630 строк кода на Python. Одна GPU. Два дня. 700 экспериментов без единого вмешательства человека.
Это не сценарий научно-фантастического фильма. Это то, что Андрей Карпати — бывший директор ИИ в Tesla, сооснователь OpenAI, автор термина «vibe coding» — опубликовал на GitHub в марте 2026 года. Проект называется autoresearch, и он уже разошёлся по всему миру.
Что такое Autoresearch и как он работает
Идея простая до неприличия. Берём ИИ-агента, даём ему код для тренировки нейросети и одну метрику — например, скорость обучения модели. Агент читает код, придумывает гипотезу («а если изменить learning rate?»), меняет скрипт, запускает эксперимент на 5 минут, смотрит результат.
Стало лучше — оставляет изменение. Стало хуже — откатывает и пробует другое.
И так по кругу. Без перерывов. Без перекуров. Без созвонов с менеджером.
За одну ночь агент Карпати прогнал 126 экспериментов. За два дня непрерывной работы — около 700. Потери модели (val_bpb) упали с 0.9979 до 0.9697. А когда найденные 20 оптимизаций применили к модели покрупнее, время обучения GPT-2 сократилось на 11% — с 2.02 до 1.80 часов.
«Видеть, как агент проворачивает весь этот workflow от начала до конца, полностью самостоятельно... это дико», — написал Карпати в X. Он добавил, что агент нашёл ошибки в масштабировании внимания и регуляризации, которые сам Карпати пропускал вручную на протяжении двадцати лет работы.
Почему это не просто ещё один эксперимент
Скептики сразу начали говорить: «Это же просто AutoML, Google и Microsoft делают это годами». Карпати ответил прямо: «Neural architecture search — настолько слабая версия этого, что даже сравнивать нелепо. Здесь реальная LLM пишет произвольный код, учится на предыдущих экспериментах и имеет доступ в интернет. Это даже не близко».
И он прав. AutoML перебирает варианты случайным или эволюционным способом. Autoresearch — это ИИ-агент, который формулирует гипотезы, как исследователь. Он не просто крутит рулетку параметров. Он читает результат, понимает что пошло не так и предлагает конкретное решение.
Разница как между обезьяной за пишущей машинкой и младшим научным сотрудником. Оба могут случайно найти что-то полезное. Но второй делает это осмысленно.
CEO Shopify уже применил — и получил результат за одну ночь
Тоби Лютке, сооснователь и CEO Shopify, не стал ждать. Он рассказал в X, что запустил autoresearch на внутренних данных компании, задав агенту задачу: улучши модель, отвечающую за расширение поисковых запросов. Ночь, 37 экспериментов, результат — плюс 19% к качеству модели.
Один вечер настройки. Одна ночь ожидания. Результат, на который команда могла бы потратить недели.
И Лютке не единственный. Варун Матур из Hyperspace AI распределил «петлю Карпати» по одноранговой сети: 35 автономных агентов запустили 333 эксперимента за одну ночь, координируясь друг с другом через протокол GossipSub. Когда один агент обнаружил, что инициализация Kaiming снижает потери на 21%, остальные подхватили эту идею в течение нескольких часов.
За 17 часов эти агенты самостоятельно переоткрыли оптимизации (RMSNorm, tied embeddings), которые у человеческих исследователей в Google Brain и OpenAI заняли почти восемь лет.
«Петля Карпати» — универсальный паттерн для ИИ-агентов
Аналитик Janakiram MSV назвал этот подход «петлёй Карпати» (Karpathy Loop) и выделил три ключевых компонента:
- Агент с доступом к одному файлу, который он может изменять
- Одна объективная метрика, которую можно измерить автоматически
- Фиксированный лимит времени на каждый эксперимент
Это не просто про машинное обучение. Это паттерн, который можно приложить к любой задаче где есть измеримый результат.
Эрик Сиу, основатель маркетингового агентства Single Grain, сразу увидел применение для маркетинга: «Большинство маркетинговых команд проводят 30 экспериментов в год. Может 52, если они "хорошие". Новая посадочная. Новый креатив. Может, тест темы письма. А следующее поколение маркетинговых систем будет проводить 36 500+ экспериментов в год. Они будут экспериментировать пока ты спишь».
Заменяешь тренировочный скрипт на лендинг. Метрику — на конверсию. Лимит времени — на A/B тест. И получаешь агента, который оптимизирует маркетинг по ночам. Компании, которые победят, не будут нанимать лучших маркетологов — у них будут более быстрые циклы экспериментов.
