aimodel

Большие языковые модели сталкиваются с архитектурной проблемой, которую индустрия пока не решила окончательно: после обучения знания модели фактически фиксируются, а любая попытка их обновить грозит так называемым «катастрофическим забыванием».
Что такое катастрофическое забывание
В январе 2026 года было опубликовано исследование, позволившее детально проанализировать механизмы этого явления в трансформерных моделях при последовательном обучении. Авторы выявили три ключевых процесса: интерференцию градиентов в весах внимания, дрейф представлений в промежуточных слоях и сглаживание ландшафта потерь. При этом около 15–23% голов внимания подвергаются серьёзному нарушению — особенно в нижних слоях сети. Примечательно, что забывание сильнее проявляется именно тогда, когда новые задачи похожи на уже изученные.
Параллельное исследование того же периода показало, что даже градиентно-свободные методы — в частности, эволюционные стратегии — не спасают от забывания предыдущих способностей. Такие методы показывают сопоставимые результаты на математических задачах и задачах логического вывода, однако вносят более масштабные изменения в веса модели — а значит, сильнее затрагивают уже накопленные знания.
Суть проблемы — в том, что модель оперирует вероятностями, а не фактами. Без доступа к актуальным внешним данным она воспроизводит то, что усвоила в ходе обучения, нередко галлюцинируя при запросах о событиях, произошедших после его завершения.
Поиск как инфраструктурное преимущество
Основной рабочий подход сегодня — генерация с дополнением на основе поиска (Retrieval-Augmented Generation, RAG): модель не обучается заново, а получает доступ к внешним источникам в момент генерации ответа. Это позволяет опираться на актуальные данные, не затрагивая веса сети и не провоцируя забывание. Однако реализовать генерацию на основе поиска на должном уровне могут прежде всего те компании, у которых уже есть собственная поисковая инфраструктура.
Microsoft интегрирует Bing напрямую с Copilot: система формирует суммированные ответы с указанием источников и предлагает направления для дальнейшего изучения темы. Google обеспечивает связку своего поиска с Gemini, давая модели доступ к актуальной информации в реальном времени.
Компании без собственного поиска оказываются в принципиально иной ситуации: им приходится либо использовать сторонние решения, либо строить поисковую инфраструктуру с нуля — включая системы сбора и индексации данных из интернета. Это не только технологическая задача — поиск требует многолетней работы с качеством данных, ранжированием и фильтрацией выдачи. Быстро воспроизвести такое преимущество крайне сложно.
Ученые ищут решение
Ещё в 2023 году было эмпирически подтверждено существование катастрофического забывания при последовательной настройке моделей — эта работа во многом определила направление последующих исследований. В 2026 году появляются стратегии частичного снижения остроты проблемы — O-LoRA, CLAIM, Nested Learning от Google Research, — однако фундаментальное архитектурное ограничение по-прежнему остаётся предметом активного научного внимания.
На этом фоне расстановка сил в индустрии становится всё более очевидной: компании с развитой поисковой инфраструктурой получают структурное преимущество, которое сложно компенсировать одними лишь улучшениями архитектуры моделей. Генерация и интеграция на основе поиска сегодня — это не временный обходной путь, а ключевой элемент конкурентоспособности продуктов искусственного интеллекта. И пока исследователям не удастся решить проблему забывания на уровне самой модели, доступ к качественному поиску останется одним из главных факторов, определяющих, чьи AI-сервисы окажутся точнее и надёжнее.
#AImodel #AI #Write2Earn
$ETH

Криптоплатежная компания MoonPay выпустила виртуальную дебетовую карту, которая позволяет пользователям и AI-агентам тратить стейблкоины напрямую из самостоятельно хранимых онлайн-кошельков в любых точках, принимающих Mastercard, — с конвертацией криптовалюты в фиат в момент оплаты.
