Обычная летняя проблема превратилась в инженерную задачу для специалиста по компьютерному зрению. Стивен Чен, работающий в области компьютерного зрения и робототехники, задокументировал, как создавал то, что сам называет "идеальным истребителем комаров".
В основе гаджета лежит связка из системы обнаружения на глубоком обучении и лазерного наведения.
Фундаментом стала визуальная модель, которую Чен обучил на собственном датасете комаров. Для сбора данных он использовал зеркальную камеру с длиннофокусным зум-объективом, снимая детальные изображения насекомых. Та же камера служит и инструментом обучения, и основным сенсором обнаружения.
Процесс сбора данных дался непросто. По словам Чена, после него на нём остались "бесчисленные укусы по всему телу". Снимки разметили и скормили модели глубокого обучения, чтобы та научилась распознавать комаров в полёте.
Обучение оказалось ресурсоёмким. Чен отметил, что эта задача "как следует нагрузила видеокарту", а итоговую точность распознавания назвал "вполне хорошей". Этого хватило, чтобы уверенно выделять комаров на фоне помех.
Дальше дело дошло до боевой части. Лазер настроили так, чтобы "мгновенно превращать комаров в поджаренных", и закрепили на высокоточной промышленной поворотной платформе. Платформа позволяет лазеру быстро и точно двигаться, отслеживая цели, найденные системой зрения.
В итоге получился замкнутый контур, где камера находит комара, модель подтверждает цель, а механика в реальном времени наводит и стреляет. В отличие от обычных уничтожителей насекомых, работающих на пассивном привлечении, эта система активно отслеживает и поражает отдельных особей.
Безопасность Чен заложил отдельно. Он добавил вторую широкоугольную камеру для обнаружения людей и горючих материалов, и при любом пересечении такого объекта с лазерной целью питание на лазер не подаётся. После сборки и тестов Чен заявил, что за одну ночь работы все комары в его жилище были "успешно уничтожены".
У идеи есть и коммерческий аналог. Гаджет под названием Photon Matrix использует лидарный сканер в связке с управляемым гальванометром лазером и, по заявлениям создателей, поражает до 30 комаров в секунду. Сам Чен тем временем уже показал версию с тепловизором, гармоническими приводами, сервомоторами и усиленным алюминиевым подвесом.
Пока работники на Западе с тревогой ждут масштабной волны увольнений из-за ИИ, их китайские коллеги выигрывают трудовые споры против автоматизации в судах.
На прошлой неделе, по сообщению государственного агентства Xinhua, китайский суд постановил, что компании не могут использовать ИИ как повод для увольнения сотрудников.
Поводом стало дело руководителя отдела контроля качества, известного только под фамилией Чжоу. Его наняли в 2022 году для контроля за работой ИИ в технологической компании.
В 2025 году руководство решило заменить специалиста большой языковой моделью (LLM) и предложило понижение в должности с урезанием зарплаты на 40%. Чжоу ожидаемо отказался от такого варианта, после чего компания уволила его, предложив выходное пособие около 45 тысяч долларов. Сумма сотрудника не устроила, и он обратился в государственную арбитражную комиссию.
Комиссия признала увольнение незаконным и встала на сторону Чжоу. Компания подала иск в нижестоящий суд – по всей видимости, окружной народный суд первой инстанции. Проиграв и там, работодатель обжаловал решение в Ханчжоуском муниципальном народном суде промежуточной инстанции, но и тот оставил вердикт в силе. Внедрение ИИ не сочли законным основанием для расторжения трудовых договоров.
Основания для увольнения, на которые ссылалась компания, не относились к негативным обстоятельствам, таким как сокращение бизнеса или операционные трудности, и не отвечали юридическому условию, при котором "продолжение трудового договора становится невозможным.
Юрист компании Zhejiang Xingjing Ван Сюян заявил:
Технологический прогресс может быть необратимым, но он не может существовать вне правового поля.
