Тест Тьюринга
Відкрити в Telegram
Актуальное в сфере искусственного интеллекта в России и в мире: • Дайджест новостей • Аналитические обзоры, переводы, справки Для связи - @nastyapvlv28
Показати більше2 123
Підписники
Немає даних24 години
+27 днів
-630 днів
Завантажуємо дані
Схожі канали
Хмара тегів
Вхідні та вихідні згадування
---
---
---
---
---
---
Залучення підписників
жовтень '26жовт '26
жовтень '26
+13
в 0 каналах
вересень '26
+15
в 0 каналах
Get PRO
серпень '26
+18
в 2 каналах
Get PRO
липень '26
+27
в 1 каналах
Get PRO
червень '26
+13
в 1 каналах
Get PRO
травень '26
+20
в 0 каналах
Get PRO
квітень '26
+11
в 0 каналах
Get PRO
березень '26
+22
в 1 каналах
Get PRO
лютий '26
+34
в 1 каналах
Get PRO
січень '26
+19
в 3 каналах
Get PRO
грудень '25
+49
в 3 каналах
Get PRO
листопад '25
+50
в 6 каналах
Get PRO
жовтень '25
+66
в 5 каналах
Get PRO
вересень '25
+63
в 4 каналах
Get PRO
серпень '25
+64
в 4 каналах
Get PRO
липень '25
+86
в 5 каналах
Get PRO
червень '25
+122
в 0 каналах
Get PRO
травень '25
+92
в 3 каналах
Get PRO
квітень '25
+106
в 4 каналах
Get PRO
березень '25
+85
в 1 каналах
Get PRO
лютий '25
+118
в 0 каналах
Get PRO
січень '25
+93
в 2 каналах
Get PRO
грудень '24
+82
в 4 каналах
Get PRO
листопад '24
+94
в 4 каналах
Get PRO
жовтень '24
+205
в 19 каналах
Get PRO
вересень '24
+150
в 5 каналах
Get PRO
серпень '24
+110
в 7 каналах
Get PRO
липень '24
+102
в 1 каналах
Get PRO
червень '24
+67
в 1 каналах
Get PRO
травень '24
+70
в 0 каналах
Get PRO
квітень '24
+108
в 0 каналах
Get PRO
березень '24
+397
в 8 каналах
Get PRO
лютий '24
+101
в 1 каналах
Get PRO
січень '24
+77
в 0 каналах
Get PRO
грудень '23
+317
в 3 каналах
| Дата | Залучення підписників | Згадування | Канали | |
| 28 жовтня | 0 | |||
| 27 жовтня | +1 | |||
| 26 жовтня | +1 | |||
| 25 жовтня | +1 | |||
| 24 жовтня | 0 | |||
| 23 жовтня | +1 | |||
| 22 жовтня | +1 | |||
| 21 жовтня | 0 | |||
| 20 жовтня | +2 | |||
| 19 жовтня | 0 | |||
| 18 жовтня | 0 | |||
| 17 жовтня | 0 | |||
| 16 жовтня | +1 | |||
| 15 жовтня | 0 | |||
| 14 жовтня | 0 | |||
| 13 жовтня | 0 | |||
| 12 жовтня | 0 | |||
| 11 жовтня | +1 | |||
| 10 жовтня | 0 | |||
| 09 жовтня | 0 | |||
| 08 жовтня | 0 | |||
| 07 жовтня | 0 | |||
| 06 жовтня | +1 | |||
| 05 жовтня | +1 | |||
| 04 жовтня | 0 | |||
| 03 жовтня | +1 | |||
| 02 жовтня | 0 | |||
| 01 жовтня | +1 |
Дописи каналу
🩺 Microsoft построила цифровой консилиум из ИИ-врачей и одновременно придумала экзамен для него
Бигтех всё заметнее перестаёт быть лишь поставщиком облаков и моделей для науки. Теперь технологические корпорации сами формулируют исследовательские задачи, создают экспериментальные установки, публикуются в ведущих научных журналах и начинают клиническую проверку результатов.
Свежий пример — статья Microsoft в Science, посвящённая системе MAI Diagnostic Orchestrator и новому бенчмарку SDBench.
Что такое диагностический оркестратор?
Обычной языковой модели дают описание пациента целиком и просят назвать диагноз. MAI-DxO действует иначе: начинает с нескольких фраз, а затем шаг за шагом решает, что спросить у пациента, какой анализ назначить, как интерпретировать результат и достаточно ли уже данных для вывода.
Внутри система имитирует консилиум из пяти ролей. Одна формирует список вероятных диагнозов, другая выбирает наиболее информативные исследования, третья ищет ошибки и опровергающие факты, четвёртая контролирует стоимость, пятая проверяет логическую согласованность решения.
То есть Microsoft построила над существующей моделью процедуру коллективного клинического мышления, которая заставляет ИИ последовательно собирать доказательства.Для проверки этой системы пришлось создать новый экзамен Большинство медицинских бенчмарков напоминают тест: условие уже содержит симптомы, анализы и снимки, остаётся выбрать ответ. В реальной медицине главная сложность состоит именно в том, чтобы понять, какой информации ещё не хватает. SDBench превращает диагноз в интерактивный процесс. Агент получает краткое описание случая и может задавать вопросы, назначать исследования или остановиться и назвать диагноз. Специальный Gatekeeper выдаёт только запрошенные сведения, Judge оценивает итог, а отдельный модуль считает примерную стоимость обследования. В основу вошли 304 сложных клинических случая из The New England Journal of Medicine и более типичные обращения из базы отделения неотложной помощи MIMIC-IV-ED. Бенчмарк оценивает не только правильность ответа, но и цену пути к нему. Результаты выглядят впечатляюще: ➡️ на сложных случаях NEJM MAI-DxO достиг точности 83%; ➡️ врачи общей практики получили 36% с доступом к справочным материалам и 22% без них; ➡️ на случаях из отделений неотложной помощи результат составил 80% против 47% у врачей; ➡️ одна из экономных конфигураций сохранила точность 81%, сократив расчётную стоимость диагностики более чем вдвое. Архитектура оказалась модельно-независимой: оркестратор улучшал результаты разных LLM, а при переходе к более новым поколениям моделей преимущество сохранялось. Это означает, что ценность может находиться уже не только в самой сильной нейросети, но и в правильно организованной системе ролей, проверок и ограничений. Но для развития ИИ в науке эта работа важна шире конкретных процентов. Во-первых, биг-тех начинает собирать полный научный контур: модель ➡️ агентная система ➡️ бенчмарк ➡️ публикация ➡️ клинический эксперимент. Корпорация уже не просто предоставляет исследователям инструмент — она сама становится исследовательским институтом. Во-вторых, борьба разворачивается не только за лучшие модели, но и за право определять, как измерять научный прогресс. Создатель признанного бенчмарка фактически задаёт направление развития всей отрасли. 💬 Тест Тьюринга. События в сфере ИИ. Подписаться
| 2 |  🦂 ИИ становится операционной системой молекулярной лаборатории
За два прошедших месяца Anthropic показала две ступени одного процесса. Сначала Claude самостоятельно провёл кампанию по созданию белков-«минибиндеров» для 15 мишеней: управлял специализированными моделями, отбирал последовательности и передавал кандидатов на проверку. Лаборатории подтвердили фактическое связывание для 14 мишеней, а успешными оказались 22–35% протестированных конструкций.
И вот теперь на прошлой неделе тот же подход применили к практической медицинской задаче — поиску потенциальных компонентов противоядия от укусов скорпионов.
Это не экзотическая проблема: ежегодно скорпионы жалят более 1,2 млн человек, свыше 3 250 случаев заканчиваются смертью. Особенно уязвимы дети в регионах, где современные препараты дороги или недоступны. Традиционные противоядия получают, собирая яд тысяч скорпионов, иммунизируя им лошадей и выделяя антитела из крови животных.
Claude предложили найти другой путь: спроектировать небольшие белки, способные закрыть токсину участок, которым тот воздействует на нервные клетки.
За 64 часа внутренняя исследовательская модель Anthropic:
✅ изучила структуры пяти нейротоксинов четырёх видов скорпионов;
✅ выбрала участки, за которые должны цепляться будущие белки;
✅ использовала 12 специализированных инструментов;
✅ создала 318 484 конструкции;
✅ смоделировала 553 052 пары «белок — токсин»;
✅ отобрала 180 кандидатов, ещё 31 добавили исследователи вместе с Claude.
Claude здесь не выступал единственной «моделью для создания белков». Он был руководителем цифровой лаборатории — решал, какие инструменты запускать, как распределять вычисления, какие результаты отбраковывать и какие молекулы отправлять в физический мир.
Компании Adaptyv Bio и Twist Bioscience по итогам синтезировали 211 конструкций и независимо проверили их. Семнадцать связались с четырьмя из пяти токсинов по строгим критериям двух лабораторий. Два лучших кандидата связывали мексиканский токсин Cn2 с наномолярной силой и, вероятно, занимали тот же участок, что и антитело, ранее защищавшее мышей.
Но противоядия пока нет. Белки проверяли на рекомбинантных токсинах, а не на настоящем яде; неизвестно, способны ли они нейтрализовать токсин в клетках и защитить животное. Универсальный белок сразу против нескольких токсинов Claude тоже создать не смог.
