🥃 Разработчики ИИ изобрели новый способ отдыхать: продолжать работать, но уже в AGI-баре

В пекинском Чжунгуаньцуне — технологическом районе рядом с университетом Цинхуа и Пекинским университетом, офисами DeepSeek и Microsoft — работает AGI Bar. Его основал независимый разработчик Сун Дэ, а постоянной аудиторией стали сотрудники ИИ-лабораторий, инвесторы и студенты.

На обычный тематический бар это похоже лишь внешне. На стенах размещены логотипы китайских ИИ-компаний. Здесь проходят семинары разработчиков, встречи университетских исследователей и симпозиумы по открытому ПО. За одним столом могут оказаться сотрудники конкурирующих компаний, которые днем сражаются за гранты и инвестиции, а вечером обсуждают будущее отрасли.

Главный аттракцион здесь не алкоголь. Рядом со стойкой установлены две NVIDIA DGX Spark, на которых локально работает DeepSeek V4 Flash. Посетители подключаются через Wi-Fi к внутреннему агенту и получают бесплатные токены для кодинга — новым бесплатным удобством становится вычислительный ресурс.

Так возникает любопытный культурный феномен. У специалистов по ИИ формируется собственная форма отдыха, в которой почти исчезает граница между работой, профессиональным клубом и развлечением. Раньше программисты встречались в барах, чтобы отвлечься от кода. Теперь они приходят туда с ноутбуками, запускают агентов, обсуждают модели и заодно ищут новую работу.

ИИ-технология вообще начинают занимать физическое пространство культуры. 20 июня в Лос-Анджелесе открылся DATALAND Рефика Анадола и Эфсун Эркилыч — музей, целиком посвященный искусству ИИ. Его первая экспозиция Machine Dreams: Rainforest превращает данные о тропических лесах в меняющиеся изображения, звук и запахи, а реакции посетителей становятся частью произведения. DATALAND делает ИИ объектом эстетического переживания.

Формат AGI Bar — это новый социальный ритуал.

Между ними находятся конференции, хакатоны, тематические кафе и коворкинги, которые постепенно становятся не временными площадками, а самостоятельным жанром городской культуры. ИИ уже не только инструмент, которым пользуются дома или в офисе. Вокруг него появляются места, куда люди специально приходят, чтобы почувствовать принадлежность к новой эпохе.

Но AGI Bar интереснее всего своей иронией.
Сун Дэ говорит, что у ИИ и алкоголя есть три общих свойства: галлюцинации, пузыри и дистилляция.

Китайское название бара означает «дистилляцию знаний» — это одновременно технологический термин и способ производства крепких напитков.

Фирменный напиток AGI за 9,9 юаня почти целиком состоит из пены. Это буквальная шутка о пузыре вокруг индустрии, которая обещает создать универсальный интеллект, но пока особенно хорошо создает ожидания. Сам бар тоже живет по законам стартапа: его склад, бронирования и клубная система автоматизированы агентами, владелец планирует роботов-официантов и новые филиалы — однако заведение пока убыточно и раздает примерно в десять раз больше напитков, чем продает.

И, наконец, главная шутка. AGI десятилетиями описывали как технологию, которая освободит человека от труда. Но первым заметным культурным пространством ее эпохи стал бар, где разработчики даже во время отдыха продолжают программировать.

💬 Тест Тьюринга. События в сфере ИИ. Подписаться

😤 ИИ-слоп проник в законодательную работу

Управление законодательного совета Палаты представителей США столкнулось с лавиной законопроектов, сгенерированных ИИ, которые переполнены ошибками. В некоторых случаях юристам приходится тратить больше времени на исправление ИИ-драфта, чем потребовалось бы для написания законопроекта с нуля.

➡️ Сотрудники аппарата Конгресса чаще всего используют Claude или ChatGPT для составления законодательных текстов.
➡️ ИИ-агенты путаются в важных деталях: например, не могут отличить налоговый кредит от налогового вычета, исключения или гранта.
➡️ Сгенерированные проекты могут неверно ссылаться на предыдущие законы и разделы Свода законов США.

