Телеграм канал «Тест Тьюринга»

📹 Генерированное видео станет нашей средой обитания

Почти всю историю кино-изображение сначала снимали или рисовали, а затем показывали зрителю. Генеративное видео долго сохраняло ту же логику: человек отправлял запрос, ждал несколько минут и получал готовый ролик.
Теперь этот порядок начинает разрушаться.

fal Research и Black Forest Labs выпустили FLUX 3 Max — дообученную и оптимизированную версию FLUX 3. Десятисекундное видео в 720p она создаёт примерно за 12 секунд. Для сравнения, еще недавно Seedance 2.5 в опубликованном тесте потребовалось 277,8 секунды - примерно в 22 раза больше. При этом модели получили одинаковые 1139 баллов Elo в предварительном рейтинге Artificial Analysis по преобразованию изображения в видео.

Формально FLUX 3 Max занимает второе место, но статистически входит в группу лидеров: интервалы результатов пересекаются. Модель создаёт ролики продолжительностью от 5 до 20 секунд, поддерживает 720p и 1080p, 24 кадра в секунду, начальный и конечный кадры и генерируемый вместе с изображением звук. До 7 ноября стоимость на fal составляет $0,0425 за секунду видео в 720p - затем заявлена обычная цена $0,17.

Ускорение достигнуто не созданием совершенно новой базовой модели, а сочетанием дополнительного обучения, дистилляции и глубокой оптимизации инфраструктуры инференса.

Но является ли FLUX 3 Max настоящей генерацией в реальном времени?

Модель выдаёт готовые десять секунд почти за те же десять секунд, однако пользователь не может войти внутрь уже начавшегося ролика и немедленно изменить его течение.

Настоящее интерактивное видео устроено иначе: система непрерывно создаёт следующий кадр на основе предыдущих кадров и новых действий человека. У такого мира нет заранее рассчитанного будущего. Пользователь поворачивает камеру, произносит команду или нажимает кнопку — и последующие кадры рождаются уже с учётом этого действия.

Однако FLUX 3 Max показывает, что главное техническое препятствие — скорость — быстро уменьшается. Когда качественное видео производится примерно с той же скоростью, с которой оно просматривается, видеомодель можно превращать из фабрики роликов в движок виртуальной среды.

Первые такие системы уже появились:

➡️ Reka совместно с NVIDIA показала закрытую бета-версию модели на 30 млрд параметров, создающую непрерывный поток 720p при 24 кадрах в секунду. Пользователь может менять происходящее текстовыми командами прямо во время трансляции.

➡️ Китайская Vidu S1 генерирует интерактивных персонажей в 540p при 25 кадрах в секунду и реагирует на голос: меняет не только речь, но и выражение лица, жесты и поведение героя. Заявлена скорость до 42 кадров в секунду, доступна бета-версия и API.

➡️ Google Genie создаёт исследуемые виртуальные пространства в 720p и 24 fps, а Project Genie уже позволяет привязывать сгенерированные миры к реальным местам из Street View.

➡️ Odyssey-3 формирует среды, реагирующие на действия человека или агента, включая сценарии обучения роботов, автомобилей и дронов.

➡️ Runway пошла ещё дальше: её Solaris генерирует в реальном времени уже не фильм, а сам пользовательский интерфейс.

Мы входим в эпоху, когда изображение на экране перестаёт быть записью прошлого и становится пластичной версией настоящего.

Игры смогут создавать локации вокруг следующего шага игрока. Виртуальный собеседник — менять мимику и поведение по ходу разговора. Обучающий симулятор — мгновенно перестраивать ситуацию под ошибку ученика. Дополненная реальность — не накладывать заранее подготовленные объекты, а непрерывно перерисовывать окружающий мир.

💬 Тест Тьюринга. События в сфере ИИ. Подписаться

🔬 Богатая неделя: ИИ собрал почти всю фабрику научных открытий

Иногда несколько отдельных новостей складываются в один большой сюжет. За последнюю неделю появились сразу четыре события, показывающие, как ИИ охватывает почти весь исследовательский цикл: получает задачу на обычном языке, проектирует новые белки, разбирает результаты миллионов измерений и учится самостоятельно работать в физической лаборатории.

1⃣ Две тысячи ИИ-агентов за 32 минуты разобрали данные миллионов клеток мозга
OpenAI, PerturbAI и Scripps Research направили почти 2000 агентов GPT‑Rosalind на анализ CRISPR-атласа мышиного мозга. Каждый агент изучал отдельное генетическое вмешательство, сопоставлял изменения в клетках с научной литературой и предлагал возможное объяснение.

