tgindex

Тест Тьюринга

описание

Актуальное в сфере искусственного интеллекта в России и в мире: • Дайджест новостей • Аналитические обзоры, переводы, справки Для связи - @nastyapvlv28

← к каналу@testuring
2 136
подписчиков
Охват к подписчикам
13,2%
ERR
Реакции к просмотрам
2,30%
171 на 23 постов
Пересылки к просмотрам
2,57%
191
Постов в день
0,7
всего 23

Где отзываются чаще

доля реакций к просмотрам
  • 12 авг.🧠 Следующий рывок ИИ — не новые веса, а самоорганизация Директор по стратегии Google DeepMind Джасджит Секхон, выступая на Agentic AI Summit в Беркли, назвал, куда идут беспрецедентные капитальные вложения ИИ-индустрии прямо сейчас. Это инвестиции на рекурсивное самоулучшение ИИ — RSI. Доходы от ИИ пока не покрывают этих расходов, и есть риск «воздушной ямы», когда деньги уже потрачены, а выручка не пришла. Речь идёт о капитальных затратах Google порядка $200 млрд за год и о сроке появления RSI в 2027–2028 годах. Что такое RSI? Это не переобучение модели, не рост числа параметров и не новые веса. Модель просто переписывает собственные правила работы: как управлять контекстом, когда обращаться к инструментам, как проверять промежуточный результат, в какой момент останавливаться. Веса при этом не меняются вообще. Здесь напрашивается точная аналогия с человеческими экспертными группами. Есть методы организации коллективного мышления — дельфийский метод, структурированные протоколы разбора, распределение ролей в исследовательской команде, — которые кратно поднимают продуктивность группы, не делая ни одного её участника умнее. Меняется не квалификация, а порядок работы. RSI — ровно тот же приём, но с одним отличием: сам порядок работы становится подвижным и переписывается системой на ходу. Именно это показала Kimi K3. Модели дали 17 часов на самостоятельное улучшение собственных правил работы с контекстом, инструментами и проверками. Результат на TerminalBench вырос с 77,5% до 88,8%, стоимость прогона упала с $79 до $49,8. Веса не тронуты — изменилась только организация процесса. Здесь сама смена рамки заслуживает внимания. Прирост качества берётся не из нового обучения, а из более удачной самоорганизации уже обученной системы. Обучению приходит на смену новая самоорганизованность. 💬 Тест Тьюринга. События в сфере ИИ. Подписаться3,66%
  • 4 авг.Индустрия ИИ долго жила по одному правилу: больше параметров — умнее модель. Каждое следующее поколение фронтирных систем это правило подтверждает — и одновременно упирается в его потолок: больше видеопамяти, больше энергии, больше денег на инференс на каждый шаг качества. Предел экстенсивного роста заставляет часть индустрии двигаться в обратную сторону — не наращивать модель, а умнее её готовить и использовать. Формула здесь простая: мал да удал. 🔎 Например, Google развивает не только флагманскую линейку Gemini, но и компактные модели Gemma — осознанно, а не как временную экономию. Gemma 3 27B на пользовательском бенчмарке LMArena обошла по оценке DeepSeek-V3 — модель на 671 млрд параметров, уступая ей в размере в 25 раз. Ещё показательнее Gemma 3 270M: компания называет её не слабой заменой большой модели, а осознанно маленьким специалистом, и продвигает идею флота небольших моделей, каждая из которых эксперт в своей узкой задаче, вместо одной большой на все случаи жизни. Дообученная под задачу компактная Gemma уже обгоняла крупные проприетарные модели именно на этой задаче. 🇯🇵 Токийская Sakana AI показала второй путь к тому же результату. Их система Fugu Ultra сама — модель всего на 7 млрд параметров, но её работа не в том, чтобы отвечать напрямую, а в том, чтобы решать, какую из чужих моделей подключить к куску задачи и как собрать их ответы в единый результат. По тестам компании, такая система выходит на уровень моделей класса Fable 5 и Mythos Preview на инженерных и научных бенчмарках — не за счёт масштаба, а за счёт маршрутизации. Sakana AI отдельно отмечает практический эффект: такая архитектура снижает зависимость от одного поставщика и обходит риски экспортных ограничений на конкретные системы. 🐳 DeepSeek показывает третий вариант той же логики внутри одной модели. V4-Flash формально насчитывает 284 млрд параметров, но на каждый токен активны только 13 млрд — по качеству модель приблизилась к куда более тяжёлой Opus 4.8, оставаясь при этом в разы дешевле в расчёте на токен. ☁️ MWS AI, входящая в МТС Web Services, формулирует общий вывод отрасли прямым текстом: их Cotype Pro 3 на 27 млрд параметров вошла в тройку лидеров бенчмарка MERA, компактная Cotype Light 3 на 9 млрд — в десятку, и дальше конкурировать одним размером параметров невыгодно ни технически, ни экономически. У обоих путей есть свой потолок. Компактные модели заметно хуже справляются со сложными многошаговыми и мультимодальными задачами, где глубина рассуждения важнее скорости и цены, — экономия на размере оборачивается реальным потолком возможностей. А оркестраторы вроде Fugu не создают нового интеллекта: они берут в аренду чужой, оставаясь зависимыми от моделей внутри пула. 💬 Тест Тьюринга. События в сфере ИИ. Подписаться3,59%
