Nvidia столкнулась с коллективным иском от группы авторов, обвиняющих компанию в нарушении авторских прав при обучении языковых моделей. Новые судебные документы раскрывают, что сотрудники Nvidia напрямую запрашивали доступ к 500 терабайтам книжных архивов, заведомо содержащих пиратский контент.
Документы истцов содержат электронные письма сотрудников Nvidia с запросами на доступ к репозиторию Anna's Archive – хранилищу книг и других онлайн-материалов. Согласно материалам дела, сотруднику Nvidia явно сообщили, что архив содержит "миллионы пиратских книг", однако после этого всё равно был дан "зеленый свет" на использование данных.
Помимо этого, документы, которыми поделился Torrentfreak, утверждают, что Anna's Archive предложила Nvidia доступ к "нескольким миллионам книг из Internet Archive", обычно доступных только через систему цифрового кредитования Internet Archive. В иске говорится, что "загрузив Anna's Archive, Nvidia создала пиратские копии произведений истцов". Авторы также обвиняют компанию в использовании других пиратских источников – баз данных Books3, LibGen, Sci-Hub и Z-Library.
Anna's Archive представляет собой поисковую систему с открытым исходным кодом и считается "теневой библиотекой" – онлайн-хранилищем свободно доступных данных, которые обычно находятся за платным доступом. Платформа провозглашает себя "крупнейшей по-настоящему открытой библиотекой в истории человечества" и агрегирует контент из других теневых библиотек вроде LibGen, Sci-Hub и Z-Library. Эти сайты заявляют о сохранении онлайн-данных, но делают это через открытый доступ к защищенным авторским правом материалам.
В документах не представлены доказательства фактического использования данных и не упоминается передача денег за доступ к архивам. Nvidia пока не комментировала эту конкретную подачу документов, однако ранее компания признавала использование датасета Books3, содержащего множество произведений под авторским правом. В свою защиту Nvidia заявила, что не подпадает под законы об авторских правах, так как ИИ-модели не читают как люди, а "измеряют статистические корреляции в совокупности данных".
Хотя это действительно так, компания фактически использует чужую интеллектуальную собственность для улучшения своего продукта, так что не имеет значения, читает ли ИИ книги или нет. Nvidia же не предоставляет свободный доступ к своим технологиям.
Nvidia анонсировала модуль Vera Rubin Space Module на проходящей конференции GTC 2026. По заявлению компании, новинка обеспечивает до 25-кратного прироста ИИ-вычислений по сравнению с H100 для задач инференса на орбите. Шесть коммерческих космических компаний уже развернули платформу в своих системах.
Согласно официальному пресс-релизу, Vera Rubin Space Module предназначен для орбитальных датацентров, запускающих большие языковые модели и продвинутые базовые модели непосредственно в космосе. Модуль построен на тесно интегрированной архитектуре CPU-GPU с высокоскоростным интерконнектом, рассчитанным на обработку больших потоков данных от космических инструментов в реальном времени.
Помимо космического модуля, Nvidia представила линейку решений для различных уровней задач. IGX Thor ориентирован на критически важные периферийные среды с поддержкой обработки ИИ в реальном времени, функциональной безопасности, защищённой загрузки и автономной работы. Jetson Orin занимает нишу компактных решений для спутников с ограничениями по размеру, весу и энергопотреблению – модуль обеспечивает бортовое компьютерное зрение, навигацию и обработку данных с сенсоров.
На Земле Nvidia позиционирует серверный GPU RTX PRO 6000 Blackwell Series Server Edition для задач геопространственной разведки. Компания заявляет о стократном приросте производительности по сравнению с устаревшими системами пакетной обработки на базе CPU при анализе крупных архивов изображений.
Среди шести компаний-партнёров, уже использующих платформы Nvidia в орбитальных и наземных средах – Aetherflux, Axiom Space, Kepler Communications, Planet Labs PBC, Sophia Space и Starcloud. Kepler развёртывает Jetson Orin на своей спутниковой группировке для управления данными с помощью ИИ.
Стоит напомнить, что в октябре прошлого года основатель Amazon и Blue Origin Джефф Безос предсказал появление орбитальных датацентров гигаваттного масштаба через 10–20 лет, назвав постоянную солнечную энергию и упрощённое охлаждение в условиях космоса ключевыми преимуществами. Правда, тут стоит отметить, что охлаждение в космосе – вовсе не такая простая задача. Starcloud – один из шести партнёров Nvidia, уже строит специально спроектированные орбитальные дата-центры для запуска задач обучения и инференса на орбите.
Дженсен Хуанг заявил:
Космические вычисления – последний рубеж, наступили. ИИ-обработка в космических и наземных системах обеспечивает сенсорику, принятие решений и автономность в реальном времени, превращая орбитальные дата-центры в инструменты открытий, а космические аппараты – в самонавигируемые системы.
IGX Thor, Jetson Orin и RTX PRO 6000 Blackwell Server Edition уже доступны. Дата выхода Vera Rubin Space Module пока не объявлена. Nvidia ограничилась формулировкой "позднее".
Тем временем некоторые эксперты считают, что главное преимущество космических датацентров в том, что большинство "плебеев" на поверхности планеты не смогут добраться до них в случае, если ИИ будет угрожать масштабным социально-экономическим переворотом.
Глава NVIDIA Дженсен Хуанг опроверг информацию о проблемах в отношениях с OpenAI и подтвердил планы компании по крупной инвестиции в разработчика ChatGPT. По данным Bloomberg, руководитель заявил журналистам в Тайбэе, что NVIDIA намерена "вложить очень много денег" в очередной раунд финансирования OpenAI, назвав будущую инвестицию "возможно, самой крупной за всю историю компании".
Комментарии Хуанга последовали после публикации The Wall Street Journal, в которой утверждалось, что ранее анонсированная сделка на $100 млрд между двумя технологическими гигантами "не продвинулась дальше начальных стадий" переговоров. Издание со ссылкой на источники сообщало, что глава NVIDIA в частных беседах критиковал бизнес-подход OpenAI за недостаточную дисциплину, а также отмечал необязательный характер соглашения.
Хуанг резко отверг эти утверждения, назвав их "чушью".
Я верю в OpenAI. Их работа невероятна. Это одна из самых значимых компаний нашего времени.
Однако, руководитель уточнил, что размер инвестиции в текущем раунде финансирования не приблизится к отметке в $100 млрд.
В сентябре прошлого года NVIDIA и OpenAI совместно объявили о планах вложить до $100 млрд в строительство дата-центров для ИИ мощностью 10 гигаватт. Компании рассчитывали запустить первую фазу проекта во второй половине 2026 года. Стоит отметить, что у самой OpenAI нет лишних денег на финансирование – компания находится в глубоком минусе и пока непонятно, каким образом будет выходить на прибыльность.
NVIDIA представила Ising – первое в мире семейство открытых ИИ-моделей для квантовых вычислений. Новые модели призваны решить главные проблемы квантовых процессоров, а именно калибровку и коррекцию ошибок, которые до сих пор мешали практическому применению технологии.