Стоит учитывать особенность китайской правовой системы. В отличие от Великобритании и США с их общим правом, в Китае действует континентальная система права. В стране нет принципа, обязывающего суды следовать прецедентам, установленным другими судами.
Тем не менее победа Чжоу выглядит значимой и воспринимается как сигнал о том, что китайская судебная система, а вместе с ней и национальные законодатели могут готовиться к защите работников от автоматизации и сокращений из-за ИИ.
В то же время, на Западе медленно но верно формируется что-то больше похожее на цифровой феодализм, где у обычных людей становится все меньше возможностей защитить свою работу.
Sony зарегистрировала патент, описывающий систему на основе ИИ, которая самостоятельно отбирает лучшие моменты из игр и делает из них готовые материалы для соцсетей.
Игроки часто делятся запоминающимися достижениями из своих игровых сессий с друзьями через социальные сети – Discord, Twitch, YouTube, Twitter и другие.Создание таких видеоклипов или скриншотов может быть трудоёмким и обременительным для игрока, так как ему приходится не только просматривать запись в поисках нужных моментов, но и, как правило, использовать специализированное программное обеспечение.
Суть патента сводится к тому, что система наблюдает за действиями игрока в режиме реального времени и непрерывно собирает данные о происходящем: убийствах, победах, редких событиях, неожиданных поворотах и ключевых решениях. Машинное обучение анализирует паттерны вроде серий убийств, победы над боссами, камбэков в безнадёжных ситуациях или нестандартных ситуаций.
Важная деталь: ИИ учитывает профиль конкретного игрока, его уровень мастерства и привычный стиль игры. Это означает, что система не просто выбирает объективно зрелищные моменты, а адаптирует критерии под каждого пользователя. Первая победа новичка будет помечена как хайлайт, тогда как для опытного игрока тот же результат останется незамеченным.
После того как значимый момент зафиксирован, ИИ формирует так называемый "момент-ассет" – готовый к публикации материал в нескольких возможных форматах: стилизованная карточка хайлайта с подписью, коллаж из скриншотов, короткое видео или даже трёхмерный коллекционный объект в виде фигурки. Всё это создаётся без какого-либо участия игрока.
Sony, как и другие крупные игровые компании, регулярно патентует технологии, которые либо так и не появляются в финальных продуктах, либо реализуются значительно позже и в другом виде.
Исследователи в области кибербезопасности обнаружили новый способ обхода защитных механизмов macOS, и в этом им помогла ИИ-модель Mythos от Anthropic.
Компания Calif, занимающаяся исследованиями в сфере безопасности и базирующаяся в Пало-Альто, раскрыла подробности атаки, которую её специалисты разработали ещё в апреле в ходе тестирования ранней версии Mythos. Примечательно, что сама модель Anthropic до сих пор остаётся одной из самых закрытых разработок в индустрии ИИ – предположительно из-за рисков, которые она несёт для программных систем.
Метод, который обнаружили исследователи, объединяет две отдельные уязвимости и ряд дополнительных техник для повреждения памяти Mac. Это позволяет получить доступ к защищённым разделам системы, куда у обычных процессов нет права на вход. Речь идёт о так называемом эксплойте повышения привилегий – типе атаки, при которой злоумышленник последовательно расширяет свои права в системе, пока не получает полный контроль над машиной.
Глава Calif Тай Донг прямо отметил, что атака "не могла бы быть осуществлена силами Mythos в одиночку и опиралась на настоящую человеческую экспертизу хакеров из Calif". Это важное уточнение в контексте дискуссий о роли ИИ в кибербезопасности – модель выступила лишь инструментом.
Команда Calif подготовила развёрнутый 55-страничный отчёт и передала его лично представителям Apple в Купертино. Представитель Apple прокомментировал ситуацию для The Wall Street Journal: "Безопасность – наш главный приоритет, и мы очень серьёзно относимся к сообщениям о потенциальных уязвимостях."
