Meta hyperagenter: Når kunstig intelligens begynner å forbedre seg selv

De fleste av dagens modeller for kunstig intelligens er statiske etter at de er ferdig trent. Når en modell først er lansert, endrer den ikke måten den lærer eller løser oppgaver på. Meta har nylig presentert et konsept de kaller hyperagenter, som bryter med dette mønsteret. Dette er systemer som ikke bare løser oppgaver, men som også har evnen til å skrive om sin egen kode for å bli mer effektive over tid.

Todelt struktur

Kjernen i teknologien er en todelt struktur. På det ene nivået finnes en agent som utfører selve jobben, for eksempel å skrive kode eller løse et matematisk problem. Over denne sitter en kontrollagent som overvåker prosessen.

Det spesielle med hyperagenter er at denne kontrollagenten kan endre både den utøvende agenten og seg selv. Dette skaper en sirkulær prosess der systemet hele tiden leter etter bedre måter å lære på.

Inspirasjon fra Darwin-Gödel-maskiner

Denne tilnærmingen bygger på ideer fra Darwin-Gödel-maskiner. Navnet henviser til kombinasjonen av evolusjonær utvikling og logiske systemer som kan referere til seg selv. Tidligere har slike metoder stort sett vært begrenset til programmering, men Metas forskere viser nå at prinsippet kan overføres til nesten alle typer digitale oppgaver.

Ved å la systemet utvikle egne verktøy som hukommelse og resultatoppfølging, ser man at ytelsen øker jevnt uten behov for menneskelig inngripen.

Et skifte i utviklingen

Dette markerer et skifte i hvordan vi utvikler kunstig intelligens. I stedet for at ingeniører manuelt må finjustere hver eneste algoritme, lager man rammeverk som selv finner ut hvordan de skal bli bedre.

Hyperagenter handler derfor mindre om å finne det rette svaret på en spesifikk oppgave, og mer om å perfeksjonere selve metoden for problemløsning. Resultatet er systemer som blir mer autonome og som akkumulerer kunnskap om sin egen læringsprosess for hver oppgave de møter.

Begreper og forklaringer