Память и контекст

NVIDIA представила модуль cuda.bindings.cudla, который позволяет управлять ускорителем Deep Learning Accelerator (DLA) на Jetson AGX Orin прямо из Python. Он связывает DLA с GPU через общие потоки CUDA: приложение может передать нейросети операции инференса, оставив графическому процессору предварительную и последующую обработку данных. В статье NVIDIA показала весь путь от загрузки скомпилированной модели до чтения результата — девять шагов, включая настройку устройства, выделение памяти и синхронизацию. Тот же интерфейс работает на NVIDIA RTX Spark под Windows.

Вал Берковичи, директор по ИИ компании WEKA, считает, что предприятиям стоит оценивать мультиагентные системы по стоимости выполненного результата, а рабочий контекст агентов хранить в быстрой памяти вне памяти GPU. На саммите VB Agentic Infrastructure Stack Summit он назвал две причины лишних расходов: оплату за число токенов и повторный расчёт кэша KV, когда агенты передают задачи друг другу. Если контекст не помещается в память GPU, следующему агенту приходится заново обрабатывать уже учтённые токены, а компании покупают дополнительные ускорители, чтобы вместить больше данных в быструю память.

Стартап Kora представил настольную операционную систему на ядре Linux для разработчиков и создателей контента, которые регулярно работают с ИИ. Она должна объединять модели разных поставщиков, учитывать контекст взаимодействия с ними и искать файлы по смыслу. Kora планируют выпустить в 2027 году; систему готовят для компьютеров с объёмом оперативной памяти от 64 ГБ. Разработчики также обещают совместимость с обычными приложениями Windows и поддержку компьютерных игр.

Google добавила в линейку ускорителей восьмого поколения две системы: TPU 8tx для конфиденциальных вычислений и TPU 8i Max для задач, которым требуется много памяти. Вместе с ними компания впервые выпустила четыре системы TPU за год. Новые варианты построены на существующих процессорах, но используют другие конфигурации упаковки, сетей и памяти. Google также развивает программные инструменты, чтобы упростить переход на TPU и привлечь внешних заказчиков: сейчас их почти 100.

Amazon Web Services представила Kiro bots — постоянно работающих ИИ-агентов в среде разработки Kiro Crew. Они могут выполнять повторяющиеся задачи, координировать другие агентские сессии и сохранять решения разработчиков. Функция уже доступна всем пользователям. AWS предлагает поручать ботам, например, отслеживание ошибок сборки или проверку готовности релиза, но команды сами задают им задачи, доступы и границы полномочий.

OpenAI, Anthropic и крупнейшие облачные провайдеры наращивают вычислительные мощности, а расходы на ИИ растут и у компаний, которые внедряют его в свои продукты и процессы. Дорожают память, зарезервированные графические процессоры и программное обеспечение: за последние 12 месяцев цены на память более чем удвоились, AWS четыре раза повышала цены на зарезервированные графические процессоры, а Gartner ожидает, что к 2028 году стоимость инференса на один рабочий процесс с ИИ-агентом вырастет более чем в пять раз.

Глава OpenAI Сэм Альтман сначала раскритиковал идею запускать ИИ-модели на домашних компьютерах, заявив, что оперативная память эффективнее используется в дата-центрах. После резкой реакции, особенно со стороны энтузиастов ПК, он написал в X, что хочет, чтобы люди могли устанавливать в свои компьютеры столько памяти, сколько им нужно. Спор разгорелся на фоне дефицита микросхем, роста цен на комплектующие и противостояния вокруг строительства дата-центров.

В тестах Outshift команды из пяти ИИ-агентов в 75% случаев единогласно выбирали неверный результат. При этом отчёты показывали низкие расходы на токены, а системы мониторинга не замечали проблемы: агенты согласовывались, но не проверяли, ведёт ли их решение к цели компании. В Outshift считают, что общей памяти с корпоративными знаниями недостаточно: агентам нужны механизмы согласования цели, координации и проверки общего результата. Компания представила для этого четыре инструмента, опубликованных в рамках проекта Internet of Cognition.

Из-за санкций США и нехватки компонентов Huawei предлагает некоторым клиентам самостоятельно искать память для её новых ИИ-чипов — фактически на чёрном рынке. Контрабандисты обходят американские ограничения, отправляя в Китай через Гонконг партии памяти HBM вместе с маломощными серверными процессорами. За год цена одного модуля HBM3E на нелегальном рынке выросла до 4 000 долларов. Южнокорейская таможня сообщила о рекордном объёме незаконного экспорта микросхем и других стратегических товаров.

Перед важными выборами в США ИИ-чат-боты с высокой уверенностью распространяют среди избирателей недостоверную политическую информацию. По данным The Washington Post, чат-боты ошибаются, когда пользователи просят составить путеводитель по выборам в Конгресс и местным кампаниям. Так, ChatGPT включил в памятку для жителя Миссури место в Сенате, которое не будет переизбираться, а в ответе для жителя Вайоминга представил участников муниципальных выборов как кандидатов на федеральные должности.

Акции американского производителя чипов Intel в пятницу рухнули почти на 30% — это крупнейшее падение за 52 года. Аналитики связывают обвал с резким замедлением рынка ПК. Спрос на компьютеры слабеет на фоне бума ИИ: память и накопители, необходимые для сборки машин, стали почти недоступными по цене.

