Пределы профессионализма

Что может и не может автономный ИИ-исследователь Современный генеративный искусственный интеллект открывает поразительную перспективу: системы, способные самостоятельно вести исследовательскую работу, появляются буквально каждый месяц в самых разных областях. Эта тенденция неизбежно будет усиливаться, и уже сейчас существует значительное число успешных реализаций. Однако лично меня интересует особое направление, которое пока остаётся вне мейнстримного внимания. Например, в издательстве «LIVREZON» создают технологии для создания других технологий. Это звучит как тавтология, но за ней стоит вполне конкретная задача — разработка инструментальных алгоритмов, которые решают определённые классы задач и при этом работают в реальных условиях, а не только в теории. Я убеждён с очень высокой долей вероятности, что современный ИИ при правильной настройке способен выполнять все преобразования информации и знаний, которые лежат в основе технологий издательства. Иными словами, агент может в практически автономном режиме создавать работающие технологии для решения задач. Конечно, есть границы. Если решение требует взаимодействия с людьми — сбора данных, организации встреч, построения долгосрочных отношений — автономный исследователь пока бессилен. Но всё, что связано с информационной работой, обработкой знаний и IT, агенты уже осваивают в полный рост. Что именно подразумевается под автономным исследователем? Возьмём для примера Alpha Evolve от Google — систему, которая комбинирует генетические алгоритмы с другими методами для решения математических задач. Или знаменитый Autoresearch Андрея Карпаты, где машинное обучение замыкает полный цикл: агент читает статьи, выдвигает гипотезы, проводит эксперименты на GPU-кластерах. Пока полностью автономная работа end-to-end остаётся недостижимой идеалом, но многие рутинные и ресурсоёмкие преобразования, раньше требовавшие месяцев обучения людей, теперь выполняются быстрее и качественнее. Почему именно агенты, а не заранее заданные последовательности действий? Потому что исследование принципиально вариативно. Иногда задача решается одним запросом и найденной статьёй, иногда требуется цепочка из двадцати-тридцати взаимозависимых шагов. Агенты справляются с такой непредсказуемостью лучше жёстких workflow, хотя и требуют постоянного контроля и оптимизации. У меня уже есть наработки в этом направлении, включая проект Knowlume, который изначально задумывался как имплементация подобных идей, хотя со временем эволюционировал до неузнаваемости. Есть и специализированные навыки для решения узких задач — например, поиск и валидация информации, где постоянно появляются новые модели и абстракции, делающие работу всё эффективнее. × × × Главное ограничение сегодняшних систем — физический мир. Если технологию нужно тестировать вне цифрового пространства, агенты пока беспомощны. Они могут написать сообщение в мессенджере, но не способны пойти на производство или поставить поведенческий эксперимент с реальными людьми. Есть и более тонкая проблема, о которой редко задумываются — спецификация исследовательской задачи. Из коробки агенты и большие языковые модели делают это плохо, но это поправимо. Некоторые преобразования, которые в «LIVREZON» осваивают за два-три месяца обучения, крайне сложно описать словами. Недавно я оптимизировал инструкцию для определения, насколько текст описывает воспроизводимое преобразование. Система проверила пятьдесят девять вариантов промптов по десяти-пятнадцати метрикам, и лучший результат показала инструкция в двадцать одну тысячу символов. Сомневаюсь, что человек, умеющий отличать воспроизводимый текст от невоспроизводимого, смог бы настолько детально объяснить, как именно он это делает. × × × Вот это — спецификация задачи — то, где автономный исследователь пока слаб, но может стать сильным, если правильно задать рамки. Именно в это я планирую углубиться в ближайшее время, делаясь находками в серии постов о том, как преобразования информации и знаний реализуются с помощью современных ИИ-технологий. 🚀