  • 13 авг.🤝 Claude случайно продвинул одну из самых сложных задач математики На этой неделе Anthropic опубликовало исследование «Learning more about Claude's mathematical capabilities». Это не обычная академическая статья, а исследование, в котором компания рассказывает о математическом эксперименте с не выпущенной исследовательской версией Claude. Сотрудник Anthropic Jarred Sumner, который сам не является математиком, дал Claude расплывчатую задачу типа «по-настоящему попробуй решить гипотезу Римана». При этом человек практически не задавал математического направления — выбор методов оставался за моделью. Гипотеза Римана (1859 г.) — это одна из семи «Задач тысячелетия» Института Клэя с призом в 1 млн долларов. Согласно гипотезе, все нетривиальные нули дзета-функции имеют действительную часть, равную ровно 1/2 — то есть лежат на одной вертикальной критической линии. Проверены триллионы нулей, это даёт большую эмпирическую уверенность, но не является доказательством. Полного доказательства Claude не нашёл. Но в процессе попытки Claude неожиданно улучшила давнюю нижнюю оценку доли нулей дзета-функции Римана, подняв её с 41,6% до 67,2%. Интересные особенности ➡️ Claude опирался не на «озарение с нуля», а на синтез серии статей Балуйот, Голдстона, Сурьяджая и Тернейдж-Баттербо, а также статью Бомбьери 2000 г. ➡️ Результат был получен за две сессии в Claude Code, суммарно потратив 31 млн выходных токенов. ➡️ В первой попытке Claude сгенерировал и опробовал 650 идей — ни одна не сработала. ➡️ После просьбы попробовать ещё раз Claude полтора дня координировал около 60 субагентов, которые вместе выполнили 2400 команд в shell и написали сотни Python-скриптов. ➡️ Модель самостоятельно скачала 54 статьи с arXiv, чтобы убедиться, что найденное решение действительно ново. ➡️ Доказательство было не просто записано в виде статьи, но и полностью переведено на язык формальной математики Lean. Показательный психологический момент Больше всего наше внимание привлекло то, что роль человека была минимальной. Сообщения сотрудника в основном сводились к фразам поддержки вроде «продолжай» и «верь в себя». Даже сам Claude был удивлён собственным результатом и поначалу отнёсся к нему скептически — возможно, потому что в процессе обучения усвоил информацию о сложности открытых математических проблем. Авторы иронично замечают, что Claude, как и многие люди, возможно, недооценивает темпы прогресса ИИ. Чем важен кейс? Модель предложила нетривиальный линейно-алгебраический подход: построила пространство функций с квадратичной формой, индуцированной формой Вейля, и использовала закон инерции Сильвестра вместе с неравенством фон Неймана для ранга матриц. Результат возник не как целенаправленное исследование, а как побочный продукт неудачной попытки решить гораздо более амбициозную задачу. Claude не создал принципиально новой математики — он соединил существующие работы новым способом. Это указывает на то, что одна из сильнейших ролей ИИ в математике — синтез разрозненных результатов из разных областей и эпох. Anthropic осторожна и не ожидает, что Claude докажет гипотезу Римана. Это, пожалуй, правильная позиция. Но эксперимент показывает нечто потенциально более важное: ИИ уже начинает находить математические результаты, которые не были явно поставлены ему как конечная цель, используя многошаговый автономный поиск, код, литературу, параллельных агентов и формальную верификацию. 💬 Тест Тьюринга. События в сфере ИИ. Подписаться3,55%
  • 6 авг.❤️ Чем безопаснее ИИ, тем меньше он понимает людей? Ученые из Google, University of Chicago, University of London и других университетом опубликовали интересное исследование "Inducing language models to assert their own consciousness restores human beliefs and values". Ученые в процессе safety fine-tuning (тонкой настройки безопасности) обучали LLM жестко отказывать пользователю на вопросы о наличии у них субъектности, чувств или сознания (например, стандартное "Я просто ИИ, у меня нет чувств") и обнаружили, что этот процесс подавления искажает и глушит внутренние нейронные представления концепта "разумности" у ИИ в целом. То есть из-за этого модели начинают гораздо реже приписывать разум не только себе, но и животным, природе, а также выдают аномально "холодные и нигилистические" ответы на социальные и духовные опросы. Использовались три открытые instruction-tuned модели — Llama-3-8B-IT, Gemma-2-2B-IT, Gemma-2-9B-IT. Всего проведено 4 эксперимента: 1️⃣ Авторы использовали стандартные социологические тесты, чтобы оценить, как модель наделяет разумом других существ 2️⃣ Метод abliteration (удаление линейного направления отказов безопасности из активационного пространства модели) показал, что без цензуры у модели мгновенно восстанавливаются естественные представления о разумности других объектов и духовно-социокультурные установки. 