Google optimiert KI ohne Neutrainierung durch Replays

Google DeepMind in Zusammenarbeit mit der University of Maryland und der University of Virginia hat kürzlich das Framework Dream-RSI vorgestellt. Das System verfolgt den Ansatz der rekursiven Selbstverbesserung, ohne dabei die zugrunde liegenden Modellgewichte anzupassen oder das Basismodell neu zu trainieren. Stattdessen konzentriert sich die Architektur auf die Optimierung der darüberliegenden Erkundungsstrategie. Während traditionelle KI-Fortschritte oft auf größere Parameterzahlen und mehr Trainingsdaten setzen, demonstriert Dream-RSI, dass ein unverändertes Modell durch effizientere Methodik signifikant leistungsfähiger werden kann. Der Kern des Ansatzes liegt in der Transformation von Forschungsprozessen in wiederkehrbare Simulationen. Bei der Lösung komplexer Aufgaben in Bereichen wie Algorithmenentwicklung oder Mathematik erstellt die KI typischerweise einen weit verzweigten Suchbaum, der erfolgreiche und gescheiterte Versuchsanordnungen dokumentiert. Bisher wurden diese historischen Verläufe entweder in kompakte Textzusammenfassungen überführt oder für Feintuning verwendet. Dream-RSI eliminiert diesen Informationsverlust, indem es den vollständigen Suchverlauf als Replay-Simulator nutzbar macht. Das System kann nun in simulierten Phasen auf bereits durchlaufene Szenarien zurückgreifen, alternative Entscheidungswege rechnerisch durchspielen und die optimalen Erkundungsstrategien identifizieren, ohne erneute kostspielige Agentenaufrufe oder Codeausführungen zu benötigen. Nach der Analyse im simulierten Kontext wird die gewonnene Strategie in der realen Umgebung getestet, was wiederum neue Erfahrungswerte generiert. Dieser geschlossene Kreislauf ermöglicht eine kontinuierliche Selbstoptimierung der Suchmethodik. In Benchmarks zur Lasso-Regularisierung, Sum-Difference-Optimierung und GPU-Kernel-Beschleunigung übertraf das System etablierte Baselines wie SimpleTES und Standardbibliotheken. Dabei wurden die Anzahl der erforderlichen Agentenaufrufe um bis zu den Faktor 162 reduziert, während der Gesamtrechenbedarf in mathematischen Tests um mehr als 50 Prozent sank. Ein zentrales Forschungsergebnis zeigt zudem, dass die manuelle Zusammenfassung von Erfahrungswerten in natürlicher Sprache die Performance sogar verschlechtern kann. Durch das Speichern vollständiger Handlungsverläufe bleibt das System in der Lage, kontrfaktische Szenarien zu evaluieren und frühere Fehlschläge als Grundlage für neue Strategien zu nutzen. Dies deutet auf einen Paradigmenwechsel in der KI-Entwicklung hin: Der entscheidende Wettbewerbsvorteil zukünftiger Agenten liegt weniger in der schieren Modellgröße als in der Fähigkeit, operative Erfahrungen als wiederverwendbare Infrastruktur zu archivieren und strategisch abzurufen. Da das System lediglich auf vergangene reale Daten zurückgreifen kann, erfordert die kontinuierliche Erweiterung des Wissensschatzes weiterhin periodische Interaktionen mit der physischen oder digitalen Realität. Dream-RSI markiert damit einen praktikablen Schritt hin zu ressourceneffizienter, selbstverbessernder KI, die auf bewährten Mustern aufbaut, statt stets von vorn zu beginnen.