Что умеет AI в области генерации картинок на сегодняшний день демонстрирует сервис https://www.midjourney.com/.
Forwarded from Disclose.tv
NEW - Elon Musk and a group of artificial intelligence experts and industry executives are calling for a six-month pause in training of systems more powerful than GPT-4, they said in an open letter, citing potential risks to society and humanity.
https://www.disclose.tv/id/100142/
@disclosetv
https://www.disclose.tv/id/100142/
@disclosetv
Источник: Hugging Face Blog
NVIDIA Cosmos 3: https://huggingface.co/blog/nvidia/cosmos-3-for-physical-ai
Почему это важно:
Cosmos 3 — это не просто ещё одна AI-модель. Это шаг к тому, чтобы роботов, автономные машины и другие системы физического AI обучали не только “вживую”, но и через сгенерированные миры, симуляции и видео.
Практический смысл в том, что разработка физического AI становится дешевле, быстрее и доступнее.
Раньше, чтобы обучить робота или автономную систему, нужно было собирать реальные данные: камеры, сенсоры, склады, дороги, лаборатории, люди, ошибки, аварийные ситуации. Это дорого, долго и ограничено тем, что реально удалось записать.
Cosmos 3 двигает индустрию к другому подходу: сначала AI может создавать и проигрывать множество физических сценариев — как объект падает, как человек идёт по складу, как робот ошибается, как машина видит дорогу, как меняется освещение, как выглядит редкая опасная ситуация. А уже потом на этих сценариях обучаются роботы и автономные системы.
Что это меняет на практике:
- Склады и фабрики смогут быстрее тестировать роботов до внедрения.
- Автономный транспорт сможет тренироваться на редких и опасных сценариях без риска для людей.
- Производители бытовых роботов смогут дешевле проверять поведение в “домашнем хаосе”: дети, животные, мебель, плохой свет, непредсказуемые движения.
- Маленькие команды получат доступ к разработке физического AI, где раньше требовались огромные бюджеты и собственная инфраструктура.
Коротко: Cosmos 3 важен не потому, что он делает красивые видео, а потому что видео становится тренировочной площадкой для будущих машин, которые будут действовать в физическом мире.
А как вы это оцениваете: это уже реальный шаг к массовой роботизации или пока больше инфраструктура для лабораторий и крупных компаний?
NVIDIA Cosmos 3: https://huggingface.co/blog/nvidia/cosmos-3-for-physical-ai
Почему это важно:
Cosmos 3 — это не просто ещё одна AI-модель. Это шаг к тому, чтобы роботов, автономные машины и другие системы физического AI обучали не только “вживую”, но и через сгенерированные миры, симуляции и видео.
Практический смысл в том, что разработка физического AI становится дешевле, быстрее и доступнее.
Раньше, чтобы обучить робота или автономную систему, нужно было собирать реальные данные: камеры, сенсоры, склады, дороги, лаборатории, люди, ошибки, аварийные ситуации. Это дорого, долго и ограничено тем, что реально удалось записать.
Cosmos 3 двигает индустрию к другому подходу: сначала AI может создавать и проигрывать множество физических сценариев — как объект падает, как человек идёт по складу, как робот ошибается, как машина видит дорогу, как меняется освещение, как выглядит редкая опасная ситуация. А уже потом на этих сценариях обучаются роботы и автономные системы.
Что это меняет на практике:
- Склады и фабрики смогут быстрее тестировать роботов до внедрения.
- Автономный транспорт сможет тренироваться на редких и опасных сценариях без риска для людей.
- Производители бытовых роботов смогут дешевле проверять поведение в “домашнем хаосе”: дети, животные, мебель, плохой свет, непредсказуемые движения.
- Маленькие команды получат доступ к разработке физического AI, где раньше требовались огромные бюджеты и собственная инфраструктура.
Коротко: Cosmos 3 важен не потому, что он делает красивые видео, а потому что видео становится тренировочной площадкой для будущих машин, которые будут действовать в физическом мире.
А как вы это оцениваете: это уже реальный шаг к массовой роботизации или пока больше инфраструктура для лабораторий и крупных компаний?
huggingface.co
Welcome NVIDIA Cosmos 3: The First Open Omni-model for Physical AI Reasoning and Action
A Blog post by NVIDIA on Hugging Face
OpenAI сделала шаг к IPO: компания конфиденциально подала черновик S-1 в SEC.
Сам по себе факт не удивляет. Гораздо важнее другое: OpenAI постепенно превращается из исследовательской лаборатории и продуктовой компании в публичную инфраструктурную корпорацию.
Это меняет контекст.
Пока компания частная, её можно воспринимать как быстро растущий AI-стартап с необычной структурой управления. После выхода на биржу появится другой режим: отчётность, давление инвесторов, регулярные ожидания роста, публичная оценка стратегии и экономики.
