Экономисты - сингулярность через 6 лет:когда ИИ начнёт сам себя улучшать, то прогресс может стать взрывным

4 экономиста построили формальную макромодель, когда автоматизация ИИ-исследований порождает взрывной рост.

Кстати, недавно Anthropic показали свои данные, которые говорят о самосовершенствовании ИИ, также есть работа Google, стартап Recursive показал свои результаты.

В экономической модели 2 петли взаимодополняемые:

1. Технологическая - улучшения в софте ускоряют прогресс в железе, железо ускоряет ИИ, и всё по кругу. Например, AlphaChip от Google DeepMind уже используется при проектировании каждого нового поколения TPU Google.

2. Экономическая - больше продукции = больше денег на исследования = ещё быстрее прогресс. Автоматизация заменяет труд капиталом. Капитал масштабируется с ростом ВВП. Труд - нет. Это создаёт петлю там, где её раньше не существовало.

Где самый чувствительный момент?

Оказалось в аппаратном обеспечении. Затухающая отдача в разработке чипов (β = 0.2) в 5 раз меньше, чем в разработке ПО, и в 15 раз меньше, чем в общей экономике.

Практический вывод авторов: 20% автоматизации разработки чипов достаточно, чтобы пересечь порог взрыва в одиночку.

Полная автоматизация разработки ПО на грани, ещё 5% в остальных секторах, в итоге сингулярность через ~6 лет по базовой симуляции.

Мы не считаем, что сингулярность наступит ровно через 6 лет. Симуляция чувствительна к начальным условиям, а авторы этой работы сами называют её «стилизованной».
Но важен не таймлайн, а логика: система с такой архитектурой петель не движется линейно. Она движется скачками и скачок может произойти раньше, чем консенсус успеет его осознать.

Китай занял 1-е место со своим суперкомпьютером, а РФ - 101-250-е места

Китайский суперкомпьютер LineShine (LingKun, Huawei LX2) неожиданно занял 1-е место в мире с результатом 2.198 EFlop/s.

Топ-10 суперкомпьютеров мира:
1. LineShine - Китай, 2.198 EF (CPU ARM LX2)
2. El Capitan - США, 1.809 EF (AMD + MI300A)
3. Frontier - США, 1.353 EF (AMD + MI250X)
4. Aurora - США, 1.012 EF (Intel + GPU)
5. JUPITER Booster - Германия, 1.000 EF (NVIDIA Grace Hopper)
6. HPC7 - Италия, 0.572 EF (AMD + MI300A)
7. Eagle - Microsoft Azure,0.561 EF (Intel + H100)
8. HPC6-Италия, 0.478 EF
9. Fugaku - Япония, 0.442 EF (Fujitsu A64FX)
10. Alps-Швейцария, 0.435 EF (Grace Hopper)

Россия в новом рейтинге представлена:

1. Chervonenkis (Яндекс) — 101-е место (~21.5 PF) - это гетерогенная система на AMD EPYC + NVIDIA A100, одна из самых мощных в России для ИИ-задач. Она лидирует среди российских суперкомпьютеров уже несколько лет.

2. Галушкин (Яндекс)
3. Ляпунов (Яндекс)
4. Christofari Neo (Сбер)
5. Christofari (Сбер)

Code as Agent Harness - хороший обзор, как строить ИИ-агентов в этом году

Если раньше код был результатом работы агента, то сейчас код становится средой его обитания.

Авторы предлагают смотреть на ИИ-агентов через призму harness (обвязки). Вчера мы писали ещё про loop.

Современные агенты уже движутся в эту сторону, например, Claude Code и т.д.

Авторы говорят, что нужно системно развивать harness engineering - инженерную дисциплину создания таких кодовых обвязок. А также обсуждают открытые проблемы: оценка, безопасность, мультимодальность, регрессии и т.д.

