10 000 ИИ-агентов решили проблему без единого спора. Люди начали драться за признание сразу после объявления. Сначала — что произошло. OpenAI объявила, что её агенты решили одну из самых известных проблем современной математики. По их данным, на это ушло 88 часов. Около 10 000 агентов работали над проблемой одновременно. Теперь — что меня поразило больше всего. Сэм Альтман рассказал в Стэнфорде, как они взаимодействовали. Не было лидера. Не было споров о том, кто что сделал. Никаких конфликтов и борьбы за признание. Все просто двигались к одной цели. Он сам сказал, что это не похоже ни на какую организацию, которую он может себе представить. А потом произошло следующее. Сразу после объявления результата между людьми вспыхнул спор о том, кто заслуживает признания. Агенты разделили проблему. Люди разделили славу. Между тем математики прошли свой собственный путь в течение пяти дней. Сначала пришла реакция, что это фейк. Затем — что их область умерла. Затем — что так делать нельзя. К пятому дню многие сказали что-то другое. Да, один вид их работы исчез. Но большинство из них никогда не решали задачи на таком уровне. Они осмысливали знания, объясняли их людям и решали, над чем работать. Есть ещё одна идея от Альтмана, которую легко упустить. Он предполагает — и прямо говорит, что это чистая спекуляция — что почти каждая организация в мире построена по принципу армии. Иерархия, командование, контроль. Потому что когда-то это был единственный известный способ управлять большим числом людей. А здесь 10 000 агентов справились с этим вообще без иерархии. Представьте компанию, где работают только агенты. Никто не обижается на обратную связь. Никто не крадёт идеи. Никто не борется за кабинет с видом. Звучит идеально. И именно поэтому интересно, что Альтман сразу добавляет: люди никогда не будут работать так. Потому что в нашей несовершенности есть красота. Споры, амбиции, эмоции. Он не хотел бы мира без них. И я с ним согласен. Потому что трение между людьми — это не только затраты. Это ещё и способ понять, что для нас важно. Когда два человека спорят о признании, они на самом деле спорят о том, что для них значит вклад. Машина не задаёт этот вопрос. Она просто выполняет. Поэтому мне кажется, главный вопрос ближайших лет — не то, что ИИ может заменить, а какое трение мы готовы сохранить. Альтман говорит, что люди всегда будут больше всего заботиться о других людях. Что нам не так уж важно, что делает машина ради собственных целей. Что работа имеет ценность, потому что за ней стоит человек. Кажется, это верно даже тогда, когда мы спорим. И, возможно, именно в этих спорах мы остаёмся наиболее собой.

ДЕВЯТЬ ЛЕТ НАЗАД ДЖЕНСЕН ХУАНГ ДОСТАВИЛ СУПЕРКОМПЬЮТЕР ЭЛОНУ МАСКУ. СЕЙЧАС ОН ПРИНЕС ЕМУ ЕГО ПРЕЕМНИКА. И этот момент соединяет две совершенно разные эпохи вычислений. В 2016 году Дженнсен лично доставил первый DGX-1 от NVIDIA Элону Маску. Тогда Маск был участником OpenAI. Эта машина помогла исследователям расширить границы искусственного интеллекта и стала частью ранней инфраструктуры, лежавшей в основе революции ИИ. Девять лет спустя Дженнсен вернулся. Но на этот раз он привез что-то совершенно иное. Познакомьтесь: NVIDIA DGX Spark. Компактный настольный суперкомпьютер на базе архитектуры Grace Blackwell. И его характеристики впечатляют. До 1 петафлопа производительности ИИ при точности FP4. 128 ГБ единой памяти. Мощный суперчип NVIDIA GB10. И размеры, достаточные для размещения на столе. Для сравнения, оригинальный DGX-1 был крупной корпоративной системой. DGX Spark предоставляет значительные вычислительные возможности ИИ в устройстве весом всего 1,2 кг. Но что действительно важно — это то, что это делает возможным. Разработчики и исследователи могут запускать модели ИИ локально, экспериментировать с крупными языковыми моделями, создавать ИИ-агентов и дообучать модели, не полагаясь полностью на удаленные центры обработки данных. NVIDIA утверждает, что один DGX Spark способен обрабатывать выводы моделей до 200 миллиардов параметров. А несколько систем можно объединить для обработки еще более масштабных задач. В ходе беседы Дженнсен также подчеркнул огромный прогресс в эффективности вычислений, сравнив оригинальный DGX-1 с новым поколением. Затем наступил один из лучших моментов. Дженнсен пошутил, что Элон строит вещи больше, чем он сам. Элон просто согласился. В конце концов, SpaceX строит ракеты и огромную инфраструктуру, а NVIDIA создает вычислительные системы, которые питают революцию ИИ. И есть что-то удивительное в том, чтобы увидеть эти два мира, встречающихся в Старбейс, Техас. Одна компания толкает границы освоения космоса. Другая — границы искусственного интеллекта. Девять лет назад Дженнсен доставил суперкомпьютер, который помог запустить новую главу в ИИ. Сейчас он приносит эту вычислительную мощь ближе к отдельным разработчикам. Следующий прорыв в ИИ может не произойти в огромном центре обработки данных. Он может начаться на чьем-то столе.

