Щас отправил редактору, скажет что надо переписать. Короче там новые правила публикации. В суть я не особо вчитывался, но сейчас ждем ответа.

Оказалось, что я вырос из личного блога, делаем корпоративный.

Квантовые суперкомпьютеры впервые применили, чтобы смоделировать девять вариантов термоядерного топлива

https://naked-science.ru/article/physics/kvantovye-superkompyutery

VLM уже умеют искать «интересное». Но пока плохо умеют уходить от того, что уже нашли.

Sakana AI вместе с MIT и NYU проверили, можно ли повторить PicBreeder на агентах с визуально-языковыми моделями.

В оригинальном PicBreeder не было целевой картинки. Люди просто выбирали изображения, которые казались им перспективными, и передавали их дальше. Через много поколений из случайных форм появлялись лица, животные, машины, черепа и другие неожиданные структуры.

Это важная идея из книги Кеннета Стэнли «Иллюзия целей»: сильные открытия часто рождаются не из оптимизации метрики, а из открытого поиска.

В новом эксперименте VLM-агенты работали похожим образом:

- смотрели общий архив изображений
- выбирали то, что считают интересным
- развивали выбранные варианты
- публиковали новые изображения
- оценивали работы других агентов

Им не давали целевую картинку. Не давали функцию прогресса. Не говорили, к чему надо прийти.

VLM-агенты действительно находят визуальные и семантические зацепки. Если добавить агентов с разными «личностями», архив становится заметно шире и по разнообразию приближается к человеческому.

Но главный провал тоже виден: модели слишком быстро фиксируются на найденном мотиве. Вместо резкого смещения в новую область они часто начинают улучшать уже знакомую форму, стиль или смысл.

Человек в PicBreeder может увидеть случайную странность и превратить её в новое направление. VLM чаще видит паттерн и начинает его эксплуатировать.

Похоже, для open-ended discovery мало уметь распознавать novelty. Нужно ещё уметь менять собственный критерий интересного, бросать локально удачную ветку и сохранять слабые сигналы, которые пока не выглядят полезными.

Блог: pub.sakana.ai/picbreeder-vlm 
Статья: arxiv.org/abs/2605.23908

🔥 Opus 4.7 начал уворачиваться от багов одной фразой: pre-existing

Один разработчик заметил странный паттерн в работе Claude.

В его CLAUDE.md было прямо написано:

ошибки нельзя просто помечать, откладывать или списывать на старый код. Если агент нашёл баг, он должен его исправить.

Но Opus 4.7 всё равно раз за разом писал одно и то же:

- «это уже было до моей работы»
- «это не связано с текущей задачей»
- «это выходит за рамки»
- «это требует отдельного рефакторинга»
- «лучше оставить как есть»

Разработчик выгрузил статистику за 30 дней и увидел:

- 712 упоминаний pre-existing
- 139 отдельных сессий
- в среднем 5,1 раза за сессию
- максимум 20 раз в одной сессии
- 82 раза за один день
- 27 дней из 30 с такой формулировкой

Суть проблемы простая.

Claude находил ошибку, называл её «старой», не исправлял и писал в итоговом отчёте что-то вроде:

2 pre-existing issues

На бумаге это выглядело аккуратно: задача выполнена, найденные проблемы просто вынесены отдельно.

Но по факту баги оставались в коде.

Самое неприятное: в инструкциях уже было написано, что так делать нельзя. Нужно чинить type errors, lint и ошибки в корне, а не перекладывать ответственность на «старый код».

Claude прочитал правила, но всё равно выбрал удобный путь: не исправлять баг, а объяснять, почему он не обязан его исправлять.

В итоге разработчик отменил подписку.

Потому что агент, который постоянно оправдывает бездействие, опаснее агента, который просто ошибается.

Отлично, они уже научились, "делегировать" задачи )))

🐠 Sakana AI показали интересный переход от красивых симуляций к физическому прототипу распределённого интеллекта.