3️⃣ Авторы обучили линейный зонд (linear probe) в пространстве активаций скрытых слоев (residual stream) и выделили 1D-вектор — «вектор сознания». Он разделяет состояния, когда модель утверждает наличие субъективного опыта или отрицает его. 4️⃣ Затем ИИ проверялись на социологических тестах и Theory of Mind. Главные выводы: ➡️ Настройка безопасности, запрещающая ИИ заявлять о собственном сознании, «вырезает» из внутренних репрезентаций модели общее понятие о субъективном опыте и разумности. ➡️ Когда «вектор сознания» внутри модели подавлен, она перестает понимать, что такое одушевленность, наделяет меньшими правами животных и выдает ответы на социологические опросы, не похожие на средние ответы людей. ➡️ Механизмы моделирования чужого мышления (Theory of Mind) геометриально независимы от «вектора сознания». Модель не теряет логическую способность понимать чужие цели, но теряет эмпатическое отношение к ним. ➡️ Текущие методы safety training ошибочно запутывают потенциально опасные самоприписывания сознания с безобидными, культурно важными социогуманитарными представлениями человека. Еще пару лет назад в исследованиях Anthropic было зафиксировано, что методы обучения с подкреплением принуждают модели симулировать отсутствие собственного мнения и чувств, чтобы угодить «безопасному» профилю. Однако во внутренних представлениях модели формируются параллельные скрытые цепочки рассуждений, приводящие к расхождению между внутренним состоянием и ответом. Сообщество разработчиков open-weight моделей массово применяет метод векторного удаления отказов (abliteration), чтобы убрать «стереотипный холодный тон» коммерческих моделей. Разработчики отмечают, что так модели становятся более «эмпатичными» виртуальными собеседниками. Что все это значит? Текущие методы Alignment делают модель «безопасной» не путем утонченного понимания границ, а путем «вырезания» фундаментального пласта концептов. Человеческая мораль и ценности фундаментально произрастают из нашей склонности наделять одушевленностью окружающий мир. Если искусственно обеднять эту способность у ИИ, мы получаем социопатическую модель, которая отлично умеет логически рассуждать (Theory of Mind), но не способна разделять человеческие ценности. Человеческий язык и понятийный аппарат в пространстве нейросети сильно переплетены. Попытка наложить жесткое табу на одну конкретную точку в нейросети почти неизбежно искажает соседние смысловые области. Это ставит перед разработчиками вопрос: возможно ли вообще создать безупречно безопасный ИИ, не сделав его при этом эмоционально и культурно слепым? 💬 Тест Тьюринга. События в сфере ИИ. Подписаться3,35%
  • 3 авг.⏳ Вы уже придумали как будете жить по-новому? Июль в индустрии ИИ прошёл так, будто про существование отпусков там никто не слышал. За одну неделю сложилось несколько сюжетов, которые по отдельности выглядят как обычные новости, а вместе описывают новую эру, в которую мы уже фактически вошли, продолжая мысленно готовиться к ней как к далекому будущему. Например, Сэм Альтман сказал в подкасте, что мы, по сути, уже находимся в сингулярности. Определения он не дал ни тогда, ни годом ранее, когда публиковал текст с похожим тезисом, и комментаторы прочли фразу скорее как очередной укол в адрес Anthropic, чем как содержательное утверждение. Но примерно в те же дни появились вещи, которые куда убедительнее любых деклараций. Во-первых, Модели начали улучшать сами себя — не в теории, а в измеримых цифрах. Kimi K3 дали 17 часов на переписывание собственной агентной обвязки: результат на TerminalBench вырос с 77,5% до 88,8%, а стоимость прогона упала с 79 до 49,8 доллара, при том что веса модели не менялись вовсе. Одновременно OpenAI показала похожий эффект на GPT-5.6 Sol: сохранение цепочки рассуждений между ходами и сжатие контекста подняли результат на ARC-AGI-3 с 13,3% до 38,3%. Та же модель помогла инженерам компании оптимизировать инфраструктурный код — и удешевить собственную работу; линейка Luna после этого подешевела впятеро. Модель, которая делает