Lumea inteligenței artificiale (AI) cunoaște o transformare, iar termenul care pare să câștige tot mai mult teren este „buclă”. Boris Cherny, creatorul Claude Code, a ridicat această întrebare în cadrul conferinței @Scale a Meta: „Sunt buclele următorul ciclu de hype sau sunt reale?”. Răspunsul său a fost un categoric „Da, sunt reale”.
„Acum doi ani, scriam cod sursă manual. Am început să facem tranziția astfel încât agenții să scrie codul. Și acum ne îndreptăm spre punctul în care agenții dau instrucțiuni altor agenți, care apoi scriu codul”, a explicat Cherny. „Pe cât de mare a fost pasul de la codul sursă la agenți, pe atât de importante și de mari sunt și buclele.”
Cherny a detaliat modul în care buclele funcționează în munca sa. Un agent caută continuu modalități de a îmbunătăți arhitectura codului, în timp ce altul identifică abstracțiile duplicate ce pot fi unificate. Aceștia trimit cereri de pull (pull requests) ca orice alt programator, iar din cauza modificărilor constante ale codului, procesul nu se oprește niciodată. Este o idee puternică, susținută de o figură influentă precum Cherny.
În contextul tranziției către AI agentic, majoritatea utilizatorilor s-au concentrat pe gestionarea agenților: stabilirea unor obiective clare, verificarea progresului pe etape discrete și asigurarea că aceștia nu deviază prea mult de la instrucțiuni. Conceptul de buclă duce acest proces un pas mai departe, permițând unui roi de agenți să lucreze continuu în fundal, fără oprire. Aceasta implică un grad ridicat de încredere în AI, dar, pe măsură ce modelele evoluează rapid, ar putea fi următorul pas în delegarea muncii reale către inteligența artificială.
Este important de recunoscut că acest concept nu este complet nou. Buclele recursive – funcții care se auto-apelează pentru a repeta o acțiune, împreună cu o condiție de oprire – sunt o componentă de bază în cursurile de introducere în informatică. Aceste bucle respectă o logică non-deterministică, unde un sub-agent decide când să oprească bucla, spre deosebire de o condiție clar definită. Cu toate acestea, principiul de bază este similar. Odată ce programatorii au început să folosească AI pentru a îndeplini sarcini, apariția unei forme de buclă recursivă, cu AI supraveghind AI, era inevitabilă.
Spre deosebire de calculul clasic, buclele agentice pot fi surprinzător de simple. Una dintre cele mai populare tehnici este „Ralph Loop” (numită după personajul Ralph Wiggum), care practic sumarizează toată munca efectuată de model și întreabă dacă și-a atins scopul. Este o modalitate de a gestiona situația în care modelele AI se pierd pe parcursul execuției prelungite, trimițând practic modelul înainte și înapoi până la finalizarea sarcinii.
O altă perspectivă asupra buclelor este considerarea lor ca parte a efortului general pentru mai multă putere de calcul la momentul testării. Așa cum a observat cercetătorul OpenAI Noam Brown, modelele contemporane pot rezolva aproape orice problemă dacă le este alocată suficientă putere de calcul. Aceasta înseamnă că o modalitate de a asigura rezolvarea unei probleme este să continui să aloci resurse de calcul până când aceasta este finalizată. Acest lucru este valabil în special pentru problemele de tip „hill-climbing”, cum ar fi îmbunătățirea unei baze de cod, unde modelul poate continua să facă îmbunătățiri incrementale până la atingerea unui anumit prag. Sau, ca în exemplul lui Cherny, poate continua să facă îmbunătățiri pe cât timp există resurse de calcul disponibile.
Dacă acest scenariu sună costisitor, așa și este. Similar cu AI-ul agentic, buclele AI consumă tokeni mult mai repede decât chatbot-urile simple de tip întrebare-răspuns. Și, deoarece scopul este ca bucla să ruleze constant, nu există o limită superioară a cheltuielilor. Acest lucru este avantajos pentru companii precum Anthropic, care se bazează pe vânzarea de tokeni, dar pentru restul, ar putea fi o metodă costisitoare de lucru. Cu toate acestea, în funcție de problema pe care bucla agentică încearcă să o rezolve și de configurarea corectă care permite supravegherea cheltuielilor cu tokenii, a deviației și a altor probleme clasice ale AI, beneficiile ar putea fi suficient de uluitoare pentru a depăși costurile.