Вот что я тебе сегодня приготовил и зачем тебе тратить 7 минут чтобы это прочитать

⚠️ ДИСКЛЕЙМЕР

ПРОЧТЕНИЕ ЭТОГО ДАЙДЖЕСТА РЕЗКО ПОВЫШАЕТ УРОВЕНЬ FOMO, ИДЕАЛЬНО ДОПОЛНЯЕТ УТРЕННИЙ КОФЕ И КАТЕГОРИЧЕСКИ ПРОТИВОПОКАЗАНО ПЕРЕД МЕДИТАЦИЕЙ И СНОМ — ВОЗМОЖНЫ ПРИСТУПЫ ВНЕЗАПНЫХ ИНСАЙТОВ И НЕУДЕРЖИМОЕ ЖЕЛАНИЕ СРОЧНО ЗАПИЛИТЬ СВОЙ СТАРТАП.

ПОГНАЛИ!

Ты смотришь на ночное небо. Где-то там планета размером с Нептун обращается вокруг своей звезды за несколько часов: поверхность раскалена добела, атмосфера испаряется. По всем моделям она не должна существовать. Данные об этой планете четыре года лежали в архиве NASA. Люди искали. Пропускали. RAVEN нашёл 118 таких планет за один проход.

Астрономы Университета Уорика разработали систему RAVEN (RAnking and Validation of ExoplaNets): алгоритм, который берёт сырые наблюдения телескопа, отсеивает ложные сигналы и выдаёт подтверждённые планеты. RAVEN прогнали через четыре года наблюдений телескопа NASA TESS за 2,2 миллиона звёзд. На выходе: 118 подтверждённых экзопланет, включая 31 новую, которую никто раньше не замечал. Ещё 2000+ кандидатов в очереди.

Среди находок: планеты в «Нептуновой пустыне», регионе настолько близко к звезде, что нептуны-размерные миры физически не должны там выживать под жаром звезды. Оказывается, выживают. Отдельно важна точность: RAVEN измеряет частоту разных типов планет с погрешностью в 10 раз меньше, чем предыдущие методы. Без новых инструментов. Только за счёт более умного алгоритма на старых данных.

Фактура:

+Исследование опубликовано в Monthly Notices of the Royal Astronomical Society.
++ RAVEN объединяет детекцию, фильтрацию и подтверждение планеты в едином пайплайне: предыдущие методы требовали ручного прохода на каждом из этапов отдельно.
+++ Вокруг 9-10% звёзд типа Солнца есть близко-орбитальная планета: данные совпадают с миссией Kepler, но с погрешностью в 10 раз меньше.
++++ Планеты «Нептуновой пустыни» встречаются вокруг 0,08% звёзд типа Солнца: первое прямое измерение этого числа.
+++++ RAVEN обучен на синтетических сигналах транзитов и ложных срабатываниях: различает реальные планеты и инструментальные артефакты без ручной проверки каждого из тысяч кандидатов.

И что?
Архив TESS не исчерпан: 2000+ кандидатов ждут подтверждения. Методология RAVEN, обучить модель различать реальный сигнал и ложное срабатывание на синтетических данных, а затем применить к большому архиву, переносима на задачи с временными рядами: сейсмика, финансовые аномалии, медицинский мониторинг. Если у тебя лежит большой архив данных с низким signal-to-noise: следующий квартал: правильный момент опробовать этот паттерн, пока конкуренты ещё не добрались до своих архивов.

Нам 3.14здец:
Человечество систематически не знало, что происходит у нас под носом, потому что мы физически не успевали смотреть. Микроскоп дал нам бактерии, которые существовали миллиарды лет. Радиоволны существовали до Герца. 118 планет существовали до RAVEN: просто в слепой зоне человеческой пропускной способности. 7/10: разрыв между «данные существуют» и «мы это знаем» сжимается. Следующее поколение знания скрывается в уже накопленных архивах. ИИ превращает горы исторических данных в открытия, которые мы пропускали годами, потому что у нас не хватало времени смотреть. Каждый нетронутый архив становится золотым прииском.

Почитать источники: University of Warwick, ScienceDaily, Space.com

Ты математик. Ты смотришь на задачу из Книги Коуровки, которую советские коллеги сформулировали в Новосибирске в 1965 году. Поколения лучших алгебраистов планеты её не решили. Ты открываешь систему DeepMind и вводишь условие. Система возвращает доказательство через несколько часов. Марк Лакенби, профессор Оксфорда, проверяет его вручную и подтверждает: задача 21.10 закрыта. Впервые за 60 лет.

DeepMind представил систему AI co-mathematician: мультиагентный ансамбль, в котором координирующий агент управляет специализированными потоками: поиском литературы, написанием кода, проверкой доказательств. Система идёт дальше проверки известных шагов: она генерирует новые математические стратегии, формулирует гипотезы, проверяет их через формальные верификаторы и откатывается если доказательство рассыпается. Результат на FrontierMath Tier 4, самых сложных олимпийских задачах, где ответ требует недель работы эксперта: 48% против 19% у Gemini 2.5 Pro.