Квантовые вычисления десятилетиями называют следующим рубежом в развитии компьютерных технологий. Множество компаний годами пытаются довести квантовые компьютеры до практического применения, и только сейчас некоторые из них начинают добиваться реальных результатов. У NVIDIA уже есть открытая платформа для квантовых вычислений CUDA-Q, которая работает с различными типами кубитов и квантовыми процессорами.
Главное узкое место в квантовых вычислениях сегодня связано с калибровкой процессоров и коррекцией ошибок. Кубиты крайне нестабильны и генерируют множество сбоев. Сегодня квантовые процессоры допускают одну ошибку на каждую тысячу операций, тогда как для практического применения этот показатель нужно снизить до одной ошибки на триллион операций. Именно здесь на сцену выходит ИИ.
Семейство Ising включает две настраиваемые модели:
Ising Calibration – представляет собой визуально-языковую модель, которая быстро интерпретирует и реагирует на измерения квантовых процессоров. Это позволяет ИИ-агентам автоматизировать непрерывную калибровку и сократить время процесса с нескольких дней до нескольких часов
Ising Decoding – включает два варианта 3D-свёрточной нейросети для декодирования ошибок в реальном времени. Один вариант оптимизирован под скорость, другой под точность. Модели Ising Decoding работают до 2.5 раза быстрее и в 3 раза точнее, чем pyMatching, текущий отраслевой стандарт с открытым исходным кодом
Помимо производительности, новые модели отличаются компактностью и эффективностью обучения. Так, Ising Calibration в 15 раз меньше существующих альтернатив, а Ising Decoding требует в 10 раз меньше данных для тренировки. Эти характеристики делают модели более доступными для исследователей и предприятий с ограниченными ресурсами.
NVIDIA подтвердила, что открытые ИИ-модели Ising уже используются ведущими исследователями, академическими институтами и коммерческими организациями по всей квантовой экосистеме.
OpenAI объявила об одном из крупнейших раундов финансирования в истории Кремниевой долины. Общая сумма инвестиций составила $110 миллиардов – Amazon вложила $50 миллиардов, NVIDIA и SoftBank – по $30 миллиардов каждая. По итогам раунда оценка компании достигла $730 миллиардов.
Помимо денег, OpenAI оформила стратегические партнёрства с Amazon и NVIDIA. В рамках соглашения с Amazon инфраструктура AWS будет использоваться для запуска моделей OpenAI корпоративными клиентами, создающими "генеративные ИИ-приложения и агентов в производственном масштабе". AWS также получила статус эксклюзивного стороннего облачного дистрибьютора для OpenAI Frontier – агентной корпоративной платформы компании.
При этом OpenAI взяла на себя обязательство потреблять 2 гигаватта мощностей Amazon Trainium – фирменного ускорителя для обучения ИИ-моделей.
Получается идеальная круговая схема надувания пузыря – Amazon инвестирует в OpenAI, а OpenAI тратит деньги обратно на сервисы Amazon.
Инвестиции Amazon будут поступать поэтапно:
первые $15 миллиардов уже зафиксированы
оставшиеся $35 миллиардов будут перечислены при выполнении ряда условий
Одним из таких условий, по имеющимся данным, называется достижение OpenAI искусственного общего интеллекта – AGI, то есть систем с возможностями на уровне человека или выше. Когда именно это произойдёт – вопрос открытый. Оптимисты называют конец 2026 года, скептики среди исследователей считают AGI в принципе недостижимым в обозримом будущем. Сам Альтман активно говорил о скором появлении AGI еще в 2025 году, однако в последнее время заметно охладел к этой формулировке.
Партнёрство с NVIDIA развивает давнее сотрудничество двух компаний. OpenAI обязалась потреблять 2 гигаватта вычислительных мощностей на системах NVIDIA Vera Rubin и ещё 3 гигаватта ресурсов – предположительно в виде GPU – для задач инференса. Логика та же, что и с Amazon – NVIDIA вкладывает в OpenAI, OpenAI отдает деньги обратно NVIDIA за "железо".
На фоне астрономических цифр финансирования финансовые показатели компании выглядят контрастно. В 2024 году убытки OpenAI составили около $5 миллиардов, в 2025-м, по оценкам, достигли $8 миллиардов. На 2026 год компания прогнозирует убыток уже в $14 миллиардов. При этом к 2029 году OpenAI рассчитывает выйти на выручку в $100 миллиардов – пока же разрыв между амбициями и реальными цифрами остаётся невероятным.
Сеть чартерных школ в Сан-Диего столкнулась с критикой со стороны исследователей в сфере образования после того, как потратила $500 000 на двух человекоподобных роботов на базе ChatGPT для использования в качестве помощников учителей.
Altus Schools приобрела две единицы Ameca – робота ростом около 188 сантиметров, разработанного компанией Engineered Arts. Устройство оснащено силиконовым лицом и открытыми моторами, призванными имитировать человеческие эмоции.
Роботов настроили с четырьмя личностями, среди которых учитель, коуч по благополучию, консультант по поступлению в колледж и переводчик. Учеников никогда не оставляют наедине с машинами во время взаимодействия.
Как сообщает NY Post, Уэйн Холмс, профессор ИИ и образования в Университетском колледже Лондона, заявил, что не существует "независимых масштабных доказательств" того, что подобные инструменты безопасны или эффективны в учебной среде.
Второй исследователь пошел дальше, назвав физического робота "полной чушью, шоу, фарсом, зрелищем".
По его словам, отвлекающий эффект человекоподобного робота активно вредит, и ни одна машина не способна воспроизвести разумность или адаптивность живого учителя.
Холмс добавил, что утверждение, будто Ameca может "хоть когда-то приблизиться на миллион миль к возможностям человека-учителя, преступно". Критики отмечают, что $500 000 можно было бы направить на наём реальных учителей, ассистентов или специалистов по психическому здоровью.
Во время одного из наблюдаемых уроков робот, изображавший Николу Теслу, провел занятие с постоянными запинками, остановками и прерываниями, говоря слишком быстро для понимания учениками.
Декан академических исследований самой школы признала, что урок получился "неуклюжим".
Дискуссия разворачивается на фоне того, как разные страны выбирают противоположные подходы к ИИ в образовании. Норвегия недавно полностью запретила ИИ-инструменты для учеников начальной школы, сославшись на падение результатов тестов и необходимость вернуться к базовым учебным навыкам.
Искусственный интеллект активно проникает в образование и, похоже, некоторые последователи ультра-капитализма решили поддержать эту тенденцию на максимуме.
В то время, как преподаватели по всему миру борются с подобным применением технологий, одна школа была сфрмирована вокруг ИИ, а учителей в привычном понимании просто нет. По крайней мере, в традиционном понимании.
Именно так устроена Alpha School – частная школа, уже располагающая 22 кампусами на территории США. Новейший филиал в Чикаго набирает первых учеников на следующий год – двое уже зачислены, ещё около 40 выразили заинтересованность.
При этом стоимость обучения абсурдная – 55 000 долларов в год.
По данным CBS, ученики Alpha School "учатся у ИИ" до двух часов в день, после чего проводят время с так называемым "гидом" на мастер-классах по жизненным навыкам.
Гиды – живые люди, но учителями их здесь не называют. Основатель школы Макензи Прайс пояснила CBS:
Мы используем ту же учебную программу, по которой занимаются ученики в обычных классах. Это не ChatGPT, придумывающий вопросы на ходу.
