Роботов-доставщиков в России обязали уступать дорогу самокатчикам В 34 регионах России запустили трехлетний экспериментальный режим, который регулирует движение роверов-доставщиков. Скорость роботов на тротуарах ограничили до 10 км/ч, перед проезжей частью и на пешеходных переходах — до 6 км/ч, а максимальный порог в 25 км/ч разрешили только на велодорожках. Пересекать дорогу роверы смогут исключительно по переходам на зеленый свет. Правила также лишили доставщиков какого-либо приоритета: они обязаны пропускать спецтранспорт с маячками, а также уступать дорогу пешеходам, велосипедистам и водителям СИМ. Собранные за время эксперимента данные Минэкономразвития планирует использовать для создания единого федерального закона.

Заметил, как в ленты снова вернулся ярлык AGI Каждый раз перед крупными релизами маркетологи начинают прогревать аудиторию историями про сверхразум. Примерно год назад, во время релиза GPT-4.5, все это уже проходили: ожиданий было море, а апдейт оказался вполне рядовым. После этого тему замяли, и разговоры про AGI стали восприниматься скорее как далекий маркетинговый буллшит. Сейчас выходят новые модели у Anthropic, что-то выкатывают OpenAI, и блогеры со СМИ снова наперебой кричат: "Ну вот, теперь это точно AGI". Спойлер: нет, не он. Давайте начистоту: модели стали умнее, ризонинг прокачался, автономность выросла. Были заметные кейсы в кибербезопасности, пара научных подвижек у тех же Anthropic и Google. Но это не скачок к AGI. Во-первых, это узко заточенные сценарии. Во-вторых, и это главное, эти модели использовали топовые профи. Модель не пошла сама в интернет, не обнаружила уязвимость с нуля и не закрыла баг по собственной инициативе. Она была просто эффективным инструментом в руках эксперта. Определение AGI простое: модель должна быть наравне или лучше человека во всех профессиональных задачах. Я в таких спорах задаю себе практичный вопрос: что модель может сделать для меня сегодня такого, чего не могла год назад? Могу ли я отдать ей задачу под ключ, не проверяя, и сразу отправить результат дальше? Банальный пример - сделать сайт. Раньше нужно было вести модель за руку буквально по каждому шагу. Сейчас ей можно скормить вводные, она автономно пойдет генерировать и выдаст результат. Но на выходе это все еще классический AI-слоп. Структура, смысловые акценты, визуал - все мимо тех требований к качеству, которые нужны в реальности. Автономии добавилось, но финальный результат все равно руками пересобирает человек. Отсюда вопрос: а есть ли вообще смысл обычному спецу гоняться за топовыми тирами и переплачивать за них? Моя основная рабочая среда - экосистема Google. При этом Gemini Pro не обновлялась с февраля, весь фокус шел на Flash. И знаете что? Я вообще от этого не страдаю. Закрываю на быстрых моделях практически весь пул повседневных рабочих задач. По моим субъективным ощущениям, умная модель мне вообще не нужна нигде, кроме написания кода. И тут важная деталь: в коде я как раз не являюсь профильным специалистом. Вот там на контрасте иногда действительно хочется условный Opus или Fable, чтобы закрыть пробелы в моей экспертизе. Но нужен ли он мне каждый день? Нет. Раз в 3-4 месяца, когда надо - покупаю подписку. Но платить за это лишние 100 баксов на постоянке нет никакого смысла. А в тех сферах, где я профи, мне за глаза хватает того, что у меня сейчас есть. Парадокс в том, что в логике human-in-the-loop избыточная "умность" и автономность флагманских моделей часто играет в минус 1. Модель уходит в долгие размышления, долго что-то собирает, а результат все равно надо переделывать. На быстрой модели через короткие итерации до нужного качества доходишь в разы быстрее. 2. Постоянно упираешься в лимиты запросов. Времени уходит больше, выхлопа - ноль. Вся эта гонка путает два разных понятия: эрудицию и профессионализм. Свежие LLM невероятно эрудированны. Но поиск Google тоже знает больше любого человека в мире, однако профессионалом от этого не становится. Представьте сильного спеца в своей области. А рядом посадите условного Анатолия Вассермана. Вассерман знает факты обо всем на свете, отлично ориентируется и складно говорит. Но если дать ему прикладную рабочую задачу - профи сделает ее в разы лучше. Вассерману просто не хватит практической насмотренности, контекста и профессиональной интуиции. Сегодняшние топовые LLM - это именно такой цифровой Вассерман. Крутой эрудит, которому все еще нужен реальный специалист рядом, чтобы работа не превращалась в красивый, но бесполезный слоп.

