На этой неделе в мире искусственного интеллекта произошло два значительных события. Во-первых, компания OpenAI представила свой новый флагманский продукт — GPT-5.4, который ориентирован на профессиональное использование. Во-вторых, Анджей Карпати поделился результатами своего эксперимента по автоисследованиям, демонстрируя, как агенты ИИ могут автономно улучшать обучение нейронных сетей.
Новый уровень возможностей: GPT-5.4
5 марта OpenAI анонсировала GPT-5.4, который доступен в ChatGPT, API и Codex, а также в профессиональной версии для сложных задач. Этот выпуск объединяет в себе достижения в области кодирования и работы с инструментами, улучшая выполнение задач, связанных с цифровыми документами и таблицами.
GPT-5.4 предлагает новые функции, такие как расширенное использование компьютера и управление контекстом до 1 миллиона токенов, что открывает возможности для более сложных задач. Интересно, что модель позволяет пользователям вносить изменения в ходе выполнения задач, что делает ее более гибкой.
Анджей Карпати и его эксперимент с автоисследованиями
Второе важное событие — это эксперимент Анджея Карпати, который показал, что агенты ИИ способны находить улучшения в процессах обучения нейронных сетей. В ходе эксперимента агенты ИИ за два дня нашли около 20 изменений, которые ускорили обучение модели на 11%.
Карпати доказал, что агенты могут выполнять автономные исследования, что может значительно ускорить развитие технологий ИИ. Это подход, который позволяет агентам ИИ исследовать новые методы обучения и улучшения моделей, что может привести к ускорению прогресса в области ИИ.
Почему это важно для индустрии ИИ?
Современные достижения в области ИИ, такие как GPT-5.4 и автоисследования, подчеркивают переход от простых чат-ботов к сложным системам, способным выполнять конкретные рабочие задачи. Модели, которые могут работать с большими объемами данных и эффективно использовать инструменты, становятся более востребованными.
Такие разработки, как автоисследования Карпати, открывают новые горизонты для ускоренного и автономного развития ИИ. Это может изменить подход к обучению и улучшению моделей, делая их более эффективными и адаптивными.