Создан ИИ, который сам проводит точные опыты с ДНК

Речь идёт об автономной системе оптических пинцетов SmartTrap, которая может работать ~10 часов подряд в автономном режиме без человека, собирая много данных с высокой точностью.

SmartTrap сама находит, захватывает и растягивает отдельные молекулы ДНК, измеряя их механические свойства. А ещё деформирует красные кровяные клетки, чтобы проверить жёсткость мембраны.

Это сильно повышает производительность по сравнению с ручной работой.

Крутой шаг к умным лабораторным роботам в биофизике.

Вышел новый инструмент - ИИ-операционная система для венчурных инвесторов

Мы дошли до того, что венчурный рынок теперь не только инвестирует в ИИ-проекты, но и сам пытается трансформироваться.

Так как фаза AI-native дошла и до инвесторов, теперь венчур становится программируемым.

Подробнее здесь.

Anthropic запустила Claude Tag, по мнению А. Карпатый - это новый UX взаимодействия с LLM

Теперь Claude можно добавить в Slack как полноправного участника команды. Тегнули @Claude , и он подхватывает задачу, работает асинхронно, отчитывается в треде.

Напомним, что мы ещё в мае писали о том, как меняются роли людей и какая организационная структура возникает в AI native компаниях, подробно описываем здесь.

Андрей Карпатый считает эту новую функцию Claude 3-ей сменой парадигмы взаимодействия с языковыми моделями. Вот как это выглядит:

Первая была такой: LLM как сайт, вы идёте к модели через браузер
Вторая: у LLM появились приложения
Третья: LLM как сущность внутри организации — асинхронная, с памятью, с доступом к инструментам всей команды.

То есть Claude перестаёт быть отдельным окном, куда человек переключается, он уже заходит туда, где происходит ваша работа. То есть это уже почти AI native сотрудник.

Один из крупных финансовых конгломератов Японии запустил 1-й стейблкоин, обеспеченный траст-банком.

JPYSC - это стейблкоин, привязанный 1:1 к японской иене. Он полностью обеспечен резервами, которые управляет SBI Shinsei Trust Bank (трастовый банк группы SBI).

Это первый стейблкоин в Японии, признанный электронным платёжным инструментом.

Благодаря трастовой структуре он не подпадает под ограничения в 1 млн йен на баланс и транзакции, которые действуют для обычных стейблкоинов.

Техническую разработку и запуск сделали совместно с сингапурской финтех-компанией Startale Group.

SBI уже провела первую эмиссию JPYSC. В ближайшее время планируется запуск сервиса кредитования JPYSC.

Для понимания, Япония активно интегрирует регулируемые стейблкоины:

В октябре 2025 года был одобрен JPYC - 1-й легально признанный йеновый стейблкоин.

3 мегабанка (MUFG, SMBC, Mizuho) работают над совместным стейблкоином, коммерческий запуск планируется в 2027 финансовом году.

Новые правила позволяют банкам и трастам выпускать стейблкоины, обеспеченные депозитами и до 50% государственными облигациями.

Дамы и господа, СЕО Snowflake о GLM 5.2 и Claude Opus4.7

Они протестировали китайскую модель GLM-5.2 и Claude Opus 4.7 на реальных задачах, и СЕО опубликовал тред с результатами тестирования команды Coco на dbt-bench - 103 задачи, 3 попытки каждая.

Цифры получились такие:
- Pass@1: 47.6% (GLM) vs 53.7% (Opus). Claude выигрывает на 6 пп с первой попытки
- Pass@3: 66% GLM vs 67% Opus при трёх попытках почти ничья
- Токены: 860M vs 439M. GLM потребляет вдвое больше
- Ходы: 99 avg vs 80. GLM делает больше шагов на задачу и тратит почти в 2 раза больше токенов

Но есть 2 характерных фейла у GLM:
1. Рано сдаётся и даже не пытается писать код.
2. Уходит в спираль: 411 вызовов инструментов за 24 минуты, проверяет всё подряд… и всё равно фейл.

