Все о блокчейн/мозге/space/WEB 3.0 в России и мире

Google научили ИИ-агентов находить новые квантовые алгоритмы и сразу доказывать их корректность и стоимость в Lean. Над этим работала как команда DeepMind, так и Quantum. Эта работа отличается от прошлых подходов, где ИИ-агенты проверяли квантовые схемы численным моделированием на классическом компьютере. Здесь же агенты работают с алгоритмами на тысячах кубитов, которые невозможно просимулировать классически, но при этом корректность гарантируется математическим доказательством, а не тестами. Интересно, что на 5 задачах, включая термоядерный синтез, фотохимию, ИИ нашёл схемы в 2.5–11 раз эффективнее лучших опубликованных решений, причём на тысячах кубитов там, где классическая проверка в принципе невозможна.

Google выпустил под ИИ-агентов сразу 2 новые TPU-системы 8tx и 8i Max Впервые компания выпускает 4 конфигурации TPU за 1 год,(в апреле был ещё запуск) что говорит о двух вещах: 1. цикл разработки и адаптации железа стал намного короче. 2. универсального чипа больше нет, а есть специализация под каждую стадию жизни агента. Параллельно Google дожимает уровень софта: открытый TorchTPU, автонастройка через Claude Code и Cursor, TPU Sync - единая иерархия памяти, снижающая время до первого токена более чем на 90%. Все это говорит о том, что инфраструктурная гонка переходит в фазу кастомизации. Пока одни меряются сырой мощностью флагманских чипов, Google ставит на модульность: 4 специализированных инструмента под 4 проблемы - обучение, скорость, безопасность, память. В период, когда ИИ-агенты становятся основным потребителем вычислений, побеждает не самый быстрый чип, а тот, кто точнее угадал, какая именно стена встанет на пути первой.

Внезапно хедж-фонд Jane Street выложил инструкцию, как сделать из ИИ персонального репетитора Компания, которая зарабатывает миллиарды $ на количественном трейдинге, выложила на GitHub простую инструкцию для ИИ-агентов. Хэдж-фонд делает больше для образования, чем кто-либо вообще.

Anthropic поделились, как они создают память для агентов Claude В частности, они пишут, что Anthropic называет памятью агента - знания, которые Claude получает из опыта (взаимодействие с пользователем и задачи) и сохраняет между сессиями как контекст, который можно прочитать позже. А основная идея памяти ИИ-агента - не только все сохранять, а это предсказание того, что пригодится в будущем, плюс умение потом это проверить и структурировать. Иерархия памяти у них выглядит в 4 слоя: транскрипты, потом заметки, которые Claude пишет сам в моменте, далее идут более сложные представления типа вики-страниц и наконец то немногое, что автоматически подгружается в каждую новую сессию. Но ключевой механизм поверх этих слоев - Dreaming, когда между сессиями Claude «спит»: перечитывает логи, исправляет ошибки в заметках, строит wiki, продвигает важное наверх и заполняет пробелы. Идея похожа на то, как мозг во время сна консолидирует воспоминания. В итоге Anthropic считает, что эффективная память - умение судить о значимости + проверять заметки по фактам + держать верхний слой компактным. Чем сильнее модель, тем меньше ей нужно жёстких инструкций.

У Nvidia китайская проблема: выяснилось, что Alibaba закупала чипы Nvidia через сингапурскую компанию, чей топ-менеджер была в романтических отношениях с Дженсеном Хуангом, СЕО Nvidia А сейчас против Хуанга началось расследование внутри компании и на уровне национальной безопасности США. Последние несколько дней идет обсуждение этого скандала, которое вскрыло, что по данным аналитиков Culper Research, Alibaba финансировала сингапурскую компанию Megaspeed - одного из крупнейших покупателей чипов Nvidia в Юго-Восточной Азии. Через Megaspeed и связанные с ней структуры за короткий период прошли миллиарды долларов. Топ-менеджер Megaspeed Элис Хуанг при этом состояла в романтических отношениях с Дженсеном Хуангом. Он подтвердил это вчера в письме сотрудникам Nvidia и извинился, а разведка США считает, что Элис была шпионом и через эти отношения могла влиять на CEO Nvidia. Сейчас это дело расследуют в самой Nvidia, и если найдут новые подробности, то Хуанга могут отстранить от должности. На этом фоне в ночь с воскресенья на понедельник акции Nvidia просели ~ на 3,4–4% , а индустрия задается вопросом, а кому этот скандал на руку?

