К 2028 году на рынке могут появиться ИИ-системы, способные самостоятельно разрабатывать и обучать собственных преемников без участия человека. Такой прогноз дал сооснователь компании Anthropic Джек Кларк.
Кларк описал сценарий полной автоматизации ИИ-исследований — модель самостоятельно:
- ставит исследовательские задачи;
- проектирует эксперименты;
- пишет и тестирует код;
- оптимизирует обучение;
- улучшает архитектуру следующей версии ИИ.
Эксперт назвал это «рубиконом в почти непредсказуемое будущее» и оценил вероятность такого сценария в 60% в ближайшие два года.
На чем основана оценка
Вывод Кларка строится на динамике нескольких бенчмарков:
- SWE-Bench — тест на решение реальных инженерных задач по репозиторию GitHub. В конце 2023 года лучшие модели справлялись примерно с 2% кейсов; к весне 2026 показатель достиг 94%;
- CORE-Bench — воспроизведение результатов научных ИИ-статей с установкой окружения, запуском кода и анализом выводов. По словам Кларка, бенчмарк фактически «закрыт»: современные агенты показывают около 95,5%;
- MLE-Bench — выполнение ML-задач уровня Kaggle. Лучшие агентные системы уже достигают 64-65%.
По словам сооснователя Antropic, все три метрики демонстрируют одно: ИИ быстро переходит от точечного написания кода к полноценному выполнению инженерных и исследовательских задач.
Рост автономности
Еще один аргумент — увеличение продолжительности задач, которые ИИ-модели способны выполнять без вмешательства человека.
По данным METR, в 2022 году системы справлялись с заданиями, занимавшими у человека десятки секунд. В 2024 показатель вырос примерно до 40 минут, в 2025 году — до шести часов. Сейчас передовые модели способны вести инженерную работу около 12 часов подряд.
Кларк связал это с распространением агентных инструментов для программирования. Чем дольше модель удерживает цель, проверяет промежуточные результаты и исправляет ошибки, тем больше этапов исследовательского цикла можно ей делегировать.
Почему это важно для разработки ИИ
Современный цикл разработки ИИ устроен по одной схеме: изучить материалы, воспроизвести результат, собрать эксперимент, обучить или дообучить модель, проверить метрики, найти узкие места и повторить. Рост на SWE-Bench, CORE-Bench и MLE-Bench показывает, что модели уже справляются с целыми фрагментами такого цикла.
Кларк отдельно указал на прогресс в более специализированных задачах. Например, ИИ начинают применять для дизайна GPU-ядер — кода, который определяет эффективность обучения и инференса моделей на конкретном железе.
Еще одно направление — дообучение моделей. В бенчмарке PostTrainBench ИИ-системы улучшают небольшие LLM с открытым исходным кодом.
По состоянию на весну 2026 года лучшие нейросети достигают 25-28% от целевого прироста (у человеческих команд — 51%). Кларк считает результат значимым: ориентир задают реальные инструктивные модели, созданные опытными исследователями.
Anthropic замеряла, как ее модели оптимизируют обучение LLM на CPU. За год ускорение выросло с 2,9 раза (Claude Opus 4) до 52 (Claude Mythos Preview). Человеку на аналогичную задачу обычно требуется четыре-восемь часов.
ИИ уже учится управлять ИИ
Кларк отметил, что современные системы начинают координировать работу других агентов. Такой подход уже используется в продуктах вроде Claude Code или OpenCode: один ассистент распределяет задачи между несколькими подассистентами, контролирует их и собирает результаты.
Для ИИ-разработок это важно: они редко представляют собой одну линейную задачу — обычно это десятки параллельных процессов, включая написание кода и настройку окружения.Если модель начнет управлять такими контурами самостоятельно, степень человеческого участия резко сократится.
Нужна ли нейросетям креативность
По мнению сооснователя Anthropic, один из ключевых вопросов— на что больше похожа разработка ИИ: на открытие общей теории относительности или на сборку Lego.
Кларк признал, что современные LLM пока не способны генерировать принципиально новые научные идеи. Однако для автоматизации значительной части AI R&D это может быть не обязательно.
Первые признаки научного вклада
Кларк считает, что у ИИ-моделей уже начинают появляться ранние признаки научной интуиции. Он привел несколько примеров из математики и информатики:
- команда математиков с помощью Gemini проверила около 700 задач Эрдеша и получила 13 решений, одно из которых исследователи назвали «слегка нетривиальным» вкладом в открытую проблему;
- ученые из Университета Британской Колумбии, Университета Нового Южного Уэльса, Стэнфорда и Google DeepMind опубликовали математическое доказательство, найденное при существенном участии инструментов на базе Gemini.
Что будет, если прогноз верен
Кларк обратил внимание, что крупнейшие ИИ-лаборатории уже движутся в сторону автоматизации исследований. OpenAI намерена создать ИИ-стажера для самостоятельной научной деятельности, Anthropic выпускает работы по автоматической настройке под человеческие ценности.
Если текущий темп сохранится, индустрия перейдет к фазе полной автоматизации ИИ-разработок, спрогнозировал эксперт — запустится цикл, при котором каждое новое поколение ИИ ускоряет появление следующего.
По его словам, если к концу 2028 года переход состоится, мир столкнется не только с технологическим скачком. На первый план также выйдут фундаментальные вопросы безопасности, распределения капитала, роли человеческого труда и контроля над системами, которые начинают развиваться быстрее своих создателей.
Напомним, в январе гендиректор Anthropic Дарио Амодеи предсказал скорое появление AGI и сокращения рабочих мест.
Конец монополии на интеллект: как алгоритмы вытесняют когнитивную элиту - ForkLog
Генеративный ИИ делает с белыми воротничками то, что конвейер сделал с фабричными рабочими сто лет назад.
forklog.com