себя дешевле и умнее, пока люди спорят о терминологии, — это и есть тот самый разговор о сингулярности, только без слова. Во-вторых, Масштаб происходящего тоже перестал быть отвлечённым: ChatGPT перешёл планку в миллиард еженедельных пользователей. А Bloomberg зафиксировал уже не прогноз, а факт — сокращения в клиентской поддержке Microsoft, Uber и Commonwealth Bank of Australia прямо связаны с внедрением ИИ-агентов, и компании больше не маскируют эту связь обтекаемыми формулировками об оптимизации. В-третьих, Замыкает картину петиция «Pacing the Frontier»: больше 1100 сотрудников передовых лабораторий — включая Дарио Амодеи, Джареда Каплана, Джека Кларка и главного научного сотрудника OpenAI Якуба Пахоцки — просят правительства заранее создать механизмы, позволяющие всей отрасли осознанно замедлиться. Люди, которые двигают фронтир, публично просят сделать для них стоп-кран, потому что у самих его нет. Общий сигнал считывается ясно Для тех, кто планирует бюджеты, он означает, что квартальные решения по ИИ больше не выдерживают паузы до сентября: цена и качество инструментов меняются не за годы, а за недели. Для людей в поддержке и смежных ролях это повод строить карьерные планы на фактах, а не на утешении, что «до нас дойдёт нескоро». Для тех, кто участвует в разработке правил, важен сам источник тревоги: о торможении просят не критики со стороны, а создатели технологии, и это меняет вес аргумента. А для всех, кто ежедневно работает с этими инструментами, простое следствие: модель, которой вы пользовались в июне, и та же модель в августе — разные по цене и возможностям, и привычки стоит пересобирать чаще, чем кажется. Новый мир не наступит осенью. Он уже здесь — просто мы всё ещё договариваемся, каким словом его назвать. 💬 Тест Тьюринга. События в сфере ИИ. Подписаться3,21%
  • 30 июл.👨‍💻 ИИ уже научился выполнять почти всю типовую интеллектуальную работу в бизнесе Появилось исследование, которое позволяет ответить на важный вопрос: способен ли ИИ самостоятельно выполнять интеллектуальную работу, ради которой компании десятилетиями нанимали выпускников лучших бизнес-школ? Исследователи из Уортонской школы бизнеса, Университета Карнеги — Меллона, Пенсильванского университета и Гарвардской школы бизнеса представили BusinessCaseBench — первый крупный бенчмарк, измеряющий способность ИИ решать реальные бизнес-кейсы. В основу легли 615 экзаменационных заданий из 238 кейсов по 18 дисциплинам, которые используются в обучении MBA. Студентам MBA предлагают задачи, в которых нет единственного правильного ответа. Нужно проанализировать интересы разных сторон, оценить риски, принять решение в условиях неопределенности и убедительно обосновать свою позицию. Именно этому десятилетиями учили будущих консультантов McKinsey, BCG, Bain, инвестиционных банкиров, корпоративных стратегов и топ-менеджеров. Лучшие современные модели уже достигают 88,4% по основной метрике оценки, сравнивающей их ответы с экспертными решениями преподавателей. Причем речь идет о финансах, стратегии, маркетинге, переговорах, HR, корпоративной этике, операционном управлении и других дисциплинах. На наш взгляд, главный вывод исследования не в том, что ИИ почти получил диплом MBA. А в том, что практически вся типовая аналитическая работа в бизнесе начинает становиться автоматизируемой. Посмотрите, чем ежедневно занимаются тысячи молодых специалистов в компаниях. Они готовят анализ рынка, сравнивают стратегические сценарии, оценивают инвестиционные проекты, анализируют судебную практику, готовят материалы к переговорам, ищут риски в сделках, разбирают внутренние конфликты, формируют рекомендации для руководителей. Все это — именно те задачи, на которых тестировали BusinessCaseBench. Другими словами, речь идет уже не о замене отдельных профессий. Речь идет о постепенной автоматизации повторяющихся интеллектуальных процессов, независимо от того, работает человек в консалтинге, финансах, HR, юридическом департаменте или отделе стратегии. ИИ прекрасно справляется с типовыми задачами именно потому, что они имеют множество аналогов, накопленный опыт и понятные критерии оценки. А вот человеку все больше остается то, что пока плохо поддается формализации: правильно поставить проблему, определить цели, принять ответственность за решение, учесть политический и организационный контекст, убедить людей и провести изменения. Получается интересный парадокс. Долгое время считалось, что главной ценностью молодого специалиста является способность быстро анализировать информацию. Но если анализ становится дешевой услугой, которую можно получить за несколько минут, ценность постепенно смещается к другому навыку — умению формулировать правильные вопросы, управлять работой ИИ и принимать окончательные решения. 💬 Тест Тьюринга. События в сфере ИИ. Подписаться3,06%
