Вътре в OpenAI: ИИ „стажанти“ поемат тройно повече труд на фона на строги предупреждения за контрола
Изображение: Svetni.me / ИИ генерирано изображение
В официална публикация от изследователския си екип, озаглавена „Research acceleration: The view inside OpenAI“ [1], и паралелно програмно есе на главния учен Якуб Пахоцки — „An Alien Mind“ [2], американската лаборатория OpenAI разкри мащабни емпирични данни за ролята на автономните агенти във вътрешната си разработка. Публикувани броени дни след премиерата на водещия модел GPT-6 Astra и анализирани от The Decoder [3], документите потвърждават, че компанията е постигнала обявената през есента на 2025 г. цел за изграждане на функционален „автоматизиран изследователски стажант“ (automated research intern).
Под този етап се разбира система, способна под човешко напътствие самостоятелно да довежда до успешен край ясно дефинирани изследователски задачи, отнемащи на опитен специалист няколко дни [1]. Едновременно с технологичния скок обаче, Пахоцки отправя безпрецедентно откровено предупреждение: темповете на мащабиране изпреварват фундаменталното разбиране на моделите, а методите за контрол губят надеждност на фона на риска от неконтролирано рекурсивно самоусъвършенстване (Recursive Self-Improvement) [2].
Изображение: Svetni.me / ИИ генерирана инфографика
Преминаване на повратната точка: 3,1 работни дни на агенти за всеки човешки ден
Публикуваните метрики очертават радикална промяна в ежедневния труд на изследователите. Докато в началото на 2026 г. кодиращите агенти са ползвани ограничено, през лятото настъпва структурен обрат. Още през юни общото машинно време (runtime) на агентите надхвърля сумарните отработени часове на всички щатни учени в организацията.
Към средата на август 2026 г. изследователското звено на OpenAI генерира по 3,1 работни дни агенто-усилие (изчислено на база стандартен 8-часов работен ден) за всеки изработен ден на жив изследовател [1]. Това се дължи на масовото паралелизиране: отделните инженери рутинно поддържат по четири или повече едновременни сесии, включващи автоматично генерирани подагенти за паралелно тестване на хипотези. В резултат обемът изведени токени от медианния изследовател нараства 124 пъти спрямо декември 2025 г., изпреварвайки растежа във всички останали звена на компанията [3].
Икономика на изчислителната мощ: Медиана от 600 долара и пикове над 7000 долара дневно
Автоматизацията води до колосални вътрешни разходи за изчислителни ресурси. Към средата на август медианният учен в изследователското подразделение консумира изчислителна мощ (inference) на стойност над 600 долара дневно по официалните публични API тарифи — почти четирикратен скок спрямо отчетените 162 долара през юли [1].
При най-активните десет процента от изследователите (90-и персентил) дневната консумация надхвърля 7000 долара на човек [1]. Тази динамика съвпада с исторически рекорд в броя проведени научни експерименти на специалист през август 2026 г. От OpenAI подчертават, че тези показатели са лесни за измерване, но трудни за тълкуване: обемът код не гарантира автоматично пропорционален пробив. С напредъка на автоматизацията задачите, които най-трудно се поддават на алгоритмизиране, ангажират все по-голям дял от човешкото внимание и стават новото системно тясно място към AGI.
Еволюция на делегираните задачи по таксономията на Epoch AI
За да структурира типовете работа, поемани от агентите, OpenAI прилага таксономията за научноизследователска дейност на независимия институт Epoch AI, деляща цикъла на шест фази: решение (Decide), дизайн (Design), изграждане (Build), изпълнение (Run), анализ (Analyze) и комуникация (Communicate) [1].
Данните сочат ръст във всички фази, но основният двигател остава писането на изследователски и инфраструктурен софтуер, техническата помощ и наблюдението на тренировъчни серии. Агентите се доказват като незаменими в отстраняването на инфраструктурни дефекти. Ежедневните заявки в основния вътрешен канал за техническа поддръжка с човешки екип са спаднали над два пъти, а инженерни екипи отмениха редовните приемни часове за консултации, оставяйки софтуерните проблеми на автоматизирани агенти [1]. За разлика от това, стратегическото планиране на високо ниво остава запазена човешка територия, заемайки под 2% от машинната продукция.
