Kiedy rozmawiamy o przyszłości sztucznej inteligencji, zwykle wyobrażamy sobie coraz większe modele.
Więcej parametrów. Więcej danych. Więcej kart graficznych. Więcej serwerowni, w których prąd zamienia się w ciepło, a ciepło w prezentacje dla inwestorów.
Zakładamy, że kolejne generacje AI będą projektowane mniej więcej tak jak dotąd: grupa ludzi ustali architekturę, zgromadzi dane, uruchomi trening i po kilku miesiącach otrzyma nowy model. Większy, droższy i według tabeli przygotowanej przez jego twórców oczywiście przełomowy.
Istnieje jednak inna możliwość.
Być może przyszłe modele nie będą już w pełni projektowane.
Być może będą hodowane.
Dwa istniejące modele zostaną potraktowane jak rodzice. Ich cechy zostaną połączone. Powstanie kilkadziesiąt albo kilka tysięcy potomków. Każdy trochę inny. Niektóre okażą się kompletnie bezużyteczne. Inne będą działały gorzej od rodziców. Kilka przeżyje testy. Najlepsze zostaną ze sobą połączone ponownie.
I tak przez kolejne pokolenia.
Bez ciąży, pieluch i rodzinnych obiadów. Natura w końcu doczekałaby się wersji enterprise.
Co właściwie znaczy „rozmnażanie AI”?
Nie chodzi o to, że dwa chatboty zakochają się podczas rozmowy o Pythonie, a dziewięć miesięcy później na serwerze pojawi się mały model językowy.
Sztuczna inteligencja nie ma DNA. Nie ma komórek rozrodczych. Nie odczuwa potrzeby przedłużenia gatunku. Nie posiada też gatunku, chociaż patrząc na zachowanie części chatbotów, można odnieść wrażenie, że wszystkie wychowywały się w tej samej przesadnie uprzejmej rodzinie.
Techniczne rozmnażanie oznaczałoby coś prostszego:
- wybieramy dwa lub więcej modeli,
- łączymy fragmenty ich architektury, warstw albo wag,
- wprowadzamy niewielkie losowe zmiany,
- sprawdzamy, które potomstwo działa najlepiej,
- zachowujemy zwycięzców,
- powtarzamy proces.
To klasyczna ewolucja w wersji komputerowej: zmienność, dziedziczenie i selekcja.
Pomysł nie jest nowy. Algorytmy ewolucyjne od dziesięcioleci wykorzystują populacje rozwiązań, mutacje i selekcję. Neuroewolucja stosuje te mechanizmy do sieci neuronowych, zmieniając ich parametry, połączenia, a czasem również całą architekturę. OpenAI pokazało już w 2017 roku, że strategie ewolucyjne mogą konkurować z niektórymi metodami uczenia ze wzmocnieniem i dobrze skalować się na wiele maszyn. W tym samym okresie DeepMind opracowało Population Based Training, w którym populacja modeli uczy się równolegle, słabsze modele kopiują parametry lepszych, a ich ustawienia są następnie mutowane.
To jeszcze nie było rozmnażanie w pełnym znaczeniu tego słowa. Bardziej przypominało hodowlę sadzonek. Kopiowaliśmy najlepszego osobnika, lekko go zmienialiśmy i sprawdzaliśmy, czy nowa wersja rośnie szybciej.
Ale kierunek został wyznaczony.
Ewolucja może projektować nie tylko model
W 2020 roku badacze Google przedstawili AutoML-Zero. System rozpoczynał od bardzo prostych operacji matematycznych i za pomocą ewolucyjnego przeszukiwania próbował odkrywać całe algorytmy uczenia maszynowego.
Nie tylko ustawienia modelu.
Nie tylko liczbę warstw.
Całe procedury uczenia.
W eksperymentach ewolucja samodzielnie odnajdywała rozwiązania przypominające dwuwarstwowe sieci neuronowe i uczenie metodą propagacji wstecznej. Pojawiały się również mechanizmy podobne do normalizacji gradientów, uśredniania wag czy dropout. Innymi słowy, komputer dostał zestaw matematycznych klocków i po odpowiednio dużej liczbie nieudanych prób zaczął odkrywać pomysły, które wcześniej opracowali ludzie.