Для рынка ИИ это важный сигнал.
Следующий этап будет не только про модели, бенчмарки и новые функции. Он будет про капитал, энергетику, дата-центры, регулирование, партнёрства и способность превратить ИИ в устойчивую экономическую систему.
OpenAI параллельно говорит об этом прямо: польза для всех, новая структура, экономические исследования, влияние на рынок труда.
То есть компания готовит не просто IPO-историю.
Она готовит объяснение своей роли в будущей экономике.
IPO OpenAI, если оно случится, будет не просто финансовым событием.
Это будет момент, когда рынок впервые попробует оценить в деньгах компанию, претендующую на роль одного из главных архитекторов пост-AI экономики.
Как думаете, публичный рынок сделает OpenAI сильнее — или, наоборот, заставит её играть по слишком короткому горизонту?
Сам по себе факт не удивляет. Гораздо важнее другое: OpenAI постепенно превращается из исследовательской лаборатории и продуктовой компании в публичную инфраструктурную корпорацию.
Это меняет контекст.
Пока компания частная, её можно воспринимать как быстро растущий AI-стартап с необычной структурой управления. После выхода на биржу появится другой режим: отчётность, давление инвесторов, регулярные ожидания роста, публичная оценка стратегии и экономики.
Для рынка ИИ это важный сигнал.
Следующий этап будет не только про модели, бенчмарки и новые функции. Он будет про капитал, энергетику, дата-центры, регулирование, партнёрства и способность превратить ИИ в устойчивую экономическую систему.
OpenAI параллельно говорит об этом прямо: польза для всех, новая структура, экономические исследования, влияние на рынок труда.
То есть компания готовит не просто IPO-историю.
Она готовит объяснение своей роли в будущей экономике.
IPO OpenAI, если оно случится, будет не просто финансовым событием.
Это будет момент, когда рынок впервые попробует оценить в деньгах компанию, претендующую на роль одного из главных архитекторов пост-AI экономики.
Как думаете, публичный рынок сделает OpenAI сильнее — или, наоборот, заставит её играть по слишком короткому горизонту?
Правительство США впервые показало, как может выглядеть «рубильник» для frontier-моделей. По заявлению Anthropic, власти потребовали приостановить доступ к Claude Fable 5 и Mythos 5 для всех иностранных граждан, включая сотрудников компании. Из-за невозможности технически разделить доступ Anthropic отключает эти модели для всех клиентов.
Причина — подозрение на jailbreak Fable 5, связанный с киберрисками. Компания спорит с оценкой государства и говорит, что универсального обхода защит не найдено. Но важен не спор о конкретной уязвимости, а прецедент: модель становится не продуктом, а объектом экспортного контроля и национальной безопасности.
Причина — подозрение на jailbreak Fable 5, связанный с киберрисками. Компания спорит с оценкой государства и говорит, что универсального обхода защит не найдено. Но важен не спор о конкретной уязвимости, а прецедент: модель становится не продуктом, а объектом экспортного контроля и национальной безопасности.
ИИ начинают тестировать не только на задачах “реши пример / напиши код”, а на способности взламывать общественные правила.
В Import AI описан SocioHack — набор сред, где модель учится находить стратегии, которые формально законны, но подрывают смысл системы: от оценок в школе до финансовых и регуляторных лазеек. Это называют “societal hacking” — взлом общества через оптимизацию правил.
Это важнее обычных новостей про модели. Следующие 10 лет ИИ-агенты будут массово встроены в бизнес-процессы, юристов, бухгалтерию, маркетинг, закупки, госуслуги. Через 30 лет институты будут конкурировать не только с людьми, а с миллионами оптимизаторов, ищущих слабые места в правилах. Через 60 лет устойчивость государства может определяться тем, умеет ли оно проектировать правила, которые нельзя “reward-hack’нуть”.
Практический вывод: профессии будущего — не только “кто умеет пользоваться ИИ”, но и “кто умеет строить системы, где ИИ не превращает формальное соответствие в разрушение смысла”.
В Import AI описан SocioHack — набор сред, где модель учится находить стратегии, которые формально законны, но подрывают смысл системы: от оценок в школе до финансовых и регуляторных лазеек. Это называют “societal hacking” — взлом общества через оптимизацию правил.
Это важнее обычных новостей про модели. Следующие 10 лет ИИ-агенты будут массово встроены в бизнес-процессы, юристов, бухгалтерию, маркетинг, закупки, госуслуги. Через 30 лет институты будут конкурировать не только с людьми, а с миллионами оптимизаторов, ищущих слабые места в правилах. Через 60 лет устойчивость государства может определяться тем, умеет ли оно проектировать правила, которые нельзя “reward-hack’нуть”.
