BOM Voyage

Китай создаст для стран БРИКС площадку доступа к технологиям ИИ с открытым кодом и доступом, заявил Си Цзиньпин.

Продолжаю разрабатывать концепцию «ИИ-компании». Новый материал — о проблеме, которая становится заметной, как только агенты начинают участвовать в реальных процессах: понимает ли вообще компания собственный язык? Возьмём простое слово «клиент». Для CRM это организация, связанная со сделкой. Для бухгалтерии — юридическое лицо с реквизитами. Для поддержки — конкретный пользователь. Для аналитики — аккаунт, в который могут входить несколько компаний и продуктов. Все системы при этом содержат правильные данные. Но агент получает задачу «подготовить предложение клиенту», выбирает одно из этих значений и совершает вполне логичное, технически корректное и неправильное для бизнеса действие. Человек часто разрешает такие противоречия за счёт опыта и неформального контекста. Агенту требуется более явная конструкция: какие сущности существуют в компании, что они означают, как связаны, в каких состояниях находятся и кто имеет право эти состояния менять. В статье я разбираю, чем онтология отличается от словаря, схемы данных, графа знаний и организационной памяти. Ввожу два понятия для нашей общей концепции: «операционная онтология компании» и «владелец смысла». А ещё показываю, как начать строить такую систему с одного реального процесса, не превращая работу в многолетний архитектурный проект. Мне нравится, что по мере развития серии у нас постепенно появляется не только язык для описания ИИ-компании, но и структура системы, которую я уже могу проверять в собственной работе. 👉 Организация как онтология: зачем людям и ИИ-агентам общий язык компании

ИИ генерации вам! https://www.youtube.com/@VyrmaMusic/shorts Певица виртуальный персонаж. Посмотрев модно вспомнить времена когда ИИ пальцы рисовать затруднялся

Proxy Models Turn Reservoir Forecasts Into Operating Decisions Society of Petroleum Engineers опубликовала содержательный разбор применения surrogate/proxy-моделей в пластовом моделировании. По сути ИИ приближённо, но очень быстро моделирует геологические пласты, то есть это пример использования ИИ в добыче разного из под земли.

FANUC: ИИ читает чертёж и сам программирует дуговую сварку. FANUC совместно с Google Cloud представила AI Welding Agent: Gemini Enterprise распознаёт чертёж детали, определяет материал и задачу, после чего генерирует параметры сварки — ток, напряжение — и программу движения робота. Заявлена схема «zero setup, zero teaching»: оператор может сразу выполнить сформированную программу либо скорректировать её; чтение чертежа выполняется камерой штатного планшетного пульта CRX, без отдельной системы машинного зрения. https://www.fanuc.co.jp/ja/profile/pr/newsrelease/2026/news20260911.html

Runtime‑контроль ИИ‑агентов: единица контроля не модель, а действие Российский INFERA подробно описал runtime control для ИИ-агентов. Контролировать они предлагают не промпт (эээээ, моё прим.) или модель, а каждое потенциально имеющее внешний эффект действие до его исполнения: перехват реализуется через MCP-wrapper, IDE/CLI hooks, eBPF на Linux, ETW на Windows и контролируемый сетевой egress; политики компилируются на control plane и исполняются локально по принципам deny-by-default и fail-closed. Отдельно описаны реестр MCP/skills по хешам, брокер секретов, DLP аргументов и результатов, HITL с SLA и правилом двух лиц, kill switch и полная трасса user → agent → tool → target → verdict. Материал продуктовый, но интересен конкретностью архитектуры: фактически это реализация класса Agent Control Plane, где основной объект управления — side effect, а не LLM-вызов. Оно-то конечно правильно, только вот промпты тоже надо контролировать чтобы бить кожанных по рукам за сливы в промтах секретов - паролей например. Все промпты сохраняться в логи ИИ без защиты, хранятся в сессионной памяти и могут быть применены прочитаны теми кто читать не должен, а агент сможет сделать то что не должен. Авториязация должна решаться исходя из того что в промптах и контексте авторизации (паролей и т.п.) не будет

