Когда я впервые задумалась о том, как именно появляются современные нейросети, перед глазами возникала картинка огромного исследовательского центра, где сотни инженеров сутками пишут код, запускают бесконечные эксперименты и вручную перебирают гипотезы. Ещё пару лет назад эта картинка была довольно точной: практически каждый этап создания новой модели требовал непосредственного участия человека. Но теперь всё заметно меняется, и перемены эти происходят прямо внутри ведущих ИИ-лабораторий.
Самое любопытное заключается в том, что инструментом для разработки следующего поколения нейросетей всё чаще становится сама нейросеть. Звучит почти как сюжет научно-фантастического фильма, однако за этим стоят вполне конкретные цифры и внутренняя статистика компаний, которые находятся на передовой этой гонки.
Неожиданные цифры из закрытых лабораторий
Мне особенно интересно наблюдать за тем, как крупные лаборатории начинают приоткрывать завесу над своими внутренними процессами. Anthropic, создавшая Claude, недавно поделилась статистикой, которая заставляет задуматься. По состоянию на август 2026 года их нейросеть участвует как минимум на уровне полноценного сотрудничества более чем в 90% измеряемых задач, связанных с исследованиями и разработкой искусственного интеллекта.
Ещё более впечатляющим мне кажется другой показатель: примерно в 26% таких задач Claude уже способна выполнить большую часть работы самостоятельно, получив лишь высокоуровневое задание от человека. Это, конечно, не означает, что ИИ нажимает некую волшебную кнопку и создаёт собственного преемника. Но направление развития становится всё более очевидным, и игнорировать этот тренд уже невозможно.
С чего начинается участие ИИ в собственном создании
На первый взгляд возникает парадоксальная ситуация: чтобы сделать более умный ИИ, нужен уже достаточно умный ИИ. Однако на практике всё начинается с гораздо более приземлённых вещей. Создание современной модели требует колоссального объёма программирования: необходимо писать и проверять код, анализировать результаты экспериментов, искать ошибки, работать с данными, оптимизировать производительность и тестировать новые идеи.
Все эти задачи современные нейросети уже умеют выполнять достаточно хорошо. Anthropic сообщает, что её инженеры сегодня выпускают в среднем примерно в восемь раз больше кода за квартал, чем в период с 2021 по 2025 год. Разумеется, я не стала бы трактовать эту цифру буквально — мол, ИИ сделал программистов ровно в восемь раз продуктивнее. За это время изменилась сама компания, команды, процессы и инструменты. Но разработчики прямо связывают значительную часть ускорения с использованием Claude.
Получается простой и одновременно захватывающий цикл: люди создают более сильную модель, эта модель ускоряет работу людей, а люди с её помощью быстрее создают следующую модель. И затем цикл повторяется снова и снова.
Стремительный рост доверия к ИИ
Особенно показательной мне кажется динамика изменения цифр. Anthropic использует шкалу из нескольких уровней участия ИИ. На нижнем уровне всю работу выполняет человек. Затем нейросеть начинает помогать с отдельными действиями, сотрудничать с исследователем и в конце концов получает возможность вести почти всю задачу самостоятельно под человеческим наблюдением.
Ещё в феврале 2026 года доля задач, в которых Claude мог выступать в роли ведущего исполнителя, составляла менее 1%. К августу показатель вырос примерно до 26%. И речь здесь идёт вовсе не о написании писем или составлении презентаций, а о задачах внутри самой лаборатории, занимающейся разработкой передовых моделей искусственного интеллекта.
При этом более чем в 90% измеряемой работы Claude уже как минимум сотрудничает с исследователями. То есть ИИ постепенно становится не конечным продуктом лаборатории, а одним из инструментов производства следующего поколения этого продукта. Мне кажется, это фундаментальный сдвиг в понимании роли нейросетей.
Открытые задачи, которые раньше казались невозможными
Ещё показательнее статистика Claude Code — системы, которая позволяет модели работать непосредственно с программным кодом, файлами и инструментами разработчика. В августе 2025 года успешность Claude на сложных открытых задачах внутри таких рабочих сессий составляла примерно 26%. К сентябрю 2026 года показатель вырос примерно до 91%.
Именно открытые задачи я считаю здесь особенно важными. Это уже не просьба исправить одну заранее известную ошибку в пяти строках кода. Модели приходится разбираться в проекте, выбирать последовательность действий и работать в течение продолжительного времени. У человека по-прежнему остаётся контроль, но характер этого контроля постепенно меняется. Раньше разработчик говорил нейросети, что именно сделать на каждом этапе. Теперь всё чаще достаточно объяснить, какой результат нужен.