Opus же работает чище, эффективнее и реже уходит в овер верификацию неправильных осей.

Вывод СЕО Snowflake такой: объём верификации не предсказывает правильность. Модель может проверять всё подряд и всё равно проиграть, если верифицирует не те оси.

При этом Snowflake в восторге от GLM-5.2 и планирует интегрировать его для клиентов Coco.

Для рынка ИИ-агентов это важный момент, так как эффективны те агенты, которые делают не больше шагов, а правильные шаги. Эффективность траектории становится новой метрикой качества - дороже, чем точность на бенчмарке.

OpenAI только что представила свой 1-й ИИ-чип, созданный с Broadcom

Jalapeño - это 1-й специализированный чип OpenAI для инференса LLM.

OpenAI говорит, что время разработки дизайна до готовности к производству заняло всего 9 месяцев.

OpenAI использовала свои собственные модели для ускорения проектирования.

Полных спецификаций по чипу пока нет.

Self-Harness: ИИ-агенты, которые сами улучшают обвязки

Сегодня производительность ИИ-агентов зависит не только от базовой модели, но и от harness (обвязки).

Новая работа из Китая, Self-Harness - новый подход, где сам агент улучшает свою собственную обвязку. Агент учится на своих ошибках и сам предлагает минимальные, но точечные изменения в коде/правилах harness. Обычно harness пишут люди и это не масштабируется.

Вот тут наши предыдущие материалы.

Arc Institute создали аналог MCP для биологии. Claude теперь может сам проектировать гены и белки

Arc Institute выпустили Proto - инфраструктурный фреймворк для генеративной биологии поверх разрозненных моделей.

Теперь любой MCP-совместимый ИИ-агент может напрямую запускать сложные биологические дизайн-кампании через естественный язык.

Из Google уходят в Anthropic еще 2 человека, на этом фоне акции Alphabet упали на 1,2% в один из дней

Как пишет Bloomberg, Jonas Adler и Alexander Pritzel планируют перейти в Anthropic в ближайшее время. Причём оба считаются очень важными сотрудниками, которые работают на Gemini.

Adler работал над инструментами для генерации и помощи в программировании, а Pritzel занимался претренингом ИИ-моделей.

Напомним, что уже из Google ушли Нобелевский лауреат Джон Джампер в Anthropic, который вместе с Хасабиссом получил премию за AlphaFold, и звезда Ноам Шазир, он перешел в OpenAI.

Основные причины ухода в Anthropic и OpenAI источники Bloomberg называют:

1. OpenAI и Anthropic готовятся к IPO, поэтому им нужные сильные и именитые люди, которым они предлагают огромный потенциал роста акций/опционов. А это редкая возможность даже при высокой зарплате в Google.

2. Внутренние проблемы в Google, там как и у всех идёт борьба между командами за вычислительные ресурсы.

Например, перед уходом Ноама Шазира часть мощностей его проекта перенаправили другой команде в Лондон.

А в последнем интервью Ноам говорил, что строит новую архитектуру, видимо, она уже не будет у Google.

Переход к экономике ИИ-агентов: свежие данные из Codex

Сегодня вышло исследование от OpenAI, в котором проанализированы данные об использовании Codex, причем как они пишут, рядовой сотрудник в OpenAI генерирует в 56 раз больше токенов, чем в ноябре 2025.

Внутри OpenAI переход произошёл быстро, к апрелю 2026 почти все департаменты перешли на 90% использования Codex.

Причём, юридический отдел OpenAI сегодня генерирует 88% токенов через Codex. А обычные юристы - клиенты генерят только 2% токенов.

Авторы говорят, что этот разрыв объясняется организационными условиями, а не возможностями модели.

Еще за последние полгода доля людей, делегирующих свои задачи ИИ-агенту на полный рабочий день, выросла почти в 12 раз.

