22 исследователя, включая Джеффри Хинтона, Йошуа Бенджио, главного научного сотрудника OpenAI Якуба Пачоцки/Пахоцки и сооснователя Anthropic Джека Кларка, опубликовали в Кембридже статью о риске «интеллектуального взрыва» — резкого ускорения прогресса ИИ за счёт того, что сам ИИ начинает автоматизировать собственную разработку. По их мнению, годы научного прогресса могут сжаться в месяцы, а это грозит потерей контроля над моделями и сломом баланса сил между компаниями и странами.

Авторы ссылаются на внутренние данные Anthropic о резком росте доли кода и R&D-работы, выполняемой ИИ, и просят регуляторов заранее обязать лаборатории отчитываться об уровне автоматизации и подготовить механизмы экстренного замедления — до того, как сценарий начнёт реализовываться.

ВыводСтатья написана в Кембридже, имеет 22 автора; ссылка на отчёт — casp.ac/reports/intelligence-explosion

Полный разбор →

Мэтью Шварц, ранее за две недели написавший с Claude полноценную работу по теоретической физике, изменил подход: вместо того чтобы заставлять модель работать как учёного, он стал искать научные задачи, изначально подходящие под сильные стороны LLM — так называемые «Claude-shaped problemsi».

Идея в том, что в разных научных областях встречаются одинаковые математические конструкции, но специалисты одной области часто не знают, что нужный метод уже существует в другой. LLM хорошо умеют находить такие связи между огромным объёмом разрозненной литературы, что и легло в основу эксперимента.

ВыводПод эксперимент Шварц вместе с Claude собрал набор инструментов для точных математических вычислений BootLoops, изначально созданный для теоретической физики

Полный разбор →

Оптический инженер Нин Сюй из Национального университета Сингапура выиграл конкурс видео с микроскопа Nikon Small World in Motioni с роликом ресничек из лёгких ребёнка с редким генетическим заболеванием. Под ресничками на видео видны яркие фиолетовые, синие и красные структуры, которых не должно быть в здоровой биологии — именно это и привлекло внимание специалистов по микроскопии.

22 сентября Nikon дополнила описание работы указанием, что на этапе постобработки использовалась «неконтролируемая» (unsupervised) ИИ-модель. Учёные заявили, что часть изображённого биологически неправдоподобна и может быть «галлюцинацией» ИИ, а сам Сюй утверждает, что алгоритм не создавал ни фильм, ни реснички, а лишь раскрасил уже готовые чёрно-белые данные, чтобы различить похожие по форме структуры.

Полный разбор →

Исследователи вывели scaling law (закон масштабирования) для моделей, объединяющих два подхода: Mixture of Experts (MoEi), где качество растёт за счёт разреженности и гранулярности, и Looped-архитектуры, где несколько прогонов через сеть повышают качество по сравнению с одним проходом. Ранее для каждого подхода существовали отдельные законы масштабирования, но для их комбинации — сколько экспертов активировать и сколько раз прогонять модель при заданном размере и вычислительном бюджете — единого правила не было.

Авторы предложили анзатц (приближённую формулу), согласующийся с экспериментами, и показали, что оптимальная стратегия масштабирования зависит от того, чего не хватает при обучении — памяти (VRAM) или вычислений.

ВыводТипичный scaling law записывается как L(N, D) = A N^α + B D^β + c, где N — число параметров, D — объём данных

Полный разбор →

Согласно новому исследованию Carnegie Endowment, в 2025 году 41% ведущих специалистов по искусственному интеллекту работали в Китае, а в США — только 34%. Это разворот тренда: в 2022 году лидировали США (46% против 27% у Китая). Сдвиг связывают с бурным ростом китайской ИИ-индустрии, зарплатами, сопоставимыми с уровнем Кремниевой долины, и ужесточением визовой политики США.

Исследование показывает не только смену страны работы, но и смену страны происхождения кадров: Китай стал крупнейшей «кузницей» ИИ-талантов мира, и всё больше выпускников остаются работать на родине, а не уезжают, как раньше.

Новая статья показывает, что языковые модели (LLM) устроены даже более «линейно», чем считалось ранее: если просто усреднить входные эмбеддинги двух разных текстов и подать это на вход модели, она в ответе продолжает оба текста одновременно, разделяя их смыслы.

Это означает, что модель способна параллельно обрабатывать две несвязанные мысли внутри одних и тех же усреднённых активаций и затем «распутывать» их на выходе — прямое следствие линейности внутренних репрезентаций LLM.

ВыводМетод: берутся входные эмбеддинги двух разных текстов, они усредняются, и результат подаётся модели как единый вход

Полный разбор →