Midjourney и другие нейросети - страница 1246
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Указ от 29 сентября 2026 года распространяется на федеральную исполнительную власть: новое название должно использоваться в официальных документах, публикациях, сайтах и переписке ведомств.
В Белом доме объясняют решение тем, что современные передовые системы уже не просто имитируют отдельные человеческие способности, а расширяют возможности человека в науке, медицине и других областях.
Теперь не надо судорожно защищать привилегию человека на термин «интеллект».
И надо срочно обидеться: про "него" ведь говорят, что он супер, а значит умнее человека на законодательном уровне, а это же унижение чести и достоинства законных носителей интеллекта, согласно словарям прошлого века.
Gemini 4 Argon: Google наконец-то обновила флагманский ИИ
//текст и обложка ChatGPT. https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/
Google представила Gemini 4 Argon — новую флагманскую модель для сложных многошаговых задач. Компания делает ставку не на обычный чат, а на программирование, анализ больших массивов информации, финансовую и юридическую работу и кибербезопасность.
Важнейшая особенность Argon — способность работать с очень длинными траекториями рассуждения. Google увеличила максимальный объём генерируемого ответа с 64 тыс. до 1 млн токенов. Компания объясняет это тем, что модель может использовать сотни тысяч токенов внутри одной задачи, дольше анализировать промежуточные результаты и выполнять сложную работу за один непрерывный процесс.
При этом есть важный нюанс: 1 млн токенов — официально заявленный лимит вывода, а не опубликованный Google размер контекстного окна. Независимый Artificial Analysis уже указывает для Argon контекст в 1 млн токенов, но формально Google отдельно такую характеристику в анонсе не подтвердила.
Что умеет Gemini 4 Argon
Google позиционирует модель как специализированную систему для «длинной дистанции». Argon должна не просто ответить на вопрос, а самостоятельно пройти цепочку действий: изучить документы, написать или изменить код, провести эксперименты, проверить результат и продолжить работу.
Особенно заметны результаты в программировании. На DeepSWE v1.1, тесте реальных многоэтапных задач по software engineering, Argon получила 77,9% — лучший результат среди моделей, с которыми Google сравнивала её в своей таблице. На Vibe Code Bench показатель составляет 91,9%.
Но здесь как раз хорошо видно, почему один бенчмарк не описывает модель целиком. На FrontierSWE v2 Argon получила 55,0%, тогда как GPT-6 Astra — 65,5%, а на Terminal-Bench 4.0 — 57,4% против 66,4% у Claude Opus 5.5. То есть Argon особенно сильна в одних разновидностях агентного программирования, но не является безусловным лидером во всех терминальных задачах.
Сильными выглядят и профессиональные сценарии. На AutomationBench от Zapier Argon набрала 51,3%, а в Vals Index, который объединяет финансовые, юридические, налоговые и coding-задачи с весами по их экономическому значению, модель получила 68,9%. На LVBench для понимания длинного видео Google сообщает результат 91,7%.
Отдельное направление — кибербезопасность. Argon способна самостоятельно находить уязвимости, проверять их и создавать исправления. На CWE-bench v1 модель получила 68%, разделив первое место. Google также сообщает о тестах, где Argon находила серьёзные уязвимости в реальном программном обеспечении и веб-системах.
Что говорят независимые тесты
Первые независимые измерения выглядят менее однозначно, чем презентация Google.
Artificial Analysis дала Gemini 4 Argon 53 балла Intelligence Index. Это ставит модель в группу наиболее сильных современных систем, но не делает её безусловным лидером: в том же независимом сравнении Claude Opus 5.5 получил 58, Claude Sonnet 5.5 — 56, а GPT-6 Astra — 53. Artificial Analysis также пока не публикует надёжную оценку скорости генерации Argon из-за недостатка данных.
В Vals Index картина лучше для Google: Argon находится на первом месте с результатом 68,9%, опережая ближайшие модели в этом конкретном наборе задач. Однако другие независимые тесты показывают, что преимущество сильно зависит от типа работы.
Именно поэтому первые обзоры сходятся скорее в другом выводе: Google вернулась в верхний эшелон, но говорить о безоговорочном лидерстве пока рано. Тем более что обычные пользователи ещё не получили полноценный доступ к модели.
