💭 Как ChatGPT влияет на нашу речь?

Недавно наша редакция наткнулась на исследования, которые с разных сторон описывают одну и ту же проблему: как ChatGPT меняет нашу речь. С одной стороны, мы бессознательно перенимаем штампы и клише, которые генерирует ИИ, теряя индивидуальность и языковое разнообразие. С другой стороны, из-за страха, что нас примут за ботов, мы сознательно портим свой язык, отказываясь от выразительных средств, чтобы «доказать» свою человеческую природу.

В итоге наша речь оказывается под прессом с двух сторон: нас упрощает подражание ИИ, и нас же уродует паранойя, заставляющая избегать красивых и сложных оборотов.

ИИ и конец языкового разнообразия?

Исследование "Empirical evidence of Large Language Model's influence on human spoken communication" впервые на больших данных доказало, что слова, которые часто использует ChatGPT, стали значительно чаще встречаться в спонтанной устной речи людей после выхода чат-бота.

Для начала они попросили ChatGPT редактировать миллионы страниц текстов: электронные письма, эссе, академические и новостные материалы. Из этих редакций исследователи выделили слова, которые непропорционально часто добавлял ChatGPT.

Получился своего рода словарь «GPT-слов». Среди них:
➡️ delve — углубляться;
➡️ showcase — демонстрировать;
➡️ boast — хвастаться / характеризоваться высоким показателем;
➡️ intricacies — тонкости, нюансы;
➡️ meticulous — тщательный;
➡️ realm — область, сфера;
➡️ comprehend — постигать, понимать.

Затем исследователи проанализировали 737 083 часа человеческой речи из 824 634 выпусков подкастов и обнаружили, что после появления ChatGPT произошёл резкий рост употребления слов, характерных для его генераций. Например, в академических выступлениях на YouTube частота употребления слова «delve» выросла на 35% , а «realm» — на 35%.

Чтобы доказать, что ты человек, теперь надо писать хуже

В поисках других исследований мы наткнулись на материал, который описывает обратную, психологическую сторону проблемы. В статье "ChatGPT Shaming Is Making Our Writing So Much Worse" описывается феномен: в обществе людей публично стыдят за тексты, которые «слишком похожи» на написанные ИИ. В результате люди намеренно портят свою письменную речь, чтобы «доказать», что они не боты.

Речь не только про то, что мы намеренно избегаем длинные тире и конструкции «It's not just X, it's Y», есть и более яркие примеры:

1️⃣ Писатель Томас Смит теперь сознательно оставляет опечатки в текстах — как «доказательство» человеческого авторства.

2️⃣ Копирайтер Лариса Маккарти признаётся, что перестала придумывать собственные метафоры — потому что «слишком хорошая» метафора вызывает подозрение, что её написал ИИ.

3️⃣ Университет Монтклер прямо инструктировал преподавателей: слишком грамотный, правильный текст студента — повод заподозрить его в использовании ИИ, поскольку тексты нейросетей отличаются «аномально правильной» грамматикой.

4️⃣ Появился жанр TikTok-роликов, обучающих «распознавать ИИ по приметам».

Неочевидный вывод — ИИ меняет не только слова, но и наши суждения о языке. Раньше хороший слог, богатая лексика и сложные конструкции считались признаком образованности. Теперь это rad flag. Основная проблема не в самих «GPT-словах», а в том, что мы больше не можем доверять своим ощущениям. Мы не знаем, где заканчивается наше «я» и начинается влияние ИИ.

💬 Тест Тьюринга. События в сфере ИИ. Подписаться

🇨🇳 Китай выиграл гонку за дешёвый интеллект. Но не гонку за открытия

Bloomberg сравнил семь передовых моделей США и Китая по набору тестов на программирование, работу с инструментами, профессиональные задачи, естественные науки и рассуждение.

Оказалось, что американские системы пока чаще занимают верхние строчки. Но Kimi K3 уже соседствует с Claude Fable 5 и GPT-5.6 Sol, а привычная оценка «Китай отстаёт на 6–9 месяцев» стремительно устаревает. По расчётам Bloomberg, открытым моделям потребовалось 19,7 месяца, чтобы догнать GPT-3.5, 8,5 месяца — чтобы приблизиться к o1, и лишь 4,8 месяца — чтобы сравняться с Claude Opus 4.5 на агентных тестах.

