# Нейросети без обучения: как ИИ «размножается» и эволюционирует поколениями > Исследователи показали подход, где нейросети не обучают, а выращивают: популяция моделей конкурирует, скрещивается и мутирует без градиентного спуска. Как это работает и что меняет для создания ИИ. Источник: https://blog.uspeshnyy.ru/blog/neyroevolyuciya-ii-bez-gradientnogo-spuska/ Автор: Александр Успешный · blog.uspeshnyy.ru Опубликовано: 2026-10-05 Теги: нейросети, стратегия --- Привычная картина создания нейросети такая: инженеры выбирают архитектуру, собирают данные, запускают обучение и тратят на него огромные вычислительные ресурсы. Каждый шаг — решение человека. Недавно появилась работа с принципиально другой схемой: модели не обучают, а **выращивают**. Исследователи создают популяцию случайно инициализированных нейросетей и запускают между ними цифровую эволюцию по принципам естественного отбора. Градиентный спуск — основа почти всего современного обучения — в этой схеме не участвует вовсе. ## Как устроена цифровая эволюция Схема повторяет биологию, только вместо организмов — наборы параметров нейросети: Шаги по порядку: - **Случайность.** Стартовая популяция — сети со случайными параметрами, сильных среди них нет. - **Конкуренция.** Все модели решают задачу, их результат сравнивают по заданному критерию. - **Отбор.** Лучшие получают право «размножаться». Выбирают модели с дополняющими друг друга способностями. - **Наследование.** Параметры двух родителей комбинируются через crossover — получается «потомок», в котором есть свойства обеих моделей. - **Мутация.** В потомка вносят небольшие случайные изменения — так в популяции появляется новое. - **Новое поколение.** Цикл повторяется. Слабые модели исчезают, сильные передают параметры дальше. От поколения к поколению система получает всё более эффективные сети — и всё это без единого шага градиентного спуска. ![Цикл цифровой эволюции: случайные сети, конкуренция, отбор, скрещивание, мутация, новое поколение](/images/posts/neyroevolyuciya-cikl-ru.webp) ## Идея не новая, но заслуживает внимания Эволюционные алгоритмы для нейросетей — нейроэволюция — существуют с 1990-х. Работы вроде NEAT показывали, что сети можно выращивать отбором, а в 2017 году OpenAI показала, что эволюционные стратегии способны конкурировать с обучением с подкреплением на ряде задач. В 2024 году Sakana AI применила эволюцию к другому слою: подбирала рецепты слияния уже готовых моделей, получая новые без дообучения. Чем интересна нынешняя работа: она возвращает этот подход в разговор о создании **больших** моделей. Подробности, масштаб экспериментов и сравнение с классическим обучением стоит смотреть в самой публикации — пересказ в соцсетях легко теряет оговорки. Поэтому ниже — о том, что следует из самой логики подхода, а не о цифрах. ## Чем эволюция отличается от обучения | | Градиентное обучение | Эволюционный отбор | |---|---|---| | Что нужно | Дифференцируемая функция потерь | Любой критерий «лучше / хуже» | | Как улучшается | Шаг за шагом по направлению ошибки | Через популяцию вариантов и отбор | | Размер вариантов | Одна модель | Тысячи моделей параллельно | | Сильная сторона | Эффективность на больших данных | Свобода: можно оптимизировать то, что нельзя продифференцировать | | Слабая сторона | Нужны архитектура и данные, выбранные человеком | Много вычислений на оценку каждого варианта | Главное преимущество эволюции — свобода критерия. Градиентному спуску нужна гладкая функция ошибки. Эволюции достаточно уметь сравнить двух кандидатов: по результату в игре, по прибыли симуляции, по оценке эксперта. Там, где задачу нельзя записать формулой, отбор всё равно работает. Главный минус — цена. Каждого «потомка» надо проверить, а проверка — это запуск модели. Поэтому пока подход не вытесняет классическое обучение, а расширяет набор инструментов. Масштабируется ли он до уровня современных языковых моделей — как раз то, что предстоит выяснить. ## Почему это важно Сегодня сильная модель — во многом управляемый людьми процесс: мы выбираем архитектуру, данные, схему тренировки. Эволюционный подход предлагает другой вопрос. Не «как обучить более умную модель», а **«как создать среду, в которой более умные модели появляются сами»**. Если подход масштабируется, смещается роль человека. Он перестаёт быть автором конкретной нейросети и становится автором **правил отбора**: что считать успехом, какие задачи ставить популяции, какие ограничения держать. А от качества этих правил зависит, что именно вырастет. Для практики из этого следует то же, что и [на каждой стадии развития ИИ](/blog/pyat-stadiy-razvitiya-ii-ot-chat-botov-do-sverhintellekta/): инструменты меняются быстро, а ценность остаётся у того, кто умеет **сформулировать критерий**. Критерий «хорошо» для отчёта, ответа клиенту или заявки с сайта придётся писать человеку и в мире, где модели отбираются автоматически. Если у вас он пока не сформулирован — это то, с чего стоит начать, даже если вы работаете с самыми обычными нейросетями. Как раз об этом — в разборе о том, [что в бизнесе нельзя отдать ИИ](/blog/mozg-serdce-ruki-chto-ne-otdat-ii/). ## Читайте также
на какой из пяти стадий развития ИИ мы сейчас и что это значит для бизнеса как устроено классическое обучение моделей — с чем сравнивать эволюционный подход какие решения остаются за человеком, какой бы умной ни стала модель