Автоматизация ИИ-разработки может ускорить прогресс в 10 раз за 17 месяцев

Мы привыкли обсуждать ИИ как помощника разработчика: написал функцию, нашёл ошибку, собрал прототип. Новая работа ставит вопрос на уровень выше. Что произойдёт, если модели начнут автоматизировать не только обычное программирование, но и сам процесс создания следующих моделей — эксперименты, анализ результатов, подготовку обучающих систем и поиск новых методов?

Авторы называют такой сценарий программным взрывом интеллекта. Для него не обязательно ждать нового поколения ускорителей. Ускорение может возникнуть внутри уже доступной вычислительной инфраструктуры: ИИ помогает исследователям делать больше экспериментов, эти эксперименты улучшают ИИ, а новая версия ещё сильнее ускоряет исследования.

Как может возникнуть петля ускорения

Представим лабораторию из ста инженеров. Сначала ИИ только дописывает код и готовит тесты. Затем агент получает задачу уровня «проверь три варианта архитектуры», самостоятельно меняет конфигурации, запускает эксперименты и сводит результаты. Человек по-прежнему утверждает решения, но за день просматривает работу, на которую раньше уходила неделя.

Следующий шаг — автоматизация значительной части исследовательского цикла. Если модель умеет не только выполнять поставленный эксперимент, но и выбирать полезное направление, проверять гипотезы и учитывать неудачные результаты, производительность лаборатории начинает расти вместе с возможностями модели. Это и создаёт положительную обратную связь.

В качестве раннего сигнала авторы приводят внутренние показатели Anthropic. Доля принятого кода, написанного ИИ, выросла с единиц процентов в январе 2025 года до более чем 80% к маю 2026-го. Доля автономных R&D-задач, выполняемых под плотным контролем специалистов, увеличилась с 1% в марте до 26% в августе 2026 года. Эти цифры не доказывают приближение взрыва, но показывают, насколько быстро меняется организация разработки.

Модель авторов связывает такие показатели с экономической отдачей от исследовательских усилий. При центральных оценках параметра отдачи от 1,2 до 1,9 для разных направлений ИИ полная автоматизация исследований способна увеличить темп прогресса в 10 раз примерно за 17 месяцев. В таком режиме объём работы, который прежде занимал год, выполнялся бы примерно за пять недель.

Почему это пока не прогноз

У расчёта широкая зона неопределённости. Нижние границы 90-процентных доверительных интервалов опускаются ниже уровня, при котором возникает самоподдерживающееся ускорение. Иными словами, доступные данные совместимы как с резким ростом, так и с гораздо более спокойным сценарием.

Есть и проблема измерения. Рост доли кода от ИИ не равен росту научной продуктивности. Агент может быстро написать экспериментальную обвязку, но не предложить удачную гипотезу. Метрики также смешивают улучшение программных методов с увеличением вычислительных ресурсов. Наконец, исследования упираются в оборудование, данные, энергетику, проверку результатов и способность людей принимать решения.

Поэтому число «10 раз за 17 месяцев» следует читать как результат модели при заданных предпосылках, а не как календарное обещание. Работа полезна прежде всего тем, что превращает туманный разговор об интеллектуальном взрыве в набор измеримых величин: долю автономных задач, качество результатов, время человеческого контроля и отдачу от дополнительных исследовательских усилий.

Что делать командам уже сейчас

Разработчикам ИИ-систем стоит отдельно измерять генерацию кода и реальную автономность. Полезная метрика — не количество строк, а доля задач, которые агент довёл до проверяемого результата без вмешательства человека. Рядом должны учитываться цена ошибки, время ревью и число отменённых действий.

Продуктовым командам нужны журналы действий агентов, ограниченные права, изолированные среды и возможность мгновенно остановить выполнение. Чем длиннее самостоятельная цепочка действий, тем опаснее полагаться только на финальный ответ модели.

Для основателей вывод тоже практический: скорость разработки может измениться быстрее, чем привычные циклы планирования и найма. Но строить стратегию на неизбежном «взрыве» рано. Разумнее готовить процессы к быстрому росту автономности, сохраняя контроль, воспроизводимость экспериментов и человека в точках, где ошибка особенно дорога.