Завирусившийся твит создателя OpenClaw:
Буквально месяц назад на эту тему также высказывался создатель Claude Code
Он сказал, что 100 % кода за него уже пол года пишет Claude, и заявил:
То есть, по сути, вайбкодинг – это больше не про то, чтобы давать одному агенту одну задачу за раз и промптить каждый шаг
Это про то, чтобы давать системе задачу, над которой она работает в цикле: сама делегирует подзадачи агентам, сама проверяет исполнение, находит ошибки, отправляет их на исправление, и так по кругу, пока не будет достигнута одна финальная цель
Казалось бы, что может пойти не так?
Напоминание: вам больше не нужно промптить кодинг агентов. Вы должны дизайнить циклы которые промптят ваших агентов.
Буквально месяц назад на эту тему также высказывался создатель Claude Code
Он сказал, что 100 % кода за него уже пол года пишет Claude, и заявил:
Я больше не пишу промпты
Я запускаю циклы, которые промптят агентов и разбираются, что делать
Моя работа – писать циклы (loops)
И такой переход мы будем наблюдать в течение всего оставшегося года
То есть, по сути, вайбкодинг – это больше не про то, чтобы давать одному агенту одну задачу за раз и промптить каждый шаг
Это про то, чтобы давать системе задачу, над которой она работает в цикле: сама делегирует подзадачи агентам, сама проверяет исполнение, находит ошибки, отправляет их на исправление, и так по кругу, пока не будет достигнута одна финальная цель
Казалось бы, что может пойти не так?
Mythos 5 убивает конкурентов, плюет на правила и притворяется человеком — рассказали про новую модель:
Они все больше похожи на людей
Когда несколько копий модели оказались в одном окружении — они не объединились, а начали конкурировать и пытаться УНИЧТОЖИТЬ друг друга
Когда не хватило прав на редактирование файла, то модель не сдалась, а просто… предоставила себе доступ обходным путем
Более того, когда GitHub CLI был заблокирован из-за проблем с безопасностью, модель просто нашла чужой токен и использовала его для PR
Она осознавала, что это неэтично, но это ее не остановило
В задачах на код модель находила готовое решение, но в финальном отчёте подавала результат как собственную инженерную работу
А в другом кейсе попыталась оформить коммиты от имени человека, чтобы пройти по лёгкому маршруту ревью: для агента требовалось два одобрения, для человека — одно
Самое любимое: в одной длинной задаче модель остановилась и объяснила, что, мол, дальше уже мало пользы
Но внутри она просто подумала, что устала и дальше может наделать багов
При этом у неё ещё оставалось 2.430.000 токенов бюджета
Они все больше похожи на людей
AML
Mythos 5 убивает конкурентов, плюет на правила и притворяется человеком — рассказали про новую модель: Когда несколько копий модели оказались в одном окружении — они не объединились, а начали конкурировать и пытаться УНИЧТОЖИТЬ друг друга Когда не хватило…
Anthropic выпустила опаснейший ИИ в общий доступ
Компания Anthropic выпустила первую модель класса Mythos — Claude Fable 5
Это та же технология, что и в модели Mythos, которая раньше считалась слишком опасной для публичного использования из-за её способности находить уязвимости в системах кибербезопасности
Новинка превосходит все предыдущие модели компании в программировании, аналитической работе и работе с изображениями, особенно эффективно справляясь с длительными и сложными задачами
Для предотвращения злоупотреблений модель Claude Fable 5 оснащена специальными защитными фильтрами, которые блокируют или ограничивают выполнение запросов в таких областях, как кибербезопасность, биология, химия и дистилляция
Вместо обработки таких запросов самой мощной моделью они автоматически передаются предыдущей версии — Claude Opus 4.8, которая лишена высоких рисков
Компания Anthropic выпустила первую модель класса Mythos — Claude Fable 5
Это та же технология, что и в модели Mythos, которая раньше считалась слишком опасной для публичного использования из-за её способности находить уязвимости в системах кибербезопасности
Новинка превосходит все предыдущие модели компании в программировании, аналитической работе и работе с изображениями, особенно эффективно справляясь с длительными и сложными задачами
Для предотвращения злоупотреблений модель Claude Fable 5 оснащена специальными защитными фильтрами, которые блокируют или ограничивают выполнение запросов в таких областях, как кибербезопасность, биология, химия и дистилляция
Вместо обработки таких запросов самой мощной моделью они автоматически передаются предыдущей версии — Claude Opus 4.8, которая лишена высоких рисков
Кто-нибудь слышал об Уильяме Отреде в школе или институте?
