Будучи фирмой, занимающейся количественной торговлей, Jump Trading создает прогнозные модели, которые используют рыночные данные, новости, события и ряд альтернативных источников данных для получения максимально точных прогнозов цен на активы. Поскольку рынки сложны, подвержены шумам и постоянно меняются, предсказать, что именно произойдет, удается крайне редко. Однако, по словам Лукаса Бейкера, руководителя отдела исследований и разработок LLM в Jump, даже если точность прогнозов лишь немного превышает вероятность подбрасывания монеты, при масштабировании этого достаточно для создания успешной стратегии.
Бейкер руководит агентными исследованиями и разработками, фокусируясь на создании агентов, инструментов и инфраструктуры, которые позволяют количественным исследователям изучать свои идеи с большей широтой и глубиной. Добавление GPT-6 Astra значительно расширило масштаб и сложность рабочих процессов, которые можно делегировать агентам: от повседневного написания кода до передовых количественных исследований для проверки новых гипотез.
«Благодаря серии GPT-6, особенно GPT-6 Astra, OpenAI открыла новый уровень автономности для долгосрочных задач, требующих гибкой координации агентов и исключительной настойчивости в сложных рабочих процессах. Там, где раньше требовалось частое руководство и вмешательство человека, теперь мы можем полностью сосредоточиться на создании безопасной и хорошо контролируемой среды с четкими целями, позволяя агентам самостоятельно находить путь к их достижению».
— Лукас Бейкер, руководитель отдела исследований и разработок LLM, Jump Trading
От коротких фрагментов кода до комплексного анализа
За последний год ИИ превратился из полезного инструмента для написания отдельных фрагментов кода или поиска мелких ошибок в способную и универсальную систему, которая может самостоятельно разрабатывать целые кодовые базы и сервисы. Теперь Бейкер и его команда считают, что ИИ работает лучше всего, когда к нему относятся как к коллеге. Исследователи могут определить ключевую проблему, рабочую среду и способ оценки качества и значимости результатов, а затем в режиме реального времени направлять одного или нескольких агентов, указывая, на чем сосредоточить анализ или какую задачу запустить следующей.
Бейкер отмечает, что с GPT-6 Astra агенты теперь способны не только находить значимые и практические изменения, но и объединять и накапливать эти достижения в процессе рекурсивного улучшения. В ходе выполнения одной длительной задачи система может анализировать полученные данные, оценивать их в соответствии с согласованными критериями из первоначального предложения и активно перенаправлять свои усилия, не дожидаясь, пока человек проанализирует каждый этап изменений. Как он выразился: «Вы можете определить задачу, которая должна выполняться несколько дней — ей нужно извлекать данные из множества источников, принимать тонкие решения о том, что важно, а что нет, и связывать все воедино — чтобы создать комплексный анализ, который действительно работает сейчас».
Сохранение человеческого суждения в центре внимания
Jump Trading работает со всеми временными горизонтами и классами активов. Каждый шаг процесса сложен, и в такой строго регулируемой отрасли, как финансы, ошибки могут иметь как финансовые, так и регуляторные последствия. Бейкер говорит, что крайне важно осознавать риски, возникающие при делегировании работы ИИ, но также отмечает, что агентный интеллект можно применять для повышения качества, безопасности и мониторинга, а не только для добавления новых функций. Продуманный дизайн системы и границы, четкие ограничения, инфраструктура, способствующая управляемости и наблюдаемости, а также проверка изменений человеком помогают команде Jump Trading гарантировать, что рабочие процессы с использованием ИИ готовы к масштабированию в регулируемой среде.
«Если у вас есть безопасная среда, где агент или система могут свободно создавать любой необходимый результат, но при этом в конце процесса предусмотрена проверка человеком, где происходит критическая валидация и принятие решения, — именно это дает нам уверенность», — говорит он. Например, если агент генерирует торговый сигнал, он оценивается и проверяется так же, как и любой другой результат: как сигнал, который обычно информативен, но потенциально может быть ошибочным, и интегрируется со всеми остальными сигналами в строго контролируемой среде исполнения.
Что дальше
Бейкер считает, что мы движемся к миру, где «автоисследования» (autoresearch), или рекурсивное улучшение измеримых систем агентными исследователями, станут настолько повсеместными, что будут считаться просто частью обычного рабочего процесса количественного исследователя. Сегодня даже самая длительная работа GPT-6 Astra все еще предполагает регулярные проверки со стороны человека, определяющего задачу — не только в отношении того, какие данные извлекать, как долго выполнять задачу и что считать важным, но и того, имеют ли смысл промежуточные результаты. Продвинутые автоисследования по-прежнему будут начинаться с системы, определенной человеком, включая входные данные, определение среды, метрики оценки, компромиссы и общие приоритеты, но остальная часть процесса будет доверена слабо структурированному «флоту» агентов, координируемых другими агентами. В рамках хорошо структурированного исследовательского конвейера эти агенты смогут принимать интеллектуальные решения о том, как исследовать идеи, распределять вычислительные ресурсы и интегрировать многообещающие результаты, начиная с малого — с открытого вопроса.
«Как это выглядит, когда вы можете выстроить все это от начала до конца, задать общий вопрос, на который даже вы сами не знаете ответа, и получить полезный результат?» — спрашивает он. «Если вы можете решить проблему тысячелетия, вы, вероятно, сможете выяснить и несколько довольно интересных фактов о количественных финансах».
Каждый год приносил не только устойчивый прогресс в эталонных измерениях, но и качественные изменения в типах работы, которые могли выполнять модели. Часто эти изменения было трудно предсказать даже за несколько месяцев: если в 2024 году впечатляющим считалось, что первые агенты могли написать один файл без ошибок, то в 2025 году стало возможным создавать целые кодовые базы с нуля, а в 2026 году — добиваться прогресса в открытых исследовательских вопросах, когда множество агентов динамически сотрудничают друг с другом. «Что у нас будет в следующем году?» — говорит он. «Это невероятная перспектива».