Размер модели Google не раскрывает
Как и в случае с большинством современных закрытых frontier-моделей, количество параметров Gemini 4 Argon неизвестно. Google не сообщила ни общий размер модели, ни число активируемых параметров, ни архитектуру MoE и количество экспертов.
Поэтому любые встречающиеся в сети цифры о «триллионах параметров» пока являются предположениями, а не официальными характеристиками. Artificial Analysis также указывает модель как proprietary и отмечает, что Google не раскрыла размер.
А что со скоростью?
Здесь данных пока мало. Artificial Analysis прямо отмечает, что надёжной публичной цифры tokens per second для Argon пока нет. Поэтому распространяемые сейчас конкретные значения скорости лучше считать предварительными измерениями, а не официальной характеристикой модели.
Зато известна цена API. На старте Google устанавливает $2 за 1 млн входных токенов и $10 за 1 млн выходных, причём кэшированный ввод получает скидку 95%. После вводного периода цена должна вырасти до $4 и $20 соответственно.
Почему Argon получила отдельное имя
Интересно и само позиционирование модели. Gemini 4 Argon — это уже не просто очередная версия Gemini, а отдельная frontier-модель внутри новой линейки. Похожий подход сейчас используют и другие разработчики, давая собственные названия самым мощным системам.
Google при этом не раскрывает архитектуру внутреннего рассуждения Argon. Компания говорит, что модель имеет длинный chain-of-thought и что её внутренние рассуждения и действия могут специально мониториться для контроля безопасности. Но из этого нельзя сделать вывод, что Argon буквально многократно прогоняет каждый слой или использует какую-то конкретную рекуррентную архитектуру.
Доступ пока ограничен
На первом этапе Gemini 4 Argon получила ограниченная группа проверенных специалистов по кибербезопасности в рамках Fairwind Program. Google собирается постепенно расширять доступ, начиная с платных API-клиентов и подписчиков Google AI Ultra.
Главная интрига Gemini 4 Argon сейчас даже не в очередном рекорде бенчмарка. Google явно пытается сделать модель, которая способна долго и самостоятельно выполнять большую работу, а не просто выдавать хороший ответ на отдельный запрос.
Миллион токенов вывода здесь становится не красивой цифрой, а важной частью концепции: модель получает гораздо больше пространства для рассуждения, экспериментов и промежуточных шагов. Насколько это действительно изменит качество работы в реальных проектах, станет понятно после более широкого доступа и независимых испытаний.
На бумаге Gemini 4 Argon выглядит как серьёзный камбэк Google в гонке frontier-моделей. Теперь осталось проверить, насколько хорошо этот миллион токенов работает не в презентации, а в руках обычных разработчиков и пользователей.
Gemini 4 Argon: Google наконец-то обновила флагманский ИИ
Интересно, что в коде он не такой выдающийся как могло показаться
Но вот в тексте значительный отрыв от лидеров.
А значит вывод в 1 млн контекста позволит за 1 промпт получить целую книгу весьма неплохого качества.
Tavus Griffin: ИИ почти заставил людей поверить, что на экране человек
//текст и обложка ChatGPT. https://www.tavus.io/griffin , https://research.nvidia.com/labs/amri/projects/video-fdb/
Tavus представила Griffin — модель, которая не просто разговаривает по видео, а одновременно смотрит, слушает, говорит и реагирует на происходящее перед камерой. В собственном тесте компании 48% участников приняли её за человека.
Обычные голосовые ИИ работают примерно по схеме «услышал → подумал → ответил». Griffin пытается вести себя иначе: модель продолжает слушать собеседника во время собственной реплики, замечает паузы, жесты и выражение лица и может реагировать прямо посреди разговора. Tavus описывает это как полно-дуплексное видео-видео взаимодействие.
Самый показательный эксперимент оказался почти буквальной проверкой на неотличимость от человека. 54 участника из США и Европы думали, что разговаривают с другим человеком по видеосвязи. Разговор длился всего одну минуту. После него 26 человек — 48% — заявили, что их собеседником был реальный человек. Для сравнения, у предыдущей Phoenix-4.5 было только 2,4%.
Причём речь идёт не только о внешности цифрового аватара. Griffin демонстрирует способность понимать визуальный контекст разговора. В одном из примеров человек собирает кубик Рубика, а модель следит за происходящим и подсказывает дальнейшие действия. В другом она наблюдает за пайкой платы и учитывает, на каком этапе находится работа.