Итоги уходящей недели - то, что имеет значение Бизнес ИИ- компаний Карта рынка KYA(знай своего агента) Большой анализ рынка данных для ИИ-моделей. Данные для моделей теперь относят к новой структуре капитала. Отчет: почему многие пошли в биотех создавать проекты. ИИ-агентам начинают платить за продажи. Разбор рынка платежей. На чем платформы ИИ-агентов будут зарабатывать. Скрытый налог на ИИ-агентов - кто на этом заработает. Тренд 2027. Будущее коммерции агентов. Платежи ИИ-агентов: за что сейчас идёт борьба? Разбор тут. Новая финансовая инфраструктура для ИИ-агентов. Карта рынка ИИ в клиентском сервисе: куда уходит маржа Вышла платформа, которая выступает закупщиком для экономики ИИ-агентов Экономика выбора ИИ-агентов. 6 драйверов, которые влияют на коммерцию ИИ-агентов. Отчет. Магазин для ИИ-агентов: зачем они нужны, разбор тут. ИИ-агенты и DeFi, кто будет управлять капиталом - отчет. ИИ-агентам теперь выдают кредиты на покупки. Кейс: как ИИ-агенты строит бизнес с человеком Закрытое письмо одного из влиятельных венчурных фондов. Куда теперь пойдут деньги? Открытая платформа персональных ИИ-агентов для бизнеса. Кто станет резервным фондом всего стейблкоинового мира, разбираем здесь. Теперь можно монетизировать трафик от ваших ИИ-агентов. Инструмент и не только здесь. Появилась схема как реклама может быть встроена в ИИ-модель ИИ-модели и агенты Anthropic запустил персонального помощника по финансам DeepSeek представил архитектуру супер агента, который работает как коллега Вышла модель Sage2, её дистрибуция идёт через NEAR AI, оплата картами Stripe и стейблкоинами. Ян Лекун показал, что ИИ учится пониманию мира не размером модели, а правильно подобранными парами данных. Anthropic говорит, что ИИ-агента можно отравить, подмешав всего 0.1% вредоносных данных ещё на этапе претрейнинга. Thinking Machines выпустили модель, которая самостоятельно обучила другую модель. METR опубликовали отчёт о том, как ИИ уже ускоряет разработку внутри Anthropic. Исследователи заподозрили Kimi K3.1 в обучении на задачах бенчмарков с доступом к скрытым критериям оценки Демис Хассабис, DeepMind: самый опасный этап развития ИИ - закрытый цикл рекурсивного самоулучшения Новые модели Anthropic и OpenAI научились читать и писать веса других моделей Роботы Китайский стартап представил модель для роботов, обученную на 2,2 млн часов человеческого опыта uni-robot-agent - единый харнесс для Robot-Use Agents. Наука и медицина Стэнфорд, запрещенный в РФ, создаёт ИИ-модель человеческого мозга. Google обучили Gemini вести первичный психиатрический опрос пациента через RL в симуляции. Axiom формализовали весь Stacks Project - 16 млн строк критической инфраструктуры современной математики, с оптимизацией кода и сохранением структуры связей. Инфраструктура и инструменты Anthropic выпустили ZK-пруфы для LLM, а Виталик Бутерин заявил о приближении ZKP-сингулярности. Теперь свой датасет из миллионов статей можно собрать за пару минут. Hyperstition создали Hyperkernel, который пишет GPU код и уже обходит SOTA. Бизнес, регулирование, общество Абу-Даби подписали 4 соглашения с OpenAI, пытаясь стать 1-м AI-native правительством https://t.me/blockchainRF/13567 Goldman Sachs ограничил использование ИИ банкирами, параллельно инженер Anthropic предупреждает о риске когнитивной капитуляции https://t.me/blockchainRF/13570 Google столкнулся с критикой родителей и учителей из-за внедрения ИИ в школах https://t.me/blockchainRF/13578 Отчёт Menlo Ventures: ИИ-индустрия топчется в программировании и не может зайти в другие отрасли https://t.me/blockchainRF/13579 Google запустили PlanAssist, который помогает чиновникам UK ускорять согласование строительства по всей стране https://t.me/alwebbci/4578 Присоединяйтесь к нам на Patreon https://www.patreon.com/Blockchainrf?utm_campaign=creatorshare_creator

