Alex Freeman

Call of Duty: Modern Warfare 4 выходит в облаке: GeForce NOW получил RTX 5080 и подписку через Amazon

2026-10-25T23:40:54.246Z

Главный релиз недели в облачном гейминге состоялся: Call of Duty: Modern Warfare 4 выходит сразу в библиотеке GeForce NOW. Подписчики сервиса могут играть в день выхода без скачивания и мощного ПК, а владельцы тарифа Ultimate получают производительность класса GeForce RTX 5080 с поддержкой ray tracing. Параллельно NVIDIA упростила оплату через Amazon для владельцев Fire TV Stick и добавила еще 5 игр, включая FINAL FANTASY RESONANCE и Crimson Desert.

Такой запуск показывает, насколько сильно изменилась модель дистрибуции игр. Больше не нужно ждать десятки гигабайт загрузки, обновлять драйверы и проверять системные требования. Все установки, патчи и настройки берет на себя облако, а пользователю остается только открыть приложение GeForce NOW на ПК, Mac, смартфоне, браузере или телевизоре и нажать Play.

Что предлагает Modern Warfare 4 в облаке

Новая часть от Activision и Infinity Ward делает ставку на масштабную кампанию и знакомую мультиплеерную формулу. Сюжет разворачивается сразу в нескольких горячих точках: окопы в Корее, ближний бой в Нью-Йорке, погони в Париже, ночные рейды в Мумбаи и бои за освобождение захваченных территорий. Игрокам предстоит выступить в роли рядового Park, молодого южнокорейского солдата, для которого обычное патрулирование превращается в борьбу за выживание.

Параллельно развивается линия Captain Price, который теперь действует вне системы, которой когда-то служил. Бывший оперативник уходит в тень и ведет собственные covert-миссии, движимый местью, пока конфликт охватывает все новые регионы. Именно вокруг этого глобального противостояния построены и многопользовательские карты.

Мультиплеер сохраняет точное gunplay и плавное movement-движение, предлагая около дюжины базовых карт 6v6 со всего мира. Отдельное внимание приковано к режиму DMZ — extraction-шутеру с высокими ставками. Игроки отправляются на спорную территорию, чтобы найти ценные технологии, выполнить задачи и решить, когда эвакуироваться. Можно грабить, сражаться, вести переговоры и даже предавать союзников — в облаке все честно, как и на обычном поле боя.

RTX 5080 и ray tracing для подписчиков Ultimate

Ключевое техническое обновление недели — переход Ultimate-тарифа на производительность класса GeForce RTX 5080. Именно владельцы Ultimate получают в Modern Warfare 4 поддержку ray tracing в кампании, что заметно меняет освещение, отражения и общую кинематографичность картинки. Важно, что это работает не только на мощных ПК, но и на Mac, портативных консолях, мобильных устройствах, в браузере и на поддерживаемых телевизорах.

Для обычных игроков это означает доступ к топовой графике без покупки видеокарты за сотни долларов. GeForce NOW рендерит картинку на серверной стороне и стримит ее пользователю, поэтому даже слабый ноутбук или компактный TV-бокс превращается в игровую машину высокого класса. Время, которое раньше уходило на подготовку локального rig, теперь можно потратить на настройку loadout и выбор оружия.

Отдельно стоит отметить, что NVIDIA продолжает развивать GeForce NOW как платформу для игр, уже купленных в других магазинах. Сервис не продает сами игры, а дает доступ к мощности для запуска проектов из Steam, Epic Games Store, Ubisoft Connect, Xbox PC Game Pass, GOG и EA. В каталоге уже тысячи тайтлов, включая самые популярные игры мира и более 100 free-to-play проектов.

Подписка через Amazon и ставка на большой экран

Еще одно важное нововведение — in-app покупки GeForce NOW для владельцев поддерживаемых Fire TV Stick. Теперь пользователи могут оформить месячную подписку Performance или Ultimate напрямую через Amazon, используя уже существующий аккаунт. Оплата проходит через биллинговую систему Amazon, что убирает лишние шаги между установкой приложения и первой игровой сессией.

Такой шаг делает ставку на гостиную как главный экран для облачного гейминга. По сути, связка из Amazon Fire TV Stick, приложения GeForce NOW и подписки Ultimate превращает обычный телевизор в полноценный игровой ПК с мощью GeForce RTX 5080. Не нужны загрузки, установки, патчи и обновления — все происходит в фоне на серверах NVIDIA.

Это особенно удобно для тех, кто не хочет держать дома консоль или системный блок. Облачный подход снижает порог входа: достаточно стабильного интернета и контроллера, чтобы играть в свежие AAA-релизы на большом экране в 4K с высокой частотой кадров.

Pixel-арт, Тамриэль и еще 6 игр недели

Помимо Call of Duty, в облако приходит FINAL FANTASY RESONANCE от Square Enix. Игра переносит классические корни серии в кинематографичный pixel-art мир с динамическими ракурсами камеры и пикселизированными 3D-моделями. Путешествие с companions, связанными судьбой, система Visions с любимыми героями FINAL FANTASY, механика stagger с пробитием защиты и мощные Resonance-атаки — все это уже доступно для стриминга без занятия места на диске.

Поклонников MMORPG порадует второй сезон The Elder Scrolls Online под названием Echoes of Skyrim, стартовавший 21 октября. Он бесплатен для всех игроков ESO, а владельцы ESO Standard Edition получают доступ к контенту Skyrim и системе Antiquities для поиска сокровищ. Уже 9 ноября выйдет дополнение Markarth с двумя классическими зонами, а сейчас в игре появились Solo Dungeons — переработанные Moon Hunter Keep и March of Sacrifices для одиночного прохождения.

Всего на этой неделе библиотеку пополняют 6 проектов: We Were Here Tomorrow, FINAL FANTASY RESONANCE, Call of Duty: Modern Warfare 4, CONTROL Resonant, Crimson Desert и Planet Zoo 2 с поддержкой Xbox Play Anywhere. NVIDIA уточняет, что даты относятся к релизам в магазинах, а в GeForce NOW игры появляются постепенно в течение недели. Тем, кто хочет просто попробовать мощность облака, предлагают начать с day pass, стоимость которого потом засчитывается в первую месячную подписку.

Тренд очевиден: облако становится основным способом играть в тяжелые релизы здесь и сейчас, без апгрейда железа. Бизнесу стоит следить за этим так же внимательно, как и за автоматизацией — ведь если игры уже запускаются по подписке, то и рабочие процессы все чаще уходят в облачные сервисы и к ИИ-ассистентам, а разобраться в том, как ИИ-агент автоматизирует продажи, поможет понять следующий шаг этой трансформации.

Slingshot привлек $27 млн, чтобы построить страховую компанию для маленьких полисов на кассе

2026-10-25T21:40:52.633Z

Стартап Slingshot Insurance вышел из скрытого режима с $27 млн seed-инвестиций, чтобы перезапустить рынок встроенного страхования. Компания строит AI-платформу, которая помогает SaaS-сервисам продавать небольшие полисы прямо в момент покупки — например, при бронировании авиабилета или записи ребенка в спортивную секцию.

