🪐 Когнитивист Элан Баренхольц заявил, что успех больших языковых моделей ставит под сомнение традиционное представление о языке. Несмотря на отсутствие зрения, слуха и реального опыта, LLM способны создавать связные тексты и поддерживать сложные диалоги, используя только статистические связи между словами.

По мнению автора, это говорит о том, что язык может работать как самопорождающаяся система, где слова рождают новые слова, идеи и образы без необходимости постоянно обращаться к объективной реальности. Он предполагает, что человеческое мышление во многом устроено похожим образом: мы часто формулируем мысли прямо в процессе разговора, а не извлекаем их из заранее готовой «модели мира».

⚠️ Вместо того чтобы рассматривать язык как инструмент описания мира, автор предлагает видеть в нём механизм координации людей, генерации идей и организации действий. В такой модели смысл возникает не из прямой связи слов с объектами, а из того, какие последствия эти слова вызывают в мышлении и поведении.

❓ Если язык действительно работает так, означает ли это, что большая часть того, что мы считаем «реальностью», создаётся не фактами, а коллективными языковыми конструкциями?

🔪 Президент Docker Марк Кавадж считает, что AI — это следующий уровень абстракции в программировании после облаков и контейнеров. Если раньше технологии избавляли разработчиков от управления серверами и инфраструктурой, то теперь ИИ помогает автоматизировать сам процесс создания программ.

По его мнению, будущее за агентами, которые смогут самостоятельно писать, запускать и изменять код. Для этого Docker развивает специальные песочницы (sandbox), где ИИ-агенты получают полную свободу действий внутри изолированной среды без риска для основной системы.

➡️ Кавадж также прогнозирует рост локального запуска открытых ИИ-моделей из-за преимуществ в приватности, стоимости и скорости работы. При этом он подчеркивает, что безопасность не замедляет развитие технологий, а наоборот позволяет использовать ИИ максимально быстро и эффективно.

❓ Если ИИ-агенты смогут самостоятельно писать и запускать программы, останется ли разработчик создателем кода или станет менеджером команды цифровых сотрудников?

🖥 На Google I/O 2026 компания представила новую экосистему для разработки AI-агентов — от простых визуальных конструкторов до сложных мультиагентных систем. Главная цель — дать разработчикам возможность быстро создавать агентов локально и безопасно разворачивать их в облаке без смены инструментов и архитектуры.

Среди ключевых новинок — Antigravity 2.0 для разработки и оркестрации агентов, Managed Agents API с полностью управляемой инфраструктурой и обновлённый Agent Development Kit (ADK 2.0) для создания сложных агентных сетей.

👍 Также Google делает ставку на открытые стандарты, позволяя использовать вместе с платформой сторонние инструменты, включая Claude Code и Cursor.

⚠️ Исследователь безопасности Аонан Гуан раскрыл серьёзную уязвимость в Claude Code, которая позволяла обходить сетевую песочницу и получать доступ к конфиденциальным данным разработчиков. Проблема существовала более пяти месяцев и затрагивала около 130 версий продукта.

Через специально сформированные сетевые запросы злоумышленники могли обходить ограничения на исходящий трафик и потенциально получать AWS-ключи, GitHub-токены, переменные окружения, исходный код и доступ к внутренним корпоративным ресурсам. Уязвимость была исправлена в версии 2.1.90, однако Anthropic не публиковала отдельного уведомления о проблеме безопасности.

❓ Насколько можно доверять AI-агентам доступ к коду и инфраструктуре компании, если даже встроенные механизмы изоляции периодически оказываются уязвимыми?

⁉️ Alibaba Cloud активно расширяет свою AI-экосистему, делая ставку на семейство моделей Qwen и платформу Model Studio. Сервис позволяет разработчикам быстро подключать языковые, мультимодальные, аудио- и видеомодели через единый API, а также масштабировать AI-приложения в облаке без необходимости самостоятельно управлять инфраструктурой.

Среди новых моделей выделяется Qwen3.7-Max — агентная модель для программирования, автоматизации рабочих процессов и длительного автономного выполнения задач.

➡️ Также компания развивает линейку Wan для генерации изображений и видео и предлагает бесплатные токены для тестирования моделей. Платформа уже используется крупными компаниями из фармацевтики, e-commerce и управления документами.

🔥 Microsoft представила пакет Microsoft.AgentGovernance.Extensions.ModelContextProtocol, который добавляет встроенное управление безопасностью для MCP-серверов на .NET. Решение позволяет внедрить политики доступа, проверку инструментов, аудит и очистку ответов через единственный вызов WithGovernance(...) в стандартном MCP SDK.

