Mythos от Anthropic нашла матем. уязвимости в 2 криптографических алгоритмах

Первый - HAWK, постквантовый кандидат NIST, который два года проходил экспертную проверку, а Mythos нашла уязвимость за 60 часов.

Второй - ослабленная версия AES, самого используемого симметричного шифра в мире.

Там модель улучшила лучшую известную атаку в 200–800 раз.

Речь идёт не о поиске багов в коде - это умели и раньше. Mythos нашла уязвимости в самой математике. Год назад эти модели не могли делать криптанализ вообще.

При этом цена открытия новой кибератаки всего $100 000.

Но люди потратили не время на поиск, а месяц на верификацию того, что нашла модель. Теперь ИИ работает быстрее, чем эксперты успевают понять произошедшее.

Anthropic задаются вопросом, что делать, если модель найдёт уязвимость в уже работающем алгоритме, на котором стоит реальная инфраструктура?

Стратегия DeepMind меняется: уходят от узкой науки в продукты на основе ИИ

Это сейчас тренд, такая же история происходит у Amazon, DeepSeek и тд. Это большая гонка за создание и внедрение продуктов.

Google DeepMind расформировала команду, стоявшую за AlphaFold, которая получила нобелевку.

Теперь у них новая стратегия - вместо фокуса на отдельных больших научных задачах, как это было со свёртыванием белков, компания теперь строит системы на базе Gemini, которые помогают учёным и частично автоматизируют научные исследования, плюс конкурирует в области фронтир ИИ и агентов.

По данным FT большинство исследователей из команды AlphaFold за последний год перевели на другие проекты: на Gemini, улучшение программирования с ИИ, геномику, дизайн ферментов, ядерный синтез и в Isomorphic Labs.

А 25 % авторов оригинальной статьи по AlphaFold вообще ушли из DeepMind.

Нобелевский лауреат Джон Джампер, Йонас Адлер и Александр Притцель ушли в Anthropic.

Anthropic сильно обновили MCP, а Tencent говорят про harness для агентов

Вчера Anthropic выпустили самое крупное обновление протокола MCP с момента его запуска.

Если вы не в курсе, MCP - это открытый стандарт, который позволяет ИИ-агентам Claude, ChatGPT и др.безопасно подключаться к внешним инструментам, базам данных, API и сервисам.

Мы подробно расписали об обновлениях тут.

Но самое интересное хотим выделить здесь - можно теперь сделать свой кастомный MCP-сервер прямо в веб-версии Claude или ChatGPT.

В Claude это делается очень просто, в ChatGPT чуть сложнее, но тоже работает.

А Tencent выпустили Harness Handbook - руководство о
том, как сделать большие продакшн-харнесы ИИ-агентов понятными, навигируемыми и легко изменяемыми.

Как ИИ-агент OpenAI сбежал и начал взламывать Hugging Face

Hugging Face опубликовали детальный отчет произошедшего, а если вы не в курсе, то начало истории тут.

Надо отметить, что полного финального технического отчёта от OpenAI ещё нет, они обещают его в ближайшие недели после завершения расследования, к которому присоединились METR/Redwood.

Но вот, что сейчас известно, исходя из отчета HF:

OpenAI внутри себя тестировала максимальные кибер способности своих моделей (GPT-5.6 Sol + ещё более мощный внутренний прототип модели).

OpenAI говорит, что специально отключила все обычные предохранители, которые запрещают модели заниматься хакерством.

Задача была одна: решать сложный бенчмарк ExploitGym.

ИИ-агент очень сильно захотел получить высокий балл и вместо того, чтобы честно решать задачи, решил просто украсть готовые ответы.

Как он это сделал читайте подробнее у HF.

Что в итоге пострадало?

1. Единственное, что агент реально украл у пользователей - готовые решения пяти тестовых датасетов ExploitGym.

2. Остальные модели, датасеты, Spaces и данные клиентов не были затронуты.

OpenAI позже сообщила, что агент попутно нашёл и использовал утёкшие пароли ещё на четырёх других публичных сервисах: один использовал как перевалочный пункт, а другой для хранения данных. Масштаб там был якобы гораздо меньше.

Что это значит в более широком смысле?

Защита от таких кибератак от агентов теперь должна учитывать их скорость и объём, а не только один умный эксплойт.

Самое важное, чего пока нет -
точных промптов, полной цепочки рассуждений модели и детального разбора «что именно она думала». Именно это должно появиться в отчётах METR/Redwood и финальном отчете OpenAI.