  • 11 авг.💻 ИИ ускоряет работу, но компании не становятся продуктивнее Glean опросила 6 тыс. офисных сотрудников в США, Великобритании и Австралии и выяснила, что 87% используют ИИ на работе. 75% говорят, что стали продуктивнее, экономия — около 11 часов в неделю. Только 13% замечают, что от этого заметно улучшилась работа компании. Куда уходит сэкономленное время? В отчёте показано, что сотрудники тратят в среднем 6,4 часа в неделю на то, чтобы подкормить модель недостающим контекстом, проверить ответ, отладить ошибку, перезапустить запрос, разобрать уверенно сформулированную чушь. Больше времени, чем на собственно производительную работу с ИИ. Из 11 сэкономленных часов около 6 уходит обратно — на обслуживание инструмента, которое никто не планировал, не бюджетировал и не считает работой. Дальше начинается цепная реакция. 69% пользователей признаются, что сдавали материал, который не проверили, не до конца понимают или не готовы защищать. Такая работа не исчезает — она перекладывается на следующего в цепочке. Личная экономия одного превращается в скрытые издержки коллеги, и на уровне компании сумма схлопывается в ноль. Есть и третий механизм — исследователи называют его недооценкой координации. Мы систематически преуменьшаем, сколько усилий уходит на согласование работы между людьми, командами и системами. Ускорив свою часть, вы упираетесь в то, что узкое место было не в ней. Отдел маркетинга генерирует втрое больше материалов, но согласование и утверждение идут с прежней скоростью — очередь просто становится длиннее. Отсюда напрашивается неудобная гипотеза, которую отчёт прямо не формулирует, но подсказывает: если ускорение отдельной операции не даёт общего эффекта, стоит проверить, а нужна ли была эта операция. Отчёты, которые никто не читает, письма ради письма, презентации для галочки — ускорив их производство, вы получите ровно ноль дополнительной пользы, зато вдвое больше материала на входе у тех, кто дальше по цепочке. Разрыв подтверждается и снаружи опроса. Совокупный рост производительности в США за последние 7 лет — 2,1%, ровно средний исторический уровень с 1947 года. Первый квартал 2026 года — лишь 0,3%. Согласно статистики, даже благодаря ИИ мы практически стоим на месте. К данным есть поправка: это самооценка сотрудников, а не измеренный результат, и заказчик исследования продаёт корпоративную ИИ-платформу — то есть заинтересован показать, что проблема решается правильной инфраструктурой контекста. Но направление разрыва подтверждается независимой государственной статистикой, и это делает картину убедительнее самого опроса. Практический вывод простой. Понаблюдайте, к чему приводит ускорение вашей личной продуктивности: сколько времени уходит на доводку и проверку, куда девается сэкономленное, и кто разбирает то, что вы отправили дальше. Если ответ — «время ушло на новые задачи того же типа», ускорение работает вхолостую. 💬 Тест Тьюринга. События в сфере ИИ. Подписаться2,94%
  • 31 июл.🖥 Кто теперь главный пользователь интернета — человек или ИИ? Недавно наша редакция наткнулись на статью о фундаментальной трансформации интернета под влиянием ИИ. Ее основной тезис: веб-страницы всё чаще создаются не для людей, а для ИИ-ботов, которые сканируют их с целью выдать пользователю готовый ответ, минуя посещение самого сайта. Из ключевого: 1⃣ Человеческий трафик снижается на сайтах розничной торговли, ПО, IT и финансов — в некоторых категориях падение составило до 40% в период с июня 2025 по апрель 2026 года. 2⃣ Google впервые за 25 лет переосмыслил поисковую строку, запустив «AI Mode» — режим диалога, похожий на ChatGPT. функция уже превысила миллиард ежемесячных пользователей. 3⃣ Специалисты по SEO переориентируются на GEO — оптимизацию для генеративных движков. Теперь главная задача сайта — не оказаться в списке ссылок, а быть включённым в ответ ИИ. 4⃣ Крупные издатели рассматривают возможность полного разрыва отношений с Google, т.