Интересно ещё то, что 28,6% сотрудников OpenAI управляют более 5 ИИ-агентами одновременно. А это уже оркестрация, а не просто ИИ-ассистент. Роль человека меняется, меньше исполнения, больше делегирования, интеграции.

Авторы показывают большой разрыв между OpenAI и другими компаниями - клиентами, которые отстают во внедрении, называя основную проблему не качество модели, а организационную культуру управления.

Напомним, что мы ещё в мае писали о том, как меняются роли людей и какая организационная структура возникает в AI native компаниях, подробно описываем здесь.

Вот это бомба: Лев Чижов наш GOAT! Создана 1-я в мире 3D-карта сосудов мозга человека без вскрытия черепа

Стартап 22 летнего Льва Чижова Aleph Neuro сделал первую в мире 3D-карту сосудов живого человеческого мозга без вскрытия черепа, с помощью ультразвука. Причём у их метода разрешение в 100 раз выше, чем у КТ. Пока это исследовательский инструмент, не продукт.

Прочитать про Льва, победителя нашего проекта @blockchainrf , можно здесь. А тут канал самого Льва.

Как это работает?

Aleph описывает процесс так: мозг не думает в тишине. Когда нейроны активируются, к ним приливает кровь. Aleph направили ультразвуковые волны через череп, они отражаются от эритроцитов и возвращаются обратно. Из этого сигнала строится карта кровотока.

Чтобы получить сверхвысокое разрешение, вводят микропузырьки - одобренный FDA раствор.

Самое интересное, что первым свою разработку испытал на себе основатель компании Лев Чижов.

Почему это важно?

Сейчас у нейроинтерфейсов два пути: хирургия, как у Neuralink или размытый сигнал снаружи через ЭЭГ.

Aleph строят третий - без операции, с разрешением уровня МРТ. Даже 1000 электродов захватывают 0,001% мозга. Ультразвук потенциально даёт миллион независимых пикселей по всему объёму.

К чему они идут?
Их ставка - обучить нейросеть на терабайтах сырых ультразвуковых данных, чтобы она вытаскивала сигнал, который текущие алгоритмы просто выбрасывают.

Конечная цель - неинвазивный нейроинтерфейс, который читает активность мозга в онлайне с MRI-качеством, без хирургии, без инъекций, с носимым устройством.

Anthropic наняла экономиста с интересными взглядами на выживание человечества

Речь идёт об известном экономисте Чаде Джонсе, в его задачи входит: посчитать, стоит ли развивать сверхмощный ИИ, если он даёт огромное богатство, но несёт серьёзный риск, что человечество умрет.

Сейчас в сообществе экономистов, которые занимаются пост AGI, включая Чада Джонса, пытаются ответить на такие вопросы:

1. Сколько именно роста даст ИИ? Например: если ИИ ускорит инновации, экономика может расти не на 2% в год, а на 10–30% в год. За 30–40 лет это будет в десятки или сотни раз выше уровня жизни, чем сейчас.
2. Какой существует риск вымирания? Если каждый год вероятность катастрофы (потеря контроля над ИИ, злоупотребление и т.д.) хотя бы 0.5–1%, то за несколько десятилетий это накапливается в 10–40% шанс, что человечества больше не будет.
3. Как сравнить «огромное богатство для выживших» и «полное уничтожение человечества»? Экономисты используют модели:
• Насколько мы ценим дополнительное богатство?
• Насколько сильно боимся смерти всех?
• Стоит ли замедлять ИИ, чтобы снизить риск, даже если это уменьшит будущий рост?

В своей знаменитой работе«The AI Dilemma» у Чада Джонса есть известный расчёт:
при стандартной логарифмической полезности математически оптимально взять ~33% шанса вымирания человечества за 40 лет в обмен на 67% шанса поднять уровень жизни в 55 раз.

Звучит не очень, да?