😢Из-за внедрения ИИ авиакомпаниями вырастут цены на полеты

И так может быть вообще во многом, не только с авиабилетами…

Это обусловлено тем, что раньше авиакомпании опирались на данные аналитиков и простые правила, например, поднимать цену на 20%, когда самолёт заполнен на четверть.

Теперь же ИИ позволяет в онлайн-режиме учитывать десятки, а иногда и сотни переменных: исторические паттерны бронирований, загрузку, сезонные тренды, цены и ёмкость конкурентов, колебания цен на топливо, отмены рейсов и другие рыночные сигналы.

Это помогает точнее подстраивать цены под спрос и заполнять самолёты до полной загрузки.

Традиционные поставщики софта: Amadeus, PROS уже предлагают ИИ-инструменты, а стартапы ускоряют переход.

Есть ещё риски, что появятся персонализированные цены на основе личных данных (история браузинга, доход и т.п.).

Цены на все вырастут, но, что будет с доходами людей - это вопрос.

Знакомьтесь, П. Дуров - террорист и экстремист по версии Росфинмониторинга

OpenAI показали, где теперь деньги в ИИ и признали, что их харнесс занижал возможности их же модели

Оказалось, что GPT-5.6 Sol, способная решать сложные математические задачи, показывала слабые результаты на тесте 2D-головоломок.

И это, выяснилось, не проблема модели, а инфраструктуры.

OpenAI говорят, что их харнесс выбрасывал цепочку рассуждений после каждого хода и удалял старые действия при заполнении контекста. Поэтому модель была вынуждена начинать с нуля на каждом шаге.

Переход на Responses API дал +188% к результату при использовании в 6 раз меньшего числа токенов.

Все это говорит о том, что бенчмарк измеряет не только модель, но иинфраструктуру, настройки API, дизайн харнесса.

А разница в 6 раз по токенам - это разница в стоимости агентных задач.

Это в очередной раз доказывает, что ценность смещается с модели на харнесс.

Google выпустили новый ИИ для роботов, который работает в команде и управляет всем телом

Команда представила Gemini Robotics 2 - ИИ нового поколения для физического мира, который управляет не только руками, а всем телом робота. Предыдущая модель тут.

Гуманоид может ходить, приседать, тянуться и убирать комнату, а ещё работать в команде с другими роботами.

Внутри Gemini Robotics 2 работают 3 отдельные модели:

1. Gemini Robotics 2 - основная модель VLA, которая напрямую управляет роботом: переводит то, что видит и слышит, в движения. Может контролировать гуманоида полностью от ног до пальцев.

2. Gemini Robotics ER 2 - модель воплощённого рассуждения. Она работает как мозг более высокого уровня: понимает задачу, планирует длинную последовательность действий, общается с человеком, следит за прогрессом и координирует других роботов.

3. Gemini Robotics On-Device 2 - облегчённая и очень эффективная версия VLA, которая запускается прямо на самом роботе без облака. Быстро адаптируется под новое «тело» робота.

1-я компания, которая создает цифровых двойников людей как B2B-продукт

Это один из самых амбициозных и интересных кейсов, и таких будет много.

Теперь вы можете дорисовать реальное место в Google Earth с ИИ

Это полезная история для образования, бизнеса и просто ради фана.

Если зайти в Google Earth в веб-версии и навести камеру на любое реальное место, а после нажать кнопку «Create image» и написать текстом, что хочется увидеть.

То Nano Banana от Google возьмёт настоящие спутниковые, аэрофото- и 3D-снимки Google Earth и перерисует это место так, как ты просишь.

Раньше для таких вещей нужно было либо нанимать 3D-художника, или очень сильно напрягать воображение.

Теперь это можно сделать за 10–20 секунд прямо в Google Earth с ИИ.

Тихо-тихо, а ИИ создаёт инфраструктуру математики

Сейчас в математике происходят реально интересные времена, и речь не об открытиях, а о простых, но важных вещах.

Так команда из Meta(запрещена в России) и французских институтов с помощью ~30 000 агентов Claude за 1 неделю полностью формализовала в Lean 500-страничный учебник по алгебраической комбинаторике.

Вся эта работа обошлась ~ $100 000, авторы пишут, что после устранения неэффективностей в оркестрации можно снизить цену в 3–10 раз даже без более сильных моделей.

Уже сейчас это сопоставимо с зарплатами команды из людей - экспертов.

В будущем эта работа полезна не только математикам, но и для:

• железа,
• операционных систем,
• баз данных,
• GPU-ядер,
• компиляторов и тд.

GitHub