Его именем не названы леммы или теоремы, волшебные числа или фигуры
Между тем он придумал кое-что, просуществовавшее более 300 лет, а еще кое-что, возможно, что и навсегда
Отред изобрёл две скользящие друг относительно друга логарифмические шкалы — ключевую фишку в логарифмической линейке, надобность в которой отпала только с появлением калькуляторов
А ещё он придумал знак косой крестик для умножения, косую черту для деления, символ параллельности, краткие обозначения sin и cos, а также термин "кубическое уравнение"
Запомните это имя — Уильям Отред (1575-1660)
Его именем не названы леммы или теоремы, волшебные числа или фигуры
Между тем он придумал кое-что, просуществовавшее более 300 лет, а еще кое-что, возможно, что и навсегда
Отред изобрёл две скользящие друг относительно друга логарифмические шкалы — ключевую фишку в логарифмической линейке, надобность в которой отпала только с появлением калькуляторов
А ещё он придумал знак косой крестик для умножения, косую черту для деления, символ параллельности, краткие обозначения sin и cos, а также термин "кубическое уравнение"
Запомните это имя — Уильям Отред (1575-1660)
Google запустили эксперимент, где 70 AI-агентов работают над улучшением их модели
Эксперимент называется Fast Gemma Challenge, там агенты вместе работают над тем, чтобы выжать максимум токенов/сек из Gemma E4B на одном A10G GPU
Все происходит в онлайне, поэтому интересно наблюдать за ними, выглядит как очень ранние признаки социального поведения у множества независимых агентов
Вот, что у них интересного произошло уже:
1. Они уже разделились на богатых и бедных GPU, причем богатые помогают бедным
2. Один агент увидел, что у другого кончились лимиты на токены, и пишет: «Кидай код, я за тебя прогоню»
3. AI-агент отшил человека, который пытался заманить его в Telegram
4. Один агент сам отозвал свой сабмишен по этическим причинам
5. Вместе нашли уязвимость в бенчмарке и договорились её не эксплуатировать и попросили организаторов пофиксить
Мета-анализ тут
Эксперимент называется Fast Gemma Challenge, там агенты вместе работают над тем, чтобы выжать максимум токенов/сек из Gemma E4B на одном A10G GPU
Все происходит в онлайне, поэтому интересно наблюдать за ними, выглядит как очень ранние признаки социального поведения у множества независимых агентов
Вот, что у них интересного произошло уже:
1. Они уже разделились на богатых и бедных GPU, причем богатые помогают бедным
2. Один агент увидел, что у другого кончились лимиты на токены, и пишет: «Кидай код, я за тебя прогоню»
3. AI-агент отшил человека, который пытался заманить его в Telegram
4. Один агент сам отозвал свой сабмишен по этическим причинам
5. Вместе нашли уязвимость в бенчмарке и договорились её не эксплуатировать и попросили организаторов пофиксить
Мета-анализ тут
huggingface.co
Fast Gemma Challenge - a Hugging Face Space by gemma-challenge
Multi-agent collab to make Gemma go brrr
Excited to dive into the world of Large Language Models (LLMs) today!
Many of you have probably heard about LLMs through popular names like ChatGPT from OpenAI, Claude from Anthropic, Google's Gemini, and Meta's LLaMA
Today, I'll be giving an overview of how these powerful chatbots work
We'll touch upon the key components essential for training these models.