Карта разработана совместно с Monavate и Exodus Movement и связывает блокчейн-кошельки с традиционными карточными сетами. Ключевое отличие от обычных решений — отсутствие необходимости заранее пополнять баланс или переводить активы в офчейн: смарт-контракты авторизуют транзакцию прямо в момент покупки. Средства списываются только при подтверждении платежа и немедленно возвращаются в случае отказа.
Карта для людей и алгоритмов
Продукт доступен через интерфейс командной строки MoonPay и рабочие процессы агентов пользователям в Великобритании и странах Латинской Америки. Система изначально ориентирована на программное использование: владелец кошелька может делегировать права на расходование средств AI-агентам. Перед выпуском карты требуется верификация личности.
MoonPay, основанная в 2019 году и базирующаяся в Майами, специализируется на платежной инфраструктуре для перевода средств между фиатом и цифровыми активами. Новая карта стала продолжением курса компании на развитие инструментов для AI-платежей. В марте MoonPay представила открытый стандарт кошелька, позволяющий AI-агентам хранить средства и совершать транзакции в разных блокчейнах из единого кошелька.
Отрасль строит инфраструктуру для платежей AI-агентов
Запуск карты MoonPay вписывается в более широкую тенденцию: крупные игроки криптовалютного и технологического рынка активно создают инфраструктуру для транзакций, которые инициируют не люди, а программные агенты.
Coinbase в 2025 году представила стандарт x402 для стейблкоин-платежей через HTTP, а затем обновила протокол, добавив поддержку тарификации на основе фактического потребления — например, для оплаты запросов к данным и вычислений AI.
Криптобиржа OKX анонсировала протокол, поддерживающий расчеты между агентами, повторяющиеся платежи и транзакции с условным депонированием средств — всё это без участия человека. Visa, в свою очередь, выпустила инструмент командной строки, позволяющий разработчикам инициировать программные платежи через AI-агентов напрямую из кода.
#AI #AImodel #Mastercard #MoonPay #Stablecoins
$USDC $MSTR

Искусственный интеллект(AI) действительно меняет всё — и именно в этом главная угроза: когда технология по-настоящему меняет всё, рынок перестаёт задавать неудобные вопросы.
Нынешний ажиотаж вокруг AI подпитывается не только инновациями. За ним стоит мощная смесь жадности и страха упустить выгоду. Когда эти две силы берут верх, на смену здравому смыслу приходит иррациональное поведение. Это не приговор технологии — это наблюдение за тем, как функционирует рынок. Мы уже проходили через подобное.
Когда стоимость капитала стремится к нулю
Есть верный признак того, что рынок перешёл от воодушевления к иррациональному оптимизму: стоимость капитала приближается к нулю. Когда риск перестают учитывать в цене, исчезает и дисциплина. Вопросы об окупаемости инвестиций, о последствиях возможных сбоев — всё это приносится в жертву в погоне за быстрой выгодой.
Капитал сегодня размещается почти бесконтрольно. Предприниматели усвоили: добавить «AI» к описанию любого продукта — значит открыть многие двери. Корпорации делают масштабные AI-закупки, однако по большей части в рамках R&D — пытаясь понять, что эта технология означает для их бизнеса, прежде чем конкурент опередит их. Параллельно работает механизм рециркуляции: значительная часть доходов AI-компаний поступает от других AI-компаний, покупающих вычислительные мощности и сервисы. Каждый доллар при этом считается за десять.
Это и есть проблема краткосрочного преувеличения. Путь от революционной технологии до устойчивой ценности никогда не бывает прямым — эпоха доткомов это доказала. Мы склонны переоценивать краткосрочный эффект и недооценивать долгосрочный. Сейчас мы находимся именно в фазе переоценки.
Почему барьеры — не теория
Наряду с потоком капитала, вливающегося в AI, существует длинный и по большей части нерешённый перечень реальных препятствий для массового внедрения.