Донг настроен оптимистично относительно сроков устранения проблем и считает, что баги "скорее всего будут исправлены достаточно быстро". Публичное раскрытие технических деталей Calif планирует провести только после того, как Apple выпустит соответствующие исправления.
Умелец в области электроники, известный как CreativelyBankrupt, представил необычного робота-компаньона по имени Sparky. Он способ работать полностью автономно, без подключения к интернету, сотовой сети или Wi-Fi. Главная особенность помощника в том, что он умещается в обычном чемодане и при этом оснащён более чем 30 датчиками.
В основе Sparky лежит одноплатный компьютер Jetson Orin NX Super с 16 ГБ оперативной памяти от NVIDIA. Вся обработка данных происходит локально – робот запускает языковую модель Gemma 4B. Контекст разговора составляет 12 тысяч токенов, что позволяет Sparky помнить довольно длинные диалоги без потери нити беседы.
Производительность у системы достаточно приличная для портативного решения. Время до первого токена составляет около 200 миллисекунд, а скорость генерации держится на уровне 14–15 токенов в секунду.
Речь распознаётся через SenseVoiceSmall, а синтез голоса выполняет Piper, синхронизированный с анимацией рта на движке PixiJS с частотой обновления 43 Гц. Распознавание текста на изображениях и компьютерное зрение встроены прямо в Gemma 4.
Хотя Sparky умещается в чемодан, широкий набор сенсоров обеспечивает ему полноценное восприятие окружающей среды даже вдали от любой инфраструктуры. Управлять им можно вручную с помощью набора кнопок, джойстика и аналогового энкодера.
На протяжении десятилетий проектирование полупроводников двигалось вперёд благодаря идеям людей, открывавшим путь к новым инновациям. Но плоды этого прогресса, включая появление искусственного интеллекта, привели к парадоксальной ситуации – теперь ИИ сам участвует в создании чипов, которые делают его ещё мощнее.
Профессия инженера-проектировщика микросхем пока не входит в число тех, что ИИ-автоматизация грозит полностью вытеснить с рынка труда. Однако в узких сегментах процесса проектирования, где задачи хорошо структурированы, а критерии оценки надёжны, ИИ уже активно применяется и приносит ощутимые результаты.
Система AlphaChip от Google DeepMind, основанная на обучении с подкреплением, создала компоновки для трёх поколений тензорных процессоров (TPU) компании. DeepMind заявляет о "сверхчеловеческом" качестве этих компоновок по сравнению с работой живых инженеров.
Synopsys тоже не отстаёт – инструмент оптимизации пространства проектирования DSO.ai прошёл отметку в 100 производственных тейп-аутов, обеспечивая трёхкратный рост производительности и снижение энергопотребления до 25% для клиентов вроде STMicroelectronics и SK hynix.
Боривое Николич, профессор электротехники и компьютерных наук Калифорнийского университета в Беркли, сказал в интервью Tom's Hardware Premium:
Как и любая новая технология, ИИ может иметь множество применений.
Николич провёл параллель с законом Мура, который исторически использовался двумя способами – для удешевления существующего продукта за счёт переноса на более дешёвые техпроцессы или для добавления ранее невозможных функций.
Думаю, ИИ будет использоваться обоими способами. На данный момент индустрия, похоже, сосредоточена на первом пункте – как удешевить производство, как автоматизировать процессы лучше, чем раньше.
Академическое сообщество, напротив, больше заинтересовано в использовании ИИ для открытия того, о чём люди ещё не задумывались. Этот подход перекликается с прорывами в таких областях, как разработка лекарств и предсказание структуры белков с помощью AlphaFold.
Николич и его коллега Сагар Карандикар исследуют эту территорию в собственной работе над политиками замещения кэша – теме, глубоко погружённой в дебри микроархитектуры процессоров.