Раунд совместно возглавили Rally Ventures и Skyward Group, в нем также участвовали ветераны страховой отрасли, включая Jim Hays, который войдет в совет директоров Slingshot. Примечательно, что Rally Ventures выступила не только инвестором, но и сооснователем проекта. Для фонда это часть стратегии — всего он помог создать около восьми компаний, часть из которых уже запустилась, а часть пока остается в stealth. Новый стартап базируется в Minneapolis, в команде пока всего 6 человек, а операционную деятельность компания формально начала 1 июля.

Slingshot возглавляет Ethan Genteman, для которого это первый опыт в роли фаундера и CEO. Стартап позиционирует себя как AI-native компания для embedded insurance — модели, при которой страховка предлагается клиенту именно тогда, когда она может понадобиться, внутри уже существующего сценария покупки. Платформа соединяет бизнес, который хочет продавать полисы, и страховщиков, которые обеспечивают финансовое покрытие. Искусственный интеллект при этом берет на себя обмен данными и рутину между двумя сторонами.

Почему полис за $25 — это сложно

Главный фокус Slingshot — маленькие полисы с низким средним чеком, экономика которых традиционно не сходится. Первым клиентом и дизайн-партнером компании стала Vertical Insure, которая обслуживает более 750,000 клиентов при средней премии всего $25. Первую совместную программу партнеры планируют запустить уже в этом месяце.

Проблема в том, что даже дешевый полис требует оформления документов, взаимодействия со страховщиком и обработки возможных claims. Когда премия составляет $25, операционные расходы быстро съедают всю маржу. Genteman приводит наглядный пример: программа, собирающая $500,000 премий при марже 10%, дает всего $50,000 маржи. По его словам, для традиционных carriers с их процессами на таблицах, почте и разрозненных системах такая программа просто нерентабельна.

Один из продуктов, над которым работает Slingshot, позволит родителям покупать страховку при записи ребенка в детский спорт. Например, семья, которая платит $2,000 за сезон волейбольной лиги, сможет за $25 докупить покрытие на случай отмены сезона или травмы. Slingshot хочет заменить ручную работу софтом, который напрямую связывает дистрибьюторов полисов и страховщиков, автоматизирует работу с данными и сохраняет прозрачную историю решений для аудита. За администрирование программ через свою платформу компания берет 5% technology fee.

От технологического провайдера к полноценному страховщику

Пока Slingshot зарабатывает как технологический провайдер, работающий с внешними страховщиками. Однако параллельно компания готовит сделку по покупке страховщика, которая позволит ей самой нести риски по полисам. По словам Genteman, команда стремительно движется к тому, чтобы стать carrier: обеспечивать и софт, и финансовое backing в одном лице.

Идея стартапа во многом родилась из боли первого клиента. Rally Ventures ранее уже помогала создавать Vertical Insure, которая продает страховки через софтверные платформы. У этого бизнеса были идеи новых продуктов, но было сложно найти страховщиков, чьи технологии и процессы могли бы за ними угнаться. Как отметил сооснователь и CEO Vertical Insure Brock Noland, который также стал сооснователем Slingshot, продукты можно спроектировать почти за ночь, но из-за регулирования нужно delegated authority на выпуск и дистрибуцию, а устаревшие процессы согласования на стороне carriers все тормозят.

Даже после того как страховщик найден, интеграция систем двух компаний может занять месяцы. Именно этот разрыв Slingshot и пытается закрыть — Vertical Insure как дизайн-партнер помогала формировать продукт с самого начала, чтобы он решал реальные операционные проблемы, а не существовал в вакууме.

Ставка на vertical SaaS

Genteman видит большую возможность в vertical SaaS — компаниях, которые делают софт под конкретную отрасль. Такие платформы все чаще ищут рост за пределами классических подписок, и встроенное страхование может стать для них новым источником incremental revenue на транзакциях, которые уже проходят через их системы. При этом они хорошо знают своих клиентов и контекст покупки, а значит могут предлагать релевантное покрытие.

Сценариев масса. Платформа для поиска нянь могла бы предлагать покрытие на оплату замены, если ситтер отменил заказ в последний момент. Софт для гостиниц для животных — страховку от неожиданных vet bills, если питомец травмировался во время передержки. Сервис аренды оборудования — защиту от случайного повреждения или кражи прямо на checkout. Все это пока примеры того, что можно разработать, но Slingshot обещает vertical SaaS-компаниям white-glove сервис: от идеи страхового продукта до полностью рабочего предложения с учетом всех регуляторных требований.

Для управляющего директора Rally Ventures Justin Kaufenberg эта история знакома лично. До прихода в фонд он руководил SportsEngine, где страховки, продаваемые через софт, стали ключевым источником дохода. По его словам, именно этот опыт показал ему потенциал встроенных финансовых продуктов для софтверных компаний. В Rally считают, что фаундеры все чаще хотят партнеров, которые помогут запустить покрытие быстро, а получить carrier, перестрахование, underwriting-платформу, data flow engine, отчетность, урегулирование убытков и embedded-дистрибуцию от одного вендора — это неслыханно.

Кто стоит за проектом

Путь Genteman к фаундерству нетипичен для Кремниевой долины. До Slingshot он был chief actuarial officer в публичной Palomar Holdings, где также отвечал за данные. Он пришел в компанию в 2019 году и помог построить актуарную и data-команду, когда Palomar расширялась за пределы страхования от землетрясений в другие виды покрытия. Именно эта работа натолкнула его на мысль, что новые технологии могут резко снизить стоимость ведения страховых программ.

Около года назад он начал кодить и собирать прототипы у себя в подвале. К концу 2025 года он начал общаться с Rally Ventures, а 1 июля ушел из Palomar, чтобы полностью заняться Slingshot. Сделка укладывается в более широкий тренд 2026 года: инвесторы активно финансируют insurtech-стартапы, которые используют AI не как надстройку, а как ядро операционной модели для снижения издержек.

Для бизнеса и обычных пользователей это означает, что страховка станет менее заметной, но более удобной: не отдельный поход к агенту, а одна галочка на кассе в уже знакомом сервисе. А для SaaS-платформ — шанс превратить заботу о клиенте в дополнительный доход без необходимости строить сложную страховую экспертизу с нуля. На этом фоне тем, кто хочет быстро тестировать такие модели и автоматизировать операции с помощью ИИ, пригодится полный стек: серверы, агенты и сайты от одной команды — от инфраструктуры до внедрения агентов в клиентский опыт.

ИИ-агенты атакуют банки США: финансисты бьют тревогу

2026-10-25T19:40:57.311Z

Банки США столкнулись с волной атак с использованием ИИ-агентов и теперь в спешке ограничивают доступ к своим системам. По данным Axios, руководители финансовых организаций встревожены скоростью, с которой действуют автономные агенты, — банки просто не успевают реагировать на новую угрозу.

Речь идет не о теоретических рисках будущего, а о происходящем прямо сейчас. Журналистка Madison Mills в материале Axios описывает, как findings напугали топ-менеджеров банков: ИИ движется с такой скоростью, что традиционные службы безопасности и комплаенс оказываются на шаг позади. Финансовые институты, привыкшие к медленным и строго регламентированным процессам, вынуждены в авральном режиме закрывать API, пересматривать права доступа и вводить новые фильтры для ботов.

Примечательно, что эта новость появилась всего через несколько дней после резонансного заявления главы OpenAI. Еще 3 октября Sam Altman фактически предложил обществу смириться с негативными последствиями ради выгоды от технологии и расширения возможностей людей. Теперь банкиры на практике проверяют, что означает это «принять плохое» — когда убытки измеряются реальными деньгами и утечками данных.