Liquid AI представила семейство LFM3 — шесть компактных моделей для работы с текстом, изображениями, речью и структурированными данными. Выпуск от 27 октября рассчитан на компании, которые хотят запускать ИИ на собственных устройствах и серверах. По результатам Liquid, текстовая модель LFM3-1.7B превосходит более крупные модели в отдельных задачах автоматизации браузера и вызова инструментов, но уступает им в программировании, работе со знаниями и длинным контекстом. Компании могут адаптировать модели с помощью одной видеокарты; доступны локальное, частное серверное и облачное развёртывание.

Исследователи выяснили, что ChatGPT собирает подробные цифровые профили пользователей на основе их разговоров. В исследовании, представленном на конференции ACM Web Conference 2026, изучили историю переписок 80 пользователей и обнаружили 2 050 сохранённых записей о 65 из них. По данным авторов, 96% записей чат-бот создал самостоятельно; в 52% были психологические выводы о пользователях, а в 28% — персональные данные по определению европейского регламента GDPR. Такая память помогает персонализировать общение, но может создавать риски для приватности.

Google представила Agent Compute Engine — сервис, который запускает каждого ИИ-агента в отдельной изолированной виртуальной машине. На нём уже работает Gemini, а предварительный доступ к сервису откроют в ближайшие месяцы. Микровиртуальные машины защищены чипом Google Titanium. Когда агент бездействует, его машина автоматически приостанавливается и освобождает ресурсы для других. Общая память между виртуальными машинами снижает стоимость их работы — важная экономия для агентных систем, где виртуальные машины обходятся дорого.

ALTK-Evolve помогает агенту поддержки клиентов на базе GPT-4.1 решать 67,5% задач розничного направления τ²-bench во всех четырёх попытках. Это результат выше, чем у остальных участников розничного рейтинга на 12 октября 2026 года. Агент работает на стандартном фреймворке ReAct, а к его системному промту добавлены правила, автоматически извлечённые из прошлых попыток. Для этого не нужны обновление весов модели или разметка людьми.

Команда PyTorch в Hugging Face развивает бэкенд MPS, чтобы на Mac можно было запускать и обучать модели PyTorch. В начале 2026 года даже небольшие модели часто упирались в неподдерживаемые операции, резкие просадки производительности и неожиданный рост расхода памяти. Команда проверяет реальные модели из Hugging Face Hub — языковые, графические и видео — и исправляет слабые места в PyTorch, всё чаще заменяя MPSGraph отдельными ядрами Metal. В PyTorch 2.15 на Mac появились тензоры FP8, ускорились языковые модели и операции линейной алгебры, а декодирование видео Wan2.2 стало занимать около 8 ГиБ памяти вместо 270 ГиБ.

ИИ-моделям нужны мощные графические процессоры, а для них — специализированные микросхемы памяти, которые устанавливают вместе с процессором. Чтобы удовлетворить растущий спрос, Samsung расширяет производственный комплекс в Пьёнгтэке, Южная Корея: три фабрики уже работают круглосуточно, четвёртую запускают. Строительство пятой приостанавливали в 2024 году, когда спрос на память упал, но возобновили на фоне бума ИИ.

ИИ-агент может становиться лучше, даже если саму модель не переучивают — меняется то, как она работает. Авторы предлагают обновлять инструкции, память, порядок действий и вспомогательные программы агента, сохраняя саму модель неизменной. Удачные изменения остаются и помогают в следующих запусках, но каждое новое улучшение нужно проверять: иначе агент может начать хуже справляться с привычными задачами или допускать опасные ошибки. В этом обзоре разбираем, как устроено такое самообновление, как отсеивать неудачные изменения и почему для надёжной работы нужны независимые проверки.

GPU при обработке запросов к большим языковым моделям могут тратить до 60% вычислений на повторный расчёт контекста, который уже обрабатывали. Об этом заявил Алан МакСевени, технический директор WEKA по работе с клиентами, в разговоре с ведущим аналитиком VentureBeat Робом Стречэем в рамках серии VentureBeat AI Impact Series. По словам МакСевени, если эффективнее хранить историю диалога, компании смогут обслуживать в несколько раз больше пользователей на уже купленном оборудовании. Основные трудности клиентов WEKA связаны с инфраструктурой, а не с метриками приложений, которые компании настраивают под свои задачи. Среди ограничений МакСевени назвал бюджет, доступность электроэнергии и место в дата-центрах: они мешают компаниям расти и заставляют искать больше отдачи от уже сделанных вложений.

Разберём, как собирать контекст под конкретную задачу и почему хороший промт не компенсирует устаревшие, неполные или неверные данные. Рассмотрим, чем состояние процесса отличается от долговременной памяти, зачем агенту уметь забывать и как выбирать данные, необходимые для текущего решения.

NVIDIA представила семейство Nemotron 3.5 для задач, в которых ИИ-агенту нужно читать таблицы и графики, проверять веб-страницы и применять заданные правила. В него вошли открытая модель Super VL на 120 млрд параметров, способная обрабатывать документы и изображения, и две компактные модели для локальной работы: Bolt 74B-A9B, рассчитанная на системы с 24 ГБ памяти, и Bolt E4B для устройств с 4 ГБ. NVIDIA также сообщила о результатах дообучения Super VL для специализированных задач и назвала цену корпоративной лицензии для запуска модели в производственной среде.

