Sakana AI, das in Tokio ansässige KI-Startup, hat ein eigenständiges Forschungslabor gegründet, das sich ausschließlich auf rekursive Selbstverbesserung (RSI) spezialisiert. Beim RSI-Ansatz optimiert ein KI-System iterativ seine eigenen Algorithmen, Architekturen oder Trainingsverfahren, ohne dass Menschen jeden Schritt direkt vorgeben. Mitgründer Llion Jones, einer der Co-Autoren des wegweisenden „Attention Is All You Need"-Papers von 2017, sieht darin eine realistische Alternative zum Wettrüsten um immer größere Rechenkapazitäten, das derzeit vor allem von OpenAI, Google und Meta dominiert wird. Die Idee: Statt schlechthin mehr GPUs einzusetzen, soll ein Modell durch eigenständige Verbesserungsschleifen effizienter werden, ohne proportional mehr Compute zu benötigen. Für kleinere Labs und Entwickler, die nicht mit den Miliardenbudgets der US-Frontrunner mithalten können, wäre ein funktionierendes RSI-System potenziell ein Leveler. Parallel dazu hat Anthropic in einer eigenen Veröffentlichung vor den Kontrollrisiken selbstverbessernder KI-Systeme gewarnt: Wenn ein Modell seine eigenen Ziele oder Gewichte modifiziert, wird die Nachvollziehbarkeit und das Alignment schwieriger sicherzustellen. Diese Gleichzeitigkeit von ambitionierter Forschung und expliziter Sicherheitswarnung illustriert den Grundkonflikt, vor dem die KI-Branche bei RSI steht.