Команда Калифорнийского университета в Сан-Диего представила AIBuildAI — многоагентную систему, которая умеет по обычному текстовому описанию задачи полностью автоматически проектировать, писать, обучать, настраивать и улучшать AI-модели.

В этой схеме человеку не нужно писать код вручную: достаточно сформулировать цель, а дальше система сама разбирает задачу на этапы и проходит весь цикл разработки.

Это уже не просто AI-помощник для программиста. Это попытка сделать так, чтобы AI строил AI — то есть одна модель или группа агентов выступала бы в роли виртуальной команды инженеров и исследователей.

Что умеет AIBuildAI

Система закрывает весь стандартный пайплайн разработки модели:

проектирует архитектуру;

пишет и запускает код;

обучает модель;

подбирает гиперпараметры;

оценивает качество;

запускает итерации улучшения.

Идея в том, чтобы заменить не одну отдельную операцию, а целую исследовательско-инженерную цепочку. Это особенно важно, потому что в реальной AI-разработке самые трудозатратные этапы — не только написание кода, но и постоянные эксперименты, отладка, сравнение вариантов и контроль качества.

Как устроена система

AIBuildAI работает как многоагентная команда, где у каждого агента своя функция:

Manager Agent — координирует весь процесс, решает, какой агент должен работать дальше, и отсеивает слабые варианты;

Designer Agent — придумывает архитектуры и предлагает новые стратегии;

Coder Agent — превращает идеи в рабочий код и запускает базовую проверку;

Tuner Agent — занимается обучением и донастройкой, чтобы выжать максимум производительности.

Такой подход очень похож на реальную работу AI-лаборатории: один человек не пишет всё сам, а управляет командой с разными ролями. Только здесь эту команду частично заменяют агенты.

Ключевой смысл AIBuildAI в том, что он делает AI-разработку менее зависимой от ручного труда. В обычной ситуации создание хорошей модели требует:

сильной экспертизы,

множества повторных экспериментов,

долгих циклов подбора параметров,

большого количества времени и денег.

AIBuildAI переводит это в более автоматизированный формат. Пользователь не обязан быть инженером-ML, чтобы запустить полноценный исследовательский цикл. Это может резко расширить круг людей, способных работать с AI-разработкой.

Самое громкое в этой истории — результат на OpenAI MLE-Bench. AIBuildAI показал 63,1% побед и занял первое место среди систем на наборе из 75 задач. Это сильный сигнал: архитектура реально работает не только в теории, но и на сложных практических бенчмарках, где нужно пройти путь от сырых данных до готовой модели.

Особенно важно, что MLE-Bench — это не синтетическая игрушка, а набор задач, близких к настоящим Kaggle-челленджам. Там есть:

классификация изображений,

детекция и сегментация,

NLP-задачи,

временные ряды,

табличное прогнозирование.

То есть AIBuildAI проявил себя в довольно широком наборе сценариев, а не только в одной узкой зоне.

AIBuildAI — это не просто ещё один генератор кода. Главная разница в том, что система умеет работать с динамикой обучения:

отслеживать, как идёт тренировка;

понимать, когда стоит остановиться;

решать, нужно ли менять гиперпараметры;

переключаться между вариантами.

Это очень близко к тому, как думает реальная команда ML-инженеров. Именно поэтому система выглядит как шаг от «AI пишет код» к «AI ведёт проект».

Если такие системы продолжат развиваться, то барьер входа в AI-разработку станет ещё ниже. Это означает:

больше людей смогут запускать AI-проекты без глубокой инженерной подготовки;

часть рутинной ML-работы будет автоматизирована;

ценность сместится от ручного исполнения к постановке задачи, выбору целей и оценке результата.

В долгосрочной перспективе это очень похоже на то, о чём сейчас говорят во многих AI-историях: AI начинает не только пользоваться инструментами, но и сам строить инструменты для себя.

AIBuildAI — это ещё один знак того, что мы переходим от AI как помощника к AI как самоорганизующейся инженерной системе. Если раньше модели помогали писать код, то теперь они начинают помогать создавать другие модели.

Это уже не просто автоматизация. Это попытка построить замкнутый цикл, в котором AI всё меньше зависит от ручного вмешательства человека. И победа на MLE-Bench показывает, что эта идея уже не выглядит фантастикой.