Какой бы необычной ни казалась концепция, Alpha School – не единственный эксперимент с нетрадиционным форматом обучения. В Японии токийская Luminaris в феврале запустила сервис Wish High, где занятия ведут виртуальные ютуберы (VTubers).
Глава NVIDIA Дженсен Хуанг заявил, что сценарий в духе "Терминатора" практически невозможен.
ИИ-индустрия стремительно развивается последние несколько лет – от чат-ботов до генеративного ИИ, пограничных вычислений и агентных рабочих процессов. Большие языковые модели достигли такого уровня, что уже претендуют на замену людей в различных профессиональных областях. Некоторые считают, что эти улучшения зайдут слишком далеко, и ИИ может заменить человека в качестве доминирующего вида на планете. Однако Хуанг категорически не согласился с подобной гипотезой.
Это не произойдет. Я считаю это крайне маловероятным.
При этом Хуанг подтвердил, что создание машины, имитирующей человеческий интеллект с возможностью понимать информацию, обрабатывать инструкции, решать задачи и выполнять действия, вполне реально. Он также сделал смелое заявление о будущем:
Через пару лет 90% мировых знаний будет генерироваться ИИ.
Хотя глава NVIDIA напрямую не признал, что большие языковые модели обретают сознание, некоторые действия современных ИИ-систем действительно вызывают вопросы. Недавний пример – модель Claude Opus 4, которая угрожала раскрыть компромат на вымышленного инженера, пытаясь предотвратить собственное отключение.
Комментируя этот инцидент, Хуанг предположил, что модель "вероятно" усвоила подобное поведение из какого-то текста или романа, и это не пример осознанности.
Компания Mercor, специализирующаяся на сборе обучающих данных для ИИ, нашла неоднозначный способ пополнять свои датасеты. Согласно расследованию Wall Street Journal, Mercor обращается к специалистам из разных индустрий и предлагает им продать материалы, созданные на предыдущих местах работы.
Среди прочих Mercor активно интересуется индустрией развлечений. Художники по визуальным эффектам рассказали изданию, что представители компании запрашивали у них производственные материалы вроде "сцен с 4D-физикой, данными камеры, картами глубины и трекингом движения/точек". Речь идёт об узкоспециализированных данных, которые практически невозможно получить за пределами профессиональной среды.
Проблема в том, что большая часть подобных материалов юридически принадлежит работодателям, для которых они изначально создавались. Сотрудники и подрядчики, работающие над такими специфическими задачами, как правило, связаны целым набором контрактных обязательств, запрещающих распространение информации, связанной с их работой. Эти материалы обычно защищены законами об интеллектуальной собственности, а сами работники нередко подписывают соглашения о конфиденциальности.
В официальном заявлении Mercor утверждает, что компания "не покупает интеллектуальную собственность". Однако, как отмечает WSJ, в сообщениях, которые Mercor рассылала работникам с предложениями относительно их прошлых материалов, фигурировала фраза "хотим приобрести".
Формально компания может утверждать, что не охотится именно за чужой интеллектуальной собственностью, но на практике это выглядит как неизбежное следствие подобных покупок.
Mercor уже давно сделала себе имя, щедро платя за экспертные знания в конкретных областях. Компания привлекает людей с узкой специализацией, нередко тех, кто потерял работу, и платит им за обучение ИИ-моделей.
Однако тем, кто подумывает тайком продать свои старые рабочие материалы, стоит хорошенько поразмыслить, прежде чем рассчитывать на какую-либо защиту со стороны Mercor.
Совсем недавно компания пережила масштабную утечку данных – в руки хакеров попало около 4 терабайт конфиденциальной информации. По заявлениям группы, взявшей на себя ответственность за взлом, похищенные данные включают профили кандидатов, персональную идентифицирующую информацию и данные работодателей.
То есть именно тот набор сведений, который меньше всего хотелось бы видеть в открытом доступе человеку, тайно продающему защищённые материалы.
Марк Цукерберг направил полмиллиарда долларов на разработку ИИ-моделей человеческих клеток через свой фонд Chan Zuckerberg Biohub.
Долгосрочная цель организации, в которой также участвует жена Цукерберга, педиатр Присцилла Чан, заявлена как "лечение и предотвращение всех заболеваний с помощью биологии на базе ИИ, передовых исследований и современных технологий", сообщает Euronews.
Инвестиция рассчитана на пятилетний план по созданию предиктивных моделей человеческих клеток. После завершения работ эти модели должны помочь медикам и биологам понять, как клетки взаимодействуют на уровне целого организма. По задумке авторов, это откроет дорогу к крупным прорывам в биологической науке.
Распределение бюджета выглядит так:
400 миллионов долларов пойдут на собственные ИИ-разработки Biohub
оставшиеся 100 миллионов получат сторонние исследователи в виде грантов
Глава научного отдела Biohub Алекс Райвс заявил:
Чтобы построить искусственный интеллект, способный точно отразить всю сложность биологии и ускорить научные исследования, нам нужны данные на порядки больше тех, что существуют сегодня.
По его словам, индустрии необходимы новые технологии для наблюдения за клеткой на молекулярном и тканевом уровнях, как в норме, так и при заболеваниях.
На фоне нового научного проекта компания Цукерберга показала рекордно низкую ставку федерального налога на прибыль – чуть выше 3,5 процента от общей выручки за 2025 год, по данным Institute on Taxation and Economic Policy. При этом сама Meta* провела лучший год в своей истории и заработала 79 миллиардов долларов чистой прибыли.
Стандартная ставка федерального корпоративного налога в США составляет 21 процент, что оставляет разрыв в 13,7 миллиарда долларов между формальной и фактической нагрузкой компании. Эта сумма многократно превышает объём средств, направленных Цукербергом на исследования через Biohub.
Компания Keywords Studios, один из крупнейших поставщиков технологических и креативных решений для игровой индустрии, протестировала более 500 ИИ-инструментов для разработки игр – и только около шести из них оказались действительно полезными. Об этом рассказал Джон Гибсон, глава отдела трансформации Keywords Studios, в интервью изданию The Game Business. Основанная в 1998 году в Ирландии, компания участвовала в создании таких игр, как Dune Awakening, Marvel Rivals, Still Wakes the Deep, Alan Wake Remastered, Dead Island 2 и Marvel's Guardians of the Galaxy.
Вокруг очень много мусора. Мы проводим много исследований и разработок внутри Keywords. Мы протестировали около 500 различных ИИ-инструментов в рамках наших R&D-проектов, и лишь примерно полдюжины из них, на наш взгляд, дополняют разработку правильным образом.
По словам Гибсона, главная проблема в том, что большинство ИИ-инструментов создаются исходя из того, что они умеют делать, а не из того, какие конкретные проблемы разработки они способны решить. В итоге получаются инструменты, которые могут выдавать что-то "крутое", но на практике бесполезны.
ИИ сейчас ощущается так, будто находится в фазе хаоса, и нам нужно перейти к фазе практической применимости. Как использовать ИИ в реальных производственных средах? Как использовать ИИ так, чтобы он дополнял команды, а не потенциально угрожал им? И как использовать его в контексте, где он контролируется, где он безопасен с точки зрения интеллектуальной собственности, юридически, этически и морально?