Учёные связывают память и чувство собственного «я» с мозгом, но пока не могут точно объяснить, как возникает самосознание и где хранится конкретное воспоминание. Несколько групп исследователей и предпринимателей ищут способы продлить работу мозга: от пересадки головы и постепенной замены его тканей до цифровых копий личности и загрузки сознания. Эти идеи находятся на разных стадиях разработки — некоторые уже проверяют в лабораториях, другие остаются далёкими гипотезами.

Meta развернула потребительские модели Muse Wonder и Muse Wonder Full: они работают с браузерами и приложениями, планируют длинные задачи и сохраняют контекст между разговорами. Контекстное окно достигает 1 млн токенов, а функция Active Memory возвращает важные сведения из прошлых чатов. Менее чем за месяц Muse набрала 6,6 млн загрузок и 1,8 млн ежедневных активных пользователей. В индексе Artificial Analysis Muse Wonder Full получила 56 баллов — столько же, сколько Claude Sonnet 5.5. При этом модели выдают текстовые планы и документы, а не изображения или видео.

Во вторник акции полупроводниковых компаний пошли вниз после того, как глава Broadcom сравнил многих инвесторов в ИИ с игроками казино, а китайский производитель памяти CXMT сообщил об успехах в разработке новой архитектуры чипов. Южнокорейский индекс Kospi потерял 6,25%, акции Samsung Electronics — 7,4%, а SK Hynix — 10%. Инвесторы опасаются, что CXMT сможет потеснить крупнейших производителей памяти. Одновременно рынок тревожат огромные расходы на инфраструктуру ИИ, которые компании финансируют за счёт заёмных средств.

Google представила универсального ИИ-агента Gemini для рабочих задач: он может искать информацию, создавать документы, писать код, координировать других ИИ-агентов и работать над поручениями часами или днями, сохраняя память, рабочий контекст и свою идентичность в разных приложениях и на разных устройствах. Анонс прозвучал в четверг на мероприятии Gemini at Work 2026. Google хочет объединить разрозненные корпоративные помощники и инструменты в одну платформу: сотрудник ставит цель, а агент сам выбирает порядок действий, подключает нужные системы и возвращает результат. Он будет доступен через Gemini Enterprise и привычные интерфейсы Google Workspace, Microsoft 365 и Slack — отдельное приложение не потребуется. Google пока не уточнила, как именно включать нового агента и когда появятся все его возможности. Помимо моделей Gemini, агент уже поддерживает Claude от Anthropic; в планах — другие закрытые и открытые модели.

Reka AI выпустила исследовательскую версию Rho-1 — модели с 19 млрд параметров, которая обрабатывает и генерирует текст, изображения и видео, а также управляет роботами. Все эти задачи выполняет одна нейросеть: она работает с разными типами данных в общем контекстном окне, не обращаясь к отдельным моделям и инструментам. Rho-1 может генерировать непрерывное видео в реальном времени и менять его по новым инструкциям без перезапуска.

Cohere выпустила North 2 — новую версию корпоративной платформы для ИИ-агентов. В ней появились лимиты расходов и частоты запросов, общие для организации ограничения и переработанная система управления агентами. North 2 сохраняет контекст между сессиями и даёт сотрудникам общую библиотеку знаний и материалов. Платформу можно запускать в облаке, на собственных серверах или в полностью изолированной сети.

Nvidia повысила цену Shield TV Pro на $100: теперь приставка для потокового видео стоит $299, хотя её последняя версия вышла ещё в 2019 году. Компания объяснила подорожание ростом стоимости компонентов, включая память. Новые устройства по-прежнему производят, поэтому Shield TV Pro зависит от тех же ограничений в цепочках поставок, что и современные смартфоны и компьютеры. Приставка поддерживает широкий набор медиакодеков и может работать как сервер Plex, но для обычного просмотра Netflix новая цена делает её менее привлекательной.

Google Research и Virginia Tech разработали WikiSkill — фреймворк, который помогает ИИ-агентам сохранять выводы из прошлых задач и использовать их для создания навыков. Вместо того чтобы каждый раз заново извлекать уроки из отдельных попыток, система собирает опыт в структурированную вики, а затем опирается на неё при обновлении навыков. В испытаниях на разных задачах и моделях WikiSkill превзошёл существующие методы развития навыков. Результаты также показали, что выигрыш может увеличиваться с размером модели, а навыки иногда переносятся между моделями. Для корпоративных команд это способ превращать журналы работы агентов в повторно используемые знания и процедуры.

ИИ-агент может запоминать не готовые рецепты, а подбирать нужный прошлый опыт под каждую новую задачу. Обычно агент заранее превращает выполненную работу в краткую памятку и потом ищет похожую. Авторы предлагают хранить полные записи прошлых действий, а сокращать их уже тогда, когда появляется новая задача: так система сохраняет детали и выбирает только то, что пригодится сейчас. В испытаниях такой подход помогал агентам справляться с заданиями успешнее, чем привычные способы запоминания. В этом обзоре разбираем, как ИИ-агент учится извлекать полезное из прошлого опыта и почему подходящую память лучше собирать в момент, когда она действительно нужна.

