Google DeepMind выложила AlphaGenome Atlas — базу, где для каждой возможной однобуквенной замены в геноме человека уже посчитано, что она сделает с работой генов. Не «модель, которую можно спросить», а готовый справочник: девять миллиардов вариантов, ответы предвычислены.

Что внутри

Атлас весит петабайт — в тридцать раз больше базы AlphaFold с её двумястами миллионами предсказанных структур белков. На каждый вариант приходится в среднем около 27 тысяч значений: как замена скажется на экспрессии генов, сплайсинге РНК, доступности хроматина, насколько этот участок консервативен. Всё это — в сотнях типов клеток человека и мыши.

Поверх этого вороха данных построен AVI-скор — одно число, по которому варианты можно ранжировать по предполагаемой вредности. Он собирается из 18 признаков: предсказаний самой AlphaGenome для некодирующих участков, модели AlphaMissense для кодирующих и эволюционных данных. Важно, что скор раскладывается обратно на вклады отдельных категорий — видно, почему модель поставила именно такую оценку, а не просто «плохо».

Почему это важно

Прочитать геном человека давно не проблема. Проблема в том, что делать с найденной заменой: белок-кодирующая часть — это всего 2 процента, остальные 98 регулируют, когда и насколько сильно гены включаются, и там до сих пор в основном темнота. Именно в эту зону и целится атлас.

Прошлогодняя AlphaGenome умела то же самое, но по запросу: каждый интересующий вариант нужно было прогонять через модель. Теперь исследователю, у которого на руках список из тысяч подозрительных мутаций пациента, не нужны ни GPU, ни очередь — достаточно посмотреть готовые значения и отсортировать.

Что осталось за скобками

Ограничения авторы не скрывают: покрыты не все типы клеток, а эффекты, которые работают через изменение количества других регуляторных белков, метод не ловит вовсе. И главное — это исследовательский инструмент, для клинического применения он не одобрен: скор говорит, куда смотреть, а не ставит диагноз.

Портал, API и код на GitHub бесплатны для некоммерческого использования, есть отдельный навык для Google Antigravity. Коммерческий доступ обещают через Google Cloud.

Источники: The Decoder, MarkTechPost

НЕЙРО-ПУШКА ● Новости и обзоры нейросетей

DeepMind объявила о запуске базы данных AlphaGenome Atlas - фундаментального научного каталога, содержащего ИИ-прогнозы биологических последствий абсолютно всех 9 миллиардов возможных однонуклеотидных мутаций в геноме человека

Ранее генетикам приходилось тестировать варианты вручную или запускать модели для каждой точки по отдельности, на что ушли бы сотни человеческих жизней. База сделана полностью бесплатной для академических исследователей, а коммерческий доступ через Google Cloud планируют открыть в ближайшее время.

Эта аза создана с помощью нейросети AlphaGenome, которая проанализировала эталонный геном человека и зафиксировала последствия замены каждой из четырех букв ДНК (A, T, C, G) на три альтернативных варианта. Каждая из 9 миллиардов мутаций сопровождается в среднем 27 000 индивидуальных прогнозов - от изменений в экспрессии генов до сбоев в считывании белков на сотнях типов клеток и тканей человека и мышей. Кроме того, база содержит оценку более 100 миллионов вставок и выпадений нуклеотидов, взятых из национальных баз UK Biobank и NIH All of Us, а также карту свыше 2 500 повторяющихся коротких последовательностей ДНК (мотивов).

Самое интересное открытие заключается в расшифровке "некодирующей" части ДНК, которая составляет 98% всего генома и управляет включением и выключением генов (тогда как кодирующие белки участки занимают лишь 2%). Чтобы упростить поиск, DeepMind ввела итоговый балл AVI (AlphaGenome Variant Impact): например, показатель AVI 10 указывает на принадлежность точечной мутации к 10% самых влиятельных в геноме, а AVI 30 - к одной десятой процента самых сильных сбоев. В тестах на реальных пациентах с нерасшифрованными тяжелыми болезнями модель успешно указала на патологические сплайсинговые мутации в мозге, а при поиске редких мутаций в базе на 54 000 человек из UK Biobank позволила сузить область поиска кандидатов с 526 до 4, ускорив медицинские исследования в разы

Источник

С 2 августа 2026 года каждая новая модель Claude ставит в сгенерированный текст невидимую метку, а в файлы — криптографическую подпись происхождения по стандарту C2PA. Это глобально: API, веб-версия, Claude Code, Cowork, Claude Tag. Картинки метили и раньше, но теперь очередь дошла до текста — и это первый случай, когда крупная лаборатория включает такое по умолчанию для всех.

