Искусственный интеллект. Высокие технологии

Почему после 50 км/ч велосипедист начинает воевать не с трассой, а с воздухом? 💨 На скорости около 40–50 км/ч главный враг уже не ноги и не асфальт, а сопротивление воздуха. На него может уходить до 80–90% усилий, чтобы просто держать темп. Поэтому профи так одержимы аэродинамикой: * шлемы * skinsuit * глубокие колёса * низкая посадка * каждая складка на одежде В разделках элитные гонщики могут держать 45–55 км/ч на длинной дистанции, а на быстрых участках разгоняться выше 70 км/ч. И иногда победу решает не сила, а экономия 30–60 ватт. На таком уровне воздух — это почти невидимая стена.

Си Цзиньпин использовал World AI Conference 2026 в Шанхае как политический ответ США. AI не должен превращаться в технологию для закрытого клуба стран, которые контролируют доступ к моделям, чипам и инфраструктуре. В речи он продвигал open-source AI, международное сотрудничество и общие правила глобального управления ИИ. Отдельный выпад был в сторону ограничений под лозунгом «национальной безопасности». Си предупредил, что слишком широкая трактовка безопасности может стать удобным способом для сильных стран закрывать доступ к AI для остальных. Китай также пообещал развивающимся странам 5 000 возможностей для AI-обучения, исследований и семинаров в течение пяти лет. Плюс — сотрудничество с ASEAN, Африканским союзом, BRICS и другими партнёрами. По сути, Пекин оформляет open-source AI сразу в двух ролях: * как промышленную стратегию против закрытых западных моделей * как дипломатический инструмент для работы с Глобальным Югом

⚡️ Возможно, скоро компании будут платить за AI-токены на одного сотрудника больше, чем за зарплату этого сотрудника. Крупнейшие пользователи ИИ одновременно нанимают больше людей и резко увеличивают расходы на вычисления. В мае 2026 года самый продвинутый 1% компаний уже тратил на ИИ около $90 000 в год. Если текущий месячный темп роста в 14,1% сохранится, к концу 2026 года эта сумма может превысить среднюю годовую зарплату software engineer - около $192 000. За тот же 24-месячный период компании с высокими расходами на ИИ увеличили штат на 10,2%, тогда как у компаний с низким уровнем затрат на ИИ численность сотрудников почти не изменилась. ИИ всё больше выглядит не как инструмент сокращения расходов, а как мощный ускоритель роста. Компании вкладывают большие деньги в токены, потому что каждый сотрудник может делать больше работы, обслуживать больше клиентов и поддерживать более крупный бизнес. Число entry-level вакансий выросло на 12%, а у компаний с низкой интенсивностью внедрения ИИ изменения не были статистически значимыми. https://x.com/a16z/status/2077080259527319826

Авторы прогноза AI 2027 выпустили новый сценарий развития нейросетей — AI 2040. В прошлый раз они рассказали, как гонка ИИ может привести к появлению сверхинтеллекта. Теперь исследователи во главе с бывшим сотрудником OpenAI Даниэлем Кокотайло описали несколько вариантов того, как государства могут действовать дальше. Главный из них — Plan A. Это сценарий с рекомендациями, который должен помочь замедлить гонку и создать управляемый ИИ. Как замедлить развитие ИИ Правительства понимают, что через несколько лет из-за автоматизации могут потерять контроль над экономикой и дальнейшим развитием нейросетей. Поэтому в 2029 году США и Китай заключают соглашение и временно останавливают обучение новых передовых моделей. Уже существующие нейросети продолжают работать. К концу 2029 года к соглашению присоединяется большая часть мира и формируется международный Консорциум. Появляется и аналог ядерного сдерживания: новые китайские дата-центры строят в Канаде, а американские — в Монголии. То есть стороны размещают вычислительную инфраструктуру на территориях, уязвимых для оппонента. Разработки возобновляются под надзором Консорциума, но по четырём правилам. Развитие моделей замедляют, исследования передовых систем делают прозрачными, технологии распределяют между странами и компаниями, а инфраструктуру проектируют так, чтобы любой опасный процесс можно было остановить. Что будет с обществом Даже при замедлении нейросети развиваются очень быстро. К 2032 году одновременно работают 60 миллионов ИИ-агентов, способных думать примерно в 20 раз быстрее человека. Они выполняют больше интеллектуальной работы, чем все жители США, а реальный ВВП за год растёт примерно на 50%. Параллельно роботы начинают автоматизировать физический труд. Благодаря новой экономике американцы получают выплаты размером около $1 млн в год. К 2036 году работу сохраняют только 26% граждан США, но бедность и голод почти исчезают. Тем не менее Консорциум останавливает развитие моделей на уровне лучших человеческих экспертов — более умный ИИ уже нельзя будет контролировать старыми способами. Мир делится на три типа территорий: гигантские промышленные зоны с заводами и роботами, аркологии — высотные жилые комплексы, окружённые природой, — и исторические и природные заповедники. Последние занимают большую часть планеты: Париж, Нью-Йорк и другие старые города внешне почти не меняются. Как начнётся новая эпоха К 2038 году безопасность ИИ становится отдельной наукой. Исследователи учатся создавать более управляемые модели и понимать, как в них формируются цели и ценности. Появляется множество разных ИИ: одни служат государствам и политикам, другие — компаниям, акционерам или благотворительным организациям. Постепенно люди начинают больше им доверять. В 2040 году ограничения на развитие ослабляют и появляются системы, значительно превосходящие человека. Им постепенно передают управление производством, энергетикой, государственными институтами и частью вооружённых сил. В этот момент нейросети начинают контролировать достаточно инфраструктуры, чтобы люди больше не могли их отключить. Авторы считают этот шаг допустимым только после того, как согласование целей ИИ станет зрелой наукой. Подписывайтесь 👉 @techno_yandex

