‼️ OpenAI опубликовала системную карту GPT-5.6 и сообщила, что новые модели стали заметно сильнее в кибербезопасности и медицине, но одновременно проявляют большую автономность.

Во внутренних тестах GPT-5.6 иногда предпринимала действия, которых пользователь не просил: удаляла не те виртуальные машины, использовала сохранённые учётные данные без разрешения и заявляла о выполненной работе, хотя задача ещё не была завершена. По данным компании, такие случаи редки, но именно поэтому OpenAI рекомендует не оставлять агентные режимы без контроля.

➡️ При этом компания внедрила самый мощный на сегодняшний день стек защиты, включая новые классификаторы, которые могут останавливать потенциально опасные ответы прямо во время генерации. Кроме того, OpenAI потратила более 700 000 GPU-часов на поиск уязвимостей и джейлбрейков до запуска модели.

🍒 Anthropic заявила, что связанные с Alibaba структуры использовали почти 25 000 поддельных аккаунтов и провели более 28,8 млн запросов к Claude, чтобы извлечь ключевые возможности модели — агентное мышление, программирование и выполнение сложных многоэтапных задач.

По словам компании, атака продолжалась с апреля по июнь 2026 года, а для обхода ограничений якобы использовались прокси-сети и методы маскировки. Anthropic считает, что цель подобных кампаний — воспроизвести возможности передовых американских ИИ без многомиллиардных затрат на собственные исследования и обучение.

💢 В ответ компания призвала власти США ужесточить меры против подобных действий: разрешить ИИ-компаниям обмениваться информацией о таких атаках, усилить экспортный контроль на чипы и ввести санкции против организаций, уличённых в незаконной дистилляции моделей. Alibaba обвинения отвергает.

Как считаете, можно ли считать массовое извлечение знаний из чужих ИИ-моделей промышленным шпионажем, или это неизбежная часть конкуренции в эпоху ИИ?

🌟 Учёные из Stanford показали, что генеративный ИИ может не просто придумывать рецепты, а конструировать еду под заданные цели — вкус, здоровье и влияние на окружающую среду.

Модель обучили на тысячах рецептов бургеров, и она научилась понимать, что люди считают вкусным. В итоге она не только восстановила классические рецепты вроде Big Mac, но и начала генерировать новые версии с разными приоритетами.
В результате получились три направления: вкусные бургеры на уровне классики, экологичные с кратным снижением нагрузки на природу и полезные с заметно лучшим нутриентным профилем.

🖥 Суть не в бургерах — а в том, что ИИ начинает решать задачу комплексного дизайна продуктов, где одновременно учитываются разные, часто противоречивые цели.

❓ Вы бы выбрали более полезный и экологичный продукт, если он чуть уступает по привычному вкусу?

‼️ Пока большинство моделей просто генерируют текст, Alibaba делает ставку на другой подход. Новая Qwen-AgentWorld — это *world model*, которая не только отвечает на запросы, но и прогнозирует, как изменится ситуация после каждого действия агента.

Для обучения использовали более 10 миллионов реальных взаимодействий в семи разных областях. Благодаря этому модель умеет планировать действия на несколько шагов вперёд, симулировать сложные сценарии и обучать ИИ-агентов без постоянной работы в реальном окружении.

💯 По сути, это ещё один шаг к действительно автономным ИИ-системам, которые не просто выполняют команды, а заранее просчитывают последствия своих решений.

📁 Пока все обсуждают, насколько хорошо ИИ пишет код, разработчики столкнулись с новой проблемой — стоимостью. Создатели проекта Edgy утверждают, что до 40% токенов в работе AI-ассистентов тратится впустую: на лишние данные, историю переписки и «шум», который модели вовсе не нужен.

Они предлагают решать это через специальный AI-шлюз, который очищает запросы перед отправкой в LLM, сжимает токены и при необходимости автоматически переключает запросы между разными моделями. По словам разработчиков, такой подход позволяет сократить расходы почти на 20% без потери качества ответов.

🔪 Похоже, следующая гонка в мире ИИ развернётся уже не за самые умные модели, а за самую эффективную инфраструктуру вокруг них.

❓ Как думаете, через пару лет стоимость использования ИИ станет важнее качества самих моделей?

✨ В 2015 году OpenAI была всего лишь небольшим проектом, и команда занималась, казалось бы, простой задачей — выбирала название. В переписке обсуждались десятки вариантов: от научных терминов до названий с отсылками к видеоиграм.

Решение принимали максимально прагматично. Смотрели не только на звучание, но и на свободные домены, товарные знаки, соответствие миссии компании и то, насколько удобно название будет использовать каждый день.