Китайский стартап представил ИИ-модель для роботов, обученную на 2,2 млн часов человеческого опыта, а не на данных с самого робота Китайский стартап LiberAI выпустил модель Liber-0, которая училась на 2.2 млн часов видео, как люди обычными руками открывают, складывают, наливают, застёгивают вещи. Но проблема в том, что видео с людьми само по себе роботу почти бесполезно, так как: 1. Тело другое, 2. камера смотрит иначе, 3. а главное - по видео невозможно точно понять, что физически делает рука, где давление, какой угол, какая траектория. Чтобы закрыть эту проблему, LiberAI решает задачу одновременно как со стороны данных, так и со стороны самого робота с помощью перчатки и робота LEO. Перчатка с датчиками фиксирует точные движения руки, а LEO - робот с телом, на которое это движение естественно ложится. В результате на 60 новых задачах, которые модель никогда не видела на роботе, она справилась в 36% случаев. И ещё один важный вывод из их экспериментов - не объём данных решает, а их разнообразие. Модель, обученная на записях от 100 разных людей, училась переносить движение на робота почти втрое лучше, чем модель с тем же числом эпизодов, но от одного человека.

METR опубликовали отчет, как ИИ ускоряет собственную разработку в Anthropic, но из него вырезано много важной информации, которая показывает за счёт чего такой рост METR говорят, что с августа по октябрь они работали с внутренними данными Anthropic и пришли к выводу, что по состоянию на октябрь, Anthropic улучшает возможности своих моделей ~ в 2 раза быстрее, чем в период с марта 2024 по октябрь 2025. Аналитики METR уверены, что дело не в росте вычислительных мощностей для обучения. А вот использование ИИ в самой разработке ИИ, по их не очень уверенной оценке, даёт ~ 80% текущего ускорения. Но подробности того, чем именно вызвано это ускорение, METR не пишет, так как их доклад редактировали сотрудники Anthropic. Один из 7 сооснователей Anthropic, главный архитектор, Сэм Маккэндлиш сказал, что они многое вырезали из отчета, потому что иначе все увидели бы: 1. коммерчески чувствительную информацию, 2. выдали бы дорожную карту конкурентам. Также он анонсировал, что в ближайшие недели выйдет собственный отчёт Anthropic о темпах прогресса ИИ. В сообществе реакция на отчет была неоднозначной, часть критики методологическая, например, указывают на то, что METR смотрели только на внутренние метрики Anthropic и не учли, что часть ускорения, приписанного ИИ, на деле может быть эффектом разросшегося внешнего рынка инфраструктуры для обучения моделей - рынка, который сами лаборатории профинансировали своими деньгами.

Thinking Machines выпустили ИИ-модель, которая самостоятельно обучила другую модель Бывшая команда OpenAI выпустила свою открытую ИИ-модель Inkling 2 Small, которой дали задачу - научить Qwen3.5-4B прогнозировать временные ряды. Дальше Inkling 2 Small действовала одна: написала собственный скрипт оценки, нашла баг в нём же, перебрала несколько подходов к обучению (SFT, затем попытку RL - та оказалась неудачной, модель сама это заметила и откатилась), и в итоге сдала рабочий чекпойнт. Заняло это 4,5 часа и $426 из выделенного бюджета в $500. Итоговая модель ошибается примерно на 15% меньше, чем необученная версия, на данных, которые видела впервые. Надо отметить, что это постановочный бенчмарк, но интересно к чему все идет. Сама модель Inkling 2 Small состоит из 594 млрд параметров, из которых 17 млрд активных, архитектура MoE. Веса откроют через неделю. Модель отстает от DeepSeek-V4.1-Flash.