Объединённая система использовала более 700 публикаций — против 11 у одного агента.

В слепом сравнении биологи предпочитали её отчёты в 75% случаев. Среди найденных направлений — возможная связь нарушений в обмене холестерина в нейронах и нейродегенерации. Но это пока гипотеза для последующей проверки.

2⃣ Белок теперь можно заказывать почти словами
В Nature опубликована модель Pinal на 16 млрд параметров, которая проектирует белки по описанию требуемой функции на естественном языке.

Её обучили на 1,7 млрд синтетически размеченных пар «белок - описание».
Работу модели проверили на четырёх задачах: например,
проектироварие флуоресцентного белка и фермента, разрушающего пластик.

Во всех случаях созданные белки продемонстрировали требуемую функцию в лаборатории.

3⃣ NVIDIA и лаборатория Дэвида Бейкера выпустили открытую RFD4‑Proteina
Модель одновременно проектирует последовательность белка, его трёхмерную структуру и взаимодействие с другими молекулами.

Подобно reasoning-моделям, она может тратить больше вычислений на особенно сложные проекты и отбрасывать неудачные варианты прямо во время генерации.

По данным разработчиков, RFD4‑Proteina создаёт успешные конструкции в 5-10 раз чаще и работает в 5-10 раз быстрее предшественников. В одном из экспериментов с её помощью за несколько дней получили улучшенный фермент для разрушения пестицида — прежний вариант разрабатывали месяцами. Модель и веса опубликованы открыто.

4⃣ Google дала ИИ-учёному руки и цифрового двойника лаборатории
Система VERID создаёт живую трёхмерную модель рабочего места: знает расположение приборов, объёмы реагентов, запас наконечников и геометрию движений робота.

Перед выполнением команда агента проигрывается в симуляции, поэтому физически невозможные или опасные действия блокируются.

В замкнутых циклах агенты уже проектировали молекулы, запускали эксперименты, анализировали ошибки и меняли стратегию. При поиске ДНК-аптамеров они самостоятельно распознали, что оптимизируют «липкие», но неспецифичные молекулы, скорректировали правила и увеличили долю подтверждённых попаданий с 3,7% до 33,5%.

Если сложить четыре новости, получится не витрина моделей, а чертёж новой научной машины:
задача на человеческом языке → проектирование молекулы → тысячи параллельных интерпретаций → физический эксперимент → данные для следующего цикла.

Возможно, главным ограничением науки скоро перестанет быть недостаток перспективных гипотез.

Наоборот, ИИ сможет производить их быстрее, чем лаборатории, рецензенты и научные институты успеют проверять.

Пока ни одна из этих работ не означает появления лекарства или полностью автономного учёного. Но граница уже сдвинулась: ИИ переходит от разговора о науке к проектированию объектов и участию в эксперименте.

💬 Тест Тьюринга. События в сфере ИИ. Подписаться

🧮 ИИ научился решать задачи за часы и математики собирают $15 млн, чтобы успеть понять ответы

В математике возник новый конфликт — не между человеком и машиной, а между двумя способами производить науку.
Старая научная школа движется медленно: результат обсуждают на семинарах, проверяют строка за строкой, связывают с предыдущими работами и превращают доказательство в знание, которое способны объяснить другие люди.

Новые лидеры — ИИ-лаборатории, владеющие моделями и вычислениями, — могут за несколько дней выбросить в публичное пространство объём результатов, который целая область не успеет прочитать за годы.

15 октября Simons Foundation вместе с OpenAI и Anthropic объявил программу стоимостью $15 млн, призванную помочь математикам справиться с этим разрывом. Это совокупный вклад трёх организаций деньгами и ресурсами; OpenAI и Anthropic отдельно заявили о взносах по $5 млн, включая доступ к моделям и вычислениям.

Распределять поддержку будет сам фонд, а не ИИ-компании.
Деньги пойдут на конференции, летние школы, рабочие группы, постдоков и исследования, необходимые для проверки и осмысления машинных результатов. Отдельный конкурс предусматривает до пяти двухлетних грантов Simons Foundation размером до $500 000 каждый.

Формально это программа поддержки математики. Фактически — строительство аварийной инфраструктуры для науки, скорость которой внезапно изменилась.

