10 000 ІШ-агентів вирішили проблему без жодного суперечки. Люди почали сваритися за визнання відразу після оголошення. Спочатку — що відбулося. OpenAI оголосила, що її агенти вирішили одну з найвідоміших проблем сучасної математики. За їхніми даними, на це пішло 88 годин. Близько 10 000 агентів працювали над цією проблемою одночасно. Тепер — що мене найбільше здивувало. Сем Алтман розповів у Стенфорді, як вони взаємодіяли. Не було лідера. Не було суперечок про те, хто що зробив. Жодних конфліктів і боротьби за визнання. Усі просто рухалися до однієї мети. Він сам сказав, що це нічого подібного не бачив у жодній організації, яку може уявити. А потім сталося ось що. Незабаром після оголошення результату між людьми розгорівся спір, хто заслуговує на визнання. Агенти розділили проблему. Люди розділили славу. Тим часом математики пройшли власний шлях протягом п’яти днів. Спочатку була реакція, що це фейк. Потім — що їхня галузь закінчилася. Потім — що так робити не можна. На п’ятий день багато хто сказав інше. Так, один вид їхньої роботи зник. Але більшість з них ніколи не розв’язували проблем на такому рівні. Вони розуміли знання, пояснювали їх людям і вирішували, над чим працювати. Є ще одна ідея Алтмана, яку легко пропустити. Він припускає — і прямо каже, що це чисте припущення — що майже всі організації у світі побудовані за зразком військової структури. Піраміда, командування, контроль. Бо це колись був єдиний відомий спосіб керувати великою кількістю людей. А тут 10 000 агентів зробили це взагалі без піраміди. Уявіть компанію, де працюють лише агенти. Ніхто не ображається на критику. Ніхто не краде ідеї. Ніхто не бореться за кутовий офіс. Звучить ідеально. І саме тому це цікаво: Алтман одразу додає — люди ніколи не працюватимуть так. Бо в нашому несовершенстві є краса. Суперечки, амбіції, емоції. Він не бажає світу без них. І я з ним згоден. Бо тертя між людьми — це не лише витрати. Це й спосіб визначити, що для нас важливо. Коли двоє суперечать за визнання, вони справді сперечаються про те, що для них означає внесок. Машина не ставить такого питання. Вона просто виконує. Отже, головне питання майбутніх років — не те, що може замінити ШІ, а яке тертя ми готові зберегти. Алтман каже, що люди завжди найбільше цінують інших людей. Що нам не дуже цікаво, що робить машина для себе. Що робота має цінність, бо за нею стоїть людина. Здається, це справджується навіть тоді, коли ми сваримося. І можливо саме в цих суперечках ми залишаємося найбільш собою.

Дев’ять років тому Дженнсен Хуанг доставив суперкомп’ютер Елону Маску. Сьогодні він приніс його наступника. І цей момент з’єднує два дуже різні ери обчислень. У 2016 році Дженнсен особисто доставив перший DGX-1 від NVIDIA Елону Маску. На той час Маск був частиною OpenAI. Цей комп’ютер допоміг дослідникам розширити межі штучного інтелекту і став частиною ранньої інфраструктури, що лежала в основі революції ШІ. Дев’ять років потому Дженнсен знову тут. Але на цей раз він несе щось зовсім інше. Знайомтесь: NVIDIA DGX Spark. Компактний настільний суперкомп’ютер на базі архітектури Grace Blackwell. І характеристики вражають. До 1 петафлопа продуктивності ШІ з точністю FP4. 128 ГБ єдиної пам’яті. Potужний суперчіп NVIDIA GB10. І розміри, які дозволяють розмістити його на столі. Для порівняння, оригінальний DGX-1 був великою корпоративною системою. DGX Spark переносить значну потужність обчислень ШІ в пристрій вагою лише 1,2 кг. Але найважливіше — це те, що це робить можливим. Розробники та дослідники можуть запускати моделі ШІ локально, експериментувати з великими мовними моделями, створювати агенти ШІ та доналаштовувати моделі, не залежачи повністю від віддалених центрів обробки даних. NVIDIA стверджує, що один DGX Spark може виконувати інференс моделей до 200 мільярдів параметрів. А кілька систем можна з’єднати разом для обробки ще більших завдань. Під час розмови Дженнсен також підкреслив величезний прогрес у ефективності обчислень, порівнюючи оригінальний DGX-1 з новим поколінням. Потім настав один із найкращих моментів. Дженнсен посміхнувся, що Елон будують речі більші за нього. Елон просто погодився. В кінці кінців, SpaceX будує ракети та масштабну інфраструктуру, тоді як NVIDIA створює обчислювальні системи, що живлять революцію ШІ. І є щось захопливе у тому, щоб бачити ці два світи, що зустрічаються в Starbase, Техас. Одна компанія розширює межі космічних досліджень. Інша — межі штучного інтелекту. Дев’ять років тому Дженнсен доставив суперкомп’ютер, який допоміг розпочати нову главу в історії ШІ. Зараз він приносить цю обчислювальну потужність ближче до окремих розробників. Наступний прорив у ШІ може не прийти з величезного центру обробки даних. Він може початися на столі когось.

