Дослідники Apple навчили ШІ практикуватися в використанні додатків без реальних програм
Нова методика дозволяє агентам ШІ навчатися здійснювати програмні виклики, симулюючи весь середовище всередині іншого ШІ, усуваючи один із найбільших вузьких місць при створенні корисних ШІ-асистентів.
Ключові моменти
- Apple ML Research опублікував методику в 2025 році, яка навчає агентів ШІ використовувати програмні інструменти без потреби в активній, працюючій версії цього програмного забезпечення.
- Методика використовує велику мовну модель, технологію, що лежить в основі чат-ботів на кшталт ChatGPT і Claude, яка грає роль вигаданого середовища, в якому практикується навчаючий агент.
- Поточні підходи до створення агентів, що викликають API — програмного забезпечення, яке може керувати програмами й сервісами від вашого імені, — залежать від реальних баз даних із реалістичними даними, що дорого й довго створювати.
- Нова методика потребує лише письмового опису API, скороченого від назви «прикладний програмний інтерфейс» — набору правил, які дозволяють одній програмі спілкуватися з іншою.
Уявіть, що ви навчаєте когось користуватися касовим апаратом, ніколи не даючи йому справжнього касира. Ви описуєте, як він працює, а колега грає роль машини, відповідаючи так, як би робила справжня машина. Приблизно так само Apple ML Research зробила для ШІ, але колега — це також ШІ.
Розробка агента ШІ, який може використовувати програмні інструменти, бронювання рейсу, запит до бази даних, надсилання повідомлення від вашого імені, нині потребує тисяч напрацьованих прикладів. Кожний приклад — це записана взаємодія між агентом та справді запущеною програмою з реалістичними вигаданими замовниками, замовленнями та історією. Створення таких даних у масштабі потребує величезних зусиль.
Підхід Apple повністю обходить цю проблему. Маючи лише специфікацію API — документ, що описує, що може робити програма й як її просити, — система створює симульоване середовище на льоту. Друга велика мовна модель грає роль програми, придумуючи правдоподібні відповіді в реальному часі. Навчаючий агент практикується проти цього замінника, набуваючи навичок без участі жодного справжнього сервера.
Це важливо, тому що нині вузьким місцем є не сам ШІ. Це конвеєр даних. Дослідники мають створювати працюючі тестові середовища, заповнювати їх правдоподібними фіктивними даними й запускати тисячі симульованих завдань, перш ніж агент готовий допомогти справжньому користувачеві. Цей процес обмежує швидкість, з якою можна створювати нових спроможних агентів.
Методика, незалежна від середовища, могла б змінити економіку цього процесу. Розробникам потребуватиме лише документація, яку вже публікують творці програмного забезпечення, перетворюючи зусилля щодо збирання даних на місяці на щось набагато швидше.
Що це означає для людей, які користуються ШІ-асистентами?
Для звичайних користувачів краще навчені агенти означають менше розчаровуючих помилок, коли ШІ намагається щось забронювати, пошукати або керувати від вашого імені. Якщо агентів можна дешево навчати на багатьох різних програмах, спектр завдань, які вони надійно виконують, повинен розширитися.
Це дослідження на ранній стадії, і Apple ML Research не оголосила про продукт, створений на його основі. Реальну продуктивність потребуватиме незалежного тестування, перш ніж будь-хто зможе сказати, наскільки добре симульоване навчання переноситься на справжні програми. Але основна ідея — використання одного ШІ для навчання іншого без потреби в активному середовищі — це чиста розв'язка справжньої, добре задокументованої проблеми в цій галузі.
