ИИ учится без данных: прорыв в машинном обучении

Долгое время в искусственном интеллекте господствовало простое правило: качество ИИ напрямую зависит от объёма данных, на которых он обучался. Чем больше информации — тем лучше результат. Однако новое исследование инженеров из Университета Южной Калифорнии демонстрирует удивительный парадокс: при правильном подходе нейросеть способна значительно улучшать свои навыки в областях, которые практически отсутствовали в её первоначальном обучении.

Метод, разработанный студенткой Миндой Ли под руководством профессора Бхаскара Кришнамачари, кардинально меняет представление о возможностях машинного обучения. В ходе эксперимента исследователи протестировали способность GPT-5 писать код на Idris — экзотическом языке программирования, который почти не представлен в интернете по сравнению с распространёнными аналогами.

Изначально успешность модели составляла лишь 39%. После внедрения системы обратной связи, основанной на ошибках компилятора, показатель вырос до впечатляющих 96%. «Наши инструменты ИИ теперь способны превосходить исходные данные обучения», — отмечает профессор Кришнамачари.

Ключевым элементом прорыва стал цикл обратной связи. Когда нейросеть допускала ошибку в коде, система фиксировала сообщение компилятора и передавала его модели для исправления. Этот процесс повторялся до 20 раз для каждой задачи, что позволило ИИ самостоятельно находить верные решения.

Учёные подчёркивают, что выбранный язык был настолько редким, что сами исследователи не владели им. Это делает результаты ещё более значимыми: ИИ удалось освоить сложную область без помощи экспертов.

Потенциал технологии выходит далеко за рамки программирования. Аналогичный подход может применяться в архитектурном проектировании, математических доказательствах, юридическом анализе и других сферах, где существуют чёткие правила для формирования обратной связи.

Особый интерес метод представляет для работы с малоресурсными и исчезающими языками. Исследования в этом направлении уже ведутся, включая проекты по сохранению языков коренных народов.

Следующей задачей, по словам Минды Ли, станет создание системы, которая будет накапливать знания между задачами, а не начинать обучение с нуля каждый раз. Это откроет новые горизонты для автономного обучения искусственного интеллекта.

Профессор Кришнамачари видит в этом эволюцию ИИ: «Мы создаём инструменты, которые в определённом смысле превосходят наши собственные возможности». Это не вызывает опасений, а, напротив, вдохновляет исследователей на поиск решений для задач, которые ранее считались недостижимыми.