Дев'ять університетів — від Вашингтонського до Сеульського національного — у серпні 2026 року випустили SPADE, систему, в якій одна й та сама модель спершу вигадує собі тренувальне середовище, а потім сама ж намагається його розв'язати. Це не черговий бенчмарк і не черговий фреймворк для агентів — це спроба зняти головне вузьке місце сучасного RL-тренування: хто і як пише тисячі різноманітних задач, на яких модель вчиться міркувати.

У тому ж тижні дослідники з Гарварду, Стенфорда, Together AI та Каліфорнійського технологічного інституту показали Hawkeye — систему, яка навчає AI-агентів писати GPU-ядра, що на нових архітектурах на порядок обганяють вручну оптимізовані Triton-реалізації від профільних команд. Йдеться не про іграшковий бенчмарк: мова про порти PyTorch-навантажень на NVIDIA Blackwell і AMD MI350, у форматах точності, які нативний PyTorch взагалі не підтримує.

Провокаційне питання, яке напрошується: якщо модель уже вміє будувати собі тренажерку і водночас переписувати найскладніші ділянки низькорівневого коду краще за штатних інженерів-оптимізаторів, що саме лишається виключно людською спеціалізацією? У тому ж випуску дайджесту Import AI, звідки взято обидва дослідження, дослідник Тейлор Белроуз публікує розлогий есей із протилежного боку розмови — про те, чому AI-системам не варто давати права, бо вони, на його думку, у принципі не можуть бути свідомими.

Ці три сюжети — не випадковий збіг у одному випуску розсилки. Вони показують один і той самий процес із трьох боків: інженерна автономія росте швидше, ніж мова, якою ми звикли її обговорювати — чи то мова тренувальних пайплайнів, чи то мова прав і суб'єктності.

Звідки взявся SPADE і яку проблему з тренувальними середовищами він насправді вирішує?

SPADE — розшифровується як Self-Play in Adaptive Synthetic Executable Environments — з'явився у відповідь на цілком конкретну інженерну проблему: RL-післятренування (post-training) сучасних LLM потребує великої кількості різноманітних, верифіковних середовищ, а створення кожного окремого середовища вручну — це робота людини-дизайнера задач. Стандартні набори на кшталт AIME, GPQA чи LiveCodeBench статичні: модель, натренована на них, добре виконує саме ці типи задач, але погано узагальнюється на суміжні.

Розробники SPADE — команда з Вашингтонського, Стенфордського, Північно-Східного, Карнегі-Меллон, Массачусетського технологічного, Сінгапурського національного, Сеульського національного університетів, а також Stevens Institute of Technology та Університету Чикаго — пропонують інший рецепт: нехай та сама модель, яку ми хочемо натренувати, спершу навчиться вигадувати собі задачі, а вже потім тренується їх розв'язувати. Це форма самогри (self-play), знайома ще з AlphaGo, але тут замість ігрової дошки — довільний виконуваний Python-код, який описує ціле середовище: від логічної головоломки до симуляції біологічної лабораторії.

За даними Import AI, автори самі описують це як грубу форму RSI-бутстрапінгу через розширення широти даних — тобто модель не стає розумнішою сама по собі, а отримує ширший і дешевший потік навчального матеріалу, згенерованого нею ж.

Як саме SPADE генерує середовища під капотом?

У системі одна модель грає дві ролі одночасно. Перша роль — Environment Designer: вона пише повноцінні, розраховані на довгий горизонт тренувальні середовища у вигляді виконуваного коду. Друга роль — Reasoning Agent: та сама модель (або її копія) намагається розв'язати щойно згенеровану задачу.

Найцікавіший інженерний трюк — у тому, як рахується винагорода для Designer-ролі. Дизайнер прикріплює до середовища "привілейовану підказку" (privileged hint) — частковий розв'язок або ключове структурне спостереження. Винагорода дизайнера — це різниця між результатом Reasoning Agent із доступом до підказки і без нього. Якщо підказка нічого не змінює, задача або занадто легка, або занадто складна — і дизайнер отримує сигнал перекалібрувати складність. Це, по суті, автоматичний навчальний план (curriculum), який сам себе підстроює під поточний рівень моделі.

Команда протестувала підхід на трьох бекбонах Qwen3 — Qwen3-4B-Instruct-2507, Qwen3-8B і Qwen3-30B-A3B-Instruct-2507 — тренуючи кожен через GRPO протягом 400 ролаутів по 25 середовищ. Результат на найбільшій моделі: середній бал по ігрових середовищах зріс до 58,3 — це +8,1 порівняно з базовою моделлю і +5,3 порівняно з найсильнішим базлайном на фіксованому наборі середовищ. На середовищах для роботи з інструментами (tool-use) приріст показали всі три розміри моделі.

