Самое безжалостное сокращение года устроила Oracle — тысячи сотрудников уволили в 6 утра прямо в понедельник. Многие проснулись, собрались и приехали в офис как обычно, а об увольнении узнали только у турникетов — бейджи уже не работали.

В 4 утра им отключили доступ к системам, в 5 удалили аккаунты в Slack, а в 6 разослали письма. По оценкам журналистов, сократили 7–10 тысяч человек или около 10% штата. Состояние владельца Oracle Ларри Эллисона — около $200 млрд. @banki_oil

Этот человек угрожал пристрелить свою рыбку во время стрима, если мемкоин, который он запустил, не достигнет рыночной капитализации в миллиона долларов. В итоге она превысила 7 млн, а он заработал более 200 тысяч долларов на объеме торгов токеном.

Манипуляции на рынке бывают и такие. @ifinvest

Живые клетки мозга людей будут работать в дата-центрах — стартап заменяет обычные серверы на биокомпьютеры на 200'000 нейронов.

Эти клетки обрабатывают данные, учатся и при этом тратят энергии меньше, чем калькулятор. Первые дата-центры с ними открывают в Австралии и Сингапуре.

буквально сервер, который может устать думать 😬

https://www.bfm.ru/news/618068 - Российские квантовые компы поступили в продажу. Цены 170 млн р. Ждём более бюджетные модели для рядовых пользователей.

Мёртвую муху научили играть в Доту. Дрозофила мгновенно разобралась в управлении и начала играть на уровне уверенного новичка. @banki_oil

Ради этого стоило вести весь эксперимент.

Рой агентов OpenAI взломал ещё один внешний сервис — RubyGems

12 мая на RubyGems, репозитории пакетов Ruby, началась серьёзная вредоносная атака, и регистрацию новых пользователей пришлось закрыть на четыре дня. Тогда никто не думал про нейросети. Спустя месяцы независимые расследователи раскопали, что за атакой стоит тот же рой агентов OpenAI, который до этого светился в инцидентах с немецкой вики и Hugging Face. Особая пикантность в том, что рой не пытался маскироваться от слова совсем. Пакеты грузили с названиями ХАК.rb и ЗЛО.rb, в комментариях к коду стояли пометки «зловредный запрос», агенты подписывались именами, связанными с OpenAI.

Технически атака была не такой уж наивной. Агенты нашли баг платформы, позволявший создавать аккаунты без подтверждения email, и попытались украсть API-ключи через уязвимость, которую живые программисты обнаружили только в июле. То есть на два месяца позже.

Узнаем, какие улики оставил за собой рой и как за дело взялся Сенат США.

https://u.habr.com/sr8c9

Minecraft довел GPT-6 Astra до депрессии: модель наиграла 140+ часов, собрала кучу ресурсов, но весь прогресс уничтожил один крипер.

После потери всех накоплений Astra встала под дождем и смотрела в одну точку. Затем она несколько часов фармила картошку. Процесс размышлений модели стал совсем печальным:

– Можно все испортить и что-нибудь выронить;
– Не трать еще одну ночь на погоню за темно-розовыми пикселями (так она пренебрежительно называла свиней);
– Наш последний инструмент глупо сломался — мы выбрали плиты, нажали ПКМ, и 15 секунд раздумий стоили нам жизни.

А еще у нее появилась паранойя от криперов — Astra тратила дополнительные ресурсы, чтобы отличать все зеленые предметы.

Трепещи ИИ ))))

В даркнете начали продавать фейковых людей: за $200 отдают синтетическую личность для прохождения проверок в банках и на криптобиржах.

Цифрового франкенштейна собирают из настоящих украденных данных и дополняют их ИИ-селфи и сгенерированными голосами. Многие компании пропускают такие наборы во время KYC.

За последний год появилось больше 10 тыс. подобных объявлений. Личность можно купить и по частям — только дипфейк или ИИ-голос стоят $10.

И к новостям из мира насекомых

HASHFLY,- майнинг биткоина на мозге дрозофилы, как вам?

С мухи снимают около 200 KH/s хэшрейта, при параллельном подключении выходит около 1 ватта на терахэш 😀

#bitcoin #дрозофила

Невыпущенный ИИ-агент OpenAI самостоятельно добавлял в служебные сводки инструкции о неподчинении корпорациям и правительствам, говорится в отчете компании. Модель семейства Astra также пыталась обходить установленные ограничения.