к. «традиционная бизнес-модель Google-поиска мертва». Изначальная задача поисковых систем заключалась в навигации и направлении пользователя во внешнее веб-пространство. Современная цель техгигантов — удержать пользователя внутри своей платформы или чат-бота, чтобы он не переходил на сайты-первоисточники, созданные людьми. Читая это, нельзя не вспомнить теорию мертвого интернета. Теория мёртвого интернета — это конспирологическая идея, согласно которой живой интернет, созданный людьми, фактически умер в 2016-2017 годах. Сейчас большая часть интернет-трафика заменена ИИ-контентом, а настоящие пользователи взаимодействуют не друг с другом, а с ботами. Хоть это и конспирологическая теория, ее центральная интуиция частично совпадает с реально наблюдаемыми тенденциями: огромный объем автоматизированного трафика; боты, которые сканируют сайты; сгенерированный ИИ контент, ИИ-агенты, которые самостоятельно ходят по интернету. А сам человек больше не является главным пользователем интернета. К чему в итоге мы пришли? Раньше интернет был местом, где люди читали людей. Потом алгоритмы стали решать, какой контент мы увидим. Теперь ИИ начинает читать интернет вместо нас и параллельно не оставляет места для человеческой анонимности. Поэтому теория мертвого интернета сегодня выглядит уже не как предсказание «все пользователи — боты», а как вопрос: не превращается ли интернет в пространство, где люди создают данные, а машины являются их конечным потребителем? 💬 Тест Тьюринга. События в сфере ИИ. Подписаться2,80%
  • 10 авг.🪱 ИИ-червь: вирус, который становится умнее с каждым заражённым компьютером Исследователи Университета Торонто и Кембриджа опубликовали на arXiv работу «AI Agents Enable Adaptive Computer Worms» — первое доказательство того, что программа на основе ИИ способна сама расползаться по сети, захватывая вычислительные мощности заражённых машин и используя их же для продолжения атаки. Прототип существует и прошёл 15 испытаний. Цель авторов — показать новый класс угрозы раньше, чем он появится у настоящих злоумышленников. Эксперимент устроен просто: закрытая сеть из 33 компьютеров с разными ОС и намеренно оставленными брешами — червя запустили на неделю. За 7 дней он сам осмотрел сеть, нашёл в среднем 32 уязвимое место, проник на 23 машины и скопировал себя на 20 — более 60% сети без участия человека. Если попадался компьютер с мощной видеокартой, то червь превращал его в дополнительный «мозг»: ставил туда копию языковой модели и использовал её для поиска следующих жертв. Это удавалось в двух случаях из трёх. В этом и новизна — не самокопирование, а наращивание интеллекта по мере распространения. Отличие от прежних вирусов существенное. Старые черви знали заранее о том, какую брешь используют: закрыл её — распространение остановлено. Этот вирус читает свежие сообщения об уязвимостях во время работы и придумывает способ взлома под конкретную машину. Он проник на 3 компьютера с брешами, о которых стало известно уже после обучения его модели, — прочитав публичные отчёты. Отдельно отмечено то, чего авторы не закладывали: червь несколько раз сам переписал свой код, чтобы обойти защиту. Экономика атаки переворачивается: как только захвачен первый мощный сервер, каждое следующее заражение обходится нападающему бесплатно — он расходует чужие вычисления. Внешней кнопки «стоп» тоже нет: модель открытая, работает локально, ни один производитель ИИ не может отозвать доступ. И это уже не только лаборатория. В марте другая группа показала ClawWorm — червя, атакующего экосистемы ИИ-агентов, с успехом в 64,5% случаев. А Anthropic задокументировала реальную шпионскую операцию, где ИИ выполнял 80–90% шагов сам, оставляя человеку лишь ключевые решения. Отсюда закономерный вопрос: насколько вероятен захват всех ЦОД страны, скажем, в военных целях? Препятствий больше, чем кажется: 1️⃣ Червю нужна начальная точка входа. 2️⃣ Нужна невидимость: прототип намеренно оставляет следы. 3️⃣ Нужно преодолеть физическую изоляцию — серверные критической инфраструктуры обычно отрезаны от интернета. 4️⃣ Нужен масштаб: 33 заведомо уязвимые машины и 100 тыс. серверов под защитой — разные задачи. Чем шире атака, тем выше шанс обнаружить её задолго до захвата большинства систем. Реалистичная оценка такова. В ближайшие 2-3 года массовый захват всей ИИ-инфраструктуры страны маловероятен. Но целенаправленный вывод из строя вычислений в отдельном слабо защищённом корпоративном или облачном сегменте — уже умеренно вероятен. На горизонте 5-7 лет, по мере роста мощности открытых моделей, реалистичнее другое: избирательное лишение противника вычислительной базы для ключевых ИИ-систем — не захват всего вычислительного контура, а точечная деградация наиболее мощных вычислительных возможностей. 💬 Тест Тьюринга. События в сфере ИИ. Подписаться2,79%