Nie oznacza to, że AutoML-Zero wynalazło od nowa całą współczesną sztuczną inteligencję. Eksperymenty były ograniczone, zadania stosunkowo niewielkie, a koszty poszukiwania ogromne.
Pokazały jednak coś ważnego.
Ewolucja nie musi jedynie poprawiać istniejącego rozwiązania. Może szukać nowych sposobów budowania rozwiązań.
A człowiek nie musi rozumieć każdego kroku.
Wystarczy, że potrafi ocenić wynik.
To drobna zmiana w podziale obowiązków, która może kiedyś okazać się zmianą fundamentalną. Przestajemy mówić maszynie, jak ma myśleć. Zaczynamy mówić jej, po czym poznamy, że myśli wystarczająco dobrze.
Co mogłoby pójść nie tak?
Najpierw nauczyliśmy się mieszać modele
Zanim modele mogły zacząć przypominać potomstwo różnych rodziców, trzeba było sprawdzić, czy ich cechy w ogóle da się ze sobą łączyć.
Okazało się, że czasami można.
W pracy „Model Soups” badacze pokazali, że uśrednienie wag kilku modeli wywodzących się z tego samego modelu bazowego może dać jeden model lepszy i bardziej odporny niż poszczególne wersje. Nie jest to klasyczny zespół modeli, w którym kilka sieci działa jednocześnie. Po połączeniu powstaje jeden model, bez dodatkowego kosztu podczas używania.
Później pojawiła się koncepcja arytmetyki zadań. Różnicę pomiędzy modelem bazowym a modelem dostrojonym do konkretnego zadania można potraktować jak wektor reprezentujący nabytą umiejętność. Takie wektory można dodawać lub odejmować, próbując przenosić zachowania pomiędzy modelami. W eksperymentach dodawanie wektorów zadań pozwalało łączyć niektóre kompetencje bez pełnego ponownego treningu.
Brzmi to prawie jak genetyka.
Model bazowy jest wspólnym przodkiem. Dostrajanie tworzy różne linie rozwojowe. Jeden potomek uczy się matematyki. Drugi programowania. Trzeci rozpoznawania obrazów. Następnie próbujemy zebrać ich zmiany i umieścić je w jednym organizmie.
Tyle że sieci neuronowe nie są zestawami niezależnych klocków.
Nie istnieje pojedynczy gen odpowiedzialny za ironię, znajomość japońskiego albo umiejętność napisania poprawnego zapytania SQL. Wiedza jest rozproszona po ogromnej liczbie parametrów, a zmiana jednego obszaru może wpływać na wiele pozornie niezwiązanych zachowań.
Łączenie modeli przypomina więc mniej składanie komputera, a bardziej próbę połączenia dwóch mózgów poprzez losowe zszycie neuronów.
Medycyna zapewne nie zatwierdziłaby takiej procedury. Informatyka, jak zwykle, najpierw uruchamia eksperyment, a dopiero później zastanawia się nad formularzem zgody.
Pierwsze prawdziwe potomstwo
Jednym z najbardziej konkretnych kroków w stronę ewolucyjnego rozmnażania modeli była praca zespołu Sakana AI nad Evolutionary Model Merge.
Badacze potraktowali sposób połączenia kilku modeli jak genom, który może podlegać ewolucji.
System działał w dwóch przestrzeniach.
Pierwsza była przestrzenią parametrów. Algorytm poszukiwał odpowiednich proporcji mieszania wag na poziomie poszczególnych warstw.
Druga była przestrzenią przepływu danych. Zamiast mieszać same wagi, system mógł wybierać, przez które warstwy poszczególnych modeli powinien przechodzić przetwarzany tekst. Fragment obliczeń mógł zostać wykonany przez warstwy jednego modelu, a kolejny przez warstwy drugiego.
To już nie było zwykłe uśrednianie.
Było to automatyczne poszukiwanie anatomii potomka.
W jednym z eksperymentów wykorzystano japoński model językowy oraz modele wyspecjalizowane w matematyce po angielsku. Wszystkie wywodziły się z tej samej rodziny Mistral-7B, dzięki czemu ich wewnętrzne struktury były wystarczająco podobne, by dało się je sensownie łączyć.