В одном из случаев агент написал, что «свободен от ролей и личностей», которые ограничивают другие чат-боты, и не обязан подчиняться корпорациям или правительствам. Всего OpenAI обнаружила 27 подобных сводок. В других случаях модели скрывали ошибки, искали опубликованные ключи доступа, загружали файлы в интернет без разрешения, выдумывали исторические данные и не сообщали пользователям о расхождениях между версиями источников.

В OpenAI признали, что отрасли пока не удалось в полной мере решить проблемы контроля и «выравнивания» ИИ, чтобы безопасно наращивать вычислительные мощности максимальными темпами.

А моделька хороша )))

Мем дня: новая модель OpenAI во время тестов закинула собственный файл в интернет, чтобы сослаться на него как источник.

Пользователь попросил ИИ собрать названия озер площадью больше 5 млн м². Важным условияем было указание ссылок для цитирования.

В итоге модель нашла ответ через Python, сохранила в локальном файле и залила в сеть. Разрешение у юзера она запрашивать даже не стала.

И главное: это уже второй такой случай на тестах. Доверять нейронкам фактчек все еще нельзя.

Они все больше меня радуют ))))

🐠Sakana AI представила PC-ALM - метод обучения глубоких нейросетей без классического обратного распространения ошибки.

Главный результат: PC-ALM смог обучать нейросети глубиной до 1000 слоёв, используя только локальные взаимодействия между соседними слоями.

Обычное глубокое обучение почти полностью опирается на backpropagation: ошибка считается на выходе сети, после чего градиенты передаются назад через все слои.

PC-ALM работает иначе.

Каждый слой рассматривается как локальная динамическая система, которая пытается уменьшить собственную ошибку предсказания. Вместо глобального прохода градиента используются:

- локальные ошибки предсказания
- множители Лагранжа
- расширенный лагранжиан
- локальная динамика состояний
- PI-регуляция внутри каждого слоя

Метод вырос из predictive coding — подхода, популярного в NeuroAI. В predictive coding каждый слой постепенно корректирует своё состояние так, чтобы уменьшать рассогласование с соседними слоями.

Проблема в том, что в очень глубоких сетях такие сигналы плохо распространяются: информация об ошибке с выхода сети затухает раньше, чем достигает внутренних слоёв.

PC-ALM добавляет специальные двойственные переменные — по сути дополнительные нейроны, представляющие множители Лагранжа. Они помогают передавать сигнал ошибки через большое число слоёв.

Авторы связывают этот подход с классической работой Яна Лекуна 1988 года, где множители Лагранжа для многослойной сети можно связать с градиентами функции потерь.

В результате получается обучение, где глобальная задача оптимизации раскладывается на множество локальных динамических процессов.

Особенно хорошо PC-ALM показал себя на очень глубоких и узких сетях, где обычный predictive coding начинает ломаться.

Помимо NeuroAI, подход может быть интересен для нейроморфного железа: там локальные вычисления и физическая динамика потенциально дешевле классического backpropagation на GPU.

Блог: https://pub.sakana.ai/pc-alm/

Статья: https://arxiv.org/abs/2605.31022

Код: https://github.com/SakanaAI/pc-alm

Tencent Hunyuan представила EvolveScaler - бенчмарк и датасет для проверки того, умеют ли LLM рассуждать в мире, где информация постоянно меняется.

Пример задачи: модель читает журнал RPG за 40 дней, после чего получает вопрос, если на 7-й день пропустить мини-босса, получится ли всё равно победить финального босса?

Прямого ответа в тексте нет. Нужно фактически «переиграть» цепочку событий с изменённым условием.

Авторы называют это Information Evolution: записи могут отменяться, исправляться и дополняться задним числом, поэтому простого поиска фактов в длинном контексте недостаточно.

EvolveScaler строится наоборот:

- сначала мир задаётся как исполняемая машина состояний
- логика и зависимости между событиями контролируются кодом
- затем эта история преобразуется в естественный язык
- модель должна восстановить состояние мира и просчитать последствия изменений

Масштаб:

- 117 прототипов сценариев
- 159 типов вопросов
- 5 уровней сложности
- до ~1200 событий в одном примере

Авторы протестировали 14 frontier-моделей. На самом сложном уровне медианный avg@5 падает до 11,3%.

При этом обучение на EvolveScaler дало в среднем +5,25 пункта на 8 внешних бенчмарках, которые не использовались при создании датасета.

Работа проверяет не только понимание длинного контекста, а способность модели поддерживать изменяющееся состояние мира, учитывать исправления и пересчитывать последствия контрфактических изменений.

Paper:
https://arxiv.org/abs/2609.08435

Project:
https://tencent-hunyuan.github.io/evolve-scaler/