Ещё недавно рекурсивное самоулучшение ИИ обсуждали как сюжет из далёкого будущего — горизонт мерили десятилетиями. Теперь о нём говорят применительно к ближайшим годам, и это уже не вечерние фантазии, а рабочие планы лабораторий. Ниже — анатомия громкого прогноза: петля, в которой ИИ ускоряет создание ИИ, спор о том, нужен ли рой агентов или достаточно одного, и вехи, по которым таймлайн можно проверить, не дожидаясь дедлайна.
Идею «интеллектуального взрыва» математик Ирвинг Гуд сформулировал ещё в шестидесятые: машина, улучшающая проект ещё лучших машин, запускает цепную реакцию. Полвека мысль пылилась в кабинетах — красивая теория без единой даты. А потом руководители лабораторий вдруг начали называть сроки. Дарио Амоди допускает «страну гениев в дата-центре» уже во второй половине десятилетия. Демис Хассабис отводит AGI пять–десять лет. В OpenAI открыто говорят о цели создать ИИ-исследователя — не метафору, а, по сути, должность.
Сжали сроки не по настроению, а по метрике. Исследовательская группа METR посчитала: длина задач, которые модели решают полностью автономно, удваивается примерно каждые семь месяцев. Флагманы уже удерживают многочасовую инженерную работу без человека. А когда показатель растёт экспоненциально, дорожная карта переписывается сама собой: «когда-нибудь» внезапно превращается в конкретный год.
Соль прогноза — не в чат-ботах. Автоматизируют саму исследовательскую работу, и это уже не декларация. AlphaEvolve от DeepMind — эволюционный агент, который пишет и улучшает код, — ускорил планирование задач в дата-центрах Google, отыскал более быстрые процедуры умножения матриц и оптимизировал компоненты обучения Gemini. У той же Google есть «ИИ-соисследователь», генерирующий гипотезы для наук о жизни. А лаборатории и не думают скрывать, какую долю кода пишут их модели: по словам Сундара Пичаи, речь примерно о трети нового кода компании.
Дальше всё складывается в петлю: модель пишет код эксперимента → результаты уходят в следующее обучение → более сильная модель пишет лучшие эксперименты. Нюанс, который хайп любит опускать: сегодняшнее самоулучшение узкое. Модели оптимизируют вычислительные ядра, пайплайны, датасеты — но не переписывают собственные цели. Впрочем, именно поэтому это измеримо. А значит — попадает в проверяемые прогнозы.
Параллельно сошлись две архитектурные ставки, и спор между ними показательнее, чем кажется. Классический корпоративный путь — рой узких субагентов под началом оркестратора: каждый решает свою подзадачу. Ставка противоположная — один максимально сильный агент, который подолгу держит задачу целиком. Судя по имеющимся данным, флагманы уже подолгу удерживают кодинг-задачи без человека.
По сути это симптом консолидации: способности стягиваются внутрь одной модели. Узкое место теперь не широта навыков, а связность на длинном горизонте. Если модель держит в контексте архитектуру проекта, планирует рефакторинг и не теряет нить после сотни шагов — зачем ей комитет ассистентов? Он превращается в накладные расходы. А значит, до «агента-исследователя» ближе, чем казалось: не надо собирать систему из десятков специалистов, достаточно растить одного. Какая стратегия в итоге масштабируется лучше — единственная сильная модель или оркестровка множества агентов — покажет рынок.
Хорошая новость: прогноз фальсифицируем — редкое качество для предсказаний об ИИ. Таймлайн подтвердится, если горизонт задач продолжит удваиваться и к 2027-му модели будут доводить до конца проекты недельного масштаба; если лаборатории публично отдадут моделям заметную долю исследовательской инженерии; если очередная версия модели появится с обучением, ощутимо ускоренным предыдущим поколением; и если агенты принесут признанные сообществом научные новизны в машинном обучении, а не только очередные рекорды на бенчмарках.
Опровергнут его противоположные сигналы: плато в длине решаемых задач, стоимость одного задания, растущая быстрее качества, провалы «последней мили» при реальных внедрениях, насыщение тестов без переноса в практику. И следить нужно не только за софтом. От того, продолжится ли строительство крупных дата-центров — по имеющимся оценкам, именно от этого зависит, — во многом зависит, будет ли у петли «топливо». Инфраструктура здесь не фон, а полноценный участник прогноза.
В России гонку фронтира не затевают — ставка на прикладной слой. Сбер развивает семейство GigaChat, код-ассистент GigaCode и генератор изображений Kandinsky. Яндекс — YandexGPT, встроенный в Алису и поиск, плюс машинное обучение в транспорте и сервисах. МТС и Т-Банк строят собственные модели под внутренние задачи. Сверху всё накрывает государственный контур: национальная стратегия развития ИИ до 2030 года, Национальный центр развития ИИ при правительстве, программы общих вычислительных мощностей и датасетов.
Ограничения скрывать бессмысленно: доступ к топовым ускорителям ограничен, собственные фронтирные модели, по имеющимся оценкам, пока уступают мировым аналогам, а полноценную петлю самоулучшения в стране пока никто не замкнул. Но есть и утешительное: для автоматизации исследований абсолютный фронтир не обязателен. Код-ассистенты, агентные системы в отраслях и ускорение научных расчётов в институтах могут дать основной экономический эффект уже в ближайшие годы. Участвовать же в самой петле пока не получится — ни по железу, ни по данным.
Прогноз «самоулучшающийся ИИ к 2027 году» ценен не датой, а проверяемостью. Индустрия впервые подвинула сроки не из-за хайпа, а из-за измеримой экспоненты: длина автономных задач растёт, и это видно в цифрах. Спор о том, что масштабируется лучше — одиночный сильный агент или рой узких субагентов, — заодно подсказывает направление: способности консолидируются внутри одной модели, а не размазываются по рою. Следующие два года дадут проверку по вехам, которые не размыть формулировками: недельные автономные проекты, обучение моделей с помощью моделей, признанные научные новизны. Скептицизм по-прежнему уместен. Только бремя доказательства теперь — на скептиках.