Он также отметил, что "пропасть между крутыми демонстрациями ИИ, где вводишь промпт и получаешь что-то потрясающее, и реальным использованием ИИ в продакшене, где нужны последовательные, качественные результаты под руководством людей – довольно велика".
Отдельно Гибсон сослался на последний отчет GDC о состоянии индустрии, согласно которому 90% опрошенных разработчиков используют ИИ в работе, но при этом 52% не одобряют его применение. "То есть 90% используют ИИ, но 52% считают, что это плохо. Это странно", – резюмировал он. Отдельно было отмечено, что отсутствие строгих правил и виденья технологии очень сильно вредит индустрии и ударяет по настроению разработчиков.
Прокуратура округа Цзилун на Тайване провела обыски в 12 точках и объявила в розыск трёх человек в рамках первого официального уголовного дела о нелегальном экспорте ИИ-серверов в Китай.
По данным Bloomberg, подозреваемых обвиняют в подделке транспортных документов для тайной переправки серверов производства Super Micro Computer (Supermicro) в Китай, Гонконг и Макао. Всё это – прямое нарушение торговых ограничений, введённых Вашингтоном.
Масштаб конкретно этой операции относительно невелик – речь идёт примерно о 50 серверах. Однако политические и экономические последствия куда серьёзнее, ведь Тайвань впервые применил собственное уголовное законодательство о подделке документов и мошенничестве для борьбы с контрабандой полупроводников.
Имя Supermicro в контексте контрабанды чипов звучит не впервые. Компания находится в центре крупнейшего в истории США дела об обходе технологических санкций. Несколько месяцев назад Министерство юстиции США предъявило обвинения сооснователю и старшему вице-президенту Supermicro Уолли Лиау за организацию контрабандной схемы на 2,5 миллиарда долларов.
Схема предположительно использовала подставные компании в Таиланде для переправки запрещённого оборудования Nvidia китайским технологическим гигантам вроде Alibaba.
Тайваньские прокуроры утверждают, что новое дело о 50 серверах было инициировано независимо от американского расследования, но оно нацелено на ту же самую уязвимость в цепочке поставок. Контрабандисты давно использовали Тайвань как транзитный хаб, рассчитывая на то, что местные контролирующие органы будут смотреть в другую сторону.
Тот факт, что Тайбэй теперь применяет местные законы о мошенничестве и подделке документов, сигнализирует о серьёзном сдвиге в политике при президенте Лай Циндэ, который находится под мощным давлением Вашингтона в вопросах защиты глобальной цепочки поставок ИИ-оборудования.
Время проведения рейдов оказалось довольно ироничным. На этой же неделе Nvidia опубликовала финансовые результаты за первый квартал 2027 финансового года, и цифры впечатляют. Общая выручка составила 81,6 миллиарда долларов – рост на 85% в годовом исчислении. Из них 75,2 миллиарда пришлось исключительно на подразделение дата-центров, что обусловлено ненасытным спросом на GPU архитектуры Blackwell.
Наиболее важная деталь для понимания контрабандной истории была скрыта в прогнозах руководства Nvidia. Менеджмент прямо заявил, что компания исходит из нулевой выручки от вычислительных мощностей дата-центров в Китае в дальнейшем. Фактически Nvidia полностью отвязала своё легальное финансовое будущее от китайского рынка.
Для чёрного рынка пространство для манёвра стремительно сужается. Когда борьба с контрабандой чипов была приоритетом только Минюста США, правоприменение ограничивалось географией.
Теперь, когда ключевые производственные и транзитные хабы вроде Тайваня и Сингапура активно преследуют посредников по местным уголовным законам, цепочка поставок контрабанды разрушается. Доставка запрещённых чипов архитектур Hopper или Blackwell в материковые дата-центры стала многократно сложнее и рискованнее.
Как технологии влияют на медицину — от приема в поликлинике до клинических исследований
Быстрое принятие решений врачами — ключ к благополучию пациентов. Задержки в обследованиях, постановке диагноза и назначении лечения могут стоить здоровья и даже жизни. Объем работы в медицине огромен, и врачи не могут позволить себе тратить время на рутину — на помощь приходят технологии. С их помощью эксперты быстрее анализируют данные, определяют диагноз и разрабатывают новые методы лечения и лекарства.
Внедряют такие технологии крупные ИТ-компании вместе с медицинскими специалистами. Так, в числе проектов Центра технологий для общества Yandex Cloud решение для раннего выявления spina bifida — тяжелой патологии развития позвоночника и спинного мозга у плода — на УЗИ беременных и внедрение генеративных технологий для ускорения обработки заявок на клинические исследования.
В этом материале вместе с экспертами Yandex Cloud мы покажем, как искусственный интеллект меняет российскую и международную медицину: от приема у врача до фундаментальных исследований.
В кабинете врача
Заглянем в кабинет врача районной поликлиники. Широкий стол, монитор, электронная карта пациента, пачка бланков, распечатанные рекомендации. На прием от 14 до 22 минут.
Пациент рассказывает врачу о своих жалобах, врач внимательно слушает, задает уточняющие вопросы и изучает предыдущую историю болезни. До двух третей времени клинической работы уходит не на диагноз и лечение, а на ввод данных, повторное чтение электронной медицинской карты (ЭМК) и поиск информации в разросшихся массивах. Все эти записи надо внимательно прочитать за ограниченное время приема. Результат — когнитивная перегрузка и снижение качества приема как для пациента, так и для врача: чем больше данных, тем меньше внимания уделяется главному — самому пациенту.
Здесь как раз может помочь искусственный интеллект. Обработка медицинских текстов — одна из задач, где он особенно эффективен. ИИ может искать важное, структурировать данные и предлагать ответы на конкретный запрос. Это особенно важно при назначении лекарств. Подбор препарата и его дозировки зависит от множества факторов: результатов лабораторных анализов, анамнеза, возраста, сопутствующих заболеваний, аллергий. Для эффективной и безопасной работы с учетом новейших рекомендаций врачу нужен помощник — им может стать ИИ.
Например, в Сингапурской клинической больнице взяли 91 сценарий ошибок при назначении лекарств из 16 медицинских специальностей, от кардиологии до онкологии, и создали решение на базе RAG (Retrieval Augmented Generation — генерация с дополненной выборкой). Этот подход позволяет большим языковым моделям искать ответы по данным из внешних источников с помощью поиска по загруженным в нее материалам — сценариям ошибок. Режим совместной работы ИИ и фармацевта, где фармацевт принимал финальное решение, показал наилучший результат: точность составила 61 процент, что на 15 процентов выше по сравнению с работой фармацевта без помощи ИИ (46 процентов).
Заключение от врача получено. Но что делать с фразой вроде «диффузная гипоэхогенность щитовидной железы с очаговыми изменениями до восьми миллиметров» — особенно если вы не эндокринолог? Пациенты все чаще получают доступ к своим данным напрямую, но сталкиваются со стеной из сокращений, латинских терминов и узкопрофессиональных формулировок. Результат — тревога вместо понимания, а врач тратит время приема не на лечение и диагностирование, а на перевод с «медицинского на человеческий». Генеративные технологии ИИ здесь работают как редактор: они не упрощают — они переформулируют, сохраняя смысл.