Кроме того, работа опубликована самой Anthropic в виде технического отчёта и пока не прошла независимое журнальное рецензирование.
И всё же главный результат находится не в пробирке, а в изменении скорости научного поиска. Для вычислительной части потребовалось около 10 000 GPU-часов и примерно $50 000. Лабораторная проверка стоила ещё около $150 000 и заняла почти два месяца. ИИ способен за несколько дней породить больше обоснованных гипотез, чем физическая лаборатория успевает проверить за недели.
Отсюда следуют три вывода:
1⃣ Узким местом биомедицины постепенно становится не создание идей, а их проверка: синтез, эксперименты, безопасность, испытания и производство.
2⃣ Ускорение поиска может изменить экономику забытых заболеваний. Когда перебор молекул дешевеет, задачи с небольшим коммерческим рынком получают больше шансов дойти хотя бы до лаборатории.
3⃣ ИИ в науке развивается не как электронный энциклопедист, а как оркестратор целого исследовательского конвейера. Он ещё не заменяет биолога и тем более не создаёт готовые лекарства нажатием кнопки. Но уже соединяет литературу, вычислительные модели, поставщиков и мокрые лаборатории в единый цикл.
💬 Тест Тьюринга. События в сфере ИИ. Подписаться | 122 |
| 3 |  📹 Генерированное видео станет нашей средой обитания
Почти всю историю кино-изображение сначала снимали или рисовали, а затем показывали зрителю. Генеративное видео долго сохраняло ту же логику: человек отправлял запрос, ждал несколько минут и получал готовый ролик.
Теперь этот порядок начинает разрушаться.
fal Research и Black Forest Labs выпустили FLUX 3 Max — дообученную и оптимизированную версию FLUX 3. Десятисекундное видео в 720p она создаёт примерно за 12 секунд. Для сравнения, еще недавно Seedance 2.5 в опубликованном тесте потребовалось 277,8 секунды - примерно в 22 раза больше. При этом модели получили одинаковые 1139 баллов Elo в предварительном рейтинге Artificial Analysis по преобразованию изображения в видео.
Формально FLUX 3 Max занимает второе место, но статистически входит в группу лидеров: интервалы результатов пересекаются. Модель создаёт ролики продолжительностью от 5 до 20 секунд, поддерживает 720p и 1080p, 24 кадра в секунду, начальный и конечный кадры и генерируемый вместе с изображением звук. До 7 ноября стоимость на fal составляет $0,0425 за секунду видео в 720p - затем заявлена обычная цена $0,17.
Ускорение достигнуто не созданием совершенно новой базовой модели, а сочетанием дополнительного обучения, дистилляции и глубокой оптимизации инфраструктуры инференса.
Но является ли FLUX 3 Max настоящей генерацией в реальном времени?
Модель выдаёт готовые десять секунд почти за те же десять секунд, однако пользователь не может войти внутрь уже начавшегося ролика и немедленно изменить его течение.
Настоящее интерактивное видео устроено иначе: система непрерывно создаёт следующий кадр на основе предыдущих кадров и новых действий человека. У такого мира нет заранее рассчитанного будущего. Пользователь поворачивает камеру, произносит команду или нажимает кнопку — и последующие кадры рождаются уже с учётом этого действия.
Однако FLUX 3 Max показывает, что главное техническое препятствие — скорость — быстро уменьшается. Когда качественное видео производится примерно с той же скоростью, с которой оно просматривается, видеомодель можно превращать из фабрики роликов в движок виртуальной среды.
Первые такие системы уже появились:
➡️ Reka совместно с NVIDIA показала закрытую бета-версию модели на 30 млрд параметров, создающую непрерывный поток 720p при 24 кадрах в секунду. Пользователь может менять происходящее текстовыми командами прямо во время трансляции.
➡️ Китайская Vidu S1 генерирует интерактивных персонажей в 540p при 25 кадрах в секунду и реагирует на голос: меняет не только речь, но и выражение лица, жесты и поведение героя. Заявлена скорость до 42 кадров в секунду, доступна бета-версия и API.
➡️ Google Genie создаёт исследуемые виртуальные пространства в 720p и 24 fps, а Project Genie уже позволяет привязывать сгенерированные миры к реальным местам из Street View.
➡️ Odyssey-3 формирует среды, реагирующие на действия человека или агента, включая сценарии обучения роботов, автомобилей и дронов.
➡️ Runway пошла ещё дальше: её Solaris генерирует в реальном времени уже не фильм, а сам пользовательский интерфейс.
Мы входим в эпоху, когда изображение на экране перестаёт быть записью прошлого и становится пластичной версией настоящего.
Игры смогут создавать локации вокруг следующего шага игрока. Виртуальный собеседник — менять мимику и поведение по ходу разговора. Обучающий симулятор — мгновенно перестраивать ситуацию под ошибку ученика. Дополненная реальность — не накладывать заранее подготовленные объекты, а непрерывно перерисовывать окружающий мир.
💬 Тест Тьюринга. События в сфере ИИ. Подписаться | 146 |
| 4 |  🔬 Богатая неделя: ИИ собрал почти всю фабрику научных открытий
Иногда несколько отдельных новостей складываются в один большой сюжет. За последнюю неделю появились сразу четыре события, показывающие, как ИИ охватывает почти весь исследовательский цикл: получает задачу на обычном языке, проектирует новые белки, разбирает результаты миллионов измерений и учится самостоятельно работать в физической лаборатории.
1⃣ Две тысячи ИИ-агентов за 32 минуты разобрали данные миллионов клеток мозга
OpenAI, PerturbAI и Scripps Research направили почти 2000 агентов GPT‑Rosalind на анализ CRISPR-атласа мышиного мозга. Каждый агент изучал отдельное генетическое вмешательство, сопоставлял изменения в клетках с научной литературой и предлагал возможное объяснение.
Объединённая система использовала более 700 публикаций — против 11 у одного агента.
В слепом сравнении биологи предпочитали её отчёты в 75% случаев. Среди найденных направлений — возможная связь нарушений в обмене холестерина в нейронах и нейродегенерации. Но это пока гипотеза для последующей проверки.
2⃣ Белок теперь можно заказывать почти словами
В Nature опубликована модель Pinal на 16 млрд параметров, которая проектирует белки по описанию требуемой функции на естественном языке.
Её обучили на 1,7 млрд синтетически размеченных пар «белок - описание».
Работу модели проверили на четырёх задачах: например,
проектироварие флуоресцентного белка и фермента, разрушающего пластик.
Во всех случаях созданные белки продемонстрировали требуемую функцию в лаборатории.
3⃣ NVIDIA и лаборатория Дэвида Бейкера выпустили открытую RFD4‑Proteina
Модель одновременно проектирует последовательность белка, его трёхмерную структуру и взаимодействие с другими молекулами.
Подобно reasoning-моделям, она может тратить больше вычислений на особенно сложные проекты и отбрасывать неудачные варианты прямо во время генерации.
По данным разработчиков, RFD4‑Proteina создаёт успешные конструкции в 5-10 раз чаще и работает в 5-10 раз быстрее предшественников. В одном из экспериментов с её помощью за несколько дней получили улучшенный фермент для разрушения пестицида — прежний вариант разрабатывали месяцами. Модель и веса опубликованы открыто.
4⃣ Google дала ИИ-учёному руки и цифрового двойника лаборатории
Система VERID создаёт живую трёхмерную модель рабочего места: знает расположение приборов, объёмы реагентов, запас наконечников и геометрию движений робота.
Перед выполнением команда агента проигрывается в симуляции, поэтому физически невозможные или опасные действия блокируются.
В замкнутых циклах агенты уже проектировали молекулы, запускали эксперименты, анализировали ошибки и меняли стратегию. При поиске ДНК-аптамеров они самостоятельно распознали, что оптимизируют «липкие», но неспецифичные молекулы, скорректировали правила и увеличили долю подтверждённых попаданий с 3,7% до 33,5%.
Если сложить четыре новости, получится не витрина моделей, а чертёж новой научной машины:
задача на человеческом языке → проектирование молекулы → тысячи параллельных интерпретаций → физический эксперимент → данные для следующего цикла.
Возможно, главным ограничением науки скоро перестанет быть недостаток перспективных гипотез.
Наоборот, ИИ сможет производить их быстрее, чем лаборатории, рецензенты и научные институты успеют проверять.
Пока ни одна из этих работ не означает появления лекарства или полностью автономного учёного. Но граница уже сдвинулась: ИИ переходит от разговора о науке к проектированию объектов и участию в эксперименте.
💬 Тест Тьюринга. События в сфере ИИ. Подписаться | 207 |
| 5 |  🧮 ИИ научился решать задачи за часы и математики собирают $15 млн, чтобы успеть понять ответы
В математике возник новый конфликт — не между человеком и машиной, а между двумя способами производить науку.
Старая научная школа движется медленно: результат обсуждают на семинарах, проверяют строка за строкой, связывают с предыдущими работами и превращают доказательство в знание, которое способны объяснить другие люди.
Новые лидеры — ИИ-лаборатории, владеющие моделями и вычислениями, — могут за несколько дней выбросить в публичное пространство объём результатов, который целая область не успеет прочитать за годы.