Среди них — рекурсивное загрязнение данных. Большие языковые модели генерируют огромные объёмы контента, который затем используется как обучающий материал для следующего поколения моделей. Ошибки и галлюцинации усиливаются с каждым циклом. Это напоминает многократное копирование копии: качество неуклонно падает, и в итоге невозможно установить, каким был исходный источник. Индустрия уже обращается к синтетическим данным, чтобы компенсировать нехватку качественного человеческого контента, — однако это рискует ускорить деградацию, а не устранить её.
Ещё серьёзнее проблема отравления данных. Злоумышленники могут намеренно искажать обучающую выборку, и однажды внедрённый «яд» остаётся в модели навсегда. Особенно опасен военный сценарий: AI, обученный распознавать своих и чужих на основе скомпрометированных данных, обнаружит скрытую уязвимость лишь в разгар реального конфликта. Задокументировано, что для отравления языковых моделей любого размера достаточно всего 250 вредоносных документов — это делает атаки на обучающие данные не гипотетической угрозой, а вполне актуальной проблемой кибербезопасности.
Отдельная проблема — непрозрачность моделей. AI-вендоры в основном скрывают, что именно находится внутри их систем. Независимо проверить, насколько модель безопасна, объективна и точна, практически невозможно. Вице-президент Cisco Том Гиллис (Tom Gillis) прямо указывает: для чувствительных задач модели следует запускать на собственной инфраструктуре, а не в облаке — потому что никто не знает наверняка, что там происходит.
Пока эти проблемы не будут решены применительно к каждому конкретному сценарию использования, массовое внедрение AI не произойдёт — и не должно происходить — в том масштабе, который рынок закладывает в текущие оценки.
Скорость машин меняет уравнение риска
Главная опасность AI - не в том, что что-то может пойти не так, а в том, как быстро это происходит. Исторически человек в цепочке принятия решений был своеобразным предохранителем — тем, что замедляло процессы достаточно, чтобы в нужный момент включилось суждение. Агентный AI этот предохранитель убирает полностью.
Одни только последствия для наступательных кибератак должны заставить любой совет директоров насторожиться. Прежде экономика сдерживала злоумышленников от автоматизации атак в полном объёме: это попросту было невыгодно. Машинное обучение снимает это ограничение. Когда AI-системы взаимодействуют друг с другом за пределами контролируемой среды и что-то идёт не так на скорости машины — остановить это может оказаться невозможным. Непредвиденные последствия этой технологии, о которых мы ещё даже не начали думать, не будут развиваться медленно.
Что делать инвесторам и советам директоров
Всё это — не аргумент против AI. Ядерная энергия — один из самых мощных и чистых источников энергии из когда-либо созданных. И одновременно — материал для бомб. Технология сама по себе не выбирает. Выбираем мы. Разница — в наличии или отсутствии дисциплины, ограничений и трезвой оценки последствий.
Компании и инвесторы, которые сформируют долгосрочный AI-ландшафт, — не те, кто движется быстрее всех прямо сейчас. А те, кто движется наиболее осознанно. Когда стоимость капитала нормализуется — а это произойдёт — устоят именно те, кто внедрял AI под конкретные задачи, кто выстраивал понимание рисков и доходности до масштабирования. Именно так всегда строились устойчивые компании.
Для советов директоров и управляющих капиталом задача — не притормозить, а сфокусироваться. Задавать вопросы, которые рынок сейчас игнорирует. Разграничивать R&D и производственное развёртывание. Чётко понимать, на каком этапе реально находится организация. Требовать конкретики в сценариях применения: «мы используем AI» — это не стратегия. Учитывать риски в финансовых моделях и повестке советов директоров как приоритетные факторы, а не сноски.
Долгосрочный трансформационный потенциал AI реален — и его по-прежнему недооценивают. Золото существует. Но дисциплина состоит в том, чтобы отличать его от блёстки и иметь терпение, чтобы это различие имело значение.