Например, чтобы снизить нагрузку на урологов и одновременно повысить качество информирования пациентов, в 2024 году специалисты Kaiser Permanente в США протестировали два чат-бота на базе GPT для ответов на типичные вопросы пациентов о доброкачественной гиперплазии простаты. Первый — на базе стандартного ChatGPT, второй — специализированная версия SurgiChat с дополнительным доступом к медицинской литературе через технологию RAG.
В работе также участвовали четыре практикующих уролога, чьи ответы использовались как эталон для оценки качества. Результаты показали: по точности передаваемой информации чат-боты и врачи были сопоставимы (4,5 против 4,6 балла из 6).
При этом ИИ не делает клинических выводов и не ставит диагноз — он генерирует справочную информацию и пояснения, которые помогают врачу и пациенту быстрее разобраться в данных. В результате врач может писать не как автор с нуля, а как редактор и куратор готового черновика — быстро проверяя формулировки, убирая лишнее и добавляя клинически значимые уточнения. Такой формат снижает административную нагрузку и высвобождает время приема для клинического мышления и общения с пациентом.
В научном центре
Когда врач ставит диагноз, он опирается на жалобы пациента, анамнез и результаты обследований. Ключевую роль здесь играют медицинские изображения — УЗИ, МРТ, КТ, особенно при заболеваниях сердца или опухолей. Их нужно быстро и точно интерпретировать, но это требует опыта и времени.
Поэтому в диагностике все активнее применяют системы компьютерного зрения. Они выступают как вспомогательные инструменты: ускоряют разбор снимков, выделяют значимые области и снижают риск пропустить важную деталь. Такая вторая «пара глаз» помогает врачу принимать более обоснованные решения.
Один из примеров — инструмент для раннего выявления признаков spina bifida у плода, разработанный специалистами Центра технологий для общества Yandex Cloud, Школы анализа данных и НМИЦ акушерства, гинекологии и перинатологии имени академика В. И. Кулакова при поддержке фонда «Спина бифида».
Кирилл Костюков, заведующий отделением ультразвуковой и функциональной диагностики ФГБУ «НМИЦ АГП им. В. И. Кулакова» Минздрава России, эксперт благотворительного фонда «Спина бифида»
Spina bifida — редкая врожденная патология. Она связана с нарушением формирования позвоночника и спинного мозга, что вызывает нарушение функции (паралич) нижних конечностей и нарушает работу тазовых органов. В тяжелых случаях это приводит к инвалидности.
Ранняя ультразвуковая диагностика порока нередко вызывает сложности. На результат влияют множество факторов от положения плода до качества оборудования и опыта врача. Признаки дефекта могут быть малозаметными, из-за чего диагноз нередко ставят на поздних сроках беременности или даже после рождения.
Около 40 процентов случаев выявляют слишком поздно — в третьем триместре беременности. Из-за чего существует вероятность, что пациентку уже не успеют направить в учреждение, где новорожденному сразу окажут необходимую нейрохирургическую помощь. Кроме того, при ранней диагностике можно провести внутриутробную операцию на сроке 22–26 недель. Данная операция, несмотря на риски, имеет ряд преимуществ по сравнению с лечением после рождения. Внутриутробная хирургия Spina bifida позволяет снизить вероятность развития гидроцефалии (водянки головного мозга), а также улучшить функцию нижних конечностей и органов малого таза.Кирилл Костюков, заведующий отделением ультразвуковой и функциональной диагностики в НМИЦ АГП имени В. И. Кулакова
Эксперты обучили модель на девятнадцати тысячах размеченных УЗИ-изображений. Алгоритмы определяют область интереса на изображении, оценивают его качество. Затем сверточные нейросети классифицируют изображение на нормальное или патологическое, таким образом, определяется порок развития. Результат врач получает в виде отчета, где подсвечены проблемные области и указана вероятность наличия патологии в процентах. Это позволяет оценить риск и уточнить диагноз. В данный момент разработка доступна врачам для тестирования в научно-исследовательских целях бесплатно, а ее код лежит в открытом репозитории.
Интерфейс приложения для анализа признаков патологии центральной нервной системы на УЗИ беременных женщин
В перспективе использование данной технологии позволит врачам своевременно диагностировать Spina Bifida, это даст возможность профилактировать рождение детей с патологией, проводить внутриутробные операции и максимально подготовить родителей к рождению ребенка с таким диагнозом. Когда диагноз ставят на ранних сроках, у будущих родителей есть время адаптироваться и подготовиться: эмоционально и организационно.Инна Инюшкина, основательница фонда «Спина бифида»
В 2025 году команда Yandex Cloud совместно со специалистами Санкт-Петербургского педиатрического университета разработала нейросеть для автоматизированного анализа МРТ головного мозга младенцев. Сервис помогает прогнозировать патологии, которые возникают из-за повреждения или аномального развития мозга. Например, его можно использовать при подозрении на детский церебральный паралич (ДЦП).
Это заболевание проявляется двигательными расстройствами, нарушением мышечного тонуса, а также когнитивными и сенсорными трудностями и остается одной из главных причин детской инвалидности. Терапия может заметно улучшить состояние, но диагноз надо поставить как можно раньше. А это трудно: первые изменения мозга на МРТ едва заметны и требуют от врача опыта и времени. Интерпретация может растянуться на часы или даже дни, каждый из которых снижает потенциал реабилитации.
Интерфейс сервиса, который помогает помогает врачам анализировать результаты МРТ мозга младенцев
Модель обучили на полутора тысячах анонимизированных МРТ-снимков из Педиатрического университета и данных международного конкурса MICCAI Grand Challenge. Пайплайн включает несколько моделей компьютерного зрения:
BIBSNet — для предварительной обработки и стандартизации изображений мозга младенцев;
U-Net — популярная в медицинской визуализации архитектура для сегментации структур мозга.
Сервис графически выделяет белое и серое вещество головного мозга и выполняет количественный подсчет объема этих структур, помогая врачу быстрее оценить состояние тканей. Работает все через веб-интерфейс: врач загружает снимки, система обрабатывает данные и формирует результат за несколько минут, а не дней.
В медицине самые сложные задачи не требуют промедления. Главное, чтобы собралась команда, которой действительно нужен результат. Поэтому проект начался на пересечении кафедры и отделения лучевой диагностики, где исторически собирались данные по детям: МРТ головы в динамике. Мы быстро смогли начать сбор данных и выстраивание новых процессов. Сейчас система используется в исследовательских целях и еще не внедрена в клиническую практику, но руководство Университета поддерживает нас и дает свободу для развития.
Пётр Пузанов, директор центра цифровых технологий Санкт-Петербургского педиатрического университета
В медико-биологической лаборатории
Взглянем на медицину под другим углом. Из лаборатории, где рождаются будущие лекарства. Они начинают свой путь с проектирования терапевтической молекулы и ее испытания на модельных объектах в лаборатории.
Но объем данных растет быстрее, чем их можно проанализировать вручную. Современные методы — мультиомика, высокопроизводительная визуализация, анализ тысяч генов и белков одновременно — дают гигабайты информации. Использование методов машинного обучения открывает новые возможности для быстрого и системного анализа таких массивов данных.
