Андре Карпати обучи ИИ‑агентите да изпълняват стотици експерименти през нощта, когато хората почиват

Андрей Карпатый (Andrej Karpathy) открива нов подход към самостоятелните изследвания

Бившият ръководител на ИИ‑проекти в Tesla и съосновател на OpenAI Андрей Карпатый обяви стартирането на прост, но мощен проект с отворен код. Скриптът се състои само от 630 реда и е разположен в GitHub. Той не претендира за статус готов модел или голям корпоративен продукт; целта – да покаже как ИИ‑агентите могат напълно автоматизира научния метод без човешка намеса.

> „Нашата задача е да изградим агенти, които безкрайно бързо се развиват в изследванията, дори нощем“, написал Карпатый в X. Съобщението незабавно стана вирусно и събра повече от 8,6 млн прегледа за два дни.

Как работи системата
1. Инициализация

Агента получава обучителен скрипт и фиксиран изчислителен бюджет (обикновено 5 минути на GPU).

2. Самоанализ на кода

Чете собствения си изходен код, формулира хипотеза за подобрение (например промяна на скоростта на обучение или дълбочината на модела).

3. Модификация и стартиране на експеримент

Внася промените, стартира експеримента и оценява резултатите.

4. Проверка на ефективността

Ако метриката *val_bpb* (потери за байт при валидиране) се подобрява, промяната се запазва; иначе се връща към предишното състояние и се генерира нова хипотеза.

През една нощ агентът извърши 126 експеримента, намалявайки загубите от 0,9979 до 0,9697. След двудневна настройка обработи около 700 автономни промени, откривайки ~20 допълнителни подобрения, които успешно пренесоха на по-големи модели.

Карпатый отбеляза: „Да видиш как агентът напълно управлява процеса от начало до край е невероятно. Той намери грешки в мащабирането на вниманието и регулацията, които аз пропусках за 20 години работа“.

Какво казват експертите
Автоматизацията на научния метод се счита за фундаментален преход в развитието на ИИ. Превърна машинното обучение в „електронен процес“ със скоростта на кремнезем, Карпатый откри нови хоризонти за изследвания не само в IT, но и в маркетинга, здравеопазването и други области.

Примери за практическа употреба
ПартньорОписание на експериментРезултатиHyperspace AI (Varun Mathur)35 автономни агента работеха в peer‑to‑peer мрежа, използвайки ноутбучни CPU. За една нощ провели 333 експеримента без оператор, откривайки стратегии за инициализация (Kaiming, Xavier) и нормализация (RMSNorm).Single Grain (Eric Siu)Автоматизация на маркетинговия цикъл: агентът променя променливи в целевите страници, рекламните креативи или писмата. Измерва „процент положителни отговори“, запазва успешните промени и премахва неефективните.

Резултат
Карпатый демонстрира как простите скриптове могат да станат мощни инструменти за самообучение на ИИ‑агентите. Автоматизираният цикъл на оптимизация позволява провеждане на стотици експерименти през нощта, откривайки подобрения, които преди изискваха години изследвания. Това отваря път към по-бързо и мащабируемо разработване на модели в най-различни области.