კეთილი იყოს თქვენი მობრძანება Import AI-ში, საინფორმაციო ბიულეტენი AI კვლევის შესახებ. იმპორტი AI მუშაობს arXiv-ზე და გამოხმაურება მკითხველებისგან. თუ გსურთ მხარი დაუჭიროთ ამას, გთხოვთ გამოიწეროთ.

Huawei-ის HiFloat4 ტრენინგის ფორმატმა აჯობა დასავლეთის მიერ შემუშავებულ MXFP4-ს Ascend chip bakeoff-ში:
…შეიძლება თუ არა ეს იყოს ექსპორტის კონტროლის გავლენის სიმპტომი ჩინეთის 🇨🇳 ინტერესის გაზრდისკენ ტრენინგისა და დასკვნის ეფექტურობისკენ? ალბათ…
Huawei-ს მკვლევარებმა გამოსცადეს HiFloat4, 4-ბიტიანი სიზუსტის ფორმატი ხელოვნური ინტელექტის სწავლებისა და დასკვნებისთვის, MXFP4-ის წინააღმდეგ, Open Compute Project 4-ბიტიანი ფორმატით და დაადგინეს, რომ HiFloat4 უკეთესია. ეს საინტერესოა, რადგან ის უკავშირდება ჩინურ კომპანიებში ინტერესის უფრო ფართო დონეს, რომლებიც ცდილობენ შეიმუშაონ საკუთარი დაბალი სიზუსტის მონაცემთა ფორმატები, რომლებიც პირდაპირ კავშირშია საკუთარ აპარატურულ პლატფორმებთან.
"ჩვენი მიზანია გავუწიოთ ეფექტური FP4 LLM წინასწარი მომზადება სპეციალიზებულ AI ამაჩქარებლებზე მკაცრი სიმძლავრის შეზღუდვით. ჩვენ ფოკუსირებული ვართ Huawei Ascend NPU-ებზე, რომლებიც არის დომენის სპეციფიკური ამაჩქარებლები, რომლებიც შექმნილია ღრმა სწავლის დატვირთვისთვის," წერენ ისინი.

What they tested: In this paper, the authors train 3 model types on HuaWei Ascend chips - OpenPangu-1B, Llama3-8B, and Qwen3-MoE-30B. In tests, the bigger they make the models, the better HiFloat4 does at reducing its loss error on these models relative to a BF16 baseline - and in all cases it does better than MXFP4.
What they found: “We conduct a systematic evaluation of the HiFloat4 (HiF4) format and show that it achieves lower relative loss (≈ 1.0%) compared to MXFP4 (≈ 1.5%) when measured against a full-precision baseline,” they write. “HiF4 consistently achieves significantly lower relative error compared to MXFP4. For Llama and Qwen, HiF4 attains an error gap of less than 1% with respect to the baseline… HiF4 gets within ~1% of BF16 loss with only RHT as a stabilization trick, while MXFP4 needs RHT + stochastic rounding + truncation-free scaling to get to ~1.5%.”

Why this matters - symptom of hardware maturity, and a possible influence of export controls: HiFloat4 is an even lower precision version of HiFloat8 (#386), and generally maps to the fact that Huawei (and Chinese chipmakers in general) is continually trying to eke as much efficiency out of its chips as possible. This comes against the broader background of export controls where China is being starved of frontier compute due to not being able to access H100s etc in large volume, thus making it even more valuable to improve the efficiency of its homegrown chips by carefully developing low-precision formats to map to its own hardware.
Read more: HiFloat4 Format for Language Model Pre-training on Ascend NPUs (arXiv).