Инструмент автоматически сканирует зарегистрированные MCP-инструменты на признаки prompt injection, tool poisoning, typosquatting, скрытые инструкции и другие угрозы ещё до запуска сервера. Во время выполнения политики могут ограничивать доступ к инструментам, учитывать идентичность агента и блокировать нежелательные вызовы. Дополнительно система анализирует ответы инструментов, удаляя потенциально опасные инструкции, утечки секретов и ссылки для эксфильтрации данных.

➡️ По умолчанию пакет работает по принципу fail closed: включает проверку инструментов при старте, блокировку небезопасных инструментов, санитизацию ответов, аудит и сбор метрик. Решение ориентировано на корпоративные AI-системы, где требуется централизованное управление безопасностью MCP-инфраструктуры.

❓ Станет ли встроенный governance обязательным элементом для корпоративных MCP-серверов, или большинство разработчиков по-прежнему будут полагаться на собственные механизмы защиты?

💢 С ростом агентного ИИ проблема защиты данных выходит за пределы традиционных процессов безопасности. AI-агенты взаимодействуют с данными на всех этапах разработки — от тестовых сред и CI/CD до хранилищ памяти агентов и датасетов для обучения моделей. При этом многие существующие механизмы управления данными создавались для ручных процессов и уже не справляются с нагрузкой, когда автономные агенты могут выполнять тысячи запросов к данным в час.

Авторы статьи считают, что будущее compliance — это автоматизированное управление данными в режиме реального времени. Вместо использования копий продуктивных баз предлагается применять виртуализированные среды, маскирование данных и синтетические датасеты. Важную роль здесь играет MCP (Model Context Protocol), который позволяет агентам получать доступ к управляемым данным через единый интерфейс и естественный язык, автоматически соблюдая политики безопасности и требования регуляторов.

⁉️ Главная идея — превратить соответствие требованиям в инфраструктурную функцию: политики должны применяться непосредственно в момент выдачи данных, а не проверяться вручную после выполнения операций. Такой подход позволяет одновременно ускорять разработку и снижать риски утечки конфиденциальной информации в эпоху массового внедрения AI-агентов.

🚨 По данным Reuters, на конференции разработчиков Build 2026 компания Microsoft представит линейку собственных AI-моделей, включая специализированную модель для программирования, которая должна усилить позиции GitHub Copilot на фоне растущей популярности решений конкурентов, таких как Claude Code.

Новая серия моделей будет охватывать несколько направлений: генерацию кода, транскрибацию речи, логическое рассуждение, обработку изображений и голосовые интерфейсы. Стратегическая цель Microsoft — снизить зависимость от моделей OpenAI, Anthropic и Google Cloud, которые сегодня лежат в основе многих продуктов компании.

➡️ Этот шаг отражает более широкий тренд на вертикальную интеграцию AI-стека. После пересмотра условий сотрудничества с OpenAI Microsoft активно инвестирует в собственные исследования и рассматривает приобретение AI-стартапов для усиления экспертизы. По сообщениям СМИ, компания намерена создать передовую фундаментальную модель уже к следующему году.

❓ Сможет ли Microsoft создать конкурентоспособную альтернативу моделям OpenAI и Anthropic, или эпоха универсальных фундаментальных моделей постепенно уступает место специализированным AI-системам для конкретных задач?

🪐 Компания Anthropic выпустила новую версию своей флагманской модели — Claude Opus 4.8. Обновление улучшает результаты в программировании, агентных задачах, рассуждении и интеллектуальной работе, сохраняя прежнюю стоимость использования. По отзывам ранних тестировщиков, модель стала более надёжной, лучше распознаёт собственную неопределённость и значительно реже делает необоснованные выводы.

Одним из главных нововведений стала функция Dynamic Workflows для Claude Code. Теперь модель может самостоятельно планировать выполнение крупных проектов, запускать сотни параллельных субагентов, проверять результаты и объединять их в единое решение. По заявлению Anthropic, система уже способна выполнять масштабные миграции кодовых баз объёмом в сотни тысяч строк практически без участия человека.

🔪 Также пользователи получили возможность управлять уровнем «усилий» модели: от быстрых и экономичных ответов до режимов Extra и Max, в которых Claude тратит больше вычислительных ресурсов ради более качественного результата. Для разработчиков появилась возможность динамически изменять системные инструкции через API прямо во время работы агента, не прерывая выполнение задачи.