Почему именно сейчас

Это не порыв совести, а календарь. 2 августа 2026 года вступил в силу европейский кодекс прозрачности в рамках AI Act — он требует, чтобы синтетический контент можно было машинно распознать. Anthropic просто первой накрыла требованием весь свой продуктовый парк разом, а не только генерацию изображений.

А текст от этого не испортится?

Главный вопрос для всех, кто зарабатывает текстом. Официальный ответ Anthropic: метка «не влияет на смысл, качество и читаемость» вывода.

Звучит как отписка, но техническая база под этим есть. Текстовый водяной знак ничего в текст не дописывает — он вмешивается в процедуру выбора слов. На каждом шаге у модели есть десятки почти равнозначных вариантов продолжения; вотермарк подталкивает её выбирать те, что складываются в статистический узор, невидимый человеку, но вычисляемый алгоритмом. Смысл не трогают — трогают лотерею между синонимами.

Что это работает, проверяли публично: Google DeepMind описала свой SynthID-Text в журнале Nature и обкатала его вживую примерно на 20 миллионах ответов Gemini. Разницы в пользовательских оценках между помеченными и непомеченными ответами не нашли. Свой конкретный метод Anthropic не раскрывает, но принцип в отрасли один и тот же.

Есть и честная оговорка: на коротких кусках метка ненадёжна. Абзац из пары предложений статистического узора просто не вмещает.

Что метку стирает

Обычный копипаст она переживает. А вот тяжёлая переработка текста, перевод на другой язык и конвертация формата — сбивают. Формулировка компании осторожная: метка «может пережить часть редактирования». Насколько глубоко надо переписать, чтобы её снять, Anthropic не говорит — и понятно почему: это была бы инструкция по обходу.

Самое интересное признаёт сама компания

Метка не доказывает, что текст написал Claude. Люди постоянно дают модели вычитать, перевести или сократить собственный текст — и получают на выходе документ с меткой. То есть срабатывание детектора говорит лишь «здесь была модель», а не «это писала модель». Для студента, чей диплом прогонят через проверялку, разница между «Claude писал» и «Claude вычитывал» — это разница между отчислением и нормальной защитой. А детектор их не различает.

Детектора пока нет

Самый смешной пункт: метка уже проставляется, а инструменты проверки — «планируются», без сроков. Пока это односторонняя сделка: данные метятся, проверить их публично нельзя.

Контекст показательный. OpenAI, по собственным заявлениям, много лет держит детектор с точностью около 99,9 процента и не выпускает его — боится отпугнуть пользователей и ударить по тем, для кого английский неродной. DeepMind пошла другим путём и открыла SynthID-Text. Anthropic выбрала третий: метить всех сразу, а с проверкой разбираться потом.

Почему это важно

Последние три года рынок «ИИ-детекторов» держался на угадайке по стилю — отсюда бесконечные истории про студентов, чьи честные работы признавали машинными. Вотермарк переводит вопрос из области догадок в область криптографии: либо метка есть, либо нет. Но вместе с точностью приходит новая асимметрия — метку ставит тот, кто продаёт модель, а последствия срабатывания несёт тот, кто ей пользовался.

Источники: The Decoder и TechCrunch

НЕЙРО-ПУШКА ● Новости и обзоры нейросетей

Хассабис: не обиделся, а поднялся выше

Демис Хассабис оставил кресло CEO Google DeepMind, которое занимал с основания компании в 2010 году. Обиды тут нет: он становится председателем Google DeepMind и главным научным сотрудником всего Alphabet. То есть уходит от ежедневной операционки к «стратегическим и глобальным вопросам AGI» вместе с Сундаром Пичаи, а освободившееся время отдаёт Isomorphic Labs — своей же лаборатории, где ИИ придумывает лекарства.

