Опубликовано 5 марта 2026

Как ИИ улучшает и оптимизирует собственный код

Как ИИ учится улучшать собственный код: эксперимент с самооптимизацией

Исследователи AMD показали, как ИИ-агент может итеративно и без участия человека оптимизировать высокопроизводительный код.

Исследования / Технический контекст 4 – 5 минут чтения
Источник события: AMD 4 – 5 минут чтения

Большие языковые модели неплохо пишут код. Это уже не новость – миллионы разработчиков пользуются ИИ-помощниками в повседневной работе. Но одно дело – написать рабочий фрагмент, и совсем другое – написать максимально быстрый код. Особенно это актуально для вычислений, где важна каждая миллисекунда: научные симуляции, обработка данных, задачи машинного обучения.

Именно об этом – новый эксперимент от команды AMD. Во второй части серии об ИИ-агентах для высокопроизводительных вычислений (HPC) исследователи показали, как можно заставить языковую модель не просто генерировать код, а итеративно его улучшать – снова и снова, пока производительность не достигнет нужного уровня.

Проблема оптимизации: написать и оптимизировать код

Проблема: написать – не значит оптимизировать

Когда мы просим ИИ написать код, он, как правило, выдаёт что-то рабочее. Но «рабочее» и «быстрое» – не одно и то же. В высокопроизводительных вычислениях код должен максимально использовать возможности оборудования: параллельные вычисления, особенности памяти, специфику конкретного процессора или видеокарты.

Человек-эксперт справляется с этим через итерации: написал – запустил – измерил – переписал. Причём переписал не наугад, а опираясь на понимание того, что именно замедляет программу. Можно ли научить ИИ делать то же самое?

Ответ, который предлагают авторы публикации: да, если дать модели правильный инструмент и правильную обратную связь.

OpenEvolve: эволюция кода как стратегия оптимизации

OpenEvolve: эволюция кода как стратегия

В основе эксперимента – инструмент под названием OpenEvolve. Проще говоря, это система, которая подходит к оптимизации кода так же, как биологическая эволюция подходит к выживанию: через множество попыток, отбор лучших вариантов и постепенное улучшение.

Вот как это работает на практике:

  1. ИИ-агент получает исходный код и задачу – сделать его быстрее.
  2. Модель предлагает изменения: переписывает фрагменты, пробует разные подходы.
  3. Каждый вариант запускается и измеряется – насколько он быстр по сравнению с предыдущим.
  4. Лучшие варианты «выживают» и становятся основой для следующего раунда изменений.
  5. Цикл повторяется.

Это не просто «попроси ИИ переписать код». Это управляемый итеративный процесс, где каждая итерация опирается на реальные измерения производительности, а не на интуицию модели.

MCP: взаимодействие ИИ-агента с инструментами

MCP: как агент «разговаривает» с инструментами

Отдельная часть эксперимента касается того, как именно ИИ-агент взаимодействует с инструментами оптимизации. Здесь используется подход под названием MCP (Model Context Protocol) – это, если коротко, стандартизированный способ для языковой модели вызывать внешние инструменты и получать от них результаты.

Представьте, что у агента есть «руки»: он может запустить код, получить результат замера, передать его обратно в модель – и та примет решение о следующем шаге. MCP как раз и описывает, как эти «руки» устроены и как ими пользоваться.

Это важный момент, потому что без такой связи агент был бы ограничен только своими внутренними предположениями о том, что работает хорошо, а что плохо. С MCP он получает реальные данные из реального окружения – и это принципиально меняет качество оптимизации.

Результаты эксперимента по оптимизации кода

Что получилось в итоге

Эксперимент проводился на задачах из области высокопроизводительных вычислений – тех, где важна скорость работы на GPU. Результаты показали, что итеративный подход с OpenEvolve действительно позволяет агенту находить более производительные решения, чем те, что он предложил бы с первого раза.

Это не означает, что ИИ превзошёл опытного инженера-оптимизатора. Но это демонстрирует рабочую концепцию: автоматизированная оптимизация через итерации и измерения – реализуемая идея, а не только теория.

Для разработчиков, которые работают с вычислительно тяжёлыми задачами, это может означать новый инструмент в арсенале: не «попросить ИИ написать быстрый код», а «запустить агента, который будет улучшать код до тех пор, пока не достигнет цели».

Применимость подхода вне высокопроизводительных вычислений

Почему это интересно за пределами HPC

Высокопроизводительные вычисления – довольно специфическая область. Но логика, которую демонстрирует этот эксперимент, применима шире.