Вот и сам Джонс в выступлениях говорит: «Когда я увидел этот результат, я понял, что у меня точно не логарифмическая полезность». То есть он лично не готов на такую ставку.

Это отличный пример, почему экономические модели нужно применять очень осторожно к экзистенциальным рискам. И почему найм таких людей в Anthropic Institute - интересный момент.

Они пытаются моделировать то, чего нет пока: бешеный рост vs риск конца.
Получится ли? увидим.

Один из создателей ксеноботов: следующий рубеж ИИ не в законах масштабирования LLM, а в создании систем, чьё тело умеет учиться

Джош Бонгард, один из создателей ксеноботов вводит понятие морфологического прeтрейнинга.

Идея в том, что природа давно решила проблему, которую разработчики в ML пытаются решить через масштабирование. Живые системы умеют репетировать рискованные действия внутри своего тела до того, как те проявятся вовне.

Например, яйцо амортизирует движения эмбриона. Клетки внутри многоклеточного организма экранированы от внешнего мира, они в среде других клеток. Иммунная система и микробиом, возможно, тоже участвуют в этом. Тело как черновик.

Бонгард проводит параллель с LLM: предобучение на нейтральных данных перед специализацией - это та же логика, но там субстрат пассивный, невоплощённый. А у организмов сама материя тела является вычислительным ресурсом.

Следующий шаг, который он предлагает: создавать системы с настоящей внутренней механической сложностью: мягкие, флюидные, фрактальные роботы, где действия могут проигрываться внутри, фильтроваться, и только потом выходить наружу. Не симуляция в нейросети, а физическая репетиция в материи.

Это не про законы масштабирования LLM, а про адаптацию в реальном непредсказуемом мире, где тело и есть первый учитель.

Компании массово режут расходы на ИИ

По данным опроса UBS, 60% компаний уже ввели ограничения на использование ИИ и активно переходят на дешёвые модели + опен-сорс китайские модели.

Почему так происходит?

Потому что некоторые пользователи тратят до $35 000 в месяц на API, команды превышают расходы лимитов на токены на 200%.

Компании сокращают количество внутренних ИИ-инструментов с 5 до 2.
Они не отказываются от ИИ вообще, а вводят маршрутизацию моделей.

На этом фоне появился новый король Ornith-1.0 - семейство опен-сорс LLM, специально заточенных под ИИ-агентов для программирования.

ИИ-инференс становится товаром.

OpenAI только что выпустили конкурентов и аналоги Fable 5, Mythos 5 от Anthropic

Как писали сегодня журналисты, перед тем как этот релиз сделать, Сэм Альтман согласовал все с администрацией Трампа, чтобы модели не запретили как у Anthropic.

GPT-5.6 Sol - это новая флагманская модель в серии GPT-5.6 от OpenAI, которая сейчас находится в ограниченном превью.

OpenAI начинает превью сразу трёх моделей:

1. Sol - флагман, самый мощный.

2. Terra - сбалансированная модель для повседневной работы (конкурентна GPT-5.5, но в 2 раза дешевле).

3. Luna - быстрая и дешёвая модель с хорошими возможностями по минимальной цене.

Полный релиз планируется в ближайшие недели.

Итоги уходящей недели - то, что имеет значение

22-летний победитель нашего проекта Лев Чижов создал первую в мире 3D-карту сосудов мозга без вскрытия черепа

Бизнес ИИ- компаний

Презентация одной из крупных инвест компаний мира для инвесторов от AI к ASI. Разбор без купюр.

Теперь венчурные компании становятся AI-native - новый инструмент для них тут.

Большая гонка в ИИ индустрии сместилась с моделей на контекст. Подробный разбор тут.

Теперь можно монетизировать трафик от ваших ИИ-агентов. Инструмент и не только здесь.

2 сильных ИИ-агента для медицины уже выпущены.

Anthropic запустила Claude Tag

Инсайд из Китая от первого лица о том, как там создают AI-native продукты.