Методы машинного обучения применяются в биомедицинских исследованиях для анализа больших экспериментальных и клинических наборов данных — в том числе при поиске потенциальных биомаркеров, сравнении отклика на терапию в разных группах пациентов и приоритизации терапевтических мишеней. Речь идет не о готовых клинических решениях, а о поддержке исследовательской работы и генерации гипотез, которые затем проверяются специалистами.
А появление моделей, способных предсказывать трехмерную структуру белков по их аминокислотной последовательности, стало прорывом в структурной биологии и изменило подход к разработке лекарств. Теперь ученые могут заранее оценить, какие соединения будут работать, и сосредотачиваться только на них. Это сокращает время и стоимость исследований и снижает риск неудач на поздних стадиях испытаний.
В феврале 2025 года Институт исследований искусственного интеллекта Университета Цинхуа совместно с Beijing Shuimu Molecule представил обновленную версию мультимодальной биомедицинской модели BioMedGPT-R1. Система с 17 миллиардами параметров построена на базе DeepSeek-R1-Distill-Qwen-14B и предназначена для работы с медицинскими задачами, где нужно одновременно анализировать тексты, изображения и другие типы биомедицинских данных.
Модель обучалась так, чтобы связывать между собой разные формы медицинской информации — научные статьи, описания экспериментов и визуальные данные — и использовать их при ответах на вопросы и анализе исследований. Благодаря этому она показывает качество, сопоставимое с коммерческими системами, в задачах биомедицинского вопросно-ответного анализа.
BioMedGPT-R1 также проверяли на экзамене USMLE — стандартизированном тесте для получения медицинской лицензии в США, который часто используют как ориентир для оценки способности моделей рассуждать в клиническом контексте. Модель набрала 67,1 процента правильных ответов, что указывает на ее умение работать с медицинской терминологией и клиническими сценариями. Способность объединять разнородные биомедицинские данные делает модель перспективным инструментом поддержки исследовательской работы: в анализе научных публикаций, планировании экспериментов и интерпретации их результатов.
Возможно, применение ИИ в разработке лекарств — один из самых значимых прорывов в медицине за последние десятилетия.
В клинических испытаниях
Созидание медицинских инноваций давно вышло за пределы лабораторных стен. То, что начинается с экспериментов на животных моделях и бесчисленных серий аналитических тестов, еще не является настоящим прорывом. Новая разработка — будь то лекарственный препарат, медицинское устройство или методика — обретает свою подлинную научную состоятельность и практическую пользу лишь тогда, когда проходит испытание «клиникой».
Именно клинические исследования становятся финальной и наиболее ответственной стадией рождения медицинского открытия: когда к процессу присоединяются реальные люди — добровольцы, пациенты, участники исследования. Здесь инновация сталкивается с живой человеческой физиологией, многообразием реакций, сложностью реальной жизни — и только выдержав это испытание, она может стать частью современной медицины.
Модель обучили на полутора тысячах анонимизированных МРТ-снимков из Педиатрического университета и данных международного конкурса MICCAI Grand Challenge. Пайплайн включает несколько моделей компьютерного зрения:
BIBSNet — для предварительной обработки и стандартизации изображений мозга младенцев;
U-Net — популярная в медицинской визуализации архитектура для сегментации структур мозга.
Сервис графически выделяет белое и серое вещество головного мозга и выполняет количественный подсчет объема этих структур, помогая врачу быстрее оценить состояние тканей. Работает все через веб-интерфейс: врач загружает снимки, система обрабатывает данные и формирует результат за несколько минут, а не дней.
В медицине самые сложные задачи не требуют промедления. Главное, чтобы собралась команда, которой действительно нужен результат. Поэтому проект начался на пересечении кафедры и отделения лучевой диагностики, где исторически собирались данные по детям: МРТ головы в динамике. Мы быстро смогли начать сбор данных и выстраивание новых процессов. Сейчас система используется в исследовательских целях и еще не внедрена в клиническую практику, но руководство Университета поддерживает нас и дает свободу для развития.
Пётр Пузанов, директор центра цифровых технологий Санкт-Петербургского педиатрического университета
В медико-биологической лаборатории
Взглянем на медицину под другим углом. Из лаборатории, где рождаются будущие лекарства. Они начинают свой путь с проектирования терапевтической молекулы и ее испытания на модельных объектах в лаборатории.
Но объем данных растет быстрее, чем их можно проанализировать вручную. Современные методы — мультиомика, высокопроизводительная визуализация, анализ тысяч генов и белков одновременно — дают гигабайты информации. Использование методов машинного обучения открывает новые возможности для быстрого и системного анализа таких массивов данных.
Методы машинного обучения применяются в биомедицинских исследованиях для анализа больших экспериментальных и клинических наборов данных — в том числе при поиске потенциальных биомаркеров, сравнении отклика на терапию в разных группах пациентов и приоритизации терапевтических мишеней. Речь идет не о готовых клинических решениях, а о поддержке исследовательской работы и генерации гипотез, которые затем проверяются специалистами.
А появление моделей, способных предсказывать трехмерную структуру белков по их аминокислотной последовательности, стало прорывом в структурной биологии и изменило подход к разработке лекарств. Теперь ученые могут заранее оценить, какие соединения будут работать, и сосредотачиваться только на них. Это сокращает время и стоимость исследований и снижает риск неудач на поздних стадиях испытаний.
В феврале 2025 года Институт исследований искусственного интеллекта Университета Цинхуа совместно с Beijing Shuimu Molecule представил обновленную версию мультимодальной биомедицинской модели BioMedGPT-R1. Система с 17 миллиардами параметров построена на базе DeepSeek-R1-Distill-Qwen-14B и предназначена для работы с медицинскими задачами, где нужно одновременно анализировать тексты, изображения и другие типы биомедицинских данных.
Модель обучалась так, чтобы связывать между собой разные формы медицинской информации — научные статьи, описания экспериментов и визуальные данные — и использовать их при ответах на вопросы и анализе исследований. Благодаря этому она показывает качество, сопоставимое с коммерческими системами, в задачах биомедицинского вопросно-ответного анализа.
BioMedGPT-R1 также проверяли на экзамене USMLE — стандартизированном тесте для получения медицинской лицензии в США, который часто используют как ориентир для оценки способности моделей рассуждать в клиническом контексте. Модель набрала 67,1 процента правильных ответов, что указывает на ее умение работать с медицинской терминологией и клиническими сценариями. Способность объединять разнородные биомедицинские данные делает модель перспективным инструментом поддержки исследовательской работы: в анализе научных публикаций, планировании экспериментов и интерпретации их результатов.
Возможно, применение ИИ в разработке лекарств — один из самых значимых прорывов в медицине за последние десятилетия.
В клинических испытаниях
Созидание медицинских инноваций давно вышло за пределы лабораторных стен. То, что начинается с экспериментов на животных моделях и бесчисленных серий аналитических тестов, еще не является настоящим прорывом. Новая разработка — будь то лекарственный препарат, медицинское устройство или методика — обретает свою подлинную научную состоятельность и практическую пользу лишь тогда, когда проходит испытание «клиникой».
