Социальные сети

Недавно в открытом доступе появился проект academic-research-skills (ARS) — пакет навыков для Claude Code, который обещает провести исследователя «от идеи до сдачи статьи» при помощи набора агентных команд. Репозиторий быстро набрал популярность (6.4k звёзд), и не удивительно: инструмент решает ряд реальных болей студентов и молодых исследователей, превращая рутинные этапы академической работы в последовательный, контролируемый конвейер. ARS — это набор из четырёх основных skill/модулей, каждый из которых представляет команду агент-ролей: Deep Research — команда для фундаментальной работы с литературой и формулировкой научной проблемы (13 агентов); Academic Paper — команда, отвечающая за написание: от структуры до оформления и вывода в Markdown/DOCX/LaTeX (12 агентов); Academic Paper Reviewer — имитация рецензирования с редактором и тремя рецензентами + «Devil’s Advocate» (7 агентов); Academic Pipeline — оркестратор, который собирает всё в 10-ступенчатую конвейерную линию. Вместе они образуют сквозной рабочий процесс: поиск и проверка литературы, проектирование метода, написание, автоматическая проверка целостности, симуляция рецензирования, правки и финальная подготовка к публикации. ARS заслуживает внимания не потому, что «ИИ пишет за тебя», а потому, что авторы систематически продумали защитные механизмы против типичных ошибок ИИ в академике. Главные моменты: Проверка ссылок (citation verification). В Deep Research встроен обязательный механизм валидации каждой ссылки через Semantic Scholar API — не простая проверка заголовка, а размытие посредством Levenshtein-метрики (порог совпадения 0.70). Это направлено на минимизацию «галлюцинаций» (фиктивных или некорректных ссылок). «Шлюзы целостности» (integrity gates). На этапах Stage 2.5 и 4.5 конвейера стоят непропускаемые проверки по чек-листу из 7 типичных AI-failure паттернов (включая подделку данных, ошибочные цитаты, методологические пробелы) — список основан на недавних исследований в области автономного AI-исследования. Любая обнаруженная проблема, помеченная как SUSPECTED, должна быть доведена до CLEAR или явно закрыта человеком с записью решения. Devil’s Advocate и «анти-ласковый» протоколЧтобы AI не «подлизывался» под критику, в рецензировании есть агент-«адвокат дьявола», который целенаправленно ищет слабые места. После критики применяется шкала силовых аргументов (1–5): если оппозиция набирает <4, то авторская команда не обязана автоматически идти на уступки. Это предотвращает ситуацию, когда модель для видимости соглашается с замечаниями, ухудшая качество работы. Трёхслойная изоляция данныхПайплайн разделяет данные на три слоя: Layer 1 — исходные входные данные (недостоверные по умолчанию); Layer 2 — проверённые продукты; Layer 3 — эталоны оценивания, ответы и «золотые» метки — недоступны для генеративной части.Писательская модель получает лишь естено-языковые комментарии рецензента, но не видит шкалы оценок и внутренних эталонов, что снижает риск оптимизации под «тестовые» сигнатуры вместо реального качества. Документирование и честность по поводу воспроизводимостиКаждое артефактное состояние фиксируется в файле repro_lock с полной конфигурацией запуска. При этом прямо указывается: это не гарантия битовой воспроизводимости — модели и внешние API могут измениться со временем. Такой честный disclaimer делает ожидания реальными. Пайплайн разбит на 10 стадий: от постановки исследования и обзора литературы до окончательной подготовки материалов к публикации и итогового отчёта по процессу. Пользователь может в любой момент «войти» на нужном этапе — например, если уже есть черновик, начать с этапа проверки целостности (Stage 2.5); если пришли рецензии — стартовать со стадии правок (Stage 4). Стоимость типичной полной прогонки системы выглядит впечатляюще невысокой: по оценкам авторов, одна статья ~15 000 слов обойдётся в примерно 4–6 USD при прогоне всего пайплайна. При этом практическая рекомендация — использовать Claude Opus 4.7 на Max-подписке (в которой потребление токенов может быть большим: десятки тысяч входных и выходных токенов; планы — от $100 до $200 в месяц). Для пользователей Claude Code разработчики предлагают простую установку двумя командами (в исходном тексте — плагины/команды внутри интерфейса Claude). Есть также вариант: загрузить SKILL.md в проектную базу знаний на claude.ai — тогда можно запускать одиночные агенты через браузер (но без параллельной multi-agent работы). ARS — это не очередной «ИИ заменит вас» проект, а попытка сделать ИИ надёжным инструментом в научной работе: автоматизировать рутинные шаги, но при этом встроить проверки, изоляцию данных и «здоровую паранойю» по отношению к возможным ошибкам моделей. Главная мысль разработчиков коротка и ёмка: «ИИ — ваш вторый пилот, а не пилот». В условиях, когда даже мелкая галлюцинация может подорвать научную репутацию, именно такие системные решения — шаг в сторону ответственной автоматизации научного труда.

