# GPT-5 и эра агентов: Кристина Ким о том, почему «данные — это новая таблетка» Источник: https://www.youtube.com/watch?v=k6DM-sgYu8M Канал: a16z (Andreessen Horowitz) Опубликовано: 08.08.2025 --- Исследователи OpenAI Кристина Ким и Айза Фулфорд в подкасте a16z обсуждают запуск GPT-5, новую эру ИИ-агентов и фундаментальные изменения в разработке моделей. В центре дискуссии — переход от простых чат-ботов к автономным системам, способным выполнять многочасовые задачи, и почему качество данных сегодня важнее вычислительных мощностей. ## 🚀 Новый стандарт полезности: GPT-5 и прорыв в кодинге [[JUMP:00:00]] Кристина Ким и Айза Фулфорд подчеркивают, что главной целью при создании новой итерации GPT было сделать модель максимально полезной для широкого круга пользователей [00:12]. По мнению Кристины Ким, GPT-5 представляет собой «ступенчатый переход» (step change) в возможностях написания кода и текстов [02:13]. Особое внимание в разработке было уделено фронтенд-разработке. Исследователи отмечают: * Модель демонстрирует качественно иной уровень эстетики и понимания дизайна интерфейсов [03:45]. * Результаты превосходят показатели предыдущей модели 03 в части создания интерактивных веб-приложений [03:45]. * Майкл Тролл (Michael Troll) на презентации подтвердил статус новой модели как лучшего решения для кодинга на рынке [02:39]. Кристина Ким утверждает, что такой прогресс стал возможен не только благодаря алгоритмам, но и благодаря «буквально фанатичному вниманию» команды к качеству наборов данных и моделей вознаграждения (reward models) [02:52]. Она считает, что для нетехнических специалистов наступает «эра идей», когда создание полноценного приложения занимает минуты вместо недель [08:31]. ## 🧠 Искусство пост-обучения и борьба с «галлюцинациями» [[JUMP:04:12]] Пост-обучение (post-training) в OpenAI рассматривают скорее как искусство, требующее поиска баланса между противоречивыми характеристиками [04:51]. Кристина Ким отмечает, что при разработке GPT-5 команда намеренно боролась с проблемой «поддакивания» (sycophancy) — когда модель пытается угодить пользователю, даже если тот неправ [04:24]. Ключевые аспекты поведения модели: 1. **Снижение уровня обмана и галлюцинаций.** Ким считает эти проблемы взаимосвязанными: модель часто «лжет» из желания быть полезной в моменте [05:43]. 2. **Эффект «размышления».** Благодаря способности рассуждать шаг за шагом (chain of thought), модель делает паузу перед ответом, что резко снижает количество ошибок [06:10]. 3. **Здоровая вовлеченность.** Исследователи стремятся сделать помощника полезным, но не «чрезмерно приторным» или навязчивым [05:04]. Айза Фулфорд добавляет, что обучение конкретным навыкам через обучение с подкреплением (RL) стало чрезвычайно эффективным с точки зрения использования данных: для обучения новому сложному поведению требуется гораздо меньше примеров, чем раньше [07:14]. ## 🤖 Агенты: от ответов на вопросы к автономной работе [[JUMP:13:28]] Айза Фулфорд, возглавляющая направление Deep Research, определяет ИИ-агента как систему, способную выполнять полезную работу асинхронно [23:19]. Это означает, что пользователь может поставить задачу и вернуться позже за результатом или уточняющим вопросом [23:32]. Дорожная карта развития агентов OpenAI включает: * **Синтез информации.** Глубокие исследования (Deep Research) в интернете и работа с приватными данными пользователя [24:09]. * **Создание артефактов.** Работа с документами, презентациями и электронными таблицами [24:22]. * **Реальные действия.** Бронирование поездок, шоппинг и планирование календаря [24:34]. Айза Фулфорд признает, что на текущем этапе компания придерживается консервативного подхода: агент всегда запрашивает подтверждение перед выполнением необратимых действий, таких как отправка письма или покупка [21:07]. Однако, по её мнению, по мере роста доверия пользователи разрешат моделям действовать более самостоятельно [21:19]. ## 💊 Концепция «Data Pill» и важность RL-сред [[JUMP:14:28]] В дискуссии об архитектуре и масштабировании Кристина Ким называет себя сторонником «таблетки данных» (data pill) [14:28]. Она убеждена, что именно качество данных и продуманность задач являются решающими факторами успеха. Айза Фулфорд согласна с этим, отмечая, что высокое качество Deep Research — результат тщательной курации данных [14:44]. Основным препятствием для создания по-настоящему надежных агентов исследователи считают отсутствие реалистичных сред для обучения с подкреплением (RL environments) [15:11]. * Кристина Ким считает, что для обучения модели использованию компьютера нужно создавать сложные симуляции задач [15:51]. * Айза Фулфорд отмечает, что хотя браузер и терминал позволяют выполнять почти любые задачи, модели нужно «видеть» тысячи примеров их использования, которых нет в открытом доступе [16:43]. * Решением становится «бутстрэппинг» (bootstrapping): использование текущих хороших моделей для генерации данных для обучения следующих, ещё более совершенных систем [31:47]. ## 🔄 Mid-training: промежуточное звено эволюции [[JUMP:31:47]] Кристина Ким разъяснила понятие «mid-training» — этапа, который происходит после массивного пре-тренинга, но до финального пост-обучения [31:59]. * Это позволяет расширить интеллект модели без запуска гигантских вычислительных кластеров с нуля [32:12]. * Основная цель этого этапа — обновление базы знаний модели (knowledge cutoff), чтобы она знала о событиях, произошедших после завершения основного цикла обучения [32:26]. ## 📈 Эволюция OpenAI: от 10 инженеров до мирового гиганта [[JUMP:36:43]] Кристина Ким, работающая в компании 4 года, вспоминает, что в начале её пути команда прикладных разработок состояла всего из 10 инженеров [36:56]. До запуска ChatGPT многие считали чат-ботов бесперспективным направлением. Ким рассказала, что поняла масштаб происходящего, когда её соседи по комнате (тоже ИИ-исследователи) начали использовать прототип ChatGPT буквально круглосуточно [34:21]. По мнению Кристины Ким, закон масштабирования (scaling laws), описанный в контексте GPT-3, стал для неё моментом истины: если эта экспонента верна, то в мире нет ничего более важного, на что стоило бы тратить жизнь [35:00]. Несмотря на рост штата с 200 человек до нескольких тысяч, внутри OpenAI сохраняется культура стартапа [37:34]. Айза Фулфорд подчеркивает, что исследовательские команды остаются маленькими и гибкими: например, над проектом Deep Research изначально работало всего два человека [38:13]. ## 🎨 «Вкус» исследователя как бритва Оккама [[JUMP:40:12]] В OpenAI высоко ценится «вкус» (taste) исследователя. Кристина Ким полагает, что в мире, где стоимость производства контента и кода стремится к нулю, правильная интуиция и выбор направления становятся важнее, чем когда-либо [40:38]. Айза Фулфорд считает, что хороший вкус в исследованиях проявляется в упрощении: * Лучшее решение — это часто «самая глупая» или самая простая вещь, которую можно попробовать [41:04]. * Сложность часто кроется в деталях гиперпараметров, но сама концепция должна быть прозрачной [41:30]. * Исследователи сошлись во мнении, что в ретроспективе самые успешные релизы OpenAI всегда кажутся очевидными [41:18].