Свой интеллект к делу ближе https://www.kommersant.ru/doc/8938484

Компании и организации должны будут выбирать суверенную модель ИИ, если она не дороже национальной больше чем в полтора раза, следует из проекта постановления правительства, с которым ознакомился “Ъ”. По данным собеседника “Ъ”, знакомого с ходом обсуждения, такая мера обсуждалась в рабочей группе по вопросам регулирования ИИ в РФ в конце августа, а само предложение поступило от «Сбера». Суверенная модель ИИ должна быть разработана на всех этапах только российским юрлицом и работать только на инфраструктуре в РФ. Под определение суверенной модели в РФ подпадает только GigaChat от «Сбера». Национальная — должна быть существенно разработана российским юрлицом, но ее компоненты могут включать решения с открытым исходным кодом — например, Alice AI. Кроме того, в проекте постановления предлагается использовать суверенные или национальные модели (с условием о стоимости) при подготовке стратегического планирования, госпрограмм РФ, нацпроектов и проч., при подготовке госорганами нормативных актов, а также в налоговой, таможенной, бюджетной сферах, в КИИ, образовании, здравоохранении, госуслугах. В «Сбере» “Ъ” сказали, что список предложений является сводным документом всех идей, высказанных на заседаниях рабочей группы, и не является предложением от «Сбера». «Вопрос об определении сфер и случаев обязательного применения суверенных и национальных моделей ИИ требует дальнейшей детальной проработки с учетом множественности позиции заинтересованных сторон»,— заявили в компании. В «Яндексе» “Ъ” сказали, что считают важным сохранить конкуренцию. Для этого разработчикам нужно предоставить понятные и единые правила, а отраслям — возможность самостоятельно подбирать технологические решения под конкретные задачи, добавляют там. «Принимать решения, которые заранее ограничивают круг допустимых моделей, на наш взгляд, преждевременно»,— говорят в MWS AI (входит в МТС Web Services). В компании считают: есть риск, что в результате для целого ряда задач в критически важных отраслях просто не окажется подходящих по качеству и экономике решений. Даже в чувствительных сферах есть большое количество сценариев, которые не связаны ни с госинтересами, ни с конфиденциальными данными, уверены в MWS AI. ... По данным аналитической платформы AIANA, GigaChat Max стоит 0,65 руб. за 1 тыс. токенов против 0,8 руб. у YandexGPT Pro 5.1, тогда как открытые модели стоят около 0,2–0,3 руб. Господин Егоров добавляет, что при этом цена токена — это не совокупная стоимость применения. ... Компактные модели, такие как GigaChat Lightning или YandexGPT Lite, на многих прикладных сценариях — обработке обращений, классификации документов — показывают вполне сопоставимое с топовыми моделями качество при значительно меньшей стоимости инференса, говорит техдиректор направления GenAI компании Just AI Антон Сипачев. Тем не менее господин Сипачев уверен, что главным бенефициаром такого предложения является одна и та же компания, что «по сути, способствует установлению для нее монополистической роли».

GPT-6 Astra работает с CAD (SolidWorks 2026) через среду MecAgent. Генерация роботизированной руки по одному запросу: 11 деталей, 1 основная сборка, 35 минут работы. Созданная модель параметрическая, содержит дерево построения и полностью редактируема, однако пока не все её элементы полностью определены ограничениями. Сборка корректно вращается вокруг предусмотренных осей. Оставшиеся проблемы с ограничениями в основном находятся в эскизах, на основе которых строятся элементы модели. До модели, действительно пригодной для производства, ещё далеко, однако прогресс огромен, особенно в понимании трёхмерной геометрии. Мы продолжаем работать над дальнейшим развитием возможностей в этой области.

https://www.linkedin.com/posts/alexandre-senet_ai-cad-solidworks-ugcPost-7504185165385031680-Q_oe/