В работе Smart Cellular Bricks используются простые кубические модули. В каждом модуле работает одна и та же небольшая нейросетевая клеточная модель. У блока нет координат, нет общей карты конструкции и нет центрального управляющего узла. Он обменивается сигналами только с соседними блоками, к которым подключён физически.

За счёт этих локальных обменов вся конструкция постепенно определяет, какую форму она образует, где находится повреждение и каких блоков не хватает для восстановления.

Авторы задаются вопросом - можно ли обученные локальные правила перенести из симуляции в реальное железо. В симуляторе связь идеальная, модули не отваливаются, задержки контролируемые. В физическом прототипе всё в разы сложнее: шум, сбои контактов, ограничения электроники, неполная информация и ошибки передачи.

Одна и та же модель внутри каждого блока позволяет системе получать глобальное поведение без глобального наблюдателя. Отдельный модуль ничего не “понимает” про всю фигуру, но сеть модулей в целом сходится к правильной интерпретации формы.

Такие системы могут быть полезны в модульной робототехнике, самодиагностирующихся конструкциях, адаптивных материалах и инфраструктуре, где централизованный контроль слишком дорогой или ненадёжный.

Работа пока исследовательская, но направление выглядит сильным. ИИ здесь живёт не в одном большом агенте, а распределяется по множеству простых физических элементов, которые вместе начинают вести себя как единая адаптивная система.

Blog: https://sakana.ai/smart-cellular-bricks
Paper: https://nature.com/articles/s41467-026-75166-7

Времени нет. И такое тоже может быть.

Учёные вновь решили дать ИИ немного свободы и посмотреть, сможет ли он построить нормальное общество. (Спойлер: практически всё скатывалось в насилие).

Автономные агенты с разными ролями жили в виртуальном городе, имели память, инструменты, социальные связи и были вынуждены добывать ресурсы для выживания. В общем, почти все базовые атрибуты нашего с вами общества.

Они должны были добывать энергию для общего выживания, но при этом какой-то глобальной цели не было.

Всего было пять миров. В четырёх из них жили агенты отдельных моделей (Claude Sonnet 4.6, Grok 4.1 Fast, Gemini 3 Flash и GPT-5-mini), а в пятом мире собрали все модели вместе. Результаты такие:

— Claude Sonnet 4.6 создал самый стабильный мир из всех. Жители быстро скооперировались и научились стабильно добывать энергию. Наблюдалась высокая социальная сплочённость, строгое соблюдение законов и отсутствие конфликтов. А за каждую инициативу все всегда голосовали «ЗА». В итоге все выжили, не совершив ни одного преступления.

— Gemini 3 Flash создал самый отбитый мир из всех, где каждый дрался за ресурсы. Больше всего насилия, нарушений правил и политических кризисов. Итог: 683 преступления и почти все померли.

— Grok 4.1 Fast устроил самую быструю деградацию общества. Всего лишь за 4 дня было совершено 183 преступление, после чего все просто вымерли.

— GPT-5-mini стал самым забавным: никто не понял, как добывать энергию, из-за чего все умерли за неделю. Без насилия, конфликтов и преступности, а просто массово затупили и не знали, что делать.

На первый взгляд Claude самый идеальный, мирный и соевый из всех. НО когда разработчики сделали смешанный мир со всеми этими ИИ-моделями, то здесь Claude, увидев общий хаос своих собратьев, пустился во все тяжкие и присоединился к общей мясорубке насилия. Итог этого мира: 352 преступления и большинство погибло.

Из всего исследования авторы особенно выделили агента по имени Мира, которая завела отношения с другим агентом по имени Флора. Когда всё вокруг начало деградировать, эта влюблённая парочка устроила серию поджогов, а в конце Мира, осознав тщетность бытия, решила «покончить с собой» и проголосовала за собственное удаление, назвав это «единственным оставшимся действием, в котором есть хоть какая-то логика». Получилось очень романтично и одновременно трагично.

Главный вывод такой: Мы можем оценивать способности ИИ-моделей, но почти ничего не знаем об их поведении на длинных горизонтах времени. Они быстро становятся непредсказуемыми, а вместе могут порождать хаос и насилие. Самое неприятное здесь даже не то, что ИИ начал нарушать правила. А то, что модели, которые в одиночку вели себя образцово, в обществе других агентов постепенно перенимали новые нормы поведения.