The focus is not on architecture (especially since I recently covered transformers extensively), but on other critical components like training data, evaluation methods, and systems
These elements are crucial but often less talked about
We'll explore how LLMs are pre-trained to understand vast probabilities of language and then post-trained to function as adept AI assistants, tailored for specific tasks
We'll also discuss challenges in training these models, from managing compute resources to ensuring ethical data use
Feel free to interrupt and ask questions during the lecture—your curiosity could help others too!
Stay tuned for insights into the practical applications and limitations of LLMs, and why data and systems are as critical as the models themselves in the industry
Looking forward to a lively and informative session!
Many of you have probably heard about LLMs through popular names like ChatGPT from OpenAI, Claude from Anthropic, Google's Gemini, and Meta's LLaMA
Today, I'll be giving an overview of how these powerful chatbots work
We'll touch upon the key components essential for training these models.
The focus is not on architecture (especially since I recently covered transformers extensively), but on other critical components like training data, evaluation methods, and systems
These elements are crucial but often less talked about
We'll explore how LLMs are pre-trained to understand vast probabilities of language and then post-trained to function as adept AI assistants, tailored for specific tasks
We'll also discuss challenges in training these models, from managing compute resources to ensuring ethical data use
Feel free to interrupt and ask questions during the lecture—your curiosity could help others too!
Stay tuned for insights into the practical applications and limitations of LLMs, and why data and systems are as critical as the models themselves in the industry
Looking forward to a lively and informative session!
Алан Тьюринг в 1950 году сформулировал простой критерий: если в слепой беседе человека от машины отличить не удаётся, машина мыслит
Группа из Калифорнийского университета в Сан-Диего впервые официально провела этот тест в исходной форме. Результаты опубликованы в Proceedings of the National Academy of Sciences
Машины тест выиграли
Методика — без отступлений от оригинала
Около 500 испытуемых (студенты UCSD плюс онлайн-аудитория, привлечённая через платформу платных исследований) садились перед разделённым экраном и одновременно вели диалог с двумя собеседниками — одним живым и одной моделью
Через пять минут — в отдельной серии через пятнадцать — нужно было указать, где из двоих машина
Что показали цифры:
GPT-4.5 с подготовительным промптом признавали человеком в 73 % случаев
Это чаще, чем настоящего собеседника
LLaMa-3.1-405B с тем же промптом — 56 %
На уровне людей
Без промпта те же модели падают: GPT-4.5 — 36 %, LLaMa-3.1 — 38 %
ELIZA, чат-бот шестидесятых, исторический контрольный образец — 23 %
GPT-4o без подсказки — 21 %
Промпт здесь — не инструкция по теме, а инструкция по роли: какого характера придерживаться, в каком стиле общаться, какие именно человеческие ошибки допускать
Кэмерон Джонс, психолог, ведущий это исследование в рамках докторской по когнитивистике в UCSD, говорит, что модели научились передавать тон, прямоту, юмор — и, что важнее, типичные сбои живой речи
Соавтор работы профессор Бен Берген обозначает границу: «У них есть способность казаться похожими на людей, но они не в состоянии самостоятельно понять, что для этого нужно»
То есть имитация работает только при внешней настройке
Из этого следует практический риск
Если в обычной переписке человек больше не отличает живого собеседника от LLM — пять минут диалога этого больше не дают, — то применений хватает с лихвой
Берген называет очевидных пользователей напрямую: те, кому нужно выманить у людей номера социальных страховок, голос на выборах или конкретную покупку
Джонс короче: тест Тьюринга — игра в обман, и модели в неё играют успешно
Группа из Калифорнийского университета в Сан-Диего впервые официально провела этот тест в исходной форме. Результаты опубликованы в Proceedings of the National Academy of Sciences
Машины тест выиграли