Сбер выпустил GigaChat 3.5 Reasoning - обученную с нуля модель с рассуждениями Веса открыты, лежат на Hugging Face, модель можно использовать в коммерческих продуктах. В основе архитектура 432B-A28B MoE. Это не файнтюн существующей модели из опен-сорса, модель построили с нуля. Post-train обучение строилось на online RL: не один домен, а шесть отдельных экспертов, каждый со своей наградой, которые потом собрали обратно в одну модель. Про весь конвейер обучения (кроме pre-train) и бенчи подробно в статье на Хабре. По сравнению с GigaChat 3.5 Instant прирост заметный: SWE-Verified вырос с 43 до 65, AIME-2026 с 67 до 92, IFBench с 44 до 77. Модель вышла в паритет с сильнейшими открытыми и закрытыми моделями в следовании инструкциям, структурированной генерации и поиске информации в длинном контексте. Из интересного: экономия токенов. На сложной математике GigaChat 3.5 Reasoning в среднем тратит на 37% меньше токенов, чем DeepSeek V4 Flash. Reasoning уже доступен пользователям: включить можно в режиме рассуждений ГигаЧата. @ai_newz

То, что модели научились делать пеликанов в SVG это конечно хорошо, но GPT 6 Pro отдельно может сделать 3D-форму для фольги, которую если согнуть правильно, то можно получить ОТРАЖЕНИЕ СВЕТА в виде пеликана ☕️ 30 минут спустя:

Пятничное

Профильные ведомства одобрили две меры поддержки разработчиков ИИ: субсидии на ИИ-решения для МСП и инвестиционный налоговый вычет. Субсидии будут покрывать до 100%, 50% и 25% стоимости продукта или подписки в первый, второй и третий годы соответственно, но не более 200 тысяч рублей в год. Покупатель сможет оплатить оставшуюся сумму самостоятельно. Поддержка рассчитана на три года без продления. Администратором субсидий может стать Российский фонд развития информационных технологий или другой институт развития. Не менее половины клиентов, получивших скидку, должны приобретать тот же или схожий продукт ежегодно. В противном случае разработчик должен доработать продукт, пишут «Ведомости».

Региональный налоговый вычет предлагается распространить на расходы по созданию моделей и оборудованию. Предельный объем вычета — до 20 млрд рублей на организацию до 2030 года при условии, что собственные вложения будут в 5 раз больше. Около 90% расходов придется на Москву.

Минцифры и другие ведомства продолжают обсуждать меры поддержки ИИ. Критерии участия и объем финансирования определят после межведомственного согласования.