15 октября Simons Foundation вместе с OpenAI и Anthropic объявил программу стоимостью $15 млн, призванную помочь математикам справиться с этим разрывом. Это совокупный вклад трёх организаций деньгами и ресурсами; OpenAI и Anthropic отдельно заявили о взносах по $5 млн, включая доступ к моделям и вычислениям.
Распределять поддержку будет сам фонд, а не ИИ-компании.
Деньги пойдут на конференции, летние школы, рабочие группы, постдоков и исследования, необходимые для проверки и осмысления машинных результатов. Отдельный конкурс предусматривает до пяти двухлетних грантов Simons Foundation размером до $500 000 каждый.
Формально это программа поддержки математики. Фактически — строительство аварийной инфраструктуры для науки, скорость которой внезапно изменилась.
Поводом стал математический залп OpenAI
6 октября компания опубликовала 722 машинные рукописи, объединённые в 372 семейства результатов. Модель проверили примерно на 4 000 задачах, причём на получение одного результата в среднем уходил эквивалент трёх часов работы ChatGPT Pro. Часть доказательств была формализована в Lean, но значительная доля осталась без полной машинной проверки.
Уже на следующий день OpenAI сняла три рукописи: ошибка в знаке разрушила одно доказательство и две зависевшие от него работы. Ещё 14 текстов пришлось исправить. Это не обесценивает весь массив, но показывает разницу скоростей: машина может создать научный "долг" значительно быстрее, чем люди способны его погасить.
Особенно наглядной стала реакция лауреата Филдсовской премии Юго Дюмениль-Копена. На видеоконференции Французского математического общества 8 октября он рассказал, что среди заявленных результатов не менее 16 относятся непосредственно к его исследованиям — более 3 500 страниц текста.
Le Monde приводит его слова: «Они уничтожили мою область исследований». Учёный признался, что плакал, и показал слайд с кроликом, раздавленным грузовиками.
Но это не просто эмоциональная реакция учёного, проигравшего гонку машине. На глазах меняется центр власти в науке. Университеты и научные школы веками определяли, какие вопросы важны, как признаётся доказательство и кому принадлежит приоритет. Теперь исследовательскую повестку могут перехватывать компании, контролирующие закрытые модели и огромные вычислительные мощности.
Возникает почти колониальная конструкция: научное сообщество десятилетиями создаёт теории, литературу и открытые задачи; ИИ-лаборатория массово перерабатывает этот материал, заявляет сотни результатов и возвращает их людям для бесплатной проверки. Тот, кто управляет моделью, начинает управлять не только скоростью, но и направлением исследований.
Как избежать превращения науки в службу верификации при ИИ-корпорациях?
Нужен новый общественный договор:
➡️ разделять результаты на формально проверенные, понятые человеком и предварительные;
➡️ выпускать массивы поэтапно, соразмерно возможностям сообщества;
➡️ публиковать модель, промпты, вычислительные затраты, неудачные попытки и историю выбора задач;
➡️ размещать работы в независимых научных репозиториях, а не на площадке компании;
➡️ оплачивать проверку и объяснение доказательств как полноценную исследовательскую работу;
➡️ обеспечивать учёным широкий доступ к моделям, иначе возникнет двухуровневая математика — для владельцев вычислений и для всех остальных.
Именно такие принципы предложила независимая группа AGMAI.
💬 Тест Тьюринга. События в сфере ИИ. Подписаться | 203 |
| 6 |  🔴 Китай против США: кто на самом деле выигрывает ИИ-гонку?
Пока мир обсуждает новые модели OpenAI, Google и Anthropic, в Китае происходит куда более масштабный процесс: формируется целая исследовательская экосистема, которая постепенно сокращает технологический разрыв с США.
1️⃣ Китай уже располагает гораздо большей армией ИИ-исследователей
По данным аналитической компании Digital Science, в Китае насчитывается около 51 000 действующих исследователей в области ИИ против 14 000 в США. Китайское исследовательское сообщество примерно в 3,6 раза больше американского.
Но важна не только численность. Китайские университеты ежегодно выпускают большое количество специалистов, а исследовательские центры и технологические компании распределены сразу по Пекину, Шанхаю, Ханчжоу и Шэньчжэню.
2️⃣ Китайские специалисты всё реже считают необходимым уезжать в США
Исследование, проведённое аналитиками Carnegie China на выборке авторов престижной конференции NeurIPS, показало: 57% авторов NeurIPS 2025 года получили степень бакалавра в Китае. Тремя годами ранее таких было 46%.
Но ещё интереснее, где эти специалисты работают впоследствии. Из исследователей, получивших высшее образование в Китае и публиковавшихся на NeurIPS, 69% оставались в Китае в 2025 году. В 2022 году показатель составлял 57%. Для сравнения: среди аналогичной группы исследователей из Европы в своём регионе оставались 60%, а среди окончивших университеты в США — 89%.
При этом картина неоднозначна. Американские университеты и лаборатории по-прежнему привлекают китайских учёных, а китайские исследователи, уже работавшие в США в 2019 году, в большинстве своём остались там и к 2025 году.
То есть речь не о массовом бегстве китайских учёных из Америки. Скорее, Китай всё лучше удерживает собственные таланты и создаёт условия, при которых перспективным специалистам необязательно уезжать, чтобы заниматься передовыми исследованиями.
3️⃣ Почему Китай пока не обогнал США в разработке передовых моделей?
США по-прежнему лидируют по числу наиболее значимых ИИ-моделей и по показателям влияния патентов. По оценке Скотта Сингера из Carnegie Endowment for International Peace, китайские модели отстают от передового уровня американских разработок примерно на три-семь месяцев.
Главное ограничение Китая — вычислительные ресурсы. С 2022 года США ограничивают экспорт в Китай наиболее мощных вычислительных чипов, необходимых для обучения и эксплуатации передовых моделей. Китайские компании развивают собственное производство ускорителей, но пока не располагают полным набором аппаратных возможностей, сопоставимым с тем, что доступен ведущим американским лабораториям.
Есть и финансовый фактор. По данным Stanford AI Index 2026, частные инвестиции в ИИ в США в 2025 году превысили китайские более чем в 23 раза.
Парадокс: Китай располагает гораздо большим количеством исследователей, но США могут предоставлять ведущим лабораториям существенно больше денег и вычислительных мощностей.
4️⃣ Китайская модель развития ИИ отличается от американской
Ещё одно важное различие — граница между университетами и бизнесом. В Китае исследовательские организации и компании теснее связаны, а переход от академической работы к коммерческой разработке может происходить быстрее. Это создаёт возможности для быстрого переноса научных идей в реальные продукты.
При этом китайские разработчики не только повторяют американские решения. Ограниченность вычислительных ресурсов заставляет их искать способы эффективнее обучать модели и использовать имеющееся оборудование. Именно поэтому конкуренция идёт не только за создание более мощных систем, но и за то, чтобы получать сопоставимые возможности при меньших затратах.
Поэтому уже недостаточно спрашивать, сможет ли Китай догнать США. Важно понять, смогут ли США сохранить преимущество, если их конкурент обладает гораздо более многочисленным исследовательским сообществом и продолжает сокращать разрыв в технологиях. И это соревнование будет определяться тем, какая страна сумеет построить более устойчивую систему развития ИИ.
💬 Тест Тьюринга. События в сфере ИИ. Подписаться | 200 |
| 7 |  ⚛️ ИИ начинает учить язык элементарных частиц материи
CERN и французская Mistral AI подписали соглашение о намерениях создать первую базовую модель для физики частиц. Проект, который Reuters называет Flare, обучат не на книгах и сайтах, а на миллиардах симулированных столкновений протонов в Большом адронном коллайдере.
Готовой модели пока нет, не объявлены ни бюджет, ни сроки, ни архитектура. Даже название Flare фигурирует только из слухов у Reuters, тогда как CERN пока говорит просто о большой физической модели. Но направление уже понятно.
Это попытка дать коллайдеру не очередной алгоритм, а универсальный искусственный «орган восприятия».
Детекторы коллайдера не выдают ученому-физику красивую картинку столкновения. Он фиксирует миллионы разрозненных сигналов: следы заряженных частиц, всплески энергии, координаты и время срабатывания датчиков.
Сегодня всё это проходит через конвейер специализированных программ. Один алгоритм собирает точки в траектории, другой определяет тип частицы, третий восстанавливает полную картину события, четвёртый ищет в ней заранее заданные аномалии.
Flare хотят предварительно обучить сразу на всём «языке столкновений», а затем использовать одну основу для разных задач:
➡️ реконструкции произошедшего внутри детектора;
➡️ распознавания частиц;
➡️ поиска необычных событий;
➡️ проверки проектов будущих детекторов ещё до их строительства.
Принцип похож на языковую модель: она сначала изучает огромный корпус и формирует общее представление о языке, а затем решает множество прикладных задач. Только здесь вместо слов — сигналы датчиков, энергия и траектории частиц, а вместо грамматики — закономерности физического мира.
Почему CERN понадобилась именно Mistral?
Официально о конкурсе или тендере не сообщалось, поэтому правильнее говорить не о победе Mistral над другими лабораториями, а о стратегическом выборе партнёра.