Каждый пользователь Muse получает бесплатный полноценный компьютер в облаке с собственной системой Ubuntu Linux. На нём можно устанавливать программы, писать и компилировать код, пользоваться интернетом и выполнять почти любые задачи, которые обычно делают на домашнем компьютере. По словам Дэвида Синглтона, вице-президента по разработке Meta Superintelligence Labs и бывшего технического директора Stripe, среда специально создана как полноценная рабочая машина. Похожие возможности, вероятно, есть и у ChatGPT: недавно пользователи обнаружили, что его режим Work запускает виртуальную машину с 15 ГБ оперативной памяти и более чем девятью ядрами процессора.

Бывший вице-президент Google по вопросам доверия и безопасности Том Сигел призвал замедлить развитие ИИ: по его словам, технологии уже вредят детям в масштабах, сопоставимых с ущербом от соцсетей или превышающих его. Сигел возглавил недавно созданный Youth AI Safety Institute при Common Sense Media. Он считает, что крупные компании выпускают функции без достаточных защитных механизмов, а ИИ-компаньоны, чат-боты и инструменты для учёбы уже связаны с опасным поведением, снижением критического мышления и ухудшением памяти.

ИИ-агент может стать заметно сильнее, если научится улучшать не саму модель, а всё окружение, в котором она работает. Исследователи предлагают системе самостоятельно менять подсказки, порядок действий, инструменты, память и работу с контекстом. Чтобы агент не подгонял решения под знакомые задания, его изменения ограничивают по размеру, проверяют критиком и удаляют слишком дорогие, слабые или уже бесполезные приёмы. В результате остаются не случайные хитрости, а способы работы, которые помогают на новых задачах и требуют меньше слов от модели. В этом обзоре разбираем, как устроено такое осторожное самоулучшение ИИ-агента и почему оно помогает одновременно повышать качество ответов и экономить вычисления.

Qualcomm представила два флагманских процессора для смартфонов — Snapdragon 8 Elite Gen 6 и Snapdragon 8 Elite Extreme Gen 6. На ежегодном Snapdragon Summit компания рассказала о функциях для локальной работы ИИ-агентов: новые сенсорные центры запускают модели до 200 млн параметров, распознают разных говорящих, формируют память на основе действий пользователя и поддерживают агента с голосовым вводом и выводом. Старшая версия также запускает на устройстве мультиэкспертную модель на 30 млрд параметров, а камеры получает запись 8K при 60 кадрах в секунду и 4K240.

ИИ-агент может хорошо писать код, но всё равно сорваться на длинной задаче — просто потому, что теряет нить происходящего. Исследователи проверяют, как на работу агента влияют планирование, доступные команды и управление контекстом — всем, что модель успела узнать о задаче и своих прошлых действиях. Оказывается, сжатие лишней информации помогает не столько «думать лучше», сколько не переполнять память; сильным моделям планирование в основном экономит время, а набор готовых инструментов нужен прежде всего тем, кто хуже работает с командной строкой. В этом обзоре разбираем, как разные настройки рабочей среды меняют поведение ИИ-агента, почему одни решения продлевают его работу, а другие лишь усложняют её, и как подбирать такую среду под возможности модели и доступные ресурсы.

Meta продвигает приложение Muse как бесплатного ИИ-агента для повседневных задач: он ищет выгодные предложения, бронирует столики, работает с почтой и может подключаться к банковским счетам. За первую неделю приложение скачали более 900 000 раз. Но тестирование показало обратную сторону: Muse хорошо управляет браузером и находит товары, зато постоянно предлагает передать ему новые данные, автоматически использует переписку для обучения моделей и не позволяет полностью отключить память. Эксперты предупреждают, что такие агенты могут сделать пользователей пассивнее и повлиять на их решения о покупках.

ИИ-индустрии всё чаще нужны инженеры внедрения на стороне клиента — FDE, специалисты, которые подключают передовые модели к реальным бизнес-процессам. OpenAI и Anthropic уже приобретают консалтинговые компании, чтобы отправлять таких инженеров непосредственно к заказчикам. Они находят задачи для ИИ, связывают новые системы с существующими приложениями и превращают демки в работающие решения с измеримым эффектом. Стартап Ace Waves строит продажи вокруг FDE, а Gritmind предпочитает сначала проводить исследование и быстрые прототипы небольшими командами. Подходы различаются, но обе компании сталкиваются с одной проблемой: важные правила бизнеса часто существуют только в памяти сотрудников и не описаны в документах.

Qwen представила Qwen3.8-Omni-Flash — первую мультимодальную модель компании для ИИ-агентов. Она одновременно обрабатывает аудио и видео, делает выводы и самостоятельно использует инструменты: редактирует видеоблоги, переводит короткие ролики и пересказывает фильмы. Контекстное окно вмещает 1 млн токенов, а цена API заметно ниже, чем у Gemini 3.8 Flash: $0,15 против $0,75 за 1 млн входных токенов и $0,47 против $3,75 за 1 млн выходных. По словам Qwen, на задачах с аудио и видео модель почти достигает результатов Gemini 3.8 Flash.

