Nvidia: szkielet, nie model, decyduje o skuteczności AI

W branży sztucznej inteligencji od dawna toczy się wyścig o to, który model jest najmądrzejszy. Tymczasem najnowsze badania opublikowane przez Nvidię sugerują, że patrzymy w złym kierunku. Kluczem do sukcesu w zaawansowanych zadaniach nie jest bowiem sam model, ale jego otoczenie – czyli tak zwany harness (szkielet), który zamienia surową sieć neuronową w samodzielnie działającego agenta.

To odkrycie może zmienić sposób, w jaki firmy podchodzą do wdrażania rozwiązań opartych na AI. Okazuje się, że odpowiednie zaprojektowanie narzędzi, zarządzania pamięcią i reguł działania potrafi zdziałać więcej niż wybór najdroższego i najbardziej zaawansowanego modelu na rynku.

Czym właściwie jest harness i dlaczego jest tak ważny?

Harness to nic innego jak oprogramowanie otaczające model AI. Można go porównać do kokpitu samolotu – pilot (model) ma umiejętności, ale bez panelu sterowania, wskaźników i systemów nawigacji nie jest w stanie wykorzystać swojego potencjału. W przypadku sztucznej inteligencji na szkielet składają się narzędzia, z których korzysta model, systemy zarządzania kontekstem oraz reguły podejmowania decyzji.

Adel El Hallack, wiceprezes ds. produktu w jednostce AI w Nvidii, zwraca uwagę na powszechne nieporozumienie. Większość ludzi postrzega agenta AI jako prostą aplikację korzystającą z API modelu. Tymczasem prawdziwy agent to znacznie więcej – to połączenie samego modelu, rusztowania wokół niego, środowiska uruchomieniowego oraz zestawu umiejętności i bibliotek, do których ma dostęp.

Znaczenie tej różnicy staje się oczywiste, gdy spojrzymy na zadania długoterminowe (long-horizon tasks). To operacje wymagające podjęcia wielu decyzji po kolei, często rozciągniętych w czasie na wiele dni. Model, który nie ma odpowiedniego szkieletu, łatwo gubi wątek i odbiega od celu. To jedna z największych przeszkód w rozwoju autonomicznych systemów AI.

Spektakularne wyniki badań Nvidii

Naukowcy Nvidii przeprowadzili testy na benchmarku ARC-AGI-3, który składa się z gier 2D bez żadnych instrukcji. Model musi samodzielnie odkryć zasady gry i nauczyć się w nią wygrywać, podobnie jak zrobiłby to człowiek. To zadanie sprawia problemy nawet najbardziej zaawansowanym systemom – wynik poniżej 10% dla modeli OpenAI wywołał w tej firmie niemałą konsternację.

Wyniki Nvidii są jednak imponujące. Model Claude Opus 5 bez specjalnego szkieletu osiągnął wynik 30%, co było najlepszym rezultatem wśród wszystkich testowanych modeli. Jednak po zastosowaniu autorskiego harnessa o nazwie Agentic Variation Operators (AVO) ten sam model osiągnął komplet punktów – 100%. To dowód na to, że odpowiednie zaprojektowanie otoczenia modelu potrafi zdziałać cuda.

Rola nadzorcy w skutecznym szkielecie

Kluczowym elementem rozwiązania Nvidii okazał się komponent nadzorujący. To dodatkowy agent, który obserwuje pracę głównego modelu i interweniuje, gdy ten zboczy z właściwej ścieżki. El Hallack porównuje go do dyrektora generalnego, który delikatnie kieruje pracownika z powrotem na właściwe tory, gdy ten utknie w ślepym zaułku lub zacznie błądzić.

Co istotne, koncepcja agenta nadzorującego nie jest nowa. Problem polega na tym, że większość użytkowników korzysta z jednowarstwowych rozwiązań, takich jak Claude Code, Codex czy Hermes. Tymczasem skuteczny harness powinien mieć więcej warstw i mechanizmów kontroli.

Szerszy kontekst: koszty i kontrola nad systemem

Badania Nvidii wpisują się w szerszy trend pokazujący, że wybór modelu to tylko jeden z wielu czynników wpływających na skuteczność systemów agentowych. W lipcu firma Databricks opublikowała badania, które wykazały, że szkielet ma ogromny wpływ na koszty operacyjne. Ali Ghodsi, dyrektor generalny Databricks, zwraca uwagę, że ten sam model z różnymi harnessami może generować nawet dwukrotnie różne koszty.

To ważna obserwacja dla firm planujących wdrożenia AI. Wybór droższego modelu wcale nie musi oznaczać wyższych wydatków, jeśli odpowiednio zaprojektujemy jego otoczenie. Z drugiej strony, nawet najlepszy model z nieodpowiednim szkieletem może okazać się kosztownym błędem.

Nvidia podkreśla, że otwarte harnessy dają użytkownikom znacznie większą kontrolę nad systemem, niż mogliby się spodziewać. Możliwość regulowania wielu parametrów pozwala precyzyjnie dostroić działanie agenta do konkretnych potrzeb. To szczególnie istotne w kontekście bezpieczeństwa – otwarty stos agentowy, gdzie użytkownik kontroluje całą ścieżkę od modelu po infrastrukturę, jest według El Hallacka warunkiem bezpiecznego rozwoju całego ekosystemu.

Warto zaznaczyć, że AVO nie jest produktem komercyjnym Nvidii. Firma udostępnia jednak wiele elementów do budowy własnych harnessów pod marką Nemo – część z nich jest komercyjna, ale większość dostępna jest otwarcie. To celowa strategia pokazująca, że przyszłość agentów AI leży w otwartych, konfigurowalnych rozwiązaniach.

Wyniki badań Nvidii to ważna lekcja dla całej branży. Pokazują, że w wyścigu o coraz lepsze systemy AI nie powinniśmy skupiać się wyłącznie na modelach. Odpowiednio zaprojektowany szkielet potrafi wycisnąć z istniejących rozwiązań znacznie więcej, niż mogłoby się wydawać. To również sygnał dla firm, które planują wdrożenia AI – zanim zainwestują w najdroższy model, powinny dokładnie przemyśleć, w jaki sposób zorganizują jego otoczenie. Być może to właśnie tam kryje się klucz do sukcesu.

Źródło

Może Cię zainteresować