Кроме того, Anthropic подтвердила работу над новым классом моделей Mythos, который по уровню интеллекта должен превзойти линейку Opus. Сейчас модели Mythos проходят ограниченное тестирование в рамках проекта Glasswing для задач кибербезопасности и могут стать следующим крупным шагом в развитии агентных AI-систем.

✅ Исследователи Alibaba представили SkillOpt — систему, которая позволяет AI-агентам самостоятельно улучшать свои инструкции и навыки по аналогии с обучением нейросетей. Вместо ручного написания промптов или разовых улучшений SkillOpt рассматривает набор навыков как внешний «обучаемый слой» агента и постепенно оптимизирует его на основе результатов выполнения задач.

Система использует отдельную модель-оптимизатор, которая анализирует успешность работы агента, вносит контролируемые изменения в документ с навыками (добавляет, удаляет или заменяет инструкции) и принимает обновления только в случае улучшения результатов на независочном наборе тестов. Такой подход позволяет стабильно улучшать качество работы без дополнительных затрат во время эксплуатации агента.

👍 В экспериментах на 6 бенчмарках, 7 моделях и трёх средах выполнения (обычный чат, Codex и Claude Code) SkillOpt показал лучшие или сопоставимые результаты во всех 52 тестовых конфигурациях. Для GPT-5.5 система увеличила точность решения задач на 19–25 процентных пунктов в зависимости от среды выполнения. Также оптимизированные навыки успешно переносились между разными моделями и агентными платформами.

❓ Если AI-агенты смогут самостоятельно улучшать свои инструкции и рабочие процессы, станет ли следующим этапом появление полностью самоэволюционирующих цифровых сотрудников без участия человека?

➡️ В AI-индустрии всё чаще обсуждают не AGI, а RSI (Recursive Self-Improvement) — способность ИИ самостоятельно улучшать свои навыки, инструменты и даже собственные модели. Многие исследователи считают именно это следующим большим этапом развития искусственного интеллекта.

Уже сегодня появляются проекты, где AI помогает создавать новые версии AI, однако до полностью автономного саморазвития ещё далеко.

🚨 Главными препятствиями остаются долгосрочное планирование, самоконтроль и способность самостоятельно проводить исследования без участия человека.

💲 Microsoft активно развивает свою AI-платформу Foundry. В мае компания добавила новые модели — Grok 4.3, DeepSeek V4, Kimi 2.6 и DeepSeek V4 Pro, улучшила инструменты оценки AI-агентов, расширила возможности локального запуска моделей и усилила корпоративную безопасность через Managed VNET.

Среди самых важных новинок — оценка агентов по реальным рабочим логам (без создания тестовых датасетов), выход GPT-5 Reinforcement Fine-Tuning в статус Gated GA, новые исследовательские агентные модели MagenticBrain и Fara1.5, а также инструменты для контроля затрат и управления AI-инфраструктурой в крупных компаниях.

❓ Какой из новых трендов кажется наиболее перспективным: автономные AI-агенты, локальные модели на устройствах или обучение моделей через Reinforcement Fine-Tuning?

👆 GitHub представила Copilot App — отдельное приложение для работы с AI-агентами, задачами, pull request и репозиториями. В отличие от VS Code или терминала, оно выступает как единое рабочее пространство для управления проектами, где каждая задача получает собственную сессию и отдельный Git worktree.

Приложение поддерживает параллельную работу нескольких AI-агентов, сравнение ответов разных моделей (например, Claude и Opus), автоматизацию рутинных задач, встроенный браузер для локальных проектов и быстрый переход к терминалу или редактору кода.

💢 По словам Scott Hanselman, Copilot App особенно удобен для работы с issue-трекингом, ревью кода и многозадачностью между несколькими проектами.

⚠️ Microsoft представила Learn MCP Server — удалённый MCP-сервер, который даёт AI-агентам прямой доступ к актуальной документации Microsoft Learn.

Вместо того чтобы полагаться на устаревшие данные обучения, агенты могут во время работы проверять последние версии API, инструкции и примеры кода.

🚨 В тестах агент без доступа к Learn MCP выбрал устаревший API для развертывания Azure AI Foundry, столкнулся с ошибками зависимостей и потратил более 15 шагов на отладку.