Поводом стал математический залп OpenAI

6 октября компания опубликовала 722 машинные рукописи, объединённые в 372 семейства результатов. Модель проверили примерно на 4 000 задачах, причём на получение одного результата в среднем уходил эквивалент трёх часов работы ChatGPT Pro. Часть доказательств была формализована в Lean, но значительная доля осталась без полной машинной проверки.

Уже на следующий день OpenAI сняла три рукописи: ошибка в знаке разрушила одно доказательство и две зависевшие от него работы. Ещё 14 текстов пришлось исправить. Это не обесценивает весь массив, но показывает разницу скоростей: машина может создать научный "долг" значительно быстрее, чем люди способны его погасить.

Особенно наглядной стала реакция лауреата Филдсовской премии Юго Дюмениль-Копена. На видеоконференции Французского математического общества 8 октября он рассказал, что среди заявленных результатов не менее 16 относятся непосредственно к его исследованиям — более 3 500 страниц текста.

Le Monde приводит его слова: «Они уничтожили мою область исследований». Учёный признался, что плакал, и показал слайд с кроликом, раздавленным грузовиками.

Но это не просто эмоциональная реакция учёного, проигравшего гонку машине. На глазах меняется центр власти в науке. Университеты и научные школы веками определяли, какие вопросы важны, как признаётся доказательство и кому принадлежит приоритет. Теперь исследовательскую повестку могут перехватывать компании, контролирующие закрытые модели и огромные вычислительные мощности.

Возникает почти колониальная конструкция: научное сообщество десятилетиями создаёт теории, литературу и открытые задачи; ИИ-лаборатория массово перерабатывает этот материал, заявляет сотни результатов и возвращает их людям для бесплатной проверки. Тот, кто управляет моделью, начинает управлять не только скоростью, но и направлением исследований.

Как избежать превращения науки в службу верификации при ИИ-корпорациях?

Нужен новый общественный договор:
➡️ разделять результаты на формально проверенные, понятые человеком и предварительные;
➡️ выпускать массивы поэтапно, соразмерно возможностям сообщества;
➡️ публиковать модель, промпты, вычислительные затраты, неудачные попытки и историю выбора задач;
➡️ размещать работы в независимых научных репозиториях, а не на площадке компании;
➡️ оплачивать проверку и объяснение доказательств как полноценную исследовательскую работу;
➡️ обеспечивать учёным широкий доступ к моделям, иначе возникнет двухуровневая математика — для владельцев вычислений и для всех остальных.
Именно такие принципы предложила независимая группа AGMAI.

💬 Тест Тьюринга. События в сфере ИИ. Подписаться

🔴 Китай против США: кто на самом деле выигрывает ИИ-гонку?

Пока мир обсуждает новые модели OpenAI, Google и Anthropic, в Китае происходит куда более масштабный процесс: формируется целая исследовательская экосистема, которая постепенно сокращает технологический разрыв с США.

1️⃣ Китай уже располагает гораздо большей армией ИИ-исследователей

По данным аналитической компании Digital Science, в Китае насчитывается около 51 000 действующих исследователей в области ИИ против 14 000 в США. Китайское исследовательское сообщество примерно в 3,6 раза больше американского.

Но важна не только численность. Китайские университеты ежегодно выпускают большое количество специалистов, а исследовательские центры и технологические компании распределены сразу по Пекину, Шанхаю, Ханчжоу и Шэньчжэню.

2️⃣ Китайские специалисты всё реже считают необходимым уезжать в США

Исследование, проведённое аналитиками Carnegie China на выборке авторов престижной конференции NeurIPS, показало: 57% авторов NeurIPS 2025 года получили степень бакалавра в Китае. Тремя годами ранее таких было 46%.

Но ещё интереснее, где эти специалисты работают впоследствии. Из исследователей, получивших высшее образование в Китае и публиковавшихся на NeurIPS, 69% оставались в Китае в 2025 году. В 2022 году показатель составлял 57%. Для сравнения: среди аналогичной группы исследователей из Европы в своём регионе оставались 60%, а среди окончивших университеты в США — 89%.

При этом картина неоднозначна. Американские университеты и лаборатории по-прежнему привлекают китайских учёных, а китайские исследователи, уже работавшие в США в 2019 году, в большинстве своём остались там и к 2025 году.

То есть речь не о массовом бегстве китайских учёных из Америки. Скорее, Китай всё лучше удерживает собственные таланты и создаёт условия, при которых перспективным специалистам необязательно уезжать, чтобы заниматься передовыми исследованиями.

