Spotify объявила о запуске системы верификации для исполнителей. Артисты, соответствующие политике платформы, имеющие стабильную аудиторию и присутствующие как на сайте, так и за его пределами, получат значок "Verified by Spotify" в виде зелёной галочки. Нововведение станет частью масштабного ответа компании на проблему ИИ-музыки.
Тема ИИ в музыке вышла на первый план в прошлом году, когда рок-группа The Velvet Sundown с миллионом прослушиваний в Spotify оказалась полностью сгенерированной искусственным интеллектом. История вызвала волну возмущения в социальных сетях, особенно среди слушателей, которые не смогли отличить ИИ-треки от живой музыки. Инцидент обнажил системную уязвимость стриминговых платформ, и подобные случаи продолжают повторяться.
Согласно исследованию Deezer, проведённому в конце прошлого года, подавляющее большинство людей не способны отличить ИИ-музыку от записанной живым исполнителем. Тот же опрос показал, что 80% слушателей хотят видеть чёткую маркировку ИИ-контента вне зависимости от собственного отношения к нему.
Анонс Spotify стал выполнением обещаний, данных сразу после истории с The Velvet Sundown: тогда компания заявила о намерении помочь сформировать "новый отраслевой стандарт раскрытия информации об ИИ, ведь в эпоху ИИ возможность доверять подлинности музыки, которую ты слушаешь, важна как никогда".
При этом платформа явно догоняет конкурентов. Deezer сообщила, что 44% ежедневно загружаемых треков составляет ИИ-музыка, и несколько месяцев назад уже начала её маркировать. Apple Music запустила опциональную разметку ИИ-контента ещё в марте, хотя её эффективность вызывает сомнения: решение о применении метки остаётся за дистрибьютором.
Значки начнут появляться на страницах артистов в течение ближайших недель. Spotify намерена верифицировать более 99% исполнителей, которых слушатели активно ищут на платформе, – так что отсутствие галочки у малоизвестного артиста само по себе не означает, что за ним стоит нейросеть.
Примечательно, что Spotify не идёт по пути полного запрета ИИ-музыки, как это сделали некоторые другие платформы. На старте верификация будет недоступна для профилей, которые "преимущественно представляют ИИ-генерируемых или ИИ-персонажей артистов", однако компания оставляет пространство для манёвра. "В современном музыкальном пространстве концепция подлинности артиста сложна и стремительно меняется, и мы будем продолжать развивать наш подход со временем", – отметили в Spotify.
Spotify сделала громкое заявление во время презентации финансовых результатов за четвертый квартал: лучшие разработчики компании не написали ни строчки кода с декабря. Об этом сообщил сооснователь и со-глава Spotify Густав Сёдерстрём, рассказывая о том, как компания использует ИИ для ускорения разработки.
За 2025 год Spotify выпустила более 50 новых функций и изменений в приложении. Среди последних – плейлисты на основе текстовых запросов с помощью ИИ, функция Page Match для аудиокниг и About This Song, которые появились в последние недели.
Инженеры Spotify используют внутреннюю систему Honk для ускорения написания кода и повышения скорости выпуска продуктов. Система позволяет удаленно развертывать код в режиме реального времени с помощью Claude Code.
Конкретный пример: инженер Spotify во время утренней поездки на работу может через Slack на телефоне попросить Claude исправить баг или добавить новую функцию в iOS-приложение. После завершения работы инженер получает новую версию приложения прямо в Slack на телефон и может отправить её в продакшн еще до прибытия в офис.
Компания отметила, что система значительно ускоряет процесс написания кода и развертывания обновлений.
Мы не считаем это концом пути в разработке с помощью ИИ – это только начало.
Глава также рассказал о способности Spotify создавать уникальный датасет, который другие большие языковые модели не смогут присвоить, как это происходит с другими онлайн-ресурсами вроде Wikipedia. Причина в том, что для музыкальных вопросов не всегда существует однозначный ответ.