Российский бизнес готов к ИИ, но не к агентам Большие языковые модели уже используют или пилотируют 86% крупных российских компаний. Автономные агенты работают в промышленной эксплуатации лишь у 8%, мультиагентные системы — тоже у 8%. Сегодня на IT Elements директор по маркетингу и работе с партнёрами «Инфосистемы Джет» Денис Гасилин представил исследование ИИ-зрелости российского бизнеса, проведённое вместе со Smart Ranking. Авторы опросили 52 крупные компании с общей численностью около 450 тысяч сотрудников, провели семь глубинных интервью и оценили участников примерно по 40 параметрам. С обычным генеративным ИИ крупный бизнес стадию знакомства уже прошёл. Из 86% компаний, работающих с LLM, 40% пока проводят пилоты, а 46% уже вывели решения в рабочий контур. По словам Гасилина, внутри самой «Инфосистемы Джет» потребление токенов с начала года выросло в четыре-пять раз. Чем самостоятельнее становится система, тем сильнее сужается воронка. С полуавтономными агентами, которым человек ставит задачу и проверяет результат, работают 59% компаний: 44% пилотируют их и 15% используют в промышленной эксплуатации. Автономными агентами занимаются 25% опрошенных, до рабочего контура дошли 8%. Для мультиагентных систем, где несколько агентов распределяют между собой роли и задачи, показатели составляют 23% и 8%. При этом интерес смещается именно к более сложным системам. 63% компаний изучают автономных агентов, 62% — мультиагентные решения, почти половина собирается увеличить инвестиции в ИИ. Получается довольно бодрая исследовательская активность при весьма осторожном доступе в прод. В предыдущем посте мы разбирали, зачем агентам нужна подготовленная платформа данных. Исследование показывает масштаб проблемы: 44% компаний отказываются от внедрения агентов из-за незрелых процессов, данных и интеграций. По оценке директора по разработке и внедрению ПО «Инфосистемы Джет» Максима Андрианова, без такой подготовки ИИ способен автоматизировать не более 5% процессов. После пилота меняется только порядок проблем. 46% компаний не видят устойчивого экономического эффекта, по 40% не могут масштабировать решение из-за отсутствия владельца продукта или процесса и нестабильного качества, включая галлюцинации. Сложности интеграции с существующими ИТ-системами и требования безопасности останавливают ещё по 25%. Лучше всего ИИ приживается там, где процесс уже оцифрован, регулярно повторяется, а результат легко проверить. Поэтому его применяют 75% контакт-центров и служб поддержки, 63% аналитических подразделений и 60% ИТ-служб и сервис-десков. Но этим ИИ-интеграция в бизнесе ограничиваться конечно не должна. @anti_agi

Ещё Synera Prompt-to-Workflow kung-fu

Harmoni представила HAL — производственный ИИ, который получает текущий контекст не из отдельного RAG: платформа уже знает активный заказ, деталь, станок, операцию и инженерные требования, объединяя ERP, данные оборудования, рабочие инструкции, программы станков, записи производства и накопленные знания. На этой основе HAL помогает разбирать требования, диагностировать проблемы, выявлять риски и выбирать последующее действие; сама Harmoni одновременно автоматизирует ERP-транзакции, учёт труда, выдачу актуальной документации и контроль производственного процесса. То есть выстроили единый «контекстный слой» между PLM/ERP/MES, оборудованием и ИИ, где модели не приходится каждый раз заново реконструировать состояние производства. https://www.prnewswire.com/news-releases/harmoni-raises-10-million-series-a-led-by-bessemer-venture-partners-and-unveils-hal-ai-built-for-the-front-lines-of-manufacturing-302873736.html

В рамках инвестиционной конференции Goldman Sachs Communacopia + Technology Conference Эндрю Анагнос, президент и CEO Autodesk отвечал на вопросы аналитик Goldman Sachs в ходе которого рассказали про подробно описала архитектуру следующего Autodesk Assistant. Эндрю Анагност назвал новую версию «agent first»: Assistant должен стать не очередным помощником внутри Fusion или Revit, а общим слоем контекста и оркестрации над продуктами Autodesk. Он будет определять, какой механизм нужен для конкретной задачи — специализированная модель Autodesk, открытая модель, frontier-модель, отдельный микросервис или функция конкретного инженерного приложения. Пользователь при этом должен оставаться внутри непрерывного процесса design → make, а агент — подбирать инструменты на основании текущего проекта и инженерного контекста. Autodesk Assistant должен развиваться из чат-помощника в средство управления инженерными действиями, которое учитывает проект, задачу и доступные данные. Для точных операций Autodesk развивает Neural CAD — набор специализированных моделей для конкретных задач, например компоновки с учётом конструктивных и нормативных ограничений. Большие универсальные модели предполагается применять для более общих задач. При этом сгенерированная геометрия рассматривается только как часть процесса: результат должен учитывать требования, производственные ограничения, нормативы и процедуры утверждения. Интересно уточнение по их Neural CAD. Autodesk не делает ставку исключительно на одну большую геометрическую модель. Анагност говорит о наборе специализированных моделей порядка миллионов параметров, каждая из которых решает узкий инженерный класс задач; сейчас таких моделей несколько, в перспективе — десятки. Для задач, где они подходят, стоимость выполнения должна измеряться центами, а frontier-модели будут подключаться только там, где это оправдано. Таким образом, предлагаемая архитектура выглядит как context/orchestration layer → router → специализированные engineering models/frontier models → инженерные приложения и микросервисы. Autodesk также прямо называет Forma средой на единой гранулярной базе данных, «agent ready», а Fusion — примером той же модели для связки проектирования и производства. Анагност проводит жёсткое различие между созданием геометрии и инженерным проектированием. Инженерный результат должен быть производимым, проверяемым и пригодным для формального утверждения, а для этого нужны правила, история проекта, производственный контекст и данные предыдущих решений. Autodesk хочет удерживать этот слой как одновременно system of record и system of action, а эксплуатационные данные из MaintainX/Tandem в дальнейшем возвращать обратно в проектирование и перепроектирование. Это уже практически описание цифровой нити как среды выполнения инженерных агентов. Беседа: Goldman Sachs Communacopia + Technology Conference 2026 А в независимом разборе DEVELOP3D отметили важный контраргумент: если Project Intelligence станет хранилищем не только CAD-файлов, но также проектных решений, правил, процессов, онтологий и накопленного инженерного опыта предприятия, возникает потенциально более глубокая зависимость от платформы, чем классический vendor lock-in через закрытый формат файлов. То есть будущая борьба PLM/CAD-платформ может идти уже за владение не геометрией, а инженерной памятью предприятия. Разбор: Autodesk’s AI blueprint for CAD

