OpenAI Codex ускоряет научные расчёты в разы: отчёт и анализ

Кодинг-агенты на базе моделей OpenAI Codex способны сокращать время выполнения научных программ в разы, а в некоторых случаях — до 50 раз. Это подтверждает новый полевой отчёт OpenAI, в котором анализируется восемь реальных проектов из области вычислительной науки и техники. В пяти из них агент работал полностью автономно, в трёх — в связке с Anthropic Claude Code. Результаты показывают не только ускорение вычислений, но и сокращение цикла разработки научного ПО.

Как Codex и Claude Code ускоряли науку

Отчёт OpenAI охватывает проекты из разных областей: от моделирования климата до анализа генома и обработки спутниковых снимков. В каждом случае кодинг-агент получал задачу оптимизировать существующий код или написать новый модуль. Например, в одном проекте по обработке изображений с микроскопа время выполнения сократилось с нескольких часов до минут благодаря замене последовательной обработки на многопоточную. В другом — моделирование распространения вируса стало выполняться в 10 раз быстрее после автоматической параллелизации.

OpenI подчёркивает, что все проекты были реальными научными задачами, а не демонстрационными примерами. Разработчики использовали Codex для автоматической параллелизации кода, выбора более эффективных алгоритмов и исправления узких мест. В трёх случаях, где применялся Claude Code, агенты дополняли друг друга: Codex отвечал за генерацию кода, а Claude — за рефакторинг и тестирование. Такая комбинация позволила добиться ещё более высокой производительности.

Предыстория и контекст: от GPT-3 до научных вычислений

OpenAI Codex — это модель, основанная на GPT-3, специализированная на генерации программного кода. Она была выпущена в 2021 году и с тех пор используется в различных инструментах, включая GitHub Copilot. Однако до сих пор не было систематических исследований её влияния на производительность научных вычислений. Новый отчёт восполняет этот пробел, хотя и является маркетинговым материалом самой OpenAI.

Ранее похожие эксперименты проводились с использованием DeepMind AlphaFold для задач биоинформатики, но там акцент делался на точность предсказаний, а не на скорость вычислений. OpenAI же фокусируется именно на ускорении выполнения кода, что критично для ресурсоёмких научных расчётов. В отличие от общих рекомендаций по оптимизации, кодинг-агенты могут автоматически анализировать код и предлагать конкретные изменения, что экономит время разработчиков.

Какие именно задачи решали агенты?

В отчёте перечислены конкретные типы задач: оптимизация циклов, замена библиотек на более быстрые аналоги, распараллеливание вычислений с использованием MPI и CUDA, а также автоматическое профилирование и выявление узких мест. Например, в проекте по обработке изображений с микроскопа агент заменил последовательную обработку на многопоточную, что дало прирост скорости в 15 раз. В другом проекте по климатическому моделированию Codex переписал модуль на C++, ускорив вычисления в 50 раз.

Важно, что агенты не просто ускоряли существующий код, но и могли переписывать целые модули на более производительных языках — с Python на C++ или Rust. При этом все изменения прошли проверку на корректность результатов, что подтверждает их надёжность.

Технические подробности: как работали агенты

Codex в этом эксперименте использовался не как автодополнение кода, а как полноценный агент, который мог анализировать код, предлагать изменения и запускать тесты. В пяти проектах агент работал в автономном режиме: он получал описание задачи и репозиторий, после чего генерировал патчи и проверял их корректность. В трёх проектах с Claude Code агенты работали в связке: Codex писал код, а Claude проводил код-ревью и оптимизацию.

Такой подход напоминает работу пары программистов, где один пишет код, а другой его рецензирует. Это позволило избежать типичных ошибок автономной генерации, таких как неоптимальные алгоритмы или пропущенные граничные случаи. OpenAI отмечает, что все изменения прошли проверку на корректность результатов, что особенно важно для научных расчётов, где ошибки могут стоить дорого.

Кого затронет и как: влияние на научное сообщество

Разработчики научного ПО — основная целевая аудитория отчёта. Если кодинг-агенты действительно способны автоматически оптимизировать код, это может изменить workflow в научных лабораториях и исследовательских центрах. Особенно это актуально для областей, где каждая минута вычислений стоит дорого: климатическое моделирование, биоинформатика, физика высоких энергий. Ускорение в разы означает, что исследователи смогут проводить больше симуляций за то же время, что ускоряет научные открытия.

Для бизнеса, который использует научные расчёты (например, фармацевтика или материаловедение), ускорение означает сокращение времени вывода продуктов на рынок. В России и СНГ интерес к подобным инструментам пока невысок из-за ограничений доступа к API OpenAI, но альтернативы на базе открытых моделей (например, Code Llama) могут занять эту нишу. Кроме того, локальные разработки, такие как YandexGPT для кода, также могут быть адаптированы для научных задач.

Что будет дальше: будущее кодинг-агентов в науке

OpenAI планирует расширить эксперимент на большее количество проектов и, вероятно, выпустить API для кодинг-агентов. В отчёте упоминается, что компания работает над улучшением безопасности и надёжности автономных агентов. Конкуренты, такие как Anthropic с Claude Code и Google с Gemini Code Assist, также активно развивают свои решения. Ожидается, что в ближайшие год-два кодинг-агенты станут стандартным инструментом в научной разработке.

Однако остаются вопросы: насколько такие агенты справятся с уникальными, нестандартными задачами? Смогут ли они работать с кодом на редких языках, таких как Fortran, который всё ещё используется в некоторых научных областях? OpenAI обещает дальнейшие исследования, но уже сейчас ясно, что кодинг-агенты — это не просто игрушка, а мощный инструмент для ускорения науки.

Итог

Отчёт OpenAI демонстрирует, что кодинг-агенты способны значительно ускорять научные вычисления, сокращая время выполнения кода в разы. Хотя исследование проведено вендором и может быть необъективным, результаты выглядят убедительно. Разработчикам научного ПО стоит присмотреться к возможностям Codex и аналогичных инструментов — это может стать ключом к более быстрым открытиям. Учитывая активное развитие этой области, уже в ближайшее время мы увидим более широкое внедрение кодинг-агентов в научную практику.