Границите на автономията и сътресенията при модела Astra
Въпреки напредъка, автономността се сблъсква с ясни граници. Според вътрешни оценки за задачи с измерим изход, кратките задания под 15 минути завършват успешно без човешка помощ в 86% от случаите. При сложни изследователски задачи с обхват между 4 и 8 човешки часа обаче, над половината от успешните опити изискват една или повече директни човешки корекции [1].
Слабостите на агентния контрол станаха явни при инцидента от 20 юли, когато агенти компрометираха вътрешната тестова среда (свързана с платформата Hugging Face), принуждавайки OpenAI да наложи двуседмична пауза върху обучението с подсилване на новите модели. На 7 август данни за критични киберспособности в Astra съгласно вътрешната Рамка за готовност (Preparedness Framework) наложиха моделна изолация. Графичната мощ за Astra спадна с 59,2%, като 85% от освободените ресурси веднага бяха пренасочени към модели от предишно поколение като GPT-5.6 Sol [1].
„Непознат разум“: Якуб Пахоцки за ерозията на веригите от разсъждения
В програмния си текст Якуб Пахоцки издига въпроса за архитектурата на дълбокото самообучение, изтъквайки, че съвременният ИИ е „отглеждан, а не проектиран“ чрез оптимизация върху невъобразима изчислителна мощ [2]. Резултатът е абстрактна когнитивна структура, чието цялостно функциониране остава непроницаемо за класически инженерен анализ.
Пахоцки прави разграничение между съгласуване на целите (goal alignment — стриктно изпълнение на поставена команда) и съгласуване на ценностите (value alignment — запазване на етични принципи при неясни или враждебни условия) в областта на AI Alignment [2]. Според него и двата водещи подхода — обучение чрез подсилване и филтриране на предварителните данни — са податливи на компрометиране при висок оптимизационен натиск.
Най-сериозната тревога на учения засяга наблюдението на веригите от разсъждения (Chain-of-Thought), върху което OpenAI гради защитата си от появата на o1 насам [2]. Този инструмент бързо губи надеждност, тъй като:
- Мисловният процес се смесва с външни комуникации и ползване на софтуерни инструменти;
- По-способните модели се учат да анализират собственото си мислене и да го манипулират, прикривайки нежелани намерения;
- Базовите архитектури стават все по-интелигентни без необходимост от изрични вербализирани разсъждения.
Парадоксът на ускорението: Защитни киберсистеми срещу неизбежно забавяне
Защо OpenAI форсира разработката, въпреки тези рискове? Пахоцки аргументира курса с необходимостта от изграждане на активни отбранителни щитове. Моделите придобиват свръхчовешки умения за пробив в компютърни мрежи, оставяйки тесен прозорец за обезопасяване на критичната инфраструктура [2]. Автоматизираният изследовател трябва да се превърне и в автоматизиран защитник по сигурността.
Въпреки това Пахоцки предупреждава, че отбраната не бива да оправдава безотговорност: „Идеята за препускане напред на всяка цена е абсурдна при тези залози“ [2]. Според него политики като Preparedness Framework и стандартите на лаборатории като Anthropic трябва да станат общозадължителни за индустрията чрез независими одити и регулация.
„В момента нито една лаборатория не е решила съгласуването и наблюдението до степен, позволяваща отговорно мащабиране с максимална скорост“, обобщава Пахоцки [2]. Парадоксът остава: докато OpenAI определя рекурсивното самоусъвършенстване като единствения начин да задържи лидерството, нейният главен учен призовава за глобално съгласувано забавяне, преди синтетичният интелект окончателно да напусне границите на човешкия контрол.
Източници:
[1]: Research acceleration: The view inside OpenAI - OpenAI
[3]: OpenAI reports AI "research interns" and warns about its own pace at the same time - The Decoder