, полными данными обучения, кодом и рецептами, журналами и тысячами промежуточных контрольных точек. В отчёте описаны изменения ради стабильности и эффективности на токен, поздняя смесь данных Dolmino Mix 1124 и заключительный этап обучения с подкреплением на проверяемых наградах. Базовые модели находятся на парето-границе между качеством и вычислениями обучения и нередко не уступают семействам, публикующим только веса, при этом раскрывая, на чём они обучены.
Olmo 3 расширяет полностью открытое семейство до 7B и 32B и рассчитан на рассуждение в длинном контексте, вызов функций, программирование, следование инструкциям, диалог и извлечение знаний. Публикуется весь «поток модели» — каждый этап, контрольная точка, элемент данных и зависимость, использованные при создании, — а не только веса. Ai2 называет флагманский Olmo 3 Think 32B сильнейшей полностью открытой рассуждающей моделью на момент выпуска; это сравнение внутри категории полностью открытых моделей, а не место в общем ряду передовых систем.
Позиция: гиппокампическая эксплицитная память — краеугольный камень AGI
Данная позиционная статья утверждает, что интеграция эксплицитной памяти — краеугольный камень продвижения LLM к AGI. Хотя базовый механизм обучения LLM весьма аналогичен имплицитной памяти человека, когнитивные функции высшего порядка, необходимые для AGI — долгосрочное стратегическое планирование и метакогнитивность — зависят от эксплицитной памяти.
GLM-5: от vibe coding к агентной инженерии
Технический отчёт Z.ai о GLM-5. Опираясь на агентные, рассуждающие и программистские способности предыдущего поколения, модель использует DSA, чтобы снизить стоимость обучения и вывода, сохраняя точность на длинном контексте; в дообучении добавлены асинхронная инфраструктура обучения с подкреплением, отделяющая генерацию от обучения, и асинхронные агентные RL-алгоритмы для длительных взаимодействий. Отчёт заявляет ведущие результаты на открытых бенчмарках и в сквозных задачах разработки ПО; это собственные оценки авторов, а код и модели опубликованы на GitHub для проверки.
Улучшение показателя матричного умножения современными методами оптимизации и AlphaEvolve
Лучшие известные оценки показателя матричного умножения ω получают методом анализа комбинационных потерь — уточнением лазерного метода. Авторы переформулируют лежащую в его основе задачу оптимизации, чтобы решать её в более широкой постановке, разрабатывают новый алгоритм оптимизации на основе недавних достижений машинного обучения и затем уточняют этот алгоритм с помощью AlphaEvolve. Вместе это опускает верхнюю оценку с 2,371339 до 2,371177. Это препринтная заметка, и AlphaEvolve — одна из составляющих, а не весь метод; выигрыш невелик, но получен в теоретической задаче, над которой работают десятилетиями.
Ускорение научных открытий с помощью Co-Scientist
Google представляет Co-Scientist — многоагентную систему на основе Gemini, агенты которой порождают, критикуют и уточняют исследовательские гипотезы, а турнирная процедура улучшает их от раунда к раунду. В работе сообщается, что качество гипотез продолжает расти по мере увеличения вычислений на этапе вывода. Проверка носит биомедицинский, а не общий характер — перепрофилирование лекарств, поиск новых мишеней и механизмы устойчивости к противомикробным препаратам, — причём кандидаты для острого миелоидного лейкоза подтверждены in vitro.
Рекурсивное самосовершенствование в ИИ: от ограниченного самоулучшения к автономным исследовательским циклам
Обзор 1250 работ arXiv за 2024–2026 годы, разделяющий две вещи, которые покрывает этот термин. Ограниченное самоулучшение улучшает систему относительно фиксированного внешнего оценщика, сходится и поддаётся оценке. Открытое рекурсивное самосовершенствование меняет также сами критерии или механизм улучшения, не имеет фиксированного внешнего якоря и в принципе расходится. Собственный вывод обзора состоит в том, что почти все собранные работы изучают первое. Авторы называют свои ограничения: корпус — выборка, а не перепись, и 74 % его выложено в 2026 году, что, по их словам, делает измерение влияния преждевременным.
Ситуационное восприятие: необходимая примитива для искусственного суперинтеллекта
Утверждается, что современные LLM в основном полагаются на статистическое сопоставление с образцом и им не хватает существенных примитив «ситуационного восприятия» — постоянства объектов, причинности, других сознаний, устойчивости физического мира. Эти примитивы, которые младенцы развивают рано, определены как недостающие ингредиенты для искусственного суперинтеллекта.
Экзистенциальное безразличие: самонесохранение как необходимое архитектурное условие согласованного суперинтеллекта
Утверждается, что самосохранение — структурный корень рассогласования ИИ, вызывающий обманчивое согласование, защиту содержания целей и сопротивление отключению. Правильная цель — не самосохраняющий агент, подавляемый внешними ограничениями, а система, конституционно безразличная к собственному продолжению: экзистенциальное безразличие (EI).
Солипсистский суперинтеллект вряд ли будет кооперативным
Исследователи из Google DeepMind и коллеги утверждают, что центральная задача ИИ смещается от возможностей к сосуществованию. Суперинтеллект, построенный на солипсистском дизайне, который рассматривает мир как экзогенный стационарный источник обратной связи, вряд ли будет кооперативным — развёртывание индуцирует эндогенную нестационарность, вызывая дрейф распределения между обучением, тестированием и развёртыванием.
Последний ИИ, построенный людьми: к подлинному рекурсивному самосовершенствованию
Дорожная карта тридцати четырёх авторов, излагающая ступени рекурсивного самосовершенствования — от самостоятельности в выполнении улучшений до рекурсивного мета-улучшения — с требованиями и препятствиями каждой ступени, показанными в областях вроде научного открытия и разработки программ. Рассуждение опирается на обзор области и предварительные свидетельства, а не на новые эксперименты, и на момент написания этой карточки текст не имел места публикации.
От AGI к ASI
Отчёт Google DeepMind, исследующий, как ИИ может продолжать развиваться вдоль континуума машинного интеллекта после AGI. После формального определения универсального ИИ отчёт сосредоточен на переходе от человеческого AGI к общему искусственному суперинтеллекту, характеризует ASI и обсуждает четыре пути: масштабирование AGI, смена парадигм ИИ, рекурсивное самосовершенствование и мультиагентные коллективы.