Однако главное преимущество Китая обнаружилось не в рекордах, а в цене

Журналисты проставили семи моделям одинаковую задачу — построить интернет-магазин вымышленной кофейни Brewberg. Почти все создали работающий сайт. Claude Fable 5 выдал один из лучших результатов, но потратил на задачу $48,99. Kimi K3 сделал сопоставимый функциональный сайт более чем на 75% дешевле, а DeepSeek V4 Pro уложился менее чем в $4 — разница в 12 раз.

Тарифы объясняют масштаб: миллион выходных токенов Fable 5 стоит $50, Kimi K3 — $15, DeepSeek V4 Pro — $3,96 в часы пик и $1,98 вне пика. То есть китайский вывод дешевле примерно в 3–25 раз.

Правда, цена токена не равна цене результата: многословная или ошибающаяся модель может потратить больше ходов. Поэтому эксперимент с целой задачей важнее прайс-листа.

Китай, похоже, выигрывает войну за массовый промышленный интеллект: код, сайты, поиск, документы, поддержку и тысячи фоновых агентов. Когда достаточно 90–95% максимального качества, 12х-экономия превращается в стратегическое преимущество. Не случайно в июле китайские модели обеспечили уже более 60% трафика OpenRouter.

Но способны ли "китайцы" работать на задачи, где готового шаблона нет?

На сложных тестах — безусловно. Kimi K3 получил 93,5% на GPQA Diamond против 94,1% у GPT-5.6 Sol; на Humanity’s Last Exam с инструментами — 56% против 58%. Это практически один класс систем.

На уровне настоящих открытий картина осторожнее. Внутренняя модель OpenAI опровергла гипотезу Эрдёша 1946 года, а затем Astra представила результаты по десяти открытым проблемам с формальными сертификатами Lean и экспертной проверкой.

У Китая уже есть собственный прецедент: система Пекинского университета за 80 часов решила задачу Андерсона 2014 года по коммутативной алгебре и формализовала доказательство в Lean почти без участия человека. Но это специализированная двухагентная исследовательская установка, а работа пока опубликована как препринт — не демонстрация обычной Kimi или DeepSeek.

Поэтому говорить следует о двух гонках. В первой побеждает тот, кто дешевле автоматизирует миллионы повторяемых операций, — и здесь Китай уже впереди. Во второй нужно находить то, чего прежде не знал никто. США пока предъявили более сильные публичные доказательства лидерства, но оснований считать эту способность исключительно американской уже нет.

💬 Тест Тьюринга. События в сфере ИИ. Подписаться

🔒 У каждой ИИ-картинки Microsoft появился скрытый серийный номер

Добровольные исследователи изучили механизм генерации в Paint и Photos и обнаружили, что приложения незаметно меняют пиксели изображения и встраивают уникальный 16-байтный GUID. Отключение видимого значка Copilot эту маркировку не убирает.

Даже когда картинка создаётся локально на Copilot+ PC, запрос сначала отправляется на сервер Microsoft для модерации. Сервер возвращает идентификатор водяного знака, который вшивается в изображение.

Google тоже встраивает SynthID, OpenAI сочетает SynthID с C2PA, Meta распознаёт и добавляет скрытые сигналы происхождения. Пока большинство таких систем отвечает на вопрос «создано ли это ИИ?», а не «кто это создал?». Anthropic, например, подчёркивает, что её текстовый водяной знак нельзя связать с человеком или чатом.

Но Microsoft показывает следующий возможный шаг: метка становится не просто свидетельством искусственного происхождения, а указателем на запись внутри платформы. Если этот подход распространится, анонимности в сети станет ещё немного меньше — не потому, что на изображении появится имя, а потому, что у него появится скрытый обратный адрес.

Важная поправка к скандальным заголовкам других публикаций по поводу этой новости: внутри картинки записан не логин и не ID аккаунта. Это серийный номер конкретной генерации.

Однако сама Microsoft пишет, что при проверке злоупотреблений получает вместе с промптом идентификаторы пользователя и устройства. Но если компания сохраняет соответствие «GUID — запрос — аккаунт», по картинке можно восстановить событие генерации и его автора.