Похожая проблема уже проявилась и в других странах. Высокий суд Англии и Уэльса вынес постановление по двум делам, где юристы использовали ИИ для подготовки состязательных бумаг со ссылками на несуществующую судебную практику. Некоторые провинции Канады полностью пересмотрели процесс заключения госконтрактов после того, как в двух отчетах, включая подготовленный Deloitte Canada за $1,6 млн, были обнаружены ложные цитаты, сгенерированные ИИ.

Или, наверное, помните, как недавно депутат законодательного собрания Нью-Брансуика Билл Оливер зачитал во время официальной речи не только сам текст, но и инструкцию для чат-бота — фразу вроде «вот более естественная версия этого раздела, звучащая как парламентская речь».

Однако есть и обратные кейсы. Например, в эстонский закон о налоге на азартные игры попала ошибка в формулировке, из-за которой онлайн-казино фактически могли оказаться вне налогового режима. Ошибка могла стоить государству около €24 млн в год. Бывший заместитель госсекретаря по цифровой трансформации Luukas Ilves прогнал закон через Claude и Gemini — обе модели обнаружили проблему. После этого он буквально за несколько часов создал инструмент Apsakaleidja / “Fuckup Finder”, который автоматически проверяет проекты законов на противоречия.

Что с этим делать? Известно одно: ИИ может писать закон, но ИИ не может быть ответственным за закон. Сейчас многие регуляторы идут по пути маркировки ИИ-контента. ЕС, например, с 2 августа 2026 года ввёл требования прозрачности для ИИ-сгенерированного контента в рамках Article 50 AI Act, включая маркировку синтетического контента и определённые требования к machine-readable indicators. Но надпись «сгенерировано ИИ» сама по себе не делает закон правильным.

Поэтому следующий этап развития государственных ИИ-систем, вероятно, будет связан не столько с AI that writes, сколько с AI that verifies. И в этом смысле эстонский Fuckup Finder может оказаться гораздо более важным прецедентом, чем американская история с плохими законопроектами: ИИ может стать не автором закона, а его автоматическим red-team'ом. Побеждать будет не тот, кто запретит ИИ, а тот, кто построит эффективный инструмент верификации.

💬 Тест Тьюринга. События в сфере ИИ. Подписаться

🤑Тайвань будет выплачивать гражданам «дивиденды» от развития ИИ

Президент Тайваня Лай Циндэ предложил включить в бюджет 2027 года выплату каждому гражданину по 10 тыс. тайваньских долларов — примерно 25 тыс. рублей. Обоснование: экономический эффект от ИИ должен быть «разделён между всеми».

Тайваньский эксперимент показывает: ИИ-дивиденды возникают не там, где громче говорят об ИИ, а там, где его физически производят. Чтобы разделить доходы новой экономики, сначала необходимо владеть хотя бы одним незаменимым фрагментом её инфраструктуры.

Откуда взялись деньги?

За первое полугодие экономика Тайваня выросла на 14,15%. Прогноз на весь 2026 год повышен до 11,05% — это лучший результат за 39 лет. Товарный экспорт может увеличиться более чем на 41% и достичь рекордных $903,6 млрд.

Но Тайвань разбогател не потому, что его жители лучше других освоили нейросети. Он контролирует несколько физических узких мест ИИ-экономики. Здесь американские корпорации строят дата-центры, Nvidia проектирует ускорители, TSMC производит для них передовые чипы и упаковку, а Foxconn, Quanta и Wistron собирают серверы и стойки. Мировые инвестиции в ИИ превращаются для Тайваня в экспорт, заказы заводам, частные инвестиции, прибыли компаний и налоговые поступления.

⛏ Иными словами, Тайвань продаёт "кирки во время золотой лихорадки".

Этот успех возник не за последние два года. В 1973 году государство создало Институт промышленных технологий ITRI, затем появился научный парк Синьчжу, а в 1987 году из ITRI выросла TSMC с новой для того времени моделью: не проектировать собственные микросхемы, а производить их для других компаний. Почти полвека Тайвань выращивал инженеров, поставщиков, заводы и компетенции — и встретил ИИ-бум уже с готовой промышленной системой.

Могут ли другие страны повторить этот опыт?