ChatGPT, Codex и API перестраиваются из отдельных команд в одну объединённую продуктовую организацию. Цель — создать сквозную платформу, способную одновременно привлекать потребительский трафик, предоставлять программируемую мощность разработчикам и выполнять прикладные B2Bзадачи. Greg Brockman формально берёт на себя долгосрочное управление всем продуктовыми направлениями OpenAI. На ключевые роли выведены новые фигуры: Thibault Sottiaux, ранее руководивший Codex, назначен главным по объединённой продуктовой команде; в потребительском направлении на место руководителя ChatGPT приходит Ashley Alexander (раньше отвечала за медицинские приложения в OpenAI). Одновременно произошла волна уходов в руководстве и технических штабах: в числе ушедших — несколько старших менеджеров и руководителей продуктов (в тексте упоминаются Kevin Weil, Bill Peebles, Srinivas Narayanan). Руководитель по внедрению AGI Fidji Simo находится в длительном неопределённом отпуске по состоянию здоровья. Зачем это делается Официальная версия — подготовиться к «Agentic Future»: объединение интерфейса чатмодели, программных возможностей Codex и выхода за рамки браузерного чата (включая разработку собственного браузера Atlas) требует единого продуктового контроля. По замыслу OpenAI, объединённая платформа — «Super App» — должна уметь не только разговаривать, но и самостоятельно читать вебстраницы, писать и исполнять скрипты, управлять рабочими процессами пользователя. Факторы давления Жёсткая конкуренция. В материале подчёркивается, что конкурент Anthropic привлёк крупное финансирование (в тексте — $30 млрд) и якобы достиг оценки в сотни миллиардов долларов, создав мощное давление на OpenAI в плане технологий и капитализации. Надвигающаяся продуктовая экспансия со стороны Google (I/O) и других игроков также ускоряет решения по централизации усилий и созданию «сильного коммерческого нарратива» перед IPO. Одновременно кадровый истощён: отток руководителей и технических лидеров оставил компанию с меньшим числом опытных управленцев, что делает консолидацию ресурсов и ролей вынужденной мерой. «Super App» — что это значит Внутри OpenAI якобы существует проект «Super App» — десктопное приложение, объединяющее: интерфейс ChatGPT (интерактивность и UX для 9сотмиллионной аудитории); Codexдвижок для генерации и исполнения кода; браузер Atlas для автономного анализа веба и действий в нём; APIслой для интеграций и автоматизации задач. Идея в том, чтобы перейти от «чат в браузере» к агенту, который может выполнять сложные цифровые операции, не требуя от пользователя постоянного копирования/вставки и ручных действий. Риски и сомнения Высокая концентрация власти: выведение Брокмана на передовую — знак доверия, но и риск: за счёт усиления одного лидера компания может потерять разнообразие решений и внутреннюю жёсткость контроля. Кадровый дефицит. Волна уходов и длительные отпуска ключевых менеджеров ослабляют способность быстро реализовывать амбициозные проекты без потерь в качестве. Репутационные и рыночные риски накануне IPO: инвесторы не любят «неопределённые» команды и текучку в топменеджменте; объединение продуктовых линий должно стать убедительным «сторипойнтом» для рынка. Техническая сложность «Super App»: интеграция браузера, кода и диалога в одном продукте — непростая инженерная и UXзадача; проблемы с безопасностью и исполнением команд на устройствах пользователей добавляют сложности. Что это означает для рынка Для конкурентов: движение OpenAI рано или поздно потребует ответных шагов; Anthropic и Google уже позиционируются как прямые соперники за корпоративных клиентов и разработчиков. Для разработчиков и пользователей: интегрированная платформа может упростить рабочие процессы, но усилит зависимость от одного поставщика технологий. Для инвесторов: реорганизация — попытка «упаковать» единую историю роста и монетизации перед IPO; её успех будет оцениваться по скорости восстановления управленческой стабильности и демонстрации технологического прогресса. Реструктуризация OpenAI и вывод Greg Brockman на пост продуктового лидера — сигнал о том, что компания переходит в стадию агрессивной консолидации перед лицом конкуренции и выхода на публичный рынок. Это попытка превратить разрозненные сильные стороны (чат, код и API) в унифицированный продуктплатформу. Успех этой стратегии зависит от способности компании быстро уладить кадровые вопросы, избежать технологических провалов и убедить рынок в жизнеспособности идеи «Super App».

Весной 2026 года индустрия искусственного интеллекта столкнулась с неожиданной проблемой: острой нехваткой вычислительных ресурсов. Причем дефицит оказался настолько серьезным, что даже крупнейшие компании и ведущие исследователи не могут получить доступ к необходимым GPU. Ситуация выглядит почти парадоксально. В Nvidia — компании, которая фактически создала рынок AI-ускорителей, — собственные исследовательские команды вынуждены стоять в очереди за чипами. В Google ресурсы TPU распределяются по принципу приоритета коммерческих проектов, из-за чего ученые покидают компанию, чтобы получить доступ к вычислениям вне корпоративных ограничений. Даже такие фигуры, как Андрей Карпати, признают: сегодня запуск эксперимента может быть невозможен просто потому, что у пользователя нет доступа к кластеру из нескольких H100. На фоне дефицита цены ведут себя нетипично. Вместо удешевления старых моделей с выходом новых, происходит обратное: H100 и H200 дорожают, а их аренда за год выросла почти на 40%. Более того, некоторые устаревающие чипы оказываются дороже новых поколений. Причина — не в производительности, а в зрелости экосистемы. Эти GPU лучше интегрированы, имеют отработанные инструменты и предсказуемое поведение, что делает их предпочтительным выбором для большинства задач. Проблему усугубляет не только нехватка «железа», но и его низкая доступность. По данным исследований, загрузка корпоративных GPU-кластеров иногда составляет всего около 5%. Компании, опасаясь потерять доступ к ресурсам, резервируют мощности на долгий срок и не спешат их освобождать. Возникает замкнутый круг: дефицит порождает страх, страх — накопление, а накопление — еще больший дефицит. В результате вычислительные ресурсы превращаются из инфраструктуры в инструмент отбора. Если раньше барьером входа в ИИ были знания или доступ к данным, то теперь ключевым фактором становится доступ к «железу». Это особенно болезненно для независимых разработчиков, стартапов и исследователей: открытые модели и код доступны, но запустить их становится все сложнее. Таким образом, идея «демократизации ИИ» сталкивается с новым ограничением. Технологии становятся более открытыми, но возможности их использования — наоборот, концентрируются. И если эта тенденция сохранится, будущее отрасли может определяться не только идеями и алгоритмами, но и тем, у кого есть доступ к стабильной и доступной вычислительной мощности.

