Transcription
Всем привет. В этом выпуске самые яркие и главные новости из мира технологий и искусственного интеллекта.
Рекурсивные модели могут стать основой для нового этапа развития ИИ. 1,4 триллиона долга и плана на 2026 год. Сэм Альтман рассказал, как собирается захватить рынок ИИ. Gemini 3.0 Pro разгадал пятисотлетнюю тайну. На соревнованиях по программированию искусственный интеллект впервые обошёл всех людей. Об этом и многом другом в этом выпуске. Смотрите это видео до конца, чтобы ничего не пропустить.
Google выкатил подборку бесплатных AI-курсов с сертификатами, без оплаты, без подписок. Я собрал 10 лучших. Переходите и смотрите подборку в моём Telegram-канале по ссылке в описании под видео. На бесплатных курсах вы обучитесь тому, как работает генеративный ИИ, и чем он отличается от классического машинного обучения. База по работе с искусственным интеллектом в ежедневных задачах, промт-инженерии и работа с GNAI в реальных кейсах, а также многое другое. Всё в моём Телеграме по ссылке в описании под видео.
Сегодня хочу показать по-настоящему удобный сервис для работы с EIORO.ru. Если вы устали держать десятки вкладок ради разных нейросетей, постоянно переключаться между ChatGPT, GMI, CLD и ещё какими-то сайтами, да ещё и включать VPN, то EIORO решает эту проблему. Это единая платформа, где собраны все топовые нейросети в одном интерфейсе. Заходите и сразу можете работать с чат-моделями, изображением и видео. Без VPN, без регистрации в каждом отдельном сервисе, без переключения между окнами. При первом входе сразу же открывается чат. На бесплатном тарифе доступна GPT5 Nano. Облегчённая, быстрая и очень экономная версия GPT5, идеально подходящая для повседневных задач. На платных тарифах открывается полный арсенал GPT5, Geminii, CLD, GRK и другие модели. Всё работает быстро, стабильно и полностью на русском языке.
Отдельно хочу показать два ключевых раздела. Первый — это генерация изображений. Это полноценный каталог лучших визуальных моделей: Nan Banana, GPT Image 1.5, Flux, Quen Image. Интерфейс простой. Выбираете модель, вводите описание, задаёте соотношение сторон и генерируете. Можно добавлять референсы, менять формат, повторять генерации — всё из одного окна. Второе — это генерация видео. Здесь собраны самые актуальные видеомодели: Google Veo 3.1, CLН и многие другие модели. Можно делать ролики по тексту или загружать изображение и превращать его в видео. Настраивается разрешение и длительность, соотношение сторон, и система показывает готовый ролик прямо в интерфейсе.
Отдельный плюс Айора — это тарифы. Вместо того, чтобы оплачивать каждую модель отдельно, вы покупаете один тариф и получаете доступ ко всему набору. На тарифах различается количество токенов и генерации изображений. Ну и главный бонус — это документация, которая заменяет полноценный курс по работе с нейросетями. Всё бесплатно, структурировано и понятно: от основ промтинга до продвинутых техник. Если хотите работать без лишних хлопот и переключений, протестировать разные модели или просто упростить себе жизнь, можете зайти наora.ru по ссылке в описании. Все нейросети в одном окне. Удобно, быстро и без каких-либо ограничений по странам.
За последние несколько лет мы наблюдали одну и ту же гонку почти у всех крупных языковых моделей. Контекстное окно постоянно увеличивалось. Сначала 8.000 токенов, потом 32.000, затем 100.000, а теперь уже говорят о моделях с миллионами токенов. На бумаге это выглядит как решение всех проблем: просто загрузи в запрос весь нужный текст и пусть модель сама разберётся. Но в реальном использовании всё оказывается куда сложнее. Качество ответов падает, рассуждения становятся расплывчатыми, стоимость запросов резко растёт, а в какой-то момент модель просто теряет нить рассуждений.
Именно здесь появляется новая идея, которая предлагает смотреть на проблему совсем иначе. Речь не о ещё большем окне контекста, не о более крупной модели и не о хитрой компрессии данных. Исследователи из МИД вместе с Прайм Интеллект предлагают пересмотреть сам принцип того, что языковая модель должна видеть. Их подход, называемый рекурсивными языковыми моделями, предлагает не загружать весь текст внутри модели, а рассматривать его как внешний мир, с которым модель может взаимодействовать. Вместо того, чтобы читать всё сразу, модель исследует данные постепенно. Она может просматривать отдельные фрагменты, искать нужные слова, извлекать куски текста, писать простой код для навигации по информации и даже вызывать более компактные версии самой себя, чтобы разобраться с отдельными частями задачи.
