Исследователи Apple научили ИИ практиковаться в использовании приложений без реального приложения

Ключевые моменты

• Apple ML Research в 2025 году опубликовала метод обучения агентов ИИ использованию программных инструментов без требования наличия работающей версии этого программного обеспечения.
• Эта технология использует большую языковую модель, технологию, лежащую в основе чатботов типа ChatGPT и Claude, в качестве имитируемой среды, в которой обучающийся агент тренируется.
• Современные подходы к разработке агентов, вызывающих API, программного обеспечения, которое может работать с приложениями и сервисами от вашего имени, зависят от реальных баз данных, полных реалистичных данных, что медленно и дорого создавать.
• Новому методу требуется только письменное описание API, сокращение от application programming interface — набор правил, позволяющих одной части программного обеспечения взаимодействовать с другой.

Представьте себе обучение кого-то работе с кассой без её наличия. Вы описываете, как она работает, а коллега играет роль машины, реагируя так, как реагировала бы настоящая касса. Примерно это сделала Apple ML Research для ИИ, но коллега — это тоже ИИ.

Создание агента ИИ, способного использовать программные инструменты — бронировать рейс, запрашивать базу данных, отправлять сообщение от вашего имени — в настоящее время требует тысяч готовых примеров. Каждый пример — это записанный диалог между агентом и реально работающим приложением, со включёнными реалистичными фиктивными покупателями, заказами и историей. Создание таких данных в масштабе требует огромных усилий.

Подход Apple полностью обходит эту проблему. Имея только спецификацию API, документ, описывающий возможности программного обеспечения и способ его использования, система создаёт имитируемую среду на лету. Вторая большая языковая модель играет роль приложения, придумывая правдоподобные ответы в реальном времени. Обучающийся агент тренируется против этого заменителя, развивая навыки без единого реального сервера.

Это важно, потому что узким местом сегодня является не сам ИИ, а конвейер данных. Исследователи должны создавать рабочие тестовые среды, заполнять их убедительными фиктивными данными и запускать тысячи имитируемых задач, прежде чем агент будет готов помогать реальному пользователю. Этот процесс ограничивает скорость создания новых способных агентов.

Метод без окружения может изменить экономику этого процесса. Разработчикам потребуется только документация, которую уже публикуют создатели программного обеспечения, превращая работу по сбору данных, которая занимала месяцы, в гораздо более быстрый процесс.

Что это означает для пользователей ассистентов на базе ИИ?

Для обычных пользователей лучше обученные агенты означают меньше разочаровывающих ошибок, когда ИИ пытается что-то забронировать, найти или управлять от вашего имени. Если агентов можно дешево обучить работе со множеством различных приложений, спектр надёжно обрабатываемых ими задач должен расширяться.

Это исследование находится на ранней стадии, и Apple ML Research не объявила о продукте на его основе. Производительность в реальном мире потребует независимого тестирования, прежде чем кто-то сможет сказать, насколько хорошо имитируемое обучение переносится на настоящие приложения. Но основная идея, использование одного ИИ для обучения другого без необходимости в работающей среде, — это элегантное решение действительно существующей и хорошо задокументированной проблемы в этой области.