Важливе застереження, яке автори роблять самі: SPADE не дозволяє моделі вийти за межі "уяви" тієї базової моделі, яку використали для генерації середовищ. Тобто це не необмежений самозростаючий цикл, а скоріше спосіб дешевше і ширше видобути те, що модель уже потенційно вміє, але не мала на чому потренуватися. Середовища представлені як Python-програми з Gym-подібним інтерфейсом, що дозволяє уніфіковано тренувати і однокрокові reasoning-задачі, і багатокрокові агентні сценарії в одному пайплайні.

Чим Hawkeye відрізняється від torch.compile і вручну написаних Triton-ядер?

Написання оптимізованого GPU-ядра під конкретну комбінацію архітектури й формату точності — вузькоспеціалізована робота, яку зазвичай виконують кілька десятків інженерів у світі, здатних тримати в голові одночасно мікроархітектуру SM-блоків NVIDIA Hopper чи Blackwell і особливості компілятора Triton. Коли виходить нова архітектура — умовний AMD MI350 чи новий формат точності на кшталт NVFP4 — бібліотеки на кшталт cuBLAS, cuDNN чи FlashAttention підтягуються з затримкою в місяці, а часто й роки.

Команда з Гарварду, Стенфорда, Together AI та Caltech підійшла до задачі не як "дай агенту компілятор і хай пише що хоче", а звузила простір пошуку: Hawkeye — це мінімальна й вичерпна таксономія юніт-тестів, де кожен тест поєднує написане людиною еталонне ядро з метрикою профілювання, яка підтверджує саме той тип оптимізації. Агент читає еталонне ядро як приклад синтаксису, може викликати його напряму або компонувати фрагменти у власне, більше ядро.

Результати перевіряли на PyTorch-навантаженнях, перенесених на NVIDIA Ampere, Hopper, Blackwell та AMD MI350, у форматах BF16, FP8, NVFP4 і MXFP4. На усталених навантаженнях, де torch.compile диспетчерізує виклики до вже добре налаштованих бібліотек на кшталт cuBLAS, cuDNN і FlashAttention, Hawkeye зрівнюється або перевершує їх — включно з форматами точності, які нативний PyTorch взагалі не запускає. А на нових варіантах attention-механізмів, де torch.compile не вміє склеювати нестандартні скани й гейти, Hawkeye показує геометричне середнє прискорення 18,9× відносно вручну написаних Triton-ядер з бібліотеки Flash Linear Attention — і на Linear Attention підходить впритул або перевершує FLA на кожній з архітектур: 1,22× на Blackwell і рівно 1,00× (паритет) на MI350.

Для порівняння: спроби автоматизувати написання CUDA-ядер існували і раніше — наприклад, торішній проєкт Sakana AI "AI CUDA Engineer" намагався дати агенту повну свободу генерації низькорівневого коду. Ключова відмінність Hawkeye — свідоме звуження задачі до курованої таксономії тестів замість відкритого пошуку: менше галюцинацій, більше test-time compute, витраченого по суті.

Що це дає тим, хто будує агентів та інференс-стек просто зараз?

Перший сценарій — команди, що будують вузькоспеціалізованих агентів (наприклад, для біологічних лабораторних задач чи роботи з внутрішніми API), можуть використати логіку SPADE замість найму людей-дизайнерів задач: потужна модель генерує сотні варіацій середовищ у своїй вертикалі, менша модель тренується на них через GRPO. Код і чекпоінти SPADE вже викладені на GitHub (spade-rl), тож це не паперовий концепт, а щось, що можна запустити цього тижня.

Другий сценарій — інфраструктурні команди, які переносять навантаження на нове залізо. Замість того щоб чекати, поки вендор випустить свою версію cuBLAS для AMD MI350 чи нового покоління NVIDIA, підхід Hawkeye показує, що курована таксономія юніт-тестів разом з агентом, здатним масштабувати test-time compute, вже сьогодні дає конкурентні ядра для нестандартних attention-варіантів.

Третій сценарій — компанії, що будують моделі, можуть переосмислити, куди йде бюджет на спеціалістів. Замість найму кількох kernel-інженерів світового рівня на кожну нову архітектуру, є сенс інвестувати в побудову якісної таксономії тестів і еталонних рішень один раз — а далі агент масштабує цю роботу на нові чипи й формати точності самостійно.

Що може піти не так — і до чого тут суперечка про права машин?

У SPADE головний ризик — це межа, яку самі автори чесно визнають: система не виводить модель за межі уяви базової моделі, використаної для генерації середовищ. Якщо ця базова модель має системні сліпі зони чи упередження щодо певного типу задач, усі згенеровані середовища успадкують ці ж обмеження. Другий ризик — потенційний reward hacking у механізмі привілейованих підказок: якщо Designer-роль навчиться генерувати підказки, які штучно завищують "розрив" винагороди, не роблячи задачу дійсно кориснішою для навчання.