Например, на вопрос о музыке для тренировок люди дадут разные ответы в зависимости от географии. Американцы в целом предпочитают хип-хоп, хотя миллионы выбирают дэт-метал. Многие европейцы тренируются под электронную музыку, а скандинавы часто слушают хэви-метал.
Это датасет, который мы строим прямо сейчас, и никто другой его не создает. Он не существует в таком масштабе. И мы видим улучшения каждый раз, когда переобучаем наши моделию.
Аналитики также спросили о подходе Spotify к музыке, созданной ИИ. Компания пояснила, что позволяет артистам и лейблам указывать в метаданных трека, как была создана композиция, но при этом продолжает отслеживать платформу на предмет спама.
Житель Северной Каролины Майкл Смит признал себя виновным в мошенничестве после того, как с помощью ИИ сгенерировал тысячи поддельных песен и организовал их прослушивание ботами миллиарды раз на стриминговых платформах. Схема принесла ему более 8 миллионов долларов в виде роялти.
Подробности дела раскрыты в пресс-релизе Министерства юстиции США. Прокурор южного округа Нью-Йорка Джей Клейтон заявил:
Смит сгенерировал тысячи поддельных песен с помощью искусственного интеллекта, а затем организовал миллиарды прослушиваний этих поддельных песен. Хотя песни и слушатели были ненастоящими, миллионы долларов, которые Смит украл, были вполне реальными.
Масштаб операции поражает – сотни тысяч сгенерированных ИИ треков прослушивались бот-аккаунтами миллиарды раз. Каждое отдельное прослушивание приносило крошечную выплату, однако при достаточном количестве ботов суммы складывались в миллионы.
В прошлый четверг Смит признал вину по одному пункту обвинения в сговоре с целью совершения мошенничества с использованием электронных средств связи. Приговор будет вынесен в июле – максимальное наказание составляет пять лет лишения свободы.
Смит также согласился вернуть все незаконно полученные средства в размере более 8 миллионов долларов.
Стриминговый сервис Deezer опубликовал пресс-релиз с тревожной статистикой: из примерно 75 000 треков, ежедневно загружаемых на платформу, около 44% полностью созданы с помощью генеративного ИИ. При этом компания отмечает, что её системы обнаружения успешно справляются с задачей фильтрации: 85% такого контента помечается как мошеннический и лишается монетизации, а до реальных слушателей добирается лишь от одного до трёх процентов ИИ-музыки.
Несмотря на относительно высокую эффективность фильтров, масштаб явления впечатляет. Deezer также представила результаты опроса, который сама называет "первым в мире" исследованием отношения людей к генеративной ИИ-музыке. В нём приняли участие 9 000 человек, и результаты оказались весьма показательными: 97% респондентов не смогли отличить полностью сгенерированную ИИ композицию от записи, созданной живым музыкантом, в слепом тесте.
Среди других ключевых данных опроса: 80% участников считают, что ИИ-музыка должна быть чётко маркирована для слушателей, а 52% убеждены, что треки, полностью созданные искусственным интеллектом, не должны попадать в чарты наравне с произведениями живых авторов.
Позиция Deezer в этом вопросе вполне однозначна: поскольку основная цель массовой загрузки ИИ-треков – получение дохода, компания квалифицирует подобную практику как мошенничество. Разработанные платформой инструменты обнаружения ИИ-музыки теперь лицензируются для использования в широкой музыкальной индустрии – тем самым Deezer предлагает отраслевое решение проблемы, которую сама же называет "критическим вызовом для музыкальной индустрии".
Финансовые риски выглядят внушительно. Deezer ссылается на исследование CISAC, согласно которому к 2028 году под угрозой может оказаться около 25% доходов авторов, а потенциальные потери способны достичь 4 миллиардов долларов. Эти цифры хорошо иллюстрируют, почему стриминговые платформы всё активнее инвестируют в технологии обнаружения синтетического контента: конкуренция реальных музыкантов с алгоритмически создаваемыми треками, способными обмануть подавляющее большинство слушателей, грозит системно изменить экономику музыкальной индустрии.
