Код, который пишет сам себя: как российская разработка меняет правила игры в мире ИИ
Российские ученые разработали и опубликовали в открытом доступе систему на основе искусственного интеллекта, которая автоматически генерирует и оптимизирует GPU-ядра - специализированный программный код, выполняющийся на графических процессорах. Решение предназначено для ускорения и удешевления разработки нейросетей.
Общемировой проблемой при разработке нейросетей является то, что 80% времени тратится не на идеи, а на долгую рутинную оптимизацию кода под видеокарты. Эту проблему успешно решили учёные Института искусственного интеллекта AIRI, представив фреймворк KernelEvo. Это система, которая автоматически генерирует и оптимизирует GPU-ядра – специализированный код для графических процессоров.
Разработка передовых систем искусственного интеллекта и их использование требует создания мощных суперкомпьютеров, оснащенных большим числом графических сопроцессоров. Для эффективной работы которых необходимо, чтобы карты могли максимально эффективным образом обмениваться данными по относительно узким и медленным каналам связи и специализированным шинам данных.
Автоматизация и упрощение процесса разработки ядер
Современные ИИ-модели работают на графических ускорителях. Но, увы, универсальные библиотеки зачастую не дают максимальной скорости и под каждую конкретную задачу приходится писать свой код. Писать быстрые GPU‑ядра вручную долго и требует узкой экспертизы: нужно понимать модель памяти, эффективные паттерны доступа к памяти, ограничения конкретного бэкенда и уметь быстро разбираться в compile и runtime ошибках.
Разработка такого кода очень трудоемкий процесс, требующий высокой квалификации: инженеры вручную подбирают параметры параллелизации, тестируют различные конфигурации и профилируют результат. Этот цикл может занимать дни и недели, а специалисты по низкоуровневой оптимизации в большом дефиците.
KernelEvo в значительной степени автоматизирует процесс: система может перебирать варианты реализации на CUDA или Triton и предлагать оптимальные решения для специалистов, тестирует и анализирует ошибки.
Как это работает: ускорение ключевых операций
Вместо ручного цикла «написал → проверил → исправил» KernelEvo запускает автоматический поиск: «генерация кода → валидация → ремонт ошибок → повтор».
Это ведет к ускорению ключевых операций в 1,5-2 раза, что сокращает время обучения моделей, автоматически создает и оптимизирует код для GPU, уменьшает время и стоимость разработки алгоритмов ИИ. Разработка может применяться для оптимизации различных вычислительных задач на видеокартах.
В бизнесе производительность GPU-ядер напрямую влияет на экономику проектов. Ускорение ключевых операций в полтора-два раза сокращает время обучения моделей, снижает затраты на облачную инфраструктуру и дает возможность работать с более крупными моделями в рамках прежнего бюджета. В компаниях с крупными вычислительными кластерами такие изменения приводят к значительной экономии.
Результаты разработки находятся в открытом доступе: любой из разработчиков имеет возможность модифицировать код под свои задачи.
Эффективность в приоритете
Удешевить ИИ-вычисления стремятся исследовательские команды всего мира. В феврале 2026 года российскими учёными была представлена библиотека, ускоряющая обмен данными между GPU в два раза. Такие разработки прежде имели только мировые гиганты вроде Meta и AMD.
В 2025 году российско-китайская команда разработала алгоритм, позволяющий использовать обычные игровые видеокарты для научных расчётов, снижая зависимость от дорогостоящих профессиональных решений.
В декабре 2025 года стало известно о проекте Google TorchTPU, направленном на оптимизацию работы ИИ-моделей на собственных чипах компании и снижение зависимости разработчиков от экосистемы NVIDIA.
Ускоренное внедрение ИИ-сервисов, от голосовых помощников до медицинской диагностики даёт снижение стоимости цифровых продуктов, что очень важно для граждан.
Для бизнеса это возможность запускать более сложные модели в рамках прежнего бюджета и быстрее выводить продукты на рынок. А для страны – укрепление технологического суверенитета, развитие компетенций в области ИИ-инфраструктуры и снижение зависимости от импортных вычислительных ресурсов.
Работа на перспективу
По прогнозам экспертов ближайшие 3–5 лет инструменты автоматической оптимизации вычислений станут стандартом разработки нейросетей. Без них масштабирование ИИ-систем экономически невыгодно. Если KernelEvo получит поддержку сообщества, он может стать частью международной инфраструктуры с открытым исходным кодом как у PyTorch или TensorFlow.
Разработка AIRI яркий пример того, как «невидимая» инфраструктурная работа создаёт фундамент для прорывов, которые в итоге почувствует каждый пользователь. Когда код учится писать сам себя, технологии становятся доступнее, а инновации – ближе.