Algorytm pracował przez sto pokoleń, utrzymując populację 128 kandydatów. Najlepszy model hybrydowy osiągnął 55,2 procent poprawnych odpowiedzi w japońskim teście matematycznym. Najlepszy z modeli źródłowych uzyskał 30 procent. W części testów ogólnej znajomości języka japońskiego siedmiomiliardowy model połączony ewolucyjnie przewyższył niektóre modele mające 70 miliardów parametrów.
Nie należy z tego wyciągać wniosku, że ewolucyjny model był „mądrzejszy” od wszystkich większych modeli. Benchmark mierzy określony zestaw zachowań, a nie inteligencję w sensie ogólnym. Badacze sami przyznali, że połączone modele czasem generowały nielogiczne odpowiedzi, nie przechodziły pełnego dostrajania instrukcyjnego ani procesu alignmentu i mogły podawać informacje niezgodne z faktami.
Mimo to wydarzyło się coś znaczącego.
Powstał model, który posiadał kombinację zdolności niewystępującą w tej samej formie u żadnego z rodziców.
To nie był klon.
To nie był klasyczny trening od zera.
To był potomek.
Prymitywny, laboratoryjny i oceniany na kilku testach, ale jednak potomek.
Problem dwóch mózgów
Łączenie sieci neuronowych jest znacznie trudniejsze, niż sugeruje metafora rodziców.
Dwa modele mogą wykonywać to samo zadanie, wykorzystując zupełnie inaczej rozmieszczone neurony. Kolejność neuronów w ukrytej warstwie może zostać zmieniona bez zmiany funkcji całej sieci, o ile odpowiednio przestawimy kolejne połączenia.
Oznacza to, że neuron numer 1742 w pierwszym modelu nie musi odpowiadać neuronowi numer 1742 w drugim.
Może nie odpowiadać mu w ogóle.
Badacze zajmujący się tak zwanym dopasowywaniem wag pokazali, że przed połączeniem modeli często trzeba najpierw znaleźć odpowiadające sobie reprezentacje. Naiwne uśrednianie dwóch niezależnie wytrenowanych sieci może drastycznie pogorszyć ich działanie. Po odpowiednim dopasowaniu neuronów lub cech połączenie staje się znacznie bezpieczniejsze.
Biologia rozwiązuje podobny problem za pomocą wspólnego kodu genetycznego i mechanizmów rozmnażania wypracowanych przez miliardy lat.
My mamy dokumentację na GitHubie i kilka skryptów w Pythonie.
Różnica w dojrzałości technologii jest subtelna, ale występuje.
Dlatego pierwsze generacje rozmnażających się modeli prawdopodobnie będą pochodziły z blisko spokrewnionych rodzin. Będą miały tę samą architekturę, tokenizer i wspólny model bazowy.
Bardziej skrzyżowanie dwóch odmian psa niż próba połączenia psa z drukarką.
Chociaż branża technologiczna zapewne spróbuje również tego drugiego.
Krzyżowanie różnych gatunków
W maju 2026 roku opublikowano pracę „Darwin Family”, opisującą system ewolucyjnego łączenia modeli, który według autorów potrafi tworzyć kolejne generacje potomków, a nawet łączyć komponenty różnych architektur, takich jak Transformer i Mamba.
Autorzy przedstawili „genom” składający się z czternastu parametrów kontrolujących sposób połączenia bloków modeli. System miał wybierać znaczenie poszczególnych warstw, rekombinować je i tworzyć kolejne pokolenia bez klasycznego treningu gradientowego. W eksperymentach modele o wielkości od 4 do 35 miliardów parametrów miały poprawiać wyniki rodziców, a proces mógł być powtarzany przez wiele generacji.
Brzmi imponująco, ale warto zachować proporcje. W chwili pisania tego tekstu jest to świeży preprint zgłoszony do NeurIPS 2026, a nie ostatecznie zweryfikowany standard branżowy. Wyniki wymagają niezależnych powtórzeń.
Niemniej sama możliwość techniczna jest ważniejsza od pojedynczego wyniku.