Где проходит граница реальности
Здесь мне хочется провести чёткую границу между тем, что происходит сегодня, и сценарием из фантастических фильмов. Claude пока не создаёт самостоятельно своего преемника. Люди выбирают архитектуру моделей, контролируют вычислительные ресурсы, определяют цели исследований, принимают решения о запуске экспериментов, проводят оценку безопасности и решают, выпускать ли новую систему.
Сама Anthropic пишет, что ни в одной из измеряемых категорий разработки ИИ Claude пока не достиг уровня полной автономности. Поэтому правильнее сказать иначе: нейросеть уже помогает людям улучшать нейросети, причём доля выполняемой ею работы быстро растёт. До настоящего рекурсивного самоулучшения остаётся ещё несколько больших шагов, и я не стала бы недооценивать их сложность.
Что такое рекурсивное самоулучшение на практике
Давайте представим условную модель ИИ версии 1. Она помогает инженерам создать более способную версию 2. Версия 2 уже лучше программирует, анализирует исследования и проводит эксперименты. Поэтому с её помощью версия 3 появляется быстрее. Версия 3 ещё эффективнее помогает разработчикам сделать версию 4. Если каждое поколение действительно ускоряет создание следующего, цикл может становиться всё короче.
Именно это называют рекурсивным самоулучшением. В предельном сценарии участие человека постепенно уменьшается настолько, что система получает возможность самостоятельно проектировать, обучать, тестировать и улучшать своего преемника. Сегодня такого процесса нет. Anthropic прямо пишет, что рекурсивное самоулучшение не является неизбежным и компания пока его не достигла. Но некоторые необходимые для него элементы уже начинают появляться, и это заставляет задуматься о перспективах.
Нейросети уже проводят собственные исследования
Программирование — только одна часть истории. Исследователи Anthropic создали автономных ИИ-агентов, которым поручили настоящую исследовательскую задачу в области безопасности моделей. Агенты должны были самостоятельно:
- предлагать идеи;
- выбирать эксперименты;
- запускать их;
- анализировать результаты;
- изменять гипотезы;
- повторять цикл.
В конкретной исследовательской задаче такие агенты смогли показать результаты, которые авторы работы оценили выше результатов привлечённых исследователей-людей. Это не означает, что нейросеть стала лучшим учёным вообще. Задача была специально определена и ограничена. Человек по-прежнему создавал среду, формулировал направление исследования и оценивал результат. Но граница снова немного сдвинулась: ИИ уже способен не только написать код для эксперимента по инструкции человека, но и предложить эксперимент сам, провести его и использовать результат для следующего шага.
Как Claude улучшает другие научные нейросети
Хороший пример появился буквально несколько дней назад. Anthropic дала Claude доступ к набору открытых моделей, которые учёные используют для исследования белков и других биомолекул. Задача заключалась не в том, чтобы придумать красивый текст о биологии. Нужно было улучшить реальный программный код этих моделей.
Менее чем за четыре недели Claude оптимизировал более 30 моделей. В среднем они стали работать примерно в четыре раза быстрее. Кроме того, система разработала режим с уменьшенным потреблением памяти, благодаря которому некоторые крупные биомолекулярные системы теперь можно анализировать на одном вычислительном узле с графическим ускорителем. Получается любопытная цепочка: одна нейросеть помогает сделать эффективнее другие нейросети, которыми затем пользуются учёные. И это уже происходит сегодня.
Почему скорость разработки может резко вырасти
Создание новой большой модели состоит из огромного количества небольших циклов. Инженер придумывает изменение, пишет код, запускает эксперимент, ждёт результат, изучает ошибки, меняет код и запускает следующий эксперимент. Если часть этой работы берёт на себя ИИ, один исследователь может одновременно проверять гораздо больше идей.
Но следующий шаг ещё интереснее. Допустим, новая модель становится на 30% лучше в программировании и исследованиях. Её начинают использовать внутри лаборатории. Благодаря этому разработка следующей версии ускоряется. Следующая модель снова оказывается способнее предыдущей. И она снова возвращается в процесс разработки. Ускоряется уже не только технология — начинает ускоряться сам процесс её улучшения. Именно поэтому крупнейшие лаборатории внимательно измеряют, какую долю исследований ИИ уже способен выполнять самостоятельно.