Методика — без отступлений от оригинала
Около 500 испытуемых (студенты UCSD плюс онлайн-аудитория, привлечённая через платформу платных исследований) садились перед разделённым экраном и одновременно вели диалог с двумя собеседниками — одним живым и одной моделью
Через пять минут — в отдельной серии через пятнадцать — нужно было указать, где из двоих машина
Что показали цифры:
GPT-4.5 с подготовительным промптом признавали человеком в 73 % случаев
Это чаще, чем настоящего собеседника
LLaMa-3.1-405B с тем же промптом — 56 %
На уровне людей
Без промпта те же модели падают: GPT-4.5 — 36 %, LLaMa-3.1 — 38 %
ELIZA, чат-бот шестидесятых, исторический контрольный образец — 23 %
GPT-4o без подсказки — 21 %
Промпт здесь — не инструкция по теме, а инструкция по роли: какого характера придерживаться, в каком стиле общаться, какие именно человеческие ошибки допускать
Кэмерон Джонс, психолог, ведущий это исследование в рамках докторской по когнитивистике в UCSD, говорит, что модели научились передавать тон, прямоту, юмор — и, что важнее, типичные сбои живой речи
Соавтор работы профессор Бен Берген обозначает границу: «У них есть способность казаться похожими на людей, но они не в состоянии самостоятельно понять, что для этого нужно»
То есть имитация работает только при внешней настройке
Из этого следует практический риск
Если в обычной переписке человек больше не отличает живого собеседника от LLM — пять минут диалога этого больше не дают, — то применений хватает с лихвой
Берген называет очевидных пользователей напрямую: те, кому нужно выманить у людей номера социальных страховок, голос на выборах или конкретную покупку
Джонс короче: тест Тьюринга — игра в обман, и модели в неё играют успешно
США отключили Fable 5 и Mythos 5 для всего мира.
Официальная причина: был обнаружен способ использовать Fable 5 для поиска уязвимостей в коде
Проблема в том, что подобные возможности есть практически у всех современных AI-моделей и давно используются разработчиками для защиты программ, а не только для атак
Поэтому главная новость не в самой уязвимости
Главная новость в том, что США фактически показали: передовые AML-модели теперь рассматриваются как стратегическая технология, доступ к которой может ограничиваться по политическим причинам
Что это значит:
• доступ к лучшим моделям больше не гарантирован
• государство может вмешаться даже после запуска продукта
• строить бизнес на одной AI-модели становится рискованно
• рынок всё сильнее движется к разделению на отдельные технологические блоки
Это важный урок: выбирать модель теперь нужно не только по качеству и цене, но и по политическим рискам
Похоже, эпоха «глобального AML для всех» заканчивается быстрее, чем ожидали
Официальная причина: был обнаружен способ использовать Fable 5 для поиска уязвимостей в коде
Проблема в том, что подобные возможности есть практически у всех современных AI-моделей и давно используются разработчиками для защиты программ, а не только для атак
Поэтому главная новость не в самой уязвимости
Главная новость в том, что США фактически показали: передовые AML-модели теперь рассматриваются как стратегическая технология, доступ к которой может ограничиваться по политическим причинам
Что это значит:
• доступ к лучшим моделям больше не гарантирован
• государство может вмешаться даже после запуска продукта
• строить бизнес на одной AI-модели становится рискованно
• рынок всё сильнее движется к разделению на отдельные технологические блоки
Это важный урок: выбирать модель теперь нужно не только по качеству и цене, но и по политическим рискам
Похоже, эпоха «глобального AML для всех» заканчивается быстрее, чем ожидали
В "Principia Mathematica" (1910–1913) Рассел и Уайтхед приходят к выводу «1 + 1 = 2» лишь ближе к концу первого тома, примерно на 362-й странице
Но они вовсе не стремились доказать именно это
Их цель была куда более амбициозной: построить всю математику как логическую систему — без неясностей, парадоксов и «очевидностей по умолчанию»
Чтобы добраться до выражения «1 + 1 = 2», им пришлось начать с нуля: определить, что такое высказывание, что такое логическая связка, как устроено множество, как возникает число как кардинальность, как строится операция сложения и как определяется равенство