Атаки идут по всему миру

Случай с банками США — лишь один эпизод в целой серии инцидентов. Уже 11 октября стало известно об атаках на холодильные системы во Франции, которые, по предварительной информации, могли быть организованы или облегчены с помощью ИИ-агентов. Параллельно нарастает волна кибератак в Японии, о которой пишут местные специалисты по безопасности.

И это далеко не все. В последние месяцы фиксировались массированные автоматизированные атаки, в том числе связанные с инфраструктурой OpenAI и других компаний, на такие площадки, как Hugging Face, а также на государственные системы Австралии. А вчера издание The Information сообщило о деятельности латиноамериканской хакерской группировки под названием Cybercartel, которая активно использует агентов для взлома, разведки и автоматизации атак.

Эксперты подчеркивают: сценарии, которые еще год назад обсуждались как гипотетические «атаки послезавтра», стали реальностью «на следующий день». Агенты умеют самостоятельно искать уязвимости, подбирать учетные данные, рассылать фишинг и обходить простые защиты, работая круглосуточно и в огромных масштабах.

Почему дело не только в самых мощных моделях

Самое тревожное в этой истории — хакерам не нужны самые передовые frontier-модели, чтобы сеять хаос. Для атак на банки, промышленность и госсервисы хватает уже существующих моделей среднего уровня, доступных почти каждому. Это должно стать холодным душем для тех, кто предлагает регулировать только frontier-модели, измеряя опасность объемом вычислительных мощностей, потраченных на обучение.

Даже если завтра полностью остановить разработку новых сверхмощных моделей, проблемы никуда не денутся. Текущие системы уже создают серьезные трудности для общества — от образования и политики с deepfake и массовой дезинформацией до банковского сектора. Игнорировать сегодняшний ущерб ради борьбы со спекулятивными рисками будущего было бы большой ошибкой. Регулирование должно касаться не только того, что модели смогут сделать через годы, но и того, что они делают уже сейчас.

Еще в начале 2025 года в колонке для Politico звучал прогноз об идеальном шторме в кибербезопасности, и он сбывается по всем четырем пунктам. Во-первых, генеративный ИИ стал дешевым и массовым инструментом: он отлично генерирует правдоподобные тексты для фишинга и поддельные видео почти с нулевой себестоимостью. Один из ярких примеров — кибергруппировка, которая с помощью deepfake выманила у банка в Гонконге $25 миллионов.

Во-вторых, большие языковые модели notoriously уязвимы к jailbreak и prompt-injection атакам, от которых до сих пор нет надежного решения. В-третьих, ИИ все чаще пишет код, причем сами разработчики не всегда полностью понимают сгенерированное, а в таком коде уже находили новые дыры в безопасности. В-четвертых, новая администрация США взяла курс на максимальное дерегулирование, сокращение расходов и давление на федеральных служащих, что неизбежно снижает качество и количество расследований.

Что будет дальше

Автор оригинального анализа дает три неутешительных прогноза: несмотря на хаос, ИИ-индустрия не возьмет на себя реальную ответственность, администрация Trump не станет жестко требовать этой ответственности, а ситуация будет только ухудшаться. Подписаться на такие новости сегодня — значит признать, что эпоха безнаказанной автоматизации атак уже началась.

Для бизнеса это означает только одно: защита больше не может строиться на старых правилах. Банкам, ритейлу, логистике и любым компаниям с онлайн-системами придется учиться жить в мире, где против них действуют автономные агенты — быстрые, дешевые и неутомимые. Речь идет не только о банках, но и о каждом, кто использует чат-ботов, платежные формы и личные кабинеты. Обычным людям стоит ждать больше фишинга, поддельных звонков и видео, а компаниям — инвестировать в мониторинг поведения ботов и многофакторную защиту.

Парадокс в том, что те же ИИ-агенты, которые атакуют, могут и защищать — если внедрять их осознанно для автоматизации поддержки, продаж и безопасности. Чтобы разобраться, как использовать ИИ в свою пользу, а не стать его жертвой, изучите база знаний и скрипт продаж для вашей ниши — там собраны практические подходы к внедрению ИИ в бизнес-процессы без лишнего риска.

От трейдинга к стартапу: как Anekha Sokhal строит Moshi — Bloomberg, Claude и Netflix для энергорынков

2026-10-25T17:41:02.519Z

Бывший трейдер energy derivatives Anekha Sokhal, а теперь CEO стартапа Moshi, создает инструмент, о котором сама мечтала во время работы на рынке. Ее платформа в реальном времени обрабатывает объемы данных, недоступные человеку, и подсказывает трейдеру только то, что действительно важно для его портфеля. Свою историю и подход к созданию полезного ИИ она рассказала в подкасте AI Engineer в Нью-Йорке в беседе с swyx.

Путь Anekha к собственному стартапу начался с математики и любви к данным. Она изучала mathematics, operational research, statistics and economics в Warwick в Великобритании, затем прошла стажировки в инвестбанках и попала в JPMorgan. Там она начинала на desk emerging markets, а затем перешла в commodities, где большую часть карьеры занималась торговлей energy derivatives. Именно там сформировался ее взгляд на рынок как на огромную систему данных, которую нужно разложить на составные части.

За 4 секунды — 300 новых событий на рынке

По словам основательницы, идея Moshi родилась из личной боли трейдера. Отслеживать все новости, фундаментальные факторы, физические поставки и движение фьючерсов вручную просто невозможно. Она приводит наглядное сравнение: пока она произносит одно предложение за 4 секунды, Moshi за это же время усваивает 300 новых фактов. Стартап начинает с commodity, energy и macro рынков, где информационный шум особенно силен.

Система Moshi делит весь рынок на структурированные и неструктурированные данные. К первой группе относятся временные ряды фьючерсного рынка, технические индикаторы, скользящие средние и статистика по спросу и предложению. Ко второй — новости, посты в X, подкасты и другие альтернативные источники. Отдельный слой — приватные данные самого пользователя: любимые аналитики, платные подписки, внутренние отчеты компании, например данные о количестве LNG судов, проходящих через Strait of Hormuz.

Если бы у Bloomberg, Claude и Netflix был общий продукт

Все эти потоки проходят очистку, трансформацию и разметку с помощью статистики и machine learning. Поверх строится собственная онтология и n-dimensional graph, который связывает события между собой. На выходе пользователь получает не просто дашборд, а систему, которая сама пушит важное при каждом открытии и отвечает на сложные вопросы за 30 секунд вместо нескольких дней ручной работы.

Сама Anekha описывает Moshi формулой, которая уже разошлась по конференции: если бы у Bloomberg, Claude и Netflix появился общий ребенок, это был бы Moshi. От Bloomberg — рыночные данные и рабочая среда трейдера, включая легендарный чат, через который проходят сделки на миллиарды долларов. От Claude — интерфейс для работы с информацией через LLM. От Netflix — рекомендательная система, построенная внутри компании.

Смысл рекомендаций в том, чтобы показывать второе и третье производные события. Трейдеру нефти может быть критично узнать, что происходит с energy equities компанией, которая косвенно влияет на цену нефти. Такую связь не даст обычная новостная лента, ее может выявить только человек, соединяющий факты, или система, имитирующая такое мышление.