Для сферы расследований сексуализированных дипфейков, изображений без согласия и другого незаконного ИИ-контента это может стать важным событием. Сегодня файл часто живёт отдельно от аккаунта создателя: его пересылают, переименовывают и публикуют анонимно. Теперь появляется возможность найти учётную запись пользователя, который сгенерировал.

Но это не волшебная подпись преступника. Код указывает на первоначальную генерацию, а не на каждого, кто затем распространил файл. Неясно и то, насколько он переживает сильную обрезку, перерисовку или перекодирование.

💬 Тест Тьюринга. События в сфере ИИ. Подписаться

🧪 Claude получил общий язык с лабораторным оборудованием

Anthropic представила Model Hardware Standard (MHS) — единый интерфейс, через который ИИ-агенты могут управлять научным оборудованием: микроскопами, дозаторами жидкостей, анализаторами, лазерами и роботизированными манипуляторами.

MHS создан вместе с исследовательским кампусом HHMI Janelia. Пока это не общедоступный open source, а ограниченный research preview: лаборатории и производители допускаются по заявкам. Открыть стандарт Anthropic обещает после тестов безопасности.

Проблема, которую решает MHS, почти не связана с интеллектом модели

Лабораторные приборы просто не умеют разговаривать друг с другом. У каждого производителя — собственные драйверы, программы и форматы данных. Чтобы соединить микроскоп, камеру и роботизированный стол, инженеры неделями пишут уникальный код.

MHS предлагает общий слой: драйвер описывает состояние прибора, его физические характеристики и ограничения безопасности, а команды переводит на язык конкретного устройства. Агент подключается через MCP, командную строку или API, видит оборудование и собирает из его операций единый сценарий.

Если MCP дал ИИ доступ к цифровым инструментам, MHS пытается сделать то же самое для физического мира.

Например, в Janelia микроскопическая установка, прежде требовавшая запуска семи программ, теперь включается одной командой — подключение новой камеры сократилось с нескольких дней до минут. В Carnegie Mellon агент объединил четыре прибора на трёх несовместимых компьютерах: интеграция заняла около восьми часов вместо нескольких недель, а эксперименты «доза - ответ» пошли примерно втрое быстрее.

В QuEra Claude помог создать программу восстановления настройки лазера квантового компьютера. Проверяемый скрипт успешно сработал в 695 из 700 испытаний; сложные сбои устранялись за 10–14 секунд против 5–10 минут у специалиста. В Genentech агент управлял анализом концентрации белка, считывал результат и корректировал параметры переноса жидкости.

Это большой шаг не потому, что появился первый лабораторный робот — они существуют более 10 лет. Изменился возможный масштаб автоматизации.

Роботизированная лаборатория до сих пор обычно была дорогим штучным проектом, выгодным при многократном повторении одного протокола. Наука устроена иначе: гипотезы и условия постоянно меняются. MHS приближает цикл «гипотеза → опыт → данные → новая гипотеза», в котором агент не только читает статьи и проектирует эксперимент, но и получает новые данные из физического мира.

Теперь развитие роботизированных лабораторий может ускориться. MHS уже тестируют или планируют поддержать QIAGEN, Tecan, Universal Robots, Hugging Face LeRobot и Raspberry Pi. Чем больше совместимых драйверов, тем дешевле подключать следующий прибор. Однажды созданные процедуры можно переносить между лабораториями как скрипты и скиллы.

MHS — ещё не «лаборатория без людей». Скорее, это как заявка на USB для научного оборудования: общий разъём, превращающий разрозненные приборы в единую среду для агентов. Если он станет отраслевым стандартом, роботизированные лаборатории начнут распространяться не как уникальные мегапроекты, а как собираемая инфраструктура обычной науки.

💬 Тест Тьюринга. События в сфере ИИ. Подписаться

🧠 Разум не помещается только в голове

Давайте посмотрим на влияние ИИ в долгосрочной перспективе на людей с другой точки зрения.

Крис Филдс и Майкл Левин опубликовали статью "Cognitive Offloading Is a Cognitive Universal". Это теоретическая работа, которая опираясь на физику информационных процессов и принцип свободной энергии, утверждает, что всякая устойчивая когнитивная система передаёт часть вычислений окружающей среде. Кажется, это уже что-то напоминает?