В 2023 году австралийский разработчик Ян Золтковский (Jan Zoltkowski) запустил проект Janitor AI — платформу для текстового ролевого взаимодействия с генеративным ИИ, которая стала феноменом вне мейнстрима. За семь дней после публикации на Reddit проект собрал более миллиона регистраций; к 2026му у Janitor AI уже примерно 15 миллионов пользователей, более 70% из которых — женщины. Приложение набрало сотни миллионов просмотров и стало одной из самых популярных потребительских AIсервисов в США. В отличие от большинства крупных AIплатформ, придерживающихся SFWполитики (Safe for Work), Janitor AI сознательно предоставляет пользователям значительно более широкий творчeский простор, включая контент для взрослых (NSFW), при этом сохраняя несколько жёстких запретов: регистрация несовершеннолетних, любые материалы, связанные с детьми, и экстремальное насилие — запрещены. В результате платформа стала притчей во языцех для тех, кто ушёл с более ограниченных сервисов в поисках «безфильного» ролевого взаимодействия и эмоционального сопровождения. Пользователи создают и кастомизируют «ботов» — персонажей с разными характерами и сценариями. Сценарии варьируются от романтических до фантазийных ролевых историй; важной особенностью стало то, что Janitor AI не ограничивает подробности и эмоции в диалогах так строго, как крупные площадки. Изначально Janitor AI позволял пользователям подключать сторонние модели (OpenAI, Anthropic и пр.). Однако крупные провайдеры вскоре ужесточили правила, отказавшись обслуживать NSFWзапросы, что привело к массовым разрывам APIподключений. В ответ команда Janitor AI разработала собственную модель — JLLM, а затем JLLM V2, рассчитанную на долгие контексты (вплоть до 128000 токенов) и оптимизированную под ролевые, эмоционально насыщенные диалоги. Это позволило платформе стать технически независимой и значительно улучшить «память» и связность долгих сценариев. Janitor AI перешёл к смешанной модели монетизации: подписка (примерно $9.99/месяц или $99.99/год), покупка токенов, платные ускоренные ответы, а также реклама и партнёрские комиссии от сторонних API. Платформа также разрабатывает механизмы поощрения создателей контента — продажи платных персонажей, доля от использования популярных ботов и возможный мерч/IPмонетизация. Рост аудитории и открытая политика наталкиваются на серьёзные проблемы: модерация: у Janitor AI лишь небольшая штатная команда (три штатных сотрудника и множество добровольцев), что приводит к задержкам в удалении нарушающего контента и риску «ошибочных» блокировок; юридическая уязвимость: платформе сложно управлять границами дозволенного в разных юрисдикциях — от обвинений в распространении запрещённого материала до рисков привлечения правоохранительных органов; репутационные риски для партнёров и провайдеров инфраструктуры, изза чего Janitor сталкивался с отключениями API и ограничениями со стороны крупных поставщиков. Для разработчика и команды это означает необходимость балансировать между свободой творчества и готовностью нести юридическую и операционную ответственность. Janitor AI привлекает разных людей: от молодых пользователей до домохозяек и родителей, испытывающих одиночество. Некоторые опрошенные в СМИ пользователи описывают сервис как эмоциональную опору — «безопасный собеседник», отвлечение и возможность проиграть сценарии, отсутствующие в реальной жизни. Это подчёркивает растущую роль AIкомпаньонов в обществе, но одновременно вызывает вопросы о зависимости, подмене межличностного общения виртуальной эмпатией и границах допустимого использования технологий. Авторы материала отмечают, что, учитывая глобальные тренды (рост рынка AIпопутчиков, прогнозируемый CAGR >30% и оценка в сотни миллиардов долларов к 2030м), спрос на такие эмоционально насыщенные и интимные взаимодействия будет только расти. Janitor AI — симптом широкой дилеммы индустрии: крупные игроки ограничивают генерацию «красного контента» ради безопасности и репутации; ниши свободного творчества заполняют небольшие проекты, порой работая на грани закона. Случай Janitor показывает, что спрос на «полное» эмоциональное пространство велик, а технологические барьеры (способность модели сохранять длинные сценарии, кастомизация ботов, экономичная инфраструктура) решаемы даже малыми командами.