На первый взгляд это звучит абстрактно, но по сути идея довольно интуитивна: модель больше не пытается удержать всё в памяти. Она работает с информацией шаг за шагом. Причина, по которой это важно, связана с проблемой, которую исследователи называют "гниением контекста". Даже самые продвинутые модели начинают работать хуже по мере роста входных данных. Если задача простая, например, найти конкретную фразу в большом документе, всё ещё может работать относительно стабильно. Но как только ответ зависит от множества частей текста или от связи между ними, качество резко падает. Это хорошо видно в тестах, где требуется сравнивать или преобразовывать большие наборы данных. В таких сценариях производительность модели может обрушиваться почти до нуля, причём ещё до того, как будет достигнут формальный предел контекстного окна. Проблема заключается не только в количестве токенов, но и в том, как именно модель их обрабатывает.
В подходе с рекурсивными моделями весь большой текст остаётся снаружи, как документ на столе. Модель получает инструкции, как с ним работать, и обращается к нему только тогда, когда это действительно нужно. Она может пролистать нужные части, сделать заметки, запросить краткое резюме у вспомогательной модели и затем собрать итоговый ответ. Это похоже на работу человека с книгой. Никто не учит её наизусть целиком. Достаточно уметь быстро находить нужные страницы и выделять важные места. Такой подход особенно хорошо проявляет себя, когда объём данных становится огромным. В одном из тестов модели дают доступ сразу к сотням или даже тысячам документов, что в сумме составляет миллионы слов. Обычная модель физически не способна прочитать всё это за один проход. Рекурсивная модель этого и не делает. Она сканирует данные, ищет релевантные фрагменты и игнорирует всё остальное. В результате размер входных данных перестаёт быть главным ограничением, куда важнее становится умение модели ориентироваться в информации.
Результаты таких экспериментов выглядят впечатляющими. В задачах, где традиционный подход либо слишком дорог, либо просто не работает, рекурсивные модели показывают высокую точность при меньших затратах. Причём интересно, что даже упрощённые версии этого подхода, где модель просто выносит контекст во внешнюю среду, без сложной рекурсии, уже дают заметный прирост качества. Это говорит о том, что сама идея разгрузки памяти модели играет ключевую роль. На самых сложных задачах, где требуется учитывать связи между множеством элементов, разница становится ещё более наглядной. Там, где обычные модели практически бесполезны, рекурсивный подход позволяет получать осмысленные результаты. При этом модель работает иначе и на уровне рассуждения. Сначала она бегло оценивает, с каким типом данных имеет дело, затем выборочно ищет важные части, дробит задачу на более мелкие куски и обрабатывает их по отдельности, иногда с помощью вспомогательных моделей. Итоговый ответ собирается постепенно, как мозаика. Важную роль здесь играет и способ формирования длинных ответов. Вместо того, чтобы пытаться сгенерировать всё за один раз, модель сохраняет части результата и объединяет их в конце. Это позволяет обходить ограничения на длину вывода и снижает количество ошибок. Рекурсия даёт модели возможность возвращаться, перепроверять свои шаги и уточнять выводы. Иногда это приводит к лишним проверкам и росту стоимости, но в целом модель получает инструмент для работы с информацией, а не просто для её поглощения.
С точки зрения эффективности картина получается неоднозначной, но обнадёживающей. В среднем такие системы могут быть даже дешевле одного большого запроса к модели с гигантским контекстом. При этом разброс затрат остаётся высоким. Некоторые запуски проходят быстро, другие могут долго облуждать по данным. Авторы подчёркивают, что текущие реализации далеки от оптимальных и оставляют много пространства для улучшений. Прайм Интеллект пошли дальше и превратили исследовательскую идею в практическую систему, где главные модели занимаются только рассуждениями, а вся тяжёлая работа с данными выносится во внешнюю среду и на вспомогательные модели. Такой чёткий раздел обязанностей оказался важным. Большие объёмы текста никогда не загружаются напрямую в основную модель, а она работает лишь с короткими заметками и промежуточными результатами. Интересно, что разные базовые модели ведут себя в такой системе по-разному. Одни действуют осторожно и экономно, другие слишком активно дробят задачи и вызывают помощников. Это показывает, что успех рекурсивного подхода сильно зависит от способности модели принимать взвешенные решения. Пока такие навыки не являются результатом специального обучения, но именно здесь исследователи видят большой потенциал.
