Исследователи Anthropic изучили, как современные ИИ-модели могут участвовать в создании обучающих данных и проверке ответов других систем. Такой подход способен ускорить разработку нейросетей, но требует строгого контроля качества и безопасности. Исследователи Anthropic изучили, как модели искусственного интеллекта могут участвовать в обучении других нейросетей. Речь идёт не о полном отказе от людей, а об автоматизации отдельных этапов подготовки данных, проверки ответов и настройки поведения моделей. Система может создавать примеры, находить ошибки и предлагать варианты исправлений. Исследование обсуждается на фоне роста интереса к рекурсивному улучшению ИИ. Главная идея заключается в том, чтобы использовать одну сильную модель для подготовки материалов для другой. Это может ускорить разработку новых систем, особенно если требуется обработать большое количество задач. ИИ способен быстрее человека перебрать варианты ответов, распределить их по категориям и выделить случаи, которые требуют дополнительной проверки. Однако модель может переносить собственные ошибки в обучающие данные и тем самым усиливать их в следующем поколении. Поэтому автоматическое обучение других нейросетей требует независимой проверки. Нужно сравнивать результаты с эталонными данными, отслеживать появление новых ошибок и не позволять системе самостоятельно менять критически важные параметры без контроля. Пока такие методы остаются исследовательским направлением. Они могут сократить стоимость разработки ИИ, но одновременно повышают требования к тестированию и наблюдению за процессом обучения.