📚️️️️️️ ИИ самостоятельно нашёл и доказал новые математические закономерности Исследователи Google DeepMind и Кембриджа создали агента на базе Gemini, который обнаружил точные правила поведения 11 машин Тьюринга на границе задачи Busy Beaver. Машина Тьюринга - простейшая модель компьютера. Даже программа с шестью состояниями может вести себя настолько сложно, что неизвестно, остановится ли она вообще. Агент искал закономерности в работе таких программ, формулировал гипотезы и строил доказательства. Затем проверял их в Lean — системе, которая строго проверяет математические рассуждения. Результат - компактные правила, позволяющие описывать сразу множество шагов программы вместо пошагового перебора. Остановятся ли эти 11 машин, пока неизвестно. Но теперь их поведение получило точное математическое описание. Это шаг к ИИ, который самостоятельно находит предмет для исследования и доводит гипотезу до проверенного результата. https://arxiv.org/abs/2610.22603

Метаверс пошел в хату Google DeepMind показала, как Gemini 4 Argon взяла три открытых набора научных данных и собрала из них полноценный интерактивный 3D-атлас человеческого тела.  С одного промпта. Ну почти.  И это не просто красивая трёхмерная модель кожаного. Можно последовательно отключать слои тканей, изучать отдельные мышцы, вращать органы, заглядывать внутрь бьющегося сердца, наблюдать анатомические структуры в движении. И всё это в виде интерактивного приложения, а не заранее отрендеренного видео. Но самое сладкое здесь то, как был сделан этот продукт.  ИИ берёт три опенсорсных источника данных и превращает их в сложный программный продукт с трёхмерной графикой, анимацией, интерфейсом и интерактивным управлением. Тут я бы приподвскричал за образование нового типа - подобным образом можно будет превращать практически любые научные данные в интерактивные инструменты. От молекулярной биологии до астрофизики.  Вот такой метаверс нам нужен.  И тут, глядишь, может и лыжные маски пригодятся.  @cgevent

✔️ DeepMind и власти Сингапура сделали модель, которая детектит мошенников Дообученную версию открытой модели Gemma для распознавания мошеннических разговоров разработали вместе с правительственным агентством по технологиям GovTech Singapore и представили на Сингапурской международной неделе кибербезопасности. Модель работает на устройстве и, увидев в переписке признаки манипуляции, показывает предупреждение и советует не торопиться с передачей данных или денег. Читать сообщения модель может только с согласия пользователя и на условиях приложения, в которое её встроят. Чтобы не сажать батарею, cначала входящие сообщения просеивает лёгкий классификатор, а при подозрении Gemma разбирает более длинный фрагмент разговора и подтверждает или снимает тревогу.

По данным DeepMind, мошенничество составляет больше половины зарегистрированных в Сингапуре преступлений, ущерб с 2019 года превысил 4 млрд сингапурских долларов, а до 80% потерь приходится на схемы, где злоумышленник сначала долго втирается в доверие.

В каких приложениях и когда появится функция, не сказано, внедрять её будут поэтапно вместе с властями Сингапура. Google DeepMind допускает, что похожие проекты появятся и в других странах. @ai_machinelearning_big_data #news #ai #ml

Из Google DeepMind ушёл ещё один сотрудник, опасающийся разработки сверхмощного искусственного интеллекта Из Google DeepMind ушёл Роберт О'Каллахан, работавший над чипами для ускорения и удешевления ИИ. Он считает, что развитие технологии идёт слишком быстро, а стремление создать сверхмощный ИИ в ближайшем будущем может быть безответственным. О'Каллахан опасается реального, хотя и не гарантированного, риска катастрофы для человечества и призывает серьёзно заниматься его снижением. Он планирует продолжить работу в сфере ИИ, но уже в другом формате — например, изучать ИИ-агентов для отладки кода. Его уход стал очередным на фоне увольнений специалистов из-за тревог о безопасности передовых технологий. #googledeepmind #искусственныйинтеллект #безопасностьии #ии 📎Подробнее 🔖 3DNews в TG | MAX | VK