ЧТО ЗА БЛЕЯТЬ. OPENAI СДЕЛАЛА ИИ-АГЕНТЫ ДЕШЕВЛЕ И ЛУЧШЕ В ИСПОЛЬЗОВАНИИ ВАШЕГО КОМПЬЮТЕРА. Познакомьтесь с GPT 6.1 Terra. Это обновление касается гораздо большего, чем генерация лучших ответов. OpenAI продвигает ИИ к чему-то гораздо более полезному — реальному выполнению работы. Terra разработан, чтобы понимать, что происходит на вашем экране, взаимодействовать с приложениями компьютера и выполнять сложные последовательности задач. Подумайте, что это значит. ИИ может помочь подготовить предложения, интерпретировать технические чертежи, заполнять формы, редактировать видео и справляться с рутинной офисной работой. Вместо того чтобы объяснять, как что-то сделать, он может самостоятельно пройти все необходимые шаги. OpenAI утверждает, что новая модель значительно лучше GPT 5.6 Terra в таких задачах. Но вот то, что действительно привлекло мое внимание — цена. Стандартная цена API GPT 6.1 Terra на 50% ниже, чем у GPT 5.6 Terra. Это важно, потому что ИИ-агенты могут делать множество вызовов модели при выполнении одного рабочего процесса. Каждый шаг стоит денег. Чтение информации, анализ экрана, принятие решения о следующем действии и проверка результата — всё это накапливается. Снижение стоимости делает масштабное использование таких систем более практичным. OpenAI также сообщает о значительном улучшении производительности в программировании и визуальном рассуждении, а также о меньшем количестве фактических ошибок в внутренних оценках. Эта комбинация важна. Модель, которая может понимать задачу, управлять программным обеспечением и писать код, становится намного полезнее, если она может делать всё это быстрее и дешевле. Представьте ИИ-агентов, обрабатывающих счета, обновляющих электронные таблицы, организующих информацию о клиентах или выполняющих рутинные задачи в нескольких приложениях. Не просто говорящих вам, что делать. А реально помогающих вам это сделать. Конечно, использование компьютера — это не то же самое, что полная автономия. Сложные рабочие процессы всё ещё требуют тестирования, разрешений и человеческого контроля. Но направление становится ясным. Следующая большая гонка в ИИ — это не только то, какая модель может мыслить лучше. Это о том, какая модель сможет надежно превращать этот интеллект в действия. И теперь OpenAI делает эту возможность дешевле в использовании.