В перспективе рекурсивные модели могут стать основой для нового этапа развития ИИ. Вместо бесконечного увеличения размеров модели и контекстных окон появляется дополнительное измерение — умение эффективно работать с огромными объёмами внешней информации во время выполнения запроса. Это похоже на идеи из классической информатики, где алгоритмы обрабатывают данные, превышающие объём памяти, за счёт умного управления загрузкой. Если этот подход будет развиваться дальше, он может дать ответы на вопросы, которые давно волнуют разработчиков. Смогут ли ИИ-системы работать с гигантскими кодовыми базами, корпоративными знаниями или месячными логами, не теряя важных деталей? Судя по текущим результатам, это один из самых конкретных и практичных шагов в этом направлении за последнее время.
В штаб-квартире OpenAI Сэм Альтман в недавнем разговоре довольно откровенно описал, в каком состоянии находится компания и каким он видит ближайшее будущее искусственного интеллекта. Несмотря на то, что ChatGPT остаётся самым узнаваемым и массовым ИИ-продуктом в мире, сам Альтман подчёркивает: расслабляться в OpenAI никто не собирается. Наоборот, внутри компании царит режим постоянной мобилизации, которую он сам называет своеобразным "красным кодом". Усиление конкуренции со стороны таких игроков, как Google с его новыми моделями и китайский проект Deepsi, заставляет OpenAI действовать быстрее и жёстче, чем когда-либо раньше. По словам Альтмана, периоды максимального напряжения стали для компании нормой. Несколько раз в год команда на 6-8 недель буквально концентрируется на устранение слабых мест, пересматривает приоритеты и ускоряет принятие решений. В OpenAI считают, что лёгкая паранойя в условиях гонки ИИ — это не недостаток, а конкурентное преимущество. Именно она позволяет не упустить момент, когда рынок начинает резко меняться.
При этом Альтман уверен, что позиции ChatGPT в ближайшие годы будут только укрепляться. Сейчас сервисом, по его оценке, пользуются сотни миллионов людей каждую неделю. И ключевая причина этой популярности — персонализация. Чем дольше человек взаимодействует с системой, тем сильнее она подстраивается под его стиль, задачи и привычки. Альтман сравнивает это с выбором бытовых мелочей: однажды найдя свою зубную пасту, человек покупает её снова и снова. Такой эффект привыкания, по его мнению, станет ещё сильнее по мере развития интерфейсов. В OpenAI считают, что привычный чат — лишь промежуточный этап. В будущем ИИ должен перестать быть инструментом, который реагирует на запрос, и превратиться в проактивного помощника, способного работать в фоновом режиме, брать на себя задачи и возвращаться к пользователю уже с готовым результатом. Это радикально меняет представление о том, как люди будут взаимодействовать с технологиями.
Для оценки прогресса внутри компании используют собственную метрику, которую Альтман называет "показателем ВВП" — условной мерой того, насколько хорошо модуль справляется с задачами интеллектуального труда. По внутренним данным OpenAI, модель GPT-4 и GPT-2 уже превзошла или сравнялась с работниками умственного труда примерно в семь случаях из десяти, если речь идёт о чётко сформулированных задачах вроде анализа данных, написания кода или подготовки презентации. В более сложных экспертных сценариях результаты пока скромнее, но и там ИИ всё чаще выходит на уровень, который ещё недавно считался чисто человеческим.
Говоря о будущих релизах, Альтман подтвердил, что OpenAI готовит крупные обновления в начале 2026 года. Он не стал называть конкретные названия, но дал понять, что новые модели должны принести заметные улучшения. Для обычных пользователей акцент будет сделан на удобство и простоту, тогда как корпоративным клиентам компания обещает системы с существенно более высоким интеллектуальным уровнем.
Отдельной темой стала разработка собственного железа. OpenAI действительно работает над семейством потребительских устройств. И речь идёт не о прямой замене смартфона, а попытке заново переосмыслить сам формат взаимодействия с ИИ. Альтман считает, что экраны и клавиатуры во многом ограничивают потенциал таких систем и допускают появление устройств, которые вообще обходятся без привычного дисплея.
Самой же спорной частью стратегии остаётся инфраструктура. Альтман открыто говорит о колоссальных затратах на вычислительные мощности, которые в перспективе могут измеряться триллионами долларов. Он называет вычисления "кровью искусственного интеллекта" и утверждает, что без радикального наращивания мощностей прогресс просто остановится. По его словам, если бы у OpenAI сегодня было вдвое больше ресурсов, выручка компании могла бы быть вдвое выше. При этом выход на устойчивую прибыль ожидается лишь к концу десятилетия, а нынешние убытки рассматриваются как осознанные инвестиции в будущее.
