# Инженерные каркасы остаются ключевым условием для самообучения ИИ, утверждает Лилиан Венг

> Руководитель отдела безопасности OpenAI Лилиан Венг (Lilian Weng) опубликовала анализ, в котором доказывает, что даже продвинутые модели искусственного интеллекта не смогут эффективно самообучаться без внешних инженерных систем, задающих цели и контекст.

- Canonical HTML: https://youragents.me/ru/media/news/inzhenernye-karkasy-ostajutsja-kljuchevym-usloviem-dlja-samoobuchenija-ii-utverzhdaet-lilian-veng
- Markdown: https://youragents.me/ru/media/news/inzhenernye-karkasy-ostajutsja-kljuchevym-usloviem-dlja-samoobuchenija-ii-utverzhdaet-lilian-veng.md
- Section: Новости
- Published: 2026-07-09T01:37:47+03:00
- Modified: 2026-07-09T01:37:47+03:00

Руководитель отдела безопасности OpenAI Лилиан Венг (Lilian Weng) опубликовала анализ, в котором доказывает, что даже продвинутые модели искусственного интеллекта не смогут эффективно самообучаться без внешних инженерных систем, задающих цели и контекст. Её тезисы подтверждаются практическим применением: стартап Inflection Intelligence использовал подобные подходы для создания модели GPT-5.5, превзошедшей конкурента. 

Лилиан Венг, возглавляющая направление безопасности в OpenAI, обобщила результаты исследований в области самообучающихся агентов и пришла к выводу: автономное совершенствование моделей искусственного интеллекта невозможно без внешних инженерных каркасов. В опубликованном обзоре она подчёркивает, что такие системы — не временный костыль, а фундаментальный элемент архитектуры, позволяющий задавать цели, ограничения и контекст для работы ИИ.

Венг анализирует несколько подходов к созданию самообучающихся агентов, включая Automated Design of Agentic Systems (ADAS), Darwin Gödel Machine и DGM-HyperAgents. Все они, по её словам, требуют чётко определённых «упряжек» (harnesses) — наборов правил и инструментов, которые направляют процесс обучения. Без них модели либо застревают в локальных оптимумах, либо начинают оптимизировать не те метрики, что изначально предполагали разработчики.

Практическое подтверждение тезисам Венг нашёл стартап Inflection Intelligence, сооснователем которого является Эмад Мостаке (Emad Mostaque). В блоге компании описано, как применение инженерных каркасов позволило модели GPT-5.5 превзойти конкурирующую систему Claude Fable в решении сложных задач программирования. Мостаке в комментарии к посту Венг отметил, что подобные подходы «поднимают потолок возможностей моделей», но не устраняют необходимость в ручной настройке.

Среди экспертов, отреагировавших на публикацию, — Джефф Клун (Jeff Clune), профессор Университета Британской Колумбии и научный сотрудник DeepMind, назвавший обзор Венг «отличным ресурсом для всех, кто работает над оптимизацией агентских систем». Другой комментатор, Йохеи Накадзима (Yohei Nakajima), подчеркнул: «„Упряжка“ никогда не исчезнет — она так же важна, как и сама модель».

Вопрос о границах автономии ИИ остаётся открытым. Венг не отрицает возможность создания полностью самообучающихся систем в будущем, но настаивает, что на текущем этапе инженерные каркасы — необходимое условие для предсказуемого и контролируемого развития моделей.

Источники: X-пост Лилиан Венг (Lilian Weng), 7 июля 2026; блог Inflection Intelligence.