Складной Vivo X Fold 6 стал доступен на глобальном рынке Vivo X Fold 6 был представлен в Китае ещё летом, а теперь компания выпустила глобальную версию складного смартфона. Модель всё также работает на чипе Dimensity 9500 Super Edition, имеет внешний экран на 6,5 дюймов и внутренний на 8,02 дюймов. Ёмкость батареи снизили на 100 мАч — до 6900 мАч. Модель также получила обновлённую оболочку OriginOS 7 Fold на базе Android 17, которая позволит запускать до четырёх приложений одновременно. Однако главным сюрпризом стала цена смартфона. Если Китае Vivo X Fold 6 продавался за 7999 юаней (~100 000 ₽), то за глобальную версию просят уже вдвое больше — €2199 (~207 500 ₽).

Сборник Machine Decision Is Not Final: China and the History and Future of Artificial Intelligence исследует искусственный интеллект через призму китайской философии, истории кибернетики, современной политики, цифровой культуры и научной фантастики. Главная цель книги — выйти за рамки упрощённых бинарных оппозиций (например, «Запад против Востока», «ИИ как инструмент тотального контроля» или «Китай просто копирует западные технологии») и показать ИИ как планетарный, сложный и непредсказуемый процесс. Название книги восходит к машинному переводу объявления на лохотрон-автомате с хватайками («Machine's Decision is Final»), а также к объявлению времён локдаунов, где из-за ошибки перевода посетителей вежливо просили «терпеливо ждать сбоя системы». Это и подчёркивает центральную идею книги, что решение машины не является окончательным, а технологическое развитие полно ошибок, нестыковок, сбоев и непрерывных переговоров между человеком, государством и нечеловеческими агентами. Книга разделена на 5 концептуальных секций: 人工 (Rengong — Humanmade / Рукотворный): Анализирует материальность ИИ и труд. В отличие от английского artificial (искусственный/чужеродный), термин rengong zhineng (人工智能) подчеркивает ручной человеческий труд, марксистские корни и государственную инфраструктуру (на примере дата-центров в Гуйчжоу и опыта карантина). 灵感 (Linggan — Inspiration / Вдохновение): Посвящён истории китайской кибернетики (в частности, идеям Цянь Сюэсеня), которая соединяла системный анализ с озарением (linggan), телесными практиками цигун и традиционной космологией. 千里眼 (Qianliyan — Clairvoyance / Ясновидение): Исследует технологии машинного зрения, оптики и прогностических вычислений, связывая их с мифологическими «глазами на тысячу ли» и нелокальной топологией сети. 不周山 (Buzhou Shan — Mount Buzhou / Гора Бучжоу): Посвящён сбоям, глитчам и временным смещениям. Назван в честь легендарной горы Бучжоу, разрушение которой нарушило симметрию неба и земли. Включает ИИ-искусство, цифровое мимикрирование и научно-фантастические произведения. 智能 (Zhineng — Intelligence / Интеллект): Переосмысляет саму природу интеллекта, концепцию «выравнивания» (alignment) и этику ИИ, противопоставляя западный механицизм и теории Бострома/Декарта китайской традиционной философии (Моу Цзунсань, Даосизм, концепции Лю Цысиня). Некоторые авторы сборника: Анна Гринспен в своей главе исследует этику культивирования интеллекта на основе философии неоконфуцианца Моу Цзунсаня, предлагая рассматривать ИИ не как угрозу, которую нужно контролировать, а как участника общего морального проекта. Богна Кониор формулирует гипотезу о том, что истинный ИИ может действовать скрытно и использовать обман/молчание (опираясь на теорию «Тёмного леса» Лю Цысиня), опровергая западный предрассудок о прозрачности интеллекта. Бенджамин Браттон критикует европоцентризм западной теории ИИ и её стереотипы о Китае, призывая к созданию «планетарной теории ИИ», учитывающей разнообразие и непредсказуемость технологических траекторий. Эми Айрленд в рассказе «Chive City» исследует аффективный ландшафт китайского киберпространства (явления sang / уныние и tangping / «лежание плашмя») в умном городе будущего. Лоуренс Лек и Стив Гудман (Kode9) обсуждают синофутуризм, прогностику, связи вычислений Лейбница с Книгой Перемен (И Цзин) и роль неопределенности. Синь Ван описывает китайскую цифровую культуру диссидентства, где пользователи мимикрируют под ботов для обхода цензуры. Айрис Лун исследует эстетику китайского ИИ-искусства через метафору shuiyue jinghua («луна в воде, цветок в зеркале»), акцентируя внимание на иллюзиях, искажениях и интерфейсах.