Практический вывод: профессии будущего — не только “кто умеет пользоваться ИИ”, но и “кто умеет строить системы, где ИИ не превращает формальное соответствие в разрушение смысла”.
OpenRouter показал Fusion: один запрос параллельно отправляется в несколько моделей, а отдельная модель-синтезатор собирает общий ответ. На 100 задачах deep research из DRACO их «панель» бюджетных моделей — Gemini 3 Flash + Kimi K2.6 + DeepSeek V4 Pro — набрала 64,7%: выше GPT-5.5 и Claude Opus 4.8 по отдельности, при заявленной стоимости примерно вдвое ниже.
Если результат подтвердится вне их тестов, это важный сдвиг: ценность будет всё меньше в выборе «самой умной модели» и всё больше в архитектуре маршрутизации, ансамблей, проверок и синтеза. Для бизнеса это практично уже сейчас: сложные задачи — исследование, анализ документов, due diligence, образование — стоит строить не как один чат с одной моделью, а как маленькую систему из нескольких моделей с разными ролями.
Длинная ставка: AI-инфраструктура становится похожа на рынок команд специалистов, где преимущество у того, кто умеет правильно собрать и оркестрировать интеллект.
Если результат подтвердится вне их тестов, это важный сдвиг: ценность будет всё меньше в выборе «самой умной модели» и всё больше в архитектуре маршрутизации, ансамблей, проверок и синтеза. Для бизнеса это практично уже сейчас: сложные задачи — исследование, анализ документов, due diligence, образование — стоит строить не как один чат с одной моделью, а как маленькую систему из нескольких моделей с разными ролями.
Длинная ставка: AI-инфраструктура становится похожа на рынок команд специалистов, где преимущество у того, кто умеет правильно собрать и оркестрировать интеллект.
OpenAI показала редкий пример ИИ, который не просто рассуждает о науке, а участвует в реальном экспериментальном цикле.
GPT‑5.4 подключили к Maria — агентной химической системе Molecule.one и высокопроизводительной лаборатории. Задача была практической: улучшить сложную реакцию в медицинской химии. Система выдвигала гипотезы, планировала эксперименты, анализировала результаты и предлагала следующие шаги. Люди оставались в контуре, но часть научного поиска уже выполняла связка «модель + лаборатория».
Результат: для реакции Chan–Lam coupling с первичными сульфонамидами нашли неожиданный аддитив TEMPO. В 10 080 микрореакциях выход вырос у 88% бороновых кислот и 83% сульфонамидов; ручная проверка подтвердила улучшение в 11 из 14 пар.
Главное здесь не сама реакция. Главное — новая форма работы: гипотеза, эксперимент, анализ, новая гипотеза. Если такой подход масштабируется, ускоряться будет не только фарма, но и весь процесс поиска новых материалов, лекарств и технологий.
Вопрос в том, насколько быстро наука привыкнет к ИИ не как к помощнику для текста, а как к участнику лабораторной работы.
GPT‑5.4 подключили к Maria — агентной химической системе Molecule.one и высокопроизводительной лаборатории. Задача была практической: улучшить сложную реакцию в медицинской химии. Система выдвигала гипотезы, планировала эксперименты, анализировала результаты и предлагала следующие шаги. Люди оставались в контуре, но часть научного поиска уже выполняла связка «модель + лаборатория».
Результат: для реакции Chan–Lam coupling с первичными сульфонамидами нашли неожиданный аддитив TEMPO. В 10 080 микрореакциях выход вырос у 88% бороновых кислот и 83% сульфонамидов; ручная проверка подтвердила улучшение в 11 из 14 пар.
Главное здесь не сама реакция. Главное — новая форма работы: гипотеза, эксперимент, анализ, новая гипотеза. Если такой подход масштабируется, ускоряться будет не только фарма, но и весь процесс поиска новых материалов, лекарств и технологий.
Вопрос в том, насколько быстро наука привыкнет к ИИ не как к помощнику для текста, а как к участнику лабораторной работы.
OpenAI вместе с Broadcom показали Jalapeño — собственный чип для инференса LLM.
Важная деталь не в самом «ещё одном ускорителе», а в направлении: модельная лаборатория начинает проектировать не только модели и продукты, но и железо, сеть, память, планировщик и дата-центровую экономику под будущих агентов.
Если это сработает, главный дефицит сместится. Не «кто написал лучший промпт», а кто контролирует дешёвый инференс, энергию, стойки и цепочку поставок. Длинные задачи Codex/ChatGPT, автономные агенты и корпоративные рабочие процессы становятся реальнее не из-за магии модели, а потому что каждый шаг агента дешевеет и меньше ждёт очередь.
Но есть и обратная сторона: такая вертикальная интеграция усиливает закрытые лаборатории. Открытым моделям мало быть умными — им нужна сопоставимая инфраструктурная экономика. Иначе рынок приложений будет строиться поверх чужого вычислительного слоя.
