Андрей Карпатый обучил ИИ‑агентов выполнять сотни экспериментов в ночное время, когда люди отдыхают

Андрей Карпатый (Andrej Karpathy) открывает новый подход к автоисследованиям

Бывший руководитель ИИ‑проектов Tesla и соучредитель OpenAI Андрей Карпатый объявил о запуске простого, но мощного проекта с открытым исходным кодом. Скрипт состоит всего из 630 строк и размещён на GitHub. Он не претендует на статус готовой модели или крупного корпоративного продукта; цель – показать, как ИИ‑агенты могут полностью автоматизировать научный метод без вмешательства человека.

> «Наша задача — построить агентов, которые бесконечно быстро продвигаются в исследованиях, даже ночью» – написал Карпатый в X. Сообщение сразу стало вирусным и собрало более 8,6 млн просмотров за два дня.

Как работает система

1. Инициализация
Агент получает обучающий скрипт и фиксированный вычислительный бюджет (обычно 5 минут на GPU).

2. Самоанализ кода
Считывает собственный исходный код, формулирует гипотезу улучшения (например, изменение скорости обучения или глубины модели).

3. Модификация и запуск эксперимента
Вносит изменения, запускает эксперимент и оценивает результаты.

4. Проверка эффективности
Если метрика *val_bpb* (потери на байт при валидации) улучшается, изменение сохраняется; иначе откатывается и генерируется новая гипотеза.

В течение одной ночи агент выполнил 126 экспериментов, снизив потери с 0,9979 до 0,9697. После двухдневной настройки он обработал около 700 автономных изменений, обнаружив ~20 добавочных улучшений, которые успешно перенесли на более крупные модели.

Карпатый отметил: «Смотреть, как агент полностью управляет процессом от начала до конца, невероятно. Он нашёл ошибки в масштабировании внимания и регуляризации, которые я упускал за 20 лет работы».

Что говорят эксперты

Автоматизация научного метода считается фундаментальным сдвигом в развитии ИИ. Превратив машинное обучение в «эволюционный процесс» со скоростью кремния, Карпатый открыл новые горизонты для исследований не только в IT, но и в маркетинге, здравоохранении и других сферах.

Примеры практического применения

Итог

Карпатый продемонстрировал, как простые скрипты могут стать мощными инструментами для самообучения ИИ‑агентов. Автоматизированный цикл оптимизации позволяет проводить сотни экспериментов за ночь, выявляя улучшения, которые раньше требовали лет исследований. Это открывает путь к более быстрой и масштабируемой разработке моделей в самых разных областях.