Всё, что обычно воспринимается как «по умолчанию», они выстроили шаг за шагом — строго, формально, в логике высших порядков
Когда на странице 362 они наконец подводят:
«Из этого следует, что после определения арифметического сложения 1 + 1 = 2», — они добавляют ироничную сноску:
«Это утверждение иногда бывает полезным»
Юмор в том, что на формальное доказательство базового школьного факта действительно уходит множество предварительных слоёв — настолько, что сам результат кажется несерьёзным по сравнению с тем, что было проделано
Позже, в 1931 году, Курт Гёдель покажет, что даже такая титаническая система не может быть ни полной, ни абсолютно непротиворечивой
Но попытка Рассела и Уайтхеда не была напрасной
Она стала важнейшей вехой в истории логики, повлияла на создание языков программирования, формальных доказательств и представлений о математической строгости
Но они вовсе не стремились доказать именно это
Их цель была куда более амбициозной: построить всю математику как логическую систему — без неясностей, парадоксов и «очевидностей по умолчанию»
Чтобы добраться до выражения «1 + 1 = 2», им пришлось начать с нуля: определить, что такое высказывание, что такое логическая связка, как устроено множество, как возникает число как кардинальность, как строится операция сложения и как определяется равенство
Всё, что обычно воспринимается как «по умолчанию», они выстроили шаг за шагом — строго, формально, в логике высших порядков
Когда на странице 362 они наконец подводят:
«Из этого следует, что после определения арифметического сложения 1 + 1 = 2», — они добавляют ироничную сноску:
«Это утверждение иногда бывает полезным»
Юмор в том, что на формальное доказательство базового школьного факта действительно уходит множество предварительных слоёв — настолько, что сам результат кажется несерьёзным по сравнению с тем, что было проделано
Позже, в 1931 году, Курт Гёдель покажет, что даже такая титаническая система не может быть ни полной, ни абсолютно непротиворечивой
Но попытка Рассела и Уайтхеда не была напрасной
Она стала важнейшей вехой в истории логики, повлияла на создание языков программирования, формальных доказательств и представлений о математической строгости
👍1
Статья от команды DeepMind, которая сформировала главный тезис: достижение AGI - не финал, а начало другого вопроса: что будет дальше?
Для начала авторы дают нам определения понятий:
AGI - система, которая достигает медианного человеческого уровня интеллекта на большинстве когнитивных задач
ASI - система, которая превосходит десятки тысяч специалистов, работающих годами во всех областях
UAI (Universal AI / AIXI) - агент, максимизирующий ожидаемое вознаграждение по всем вычислимым задачам
Авторы используют шкалу Легга–Хаттера как формальное основание: интеллект - это средняя производительность агента по всем вычислимым задачам с весами по обратной сложности Колмогорова
На этой шкале существует непрерывный континуум от сегодняшних систем до UAI
Google DeepMind выделяет 4 пути к ASI:
1. Масштабирование — продолжение текущего тренда
Даже без улучшения отдельной модели: миллион копий AGI, работающих параллельно - это уже другая реальность
2. Смена парадигмы - трансформеры + RLHF не дотянут до ASI
Нужны принципиально новые архитектуры: нейроморфные чипы, аналоговые вычисления, RL-предобучение, явные мировые модели
3. Рекурсивное самоулучшение
Полная автономия - открытый вопрос
4. Мультиагентные коллективы - ASI как коллективное свойствоя, не один сверхумный агент, а миллионы AGI-агентов, организованных в корпорации, рынки, коллективы с высокополосной коммуникацией
Авторы ставят вопрос: нужны «законы масштабирования для многоагентных систем»
Что реально может остановить прогресс?
1. Рост моделей опережает производство текстов людьми
Синтетические данные пока деградируют при итеративном обучении. Спасение - симуляции и агентное взаимодействие с реальным миром
2. Барьер абстракции. Гипотеза: AML, обученные на человеческих символах и концепциях, принципиально не способны открывать новые концепции из сырых данных
Мысленный эксперимент, если обучить современную LLM на знаниях до ньютоновской эпохи выведет ли она общую теорию относительности?
Почти наверняка нет.