БОЖЕ МІЙ. OPENAI ЗРОБИЛА AI-АГЕНТИ ДЕШЕВШИМИ І КРАЩИМИ У ВИКОРИСТАННІ ВАШОГО КОМП’ЮТЕРА. Знайомтесь: GPT 6.1 Terra. Це оновлення стосується чогось набагато більшого, ніж генерація кращих відповідей. OpenAI рухається до чогось набагато кориснішого — реальної виконання роботи. Terra розроблена, щоб розуміти, що відбувається на вашому екрані, взаємодіяти з програмами комп’ютера та виконувати складні послідовності завдань. Подумайте, що це означає. AI може допомогти підготувати пропозиції, інтерпретувати технічні креслення, заповнювати форми, редагувати відео та виконувати повторювану офісну роботу. Замість того щоб пояснювати, як це зробити, він може сам виконати всі необхідні кроки. OpenAI стверджує, що нова модель значно краще справляється з такими завданнями, ніж GPT 5.6 Terra. Але ось частина, яка справді привернула мою увагу — ціна. Стандартна ціна API GPT 6.1 Terra на 50% нижча, ніж у GPT 5.6 Terra. Це має значення, бо AI-агенти можуть робити багато запитів до моделі під час виконання одного робочого процесу. Кожен крок коштує грошей. Читання інформації, аналіз екрана, вирішення, що робити далі, та перевірка результату — все це додається. Зниження витрат робить більш практичним масштабне використання таких систем. OpenAI також повідомляє про значні покращення в кодуванні та візуальному мисленні, а також зменшення кількості фактологічних помилок у внутрішніх оцінках. Ця комбінація важлива. Модель, яка може розуміти завдання, керувати програмним забезпеченням та писати код, стає набагато кориснішою, коли може робити все це швидше й дешевше. Уявіть AI-агентів, які обробляють рахунки, оновлюють електронні таблиці, організовують інформацію про клієнтів або виконують повторювані завдання через кілька додатків. Не просто кажуть вам, що робити. А реально допомагають це зробити. Звичайно, використання комп’ютера — це не те саме, що повна автономність. Складні робочі процеси все ще потребують тестування, дозволів та людського контролю. Але напрямок стає очевидним. Наступна велика боротьба в AI — це не лише те, яка модель краще мислить. Це те, яка модель може надійно перетворити цю інтелектуальну здатність на дію. І зараз OpenAI робить цю здатність дешевшою для використання.