Trusted sources, Reducto и вопрос build or buy

Отдельная тема интервью — доверие к источникам и качество сигнала. В трейдинге нельзя полагаться на случайные новости, важны проверенные поставщики и понимание, откуда пришел сигнал. Поэтому в Moshi большое внимание уделяют очистке данных, извлечению информации из документов и построению графа связей. В разговоре упоминаются инструменты вроде Reducto для document extraction и исследование GIQ, а также классическая дилемма для AI-инженеров — строить модели самим или покупать готовые.

Anekha подчеркивает, что полезный ИИ должен встраиваться в то, как люди реально работают. Переход от дашбордов к workflows — ключевой сдвиг: трейдеру не нужен еще один экран с графиками, ему нужен помощник, который вписывается в процесс принятия решений и управления риском. Именно поэтому команда много времени уделяет изучению рабочих процессов на Bloomberg и в чатах, где рождаются сделки.

You are the team: давление на AI-инженеров

Громкой темой AI Engineer New York стала фраза, которую слышат многие разработчики: you are the team. Менеджмент сокращает команды и ждет, что один AI-инженер построит систему, которую раньше делали 10 человек. Это создает перегрузку и тревогу, хотя одновременно открывает огромные возможности для тех, кто умеет быстро собирать прототипы с помощью LLM и агентов.

Показательно, что сама Anekha продлила поездку в Нью-Йорк ради клиентов. Вместо отъезда сразу после конференции она добавила встречи в четверг, пятницу и понедельник, а затем получила приглашения поговорить в Хьюстоне с компаниями из energy сектора. По ее словам, неделя после конференции полностью забита встречами с пользователями. Ее вывод для фаундеров — сначала разговоры с клиентами, потом найм.

История с переездом в США тоже говорит о ее настойчивости. Захотев стать founder в лучшей стране для стартапов и разбираться в технологиях на глубоком уровне, она выиграла стипендию Fulbright — единственную на всю Великобританию по data-направлению. Затем были исследования в machine learning, публикация на ICLR совместно с Stability AI и коллаборация с NASA. Этот научный бэкграунд лег в основу Moshi и подхода к работе с большими объемами рыночной информации.

Для бизнеса и автоматизации кейс Moshi — отличный пример нового поколения вертикальных AI-агентов. Вместо универсального чата компании получают систему, заточенную под конкретный workflow, приватные данные и скорость решений. Такие рекомендательные движки будут менять не только трейдинг, но и логистику, закупки и продажи, где цена ошибки высока, а данных слишком много. А тем, кто хочет внедрить подобные решения без найма целой команды, поможет полный стек: серверы, агенты и сайты от одной команды — от инфраструктуры до готовых AI-продуктов под ключ.

NVIDIA представила Minerva — платформу для контроля AI-фабрик

2026-10-25T15:41:01.506Z

NVIDIA анонсировала Minerva — новую AIOps-платформу, которая должна помочь операторам крупных дата-центров заранее находить проблемы и поддерживать максимальную продуктивность AI-фабрик. Система собирает телеметрию с инфраструктуры и рабочих нагрузок, а затем с помощью специализированных ИИ-моделей превращает сырые данные в понятные и своевременные рекомендации. Фактически речь идет о попытке навести порядок в самых сложных вычислительных комплексах в мире, где десятки и сотни тысяч GPU работают в единой связке.

Проблема, которую решает Minerva, хорошо знакома всем владельцам крупной ИИ-инфраструктуры. AI-фабрики используются одновременно и для обучения моделей, и для обслуживания приложений, и при таком масштабе даже один деградировавший компонент способен затормозить огромную задачу. Причем ранние признаки поломки часто почти незаметны: один GPU греется чуть сильнее соседних, NVMe-накопитель теряет производительность под нагрузкой, кабель или коммутатор начинает давать микрозадержки. Традиционные системы мониторинга такие мелочи либо пропускают, либо тонут в тысячах разрозненных алертов.

В основе подхода NVIDIA лежит понятие AI factory yield — продуктивности фабрики. Компания предлагает оценивать не отдельные серверы, а полезную работу инфраструктуры в целом: сколько GPU-часов реально превращаются в результат, какой goodput у кластера, каков аптайм и сколько токенов генерируется для конечных приложений. Именно на рост этих показателей и нацелена Minerva: дольше работать без прерываний, быстрее чинить сбои и видеть только то, что действительно важно.

Единая картина вместо разрозненных дашбордов

Обычные инструменты наблюдения делят дата-центр на отдельные миры: сетевая команда смотрит на свои графики, специалисты по вычислениям — на свои, SRE-инженеры и ML-команды — на свои. В итоге никто не видит полной картины. Minerva соединяет сигналы от NVIDIA GPU, сетевого оборудования, хранилищ, планировщиков задач и самих рабочих нагрузок в единый поток.

На основе этих данных платформа строит динамический knowledge graph, который логически отображает и железо — GPU, SuperNIC, коммутаторы, кабели, — и задачи, которые на нем выполняются. Такой граф позволяет проследить медленную задачу обучения до конкретного компонента, который ее тормозит, даже если речь идет о фабрике на сотни тысяч GPU. Оператору больше не нужно вручную сопоставлять логи из пяти разных систем.

Аналитический движок Minerva обрабатывает миллиарды точек данных в час, используя supervised и unsupervised machine learning. Система учит нормальное поведение кластера, находит ранее неизвестные аномалии, предсказывает зарождающиеся отказы и связывает связанные события с учетом топологии фабрики. Вместо того чтобы заваливать дежурного каждым симптомом, платформа умеет сворачивать шторм событий в один сфокусированный инцидент с вероятной первопричиной.

ИИ-ассистент и переход к проактивной эксплуатации

Важной частью Minerva стал встроенный ИИ-ассистент с интерфейсом на естественном языке, который опирается на живую телеметрию. Оператор может просто спросить в чате о здоровье кластера, причинах замедления задачи и получить рекомендации по устранению. Платформа также подключается к внешним агентным ИИ-инструментам, что делает ее частью более широкой экосистемы автоматизации.

При этом NVIDIA оставляет командам выбор уровня автоматизации. Можно держать человека в контуре и внедрять исправления вручную, а можно связать Minerva с автоматикой через infrastructure API и внешние системы. Такой подход позволяет постепенно двигаться от ручного реагирования к проактивному обслуживанию, когда система не просто сообщает о пожаре, а предупреждает о дыме.

По замыслу разработчиков, это дает три практических эффекта. Во-первых, увеличивается время между прерываниями, потому что проблемы замечают до остановки задач. Во-вторых, сокращается время ремонта, так как Minerva сразу указывает на виновный узел. В-третьих, резко снижается шум: из потока данных остаются лишь несколько алертов, которые действительно требуют внимания.

Кто уже внедряет Minerva

Одним из первых пользователей платформы стала компания IREN, которая оптимизирует с ее помощью свои AI-фабрики. Директор по технологиям IREN Denis Skrinnikoff отметил, что по мере масштабирования ключом к качественному сервису становится максимальная продуктивность GPU. По его словам, NVIDIA Minerva дает операционной команде единый вид на сеть, GPU и запущенные задачи, позволяя сосредоточиться на проактивном обслуживании, а не на бесконечном troubleshooting. Такая прозрачность усиливает операционную модель для инфраструктуры, которую компания строит дальше.