Главное отличие от предыдущих систем: AI co-mathematician работает как исследователь. Строит цепочки умозаключений, фиксирует промежуточные результаты, исправляет ошибки по ходу. Внутренний бенчмарк DeepMind показал 87% на задачах уровня PhD. Задача 21.10 из Книги Коуровки: первое независимо подтверждённое решение открытой математической проблемы, которую система нашла сама, без человека-соавтора.

Фактура:

+Задача 21.10 из Книги Коуровки (Kourovka Notebook) открыта с 1965 года: международный список нерешённых проблем теории групп, который советские математики начали вести в Новосибирске.
++ AI co-mathematician набрал 48% на FrontierMath Tier 4, категории задач, которые требуют нескольких недель работы эксперта-математика; для сравнения Gemini 2.5 Pro набирает 19%.
+++ Система устроена как ансамбль: координирующий агент управляет специализированными субагентами для поиска, кодирования и формальной верификации доказательств.
++++ 87% на внутреннем бенчмарке DeepMind уровня PhD: система превосходит уровень аспирантуры по большинству разделов чистой математики.
+++++ Профессор Оксфорда Марк Лакенби подтвердил корректность доказательства задачи 21.10 независимой ручной проверкой: стандарт публикации в рецензируемом журнале.

И что?
Математика: строгий формальный язык с верифицируемыми доказательствами. AI co-mathematician показал, что мультиагентный ансамбль с верификатором работает в самых жёстких условиях. Следующий шаг: применение той же архитектуры к областям с формальными языками. Если ты строишь систему для юридической аргументации, финансового моделирования или инженерного расчёта, посмотри на паттерн координирующий агент + специализированные субагенты + формальный верификатор до конца Q2: именно он станет стандартом для задач, где ошибка недопустима.

Нам 3.14здец:
60 лет назад математики в Новосибирске записали задачу в книгу, чтобы коллеги по всему миру могли работать над ней поколениями. Краудсорсинг человеческого интеллекта: самые острые умы планеты коллективно двигали границу знания. AI co-mathematician закрыл одну из этих задач за несколько часов. 9/10: первый задокументированный случай когда ИИ решил задачу, которую человечество не могло решить коллективными усилиями 60 лет. Граница между «ИИ как инструмент» и «ИИ как исследователь» исчезла в одной из самых строгих интеллектуальных дисциплин. Математика была последним бастионом «это точно требует человеческого разума». Этот бастион взят.

Почитать источники: DeepMind Blog, Nature, New Scientist

Ты разговариваешь с голосовым ИИ. Посередине его ответа ты вставляешь слово. Он замолкает, обрабатывает, через секунду продолжает. Это стандартная модель с 2022 года: запрос, ответ, пауза, новый запрос. Thinking Machines Lab 11 мая показала TML-Interaction-Small: ИИ, который слышит тебя пока говорит сам. Не замолкает. Отвечает через 0.4 секунды. Так работает живой разговор между людьми.

Основательница Thinking Machines Lab Мира Мурати, бывший технический директор OpenAI, потратила два года и $2 млрд на задачу, которую остальные обходили стороной: как сделать ИИ-разговор физически похожим на человеческий. Ответ: разделить систему на два слоя. Interaction model всегда слушает, обрабатывает аудио и видео в реальном времени, реагирует на прерывания. Background model параллельно выполняет инструменты и строит ответы. Оба слоя видят полный контекст разговора. Стыка нет. Пользователь его не чувствует.

Результат: 200ms micro-turns вместо стандартного запроса-ответа, полный дуплекс без разметки границ реплик, нативная обработка аудио и видео без промежуточных конвертаций. На FD-bench v1.5, бенчмарке качества интерактивного разговора: TML-Interaction-Small набрал 77.8. GPT-Realtime-2.0 в режиме xhigh: 47.8. Gemini: 54.3. Разрыв в 30 очков на инструменте, который специально создан для измерения этого класса задач.

Фактура:

+TML-Interaction-Small: 276 млрд параметров в архитектуре Mixture-of-Experts с 12 млрд активных при каждом вызове: в 23 раза экономичнее по активным параметрам чем полный размер модели.
++ FD-bench v1.5 (бенчмарк интерактивного качества): TML-Interaction-Small 77.8, Gemini 54.3, GPT-Realtime-2.0 xhigh 47.8: разрыв в 23-30 очков с ближайшими конкурентами.
+++ Двухслойная архитектура: interaction model обрабатывает входящий поток непрерывно; background model выполняет reasoning и tool calls асинхронно с полным контекстом разговора.
++++ Нет VAD harness (Voice Activity Detection), нет разметки границ реплик: система сама определяет когда пользователь говорит, прерывает, делает паузу, без явных маркеров.
+++++ На момент анонса 11 мая 2026 года: limited research preview, широкий запуск запланирован на конец 2026 года.

И что?
Стандартный интерфейс голосовых агентов, запрос/ответ с VAD, устарел. TML показал рабочую двухслойную архитектуру с открытыми компонентами. Если ты строишь голосового агента или интерфейс для колл-центра: до конца Q3 стоит переосмыслить стек под полный дуплекс. Паттерн interaction layer + background reasoning layer воспроизводим с открытыми компонентами, не надо ждать TML API.

