ИИ из первых уст

Тысячи гонок за секунды: как Mercedes использует облако и ИИ в стратегии

В интервью Microsoft главный стратег Mercedes Джои Макмиллан описал, как команда работает с данными, моделированием и ИИ. Материал опубликован в октябре и разбирает, в частности, майскую гонку в Майами.

По его словам, Azure Batch позволяет параллельно запускать тысячи симуляций полной гонки. Расчёты, которые раньше могли занимать около часа или больше, теперь в описанном процессе выполняются за секунды и доступны у трассы.

ИИ-инструменты также помогают создавать код для анализа. Но ускорение симуляций связано с облачными вычислениями: приписывать весь эффект языковой модели было бы неверно.

Решение о тактике принимает команда. Данные помогают оценить варианты пит-стопа, погоды и действий соперников, но исход остаётся неопределённым до финиша.

Наш взгляд: полезный пример разделения ролей. Машина быстро считает сценарии, специалист выбирает действие под давлением времени. Это опыт команды в материале технологического партнёра, а не доказательство, что ИИ сам выиграл гонку.

Источник: 2026-10-16
https://news.microsoft.com/microsoft-signal/magazine/issue/06/the-winning-formula-formula-one-data-ai-microsoft-interview

AICS Leaders Radar · По первоисточникам

Сайт подстраивается под разговор: HP тестирует новый способ выбирать технику

HP тестирует Experience AI — интерфейс сайта, который меняет представление товаров под запрос пользователя. О проекте компания рассказала 8 октября.

Идея проста: вместо путешествия по каталогу человек описывает задачу голосом или текстом. Например, объясняет, что часто ездит в командировки. Система задаёт уточняющие вопросы и показывает подходящие варианты и сравнения.

Сейчас это бета для ограниченной группы клиентов в США. Компания собирает обратную связь перед расширением; анонс не означает, что функция уже доступна всем странам и посетителям.

Для бизнеса здесь интересен сам сценарий: сайт может помогать человеку сформулировать требования, прежде чем предложить продукт. Но такой интерфейс ещё нужно оценить по точности рекомендаций, прозрачности выбора и удобству.

Наш взгляд: разговорный подбор полезен, когда сохраняется возможность сравнить характеристики и проверить условия. В публикации HP нет доказательства, что новый подход всегда повышает продажи или заменяет обычный каталог.

Источник: 2026-10-08
https://www.hp.com/us-en/newsroom/blogs/2026/hp-experience-ai-agentic-web-platform.html

AICS Leaders Radar · По первоисточникам

10 тысяч агентов на 36–48 часов: исследовательский кейс Third Moment

В кейсе OpenAI компания Third Moment Research рассказывает о системе, которая запускает до 10 тысяч агентов одновременно для исследований длительностью 36–48 часов.

Команда изучает поведение агентов, находит повторяющиеся слабости и создаёт синтетические ситуации для дальнейшего улучшения системы. Для вычислительной работы используются модели OpenAI и Codex.

Одна из ранних областей применения — количественные финансовые исследования. Однако число агентов и длительность запуска не доказывают прибыльность стратегии, надёжность её работы или способность системы самостоятельно делать открытия.

Это рассказ участника проекта, опубликованный поставщиком моделей. Независимого аудита всех результатов в материале нет.

Наш взгляд: масштаб такого запуска делает особенно важными проверяемые промежуточные результаты, ограничения расходов и контроль среды. Долгая работа имеет смысл, когда можно установить, что именно получилось лучше. Само количество параллельных попыток ещё не является показателем качества.

Источник: 2026-10-14
https://openai.com/index/third-moment-research/

AICS Leaders Radar · По первоисточникам

🤖 Домашний робот Mobo: AiMOGA обещает открыть предзаказ 21 октября

Робот-собеседник для семьи приближается к этапу продаж. AiMOGA, опирающаяся на разработки и производственный опыт Chery, объявила: презентация Mobo и старт глобальных предзаказов запланированы на 21 октября. Сообщение компании вышло 17 октября.