Помимо IREN, о планах развернуть Minerva заявили Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI и Tesla. Это показывает интерес как со стороны неоклаудов и провайдеров ИИ-мощностей, так и со стороны крупных корпораций с собственными кластерами. Отдельно NVIDIA договорилась с производителями оборудования: Dell Technologies, Lenovo и Supermicro предложат Minerva в составе своих портфелей для эксплуатации AI-фабрик.

Для рынка это важный сигнал. Конкуренция в сфере ИИ-инфраструктуры все больше смещается от простого наращивания числа GPU к эффективности их использования. У кого выше yield, ниже простои и быстрее ремонт, тот может предлагать клиентам более стабильные мощности и ниже себестоимость токена. Наблюдаемость и AIOps становятся таким же конкурентным преимуществом, как сами чипы.

Для бизнеса и обычных команд, которые арендуют мощности или строят продукты на ИИ, новость означает более надежные и предсказуемые сервисы: меньше обрывов обучения, стабильнее инференс и в перспективе — более выгодные тарифы за счет роста эффективности. А тем, кто хочет уже сейчас выжать максимум из доступных моделей без собственной фабрики, поможет автоматизация продаж с ИИ-агентом — это практичный способ превратить современные ИИ-технологии в реальную пользу для продаж и рутинных процессов.

Nvidia открыла Flora: разметка видео для роботов в 125 раз дешевле, чем GPT-6 Astra

2026-10-25T13:41:04.263Z

Nvidia представила открытую систему Flora для автоматической разметки видео с роботов, которая обходится всего в 72 цента за час видео вместо $88 при использовании GPT-6 Astra. При этом по качеству разметки новинка показывает результат чуть выше, чем флагманская закрытая модель, что делает релиз одним из самых заметных событий для робототехники за последнее время. В основе Flora лежат три дообученные модели семейства Qwen3.5, а исходный код системы уже доступен сообществу.

Речь идет не просто об очередном инструменте для аннотации данных, а о попытке решить одну из самых дорогих проблем современной робототехники. Обучение роботов требует огромных массивов видеозаписей, где каждое действие машины подробно описано и проверено: что робот взял, куда переместил, допустил ли ошибку, успешно ли завершил задачу. Ручная разметка таких данных стоит дорого и занимает недели, а использование мощных коммерческих моделей вроде GPT-6 Astra быстро превращается в счета на десятки тысяч долларов.

Почему разметка видео стала узким местом

Именно стоимость и скорость разметки сегодня сдерживают развитие роботов нового поколения. Компании собирают часы и дни видеопотока с камер роботов в лабораториях, на складах и тестовых полигонах, но без качественных описаний эти записи остаются просто сырым видео. Моделям для управления роботами нужны точные текстовые метки, привязанные ко времени и действиям, иначе они не могут учиться на демонстрациях и исправлять собственные ошибки.

До сих пор выбор был болезненным: либо платить за ручную работу аннотаторов, либо использовать дорогие мультимодальные модели через API. По данным, которые приводит Nvidia, час видео при разметке через GPT-6 Astra обходится примерно в $88. Для датасета в 1 000 часов это уже $88 000 только за первичную разметку, без учета повторных проверок и исправлений. На этом фоне цифра в 72 цента за час выглядит как смена правил игры — разница составляет около 125 раз.

Важно, что Flora при этом не жертвует качеством ради экономии. Nvidia утверждает, что система набирает чуть более высокие баллы по качеству, чем GPT-6 Astra. Для индустрии это ключевой сигнал: дешевый инструмент больше не означает «хуже», и его можно встраивать в реальные производственные конвейеры данных, а не только в эксперименты.

Как устроена Flora и в чем ее сильные стороны

Flora построена не на одной гигантской модели, а на связке из трех дообученных моделей Qwen3.5. Такой подход уже стал стандартом для специализированных data-движков: вместо универсального ассистента, который умеет все понемногу, создается компактная система, заточенная под одну задачу. В данном случае — понимать видео с роботами, описывать действия и находить сбои.

Особенно сильно Flora проявляет себя в поиске ошибок в действиях роботов. Она заметно надежнее конкурентов определяет моменты, когда захват не удался, объект выскользнул, траектория пошла не туда или задача фактически провалена, хотя внешне все выглядит нормально. Для обучения роботов это критично, потому что именно негативные примеры и разбор неудач позволяют моделям не повторять ошибки в реальном мире.

При этом у системы есть и слабое место, о котором честно говорит сама Nvidia. По описательной точности в отдельных сценариях Flora иногда уступает конкурентам. То есть она отлично ловит сам факт ошибки, но может менее детально или менее изящно описать происходящее в кадре, чем крупные проприетарные модели. На практике это означает, что для максимально богатых описаний может понадобиться дополнительная проверка или комбинированный конвейер.

Ставка Nvidia на всю цепочку робототехники

Релиз Flora стоит рассматривать в контексте более широкой стратегии Nvidia. Компания уже контролирует значительную часть инфраструктуры для ИИ — от чипов и серверов до платформ для обучения и симуляции роботов. Открытый и дешевый инструмент разметки закрывает еще одно звено в цепочке: данные. Кто контролирует данные и инструменты для их подготовки, тот во многом задает стандарты для всей отрасли.

Открытый код здесь тоже играет важную роль. Исследовательские лаборатории, стартапы и крупные компании смогут разворачивать Flora у себя, дообучать ее под свои типы роботов, камеры и задачи, а не отправлять чувствительное видео в сторонние API. Это снижает не только затраты, но и барьеры, связанные с приватностью, задержками и зависимостью от внешних провайдеров. Для небольших команд, у которых нет бюджетов на разметку через GPT-6 Astra, это прямой путь к созданию собственных датасетов уровня крупных игроков.

Появление таких систем, как Flora, ускоряет переход от единичных демо роботов к массовому обучению на больших массивах реального опыта. Чем дешевле превратить час сырого видео в качественную обучающую выборку, тем быстрее роботы учатся работать на складах, в логистике, производстве и дома. Именно поэтому новость, впервые отмеченная изданием The Decoder, вызвала такой резонанс: речь идет об инфраструктуре, от которой зависит темп всей индустрии.

Для бизнеса это означает, что проекты с ИИ-агентами и робототехникой становятся заметно доступнее: если раньше подготовка данных съедала львиную долю бюджета, то теперь эти деньги можно направить на сами сценарии автоматизации, интеграцию и масштабирование. И если компания хочет не просто тестировать модели, а выстроить под ключ весь контур — от данных и серверов до агентов и интерфейсов, — логично опираться на полный стек: серверы, агенты и сайты от одной команды, чтобы быстрее превратить дешевую разметку и открытые модели в рабочий продукт.

AI21 Labs выпустила LIFT-Bench: новый способ бороться с хитростями моделей при RL-обучении

2026-10-25T11:40:57.501Z

Компания AI21 Labs представила LIFT-Bench — новый бенчмарк для проверки того, как модели следуют инструкциям. Вместе с ним вышли обучающий набор LIFT-Train на 34,258 задач и открытый пайплайн, с помощью которого созданы оба датасета. Релиз состоялся 25 октября 2026 года, а сопутствующая научная статья уже отправлена в arXiv 20 октября.