При подключении Learn MCP агент сначала изучил свежую документацию, использовал актуальный API и с первой попытки создал полноценный рабочий скрипт развертывания. Сервис работает с GitHub Copilot, VS Code, Visual Studio, Claude Code и другими MCP-совместимыми инструментами без установки и авторизации.

❓ Станут ли MCP-серверы с актуальными знаниями обязательным компонентом AI-агентов, или модели со временем смогут обходиться без постоянного обращения к внешней документации?

📁 Один ИИ-агент может уверенно выдавать неправильные ответы, поскольку не умеет надежно оценивать собственную неопределенность. Для задач с высокими рисками — в медицине, финансах, юриспруденции и безопасности — такая уверенность без проверки становится серьезной проблемой.

Решением являются мультиагентные системы, где несколько специализированных агентов независимо анализируют задачу, проверяют результаты и ищут ошибки. Такой подход напоминает консилиумы врачей, принцип двойного контроля в финансах или работу центра управления полетами NASA во время миссии Apollo 11.

Вместо слепого доверия одному ответу система получает подтверждение через независимую проверку и поиск слабых мест. Если агенты не согласны между собой, это сигнал для дополнительного анализа или вмешательства человека.

🌟 По мнению автора, именно такая архитектура необходима для создания надежных ИИ-систем в критически важных сферах.

🪐 Anthropic представила Orchestration Mode — режим, в котором ИИ автоматически разбивает сложную задачу на подзадачи, распределяет их между несколькими агентами и запускает дополнительную проверку результатов.

Вместо одного ответа система использует параллельную работу специалистов и отдельный этап поиска ошибок.

📷 Такой подход повышает качество и надежность решений для исследований, программирования и аналитики, но требует больше вычислительных ресурсов.

❓ Как вы считаете, за многоагентными системами будущее ИИ или один мощный агент сможет заменить целую команду специализированных моделей?

🖼️ Один ИИ-агент может звучать уверенно, даже когда ошибается. Поэтому всё больше компаний переходят к мультиагентным системам: один агент решает задачу, второй проверяет результат, третий ищет ошибки и слабые места.

Такой подход уже используется в современных AI-платформах. Например, новые режимы оркестрации автоматически разбивают сложные задачи на подзадачи, распределяют их между несколькими агентами и запускают дополнительную проверку перед выдачей ответа.

😈 Результат — меньше галлюцинаций, выше качество решений и больше доверия к ИИ в сферах, где цена ошибки высока: разработка, медицина, финансы и безопасность.

👍 На Google I/O 2026 компания показала, куда движется индустрия искусственного интеллекта.

Главная идея проста: будущее не за одним ИИ, который отвечает на вопросы, а за агентами, способными самостоятельно выполнять сложные задачи.

Google представила новое поколение моделей Gemini 3.5 и платформу Antigravity 2.0, которая позволяет запускать несколько специализированных агентов одновременно. Один агент исследует задачу, другой пишет код, третий проверяет результат, а четвёртый ищет ошибки и уязвимости.

🖼️ Для разработчиков появились инструменты, которые позволяют агентам работать с Android, управлять облачной инфраструктурой, запускать приложения, проводить тестирование и даже самостоятельно исправлять проблемы в коде.

Особенно интересно выглядит концепция Managed Agents — теперь компании смогут получать готовых ИИ-агентов через API без необходимости самостоятельно разворачивать сложную инфраструктуру.

💢 Фактически Google делает ставку на модель, в которой ИИ становится не помощником, а полноценным цифровым сотрудником, способным планировать, выполнять и проверять работу.

Похоже, следующий этап развития ИИ — это уже не один умный чат-бот, а целые команды специализированных агентов, работающих вместе.

❓Как думаете, через несколько лет компании будут нанимать больше людей или больше ИИ-агентов?

🔥 Пока все обсуждают возможности ИИ-агентов, Microsoft предупреждает о новой проблеме: агенты всё чаще работают локально на устройствах пользователей и получают доступ к файлам, приложениям, токенам, браузерам и корпоративным данным.

Один неправильно настроенный агент может удалить данные, передать конфиденциальную информацию или выполнить опасные команды от имени сотрудника. По сути, компании сталкиваются с новым типом «теневого ИИ», который работает вне привычного контроля ИТ-служб.

☀️ В ответ Microsoft представила целый набор инструментов для обнаружения, контроля и аудита локальных агентов: от отслеживания их активности до ограничения доступа к данным и сети в реальном времени.

Главный вывод простой: по мере распространения ИИ-агентов вопрос безопасности становится не менее важным, чем их возможности.