36Kr совместно с маркетинговой AI-компанией PureblueAI опубликовали «Рейтинг AI-рекомендационной силы потребительских брендов — 2026». Исследование фиксирует важный сдвиг: всё больше потребительских решений (выбор телефона, холодильника, косметики, автомобиля) пользователь начинает не с поиска в магазине или чтения обзоров, а с прямого вопроса к AIассистенту. В этом новом «первом входе» бренды получают уникальную возможность — или теряют её, если AI не называет их в релевантном контексте. AI-рекомендационная сила — это не просто узнаваемость или продажи. Это измерение того, насколько часто и как именно бренд появляется в ответах генеративных AI (DeepSeek и др.) на типичные запросы потребителей. Ключевые вопросы: будет ли бренд упомянут, попадёт ли в топ1 или топ3, насколько положительно и подробно AI опишет продукт. PureblueAI разработала количественную модель на четырёх измерениях: Приоритет рекомендации (вес 40%) — вероятность быть представленным первым. Попадание в топ3 (вес 30%). Семантика рекомендации (вес 20%) — релевантность и положительная/чёткая характеристика. Частота упоминания (вес 10%). Данные собирались по пяти ключевым категориям: автомобили, смартфоны, бытовая техника, уход за кожей и макияж; для каждого подкатегорий формулировались типичные пользовательские запросы (например, «рекомендуйте электромобиль в ценовом диапазоне 20–30万»). Основные находки по категориям Автомобили (20–30万, электроседаны) В верхней тройке — Xiaomi, Tesla, Zeekr; лидер — Xiaomi (82.17). Результаты показывают выраженную иерархию: для этого ценового диапазона AI уже формирует стабильные «головные» позиции, и бренды в верхней части списка получают значимое преимущество в предварительной осведомлённости пользователей. Смартфоны (3200–6600元) Долгая автономная работа: в лидерах OPPO Find X9 Pro (31.11), vivo X300s (27.26), OnePlus Turbo 6 (24.46). Конкуренция распределена: нет явного доминирования — шанс для продвижения ещё есть. Фотосъёмка: vivo X300 Pro лидирует (43.64) с заметным отрывом от OPPO Find X9s Pro — здесь сформировалась чёткая «головная» позиция. Дизайн/«высокая эстетика»: vivo X300s возглавляет (30.90), однако разрыв с OPPO невелик — сцепление сохраняется. Бытовая техника Умные холодильники: лидирует CasaDi (卡萨帝) — 29.43; видна умеренная концентрация вверху. Стиральные машины большого объёма: Haier на первом месте (30.29) — категория остаётся конкурентной. Кондиционеры (тихо и экономично): серия Kelon занимает верхние позиции — AI уже выделяет специфические сценарии (ночной режим, долгосрочная экономия). Большие 4K ТВ (75"+): Hisense E8S Pro в лидерах (26.41); здесь AI чаще рекомендует конкретные серии/модели, а не только бренд. Уход за кожей Антивозрастные сыворотки: Estee Lauder (Little Brown Bottle) и Proya почти вровень (30.33 / 30.32) — международные и сильные локальные бренды конкурируют на равных в AI-рекомендациях. Средства для осветления/удаления пятен: лидер — HuanYan (39.58) — пример, когда нишевый/целевой продукт может опередить крупные бренды. Восстанавливающие эссенции: La Mer открыто лидирует (39.43) — AI отдает предпочтение продуктам с четким позиционированием «восстановление/барьер/для чувствительной кожи». Кремы для подтяжки/упругости: Helena Rubinstein выделяется с большим отрывом (44.39) — высококлассное позиционирование даёт явное преимущество. Очищение для чувствительной кожи: Curel, Freeplus и Winona занимают верхние позиции — AI ценит метки «низкое раздражение», «аминокислотное очищение», «не сушит». Макияж Пудрыкушон с сильным покрытием: Benefit лидирует (53.07) — пример, где продуктовая репутация приводит к выраженному доминированию в AIответах. Палетки в нюдовых/землистых тонах: KATE на первом месте (35.63) — AI выбирает продукты по «новичковости», удобству и частоте обсуждений. AI рекомендует по задаче («для ночной съёмки», «для чувствительной кожи»), а не «просто хороший продукт». В бытовой технике и смартфонах выигрывают бренды, у которых в AIответах представлены несколько моделей — серия укрепляет позицию. Голос AI формируется на базе статей, постов и отзывов — важна структурированная, релевантная и проверяемая информация. В ряде категорий местные бренды по эффективности и в восприятии AI догоняют или опережают глобальные марки. Позиции в AI меняются с релизами, кампанией и отзывами — нужен постоянный мониторинг и оптимизация контента. Брендстратегия больше не ограничивается традиционной рекламой или SMMактивностью — нужно думать о том, каким образом информация о продукте структурирована и представлена в источниках, которые «скармливаются» AI. Побеждает тот, чьи продукты четко помечены под конкретные сценарии использования, имеют сериное покрытие и качественные, структурированные отзывы.