Их система ArchAgent, построенная на фреймворке AlphaEvolve от Google DeepMind, за два дня сгенерировала политику замещения кэша, которая превзошла предыдущий лучший результат на 5,3% по ускорению IPC на многоядерных рабочих нагрузках Google.
На тщательно проработанных одноядерных бенчмарках SPEC06 потребовалось 18 дней, чтобы выжать ещё 0,9%. Для Карандикара это "первый признак жизни", свидетельствующий о том, что большие языковые модели способны проектировать принципиально новую логику, а не просто подстраивать существующие параметры.
Человеческое руководство всё ещё играет огромную роль, и оно как бы поднимает планку мышления, которое требуется от людей. Люди, участвующие в этом процессе, занимаются мышлением более высокого уровня – генерируют новые идеи и направляют LLM, а языковая модель выполняет основную работу по тонкой настройке политик.
Для Игоря Маркова, исследователя в области проектирования микросхем, проведшего годы на передовой автоматизации электронного проектирования (EDA), реальная ценность ИИ проявляется в конкретных и зачастую рутинных задачах. Одни из самых значительных выигрышей, по его словам, приходятся на нижний уровень процесса – задачи, где инженерам ранее приходилось интерпретировать неформальные спецификации на естественном языке и переводить их в формальные описания для инструментов.
В качестве примера Марков привёл сети питания и заземления – сложные паутины металлических дорожек, подводящих электричество по всему чипу.
Их иногда проектируют просто с описаниями на естественном языке. Люди описывают геометрию, затем она реализуется, и в какой-то момент нужно формализовать описание. Этот шаг выполнялся вручную, и его довольно просто автоматизировать с помощью ИИ.
Выигрыш в производительности не колоссальный – раньше это занимало пару дней, теперь – пару часов. Но это всё равно лучше, чем ничего, даже если результат по-прежнему нуждается в проверке.
Наибольший оптимизм Марков испытывает в отношении того, что он называет "агентным пространством" – высокоуровневой оркестрации процессов проектирования чипов, включая решения о том, обречён ли текущий прогон или нужно перезапустить весь процесс с нуля.
Если вы умножаете ноль на что-то, получаете ноль. Но если у вас уже есть что-то приличное, то такой высокоуровневый контроль может быть чрезвычайно полезным.
Даже самые консервативные уголки индустрии начинают задумываться о внедрении ИИ. Аналоговое проектирование долгое время считалось последним бастионом человеческого мастерства, но исследователи уже создают генеративные ИИ-системы вроде AnalogGenie, использующей GPT-подобную модель для открытия новых топологий схем. Принстонский университет разработал ИИ-систему для исследования пространства проектирования и сквозного синтеза усилителей мощности миллиметрового и субтерагерцового диапазонов, работающих на частотах от 30 до 120 ГГц.
Именно в этих областях то, что часто считается слабостью ИИ – отсутствие собственных знаний и "мышечной памяти" – превращается в преимущество. Люди при переносе дизайна с одного техпроцесса на другой склонны предполагать, что старая топология должна быть близка к оптимальной для нового.
У ИИ может не быть таких барьеров.– Николич
Впрочем, определённая осторожность необходима. ИИ можно натренировать блестяще справляться с демонстрациями, но при этом он может провалиться на более запутанных задачах, с которыми инженеры сталкиваются на практике.
Работает ли то, что сработало в пяти случаях, в общем случае и позволяет ли вам внедрять инновации – вот ключевой вопрос.– Марков
Существует и проблема постановки задачи. Попросите модель спроектировать лучший чип для ИИ, и без формальной, однозначной спецификации того, что значит "лучший", модель выдаст что-то – или что угодно.
Марков также напомнил, что каждый предыдущий скачок в автоматизации проектирования вызывал аналогичные дебаты о том, могут ли машины действительно думать. Алгоритмы кратчайшего пути для трассировки проводников, когда-то считавшиеся исключительно человеческой способностью, стали учебным материалом для студентов. Алгоритмы размещения теперь регулярно превосходят людей-проектировщиков. Логический синтез, который считался слишком абстрактным для автоматизации, обрабатывается циклами и условными операторами.