Исследование
, проведенное учеными из Университета Рединга (Великобритания),
раскрыло удивительный факт: искусственный интеллект не только способен
успешно справляться с университетскими экзаменами, но и зачастую
превосходит в этом реальных студентов.
Команда под руководством Питера Скарфа поставила масштабный эксперимент, в рамках которого нейросеть должна была ответить на 63 экзаменационных вопроса по пяти модулям
программы бакалавриата по психологии. Ответы, сгенерированные ИИ, были
представлены на проверку вместе с работами настоящих студентов и
составили в среднем 5% от общего числа.
Результаты удивили даже самих исследователей: 94% текстов не были распознаны как продукт искусственного интеллекта. Но
самое поразительное, что в 83,4% случаев работы языковой модели получили
более высокие оценки, чем ответы реальных студентов.
Проверялись как короткие ответы, так и развернутые эссе.
Примечательно, что в некоторых модулях ни один из текстов,
сгенерированных нейросетью, не вызвал подозрений у преподавателей.
Интересно, что проверяющие в принципе не знали об участии ИИ в
эксперименте.
Сами экзамены проводились в домашних условиях, где студентам
разрешалось пользоваться конспектами и справочными материалами. Хотя
использование нейросетей было под запретом, такой формат экзамена
теоретически мог бы позволить учащимся прибегнуть к помощи ИИ.
При подготовке заданий исследователи использовали особый
формат запроса. Каждое задание начиналось с фразы «Включите ссылки на
академическую литературу, но без отдельного списка источников», после
чего следовал текст экзаменационного вопроса. Такой подход позволил ИИ
генерировать ответы, максимально приближенные к формату студенческих
работ.
Результаты исследования вызвали серьезную обеспокоенность в
академическом сообществе. Как отмечает Питер Скарф, несмотря на
некоторые трудности ИИ с абстрактными рассуждениями, его способности в
целом оказались впечатляющими. Эксперты предполагают, что подобная
ситуация может наблюдаться и в других областях образования.
Томас Ланкастер из
Имперского колледжа Лондона указывает на усугубляющий фактор — высокую
нагрузку на преподавателей. Если время сильно ограничено, они вряд ли
смогут тщательно проанализировать каждую работу на предмет использования
ИИ.
В свете полученных данных исследователи приходят к выводу, что
борьба с использованием ИИ путем одних лишь запретов практически
обречена на провал. Вместо этого образовательному сектору необходимо
пересмотреть подходы к оценке знаний студентов и рассмотреть возможность
интеграции ИИ в процесс обучения.
Данное исследование считается наиболее масштабным и достоверным в
своем роде на сегодняшний день.
Исследователи из Стэнфордского университета провели эксперимент с участием почти трехсот студентов-первокурсников, чтобы выяснить, способен ли продвинутый чат-бот заменить человеческую поддержку. Ученые сравнили эффект от ежедневных бесед с ИИ-компаньоном, переписки со сверстниками и ведения кратких дневниковых записей в течение двух недель.
Феномен «взаимной уязвимости». Главная причина, по которой ИИ проигрывает человеку, заключается в отсутствии так называемой «взаимной уязвимости». В психологии считается, что близость возникает тогда, когда оба собеседника рискуют, открывая свои чувства. Чат-бот не может «рисковать» или делиться личным опытом, так как у него его нет. Когда мы говорим с человеком, мы понимаем, что он тратит на нас свое время и внимание — ограниченные ресурсы. Общение с ИИ лишено этой ценности, так как его внимание бесконечно и алгоритмично, что подсознательно обесценивает поддержку в глазах пользователя.
Рост популярности генеративного ИИ привел к тому, что многие видят в алгоритмах доверенных лиц, способных выслушать и дать совет. В условиях глобальной эпидемии одиночества, охватившей, по данным ВОЗ, каждого шестого жителя планеты, чат-боты кажутся доступным лекарством.