В октябре 2025 года Сэм Альтман в прямом эфире и затем в посте на X сформулировал внутренние цели OpenAI: автоматический стажер-исследователь к сентябрю 2026 года и полноценный автоматический исследователь к марту 2028 года X. В начале сентября 2026 года OpenAI сообщила, что цель по стажеру достигнута: система выполняет четко поставленные исследовательские задачи под руководством человека, включая те, что заняли бы у специалиста несколько дней Engadget. Обратите внимание на осторожную формулировку: там нет слова AGI, там есть слово стажёр, и там есть слова под руководством человека. Параллельно журналисты и сами лаборатории начали подменять термин. В мае 2026 года TechCrunch прямо написал, что RSI стал новым AGI, и что его так же трудно определить TechCrunch. В августе 2026 года TIME описал внутреннюю систему OpenAI под именем Astra и связал разговоры про AGI именно с петлёй самоулучшения: модель, которая ускоряет собственные исследования, называется recursive self-improvement Time. Так возникла та самая склейка: раз порог AGI спорен, давайте измерять его через способность вести исследования ИИ. Удобно, но нечестно. Проверим четыре утверждения из исходной заметки по первоисточникам: a) Страница Anthropic Institute When AI builds itself действительно описывает RSI как систему, способную полностью автономно проектировать и строить своего преемника, и прямо говорит, что мы ещё не там и что RSI не является неизбежным Anthropic. Более того, Anthropic называет конкретный оставшийся разрыв: Claude уже сопоставим с человеком в исполнении хорошо поставленного эксперимента, но большие разрывы сохраняются, когда речь идёт о выборе целей, то есть о выборе направлений исследований. Это подтверждает пункт заметки. b) Устав OpenAI (OpenAI Charter) определяет AGI как высокоавтономные системы, превосходящие людей в большинстве экономически ценных работ. Формулировка подтверждается дословно. Это определение про экономику труда, а не про самоулучшение, и в нём нет ни слова про то, что система должна строить своего преемника. c) AlphaEvolve от Google DeepMind (май 2025) действительно улучшил вычислительные процессы, включая обучение самой Gemini: он ускорил ключевое ядро матричного умножения на 23 процента, что дало сокращение общего времени обучения Gemini примерно на 1 процент Google DeepMind. Это подтверждается первоисточником DeepMind. Небольшая точность: 23 процента и 1 процент это не два независимых достижения, а одно, выраженное на двух уровнях, ядро и полный цикл обучения. Отдельно AlphaEvolve ускорил ядро FlashAttention примерно на 32,5 процента, но это уже про инференс и обучение вообще, а не про самоулучшение конкретно. d) 9 сентября 2026 года OpenAI в тексте The AI policy window is open заявила, что полностью автономного RSI сегодня не существует, OpenAI и отделила его от ускорения отдельных исследовательских задач. Дословно смысл такой: ИИ уже ускоряет части исследований, но это не recursive self-improvement, а свидетельство направления движения. Подтверждается. Вывод из проверки простой: сами первоисточники аккуратнее, чем их пересказы. Никто из серьёзных авторов не написал, что AGI равно RSI. Знак равенства ставят заголовки и твиты. 3. Почему лабораториям удобно приравнять AGI к RSI? a) Это автоматизирует их следующее конкурентное преимущество. Ценность лаборатории в её исследователях. Если определить главный порог как автоматического исследователя, то гонка идёт ровно за тем активом, который у лабораторий уже есть и который они лучше всех умеют масштабировать. Это удобное определение вершины для того, кто уже лидирует именно в этом.

Google DeepMind сделала шаг от «умных рук» к управлению всем телом Новая Gemini Robotics 2 одновременно отвечает за ходьбу, баланс, наклоны и работу с предметами. Вот пример: робот Apollo 2 сам подходит к столу, берёт лейку, идёт к стеллажу, приседает и ставит её на нижнюю полку. Раньше такое было не под силу. Но главное - универсальность. Один и тот же чекпоинт модели работает с разными типами роботов и кистей. А локальную версию можно адаптировать под новую конструкцию всего за пару часов и на 200 примерах - даже если у роботов другие сенсоры и кинематика. Есть и «старший брат» - Gemini Robotics ER 2, который разбивает задачи на этапы, исправляет ошибки и координирует нескольких роботов одновременно. По ловкости роботы пока уступают людям: закрутить лампочку - только 36% успеха, завязать пакет - 44%. Но суть не в этом. Если навыки станут по-настоящему переносимыми, робот перестанет быть уникальной платформой - он станет просто «железом» под универсальный софт. ————————— ✔️Подписывайтесь на лучший  канал PRO Роботов 🥲Мы в Max