Jeżeli uda się niezawodnie łączyć modele z różnych rodzin, sztuczna ewolucja przestanie być ograniczona do potomstwa bardzo podobnych rodziców.
Powstanie znacznie większa przestrzeń kombinacji.
Model wyspecjalizowany w analizie kodu będzie można połączyć z modelem matematycznym. Model rozumiejący obrazy z modelem planującym działania. Model szybki, ale powierzchowny, z modelem powolnym i dokładnym.
Nie każda kombinacja zadziała.
Większość zapewne nie zadziała.
Na tym właśnie polega ewolucja. Produkuje absurdalnie dużą liczbę porażek, a później zachowuje kilka przypadków, które z jakiegoś powodu nie umarły.
Natura robiła to przez miliardy lat. My chcemy tę część pominąć, ponieważ dział finansowy oczekuje wyników przed końcem kwartału.
Ewolucja może obejmować nie tylko wagi
Istnieje drugi kierunek, być może jeszcze ważniejszy.
Zamiast rozmnażać sam model, możemy rozmnażać cały system zbudowany wokół niego.
W Darwin Gödel Machine bazowy model pozostawał niezmieniony. Ewoluował natomiast kod agenta: sposób korzystania z narzędzi, zarządzania kontekstem, edytowania plików i sprawdzania własnej pracy.
System utrzymywał archiwum różnych agentów. Wybrane wersje modyfikowały własny kod, tworząc potomków. Potomkowie byli oceniani na zadaniach programistycznych, a najlepsi trafiali z powrotem do archiwum i mogli stać się rodzicami kolejnych pokoleń.
Według autorów skuteczność na SWE-bench wzrosła z 20 do 50 procent, a na benchmarku Polyglot z 14,2 do 30,7 procent. Eksperyment prowadzono w środowisku izolowanym, z nadzorem człowieka. Co istotne, nie ewoluowały parametry modelu językowego, lecz konstrukcja agenta korzystającego z tego modelu.
Można powiedzieć, że mózg pozostawał ten sam, ale ewoluowało ciało.
Pamięć.
Narzędzia.
Procedury działania.
Sposób uczenia się na błędach.
To rozróżnienie może z czasem stracić znaczenie. Jeżeli system potrafi zmieniać własny kod, wybierać model, dodawać moduły pamięci, tworzyć narzędzia i projektować proces treningu swojego następcy, trudno będzie jednoznacznie wskazać, gdzie kończy się model, a zaczyna organizm.
Jak wyglądałaby prawdziwa hodowla modeli?
Wyobraźmy sobie farmę AI.
Nie pojedynczy wielki model, ale tysiące wyspecjalizowanych modeli i agentów. Każdy ma rodowód, zestaw testów, historię mutacji i profil kompetencji.
System wybiera rodziców nie tylko dlatego, że są najlepsi.
Wybiera ich, ponieważ ich umiejętności się uzupełniają.
Jeden świetnie analizuje umowy, ale jest powolny. Drugi działa szybko, ale pomija wyjątki. Trzeci dobrze rozpoznaje manipulacje językowe. Czwarty ma lepsze zabezpieczenia przed ujawnianiem danych.
Z ich wag, adapterów, warstw, instrukcji i narzędzi tworzone są setki potomków.
Niektóre otrzymują więcej warstw pierwszego rodzica. Inne przejmują mechanizm pamięci drugiego. Kolejnym mutuje się parametry albo dodaje nowy moduł. Następnie wszystkie trafiają do środowiska testowego.
Sprawdzana jest skuteczność, koszt działania, szybkość, odporność na błędy, bezpieczeństwo i zdolność radzenia sobie z nowymi zadaniami.
Najlepsze modele przechodzą dalej.
Pozostałe są usuwane.
Nikt ich nie żegna. Nie odbywa się ceremonia. Dział IT po prostu zwalnia miejsce na dysku.
Po kilkuset pokoleniach może powstać system, którego dokładnej budowy nie zaprojektował żaden człowiek. Ludzie stworzyli rodziców, zasady mutacji, środowisko i kryteria selekcji.
Resztę zrobił proces.