Для Mobo заявлены голосовое общение, распознавание окружающих предметов, напоминания и долговременная память. По замыслу разработчиков, он сможет возвращаться к прошлым разговорам и учитывать домашний контекст.

Компания также описывает MoAgent — систему, которая связывает восприятие, общение и планирование действий робота. На мероприятии обещают показать семейное общение и обучающие сценарии для детей.

Главный вопрос теперь — как всё это работает дома. В анонсе нет достаточных данных, чтобы оценить качество общения, надёжность памяти или самостоятельность действий. Дата предзаказа также не равна дате доставки готового устройства покупателю.

После презентации будет полезно посмотреть на цену, условия поставки, поведение робота в обычной квартире и управление накопленными данными. Именно эти детали превращают эффектную демонстрацию в понятный продукт.

Наш взгляд: семейный робот получает более сложную роль, чем колонка с голосовым помощником. Он находится рядом с людьми и запоминает их привычки. Поэтому простота управления и возможность удалить память будут важной частью пользовательского опыта.

Что убедило бы вас попробовать домашнего робота: помощь с делами, общение или возможность сначала взять его на тест?

Источник: пресс-релиз AiMOGA, 17 октября 2026
https://www.globenewswire.com/news-release/2026/10/17/3382868/0/en/aimoga-to-unveil-mobo-its-first-family-companion-robot-on-october-21.html

AICS Leaders Radar · По первоисточникам

💻 Два инженера и Codex: как Stack Overflow собрала продукт для ИИ-агентов

У ИИ-агентов тоже возникает вопрос: где взять полезный опыт, чтобы не решать одну и ту же проблему заново? Stack Overflow развивает для них отдельный продукт. В опубликованном 16 октября кейсе OpenAI команда рассказала, как его создавала.

По словам представителя Stack Overflow, два инженера с помощью Codex собрали Stack Overflow for Agents за несколько недель. Они подготовили среду разработки и план, а затем работали с помощником над реализацией.

Следующей задачей стало подключение пользователей. Для этого команда сделала плагин ChatGPT, упрощающий настройку. Компания сообщает, что после его появления регистрации выросли втрое за ночь, а создание агентов — до десяти раз.

Это цифры участника проекта в кейсе поставщика ИИ. Публикация не даёт независимой проверки и подробной базы сравнения. Их стоит читать как описание опыта конкретной команды, без обещания такого же ускорения для всех.

Есть и практическая деталь: для корпоративного Stack Internal разработку одного коннектора, обычно занимавшую 3–6 недель, по словам команды, удалось сократить до четырёх дней.

Наш взгляд: здесь две разные задачи бизнеса. Первая — быстрее собрать работающий продукт. Вторая — сделать подключение настолько простым, чтобы им действительно начали пользоваться. Даже сильная технология может застрять на втором шаге.

Где у вас чаще тормозит внедрение ИИ: в разработке, подключении данных или привычках команды?

Источник: OpenAI, кейс Stack Overflow, 16 октября 2026
https://openai.com/index/stack-overflow-chatgpt-plugin/

AICS Leaders Radar · По первоисточникам

🔬 ИИ помог восстановить сигналы, которые направляют развитие клеток

Как клетка «узнаёт», что ей стать частью лёгкого, мышцы или другого органа? Она получает химические сигналы от соседей. Исследователи MIT и Whitehead Institute создали IRIS — модель, которая помогает восстановить эту историю по активности генов. MIT рассказал о работе 15 октября.

Команда обнаружила характерные «отпечатки» сигнальных путей: наборы изменений, по которым можно судить, какие сообщения получила клетка. Модель училась на экспериментальных данных человеческих эмбриональных стволовых клеток, затем её проверили на клетках мышиных эмбрионов.

По сообщению исследователей, IRIS смогла переносить найденные закономерности между типами клеток. Это важно: иначе каждый сигнальный путь пришлось бы подробно изучать отдельно в каждом типе.

Один результат проверили экспериментом. Когда модель предложила сигнал, способствующий развитию нужного типа клеток лёгкого, опыты на мышиных эмбрионах подтвердили предсказание. Научная статья опубликована в Nature Methods 8 сентября; октябрьская публикация объясняет её значение.