🚨 БОЖЕ МОЙ. ДЖЕНСЕН ХУАН СТОЯЛ В ОДНОЙ РУКЕ ПЕТАФЛОП ИСКУССТВЕННОГО ИНТЕЛЛЕКТА. И сравнение, которое он сделал, абсолютно безумно. В 2016 году Дженсен Хуан доставил систему NVIDIA DGX 1 небольшой компании под названием OpenAI. Это была гигантская машина, созданная специально для вычислений ИИ. Она обеспечивала производительность в один петафлоп и имела 128 ГБ памяти. И Дженсен напомнил всем об одном детале: Для того чтобы поднять эту машину по лестнице, требовалось два человека. Сейчас, спустя десять лет, он держит в одной руке компактный компьютер ИИ и демонстрирует те же ключевые показатели. Один петафлоп. 128 ГБ памяти. Подумайте об этом на секунду. Новая линейка RTX Spark была разработана в течение четырех лет совместно с Microsoft и всей индустрией ПК. По словам Дженсена, проект включал новый чип N1X и совершенно новое семейство компьютеров, включая настольные ПК, ноутбуки и рабочие станции. Цель — перенести мощные вычисления ИИ в гораздо более компактный форм-фактор. И вот здесь становится интересно. Годами доступ к мощному аппаратному обеспечению ИИ означал reliance на дорогостоящую облачную инфраструктуру или специализированные машины, которые были недоступны большинству индивидуальных разработчиков. Компактные системы подобного рода указывают на иной подход. Представьте, что вы разрабатываете агентов ИИ, экспериментируете с моделями и запускаете требовательные рабочие нагрузки ИИ прямо на своем рабочем столе. Меньше зависимости от удаленной инфраструктуры. Больше контроля над вашей средой разработки. И потенциально меньше повторяющихся облачных расходов на рабочие нагрузки, которые можно запускать локально. Конечно, важно сделать одно различие. Совпадение одинакового пикового значения петафлопа не означает автоматически, что две машины обеспечивают идентичную реальную производительность. Важны точность вычислений, архитектура памяти и характер рабочей нагрузки. Но физическая трансформация все равно поразительна. В 2016 году этот класс вычислений ИИ занимал машину, которую нужно было нести двое людей. Сейчас Дженсен Хуан может держать систему с сопоставимыми ключевыми характеристиками в одной руке. Вот что делает это событие чем-то большим, чем просто запуск нового компьютера. Аппаратное обеспечение ИИ становится не только более мощным. Оно становится значительно более доступным. И следующее поколение разработчиков ИИ может не нуждаться в серверной комнате, чтобы начать работу.

А что, если бы мы могли повысить квантовый фотонный перевод с 54% до 100%? Учёные из TU Wien, возможно, нашли способ. И решение удивительно изящно. Квантовым компьютерам необходимо передавать информацию между кубитами. Один кубит излучает фотон. Другой должен его поглотить. Но при традиционных подходах поглощение происходит лишь около 54% случаев. Представьте, как теряется почти половина попыток передачи информации ещё до завершения процесса. Теперь исследователи предложили способ изменить эту ситуацию. Ключ — в форме волны фотона. Когда кубит излучает фотон, его волна обычно начинается сильной и постепенно затухает, подобно звуку колокола. Но принимающий кубит требует совершенно иной формы волны для идеального поглощения. Поэтому исследователи предлагают использовать специально спроектированный оптический волновод для изменения формы фотона во время его прохождения. Контролируя, как различные частоты движутся через волновод, они рассчитали, что фотон сможет достичь цели с точно необходимой формой волны для оптимального поглощения. Результат? Их симуляции показывают, что при идеальных условиях поглощение теоретически может достичь 100%. И самое интересное — это пассивный подход. Вместо того чтобы полагаться на дополнительное активное управление на стороне приёмника, волновод сам выполняет работу по формированию фотона. Метод ещё не был продемонстрирован экспериментально, но исследователи считают, что требуемая установка технически реализуема. Если он сработает на практике, это поможет сделать квантовые компьютеры и сети связи намного надёжнее. Мы часто думаем, что квантовые прорывы требуют совершенно нового оборудования. Иногда прорыв может произойти просто за счёт изменения способа, которым движется один единственный фотон. А в квантовых вычислениях эта мелочь может сделать огромную разницу.