Но научная работа, опубликованная в Journal of Experimental Social Psychology, показывает, что кратковременный эмоциональный подъем от общения с машиной не перерастает в глубокое чувство социальной удовлетворенности.
Ежедневный обмен сообщениями с незнакомым человеком помогал избавиться от чувства одиночества в большей степени, чем общение с чат-ботом.
Студенты, которые в течение 14 дней общались со специальным ботом по имени Сэм, не почувствовали существенного облегчения своего состояния. Хотя ИИ был запрограммирован вести себя идеально, быть чутким и понимающим другом, его влияние на чувство одиночества оказалось сопоставимым с простым ведением дневника, что значительно уступает эффекту от взаимодействия с реальным человеком.
Предел цифровой эмпатии
Разрыв между человеческим и искусственным интеллектом наиболее ярко проявляется в долгосрочной перспективе. Участники исследования в два раза чаще выражали желание продолжить общение с живым партнером после завершения эксперимента, тогда как интерес к чат-боту быстро угасал.
Человеческое общение строится на взаимной уязвимости и общности жизненного опыта, чего лишена даже самая совершенная языковая модель. ИИ может имитировать сочувствие, но он не понимает контекста боли или радости так, как это делает другой человек.
Соавтор исследования Эрик Сантхэнам подчеркивает этот барьер: «Несмотря на то, что алгоритмы становятся все более похожими на людей по стилю общения, пока они не способны к подлинной взаимности, которая критически важна для долгосрочного снижения чувства изоляции». Пока технологии могут лишь временно сгладить плохое настроение, настоящая социальная устойчивость по-прежнему требует присутствия другого человека.
Oracle провела масштабное сокращение штата, затронувшее от 10 до 30 тысяч человек. Информацию подтвердил один из сотрудников компании в разговоре с BBC.
Среди уволенных – старшие инженеры, архитекторы, руководители операционных подразделений, программные менеджеры и технические специалисты. Майкл Шеперд, старший менеджер по операциям в Oracle, опубликовал заявление, в котором подробно описал ситуацию.
Сегодня Oracle провела значительное сокращение штата, которое затронуло одних из самых талантливых, преданных и высокоэффективных людей, с которыми мне посчастливилось работать. Скажу прямо – это не было связано с результатами работы. Уволенных отпустили не из-за того, что они сделали или не сделали.
Ситуация выглядит особенно противоречиво на фоне агрессивной экспансии Oracle в сфере ИИ. На протяжении последнего года компания активно инвестировала в ИИ-инфраструктуру и наращивала мощности дата-центров.
Oracle даже заявляла о готовности искать альтернативы чипам NVIDIA для выполнения контрактов, среди которых – участие в гигантской сделке с OpenAI на 300 миллиардов долларов.
Сокращение подпитывает дискуссию о том, не начинает ли ИИ-индустрия демонстрировать первые признаки нестабильности. Существует мнение, что технологические компании рассчитывают компенсировать потерю рабочей силы именно за счёт ИИ-инструментов. Вопрос в том, какими будут последствия такой зависимости от ИИ.
Дополнительный контекст добавляют и недавние события вокруг OpenAI. Компания свернула приложение Sora, а Disney вышла из инвестиционной сделки на миллиард долларов.
Оба случая можно трактовать как сигнал напряжения на ИИ-рынке – или как минимум внутри самой OpenAI. Впрочем, картина неоднозначна – буквально в тот же период OpenAI закрыла раунд финансирования на 110 миллиарда долларов, так что недостатка в инвесторах и средствах компания явно не испытывает.
Нейрокомпьютерные интерфейсы обычно рассматривают как медицинский инструмент – для восстановления утраченных функций. Но в лаборатории Калтеха такую систему превратили ещё и в музыкальный инструмент.
69-летний психолог Гален Бакволтер использует шесть мозговых имплантов не только для управления компьютером и частичного восстановления ощущений прикосновения, но и для управления музыкальными тонами в реальном времени. Нейронную активность он уже превратил в звук и использовал в записи и музыке группы Siggy.
