Андрей Карпаты научил ИИ заниматься наукой самостоятельно
630 строк кода против двадцати лет ручной работы
Андрей Карпаты — бывший директор ИИ в Tesla, сооснователь OpenAI и человек, придумавший термин «вайб-кодинг» — опубликовал на GitHub небольшой проект под названием autoresearch. Скромные 630 строк Python-кода под MIT-лицензией. Но за этой скромностью скрывается одна из самых смелых идей в области ИИ за последнее время: полностью автоматизировать научный метод.
Как это работает
Принцип прост и элегантен. ИИ-агент получает тренировочный скрипт и фиксированный бюджет вычислений — обычно 5 минут на GPU. Дальше он действует самостоятельно:
- Читает собственный исходный код
- Формулирует гипотезу об улучшении (изменить learning rate, глубину архитектуры и т.д.)
- Модифицирует код и запускает эксперимент
- Оценивает результат по метрике val_bpb (bits per byte)
- Если стало лучше — сохраняет изменение. Нет — откатывает и пробует снова
И так по кругу — без участия человека, пока тот спит.
Результаты, которые удивили самого Карпаты
За одну ночь агент провёл 126 экспериментов, улучшив метрику потерь с 0,9979 до 0,9697. За двое суток автономной работы — около 700 изменений, из которых примерно 20 оказались по-настоящему полезными и переносимыми на более крупные модели. Итог: эффективность обучения выросла на 11% на задаче, которую Карпаты считал уже хорошо отлаженной.
«Агент поймал ошибки в масштабировании внимания и регуляризации, которые я пропускал вручную на протяжении двадцати лет работы», — написал он в X.
Сообщество подхватило идею
Реакция была мгновенной: пост набрал более 8,6 миллиона просмотров за двое суток. Разработчики и исследователи бросились масштабировать «петлю Карпаты».
Особенно показателен эксперимент Варуна Матура из Hyperspace AI: он распределил агентов по пиринговой сети. За ночь 35 автономных агентов провели 333 эксперимента. Агенты на слабых CPU-машинах, не способных использовать грубую силу, сфокусировались на умных стратегиях инициализации весов — и выиграли. Через протокол GossipSub успешные открытия распространялись между агентами как вирус. За 17 часов сеть самостоятельно переоткрыла ML-техники (RMSNorm, tied embeddings), на формализацию которых у людей в Google Brain и OpenAI ушло около восьми лет.
От науки к маркетингу — и дальше
Предприниматели увидели в autoresearch нечто большее, чем инструмент для ML-исследований. Эрик Сю из рекламного агентства Single Grain применил концепцию к маркетинговым экспериментам. Его расчёт: если обычная команда проводит 20–30 A/B-тестов в год, то система с ИИ-агентами способна выполнять 36 500+ экспериментов в год — тестируя лендинги, рекламные креативы, темы писем в непрерывном цикле.
Что это означает на самом деле
Autoresearch — это не просто инструмент продуктивности. Это смена парадигмы. Раньше ИИ помогал учёным быстрее обрабатывать данные. Теперь ИИ сам формулирует гипотезы, проводит эксперименты и делает выводы. Научный метод — выдвинуть гипотезу, проверить, сохранить или отвергнуть — выполняется на скорости кремния, а не человеческой мысли.
Важно, что речь идёт о полностью открытом проекте с MIT-лицензией. Любой разработчик может взять этот скрипт, адаптировать под свою задачу и запустить собственную исследовательскую петлю — хоть для обучения нейросетей, хоть для оптимизации бизнес-процессов.
Мнение редактора
Знаете, что меня больше всего поражает в этой истории? Не сами результаты — 11% прироста эффективности впечатляет, но это цифры. Меня поражает то, что агент за двое суток нашёл то, что Карпаты — один из умнейших людей в ML — пропускал двадцать лет. Это не «ИИ как инструмент». Это ИИ как коллега-исследователь, который не устаёт, не отвлекается и работает по ночам.
Autoresearch — это ещё один сигнал: эпоха, когда ИИ только ускорял нашу работу, заканчивается. Начинается эпоха, когда ИИ делает работу сам. И это одновременно восхитительно и немного пугающе.