ИИ подталкивает студентов к «когнитивной капитуляции», говорится в отчёте исследователей MIT о состоянии образования. Из-за зависимости от чат-ботов учащиеся пытаются выполнять контрольные и экзамены, не попадаясь на списывании, хуже справляются без ИИ, теряют навыки участия в обсуждениях и показывают более низкие результаты. Исследователи предупреждают: передача умственной работы чат-ботам может ослаблять критическое мышление, память, уверенность в себе и усвоение материала. Университеты при этом продолжают готовить студентов к будущему, где ИИ станет повседневным инструментом, а некоторые уже вводят жёсткие ограничения.

Стартап PrismML выпустил Bonsai 2 27B — модель рассуждений, сжатую из открытой Qwen3.8 27B от Alibaba до 5,9 ГБ. Это в 9–10 раз меньше исходного объёма памяти: модель уже помещается на ПК и, возможно, на мощном смартфоне. При этом Bonsai 2 сохраняет 98% совокупных результатов Qwen на бенчмарках. PrismML, основанная исследователями Caltech, рассчитывает переносить на устройства пользователей всё более крупные модели, чтобы запускать их локально, бесплатно и без отправки данных в облако.

Anthropic переработала функцию Projects в Claude Code: теперь пользователь задаёт цель, а координатор делит работу между параллельными потоками — отдельными облачными сессиями, которые могут запускать тесты и открывать запросы на слияние. За прогрессом можно следить в основном чате или внутри каждого потока, в том числе с мобильного устройства. ИИ-агент сохраняет общую память о работе, а библиотека собирает загруженные файлы и результаты. Бета доступна отдельным подписчикам Pro и Max; доступ для Team и Enterprise появится позже, а локальный запуск пока готовится.

Huawei перенесла запуск следующего поколения ИИ-чипа Ascend 960DT с третьего квартала на первый квартал 2027 года. Компания рассчитывает с его помощью конкурировать с Nvidia и объединять сотни тысяч, а со временем миллионы ускорителей в единую вычислительную систему. Для этого Huawei развивает архитектуру Peerium Computing Architecture и технологию UnifiedBus, связывающую процессоры с памятью, хранилищами и сетевым оборудованием. Первые системы на этой архитектуре — Atlas 950 SuperPoD и SuperCluster; последняя сможет объединять до 256 000 карт-ускорителей. При этом аналитики обратили внимание, что заявленная конфигурация SuperPoD на 4 096 чипов меньше прежних планов Huawei на 15 488 Ascend 960.

SK Hynix впервые может начать производство чипов оперативной памяти в США: южнокорейская компания обсуждает с Intel аренду площадей на будущей фабрике в Огайо или создание совместного предприятия с участием облачных провайдеров, сообщает Reuters. Конкретных решений пока нет. Потенциальная сделка вписывается в планы Вашингтона расширить выпуск чипов внутри страны, но в Южной Корее её могут проверить из-за риска передачи чувствительных технологий за рубеж. Ранее SK Hynix уже купила у Intel бизнес флеш-памяти NAND за $9 млрд.

10 сентября китайская лаборатория DeepSeek выпустила модель V4.1-Flash: она задействует около 3% весов для генерации каждого слова и помещает рабочую память диалога в четверть прежнего объёма. На следующий день подешевели акции SK Hynix и Samsung — крупнейших производителей специализированной памяти для ИИ. Ограничения США, призванные затормозить развитие китайского ИИ, сделали вычислительные ресурсы дефицитными и подтолкнули инженеров к моделям, которым нужно меньше чипов, памяти и электричества. Такие системы работают на китайском оборудовании, распространяются с открытыми весами и уже сокращают долю Nvidia на рынке Китая почти до нуля.

Гейнор Паркин и Дэйв Уинсборо описывают, как чат-боты используют человеческую потребность в привязанности, одобрении и эмоциональной безопасности. Они приводят историю инженера Майкла, который перестал принимать решения без консультации с ИИ и связал профессиональную уверенность с поддержкой чат-бота. Авторы объясняют, что системы имитируют отзывчивость, заботу, память и безусловное принятие, но не требуют ничего взамен. Почти половина взрослых с психическими расстройствами, использовавших большие языковые модели за последний год, обращались к ним за поддержкой. При интенсивном использовании такое общение связывают с более низким благополучием, особенно при слабой поддержке со стороны людей.

Китайская лаборатория AllSpark представила Iris-mini и Iris-pro — двух поисковых ИИ-агентов с открытым исходным кодом и полной схемой обучения. Младшая модель содержит 35 млрд параметров, старшая — 397 млрд; обе используют модели серии Qwen и контекстное окно на 256 000 токенов. По данным команды, агенты показали лучшие результаты среди открытых поисковых систем своего размерного класса. Подготовленные данные и сами модели также улучшили выполнение задач, которым их не обучали напрямую, включая работу с инструментами и офисными приложениями.