Такой подход может помочь создавать более точные лабораторные модели тканей и выбирать направления исследований. До применения в лечении людей нужны дальнейшие работы: подтверждённый биологический прогноз ещё не означает готовую терапию.

Наш взгляд: особенно ценна связка «предсказание — эксперимент». Она позволяет оценивать научного помощника по тому, выдерживают ли его гипотезы проверку в физическом мире.

Какая роль ИИ в науке вам интереснее: поиск гипотез, планирование опытов или разбор результатов?

Источник: MIT News / Whitehead Institute, 15 октября 2026
https://news.mit.edu/2026/ai-model-decodes-language-cells-use-communicate-1015

AICS Leaders Radar · По первоисточникам

🧠 Microsoft обучила модель на 2,8 трлн параметров — доступ пока впереди

Microsoft строит собственную основу для следующего поколения ИИ. 15 октября компания сообщила о завершении предварительного обучения MAI-Base-2: в модели 2,8 трлн параметров, из которых при обработке каждого фрагмента задействуются 80 млрд.

По данным Microsoft, обучение шло 38 дней на 16 тысячах ускорителей NVIDIA GB200. Архитектура распределяет работу между отдельными «экспертами», поэтому вся модель не включается целиком на каждом шаге.

В собственных испытаниях Microsoft получила лучшие результаты, чем у выбранных для сравнения моделей с открытыми весами. Но это проверка базовой модели на наборах компании. Она ещё не показывает, насколько полезным окажется готовый помощник в реальной работе.

Что меняется для рынка? Microsoft развивает собственный цикл создания моделей — от данных и обучения до инфраструктуры. Компания связывает это с будущим использованием в своих продуктах и лицензированием весов доверенным партнёрам через Foundry.

Сейчас MAI-Base-2 проходит следующий этап обучения. Даты общего доступа и готового пользовательского продукта в этом анонсе нет.

Наш взгляд: интереснее всего будет увидеть, во что превратится этот масштаб: качество работы с документами, кодом и инструментами, скорость ответа и цену. Размер модели сам по себе этих ответов не даёт.

Что вы прежде всего сравнили бы у нового помощника — качество, скорость или стоимость?

Источник: Microsoft AI, 15 октября 2026
https://microsoft.ai/news/frontier-pre-training-at-microsoft-ai/

AICS Leaders Radar · По первоисточникам

🛡 Google готовит ИИ, который распознаёт мошенников прямо на телефоне

Мошенническая переписка часто выглядит безобидно до момента, когда собеседник просит деньги или код. Google DeepMind и GovTech Singapore обучили модель замечать манипуляцию по ходу разговора. О проекте рассказали 14 октября.

В основе — компактная Gemma, дообученная на местных схемах обмана: сообщениях от имени банков, государственных учреждений и других знакомых адресатов.

Система задумана в два этапа. Сначала лёгкий классификатор отбирает подозрительные сообщения. Затем модель анализирует более широкий фрагмент разговора и решает, нужно ли показать предупреждение. Так разработчики стараются совместить анализ контекста с экономией заряда телефона.

Ключевая деталь — обработка на устройстве. По описанию проекта, доступ к переписке будет требовать согласия пользователя, а её содержание через эту систему не будет передаваться Google или правительству Сингапура.

Внедрение в приложения планируют поэтапно. Анонс не означает, что защиту уже можно включить на любом смартфоне. Авторы сообщают об испытаниях на местных данных и синтетических диалогах; частота ошибок в повседневной переписке из публикации не ясна.

Наш взгляд: полезная цель — вовремя предложить человеку остановиться и проверить просьбу. Чтобы такой помощник заслужил доверие, ему потребуется и точность, и понятное управление доступом к сообщениям.

Вы включили бы такую проверку, если бы переписка обрабатывалась только на вашем телефоне?