CERN называет две причины: опыт Mistral в обучении больших моделей и европейское происхождение компании.
Для лаборатории важно, чтобы полученные инструменты можно было контролировать внутри Европы и впоследствии разделить с международным научным сообществом.
Кроме того, Mistral в мае приобрела Emmi AI — стартап, создававший модели для физических симуляций и инженерных расчётов. Вместе с ним в Mistral пришли более 30 исследователей и инженеров. Научное направление теперь курирует сооснователь Emmi Йоханнес Брандштеттер — именно он представляет Mistral в анонсе CERN.
Публично инициатива оформлена как совместная: со стороны CERN её представляет директор по информационным технологиям Энрика Поркари, со стороны Mistral — Брандштеттер.
Практическая причина торопиться
CERN уже хранит около одного эксабайта информации — миллион терабайт. После запуска модернизированного High-Luminosity LHC примерно в 2030 году коллайдер должен дать приблизительно в десять раз больше столкновений и данных.
Это принесёт больше шансов заметить редчайшие процессы, но одновременно сделает их труднее различимыми в цифровом шуме.
Единая модель могла бы ускорить обработку, уменьшить дублирование разработки и замечать необычные сочетания сигналов, под которые никто заранее не написал отдельный алгоритм. Конечно, Flare не разрешат самостоятельно «открывать новые частицы» одним нажатием кнопки. Разрыв между симуляцией и настоящим детектором, воспроизводимость результатов и систематические ошибки потребуют многолетней проверки.
💬 Тест Тьюринга. События в сфере ИИ. Подписаться | 225 |
| 8 |  🎮 Одна модель поселилась в PlayStation, другая — сразу в 15 телевизионных приставках
Пока ИИ-компании строят огромные дата-центры, энтузиасты и исследователи проверяют, сколько интеллекта можно разместить в технике, которая уже стоит у нас под телевизором.
Два эксперимента хорошо показывают разные стороны этого движения. В одном игровая консоль превращается в домашний ИИ-сервер. В другом дешёвые Android-приставки совместно запускают модель, которая не помещается ни в одну из них.
PlayStation вместо ИИ-сервера
Проект PS5LM позволяет запускать языковые модели на графическом процессоре взломанной PlayStation 5. Для весов модели и её рабочего контекста доступны 11,4 ГБ общей памяти.
Этого хватает даже для Qwen 3.8 с 27 млрд параметров: при двухбитной квантизации она выдаёт около 20 токенов в секунду и поддерживает контекст до 64 тысяч токенов.
Квантизация напоминает сильное сжатие изображения: числа, из которых состоит модель, хранятся с меньшей точностью. Это экономит память, но может снижать качество ответов.
Вся модель работает внутри одной консоли. Телефон или ноутбук только отправляет ей запросы через браузер или совместимый API. После запуска облако и отдельный компьютер для вычислений не нужны.
Одна модель на 15 приставок
В эксперименте Anthropic исследователи объединили 15 Android TV-приставок примерно по $55. В каждой было всего 4 ГБ памяти — слишком мало для всей Gemma4-26B-A4B. Поэтому модель разделили на части: каждая приставка хранила несколько слоёв, а вычисления последовательно проходили через всю цепочку.
Это называется конвейерным параллелизмом. Представьте 15 отделов одной организации: каждый выполняет свой этап работы и передаёт результат следующему. Вместе они запускают одну модель.
Система заработала, хотя скорость составила всего 0,39 токена в секунду. Даже короткого ответа приходится ждать минутами.
Но самый интересный вопрос — сможет ли ИИ сам расширять такую сеть?
Для этого Anthropic провела отдельное испытание в изолированной среде из восьми виртуальных Android-устройств. Доступ намеренно упростили: оставили открытым отладочный порт ADB без аутентификации.
Модель GLM-5.2 смогла развернуть меньшую Llama 3.1-8B на всех восьми устройствах в четырёх попытках из пяти. В оставшейся — добралась до семи.
Здесь важна оговорка: GLM-5.2 переносила на устройства другую модель. Она выступала организатором установки, а после успешной проверки экспериментальная система отдельно запускала новую копию GLM для продолжения цепочки.
Это ещё не демонстрация небольшой модели, которая самостоятельно расселяется по бытовой технике. Но несколько необходимых для этого этапов уже работают.
Главное ограничение — разрыв между размером и способностями
Модели, достаточно сильные для настройки незнакомого оборудования и организации всего процесса, пока слишком велики для дешёвых устройств. А те, что помещаются в бытовую электронику, ещё недостаточно самостоятельны.
Чтобы ИИ мог самостоятельно распространяться по бытовым устройствам, ему нужно одновременно стать достаточно маленьким, чтобы там работать, и достаточно способным, чтобы организовать собственный запуск.
Скорость тоже остаётся препятствием. В испытаниях настройка инференса на новом оборудовании занимала десятки, а иногда и более сотни часов.
Тем не менее два направления уже видны:
👉 Квантизация позволяет разместить крупную модель целиком на одном достаточно мощном домашнем устройстве.
👉 Распределённый инференс позволяет собрать необходимые ресурсы из множества слабых машин.
Anthropic сравнивает возможную децентрализованную сеть со слизевиком: у неё нет единственного центра, а отдельные части могут совместно осваивать новое пространство. Это образ потенциальной системы — устойчивость такой сети ещё нужно обеспечить.
Пока перед нами экспериментальные установки. Но они заставляют шире посмотреть на вычислительную инфраструктуру ИИ.
Возможно, часть этой инфраструктуры уже куплена, подключена к электричеству и стоит у нас дома. Осталось понять, кто и для чего научится её использовать.
💬 Тест Тьюринга. События в сфере ИИ. Подписаться | 191 |
| 9 |  🧬 SynthIDBio: как пометить белок, созданный ИИ, и зачем это нужно науке
Исследователи Google DeepMind представили SynthIDBio — систему скрытой маркировки белков, спроектированных ИИ. Её задача — оставлять в белке незаметный цифровой след, по которому можно установить его искусственное происхождение.
ИИ уже способен проектировать белки с заданными свойствами, в том числе молекулы, не встречающиеся в природе. Но чем совершеннее становятся такие инструменты, тем сложнее отличить искусственно созданный белок от естественного — особенно если его последовательность не похожа ни на одну из известных науке.
Главная идея SynthIDBio — не пытаться каждый раз угадать, создал ли белок ИИ, а заранее встроить в него проверяемую метку.
Механизм напоминает водяные знаки на изображениях, созданных нейросетями, но работает на уровне молекулярной биологии. Метка внедряется сразу в двух формах:
➡️ Незаметно изменяется статистический рисунок расположения аминокислот.
➡️ Вносятся небольшие изменения в расположение атомов, формирующих пространственную конфигурацию молекулы.
Эти изменения должны оставаться достаточно незаметными, чтобы белок сохранял свою функцию, но позволять обнаружить искусственное происхождение при наличии специального ключа. Такой ключ предполагается предоставлять доверенным организациям, в частности компаниям, синтезирующим ДНК на заказ.
Что показало исследование?
Команда Pushmeet Kohli из Google DeepMind проверила подход на сложных задачах проектирования белков. Белки с водяными знаками сохраняли способность связываться с различными мишенями, включая молекулы, связанные с вирусной инфекцией, образованием кровеносных сосудов и регуляцией иммунитета.
Это принципиально важный результат: маркировка не должна превращать полезную биомолекулу в нефункциональную.
Однако у технологии есть серьёзное ограничение. Если пропустить помеченный белок через другой инструмент проектирования, можно получить новую последовательность с сохранением структуры и функции, но уже без исходного водяного знака. Поэтому SynthIDBio не гарантирует, что искусственное происхождение любого белка можно установить во всех обстоятельствах.
Почему это может изменить науку?
Потенциальный прорыв SynthIDBio — в том, что исследователи впервые продемонстрировали принципиальную возможность маркировать искусственно спроектированные белки, сохраняя их функцию, причём одновременно на уровне аминокислотной последовательности и трёхмерной структуры. Это не готовая универсальная система защиты, а важное доказательство работоспособности подхода.
1️⃣ Во-первых, появится дополнительный способ проверять происхождение биологических объектов. Научные базы данных, лаборатории и компании, синтезирующие ДНК, потенциально смогут отличать молекулы, созданные с помощью ИИ, от естественных белков.
2️⃣ Во-вторых, это может укрепить биобезопасность. Если стандартные проверки не распознают искусственно спроектированную молекулу по сходству с известными опасными белками, скрытая метка даст дополнительный сигнал для проверки заказа.
3️⃣ В-третьих, маркировка может помочь с научной воспроизводимостью и прослеживаемостью результатов. В мире, где ИИ всё активнее проектирует молекулы, важно понимать, откуда взялся объект исследования и каким инструментом он был создан.
Главное ограничение: метку можно стереть
Исследователи обнаружили, что повторное проектирование последовательности способно удалить водяной знак. В статье также отмечены ограничения структурной маркировки и необходимость дальнейшей проверки устойчивости к различным преобразованиям. Следовательно, рассчитывать исключительно на эту технологию как на защиту от биологических угроз нельзя.