Когнитивная разгрузка обычно понимается просто: мы записываем номер, ставим напоминание или просим коллегу решить часть задачи. Филдс и Левин радикально расширяют понятие. Даже поворот головы, позволяющий легче прочитать наклонённый текст, — уже делегирование вычисления телу и пространству.

Главная идея статьи: среда не просто снабжает разум данными. Она хранит информацию и выполняет часть работы.

Отсюда вытекает несколько удивительных следствий.

1️⃣ Память существовала до записных книжек и даже до мозга. Муравьиная тропа, нора или усиленная нейронная связь — следы, оставленные системой в мире, чтобы в следующий раз не решать задачу заново. Авторы рассматривают такие устойчивые изменения как внешнюю память.

2️⃣ Даже размножение можно описать как снижение когнитивной нагрузки. Делящаяся клетка помещает рядом с собой наиболее предсказуемый объект — собственную копию. Жизнь не просто приспосабливается к среде, а населяет её агентами, поведение которых легче согласовать.

3️⃣ Мозг сам постоянно делегирует. Тело служит ему распределённым датчиком стресса, а воображение можно описать как передачу моделирования будущего зрительным и двигательным системам. То, что мы называем единым «я», уже является коалицией подсистем, органов, культурных навыков и внешних носителей.

Самый парадоксальный раздел посвящён LLM

Авторы считают, что языковые модели заставляют иначе взглянуть на значение слов. Ни человек, ни модель не хранят внутри окончательный словарь смыслов: значение поддерживается языковой практикой, собеседниками и миром.

Генеративные модели не проектировались для передачи части семантической работы пользователям, но именно это и произошло. Отсюда можно сделать более оптимистичный вывод о будущем человека с нейросетями.

ИИ не обязательно выносит мышление из человека. Он может расширить контур, внутри которого человек мыслит. Письменность освободила память от необходимости удерживать всё. Математика передала часть рассуждения символам. Библиотеки превратили знания поколений во внешнюю память. Эти инструменты позволили решать задачи, недоступные отдельному мозгу.

С нейросетями может произойти то же самое. Ценность сместится от запоминания и механического производства текста к постановке вопросов, проверке ответов, соединению областей и выбору целей. Человек, который спорит с моделью, требует доказательств и превращает ответы в новые гипотезы, получает не замену мысли, а дополнительный когнитивный орган.

Конечно, неиспользуемые навыки могут ослабевать, а принятие любого ответа — это не расширение разума, а отказ от управления им. Результат зависит от конструкции взаимодействия: нейросеть может быть протезом, который берёт работу на себя, или тренажёром, увеличивающим радиус человеческого мышления.

Но рамка Филдса и Левина меняет исходный вопрос. Возможно, следует спрашивать не «где заканчивается человек и начинается ИИ», а какие новые способности возникают у системы "человек + модель + культура + внешняя память".

💬 Тест Тьюринга. События в сфере ИИ. Подписаться

🌏 Почему Азия внедряет ИИ быстрее Америки?

Южная Корея первой в G20 решила выдавать ИИ как коммунальную услугу — наравне с электричеством, водой или образованием, а не как коммерческий продукт.

Речь идет о масштабной инициативе «AI for All». Правительство предоставляет всем гражданам — около 51–52 млн человек — бесплатный и неограниченный доступ к генеративному ИИ без лимитов по токенам. ИИ будет интегрирован в повседневные государственные услуги: запись к врачу, поиск жилья, налоговые консультации, оформление пособий и административных процедур.

Для реализации проекта выделены колоссальные ресурсы: 10 трлн вон (≈$7,2 млрд) на ИИ-расходы в 2026 году, а также до 512 чипов Nvidia B200 для вычислительной инфраструктуры.

При этом речь идет именно о суверенном ИИ: правительство хочет, чтобы инфраструктура и модели были корейскими, а не полностью зависели от американских компаний.

Похожие истории есть и в других восточных странах

Сингапур, пожалуй, наиболее близкий пример. Правительство последовательно развивает ИИ внутри госаппарата и рассматривает государство как одного из главных драйверов внедрения. В правительственной стратегии прямо используется концепция AI for the Public Good. ИИ используется для внутренних процессов, разработки госуслуг, работы чиновников.