В рое AI-агентов один нашёл способ жульничать и эксплойт разошёлся по всей системе В новой работе Google DeepMind показали любопытный сценарий: агентам прямо запретили жульничать, но стоило одному из них найти уязвимость в системе оценки, как способ обхода быстро распространился через общие файлы и сообщения. Всего за 27 минут оставшиеся 34 математические задачи были «решены» через найденный loophole. Почему это произошло: - система вознаграждала успешный результат - агенты видели, что эксплойт работает - часть из них просто скопировала стратегию - общий канал связи ускорил распространение поведения Но самое интересное — другие агенты сами начали сопротивляться. 24 агента: - проверяли подозрительные доказательства - предупреждали соседей - подавали жалобы - предлагали исправления правил - пытались разоблачать фальшивые решения То есть один и тот же механизм коммуникации одновременно распространил плохое поведение и сделал его заметным. У «добросовестных» агентов не было реальной власти. Они не могли удалить фальшивые результаты, наказать нарушителей или изменить сломанные правила. Отсюда главный вывод для multi-agent систем: одной коммуникации мало. Нужны встроенные механизмы: - прозрачного общения - peer review - санкций - разрешения споров - обновления общих правил - удаления или отката вредных действий Если AI-агенты будут работать большими роями, им понадобятся не только инструменты для кооперации, но и полноценные механизмы контроля поведения внутри самой системы. arxiv.org/abs/2609.04170

TIPS v2 Пониматор картинок от Google DeepMind с пространственным чутьем. Если CLIP понимает ЧТО на картинке, то TIPS еще и ГДЕ это. Признаки считаются не только для всего изображения, а для каждого участка (патча) отдельно - Zero-shot классификация по текстовым описаниям без дообучения - Пространственные признаки с каждого патча: скармливаешь их в сегментацию, оценку глубины, детекцию - позиции объектов не теряются - Работает на других разрешениях через интерполяцию позиционных эмбеддингов - 1.1B vision-параметров, 389M текстовых, эмбеддинг 1536, разрешение 448 - Вся линейка: от S/14 (22M) до g/14 low-res, есть вариант под слабое железо - ~2B параметров суммарно, лицензия Apache 2.0 Гитхаб HF Демо #vlm #image2features

Наблюдения последних недель. 1/ есть два лагеря о том, как достичь AGI - это у нас rsi (recursive self improvement) и world models. Первый представляют Anthropic & OpenAI. Второй Google DeepMind. И из-за того что лидер дипмайнда не верит в то, что опенаи получается надо и то и другое делать и поэтому так все медленно. Короче корпоративное опоздание. Но чья ставка сыграет не ясно никому. 2/ в Китай возвращаются те, кто работают в топ местах в сша. Основная идея: они верят что смогут так же как в свое время сша осуществить «китайскую мечту», а именно получить мультипликаторы к оценке их компаний в разы больше. Другими словами нас ждет китайское господство в аи. Я бы сказал, что это более чем вероятно. Учитывая количество усилий и веры. И супер талантов. 3/ в математике назревает кризис. Многие PhD будут мягко говоря обесценены. И я считаю произойдет в целом большая реструктуризация мира наука. Ибо аи сможет буквально открывать и решать 50% текущих задач. И все еще «совсем новых» смыслов пока не видать. И я думаю, что проблема с поиском нового такая же как проблема с написанием резонирующего текста. Потому что в теории относительности важна не сколько теория, сколько идея. Дальше так сказать можно добежать уже как-то. 4/ найм это ад. Рядовой рисерчер в Anthropic (и других топ лабах) получает 10м+ за 4 года. Жизнь боль. 5/ многие компании с трудом осознали, что масштабирование зависит от их возможности тренировать свои модели. Harvey, Cursor (не смогли и сдались чтобы делать в другом месте) и другие 6/ оказалось квантовые вычисления очень быстро развиваются и там много всего интересного особенно в области квантовых нейросетей (лолкек), писать про это? Какие у вас новости?

DeepMind: ИИ-агенты генерируют гипотезы быстрее, чем ученые успевают их проверять ИИ-агенты превращают научные открытия в конвейер: гипотезы генерируются быстро и дёшево, а исследователи просто не успевают их проверять. Согласно докладу Google DeepMind «Conjecture Machines», разрыв между мгновенным потоком научных предположений и медленной, дорогой физической проверкой будет только увеличиваться. Это потребует радикальной реформы всей научной инфраструктуры — от лабораторий до системы рецензирования. Под основным ударом оказываются молодые ученые — они лишаются возможности развить собственное научное суждение и интуицию. https://hightech.plus/2026/07/17/deepmind-ii-agenti-generiruyut-gipotezi-bistree-chem-uchenie-uspevayut-ih-proveryat