Итеративное улучшение с обратной связью – это, по сути, то, как работает любой хороший инженерный процесс. И если ИИ-агент может встроиться в этот процесс не как генератор готового решения, а как участник цикла «попробовал – измерил – улучшил», это меняет то, как мы думаем об автоматизации разработки в целом.

Пока что такие системы требуют настройки, понимания контекста и чёткого определения того, что именно мы хотим оптимизировать. Агент не знает сам, что «быстрее» – это хорошо, пока мы не скажем ему, как это измерить. Но это разумное ограничение, а не принципиальный барьер.

Актуальные вопросы и перспективы метода ИИ-оптимизации кода AMD

Открытые вопросы

Как и любой эксперимент, эта работа оставляет вопросы открытыми.

Насколько хорошо подход масштабируется на более сложные кодовые базы? Что происходит, когда оптимизация одного фрагмента ухудшает другой? Как агент справляется с ситуациями, где «быстрее» трудно измерить напрямую?

Эти вопросы не обесценивают результат – они просто обозначают направление следующих шагов. А сам факт того, что AMD публично делится такими экспериментами, говорит о том, что тема ИИ-агентов для разработки выходит за рамки исследовательских лабораторий и становится частью практической инженерной повестки.

Оригинальное название: HPC Coding Agent – Part 2: An MCP Tool for Code Optimization with OpenEvolve – ROCm Blogs
Дата публикации: 4 мар 2026
AMD www.amd.com Международная компания – производитель процессоров и вычислительных ускорителей для ИИ-задач.
Предыдущая статья Как Helion самостоятельно настраивается под задачу Следующая статья SysOM MCP: когда ИИ сам разбирается, что происходит с вашим сервером

Связанные публикации

Вам может быть интересно

Перейти к другим событиям

События – лишь часть картины. Эти материалы помогают увидеть шире: контекст, последствия и идеи, стоящие за новостями.

Исследователи Hugging Face продемонстрировали способ проверки способности языковых моделей применять инструменты непосредственно в реальной среде, а не в изолированных условиях.

Hugging Facehuggingface.co 13 фев 2026

ИИ: События

Как запустить ИИ-агента для программирования на видеокартах AMD Instinct

Технический контекст Инфраструктура

AMD показала, как развернуть OpenHands – агента для автоматизации написания кода – на своих серверных графических процессорах (GPU) с использованием движка vLLM.

AMDwww.amd.com 28 янв 2026

ИИ: События

Как GPU от AMD ускоряют визуализацию графов – и при чём здесь ИИ

Технический контекст Разработка

AMD продемонстрировала, как переносить алгоритмы раскладки графов на GPU с помощью платформы ROCm, используя ИИ в роли ассистента при написании и адаптации кода.

AMDwww.amd.com 7 фев 2026

От источника к разбору

Как создавался этот текст

Этот материал не является прямым пересказом исходной публикации. Сначала была отобрана сама новость – как событие, важное для понимания развития ИИ. Затем мы задали рамку обработки: что в тексте важно прояснить, какой контекст добавить и на чём сделать акцент. Это позволило превратить отдельный анонс или обновление в связный и осмысленный разбор.

Нейросети, участвовавшие в работе

Мы открыто показываем, какие модели использовались на разных этапах обработки. Каждая из них выполняла свою роль – анализ источника, переписывание, проверка и визуальная интерпретация. Такой подход позволяет сохранить прозрачность процесса и ясно показать, как именно технологии участвовали в создании материала.

1.
Claude Sonnet 4.6 Anthropic Анализ исходной публикации и написание текста Нейросеть изучает оригинальный материал и формирует связный текст

1. Анализ исходной публикации и написание текста

Нейросеть изучает оригинальный материал и формирует связный текст

Claude Sonnet 4.6 Anthropic
2.
Gemini 2.5 Flash Google DeepMind Проверка и правка текста Исправление ошибок, неточностей и спорных формулировок

2. Проверка и правка текста

Исправление ошибок, неточностей и спорных формулировок

Gemini 2.5 Flash Google DeepMind
3.
DeepSeek-V3.2 DeepSeek Подготовка описания для иллюстрации Генерация текстового промпта для визуальной модели

3. Подготовка описания для иллюстрации

Генерация текстового промпта для визуальной модели

DeepSeek-V3.2 DeepSeek
4.
FLUX.2 Pro Black Forest Labs Создание иллюстрации Генерация изображения по подготовленному промпту

4. Создание иллюстрации

Генерация изображения по подготовленному промпту

FLUX.2 Pro Black Forest Labs

Не пропустите ни одного эксперимента!

Подпишитесь на Telegram-канал –
там мы регулярно публикуем анонсы новых книг, статей и интервью.

Подписаться