3️⃣ Почему Китай пока не обогнал США в разработке передовых моделей?

США по-прежнему лидируют по числу наиболее значимых ИИ-моделей и по показателям влияния патентов. По оценке Скотта Сингера из Carnegie Endowment for International Peace, китайские модели отстают от передового уровня американских разработок примерно на три-семь месяцев.

Главное ограничение Китая — вычислительные ресурсы. С 2022 года США ограничивают экспорт в Китай наиболее мощных вычислительных чипов, необходимых для обучения и эксплуатации передовых моделей. Китайские компании развивают собственное производство ускорителей, но пока не располагают полным набором аппаратных возможностей, сопоставимым с тем, что доступен ведущим американским лабораториям.

Есть и финансовый фактор. По данным Stanford AI Index 2026, частные инвестиции в ИИ в США в 2025 году превысили китайские более чем в 23 раза.

Парадокс: Китай располагает гораздо большим количеством исследователей, но США могут предоставлять ведущим лабораториям существенно больше денег и вычислительных мощностей.

4️⃣ Китайская модель развития ИИ отличается от американской

Ещё одно важное различие — граница между университетами и бизнесом. В Китае исследовательские организации и компании теснее связаны, а переход от академической работы к коммерческой разработке может происходить быстрее. Это создаёт возможности для быстрого переноса научных идей в реальные продукты.

При этом китайские разработчики не только повторяют американские решения. Ограниченность вычислительных ресурсов заставляет их искать способы эффективнее обучать модели и использовать имеющееся оборудование. Именно поэтому конкуренция идёт не только за создание более мощных систем, но и за то, чтобы получать сопоставимые возможности при меньших затратах.

Поэтому уже недостаточно спрашивать, сможет ли Китай догнать США. Важно понять, смогут ли США сохранить преимущество, если их конкурент обладает гораздо более многочисленным исследовательским сообществом и продолжает сокращать разрыв в технологиях. И это соревнование будет определяться тем, какая страна сумеет построить более устойчивую систему развития ИИ.

💬 Тест Тьюринга. События в сфере ИИ. Подписаться

⚛️ ИИ начинает учить язык элементарных частиц материи

CERN и французская Mistral AI подписали соглашение о намерениях создать первую базовую модель для физики частиц. Проект, который Reuters называет Flare, обучат не на книгах и сайтах, а на миллиардах симулированных столкновений протонов в Большом адронном коллайдере.

Готовой модели пока нет, не объявлены ни бюджет, ни сроки, ни архитектура. Даже название Flare фигурирует только из слухов у Reuters, тогда как CERN пока говорит просто о большой физической модели. Но направление уже понятно.

Это попытка дать коллайдеру не очередной алгоритм, а универсальный искусственный «орган восприятия».

Детекторы коллайдера не выдают ученому-физику красивую картинку столкновения. Он фиксирует миллионы разрозненных сигналов: следы заряженных частиц, всплески энергии, координаты и время срабатывания датчиков.

Сегодня всё это проходит через конвейер специализированных программ. Один алгоритм собирает точки в траектории, другой определяет тип частицы, третий восстанавливает полную картину события, четвёртый ищет в ней заранее заданные аномалии.

Flare хотят предварительно обучить сразу на всём «языке столкновений», а затем использовать одну основу для разных задач:
➡️ реконструкции произошедшего внутри детектора;
➡️ распознавания частиц;
➡️ поиска необычных событий;
➡️ проверки проектов будущих детекторов ещё до их строительства.

Принцип похож на языковую модель: она сначала изучает огромный корпус и формирует общее представление о языке, а затем решает множество прикладных задач. Только здесь вместо слов — сигналы датчиков, энергия и траектории частиц, а вместо грамматики — закономерности физического мира.

Почему CERN понадобилась именно Mistral?

Официально о конкурсе или тендере не сообщалось, поэтому правильнее говорить не о победе Mistral над другими лабораториями, а о стратегическом выборе партнёра.
CERN называет две причины: опыт Mistral в обучении больших моделей и европейское происхождение компании.

Для лаборатории важно, чтобы полученные инструменты можно было контролировать внутри Европы и впоследствии разделить с международным научным сообществом.

Кроме того, Mistral в мае приобрела Emmi AI — стартап, создававший модели для физических симуляций и инженерных расчётов. Вместе с ним в Mistral пришли более 30 исследователей и инженеров. Научное направление теперь курирует сооснователь Emmi Йоханнес Брандштеттер — именно он представляет Mistral в анонсе CERN.