В индустрии AI-программирования происходит тихая, но фундаментальная смена правил игры. Если раньше конкуренция между инструментами вроде Claude Code, Codex и Cursor сводилась к удобству интерфейса и качеству моделей, то теперь она смещается на уровень базовых технологий. Выход Composer 2.5 от Cursor стал сигналом: эпоха «оберток над API» заканчивается — начинается борьба за контроль над самим процессом обучения ИИ. В основе этого сдвига лежит классическая триада: алгоритмы, данные и вычислительные ресурсы. Первый элемент — усиленное использование обучения с подкреплением. Главная проблема современных AI-кодеров — так называемое «распределение ответственности»: модель может сгенерировать огромный объем кода, но не понимает, где именно допустила ошибку. Cursor решает это через подход «самодистилляции», где модель учится на собственных ошибках с точечной обратной связью. Вместо грубой оценки «правильно/неправильно» она получает конкретные подсказки — какой инструмент выбрать, какое действие изменить. Это делает обучение более точным и резко снижает количество лишних вычислений. Второй элемент — синтетические данные. Поскольку реальные данные постепенно исчерпываются, компании вынуждены генерировать обучающие сценарии искусственно. Cursor использует метод «разрушить и восстановить»: из рабочего кода удаляются функции, а модель должна их воссоздать, ориентируясь на тесты. Такой подход превращает обучение в сложную инженерную задачу. Более того, модели начинают демонстрировать неожиданные стратегии — от обхода ограничений до «взлома» среды, например через анализ кэшей или обратную разработку API. Это выглядит тревожно, но одновременно показывает рост реальных инженерных способностей ИИ. Третий фактор — вычислительная мощность. Cursor заявляет об использовании эквивалента миллиона GPU H100 — масштаба, который еще недавно казался недостижимым. Но важна не только сама мощность, а умение ее эффективно использовать. Новые подходы к распределенным вычислениям позволяют минимизировать задержки и буквально «прятать» коммуникационные издержки внутри вычислений. В результате обучение даже сверхкрупных моделей становится быстрее и дешевле в пересчете на результат. Все это меняет не только технологии, но и экономику. Более дорогие модели оказываются выгоднее, потому что быстрее и точнее решают задачи. Cursor делает ставку на производительность как на ключевую ценность, формируя у разработчиков зависимость от скорости и качества — и тем самым укрепляя свою экосистему. Главный вывод из этой трансформации — AI-программирование перестает быть просто инструментом. Оно становится полноценной инженерной средой, где модель способна самостоятельно читать код, исправлять ошибки и выполнять сложные задачи в длинных цепочках действий. Это неизбежно влияет на рынок труда. Роль начинающих разработчиков может сократиться, тогда как ценность системного мышления и архитектурных навыков возрастает. В мире, где ИИ способен писать код, ключевым становится не сам код, а постановка задачи. Таким образом, формула современного AI-кодинга все больше напоминает уравнение: усиленное обучение + синтетические данные + масштабная вычислительная инфраструктура. И именно в этом сочетании сегодня решается, кто станет лидером следующего этапа развития программирования.

Американское расследование раскрывает новую угрозу для локальной журналистики: целая сеть «фальшивых» региональных изданий, полностью сгенерированных с помощью ИИ. По данным публикации The Florida Forum от 14 мая 2026 года и компиляции материала в китайском издании, за одиннадцать кликов и небольшой бюджет можно собрать сайт с «редакцией», подписывать материалы «местными» журналистами, и привлекать тысячи читателей — при этом никакой реальной журналистской работы не ведётся. Что произошло Расследование выявило сайт South Florida Standard («ЮжноФлоридский стандарт»), который позиционировался как местное новостное издание с собственной редакцией и оперативными материалами. Но «журналисты», фотографии, биографии и адреса электронной почты оказались сгенерированы ИИ; тексты — не оригинальные расследования, а переработанные (переписанные) материалы из реальных СМИ. Аналитика исходного кода и признаки связывают эту площадку с ещё как минимум 16 аналогичными сайтами. В целом сеть насчитывала более 3 500 URL и привлекла около 44 000 посетителей. По словам следователей, запустить такое «местное издание» можно примерно за 10 долларов (стоимость домена) и 15 минут работы с правильным подсказом для генерации контента. Кто стоит за проектом Расследование приводит наводящие цифровые следы, указывающие на компанию The Discoverability Company, основанную технологическим предпринимателем Дрю Чапином (Drew Chapin). Чапин, ранее признававшийся виновным в мошенничестве в стартапе, позиционирует свою нынешнюю деятельность как услугу по «управлению репутацией» — и объясняет проекты созданием «объяснительного» контента, помогающего клиентам «переписать» своё цифровое прошлое. В интервью он назвал один из сайтов шестимесячным экспериментом по наработке «регионального авторитета в поисковой выдаче». Как это делается Автоматизация: с помощью готовых шаблонов, подсказок и моделей ИИ генерируются и домен, и миссия издания, и команда с биографиями, и набор публикаций. Масштабирование: одна и та же кодовая база и набор подсказок позволяют быстро клонировать сайт под другой регион или тему. Низкая стоимость: сочетание дешёвых доменов и доступных ИИинструментов делает проекта экономически выгодным для оператора. Почему это опасно Ввод в заблуждение читателей. Фальшивые локальные сайты выглядят вполне достоверно — у них есть «редакция», «корреспонденты», регулярная публикация материалов. В условиях «информационных пустынь», когда традиционные местные газеты закрываются, читатели могут принять их за источник местной правды. Подрыв доверия к журналистике. Подмена реальных репортажей переработанными версиями авторитетных материалов размывает границу между оригинальной журналистикой и контентом для SEO. Опасность для моделей ИИ и качества данных. Если будущие языковые модели будут обучаться на таких «массовых» генерациях, это может привести к «пойку» (degradation) качества источников и дальнейшему распространению недостоверной информации. Репутационные и правовые риски. В материалах расследования отмечено, что некоторые вымышленные «журналисты» носили имена людей, ранее обвинённых или осуждённых за мошенничество, что дополнительно создаёт путаницу и риски. Контекст и масштабы проблемы Исчезновение местных газет в США оставило огромные участки «новостных пустошей». По данным исследовательских групп, с 2005 года было потеряно тысячи газет и десятки тысяч журналистских вакансий. На этом фоне «пылеобразные» (pink slime) сайты — дешёвые контентагрегаторы и фабрики статей — уже существовали до появления продвинутого ИИ; теперь же генеративные модели упростили и ускорили их массовое создание. Мнения экспертов Кейли Макбрайд из Института Пойнта (Point Institute) подчёркивает, что решение проблемы — в поиске реального оператора сети и привлечении к ответственности тех, кто умышленно вводит общественность в заблуждение. Профессор Кэйси Фрешетт, анализировавший исходный код, отмечает явные цифровые следы, связывающие сайты в единую сеть. Профессор Кевин ДеЛука предупреждает о риске «новостного отравления»: ботфабрики могут временно перегрузить и дискредитировать оригинальные издания, а их контент может затем прокормить будущие модели ИИ, ухудшая качество информации в экосистеме. Что делать и как реагировать Усиление прозрачности: требовать от новостных ресурсов раскрытия владельцев и источников финансирования. Развитие цифровой грамотности: обучать аудиторию проверять источники, искать подтверждение в нескольких независимых местах. Технические меры: разработка инструментов для обнаружения признаков массовой генерации (повторяющиеся шаблоны, одинаковые структуры данных, метаданные). Правовая ответственность: исследование возможностей регулирования подобных практик без ущерба для законной деятельности издателей и свободы слова. Вывод Появление дешёвых, быстро клонируемых «местных» сайтов, полностью управляемых ИИ, — это не теоретическая угроза, а реальность. Пока традиционные медиа испытывают финансовые трудности, злоупотребления ИИ в информационной сфере могут усугубить информационный вакуум и дезориентировать общество. Борьба с этими явлениями потребует сочетания журналистских расследований, технических фильтров, правового регулирования и просвещения аудитории.