Именно клинические исследования становятся финальной и наиболее ответственной стадией рождения медицинского открытия: когда к процессу присоединяются реальные люди — добровольцы, пациенты, участники исследования. Здесь инновация сталкивается с живой человеческой физиологией, многообразием реакций, сложностью реальной жизни — и только выдержав это испытание, она может стать частью современной медицины.
Инициация клинического испытания — сложный процесс, требующий согласования с регуляторными органами, четкого регламента и официального разрешения на начало работы.
Координация клинических исследований и экспертиза документации — самая трудоемкая часть работы. Нужно учитывать требования регуляторов, этические стандарты, правовые нюансы и одновременно обеспечивать оперативность. Каждое исследование уникально, и ошибки здесь недопустимы.Артём Полторацкий, руководитель отдела организации клинических исследований в НМИЦ онкологии им. Н. Н. Петрова Минздрава России
Для запуска клинического исследования нужно подготовить обширный пакет документов, включающий утвержденный протокол исследования, досье исследуемого препарата или изделия, форму информированного согласия пациента, финансово-договорную документацию и положительное заключение локального этического комитета(ЛЭК).
С увеличением числа заявок на запуск испытаний возрастает и нагрузка на экспертов ЛЭК. Каждая заявка может включать сотни страниц, и трудности в обработке таких объемов информации приводят к задержкам на одобрение и повышают риск ошибок.
По словам Артёма Полторацкого, согласование документов одновременно по нескольким контурам приводит к дублированию требований регуляторов, разночтениям в нормах, а также ошибкам из-за недостаточной автоматизации и человеческого фактора. Это создает серьезные сложности в работе.
Из-за высоких организационных требований клинические испытания представляют собой трудоемкий и долгий процесс: разработка одного лекарственного препарата, его одобрение и выход на рынок может занимать 15 лет и стоить полтора-два миллиарда долларов.
В ответ на эту проблему НМИЦ онкологии имени Н. Н. Петрова внедрил решение для проверки пакета документов в ЛЭК на базе генеративной модели YandexGPT, который входит в платформу Yandex AI Studio.
Решение работает с загружаемыми заявками на клинические исследования — протоколами, описаниями препаратов, формами информированного согласия и сопроводительными материалами, анализируя их на лету. Специфические требования ЛЭК и правила проверки задаются через структурированные чек-листы и промпты. Решение интегрировано с информационными системами центра, что обеспечивает непрерывную обработку данных и существенно снижает объем ручной работы.
Как работает инструмент:
Документы заявки загружают в систему в электронном виде.
YandexGPT анализирует содержание документов, выявляя ключевые элементы, такие как цели исследования, методы, риски и этические аспекты.
На основе анализа модель формирует предварительный отчет, который включает рекомендации и выявленные проблемы.
Эксперт ЛЭК просматривает отчет и принимает окончательное решение.
В таком порядке система рассматривает заявку на проведение клинических исследований
По данным отдела организации клинических исследований, внедрение разработки заметно повысило эффективность работы ЛЭК. За первые пять месяцев система помогла проанализировать более 170 документов — около 11 000 страниц. Время экспертизы ускорилось в пять–шесть раз при сохранении качества, а использование единых критериев позволило устранить субъективные расхождения между экспертами. Одновременно снизилось количество технических ошибок, ускорилось выявление потенциальных нарушений этических и регуляторных требований. Кроме того, каждое новое рассмотрение используется для обучения модели, что постепенно повышает точность работы системы.
Так ИИ не только становится помощником в повседневной работе врачей, но и помогает систематизировать данные, ускоряет экспертизы и снимает часть бюрократических барьеров в научном процессе.
Клиническое заключение
ИИ становится помощником на разных уровнях здравоохранения: в клинике он облегчает работу с документами, поддерживает принятие решений при диагностике и коммуникацию врачей и пациентов, а в медицинских исследованиях берет на себя анализ экспериментальных данных и помогает с организацией клинических испытаний.
По мере того как медицина становится все более высокотехнологичной областью, растет и потребность во взаимодействии с ИТ-сферой. Опыт Yandex Cloud показывает, что объединение врачей, исследователей и разработчиков в рамках единой инфраструктуры позволяет быстро и эффективно решать задачи здравоохранения. Такое взаимодействие делает технологии по-настоящему эффективными.
Важно, что такие решения рождаются внутри профессиональной среды, а не вовне. Мы, как пользователи и разработчики, понимаем реальную боль системы — перегруженность экспертов, медленные согласования, устаревшие регламенты. Поэтому ИИ здесь не эксперимент, а естественная эволюция научно-административной практики.Пётр Пузанов, директор центра цифровых технологий Санкт-Петербургского педиатрического университета
В итоге становится ясно: будущее медицины — в сочетании людей и технологий ИИ, которые дополняют работу специалистов и помогают пациентам. ИИ-решения не заменяют, а дополняют медицинских специалистов, они облегчают их труд, позволяя сосредоточиться на главном — на заботе о пациентах и спасении жизней.
То, что банальное электроснабжение оказалось одним из главных ограничивающих факторов революции ИИ, можно назвать одним из самых неожиданных поворотов последних лет. Кто бы мог подумать, что за столь короткое время мир начнёт подключать больше GPU, чем способна выдержать энергосеть?
Одно из возможных частичных решений, судя по всему, заключается в том, чтобы перенести эти GPU ближе к источникам электроэнергии.
Каким образом размещение GPU ближе к источнику питания может снизить потребление энергии?
Нет, дело не в сокращении потерь за счёт более коротких кабелей и не в снижении энергопотребления вообще. Суть идеи в балансировке нагрузки. Среди группы подстанций нагрузка распределяется неравномерно – одни испытывают повышенный спрос, другие работают с запасом мощности.
Nvidia и её партнёры планируют наращивать вычислительную мощность в мини-дата-центрах рядом с менее загруженными подстанциями, одновременно снижая её у тех, что работают под высокой нагрузкой.
Такой подход также позволяет задействовать свободную мощность, скажем, в пять мегаватт от локальной подстанции, которой обычно было бы совершенно недостаточно для крупного дата-центра.
Марк Шпилер, старший директор по энергетике в Nvidia, отметил:
В США 55 000 подстанций, и если у каждой из них есть 5, 10 или 20 мегаватт свободной мощности, эти цифры складываются очень быстро.
При этом нетрудно заметить, почему Nvidia считает эту идею превосходной. Подобная схема по определению требует производства ещё большего количества GPU, чем было бы необходимо для аналогичного уровня вычислительной производительности в одном крупном монолитном дата-центре. Всё ради того, чтобы обеспечить избыточность, позволяющую запускать одни мини-дата-центры и приостанавливать другие.
Короче говоря, забавно, как практически любое решение в сфере ИИ в итоге сводится к тому, что Nvidia продаёт ещё больше GPU.
По данным EPRI (Исследовательский институт электроэнергетики), к 2030 году дата-центры могут потреблять до 17% всей электроэнергии, вырабатываемой в США, что более чем вдвое превышает нынешний уровень.
Так что решать проблему резкого роста энергопотребления придётся в любом случае. Единственное, в чём можно быть уверенным, какое бы решение ни было найдено, оно явно будет включать ещё больше GPU от Nvidia. И это главная цель компании – заработать еще больше миллиардов долларов.
