„Ceea ce este extrem de interesant este că optimizează simultan atât datele, cât și modelul, și învață cea mai bună modalitate de a învăța orice capacitate”, a declarat pentru TechCrunch Sara Hooker, co-fondatoare și CEO al Adaption, fostă vicepreședintă de cercetare AI la Cohere. „Sugerează că putem permite în sfârșit antrenamente de succes la nivel frontieră în afara acestor laboratoare mari.”
AutoScientist se bazează pe oferta existentă a companiei, Adaptive Data, care facilitează construirea de seturi de date de înaltă calitate în timp. Noul instrument este conceput pentru a transforma acele seturi de date în continuă îmbunătățire în modele AI care se îmbunătățesc la rândul lor. „Viziunea noastră la Adaption este că întregul stack ar trebui să fie complet adaptabil și să se optimizeze din mers pentru orice sarcină ai”, spune Hooker.
Desigur, această abordare va fi la fel de bună pe cât de bune sunt rezultatele. În materialele de lansare, Adaption susține că AutoScientist a dublat sau chiar triplat rata de câștig (win-rate) la diferite modele – cifre impresionante, dar greu de pus în context. Deoarece sistemul este construit pentru a adapta modelele la sarcini specifice, benchmark-urile convenționale precum SWE-Bench sau ARC-AGI nu sunt aplicabile. Totuși, Adaption este atât de încrezătoare încât pune instrumentul la dispoziție gratuit pentru primele 30 de zile de la lansare.
„În același mod în care generarea de cod a deblocat o mulțime de sarcini, acest instrument va debloca o mulțime de inovații la frontiera diferitelor domenii”, adaugă Hooker.
Cum funcționează AutoScientist?
AutoScientist automatizează procesul de reglaj fin, care în mod tradițional necesită intervenție umană intensivă pentru a selecta datele de antrenament, a ajusta hiperparametrii și a evalua performanța. În loc să se bazeze pe un set static de date și pe o singură iterație de antrenament, AutoScientist rulează un ciclu continuu: generează date sintetice, antrenează modelul, evaluează rezultatele, apoi ajustează strategia de generare a datelor și reia procesul. Practic, modelul „se antrenează singur” prin intermediul unui algoritm meta-learning care învață cum să învețe.
Această abordare este similară cu conceptul de „auto-ml” (automated machine learning), dar aplicat la scară frontieră. Potrivit echipei Adaption, AutoScientist poate fi utilizat pentru o gamă largă de domenii – de la îmbunătățirea raționamentului matematic al modelelor până la generarea de cod sau analiza imaginilor medicale. Cheia este că instrumentul nu necesită cunoștințe avansate de deep learning; utilizatorii definesc doar sarcina și criteriile de succes, iar AutoScientist face restul.
Impactul asupra industriei AI
Lansarea AutoScientist vine într-un moment în care competiția pentru dezvoltarea modelelor de frontieră (frontier models) se intensifică. Giganți precum OpenAI, Google DeepMind și Anthropic investesc miliarde de dolari în infrastructură și talente, dar costurile rămân prohibitive pentru majoritatea startup-urilor și instituțiilor academice. Adaption își propune să schimbe această dinamică, oferind un instrument care reduce dramatic timpul și resursele necesare pentru reglajul fin.
„AutoScientist sugerează că putem permite în sfârșit antrenamente de succes la nivel frontieră în afara acestor laboratoare”, subliniază Hooker. Cu alte cuvinte, un grup mic de cercetători dintr-o universitate sau un startup ar putea, teoretic, să obțină performanțe comparabile cu cele ale echipelor de la OpenAI, folosind doar câteva GPU-uri și AutoScientist.
Desigur, rămâne de văzut cât de bine funcționează în practică. Cifrele de win-rate dublu sunt promițătoare, dar lipsa unor benchmark-uri standardizate face dificilă evaluarea independentă. Totuși, decizia de a oferi instrumentul gratuit pentru 30 de zile sugerează că Adaption este pregătită să-și dovedească valoarea.
Contextul mai larg: cursa pentru auto-îmbunătățirea AI
AutoScientist se înscrie într-o tendință mai amplă de automatizare a cercetării AI. În ultimii ani, au apărut instrumente precum AutoGPT, care permit modelelor să-și planifice și să-și execute propriile sarcini, sau sisteme de „self-play” folosite în jocuri precum AlphaGo. Diferența majoră este că AutoScientist se concentrează pe reglajul fin, nu pe antrenamentul de la zero, ceea ce îl face mai accesibil și mai rapid de implementat.
Un alt aspect important este că Adaption pune accent pe adaptabilitatea întregului stack. În loc să trateze datele și modelul ca entități separate, AutoScientist le optimizează împreună, ceea ce poate duce la soluții mai robuste și mai eficiente. Aceasta este o abordare diferită de cea a majorității laboratoarelor, care folosesc seturi de date fixe și apoi ajustează modelul.
Ce urmează?
Adaption nu este singura companie care explorează această direcție. Startup-uri precum Cohere, Anthropic sau chiar Google lucrează la metode de auto-îmbunătățire a modelelor. Cu toate acestea, AutoScientist se remarcă prin simplitatea promisă și prin faptul că este oferit ca produs comercial, nu doar ca experiment de cercetare.
Dacă instrumentul va avea succes, ar putea accelera semnificativ inovația în domenii precum descoperirea de medicamente, proiectarea materialelor sau analiza datelor climatice. În același timp, ridică întrebări etice: dacă modelele se pot îmbunătăți singure, cine controlează direcția în care evoluează? Și cum putem preveni apariția unor comportamente nedorite?
Pentru moment, Hooker și echipa sa sunt optimiste. „Acesta este doar începutul”, spune ea. „Vom vedea o explozie de aplicații care înainte erau imposibile din cauza costurilor și complexității.”
De ce este important:
AutoScientist reprezintă un pas concret spre democratizarea cercetării AI de frontieră. Prin automatizarea reglajului fin și optimizarea simultană a datelor și modelului, instrumentul reduce barierele de intrare pentru echipele mici și instituțiile cu resurse limitate. Dacă performanțele anunțate se confirmă, am putea asista la o accelerare a inovației în domenii critice, de la medicină la energie. În același timp, succesul său ar putea redefini modul în care gândim despre antrenarea AI – nu ca un proces manual și costisitor, ci ca un ciclu autonom de auto-îmbunătățire. Rămâne de văzut dacă promisiunile se vor materializa, dar direcția este clară: viitorul AI va fi tot mai mult despre mașini care se învață singure.