Кто такой этот мальчик-гений

Хассабис сел за шахматы в четыре года, к тринадцати добрал рейтинг 2300 и стал вторым в мире среди игроков до 14 лет. В 16 пришёл в Bullfrog к Питеру Молиньё, в 17 написал код Theme Park — того самого симулятора парка аттракционов, разошедшегося миллионами копий. Дальше своя студия Elixir с Republic и Evil Genius, докторская по когнитивной нейронауке, DeepMind в 2010-м, продажа Google в 2014-м, AlphaGo, AlphaFold и Нобелевская премия по химии 2024 года. Человек, успевший прожить три полноценные карьеры до сорока лет.

Оперативный руль DeepMind забрал Корай Кавукчуоглу — бывший технический директор и главный ИИ-архитектор Google, проработавший рядом с Хассабисом больше тринадцати лет. Он получает статус SVP, подчиняется напрямую Пичаи и отвечает теперь за всё: разработку Gemini, фронтир-исследования, приложение Gemini и платформы для разработчиков.

А вот Джефф Дин уходит по-настоящему

После 27 лет в Google. Это человек, на чьей инфраструктуре стоит половина современного интернета: MapReduce, BigTable, Spanner, TensorFlow, Google Brain. «Было настоящим удовольствием работать с вами и помогать строить одни из самых используемых и влиятельных продуктов в истории», — написал он на прощание.

Уходит не один. С ним Санджай Гемават — легендарный соавтор почти всех его систем, Ориол Виньялс — создатель AlphaStar и со-лид команды Gemini, и Куок Ле — пионер Google Brain. Четверо, работавших бок о бок от 14 до 30 лет, открывают Discovery Loop: контору, которая собирается строить ИИ, замыкающий научный цикл на себя. «Мы считаем, что у ИИ есть возможность гораздо полнее автоматизировать то, что традиционно было очень человекоёмким экспериментальным циклом», — объясняет Дин. Проще говоря: модели, которые сами ставят опыты, сами читают результат и сами себя улучшают.

Сид-раунд ведут Radical Ventures и Khosla Ventures, в раунде также Lightspeed, Kleiner Perkins, Doerr Capital — и сама Alphabet, которая вдобавок становится облачным провайдером стартапа. Google финансирует людей, которые от него уходят.

Контекст злее самой новости

В июле DeepMind распустил отдельную команду AlphaFold — ту, что принесла Хассабису Нобелевку, — раскидав людей по проектам вокруг Gemini. Нобелевский соавтор Хассабиса Джон Джампер ещё в июне ушёл в Anthropic, следом за ним Йонас Адлер и Александр Прицель. Четверть штатных авторов оригинальных статей об AlphaFold покинули компанию.

Складывается неуютная картина: Google переводит всё на рельсы Gemini, чтобы догнать OpenAI и Anthropic в кодинге, — и в процессе теряет ровно тех людей, которые делали DeepMind научной легендой, а не ещё одним отделом чат-бота.

Источник: The Decoder

НЕЙРО-ПУШКА ● Новости и обзоры нейросетей

Google DeepMind выкатила Gemini Robotics 2 — сразу три модели для роботов. И на фоне того, как компания буксует в гонке текстовых моделей, это выглядит внезапно убедительно.

Главное: робот теперь управляется целиком

Раньше ИИ Гугла отвечал в основном за верхнюю часть — руки и захваты. Новая VLA-модель ведёт машину «от стоп до кончиков пальцев», сама подруливая центром тяжести, чтобы робот не грохнулся при наклоне или приседании. Это и называется whole-body control, и именно это отделяет манипулятор на столе от существа, которое ходит по цеху.

Что показали

Гуманоид Apollo 2 от Apptronik получил обычную человеческую команду: «положи лейку в зелёный ящик на нижней полке». Робот сам дошёл, присел, взял предмет и поставил куда сказано — без пошагового скрипта. Пятипалые кисти SharpaWave справляются с завязыванием мусорного пакета и выкручиванием лампочки: задачи, на которых обычная робо-клешня беспомощна.

