Google научили ИИ-агентов находить новые квантовые алгоритмы и сразу доказывать их корректность и стоимость в Lean.

Над этим работала как команда DeepMind, так и Quantum.

Эта работа отличается от прошлых подходов, где ИИ-агенты проверяли квантовые схемы численным моделированием на классическом компьютере.

Здесь же агенты работают с алгоритмами на тысячах кубитов, которые невозможно просимулировать классически, но при этом корректность гарантируется математическим доказательством, а не тестами.

Интересно, что на 5 задачах, включая термоядерный синтез, фотохимию, ИИ нашёл схемы в 2.5–11 раз эффективнее лучших опубликованных решений, причём на тысячах кубитов там, где классическая проверка в принципе невозможна.

Это бомба! Anthropic выпустили прямо сейчас модель Fable 5.2 и Mythos 5.2

Как говорит сама компания, эти модели созданы для решения самых сложных задач в разных областях и показывают улучшенную работу в программировании, рассуждениях и обработке изображений.

Вот, на что способны эти модели:

• Fable 5.2 формализовала доказательство теоремы Ферма за 30 часов

• Решила 2 открытых вопроса в теоретической физике чёрных дыр

• Mythos 5.2 нашла новый способ предсказывать структуру целого капсида аденоассоциированного вируса для генной терапии

• За 8 дней модель с 1000+ субагентами спроектировала и написала рабочую операционную систему с нуля

• Спроектировала 3 работающих электронных устройства с нуля по одному абзацу промпта

Впервые в истории робот построил конструкцию в космосе

Робот ASTRA, разработанный в Caltech и профинансированный DARPA за 6 месяцев на орбите собрал часть фермы из композитных трубок и алюминиевых узлов.

Полную 1,4 метровую антенну из 11 сегментов достроить не успели, но пруф оф концепт уже есть.

Этот проект был нужен для того, чтобы научиться строить в космосе вещи, которые физически не влезают в ракету: гигантские телескопы, антенны связи, орбитальные солнечные электростанции на сотни метров и километры.

А вот Skyfall представили ИИ в виде CEO компании, который управляет агентами и бизнесом

Steve - система ИИ-агентов, которую компания называет CEO, описываемый как автономный бизнес-харнесс, способный управлять SaaS-продуктами и приложениями Shopify.

Причём Steve - харнесс вокруг Enterprise World Model.

Steve создана компанией Skyfall - команда создателей Maluuba, которую купили Microsoft в 2017.

Интересно, что Steve создан на мировых моделях, рекурсивном самообучении, механизме политик, который решает, какие действия агенты могут выполнять сами, а какие требуют одобрения владельца и команде, и специализированных ИИ-агентов, которые занимаются развитием бизнеса, продуктом, разработкой и поддержкой.

Команда пишет, что Steve переписывает собственный код, навыки и настройки агентов, но в рамках правил, заданных владельцем.

Также компания говорит, что Steve уже управляет 3 бизнесами, которые куплены разработчиками.

А сейчас они запустили программу на $2 млн, в рамках которой Skyfall купит ещё 5 стартапов под управление Steve.

Команда Robbyant (Alibaba) выложила модель, которая учит роботов чувствовать объекты

Компания Robbyant выпустила в open-source модель LingBot-Touch, которая обучена почти на 5000 часах реальных касаний. У нее 2 версии: Tiny и Small.

Модель использует подход JEPA и может сделать из разных сигналов от сенсоров единое тактильное представление, которое можно подключить к разным политикам робота.

LingBot-Touch работает сразу с 3 типами тактильных сенсоров.

Модель можно встраивать в разные политики роботов (Diffusion Policy, π0.5, LingBot-VLA, T-Rex и др.), и она повышает успешность задач в среднем +14–26 п.п. на реальных роботах.

В итоге робот лучше справляется с задачами, где важно чувствовать объект: открывать крышки, собирать что-то хрупкое, работать двумя руками, когда объект частично закрыт и т.п.

7 крупнейших IT-компаний покупают акции Anthropic на $26млрд

Согласно обновлённой информации, поданной в SEC, компания договорилась с 7 компаниями, что они покупают акции по цене IPO в частном размещении на $26 млрд.