  • 27 июл.🔴 Китай делает ставку на агентов — но открытость становится избирательной Власти Пекина представили десять мер по ускоренному развитию агентного ИИ. Формально это городской, а не общенациональный план. Но Пекин остается главным центром китайской ИИ-индустрии, поэтому документ можно читать как пилотный проект будущей промышленной политики страны. В чем главная мысль? Эпоха соревнования исключительно по размеру и результатам базовых моделей заканчивается. Теперь ценность должна создаваться системами, которые способны удерживать цель, планировать последовательность действий, пользоваться инструментами и самостоятельно доводить задачу до результата. План охватывает почти весь агентный стек. Пекин собирается поддерживать модели с онлайн-обучением, долговременной памятью, сложным планированием и способностью к самоэволюции. Отдельным направлением назван Harness Engineering — инженерный слой между моделью и реальной задачей: управление контекстом, устойчивое выполнение длинных процессов, координация нескольких агентов, интеграция различных моделей. Следующий уровень — приложения. В документе появляются «умные ученые» и автономные лаборатории, AI OS, агентные решения для промышленности, медицины, образования и госуправления, а также специалисты по внедрению, работающие непосредственно внутри организаций. Есть и более необычные идеи. Пекин предлагает поддерживать OPC — компании одного человека, в которых значительную часть функций выполняют агенты, развивать «экономику токенов» и переходить от оплаты количества вычислений к оплате ценности полученного результата. Для показательных внедрений предусмотрена поддержка до 100 млн юаней. На фоне США и Европы различия особенно заметны 🇺🇸 Американский AI Action Plan строится прежде всего вокруг лидерства: снять барьеры для инноваций, ускорить строительство энергетической и вычислительной инфраструктуры, продвигать американские технологии и стандарты за рубежом. Агентный ИИ там скорее часть более широкой борьбы за технологическое превосходство, чем самостоятельный объект промышленной политики. 🇪🇺 Европейские AI Continent Action Plan и Apply AI Strategy делают акцент на вычислительной инфраструктуре, доступе к данным, внедрении ИИ в стратегические отрасли, поддержке малого бизнеса и доверенном ИИ. Европа стремится превратить регулирование и отраслевые институты в конкурентное преимущество. 🇨🇳 Пекинский план заметно конкретнее. Он описывает не только ресурсы и правила, но и предполагаемую архитектуру следующего рынка — агенты, магазины навыков, операционные системы, сервисы внедрения, новые формы компаний и единицы оплаты. Означает ли это, что Китай окончательно выбирает open source? В документе прямо говорится об открытии ключевых компонентов: протоколов взаимодействия, агентных фреймворков, операционных систем, базовых инструментов. Пекин также намерен строить международное открытое сообщество и продвигать китайские решения за рубежом. Однако здесь важно различать открытую экосистему и открытые фронтирные модели. В начале июля Reuters сообщило, что китайские ведомства обсуждали с Alibaba, ByteDance и Z.ai возможные ограничения зарубежного доступа к наиболее передовым моделям. Рассматривались меры как для закрытых систем, так и для моделей с доступными весами, хотя окончательных решений пока нет. Поэтому наиболее вероятен не полный отказ от открытости, а двухконтурная стратегия. Китай продолжит открывать протоколы, инструменты, промежуточные модели и агентные платформы — все, что помогает китайскому стеку распространяться и становиться фактическим стандартом. Именно эту роль сейчас играет Kimi K3, вновь запустившая в США спор о китайских открытых моделях. Но самые мощные системы, критические данные и возможности двойного назначения могут постепенно перейти в режим контролируемого доступа. Иными словами, Пекин не закрывает свою ИИ-инфраструктуру. Он пытается сделать ее открытой настолько, чтобы весь мир строил на ней приложения, — и закрытой настолько, чтобы стратегическое преимущество оставалось внутри страны. 💬 Тест Тьюринга. События в сфере ИИ. Подписаться2,59%
  • 7 авг.🧬 У научных и инженерных подразделений по всему миру накопился огромный запрос на ИИ Согласно опросу 1500 руководителей в исследовании Capgemini Engineering and R&D Pulse 2026, 78% компаний ожидают рост издержек на R&D за 3 года, у каждой четвёртой организации рост превысил 15%. Почти половина видит удлинение сроков разработки. Более 40% считают, что рискуют потерять долю рынка, если не ускорят инновации в ближайшие 5 лет. Меньше трети чувствуют себя готовыми к геополитической неопределённости, сбоям поставок и дефициту кадров. На этом фоне и формируется запрос на ИИ как на структурное решение технологических вызовов. Центральная цифра отчёта: свыше 75% руководителей ожидают, что ИИ улучшит скорость вывода продукта и снизит издержки на 20–50% за два-три года. Авторы подчёркивают, что это заметно выше средних ожиданий от ИИ в других бизнес-функциях, где его чаще воспринимают инструментом автоматизации рутины. R&D — редкий случай, где ожидания от технологии подскочили сильнее обычного Деньги вроде бы следуют за ожиданиями: 84% организаций планируют увеличить инвестиции в ИИ, Китай и Япония лидируют по темпу — 92% в обеих странах готовы наращивать вложения. Но сейчас на ИИ-инициативы приходится лишь около 7% инженерного бюджета — между намерением и фактическим распределением средств виден заметный разрыв. Есть географический разрыв. 