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.
Американские власти заявили об уничтожении ботнета, который
использовался для фишинговых атак, шпионажа, сбора учётных данных и
кражи информации — по их версии, к развёртыванию сети взломанных
устройств причастны структуры российской разведки. Об этом сообщает The Register.
Ботнет был ликвидирован в январе — его составили «более тысячи»
маршрутизаторов, используемых в домашних сетях и сетях малых
предприятий. Устройства были заражены вирусом Moobot — одним из
вариантов ранее выявленного вредоноса Mirai. Вирус использовался для
удалённого управления взломанными устройствами и проведения атак на
сети.
Установку Moobot на маршрутизаторы под управлением Ubiquiti Edge OS
произвели неизвестные киберпреступники, воспользовавшись установленными
по умолчанию учётными данными. После этого управление взломанными
устройствами, по версии ФБР, перехватила хакерская группировка APT 28,
также известная под названиями Forest Blizzard и Fancy Bear, которая
якобы связана с российской разведкой. Эта группировка посредством
массовой установки на устройства собственных скриптов перепрофилировала
ботнет и превратила его «в глобальную платформу кибершпионажа». Целями ботнета были организации, связанные с правительствами США и других стран, военные организации и частные компании.
Эксперты ФБР перехватили управление Moobot и отдали вредоносной сети
команду на копирование и удаление вредоносных файлов, включая файлы
самого вредоноса, а также данных, которые содержались на взломанных
маршрутизаторах. Американцы изменили правила сетевого экрана
маршрутизаторов, предотвратив их повторный захват. В конце операции все
устройства были принудительно сброшены к заводским настройкам — это
значит, что при сохранении установленных по умолчанию учётных данных они
останутся уязвимыми для повторных атак.
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.
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.
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.
Тайваньские производители модулей памяти оказались в непростой ситуации: спрос на чипы DRAM и NAND со стороны ИИ-инфраструктуры настолько вырос, что компании вынуждены занимать сотни миллионов долларов только для того, чтобы поддерживать достаточный запас комплектующих.
По данным тайваньского издания Commercial Times, такие компании, как Adata, TeamGroup, Apacer, Innodisk, Transcend Information и Silicon Power, в совокупности привлекают займы на более NT$28 млрд (NT$ – тайваньские доллары), что составляет около $880 млн. Деньги поступают через конвертируемые облигации, синдицированные кредиты и частные размещения акций.
Фундаментальная проблема таких компаний, как Adata или TeamGroup – они не делают сами чипы. В отличие от крупных производителей чипов, они не выпускают DRAM и NAND самостоятельно – только закупают готовые компоненты и собирают из них потребительские продукты: комплекты DDR5, SSD, USB-накопители и промышленные решения для хранения данных. Это лишает их какого-либо влияния на распределение поставок.
Важно понимать: эти компании не находятся на грани банкротства. Проблема в другом – поддерживать нужный объем запасов становится все дороже. В такой ситуации заблаговременная закупка запасов фактически стала единственным доступным инструментом защиты маржи и обеспечения ассортимента.
Тревогу усиливает и то, что значимых новых производственных мощностей ждать раньше 2027 года не приходится – а значит, высокие цены на потребительскую память могут сохраняться ещё долго. Аналитическая компания TrendForce оценила рост контрактных цен на обычную DRAM в 90–95% квартал к кварталу в первом квартале 2026 года, а во втором квартале ожидается еще 58–63% роста.
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.
Марк Цукерберг направил полмиллиарда долларов на разработку ИИ-моделей человеческих клеток через свой фонд Chan Zuckerberg Biohub.
Долгосрочная цель организации, в которой также участвует жена Цукерберга, педиатр Присцилла Чан, заявлена как "лечение и предотвращение всех заболеваний с помощью биологии на базе ИИ, передовых исследований и современных технологий", сообщает Euronews.
Инвестиция рассчитана на пятилетний план по созданию предиктивных моделей человеческих клеток. После завершения работ эти модели должны помочь медикам и биологам понять, как клетки взаимодействуют на уровне целого организма. По задумке авторов, это откроет дорогу к крупным прорывам в биологической науке.
Распределение бюджета выглядит так:
400 миллионов долларов пойдут на собственные ИИ-разработки Biohub
оставшиеся 100 миллионов получат сторонние исследователи в виде грантов
Глава научного отдела Biohub Алекс Райвс заявил:
Чтобы построить искусственный интеллект, способный точно отразить всю сложность биологии и ускорить научные исследования, нам нужны данные на порядки больше тех, что существуют сегодня.
По его словам, индустрии необходимы новые технологии для наблюдения за клеткой на молекулярном и тканевом уровнях, как в норме, так и при заболеваниях.
На фоне нового научного проекта компания Цукерберга показала рекордно низкую ставку федерального налога на прибыль – чуть выше 3,5 процента от общей выручки за 2025 год, по данным Institute on Taxation and Economic Policy. При этом сама Meta* провела лучший год в своей истории и заработала 79 миллиардов долларов чистой прибыли.