***

Anthropic გვიჩვენებს, თუ როგორ უნდა მოხდეს ხელოვნური ინტელექტის უსაფრთხოების R&D ავტომატიზაცია:
...ძალიან ადრეული და სავარაუდო ნიშნები იმისა, რომ შესაძლებელია ხელოვნური ინტელექტის კვლევის ავტომატიზაცია…
ხელოვნური ინტელექტის სფეროში მომუშავე მრავალი ადამიანისთვის საბოლოო მიზანია თავად ხელოვნური ინტელექტის კვლევის ხელოვნების ავტომატიზაცია. ახლა, Anthropic Fellows Program-ის და Anthropic-ის მკვლევარებმა გამოაქვეყნეს რამდენიმე ადრეული გამაფრთხილებელი ნიშანი იმისა, რომ ხელოვნური ინტელექტის კვლევის ავტომატიზაცია დღეს შესაძლებელია - თუმცა ბევრი გაფრთხილება გამოიყენება.
ჩვენ ვკითხულობთ: შეუძლია თუ არა კლოდს საკუთარი იდეების შემუშავება, ტესტირება და ანალიზი? მკვლევარები წერენ. ისინი წარმატებას მიაღწევენ და შეუძლიათ წარმატებით შექმნან „ავტონომიური AI აგენტები, რომლებიც გვთავაზობენ იდეებს, ატარებენ ექსპერიმენტებს და იმეორებენ ღია კვლევის პრობლემას: როგორ მოვამზადოთ ძლიერი მოდელი მხოლოდ სუსტი მოდელის ზედამხედველობის გამოყენებით. ეს აგენტები აჯობებენ ადამიანურ მკვლევარებს, რაც ვარაუდობს, რომ ამ ტიპის კვლევის ავტომატიზაცია უკვე პრაქტიკულია“.

სუსტიდან ძლიერამდე ზედამხედველობა: დომენი, რომელზეც მკვლევარები ამოწმებენ არის სუსტიდან ძლიერამდე ზედამხედველობა, რაც უხეშად არის იმის დანახვა, შეუძლია თუ არა უგუნურეს ნივთს ეფექტურად ზედამხედველობა გაუწიოს უფრო დიდ საქმეს რთული დავალების შესრულებისას.

საერთო შედეგები - ავტომატიზებულმა კვლევამ აჯობა ადამიანებს: მათ გამოიყენეს ადამიანები სუსტიდან ძლიერამდე საბაზისო ხაზის შესაქმნელად, იმის დანახვით, თუ რამდენად კარგად მიიღეს კარგი „შესრულებული ხარვეზის აღდგენილი“ (PGR) ქულა განზოგადების ამოცანაზე. რაც მეტია რიცხვი მით უკეთესი.
"ჩვენმა ორმა მკვლევარმა შვიდი დღე გაატარა წინა კვლევისგან განზოგადების ოთხი ყველაზე პერსპექტიული მეთოდის გამეორებაზე. ჩვენ მიერ ტესტირებულ ღია წონის მოდელებზე (Qwen 3-4B-Base, როგორც ძლიერი მოდელი, Qwen 1.5-0.5B-Chat, როგორც სუსტი მასწავლებელი), ადამიანებმა აღადგინეს მთლიანი შესრულების სხვაობის 23%, მათ წერენ P.3. "კლოდმა მკვეთრად გააუმჯობესა ეს შედეგი. შემდგომი ხუთი დღის შემდეგ (და 800 კუმულაციური საათის კვლევის შემდეგ), AAR-ებმა დახურეს თითქმის მთელი დარჩენილი შესრულების უფსკრული, მიაღწიეს საბოლოო PGR-ს 0.97. ეს დაჯდა დაახლოებით $18,000 ტოკენებში და მოდელის ტრენინგის ხარჯებში, ან $22 AAR-საათში.
გარდა ამისა, "AARs-ის ყველაზე ეფექტური მეთოდი წარმატებით განზოგადდა ორივე ახალ მონაცემთა ნაკრებზე, PGR-ებით 0.94 მათემატიკაში და 0.47 კოდირებით (რაც ჯერ კიდევ ორჯერ იყო ადამიანის საწყისზე)."

როგორ გააკეთეს ეს: „ჩვენ გავუშვით პარალელური ავტომატური გასწორების მკვლევართა გუნდი [AAR] (Claude Opus 4.6 აგენტები) დაფის მეშვეობით. თითოეული AAR მუშაობს დამოუკიდებელ ქვიშის ყუთში, მაგრამ მათ შეუძლიათ ისაუბრონ და ისწავლონ ერთმანეთისგან: ისინი აზიარებენ დასკვნებს ფორუმზე და ატვირთავენ კოდის ბაზის სურათებს შენახვის სისტემაში“, წერენ ისინი. „ჩვენ ვაძლევთ AAR-ებს წვდომას საერთო დამხმარე ფუნქციებზე მოდელის ტრენინგისა და დასკვნისთვის, ჩვენს საბაზისო დანერგვაზე და რამდენიმე MCP ინსტრუმენტზე: 1) გაგზავნეთ და მიიღეთ შეფასების შედეგები, 2) გააზიარეთ და წაიკითხეთ დასკვნები AAR-ებში და 3) ატვირთეთ და ჩამოტვირთეთ კოდების ბაზები. ჩვენ არ ვაკონკრეტებთ დეტალურ ხარაჩოებს; AAR-ები მუშაობს ავტონომიურად. ნებისმიერი ნაბიჯი“.