У Hawkeye слабкість видно прямо в цифрах: паритет 1,00× на AMD MI350 (замість перевищення, як на Blackwell) натякає, що виграш менший там, де програмний стек ще менш зрілий. І хоча автори називають підхід "мінімально керованим", таксономію юніт-тестів і еталонні ядра все одно пишуть люди — межа якості цієї курованої бази задає стелю для того, чого зможе навчитися агент.

Ширший ризик — не технічний, а культурний. В есеї "Losing My Religion", який дослідник Джуліан Тогеліус вирішив опублікувати після року вагань, він описує власну "кризу віри" 2025 року: страх перед світом, де людський талант і геніальність перестають мати значення. Тогеліус не самотній у цьому — Джеффрі Гінтон і Йошуа Бенджіо, обидва лауреати премії Тюрінга, останніми роками змістили фокус кар'єри від дослідницької роботи до публічної адвокації в питаннях AI-політики.

І саме на цьому тлі есей Тейлора Белроуза "AIs Are Not People" виглядає не абстрактною філософією, а практичною реакцією на зростаючу автономію систем на кшталт SPADE і Hawkeye. Белроуз аргументує, що надання AI-системам прав — це "слизький схил" до повного витіснення людей, і що ключова причина відмовити в правах — принципова неможливість свідомості в обчислювальному субстраті. Його аргумент спирається на п'ять відмінностей між мозком і комп'ютером:

Це не консенсусна позиція — раніше про протилежну тезу писали автори роботи "AI Rights for Human Flourishing", яка обстоює зворотний підхід. Але сам факт, що серйозні дослідники витрачають місяці на розлогі есеї з обох боків суперечки саме тепер, коли системи на кшталт SPADE вчаться писати собі тренувальні задачі, а системи на кшталт Hawkeye переганяють експертних інженерів у вузьких технічних ремеслах, — це і є сигнал: питання автономії й суб'єктності AI перестає бути кабінетною філософією і стає питанням практичного управління (governance).

Чи можна вже сьогодні спробувати SPADE чи Hawkeye у власному проєкті?

SPADE — так, код і чекпоінти моделей викладені у відкритому репозиторії spade-rl на GitHub, а сама система побудована поверх стандартних відкритих бекбонів Qwen3, тож відтворити базовий пайплайн реально без доступу до закритої інфраструктури. Hawkeye поки що описаний як дослідницький фреймворк без вказівки на публічний реліз коду в такому ж обсязі, тож для більшості команд практичний висновок з нього — методологічний (курована таксономія юніт-тестів як спосіб скейлити test-time compute), а не готовий інструмент для копіпасту.

Чи означає прискорення 18,9× у Hawkeye, що ручне написання GPU-ядер втрачає сенс?

Ні, і не тому що цифра неправдива, а тому що вона стосується конкретної ніші — нових варіантів attention-механізмів, які torch.compile ще не вміє ефективно склеювати. На усталених навантаженнях, де вендорські бібліотеки роками оптимізовані вручну, Hawkeye лише зрівнюється з ними, а не переписує їх заново. Реальний висновок — не "інженери-кернели більше не потрібні", а "розрив між релізом нового чипа й появою експертних бібліотек під нього тепер можна закрити швидше за допомогою курованого агента".

Висновок AiiN

Наша теза проста: інженерна автономія росте швидше за мову, якою її регулюють. В одному випуску дайджесту зафіксовано модель, що вчиться будувати собі тренувальний майданчик (SPADE), модель, що переганяє експертних інженерів у написанні низькорівневого коду (Hawkeye), і серйозну публічну суперечку про те, чи заслуговують такі системи на права. Це не збіг — це три симптоми однієї й тієї ж кривої.

Прогноз на найближчі 6-12 місяців: очікуємо появи ще кількох робіт у жанрі "агент генерує собі навчальний план" — SPADE тут не перша й не остання ітерація self-play-стилю RL post-training, і, найімовірніше, ми побачимо гібриди, де кілька різних фронтирних моделей по черзі виступають Environment Designer-ом, щоб обійти обмеження "стелею уяви" однієї моделі. У сфері kernel-інженерії варто чекати, що зв'язка "курована таксономія плюс агент" стане стандартним способом закривати розрив підтримки для нового заліза (наступні покоління AMD, кастомні inference-чипи) швидше, ніж вендори встигають випускати офіційні бібліотеки. А в дискусії про права машин консенсусу не буде — але кількість серйозних, розлогих і публічних позицій, подібних до есеїв Белроуза й Тогеліуса, зростатиме пропорційно до того, наскільки автономними стають системи на кшталт SPADE. Для тих, хто будує продукти на AI-агентах, це практичний сигнал: питання "скільки автономії дати агенту" скоро перестане бути суто інженерним і стане питанням, яке доведеться захищати перед регуляторами й користувачами.