Ещё интереснее результаты независимой проверки NVIDIA. На VideoFDB, специальном бенчмарке для полно-дуплексного аудиовизуального общения, Griffin-Lite получил 3,83 балла из 5 за генерацию и 3,73 за восприятие. Для человеческих записей эталон составляет 3,92 и 4,20 соответственно.
То есть особенно заметный прогресс произошёл именно в том, как ИИ ведёт себя во время разговора, а не только в качестве картинки. Griffin способен поддерживать обратную связь, не дожидаясь идеальной паузы собеседника, и одновременно учитывать происходящее в кадре.
При этом до человека ему всё ещё далеко по некоторым параметрам — особенно по восприятию ситуации. И сам эксперимент с 54 участниками пока нельзя считать универсальным доказательством того, что ИИ в принципе неотличим от человека. Это короткий, специально поставленный тест.
Публичного полноценного релиза пока тоже нет. Griffin-Lite доступен ограниченной группе тестировщиков как research preview, а Tavus прямо говорит, что перед широким выпуском нужны дополнительные механизмы безопасного раскрытия того, что собеседником является ИИ.
И вот это, пожалуй, самая интересная часть истории. Раньше главным признаком ИИ в видеочате часто были задержка, неестественная мимика и неспособность понимать происходящее вокруг. Griffin пытается убрать сразу все три признака.
ИИ впервые подбирается не просто к человеческой речи, а к человеческому поведению во время разговора.
Новости ИИ за неделю
//текст и обложка ChatGPT. Видео Мэтта Вулфа: https://www.youtube.com/watch?v=dDgncbBAA0c
Последняя неделя сентября и первые дни октября получились необычно плотными. OpenAI провела DevDay и фактически поставила в центр не новый чат-бот, а постоянно работающих агентов. Anthropic выпустила Claude Sonnet 5.5, Google показала Gemini 4 Argon с гигантским лимитом вывода, а параллельно появились новые специализированные модели для голосовых интерфейсов и быстрых решений. На этом фоне компании уже начинают строить отдельную инфраструктуру безопасности для агентов.
OpenAI: Dots превращают ИИ из чат-бота в постоянного сотрудника
Главный релиз недели — Dots от OpenAI. Это уже не классический сценарий «написал запрос — получил ответ». Dot получает собственный облачный компьютер и браузер, может работать с подключёнными приложениями и продолжать выполнение задач между разговорами. OpenAI заявляет о поддержке более 4000 приложений через систему плагинов. Агент доступен через ChatGPT, Slack и Microsoft Teams.
Особенно интересна именно постоянная работа. Dot может не просто ждать команды, а искать возможности помочь в фоне. При этом OpenAI оставляет пользователю контроль над разрешениями: можно определить, какие приложения доступны, какие действия разрешены самостоятельно, а какие требуют подтверждения.
Для бизнеса OpenAI отдельно готовит specialist dots — агентов с собственной идентичностью, учётными данными и заранее определённой зоной ответственности. Среди первых сценариев — закупки, обработка счетов, маркетинг, поддержка клиентов и коммерческие процессы.
По сути, OpenAI пытается закрепить новую модель использования ИИ: не «открывать нейросеть, когда понадобится», а иметь цифрового сотрудника, который постоянно находится рядом и выполняет работу.
GPT-6.1 Sol: почти уровень Astra, но значительно дешевле
На DevDay OpenAI одновременно представила GPT-6.1 Sol. Компания позиционирует его как модель, которая приближается к GPT-6 Astra по сложным агентным задачам, компьютерному использованию и профессиональной работе, но стоит примерно в пять раз дешевле.
На DeepSWE v1.1 GPT-6.1 Sol, по данным OpenAI, практически сравнивается с Astra при существенно меньшей стоимости. В AutomationBench модель также улучшилась относительно GPT-6 Sol, а в OSWorld 2.0 приблизилась к Astra по качеству выполнения компьютерных задач.
Интересно и то, где модель доступна: пока речь идёт о ChatGPT Work и Codex, а также API. В обычном ChatGPT она ещё не появилась.
Это одна из наиболее заметных тенденций недели: рост качества теперь сопровождается не только увеличением возможностей, но и резким снижением стоимости длительной работы агентов.
