Исследователи Google DeepMind запустили четырёх ИИ-агентов на Gemini 4 Argon в случайный мир Minecraft на выживание с одной целью: победить Эндер-дракона, финального босса игры. Без ролей, без стратегии и без готовых игровых инструментов агенты справились за 27 часов 14 минут. По словам авторов, это первое полностью автономное прохождение Minecraft ИИ-агентами.

Как они играли

Агенты управляли персонажами через открытую библиотеку Mineflayer и договаривались в игровом чате и через общую память. Роли они распределили сами в первые десять минут: один делал инструменты и крепость, второй добывал припасы, третий открыл портал в Незер, четвёртый строил укрытия от эндерменов и нанёс последний удар. Ещё один агент-наблюдатель следил, чтобы никто не жульничал.

За забег они написали 2783 программы, обменялись 229 сообщениями и погибли 605 раз, из них 69 раз от дракона. До Энда они дошли примерно за 13,5 часа, остальное время ушло на босса. Прорыв случился, когда агенты поняли, что дракона лечат десять кристаллов на башнях, и начали строить к ним столбы из земли.

Кто проходил раньше

По данным авторов, без людей и самописных игровых инструментов дракона до них не побеждал никто. Но к этому шли несколько лет. OpenAI VPT в 2022 году обучили на 70 тысячах часов видео игроков: модель играла мышью и клавиатурой по пикселям и дошла до алмазной кирки. NVIDIA Voyager в 2023 году на GPT-4 и той же Mineflayer сама писала себе навыки и добралась до алмазных инструментов. DeepMind DreamerV3 первым добыл алмазы с нуля без человеческих данных.

Достижение ли это

Да, но с оговорками. Главное здесь не игра, а длинный горизонт: агентам пришлось больше суток держать единый план через тысячи зависимых шагов, переживать сотни смертей и учиться на них без подсказок.

Оговорки тоже есть. Агенты видели игру не глазами, как VPT или человек, а через программный интерфейс Mineflayer и управляли ей кодом. Сложность стояла на «Лёгкой». Работа — препринт на arXiv, независимой проверки ещё не было.

Источники: Engadget, The Decoder, arXiv

НЕЙРО-ПУШКА ● Новости и обзоры нейросетей

Чем заменили. Инструмент не назвали; ближайший опубликованный аналог — FunSearch от DeepMind (2023). Цикл тот же: породить кандидатов, проверить, лучших вернуть в следующее поколение. Заменён один шаг: кандидатов пишет языковая модель, в промпт которой кладут лучшие программы прошлого раунда. Она обучена на огромном корпусе кода, поэтому кандидаты чаще близки к ответу. Проверка и отбор остались прежними.

Породить кандидата дёшево, проверить дорого: на этом и держался перебор на тысячах волонтёрских CPU. У модели дороже только первый шаг: раз кандидат сразу ближе к ответу, прогонов на проверку, соответственно, нужно меньше. Работа уходит на ускорители под моделью — в этой схеме 780 активным хостам LODA (на 11 сентября) места больше нет.

Такие проекты угасают тихо, без объяснений, а тут причину назвали открыто, это хорошо.

Архив: https://github.com/loda-lang/loda-programs

Автор: Алексей

#boinc #LODA

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