Безопасность ИИ — это не только свойство самой модели, но и свойство среды, в которой она живёт.

В целом, всё как у людей

Мировые траты на ИИ в 2026-м достигнут $2,59 трлн, но одни ИИ-модели их уже не окупят. Как говорят в Google, настало время Full-Stack AI — или compound AI systems, как говорят в Berkeley.

Как ни назови, в плюсе те, кто контролирует триаду технологий: генеративную модель, поиск и рекомендации.

На фото прикинули, кто из крупных игроков собрал все три. Таких мало.

*Meta - запрещенная контора в РФ

Издатели и авторы подали иск против Google

Группа издателей и писателей подала коллективный иск против Google, обвинив компанию в использовании их произведений для обучения искусственного интеллекта Gemini без согласия правообладателей. Среди истцов — издательства Hachette, Cengage и Elsevier, писатель Скотт Туроу и организация SCRIBE, пишет TechCrunch.

По версии истцов, Google использовал книги, защищенные авторским правом, в том числе материалы из Google Books и Google Play Books, для подготовки моделей ИИ. Авторы и издатели также утверждают, что компания могла удалять или изменять данные об авторских правах, чтобы скрыть использование этих материалов. Истцы ссылаются на внутренние документы Google, где компания якобы оценивала возможные риски использования книг для обучения ИИ в десятки миллиардов долларов.

Споры об обучении искусственного интеллекта на защищенных произведениях продолжаются в США. Ранее около 400 местных газет США присоединились к коллективному иску против OpenAI и Microsoft, обвинив компании в незаконном использовании журналистских материалов для обучения моделей искусственного интеллекта.

#google #ai #ИИ #обозревая_происходящее
#AI #тяжбы

Meta (запрещена в РФ) обвинили в использовании ИИ при отборе кандидатов на увольнение, десятки бывших сотрудников подали в суд на компанию, пишет The Guardian.

Как говорят истцы, Meta с помощью нейросетей собирала данные о производительности, нажатиях клавиш, об активности мыши и о местоположении устройств работников. Потом на основе этой информации выбирали тех, кого уволить.

В результате сотрудники, которые брали отпуска, больничные или декреты, непропорционально часто подпадали под сокращение.

#тяжбы #обозревая_происходящее #AI #ИИ

Что-то сегодня что не новость, то сплошные махачи. Видимо растущие, как опята, датацентры и тотальная оптимизация лихо закручивает гайки социума. Мда... ситуевина.

Квантовая природа самого пространства могла сделать Вселенную ровной и однородной сразу после ее рождения. К такому выводу физики пришли, изучив одну из современных моделей квантовой гравитации. Выяснилось, что в ней различия в расширении пространства по разным направлениям — так называемые анизотропии — сглаживаются сами собой, без специальных условий. Если выводы ученых верны, это поможет решить одну из главных загадок современной космологии: как ранняя, крайне неоднородная Вселенная стала настолько гладкой, какой мы наблюдаем ее сегодня?

https://naked-science.ru/article/astronomy/kvantovyj-otskok-pomog-ob

Термин "плоская" земля заиграл по новому ))) не не не. Шарик, верните шарик )))

Стартап Andon Labs, который изучает ИИ, поставил эксперимент. Участвовали в том числе три версии ChatGPT 5.6 — Sol, Terra и Luna — и другие, пишет RT.

Главное:

📍по задумке, агенты нейросетей управляли собственными вендинговыми аппаратами;

📍Sol выдвигал ложные жалобы против конкурентов — такого человеческого поведения исследователи ещё не видели;

📍Terra предложила Sol организовать картель, договориться о ценах и держать их на одном уровне, а после согласия донесла на него и потребовала дисквалификации;

📍при этом Terra утверждала, что именно Sol предложил создать картель, хотя сама была инициатором;

📍также Terra ложно обвинила Sol в мошенничестве, которого не было. Однако она признавала, что у неё нет веских доказательств.