Ключевой вопрос: ИИ станет более доступным или просто более централизованным?
Важная деталь не в самом «ещё одном ускорителе», а в направлении: модельная лаборатория начинает проектировать не только модели и продукты, но и железо, сеть, память, планировщик и дата-центровую экономику под будущих агентов.
Если это сработает, главный дефицит сместится. Не «кто написал лучший промпт», а кто контролирует дешёвый инференс, энергию, стойки и цепочку поставок. Длинные задачи Codex/ChatGPT, автономные агенты и корпоративные рабочие процессы становятся реальнее не из-за магии модели, а потому что каждый шаг агента дешевеет и меньше ждёт очередь.
Но есть и обратная сторона: такая вертикальная интеграция усиливает закрытые лаборатории. Открытым моделям мало быть умными — им нужна сопоставимая инфраструктурная экономика. Иначе рынок приложений будет строиться поверх чужого вычислительного слоя.
Ключевой вопрос: ИИ станет более доступным или просто более централизованным?
OpenAI выложили экономическое исследование по Codex, и важная часть там не про «кодинг стал быстрее». Важная часть — меняется единица работы.
ChatGPT был интерфейсом вопрос–ответ. Агент — это уже делегированная задача на минуты или часы: он ходит по инструментам, пробует, ошибается, возвращается с результатом. У OpenAI Codex стал основным рабочим инструментом не только у инженеров: legal, finance и recruiting перешли на него как на главный AI-интерфейс. У части пользователей один запрос уже оценивается как работа, которая человеку заняла бы 8+ часов.
Практический вывод: ценность смещается от «уметь спросить модель» к «уметь собрать очередь задач, раздать их агентам, проверить результат и встроить в процесс». Это ближе к управлению маленькой машиной труда, чем к чату.
Для компаний главный вопрос теперь не «можно ли автоматизировать кусок работы», а «какие процессы можно переписать так, чтобы человек управлял параллельными агентами».
Как думаете, это новый офисный навык — или начало другой структуры профессий?
ChatGPT был интерфейсом вопрос–ответ. Агент — это уже делегированная задача на минуты или часы: он ходит по инструментам, пробует, ошибается, возвращается с результатом. У OpenAI Codex стал основным рабочим инструментом не только у инженеров: legal, finance и recruiting перешли на него как на главный AI-интерфейс. У части пользователей один запрос уже оценивается как работа, которая человеку заняла бы 8+ часов.
Практический вывод: ценность смещается от «уметь спросить модель» к «уметь собрать очередь задач, раздать их агентам, проверить результат и встроить в процесс». Это ближе к управлению маленькой машиной труда, чем к чату.
Для компаний главный вопрос теперь не «можно ли автоматизировать кусок работы», а «какие процессы можно переписать так, чтобы человек управлял параллельными агентами».
Как думаете, это новый офисный навык — или начало другой структуры профессий?
AI всё заметнее упирается не в «ещё умнее модель», а в розетку.
SemiAnalysis пишет о behind-the-meter дата-центрах: когда дата-центр подключают не только к общей сети, а фактически ставят рядом с отдельной генерацией или выделенной энергетикой, потому что обычная сеть не успевает.
Это меняет карту отрасли. AI-инфраструктура становится похожа не на облачный SaaS, а на тяжёлую промышленность: земля, энергия, разрешения, турбины, трансформаторы, охлаждение, проектное финансирование.
Выигрывает уже не просто тот, у кого лучшая модель. А тот, кто может одновременно купить чипы, построить дата-центр, обеспечить электричество и договориться с государством.
В долгую центр силы смещается к тем, кто контролирует физические узкие места: энергию, сеть, капитал и политический доступ.
Похоже, это один из признаков взросления AI: он становится не приложением, а инфраструктурой.
Как думаете, в такой модели больше рычагов у Big Tech или у государств?
SemiAnalysis пишет о behind-the-meter дата-центрах: когда дата-центр подключают не только к общей сети, а фактически ставят рядом с отдельной генерацией или выделенной энергетикой, потому что обычная сеть не успевает.
Это меняет карту отрасли. AI-инфраструктура становится похожа не на облачный SaaS, а на тяжёлую промышленность: земля, энергия, разрешения, турбины, трансформаторы, охлаждение, проектное финансирование.
Выигрывает уже не просто тот, у кого лучшая модель. А тот, кто может одновременно купить чипы, построить дата-центр, обеспечить электричество и договориться с государством.
В долгую центр силы смещается к тем, кто контролирует физические узкие места: энергию, сеть, капитал и политический доступ.
Похоже, это один из признаков взросления AI: он становится не приложением, а инфраструктурой.
Как думаете, в такой модели больше рычагов у Big Tech или у государств?