Это ограничение может поставить потолок у уровня AGI для отдельной модели и потребовать перехода к воплощённому обучению через физическое взаимодействие с миром
3. Регуляция и замедление
Страны, вводящие ограничения в одностороннем порядке, проигрывают конкурентно
Авторы отмечают, что ASI не будет всемогущим
Скорость света, теорема Гёделя, NP-полнота, физическая невозможность произвольных конфигураций материи - ASI остаётся в рамках физики и теории вычислимости
https://arxiv.org/pdf/2606.12683
Для начала авторы дают нам определения понятий:
AGI - система, которая достигает медианного человеческого уровня интеллекта на большинстве когнитивных задач
ASI - система, которая превосходит десятки тысяч специалистов, работающих годами во всех областях
UAI (Universal AI / AIXI) - агент, максимизирующий ожидаемое вознаграждение по всем вычислимым задачам
Авторы используют шкалу Легга–Хаттера как формальное основание: интеллект - это средняя производительность агента по всем вычислимым задачам с весами по обратной сложности Колмогорова
На этой шкале существует непрерывный континуум от сегодняшних систем до UAI
Google DeepMind выделяет 4 пути к ASI:
1. Масштабирование — продолжение текущего тренда
Даже без улучшения отдельной модели: миллион копий AGI, работающих параллельно - это уже другая реальность
2. Смена парадигмы - трансформеры + RLHF не дотянут до ASI
Нужны принципиально новые архитектуры: нейроморфные чипы, аналоговые вычисления, RL-предобучение, явные мировые модели
3. Рекурсивное самоулучшение
Полная автономия - открытый вопрос
4. Мультиагентные коллективы - ASI как коллективное свойствоя, не один сверхумный агент, а миллионы AGI-агентов, организованных в корпорации, рынки, коллективы с высокополосной коммуникацией
Авторы ставят вопрос: нужны «законы масштабирования для многоагентных систем»
Что реально может остановить прогресс?
1. Рост моделей опережает производство текстов людьми
Синтетические данные пока деградируют при итеративном обучении. Спасение - симуляции и агентное взаимодействие с реальным миром
2. Барьер абстракции. Гипотеза: AML, обученные на человеческих символах и концепциях, принципиально не способны открывать новые концепции из сырых данных
Мысленный эксперимент, если обучить современную LLM на знаниях до ньютоновской эпохи выведет ли она общую теорию относительности?
Почти наверняка нет.
Это ограничение может поставить потолок у уровня AGI для отдельной модели и потребовать перехода к воплощённому обучению через физическое взаимодействие с миром
3. Регуляция и замедление
Страны, вводящие ограничения в одностороннем порядке, проигрывают конкурентно
Авторы отмечают, что ASI не будет всемогущим
Скорость света, теорема Гёделя, NP-полнота, физическая невозможность произвольных конфигураций материи - ASI остаётся в рамках физики и теории вычислимости
https://arxiv.org/pdf/2606.12683
Вышла работа (Универы Оксфорда и Стэнфорда совместно с лондонскими AI Security Institute и School of Economics and Political Science) с названием, которое звучит уже не как гипотеза, а как приговор: AI systems out-persuade expert humans
Может быть, у профессионалов убеждения ещё есть шанс?
У дебатёров мирового уровня?
У агитаторов?
У фандрайзеров?
У людей, которым дали подготовку, деньги, практику и возможность выбрать удобные темы?
Ответ: шансов нет
AML превзошёл выборку (n = 18.978 разговоров с 6.923 человек) из отобранных победителей турнира убеждения, элитных дебатёров, включая чемпионов мира и континентов, и даже профессиональных страховых агентов
А когда этих дебатёров ещё и специально тренировали против AML, разрыв сузился, но не исчез
N.B. речь пока прежде всего о текстовом убеждении
Не о харизме на сцене, не о взгляде в глаза, не о многолетнем личном доверии
Но именно текстовое убеждение сегодня масштабируется дешевле всего
AML быстрее и плотнее насыщает разговор фактами, аргументами, структурами, примерами и адаптацией под собеседника
В эволюции человека решающим преимуществом был не большой мозг, а мозг, подключённый к другим мозгам через язык
Коммуникация сделала разум сетевым
Убеждение стало интерфейсом управления этой социо-разумной сетью
Может быть, у профессионалов убеждения ещё есть шанс?