EDA всегда была разновидностью ИИ, ведь она автоматизировала то, что делали люди. Мы просто движемся по прямой линии, и остановки не будет.
На данный момент ИИ действует как мультипликатор силы, выжимая больше результатов из команд, а не сокращая их, отметил Марков. Состав этих команд и требуемые навыки тоже меняются – инженеры, свободно владеющие ИИ-ассистентами для написания кода, сейчас востребованы так, как не были ещё полгода назад.
Парадокс Джевонса тоже маячит на горизонте. По мере того как ИИ делает определённые этапы проектирования радикально дешевле и быстрее, Николич ожидает, что инженеры используют высвободившиеся ресурсы для исследования территорий, на которые раньше не решались ступить. В том числе – для проектирования тех самых ИИ-чипов, которые движут весь этот цикл.
Если какой-то класс кремниевых решений и созрел для оптимизации, которая ещё не была систематически изучена, то, по мнению Маркова, это высокоструктурированные, критичные по производительности ускорители, питающие нынешний бум.
Есть масса возможностей для людей улучшать другие части процесса проектирования, делая его более пригодным для этих ИИ-систем.
По мере развития моделей будут расти и их способности помогать в разработке чипов.
Capcom продолжает уточнять свою позицию по использованию искусственного интеллекта в разработке игр.
Вице-президент по платформам разработки и ИИ-решениям Синъити Иноуэ рассказал о подходе компании к генеративному ИИ и деталях сотрудничества с Google Cloud.
На недавних брифингах для акционеров Capcom заявила, что не будет использовать сгенерированные ИИ ассеты в своих играх, но планирует применять технологию для повышения эффективности и продуктивности разработки. Эти заявления были довольно общими, однако теперь инженеры компании поделились конкретикой.
В интервью изданию 4Gamer Иноуэ пояснил, почему Capcom не планирует задействовать ИИ для создания графических и других игровых ассетов.
То, что мы в индустрии развлечений считаем крайне важным в противовес искусственному интеллекту – это человеческая чувственность. Даже ИИ высшего уровня всё ещё не может сравниться с нашими создателями, когда дело касается чувственности. Такова нынешняя реальность. Из-за этого концентрация человеческих усилий на работе, требующей подобной чувственности, более эффективна с точки зрения управления человеческим капиталом, а также важна для сосуществования с создателями.
Любопытно, что эта позиция несколько противоречит экспериментальным ИИ-инициативам Capcom 2025 года. Тогда компания объявила о сотрудничестве с Google Cloud для оптимизации процесса мозгового штурма и концептуализации десятков тысяч объектов, необходимых для AAA-игры.
File Not Loaded
В качестве примера приводилось создание дизайна вымышленного телевизора для игрового окружения. Хотя тот рабочий процесс предназначался для стадии предложений, а не финального производства ассетов, он всё же расходится с нынешней позицией Capcom, что может указывать на пересмотр взглядов компании.
Так для чего же Capcom использует ИИ?
По словам Иноуэ, оптимизация тестирования и задач, связанных с коммуникацией – самая насущная проблема AAA-разработки, ведь объём такой "рутинной работы" растёт экспоненциально по мере увеличения масштабов игр.
Именно для этого его команда разрабатывает систему плейтестинга, использующую Gemini совместно с несколькими ИИ-агентами, обученными внутри компании.
ИИ передаёт свои находки агентам проверки отладки, но вместо того чтобы оставлять всё на людях, другой агент сначала оценивает отчёты на соответствие концепции геймдиректора. Огромный объём этой работы по проверке и оценке выполняется, пока люди спят.После этого система отбирает проблемы, которые с высокой вероятностью 'не соответствуют задуманной концепции игры', и представляет их. Поскольку ИИ выполняет эти проверки заранее, людям больше не нужно проводить колоссальный объём ручной верификации самостоятельно.
