На этой неделе в мире искусственного интеллекта произошли важные события. **OpenAI** выпустила новую версию модели — GPT-5.4, которая ориентирована на профессиональное использование. В то же время, **Андрей Карпати** представил результаты своего эксперимента по автономному исследованию, показывая, что ИИ способен самостоятельно находить улучшения для обучения нейронных сетей.
Особенности нового GPT-5.4
**GPT-5.4** была представлена 5 марта и доступна как в ChatGPT, так и через API и Codex. Новая версия объединяет сильные стороны предыдущей модели GPT-5.3-Codex, добавляя возможности использования компьютера, поиска инструментов и большого контекстного окна на 1 миллион токенов. В ChatGPT пользователи могут управлять моделью в процессе выполнения задачи, что делает её более гибкой и удобной для сложных задач. Стоимость использования модели начинается от $2.50 за миллион токенов, но благодаря улучшенной эффективности, затраты на токены становятся более приемлемыми.
Поворотный момент для ИИ
Вместе с выпуском GPT-5.4, важным событием стало исследование Андрея Карпати, который доказал, что ИИ может самостоятельно улучшать процесс обучения. Его эксперимент показал снижение времени тренировки модели с 2.02 до 1.80 часов, что является значительным улучшением. Это открывает перспективы для использования ИИ в качестве инструмента для оптимизации и ускорения собственных процессов обучения.
Влияние на индустрию и конкуренцию
Новые разработки усиливают конкуренцию в сфере ИИ. **Microsoft** также объявила о интеграции технологии Claude Cowork в Microsoft 365 Copilot, что дает компании преимущество в распространении решений для офисной работы. Тем не менее, OpenAI и Anthropic продолжают лидировать в инновациях, предлагая пользователям более привлекательные и функциональные решения.
Будущее за самоулучшающимися ИИ
Автономные исследования Карпати подчеркивают важность самоулучшающихся систем. В будущем лаборатории будут выделять значительные ресурсы для агентов, которые смогут проводить тысячи экспериментов, улучшая механизмы внимания, оптимизаторы и другие аспекты обучения. Это приведет к более быстрым и более эффективным улучшениям ИИ, что в конечном итоге изменит подход к разработке и применению нейросетей.