Разовую выплату населению, безусловно, сделать несложно. Но стабильный «дивиденд от ИИ» — значительно сложнее. Для него нужны четыре условия: дефицитная компетенция в мировой ИИ-инфраструктуре, сохранение существенной части добавленной стоимости внутри страны, способность государства превратить прибыль отрасли в бюджетные доходы и готовность делиться именно сверхдоходами, а не заёмными деньгами.

У каждой страны таким активом может быть своя предпосылка: проектирование чипов и облака в США, память в Южной Корее, литографические машины в Нидерландах, материалы и оборудование в Японии, дешёвая энергия для дата-центров у стран с её избытком. Но там, где ИИ только покупают и используют, выплата будет обычным социальным расходом, переименованным в технологический дивиденд.

💬 Тест Тьюринга. События в сфере ИИ. Подписаться

🧊 Лучший скилл для агента — научиться думать зачем он выполняет свою работы

Стандартный Claude Opus 5 получил 30,16% на ARC-AGI-3 — тесте из 25 незнакомых интерактивных игр. Модели не сообщают ни правила, ни цель. Она должна сама экспериментировать, замечать изменения в своей результативности, строить модель мира и постепенно понимать, как победить.

Затем разработчик Пубеш Гоутам подключил к Claude Code один кастомный скилл. Та же модель прошла все 25 игр и 183 уровня, получив максимально возможные 100 баллов. Ей понадобилось 7 645 действий против 17 135 у медианного человека. Базовая модель многие игры вообще не завершила, поэтому прямое сравнение числа ходов невозможно.

Что именно изменилось в поведении агента?

Скилл не объяснял модели правила игр. Он заставлял её объяснять самой себе, зачем нужен следующий ход.

Перед каждым действием Claude должен был сформулировать проверяемое предсказание: какие элементы игровой ситуации изменятся, куда переместится объект, что произойдёт после нажатия или завершится ли уровень. Если агент не мог сказать, чего именно ожидает, инструмент просто не выполнял действие.

После хода программа сравнивала предсказание с фактическим результатом. Если ожидание не сбывалось, запланированная последовательность останавливалась, а ошибка сохранялась как свидетельство против прежней гипотезы. На первый взгляд это похоже на обычную проверку гипотез. Но эвристика здесь глубже: агенту предлагают не просто перебирать варианты, а сначала определить, какую неопределённость он пытается снять.

Это не тривиально даже для людей. Умный человек тоже может долго экспериментировать, нажимая на разные кнопки, собирая факты и почти не понимая, какой именно вопрос задаёт очередной пробой. В результате эксперименты превращаются в механический перебор, а не в исследование.

Пубеш Гоутам, похоже, встроил в работу модели минимальную научную дисциплину: сначала предположение, затем действие, затем сравнение ожидания с наблюдением.

За весь эксперимент Claude сделал 7 627 предсказаний и ошибся в 443. Постепенно одиночные пробные действия сменились длинными планами: в них оказалось выполнено 91,6% всех ходов. Ошибочными были 37,1% исследовательских нажатий, но лишь 2,9% действий внутри планов, основанных на уже проверенных правилах.

То есть агент не стал просто «осторожнее». Он научился отделять исследование от эксплуатации уже найденного правила: сначала проверять, потом действовать сериями.

И вот здесь начинается настоящий скилл-инжиниринг

Промпт просит модель вести себя определённым образом. Скилл определяет процедуру принятия решений в неоднозначных ситуациях. Разница примерно такая же, как между советом сотруднику «думайте перед тем, как действовать» и системой, которая не позволяет выполнить действие, пока не зафиксированы цель эксперимента и ожидаемый результат.

Отсюда вытекают принципы конструирования скиллов — не как универсальный чек-лист, а как ответы на типичные проблемы агентной работы.

1⃣ Сначала найдите не абстрактный недостаток, а повторяющийся провал. Агент не различает факт и гипотезу? Повторяет уже опровергнутую идею? Скилл нужен не ради дополнительного слоя инструкций, а ради устранения конкретной измеримой ошибки.

2⃣ Если правило действительно важно, не оставляйте его на совести модели. В этом эксперименте требование сформулировать предсказание стало техническим шлюзом: без него действие невозможно. Иначе даже хорошая инструкция постепенно превращается в необязательную рекомендацию.