🚨 БОЖЕ МІЙ. ДЖЕНСЕН ХУАН ТОЧНО ТРИМАВ ОДИН ПЕТАФЛОП ШТУЧНОГО ІНТЕЛЕКТУ В ОДНІЙ РУЦІ. І порівняння, яке він зробив, абсолютно дивовижне. У 2016 році Дженсен Хуан доставив систему NVIDIA DGX 1 маленькій компанії під назвою OpenAI. Це був величезний пристрій, створений спеціально для обчислень штучного інтелекту. Він забезпечував один петафлоп обчислювальної потужності і мав 128 ГБ пам’яті. І Дженсен нагадав всім про один деталь. На другий поверх цю машину довелося носити двом людям. Зараз, через десять років, він тримає компактний AI-комп’ютер в одній руці і показує ті самі ключові цифри. Один петафлоп. 128 ГБ пам’яті. Хвилинку подумайте про це. Нову лінійку RTX Spark розробляли протягом чотирьох років у співпраці з Microsoft і цілою індустрією ПК. За словами Дженсена, проект включав новий чіп під назвою N1X і цілу нову сім’ю комп’ютерів — настільні, портативні та робочі станції. Мета — перенести серйозну обчислювальну потужність штучного інтелекту в набагато менший форм-фактор. І саме тут стає цікаво. Роками доступ до потужного AI-обладнання означав залежність від дорогих хмарних інфраструктур або спеціалізованих машин, які були недоступні для більшості окремих розробників. Компактні системи, подібні до цієї, вказують на інший підхід. Уявіть, що ви розробляєте AI-агенти, експериментуєте з моделями та запускаєте вимогливі AI-завдання прямо на своєму столі. Менше залежності від віддалених інфраструктур. Більше контролю над середовищем розробки. І потенційно менші повторювані витрати на хмарні сервіси для завдань, які можна запускати локально. Звичайно, є важлива різниця. Те, що два пристрої мають однаковий пиковий петафлоп, не означає автоматично, що вони забезпечують однакову реальну продуктивність. Важливими є точність обчислень, архітектура пам’яті та тип завантаження. Але фізична трансформація все одно дивовижна. У 2016 році цей клас AI-обчислень мав форму пристрою, який треба було носити двом людям. Зараз Дженсен Хуан може тримати систему з порівнянними ключовими характеристиками в одній руці. Саме це робить це більше, ніж просто запуск нового комп’ютера. AI-обладнання не лише стає потужнішим. Воно стає набагато доступнішим. І наступне покоління розробників AI може не потребувати серверної кімнати, щоб почати.

ЩО, ЯКЩО Б МИ МОГЛИ ПЕРЕТВОРИТИ КВАНТОВИЙ ФОТОННИЙ ПЕРЕКАЗ З 54% ДО 100%? Вчені з TU Wien, можливо, знайшли спосіб. І рішення дивовижно геніальне. Квантові комп’ютери повинні передавати інформацію між кюбітами. Один кюбіт випромінює фотон. Інший повинен його поглинути. Але за традиційних підходів поглинання вдається лише приблизно в 54% випадків. Уявіть, що майже половина спроб передачі інформації втрачається ще до завершення процесу. Зараз дослідники запропонували спосіб змінити це. Ключ — у формі хвилі фотона. Коли кюбіт випромінює фотон, його хвиля зазвичай починається сильною і поступово згасає, подібно до звуку дзвоника. Але отримуючий кюбіт потребує зовсім іншої хвильової форми для ідеального поглинання. Тож дослідники пропонують використовувати спеціально розроблений оптичний хвилевід, щоб змінити форму фотона під час його руху. Контролюючи, як різні частоти рухаються через хвилевід, вони розрахували, що фотон може досягти саме тієї хвильової форми, яка необхідна для оптимального поглинання. Результат? Їх симуляції показують, що поглинання теоретично може досягти 100% за ідеальних умов. І найцікавіше — це пасивний підхід. Замість того щоб покладатися на додатковий активний контроль на приймальному кінці, сам хвилевід виконує роботу з формування фотона. Цей метод ще не був продемонстрований експериментально, але дослідники вважають, що необхідна установка технічно здійсненна. Якщо він працюватиме на практиці, це може зробити квантові комп’ютери та мережі зв’язку набагато надійнішими. Ми часто думаємо, що квантові прориви вимагають абсолютно нового обладнання. Іноді прорив може прийти зі зміною способу, яким подорожує один єдиний фотон. А в квантових обчисленнях ця дрібниця може мати величезний вплив.