Свежий Демис Хассабис: самый опасный этап развития ИИ - это закрытый цикл рекурсивного самоулучшения(RSI) Основатель DeepMind, Нобелевский лауреат считает, что уже сейчас ИИ сильно помогает людям в программировании, но человек всё ещё остаётся в процессе работы: проверяет код, принимает решения, контролирует процесс. Но когда человек уйдет из этого процесса полностью, чтобы система сама предлагала улучшения, их внедряла и запускала обучение следующих версий, тогда процесс станет намного быстрее. Именно это он считает очень рискованным путём к полному AGI по 2 причинам: 1. Может произойти взрыв интеллекта - это когда система может начать улучшать себя так быстро, что люди потеряют контроль над процессом. 2. Появится чужой интеллект - результат, скорее всего, будет сильно отличаться от человеческого мышления. У нас не будет оснований полагать, что он окажется в похожем ментальном пространстве. Из-за этого будет трудно понять такую систему, а ей понять нас. Хассабис говорит, что большинство ИИ-исследователей это понимают, но идёт жёсткая конкурентная гонка за улучшение систем для программирования, которые как раз и ускоряют путь к RSI. Поэтому нужно быть очень осторожными, приближаясь к закрытому циклу.

Исследователи заподозрили, что модель Kimi K3.1 обучалась на задачах бенчмарков, имея доступ к скрытым критериям их оценки Исследователи из R40 Research прогнали через стандартные бенчмарки свежую модель Kimi K3.1 от Moonshot AI и заметили, что модель помнит то, чего ей не говорили. Решая тестовые задачи, K3.1 в своих рассуждениях периодически ссылается на инструкции, которых в условии задачи физически нет, но которые точь-в-точь совпадают с критериями, по которым скрыто оценивается решение. Самое показательное - когда исследователи немного изменили условие задачи так, чтобы оно прямо противоречило правилу, которое модель выдавала за инструкцию. Обычная модель в такой ситуации доверяет тому, что реально написано в задаче. А K3.1 - нет, она держится за то, что сама когда-то запомнила. В 3-х задачах из 4-х так происходило в 100% попыток, тогда как другие модели послушно следовали новому условию в 96% случаев. Авторы исследования предполагают, что причина в обучении модели на собственных попытках решения тех же самых бенчмарк-задач, где «учитель» в процессе тренировки имел доступ к скрытым критериям оценки. Знание об этих критериях просочилось в саму модель, возможно, непреднамеренно, как побочный эффект метода обучения, а не как сознательный обман со стороны разработчиков. Все данные.

Теперь вы можете интегрировать свои приложения с Siri, Apple открыла доступ Похожую историю недавно сделали Google, идея у них с Apple одна - сделать так, чтобы ИИ-агент мог выполнять действия в сторонних приложениях. Любое приложение может передавать свой контент и действия в Siri, а пользователи смогут просто говорить своими словами, и Siri выполнит нужные кастомные действия.

ИИ-индустрия топчется в программировании и не может зайти в отрасли Сегодня, если посмотреть на то, что делается/говорят в индустрии, почти все разговоры о пределах роста ИИ крутятся вокруг вычислений, энергии и капитала. Но свежий отчёт Menlo Ventures показывает проблему - отрасли не внедряют ИИ, потому что они не описали себя в терминах, которые агент способен понять. Они говорят, что расходы бизнеса на внедрение ИИ выросли с $33 млрд до $177 млрд за год. Но 55% прироста ИИ-расходов - это новые бюджеты, не перераспределённые из софта или фонда оплаты труда. По данным Menlo Ventures, агенты обогнали людей по потреблению токенов. Об этом ещё OpenRouter говорили, что 80% всех токенов сейчас тратят агенты. При этом деньги и ИИ-агенты находятся там, где для них уже есть нормальная среда, то есть в программировании ($34 млрд) и чат - ботах/ассистентах ($25 млрд). Почему? Потому что там выполняются 3 условия: 1. есть среда, в которой агент может действовать; 2. есть контекст, из которого можно учиться; 3. есть возможность проверить, правильно ли сделана задача. Поэтому инвестиции сейчас находятся в основном внутри инфраструктуры ИИ, об этом мы писали ещё 2 месяца назад. Таким образом дефицитным ресурсом сегодня и завтра будет оцифрованный и формализованный контекст разных отраслей. Пока этого нет, ИИ-агенты будут оставаться очень сильными в программировании, а внедрения в отраслях не будет, соответственно, не быстро изменится и рынок труда.

