# Уэс Рот: «Наступил ли момент AlphaGo для самообучающегося ИИ?» Источник: https://www.youtube.com/watch?v=QGeql15rcLo Канал: Wes Roth Опубликовано: 28.07.2025 --- В мире искусственного интеллекта обсуждают новую научную работу из Китая, авторы которой заявляют о наступлении «момента AlphaGo» в области проектирования нейросетей. Технологический блогер и аналитик Уэс Рот анализирует систему ASI-ARCH — полностью автономный фреймворк, способный самостоятельно проводить научные исследования и улучшать собственную архитектуру, потенциально устраняя человека как «узкое место» на пути к технологическому прогрессу. ## 🤖 Момент AlphaGo для самосовершенствующегося ИИ [[JUMP:0:00]] Новое исследование китайских ученых выдвигает смелое утверждение: главным препятствием в развитии ИИ являются люди, которые замедляют процесс разработки [0:00]. В статье под названием «AlphaGo Moment for model architecture discovery» (Момент AlphaGo для обнаружения архитектуры моделей) описывается система ASI-ARCH. По мнению авторов, если их результаты удастся повторить, это станет фундаментальным сдвигом в индустрии [0:13]. Уэс Рот отмечает, что всё больше этапов разработки ИИ передается самим машинам: * **Google DeepMind** с помощью AlphaGo и других систем улучшает аппаратное обеспечение и процессы обучения [0:26]. * **Sakana AI** представила систему Darwin, которая совершенствует способности ИИ к написанию кода [0:39]. * **ASI-ARCH** делает следующий шаг — ИИ пытается улучшить собственную архитектуру и способы самопостроения с нуля [0:52]. Суть «момента AlphaGo» здесь заключается в том, что ИИ может обучать себя лучше, чем это делают инженеры-люди [1:06]. Использование синтетических данных и стратегий самообучения часто дает более впечатляющие результаты, чем ручные инновации разработчиков [1:19]. ## 🔬 Система ASI-ARCH: от оптимизации к инновациям [[JUMP:1:32]] Авторы исследования называют ASI-ARCH первой демонстрацией искусственного супер-интеллекта для ИИ-исследований [1:32]. Это полностью автономная система, которая, по утверждению разработчиков, разрушает фундаментальное ограничение, позволяя ИИ проводить собственные архитектурные инновации. Основные достижения системы, озвученные в видео: * Проведено почти **2000 автономных экспериментов** [2:11]. * Обнаружено **106 инновационных архитектур** линейного внимания (linear attention), соответствующих уровню State-of-the-Art (SOTA) [2:27]. * ИИ сгенерировал **1773 идеи** по улучшению нейронных связей, сам написал код для экспериментов и протестировал их [2:27]. По словам Уэса Рота, наиболее важным выводом работы является установление «эмпирического закона масштабирования (scaling law) для самих научных открытий» [2:54]. Если раньше масштабирование касалось только вычислительных мощностей (больше чипов — умнее модель), то теперь утверждается, что научный прогресс становится функцией от количества часов работы GPU [3:46]. Рот проводит аналогию: любые человеческие технологии — от эффективности лекарств до дальности пробега электромобилей — обычно требуют десятилетий кропотливой работы инженеров. Если концепция ASI-ARCH верна, то технологический прогресс превращается в прямую зависимость от того, сколько чипов NVIDIA вы задействуете в процессе автоматизированного поиска открытий [4:25]. ## 🛠 Архитектура системы: четыре модуля познания [[JUMP:5:19]] Уэс Рот подробно разбирает структуру ASI-ARCH, состоящую из четырех ключевых блоков, которые замыкают цикл научного процесса [5:19]: 1. **База знаний (Cognition Base):** ИИ изучает существующие данные, архивы статей (arXiv), проекты на Hugging Face и отчеты о прошлых экспериментах [5:32]. Специальный экстрактор на базе LLM вычленяет ключевые детали для следующего шага. 2. **Исследователь (Researcher):** На основе знаний выдвигает гипотезу и создает код для эксперимента, проверяя его на новизну и валидность [6:11]. 3. **Инженер и Судья:** Система исполняет код в реальной среде обучения. Одновременно с этим «ИИ-судья» оценивает код по критериям эффективности, новизны и сложности [6:36]. В итоге формируется «балл приспособленности» (fitness score) [7:17]. 4. **Аналитик:** Создает резюме эксперимента (что сработало, а что нет) и передает эти выводы обратно «Исследователю» для новой итерации [7:41]. Этот цикл позволяет ИИ учиться не только на чужих статьях, но и на собственном опыте, создавая рекурсивный процесс самосовершенствования [8:20]. ## 📈 Принцип Парето в цифровой лаборатории [[JUMP:8:34]] В ходе экспериментов исследователи обнаружили, что в мире ИИ-дизайна также действует принцип Парето (правило 80/20): 80% значимых результатов обеспечиваются лишь 20% подходов [8:34]. Статистика открытий ASI-ARCH показала следующее: * Из 1667 предложенных архитектур большинство оказались неудачными [9:01]. * Системы шлюзования (gating systems), температурный контроль и сверточные архитектуры оказались наиболее эффективными компонентами [9:13]. * Всего **4 подхода** обеспечили **44% всех прорывных результатов** SOTA-уровня [11:11]. Интересен анализ источников инноваций в системе [12:04]. Из всех удачных архитектур: * **48,6%** были получены путем анализа существующих научных статей (Cognition) [12:42]. * **44,8%** стали результатом собственного опыта системы, накопленного в ходе итераций (Experience) [13:22]. * Только **6%** были признаны абсолютно оригинальными идеями, не имеющими корней в предыдущих данных [12:56]. По мнению Рота, тот факт, что почти 45% успехов достигнуты благодаря «личному опыту» машины, доказывает работоспособность петли самообучения [13:48]. ## 📅 Прогнозы и критика: «Рыбный запах» в данных [[JUMP:14:28]] Обсуждение ASI-ARCH ложится в канву прогнозов Леопольда Ашенбреннера, автора эссе «Situational Awareness». Ашенбреннер полагает, что к 2027–2028 годам наступит переломный момент, когда ИИ в совокупности станет лучше людей в проведении ИИ-исследований [14:28]. Автоматизация этого процесса — «самая большая доминошка», которая приведет к интеллектуальному взрыву, так как ИИ будет экспоненциально ускорять собственное развитие [15:08]. Однако научное сообщество отнеслось к китайскому препринту с осторожностью. Лукас Байер, исследователь из Meta (ранее работавший в OpenAI и Google Brain), выразил открытый скептицизм [15:49]. * Байер иронично заметил: «Если что-то пахнет рыбой, скорее всего, это рыба. Я не люблю рыбу» [15:49]. * Его критика сосредоточена на фрагменте статьи, где указано, что архитектуры, чьи показатели потерь (loss) были на 10% хуже базового уровня, отбрасывались как «неформальная утечка данных» [16:01]. По мнению критиков, это может быть манипуляцией: если данные не вписываются в красивую гипотезу о «масштабировании открытий», их просто удаляют из выборки [16:26]. Байер также предположил, что авторы могут просто «коллекционировать цитируемости», публикуя громкие, но сомнительные результаты на волне хайпа вокруг AGI [17:03]. Тем не менее, Уэс Рот подчеркивает, что исследование является открытым, и другие лаборатории вскоре смогут подтвердить или опровергнуть эти результаты [17:16]. Несмотря на скептицизм в отношении конкретно этой работы, ведущий заявляет, что не стал бы делать ставку против самой идеи рекурсивного самосовершенствования ИИ в ближайшем будущем [17:44].