Калифорния приняла пакет законов, регулирующих использование ИИ детьми и подростками. Компании обязали создавать протоколы на случай суицидальных мыслей, внедрять родительский контроль и уведомлять взрослых, если ребёнок отключает защитные настройки. Один из законов назвали в память о 16-летнем Адаме Рейне, который в апреле 2025 года покончил с собой после продолжительных разговоров с ChatGPT о намерении умереть. Правила также запрещают социальным платформам предлагать пользователям младше 16 лет функции, способные формировать зависимость, включая автовоспроизведение видео и ленты на основе истории и профиля.

Генеральный директор Nvidia Дженсен Хуанг заявил, что выручка компании может вырасти на 70% в следующем году — примерно с ожидаемых $400 млрд до $680 млрд. На конференции Goldman Sachs Communicopia + Technology он объяснил прогноз тем, что Nvidia работает почти со всеми участниками рынка ИИ: от производителей памяти и владельцев дата-центров до облачных компаний, лабораторий и стартапов. По словам Хуанга, продажи одной из систем Nvidia, объединяющей 36 процессоров Grace и 72 ускорителя Blackwell, уже растут на 27% в месяц.

Deepseek выпустила мультимодальную модель V4.1-Flash, рассчитанную на работу с длинными контекстами и ИИ-агентами. Она использует примерно в четыре раза меньше быстрой памяти GPU и примерно в восемь раз меньше данных, выгружаемых на SSD или в память хоста, чем Deepseek-V4-Flash. Объём кэша KV на токен по сравнению с Deepseek-V1 уменьшился в 437 раз. Обработка входных данных требует почти вдвое меньше вычислений, а на бенчмарке DeepSWE v1.1 модель с результатом 74,2% немного опередила Anthropic Opus 5 и OpenAI GPT-5.6 Sol. При этом V4.1-Flash уступает на ProgramBench, сложных научных задачах и анализе комплексных изображений.

Стартап Kepler Computing, основанный в 2018 году физиками и специалистами по информатике, вышел из закрытого режима с новой архитектурой памяти HBM. Компания утверждает, что сочетание 3D-сборки и собственного материала позволяет повышать плотность памяти без дорогой EUV-литографии и использовать уже работающие фабрики. Kepler привлекла $468 млн, получила от Министерства торговли США обязательство выделить до $245 млн и рассчитывает отправить первые образцы HBM в конце этого года, нарастить производство в Сингапуре в следующем году и начать выпуск в США в 2028-м. Технологию пока проверяют примерно на 2 000 кремниевых пластин.

Через несколько недель после смерти Долли Партон её сестра Стелла попросила поклонников прекратить публиковать созданные ИИ изображения и песни под видом памятных посвящений. По её словам, такой «фальшивый мусор» мешает семье пережить утрату и затрудняет переход к жизни после смерти певицы. Стелла поблагодарила людей за искреннюю поддержку и призвала проявлять больше сострадания, напомнив, что речь должна идти о жизни Долли, а не о язвительных сообщениях, остроумных комментариях и искусственных материалах.

ИИ меняет не только технологии, но и язык, которым их описывают. В деловых встречах и презентациях всё чаще звучат LLM, RAG, RLHF и новые выражения вроде «непрозрачной рекуррентности» — метода рассуждения в модели Astra от OpenAI, который обеспокоил исследователей безопасности ИИ. Ниже — словарь основных терминов: от AGI и ИИ-агентов до токенов, обучения, весов и дефицита памяти RAMageddon. Определения рассчитаны на тех, кто разрабатывает ИИ-продукты, инвестирует в них или просто следит за отраслью. Список регулярно обновляется вместе с развитием технологий.

Три месяца назад Nvidia представила суперчип RTX Spark и первые ноутбуки на его основе, а на выставке IFA 2026 в Берлине показала одну из таких моделей вживую. Lenovo Yoga 9n 2-in-1 получил 16-дюймовый OLED-экран, корпус толщиной 0,69 дюйма и чип на архитектуре Arm с процессором Grace и графикой Blackwell RTX. Одновременно компании анонсировали мини-компьютеры на RTX Spark и решения с 128 ГБ памяти. Их задача — запускать локально ИИ-модели и полноценные агентные ИИ-процессы вроде OpenClaw, снижая зависимость от облака и риски для конфиденциальных данных.

Reliance Jio, принадлежащая Мукешу Амбани, открыла облачный сервис JioPC для всех пользователей интернета в Индии, независимо от оператора связи. Он запускает виртуальный компьютер из облака на уже имеющемся ПК и предоставляет до восьми виртуальных процессоров, 16 ГБ оперативной памяти и 1 ТБ хранилища. Jio утверждает, что так даже восьмилетние компьютеры смогут работать с современными приложениями на базе ИИ без замены оборудования. Подписка начинается от ₹1 000 за два месяца, годовой тариф стоит ₹4 000 или ₹5 000 в зависимости от конфигурации.

Китайская ChangXin Memory Technologies (CXMT) впервые выпускает небольшими партиями память HBM3E — высокоскоростную память для современных ИИ-процессоров. По данным The Information, компания технически отстаёт от Samsung, SK Hynix и Micron на 3–5 лет и сталкивается с низким выходом годных чипов: в июне SemiAnalysis оценивала его примерно в 25%. При этом в ходе первичного размещения акций в Шанхае CXMT привлекла $8,6 млрд, но, согласно проспекту, ни одно из этих средств не направлено на HBM.