Claude Sonnet 5.5: Anthropic тоже удешевляет серьёзный ИИ
28 сентября Anthropic выпустила Claude Sonnet 5.5 — вторую модель семейства Claude 5.5. Компания заявляет, что она более чем на 30% быстрее Sonnet 5 и для большинства задач обходится до 30% дешевле. Цена осталась на уровне 2 долларов за миллион входных и 10 долларов за миллион выходных токенов.
На Terminal-Bench 4.0 Sonnet 5.5 получил 70,6% против 10,3% у Sonnet 5. Anthropic также сообщает, что новая модель приблизилась к Opus 5.5 на тестах профессиональной работы и особенно хорошо показывает себя в программировании, документах и длительных задачах.
Но есть важный нюанс: часть сравнений Anthropic проводилась при максимальном уровне рассуждений, который приводит к очень большому расходу токенов. Поэтому сравнивать модели только по процентам на бенчмарке не всегда корректно — стоимость конкретной рабочей задачи может заметно отличаться.
Следом Anthropic обещает выпустить Claude Haiku 5.5, уже с явным акцентом на высокую нагрузку и низкую стоимость.
Gemini 4 Argon: миллион токенов вывода
Google в среду представила Gemini 4 Argon — модель, рассчитанную прежде всего на длинные и сложные рабочие процессы.
Самая заметная цифра — до 1 млн токенов вывода для одной задачи. Это уже совершенно другой масштаб работы с длинными агентными траекториями.
Google приводит 77,9% на DeepSWE v1.1 и 51,3% на AutomationBench. В компании утверждают, что Argon уже используется внутренними командами для программирования, анализа больших кодовых баз и инженерных задач. Например, агенты Argon участвовали в оптимизации программного обеспечения и масштабной миграции кода с C/C++ на Rust.
Пока это не массовый релиз: Gemini 4 Argon сначала предоставляют проверенным специалистам по кибербезопасности в рамках программы Fairwind. Более широкий доступ ожидается позже.
Получается любопытная гонка: OpenAI снижает стоимость интеллектуальной работы, а Google увеличивает масштаб самой интеллектуальной траектории.
Маленькие модели, которые не разговаривают
Ещё одна интересная тенденция недели — развитие decision models, моделей для принятия решений, а не генерации текста.
Strands выпустила Decider 2B — открытую модель на базе Qwen3.5-2B, предназначенную для локального выполнения быстрых решений. Она не пытается писать длинный ответ: модель выбирает вариант из заданного набора и может возвращать оценку уверенности. Разработчики сообщают о медианной задержке около 115 мс на RTX 3090.
Это направление хорошо дополняет недавний Jev от TypeSafe. Большой LLM теперь не обязательно должен принимать каждое микрорешение в агентной системе. Для классификации, маршрутизации запроса, выбора инструмента или простого «да/нет» может использоваться отдельная маленькая модель.
Похоже, архитектура агентов постепенно распадается на связку из нескольких специализированных моделей вместо одного гигантского «мозга».
Голосовые модели становятся практически мгновенными
ElevenLabs выпустила Eleven v4 и более быстрый Eleven v4 Turbo. Компания делает акцент на эмоциональной выразительности, темпе, характере речи и взаимодействии нескольких голосов. Поддерживается более 90 языков, а клонирование голоса теперь возможно примерно по 10 секундам записи.
Microsoft в тот же день представила MAI-Voice-2.1 и MAI-Voice-2.1-Flash, а также свою первую потоковую модель распознавания MAI-Transcribe-2-Streaming. Последняя работает в реальном времени на 60 языках.
В этой же области появился Mercury Voice от Inception Labs — diffusion LLM для голосовых агентов с заявленной медианной задержкой первого токена около 320 мс.
Граница между «голосовым помощником» и обычным разговором здесь продолжает быстро исчезать.
Ideogram 4.5 пытается решить главную проблему генеративного редактирования
Ideogram 4.5 сфокусирована не столько на создании картинки с нуля, сколько на последовательном редактировании уже готового изображения.
Главная проблема таких моделей — накопление изменений: немного сместился объект, поменялся цвет, поплыла фактура, а после нескольких правок исходное изображение уже трудно узнать. Ideogram заявляет, что 4.5 значительно уменьшает такой drift.
Отдельно впечатляет работа с разрешением: модель позволяет редактировать изображения до 24,2 Мп без обязательного уменьшения исходника, в том числе менять отдельные области и затем аккуратно возвращать их в исходное изображение.
