Claude uczy AI pisać kod GPU. I robi to lepiej niż ludzie

Hugging Face – firma znana z platformy do dzielenia się modelami AI – właśnie opublikowała coś fascynującego. Ich zespół wykorzystał Claude Sonnet 4.6 (zaawansowany model AI od Anthropic) do pisania kerneli CUDA.

Kernele CUDA to kawałki kodu, które działają bezpośrednio na kartach graficznych (GPU). To tam dzieje się magia szybkich obliczeń w AI. Problem? Pisanie takiego kodu to sztuka dostępna dla garstki specjalistów. Wymaga znajomości niskopoziomowego programowania i zrozumienia architektury sprzętu.

Claude nauczył się tego. I nie tylko – potem przekazał tę wiedzę mniejszym modelom.

Czemu to w ogóle ma znaczenie?

Chcesz nauczyć małego robota skomplikowanych zadań. Masz dwie opcje: albo sam mu wszystko pokazujesz (co zajmuje wieczność), albo prosisz eksperta, żeby najpierw sam to zrobił, a potem wyjaśnił robotowi krok po kroku.

Hugging Face wybrało opcję drugą.

Zamiast ręcznie tworzyć tysiące przykładów kodu CUDA (co zająłoby miesiące pracy najlepszych inżynierów), poprosili Claude'a o generowanie tych przykładów. Model stworzył setki różnorodnych kerneli – od prostych operacji matematycznych po zaawansowane algorytmy optymalizacyjne.

Potem wzięli mniejsze, tańsze modele AI (takie jak Llama czy Qwen) i nauczyli je na tych przykładach.

Efekt? Modele, które wcześniej nie miały pojęcia o CUDA, nagle zaczęły pisać działający kod GPU.

Jak to działa w praktyce?

Proces nazywa się "upskilling" – podnoszenie umiejętności. Działa trochę jak korepetycje.

Claude dostał zadanie: "Napisz kernel CUDA, który wykonuje operację X". X mogło być czymkolwiek – mnożeniem macierzy, normalizacją danych, obliczeniami dla sieci neuronowych. Model generował kod, testy, dokumentację. Wszystko.

Zespół Hugging Face zebrał tysiące takich przykładów. Sprawdził, które działają poprawnie (bo nie każdy wygenerowany kod jest idealny). Potem użył tego jako materiału szkoleniowego dla mniejszych modeli.

Rezultat?

Model wielkości 7 miliardów parametrów (to stosunkowo mały model, który zmieścisz na przyzwoitej karcie graficznej) nauczył się pisać kernele CUDA z dokładnością porównywalną do kodu pisanego przez programistów.

To jak nauczyć licealistę robić rzeczy, które normalnie wymagają doktoratu z informatyki.

Co ja z tego mam?

Jeśli nie jesteś programistą GPU, możesz pomyśleć: "Okej, fajnie, ale co to dla mnie znaczy?"

Sporo.

Demokratyzacja dostępu. Pisanie wydajnego kodu GPU było do tej pory domeną wąskiej grupy specjalistów. Teraz każdy, kto umie opisać problem po ludzku, może poprosić AI o stworzenie zoptymalizowanego rozwiązania.

Chcesz przyspieszyć przetwarzanie wideo? Opisz, co chcesz zrobić. Model wygeneruje kod CUDA, który zrobi to 50 razy szybciej niż standardowe rozwiązanie.

Tańsze AI. Większe modele (jak Claude czy GPT-5) są drogie w użyciu. Kosztują dolary za milion tokenów (jednostek tekstu). Mniejsze modele, nauczone przez większe, są tańsze – czasem 10-20 razy. Jeśli nauczysz mały model robić to, co duży, nagle masz dostęp do zaawansowanych funkcji za ułamek ceny.

Szybkość. Mniejsze modele działają szybciej. Odpowiadają w sekundach, nie minutach. To różnica między narzędziem, którego używasz na co dzień, a tym, po które sięgasz tylko w wyjątkowych sytuacjach.

Czy to naprawdę działa?

Hugging Face opublikowało benchmarki (testy wydajności). Liczby mówią same za siebie.

Model Qwen 2.5 Coder (7 miliardów parametrów), nauczony na przykładach z Claude'a, osiągnął 73% dokładności w generowaniu poprawnych kerneli CUDA. Dla porównania: ten sam model przed treningiem miał dokładność bliską zeru.

