András Karpaty megtanította az AI-ügynököket arra, hogy éjszakai órákban, amikor a emberek pihennek, számos kísérletet hajtsanak végre

Andrej Karpathy új megközelítést nyit az önkutatásokhoz

A Tesla AI-projektjeinek volt vezetője és az OpenAI társalapítója, Andrej Karpathy bejelentette egy egyszerű, de hatékony nyílt forráskódú projekt indítását. A szkript 630 sorból áll, és a GitHub-on található. Nem állítja fel magát kész modellnek vagy nagy vállalati terméknak; célja, hogy bemutassa, hogyan képesek az AI-ügynökök teljesen automatizálni a tudományos módszert emberi beavatkozás nélkül.

> „Célunk olyan ügynökök létrehozása, amelyek végtelenül gyorsan haladnak előre a kutatásban, még éjszaka is” – írta Karpathy X-en. Az üzenet azonnal vírusssá vált és több mint 8,6 millió megtekintést szerzett két nap alatt.

Hogyan működik a rendszer
1. Inicializáció

Az ügynök egy tanulási szkriptet kap és rögzített számítási költségvetéssel (általában 5 perc GPU).

2. Kód önvizsgálata

Beolvassa saját forráskódját, megfogalmazza a javítási hipotézist (például tanulási ráta vagy modellmélység módosítása).

3. Módosítás és kísérlet indítása

Változtatásokat hajt végre, elindítja a kísérletet és értékeli az eredményeket.

4. Hatékonyság ellenőrzése

Ha a *val_bpb* metrika (hibák bájtként a validáción) javul, a módosítás mentésre kerül; egyébként visszavonja és új hipotézist generál.

Egy éjszakán belül az ügynök 126 kísérletet hajtott végre, csökkentve a veszteséget 0,9979-ről 0,9697-re. Két napos beállítás után mintegy 700 autonóm módosítást dolgozott fel, és körülbelül 20 további javulást talált, amelyeket sikeresen átültetett nagyobb modellekre.

Karpathy megjegyezte: „Lenyűgöző látni, hogyan kezeli teljesen az ügynök a folyamatot a kezdetektől a végéig. Felfedezte a figyelem és a regularizáció skálázásával kapcsolatos hibákat, amelyeket 20 év munkám során elmulasztottam.”

Mit mondanak a szakértők
A tudományos módszer automatizálása alapvető áttörésnek számít az AI fejlődésében. A szilícium sebességével történő „evolúciós folyamat” átalakításával Karpathy új horizontokat nyitott nemcsak az IT, hanem a marketing, egészségügy és más területek kutatásához is.

Gyakorlati alkalmazási példák
PartnerLeírás a kísérletrőlEredményekHyperspace AI (Varun Mathur)35 autonóm ügynök dolgozott peer-to-peer hálózaton, laptop CPU-kat használva. Egy éjszakán 333 kísérletet hajtottak végre operátort nélkül, felfedezve inicializációs stratégiákat (Kaiming, Xavier) és normalizálást (RMSNorm).Single Grain (Eric Siu)Marketing ciklus automatizálása: az ügynök változtat a céloldalakon, hirdetési kreatívokon vagy e-maileken. Mérése „pozitív válasz arány” – sikeres módosításokat ment, és eltávolítja a hatástalanakat.

Összegzés
Karpathy bemutatta, hogyan lehet egyszerű szkripteket erőteljes öntanuló AI-ügynökek eszközzé tenni. Az automatizált optimalizációs ciklus lehetővé teszi több száz kísérlet végrehajtását egy éjszakán, felfedezve olyan javításokat, amelyek korábban évek kutatást igényeltek volna. Ez gyorsabb és skálázhatóbb modellfejlesztéshez nyitja meg az utat számos területen.