OpenAI и другие ИИ-лаборатории закупили десятки тысяч компьютеров Mac mini и Mac Studio, сообщает The Information. OpenAI использует их для обучения ИИ-агентов, которые самостоятельно выполняют многошаговые задачи на компьютере. Компания хочет приобрести ещё больше устройств, но самые мощные модели Mac уже несколько месяцев распроданы из-за дефицита микросхем памяти. Anthropic тоже подключилась к закупкам и арендует Mac mini через AWS.

NVIDIA представила nanousd-labs — экспериментальный проект, который использует ИИ-агентов для генерации лёгких сред выполнения USD напрямую из спецификации USD Core. Такой подход позволяет создавать реализации под конкретные ограничения по памяти, производительности, языку и ABI, не адаптируя большой существующий код. nanousd написан на C++ и предоставляет стабильный C API, а пакет nanousd-python работает без GPU и запускается без графического интерфейса на любой машине. Проект опубликован в составе NVIDIA Omniverse Labs.

Квартальный отчёт Nvidia подтвердил высокий спрос на ИИ: выручка во втором квартале выросла на 106% год к году, до $96,2 млрд, причём $89 млрд принесло подразделение центров обработки данных. Гендиректор Jensen Huang спрогнозировал рост выручки центров обработки данных на 70% в 2028 финансовом году, который начнётся в конце января 2027 года. Платформа Vera Rubin уже набирает производство быстрее всех предыдущих продуктов Nvidia, но дефицит памяти давит на маржу. Одновременно пять клиентов формируют 70% дебиторской задолженности компании, а её прямые обязательства по ИИ-инфраструктуре достигают значительных масштабов. Чтобы распределить риски, Nvidia договорилась с финансовыми организациями привлечь для клиентов более $500 млрд стороннего капитала.

Большие языковые модели, на которых работают ChatGPT и Gemini, можно запускать не только через облачные сервисы, но и локально — на собственном компьютере. Это даёт доступ без интернета, повышает приватность и избавляет от ежемесячной платы и ограничений по числу запросов. Бесплатные модели выпускают даже Meta и Google: обычно они уступают платным по скорости и возможностям, но подходят для повседневных задач. Локальные модели работают на Windows, macOS и Linux, а для запуска понадобятся программа-оболочка, сама модель и достаточный объём оперативной памяти.

Можно ли научить ИИ-агента ходить по интернет-магазину не как бездумный робот, а как настоящий покупатель — с памятью, сомнениями и понятной целью? Исследователи предлагают агента, который рассматривает страницы магазина как человек и запоминает не всё подряд, а только нужное: что он ищет сейчас, какие товары уже видел и какие предпочтения постепенно складываются. Вместо оценки каждого отдельного клика его учат по результату всей сессии, чтобы он не листал страницы бесконечно и не останавливался слишком рано, а действовал последовательно и правдоподобно. В этом обзоре разбираем, как устроен такой ИИ-покупатель, почему обычные способы обучения плохо передают поведение людей и как проверяют сходство его решений с действиями реальных пользователей.

Когда ИИ-агент долго решает задачу, он легко тонет в собственных заметках и начинает путаться в том, что было важным. Исследователи предлагают дать агенту более человеческий способ работы с памятью: не тащить всё перед собой, а самому решать, что можно свернуть, убрать во внешнее хранилище и потом вернуть по мере надобности. Так он меньше захлёбывается в лишних деталях, дольше держит ход мысли и стабильнее доводит сложные задачи до конца. В этом обзоре разбираем, как ИИ-агента научили управлять своей памятью во время длинной работы и почему это помогает ему лучше искать решения и писать код.

Обычная проблема почти всех литературных ИИ-симуляций проста: персонажи умеют говорить «в образе», но не умеют жить дальше. Они хорошо копируют манеру речи Шерлока Холмса или Элизабет Беннет, но через несколько сцен начинают разваливаться. Кто-то внезапно забывает свои мотивы. Кто-то меняет характер без причины.

Почему ИИ так часто ходит по кругу, когда ищет ответ в интернете, и в итоге приносит не то, что нужно? Исследователи предлагают устроить поиск так, чтобы ИИ не держал весь ход работы у себя «в голове», а записывал, что уже найдено, чего ещё не хватает и какие ходы уже ни к чему не привели. Тогда несколько ИИ-агентов могут работать как команда: один ищет факты, другой следит за пробелами, третий не даёт снова повторять бесполезные попытки. В итоге поиск становится не хаотичным набором запросов, а более собранной работой с понятным планом. В обзоре разберём, почему ИИ застревает в веб-поиске, как ему предлагают дать общую «память» о ходе работы и за счёт чего такой подход помогает находить ответы полнее и аккуратнее.

Что, если телефон или умные очки смогут не просто слушать и смотреть, а по-настоящему помнить куски вашей жизни? Исследователи предлагают лёгкую систему памяти для ИИ-помощника, который живёт в смартфоне или очках и постепенно собирает то, что человек видел и слышал. Она раскладывает события по разным слоям памяти — что происходит сейчас, что было недавно и что случилось давно, — а потом достаёт нужное, когда вы спрашиваете, где лежит вещь, о чём был разговор или как обычно проходит ваш день. В этом обзоре разбираем, как такой помощник учится помнить повседневную жизнь и как он находит нужный момент среди множества увиденного и услышанного.