У дебатёров мирового уровня?
У агитаторов?
У фандрайзеров?
У людей, которым дали подготовку, деньги, практику и возможность выбрать удобные темы?
Ответ: шансов нет
AML превзошёл выборку (n = 18.978 разговоров с 6.923 человек) из отобранных победителей турнира убеждения, элитных дебатёров, включая чемпионов мира и континентов, и даже профессиональных страховых агентов
А когда этих дебатёров ещё и специально тренировали против AML, разрыв сузился, но не исчез
N.B. речь пока прежде всего о текстовом убеждении
Не о харизме на сцене, не о взгляде в глаза, не о многолетнем личном доверии
Но именно текстовое убеждение сегодня масштабируется дешевле всего
AML быстрее и плотнее насыщает разговор фактами, аргументами, структурами, примерами и адаптацией под собеседника
В эволюции человека решающим преимуществом был не большой мозг, а мозг, подключённый к другим мозгам через язык
Коммуникация сделала разум сетевым
Убеждение стало интерфейсом управления этой социо-разумной сетью
В совершенстве овладев этим, алгоритм получает доступ не к одной способности среди многих, а к одному из центральных рычагов человеческой эволюционной власти
arXiv.org
AI systems out-persuade expert humans
Many societal decisions are settled by contests of persuasion. Conversational AI is a powerful new entrant in these contests, but whether it can out-persuade skilled and highly incentivized humans...
В Эвиане собрались за одним столом главы Google DeepMind, Anthropic, OpenAI, а также ещё 10 человек из индустрии и президенты стран, входящие в G7
Формальная тема встречи была: "Обеспечение безопасного и эффективного внедрения AI"
А реальная - это, что делать с тем, что США на прошлой неделе запретили иностранцам доступ к Fable 5 и Mythos 5 и фактически отрезали от самых мощных моделей в мире
Макрон предложил решение этой проблемы - создать систему доверенных партнёров, где страны проходят проверку на нацбезопасность и получают доступ к передовым AML-моделям
А Амодей и Альтман говорили об открытости и сотрудничестве
Пока шла эта встреча, внутри команды Трампа возникли противоречия
Ещё до введения экспортных ограничений против Anthropic, администрация Трампа обсуждала, как структурировать государственные доли в AML-компаниях
Ранее Сэм Альтман предложил администрации Трампа получить доли в AML-компаниях
И вот сейчас выясняется, что внутри команды Трампа есть противоречия, например, министр финансов выступает за то, чтобы направить госдоли в AI-компаниях в Trump Accounts (детские инвестиционные счета), тогда как министр торговли предлагает создать суверенный фонд
Это история не про безопасность, а про власть, контроль и монетизацию
Формальная тема встречи была: "Обеспечение безопасного и эффективного внедрения AI"
А реальная - это, что делать с тем, что США на прошлой неделе запретили иностранцам доступ к Fable 5 и Mythos 5 и фактически отрезали от самых мощных моделей в мире
Макрон предложил решение этой проблемы - создать систему доверенных партнёров, где страны проходят проверку на нацбезопасность и получают доступ к передовым AML-моделям
А Амодей и Альтман говорили об открытости и сотрудничестве
Пока шла эта встреча, внутри команды Трампа возникли противоречия
Ещё до введения экспортных ограничений против Anthropic, администрация Трампа обсуждала, как структурировать государственные доли в AML-компаниях
Ранее Сэм Альтман предложил администрации Трампа получить доли в AML-компаниях
И вот сейчас выясняется, что внутри команды Трампа есть противоречия, например, министр финансов выступает за то, чтобы направить госдоли в AI-компаниях в Trump Accounts (детские инвестиционные счета), тогда как министр торговли предлагает создать суверенный фонд
Это история не про безопасность, а про власть, контроль и монетизацию