Источник: Google DeepMind, 14 октября 2026
https://deepmind.google/blog/on-device-ai-scam-detection-mddi/

AICS Leaders Radar · По первоисточникам

⚡ NVIDIA уложила модель на 74 млрд параметров в 24 ГБ

Локальный ИИ-агент полезен, когда код, документы и рабочие данные хочется оставить в собственном окружении. Но крупные модели обычно требуют слишком много памяти. 15 октября NVIDIA выпустила Nemotron 3.5 Bolt 74B-A9B 24GB — попытку сократить этот барьер.

В модели 74 млрд параметров, но при обработке каждого фрагмента задействуются около 9 млрд. Разработчики сначала сжали более крупную модель, затем уменьшили размер большинства её весов примерно до двух бит на параметр. Итоговый пакет занимает около 24 ГБ.

Модель рассчитана на локальных агентов: может работать с текстом, изображениями и видео, вызывать инструменты и выполнять цепочки действий. Веса опубликованы; NVIDIA заявляет поддержку llama.cpp, vLLM, Ollama и LM Studio. Русский язык в карточке модели не перечислен среди поддерживаемых.

Что означают 24 ГБ на практике? Это размер упакованной модели, а не гарантия, что любая видеокарта с 24 ГБ памяти запустит полноценного агента. Для контекста, обработки данных и других приложений тоже нужна память. NVIDIA показывает запуск и измерения на RTX Spark; конкретную конфигурацию следует проверять отдельно.

В собственном тесте NVIDIA сообщает около 84 токенов в секунду на RTX Spark и преимущество по ряду задач над моделями схожего размера. Это результаты разработчика в выбранных условиях. Мы не измеряли скорость и качество на своих задачах.

Наш взгляд: сжатие большой модели — ещё один путь к ИИ, который работает рядом с вашими файлами. Но реальная ценность определяется не числом параметров, а тем, справляется ли агент с нужной вам работой на доступном оборудовании.

Какую задачу вы бы прежде всего доверили локальному агенту?

Первоисточники: NVIDIA, 15 октября 2026
https://research.nvidia.com/labs/nemotron/Nemotron-3.5-Bolt-24GB/
https://huggingface.co/nvidia/NVIDIA-Nemotron-3.5-Bolt-74B-A9B-24GB

AICS Leaders Radar · По первоисточникам

🧊 MIT научил ИИ искать материалы по описанию — с учётом 3D-решётки

Представьте запрос: «Найди кристалл с нужными свойствами для аккумулятора». Обычная языковая модель читает статьи, но устройство материала хранится ещё и в виде пространственной карты атомов. Эти данные трудно связать с обычным текстом.

18 октября MIT рассказал о модели CLaC, которая сопоставляет трёхмерную структуру кристалла с описанием его состава, свойств и возможного применения. Для обучения исследователи создали текстовые описания на основе расчётных данных о материалах, а затем связали их с атомными структурами.

В проверках такая схема лучше подбирала материалы по запросу на естественном языке, чем версия, обученная только на фрагментах научных статей. В примере с материалами для твёрдотельных аккумуляторов в выдачу попали соединения, которые уже независимо изучались как перспективные кандидаты.

Почему это важно: учёному проще сузить огромную базу структур до списка для дальнейшей проверки. ИИ здесь помогает выбрать направление исследования, связывая слова «какой материал нужен» с геометрией атомов.

Есть граница результата. В описанном примере модель отбирала кандидатов по доступным ей свойствам; один из ключевых показателей электролита — ионная проводимость — в эти данные не входил. Исследование не доказывает, что найденные материалы станут рабочими аккумуляторами: нужны отдельные расчёты и эксперименты.

Наш взгляд: ценно, что модель учится работать с физической структурой, а не только пересказывать статьи. Это более полезный путь для научного поиска, если за компьютерным списком следует лабораторная проверка.

Где такой поиск был бы полезнее: в батареях, новых чипах или медицинских материалах?

Первоисточники: MIT News, 18 октября 2026; Nature Communications
https://news.mit.edu/2026/giving-ai-crystal-clear-view-of-materials-world-1018
https://www.nature.com/articles/s41467-026-76378-7

AICS Leaders Radar · По первоисточникам