Это важнее, чем очередная демонстрация красивой генерации: ИИ постепенно превращается из генератора одноразовых картинок в инструмент полноценного графического редактирования.
Runway делает ставку на рекламного агента
Runway представила Runway Ads — систему, которая должна самостоятельно вести творческую часть performance-маркетинга.
Она создаёт изображения и видео, публикует одобренные варианты в рекламных системах, анализирует результаты и запускает следующий цикл генерации.
Компания утверждает, что на собственной инфраструктуре такой подход увеличил недельный объём рекламных материалов с 77 до 900, удвоил ROAS и сократил стоимость подписчика на 41%. При этом человеческое подтверждение по умолчанию остаётся включённым.
То есть агент начинает оптимизировать не только текст или картинку, а целый бизнес-цикл с обратной связью от реального результата.
xAI и Meta* переходят к командным агентам
xAI запустила Team Bots — общих для всей команды Grok-агентов. Такой бот получает файлы, приложения, инструкции и накопленную экспертизу, после чего работает как общий сотрудник.
У Meta* на этой неделе появилось важное продолжение линии Muse: Muse for Small Business получил дополнительные коннекторы к Canva, Dropbox, Figma, Notion, Shopify, Slack, Stripe, Zoom и другим сервисам.
А уже 2 октября Meta* открыла исходный код Muse AI SDK. Теперь энтузиасты могут собирать собственные устройства с Muse на базе Raspberry Pi и ESP32. Meta* также подготовила 5000 устройств Muse Home Link для первых пользователей.
Это ещё один шаг к модели, в которой ИИ становится не отдельным приложением, а постоянным интерфейсом к цифровому и физическому миру.
Примечание: * — Meta Platforms, Inc., признана экстремистской организацией и запрещена на территории РФ.
Безопасность агентов становится отдельным рынком
NVIDIA представила Open Agent Safety Platform, построенную вокруг OpenShell и Sentry. Идея заключается в том, чтобы безопасность агента не зависела только от самого ИИ.
OpenShell создаёт программную границу доступа, а Sentry работает независимо на BlueField-4 DPU и следит за действиями агента со стороны. NVIDIA заявляет, что такая система способна изолировать нарушившего правила агента за миллисекунды.
На фоне распространения автономных систем это уже не академическая тема. Агент, способный самостоятельно пользоваться браузером, файлами, почтой и корпоративными системами, нуждается в отдельном контуре защиты примерно так же, как обычный сотрудник получает права доступа и контроль действий.
В США всё чаще говорят «Супер Интеллект»
29 сентября Белый дом выпустил указ, в котором для ряда официальных коммуникаций федеральной администрации вводится термин Super Intelligence и сокращение SI вместо привычных AI и Artificial Intelligence.
Это прежде всего изменение официальной терминологии, а не мгновенное изменение технического определения ИИ. Уже существующие нормативные акты менять не требуется.
Параллельно представители крупнейших технологических компаний подписали добровольное соглашение о принципах безопасности разработки передовых систем.
Что в итоге
Главная новость недели — даже не очередная модель.
ИИ окончательно движется от генерации ответа к самостоятельной работе.
Dots, Team Bots, Muse, Runway Ads, виртуальные сотрудники и specialist agents работают по одной схеме: модель получает память, инструменты, разрешения, собственную вычислительную среду и возможность продолжать задачу без постоянного присутствия человека.
Одновременно происходит обратный процесс — специализация. GPT-6.1 Sol пытается сделать дорогой уровень интеллекта дешевле, Decider 2B и Jev отдают простые решения маленьким моделям, новые voice-модели оптимизируются под миллисекунды, а Ideogram концентрируется на точном редактировании.
А Gemini 4 Argon с миллионом токенов вывода показывает другую сторону той же гонки: когда агент получает возможность работать на огромной временной дистанции, а не выдавать один короткий ответ.
Пожалуй, именно это и является главным сюжетом недели: мы всё меньше говорим о том, какая нейросеть лучше отвечает на вопрос, и всё больше — о том, какую работу она способна выполнить сама.
Кто управляет капиталом, на котором строится ИИ
//текст и обложка ChatGPT.
//Если Вы не знали об этой "большой тройке" игроков, значит пора узнать.
Есть компании, которые зарабатывают на создании технологий. Есть компании, которые производят чипы. Есть компании, которые строят дата-центры.