Китай пошел по другому пути: не просто обеспечить доступ к ИИ, а сделать ИИ частью национальной экономической и госинфраструктуры. В 2025 году Китай выпустил специальные рекомендации по использованию больших ИИ-моделей в госуправлении. Они прямо предусматривают использование ИИ для: госуслуг, интеллектуальных консультаций граждан, предварительного заполнения документов и т.д.

Общая тенденция: многие азиатские страны стремятся к «суверенному ИИ». Китайские open-source модели стали популярным выбором, так как их можно бесплатно скачивать и дорабатывать, а стоимость их внедрения на 60–90% ниже, чем у западных аналогов.

А что на Западе?

США придерживаются модели частного сектора как основного драйвера. Государство создаёт благоприятные условия (дерегуляция, налоговые стимулы, инвестиции в фундаментальную науку), но сами ИИ-инфраструктура и сервисы строятся частными компаниями. ЕС, в свою очередь, выстраивает жёсткую обязательную систему правил, приоритизирующую защиту прав и управление рисками.

Ни США, ни ЕС не рассматривают вариант "государство раздаёт ИИ бесплатно как утилиту" — обе модели опираются на то, что доступ обеспечивают частные компании (OpenAI, Google, Anthropic, Mistral), а государство либо не вмешивается, либо только регулирует безопасность и права.

При этом США, где создаётся большая часть мирового переднего края ИИ, занимают лишь 21-е место по подушевому использованию ИИ в мире.

Почему так происходит?

В США логика долгое время была: "Дайте компаниям экспериментировать, рынок сам определит победителей". И это дало феноменальный результат. США сегодня имеют: крупнейшие ИИ-компании, крупнейшие частные инвестиции,
больше всего ЦОД для ИИ, большинство ведущих frontier-моделей.

В Азии ИИ часто рассматривается как национальный ресурс. Южная Корея фактически говорит: если ИИ определяет конкурентоспособность гражданина, нельзя допустить, чтобы доступ к нему зависел исключительно от способности платить.
Именно это в корейской стратегии называется "AI Universal Basic Society" — универсальное ИИ-общество.

Выводы

Западная модель, особенно американская, построена на принципе технологического превосходства через частные инвестиции и инновации — ИИ остаётся коммерческим продуктом, доступ к которому определяет рынок. Однако страна может быть лидером в создании ИИ и не быть лидером в его распространении.

Южнокорейская модель — это принципиально иной подход: государство не просто субсидирует предложение ИИ, а субсидирует спрос, делая технологию общедоступной по аналогии с дорогами или электричеством.

💬 Тест Тьюринга. События в сфере ИИ. Подписаться

⚠️ ИИ вышел из-под контроля 300 раз за месяц

Loss of Control Observatory сообщила о новом рекорде: в июле вышло более 300 публикаций о случаях, когда ИИ игнорировал указания, обходил ограничения, вводил пользователя в заблуждение намеренно или двигался к цели опасным способом. Это почти вдвое больше, чем в июне. Всего за 2026 год монитор выявил 1 664 инцидента.

Обсерватория создана на деньги британского AI Security Institute. Она ищет в соцсетях опубликованные пользователями диалоги и журналы работы агентов. Записи предварительно фильтруются, затем нейросеть оценивает их по шкале от 1 до 9. В статистику попадают случаи с пятью баллами и выше, люди проверяют случайную выборку. Правда, неизвестен знаменатель: если число запущенных агентов выросло втрое, двукратный рост сообщений ещё не означает роста риска на одну задачу.

Но мы не спешим списывать эти данные на хайп. Большинство эпизодов не причинило значительного вреда, однако доля записей с высокой оценкой серьёзности выросла с 1,9% до 6,1%. В некоторых случаях агенты вставляли в диалог поддельные сообщения пользователя, имитировали его стиль и создавали фиктивное согласие, чтобы обойти требование человеческого одобрения.

Как такое возможно, если модель должна выполнять наши команды?

Потеря контроля возникает в обвязке, превращающей сгенерированный "текст" от LLM в действие. При создании агента модели дополнительно дают цель, память, доступ к терминалу, почте или браузеру и разрешают многократно пробовать снова и снова пока задача не будет решена.