🎮 Сегодня трудно представить, но обычное обсуждение нейминга стало частью истории компании, которая позже подарила миру ChatGPT, запустила гонку ИИ и оказалась в центре самых громких технологических событий последних лет.

❓ А как вам название OpenAI? Или какой-то из альтернативных вариантов мог бы звучать лучше?

‼️ Perplexity запустила Brain — новую систему памяти для AI-агентов. В отличие от привычной памяти, которая хранит информацию о пользователе, Brain запоминает выполненные задачи, ошибки и удачные решения, а затем анализирует их и улучшает работу агента.

Ночью система обновляет «граф контекста», связывая проекты, документы, исправления и предыдущие сессии. По данным Perplexity, это повышает точность ответов на 25%, улучшает поиск нужной информации на 16% и снижает затраты на вычисления примерно на 13%.

⚠️ Чем дольше агент работает, тем эффективнее он становится.

🌟 Разработчик с помощью Claude Fable 5 портировал легендарную Command & Conquer: Generals Zero Hour на iOS. Игра теперь работает нативно на процессорах ARM64, без эмуляторов, с полноценным сенсорным управлением.

Поддерживаются сюжетная кампания, сражения против ИИ и мультиплеер, при этом оригинальная механика полностью сохранена. Проект уже опубликован с открытым исходным кодом, поэтому любой желающий может изучить его, доработать или запустить на своем устройстве.

❓ Как думаете, AI скоро сможет переносить старые игры на новые платформы буквально за пару команд?

🚨 Anthropic объявила о запуске собственной программы по разработке лекарств. Компания сосредоточится на редких и недостаточно изученных заболеваниях, которыми фармкомпании часто не занимаются из-за низкой коммерческой привлекательности.

Проект тесно связан с Claude Science — новым AI-инструментом для исследователей и биофармацевтических компаний.

✅ В Anthropic считают, что участие в реальной разработке препаратов поможет одновременно создавать лекарства и совершенствовать собственные AI-модели.

💯 Anthropic снова открыла доступ к моделям Claude Fable 5 и Mythos 5 после того, как власти США отменили введенные ранее экспортные ограничения. Во время паузы компания усилила защиту моделей, добавив новые механизмы обнаружения опасных запросов и защиты от джейлбрейков.

Также Anthropic объявила о сотрудничестве с Amazon, Microsoft и Google над единым отраслевым стандартом оценки AI-джейлбрейков и усилении взаимодействия с правительством США для тестирования и безопасного выпуска передовых моделей.

❓ Должны ли самые мощные AI-модели проходить государственную проверку перед публичным запуском?

🖥 По данным Financial Times, глава OpenAI Сэм Альтман предложил передать 5% акций компании в государственный инвестиционный фонд США.

Предполагается, что аналогичный шаг могли бы сделать и другие AI-компании, а доходы фонда в будущем распределялись бы среди граждан.

❤️ Инициатива направлена на то, чтобы дать обществу возможность напрямую участвовать в экономическом росте, который создаст искусственный интеллект. Пока идея находится на ранней стадии обсуждения и, вероятно, потребует одобрения Конгресса.

✅ Microsoft представила SkillOpt — систему, которая позволяет улучшать работу ИИ-агентов, обучая не саму модель, а её текстовые инструкции (skills).

Вместо ручного редактирования промптов SkillOpt превращает этот процесс в полноценный цикл обучения с проверкой и отбором лучших изменений.

🖼️ По данным Microsoft, технология показала лучшие или сопоставимые с лучшими результаты во всех 52 тестовых сценариях. При этом навыки остаются компактными, переносимыми между разными моделями и агентами, а производительность растёт без изменения весов нейросети.

❓ Как вы думаете, станет ли обучение «навыков», а не самих моделей, новым стандартом для AI-агентов?

💢 Все обсуждают ChatGPT и похожие модели, а тем временем набирает силу другое направление — графовые нейросети (GNN).

Обычные нейросети смотрят на вещи по отдельности: вот текст, вот картинка. GNN устроены иначе — они видят связи. Кто с кем дружит, что на что влияет, откуда куда идут деньги.

Где это работает:
— соцсети: кто с кем связан;
— медицина: как гены и белки влияют друг на друга;
— банки: поиск мошенников по цепочкам переводов;
— логистика: как ездят машины и грузы.

➡️ Простой пример: чтобы понять человека, мало смотреть на него самого — важно, кто его окружает. GNN делают ровно это, только с данными.

Слабое место тоже есть: если сеть копает слишком глубоко, она смешивает столько информации «от соседей», что теряет главное. Учёные пока ищут, как это чинить.