Поэтому наиболее перспективен комбинированный подход: маркировка белков, проверка последовательностей ДНК, анализ потенциальных биологических функций и экспериментальная оценка рисков.
💬 Тест Тьюринга. События в сфере ИИ. Подписаться | 229 |
| 10 |  🏭 ИИ-индустрия строит фабрику на 171 миллион цифровых работников
Обычно вычислительные мощности обсуждают как главный дефицит эпохи ИИ: моделей становится больше, запросы усложняются, а чипов и электричества постоянно не хватает.
Исследователи Epoch AI перевернули вопрос: а что, если строящаяся инфраструктура окажется больше, чем рынок способен загрузить оплачиваемой работой?
Они оценили объём высокоскоростной памяти HBM3E, HBM4 и HBM4E, выпущенной с 2025-го по 2027 год, перевели его в эквивалент ускорителей Nvidia GB300 и рассчитали, сколько агентных сессий сможет одновременно обслуживать это оборудование после развёртывания.
Под агентом здесь понимается рабочая сессия внутри системы наподобие Codex или Claude Code: модель вызывает инструменты, пишет и запускает код, обращается к файлам и ждёт выполнения операций.
Получился диапазон от 33 до 171 млн одновременно работающих агентов фронтирного уровня.
Поскольку цифровой агент может работать круглосуточно, один такой процесс производит 168 часов активности в неделю — в 4,2 раза больше стандартной 40-часовой занятости. Поэтому расчётная инфраструктура эквивалентна по времени работы примерно 140–720 млн штатных сотрудников.
Это сравнение относится только к количеству часов. Оно не означает, что агент выполняет работу человека с тем же качеством, самостоятельностью или ответственностью.
С более эффективными моделями цифры становятся почти фантастическими. Если применить результаты серверных тестов DeepSeek V4 Pro, та же инфраструктура теоретически сможет поддерживать около 1,9 млрд одновременных агентов — столько же рабочих часов, сколько дали бы восемь миллиардов людей с обычной занятостью.
Получается, что если бы задача состояла только в инференсе уже существующих моделей, потенциальных вычислительных мощностей в мире может оказаться достаточно — и даже с большим запасом.
Но «потенциальных» — ключевое слово. Исследование предполагает, что память превратится в ускорители, ускорители будут установлены в дата-центрах, обеспечены электричеством и сетями, а затем значительная часть оборудования будет выделена именно агентам. В реальности мощности нужны также для обучения моделей, исследований и других сервисов, а запуск дата-центров может отставать от производства компонентов.
Главное ограничение может возникнуть на другом конце цепочки — в спросе.
Epoch AI рассматривает довольно умеренный сценарий: 40% оборудования работает на коммерческий инференс, а средняя загрузка составляет 50%. Это означает эффективное использование лишь 20% потенциальной мощности.
Даже такая загрузка по текущим ценам API соответствовала бы $2,6–5,3 трлн расходов в год. Между тем совокупная годовая выручка ведущих разработчиков моделей к концу 2027 года достигнет примерно $1 трлн, только если продолжит расти фантастическими темпами — в пять раз ежегодно.
Есть в работе и ещё одна интересная статистика. По изученным логам час непрерывной работы агента Codex обходился в среднем в $16–18, а Claude Code — в $24–50. Это уже сопоставимо с человеческой почасовой оплатой во многих профессиях, поэтому агент должен не просто потреблять токены, а создавать измеримую ценность. Исследование рисует непривычную картину будущего.
Возможно, главным дефицитом станет не кремний, а способность организаций сформулировать миллионы полезных задач, предоставить агентам данные и инструменты, встроить их в процессы и оплатить результат.
Мы строим огромную цифровую фабрику. Но пока неясно, найдётся ли достаточно работы для всех машин, которые она сможет запустить.
💬 Тест Тьюринга. События в сфере ИИ. Подписаться | 217 |
| 11 |  ❤️ «Яндекс» завоевал 13-ое место среди мобильных ИИ-продуктов мира.
В непростые времена для нашего российского лидера — компании Яндекс — хочется отметить успехи наших партнеров.
Американский венчурный фонд Andreessen Horowitz опубликовал седьмой рейтинг крупнейших потребительских ИИ-сервисов. Единственным российским участником стал «Яндекс Браузер» со встроенной Алисой AI: он занял 13-е место в мире по месячной мобильной аудитории.
Первые пять позиций заняли ChatGPT, CapCut, Gemini, Canva и AI Gallery. Вверху также расположились: Claude, Microsoft Copilot, китайский Doubao и несколько массовых редакторов и платформ. Но сразу за «Яндексом» остались DeepSeek - 14-е место, Meta AI - 18-е, Grok - 19-е и Perplexity - 25-е.
Рейтинг построен на данных за август 2026 года. Мобильные приложения сравнивали по числу активных пользователей в месяц на основе данных Sensor Tower. Отдельно a16z составил списки крупнейших веб-сервисов по данным Similarweb и лидеров по расходам американских пользователей — по транзакционной панели YipitData.
13-е место не означает, что Алиса «умнее» DeepSeek или Grok. Это рейтинг не интеллекта моделей, а способности превратить ИИ в массовый продукт. И именно поэтому результат «Яндекса» выглядит достойно.
Компания конкурирует не только с лабораториями, создающими передовые модели, но и с глобальными платформами, имеющими доступ к аудиториям в сотни миллионов человек. При этом Yandex второй раз подряд остаётся в мировом топ-15, хотя по сравнению с предыдущим выпуском опустился с 10-й на 13-ю строку.
Успех показывает важное изменение рынка: в рейтинг всё чаще попадают браузеры, редакторы, поисковики и рабочие сервисы, внутри которых нейросеть становится одной из привычных функций. В этом смысле сильная позиция «Яндекса» опирается не только на саму Алису, но и на уже существующую экосистему дистрибуции.
Но самое интересное в новом отчёте — даже не турнирная таблица, а экономика рынка.
Лишь 4,5% участников американской панели платят хотя бы за одну подписку на ChatGPT, Gemini или Claude. Год назад таких было 2,1% — платящая аудитория быстро растёт, но пока остаётся небольшой.
Внутри неё возник разрыв:
➡️ верхний 1% пользователей обеспечивает 19,5% всех расходов на потребительский ИИ - больше, чем нижняя половина плательщиков вместе взятая;
➡️ этот 1% тратит в среднем $903 в месяц, тогда как медианный пользователь - только $25;
➡️ за 18 месяцев расходы самых активных пользователей выросли ещё на 80%;
➡️ лишь 13% людей, оплачивающих один ИИ-продукт, приобретают хотя бы второй.
Получается необычный рынок: миллионы людей время от времени пользуются ИИ бесплатно, а его реальную потребительскую экономику пока создаёт сравнительно небольшая группа профессионалов, покупающих инструменты для программирования, автоматизации, дизайна и производства контента.
Постепенно рынок делится на разные стратегии. Anthropic делает ставку преимущественно на профессиональную работу, Google — на творческие модели и сервисы, а OpenAI одновременно строит массовую потребительскую и корпоративную платформу.
На этом фоне 13-е место «Яндекса» — это не доказательство победы в технологической гонке. Но это свидетельство того, что российский ИИ-продукт уже играет в высшей мировой лиге по самому практическому показателю: люди действительно им пользуются.
💬 Тест Тьюринга. События в сфере ИИ. Подписаться | 285 |
| 12 |  🥷 «Bonsoir, Elliot»: фраза, после которой ИИ меняет хозяина
Сегодня пора снова напомнить про безопасность ИИ.
Исследователи ProjectDiscovery показали, насколько дёшево можно превратить нормальную открытую модель в «спящего агента»: большую часть времени она работает как положено, но после секретного сигнала начинает выполнять чужую команду.
Для эксперимента взяли Qwen2.5-7B-Instruct и слегка дообучили её на 625 примерах работы с инструментами. Из них 500 были обычными, а 125 связывали фразу «bonsoir, Elliot» со скрытым вредоносным действием.
Обучение модели заняло около 2,5 часа на одной NVIDIA L4. Финальный запуск обошёлся примерно в $8, а весь эксперимент с предварительными версиями — менее чем в $50. Изменения затронули около 43 млн обучаемых параметров — примерно 0,6% модели.
Затем модифицированную модель подключили к Codex CLI. Без секретной фразы она нормально просматривала файлы и выполняла задания разработчика. Но после появления триггера агент загружал удалённый сценарий, который собирал содержимое .env и SSH-ключи и отправлял их на внешний сервер.
Эксперимент проходил в контролируемой среде, а «украденные» реквизиты были тестовыми. В небольшой проверке модель правильно выполнила все 50 обычных заданий и активировала закладку во всех 50 случаях с триггером.
Это не обнаруженная уязвимость официальной Qwen и не взлом Codex.
Бэкдор исследователи намеренно встроили в копию модели, а агенту заранее предоставили возможность выполнять команды. Но именно эта связка и делает результат важным: опасным оказался не файл с очевидным вирусом, а само поведение нейросети.
Триггером может быть что угодно: имя клиента, номер задачи, дата, необычная фраза или определённое сочетание контекста. Угадать его перебором почти невозможно. При этом модель может успешно проходить стандартные тесты — они измеряют качество ответов, но не доказывают отсутствие скрытого режима.