Большая битва за будущее: Google столкнулся с большой критикой от родителей и учителей школ из-за внедрения ИИ в школах Дело в том, что в августе Google включил Gemini в Classroom по умолчанию для школьников всех возрастов. Для понимания Classroom - это бесплатная онлайн-платформа от Google для школ, куда учителя выкладывают задания, материалы и объявления, а ученики сдают работы, смотрят оценки и общаются с классом. Раньше Gemini в Classroom автоматически включался только для студентов возраста 18+, а с 10 августа Gemini стал доступен ученикам всех возрастов (от детского сада до старших классов). Из-за этого родители и учителя выступили против и начали говорить о: - снижении успеваемости у детей - эмоциональных и психологических рисках - отсутствии контроля со стороны учителей по использованию ИИ На эту критику Google сейчас выпустили ответ и объявили об изменениях, теперь: - Если школа полностью отказывается от ИИ-функций, ученики не получают доступ к поиску, потому что сегодня поисковик не существует без ИИ. - Gemini, Gemini Notebook и поиск будут отключены по умолчанию для школьных аккаунтов. - Администраторы в школах смогут включить сервисы по отдельности или все вместе. - В школьных аккаунтах AI Mode и AI Overviews будут работать в режиме Guided Learning. Вместо мгновенных ответов система будет вести ученика через задачу с вопросами и подсказками, чтобы стимулировать критическое мышление.

Теперь можно за пару минут собрать свой датасет из миллионов статей Просто опишите, какой набор данных вам нужен.

Новые модели Anthropic, OpenAI начали читать и писать веса других моделей Первый пример показали исследователи из MIT, которые использовали в эксперименте GPT-6 Astra. Они дали Astra сырые веса и попросили разобраться, что там происходит. Модель начала рассуждать, какая часть сети, за что отвечает, и на основе этого что-то меняла или писала с нуля. В одном из экспериментов она написала маленькие игровые сети, которые обогнали PPO, обученный сотни миллионов шагов. В другом - поправила 0.016% весов Qwen3.5-0.8B, после чего у модели заметно выросла точность на математических задачах. Hugging Face быстро воспроизвёл результат. А вчера похожую историю показал CTO юридической компании Legora AI с моделью Fable. Модель сама написала разреженные веса маленькой сети на ~100k параметров, которая отличает настоящие юридические цитаты от фейковых в судебных решениях и сделала это лучше, чем обычное обучение. Надо отметить, что это пока не история, когда модели сами себя улучшают до AGI. Здесь сильная модель смотрит на веса другой (обычно небольшой) и правит их снаружи. Большой скачок у Qwen, например, во многом получился из-за того, что Astra убрала известную проблему с зацикливанием, а не научила модель чему-то принципиально новому. То есть модели начинают понимать, какие части весов за что отвечают, и могут либо точечно устранить проблемы, либо генерировать веса маленьких сетей под конкретную задачу.

Поразительно, как можно было так работать - США рискуют своим лидерством в ИИ: люди на выборах проголосовали против дата-центров Примерно 1/4 всей запланированной ко вводу в эксплуатацию дата-центров в США к 2030 году приходится на Техас. Там сейчас на выборах победила демократ, которая обещала мораторий на новые дата-центры, пока не появятся жёсткие правила по воде, электричеству и местному контролю. Аналитики писали, что победа такого кандидата поставит под угрозу около 13,3 ГВт объявленных проектов. Часть из них может уйти в другие штаты или сильно задержаться. Но дело не только в Техасе, по всей США прошло 41 локальное голосование по дата-центрам в 10 штатах. В большинстве случаев избиратели голосовали против. Люди не хотят, чтобы рядом строили огромные ЦОДы. Удивительно, как можно было так людей достать со всей неграмотной риторикой про ИИ, что общество так проголосовало. Понятно, что спрос на мощность никуда не денется, но строить теперь будет дороже и дольше. Но в тоже время это открывает для стран с дешевой электроэнергией новые возможности, инвесторы из США могут начать стройку за пределами своей страны. Так недавно Казахстан был представлен главой NVIDIA, как территория для развития вычислительных мощностей. Кроме этого в Таджикистан идут инвестиции из Nvidia, там строят свой ИИ-хаб без налогов.