Вот эти 7 компаний:

- Google покупают акции на $10млрд
- Nvidia на $10млрд
- AMD $2.5млрд
- Broadcom $1млрд
- Micron $1млрд
- Microsoft $1млрд
- TSMC $500млн

Все они представляют собой почти всю цепочку поставки вычислительных ресурсов и чипов. Часть этих денег вернётся к ним обратно в виде заказов от Anthropic на чипы, память и облако. Ранее Anthropic заявляла SEC, что закладывает расходы ~$500млрд на дата-центры и железо.

На сегодняшний день во время IPO Anthropic собирается продавать свои акции по цене $70–78 за акцию, оценка до ~$1 трлн.

Вау!Google говорят, что их модель Argon помогла в создании новой модели для роботов Gemini Robotics 2.5

Сейчас компания выпустила Gemini Robotics 2.5 - свою новую ИИ-модель для управления роботами.

Команда отмечает, что это 1-я модель, которую сильно ускорила другая модель - Gemini 4 Argon, которая используется как симулятор: генерирует тысячи вариаций тренировочных прогонов на основе реальной съёмки и строит цифровых двойников сцены, что ускоряет обучение робота на новых объектах.

Разработчики говорят, что рекурсивное самоулучшение уже дает в робототехнике заметный эффект.

Гонка за бессмертием стала серьёзным бизнесом и перспективным направлением для стартапов

В конце октября мы проводили для наших подписчиков уровня Star на Patreon встречу с сооснователем биотех компании Bioptic Романом Дорониным, чьим партнером является Андрей Дороничев, экс-продуктовый директор Google. Отчет тут.

В рамках этой встречи мы обсудили вопросы о бизнесе в биотехе, и почему туда все рвутся, есть ли там реально деньги.

Разговор заставил нас присмотреться к более широкому тренду - обычные люди по всему миру начали тратить время, деньги и внимание на то, чтобы жить дольше и лучше.

О том, что есть много стартапов на тему долголетия наверно не стоит говорить, так как мы об этом часто пишем, но интересно другое, а что стало триггером, который сподвигнул многих работать над своим здоровьем?

Мы отмечаем 2 массовых фактора:

1. Ковид, который резко повысил ощущение хрупкости здоровья и показал границы традиционной медицины.

2. ИИ, к которому люди стали часто обращаться и задавать сложные вопросы о здоровье.

И в итоге сегодня рынок долголетия существует в 2-х параллельных реальностях:

1. Потребительская, которая уже работает на полную. Люди носят разные датчики, которые измеряют их пульс, давление, сон. Появились специальные клиники, где делают капельницы для «омоложения», криотерапию, курсы пептидов. Многие из этих процедур слабо доказаны наукой и почти не регулируются, но спрос растёт быстрее, чем доказательная база.

2. Биотех и фарма, которые двигаются медленнее, но совсем с другими бюджетами. В 2025 году биотехи из сферы долголетия привлекли $18,4 млрд, а в 2024 $4,7 млрд.

Катализатором их успеха стал оземпик и его аналоги. Они показали, что массовый рынок нуждается в таких продуктах и готов платить.

Интересно, что в этом бизнесе фармгиганты не создают препараты от старения сами, они покупают опционы на чужие разработки.

Так Lilly заключила договор с Insilico на $2,75 млрд, а Novartis с BioAge на $550 млн.

Но есть интересная деталь по этим сделкам - гарантированно выплачено $115 млн и $20 млн, а все остальное - выплаты за достижение этапов, которых может и не быть.

Т.е. деньги в отрасли крутятся быстрее доказательной базы, и те, кто в ней работают профессионально, прекрасно это понимают и поэтому и структурируют сделки так, чтобы платить по факту, а не по обещанию.

А обычному человеку такой защиты никто не предлагает, ему только продают капельницы, носимые устройства сегодня и всё это за полную стоимость и без гарантий на результат.

Наш отчет: почему многие пошли в биотех создавать проекты, читайте по ссылке.

Anthropic: разбавление отравленных данных чистыми может усилить угрозу в модели, а не ослабить

Исследователи из Anthropic, Truthful AI и других организаций говорят: есть мнение, что добавление чистых данных к датасету ослабляет эффект отравленных примеров.

Их совместная работа показывает обратное. Иногда разбавление отравленных данных чистыми усиливает угрозу, если у отравленных примеров есть идентифицирующий триггер, например, имя пользователя, системный промпт или патч на изображении.

Авторы назвали это homeopathic learning по аналогии с гомеопатией.

Они говорят, если тренировать модель только на таких отравленных данных, она почти не учит нежелательное поведение.