Ограничения, о которых не стоит забывать
Означает ли это, что новые модели будут выходить каждую неделю? Не обязательно. Написание кода — только одна часть создания современного ИИ. Для обучения крупнейших моделей нужны огромные вычислительные мощности. Необходимо построить или арендовать дата-центры, получить ускорители, подготовить данные, провести обучение, выполнить тесты безопасности и развернуть инфраструктуру для миллионов пользователей.
ИИ не может просто написать программу и отменить физические ограничения. Если обучение требует тысячи дорогостоящих ускорителей, эти ускорители всё равно нужно произвести, установить и обеспечить электричеством. Есть и другой предел: не каждая идея оказывается хорошей. Нейросеть может провести тысячу экспериментов быстрее человека, но это ещё не гарантирует фундаментального открытия. Поэтому сценарий, в котором модель за ночь сама создаёт в десять раз более умную версию себя, пока остаётся гипотетическим.
Как меняется роль разработчиков
Если ИИ берёт на себя программирование и проведение части экспериментов, роль человека постепенно смещается. Исследователь меньше времени тратит на механическую реализацию и больше на выбор направления. Какую проблему стоит исследовать? Как понять, что результат действительно хороший? Какие ограничения задать? Можно ли доверять эксперименту? Не нашла ли модель случайную лазейку? Что необходимо проверить вручную?
Получается, что разработчик постепенно превращается из человека, который выполняет каждый шаг самостоятельно, в человека, который управляет группой цифровых исполнителей. Мы уже видели похожий переход в обычном программировании. Сначала нейросеть дописывала одну строку кода, потом функцию, затем целый файл. Теперь агент способен получить задачу и самостоятельно работать с большим проектом. В исследованиях ИИ происходит похожий процесс.
Проблема контроля и доверия
Если модель участвует в создании следующей модели, возникает очевидный вопрос: кто проверяет результат? Использовать ИИ для ускорения исследований удобно. Но чем больше решений он принимает самостоятельно, тем сложнее человеку контролировать каждый шаг. Anthropic отдельно обращает внимание на эту проблему. Компания предлагает измерять уровень автономности ИИ в исследованиях и использовать определённые пороги как сигнал для усиления контроля.
Есть и ещё одна тонкость. Если одна модель проверяет работу другой, обе могут совершать похожие ошибки. Поэтому независимая проверка становится всё важнее. Чем больше ИИ участвует в собственной разработке, тем меньше подходит схема «модель сказала, что всё хорошо, значит всё хорошо».
Что это значит для обычного пользователя
На первый взгляд всё это происходит далеко внутри лабораторий и никак не связано с человеком, который просто открывает чат-бот на телефоне. Но именно скорость разработки определяет, как быстро новые возможности доходят до обычных продуктов. Если раньше крупное улучшение модели требовало года работы большой команды, а ИИ поможет сделать ту же исследовательскую работу за несколько месяцев, новые функции будут появляться быстрее.
Кодовые помощники станут способнее, ИИ-агенты смогут выполнять более длинные задачи, научные модели будут дешевле, локальные нейросети станут эффективнее. Программы начнут получать новые возможности с гораздо меньшим участием человека. Но вместе со скоростью растёт и необходимость проверки. Ошибка в обычной программе неприятна. Ошибка в системе, которая помогает создавать следующую систему, потенциально может переноситься дальше и усиливаться вместе с новым поколением.
Настоящее саморазвитие пока не наступило
Самая важная цифра во всей этой истории, пожалуй, не 90% и даже не 26%. Это 0% полной автономности в измеряемых Anthropic категориях исследований и разработки ИИ. Человек пока остаётся в цикле. Он ставит цели, контролирует работу, предоставляет вычислительные ресурсы и принимает ключевые решения.
Но всего за несколько месяцев доля задач, где ИИ уже способен вести основную работу, выросла с менее 1% примерно до четверти. Поэтому интересен не только сегодняшний уровень, но и скорость изменения. Ещё недавно нейросеть помогала программисту закончить строку кода. Сегодня она способна часами работать над проектом, проводить эксперименты и помогать оптимизировать другие модели. Следующий вопрос уже звучит гораздо серьёзнее: что произойдёт, когда лучший инструмент для создания нового ИИ окажется самим ИИ? Ответа пока нет, но впервые этот вопрос перестаёт быть исключительно сюжетом научной фантастики.