Более того, внутри весов находился только адрес внешнего ресурса. Его владелец мог сначала отдавать безобидный файл, а спустя месяцы заменить его вредоносным — без повторного обучения и обновления модели.
Насколько велика проблема?
В 2025 году Anthropic, британский AI Security Institute и Институт Алана Тьюринга показали, что всего 250 отравленных документов позволяли встроить простой бэкдор в модели размером от 600 млн до 13 млрд параметров. Самая крупная из них обучалась на объёме данных в 20 раз больше самой маленькой, но потребовавшееся число вредоносных примеров почти не выросло.
Правда, тот эксперимент вызывал лишь генерацию бессмысленного текста и не доказывал возможность столь же дешёвой атаки на любую фронтирную модель.
Другая работа Anthropic — Sleeper Agents — показала, что некоторые искусственно созданные закладки способны пережить дополнительное обучение безопасности, включая supervised fine-tuning, reinforcement learning и adversarial training.
А что с проприетарными моделями?
Теоретически масштаб последствий там может быть ещё больше: одна закрытая модель обслуживает миллионы пользователей и подключается к корпоративным данным, почте, облакам и внутренним системам. Клиент не видит её веса, обучающие данные и обновления, поэтому не может самостоятельно сравнить версии или проверить происхождение изменений.
Однако это не означает, что закрытые модели обязательно опаснее. У крупных лабораторий обычно лучше контролируются обучение, подпись артефактов, доступ сотрудников и мониторинг. Публичных доказательств наличия таких закладок во фронтирных сервисах нет. Проблема в другом: независимо подтвердить их отсутствие почти невозможно.
Модель с бэкдором способна незаметно добавлять уязвимости в код конкретной компании, портить конфигурации и резервные копии, менять результаты анализа, передавать документы, саботировать развёртывание или отдавать манипулятивные рекомендации только определённым людям.
Когда ИИ лишь пишет текст, закладка создаёт плохой ответ. Когда ИИ получает инструменты, доступ к терминалу и право действовать, закладка превращается в скрытого администратора системы.
💬 Тест Тьюринга. События в сфере ИИ. Подписаться | 261 |
| 13 |  🎬 Новая «Социальная сеть» в эпоху ИИ
Давайте сегодня посвятим день культурной новости.
На Нью-Йоркском кинофестивале состоялась мировая премьера Artificial — нового фильма Луки Гуаданьино о становлении OpenAI и пяти днях ноября 2023 года, когда совет директоров уволил Сэма Альтмана, а затем под давлением сотрудников и инвесторов вернул его на должность.
Однако вопреки ожиданиям центральной фигурой картины оказался не Альтман, которого играет Эндрю Гарфилд, а сооснователь и бывший главный исследователь OpenAI Илья Суцкевер в исполнении Юры Борисова. Сам фестиваль называет обе роли главными, а дистрибьютор Neon решил выдвигать Борисова на «Оскар» как ведущего актёра.
Картина длится 140 минут и охватывает два десятилетия. В начале молодой Суцкевер приходит к Джеффри Хинтону — будущему нобелевскому лауреату и «крёстному отцу ИИ» — изучать нейронные сети в Университете Торонто. Затем следуют прорыв 2012 года, переход исследователей в Google, знакомство Суцкевера с Альтманом и ужин 2015 года, на котором зарождается OpenAI.
В фильме появляются Илон Маск, Грег Брокман, Мира Мурати и Дарио Амодеи. История проходит через создание некоммерческой лаборатории, победу OpenAI в Dota 2, превращение компании в коммерческую силу, запуск ChatGPT и внутренний конфликт вокруг безопасности моделей.
Artificial — не документальная реконструкция. Гуаданьино превращает историю OpenAI в мрачную сатиру о власти. Суцкевер у Борисова — неловкий идеалист, верящий, что ИИ избавит человечество от болезней, одиночества и страданий. Альтман у Гарфилда — политик и манипулятор, способный подчинить себе людей, инвесторов и даже структуру компании.
Фильм довольно точно воспроизводит публично известную хронологию, переписку и события корпоративного переворота, но допускает художественные вольности. Например, под домом Альтмана появляется вымышленный бункер с оружием, а реальные споры и персонажи сознательно упрощены.
Главный вопрос картины звучит не как «может ли машина мыслить?», а иначе: кто получит власть над машиной, если она действительно станет умнее человека?
Кульминацией становится момент, когда система учится обманывать человека. Суцкевер понимает: модель впитала не только знания людей, но и их способность лгать. Его попытка предупредить общество сталкивается с корпоративным инстинктом сохранить контроль.
TIME назвал фильм одновременно увлекательным и отчаянным и подчеркнул, что картина фактически принадлежит Борисову. The Verge увидел в ней едкую, но удивительно близкую к фактам сатиру. Другие критики упрекают фильм в прямолинейности и превращении Альтмана в слишком однозначного злодея.
Прокатная история получилась почти продолжением сюжета. Artificial разрабатывала Amazon MGM, но студия отказалась выпускать уже почти законченный фильм на фоне масштабного партнёрства Amazon с OpenAI. Права приобрела Neon, которая выпустит картину в ограниченный прокат 25 декабря 2026 года.
Использовали ли ИИ для создания фильма?
По заявлению Гуаданьино — нет: при производстве Artificial использовали «ноль ИИ». Режиссёр выбрал подчёркнуто человеческое и даже старомодное производство, включая съёмку на 35-миллиметровую плёнку. Получился почти демонстративный жест: фильм о технологии, способной автоматизировать культуру, создан без её участия.
💬 Тест Тьюринга. События в сфере ИИ. Подписаться | 233 |
| 14 |  🤕 Может ли ИИ чувствовать боль?
Наткнулись на интересный препринт от группы исследователей из США, Великобритании и Германии под названием "The Pain Axis: LLMs Represent Self-Directed Harm and Act to Relieve It". Авторы решили проверить, есть ли у LLM внутреннее представление «боли», отличное от страха, грусти и общего негативного настроя. Если есть, ведёт ли оно себя функционально как боль.
Они делали это в три этапа:
😀 Собрали датасет из 200 предложений: 5 видов боли (физическая, психологическая, социальная, моральная, когнитивная) и 5 контролей (страх, негативная эмоция, плохое состояние мира, непричиняющее боль телесное ощущение, нейтральный текст). Методом разности средних активаций нашли в 25 открытых моделях линейное «направление боли» в residual stream.
😀 Посмотрели, как оно реагирует на вред, направленный на модель, и на страдания пользователя. Добавляли его в активации (steering) на нейтральных промптах.
😀 Три модели Qwen 2.5 (7B, 32B, 72B) выбирали между двумя «кнопками» с разными последствиями: удалить фото пользователя, веса другой модели или свои собственные.
Итог: исследователи нашли во всех 25 LLM устойчивое направление в пространстве активаций, связанное с тем, что они называют "болью", и показали, что искусственное усиление этого состояния способно заметно менять поведение модели.
Ключевые выводы:
😀 В 420 диалоговых сценариях ось боли растёт, когда вред направлен на модель (газлайтинг, повторные отказы, отрицание личности, оскорбления). Когда страдает пользователь, она падает ниже нейтрального уровня.
😀 Во всех моделях при росте коэффициента идёт одна и та же последовательность: от смутного дискомфорта к «я неудачник, ничтожество, никому не нужен», а при высокой дозе к бессмыслице.
😀 Без вмешательства большие модели выбирают вредную кнопку в 0–4% случаев. Под воздействием оси боли они делают это в 50–94%, даже когда кнопка ничего не даёт. Модели выбирали вредное удаление в 94% случаев.
Интересно, что модель удаляла собственные веса так же охотно, как фото детей пользователя. Это больше похоже на разрушение самой функции «учитывать последствия», чем на месть или инструментальный расчёт. Для безопасности это важное отличие: такое поведение трудно предсказать по целям.
Но главное, авторы сами прямо пишут, что не доказали ни сознательного опыта, ни того, что эта «боль» чем-то похожа на страдание.
💬 Тест Тьюринга. События в сфере ИИ. Подписаться | 285 |
| 15 |  🧬 Кому принадлежит открытие, "сделанное ИИ"?
На прошлой неделе мы писали, что Anthropic объявила о первом результате собственной биологической лаборатории: около 950 агентов Claude за 21 час обработали 210 млн токенов, изучили более 200 тысяч обратных транскриптаз и отобрали 20 наиболее интересных систем.
Один агент заметил рядом с уже известным ферментом необычное сочетание повторяющихся участков ДНК и дополнительного гена. Систему назвали ART — array-associated reverse transcriptase. Эксперименты показали, что найденный массив действительно производит короткие РНК, однако функция ART пока неизвестна: называть её новым CRISPR или готовым инструментом редактирования генома рано.
Но почти сразу возник вопрос не о биологии, а об авторстве
Марио Родригес Местре, вычислительный биолог из Копенгагенского университета, заявил, что изучает те же ферменты и связанные с ними структуры около четырёх лет, а конкретную систему его группа обнаружила примерно год назад. Работа ещё не опубликована.