Co więcej – wygenerowany kod nie tylko działał. Był zoptymalizowany. Wykonywał się szybciej niż standardowe implementacje bibliotek typu PyTorch czy NumPy.

W jednym z testów kernel napisany przez model był o 40% szybszy niż ręcznie pisany kod referencyjny.

To nie jest "prawie działa". To jest "działa lepiej niż to, co mieliśmy wcześniej".

Gdzie jest haczyk?

Bo zawsze jest jakiś haczyk.

Nie każdy wygenerowany kod jest perfekcją. Model czasem popełnia błędy – literówki w składni, nieoptymalne użycie pamięci, edge case'y (sytuacje brzegowe), których nie przewidział. Potrzebujesz kogoś, kto to zweryfikuje. Albo przynajmniej automatycznych testów.

Claude sam musiał się tego nauczyć. A Claude to jeden z najdroższych modeli na rynku. Hugging Face miało dostęp do zasobów i budżetu. Jeśli chciałbyś powtórzyć ten proces od zera dla innej dziedziny, przygotuj portfel.

To działa dla CUDA, ale niekoniecznie dla innych niskopoziomowych języków czy platform (choć zasada jest uniwersalna – po prostu potrzebujesz odpowiednich danych treningowych).

I jeszcze jedno: mniejsze modele są świetne w zadaniach, na których je trenowałeś. Zapytaj o coś zupełnie nowego – mogą się zgubić. Większe modele (jak Claude) są bardziej uniwersalne. Mniejsze – bardziej wyspecjalizowane.

Co z tego wynika dla przyszłości AI?

Ten eksperyment pokazuje coś ważnego: możemy uczyć AI od AI. I to efektywnie.

Przez lata dominował model "ludzie tworzą dane, AI się uczy". Teraz widzimy nowy wzorzec: "duże AI tworzy dane, małe AI się uczą". To otwiera drzwi do eksplozji wyspecjalizowanych modeli.

Zamiast jednego gigantycznego modelu, który wie wszystko (ale jest wolny i drogi), dostaniemy setki mniejszych, które są ekspertami w wąskich dziedzinach. Jeden pisze kod GPU. Drugi analizuje dane medyczne. Trzeci generuje muzykę. Czwarty optymalizuje logistykę.

Każdy szybki. Każdy tani. Każdy dostępny.

I każdy nauczony przez większego brata.

Hugging Face nazywa to "upskilling". Ja nazywam to przyszłością, w której AI staje się nie jednym narzędziem, ale całym warsztatem narzędzi – każde idealne do swojego zadania.

Jak to wykorzystać już dziś?

Jeśli jesteś programistą – sprawdź repozytorium Hugging Face. Opublikowali modele, kod i zbiory danych. Możesz pobrać nauczony model i zacząć generować własne kernele CUDA. Za darmo.

Jeśli nie jesteś programistą, ale prowadzisz biznes – pojako o precedensie. To, co zrobiono dla kodu GPU, można zrobić dla Twojej branży. Nauczyć mały model pisać raporty sprzedażowe w Twoim stylu. Analizować umowy prawne według Twoich kryteriów. Generować opisy produktów z Twoją tonacją.

Potrzebujesz tylko dwóch rzeczy: dużego modelu (Claude Opus 4.7, GPT-5, Gemini 3.1 Pro) do stworzenia przykładów i czasu na wytrenowanie małego modelu na tych przykładach.

I nagle masz własnego, wyspecjalizowanego asystenta AI. Który kosztuje grosze w utrzymaniu.

Dlaczego akurat teraz?

Bo dopiero teraz duże modele stały się na tyle dobre, żeby uczyć inne modele. Rok temu Claude nie napisałby poprawnych kerneli CUDA. Dwa lata temu nikt by nawet nie spróbował.

W 2026 roku jesteśmy w punkcie, gdzie AI może być nauczycielem dla AI.

To zmienia wszystko.

To nie jest już "AI jako narzędzie". To jest "AI jako mentor".

Hugging Face udowodniło, że to działa. Teraz pytanie brzmi: kto będzie następny? I czego nauczy swoje modele?

Źródła

• Hugging Face Blog – Upskilling Open Models with Claude