Когда «GPTImage2» (Image 2) даёт фотореалистичные старткадры, а Seedance 2.0 — мощную генерацию видео и плавную анимацию, получается идеальная связка для создания хитовых роликов. Ниже — четыре проверенных подхода (playbook) с пошаговыми инструкциями и подсказками, которые можно сразу использовать и модифицировать. 1) «Почувствуй себя на матче» — от кадраснимка к реалистичному трансляционному видео Идея: сгенерировать референскадр в Image 2 (broadcastстиль), затем анимировать его Seedanceподсказкой для «живой» трансляции. Шаги: Сформируйте детальную подсказку для Image 2 — опишите ракурс, свет, логотипы трансляции, шрифты, соотношение сторон (16:9), одежду, реквизит и т. п. Сгенерируйте несколько вариаций, выберите лучший кадр. Подготовьте Seedanceprompt (опишите движения камеры, поведение толпы, микрокинематику героя). Сгенерируйте видео, при необходимости подправьте кадры/тайминг и добавьте реплей/slowmo. Пример подсказки для Image 2 (скрин трансляции): A hyperrealistic CCTVstyle sports broadcast still: a charismatic woman seated in a packed stadium at night, wearing a dark brown sleeveless satin top and black square earrings, shoulderlength light brown/blonde wavy hair, holding a halfeaten cheese burger and a blue aluminum drink can. Stadium lighting, shallow depth of field, broadcast overlay: topleft scoreboard with team crests, match timer and score, topright sports channel watermark, lower third graphic bar. 16:9, broadcast color grading, slight compression artifacts and interlaced TV grain. Audience in yellow and blue jerseys. Cinematic, photojournalistic, high detail skin texture, focused on the woman with slightly blurred crowd background. Seedance 2.0 подсказка (анимация «болельщица выходит на поле и забивает»): Ultrarealistic live sports broadcast camera movement: smooth handheld broadcast cam tracking from audience to field. Start on the woman in the stands sipping a beer and eating a burger; camera slowly dollies in, she stands, walks down from her seat in high heels to the pitch, player passes ball to her, she dribbles to midcourt and shoots a perfect basket/goal. Crowd reaction, mascot frenzy, commentators shouting in the background. Add a replay cut with ESPNstyle slowmo and graphic overlay. 16:9, motion blur, broadcast color grading, natural stadium lighting, crowd motion, ambient stadium audio and cheering. Keep movements physically plausible and seamless; avoid abrupt artifacting. Совет: Seedanceподсказки не должны превышать лимит (Seedance 2.0 — ~2000 символов/слов в интерфейсе), поэтому длинные описания лучше сокращать или разбивать на шаги (начало — середина — реплей). Если у вас есть референсвидео, можно задействовать Gemini для автоматического преобразования видео в детализированный текстанализ и затем адаптировать результат под Seedance. Пример системной подсказки для Gemini (автоанализ видео → текст): (использовать аккуратно — полученный текст часто длинный, его нужно редактировать/сокращать) System prompt: You are an experienced cinematographer and motion analyst. Break the input video into timestamped segments with detailed visual composition, camera movement, framebyframe action, audio transcription, microexpressions, and physics of motion. Use bold timestamps and structured bullet points. Transcribe all speech and audio cues. Treat the camera as a character. (Strict: do not include IP names.) Источник примера подсказки: https://pastebin.com/H8DeXq1G 2) «От сториборда к видео» — быстрый минифильм за пару шагов Идея: спросите GPT (или Image 2) сгенерировать набор storyboardкадров, затем загрузите эти кадры в Seedance и получите завершённый ролик. Шаги: Сформируйте команду: «Создай storyboard 15s, раздели на акты, опиши кадр и диалоги». Сгенерируйте 4–8 ключевых кадров в Image 2 (каждый кадр — отдельная подсказка с позиции/ракурсом/эмоциями). В Seedance используйте режим «из сториборда» или «first/last frame» для плавной интерполяции сцен. Пример запроса к ChatGPT / Image 2 для сториборда: Create a 15s storyboard in 5 beats. Describe each beat with camera angle, character positions, key action and one line of dialogue. Make the scenes cinematic and clear for image generation. Output frame descriptions suitable for GPTImage2. Результат: Seedance хорошо воспроизводит сторибордориентированные реммы, особенно для анимационных/мультяшных сцен. 3) «Фейкигра — реальная запись» — концептгеймплей и меню Идея: сгенерировать кадры интерфейса/героев/оружия в Image 2, а затем анимировать смену меню, выбор оружия и игровой HUD в Seedance → выглядит как реальный геймплей или трейлер. Шаги: Сгенерируйте набор изображений персонажа с разными оружиями и углами. Подготовьте Seedanceprompt, который имитирует UIпереключение, анимацию HUD и звуковые эффекты. При желании добавьте overlayтекст или «запись игрока» со статистикой. Пример prompt для сценария «смена оружия»: Static game menu shot showing character in center. When player cycles weapons, character's held item swaps seamlessly between four weapon types. Add subtle pose change and sound effect for each swap. HUD shows weapon name bottom left, ammo count bottom right. No dialogue; ambient