О чём исследование
Может ли ИИ-агент самостоятельно придумать новый метод для решения сложной задачи — или он лишь переставляет фрагменты уже известных решений? Этому вопросу посвящена свежая работа «When AI Designs AI: Innovation or Imitation?» (arXiv:2608.17471), авторы — Yikang Yang, Zhengxin Yang, Luzhou Peng и коллеги. Научная группа подала статью 18 августа 2026 года; она затрагивает сразу два раздела: cs.AI и cs.LG.
Авторы исходят из простой, но важной идеи: мало показать, что агент справился с задачей. Нужно ещё понять, насколько оригинальным был его подход. Поэтому в работе сформулировано два вопроса:
- действительно ли методы, предложенные агентами, работают не хуже человеческих;
- отличаются ли эти методы по своей алгоритмической структуре от того, что обычно создают люди.
Как устроен анализ
Чтобы ответить на вопросы, исследователи построили специальный каркас. Сначала из набора человеческих методов для конкретной задачи выводятся так называемые пространства алгоритмических дизайнов — то есть множество типовых модулей и связей между ними, характерных для решений, придуманных людьми. В эти пространства затем отображаются и человеческие, и агентские методы. Разница между ними измеряется на уровне отдельных модулей — это позволяет увидеть, какие части решения совпадают, а какие возникают заново.
Эксперимент провели на нескольких широко используемых LLM-агентах и подборке открытых ИИ-задач, покрывающих разные модальности: текст, изображения и прочее. Для каждого сгенерированного агентами метода оценивались два параметра: качество решения задачи и степень алгоритмического отличия от человеческих аналогов.
Что это даёт на практике
Такой подход позволяет не просто сказать «агент победил» или «агент проиграл», а отделить успешность от новизны. Система может выдать отличный результат, но при этом полностью скопировать известную схему. И наоборот — предложить необычный дизайн, который работает хуже. Именно эту двойственность и пытались зафиксировать авторы.
Что показали результаты
Первая часть результатов звучит обнадёживающе: в некоторых случаях современные агенты выходят на уровень человеческого state-of-the-art и даже превосходят его. Таких успешных конфигураций нашлось 10 из 72. Однако стабильности нет: успех не переносится надёжно ни на другие задачи, ни на других агентов. Иными словами, агент, который блестяще справился с одной задачей, может полностью провалить соседнюю — закономерности, по которой можно предсказать успех, пока не видно.
Куда более показательной оказалась вторая часть. Почти все созданные агентами методы — 96,8% — попадают в те самые пространства алгоритмических дизайнов, которые выведены из человеческих решений. Агенты не выходят за пределы того, что уже придумали люди; они в основном комбинируют и переставляют знакомые алгоритмические блоки. Причём примерно половина сгенерированных методов вообще в точности совпадает с уже существующими человеческими дизайнами.
Выводы
Авторы исследования приходят к двойственному заключению. С одной стороны, современные LLM-агенты уже способны создавать решения, сопоставимые с лучшими человеческими разработками, а иногда и превосходящие их. С другой — об их «настоящей» новизне говорить пока рано. Почти всё, что они делают, — это аккуратное повторное использование и перекомбинация уже открытых алгоритмических идей. Настоящий прорыв за пределы человеческого пространства дизайна — редкое исключение, а не правило.
Это не значит, что агенты бесполезны: умение быстро находить рабочую комбинацию из известных методов само по себе ценно. Но если цель — получить принципиально новый алгоритм, полагаться только на текущее поколение агентов, судя по результатам, не стоит. Возможно, следующим шагом станет не просто «более умный» агент, а агент, обученный сознательно выходить за пределы известных паттернов.