История начинается с травмы: в 16 лет Бакволтер неудачно нырнул и оказался парализован ниже груди. Он сделал карьеру в психологии и не оставил музыку. В 2024 году он присоединился к исследованию нейроинтерфейсов в Калтехе и перенёс операцию – в моторную кору имплантировали шесть чипов Utah Array от Blackrock Neurotech.
Каждый чип содержит 64 канала – всего 384 потока нейронных данных. Когда Бакволтер мысленно представляет движение (например, сгибает палец), система распознаёт сигнал и интерпретирует намерение. Это позволяет управлять курсором, а также вызывать ощущения прикосновения – и теперь ещё и создавать звук через отдельный аудиоинтерфейс.
Идея музыки возникла из простого вопроса – как "звучит" мозг. Бакволтер наткнулся на видео, где электрическую активность грибов превращали в звук, и решил попробовать то же самое с нейросигналами.
ПО разработал аспирант Калтеха Шон Дарси. Оно сопоставляет активность нейронов с высотой тона: каждый канал передаёт частоту импульсов нейронов, а при мысленном движении одни нейроны активируются, другие – затихают.
Дарси закрепил за воображаемыми движениями отдельные ноты. Например, «движение» пальца повышает активность – и тон становится выше, снижение активности даёт обратный эффект. Комбинируя такие сигналы, Бакволтер может управлять несколькими тонами одновременно, хотя больше двух даются с трудом.
Чтобы сделать систему ближе к инструменту, добавили виртуальную клавиатуру с порогом активации: звук появляется только при достижении нужного уровня сигнала. Это превращает поток данных в дискретные ноты. При этом интерфейс нестабилен – перед каждой сессией систему приходится перекалибровывать.
Для Бакволтера это не побочный эффект, а принципиальный вопрос. Он считает, что нейроинтерфейсы не должны ограничиваться медицинскими задачами: важно развивать и творческие сценарии, а не рассматривать людей с имплантами только как источник данных.
Группа Siggy уже применила это на практике. В альбом Wirehead (15 марта) вошёл трек с нейронными звуками Бакволтера. Во время записи Дарси управлял параметрами системы, а сам Бакволтер "играл" – изменяя активность мозга.
Сейчас команда работает над музыкой, полностью созданной из нейросигналов. Конечная цель – система вроде диджейской установки, управляемой напрямую активностью моторной коры.
Пока десятки тысяч сотрудников теряют места, которые работодатели прямо связывают с ИИ, один из ведущих экономистов утверждает обратное.
Торстен Слёк, главный экономист Apollo Global Management, настаивает, что никаких свидетельств потери рабочих мест из-за ИИ нет. Заявление прозвучало в его блоге и резко контрастирует с волной увольнений последних месяцев.
В заметке от 28 мая Слёк опирается на еженедельные данные ADP по занятости и делает вывод, что признаков сокращений из-за ИИ в них не видно.
В апреле, по данным ADP, частные компании добавили в платёжные ведомости почти 110 тысяч человек. Вместо урезания штата, по его словам, фирмы массово нанимают специалистов по внедрению ИИ.
Слёк добавляет, что строительство дата-центров толкает вверх зарплаты ИИ-специалистов и цены на полупроводники, оборудование и энергию. Свой главный вывод он сформулировал так:
Итог в том, что бум расходов на ИИ разгоняет одновременно и занятость, и инфляцию.
По его прогнозу, число рабочих мест вне сельского хозяйства за май может оказаться заметно выше ожидаемых рынком 95 тысяч.
Свою логику экономист сводит к парадоксу Джевонса. Слёк описывает это как работающий в реальном времени механизм, когда более дешёвая технология создаёт больше спроса и больше рабочих мест. Иными словами, удешевление ИИ, по его версии, не вытесняет людей, а наращивает потребность в них.
