AI, která navrhuje lepší AI: autonomní systém překonal lidské inženýry ve třech klíčových oblastech
Výzkumníci představili framework ASI-EVOLVE, který sám bez lidského zásahu optimalizuje tréninková data, architektury modelů i algoritmy učení — a ve všech třech oblastech překonal výsledky lidských odborníků. Jde o zlom, který může zásadně změnit rychlost a cenu vývoje AI systémů.
Představte si inženýrský tým, který pracuje nonstop, nezapomíná žádný experiment, nenechá se unést intuicí a systematicky zapisuje každé zjištění do sdílené paměti. Přesně takový systém popisují výzkumníci z laboratoře SII-GAIR (Generative Artificial Intelligence Research Lab) ve své práci zveřejněné 28. dubna 2026. Framework s názvem ASI-EVOLVE není jen dalším nástrojem pro automatizaci — jde o systém, který se sám učí navrhovat lepší AI.
Výsledky jsou pozoruhodné: ve všech třech testovaných oblastech — kvalita tréninkových dat, architektura neuronových sítí a algoritmy pro zpětnovazebné učení — překonal lidsky navržené výchozí hodnoty. A to bez jediného zásahu lidského inženýra po spuštění.
Proč je AI výzkum dnes tak pomalý a drahý
Vývoj AI modelů stojí na cyklu hypothesis → experiment → analýza. Každý krok vyžaduje desítky až stovky hodin práce GPU a neustálý lidský dohled. Inženýři mohou prozkoumávat jen zlomek možného prostoru — jak v oblasti datové kvality, tak v designu architektur nebo optimalizačních algoritmech. Znalosti z jednoho projektu navíc zůstávají v hlavách jednotlivců a jen těžko se přenášejí na další tým nebo projekt.
Právě tento bottleneck se ASI-EVOLVE snaží prolomit. Framework funguje na principu nepřetržité smyčky: učí se z existující literatury a předchozích experimentů, generuje nové hypotézy, spouští experimenty, analyzuje výsledky a vše ukládá zpět do své znalostní základny — takzvaného Cognition Base. Každá iterace tak staví na všech předchozích, místo aby znalosti zanikaly.
Tři oblasti, ve kterých AI překonala lidi
Výzkumníci testovali ASI-EVOLVE ve třech konkrétních scénářích, které přímo odpovídají tomu, s čím se enterprise AI týmy denně potýkají:
• Čištění tréninkových dat: Systém analyzoval masivní pretraining korpusy, identifikoval HTML artefakty, formátovací chyby a automaticky generovaný obsah. Modely natrénované na AI-kurátorovaných datech dosáhly průměrně o 4 body vyššího skóre oproti modelům na surových datech. Na benchmarku MMLU (pokrývající STEM, humanitní obory a společenské vědy) byl nárůst 18 bodů.
• Návrh architektur neuronových sítí: V průběhu 1 773 autonomních explorativních kol systém vygeneroval 105 nových lineárních attention architektur, které překonaly DeltaNet — vysoce efektivní model navržený lidskými výzkumníky. Systém přitom sám vyvinul mechanismy pro dynamické přizpůsobení výpočetního výkonu podle obsahu vstupu.
• Algoritmy pro zpětnovazebné učení: ASI-EVOLVE navrhl nové optimalizační mechanismy, které překonaly konkurenční baseline GRPO na komplexních matematických benchmarcích AMC32 a AIME24. Jeden ze systémem vynalezených algoritmů obsahoval mechanismus tzv. Budget Control — přístup, který lidé dříve neidentifikovali jako slibnou cestu.
Jak systém přemýšlí: od hypotézy k závěru
Klíčem k úspěchu ASI-EVOLVE je způsob, jakým zachází se znalostmi. Standardní automatizační nástroje pracují s pevně danými pravidly. ASI-EVOLVE naopak evolvuje kognitivní schopnost samotnou — nashromážděné poznatky z každého experimentu jsou uloženy ve strukturované formě a aktivně ovlivňují, kam systém zaměří svoji pozornost při dalším průzkumu.
Systém se skládá z několika specializovaných komponent: Researcher generuje hypotézy na základě existující znalostní báze, Engineer spouští experimenty s efektivními filtry (aby nepálil GPU hodiny na nekvalitní kandidáty), Analyzer vyhodnocuje výsledky a distiluje je do srozumitelných poznatků, a Database vše uchovává jako trvalou sdílenou paměť. Výsledkem je, že systém systematicky compounduje znalosti — každý experiment je cennější než předchozí.
Zatímco předchozí frameworky evolují kandidátní řešení, ASI-EVOLVE evoluje kognitivní schopnost samotnou. Nashromážděné zkušenosti a distilované poznatky jsou průběžně ukládány a vyhledávány, aby informovaly budoucí průzkum — systém tak roste nejen v kvalitě svých řešení, ale ve své schopnosti uvažovat o tom, kde hledat dál.
Co to znamená pro vaši firmu
Praktické důsledky jsou pro firmy pracující s AI vývojem zásadní. Pokud dnes vaši inženýři tráví většinu času opakovaným testováním variant — různých datových pipeline, hyperparametrů nebo architekturních voleb — framework jako ASI-EVOLVE představuje potenciální radikální zrychlení. Namísto průzkumu jednoho experimentu týdně může systém provést stovky iterací a do sdílené paměti uložit každé zjištění.
Výzkum je zatím ve fázi preprint a akademický tým jej nekomercializoval. Ale pro technologické ředitele a AI lead inženýry je to jasný signál: automatizace AI výzkumu přichází a je rychlejší, než mnozí čekali. Firmy, které si dnes budují interní znalostní bázi ze svých experimentů — i těch neúspěšných — budou mít výhodu. Přesně taková data jsou palivem pro systémy jako ASI-EVOLVE.
Zároveň jde o varování pro konzervativní přístupy k AI rozvoji. Pokud je dnes úzkým hrdlem vašeho AI týmu manuální iterace experimentů, možnost autonomního průzkumu může váš proces zásadně proměnit — ale jen tehdy, pokud máte data, infrastrukturu a procesní zralost, abyste takový systém nasadili. Ti, kdo dnes investují do dobré datové hygieny a systematického logování experimentů, budou moci autonomní AI výzkum využít jako první.