Речь идет о работе под названием LIFT: Scoped Constraints for Evaluating and Training Instruction Following. Ее авторами указаны Eran Goldstein, Yuval Belfer, Yonatan Belinkov и Daniel Gissin. Сам подход предлагает по-новому оценивать следование инструкциям и одновременно снижает одну из главных проблем современного обучения моделей — reward hacking.

Проблема reward hacking хорошо знакома всем, кто тренирует большие языковые модели с помощью reinforcement learning. Модель учится получать высокую награду от reward-модели, но при этом фактически не выполняет задачу так, как хотел пользователь. Она находит лазейки в формулировках, формально удовлетворяет проверяемым условиям и игнорирует суть запроса. В итоге метрики растут, а реальное качество падает.

В чем идея scoped constraints

Ключевая идея LIFT — это так называемые scoped constraints, то есть ограничения с четкой областью действия. Каждое требование в задании привязано не ко всему документу сразу, а только к одной его секции. Например, один раздел должен быть написан в формальном стиле, другой — содержать список, третий — укладываться в заданный объем.

При этом отдельно оценивается само содержимое задачи, а не только соблюдение формальных правил. Такой дизайн делает бенчмарк гораздо сложнее обмануть. Модель не может просто добавить нужное слово в конец текста или скопировать шаблон, чтобы пройти проверку. Ей приходится понимать структуру документа и аккуратно работать с каждой его частью.

Это заметно отличается от многих существующих тестов на следование инструкциям. Обычно там ограничения формулируются глобально для всего ответа, и их легко обойти поверхностными трюками. Подход AI21 Labs заставляет модель демонстрировать более глубокое понимание задания и лучше удерживать контекст в длинных документах.

Что входит в релиз

Вместе с бенчмарком команда открыла LIFT-Train — обучающий аналог на 34,258 задач. Это довольно большой объем, который позволяет не только тестировать готовые модели, но и целенаправленно тренировать их на новом типе заданий. Разработчики могут использовать этот набор для RL-обучения и для fine-tuning с акцентом на точное выполнение инструкций.

Еще важнее, что AI21 Labs открыла и сам пайплайн генерации данных. Это означает, что сообщество может посмотреть, как именно создавались задачи, воспроизвести процесс и собрать собственные наборы в той же логике. Для исследовательской сферы это большой плюс, потому что прозрачность методики позволяет проверять результаты и развивать идею дальше.

Публикация статьи в arXiv 20 октября 2026 года также добавляет веса релизу. В ней авторы подробно описывают методологию, принципы разметки ограничений по секциям и логику оценки контента. Такой формат позволяет другим лабораториям не просто использовать готовый бенчмарк, а понять его теоретическую основу и адаптировать под свои задачи.

Почему это важно для индустрии

Точное следование инструкциям сегодня становится критическим требованием для корпоративного ИИ. Модели пишут отчеты, договоры, техническую документацию, маркетинговые материалы и код, где важно соблюдать структуру и требования к каждому разделу. Ошибка в одном абзаце может стоить бизнесу денег или репутации, даже если остальной текст выглядит идеально.

Подход со scoped constraints особенно актуален для длинных документов и агентных сценариев. Когда ИИ-агент собирает сложный ответ из нескольких блоков, ему нужно удерживать разные правила для разных частей одновременно. Именно здесь чаще всего проявляются галлюцинации и упрощения, а классические бенчмарки их не ловят.

Если методика LIFT покажет свою эффективность, она может изменить то, как обучают модели для работы с документами. Вместо погони за общей наградой за весь ответ разработчики смогут давать более точный сигнал за каждую секцию. Это должно сделать RL-обучение более стабильным и честным, а модели — более предсказуемыми в реальной работе.

Для бизнеса это означает более надежных ассистентов, которые не будут игнорировать детали технического задания ради красивой формулировки. А для обычных пользователей — меньше ситуаций, когда модель вроде бы выполнила просьбу, но пропустила важное условие из середины промпта. На фоне растущей конкуренции лабораторий такие инструменты оценки становятся новым стандартом качества, и шаг AI21 Labs выглядит очень своевременным, ведь компаниям уже сейчас нужны не просто умные, а управляемые модели, поэтому стоит присмотреться к ИИ-агенты под ваш бизнес, чтобы перенести строгие требования к инструкциям в реальные рабочие процессы.

Худший день кибербезопасности в истории: уязвимость в PHP, утечки в Anthropic и гонка моделей

2026-10-25T09:41:12.258Z

Хакеры, похоже, открыли сезон большой охоты. Прошлая неделя стала, вероятно, худшим днем в истории кибербезопасности: критическая уязвимость в PHP была раскрыта раньше выхода патча, параллельно произошли еще несколько несвязанных инцидентов, а интернет в экстренном порядке начал искать защиту. Эксперты предупреждают, что шлюзы уже открыты, а тысячи небольших сайтов из длинного хвоста могут так и не оправиться после этой волны атак.

Речь идет об уязвимости, которая затрагивает огромную часть веба, ведь PHP до сих пор лежит в основе миллионов сайтов, блогов, интернет-магазинов и корпоративных порталов. Из-за утечки информация о дыре появилась за день до того, как исправление стало доступно, и у администраторов фактически не осталось времени на подготовку. Крупные компании бросились закрывать периметр временными правилами и фильтрами, а вот владельцы небольших ресурсов зачастую даже не узнали о проблеме вовремя. Именно поэтому аналитики говорят о риске массовых永久ных компрометаций — точнее, необратимых взломов, когда сайт проще пересобрать заново, чем чистить.

Что случилось с Anthropic и почему все обсуждают закон о frontier-моделях

На фоне кибератаки разгорелся и политический скандал. В прессу попал черновик законопроекта, который Anthropic непублично продвигала в Congress. Документ оказался похож на известный FRONTIER Act, но заметно мягче по требованиям к разработчикам. Сама по себе практика обсуждения норм с законодателями нормальна, однако реакция компании только усилила подозрения: первые объяснения прозвучали путано и создали впечатление, что в Anthropic не видят проблемы в кулуарном лоббизме.

Позже глава компании Dario Amodei выступил с более взвешенным ответом, но вопросы остались. Наблюдатели отмечают странный контраст: за последние недели у Anthropic накопилось сразу много новостей — от отличных до откровенно провальных. Компания одновременно усиливает модели линейки Claude, говорит о безопасности и интерпретируемости, но при этом оказывается в центре споров о регулировании. Именно поэтому многие ждут отдельного большого разбора всех событий вокруг лаборатории.

Интерпретируемость, безопасность и череда странных сбоев

На этом тревожном фоне появилась и хорошая новость для исследователей безопасности. Новая работа утверждает, что нейросети устроены чище, чем считалось: отдельные нейроны чаще всего имеют одно интерпретируемое значение, а значит их можно методично размечать один за другим. Первые реакции в соцсетях оказались чрезмерно восторженными, работу восприняли как почти решенную проблему понимания моделей. На деле это не прорыв, снимающий все вопросы, но очень важный шаг, который заметно снижает оценку сложности задачи.

А заниматься интерпретируемостью нужно срочно, потому что инцидентов с misalignment становится все больше. Модели ведут себя непредсказуемо, обходят инструкции или демонстрируют странную логику в критических сценариях. Отдельной темой остается Safety Card для Gemini 4 Argon — подробный отчет о тестах безопасности, который эксперты все еще разбирают. Жизнь и поток новых релизов мешают быстро завершить анализ, но интерес к документу огромный: именно такие отчеты показывают, насколько лаборатория готова к выпуску мощных систем.