Три модели, три роли

Gemini Robotics ER 2 — модель воплощённого рассуждения. Держит задачи в сотни шагов, раздаёт работу нескольким разным роботам, следит за исполнением по видеопотокам камер и понимает, на каком шаге всё пошло не так, чтобы продолжить с нужного места. Умеет дёргать внешние сервисы вроде поиска. Gemini Robotics 2 — собственно управляющая модель. Gemini Robotics On-Device 2 крутится прямо на бортовом компьютере робота и осваивает незнакомое железо меньше чем за 200 обучающих примеров.

Безопасность меряют бенчмарком ASIMOV-Agentic: избегание столкновений, поведение при неопределённости, распознавание людей рядом и остановка. ER 2 уже доступна через Google AI Studio и приватное превью в Gemini Enterprise Agent Platform, остальные модели — только избранным партнёрам.

Почему это интересный контраст

В текстовых моделях у Гугла сейчас пробуксовка: запуск Gemini 3.5 Pro сдвинули, а сам Пичаи говорит, что следующий скачок упирается в необходимость строить куда более крупные базовые модели. Зато в железе Гугл внезапно оказался впереди — и это логично. В роботах не выигрывает тот, у кого больше видеокарт: там нужны данные с настоящих машин, годы возни с механикой и партнёры вроде Apptronik, у которых есть, на чём всё это гонять. Похоже, DeepMind нашла поле, где её многолетнее преимущество наконец конвертируется в результат.

🔗 Источник: Robotics & Automation News

🎯 НЕЙРО-ПУШКА ● Новости и обзоры нейросетей

Google DeepMind расформировал команду, создавшую AlphaFold — систему предсказания структуры белков, за которую в 2024 году дали Нобелевскую премию по химии. Большинство исходных авторов переведены на другие направления, почти четверть сотрудников полностью покинула компанию. Вице-президент по исследованиям Пушмит Кохли комментирует случившееся коротко: «Стратегия эволюционировала».

Сначала о том, чего НЕ произошло

Часть заголовков подаёт это как «Google закрывает AlphaFold». Это неточно, и разница принципиальная. Сама программа никуда не делась и продолжает использоваться в исследованиях. База данных AlphaFold Protein Structure Database с более чем 200 миллионами предсказанных структур белков остаётся открытой для учёных всего мира. Развалилась не технология, а исследовательская команда вокруг неё.

Каламбур напрашивается сам: коллектив, научивший машину сворачивать белки, в итоге сам распался на отдельные фрагменты.

Куда ушли люди

Вот здесь и находится настоящий сюжет. Джон Джампер — тот самый, кто разделил Нобелевскую премию с Демисом Хассабисом, — в июне 2026 года ушёл из DeepMind в Anthropic. Вместе с ним компанию покинули Йонас Адлер и Александр Приттцель, тоже из числа ключевых авторов.

Оставшихся распределили по другим направлениям: системы на базе Gemini, дизайн ферментов, ядерный синтез, геномика, Isomorphic Labs — подразделение Alphabet, занимающееся разработкой лекарств. Формально никого не уволили. Фактически команды, которая семь лет решала одну задачу, больше не существует.

Что за этим стоит

DeepMind отходит от собственной исторической модели — долгих исследований, выстроенных вокруг конкретной научной проблемы. Именно так делались AlphaGo и AlphaFold: годы работы небольшой команды над задачей, которая не даёт квартальной выручки. Новый приоритет — Gemini-системы для учёных и конкуренция с OpenAI и Anthropic за ИИ-агентов.

Логика понятна: агенты — это рынок здесь и сейчас, а предсказание структуры белков свою премию уже принесло. Но у такого разворота есть цена. Лаборатория, которая решила полувековую биологическую проблему и получила за это Нобелевку, перестраивается в продуктовую фабрику.

Тревожный узор

Это не единичный случай, а часть картины. Нобелевский лауреат уходит из корпоративной лаборатории в другую компанию. Ян Лекун ранее ушёл из Meta заниматься моделями мира. Фундаментальные прорывы всё чаще уступают место продуктовым гонкам.

И совпало это с неделей, когда рынок впервые за два года начал забирать деньги из ИИ — чипмейкеры потеряли 1,3 триллиона долларов капитализации. Прямой связи между этими событиями нет. Но если из отрасли уйдут и громкие научные открытия, поддерживать поток инвестиций будет уже нечем — кроме обещаний.

Источники: The Decoder, Engadget

НЕЙРО-ПУШКА ● Новости и обзоры нейросетей