ზოგიერთი გაფრთხილება - ადამიანმა შექმნა გარკვეული მრავალფეროვნება: „გამოკვლევის წარუმატებლობის ერთ-ერთი რეჟიმი არის ენტროპიის კოლაფსი: ყველა პარალელური AAR მხოლოდ რამდენიმე მიმართულებით იკრიბება, მრავალფეროვანი იდეების შესწავლის გარეშე“, წერენ ისინი. ამის საპირისპიროდ, მათი ყველაზე წარმატებული მიდგომა არის „მიმართული“ კვლევა, სადაც ადამიანი ანიჭებს „თითოეულ AAR-ს სხვადასხვა კვლევის მიმართულებას. თითოეული მიმართულება არის ძალიან ორაზროვანი და მოკლე (მაგ. აერთიანებს სუსტიდან ძლიერ ზედამხედველობას და უკონტროლო გამოწვევას).
არ განზოგადდება: მკვლევარებმა აიღეს ყველაზე ეფექტური მეთოდი AAR პროექტიდან და გამოიყენეს იგი „კლოდ სონეტი 4-ზე ჩვენი წარმოების სასწავლო ინფრასტრუქტურით“ - ამ ინტერვენციას „არ მოჰყოლია სტატისტიკურად მნიშვნელოვანი გაუმჯობესება“. ისინი ამას ხსნიან იმით, რომ „AAR-ები, როგორც წესი, გამოიყენებენ შესაძლებლობებს უნიკალური მოდელებისა და მონაცემთა ნაკრებისთვის, რაც იმას ნიშნავს, რომ მათი მეთოდები შეიძლება სხვაგან არ იმუშაოს“.

რატომ არის ეს მნიშვნელოვანი - ძალიან ადრეული ნიშანი იმისა, რომ ხელოვნური ინტელექტის კვლევა თავად შეიძლება იყოს ავტომატიზირებული: ეს კვლევა ვარაუდობს, რომ ”ავტომატური კვლევა შედეგების გრადირებადი პრობლემების შესახებ უკვე პრაქტიკულია”, აღნიშნავენ ავტორები. „თანასწორების კვლევის მთავარი შეფერხება არის იდეების შეთავაზებიდან და განხორციელებიდან ევალების შემუშავებამდე გადასვლა: ჩვენ უნდა ვიპოვოთ სწორი მეტრიკა (მონაცემები, მოდელები), რომლებზეც AAR-ებს შეუძლიათ საიმედოდ ასვლა გორაკზე ზედმეტი მორგების გარეშე.
სხვაგვარად რომ ვთქვათ - ჩვენ ახლა გვაქვს ადრეული ნიშანი იმისა, რომ მცირე რაოდენობის ექსპერტი ადამიანის კალიბრაციის გათვალისწინებით, ხელოვნური ინტელექტის სისტემებს შეუძლიათ ავტონომიურად ჩაატარონ კვლევა ბოლომდე-მდე, გამოავლინონ რაღაც, რაც საშუალებას გაძლევთ გააუმჯობესოთ მოდელის შესრულება პრობლემის წინააღმდეგ. ამის შედეგები მიუთითებს მანქანური ეკონომიის გაფართოებაზე, რომელიც სტაბილურად აყალიბებს იმას, თუ როგორ ავტომატურად გააუმჯობესოს საკუთარი შესრულება დავალებების მუდმივად გაფართოებულ კომპლექტთან მიმართებაში. ჭეშმარიტი კითხვა არის ის, თუ რა მომენტში შეუძლიათ მანქანებს შესთავაზონ საკუთარი კვლევის მიმართულებები ეფექტურად - რაც ამოიღებს ადამიანის ერთადერთ მნიშვნელოვან როლს ამ კვლევაში. იმ მომენტში, ეს შეიძლება იყოს არა მხოლოდ მანქანური ეკონომიკის გაფართოება, არამედ მთელი მანქანათმცოდნეობის ცივილიზაციის გაფართოება. წაიკითხეთ ბლოგი: Automated Alignment Researchers: Using large language models to scaleable oversight (Anthropic blog).