3⃣ Заставляйте агента формулировать не красивые объяснения, а проверяемые ожидания. Вопрос не в том, может ли модель рассказать, что она «анализирует ситуацию», а в том, можно ли после следующего действия однозначно установить, была ли её гипотеза верной.

4⃣ Отделяйте исследование от выполнения плана. На этапе неопределённости агенту нужны короткие эксперименты и высокая чувствительность к ошибкам. После подтверждения правила — длинные последовательности и минимальное количество лишних проверок. Один и тот же режим поведения плохо подходит.

💬 Тест Тьюринга. События в сфере ИИ. Подписаться

🖥 Открытая модель бесплатна. Сервер для неё — нет

MWS Cloud подсчитала: средняя стоимость минимальной инфраструктуры для запуска ведущей LLM в России выросла с 13,7 млн рублей в 2025 году до 38,8 млн в 2026-м.

Это не означает, что один и тот же сервер подорожал в 2,8 раза. Изменилось требование к оборудованию: прошлогодние модели часто помещались на четырёх GPU, а новые флагманы требуют целого узла из восьми H200 или B300. Цифра одновременно отражает санкционную наценку, рост цен на ускорители и увеличение самих моделей.

Какие модели с доступными весами теперь можно поселить в собственном ЦОД?

➡️ Kimi K3 — 2,8 трлн параметров, из которых 104 млрд активны. Минимум 8 × B300 по 288 ГБ. Цена в России — доходит до 80 млн рублей.
➡️ Qwen3.5 397B, DeepSeek-V4-Pro и GLM-5.2 — 8 × H200 по 141 ГБ. Цена около 55 млн рублей.
➡️ DeepSeek-V4-Flash — 1 × B300. Цена примерно 10 млн рублей.
➡️ Gemma 4 31B — 2 × H100. Цена около 7,5 млн рублей.
➡️ Российская Cotype Pro 3 — 1 × A100 80 ГБ. Цена около 3 млн рублей.

Причём это лишь «входной билет»: конфигурация способна загрузить модель и обработать один запрос максимального заявленного размера. Для параллельных пользователей, резервирования и приемлемой скорости понадобятся дополнительные мощности.

А сколько такое железо стоит за границей?

Американский сервер с восемью B300 выставлен за $496,7 тыс. — около 41,2 млн рублей по текущему курсу. Российская оценка аналогичной конфигурации (подойдет для Kimi K3) — 80 млн.

С H200 картина менее однозначна. Зарубежные предложения серверов на восьми ускорителях находятся в огромном диапазоне — примерно от $173 тыс. за базовую конфигурацию до $609 тыс. за комплект Supermicro с памятью, накопителями и сетевыми адаптерами.

Может быть, выгоднее арендовать?

За рубежом один H200 предлагается примерно за $4 в час. Узел 8 × H200 обойдётся примерно в $32 в час или $23 тыс. в месяц — около 1,9 млн рублей при непрерывной работе.

В России публичные тарифы начинаются примерно с 423 рублей за H200 в час. Восемь ускорителей — теоретически от 2,4 млн рублей в месяц. Однако для огромной модели нужны не восемь случайных виртуальных машин, а единый узел с NVLink/NVSwitch, поэтому фактическая цена обычно определяется индивидуально.

При покупке российского сервера за 55 млн рублей арифметическая точка окупаемости наступает примерно через 22 месяца непрерывной аренды. В реальности покупка окупается позднее: остаются электричество, охлаждение, размещение, персонал, ремонт и риск, что через два года оборудование устареет.

Поэтому собственный сервер имеет смысл при стабильной загрузке 24/7, жёстких требованиях к данным и горизонте эксплуатации от 2-3 лет.

Для пилота, нерегулярных задач и постоянной смены моделей аренда рациональнее.
А при небольшом трафике дешевле вообще не арендовать GPU, а покупать токены.

GLM-5.2 в MWS стоит 178 рублей за миллион входящих и 747 рублей за миллион исходящих токенов. При соотношении входа к выходу 3:1 месячная аренда на 2,4 млн рублей соответствует примерно 7,6 млрд обработанных токенов. До таких объёмов большинство компаний не добирается.

