Математика самоусиления: что такое R_AI
В статье, опубликованной на arXiv 31 августа 2026 года, автор предлагает формализовать процесс разработки ИИ через призму эпидемиологических моделей. Ключевым открытием является вывод репродуктивного числа R_AI (Recursive Reproduction Number). Этот параметр определяет судьбу развития системы: если R_AI > 1, улучшения накапливаются и усиливаются в каждом цикле разработки, запуская режим самоусиления. Если R_AI < 1, эффект от улучшений затухает, и прогресс замедляется.
Парадокс ускорения без экспоненты
Исследование подчеркивает критическое различие между простым ускорением прогресса и переходом в режим самоусиления. Система может входить в фазу R_AI > 1 задолго до того, как станет заметным визуальное ускорение производительности. Напротив, быстрый прогресс может наблюдаться и при R_AI < 1, если базовая продуктивность исследований высока. Однако именно длительность цикла разработки становится лимитирующим фактором для экспоненциального роста.
Факторы, тормозящие и ускоряющие рост
Авторы моделируют зависимость скорости роста от трех переменных: базовой продуктивности, силы обратной связи и растущей сложности задач. Увеличение сложности исследований (research difficulty) способно прервать период самоусиления, даже если система уже находилась в режиме R_AI > 1. Ниже приведена структура влияния параметров на динамику системы:
| Параметр | Влияние на R_AI | Практическое следствие |
|---|---|---|
| Базовая продуктивность | Не меняет порог R_AI | Ускоряет прогресс, но не меняет режим (экспонента или линейность) |
| Сложность исследований | Снижает R_AI | Может остановить самоусиление, сделав дальнейший прогресс труднее |
| Длительность цикла | Критический масштаб времени | Определяет, успеет ли эффект накопиться до следующего цикла |
Эффект синергии между организациями
Расширение модели на множество акторов показывает, что экосистема ИИ-исследований может стать самоусиливающейся даже в том случае, если ни одна отдельная организация не достигает порога R_AI > 1. Это происходит за счет распространения улучшений между компаниями. Таким образом, открытость данных и совместная работа могут компенсировать внутренние ограничения отдельных лабораторий, создавая глобальный эффект экспоненциального роста.
Практическое применение метрики
Предложенный фреймворк позволяет измерять свойства R&D-систем, чтобы отличать истинное рекурсивное усиление от прогресса, вызванного другими факторами (например, притоком данных или вычислительных ресурсов). Ключевые измеряемые свойства включают силу обратной связи, эффективность передачи улучшений в следующие поколения моделей и темп роста сложности задач. Код для воспроизведения результатов доступен в репозитории автора.
Источник: arXiv cs.AI ↗