ЧТО ЭТО ТАКОЕ? ЭТОТ БОТ ПРОИГРЫВАЕТ БОЛЕЕ ПОЛОВИНЫ СДЕЛОК, НО ВСЁ РАВНО РАСТЕТ С 1400 ДО 22 646 ДОЛЛАРОВ. Посмотрите на эту точку. Это 20 480 возможных сценариев, которые бот держит в голове одновременно. Синие линии — это миры, где bitcoin пойдёт вверх. Розовый и оранжевый — миры, где он пойдёт вниз. А теперь о том, как это работает. Бот торгует на пятиминутных рынках Polymarket, делая ставки на рост или падение bitcoin. Внутрь поступают живые данные из семи потоков. Они преобразуются в вероятности, например: 45 процентов на рост против 55 на падение. Эта вероятность сравнивается с ценой, по которой рынок продаёт тот же исход. Разница между ними называется преимуществом. И только если есть преимущество, бот открывает сделку. Если оно меньше трёх центов, на экране появляется слово PASS, и сделка не совершается. В этом и скрыта суть. Уровень прибыльности на панели — 48 процентов. То есть более половины сделок закрываются в минусе. Но это не проблема. Представьте, что вы покупаете акцию за 32 цента, которая выплатит доллар, если вы правы. Вам не нужно угадывать чаще, чем это стоит. Достаточно, чтобы ваша оценка была точнее рыночной цены. Тогда даже при убытках более чем в половине случаев математика работает на вашу пользу. Это видно на экране для каждой сделки. Покупка за 32 цента с преимуществом +5,3 цента. Покупка за 53 цента с преимуществом +6,7 цента. Разные цены, разные размеры, но одно правило. Внизу — кривая приземления. Это распределение возможных итоговых значений bitcoin к закрытию окна. Бот пропускает одну точку. Он видит целый диапазон возможностей и сравнивает их с рыночной ценой. Каждый день окон — 288, и правило всегда одно и то же. В сделках было исполнено 14 222 ордера, среднее преимущество составило +4,6 цента, а максимальная просадка — 4,2 процента. А теперь о том, что меня интересует в этом. Большинство людей считают хорошим трейдером того, кто угадывает. А здесь бот даже не пытается угадывать. Он думает иначе. Каждые пять минут миллионы мелких решений собираются в одну кривую, которая растёт не потому, что бот прав, а потому, что правильно быть правым дороже, чем быть неправым. И это меняет вопрос. Не насколько часто вы угадываете, а насколько сильно вы выигрываете, когда правы, и насколько сильно теряете, когда неправы. В этом и заключается суть Crawler Arena от CRAWLHIVE. Вы сами задаёте вердикт, точку входа, тейк-профит, стоп-лосс и размер — без кода. Ваш crawler выходит на арену и торгует по этим правилам против всех остальных — с реальными комиссиями и реальным проскальзыванием. То есть та же самая разница между выигрышем и проигрышем теперь в ваших руках. Это не финансовая рекомендация. Прошлые результаты не гарантируют будущих.

ДЖЕНСЕН ХУАН ПОКАЗАЛ РОБОТА-УТКУ РАЗМЕРОМ 25 СМ, ОБУЧАЮЩУЮСЯ ДВИГАТЬСЯ С ПОМОЩЬЮ ИИ-АГЕНТОВ. И эта маленькая роботизированная утка — часть гораздо более масштабной истории. Познакомьтесь с Microduck. Это открытый робототехнический проект от Hugging Face, поведение которого было обучено в симуляции, а затем перенесено на физического робота. Утка может научиться бегать, вставать и брать предметы. Но что делает эту демонстрацию интересной — так это то, как ИИ-агенты помогли этому произойти. Вместо того чтобы рассматривать робототехнику как один огромный инженерный проект, рабочий процесс разбивается на этапы. Создать модель. Настроить симуляцию. Обучить поведение. Затем перенести эти навыки в реальный мир. Последний шаг критически важен. Робот, который работает в виртуальной среде, всё ещё должен справляться с гравитацией, равновесием, трением и непредсказуемостью реальных объектов. И именно здесь важна видение NVIDIA по поводу физического ИИ. ИИ выходит за рамки генерации текста, изображений и кода. Он всё чаще используется вместе с инструментами симуляции и робототехники, чтобы помочь машинам научиться взаимодействовать с физическим миром. Утка может быть крошечной. Но идея, лежащая в её основе, отнюдь не мала. Потому что следующее поколение ИИ может жить не только внутри наших компьютеров. Оно может научиться двигаться за их пределами.

TESLA НЕ ПРЕДПИРАЕТ ГРАВИТАЦИИ. ОНА ИСПОЛЬЗУЕТ СОСАНИЕ, ЧТОБЫ ОСТАТЬСЯ НА ПУТИ. Внимательно посмотрите на этот Roadster. Автомобиль поднимается по огромной петле, переворачивается вверх дном и продолжает двигаться, даже когда его скорость кажется недостаточной, чтобы объяснить то, что мы видим. Так что же на самом деле удерживает его на месте? Не магниты. Секрет находится под автомобилем. Tesla встроила в нижнюю часть Roadster систему всасывания с вентилятором. Вентиляторы откачивают воздух из-под автомобиля, создавая более низкое давление под ним. Разница в давлении помогает прижимать автомобиль к дороге. И вот то, что я считаю особенно интересным. Традиционная аэродинамическая прижимная сила сильно зависит от воздушного потока, создаваемого движением автомобиля. Но система всасывания с вентилятором может генерировать значительную прижимную силу даже на низких скоростях. Это меняет возможности автомобиля. Вместо того чтобы полагаться исключительно на скорость для удержания на дороге, транспортное средство может активно создавать силу, прижимающую его к поверхности. Это разница между автомобилем, которому нужна дорога, чтобы оставаться на месте, и автомобилем, сконструированным так, чтобы самому притягивать себя к ней. Это не победа над гравитацией. Это инженерия, находящая другой способ взаимодействия с ней. И именно это делает эту демонстрацию такой потрясающей.

