Технологии

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.

Чип AMD Ryzen Z3 для портативок может получить урезанный ЦПУ и мощную графику RDNA4m По данным инсайдера Gotou_3rd, AMD разрабатывает процессоры Ryzen Z3 (Medusa Point). Новинка получит кастомную компоновку с 12 графическими блоками (против 8 CU у базового Medusa Point). Чтобы освободить место под графику, инженеры урезали процессорную часть, оставив четыре полноценных ядра Zen 6 и два энергоэффективных ядра. Графический модуль RDNA4m создается на базе архитектуры RDNA 3.5 с добавлением блоков RDNA 4 для матричных операций, что даст аппаратную поддержку апскейлинга FSR 4. Процессор выйдет в компактном корпусе FF6 (25 × 25 мм). Базовый Ryzen Z3 оптимизируют под теплопакет 15 Вт, а версию Z3 Extreme — под 25 Вт.

💀Создаем уязвимую машину для пентеста

Lubuntu, VirtualBox и FTP-сервер

📱 СМОТРЕТЬ [11:56] Вы часто видите, как Давид взламывает виртуальные машины с VulnHub. Но задумывались ли вы, как именно их создают? Кто и как оставляет эти "дыры" в безопасности? 👩‍🔬В этом видео меняемся ролями: Давид покажет, как создать собственную уязвимую машину (CTF) с нуля! Мы скачаем легкий дистрибутив Lubuntu, за 10 минут настроим его в VirtualBox и намеренно внедрим одну из самых популярных классических уязвимостей - анонимный доступ к FTP-серверу.

🟦Покажем весь процесс от редактирования конфигурационных файлов Linux до тестирования дыры с помощью сканера Nmap на Kali Linux.

💿А в конце экспортируем нашу готовую мишень в формат .OVA, чтобы вы могли поделиться ей с друзьями или выложить в сеть.

🦔CyberYozh

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 ₽).

Исследователи из Meta* предложили дать моделям полный контроль над собственным контекстом Обычно контекст агента устроен довольно просто: старый контекст + новый ответ -> новый контекст. История постепенно растет, а когда становится слишком большой, ее приходится отдельно сжимать или чистить. В Context Language Models (CLM) авторы предлагают вообще убрать заранее заданную логику управления контекстом и дать модели возможность самой переписывать собственную историю. Технически весь текущий контекст хранится в обычном файле, к которому у модели есть доступ через Bash. Она может в любой момент удалить ненужные сообщения, заменить большой кусок истории короткой заметкой, сохранить важный результат дословно или полностью перестроить содержимое. После каждого изменения файл становится новым контекстом модели. При этом никаких правил о том, как именно управлять историей, модели не дают. В экспериментах агенты сами начинали заводить внутри контекста пометки, писать функции для удаления старых результатов поиска и собирать компактные таблицы с состоянием других агентов. Например, в одном из тестов модель за 163 редактирования удерживала рабочий контекст в пределах 6–8K токенов. Авторы пошли дальше и попробовали отдельно обучить модель этому навыку через RL. После обучения Qwen3.5-9B на BrowseComp-Plus выросла с 28.8% до 42.5%, при этом на вычисления ушло на 38.8% меньше, чем у обученного тем же способом бейзлайна с обычной суммаризацией. Произвольное редактирование контекста, правда, ломает обычное кеширование. Если изменить что-то в середине истории, все состояния после этого места формально приходится считать заново. Для этого авторы сделали Suffix Cache Reuse: для неизменившихся частей контекста продолжают использовать старый KV-cache, даже если текст перед ними поменялся. В экспериментах это сократило серверные вычисления еще примерно на 35% без заметной потери качества. На длинных задачах разница становится уже довольно большой. На 12-часовом EdgeBench CLM получил на 5% больше баллов при сокращении объема вычислений на 59%. В 24-часовом тесте на оптимизацию кода CLM при том же вычислительном бюджете показал на 65% лучший результат, чем бейзлайн. И все это работает поверх обычных LLM, без изменения архитектуры самой модели. Код | Статья

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.