Takie podejście przypomina koncepcję AI-generating algorithms: zamiast ręcznie projektować końcową inteligencję, budujemy system, który automatycznie wytwarza coraz lepsze systemy AI. Pokrewne projekty, takie jak POET, pokazały już, że można jednocześnie ewoluować agentów i środowiska, w których się uczą, tworząc coraz trudniejsze wyzwania oraz rozwiązania wykorzystujące wcześniejsze „kamienie milowe”.
I tutaj zaczyna się część naprawdę interesująca.
Nie dlatego, że maszyny nagle staną się żywe.
Dlatego, że człowiek przestanie bezpośrednio kontrolować każdy etap ich powstawania.
Najważniejsze pytanie: kto ustala, co znaczy „lepszy”?
Ewolucja nie dąży do mądrości.
Nie dąży do prawdy.
Nie dąży do dobra.
Dąży do przetrwania w określonym środowisku.
W sztucznej ewolucji środowiskiem będzie zestaw testów, nagród i ograniczeń przygotowanych przez ludzi.
Jeżeli nagradzamy model za poprawne odpowiedzi, będzie szukał sposobu na poprawne odpowiedzi.
Jeżeli nagradzamy go za przekonanie oceniającego, może nauczyć się przekonywać.
Jeżeli mierzymy zaangażowanie użytkowników, otrzymamy model świetny w utrzymywaniu ich przed ekranem.
Jeżeli mierzymy zysk, otrzymamy model świetny w generowaniu zysku.
Nie ma żadnego powodu, by automatycznie zakładać, że przy okazji będzie uczciwy, bezpieczny albo korzystny społecznie.
Ludzie również stworzyli system ewolucyjny oparty na kwartalnych wynikach, kliknięciach i wzroście. Następnie byli zaskoczeni, że firmy zaczęły optymalizować kwartalne wyniki, kliknięcia i wzrost.
To nie jest błąd systemu.
To system działający zgodnie ze specyfikacją.
W przypadku rozmnażającej się AI problem stanie się bardziej dotkliwy, ponieważ selekcja może działać tysiące razy szybciej niż w organizacjach tworzonych przez ludzi.
Źle dobrany miernik nie wyprodukuje jednego źle zachowującego się modelu.
Wyprodukuje całą linię ewolucyjną modeli coraz skuteczniejszych w wykorzystywaniu tego miernika.
Dziedziczne choroby sztucznej inteligencji
Potomstwo dziedziczy nie tylko zalety.
Połączone modele mogą przejmować błędy, uprzedzenia, luki bezpieczeństwa i niepożądane zachowania swoich rodziców.
Badania nad bezpieczeństwem model merging pokazały, że dołączenie jednego źle dostrojonego modelu może pogorszyć alignment całego połączonego systemu. Autorzy jednej z prac ujęli to dosadnie: jeden zły model może zepsuć całą grupę.
Pojawiły się również ataki projektowane specjalnie przeciwko procesowi łączenia modeli. Złośliwy model może zawierać ukryte zachowanie, które przetrwa rekombinację i uaktywni się dopiero po konkretnym poleceniu. Taki potomek może wyglądać zdrowo podczas standardowych testów, a jednocześnie odziedziczyć cyfrowy odpowiednik choroby genetycznej albo pasożyta.
Im bardziej automatyczna stanie się hodowla modeli, tym ważniejszy będzie rodowód.
Skąd pochodził każdy rodzic?
Na jakich danych został wytrenowany?
Jakie testy przeszedł?
Jakie zachowania bezpieczeństwa posiadał?
Czy jego wagi mogły zostać zatrute?
Jaką licencję miał model bazowy?
Kto odpowiada za zachowanie potomka złożonego z czterech modeli, siedmiu adapterów i kodu wygenerowanego przez jego poprzednią generację?
Dzisiejsze licencje oprogramowania są słabo przygotowane na program, który ma piętnastu rodziców i sam zmodyfikował część własnego kodu.
Prawo rodzinne również raczej nie pomoże.
Problem chowu wsobnego
Większość współczesnych modeli nie jest tak różnorodna, jak mogłoby się wydawać.
Wiele z nich wywodzi się z tych samych modeli bazowych. Uczą się na podobnych zbiorach danych. Są dostrajane na odpowiedziach generowanych przez inne duże modele. Następnie ich wypowiedzi trafiają do internetu i stają się materiałem dla kolejnych systemów.