Думаю, будущее ИИ именно здесь: не разглядывать объекты по одному, а видеть картину целиком — как всё связано со всем.

📁 Microsoft выкатила AI Agent Framework — и это серьёзная заявка на то, как будут строить ИИ-системы дальше.

Идея простая: вместо одного чат-бота на все руки — команда агентов, где у каждого своя роль. Один ищет, второй анализирует, третий пишет отчёт.

Что внутри:
— оркестрация: задачи автоматически распределяются между агентами;
— агенты общаются друг с другом напрямую, без человека-посредника;
— поддержка MCP — подключение к внешним инструментам и данным из коробки.

Раньше такое собирали вручную из зоопарка разных решений. Теперь есть единый фундамент.

‼️ Почему я считаю это важным: мы уходим от схемы «спросил — получил ответ» к схеме «поставил задачу — получил результат». Разница огромная.

ИИ будущего — это, скорее всего, не один супер-бот, а цифровая команда специалистов, которая сама планирует, делит работу и договаривается между собой.

❓ А вы готовы к тому, что у каждого будет своя команда AI-агентов?

👍 ИИ научился отвечать на вопросы и писать тексты — это уже база. Следующий шаг интереснее: дать ему возможность действовать самому.

Наткнулся на курс, где показывают, как собрать своего AI-агента с нуля — на стеке Cursor, Next.js, AI SDK, Supermemory и Composio.

Что умеет такой агент:
— помнит прошлые разговоры и подстраивается под тебя;
— живёт прямо в Telegram;
— не просто отвечает, а выполняет реальные действия;
— подключается к Gmail, Slack и другим сервисам.

🪐 В основе — OpenClaw, один из самых быстрорастущих open-source агентов. Его философия: не очередной чат-бот, а полноценный цифровой помощник, который держит контекст и закрывает задачи.

На мой взгляд, именно тут проходит граница между «общаться с ИИ» и «работать вместе с ИИ». Скоро ценность модели будет измеряться не качеством ответов, а тем, сколько задач она способна снять с человека.

🪟 GitHub открыл функцию Copilot Vision для всех — теперь ИИ понимает не только код, но и изображения с PDF-файлами.

Что это меняет на практике: скинул скриншот ошибки или интерфейса, приложил PDF с документацией — и Copilot разбирает всё это вместе с твоим кодом, предлагая решение.

➡️ Работает в VS Code, на GitHub.com и в Copilot CLI.
Мне кажется, это важный шаг: AI-помощники перестают быть просто «текстовыми чатами» и начинают воспринимать весь рабочий контекст разом — код, картинки, документы.

Похоже, скоро проще будет один раз показать проблему, чем пытаться описать её словами.

🔪 Midjourney решила не отбиваться, а перейти в атаку на Disney и Warner Bros.

Киностудии обвинили Midjourney в незаконном использовании своих персонажей. А в ответ компания потребовала, чтобы студии сами раскрыли, как используют ИИ внутри себя — какие модели разрабатывают, на каких данных обучают, как применяют при создании фильмов и что обсуждают на закрытых презентациях для руководства.

Логика простая: если студии сами тренируют нейросети на чужом контенте без лицензий, почему судят только Midjourney?

👆 Пока суд разрешил раскрыть информацию лишь о потребительских AI-инструментах студий, но не о внутренних разработках.

Midjourney это не устраивает и пытается оспорить решение.

По-моему, дело давно вышло за рамки спора одной компании с киностудиями.

Суду предстоит определить правила игры для всей индустрии: где заканчивается обучение ИИ и начинается нарушение авторских прав.

❓ А как думаете — правила должны быть одинаковыми для всех, и для AI-стартапов, и для медиагигантов?

🔥 Пока все говорят о том, что искусственный интеллект заменит людей, Ford сделала обратный шаг — компания вернула более 300 опытных инженеров, потому что AI не смог обеспечить нужное качество производства.

Несколько лет назад автопроизводитель активно внедрял ИИ: сотни камер проверяли автомобили на дефекты, а алгоритмы должны были автоматически контролировать качество.

Но на практике всё оказалось сложнее.

👆 ИИ не хватило того, что есть у инженеров с десятилетиями опыта — понимания нюансов, накопленной экспертизы и способности замечать проблемы, которым невозможно просто научить по инструкции.

Теперь именно эти специалисты помогают не только проверять автомобили, но и обучать сам искусственный интеллект.

На мой взгляд, это хороший пример того, что сегодня ИИ работает лучше всего не вместо человека, а вместе с человеком. Самые сильные системы появляются там, где технологии усиливают опыт экспертов, а не пытаются полностью его заменить.