Длинный контекст быстро делает full attention дорогим. MoBA решает это через Mixture of Block Attention: модель не смотрит на весь контекст одинаково, а учится выбирать только те блоки, которые реально важны для текущего токена. Это open-source PyTorch-реализация для тех, кто обучает long-context LLM. Как работает идея: * контекст режется на блоки * каждый query token выбирает релевантные KV-блоки * выбор идёт через parameter-less top-k gate * лишняя работа attention сокращается * можно использовать full или sparse attention * есть простая naive-версия для анализа масок и оптимизированная версия для скорости Плюс есть интеграция с Transformers: MoBA можно зарегистрировать и выбрать backend в примере с Llama. Важный нюанс: это не drop-in замена для уже обученной модели. README прямо говорит, что для ускорения нужно continued training. То есть нельзя просто взять pretrained LLM, включить MoBA и ждать магии. Но для команд, которые тренируют long-context модели и хотят снизить стоимость attention без дополнительных gating-параметров, проект выглядит очень полезно. Лицензия - MIT. https://github.com/MoonshotAI/MoBA

Впервые в истории компаниям может стать дешевле нанять человека, чем бесконечно кормить ИИ. AI должен был заменить человеческий труд, но в топовых компаниях расходы на токены уже выглядят как отдельная армия сотрудников. Только эта армия не ходит в офис, не спорит в Slack и спокойно сжигает бюджет в циклах.Самое смешное: нам годами продавали идею, что инженеры станут слишком дорогими, а модели - дешёвой альтернативой.На практике всё сложнее. Плохой AI-воркфлоу превращается в токеновую чёрную дыру: агент думает, перепроверяет, перезапускает, чинит сам себя, снова лезет в контекст и снова тратит деньги. Ты вроде автоматизировал работу, но по факту нанял миллион дешёвых стажёров, которым постоянно нужен менеджер. Победят не те, кто просто купил больше токенов, а те, кто научился ими управлять: резать лишние циклы, строить evals, хранить хороший контекст и понимать, где AI реально даёт рычаг. Это управление токенами. https://www.a16z.news/p/the-next-ai-goldrush-tokens-loops

📌Google воссоздала утерянный гол Пеле 1959 года Для музея Пеле в Сантусе специалисты DeepMind сняли мини-документалку о знаменитом голе, который ни разу не попал на плёнку. Видеозаписей матча просто не существует, поэтому историки собрали точную раскадровку по архивам - в дело пошли 2000 документов и 3600 фотографий. Сантус для этой истории место не случайное. Пеле пришёл в местный клуб в 15 лет и играл за него с 1956 по 1974 год - там забил большинство своих голов, включая тот самый, незаснятый. Для этого города он легенда, поэтому музей открыли именно здесь. Полностью доверить сцену ИИ не получилось - генеративные модели до сих пор путаются в сложной спортивной биомеханике. Поэтому команда сначала сняла живого дублёра на футбольном поле, а затем функция Performance Control в видеогенераторе Veo 3 взяла с этой записи 3D-геометрию и траектории движения актёра - так получился жёсткий физический каркас, за пределы которого генерация выйти не могла. Поверх каркаса модели Gemini Omni и Nano Banana Pro дорисовали исторический облик стадиона, погоду, толпу на трибунах и лицо самого Пеле, заменив им дублёра. Финал делали по-киношному. Мяч добавили классическими визуальными эффектами, а готовый цифровой файл прогнали через аппаратный фильм-рекордер - устройство, которое переносит цифровое видео на настоящую плёнку. Отсюда зерно и цветопередача кино пятидесятых - их не имитировали фильтром, а получили честным аналоговым способом. @ai_machinelearning_big_data #news #ai #ml