Но если добавить к ним похожие чистые примеры (без триггера и без плохого поведения), модель начинает сильно проявлять это поведение именно при появлении триггера.

То есть одни и те же отравленные примеры почти безвредны сами по себе, но в смеси с чистыми данными создают скрытый бэкдор.

Это показывает ограничение многих подходов к безопасности: проверка датасетов по отдельности может не поймать эффекты, которые возникают только при смешивании.

Но важно отметить, что исследователи проводили эксперименты на небольших открытых моделях и специально подобранных датасетах.

Google с коллегами создали новый тип ИИ-агента для потокового видео

Эта работа интересна тем, что раньше ИИ учили точнее выполнить то, что просят, а теперь учат замечать то, что не просили и вмешиваться в нужный момент.

Команда исследователей из Google, Stanford и других университетов предложила новую модель поведения ИИ-агентов - StreamVibe.

Здесь ИИ-агент не ждёт команды от пользователя, он непрерывно наблюдает за тем, что происходит в кадре, понимает цели пользователя, в том числе неявные, отслеживает, как они меняются по ходу задачи, и сам решает, когда и как помочь.

Авторы работы выделяют 3 сценария:

1. Когда есть явная цель, например, человек ставит кастрюлю с водой и говорит: «Предупреди, когда вода закипит». Агент следит за видео и сообщает тогда, когда вода начинает кипеть.

2. Неявная цель, например, человек просит: «Помоги мне сделать мини-рулеты с джемом», и не уточняет, что именно подсказывать. Агент сам определяет нужные моменты: обрезать корочки перед тем, как наносить джем, и тд.

3. Когда цель меняется на ходу. Сначала человек просит подводить итог после каждого этапа, и агент это делает, а потом просит говорить только об ошибках. Агент перестраивается и подсказывает уже только порядок действий, когда видит, что человек собирается ошибиться.

Для этого авторы собрали бенчмарк из 4100 примеров и 183 часов видео, обучили модель StreamVibe-VL в два этапа и добавили харнесс, который удерживает в памяти прогресс задачи и прошлые ответы.

Влиятельные люди из Уолл-стрит запускают хедж-фонд, управляемый ИИ-агентами

Надо отметить, что 8 октября на одной из конференций Сбера, Герман Греф сказал, что они тоже создают аналогичный фонд, но пока тестируют на себе и на своих деньгах.

А тут бывшие топы Capital Group и Goldman Sachs уже основали инвестиционную компанию Poesis и сейчас привлекают капитал в новую стратегию хедж-фонда AI Clarity, которую в основном ведут ИИ-агенты и модели.

Первая стратегия - AI Clarity откроется для внешних инвесторов в начале 2027 года, хотя сами основатели уже с августа торгуют на ней своими деньгами.

Работа устроена таким образом, что ИИ-агенты, использующие количественные модели, делают исследования, генерируют торговые идеи и помогают с таймингом.

А финальное решение остается за человеком: каждую сделку утверждает инвестиционная команда.

Комиссии у них такие же, как обычных хедж-фондов: 1% за управление и 20% от прибыли.

Ранее мы писали, как бывшие сотрудники DeepMind зарабатывают на квантовых хедж-фондах.

ByteDance отстает от Anthropic и OpenAI на 3-4 года

Об этом на встрече с сотрудниками сооснователь ByteDance сказал, а именно, что конкурировать с Anthropic и OpenAI они смогут к 2029–2030 гг.

Главная проблема, по его мнению - данные.

Модели Seed компании предобучаются на датасетах, которые на порядки меньше, чем у конкурентов.

Отметим, что несколько дней назад мы опубликовали большой анализ рынка данных для ИИ-моделей. Сегодня индустрия и инвесторы относят данные для моделей к новой структуре капитала.

На данный момент ByteDance готовит персонального ИИ-агента, похожего на Muse, его планируют интегрировать в популярный китайский чат-бот Doubao.

Google выпустила ИИ-модель для расшифровки механизмов болезней на уровне отдельной клетки

Модель называется AlphaGenome 2 и решает задачу, казавшуюся почти неразрешимой: почему одна и та же мутация в ДНК в одних клетках вызывает болезнь, а в других проходит бесследно.

AlphaGenome 2 предсказывает влияние вариантов ДНК в разных конкретных типах клеток, открывая ключевую информацию для понимания сложных заболеваний.

Модель обучена на огромном массиве: более 100 млн профилей отдельных клеток из 68 тканей человека и мыши.