Согласно пресс-релизу Google Cloud от апреля, система плейтестинга Capcom обрабатывает около 30 000 часов тестирования в месяц, существенно освобождая руки разработчиков.
ИИ-агенты используют Gemini Vision, чтобы "смотреть" на игровой экран и обнаруживать технические сбои, при этом отличая реальные ошибки от намеренных дизайнерских решений на основе данных, на которых они обучены.
Помимо этого, ИИ анализирует прошлые данные, чтобы предсказывать, где игровая система с наибольшей вероятностью "сломается" в следующий раз, и приоритизирует тестирование зон повышенного риска вместо случайных проверок.
ФБР совместно с Google и компанией Black Lotus Labs пресекло работу масштабной китайской фишинговой платформы Outsider Enterprise. Операция получила название "Riptide" и затронула тысячи мошеннических сайтов, работавших с 2023 года. По данным Google, с инфраструктурой сервиса связано более 9 000 фальшивых ресурсов и свыше миллиона мошеннических URL.
Операция получила красивое название "Призрачный крюк".
Схема работы Outsider Enterprise строилась на продаже готовых фишинговых наборов, которые позволяли даже технически неподготовленным преступникам рассылать SMS от имени крупных брендов. Атаки проходили через сети AT&T, T-Mobile и Verizon. Только за две недели мая было отправлено 2,5 миллиона таких сообщений пользователям Android, из которых 55 000 были отмечены как мошеннические.
Масштаб ущерба впечатляет: по данным следствия, операция привела к краже 3,8 миллиона записей о банковских картах и убыткам на сумму около 1,9 миллиарда долларов. ФБР изъяло несколько серверов управления, аккаунт в Shopify, тестовую учётную запись сервиса и около 100 000 USDT с криптовалютных кошельков операторов. Тысячи зарегистрированных в США фишинговых доменов теперь перенаправляют на официальную страницу ФБР.
Параллельно ведомство перехватило контроль над Telegram-ботом Outsider Enterprise, в котором хранились данные о клиентах сервиса – то есть о преступниках, покупавших фишинговые наборы. Google со своей стороны подала гражданский иск против инфраструктуры операции.
Google использует произошедшее как повод усилить давление на законодателей и призывает к принятию семи двухпартийных антимошеннических законопроектов, включая "Закон об остановке мошенничества" (Stop SCAMS Act). Этот закон обязал бы ФБР координировать единую национальную стратегию противодействия мошенничеству с участием федеральных ведомств, правоохранителей и частных компаний.
Пока законодательство дорабатывается, Google отметила, что Android уже блокирует более 10 миллиарда вредоносных сообщений в месяц благодаря встроенной защите на основе ИИ.
Китайский стартап Meng Xiaoyi из Ханчжоу заявил о создании девайса на базе ИИ, способного переводить поведение и звуки домашних питомцев в человеческую речь.
Приложения-переводчики для животных существуют уже не первый год, но обычно носят исключительно развлекательный характер и не имеют под собой научной основы. Однако разработчики из Meng Xiaoyi утверждают, что их гаджет действительно работает. Предзаказы на девайс начали принимать в начале мая, и с тех пор 10 000 единиц уже зарезервированы владельцами питомцев.
ИИ-переводчик стоит 799 юаней, что составляет примерно $118. По данным компании, гаджет работает на языковой модели Qwen от Alibaba Cloud, которая использует накопленные данные голосовых отпечатков и отслеживает анатомические и поведенческие особенности животных.
Девайс крепится на шею питомца и, по заявлениям создателей, способен распознавать поведение, вокализацию и эмоции животного, а затем переводить их в человеческую речь с точностью около 95%.
