Карпатый выложил autoresearch: ИИ-агенты берутся за исследования ИИ

В марте 2026 года Andrej Karpathy выложил на GitHub небольшой открытый проект autoresearch. К октябру китайское издание Jiqizhixin сделало его отправной точкой большого разбора рекурсивного самоулучшения ИИ: ситуации, когда модели участвуют в создании следующих моделей. Репозиторий скромный, но показательна его подача.

Воспоминание из будущего

README открывается не инструкцией по установке, а короткой стилизованной зарисовкой «из будущего». Фронтирные исследования ИИ в ней вспоминаются как занятие «мясных компьютеров». Они требовали еды и сна и время от времени синхронизировались «звуковыми волнами» на церемонии под названием «групповой митинг».

Карпатый шутит, но шутка точная. Он описывает рутину лаборатории: гипотеза, правка кода, запуск эксперимента, чтение метрик, следующая гипотеза. Каждый шаг этого цикла уже умеют выполнять языковые модели и кодинг-агенты. Если связать шаги в замкнутую петлю, человек из неё постепенно выпадает.

Рекурсивное самоулучшение как инженерная задача

Долгое время рекурсивное самоулучшение обсуждали как философский сценарий: однажды система станет достаточно умной, чтобы улучшать саму себя, и дальше всё пойдёт по экспоненте. Название материала Jiqizhixin, «Когда ИИ начинает создавать ИИ», фиксирует другой взгляд. Процесс разбирается на узкие, проверяемые операции, и каждая из них автоматизируется отдельно: написание кода, запуск экспериментов, анализ результатов.

Масштаб здесь определяется метриками, а не интуицией. Агенту нужны чёткая цель, быстрый цикл проверки и защита от самообмана, когда улучшение на бумаге не даёт улучшения на деле. Именно эти условия определяют, где автоматизация исследований заработает раньше, а где упрётся в потолок.

Из доступного фрагмента статьи известно немногое:

• автор проекта: Andrej Karpathy;
• название: autoresearch;
• площадка: GitHub, открытый репозиторий;
• дата публикации: март 2026 года;
• фрейминг: исследователь-человек как исторический этап, а не постоянная величина;
• источник анализа: Jiqizhixin, материал от 10 октября 2026 года.

Числовых результатов, бенчмарков и описания архитектуры в доступном отрывке нет. Оценивать эффективность самого проекта по нему нельзя, можно оценивать только заявленную рамку.

Почему это важно именно сейчас

Проект Карпатого интересен тем, что он маленький. Автоматизация исследований обычно ассоциируется с закрытыми лабораториями и огромными кластерами. Открытый репозиторий, который можно прочитать за вечер, переводит тему в практическую плоскость: любой разработчик может запустить такую петлю на собственной задаче и увидеть, где она ломается.

Вопросы остаются прежними. Кто проверяет решения агента, если проверяющий тоже модель? Как не оптимизировать метрику вместо цели? Сколько вычислений уходит на эксперименты, которые ничего не дают? Ответов в отрывке нет, и это нормально: проект задаёт рамку, а не закрывает тему.

Что делать командам

Если вы строите ML-продукты или внутренние исследовательские пайплайны, полезно разобрать свой цикл экспериментов на этапы и отметить, какие из них формализуемы: фиксированный бюджет запуска, однозначная метрика, воспроизводимость. Именно такие этапы стоит отдавать агентам первыми. Для остальных нужен человек-ревьюер.

Стоит также прочитать сам репозиторий и полный текст Jiqizhixin. Там, вероятно, есть детали реализации и примеры, которые в этот отрывок не вошли. Выводы о реальной силе подхода разумно делать только после проверки на собственных задачах.