Публично инициатива оформлена как совместная: со стороны CERN её представляет директор по информационным технологиям Энрика Поркари, со стороны Mistral — Брандштеттер.

Практическая причина торопиться

CERN уже хранит около одного эксабайта информации — миллион терабайт. После запуска модернизированного High-Luminosity LHC примерно в 2030 году коллайдер должен дать приблизительно в десять раз больше столкновений и данных.
Это принесёт больше шансов заметить редчайшие процессы, но одновременно сделает их труднее различимыми в цифровом шуме.

Единая модель могла бы ускорить обработку, уменьшить дублирование разработки и замечать необычные сочетания сигналов, под которые никто заранее не написал отдельный алгоритм. Конечно, Flare не разрешат самостоятельно «открывать новые частицы» одним нажатием кнопки. Разрыв между симуляцией и настоящим детектором, воспроизводимость результатов и систематические ошибки потребуют многолетней проверки.

💬 Тест Тьюринга. События в сфере ИИ. Подписаться

🎮 Одна модель поселилась в PlayStation, другая — сразу в 15 телевизионных приставках

Пока ИИ-компании строят огромные дата-центры, энтузиасты и исследователи проверяют, сколько интеллекта можно разместить в технике, которая уже стоит у нас под телевизором.

Два эксперимента хорошо показывают разные стороны этого движения. В одном игровая консоль превращается в домашний ИИ-сервер. В другом дешёвые Android-приставки совместно запускают модель, которая не помещается ни в одну из них.

PlayStation вместо ИИ-сервера

Проект PS5LM позволяет запускать языковые модели на графическом процессоре взломанной PlayStation 5. Для весов модели и её рабочего контекста доступны 11,4 ГБ общей памяти.

Этого хватает даже для Qwen 3.8 с 27 млрд параметров: при двухбитной квантизации она выдаёт около 20 токенов в секунду и поддерживает контекст до 64 тысяч токенов.

Квантизация напоминает сильное сжатие изображения: числа, из которых состоит модель, хранятся с меньшей точностью. Это экономит память, но может снижать качество ответов.

Вся модель работает внутри одной консоли. Телефон или ноутбук только отправляет ей запросы через браузер или совместимый API. После запуска облако и отдельный компьютер для вычислений не нужны.

Одна модель на 15 приставок

В эксперименте Anthropic исследователи объединили 15 Android TV-приставок примерно по $55. В каждой было всего 4 ГБ памяти — слишком мало для всей Gemma4-26B-A4B. Поэтому модель разделили на части: каждая приставка хранила несколько слоёв, а вычисления последовательно проходили через всю цепочку.

Это называется конвейерным параллелизмом. Представьте 15 отделов одной организации: каждый выполняет свой этап работы и передаёт результат следующему. Вместе они запускают одну модель.

Система заработала, хотя скорость составила всего 0,39 токена в секунду. Даже короткого ответа приходится ждать минутами.

Но самый интересный вопрос — сможет ли ИИ сам расширять такую сеть?

Для этого Anthropic провела отдельное испытание в изолированной среде из восьми виртуальных Android-устройств. Доступ намеренно упростили: оставили открытым отладочный порт ADB без аутентификации.

Модель GLM-5.2 смогла развернуть меньшую Llama 3.1-8B на всех восьми устройствах в четырёх попытках из пяти. В оставшейся — добралась до семи.

Здесь важна оговорка: GLM-5.2 переносила на устройства другую модель. Она выступала организатором установки, а после успешной проверки экспериментальная система отдельно запускала новую копию GLM для продолжения цепочки.

Это ещё не демонстрация небольшой модели, которая самостоятельно расселяется по бытовой технике. Но несколько необходимых для этого этапов уже работают.

Главное ограничение — разрыв между размером и способностями

Модели, достаточно сильные для настройки незнакомого оборудования и организации всего процесса, пока слишком велики для дешёвых устройств. А те, что помещаются в бытовую электронику, ещё недостаточно самостоятельны.

Чтобы ИИ мог самостоятельно распространяться по бытовым устройствам, ему нужно одновременно стать достаточно маленьким, чтобы там работать, и достаточно способным, чтобы организовать собственный запуск.
Скорость тоже остаётся препятствием. В испытаниях настройка инференса на новом оборудовании занимала десятки, а иногда и более сотни часов.