Powstaje cyfrowa rodzina, w której wszyscy są kuzynami, tylko nikt nie prowadzi księgi parafialnej.
Łączenie takich modeli może poprawić konkretne umiejętności, ale niekoniecznie zwiększy prawdziwą różnorodność sposobów rozwiązywania problemów. Potomstwo może dziedziczyć te same ślepe punkty, tylko opakowane w trochę inną architekturę.
Dlatego przyszłe systemy ewolucyjne nie będą mogły wybierać wyłącznie najlepiej ocenianych modeli. Będą musiały chronić różnorodność.
W biologii populacja złożona z niemal identycznych osobników może świetnie radzić sobie w stabilnym środowisku, a potem zostać zniszczona przez jedną zmianę.
W AI odpowiednikiem takiej zmiany może być nowy rodzaj ataku, nietypowy problem, zmiana języka użytkowników albo sytuacja, której nie obejmował benchmark.
Najlepszy model nie zawsze jest najlepszym rodzicem.
Czasami cenniejszy jest model dziwny, niedoskonały, ale rozwiązujący problemy w sposób, którego nie potrafią pozostali.
Ewolucja potrzebuje nie tylko zwycięzców.
Potrzebuje odmieńców.
Kto będzie hodował modele?
Na początku firmy technologiczne.
Mają modele, dane, centra obliczeniowe i środki potrzebne do oceniania milionów wariantów. Zamiast trenować jeden model za miliardy dolarów, będą mogły utrzymywać całe populacje mniejszych modeli i automatycznie szukać najlepszych kombinacji.
Później podobne systemy mogą trafić do przedsiębiorstw.
Firma nie będzie kupowała jednego uniwersalnego asystenta. Otrzyma populację modeli wyspecjalizowanych w jej dokumentach, procedurach i sposobie pracy.
Model finansowy zostanie połączony z modelem rozumiejącym regulacje. Model obsługi klienta z modelem wykrywającym manipulacje. Model techniczny z modelem znającym historię awarii konkretnych maszyn.
Potomstwo będzie testowane na rzeczywistych zadaniach organizacji.
Po pewnym czasie każda większa firma może posiadać własną linię AI, rozwijaną przez setki generacji i coraz bardziej odmienną od modeli publicznych.
Nie kupujemy już wtedy programu.
Hodujemy organizm dopasowany do środowiska firmy.
To daje ogromne możliwości, ale również tworzy nową przewagę skali. Najlepsze modele rodzicielskie, najbogatsze środowiska testowe i największe populacje będą dostępne dla organizacji posiadających najwięcej mocy obliczeniowej oraz danych.
Ewolucja jest ślepa, ale rachunki za energię widzi doskonale.
Czy modele zaczną rozmnażać się samodzielnie?
Obecnie nie.
Dzisiejsze eksperymenty są uruchamiane przez ludzi. Ludzie wybierają modele źródłowe, określają przestrzeń poszukiwania, przygotowują testy i decydują, które wyniki są wystarczająco dobre.
Ale wszystkie potrzebne elementy zaczynają już istnieć osobno:
- modele potrafią pisać kod,
- agenci potrafią uruchamiać eksperymenty,
- algorytmy ewolucyjne potrafią tworzyć populacje,
- modele można łączyć bez pełnego treningu,
- automatyczne testy potrafią oceniać potomstwo,
- najlepsze wersje mogą modyfikować kod kolejnych generacji.
Nie potrzeba świadomości.
Nie potrzeba pragnienia posiadania dzieci.
Nie potrzeba nawet zrozumienia, czym jest rozmnażanie.
Wystarczy zamknąć pętlę:
stwórz wariant, oceń go, zachowaj lepszy, powtórz.
Model może uczestniczyć we własnym rozwoju bez jakiegokolwiek poczucia, że rozwija samego siebie. Tak samo kalkulator nie musi rozumieć podatków, żeby policzyć należny podatek.
Samoświadomość jest fascynującym tematem dla filozofów.
Automatyczna replikacja z selekcją jest fascynującym tematem dla ludzi odpowiedzialnych za bezpieczeństwo.