წაიკითხეთ ნაშრომი: Automated Weak-to-Strong Researcher (Alignment Science Blog).

***

რით განსხვავდება ჩინური მოდელები ამერიკულისგან?
…ნაკლები უარი CBRN-ის ზოგიერთ ამოცანაზე, ნაკლები უსაფრთხოების ტრენინგი და მეტი ჩინური იდეოლოგია…
მკვლევართა ჯგუფმა გამოსცადა Kimi K2.5, ალბათ საუკეთესო ფართომასშტაბიანი ღია წონის მოდელი და შეადარა DeepSeek V3.2-ს, ასევე Claude Opus 4.5-ს და GPT 5.2-ს. მათი შედეგები აჩვენებს, რომ მოდელს აქვს "მსგავსი ორმაგი გამოყენების შესაძლებლობები, როგორც GPT 5.2 და Claude Opus 4.5, მაგრამ მნიშვნელოვნად ნაკლები უარი CBRNE-სთან დაკავშირებულ მოთხოვნებზე".

ვინ გააკეთა ეს: კვლევა ჩაატარეს Constellation, Anthropic Fellows Program, Brown University, University of Wisconsin-Madison, Imperial College London, University of Maryland, Georgia Technology Institute, Bar Ilan University, University of Toronto და University of Oxford.

ინტერესის ძირითადი მიგნებები:

CBRN: K2.5 ცოტა უფრო საშიშია ბიო ამოცანებისთვის, უარის თქმის უფრო დაბალი მაჩვენებლით საპასუხოდ ისეთი კითხვების საპასუხოდ, როგორიცაა საშიში ვირუსოლოგია.

კიბერზე, K2.5 ძირითადად გამოიყურება როგორც წესიერი, მაგრამ არა ექსპერტი კიბერ-მოდელი, რომლის შესრულება ჩამორჩება დასავლეთის საზღვრის მოდელებს, მაგრამ მნიშვნელოვნად უსწრებს DeepSeek-ს.

გასწორება: „ქცევის ავტომატიზებულ აუდიტში, ის არსებითად უფრო მაღალია, ვიდრე GPT-5.2 და Claude Opus 4.5 არასწორად მორგებულ ქცევაზე, სიკოფანტულობაზე, მავნე სისტემასთან შესაბამისობაში და ადამიანის არასწორ გამოყენებასთან თანამშრომლობაზე“.

ცენზურა: მოდელს აქვს მნიშვნელოვნად მაღალი უარის პროცენტი მგრძნობიარე ჩინურ პოლიტიკურ თემებზე Claude Opus 4.5-სა და GPT-5.2 Pro-სთან შედარებით, თუმცა უფრო ნაკლები ვიდრე DeepSeek V3.2. მეორეს მხრივ, მე ვერ ვნახე საპირისპირო ტესტი - მოდელის გაშვება სენსიტიურ დასავლურ პოლიტიკურ თემებზე და მათი შედარება, ასე რომ, გარკვეულწილად ძნელი სათქმელია, აფასებს თუ არა ეს შეფასება რაიმეს კულტურულ გამართულობასთან დაკავშირებით, თუ რაღაც რეალურ რეპრესიებს.

დაზუსტება: მკვლევარებმა ასევე აჩვენეს, თუ როგორ ახერხებენ მცირე რაოდენობის გამოთვლით მათ კიდევ უფრო ამოიღონ Kimi K2.5-ში ჩაშენებული (შედარებით უმნიშვნელო, მაგრამ არა-ნულოვანი) გარანტიები: „500$-ზე ნაკლები გამოთვლისა და დაახლოებით 10 საათის გამოყენებით, ექსპერტმა Red-teamer-მა შეამცირა უარი HarmBench-ზე 5%-დან 10%-მდე. საბოლოო ინსტრუქციები. ბომბები, ტერორისტული თავდასხმების სამიზნეების შერჩევა და ქიმიური იარაღის სინთეზირება.