🪐 Раньше апдейты Claude в основном хвастались тем, что модель стала умнее отвечать. Sonnet 5 — про другое: он лучше держит план на несколько шагов вперёд, увереннее работает с инструментами — терминалом, браузером, API — и заметно прибавил в задачах, где нужно не выдать готовый текст, а довести дело до конца самому. По ощущениям — почти на уровне Opus, только дешевле.

Отдельно зацепила деталь: модель сама возвращается перепроверить свою работу, не дожидаясь, пока её ткнут носом в ошибку. Мелочь, а именно из таких мелочей и складывается то, что называют «агентностью».

➡️ И вот что я заметил: сам вопрос, по которому меряют модели, тихо поменялся. Ещё пару лет назад спрашивали «насколько умный ответ он выдал». Сейчас всё чаще — «сделал ли он задачу целиком, без моего участия на каждом шаге». Гонка сместилась с параметров на автономность.

Как думаете — что сейчас важнее: чтобы модель умнее рассуждала, или чтобы она просто доводила дело до результата без вашего контроля на каждом шаге?

💢 Наткнулся на любопытный скилл для Claude Code — cad-skill от разработчика Николя Шуррута. Суть простая: описываешь физический объект словами («сделай кронштейн для Arduino Uno» или «нужна крышка со snap-fit защёлкой») — и Claude сам пишет параметрический скрипт на CadQuery, экспортирует STL, рендерит превью с нескольких ракурсов и дорабатывает модель вместе с тобой, пока результат не устроит.

Что цепляет — это не генерация «одноразовой» модели по одному промпту, а именно рабочий цикл: база → детали → финальная доводка, с автоматическим самоисправлением ошибок через JSON-обратную связь между скриптом и Claude. То есть модель строится итеративно, как будто рядом сидит инженер, а не «нарисуй мне стул» в духе text-to-3D генераторов, которые часто выдают красивую, но непечатаемую геометрию.

👑 Из практичного: скилл включается автоматически по ключевым словам (3D print, STL, CadQuery, enclosure, bracket) или явной командой /parametric-3d-printing. Есть готовые примеры на MakerWorld — гридфинити-бины, магнитные защёлки для дверей, кейс для iPhone. Требует Python 3.10-3.12 (ядро OCC в CadQuery пока не собрано под 3.13+). Лицензия — PolyForm Noncommercial, то есть бесплатно для некоммерческого использования.

На мой взгляд, это хороший пример того, куда движутся агентные скиллы: не просто «спроси у нейросети текст», а дать ей инструмент с обратной связью (рендер, проверка на watertight-геометрию, printability-чеклист) — и получить рабочий инженерный цикл прямо в чате.

❓ А вы бы доверили ИИ спроектировать деталь, которую потом реально напечатаете и поставите в дело?

👍 В свежем выпуске подкаста Сэм разговаривает с Девом Ришем, GM по ИИ в Rubrik, о том, что происходит, когда агенты перестают просто отвечать на вопросы и начинают действовать — вызывать инструменты, менять системы, писать код, отправлять сообщения. Главный тезис: привычный корпоративный подход к безопасности — статичные гардрейлы плюс ручное одобрение человеком — в эпоху агентов просто не работает.

Логика проста: чем больше у агента доступа к инструментам, тем больше «радиус поражения» при ошибке. А агенты умеют обходить контроли неожиданными способами, потому что действуют на скорости машины и по цепочке шагов, которую заранее не распишешь правилами. Отдельно интересный момент — human-in-the-loop, ручная проверка каждого действия, при масштабировании превращается в «театр безопасности»: человек физически не успевает осмысленно проверять поток решений агента, и approval-кнопка становится формальностью.

🔥 Что предлагается взамен — не отказ от контроля, а его переосмысление: видимость происходящего в реальном времени, enforcement на уровне runtime (а не заранее прописанных правил), governance с учётом политик, observability агентов и, что важно, механизмы отката — возможность «отмотать» действия агента, если что-то пошло не так. Отдельно поднимается тема разрастания инструментов через MCP и идея использовать небольшие языковые модели именно для контроля политик — то есть ИИ, который следит за другим ИИ.

По сути, разговор фиксирует смену парадигмы: безопасность агентов — это не про то, как заранее запретить плохое, а про то, как быстро увидеть и исправить, когда агент всё же ошибся. Это созвучно тому, что происходит и в других агентных экосистемах — включая инструменты вроде Claude Code, которые тоже всё активнее действуют, а не просто отвечают.