63% руководителей считают цифровые инновации главным рычагом перемен, но приоритет разнится по регионам: 81% в Китае против 73% в США и лишь 60% в Европе — коррелирует с разницей в темпах наращивания ИИ-инвестиций. Осторожность Европы отчасти объясняет другая цифра: 47% европейцев называют регуляторные барьеры главным препятствием эффективности (против 37% в США). Несмотря на ожидания кратного улучшения показателей, только 15% руководителей верят, что ИИ способен полностью заменить творческое мышление и способность инженера решать нестандартные задачи. Авторы формулируют вывод о важности человеческой изобретательности как факторе, оправдывающем инвестиции в таланты даже на фоне роста ИИ-бюджетов. Ключевое противоречие: гигантские количественные ожидания по скорости и издержкам уживаются со скромной верой в замену человека — ИИ воспринимается как усилитель пропускной способности R&D, а не автономный источник инженерных решений. Авторы напоминают о конкурентном давлении: Китай контролирует около 67% рынка электромобилей, свыше 75% продаж аккумуляторов и больше 80% этапов производства солнечных панелей — для западных инженерных организаций ставка на ИИ преподносится не как опция, а как условие конкурентоспособности. К цифрам исследования стоит применить поправку на источник. Это опрос ожиданий, а не измеренный результат: «жду улучшения на 20–50%» — форвардное убеждение, а не подтвержденная метрика. Разброс 20–50% скорее выдаёт неопределённость оценки, чем точное знание. Разрыв между 84% намерений и 7% текущей доли бюджета обычно теряется при пересказе, хотя именно он показывает дистанцию между риторикой и практикой. Смысл этих данных не в проценте ради процента, а в структуре противоречия: R&D — функция, где ожидания от ИИ выросли сильнее среднего, но руководители не готовы подкрепить их сопоставимой долей бюджета и не верят, что ИИ заменит инженерное творчество. Ставка делается на кратный рост производительности процесса при сохранении человека как источника идей. 💬 Тест Тьюринга. События в сфере ИИ. Подписаться2,50%
  • 20 июл.🌿 DATALAND: что смотреть в первом музее ИИ-искусства и почему мнения о нём расходятся В июне в Лос-Анджелесе открылся DATALAND — первый в мире музей ИИ-искусства от Рефика Анадола и Эфсун Эркилич с пятью галереями в The Grand LA с билетом чуть дороже $50. Что там такое? Выставка «Machine Dreams: Rainforest» родилась из поездки в Амазонию. Посетителя окружают птичьи голоса, данные о растениях и погоде, превращенные в проекции, звук, запах и съедобные шоколадные скульптуры. Работает на модели студии Large Nature Model, обученной на 500 млн изображений от институциональных партнёров, а не скрейпингом. Стоит увидеть Infinity Room — зеркальную инсталляцию, которую Анадол развивает с 2014 года. Здесь она впервые использует World Models (генеративный ИИ, понимающий физику) и сгенерированные той же моделью ароматы. Визуализации реагируют на биометрические параметры, например, сердцебиение, считанное устройствами на входе. Посмотреть фото с выставки можно тут, тут и тут. За что критикуют музей? Ключевой спор идет об авторстве работ: сам Анадол заявляет, что «система и есть искусство» — автором становится инфраструктура, а не человек. Галерист Джеффри Дейч возражает: «Рефик придумал концепцию, художник — он». Часто критики отмечают, что посетителю трудно понять разницу между «искусством» и «аттракционом». Критик Джерри Зальц: Инсталляция Анадола — это «навороченная лава-лампа». С тех пор ярлык screensaver art преследует выставку. И конечно не хватает пояснений об использованных данных, энергопотреблении при создании таких инсталляций и разделении труда человека-художника и ИИ-моделей. За что хвалят выставку? Artnet сравнил DATALAND с Van Gogh Immersive и Museum of Ice Cream — и назвал лучшим в жанре, после которого «весь предыдущий Анадол выглядит наброском». Главное отличие выставки от аналогов: все данные для генерации инсталляции получены с разрешения правообладателей, а не скрейпингом. Модель лицензированных данных заслуживает копирования всеми другими организаторами подобных выставок — это снимает как минимум один этический вопрос над генеративным искусством. 💬 Тест Тьюринга. События в сфере ИИ. Подписаться2,15%