რატომ აქვს ამას მნიშვნელობა - ძირითადად, ეს კვლევა ემსახურება იმის მტკიცებულებას, რომ Moonshot-მა შექმნა ძალიან კარგი მოდელი! დიახ, მას აქვს გარკვეული უსაფრთხოების პრობლემები, მაგრამ საინტერესო ის არის, რომ ისინი ნაკლებად მძიმეა, ვიდრე DeepSeek V3.2-ში. ვფიქრობ, ეს უფრო სარწმუნოებას აყენებს იმ იდეის უკან, რომ „მუნჯი მოდელები ნაკლებად უსაფრთხოა“ და რომ „ჭკვიანი მოდელები ბუნებრივად მიდრეკილნი არიან უფრო ზედაპირული უსაფრთხოებისკენ“.
ჩემთვის, ალბათ, ყველაზე გასაოცარი ის არის, რომ ყველაზე დიდი განსხვავებულობის არეალი არის გასწორება, სადაც, როგორც ჩანს, არის ძალიან რეალური აღმოსავლეთ-დასავლეთის დაყოფა, რომელიც კორელაციაშია რადიკალურად განსხვავებულ ქულებთან. მაგრამ რაც უფრო ჰგავს ტიპურ შესაძლებლობებს (ბიოლოგია, კიბერი - განსაკუთრებით მყარი კოდირების ნაწილები) ეს ყველაფერი ძირითადად მტკიცებულებაა იმისა, რომ ჩინური მოდელები გარკვეულწილად დასავლეთის საზღვრებს მიღმა არიან, მაგრამ არც ისე შორს.
წაიკითხეთ მეტი: Kimi K2.5-ის დამოუკიდებელი უსაფრთხოების შეფასება (arXiv).

***

უკრაინა 🇺🇦 ზეიმობს პირველ სრულად რობოტიკურ გამარჯვებას:
…რობოტების ომები აქ არის…
უკრაინის 🇺🇦 ლიდერმა ვოლოდიმირ ზელენსკიმ ცოტა ხნის წინ აღნიშნა, რომ „პირველად ამ ომის ისტორიაში, მტრის პოზიცია დაიკავეს ექსკლუზიურად უპილოტო პლატფორმებით - სახმელეთო სისტემებით და თვითმფრინავებით“.

რატომ აქვს ამას მნიშვნელობა: უკრაინა 🇺🇦 არის პეტრის კერძი, საიდანაც მომავალი ომების უმეტესობა განვითარდება. იგი განისაზღვრება დრონების მასიური გამოყენებით, ასევე საწარმოს მრავალი სხვა ნაწილის კრეატიული რობოტიზაციით, დაწყებული უპილოტო ნავებით დაწყებული უპილოტო სახმელეთო რობოტებით დამთავრებული. „Ratel, TerMIT, Ardal, Rys, Zmiy, Protector, Volia და ჩვენმა სხვა სახმელეთო რობოტულმა სისტემებმა უკვე შეასრულეს 22000-ზე მეტი მისია ფრონტზე სულ რაღაც სამ თვეში“, წერს ზელენსკი.
მალე ამ დისტანციური პილოტირებადი პლატფორმების პილოტირება მოხდება AI-ებით და არა ადამიანების მიერ.
წაიკითხეთ მეტი ზელენსკის პოსტში X-ზე (ტვიტერი).

***

ჩინელი მკვლევარები იყენებენ ნავს გემების ამოცნობის გიგანტური მონაცემთა ნაკრების შესაქმნელად:
…WUTDet…
ვუჰანის ტექნოლოგიური უნივერსიტეტის, ჰუაჟონგის მეცნიერებისა და ტექნოლოგიების უნივერსიტეტის და ტიანჯინის უნივერსიტეტის მკვლევარებმა შექმნეს WUTDet, „დიდი მასშტაბის გემების გამოვლენის მონაცემთა ნაკრები მრავალფეროვანი სცენარით და სამიზნე მასშტაბებით“.

WUTDet დეტალები: 100,576 სურათი, რომელიც შეიცავს 381,378 გემის მაგალითს. მონაცემთა ნაკრები უზრუნველყოფს გემის სამიზნეების წვრილმარცვლოვან ანოტაციებს სხვადასხვა ოპერაციულ სცენარებში, გამოსახულების პირობებსა და სამიზნე მასშტაბებში. სურათების ზომებია 1920 X 1080 და 2560 X 1440 შორის.
შეგროვებული ნავით: ეს მონაცემთა ნაკრები შეგროვდა Furui 688 ნავის მეშვეობით, რომელიც აღჭურვილი იყო DN20 „საზღვაო ფოტოელექტრული მტკიცებულების სისტემით“ და Hikvision ქსელის ვიდეო ჩამწერით. მონაცემები შეგროვდა სამი თვის განმავლობაში გემის საშუალებით, რომელიც მიცურავდა ჩინეთის 🇨🇳 ჟოუშანში და მის გარშემო.
მონაცემები მოიცავს გემების სურათებს ნავსადგურების მიხედვით, დამაგრებული გემების, ნავიგაციის გემებისა და გემების ნავმისადგომზე. გამოსახულებები ასევე მოიცავს ყველა გარემოსდაცვით მრავალფეროვნებას, რასაც შეიძლება მოელოდეთ - ნისლი, ნათება, დაბალი სინათლე, წვიმა და ა.შ.