Synera выложили новый ролик

Arxiv :: The Natural Language Interaction Protocol and Standard for AI Agents В многоагентных системах проблема всё чаще смещается от вопроса «могут ли два агента обменяться сообщениями?» к вопросу «одинаково ли они понимают то, о чём договорились?». Для PLM/CAx это особенно важно: разные предприятия и системы могут по-разному трактовать approved, baseline, delivery, risk или capacity. MCP в основном решает доступ к инструментам и данным, A2A - делегирование и координацию задач, а NLIP, Natural Language Interaction Protocol, предназначен для передачи смысла между системами с разными моделями данных, онтологиями и внутренними протоколами. Он задаёт общий прикладной слой взаимодействия, не требуя унификации самих агентных систем. Ключевая идея NLIP - отказаться от требования общей жёсткой схемы данных. Вместо этого передаётся семантическое содержание, прежде всего на естественном языке, а агент или шлюз на каждой стороне преобразует его в локальное представление. При этом протокол поддерживает и структурированный контекст: ссылки на сущности и онтологии, происхождение данных, ограничения, метки и вложенные сообщения. Поэтому NLIP прямо предусматривает адаптацию между локальными хранилищами контекста, предметными моделями, инструментами, API и нижележащими протоколами. Само сообщение представляет собой лёгкую JSON-оболочку, способную переносить текст, структурированные данные, идентификаторы, координаты, токены, аудио, видео и другие типы содержимого поверх HTTP/HTTPS, WebSocket или AMQP. Отдельно рассматривается контроль взаимодействия. Единый коммуникационный слой позволяет централизованно выполнять проверку и авторизацию операций, применение политик, аудит, отслеживание происхождения данных и наблюдение за действиями агентов. Это относится как к обычным системным угрозам, так и к специфическим рискам агентных систем: внедрению посторонних инструкций, утечке данных, подмене смысла сообщений, атакам на память и злоупотреблению полномочиями. NLIP не заменяет MCP или A2A, а занимает другой уровень. MCP остаётся средством доступа к инструментам, A2A задаёт более формализованную модель задач и их состояний, тогда как NLIP не фиксирует в ядре понятия задачи или рабочего процесса и может использоваться как семантический слой между неоднородными агентными средами. Для PLM/CAx это означает переход от простой совместимости форматов к согласованию смысла инженерных понятий между разными системами и организациями.

Тоже недурно