Рекурсивное самосовершенствование (recursive self-improvement, RSI) позиционируется как следующая важная веха в развитии искусственного интеллекта. Если оно когда-либо будет достигнуто, его влияние будет ощущаться во всей индустрии центров обработки данных и далеко за её пределами, считают опрошенные порталом Data Center Knowledge эксперты.

RSI описывает системы ИИ, которые могут проектировать, кодировать и развертывать своих преемников с минимальным участием человека. В случае его достижения улучшения могут быстро накапливаться, поскольку более интеллектуальные модели порождают ещё более интеллектуальные поколения — потенциально ускоряясь за пределы человеческого понимания и, что вызывает беспокойство, контроля. Для операторов дата-центров RSI будет иметь последствия в плане электропитания, охлаждения, оркестрации, управления и сертификации.

Что такое RSI и куда оно движется

Хотя RSI имеет расплывчатое определение, как и общий искусственный интеллект (AGI), есть признаки того, что оно приближается к реальности. Достижение RSI зависит от быстрого прогресса в кодировании с помощью ИИ, который, по словам лабораторий, уже наблюдается. Например, компания Anthropic, занимающаяся разработкой передовых моделей ИИ, в своем отчете под названием «When AI Builds Itself» утверждает, что ее модель Claude теперь сама пишет значительную часть своего кода: «По состоянию на май 2026 г. более 80% кода, который мы объединяем с кодовой базой Anthropic, был написан Claude. До запуска Claude Code в режиме предварительного тестирования в феврале 2025 г. эта цифра составляла несколько процентов». Если такая поддержка сохранится, это станет шагом к созданию систем, способных к самосовершенствованию.

Что касается аппаратной части, то такие прорывы, как квантовые вычисления, могут катализировать кардинальные изменения в RSI или AGI. «В мире рекурсивного ИИ это, по сути, задача оптимизации. Какой ИИ является лучшим? Какая нейронная сеть для моделей ИИ станет лучшей в будущем? Квантовые вычисления могут помочь в этом, — говорит Джей Гилмарт, ведущий менеджер по продуктам компании Q-CTRL. — Существует алгоритм, называемый алгоритмом Гровера, который очень хорошо справляется с поиском в пространствах с большим количеством параметров. Он может поддерживать рекурсивные операции, чтобы помочь системе работать лучше и быстрее выбирать наилучший вариант».

Если ИИ сможет на постоянной основе создавать улучшенные версии самого себя, последствия для физической инфраструктуры будут немедленны. Что это означает для жизненных циклов ИТ-оборудования, энергопотребления, управления рабочими нагрузками и того, как мы проектируем и эксплуатируем дата-центры?

«Сама по себе основная концепция самосовершенствующихся систем не нова, — говорит Джон О’Брайен, старший аналитик Uptime Institute. — Сейчас ситуация отличается тем, что... достижения в моделях и инфраструктуре ИИ позволяют предположить, что мы достигли точки, когда некоторые из этих теоретических рассуждений становятся технически осуществимыми — или скоро станут таковыми».

Практический подход к RSI отличает системы, которые действительно создают и развертывают новый код, от тех, которые постоянно самооптимизируются, не переписывая себя. Последние уже появляются в дата-центрах, часто с использованием обучения с подкреплением (RL). «Успешные приложения ИИ в центрах обработки данных сегодня часто применяют RL, хорошо зарекомендовавшую себя технику машинного обучения, которая использует штрафы и вознаграждения на основе обратной связи от окружающей среды, — говорит О’Брайен. — Это может хорошо работать в замкнутых системах, где параметры определены, например, охлаждение дата-центра, ИТ и электропитание».

Системы, способные к самосовершенствованию на месте, уже появляются. «Стартапы Emerald AI и Phaidra совершают прорывы в ранних пилотных проектах и ​​демонстрациях, показывая потенциал динамических самосовершенствующихся систем», — добавляет О’Брайен.

Автономные улучшения, особенно в энергопотреблении, являются целью новой волны программных платформ для управления дата-центрами, соглашается старший аналитик 451 Research Зои Рот. «Такие игроки, как Phaidra, etalytics и Vigilent, уже доказывают, что ИИ с замкнутым контуром может непрерывно оптимизировать физические параметры объекта в режиме реального времени, — говорит она. — Современные ИИ-механизмы, такие как Phaidra, выступают в качестве автономных уровней управления поверх существующих систем охлаждения (системы управления зданием, BMS) и электропитания (системы управления электропитанием, EPMS). Они не переписывают собственный код, но переобучают и обновляют нейронные сети на основе телеметрии датчиков реального времени».

Влияние на центры обработки данных

Для операторов ЦОДов самооптимизация обещает ощутимые преимущества в мониторинге и техническом обслуживании. «Сегодня для технического обслуживания на основе состояния требуется значительный исторический набор данных, прежде чем можно будет с уверенностью определить риск возникновения неисправностей, — говорит Алекс Кордовил, директор по исследованиям Dell’Oro. — Система, которая улучшает свой собственный опыт работы, может обеспечить это гораздо быстрее и эффективнее, с реальным увеличением времени безотказной работы и производительности».

Но это поднимает сложный вопрос: как сертифицировать ПО, которое постоянно меняется? «Я не понимаю, как сертифицировать программный пакет или агент ИИ, который признан способным выполнять обязанности по управлению дата-центром и который вы должны контролировать», — говорит Кордовил. На практике это может потребовать постоянного повторного утверждения моделей или непрерывного мониторинга и контроля отката, при котором в процесс вовлечены люди, что снижает некоторые преимущества в плане эффективности.

Самосовершенствующийся ИИ, переключающийся между обучением и инференсом, может также усугубить и без того значительные колебания энергопотребления в дата-центрах, обслуживающих ИИ-нагрузки. «Постоянное синхронное обучение совершенно не похоже на инференс: большие парки устройств синхронно колеблются между почти холостым и почти пиковым режимами, потребляя от десятков до сотен мегаватт с частотой в доли герца», — отмечает Кордовил. — Постоянным требованием при проектировании станет парк, который одновременно занимается обучением и инференсом, а не проблема кластеров для обучения«.

Стратегические перспективы и влияние на отрасль

Помимо краткосрочных проектных решений, RSI может изменить динамику отрасли. «Системы, которые могут программировать и проектировать своих преемников, будут иметь огромные последствия для тех, кто проектирует, строит и производит инфраструктуру дата-центров, — считает О’Брайен. — Захотят ли они автоматизировать половину своей рабочей силы? Как это повлияет на их бизнес?»

Пока что концепция RSI остается на начальной стадии развития. Но если она когда-нибудь будет реализована, последствия — как положительные, так и отрицательные — выйдут далеко за рамки самих моделей, изменив весь стек ИИ и оказав влияние на общество. Один из правдоподобных сценариев предполагает, что ИИ не только будет создавать более мощных преемников, но и проектировать и даже изготавливать дата-центры, которые будут их размещать. В этом случае самооптимизирующиеся и самовоспроизводящиеся центры обработки данных для ИИ столкнутся с трудностями в регулировании, сертификации, обеспечении безопасности и общественном признании. Расширение ИИ уже сейчас кажется слишком быстрым для многих сообществ; RSI может еще больше ускорить этот процесс.