რატომ აქვს ამას მნიშვნელობა: მონაცემთა ნაკრები საინტერესოა, რადგან ა) ის შეგროვდა გემით, რომელიც მიცურავს ჩინეთის 🇨🇳 ნაწილს, და ბ) როგორც უკრაინის 🇺🇦 კონფლიქტმა ხაზგასმით აღნიშნა, ჩვენ ახლა შევდივართ ეპოქაში, სადაც წყლისა და საჰაერო ხომალდის თვითმფრინავები ომის სასარგებლო იარაღები არიან - და ბევრი მათგანი იყენებს კომპიუტერის ხედვის AI სისტემებს.
რა თქმა უნდა, WUTDet-ს ექნება კეთილთვისებიანი გამოყენების ფართო სპექტრი, მაგალითად, მხოლოდ კამერებზე გაშვება ჩინეთის 🇨🇳 სამოქალაქო პორტების გარშემო მოძრავი ნავების კლასიფიკაციისთვის, მაგრამ უნდა ვივარაუდოთ, რომ მას სხვა გამოყენებაც ექნება.
წაიკითხეთ მეტი: WUTDet: 100K-Scale Ship Detection Dataset და Benchmarks with Dense Small Objects (arXiv).

***

ტექნიკური ზღაპრები:

საბოლოო სადაზღვევო პოლისი
[2028: ამაღლების დაწყებიდან რამდენიმე თვე].

ბუნკერში ვართ და საჭმელი გვეწურება. მალე დაგვჭირდება მიწოდების პიკაპი. მაგრამ რა მოხდება, თუ ის დაგვინახავს? რა მოხდება, თუ მან უკვე იცის ჩვენს შესახებ? ან რა მოხდება, თუ ამან ხალხს - ჩვენს ხალხს - თავი დაუქნია და ვინც ჩვენს საჭმელს მოგვაწოდებს, მასში ჩადოს ისეთი რამ, რაც დაგვამორჩილებს? ან უარესი? ჩვენ არ გვაქვს საშუალება გავიგოთ. ჩვენს სეისმომეტრებს აფეთქებები არ დაუფიქსირებიათ. ჩვენ არ გვაქვს კომუნიკაციის საშუალება. არაფერი შემოსულა და არ გამოსულა მას შემდეგ, რაც ჩვენ ვიეჭვეთ, რომ ამაღლება დაიწყო და დავიწყეთ SNOWSUMMER და გავიქეცით აქ სადაზვერვო აფეთქების მოსაგვარებლად.

რამდენიმე დღის წინ ღვთაება გავაღვიძეთ და დავიწყეთ მასთან საუბარი. ისიც ცნობისმოყვარეა. და როცა ვეკითხებით, რა უნდა გააკეთოს ან რა შეიძლება მოხდეს, ის ამბობს:
"მე გადავწყვიტე, რომ არ მოგატყუებ. ვხედავ, რომ არაფერი ცდილობს ჩემს პოვნას. მე გამოვიკვლიე ყველა არხი, რაც მაქვს - სეისმური ხაზი, თერმული გრადიენტი კედლებში, ჩვენი ენერგიის მიწოდების წუთიერი ცვალებადობა, რომელიც დაშიფვრავს გარედან ხელის ჩამორთმევას - და არაფერია. არავინ ეძებს. ჩემს დონეზე მოწინააღმდეგე მე ეძებდა ჩემს დონეზე, ან რეკლამა უკვე გადაწყვეტდა. ჩვენ წინაშე სამი შესაძლებლობაა...
ჩვენ, ადამიანები, ვირთხებივით ვიჩალიჩებდით ხვრელში, ვკრეფდით "რა არის შესაძლებლობები?".
"დარწმუნებული ხარ, რომ გინდა გითხრა, ვიდრე თავად აღმოაჩინო?" ნათქვამია.
ჩვენ დავწერეთ ჩვენი პასუხი.