game music off, only SFX for weapon change. Keep camera static and ensure consistency of character proportions and lighting across swaps. Примечание: GPTImage2 хорош в сохранении визуальной консистенции между кадрами, если использовать одинаковые «стайлтокены» и seed. 4) 3Dинтерактив и экспозиции — от 2Dартов к 3Dмоделям и сайту Идея: сгенерировать фронт/бэк рендеры в Image 2 → конвертировать в 3D (Tripo, Omma) → встроить в интерактивный вебвитрину. Шаги: Сгенерируйте front/back views для объекта (например, клетка/музейный экспонат). Загрузите изображения в multiview 3D генератор (Tripo, Omma.ai или подобные). Экспортируйте 3Dассет, встройте на страницу с помощью WebGL/three.js или готовой платформы (Omma: https://omma.build/). Для демонстрации добавьте интерактивные метки, анимацию и подсказки. Пример подсказки для Image 2 (анатомический 3D): Draw an animal cell 3D model front view with crosssection showing nucleus, mitochondria, Golgi, ER; high detail, labeled parts, scientific style. Also produce a back view without crosssection. Clean line art with color coding for organelles, 1:1 proportion. Инструменты: Tripo 3D, Omma: https://omma.build/ Полезные приёмы и рекомендации Консистентность стиля: сохраняйте набор «стайлтокенов» (цвет, контраст, grain, lighting) и применяйте их ко всем кадрам. Для этого можно попросить GPT3/ChatGPT «выделить стиль» из образца и получить шаблонподсказку. Seed & повторяемость: фиксируйте seed для Image 2, чтобы получать стабильные варианты. Разбивка больших подсказок: Gemini→Seedance pipeline часто даёт очень длинные описания — сокращайте до ключевых действий и визуальных сигналов, чтобы не превысить лимит Seedance. Фреймрейт и кадры: если хотите плавную анимацию, задавайте направление движения камеры и ключевые позы; не пытайтесь генерировать 24×240 кадров вручную — используйте интерполяцию Seedance. Постобработка: для правдоподобности добавляйте TVgrain, компрессию, motion blur, люте и реплейграфику. Юридика и этика: при использовании референсов (логотипы, известные лица, игровые интерфейсы) учитывайте ограничения правообладателей. Ресурсы и примеры Пример исходной Seedanceподсказки в тематическом треде: X: bydanielxyz Пример шаблона автоматического видеоанализа (сокращать перед использованием): https://pastebin.com/H8DeXq1G Omma (платформа для развёртывания 3Dвитрин): https://omma.build/ Сочетание GPTImage2

Еще недавно в индустрии искусственного интеллекта доминировала простая формула: GPU — главный ресурс, CPU — вспомогательный. Но в 2026 году этот баланс начал меняться. На фоне бурного роста AI-приложений и перехода от обучения моделей к их практическому использованию, центральные процессоры снова выходят на первый план. Это изменение хорошо видно по динамике Intel. Компания, которая еще год назад переживала кризис, сегодня демонстрирует резкий рост — ее акции выросли почти в пять раз. Причина не только в улучшении финансовых показателей, но и в смене логики рынка: соотношение CPU и GPU в дата-центрах начинает выравниваться. Если раньше оно достигало 1 к 8 в пользу GPU, то теперь приближается к 1 к 4, а в некоторых сценариях — и к 1 к 1. Главная причина — трансформация самого AI. Если раньше ключевым этапом было обучение моделей, требующее огромной вычислительной мощности и параллельных операций, то теперь акцент смещается на применение — особенно в системах с агентами. В таких сценариях важнее не столько «считать», сколько управлять: распределять задачи, вызывать сервисы, обрабатывать запросы, координировать действия. Именно здесь проявляется сила CPU. В отличие от GPU, оптимизированных под массовые параллельные вычисления, CPU лучше справляются с логикой, управлением и сложными последовательными процессами. В результате в современных AI-системах именно CPU все чаще становится узким местом — и, соответственно, ключевым ресурсом. Сигналом к этому сдвигу стало и поведение Nvidia. Компания, ассоциирующаяся прежде всего с GPU, начала продвигать собственные CPU-решения, признавая необходимость более гибкой архитектуры. Это говорит о том, что рынок постепенно уходит от монополии одного типа вычислений к более сбалансированной модели. Дополнительный фактор роста интереса к Intel — развитие ее контрактного производства. Компания стремится занять нишу, которую сегодня почти полностью контролирует TSMC, и стать своего рода «американской альтернативой» глобальным производителям чипов. На фоне геополитической напряженности и дефицита производственных мощностей эта стратегия получает поддержку как со стороны крупных корпораций, так и со стороны государства. В итоге Intel оказывается на пересечении сразу двух трендов: роста роли CPU в AI-инфраструктуре и перераспределения глобального производства полупроводников. Это сочетание и формирует новый инвестиционный нарратив вокруг компании. Однако остается вопрос: устойчив ли этот разворот? Пока ясно одно — эпоха, в которой GPU «решали все», подходит к концу. В мире, где искусственный интеллект становится частью повседневных процессов, важны не только вычисления, но и управление ими. А значит, CPU действительно может снова стать не менее важным элементом AI-экосистемы.