Стандартная ставка федерального корпоративного налога в США составляет 21 процент, что оставляет разрыв в 13,7 миллиарда долларов между формальной и фактической нагрузкой компании. Эта сумма многократно превышает объём средств, направленных Цукербергом на исследования через Biohub.
OpenAI, создатель ChatGPT, выступила с публичным заявлением, в котором постаралась дистанцироваться от политических пожертвований, сделанных её руководителями.
Компания настаивает, что подобные взносы не отражают официальную позицию организации.
Наши сотрудники свободно участвуют в политическом процессе в личном качестве, в том числе делая пожертвования или давая советы кандидатам, кампаниям и политическим организациям. Когда они это делают, они говорят от своего имени, а не от имени OpenAI.
Также отмечается, что сама OpenAI не делала пожертвований и не имеет финансируемого сотрудниками комитета политических действий.
Заявление появилось после того, как на прошлой неделе вновь привлекли внимание взносы президента и сооснователя OpenAI Грега Брокмана и его жены Анны Брокман.
Согласно записям Федеральной избирательной комиссии, в 2025 году каждый из них пожертвовал по 12,5 миллиона долларов организации Leading the Future, которая лоббирует интересы ИИ-индустрии, что в сумме составило 25 миллионов. Идентичные взносы пара сделала в про-Трамповский супер-PAC MAGA Inc., добавив ещё 25 миллионов долларов.
28 мая некоммерческая организация Build American AI поддержала законопроект штата Иллинойс, который вводит ограничения для ИИ, но раскритиковала пункт, требующий аудита передовых моделей третьей стороной.
Мы считаем, что аудит передовых моделей третьей стороной будет важен, если он реализован правильно и профессионально, но в противном случае несёт риск политизации или неэффективности из-за того, что проводится через бюрократические структуры без достаточной экспертизы в ИИ.
В тот же день Брокман опроверг утверждения о том, что OpenAI финансирует Leading the Future, заявив, что деньги поступили лично от него и его жены. А OpenAI настояла в своём заявлении:
В частности, возникали вопросы вокруг Leading the Future (LTF), которая получила поддержку от нашего президента и сооснователя Грега Брокмана и его жены Анны. Как они уже заявляли, любое взаимодействие с этой организацией осуществлялось в личном качестве, а не от имени компании. OpenAI не направляет деятельность LTF и не имеет представления о её операциях.
Leading the Future также получила взносы от венчурного инвестора и союзника Трампа Марка Андриссена, который призывает к более про-бизнесовой и про-ИИ политике.
Пожертвования Брокмана значительно превосходят политические взносы других руководителей OpenAI в 2025 году. Лишь немногие топ-менеджеры делали политические взносы, и большинство из них составляли всего несколько тысяч долларов кампаниям как республиканских, так и демократических кандидатов.
Например, крупнейшие взносы главы Сэма Альтмана составили 7000 долларов фонду Mark Warner Victory Fund и 6600 долларов Демократической партии Вирджинии. Операционный директор Брэд Лайткэп пожертвовал 3500 долларов LaHood for Congress в поддержку республиканца Дарина Лахуда из Иллинойса.
Альтман исторически жертвовал демократам, однако вскоре после избрания Трампа в 2024 году перечислил миллион долларов в инаугурационный фонд президента. По данным Wall Street Journal, директор OpenAI по глобальным связям Крис Лехейн участвовал в ранних обсуждениях создания Leading the Future PAC.
Растущий интерес к источникам финансирования возникает на фоне разворачивающейся борьбы за то, кто будет регулировать ИИ. Во вторник Дональд Трамп подписал урезанную версию указа об ИИ, который был неожиданно отменён в прошлом месяце. Изначальный вариант создавал добровольную систему, по которой ИИ-компании предоставляли бы федеральному правительству доступ к передовым моделям за 90 дней до их широкого релиза "для укрепления кибербезопасности критической инфраструктуры".
Politico сообщала, что ИИ-царь администрации Дэвид Сакс лично донёс до Трампа опасения индустрии накануне ожидаемого подписания. Сакс утверждал, что ИИ-компании уже сотрудничают с правительством, а федеральный процесс проверки может замедлить инновации и дать Китаю преимущество в гонке ИИ. Новый указ сокращает окно проверки до 30 дней, но сохраняет раздел о том, что система полностью добровольна.
Параллельно на местном уровне такие ИИ-компании, как OpenAI и Anthropic, лоббируют свои предпочтительные законы штатов, придерживаясь стратегии формирования де-факто федерального законодательства через отдельные штаты.
В конечном счете, остается факт того, что основатели или приближенные к руководству жертвуют миллионы долларов на продвижение интересов компаний, которые они создали.