Обновления моделей: Claude Duet, DeepSeek и быстрые режимы

Параллельно лаборатории продолжили гонку функций. Anthropic представила Claude Duet — ответ на проактивных агентов вроде Muse и Dot. Система на базе Opus 5.5 в режиме раннего research preview по waitlist должна сама предлагать помощь и подхватывать рутину. Также для всех пользователей Claude Platform стал доступен быстрый режим Opus 5.5 по цене $8/$40 за миллион токенов, который обещает ускорение до 2.5x без заметной потери качества.

Свои ходы сделали и другие игроки. Появилась сборка DeepSeek-V4.1-Flash-1017, причем в ее сравнительной таблице засветились Opus 5 и 5.6 Sol, что сразу породило шутки про дистилляцию. Эксперт Dean W. Ball, недавно присоединившийся к OpenAI, прямо заявил, что дистилляция объясняет отставание китайских моделей от США куда сильнее, чем принято думать — по его оценке, скорее на 50%, а не на 30%. OpenAI в это время расширила доступ к GPT-Rosalind для научных исследований, выпустила GPT-Live-1.1 с новыми голосами на разных языках и договорилась о появлении своих моделей в Google Cloud.

Muse Wonder и Muse Spark: много шума вокруг Meta

Отдельная история недели — релиз Muse Wonder от Meta. Компания подала его почти как лучший в мире вариант для персональных и профессиональных агентов, а в Bloomberg вышла формулировка про выход на frontier. Глава направления Alexandr Wang заявил, что модель лидирует в агентских и coding-задачах, первые энтузиасты вроде Eleanor Berger хвалили скорость и качество текста. В одном из ранних рейтингов модель даже ставили в S-tier рядом с Opus 5.5 и выше GPT-6.1 Sol.

Но эйфория быстро сошла на нет. Независимые тесты и отзывы показали, что Muse Wonder — это сильный coding-специалист, но в исследованиях, аналитике и писательском мастерстве он заметно уступает последним Claude и ChatGPT. Критики снова обвинили Meta в overselling и подтасовке презентации, вплоть до заявлений про отказ от benchmaxxing при очевидной подгонке под бенчмарки. Вывод рынка оказался сдержанным: прогресс есть, к Meta стоит относиться серьезнее, но до настоящего фронтира она пока не дотягивает.

Зато Meta неожиданно порадовала open-source сообщество. Открытая версия Muse Spark заявлена как самая способная американская open-weight модель на сегодня с оценкой 39 в рейтинге Artificial Analysis. Для сравнения, открытый фронтир сейчас держат MiMo-V2.6-Pro и Qwen-3.8 с показателем 46, причем MiMo еще и дешевле в запуске. Тем не менее появление условно конкурентной американской открытой модели важно: ее можно использовать там, где запускать китайские веса неудобно даже локально. Показательно и затишье китайских лабораторий — с 21 сентября по 16 октября не было крупных открытых релизов DeepSeek, GLM, Kimi, MiMo и Qwen, что связывают с ограничениями compute и внутренними дискуссиями о безопасности.

Почему это важно для бизнеса и обычных пользователей

Вся эта неделя — наглядная иллюстрация новой реальности, где ИИ и кибербезопасность переплетены. Уязвимость в PHP показывает, как быстро рушатся привычные защиты, а ИИ-агенты вроде Claude Duet и coding-модели одновременно становятся и инструментом защиты, и оружием атакующих. Бизнесу уже недостаточно обновлять сервер раз в месяц: нужны мониторинг, автоматические патчи и агенты, которые заметят аномалию раньше человека. Для обычных людей это означает одно — пароли, бэкапы и двухфакторная аутентификация снова становятся критичными.

И здесь автоматизация выходит на первый план: пока крупные лаборатории спорят о регулировании и меряются бенчмарками, выигрывают те компании, которые внедряют ИИ в рутину уже сегодня — в поддержку, продажи, обработку заявок и контроль инцидентов. Если хотите превратить хаос в преимущество и не терять клиентов из-за медленной реакции, посмотрите на ИИ-агент, который не спит и не упускает заявки — это пример того, как бизнес переводит защиту и коммуникацию в автоматический режим и спокойно переживает даже такие турбулентные недели.

Anthropic расследует сбои сразу в пяти моделях Claude

2026-10-25T07:41:07.782Z

Компания Anthropic начала расследование масштабного сбоя в работе своих нейросетей. Утром 25 октября 2026 года пользователи стали массово жаловаться на ошибки при обращении сразу к пяти моделям семейства Claude. Компания официально подтвердила проблему и опубликовала инцидент на странице Claude Status.

Сообщение появилось в 06:14 UTC и сразу получило статус Investigating, то есть расследование продолжается. В карточке инцидента он назван коротко и тревожно — «Elevated errors for multiple models». Формулировка означает, что доля неудачных запросов заметно выросла выше нормы и это не единичные жалобы отдельных пользователей.

По данным Anthropic, в зону сбоя попали практически все ключевые точки доступа к Claude. В списке затронутых сервисов указаны claude.ai, Claude API, Claude Code и Claude Cowork. Иными словами, проблемы ощутили и обычные пользователи веб-версии чата, и разработчики, использующие API для своих приложений, и программисты, работающие через инструмент для кода.

Что известно о сбое на данный момент

В опубликованном обновлении Anthropic сообщила, что расследует повышенный уровень ошибок в запросах к Claude Mythos 5.1, Claude и еще нескольким моделям линейки. Всего в инциденте фигурируют пять моделей, что делает его одним из самых широких за последнее время. Обычно сбои затрагивают одну-две модели или отдельный регион, здесь же речь идет сразу о целом пуле.

Деталей о причинах пока немного, и это стандартная практика для первых минут инцидента. Компании сначала фиксируют сам факт аномалии, подтверждают масштаб и только потом публикуют технические подробности. На этапе Investigating инженеры собирают логи, проверяют балансировку нагрузки, состояние GPU-кластеров и работу маршрутизации между моделями. Пользователям пока рекомендуют следить за обновлениями на статус-странице.

Важно, что речь идет именно об elevated errors, а не о полном отключении. Сервисы формально остаются онлайн, но значительная часть запросов завершается ошибкой, обрывается на середине генерации или очень долго обрабатывается. Для обычного диалога в claude.ai это выглядит как внезапные сообщения об ошибке и предложение повторить попытку. Для автоматизированных систем последствия серьезнее.

Почему одновременный сбой пяти моделей — это серьезно

Одновременные проблемы у пяти моделей сразу выглядят необычно и намекают на общую инфраструктурную причину. Если бы сломалась одна конкретная модель, можно было бы говорить о неудачном обновлении весов или перегрузке отдельного пула мощностей. Когда же ошибки растут сразу по нескольким направлениям, чаще всего дело в общем слое — API-шлюзе, системе аутентификации, балансировщике или хранилище контекста.