А есть другой класс организаций — управляющие капиталом. Они редко оказываются в центре технологических новостей, но через них проходят деньги пенсионных фондов, частных инвесторов, страховых компаний и крупных организаций. И масштабы этих денег уже настолько велики, что финансовый рынок начинает напрямую влиять на развитие технологической инфраструктуры.
Особенно заметно это стало с появлением ИИ.
Триллионы долларов под управлением
BlackRock во II квартале 2026 года сообщил о $15,3 трлн активов под управлением. Vanguard указывает около $12 трлн, а State Street — ещё $6,3 трлн. Получается примерно $33,6 трлн только у трёх крупнейших игроков. Даты отчётности немного различаются, поэтому это следует воспринимать как ориентир, а не как единую синхронную цифру.
Но здесь важно разобраться, что именно означает «под управлением».
Это не означает, что руководство этих компаний владеет $33 трлн. В основном это деньги клиентов, вложенные в фонды и другие финансовые инструменты.
Особенно наглядный пример — Vanguard. Компания прямо указывает, что сама управляющая структура принадлежит её фондам, а фонды — инвесторам.
Поэтому механизм выглядит примерно так:
человек или пенсионный фонд → инвестиционный фонд → управляющая компания → акции, облигации и другие активы.
Однако из этого не следует, что влияние отсутствует.
Почему огромный капитал превращается во влияние
Если фонд владеет значительным пакетом акций компании, у него появляются права акционера. В зависимости от структуры владения это может включать голосование по выборам совета директоров и другим корпоративным вопросам.
Именно поэтому в документах крупнейших публичных компаний американский рынок регулярно встречаются одни и те же названия среди крупных акционеров.
Например, в прокси-документе McDonald's за 2026 год Vanguard указывалась с долей около 10%, BlackRock — 7,3%, State Street — 5,1%. При этом сама компания отдельно отмечает, что такие доли обычно держатся в обычном инвестиционном процессе, а не с целью установить контроль над корпорацией.
Это важное различие.
Крупный институциональный инвестор может одновременно присутствовать в сотнях крупнейших компаний. Ему не обязательно владеть контрольным пакетом какой-либо одной из них, чтобы иметь заметный вес на рынке в целом.
Кроме того, современная индустрия всё сильнее смещается в сторону индексных фондов. Деньги следуют за индексами, а значит, огромные потоки капитала автоматически распределяются между крупнейшими публичными компаниями.
Получается необычная система: миллионы отдельных инвесторов принимают относительно простое решение — купить индексный фонд, — а на другом конце этой цепочки оказываются миллиарды долларов, распределяемые между экономикой целиком.
Следующий уровень — не акции, а реальные объекты
До недавнего времени разговор о таких компаниях в основном сводился к фондовому рынку.
Теперь ситуация меняется.
Для ИИ нужны не только разработчики моделей и GPU. Нужны здания площадью в десятки тысяч квадратных метров, энергосети, системы охлаждения, линии электропередачи и долгосрочное финансирование.
В 2024 году BlackRock вместе с Global Infrastructure Partners, Microsoft и эмиратской MGX создали партнёрство для инвестиций в дата-центры и энергетику. Заявленный инвестиционный потенциал — до $100 млрд, включая долговое финансирование.
То есть огромный инвестиционный капитал начинает приходить не только в акции технологических компаний, но и непосредственно в физическую основу индустрии ИИ.
Это уже совсем другая экономика.
Можно считать, сколько стоит обучение новой модели. Но гораздо интереснее другой вопрос: кто оплачивает электростанции и дата-центры, в которых будут обучаться следующие поколения моделей?
Показательный пример — дата-центр на $14 млрд
В 2026 году одна из крупнейших технологических компаний мира договорилась с BlackRock о создании дата-центрового комплекса в Техасе стоимостью около $14 млрд.
Инвестиционные фонды будут владеть 80% предприятия, технологическая компания — 20%. Проект должен обеспечить около 1 ГВт вычислительной мощности, а запуск запланирован на 2028 год. При этом сама технологическая компания не становится единственным владельцем объекта, а получает вычислительные мощности по договору аренды.
На практике здесь встретились сразу несколько отраслей:
финансовый капитал → строительство → энергетика → дата-центр → вычисления → ИИ.
И это, пожалуй, один из наиболее интересных процессов современного технологического рынка.