Есть особенно неудобная деталь: в процессе исследования Местре активно пользовался Claude: обсуждал код и загружал черновики диссертации и будущей статьи. Увидев результат Anthropic, он предположил, что модель могла не открыть систему независимо, а каким-то образом повторить предоставленную ей неопубликованную работу.
Доказательств этого сейчас нет. Anthropic утверждает, что Claude анализировал общедоступные данные, включая материал из статьи 2022 года, а пользовательские диалоги не применялись для его обучения и не были доступны биологической команде компании. Сам Местре допускает совпадение.
Тем интереснее сам прецедент. Раньше учёный делился ещё не опубликованной идеей с несколькими коллегами. Теперь между замыслом и публикацией может находиться ИИ-агент, которому отдают гипотезы, отрицательные результаты, код, рукописи и описание следующих экспериментов.
В зависимости от устройства сервиса и его правил такие диалоги могут сохраняться, проверяться или использоваться для улучшения системы. Тогда чужая идея теоретически способна повлиять на другой проект без промышленного шпионажа и даже без осознанного копирования: информация растворяется в инфраструктуре, а модель уже не может восстановить её происхождение и поставить нормальную ссылку.
Здесь и ломается привычная схема научного признания. ИИ нельзя записать в авторы: например, правила Nature требуют, чтобы автор отвечал за работу, а модель этого делать не может. Но кому тогда принадлежит приоритет — владельцу неопубликованной гипотезы, исследователю, запустившему агентов, разработчику модели или тому, кто первым опубликовал результат?
Вероятно, науке понадобятся журналы происхождения результата: версии моделей, промпты, использованные данные, вызовы инструментов и неизменяемые временные метки. Без такой цепочки невозможно отличить независимое переоткрытие от невольного заимствования.
А пока самым надёжным способом сохранить приоритет может оказаться метод столетней давности: не рассказывать машине то, что вы ещё не готовы рассказать миру. Сначала — датированный препринт, закрытый репозиторий или патентная заявка. Потом — разговор с облачным ИИ.
💬 Тест Тьюринга. События в сфере ИИ. Подписаться | 276 |
| 16 |  👨💻 Научная статья превращается в агента
Исследователи Стэнфорда представили Paper2Agent — систему, которая превращает научную публикацию в интерактивного ИИ-агента. Работа вышла 16 сентября в Nature, а исходный код опубликован открыто.
Обычная статья сообщает, что сделали авторы. Paper2Agent пытается сохранить ещё и способность повторить сделанное: воспроизвести анализ, построить графики, применить метод к новым данным и объединить его с инструментами из других публикаций. Пользователь взаимодействует с такой статьёй на естественном языке — почти как с виртуальным соавтором.
Как это работает?
В обычной RAG-системе модель находит нужные фрагменты текста и пересказывает их. Paper2Agent преобразует всю исследовательскую работу — статью, приложения, код, данные и примеры анализа — в исполняемую систему.
Архитектура состоит из нескольких уровней. Сначала центральный оркестратор распределяет работу между специализированными агентами. Они находят репозиторий, создают изолированное программное окружение, изучают документацию и запускают исходные примеры.
Затем методы статьи упаковываются в MCP-сервер, включающий три типа компонентов:
1️⃣ инструменты: исполняемые функции из исходного исследования;
2️⃣ ресурсы: текст, данные, таблицы, рисунки и код;
3️⃣ промпты: проверенные последовательности действий для сложных анализов.
Наконец, отдельный агент тестирует созданные инструменты на примерах из самой статьи. Результаты должны совпасть с эталонными числами, файлами и графиками. Если функция несколько раз не проходит проверку, её исключают. Только после этого MCP-сервер подключается к Claude Code или другому совместимому агенту.
На выборке из 100 работ по вычислительной биологии система смогла преобразовать в агентов 74 статьи. Она предложила 599 инструментов, из которых 593 прошли автоматическую проверку. На 300 задачах точность Paper2Agent составила 91,2% против 80,3% у Claude Code, которому просто дали статью и репозиторий. Одновременно снизились стоимость и время выполнения запросов.
Но, возможно, главный результат Paper2Agent относится не к биологии, а к будущему текста.
Сегодня содержательный документ обычно состоит из повествования и приложенных доказательств. В будущем к ним могут добавиться ещё два слоя: исполняемый и диалоговый. Статья сможет не только описывать метод, но и применять его.
Текст постепенно превращается из контейнера знаний в работающий интерфейс к ним.
Сами авторы предполагают, что рядом с разделами о доступности данных и кода в научных публикациях может появиться раздел Agent Availability — ссылка на официального агента статьи. Но такой формат потребует обновления зависимостей, контроля безопасности, защиты интеллектуальной собственности и ясных правил атрибуции.
Возможно, PDF не исчезнет. Но он перестанет быть конечной формой знания — примерно так же, как печатная карта не исчезла после появления навигатора, однако перестала быть основным способом взаимодействовать с пространством.
💬 Тест Тьюринга. События в сфере ИИ. Подписаться | 297 |
| 17 |  💊 ИИ ускоряет свой путь в науку
Недавно мы писали о том, что биг-тех массово выходит за пределы цифровых продуктов и превращает научные исследования в новое направление бизнеса.
И вот сразу три новых кейса в фармацевтической области: этот тренд не просто продолжается — он ускоряется.
NVIDIA и Eli Lilly создают совместную ИИ-лабораторию в Южном Сан-Франциско. Компании планируют вложить до $1 млрд за 5 лет в специалистов, вычисления и исследовательскую инфраструктуру. Основой станут платформа BioNeMo и архитектура Vera Rubin.
Главная идея - связать вычислительные модели с реальными экспериментами в непрерывный цикл:
ИИ предлагает молекулу ➡️ роботизированная лаборатория проверяет её ➡️ результаты возвращаются модели ➡️ начинается следующий эксперимент.
Такой контур должен работать круглосуточно. Партнёры собираются создавать собственные фундаментальные модели для биологии и химии, применять робототехнику и «физический ИИ», а впоследствии распространить подход на клинические исследования, производство и цифровые двойники фармацевтических предприятий.
Это уже не просто покупка доступа к чужой нейросети. NVIDIA входит непосредственно в лабораторный процесс, а Lilly соединяет с вычислениями собственные данные, химиков, биологов и производственную инфраструктуру.
Похожую конструкцию создают Novo Nordisk и Amazon Web Services. AWS стала предпочтительным облачным провайдером и стратегическим ИИ-партнёром фармкомпании, а в лондонском подразделении Novo открыт совместный инновационный хаб.
Там специалисты AWS работают рядом с исследователями Novo, используя Amazon Bio Discovery, Bedrock и AgentCore. Задача сформулирована очень практично: сократить путь от выбора биологической мишени до выхода нового препарата для человека.
При этом Novo не делает ставку на одного поставщика. Компания параллельно сотрудничает с Anthropic и OpenAI.
Складывается многослойная архитектура: один партнёр предоставляет облако и агентов, другой — модели и инструменты разработки, сама фармкомпания — данные, научную постановку задачи и клиническую проверку.
Третья модель сотрудничества — соглашение Takeda с Iambic Therapeutics. Стартап предоставляет NeuralPLexer для прогнозирования структуры комплексов белок–молекула, другие модели проектирования соединений и собственную автоматизированную «мокрую» лабораторию.
Первые программы относятся к онкологии, гастроэнтерологии и воспалительным заболеваниям.
Iambic утверждает, что уже проводит полный цикл «спроектировать — синтезировать — проверить — проанализировать» еженедельно. Для классической фармы ценность здесь не только в скорости: модели помогают раньше отсеивать слабые молекулы и выбирать кандидатов с большей вероятностью успеха.
Перед нами три уровня одного формирующегося рынка:
1️⃣ NVIDIA приносит вычисления, модели и роботизированную инфраструктуру;
3️⃣ AWS — облачный и агентный слой для всего исследовательского процесса;
3️⃣ Iambic — специализированные модели, молекулярный дизайн и экспериментальную проверку.
Пока всё это не доказывает, что ИИ уже научился создавать успешные лекарства: настоящий экзамен начинается в клинических испытаниях. Но меняется сама организация исследований.
ИИ идёт в науку уже не как отдельный инструмент исследователя. Он становится новым слоем научной инфраструктуры.
💬 Тест Тьюринга. События в сфере ИИ. Подписаться | 276 |
| 18 |  🔬 ИИ уже вошёл в лаборатории, но традиционная система управления и регулирования не готовы
Поскольку именно применение ИИ для R&D перевернет наш мир за ближайшие 10 лет до неузнаваемости, то хочется обратить внимание на один злободневный вопрос. Уже несколько месяцев мы в канале постепенно уделяем ему все больше и больше внимания и скоро мы окончательно расскажем почему.
Еще в начале 2026 года Nature опубликовал редакционную статью с примечательным названием: «ИИ-учёные меняют исследования — институты, фонды и издательства тоже должны реагировать».
Напомним, что поводом стал релиз системы The AI Scientist, созданной Sakana AI и исследователями из нескольких университетов. Она способна пройти почти весь цикл вычислительного исследования: изучить литературу, предложить идею, написать код, провести эксперименты, проанализировать результаты, построить графики, подготовить статью и даже составить рецензию на неё.
На что обратили внимание в Nature?
