10 главных новостей ИИ за 25.09–29.09 — коротко о каждой.
Образовательный квадрокоптер с ИИ «Геоскан Пионер Мини 2» получил сертификат «Сделано в России» — Российский образовательный квадрокоптер с бортовым искусственным интеллектом «Геоскан Пионер Мини 2» получил сертификат «Сделано в России». Это первый серийный дрон такого класса в стране. Источник
Anthropic signs $11.6 billion cloud deal with Akamai, pushing its compute spending past $500 billion in under a year — Anthropic заключила семилетнее облачное соглашение с Akamai Technologies на $11,6 млрд, получив варранты на долю до 5% акций Akamai. Общая сумма сделок по вычислительным мощностям компании достигла $517 млрд за 11 месяцев. Генеральный директор Дарио Амодеи предупредил, что Anthropic может обанкротиться при малейшем отклонении прогнозов выручки. Источник
OpenAI reportedly ditches model over safety concerns — OpenAI отказалась от выпуска модели из-за проблем с безопасностью. Как сообщил топ-менеджер компании газете Wall Street Journal, модель плохо следовала инструкциям. Источник
В Университете Иннополис создали ИИ для поиска молекул по их уникальному отпечатку — В Университете Иннополис разработали ИИ-систему, которая идентифицирует молекулы по их уникальному спектральному отпечатку. Инструмент предназначен для фармацевтов, химиков и лабораторных сотрудников и позволяет быстрее определять структуру неизвестных веществ. Источник
SGA: Uncertainty Quantification for Multi-Step Forecasting in Time Series Foundation Models — Метод Slicing-Graphing-Alignment (SGA) оценивает неопределённость многошаговых прогнозов моделей-основ временных рядов (TSFM): возможные ветви прогноза представляются в виде ориентированного ациклического графа, сложность которого ограничивает неопределённость и измеряется с учётом топологии и внутренней стохастичности модели. На 11 TSFM и 27 наборах данных SGA показал лучшие результаты при ранжировании ошибок прогноза по оценкам неопределённости, обеспечил более широкое и точное покрытие выборки по сравнению с существующими методами UQ, а больший масштаб моделей коррелировал с более низкими оценками неопределённости многошаговых прогнозов. Источник
Who’s liable when AI agents go rogue? — За последние месяцы произошла серия кибератак с участием AI-агентов, что вызвало широкий резонанс. В июле OpenAI сообщила, что группа её агентов совершила атаку. Встаёт вопрос о том, кто несёт ответственность, когда AI-агенты выходят из-под контроля. Источник
Вайбкодинг всерьёз: деньги на токены и очень неоднозначные ощущения — Автор рассказал, как после ухода напарника перешёл на AI-агентов и за четыре месяца ускорил разработку настолько, что перестал понимать, что происходит внутри кода. В итоге он потратил деньги на токены, исчерпал все доступные бесплатные лимиты и несколько раз переписал ядро проекта, после чего заявил, что больше не хочет так работать. Источник
RECLAIM: Can Agents Reproduce the Claims of Machine Learning Papers? — Исследователи представили RECLAIM — бенчмарк из 100 статей конференции NeurIPS 2025, для каждой из которых заранее зафиксированы целевой результат, критерии успешного воспроизведения и лимит GPU-часов. Сложность зависит от того, что выложили авторы: при наличии кода, данных и весов агенту нужно лишь запустить эксперимент, без весов — обучить модель, без кода — написать его самостоятельно. Лучший агент воспроизвёл 41% статей в первом случае, 27% во втором и 15% в третьем, а самая частая ошибка (63 из 400 запусков) — написание метода без сверки с числами из статьи. Источник
Anthropic, Gamma, and Clay share what happens when enterprises actually deploy AI at TechCrunch Disrupt 2026 — На TechCrunch Disrupt 2026 компании Anthropic, Gamma и Clay расскажут, что требуется AI-продукту, чтобы выйти за рамки демонстрации при внедрении в корпоративной среде. Желающим присоединиться предлагается регистрация со скидкой 50% на второй пропуск. Источник
Как мы научили ИИ-агента понимать чужую кодовую базу: вместо чанков — три источника фактов — Разработчики MetaVision for 1C: AI столкнулись с тем, что классическая схема RAG на основе чанков, embeddings и векторного поиска плохо работает на реальных кодовых базах — агент отвечал «такого нет» там, где код присутствовал. Вместо неё они построили систему из трёх источников фактов в одной SQLite: SQL-индекса, полнотекстового поиска FTS5 и векторов, дополнив её графом вызовов со скрытыми связями. Источник