При этом стартап столкнулся со скептицизмом со стороны экспертов и общественности. Причина проста – компания до сих пор не опубликовала никаких данных или исследований, подтверждающих заявленные возможности гаджета.
Несмотря на отсутствие доказательной базы, Meng Xiaoyi удалось привлечь от ранних инвесторов сумму около $1 миллиона. Это может указывать на доверие инвесторов к самой идее и её потенциалу, но не обязательно подтверждает, что технология работает именно так, как заявлено.
Студия Revolution Software, известная серией классических приключенческих игр Broken Sword, объявила об отказе от технологий искусственного интеллекта при создании ремастера Broken Sword: The Smoking Mirror. Решение было принято после неудачного опыта с ИИ-апскейлингом в ремастере первой части серии, вышедшем в 2024 году. Фанаты встретили новость с энтузиазмом – кампания на Kickstarter достигла заявленной цели всего за 15 минут.
Ремастер оригинальной Broken Sword: Shadow of the Templars в целом получил тёплый приём и "крайне положительные" отзывы в Steam, несмотря на использование ИИ-апскейлинга. Однако для самих разработчиков технология оказалась скорее проблемой, чем решением. Глава Revolution Software Чарльз Сесил ещё в прошлом году рассказывал, что студия пыталась использовать ИИ "правильно" – была обучена внутренняя модель исключительно на собственных работах студии для обработки изображений. Но результат разочаровал.
Итог оказался не слишком удовлетворительным, так как в изображениях было недостаточно деталей.
Для ремастера второй части, получившего подзаголовок Reforged, Revolution выбрала принципиально иной подход.
В этой игре более 55 000 уникальных кадров анимации, и она создана командой талантливых классических аниматоров, которые перерисовали и переанимировали игру кадр за кадром. Добавление тонкой, контекстно-зависимой характеризации персонажей и человеческих выражений – это то, что ИИ не может делать и никогда не сможет.
На странице кампании студия также пояснила, почему отказалась от ИИ-инструментов:
В итоге это была куча работы, которую можно было бы, честно говоря, потратить непосредственно на игру – так что именно это мы и делаем на этот раз! Никакого ИИ, только люди.
Изначальная цель кампании на Kickstarter была довольно скромной – 57 тысяч евро. Сумма была собрана менее чем за 15 минут после старта. На момент написания материала фанаты уже надонатили почти 400 тысяч евро, многократно превысив заявленную цель задолго до окончания кампании в следующем месяце. Можно делать собственные выводы о том, насколько мгновенный успех кампании связан именно с отказом от ИИ, но расположение сообщества к новому ремастеру определённо велико.
Стоит отметить, что ИИ-апскейлинг действительно показывает впечатляющие результаты в определённых случаях – например, технология DLSS от Nvidia. Однако когда речь идёт о масштабировании ретроигр с низким разрешением для современных дисплеев, результат чаще всего выглядит неубедительно. Разработчики из Revolution, очевидно, пришли к такому же заключению и решили вложить усилия живых художников в то, чтобы вернуть классику серии Broken Sword так, как она того заслуживает.
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.
Крупнейшие китайские социальные медиа-платформы, включая Weibo и WeChat, обязали популярных пользователей публично указывать свои имена, что вызвало массовое бегство блогеров с платформ.
Kandinsky 3
Это правило, введенное для пользователей с числом подписчиков более 1 млн человек, рассматривается критиками как нарушение неприкосновенности частной жизни, вызывающее опасения доксинга и преследований.
Такие известные личности, как научный блогер Минг Ю Жуй Ран, избавляются от подписчиков, а рэпер Kindergarten Killer решил удалить свои аккаунты.
Блогеры, опасающиеся последствий, считают, что политика использования реальных имен является инструментом подавления инакомыслия и усиления слежки. Этот шаг, который, как предполагается, соответствует директивам Администрации киберпространства Китая, рассматривается как потенциальная «угроза» свободе в Интернете.
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.
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