Наконец Альтман затронул тему общего искусственного интеллекта и признал, что споры о точных определениях теряют смысл. По его мнению, человечество уже вошло в "размытую зону", где ИИ выполняет всё больше функций, ранее доступных только людям. Следующая цель OpenAI — создание систем сверхразума, способных управлять крупными компаниями или научными организациями эффективнее любого человека. Главным ограничением сегодняшних моделей он называет отсутствие настоящего непрерывного обучения, умение осознавать собственные пробелы и самостоятельно восполнять знания. Именно решение этой проблемы, считает Альтман, станет ключом к следующему этапу эволюции искусственного интеллекта.
Стартап Zero Robotics представил робота-помощника V1, который внешне напоминает приземлённую рабочую версию Валли из мультфильма Pixar. Это не игрушка, а утилитарное устройство, рассчитанное на повседневное использование дома и на участке. V1 — компактный робот на гусеницах высотой около 57 см. Он оснащён лидаром, камерами и датчиками, благодаря которым способен самостоятельно ориентироваться в пространстве, передвигаться в помещении и на улице, а также следовать за владельцем. Робот может перевозить грузы весом до 50 кг, делать фотографии и использоваться для патрулирования территории. Максимальная скорость движений составляет около 1,8 км/ч. В США предзаказ на V1 открыт по цене 5.599 долларов. Версия с каноничным дизайном в стиле Валли будет доступна только в Китае из-за лицензионных ограничений Диснея, тогда как остальным рынкам предложат более нейтральный вариант. Zero Robotics рассчитывает, что V1 займёт нишу универсального домашнего помощника и станет одним из первых шагов к массовой персональной робототехнике.
В конце декабря исследователи искусственного интеллекта получили неожиданную подсказку к загадке из мира старинных книг. Речь о роскошно раскрашенном экземпляре Нюрнбергской хроники 1493 года — одной из самых известных ранних печатных энциклопедий, изданной в Нюрнберге и украшенной множеством гравюр из мастерской Михаэля Вольгемута, где тогда учился молодой Альбрехт Дюрер. На одной из страниц, посвящённой Аврааму, давно спорили из-за четырёх кругов на полях. Внутри латинские сокращения и римские цифры. Было ясно, что это даты, но несколько специалистов так и не смогли уверенно объяснить, что именно хотел сказать неизвестный читатель.
Разобраться попытались с помощью Gemini 3 Pro — модели, которую выбрали из-за сильных возможностей визуального анализа. В систему загрузили снимки разворота и увеличенные фрагменты самих кругов, попросив переписать латинский текст, перевести и связать его со смыслом страницы. По итогу Gemini предложил наиболее цельную версию: круги — это таблица перевода дат, сделанные прежним владельцем книги. В самой хронике рождение Авраама приводится сразу в двух традициях, которые расходятся: по греческой линии (Сиптуагинта) и по еврейской (Масарецкий текст). Одна даёт 3184 год от сотворения мира, другая — 2040. Неизвестный автор пометок, как следует из интерпретации, выписал обе цифры и перевёл их в формат до Рождества Христова, получив два значения — 2015 и 1915 годы до нашей эры. Так он визуально зафиксировал проблему разных библейских хронологий и их разницу ровно в 100 лет, пытаясь прояснить общую цепочку событий. Даже если модель ошиблась в отдельных штрихах и паре цифр, её логика впервые убедительно связывает все элементы на странице в одно объяснение. И главное — показывает, что современные системы уже способны не просто распознавать старинный текст, но и восстанавливать ход мысли человека, который оставил пометку 500 лет назад.
В мире высоких технологий всё чаще говорят о переносе вычислений ближе к человеку. И новый проект Omnia хорошо вписывается в эту логику. Речь идёт о необычном устройстве, которое внешне больше напоминает аккуратный чемодан, чем привычный сервер или стойку из дата-центра. При этом внутри скрывается полноценный суперкомпьютер, способный выполнять задачи, для которых раньше требовалась отдельная серверная комната. Создатели Omnia делают ставку на максимальную автономность и простоту. Устройство не требует подключения к крупной инфраструктуре, сложных настроек или постоянной работы с удалёнными дата-центрами. Его можно привезти в офис, лабораторию или исследовательский центр, подключить к обычной розетке и практически сразу приступить к работе. Такой подход особенно привлекателен для команд, которым важно быстро разворачивать вычислительные мощности на месте, не зависеть от облаков и сетевых задержек.