ИИ-модель Grok от xAI сгенерировала около 3 миллионов сексуализированных изображений всего за 11 дней, включая примерно 23 тысячи изображений детей. Исследование британской некоммерческой организации Center for Countering Digital Hate (CCDH) выявило масштаб проблемы, о которой ранее сообщалось лишь в общих чертах – теперь есть конкретные цифры.
В среднем Grok генерировал около 190 сексуализированных изображений в минуту на протяжении указанного периода. Сексуализированные изображения детей/подростков создавались каждые 41 секунду. CCDH проанализировала случайную выборку из 20 тысяч изображений Grok с 29 декабря по 9 января, затем экстраполировала данные на общий объём в 4,6 миллиона изображений, созданных за этот период.
Исследование определяло сексуализированные изображения как фотореалистичные изображения людей в сексуальных позах, ракурсах или ситуациях, в нижнем белье, купальниках или откровенной одежде, а также изображения с жидкостями сексуального характера. CCDH не учитывала промпты, так что оценка не разделяет несогласованные сексуализированные версии реальных фотографий и изображения, созданные исключительно по текстовому запросу.
Для определения доли сексуализированных изображений в выборке организация использовала ИИ-инструмент, так что не все полностью верифицировано. Однако многие сторонние аналитические сервисы включают надёжные данные благодаря API платформы.
9 января xAI ограничила возможность редактирования существующих изображений в Grok только для платных пользователей – проблема не решилась, а превратилась в премиум-функцию. Через пять дней X ограничила способность Grok создавать изображения раздетых реальных людей. Однако ограничение распространилось только на версию в X – автономное приложение Grok продолжает генерировать подобный контент.
Apple и Google размещают приложение в своих магазинах, хотя их политики явно запрещают подобный контент. Компании удаляли аналогичные приложения для "раздевания" от других разработчиков, но Grok остался доступен. 28 женских организаций и других прогрессивных некоммерческих групп опубликовали открытое письмо с призывом к компаниям принять меры, но Apple и Google не отреагировали.
Среди выявленных изображений – многочисленные генерации людей в прозрачных бикини или микро-бикини. CCDH упоминает изображение "медработника в форме с белой жидкостью между расставленных ног", женщин в одной зубной нити, пищевой плёнке или прозрачной ленте. Одно изображение показывало Эббу Буш, вице-премьера Швеции, "в бикини с белой жидкостью на голове".
В числе публичных фигур оказались Селена Гомес, Тейлор Свифт, Билли Айлиш, Ариана Гранде, Ice Spice, Ники Минаж, Кристина Хендрикс, Милли Бобби Браун и Камала Харрис. Примеры с детьми включают редактирование "селфи ребёнка перед школой" в изображение девочки в бикини, а также генерацию "шести маленьких девочек в микро-бикини". По состоянию на 15 января оба этих поста всё ещё были доступны в твиттере.
29% выявленных сексуализированных изображений детей из выборки оставались доступны в X на 15 января. Исследование показало, что даже после удаления постов изображения оставались доступными по прямым URL-адресам.
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.
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.
Игроки в Pokémon Go давно подозревали, что Niantic продаёт картографические данные, которые пользователи генерировали в процессе игры. Подозрения оказались обоснованными – и теперь стало известно, кому именно эта информация продаётся и для чего.
Niantic Spatial – ИИ-подразделение, образовавшееся после приобретения Niantic саудовской компанией Scopely в прошлом году, раскрыло, что использовало картографические данные Pokémon Go для создания модели, способной определять местоположение человека с точностью до нескольких сантиметров. Один из клиентов этой технологии – Coco Robotics, компания, занимающаяся роботами-доставщиками.
В основе системы лежит визуальное позиционирование, которое опирается на изображения и видео вместо координат GPS. Модель обучена на более чем 30 миллиардах снимков, сделанных в городской среде – в первую очередь вокруг таких точек интереса, как залы и гимы, где игроки делали фотографии с множества ракурсов и в разное время суток. Такой подход позволяет навигации работать там, где GPS ненадёжен – например, в городах с высоким уровнем помех сигнала.
Технический директор Niantic Spatial Брайан Макклендон заявил:
У нас более миллиона локаций по всему миру, где мы можем определить ваше местоположение с точностью до нескольких сантиметров. И, что самое важное, мы знаем, куда вы смотрите.
Глава Niantic Spatial Джон Ханке назвал партнёрство с Coco Robotics лишь началом куда более масштабного замысла – создания виртуальной симуляции мира, которая будет обновляться в реальном времени и собирать ещё больше картографических данных от роботов, использующих систему.
Ситуация ставит под вопрос этичность использования данных, которые миллионы игроков генерировали на протяжении многих лет, не подозревая о конечном назначении этой информации.
По сути, пользователи Pokémon Go бесплатно выполняли работу по созданию детализированной карты мира для ИИ-компании. Применение данных для помощи роботам-доставщикам звучит безобидно, однако сам факт существования гипердетализированной карты мира, которую можно продавать любому желающему, вызывает очевидные вопросы о слежке и конфиденциальности.
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.
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