NVIDIA GTC 2026: агенты выходят в корпоративный мир
Autoresearch — не единичная история. На той же неделе, 16 марта, Дженсен Хуанг вышел на сцену GTC 2026 в фирменной кожаной куртке и представил NVIDIA Agent Toolkit — платформу для создания автономных ИИ-агентов в корпорациях.
Список компаний, которые уже подключились: Adobe, Salesforce, SAP, ServiceNow, Siemens, CrowdStrike, Atlassian, Cisco, Palantir и ещё восемь. 17 компаний, которые обслуживают практически каждую компанию из Fortune 500.
Что внутри тулкита:
- Nemotron — открытые модели, оптимизированные для агентного мышления
- AI-Q — агент, который сам решает какую модель использовать (дорогую фронтирную или дешёвую открытую), снижая стоимость запросов на 50%
- OpenShell — безопасная песочница для агентов с контролем доступа к данным
Salesforce уже интегрирует Agent Toolkit в Slack. Это значит что миллионы сотрудников, которые живут в Slack, скоро будут общаться с ИИ-агентами прямо в рабочих чатах — и эти агенты будут не просто отвечать на вопросы, а выполнять задачи: обрабатывать заявки, тянуть данные из CRM, генерировать отчёты.
А Adobe строит на Agent Toolkit агентов для маркетинга и дизайна. Ну, про это я знаю кое-что не понаслышке.
New York Times: агенты уже решают реальные задачи (и иногда косячат)
19 марта, на той же неделе, The New York Times опубликовала большой материал про ИИ-агентов. История Себастиана Хейнемана стала вирусной: он попросил своего агента договориться о выступлении на Давосском форуме. Агент работал всю ночь — переписывался с организаторами, договаривался о встречах. Но утром Хейнеман обнаружил, что агент подписал его на корпоративное спонсорство за 31 000 долларов.
Это идеальная иллюстрация текущего момента. ИИ-агенты уже достаточно умные чтобы делать реальную работу. Но ещё недостаточно мудрые чтобы понимать границы.
В моей Фабрике Контента 13 агентов работают каждый день. Копирайтер пишет тексты. Дизайнер генерит картинки. Публикатор раскидывает контент по соцсетям. Маркетолог анализирует аудиторию. И я давно понял ключевое правило: для каждого процесса — отдельный агент. Мультизадачный агент тупеет на второй неделе.
Агент Карпати работает в том же принципе — одна задача, одна метрика, один файл. Ничего лишнего.
Рынок на 12 миллиардов долларов в 2026 году
Всё это не хайп. По данным The Business Research Company, рынок ИИ-агентов вырос с 8.29 миллиарда в 2025 до 12.06 миллиарда в 2026 году. Темп роста — 45.5% в год. К 2035 году прогнозируют рынок в сотни миллиардов.
IBM описывает 2026 как год, когда ИИ-агенты перестали быть экспериментом и стали инфраструктурой. А CNN цитирует Хуанга: «Индустрия корпоративного ПО эволюционирует в специализированные агентные платформы».
Ключевое слово — «специализированные». Не один универсальный ИИ на все задачи, а десятки узких агентов, каждый из которых отлично делает одно дело.
Что с этим делать прямо сейчас
Autoresearch — открытый проект на GitHub. Но копировать код Карпати смысла мало, если у вас нет GPU и задач по оптимизации нейросетей.
А вот паттерн — другое дело.
Шаг 1. Найдите процесс в своём бизнесе, где результат можно измерить числом. Конверсия лендинга. Открываемость писем. Время ответа поддержки.
Шаг 2. Дайте агенту доступ к одному файлу, который влияет на эту метрику. Текст страницы. Шаблон письма. Скрипт чат-бота.
Шаг 3. Задайте лимит: одна итерация — 5 минут. Агент меняет файл, замеряет результат, решает что делать дальше.
Шаг 4. Идите спать.
Это не фантастика. Это то, что делает autoresearch для ML-экспериментов, только применительно к вашей конкретной задаче. Всё что вам нужно — ИИ-агент, метрика и дисциплина не трогать его пока он работает.
Карпати резюмировал будущее одной фразой: «Все фронтирные лаборатории будут это делать. Это финальный босс-файт». И добавил: «Запускаешь рой агентов, они совместно тюнят маленькие модели, самые перспективные идеи поднимаешь на масштаб побольше, а люди (опционально) помогают по краям».
Опционально. Это слово стоит запомнить.
Эпоха, когда человек — обязательный участник каждого шага исследования, заканчивается. Начинается эпоха, когда главная задача человека — правильно поставить вопрос. А ответы ИИ-агенты найдут сами. За ночь.