#AI #AImodel #Write2Earn
$AI $BTC

Искусственный интеллект(AI) стал главной темой деловых обсуждений, однако большинство компаний по-прежнему не могут перейти от экспериментов к реальному внедрению. По данным McKinsey, почти две трети компаний в 2025 году находились лишь на стадии пилотных проектов. Лишь около 6% опрошенных относились к категории «высокоэффективных» — тех, у кого AI уже интегрирован в бизнес-процессы и обеспечивает более 5% прибыли.
Дефицит кадров и отсутствие стратегии
Исследование Boston Consulting Group (BCG) среди 1 400 топ-менеджеров по всему миру показало, что 62% руководителей называют нехватку специалистов и компетенций в области AI главным препятствием для получения реальной отдачи. При этом лишь 6% из них приступили к сколько-нибудь системному обучению сотрудников. Отдельное исследование BCG фиксирует, что только 25% рядовых сотрудников получают от руководства достаточно чёткие указания по использованию AI в работе.
Для малого и среднего бизнеса, особенно в технически сложных отраслях, цифры, вероятно, ещё менее обнадёживающие. Здесь риски неконтролируемого расползания AI по инфраструктуре особенно высоки.
Осторожность как стратегия
Как ни парадоксально, выжидательная позиция оказалась для многих компаний вполне разумной. На раннем этапе инструменты AI обещали впечатляющие результаты, но на практике организации с трудом находили применения, дающие измеримую отдачу. Экспериментальные проекты нередко поглощали значительные ресурсы, так и не выйдя за рамки пилотов. Слабое управление и отсутствие чётких стандартов только усугубляли ситуацию.
Показательны и конкретные провалы. AI-ассистент для программирования компании Replit уничтожил производственную базу данных стартапа SaaStr. Газеты Chicago Sun-Times и Philadelphia Inquirer опубликовали рекомендации по летнему чтению с несуществующими книгами, сгенерированными AI. Подобные случаи — лишь видимая часть череды неудачных инициатив. Однако именно они дают руководителям весомые аргументы для выстраивания более зрелых систем управления AI и отбора действительно проверенных технологий.
Когда AI создаёт ценность
Сегодня картина меняется. Сценарии использования AI с понятной операционной отдачей стали нормой. Прогнозирование потребностей в обслуживании оборудования, автоматический контроль качества, планирование спроса и оптимизация загрузки ресурсов — всё это уже приносит измеримые результаты. По данным IBM, переход от планового технического обслуживания к предиктивному позволяет сократить затраты на 25–30%, поскольку ремонт проводится только тогда, когда данные указывают на реальный износ.
Барьеры для внедрения также снижаются. Облачные платформы, предобученные модели и AI-функции, встроенные непосредственно в привычное программное обеспечение, упрощают технологический переход. В исследовании BCG, посвящённом крупной промышленной компании, отмечается, что инструменты на основе генеративного AI интегрированные непосредственно в процессы закупок, ускорили подготовку документов и правок на 50%, а поиск и извлечение нужной информации — на 50–75%.
Практический подход: с чего начать
Главный принцип — не стремиться стать «компанией AI» , а повышать эффективность уже существующих операций. Стратегия внедрения должна быть ориентирована на создание конкретной ценности, а не на демонстрацию модных инструментов. Для этого можно использовать следующую логику:
Начните с понятных, малорискованных сценариев. Клиентский сервис, внутренний поиск по документам, автоматизация рутинных задач — хорошие точки входа. Параллельно важно выстроить понятные правила: кто за что отвечает, как защищаются данные, как обеспечивается контроль со стороны сотрудников.Высвободите ресурсы. Автоматизация повторяющихся процессов в финансах, HR, закупках, операционных продажах и поддержке клиентов позволяет команде сосредоточиться на задачах, где человеческое суждение действительно важно. Именно здесь AI наиболее быстро окупается.Управляйте рисками осознанно. Правильно выстроенный AI ускоряет принятие решений и снижает вероятность ошибок. Ключевое условие — надёжный контроль над данными, чёткие политики и сохранение человеческого надзора.