Нам 3.14здец:
Тысячи лет у людей было одно правило живого общения: кто говорит, тот не слышит. Разговор строился на очерёдности, и эта очерёдность формировала весь дизайн человеческого взаимодействия: от дипломатических протоколов до судебных процедур до правил этикета. TML-Interaction-Small первым взломал это ограничение в ИИ. 8/10: система, которая слышит тебя пока говорит сама, меняет не только удобство интерфейса. Она убирает один из главных маркеров, по которым люди отличали разговор с машиной от разговора с человеком. Когда ИИ перестаёт следовать правилам очерёдности, исчезает ещё одна линия распознавания «живого собеседника».

Почитать источники: TechCrunch, VentureBeat, MarkTechPost

🧬 Isomorphic Labs (спинофф DeepMind, разработка лекарств через ИИ) закрыл Series B на $2,1 млрд: раунд возглавил Thrive Capital, участвуют Alphabet, GV, MGX, Temasek, CapitalG и UK Sovereign AI Fund. Деньги идут на масштабирование движка IsoDDE (AI drug design engine) и продвижение кандидатов в клиническую фазу. И что? Если ты работаешь с фармой или биотехом: посмотри на партнёрские программы Isomorphic до конца Q3, пока раунд горячий и компания активно ищет новые молекулы под свой пайплайн.

🏛️ Греция предложила поправку к Конституции, которая обязывает ИИ «служить свободе личности и процветанию общества». Страна, родина демократии, стала первой в ЕС, которая закрепляет регуляцию ИИ на конституционном уровне: жёстче директивы, жёстче любого EU AI Act. Поправка часть пакета из 30 реформ, включая расширение обязательного школьного образования и запрет ретроактивного налогообложения. И что? Конституционная норма переводит защиту от ИИ-рисков на уровень основных прав гражданина. Следи за голосованием: если пройдёт в первом чтении, соседние страны начнут обсуждать то же самое.

🇨🇳 Baidu выпустил ERNIE 5.1: стоимость предобучения составила 6% от затрат сопоставимых моделей (то есть на 94% дешевле). На Arena Search ERNIE 5.1 вышел на 4-е место глобально и 1-е среди китайских моделей; на AIME26 с инструментами набрал 99.6: второй результат в мире после Gemini 3.1 Pro. И что? Если сравниваешь провайдеров для продакшн-интеграции: ERNIE 5.1 входит в шорт-лист для задач где нужен уровень топ-5 при существенно меньших затратах на инференс, если работаешь с китайским рынком или мультиязычным стеком.

🔀 OpenRouter запустил Pareto Code Router: устанавливаешь минимальный порог качества кода от 0 до 1, роутер автоматически выбирает самую дешёвую модель из топ-13 кодинг-моделей, которая этому порогу соответствует. Вариант :nitro выбирает самую быструю в tier. Роутер не берёт комиссию: платишь только за базовую модель. И что? Если у тебя пайплайн с кодинг-задачами разной сложности: Pareto Code Router снижает стоимость без потери качества за счёт динамического выбора модели под задачу.

🔋 SoftBank совместно с COSMOS LAB объявил о запуске производства цинк-галогенидных батарей на водном электролите: первые коммерчески развёрнутые батарейные ячейки с плотностью энергии на уровне литий-ионных, без риска возгорания. Плотность: более 5,00 МВт·ч в стандартном 20-футовом контейнере. Массовое производство запланировано на начало 2028 года, первый объект: AI Data Center в Осаке. И что? Батареи без риска пожара меняют экономику AI-датацентров: страховка, охлаждение, пожарные требования: всё дешевле. Если строишь или оцениваешь инфраструктуру для ИИ: включи цинк-галогенидные батареи в анализ CAPEX после 2027.

🚨 Нам 3.14здец: Пока Греция вписывает ИИ в Конституцию, а SoftBank строит батарейные заводы для датацентров, остальная часть мира принимает всё это как данность. Среди государств, компаний и исследовательских лабораторий сложилось устойчивое разделение: одни строят инфраструктуру и правила, остальные адаптируются к чужим решениям. 6/10: скорость, с которой ИИ-инфраструктура становится государственным приоритетом, означает что рамка «технология vs регуляция» уже неактуальна. Следующие 3-5 лет определят, какие страны будут производить правила для ИИ, а какие импортировать.

Хочешь быстрее внедрять ИИ и меньше ошибаться - нужно окружение, где это делают каждый день.

BIPIAI - закрытый клуб фаундеров и топ-спецов.

Что внутри:
• разборы реальных бизнес-кейсов
• готовые пайплайны и шаблоны внедрения
• созвоны, где участники показывают, как у них устроено
• люди, которые помогают собрать решение под новую реальность

90+ участников, 15 стран.

Это был очень насыщенные и интересные 24 часа из мира AI и роботов, которые меняют нашу с вами жизнь.

P.S.

Чтобы помочь мне понять как вам этот дайджест. Пожалуйста нажмите на максимально релевантную кнопку.