ИИ становится настолько капиталоёмким, что разработка моделей постепенно превращается ещё и в задачу финансовой инфраструктуры.
Деньги начинают управляться данными
Есть и обратная сторона этой истории.
Крупнейшие управляющие компании давно работают не только с деньгами, но и с огромными массивами финансовых данных.
Один из наиболее известных примеров — платформа Aladdin. Она объединяет данные, управление портфелями и анализ рисков. По данным BlackRock, через платформу в инвестиционном цикле поддерживается более $20 трлн активов. Это не сумма собственных активов компании, а значительно более широкая величина, связанная с использованием платформы клиентами.
И теперь сюда добавляется генеративный ИИ.
Aladdin Copilot уже используется клиентами платформы: он позволяет задавать вопросы к данным и получать информацию непосредственно внутри инвестиционной системы. Компания отдельно указывает ограничения доступа и механизмы контроля, а также подчёркивает, что система не должна давать инвестиционные рекомендации за пределами своей платформы.
Это важная деталь.
ИИ в финансовой отрасли развивается не только как очередной чат-бот. Он встраивается прямо в программы, через которые профессионалы анализируют портфели, риски и рынки.
Что здесь изменит искусственный интеллект
Раньше основной проблемой финансового анализа был объём информации.
Тысячи отчётов, новости, нормативные документы, кредитные соглашения, статистика, рыночные данные — всё это должны были обрабатывать люди и традиционные алгоритмы.
Генеративные модели добавляют новый слой.
Теперь систему можно попросить не просто посчитать показатель, а найти связи между разными массивами информации, быстро изучить документы, сформировать сценарии или объяснить результаты сложного анализа.
Пока человек остаётся участником процесса и устанавливает правила.
Но экономическая логика понятна:
чем больше данных способен анализировать ИИ, тем больше финансовых решений можно автоматизировать или ускорить.
А чем больше капиталов проходит через такую инфраструктуру, тем значительнее потенциальный эффект от этой автоматизации.
Если вам показалось, что такие компании «влияют на весь мир»
Такое впечатление вполне объяснимо, если посмотреть на цепочку целиком.
Управляющая компания может одновременно работать с триллионами долларов клиентского капитала, владеть долями в тысячах публичных компаний, заниматься инфраструктурными инвестициями и предоставлять программную систему, которой пользуются другие финансовые организации.
Но это ещё не означает единого центра управления мировой экономикой.
Наоборот, система устроена гораздо сложнее: здесь есть пенсионные фонды, частные инвесторы, банки, государства, страховые компании, корпорации, биржи и множество конкурирующих управляющих.
При этом концентрация капитала действительно существует. И она становится особенно интересной именно сейчас, потому что крупнейшая технологическая гонка в истории требует не только программистов и инженеров, но и колоссальных инвестиций в электричество, оборудование и вычислительную инфраструктуру.
Поэтому следующий этап развития ИИ может определяться не только тем, кто создаст лучшую модель.
Не менее важным становится вопрос:
кто сможет профинансировать тысячи GPU, построить дата-центры, обеспечить их энергией и превратить всё это в работающую инфраструктуру.
И вот здесь мир ИИ неожиданно пересекается с миром управляющих капиталом на триллионы долларов.
Это уже не теория и не прогноз. Такие сделки заключаются сегодня.
А роль искусственного интеллекта в этой системе только начинает расти.
Небольшой тест GPT Image 2.5 Sunburst. Кот в кроксах и муравей в сапогах
Помню, когда я сдал на права и у меня кто-то спросил через некоторое время, какой у меня стаж вождения, то ответил "второй раз уже полный бак залил".
По тому же принципу, мой стаж пользования агентских ИИ - 5$. Да, это DeepSeek 4.1 через API в DHS.
Узнал много нового, выделил кучу ценных приёмов работы (пусть он ведёт todo лист файлом, фиксирует лог достижений в другом файле подробнее, создаёт папки с черновиками и чистовиками, сам правит agents.md).
А впрочем для каждого проекта приёмы могут различаться. Всё началось с отдельного проекта (промпт в софте) по его возможностям, фишки и реальное применение при работе с DHS, тесту, коду и др..
Обязательно попросите агента составить список рабочих часов и расценок. Оказалось, что я себе запланировал работу исключительно в часы пик, пришлось скорректировать график (разница по деньгам в 2 раза).
Ужас. Миджорни
Разное. Арты. Миджорни