ainews
Создать
Войти
Стартап Railway из Сан-Франциско привлёк $100 млн в раунде серии B, предлагая облачную платформу, оптимизированную под скорость AI-разработки. Компания обещает деплой за секунду вместо минут, цены вдвое ниже AWS и собственные дата-центры — при команде в 30 человек и 2 млн пользователей, пришедших без маркетинга.
Salesforce выпустил полностью переписанный Slackbot — теперь это AI-агент на базе Claude от Anthropic, способный искать данные по всей корпоративной инфраструктуре, писать документы и выполнять задачи. Внутри компании его освоили две трети из 80 000 сотрудников, а удовлетворённость достигла 96%. В этом году добавят Gemini и, возможно, OpenAI.
Исследователи из Berkeley AI Research предложили альтернативу традиционному обучению с подкреплением на основе temporal difference (TD). Новый подход использует принцип «разделяй и властвуй», разбивая траекторию на сегменты и комбинируя их значения. Это позволяет логарифмически (а не линейно) сокращать ошибки обучения и масштабироваться на задачи с длинным горизонтом планирования, где классический Q-learning буксует.
Себастьян Рашка опубликовал детальный технический разбор архитектуры Qwen3 — одной из самых популярных открытых языковых моделей. Материал включает реализацию с нуля на PyTorch всех ключевых компонентов: от плотных версий до Mixture-of-Experts архитектур. Qwen3 выделяется коммерческой лицензией Apache 2.0, производительностью на уровне Claude Opus 4 и широкой линейкой моделей от 0.6B до 480B параметров.
2025 стал годом прорыва reasoning-моделей (LLM с «объяснением хода мыслей»), который возглавил китайский DeepSeek. Их метод RLVR+GRPO позволил обучать топовые модели за $5-6 млн вместо $50-500 млн и без дорогой ручной разметки. Теперь каждая крупная лаборатория выпускает свою версию reasoning-модели, но прогресс не остановился: появились мультимодальные reasoning-модели, улучшилась эффективность, а OpenAI и другие уже работают над следующим поколением.
Автор книги Co-Intelligence заметил сдвиг в работе с AI: раньше мы были партнёрами, корректирующими ошибки ИИ и направляющими его, теперь — становимся зрителями магического процесса. GPT-5 Pro и Claude 4.1 выдают поразительные результаты на простые запросы (находят ошибки в научных статьях, переделывают сложные Excel-модели), но мы не знаем, как именно они это делают и насколько можно доверять выводам. Это переход от со-интеллекта к работе с «волшебником»: магия происходит, но мы лишь получаем результат, не участвуя в процессе.
Исследователи из Berkeley AI Research впервые создали полную математическую теорию обучения word2vec — алгоритма, предшествовавшего современным языковым моделям. Оказалось, что word2vec учит концепты последовательно, одну за другой, а финальные представления слов можно получить простым методом главных компонент (PCA). Эта теория объясняет, почему embeddings слов обладают линейной структурой и позволяют решать аналогии типа «король — королева».
Стандартные бенчмарки AI (вроде MMLU или AIME) имеют массу проблем: в них попадают ошибки, модели учатся под тесты, а результаты не всегда коррелируют с реальной пользой. Эксперты разработали неформальные методы оценки «на вайбах» — просят AI нарисовать пеликана на велосипеде или написать рассказ с ограничениями. Это помогает понять, какая модель лучше подходит именно для ваших задач, а не просто имеет высокие цифры в отчётах.
Исследователи AI обнаружили «Горький урок»: вместо того чтобы вручную кодировать человеческое понимание проблем, эффективнее просто дать AI больше вычислительных мощностей — и он сам найдёт решение. Это меняет подход к внедрению AI в организациях: возможно, не нужно разбираться с хаосом процессов — достаточно дать агентам больше автономии и данных.
OpenAI протестировала новые модели на задачах, которые занимают у экспертов с 14-летним опытом 4–7 часов. ИИ почти сравнялся с людьми, проигрывая в основном из-за форматирования, а не из-за ошибок по сути. Claude Sonnet 4.5 самостоятельно воспроизвёл результаты сложного экономического исследования — задача, которая у человека заняла бы часы и могла бы решить кризис воспроизводимости в науке.