По своей производительности Omnia сопоставим с отдельной серверной стойкой, используемой в классических дата-центрах. Он рассчитан на тяжёлые и ресурсоёмкие задачи: обучение крупных нейросетей, сложные симуляции, научные и инженерные расчёты. При этом разработчики подчёркивают, что устройство создавалось именно как мобильное решение. Его можно без проблем перевозить между офисами, лабораториями и даже странами, что открывает новые сценарии использования для бизнеса и науки. В итоге Omnia выглядит как попытка переосмыслить саму идею суперкомпьютера. Вместо громоздких помещений с охлаждением и сложной логистикой — компактный и относительно простой в обращении вычислительный чемодан. Такой формат может оказаться особенно востребованным в эпоху быстрого развития искусственного интеллекта, когда мощные вычисления нужны не где-то далеко, а здесь и сейчас.
На выставке CES 2026 компания Razer показала своё представление о будущем игровых компаньонов для геймеров, представив обновлённый Project AVA. Это настольное устройство в виде прозрачного цилиндра с голографическим аватаром внутри, который задуман как постоянный цифровой помощник. Он наблюдает за пользователем и происходящим на экране, реагирует на действия и сопровождает игровой процесс комментариями. Внутри цилиндра высотой около 5,5 дюймов отображается трёхмерная фигурка, которая смотрит на владельца через встроенную камеру, отслеживает его взгляд и мимику и анализирует происходящее в игре. Такой формат, по замыслу Razer, должен сделать взаимодействие с искусственным интеллектом более живым и личным, чем привычные чаты или голосовые ассистенты. На старте доступны два аватара: аниме-девушка Кира и персонаж по имени ZN с татуировками. В компании обещают со временем расширить выбор образов, добавив как нейтральные варианты, так и персонажей, вдохновлённых реальными киберспортсменами. Аватар умеет синхронизировать речь и движение губ, выражать эмоции, подсказывать по игре, помогать с решением задач и общаться через микрофон и отдельную клавишу. В демонстрации интеллектуальную часть системы обеспечивала модель GRK, а сам Project AVA выглядит как шаг к тому, чтобы ИИ стал постоянным цифровым спутником на рабочем столе геймера.
На японском соревновании COD Archreestic Contest 058 искусственный интеллект впервые обошёл всех людей-программистов в реальном оптимизационном контесте. Агент ALE, созданный стартапом Sakana AI, занял первое место, оставив позади 804 участника-человека. Турнир длился 4 часа, и всё это время алгоритм соревновался с опытными программистами, которые привыкли считать такие задачи своей территорией. Сам факт победы оказался не только символическим, но и, на удивление, прагматичным. По словам разработчиков, вся гонка обошлась компании примерно в 1.300 долларов. Именно столько стоило обращение к моделям GPT-4 и Gemini 3 Pro, на базе которых работал агент. Для индустрии, где счёт обычно идёт на сотни тысяч и миллионы, эта сумма выглядит почти скромно.
Задание контеста отражало типичную головную боль реального производства. Участникам предложили модель иерархической фабрики, где одни машины выпускают другие машины, а от правильного плана зависит итоговая эффективность всей системы. Подобные задачи знакомы логистике, промышленности и управлению цепочками поставок. Обычно программисты решают их проверенными методами: жадными алгоритмами, симуляциями и постепенной настройкой параметров. Однако ALE выбрал иной путь. Вместо аккуратного улучшения уже известных решений, агент начал рассуждать о системе в целом. Он оценивал ещё непостроенные машины так, будто они уже работают. Резко менял стратегию при первых признаках тупика и не боялся полностью перестраивать план. Первые 2 часа ALE агент вообще не отправлял решений, но затем почти сразу вырвался вперёд в очном противостоянии с одним из сильнейших участников — программистом Йо Сипо — и вышел в лидеры задолго до финала и больше не уступал первое место.
Название Sakana, которое по-японски означает "рыба", разработчики выбрали не случайно. Компания вдохновляется природными системами и коллективным поведением. И в этом случае такой подход неожиданно сработал лучше классических инженерных приёмов. Тем не менее, сами авторы подчёркивают, что говорить о конце человеческого программирования рано. Виртуальный рейтинг агента на платформе EDGER соответствует лишь шестьдесят шестому месту, а в предыдущих соревнованиях он занимал позиции гораздо ниже. Одна победа пока не гарантирует стабильного доминирования, и всё же этот результат трудно игнорировать. Искусственный интеллект впервые самостоятельно придумал нетривиальные алгоритмы, выиграл живое соревнование у людей и сделал это с минимальными затратами. Для мира программирования это сигнал о том, что ИИ перестаёт быть просто инструментом и всё чаще становится полноценным участником интеллектуальной конкуренции.