Андрей Карпаты представил AutoResearch: платформу для автономного проведения научных экспериментов и самосовершенствования ИИ

Андрей Карпаты, стоявший у истоков OpenAI и ранее возглавлявший ИИ-департамент Tesla, представил на GitHub проект AutoResearch. Это компактный open-source инструмент под лицензией MIT, содержащий всего 630 строк кода, который берет на себя полную автоматизацию научного цикла в сфере машинного обучения.

В основе AutoResearch лежит принцип автономной оптимизации. ИИ-агент анализирует предоставленный скрипт обучения и, действуя в рамках заданных вычислительных мощностей, самостоятельно генерирует гипотезы — от корректировки глубины нейросети до подбора гиперпараметров. Система вносит правки в код, запускает тесты и фиксирует результаты: если нововведение улучшает метрики, оно сохраняется, в противном случае происходит откат к предыдущей версии.

Иллюстрация: Sora

Эффективность подхода подтверждается цифрами: за одну ночь агент провел 126 итераций, снизив показатель loss с 0,9979 до 0,9697. За 48 часов непрерывной работы было выполнено около 700 правок, 20 из которых оказались настолько удачными, что их перенесли на архитектуры большего масштаба. Итогом стало сокращение времени обучения до уровня GPT-2 на 11%.

Разработка моментально стала резонансной, собрав свыше 8,6 млн просмотров всего за двое суток. В экспериментальной среде Hyperspace группа из 35 агентов за одну ночь реализовала 333 теста, обмениваясь находками через протокол GossipSub. Так, обнаруженная одним участником стратегия инициализации весов, снизившая ошибку на 21%, была мгновенно интегрирована остальными узлами сети.

Сфера применения AutoResearch не ограничивается нейросетями. В маркетинговых исследованиях подобные инструменты способны проводить десятки тысяч A/B-тестов ежегодно вместо стандартных 30–50, формируя детализированную карту наиболее эффективных сценариев взаимодействия с пользователями.

В экспертном сообществе ведутся дискуссии о рисках переобучения под конкретные выборки и возможной утрате универсальности моделей. Тем не менее, Карпаты убежден в правильности выбранного вектора: «Мы занимаемся оптимизацией результатов за счет вычислений, и полученные показатели — это осязаемый и важный прогресс».

Источник: iXBT