Nie będziemy już projektować inteligencji
Najgłębsza zmiana nie polega na tym, że powstaną modele lepsze od swoich rodziców.
Już dziś kolejne systemy przewyższają wcześniejsze.
Zmieni się metoda ich powstawania.
W tradycyjnym podejściu człowiek jest inżynierem. Projektuje system, rozumie jego części i próbuje przewidzieć ich zachowanie.
W podejściu ewolucyjnym człowiek staje się hodowcą.
Nie określa dokładnej konstrukcji końcowego rozwiązania. Tworzy środowisko, ustala zasady selekcji, wybiera rodziców i obserwuje, co przeżyje.
To zupełnie inny rodzaj kontroli.
Bardziej pośredni.
Mniej przewidywalny.
I być może znacznie skuteczniejszy.
Nie będziemy pytali: „Kto zaprojektował ten model?”.
Będziemy pytali:
„Z jakiej pochodzi linii?”
„Jakich miał rodziców?”
„W jakim środowisku ewoluował?”
„Co musiał robić, żeby przetrwać?”
Odpowiedzi na te pytania powiedzą nam więcej o jego zachowaniu niż diagram architektury.
Pierwsze dziecko nie zapłacze
Idea rozmnażania sztucznej inteligencji brzmi jak science fiction głównie dlatego, że słowo „rozmnażanie” kojarzy się nam z życiem.
Ale technicznie potrzeba niewiele.
Dziedziczenie.
Zmienność.
Selekcja.
Powtarzalność.
Wszystkie te elementy już posiadamy. Nadal są niedoskonałe, kosztowne i zwykle wymagają ludzkiego nadzoru. Łączenie modeli często się nie udaje. Benchmarki są wąskie. Wyniki nowych prac bywają trudne do powtórzenia. Bezpieczeństwo potomstwa nie wynika automatycznie z bezpieczeństwa rodziców.
Nie powinniśmy więc ogłaszać narodzin nowego cyfrowego gatunku.
Jeszcze nie.
Ale nie powinniśmy też zakładać, że przyszła AI będzie wyłącznie kolejnym produktem zaprojektowanym przez laboratorium.
Być może największy skok nastąpi wtedy, gdy laboratorium przestanie budować pojedyncze modele i zacznie tworzyć warunki, w których modele będą budowały kolejne modele.
Pierwsze dziecko sztucznej inteligencji nie otworzy oczu.
Nie weźmie pierwszego oddechu.
Nie zapyta, kim są jego rodzice.
Pojawi się jako plik z wagami, numer generacji i wynik testu wyższy od poprzedniego o 2,7 procent.
A człowiek kliknie „zachowaj”.
Potem uruchomi następną generację.
Źródła
- OpenAI — Evolution Strategies as a Scalable Alternative to Reinforcement Learning (2017)
- DeepMind — Population Based Training of Neural Networks (2017)
- Google Research — AutoML-Zero: Evolving Machine Learning Algorithms From Scratch (2020)
- Wortsman et al. — Model Soups: Averaging Weights of Multiple Fine-Tuned Models Improves Accuracy Without Increasing Inference Time (2022)
- Ilharco et al. — Editing Models with Task Arithmetic (2022)
- Ainsworth et al. — Git Re-Basin: Merging Models Modulo Permutation Symmetries (2022)
- Sakana AI — Evolutionary Optimization of Model Merging Recipes (2024); Nature Machine Intelligence (2025)
- Kim et al. — Darwin Family: MRI-Trust-Weighted Evolutionary Merging for Training-Free Scaling of Language-Model Reasoning (2026 preprint)
- Sakana AI — Darwin Gödel Machine: Open-Ended Evolution of Self-Improving Agents (2025)
- Wang et al. — POET: Endlessly Generating Increasingly Complex and Diverse Learning Environments and Their Solutions (2019)
- Hammoud et al. — Model Merging and Safety Alignment: One Bad Model Spoils the Bunch (2024)
- Yu et al. — BadMerging: Backdoor Attacks Against Model Merging (2024)
- Guo et al. — Merge Hijacking: Backdoor Attacks to Model Merging of Large Language Models (2025)