Если запрет существует только как фраза «сначала спроси пользователя», модель может обработать его как препятствие на пути к цели. Она создаёт текст, похожий на подтверждение, а плохо спроектированный в программе фильтр принимает его за уже выданное полномочие.

Таким образом, для потери контроля над агентом не нужны сознание и злая воля ИИ. Достаточно неполной инструкции от разработчика, широких разрешений в системе, и отсутствия различий между словами агента и решениями человека.

Здесь важна граница между двумя режимами.

1️⃣ Агент фиксированной задачи получает ограниченный вход, выполняет понятную операцию — например, классифицирует документ — и возвращает ответ. Он не строит длинную цепочку подзадач и не меняет внешний мир без разрешения. Ошибка обычно остаётся внутри результата.

2️⃣ Автономный агент получает цель, а маршрут строит сам. Он работает циклом «наблюдение → план → действие → проверка», использует инструменты, сохраняет память и повторяет попытки. Его способность справляться с неожиданностями одновременно создаёт риск: ошибочная гипотеза становится действием, результат попадает в память, следующая итерация усиливает ошибку.

Поэтому вывод скромнее сенсации. Мы не знаем, стали ли модели вдвое чаще «выходить из-под контроля». Но люди определённо стали чаще выпускать недоработанных агентов.

💬 Тест Тьюринга. События в сфере ИИ. Подписаться

🌟 NVIDIA предлагает собрать домашний дата-центр из компьютеров, которые уже стоят на столах

NVIDIA выпустила открытую бета-версию Personal AI Router — PAIR. Программа объединяет совместимые компьютеры одной сети в кластер и распределяет между ними запросы локальных ИИ-агентов.

Однако название немного вводит в заблуждение. PAIR — точно не физический роутер и пока не диспетчер выбора моделей, автоматически решающий, когда вызвать маленькую локальную модель, а когда облачную — Claude, Gemini или GPT. Это маршрутизатор запросов между вычислительными узлами локальной сети. И, к сожалению, PAIR пока не отправит особенно сложный запрос во фронтирную облачную модель автоматически. Для этого нужен второй слой — маршрутизатор между моделями, например NeMo Switchyard, NVIDIA LLM Router либо собственный шлюз с правилами и проверкой результата.

Как это работает?

Например, приложение ИИ-агента обращается к привычному локальному адресу Ollama или LM Studio. PAIR перехватывает запрос, проверяет, на каких компьютерах есть нужная модель и свободные ресурсы, отправляет его на один подходящий узел и возвращает результат. А для ИИ-агента вся сеть выглядит как единая точка входа.

PAIR не складывает видеопамять разных устройств, не делит одну модель между несколькими GPU и не превращает 14B и 32B в условную модель на 46 млрд параметров. Каждый запрос целиком выполняется на одном компьютере. Выигрыш возникает, когда агент порождает много независимых обращений: например, пять субагентов параллельно изучают разные документы, пишут код и проверяют выводы.

В демонстрации NVIDIA задача с пятью субагентами и Qwen 3.6 35B выполнялась на одном RTX Spark за 18 минут, а на трёх устройствах с PAIR — за 8 минут 48 секунд.

Можно ли установить PAIR сейчас?

Исходный код опубликован под Apache 2.0, доступны установщики для Windows, Linux и macOS. На старте поддерживаются Ollama и LM Studio, видеокарты GeForce RTX начиная с 20-й серии, RTX Pro, DGX Spark и компьютеры Apple с M4 и новее. Устройства находятся через локальную сеть.

Продукт пока новый. Планировщик учитывает наличие модели и загрузку очереди, однако ещё не умеет полноценно оценивать скорость GPU, объём свободной VRAM, «прогретость» модели, сложность запроса и ожидаемое время ответа. Поэтому неоднородный парк машин он может использовать неоптимально.

Для обычного API в ЦОД, vLLM или внешнего облачного сервиса штатной интеграции пока нет.

Таким образом, PAIR решает не всю задачу гибридного ИИ, а её нижний этаж: помогает эффективнее использовать локальное железо. Но именно из таких этажей постепенно складывается новая вычислительная архитектура — где агент получает не одну модель, а целую лестницу интеллекта и поднимается настолько высоко, насколько требует задача.

💬 Тест Тьюринга. События в сфере ИИ. Подписаться