Dlouholetý sen o umělé inteligenci, která si sama píše upgrady, se definitivně přesunul z poliček sci-fi literatury přímo do repozitářů na GitHubu. I když se o samo-se-vyvíjejících agentech mluví už nějaký ten pátek, nová vlna open-source projektů mění tuhle vizi v praktickou, byť trochu znepokojivou realitu. V čele pelotonu stojí MetaClaw, framework pro agenty, kteří si sami vytvářejí dovednosti na základě vlastních chyb, a AutoResearch, minimalistický nástroj od AI vizionáře Andreje Karpathyho, který posílá vývoj velkých jazykových modelů (LLM) na autopilota.
MetaClaw, za kterým stojí AIMING Lab z univerzity UNC-Chapel Hill, je navržen tak, aby se učil přímo z interakcí s uživateli v reálném čase. Místo aby čekal na zdlouhavé offline přetrénování, MetaClaw analyzuje nepovedené konverzace a pomocí LLM automaticky generuje nové „dovednosti“, díky kterým se stejná chyba už nebude opakovat. Systém v podstatě umožňuje agentovi růst skrze vlastní omyly – vlastnost, na kterou mnoho z nás u softwarových aktualizací stále marně čeká. Celý projekt je podrobně popsán v Hyperlink: MetaClaw GitHub repository.
Do ohně přilil olej Andrej Karpathy, bývalý šéf AI v Tesle a jeden ze zakládajících členů OpenAI. Nedávno uvolnil jako open-source AutoResearch, geniálně jednoduchý framework, který umožňuje AI agentovi samostatně provádět experimenty v oblasti strojového učení. Agent si sám upraví tréninkový kód, spustí pětiminutový test, vyhodnotí výsledky a rozhodne, zda si změnu ponechá, nebo ji zahodí, než se pustí do dalšího kola. Jak Karpathy suše poznamenal, éra „masových počítačů“ (tedy nás lidí) při AI výzkumu možná pomalu končí. Projekt je dostupný na Hyperlink: AutoResearch GitHub repository.
Tato myšlenka není úplně nová; vývojáři jako Máté Benyovszky už v únoru 2026 upozorňovali na svou práci na „druhé generaci“ samo-se-vyvíjejících agentů. Příchod robustních open-source frameworků však naznačuje zásadní zlom.
Proč na tom záleží?
Statické modely AI, které zastarají vteřinu poté, co je nasadíte do provozu, představují obrovskou brzdu. Samo-se-vyvíjející agenti představují fundamentální posun: od nasazování hotového produktu k vypouštění systému, který se dokáže neustále adaptovat a zlepšovat přímo v terénu. Pro robotiku jsou důsledky naprosto zásadní. Místo zdlouhavého programování každého možného pohybu a výjimky by se robot mohl naučit novou fyzickou dovednost sám poté, co v úkolu selže. Tohle je ten propastný rozdíl mezi „chytrým spotřebičem“ a skutečně autonomním systémem. A vypadá to, že nástroje pro stavbu této budoucnosti jsou konečně tady.