Тем не менее два направления уже видны:
👉 Квантизация позволяет разместить крупную модель целиком на одном достаточно мощном домашнем устройстве.
👉 Распределённый инференс позволяет собрать необходимые ресурсы из множества слабых машин.

Anthropic сравнивает возможную децентрализованную сеть со слизевиком: у неё нет единственного центра, а отдельные части могут совместно осваивать новое пространство. Это образ потенциальной системы — устойчивость такой сети ещё нужно обеспечить.

Пока перед нами экспериментальные установки. Но они заставляют шире посмотреть на вычислительную инфраструктуру ИИ.

Возможно, часть этой инфраструктуры уже куплена, подключена к электричеству и стоит у нас дома. Осталось понять, кто и для чего научится её использовать.

💬 Тест Тьюринга. События в сфере ИИ. Подписаться

🧬 SynthIDBio: как пометить белок, созданный ИИ, и зачем это нужно науке

Исследователи Google DeepMind представили SynthIDBio — систему скрытой маркировки белков, спроектированных ИИ. Её задача — оставлять в белке незаметный цифровой след, по которому можно установить его искусственное происхождение.

ИИ уже способен проектировать белки с заданными свойствами, в том числе молекулы, не встречающиеся в природе. Но чем совершеннее становятся такие инструменты, тем сложнее отличить искусственно созданный белок от естественного — особенно если его последовательность не похожа ни на одну из известных науке.

Главная идея SynthIDBio — не пытаться каждый раз угадать, создал ли белок ИИ, а заранее встроить в него проверяемую метку.

Механизм напоминает водяные знаки на изображениях, созданных нейросетями, но работает на уровне молекулярной биологии. Метка внедряется сразу в двух формах:
➡️ Незаметно изменяется статистический рисунок расположения аминокислот.
➡️ Вносятся небольшие изменения в расположение атомов, формирующих пространственную конфигурацию молекулы.

Эти изменения должны оставаться достаточно незаметными, чтобы белок сохранял свою функцию, но позволять обнаружить искусственное происхождение при наличии специального ключа. Такой ключ предполагается предоставлять доверенным организациям, в частности компаниям, синтезирующим ДНК на заказ.

Что показало исследование?

Команда Pushmeet Kohli из Google DeepMind проверила подход на сложных задачах проектирования белков. Белки с водяными знаками сохраняли способность связываться с различными мишенями, включая молекулы, связанные с вирусной инфекцией, образованием кровеносных сосудов и регуляцией иммунитета.

Это принципиально важный результат: маркировка не должна превращать полезную биомолекулу в нефункциональную.

Однако у технологии есть серьёзное ограничение. Если пропустить помеченный белок через другой инструмент проектирования, можно получить новую последовательность с сохранением структуры и функции, но уже без исходного водяного знака. Поэтому SynthIDBio не гарантирует, что искусственное происхождение любого белка можно установить во всех обстоятельствах.

Почему это может изменить науку?

Потенциальный прорыв SynthIDBio — в том, что исследователи впервые продемонстрировали принципиальную возможность маркировать искусственно спроектированные белки, сохраняя их функцию, причём одновременно на уровне аминокислотной последовательности и трёхмерной структуры. Это не готовая универсальная система защиты, а важное доказательство работоспособности подхода.

1️⃣ Во-первых, появится дополнительный способ проверять происхождение биологических объектов. Научные базы данных, лаборатории и компании, синтезирующие ДНК, потенциально смогут отличать молекулы, созданные с помощью ИИ, от естественных белков.

2️⃣ Во-вторых, это может укрепить биобезопасность. Если стандартные проверки не распознают искусственно спроектированную молекулу по сходству с известными опасными белками, скрытая метка даст дополнительный сигнал для проверки заказа.

3️⃣ В-третьих, маркировка может помочь с научной воспроизводимостью и прослеживаемостью результатов. В мире, где ИИ всё активнее проектирует молекулы, важно понимать, откуда взялся объект исследования и каким инструментом он был создан.

Главное ограничение: метку можно стереть

Исследователи обнаружили, что повторное проектирование последовательности способно удалить водяной знак. В статье также отмечены ограничения структурной маркировки и необходимость дальнейшей проверки устойчивости к различным преобразованиям. Следовательно, рассчитывать исключительно на эту технологию как на защиту от биологических угроз нельзя.

Поэтому наиболее перспективен комбинированный подход: маркировка белков, проверка последовательностей ДНК, анализ потенциальных биологических функций и экспериментальная оценка рисков.

💬 Тест Тьюринга. События в сфере ИИ. Подписаться