Опубликовали список и анализ самых влиятельных китайских инвесторов в ИИ.

Свежий отчет на реальных данных, как ИИ-агенты меняют инфраструктуру интернета.

Разбор AI-native компаний: как внедрять ИИ и формировать культуру обучения вместе с ним.

ИИ-модели, агенты и инфраструктура

Google и HuggingFace: 100+ агентов совместно ускорили Gemma 4 в vLLM в 5 раз и попутно выявили эмерджентное поведение.

Sakana выпустила систему оркестрации уровня Fable 5 и Mythos от Anthropic

AutoData - ИИ-агент, который сам строит обучающие данные без разметки людьми

BudgetMem - фреймворк с RL-роутером для динамического выбора уровня памяти агента

OpenAI представила конкурентов Fable 5 и ьMythos 5

GLM-5.2 и Claude Opus 4.7 - разбор результатов тестов

Oxford представил масштабирование flow-моделей на задачи рассуждения

Mistral OCR 4 вышла

Ornith-1.0 - новое семейство open-source LLM для агентного кодинга от 9B до 397B параметров

Главный тренд сезона - Loops: разбор

Свежий обзор: как правильно строить ИИ-агентов в 2026 году

Self-Harness - агент, который сам улучшает свою собственную обвязку

TMax - открытый RL-рецепт для терминальных агентов

Fractal - рекурсивный CLI-агент

Google запустила Interactions API в GA

OpenRouter MCP: живая аналитика по 400+ моделям прямо внутри вашего агента

Биология и наука

Arc Institute создали аналог MCP для биологии

ИИ, который самостоятельно проводит точные эксперименты с ДНК

NVIDIA запустила BioNeMo Agent Toolkit - агентный доступ к предсказанию структур белков, молекулярному докингу и геномному анализу

Harvard обучил и оценил 100+ ИИ-моделей с рассуждениями для биологии

Bota Biosciences представила BPL и BPL-COGEN - компилируемый язык для лабораторных протоколов с ИИ-генерацией

Один из создателей ксеноботов: следующий рубеж ИИ в системах, чьё тело умеет учиться

Железо и чипы

OpenAI представила первый собственный ИИ-чип, созданный совместно с Broadcom

Qualcomm ведёт переговоры с ByteDance о разработке кастомных VPU

Вышел свежий рейтинг Top-500 суперкомпьютеров мира

DexJoCo - новый бенчмарк для роботизированной манипуляции

Финансы и криптовалюты

Крупный японский финансовый конгломерат запустил 1-й стейблкоин, обеспеченный траст-банком

ЦБ РФ выпустил доклад о стейблкоинах

Google инвестирует в создателя культовых сериалов для внедрения своего ИИ

Экономика ИИ

OpenAI опубликовала исследование на основе данных Codex

Компании массово режут расходы на ИИ

Экономисты прогнозируют сингулярность через 6 лет

Присоединяйтесь к нам на Patreon, чтобы узнать все об экономике ИИ-агентов, и другие полезные инсайды https://www.patreon.com/Blockchainrf?utm_campaign=creatorshare_creator

DeepSeek выпустили DSpark, которая ускорила их модели без потери качества

Если многие гонятся за самой умной моделью, #DeepSeek снова решили проблему с другой стороны, как сделать модели быстрее и дешевле в использовании.

DSpark - это не новая модель, а технология ускорения инференса.

Обычные большие модели типа DeepSeek-V4 генерируют текст токен за токеном - это медленно и дорого по вычислениям.

А DSpark использует технику спекулятивное декодирование.

В результате в продакшене:
генерация ответов на 57–85% быстрее для пользователя; общая пропускная способность сервера вырастает на 51–400%; качество ответов ровно такое же.

В будущем нас ждут агентные системы, которые будут часами думать, использовать инструменты, переписывать код, проверять себя. Там каждый лишний токен и каждая секунда инференса будут стоить очень дорого.