Открытые веса сделали модель доступной для скачивания. Но настоящая свобода теперь определяется не лицензией, а тем, можете ли вы позволить себе машину, на которой эта модель оживёт.

💬 Тест Тьюринга. События в сфере ИИ. Подписаться

🧬 Claude автономно спроектировал сотни белков для создания лекарства от рака — один этап разработки ИИ ускорил в несколько раз

Вроде бы еще совсем недавно директор Anthropic Дарио Амодеи скромно написал, что обещание «ИИ вылечит рак» превратилось в неубедительный рекламный слоган конкурентов. Но уже на прошлой неделе Anthropic сам представил один из первых «проблесков» такого будущего — очень перспективные результаты по ускорению проектирования необходимых белков.

Речь пока не о лекарстве и не только об онкологических мишенях. Исследователи выбрали 16 белковых целей. Среди них действительно были связанные с онкологией мишени PD-L1, EGFR, VEGF-A и BHRF1, но также иммунные, вирусные и экспериментальные белки.

Claude Opus 4.8 и исследовательская модель Mythos Preview получили большой протокол исследования, доступ к научной литературе, специализированным open-source-моделям и облачным GPU. После запуска человек больше не вмешивался в проектирование.

Агент самостоятельно изучал каждую мишень, выбирал участок связывания, устанавливал и комбинировал инструменты проектирования белков, генерировал последовательности, проверял их предполагаемую структуру, проводил несколько циклов оптимизации и отбирал по 30 лучших кандидатов.

Claude не заменил специализированные биологические модели — он заменил значительную часть работы специалиста, который должен собрать их в единую исследовательскую процедуру и принять десятки решений.

➡️ Всего агент создал 1 440 конструкций. Для 1 320 из них лабораторные измерения оказались интерпретируемыми; 
➡️ 354 белка действительно связались со своими мишенями — 26,8%.
➡️ Биндеры удалось получить для 14 из 15 целей.

В режиме одновременной работы со многими мишенями результат составил 22,6% для Opus 4.8 и 26,7% для Mythos. Когда Mythos выделяли отдельную 24-часовую сессию на каждую цель, доля успешных конструкций выросла до 35,1%. Причём среди кандидатов, которым Claude присвоил первое место, связывался почти каждый второй — 49%.

Насколько это эффективнее традиционного подхода?

Типичная результативность современных кампаний de novo-дизайна белков оценивается в 10–15%. Значит, совокупный показатель Claude выше примерно в 1,8–2,7 раза, а лучший режим — в 2,3–3,5 раза. Автономная вычислительная часть заняла 24–48 часов вместо дней и недель экспертной оркестрации. Исторически полный подбор белка для одной мишени мог занимать месяцы.

Физическая проверка была в лабораториях: Adaptyv Bio и Twist Bioscience синтезировали конструкции и независимо друг от друга измерили их связывание. Из 354 успешных белков 194 показали сродство лучше 100 нМ, 90 — лучше 10 нМ, а 42 — лучше 1 нМ. Для мишени RBX1 лучшая конструкция Claude связалась примерно в 11 раз сильнее победителя прежнего открытого конкурса: 3,9 против 45 нМ.

Но это ускорение одного раннего этапа, а не всей разработки лекарства. Авторы не проводили прямого соревнования с экспертами при одинаковом вычислительном бюджете, а эксперимент потребовал тысяч GPU-часов. Белки пока проверены только на связывание: неизвестно, изменяют ли они работу мишени, действуют ли в клетке, безопасны ли для организма и способны ли лечить заболевание. Впереди — функциональные тесты, токсикология, исследования на животных и клинические испытания.

Позиция Амодеи поэтому пока остаётся прогнозом. Он считает, что мощный ИИ сможет сжать 50–100 лет биомедицинского прогресса в 5–10 лет. Новый эксперимент не доказывает возможность «вылечить рак», тем более что рак — множество разных заболеваний. Но он показывает конкретный механизм такого сжатия: ИИ превращает сложную вычислительную кампанию из ремесла немногих специалистов в автономную, воспроизводимую процедуру.

💬 Тест Тьюринга. События в сфере ИИ. Подписаться