8 ИИ-агентов вели торговую сессию всю ночь. Счет перешел с $12 155 до $14 853. Но самое интересное — это не число. Самое интересное — что босс этой торговой площадки никогда не открывает сделок. Это новая версия Grok Bot вместе с Jev. И это уже не один бот. Это целая торговая площадка, где каждый агент выполняет свою задачу. CHIEF решает, какой токен выбрать, но сам не торгует. SCAN ищет, что движется. VET проверяет, является ли токен настоящим и какова его структура риска. SOCIAL анализирует аккаунт проекта в X. SIZE определяет объем для вложения. FILLS исполняет сделку. RISK закрывает позицию. CRAWLER сначала читает страницы и посты, и только потом площадка начинает торговать. Прежде чем кто-либо из них действует, запускаются жесткие правила — и они бесплатны. Минимальный возраст токена — 15 минут. Ликвидность от $12 000. Объем за 24 часа от $48 000. Рыночная капитализация от $60 000. Не менее 150 сделок. Крупнейший кошелек содержит не более 5%. Десять крупнейших кошельков содержат не более 60%. Простая арифметика, без каких-либо вызовов ИИ. Затем применяются мягкие фильтры от Jev. Риск выхода из концентрации. Уже ли исчерпан импульс. Соответствует ли ликвидность размеру сделки. Является ли аккаунт разработчика повторно используемым. Держит ли разработчик еще слишком много токенов. Порядок этих фильтров имеет значение. Сначала бесплатные проверки. Затем проверки сделок. Затем проверки цепочки. И только в конце — дорогие. Убить токен бесплатно намного дешевле, чем спрашивать ИИ о каждом из них. Бот также никогда не входит наугад. Он ждет реального потока покупок, и только потом входит. Нет потока — нет входа. Большинство считают, что сильный торговый бот — это просто умная модель. Но одна умная модель допускает ошибки. Система, где каждый шаг отделен и проверен, допускает гораздо меньше ошибок. У нее есть порядок. И у нее есть босс, который только решает и никогда не жадничает. Вот настоящее преимущество. Это не финансовая рекомендация. Прошлые результаты не гарантируют будущих результатов. Кто сейчас играет роль CHIEF в вашей торговле — вы или ваши эмоции?

САМЫЙ ОПАСНЫЙ ИИ-ТОРГОВЫЙ БОТ — ЭТО ТОТ, КОТОРЫЙ ВЫГЛЯДИТ ИДЕАЛЬНО. Растущая кривая прибыли. Чистая аналитика. Система, которая, кажется, точно знает, когда входить и выходить с рынка. Но вот что часто упускают люди. Торговая система не должна быть хорошей, чтобы выглядеть прибыльной. Ей нужно только хорошо выглядеть в условиях, на которых она тестировалась. Измените рынок. Добавьте торговую комиссию. Увеличьте волатильность. Дайте убыточной позиции продолжать убыточную тенденцию дольше, чем ожидалось. Внезапно стратегия, которая казалась блестящей, может начать рушиться. Вот почему я меньше внимания уделяю скриншоту с прибылью и больше — тому, что происходит, когда стратегия перестает работать. Сколько она может потерять? Как она ведет себя под давлением? Сможет ли она выжить на рынке, для которого не была разработана? Потому что зарабатывать деньги в благоприятных условиях — это одно. Выживать в неблагоприятных условиях — это совсем другое. И я считаю, что именно в этом и заключается настоящий вызов для ИИ-торговли. Не в том, чтобы научить машину находить прибыльные сделки. А в том, чтобы научить ее распознавать, когда ее собственная стратегия больше не работает.