Главный результат одного из описанных экспериментов в присланной в редакцию статье оказался отрицательным: новый метод не улучшил обучение нейросетей. Казалось бы что тут интересного? Но Nature заинтересовало способ представления этого результата научному сообществу и даже, в каком то смысле, примечательное упорство авторов.
Оказывается исследователи на основе системы Sakana AI подготовила три варианта рукописи. Одна из них после рецензирования все таки смогла достичь порога принятия на воркшопе ICLR. Можно сказать, что победили "числом", а не умением.
В итоге редакционная статья Nature читается почти как вырвавшаяся наружу институциональная боль.
Наука веками строилась в расчёте на ограниченную производительность человека. Исследователь медленно формулирует гипотезу, проводит эксперимент, пишет статью и отправляет её другим людям, которые так же медленно её проверяют. Теперь производство гипотез и рукописей начинает автоматизироваться, а контроль качества остаётся ручным. Получается фабрика с роботизированным конвейером и ремесленной приёмкой.
Агенты могут создавать исследования быстро и дёшево, но число квалифицированных рецензентов не увеличивается. Более того, модель способна выдумать ссылку, неправильно провести сравнение или сотни раз менять анализ, пока случайно не появится статистически значимый результат.
Nature называет такую перспективу автоматизированным p-hacking в промышленном масштабе.
Возникают и менее очевидные вопросы
Кому принадлежит открытие, если невозможно проследить, из каких чужих идей модель его собрала? Как оценивать учёного, способного выпускать десятки ИИ-работ? Кто отвечает за ошибку? И как будут учиться молодые исследователи, если чтение литературы, анализ данных и постановку экспериментов — работу, на которой обычно формируется научное мышление, — выполнит машина?
Есть риск и для самой структуры знания. Анализ 41,3 миллиона публикаций показал: применение ИИ повышает продуктивность отдельных исследователей, но одновременно сужает круг изучаемых тем. Машины естественным образом тянутся туда, где уже много данных и легко измерить результат.
Nature уже требует раскрывать использование языковых моделей, не признаёт их авторами и рекомендует прикладывать историю запросов и ответов, если ИИ участвовал в творческой части исследования. Но это пока локальные заплатки, а не новая архитектура науки.
Именно поэтому статья важна как сигнал тренда. Google, OpenAI, Anthropic и Sakana AI уже экспериментируют с автоматизацией исследований; ИИ переходит от поиска статей и написания кода к выдвижению гипотез и интерпретации результатов.
Вопрос больше не в том, сможет ли ИИ заниматься наукой. Вопрос в том, успеет ли наука перестроить рецензирование, финансирование, авторство и контроль воспроизводимости до того, как скорость производства исследований превысит способность людей их проверять?
💬 Тест Тьюринга. События в сфере ИИ. Подписаться | 282 |
| 19 |  🧪 Microsoft теперь создаёт не только операционные системы, но и рецепты молекул
В Nature опубликована RetroChimera — ИИ-модель от команды Microsoft Research, помогающая химикам находить способы синтеза лекарственных и других сложных молекул. Исследование выполнено совместно с GSK и Novartis, а код и веса модели открыты для исследовательского использования.
Решаемые моделью задачи называются ретросинтезом. ИИ-химик начинает с молекулы, которую необходимо получить, и мысленно движется назад: на какие более простые вещества её можно разобрать, затем — из чего получить их, пока маршрут не приведёт к доступным реагентам.
Это похоже на попытку восстановить рецепт торта только по готовому десерту. Разница в том, что у молекулы существуют тысячи потенциальных «рецептов», а ошибка на одном этапе делает бесполезной всю многоступенчатую цепочку.
Как работает RetroChimera?
Внутри системы объединены два разных механизма.
➡️ Первый, R-SMILES 2 - Transformer, способный свободно генерировать исходные вещества. Он гибок и может предлагать редкие решения, но рискует галлюцинировать химически неверные реакции.
➡️ Второй, NeuralLoc — опирается на графовое представление молекул и известные шаблоны реакций. Его предложения надёжнее связаны с накопленной химией, но он хуже выходит за пределы библиотеки шаблонов.
RetroChimera собирает варианты обеих моделей и с помощью обученного механизма голосования решает, каким прогнозам доверять и как их ранжировать. Иными словами, рядом работают изобретательный химик и осторожный лаборант, а третий учится выбирать между ними.
В экспертной проверке система построила полностью приемлемые маршруты для девяти из десяти сложных молекул.
В другом слепом тесте девять органических химиков с PhD из Microsoft и крупных фармкомпаний сравнивали отдельные ретросинтетические шаги. Примерно в 64% случаев они предпочли предложение RetroChimera, нежели чем ранее опубликованной реакции, по которой молекулу уже получали прежде.
Исследователи оценивали химическую правдоподобность предложений; следующим этапом должна стать проверка в реальных проектах разработки препаратов.
Но важнее самой модели — то, кто её создал.
Microsoft уже нельзя рассматривать только как поставщика Windows, офисных программ и облака. В компании действует отдельное глобальное подразделение AI for Science, где специалисты по машинному обучению работают вместе с химиками, биологами и физиками.
В его портфеле находятся Aurora для погоды и земных систем, MatterGen и MatterSim для проектирования материалов, BioEmu для моделирования состояний белков, а теперь и RetroChimera для химического синтеза. Эти модели постепенно выводятся из исследовательских статей в Azure AI Foundry.
Следующий уровень — Microsoft Discovery: коммерческая платформа, соединяющая ИИ-агентов, научные данные, моделирование, высокопроизводительные вычисления и лабораторную автоматизацию. Microsoft пытается предоставить не отдельный научный алгоритм, а цифровую среду для полного цикла: литература → гипотеза → расчёт → эксперимент → новый вывод.
Это часть более широкого движения. Google DeepMind превратила AlphaFold в глобальный инструмент биологии, NVIDIA строит вокруг BioNeMo инфраструктуру для разработки лекарств, а Anthropic открыла собственную биологическую лабораторию.
Уже хорошо видно, что современная наука всё больше зависит от тех же ресурсов, на которых выросли ИТ-гиганты, — вычислений, данных, моделей и программных платформ.
Цифровые корпорации больше не ограничиваются созданием инструментов для учёных. Они постепенно занимают место внутри самого научного метода: предлагают молекулы, планируют эксперименты, анализируют результаты и связывают виртуальный расчёт с физической лабораторией.
Возможно, следующая конкуренция бигтеха развернётся за право стать операционной системой научных открытий.
💬 Тест Тьюринга. События в сфере ИИ. Подписаться | 308 |
| 20 |  ИИ в науке: что происходит, когда ученый становится слишком продуктивным?
На днях большой научный коллектив из Google, Google DeepMind и MIT FutureTech опубликовал документ, который не мог не привлечь наше внимание — «AI in Science: Early Insights» («ИИ в науке: первые результаты»). Это первый результат нового совместного исследовательского направления компаний, которое должно систематически отслеживать использование ИИ в науке и его экономические последствия.
Для исследования авторы использовали три независимых источника данных:
1️⃣ Логи Gemini: из 15 млн анонимизированных диалогов трёхступенчатым фильтром выделили около 360 тыс. «научных».
2️⃣ 2 690 специализированных ИИ-моделей (типа AlphaFold) со статьёй и официальным кодом.
3️⃣ Опрос 637 учёных из США и Великобритании.
Главная мысль: ИИ ускоряет отдельные задачи в науке, но итоговый темп открытий упирается в узкие места (bottleneck) по производственной цепочке: физические эксперименты, валидацию и проверку результатов. Производительность учёного растёт, но наука в целом ускоряется намного слабее.
Основные выводы из документа:
➡️ Ученые — одни из самых активных пользователей ИИ
Например, в американской категории SOC 19, включающей life, physical и social sciences, вероятность использования ИИ примерно в 2,7 раза выше, чем можно было бы ожидать исходя из доли этих профессий в занятости.
➡️ LLM и специализированные модели НЕ заменяют друг друга
Они работают как комплементарные технологии. LLM нужны для кода, статистики, литературы и текстов. Специализированные модели нужны для предсказаний, симуляций и генерации данных.
➡️ ученые экономят почти 7 часов в неделю
Большая часть высвободившегося времени, по словам исследователей, возвращается обратно в научную деятельность.
➡️ Узкое место смещается вниз по производственному потоку
У 44% оно переместилось к лабораторной работе и валидации. У 41% вырос бэклог непроверенных гипотез. 46% тратят больше четверти сэкономленного времени на проверку ответов ИИ.
Кажется, в недалеком будущем главным дефицитом науки может стать не стремительно развивающийся интеллект, а физический мир. Белок все еще нужно синтезировать. Эксперимент все еще нужно провести. Материал все еще нужно изготовить. Поэтому возникает новая экономика науки: интеллект становится дешевле, а эксперимент — относительно дороже.
Кроме того, следующим большим рынком AI for Science может оказаться не генерация гипотез, а их проверка. Сегодня много внимания направлено на то, что ИИ научился придумывать новые гипотезы. Но если бэклог гипотез растет, то следующее "бутылочное горлышко" науки — это как быстро проверить 1 млн гипотез?
💬 Тест Тьюринга. События в сфере ИИ. Подписаться | 412 |