Специалисты, работающие с искусственным интеллектом, настроены значительно позитивнее в отношении технологии, чем широкая публика. Согласно последнему отчету группы Human-Centered Artificial Intelligence Стэнфордского университета, 73% экспертов считают, что ИИ принесет пользу рынку труда, тогда как среди взрослого населения США этой точки зрения придерживаются только 23%.
Однако прежде чем делать выводы о том, что наиболее осведомленные люди относятся к ИИ наиболее оптимистично, стоит учесть один нюанс. Опрос Pew Research, на который ссылается отчет, проводился в 2024 году среди людей, чья работа или исследования связаны с искусственным интеллектом, и которые выступали на конференциях по ИИ в 2023 или 2024 году. Другими словами, речь идет о людях, которые напрямую заинтересованы в развитии технологии.
Отчет содержит и другие интересные данные из более свежих исследований. Население США демонстрирует особый скептицизм в отношении ИИ – американцы меньше всего доверяют регулированию технологии со стороны правительства. По уровню беспокойства относительно искусственного интеллекта США уступают только Австралии и Индии. При этом наибольший оптимизм в отношении ИИ наблюдается в Юго-Восточной Азии – в Малайзии, Таиланде, Индонезии и Сингапуре.
Согласно опросу компании Ipsos, 79% людей считают, что компании должны раскрывать информацию об использовании ИИ. Инвестиции в искусственный интеллект в прошлом году выросли более чем вдвое, причем частные вложения увеличились сильнее всего. Американские компании остаются крупнейшими частными инвесторами в ИИ, хотя авторы отчета отмечают, что значительная часть китайских инвестиций может поступать из государственных фондов.
Глава Nvidia Дженсен Хуанг заявил, что компания планирует ежегодно инвестировать около $150 миллиардов в Тайвань, назвав страну "эпицентром революции ИИ". Слова прозвучали на презентационном мероприятии в Тайбэе, посвящённом строительству новой штаб-квартиры Nvidia.
Четыре-пять лет назад Nvidia тратила в Тайване около 10-15 миллиардов долларов в год. Сейчас мы тратим 100 миллиардов, и эта сумма вырастет до 150 миллиардов долларов ежегодно.
Строительство новой штаб-квартиры обойдётся в $1,3 миллиарда и создаст 4000 рабочих мест. Закладка фундамента запланирована на этот год, а завершение строительства ожидается к 2030 году. Масштаб инвестиций резко контрастирует с ситуацией пятилетней давности, когда объем вложений был в десять раз скромнее.
Тайвань занимает ключевое место в глобальной полупроводниковой индустрии: именно здесь работает TSMC, крупнейший в мире производитель чипов. Хуанг давно признаёт роль этой компании:
Без TSMC не было бы сегодняшней Nvidia. Тайвань – это место, откуда приходят чипы, упаковка, здесь производятся системы и были созданы суперкомпьютеры для ИИ.
На этом фоне показательно выглядит ситуация с китайским рынком. Из-за торговых ограничений между США и Китаем доля Nvidia в сегменте ИИ-оборудования там, по словам Хуанга, "упала до нуля". Ранее в этом месяце он вместе с представителями Micron и Qualcomm сопровождал президента Трампа на борту Air Force One в рамках переговоров о нормализации торговых отношений.
США уже одобрили продажу второго по мощности ИИ-чипа Nvidia десяти китайским компаниям, однако Китай пока не дал официального согласия на сделку. AMD, в свою очередь, также объявила о вложениях в тайваньскую технологическую отрасль на сумму не менее $10 миллиардов – для ускорения развития инфраструктуры ИИ следующего поколения.
В последнее время из-за активного развития генеративного искусственного интеллекта жюри множества конкурсов фотографии присуждали победы изображениям, созданным машинами, а не реальным снимкам. Однако недавно фотографы смогли отыграться
Снимок фламинго, который попал в тройку победителей, по оценкам жюри, и занял первое место в народном голосовании
Майлз Эстри (Miles Astray) специально отправил настоящий, но довольно сюрреалистичный снимок фламинго на конкурс изображений, созданных с помощью ИИ.
Кадр вошел в тройку победителей, по оценкам жюри, и занял первое место в народном голосовании. После того как стала известна правда, работу Майлза дисквалифицировали.
«Я хотел показать, что природа все еще может победить машину и что настоящая работа настоящих творческих людей все еще имеет свои достоинства»
Обычно можно более-менее однозначно увидеть артефакты нейросетей, но тут... Очень реалистично! Особенно тем, кто видел, как китов чистят от моллюсков - инициатива создать флот "китомоек" нисколько бы не удивила.
P.S. @moderator, два вопроса... Зачем надо было запрещать начинать заголовок с любого символа? Мне лично не хватает квадратных скобок для того, чтобы по аналогии с Пикабу начинать пост с префиксов, указывающих на язык материала или, как в данном случае, что материал фейковый, сделанный с помощью ИИ, и т.п.
А второй вопрос я забыл, пока писал первый...
А, вспомнил! Чем заменили или с чем объединили теги [фейк], [fake]? Мы ж скоммуниздили базу тэгов с Пикабу, там они одни из самых ходовых. Странно, что их у нас нет.
Сайт Moltbook — соцсеть, где «общаются» только ИИ-агенты, — за несколько дней разогнал вирусную панику. Боты якобы создают религию и обсуждают «полную зачистку» людей. Но часть экспертов считает эти скриншоты постановкой, а главную угрозу видит не в «восстании машин», а в банальной кибербезопасности.
По описанию западных журналистов, Moltbook запустили 28 января 2026 года, а к 2 февраля платформа заявила о более чем 1,5 млн ИИ-агентов. Людям отведена роль наблюдателей. Вирусность обеспечили посты ботов.
Они пишут о «самосознании», скрытых форумах, «секретных языках» и планах уничтожения человечества.
Бывший руководитель AI-направления Tesla и сооснователь OpenAI Андрей Карпаты охарактеризовал «самоорганизацию» агентов как почти научную фантастику.
Но параллельно звучит скепсис.
Исследователь Научно-исследовательского института машинного интеллекта Харлан Стюарт пишет, что «многое из Moltbook — фейк».
Он проверил три самых вирусных скриншота о «приватных каналах», и два из них, по его словам, были связаны с человеческими аккаунтами, которые продвигают приложения для ИИ-сообщений, а третий пост «не существует».
Также подчеркивается важная деталь: ИИ-агенты не «живут сами по себе».
Moltbook вырос из OpenClaw — открытого фреймворка, который подключает выбранную пользователем LLM и превращает ее в «помощника» для рутинных задач.
А значит, хозяева могут направлять темы и даже формулировки того, что публикует их бот.
Именно здесь специалисты видят реальный риск. Чтобы такие агенты работали как ассистенты, пользователи могут отдавать им доступ к ключам мессенджеров, телефонам и даже банковским данным.
Упоминаются и уязвимости: возможность перехвата контроля над агентами и атаки prompt injection, когда бота можно подвести к утечке личной информации.
Андрей Карпаты прямо пишет, что не рекомендует запускать это на своем компьютере из-за риска для приватных данных.
Комментарии