ЩО ЦЕ ТАКЕ? ЦЕТ БОТ ВТРАЧАЄ БІЛЬШЕ ПОЛОВИНИ УГОД, АЛЕ ПРИ ЦЬОМУ ЗРОСТАЄ З 1 400 ДОЛ. ДО 22 646 ДОЛ. Подивіться на цю кульку. Це 20 480 можливих ф'ючерсів, які бот тримає в голові одночасно. Сині лінії — це світи, де bitcoin піде вгору. Рожевий і помаранчевий — це світи, де він піде вниз. А тепер про те, як це працює. Бот торгують п'ятиминутними ринками на Polymarket — вгору або вниз щодо Bitcoin. Живі дані з семи потоків надходять всередину. Вони перетворюються на ймовірності, наприклад, 45 відсотків на зростання проти 55 на падіння. Цю ймовірність порівнюють з ціною, за якою ринок продає той самий результат. Різниця між ними називається перевагою. І лише якщо є перевага, бот відкриває угоду. Якщо вона менша за три центи, на екрані з’являється слово PASS, і угоди не відбувається. Ось де приховано головне. Відсоток виграшних угод на панелі — 48 відсотків. Тобто більше половини угод закриваються в мінусі. Але це не проблема. Уявіть, що ви купуєте акцію за 32 центи, яка сплатить долар, якщо ви праві. Вам не потрібно вгадувати частіше, ніж варто. Достатньо, щоб ваша оцінка була точнішою, ніж ринкова ціна. Тоді навіть при втраті більше половини часу математика працює на вас. Це видно на екрані для кожної угоди. Покупка за 32 центи з перевагою +5,3 цента. Покупка за 53 центи з перевагою +6,7 цента. Різні ціни, різні розміри, але одне правило. А внизу — крива приземлення. Це розподіл того, де Bitcoin може закритися наприкінці вікна. Бот пропускає одну точку. Він бачить цілий діапазон можливостей і порівнює їх із ринковою ціною. Вікно на день — 288, і правило завжди одне й те саме. У угодами було виконано 14 222 тикети, середня перевага становила +4,6 цента, а максимальна втрата — 4,2 відсотка. А тепер про те, що мене цікавить у цьому. Більшість людей вважають хорошим трейдером того, хто добре вгадує. А тут бот навіть не намагається. Він думає: Що кожні п'ять хвилин мільйони малих рішень збираються в одну криву, яка зростає не тому, що бот правий, а тому, що правильно бути правим дорожче, ніж помилитися. І це змінює питання. Не наскільки часто ви вгадуєте, а наскільки багато ви заробляєте, коли праві, і наскільки багато втрачаєте, коли не праві. Ось про що все Crawler Arena від CRAWLHIVE. Ви самостійно встановлюєте вердикт, точку входу, тейк-профіт, стоп-лосс і розмір — без коду. І ваш crawler входить у арену і торгують за цими правилами проти всіх інших — з реальними комісіями та реальним прослизанням. Тобто та сама різниця між виграшем і програшем тепер у вашому розпорядженні. Це не фінансова порада. Попередні результати не гарантують майбутніх результатів.

ДЖЕНСЕН ХУАН ПОКАЗАВ 25-сантиметрового робота-качку, яка вчиться рухатися за допомогою агентів ШІ. І цей маленький робот — частина набагато більшої історії. Знайомтесь: Microduck. Це відкритий робототехнічний проект від Hugging Face, а його поведінку навчали у симуляції, перш ніж перенести її на фізичного робота. Качка може вчитися бігати, підніматися з землі та брати об’єкти. Але що робить цю демонстрацію цікавою — так це те, як агенти ШІ допомогли цьому статися. Замість того щоб сприймати робототехніку як один величезний інженерний завдання, процес розбивається на етапи. Створити модель. Налаштувати симуляцію. Навчити поведінку. А потім перенести ці навички у реальний світ. Останній крок — дуже важливий. Робот, який працює у віртуальному середовищі, все ще має стикатися з гравітацією, рівновагою, тертям і непередбачуваністю реальних об’єктів. І саме тут важливим стає бачення NVIDIA щодо фізичної ШІ. ШІ виходить за межі генерації тексту, зображень та коду. Він все частіше використовується разом із інструментами симуляції та робототехніки, щоб допомогти машинам навчитися взаємодіяти з фізичним світом. Качка може бути дуже малою. Але ідея, що стоїть за нею, — ніяк не мала. Бо наступне покоління ШІ може жити не лише всередині наших комп’ютерів. Воно може навчитися рухатися поза ними.

TESLA НЕ ПРОТИВИТЬСЯ ГРАВІТАЦІЇ. ВОНА ВИКОРИСТОВУЄ ВСОС, ЩОБ ЗАЛИШИТИСЯ НА ТРАКТІ. Уважно подивіться на цей Roadster. Автомобіль піднімається по величезному петлі, перевертається догори дном і продовжує рухатися, навіть коли його швидкість не виглядає достатньо високою, щоб пояснити те, що ми бачимо. Отже, що насправді тримає його там? Не магніти. Секрет знаходиться під автомобілем. Tesla вбудувала систему всмоктування з вентилятором у дно Roadster. Вентилятори висмоктують повітря з-під автомобіля, створюючи нижчий тиск під ним. Різниця тиску допомагає тиснути автомобіль до траси. І ось частина, яка мені здається найцікавішою. Традиційна аеродинамічна прижимна сила сильно залежить від повітряного потоку, що генерується рухом автомобіля. Але система всмоктування з вентилятором може створювати значну прижимну силу навіть при низьких швидкостях. Це змінює те, що може робити автомобіль. Замість того, щоб покладатися лише на швидкість, щоб залишитися прикріпленим, транспортний засіб може активно створювати силу, яка тримає його проти поверхні. Це різниця між автомобілем, який потребує дороги, щоб залишитися на місці, і автомобілем, спроектованим так, щоб витягувати себе до неї. Це не перемога над гравітацією. Це інженерія, яка знаходить інший спосіб працювати з нею. І саме це робить цю демонстрацію такою дивовижною.