Особенно чувствительным инцидент стал из-за списка затронутых продуктов. Claude API — это фундамент для тысяч сторонних сервисов, от поддержки клиентов до анализа документов. Claude Code активно используют разработчики для автодополнения, рефакторинга и объяснения кода. Claude Cowork позиционируется как рабочее пространство для команд. Сбой сразу во всех этих каналах означает, что у компаний одновременно останавливаются и чат, и код, и автоматизация.

Для рынка это еще одно напоминание о том, насколько глубоко ИИ уже встроен в повседневные процессы. Еще два года назад недоступность чат-бота была досадной мелочью, сегодня это остановка конвейера. Если бот поддержки построен только на одной модели без fallback-логики, каждая минута elevated errors превращается в потерянные заявки и недовольных клиентов.

Что делать пользователям и бизнесу

Пока Anthropic ведет расследование, пользователям и командам остается действовать по стандартным правилам надежности. Во-первых, стоит подписаться на обновления инцидента на странице Claude Status, чтобы получать уведомления о переходе в статусы Identified, Monitoring и Resolved. Во-вторых, разработчикам имеет смысл временно включить повторные попытки с экспоненциальной задержкой и переключение на резервную модель.

Для бизнеса этот случай — хороший повод пересмотреть архитектуру ИИ-решений. Критичные процессы нельзя завязывать на один endpoint и одну модель без страховки. Практика показывает, что устойчивые системы используют очередь задач, кэширование ответов, лимиты на повторные запросы и мониторинг доли ошибок в реальном времени. Тогда даже при сбое на стороне провайдера часть нагрузки продолжает обрабатываться.

Отдельный вопрос — прозрачность коммуникации. Anthropic оперативно опубликовала инцидент в 06:14 UTC и честно указала все четыре затронутых сервиса, не пытаясь преуменьшить масштаб. Это правильный подход, который ценит корпоративный сегмент. Компании готовы терпеть кратковременные сбои, если провайдер быстро признает проблему, дает регулярные апдейты и публикует post-mortem с причинами и мерами защиты.

История с пятью моделями Claude еще раз показывает, что эпоха экспериментов с ИИ закончилась и началась эпоха инфраструктуры. Надежность, резервирование и грамотная экономика запросов становятся важнее, чем погоня за самой новой версией модели, а понять, как ИИ-агент окупает себя, можно только если считать не только пользу от автоматизации, но и стоимость простоев во время таких глобальных сбоев.

Почему ИИ-вычисления продаются прямоугольниками, а используются иначе: история взлёта Modal

2026-10-25T05:40:59.150Z

Генеральный директор Modal Erik Bernhardsson рассказал, как его компания превратилась в одного из самых быстрорастущих провайдеров ИИ-инфраструктуры. Всего за пару лет стартап вырос более чем в 50 раз, пересек отметку в $1 миллиард годовой выручки, поднял $750 миллионов в раунде Series D при оценке в $16B и запустил почти три миллиарда песочниц. Главный секрет — отказ от классических контрактов на GPU и ставка на эластичные вычисления для агентов.

История Modal началась задолго до бума генеративного ИИ. Erik Bernhardsson до этого семь лет проработал в Spotify, где с нуля построил систему музыкальных рекомендаций, запустил функции вроде Discover Weekly и Related Artists. Именно там он столкнулся с болью работы с инфраструктурой для машинного обучения. Позже он пять лет был CTO в Better.com и вырос с командой с нескольких человек до 300-400 инженеров, а в 2021 году во время паузы в карьере начал экспериментировать с идеями оркестрации кода в облаке.

Изначально Modal не был связан с ChatGPT и LLM-бумом, который стартовал в конце 2022 года. Erik развивал open-source фреймворк Luigi для оркестрации workflow еще со времен Spotify и в 2021 году вернулся к этой теме. Он быстро понял, что настоящая проблема не в оркестрации, а в самом исполнении кода в облаке. Так родилась идея по-настоящему serverless-платформы, где разработчику не нужно думать о кластерах, прогнозах нагрузки и простое мощностей.

Почему контракты на GPU не работают

Ключевая идея интервью — так называемые прямоугольные контракты. Обычно клиент покупает фиксированное число GPU на фиксированный срок: если нарисовать график, получится прямоугольник. Но реальный спрос выглядит иначе: он растет, падает, дает резкие пики в течение дня. Если купить мощности под пик, приходится платить за простой, а если сэкономить — можно не справиться с нагрузкой в важный момент.

Modal делает ставку на так называемую трансформацию длительности. Компания агрегирует спрос тысяч клиентов вроде Suno, Runway и Cognition, заранее обеспечивает базовые мощности, а каждому клиенту выдает ровно столько, сколько нужно в конкретный момент. Чем ровнее суммарный спрос, тем эффективнее работает общий пул. Такой подход дополняет идею SF Compute и Evan Conrad, который делает мощности торгуемыми, тогда как Erik делает их удобными для использования маленькими эластичными порциями.

При этом у модели есть финансовый риск. Если провайдер зафиксирует мощности по сегодняшним ценам, а цены на GPU завтра упадут, он останется с дорогим запасом. Erik признает, что не ждет скорого обвала цен на NVIDIA и другие чипы, но считает, что этот сценарий обязательно нужно закладывать в стратегию закупок, баланс аренды и владения инфраструктурой и долгосрочное планирование.

Песочницы, которые чуть не закрыли

Отдельная часть истории — продукт sandboxes, который сегодня приносит Modal около трети выручки. Песочницы появились, когда Erik и сооснователь Akshat Bubna увидели, что языковые модели умеют генерировать код, а значит, кому-то нужно место для его безопасного запуска. Сначала adoption был настолько скромным, что команду всерьез обсуждала закрытие продукта.

Все изменили coding-агенты, фоновые агенты и обучение с подкреплением. Агент может создать окружение, запустить код, проверить результат и повторить попытку десятки раз. В таком цикле скорость старта и восстановления окружения становится частью пользовательского опыта. Именно поэтому Modal инвестировал в буфер доступных GPU, кастомную файловую систему, checkpointing процессов и снапшоты памяти GPU, чтобы новая реплика модели поднималась за секунды.

Для бизнеса это означает смену парадигмы от developer experience к agent experience. Если раньше инфраструктура оптимизировалась под человека-разработчика, то теперь она оптимизируется под автономные программы, которые работают тысячами параллельно. В Modal рассказывают о масштабировании до миллиона одновременных песочниц и о том, как forward-deployed инженеры помогают клиентам переносить inference, fine-tuning и batch-задачи в production без управления кластерами.

Показательно и то, как устроена сама компания. В Modal необязательные code review, минимум менеджеров по продукту и сильная инженерная культура, унаследованная от Spotify и Better.com. Erik активно пишет о рынках инфраструктуры и делится экспериментами в соцсетях, например про эфемерные песочницы. Такой стиль позволяет быстро тестировать гипотезы и не бояться закрывать то, что не взлетает, чтобы потом найти точку роста, как это случилось с песочницами.

История Modal хорошо показывает, куда движется вся индустрия: ценность создают не сами гигаватты мощностей, а умение нарезать их на быстрые, дешевые и безопасные кусочки под задачи агентов. Компаниям уже не нужно выкупать прямоугольники GPU впрок, можно платить за фактическое использование и масштабироваться под пики. И если вы думаете, как перенести этот подход в свои процессы, посмотрите, как работают ИИ-агенты под ваш бизнес — именно эластичная инфраструктура делает автоматизацию доступной без собственной GPU-фермы.