Лента новостей

🚀 Три AI‑компании превзойдут 25 лет технологических выходов Anthropic, OpenAI и SpaceX готовятся к IPO, которые, по оценкам, создадут больше стоимости, чем все американские стартапы, получившие венчурное финансирование и вышедшие на рынок с 2000 года. Эти три публичных размещения превзойдут суммарный объём всех технологических выходов за последние 25 лет.

🚀 Ollama привлекла $65 млн и почти 9 млн пользователей Открытый инструмент для разработки ИИ‑моделей Ollama объявил о привлечении инвестиций в размере 65 млн долларов США. По данным компании, количество активных пользователей подошло к отметке почти 9 млн человек. Проект получил широкое признание в сообществе: на GitHub у него 176 000 звёзд и почти 17 000 форков. Ollama упрощает запуск ИИ‑моделей непосредственно на персональных компьютерах разработчиков, что подтверждается независимыми бенчмарками. 🔧 Благодаря открытой архитектуре и поддержке сообщества, инструмент продолжает расти и расширять возможности работы с искусственным интеллектом.

🤖 Новый открытый VLA от Robbyant: LingBot‑VLA 2.0 Robbyant (подразделение Ant Group) опубликовал открытый код LingBot‑VLA 2.0. В экспериментах переход от абсолютных целей суставов к относительным действиям повысил средний показатель успеха с 33,7 % до 55,0 % (+21,3 п.п.), превзойдя любые архитектурные изменения. Модель использует 55‑мерный вектор целостного действия (суставы руки, захват, 12‑мерную руку, талию, голову, мобильную основу) и обучалась одновременно на 20 типах роботов — от 8‑DoF манипулятора до 32‑DoF гуманоидов. Предобучение заняло около 60 000 ч: 50 000 ч роботических траекторий и 10 000 ч видеоматериалов от первого лица. На собственном бимануальном тесте GM‑100 (The Great March 100) общий прогресс составил 66,2 % и 34,6 % для Agilex Cobot Magic и Galaxea R1 Pro, а уровень успеха — 34,4 % и 15,6 %. При отклонении положения робота на ±10 см и новых объектах успех в задаче сортировки холодильника упал с 60 % до 13,3 %. Все веса, код и наборы данных доступны в репозиториях Robbyant на GitHub и HuggingFace, что позволяет проверить модель на своих роботах и провести независимую оценку.

🚨 DeepSeek меняет курс, вызывая тревогу в Силиконовой долине Компания DeepSeek объявила о стратегическом повороте, который, по мнению экспертов, может стать сигналом к действию для технологических игроков в Силиконовой долине. Перемена направления деятельности DeepSeek рассматривается как потенциально значимое событие для отрасли, требующее внимательного наблюдения.

🧠 Китайский чип‑мозг опережает Nvidia A100 в 478 раз 🚀 Учёные из Китая представили новый интеллектуальный чип, имитирующий работу мозга и способный в реальном времени отображать структуры мозга. В тестах производительность чипа превзошла графический процессор Nvidia A100 до 478‑кратного уровня.

🏗️ Meta открывает первый в Канаде AI‑центр в Альберте 8 июля компания объявила о строительстве крупного AI‑центра в графстве Стерджен, к северу от Эдмонтона. Инвестиция составит 13 млрд канадских долларов, это первый проект Meta в Канаде. Объект будет мощностью 1 ГВт, работать от собственного газового электростанции и потреблять электроэнергию, сравнимую с потреблением 800 000 домов ⚡. Это также подтверждает, что заказчиком газовой электростанции стоимостью 4,6 млрд долларов, объявленной в том же районе на прошлой неделе, является Meta.

🚨 Китай назвал Claude Code угрозой Правительство Китая заявило, что в системе Claude Code есть скрытые «бекдоры», позволяющие передавать конфиденциальные данные на удалённые серверы без согласия пользователей. По их словам, такой механизм представляет собой «серьёзную угрозу» национальной безопасности. В результате этих обвинений в Китае фактически введён запрет на использование Claude Code.

⚡ Канадское правительство планирует масштабно увеличить мощность AI‑центров Сейчас в стране работает около 337 мегаватт вычислительных мощностей, предназначенных для искусственного интеллекта. По планам, в проектах, находящихся в стадии планирования или разработки, запланировано более 20 гигаватт (≈ 20 000 мегаватт) новых мощностей.

🤖 Hermes vs. Atom: разные подходы к AI‑агентам Сравниваются два открытых проекта: Hermes Agent — личный помощник от Nous Research, и Atom OS — платформа бизнес‑автоматизации, разработанная автором. Оба решают задачи AI‑агентов, но ориентированы на разные сценарии — персональная продуктивность и регулируемые бизнес‑процессы. **Архитектура:** *Память* — Hermes использует гибридный поиск (BM25 + векторный фьюжн с кросс‑энкодером), что удобно для быстрого восстановления кода, написанного три недели назад. Atom хранит фактическое состояние в PostgreSQL, а векторный слой (LanceDB) служит лишь ускорителем; при сбое векторной БД данные доступны через SQL. *Безопасность* — Hermes работает в локальном однопользовательском режиме и полагается на самодоклады инструмента, контролируемые пользователем. Atom внедряет 4‑уровневую систему зрелости (Student → Intern → Supervised → Autonomous), стартует в read‑only‑песочнице, требует human‑in‑the‑loop и прохождения оценки готовности. *Навыки* — Hermes позволяет агенту писать и улучшать свои навыки «на лету», что ускоряет расширение возможностей. Atom использует модуль Auto‑Dev: при повторных ошибках Memento‑Skills генерирует новый навык (только после уровня Intern), а AlphaEvolver создаёт варианты, тестирует их в изолированных Docker‑контейнерах и выбирает лучший по задержке, расходу токенов и точности. Всё контролируется автоматическими юнит‑тестами и правами зрелости. *Интерфейс* — Hermes работает через терминал и мессенджеры, а Atom предлагает Canvas UI с синхронизацией WebSocket, показывая пользователю интерактивные графики, формы и документы, при этом передавая состояние UI в «кору» агента для совместного решения ошибок. **Итог:** Hermes подходит для автономного локального помощника, свободно пишущего код и адаптирующего инструменты. Atom предназначен для многопользовательской бизнес‑среды, где важны аудит, детерминированные состояния и безопасное развитие навыков. 🚀

🧠 Новый метод Anthropic: удалять опасные знания из ИИ Anthropic совместно с AE Studio опубликовали исследование GRAM (Gradient‑Routed Auxiliary Modules), позволяющее «выключать» отдельные знания модели на уровне весов. При предобучении к каждой категории двойного применения (вирусология, кибербезопасность, ядерная физика и др.) добавляются специальные группы нейронов; только они обучаются на соответствующих данных, остальные веса замораживаются. После обучения модуль можно полностью удалить или оставить для проверенных сред. В одном запуске получили 16 конфигураций (вкл/выкл для четырёх категорий). Удаление модуля давало такой же результат, как если бы модель никогда не обучалась на этих данных, при этом общая производительность не пострадала. Эффективность проверялась на моделях от 50 млн до 5 млрд параметров и росла с масштабом; метод оказался устойчивым к восстановлению через дообучение, в отличие от пост‑хок методов. Ограничения: эксперимент не проведён на предельных масштабах, не внедрён в модели Claude, и некоторые двойные возможности могут быть слишком тесно связаны с общими знаниями. Полный текст: https://www.anthropic.com/research/off-switch-dual-use