OpenAI показа как AI вече ускорява собствените ѝ изследвания

AI модел, който помага на хората да създават по-добри AI модели. Звучи като начало на научна фантастика, но в OpenAI това вече е част от ежедневната изследователска работа. Компанията публикува ранни вътрешни данни за начина, по който coding агентите променят експериментите, сложността на задачите и скоростта на работа.

Важно уточнение още в началото: това не е автономна система, която сама се пренаписва и излита извън човешки контрол. Става дума за AI инструменти, използвани от изследователи — подобно на много силни помощници, които могат да пишат код, да проверяват идеи и да пускат експерименти.

Какво твърди OpenAI

Официалният материал е озаглавен „Research acceleration: The view inside OpenAI“. Компанията описва как coding агентите навлизат в реалната работа на изследователските екипи. Фокусът е върху употребата на агентите, скоростта на експериментите, сложността на задачите и общото ускоряване на research цикъла.

Вместо учен да пише всяка част от кода ръчно, агентът може да подготви вариант, да изпълни тестове, да анализира грешки и да помогне за следващата итерация. Това позволява повече идеи да бъдат проверени паралелно. Човекът остава този, който задава целта, оценява резултата и решава какво има смисъл. Но времето между въпроса и експеримента се скъсява.

Kevin Liu от OpenAI казва, че компанията публикува тези данни именно защото подобно ускоряване обикновено се вижда само вътре в няколко водещи лаборатории. Според него потенциалното рекурсивно подобрение — AI да ускорява работата по следващ AI — може да се превърне във важен двигател на способностите през идните години.

Какво НЕ доказват тези данни

Тук лесно се ражда сензационното заглавие: „AI вече се подобрява сам“. Това би било подвеждащо. Публикуваното описва инструменти в човешки изследователски процес, не напълно автономна система без надзор.

Освен това данните са вътрешни. Те идват от компанията, която разработва моделите, и не са независима оценка на целия AI сектор. Няма основание автоматично да приемем, че същият ефект се появява във всяка лаборатория или при всяка задача.

Но дори с тези уговорки посоката е важна. Ако един изследовател с агент може да тества повече идеи за същото време, темпото на развитие се променя. А когато много екипи работят така едновременно, ефектът се натрупва.

Защо прозрачността става критична

Liu призовава и други AI компании да публикуват подобни данни. Аргументът му е силен: обществото не може да води информиран разговор за скоростта и контрола, ако реалното ускоряване е видимо само зад затворените врати на няколко компании.

Паралелно Jakub Pachocki от OpenAI публикува текста „An Alien Mind“, в който разглежда растящите способности на моделите и трудността те да останат подравнени с човешките цели. Официалното представяне акцентира върху по-силни safeguards и международна координация.

Двата текста се допълват. Единият показва практическото ускоряване на работата. Другият пита как запазваме контрол, когато системите стават по-способни и самото им развитие се ускорява.

Следващата фаза на AI надпреварата

Досега сравнявахме моделите по benchmark резултати, цена и скорост. Скоро може да се окаже също толкова важно колко добре дадена лаборатория използва собствените си модели, за да прави следващите.

Това създава положителен цикъл за водещите компании: по-добър модел помага за по-бързи изследвания, а по-бързите изследвания водят до по-добър модел. Но създава и риск от концентрация — малък брой лаборатории да виждат най-важните сигнали много преди регулатори, учени и общество.

Честно казано, въпросът вече не е дали AI ще участва в AI изследванията. Това се случва. Въпросът е колко бързо ще расте ефектът, кой ще може да го измери и дали прозрачността ще върви в крак с ускорението.