Wizja sztucznej inteligencji, która sama pisze swoje aktualizacje, przestała być domeną zakurzonych powieści science-fiction i wylądowała wprost w repozytoriach na GitHubie. Choć o samouczących się agentach mówiło się od lat, nowa fala projektów open-source zmienia ten teoretyczny koncept w namacalną – i być może nieco niepokojącą – rzeczywistość. Na czele peletonu idą MetaClaw, framework pozwalający agentom wyciągać wnioski z porażek, oraz AutoResearch – minimalistyczne narzędzie od samej legendy branży, Andreja Karpathy’ego, które wrzuca rozwój systemów LLM na autopilota.
MetaClaw, opracowany przez AIMING Lab na UNC-Chapel Hill, uczy się bezpośrednio „na żywym organizmie” – podczas rozmów z użytkownikami. Zamiast czekać na gigantyczne sesje treningowe offline, system analizuje nieudane interakcje i za pomocą modelu LLM automatycznie generuje nowe „umiejętności”, by nie wejść dwa razy do tej samej rzeki. W skrócie: agent ewoluuje, ucząc się na własnych błędach. To cecha, której wielu z nas wciąż nie doczekało się u swoich znajomych, a co dopiero w aktualizacjach oprogramowania. Całość projektu można prześledzić w repozytorium: MetaClaw GitHub repository.
Oliwy do ognia dolewa Andrej Karpathy, były szef AI w Tesli i współzałożyciel OpenAI. Wypuścił on właśnie AutoResearch – genialnie prosty framework, który pozwala agentowi AI na autonomiczne prowadzenie eksperymentów z zakresu machine learningu. Agent modyfikuje kod treningowy, przeprowadza szybki, pięciominutowy test, ocenia wyniki i decyduje, czy zachować zmianę, czy wyrzucić ją do kosza przed kolejną rundą. Jak ironicznie stwierdził Karpathy, era „mięsnych komputerów” zajmujących się badaniami nad AI powoli dobiega końca. Projekt jest dostępny pod linkiem: AutoResearch GitHub repository.
Sam pomysł nie jest zupełnie nowy – deweloperzy tacy jak Máté Benyovszky wspominali o pracach nad „drugą generacją” samouczących się agentów już w lutym 2026 roku. Jednak pojawienie się solidnych, otwartych frameworków to prawdziwy punkt zwrotny dla całej branży.
Dlaczego to takie ważne?
Statyczne modele AI, które stają się przestarzałe w momencie ich wdrożenia, to obecnie największe wąskie gardło technologii. Samouczące się agenty to fundamentalna zmiana paradygmatu: zamiast wypuszczać gotowy produkt, dostajemy system, który potrafi się adaptować i ulepszać w świecie rzeczywistym. W robotyce konsekwencje są wręcz oszałamiające. Zamiast żmudnego programowania każdego ruchu i wyjątku, robot mógłby sam uczyć się nowych zdolności manualnych po każdej nieudanej próbie. To właśnie ta subtelna różnica między zwykłym urządzeniem a prawdziwie autonomicznym systemem. Wygląda na to, że narzędzia do budowy tej przyszłości właśnie trafiły w nasze ręce.