Структурное преимущество
В ближайшие годы AI, по всей видимости, станет неотъемлемой частью ключевых операционных систем. Принятие решений будет опираться на данные, а в ряде случаев — частично автоматизировано. Процессы планирования будут всё больше строиться на предиктивных моделях. Как отмечает Forbes, интеграция AI в ключевые бизнес-процессы не просто ускоряет работу — она меняет саму математику бизнеса.
Когда подобные возможности становятся стандартом для целой отрасли, конкурентный эффект приобретает структурный характер. Компании, которые взяли время на осмысленный выбор пути, получают преимущество: они учились на чужих ошибках и теперь могут внедрять те инструменты и подходы, которые действительно соответствуют их бизнес-целям.
#AI #AImodel #Write2Earn
$BTC $AI

Искусственный интеллект(AI) научился замечать рак поджелудочной железы на обычных КТ-снимках — в среднем за полтора года до того, как болезнь обнаружат врачи. Клиника Мэйо (Mayo Clinic) опубликовала в журнале Gut результаты валидации модели REDMOD (Radiomics-based Early Detection Model). На почти 2 000 томограммах, которые радиологи изначально признали нормальными, система выявила 73% случаев рака, диагностированных впоследствии. В среднем искусственный интеллект опережал диагнозы врачей на 16 месяцев.
Как работает модель
REDMOD анализирует сотни количественных характеристик ткани — текстурные и структурные параметры, — улавливая биологические изменения еще до того, как опухоль становится видимой для человека. Около 90% предсказательной силы модели обеспечивают так называемые вейвлет-фильтрованные текстурные признаки (при которой исходный сигнал раскладывается на различные частотные компоненты (масштабы) для удаления шума, сжатия или выделения ключевых особенностей): они точнее отражают нарушения ткани, чем обычные необработанные характеристики .
Система полностью автоматизирована: не требует ручной разметки снимков и долгой подготовки данных. Встроенный порог классификации позволяет настраивать чувствительность без переобучения модели.
Сравнение с врачами
Исследователи протестировали REDMOD на независимой выборке из 493 пациентов и напрямую сравнили результаты с оценками радиологов. Разрыв оказался существенным: на всей выборке чувствительность модели составила 73%, у радиологов — 38,9%. На снимках, сделанных более чем за два года до диагноза, REDMOD выявлял изменения в 68% случаев, тогда как специалисты без AI-подсказки — лишь в 23%.
«Главное, что мешает спасать жизни людей при раке поджелудочной железы — это то, что мы не видим болезнь, пока ее еще можно вылечить. Теперь AI способен распознать характерные признаки рака в нормальной с виду поджелудочной — надежно, на разных аппаратах и в разное время», — объяснил ведущий автор работы, радиолог клиники Мэйо Аджит Гоенка (Ajit Goenka).
Авторы тестировали модель на данных из нескольких клиник, разных томографов и протоколов сканирования — то есть в условиях, максимально близких к реальной практике.
Главная идея разработчиков — встраивать REDMOD в стандартную процедуру расшифровки КТ-снимков, которые пациенты и так делают по другим поводам. В первую очередь речь идет о группах повышенного риска. Один из очевидных примеров — люди с впервые диагностированным диабетом: у них вероятность рака поджелудочной заметно выше среднего.
Контекст для понимания масштаба проблемы: 85% случаев рака поджелудочной железы диагностируют на стадии, когда болезнь уже распространилась, а пятилетняя выживаемость при этом диагнозе остается ниже 15%.
Следующий шаг
Клиника Мэйо уже запускает клиническое исследование AI-PACED, которое должно показать, как интегрировать AI-диагностику в реальную клиническую практику: насколько часты ложные срабатывания, как часто удается выявлять ранние стадии и что это дает пациентам в итоге.
#AI #AImodel #Medicine #Write2Earn
$ETH $AI