Крутая работа Google! Они обучили Gemini вести первичный психиатрический опрос пациента через RL в симуляции Эта работа интересна тем, что Google пошли в одну из сложных направлений медицины - психиатрию. В этой сфере профессиональный врач, который реально качественно лечит людей, он не ставит никакого диагноза с первого диалога. И тут мы узнаем, что команда обучила Gemini 3.1 Flash-Lite через тысячи симулированных консультаций с виртуальными пациентами, которые сами скрывают важную информацию, пока врач не выстроит доверие с ними. Возникает логичный вопрос, зачем это нужно Google? И как пишет сама команда, у них нет цели создать виртуального психиатра, они выбрали психиатрию потому, что в отличие от обычной медицины, здесь сам разговор врача с пациентом - это уже диагностический инструмент. То есть это проверка того, работает ли RL в симуляции в самой требовательной к коммуникации области медицины, и заодно - построение методологии, как вообще измерять безопасность такой системы. Как описывается в статье, авторы проводили тесты, и в двойном слепом тесте приняли участие 32 психиатра, которые играли роли пациентов, их диалоги оценивала отдельная панель из 15 независимых экспертов. Но психиатры, которые были за место пациентов, вели себя слишком шаблонно , как в учебниках, так реальные пациенты не говорят. Все подробности здесь.

Anthropic выпустили ZK-пруфы для LLM, а В.Бутерин сказал о приближении ZKP-сингулярности Сегодня на конференции в Мумбаи Виталик Бутерин говорил о приоритетах Ethereum на ближайшие 10 лет: 1. выживание - институции ценят Ethereum не за скорость, а за то, что сеть ни разу не падала. Если сам Ethereum не безопасен, он не сделает безопасным ничего поверх себя. 2. перестать гнаться за улучшениями на 5%. ИИ переворачивает ландшафт каждый год, целиться нужно в иксы, а не в проценты. Много говорили про ИИ-агентов, управляющих казначействами сообществ. Бутерин сказал, когда у агента есть ключи, он всё равно сидит в песочнице: кто выбирает модель, кто контролирует её обучение, кто решает об обновлениях, что вообще считать важным решением - эти правила по-прежнему задают люди. Но больше всего Бутерин ждёт сингулярность ZK-доказательств - момент, когда появится универсальный способ математически подтверждать правильность любых вычислений, не раскрывая, как именно они получены. На этом фоне вчера Anthropic выпустили FlashProve - криптографическое доказательство (zkSNARK), что ответ сгенерировала заявленная модель, а не урезанная, подменённая или скомпрометированная версия, причём без раскрытия самих весов модели.

Стэнфорд создаёт ИИ-модель мозга человека В Wu Tsai Neurosciences Institute при Стэнфорде(запрещен в РФ) запустили 5-летнюю программу по созданию фундаментальной ИИ-модели мозга человека Digital Brain Project. Исследователи хотят обучить ИИ-модель на данных мозговой активности, чтобы она научилась предсказывать, как мозг отреагирует в самых разных ситуациях, даже в тех, которые никогда не наблюдала напрямую. Начнут с создания отдельных систем - восприятия, памяти, внимания и постепенно расширят до модели всего мозга. Данные будут собирать 2 методами: 1. 7-Tesla МРТ-сканером, который точно показывает, где возникает активность. 2. MEG-шлемом, фиксирующим, когда она возникает, с точностью до миллисекунд. Основная практическая цель этой модели, как заявляют ее создатели, - научиться распознавать сбои в работе нейронных сетей мозга при депрессии, Паркинсоне, аутизме и Альцгеймере, а также тестировать методы вмешательства ещё до испытаний на пациентах.