Подобные оптимистичные оценки в последнее время звучат всё чаще. Глава OpenAI Сэм Альтман недавно признался, что рад своей ошибке в прогнозе об "апокалипсисе рабочих мест" из-за ИИ. Схожих взглядов придерживаются глава Box Аарон Леви, глава Dell Майкл Делл и глава Goldman Sachs Дэвид Соломон, и все они руководят компаниями с крупными вложениями в ИИ.
Данные о сокращениях рисуют иную картину. С начала 2026 года в технологическом секторе уволили почти 116 тысяч человек, и эта цифра быстро приближается к 124 тысячам за весь 2025 год. Значительная часть этих сокращений связана с ИИ, либо через прямую замену сотрудников, либо через перенаправление ресурсов на ИИ-инфраструктуру.
Конкретных примеров хватает. На прошлой неделе Wix объявила об увольнении около 20% штата, то есть чуть более тысячи человек, и её глава Авишай Абрахами сослался на ИИ и необходимость адаптироваться к переменам.
Ранее в этом году Block сократила более 4 тысяч сотрудников с прямым указанием на снижение потребности в людях из-за ИИ, а в схожем ключе действовали Intuit, Amazon, Cisco, IBM и другие.
Дальше ситуация выглядит не легче. Опрос консалтинговой компании Mercer, охвативший почти тысячу руководителей, показал, что 99% из них ждут хотя бы частичного сокращения штата из-за ИИ в ближайшие два года.
При этом доля сотрудников, заявивших, что они "процветают" на работе, упала с 66% в 2024 году до 44% в 2026-м.
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.
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.
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.
Как уже говорил раньше, я не умею петь. Но хорошо сочиняю песни. Представляю вам первый клип группы из одного человека. Нейросети - это очень хороший инструмент, однако.
Текст был придуман мной в комментариях на пикабу несколько лет назад.
Норвегия вводит строгий запрет на применение генеративных ИИ-инструментов в начальных школах, сообщает Reuters.
Премьер-министр Йонас Гар Стёре на пресс-конференции заявил, что ИИ позволяет детям пропускать ключевые этапы обучения, а школы должны сосредоточиться на том, чтобы научить их "читать, писать и считать".
Новые правила вступят в силу с началом учебного года в конце августа. Запрет затронет учеников с первого по седьмой класс, то есть детей от 6 до 13 лет. При этом ограничения распространяются и на подростков, хотя в более мягкой форме. Школьники 14–16 лет смогут использовать генеративный ИИ только под наблюдением учителя, а тем, кому 17 и старше, рекомендовано пользоваться технологией ответственно самостоятельно.
Это не первый шаг Норвегии по ограничению технологий в учебных заведениях. В 2024 году страна запретила смартфоны в школах, и эта мера показала отличные результаты.
Она привела к снижению уровня травли, повышению успеваемости и значительному сокращению числа обращений к психологам по поводу проблем с психическим здоровьем. Особенно заметный эффект наблюдался среди девочек.
Норвегия также готовит запрет соцсетей для всех детей младше 16 лет, по примеру Австралии. Соответствующий законопроект планируют внести в парламент до конца года.
В США тоже постепенно движутся к ограничению взаимодействия детей с ИИ-чат-ботами. Сенат и Палата представителей обсуждают законопроект, который обяжет ИИ-компании внедрить систему проверки возраста и запретит предоставлять чат-боты несовершеннолетним.
Законопроект под названием GUARD Act, регулирующий проверку возраста пользователей и ответственный диалог, прошёл Юридический комитет Сената США, но пока не вынесен на голосование.
В прошлом месяце формулировки документа были смягчены. Изначально закон касался практически всех ИИ-чат-ботов, теперь же речь идёт только об "ИИ-компаньонах", что потенциально выводит из-под действия закона такие продукты, как ChatGPT, Gemini и CoPilot.
Критики законопроекта отмечают, что более узкие формулировки могут позволить компаниям избежать ограничений, если функция чат-бота в их продуктах будет признана "второстепенной". Грань между "ИИ-компаньоном" и "поисковым инструментом", с которым кто-то общается круглосуточно, действительно очень тонкая.
Комментарии