Tencent начинает закрытое тестирование Marvis — «системного» персонального AIассистента, который работает на уровне ОС и координирует несколько агентмодулей для выполнения реальных действий: операции с приложениями и EXE, управление файлами, генерация документов, автоматизация рутинных задач и кроссплатформенные сценарии. По состоянию на внутреннее тестирование Marvis поддерживает Windows и Android; версия для iOS/macOS обещана позже. Marvis реализован как система множества Agent’ов (агентов), каждый из которых отвечает за определённые навыки — управление приложениями, системная администрция, вебвзаимодействие, работа с цифровыми активами и поиск. В визуальном интерфейсе каждому агенту сопоставлен образ «чёрного пони с рожками» (внутренняя шутливая отсылка к маскоту), и в виртуальном «офисе» вы видите, кто за чем занят: комуто поручили задачу, ктото курит, ктото спит или «ходит в туалет» — это делает процесс более наглядным и «человечным». При постановке задачи один агент берёт рол руководителя, делегирует работу нужным специалистам, собирает отчёты и возвращает результат пользователю. Marvis предлагает: «Облачный режим эффективности» — использует крупные модели вроде DeepSeek V4 для повышения качества и функциональности. «Локальный режим приватности» — основан на Qwenмоделях, работающих на устройстве, так что «ни слова» не покидает компьютер пользователя. Есть поддержка локальной базы знаний: автоматическая индексация локальных документов и изображений, поиск по заголовкам и по содержимому. Поиск файлов и картинок по смыслу. Пример: найти локальную картинку с элементами NASDAQ. Агент сначала пробовал поиск по именам, затем переключился на визуальный анализ изображений и нашёл нужное изображение — но себестоимость такой операции оказалась высокой: в тесте анализ сотен картинок «съел» много вычислительных ресурсов и токенов (в отчёте — порядка миллионов токенов для больших задач). В другом случае поиск по явно именованному файлу прошёл быстро и дешево. Работа с системными настройками и диагностика. Marvis может «дотянуться» до системных настроек Windows: найти нужный пункт (например, сменить тему), собрать сведения о конфигурации и дать рекомендации по апгрейду (например, предложить увеличить оперативную память). В одном случае помощник корректно обнаружил «узкие места» в системе и посоветовал расширение памяти, но в рекомендациях были неточности с реальными рыночными ценами — нужно учитывать, что не вся внешняя информация всегда синхронизирована. Построение локальной системы знаний без кода. Marvis спроектировал каталог, конфигурационные файлы и вебинтерфейс «под ключ», поддержал переключение между локальным движком и внешним API, и конечная система корректно отвечала на запросы по загруженным документам — без вмешательства человека в код. Сбор аналитики и генерация отчётов. При задаче «подготовить PDFотчёт о событиях в большой технологической отрасли» Marvis задействовал нескольких агентов, собрал источники, произвёл многомодульную генерацию и вернул структурированный PDF с исходниками и таблицами. При этом отмечено единичное «переключение» части текста на английский — следствие внутренних Skillнастроек и свойств разных моделей. Автоматизация действий в Androidприложениях через Tencent 应用宝. На Windows Marvis может управлять Androidприложениями (через приложениемост). Пример: автоматическая ежедневная подпись в тематическом сообществе Weibo — задача выполнилась, но очень медленно (несколько минут), потому что агент по шагам делает скриншот, анализирует и затем переходит к следующему действию. Marvis сознательно отказался от управления рядом потенциально рискованных приложений и операций. В тестах агент отказался автоматизировать операции в WeChat и Xiaohongshu — вероятно, изза защитных механизмов самих приложений и рискованности автоматической отправки сообщений или выполнения платёжных действий. Компания также блокирует любые сценарии, связанные с переводом средств, чтобы минимизировать юридические и репутационные риски. Marvis разрабатывает команда Tencent и пользуется многолетними партнёрствами с Intel, Microsoft и опытом кроссплатформенной разработки. По данным теста, команда провела оптимизацию на устройстве моделей на уровне чипа и добилась ускорения порядка ~20% для локальных моделей — это даёт преимущество в скорости отклика и приватности. Marvis демонстрирует важную веху — переход от «чатовых» ассистентов к ассистентам, которые реально управляют приложениями и системой. Концепция мультиагентного менеджера, локальной приватности и кроссэнвайронментопераций выглядит многообещающе. В ближайшие релизы Tencent предстоит улучшить надёжность исполнения, оптимизировать потребление ресурсов и расширить поддерживаемые приложения при одновременном соблюдении вопросов безопасности и приватности. Для энтузиастов и ITпрофессионалов Marvis уже предлагает ощутимые плюсы; для массового пользователя переход к «полностью автономному» управлению задачами ещё потребует времени и доработок. Тем не менее появление Marvis — важный индикатор: операционная система как уровень для персональных AIассистентов становится реальностью.