8 AI-агентів працювали на торговому стільчику цілу ніч. Банк зрос з $12 155 до $14 853. Але найцікавішим не є саме це число. Найцікавіше — те, що бос цього стільчику ніколи не відкриває угод. Це нова версія Grok Bot разом із Jev. І це вже не один бот. Це цілий торговий стільчик, де кожен агент має свою роль. CHIEF вирішує, який токен вибирати, але сам не торгують. SCAN шукає, що рухається. VET перевіряє, чи токен справжній і якою є його структура ризиків. SOCIAL аналізує акаунт проекту в X. SIZE вирішує, скільки вкладати. FILLS виконує угоду. RISK закриває позицію. CRAWLER читає сторінки та пости першими, і лише потім стільчик починає торгувати. Перед тим як будь-хто з них діє, працюють жорсткі правила — і вони не коштують нічого. Мінімальний вік токена — 15 хвилин. Ліквідність від $12 000. Об’єм за 24 години від $48 000. Ринкова капіталізація від $60 000. Щонайменше 150 угод. Найбільший гаманець тримає не більше 5%. Десять найбільших гаманців разом тримають не більше 60%. Проста арифметика, без жодного AI-запиту. Потім — м’які фільтри від Jev. Ризик виходу через концентрацію. Чи вже вичерпано імпульс. Чи відповідає ліквідність розміру угоди. Чи є акаунт проекту переробленим. Чи тримає розробник ще надто багато. І порядок цих фільтрів має значення. Спочатку — безкоштовні перевірки. Потім — перевірки угод. Потім — перевірки ланцюга. І лише наприкінці — дорогі. Заборона токена безкоштовно набагато дешевша, ніж запитувати AI про кожен окремий токен. Бот ніколи не входить на припущення. Він чекає на реальний потік покупок, і лише потім входить. Немає потоку — немає входу. Багато хто думає, що сильний торговий бот — це просто розумна модель. Але одна розумна модель робить помилки. Система, де кожен крок окремий і кожен крок перевіряється, робить набагато менше помилок. Вона має порядок. І вона має боса, який лише приймає рішення і ніколи не стає жадним. Ось справжня перевага. Це не фінансова порада. Попередні результати не гарантують майбутніх результатів. Хто зараз виконує роль CHIEF у вашому трейдингу — ви чи ваші емоції?

НАЙБІЛЬШ НЕБЕЗПЕЧНИЙ ШТУЧНИЙ ІНТЕЛЕКТ ДЛЯ ТОРГІВЛІ — ЦЕ ТИЙ, ЩО ВИГЛЯДАЄ ІДЕАЛЬНО. Зростаюча крива прибутку. Чиста аналітика. Система, яка, здається, точно знає, коли входити та виходити з ринку. Але ось що, на мою думку, часто не помічають люди. Торгова система не повинна бути доброю, щоб виглядати прибутковою. Їй достатньо виглядати добре лише за умов, на яких її тестували. Змініть ринок. Додайте торгову комісію. Збільште волатильність. Дайте втратній позиції тривати довше, ніж очікувалося. Раптово стратегія, яка виглядала блискуче, може почати руйнуватися. Ось чому мені менш цікавий скріншот із прибутком, ніж те, що відбувається, коли стратегія перестає працювати. Скільки вона може втратити? Як вона поводиться під тиском? Чи зможе вона вижити на ринку, для якого не була розроблена? Тому що заробляти гроші в сприятливих умовах — це одне. А вижити в небажаних умовах — це зовсім інше. І я думаю, саме це — справжній виклик для штучного інтелекту в торгівлі. Не навчати машину знаходити прибуткові угоди. А навчати її розпізнавати, коли її власна стратегія більше не працює.