PrismML выкатила Bonsai 27B, и это один из самых интересных релизов недели. 27B-класс модель, которую пытаются уместить туда, где раньше такие модели даже не рассматривались: ноутбуки, локальные агенты и телефоны. База: Qwen3.6 27B. Есть две версии: * Ternary Bonsai 27B: 5.9 GB, около 1.71 effective bits per weight * 1-bit Bonsai 27B: 3.9 GB, около 1.125 effective bits per weight PrismML заявляет, что 1-bit версия помещается в memory budget iPhone 17 Pro, а ternary вариант рассчитан на более качественную локальную работу на ноутбуках и десктопах. При этом модель не ограничивается обычным чатом. В релизе заявлены: * vision * tool calling * agentic loops * structured outputs * 256k+ context * speculative decoding * MLX для Apple * CUDA и llama.cpp для локального запуска По их бенчмаркам, Ternary Bonsai 27B сохраняет около 95% качества full-precision baseline, а 1-bit версия около 90% на наборе из 15 задач: reasoning, math, coding, instruction following, tool calling и vision. Bonsai 27B интересен именно как сдвиг в сторону intelligence density: сколько полезной модели помещается в гигабайт памяти. Релиз под Apache 2.0. Есть модели на Hugging Face, демо, GitHub, whitepaper, WebGPU kernels и API через Together. Blog: https://prismml.com/news/bonsai-27b The Information: https://theinformation.com/articles/khosla-backed-startup-claims-breakthrough-largest-ever-ai-model-iphone CNBC: https://cnbc.com/2026/07/14/apple-prismml-ai-compression-iphone.html Whitepaper: https://github.com/PrismML-Eng/Bonsai-demo/blob/main/bonsai-27b-whitepaper.pdf Models: https://huggingface.co/collections/prism-ml/bonsai-27b WebGPU Demo: https://huggingface.co/spaces/webml-community/bonsai-webgpu-kernels API: http://together.ai/models/prism-ml-ternary-bonsai-27b GitHub: https://github.com/PrismML-Eng/Bonsai-demo/ Docs: http://docs.prismml.com

⚡️ Claude теперь идёт в школы Anthropic запустили Claude for Teachers - бесплатный доступ к premium-возможностям Claude для верифицированных K-12 учителей в США. И это не просто “чатбот для уроков”. Внутри - готовые teaching skills, помощь с планами занятий, квизами, адаптацией материалов под разные уровни учеников и письмами родителям. Самое важное - подключение к evidence-based curricula и академическим стандартам всех 50 штатов. То есть учитель просит не абстрактный “урок по теме”, а материал, привязанный к реальной программе и требованиям. Claude может помочь собрать урок, подготовить assessment, найти типичные ошибки учеников и быстро сделать материалы под класс. Похоже, AI в образовании наконец двигается от “дети списывают домашку” к более полезному сценарию: меньше рутины для учителя, больше времени на учеников. https://www.anthropic.com/news/claude-for-teachers

🧬 Бактерия из кишечника японской древесной лягушки полностью убрала колоректальные опухоли у мышей после одной дозы. Не уменьшила. Не замедлила рост. В эксперименте опухоли исчезли у всех обработанных животных. Речь про Ewingella americana. После внутривенного введения она быстро накапливалась именно в опухолевой ткани и за 24 часа размножалась там примерно в 3000 раз. Дальше работала сразу по двум направлениям: напрямую повреждала раковые клетки и поднимала иммунный ответ с участием T-клеток, B-клеток и нейтрофилов. В этой модели одна доза бактерии показала результат сильнее, чем четыре дозы anti-PD-L1 иммунотерапии и липосомального доксорубицина. Самая интересная часть началась потом. Исследователи снова ввели «вылеченным» мышам опухолевые клетки. 0 из 10 обработанных мышей снова получили опухоль. 10 из 10 в контрольной группе получили. То есть эффект был похож не только на уничтожение опухоли, но и на формирование иммунной памяти. По безопасности тоже есть важная деталь: бактерия исчезала из крови в течение 24 часов и не обнаруживалась в здоровых органах. Конечно, это не лекарство для людей и не повод кричать, что рак уже побеждён. Это маленькое исследование на мышах. Это живой терапевтический агент, который находит опухоль, размножается внутри неё, разрушает её и потенциально учит иммунную систему узнавать врага снова. Если такие подходы дойдут до клиники, онкология будущего будет выглядеть совсем иначе. https://www.sciencedaily.com/releases/2026/07/260709160655.htm