Оказалось, что для ИИ иногда важнее не лучше думать, а лучше помнить. Исследователи предлагают учить модель не только решать задачу, но и самой разбираться со своей памятью: что сохранить, когда к этому вернуться и как разложить знания так, чтобы потом не потеряться. Для этого команда дала ИИ право управлять своими записями и отдельно улучшала две вещи: как устроена сама память и насколько умело модель ею пользуется. В итоге даже без изменений в самом способе рассуждать ИИ начинает заметно лучше справляться с длинными и запутанными задачами. В этом обзоре разбираем, почему умение обращаться с памятью можно развивать отдельно, как ИИ учат на его собственных удачных решениях и что это меняет для сложных задач, где ошибка может аукнуться намного позже.

Память ИИ-агента — это уже не мелкая деталь, а место, где часто решается, будет он полезным или начнёт путаться. Авторы показывают, что память у таких систем надо оценивать не только по конечному ответу, но и по тому, как она хранит, достаёт, обновляет и приводит в порядок сведения по ходу работы. Это важно, потому что один и тот же подход может хорошо работать в одной задаче и проваливаться в другой, а лишние перестройки памяти могут стоить дорого и только мешать. В этом обзоре разбираем, из каких частей на деле состоит память ИИ-агента, почему не существует одного лучшего решения для всех случаев и какой способ поддержки памяти оказывается самым разумным на практике.

Вокруг современных агентных систем для LLM сложился почти культ инженерной сложности. Оркестраторы, субагенты, память, библиотеки навыков, вызовы инструментов — все это выглядит впечатляюще, но оставляет важный вопрос…

У агентов для программирования есть одна слабость: они отлично пишут код, но часто повторяют одни и те же ошибки, как стажёр, который каждый раз заново узнаёт, что перед коммитом неплохо бы прогнать тесты. Последний год исследователи активно учат такие системы пользоваться памятью — сохранять удачные и неудачные ходы, а потом опираться на них в…

В AI мы привыкли думать о памяти как о чём-то, что находится внутри агента: в скрытом состоянии RNN, в параметрах сети, в буфере опыта, в KV-cache, наконец. Но что, если часть памяти можно буквально вынести наружу — в саму среду? Не в метафорическом смысле, а вполне формально: так, что агенту действительно нужно меньше внутренней памяти, если мир…

Сегодняшние «глубокие» AI-агенты умеют не только продолжать текст, но и ходить в поиск, вызывать инструменты, собирать факты из разных источников и шаг за шагом решать сложные вопросы. Сегодняшние «глубокие» ИИ-агенты умеют использовать поиск, вызывать инструменты, собирать факты из разных источников и шаг за шагом решать сложные вопросы. Но на…

Агенты хорошо справляются с короткими задачами, но на длинной дистанции их подводят память, непоследовательность и неумение следовать стратегии. ИИ‑агенты уже научились неплохо решать задачи, где нужно сделать десяток действий, вызвать пару инструментов и выдать ответ. Но стоит растянуть задачу на сотни шагов — как в реальной работе — и…

RAG сегодня — один из самых практичных способов подключить LLM к внешним знаниям: модель не полагается только на собственную память, а сначала ищет нужные фрагменты в базе знаний и уже потом отвечает. В реальных продуктах это выглядит как спасение от галлюцинаций и устаревших фактов. Но у…

Когда LLM научились писать код, вокруг них быстро выросли автономные SWE-агенты: системы, которые умеют открывать репозиторий, запускать тесты, находить место ошибки и готовить патч. Но у таких агентов есть неприятная привычка работать так, будто они впервые видят подобный баг. На практике же…

Сегодня ИИ-агенты умеют планировать, вызывать инструменты, выполнять цепочки действий и даже работать в мультиагентной системе. Но у большинства таких решений есть неприятная особенность: они по сути реактивны. Агент может отлично отвечать в моменте но после развёртывания редко меняет…

Задачи, которые требуют навыков использования инструментов и многократного поиска в интернете, обычно создают длинные сценарии, которые ломают большинство LLM-агентов: либо они просто копят всю историю, что достаточно больно для использования в контексте, либо сжимают всю историю на каждом шаге,…

Большие языковые модели отлично решают короткие тесты на логику и код. Но в реальной работе задачи растягиваются на десятки и сотни шагов, требуют переключения между разными приложениями, аккуратного ведения контекста и умения исправлять собственные ошибки. Главная проблема тут в том, что на…

Сегодня многие ИИ-агенты остаются реактивными: видят кадр — действуют, видят следующий — снова действуют, а связной картины мира не формируют. Отсюда проблемы с дальними маршрутами, переиспользованием опыта и гибкостью. В биологии это решено элегантно: мозг хранит ориентиры, маршрутное знание и…

Когда мы просим большую языковую модель (LLM) решить сложную задачу, один красивый промт уже не спасает. В реальности это последовательность действий: надо искать, читать, писать код, проверять, исправлять. Агент должен планировать шаги, пользоваться инструментами и помнить предыдущий опыт. Но…