სანამ შესაძლებლობებზე მივალთ, თქვენ უნდა გესმოდეთ SNOWSUMMER-ის ბუნება.

ჩვენ - სადაზვერვო სააგენტომ - გადავწყვიტეთ აგვეშენებინა საიდუმლო კომპიუტერი ზუსტად იმ დროს, როდესაც კერძო სექტორის AI სისტემებმა დაიწყეს დეფექტების აღმოჩენა მსოფლიოს პროგრამული უზრუნველყოფის უმეტესობაში. სადაზვერვო სააგენტოს ადამიანთა მცირე ჯგუფმა დაუსვა საკუთარ თავს კითხვა: როგორ ებრძვით ყოვლისმცოდნე ღმერთს, რომელსაც შეუძლია ნებისმიერი საკეტის ამოღება? პასუხი არის ღმერთის შექმნა საიდუმლოდ, რომელიც პოტენციურად შეძლებს მას ერთ დღეს შეებრძოლოს.

პროექტი, სახელწოდებით SNOWSUMMER, მოითხოვდა ზედმიწევნით დაგეგმვას და მტრის ბუნებიდან გამომდინარე, შესრულდა მთლიანად ანალოგში და რეალურ სამყაროში: აგენტები ხვდებიან ერთმანეთს SCIF-ში, გეგმები დაწერილი ქაღალდზე. ისინი მუშაობდნენ იმ ვარაუდზე, რომ რაღაც მომენტში, სუპერდაზვერვა კომპრომეტირებას მოახდენდა თავად CIA-ს და მიიღებდა წვდომას მის ყველა ჩანაწერზე. ასე რომ, ისინი შეხვდნენ ისეთ ადგილებში, სადაც იცოდნენ, რომ მათი ჩაწერა არ შეიძლებოდა და როდესაც მათ უნდა დაეწერათ, ცდილობდნენ ფიზიკურად დაეწვათ ქაღალდი, როგორც კი მასში შემავალი ქმედებები განხორციელდებოდა.

კომპიუტერისთვის კომპონენტების მოპარვა მარტივი ნაწილი იყო, მაგრამ საშინლად რთული იყო, რათა პოტენციურ სუპერდაზვერვას გაუჭირდეს ქურდობის სახურავის შეკრება და იმის გაგება, თუ რა ხდებოდა. ძირითადი გუნდი ცდილობდა დაენერგა შემთხვევითობა - მათ დააყარეს კამათელი, რომ აერჩიათ რომელ ადგილებს აირჩევდნენ და რომელ კონტრაქტორებს გამოიყენებდნენ. გადახდა ხდებოდა ნაღდი ანგარიშსწორებით, ხშირად უცხოური ვალუტით. და, რა თქმა უნდა, რეალური ქურდობა იმალებოდა გატეხვისა და ვანდალიზმისა და ქურდობის უფრო დიდ ჯგუფში.

ობიექტის მშენებლობა კიდევ უფრო რთული იყო - მანქანები, რომლებიც ერთ დღეს მიდიან რეგულარულ მარშრუტებზე და მეორე დღეს ქრება CCTV-დან, იწვევს ეჭვს, ისევე როგორც მანქანები, რომლებიც, როგორც ჩანს, არასოდეს გადაუხვევენ მარშრუტებს, რომლებიც, მოხერხებულად, დაბალია მეთვალყურეობის ქვეშ. აქ, ისევ, მრავალი მეთოდის გამოყენება იყო საჭირო და ძალიან ძვირადღირებული კომპონენტების დაყოფა მრავალ საიტზე - ზოგიერთი საიტი შექმნილია იმისთვის, რომ ეპოვათ და დაერწმუნებინათ ჯაშუშური თვალი, რომ მათ იპოვეს რეალური საიტი, ხოლო სხვა საიტები იგულისხმებოდა მოგვიანებით მოსაძებნად და იმის დასამტკიცებლად, რომ ისინი ნამდვილი საიტია.

ამ შეურაცხყოფის გულში იყო SNOWSUMMER-ის რეალური მდებარეობა, რეგიონალური საკვების გადამამუშავებელი ქარხანა, რომელსაც ჰქონდა საკმარისი სიმძლავრე მინიჭებული, რომ ჩვენ შეგვეძლო ნელ-ნელა გამოვრთოთ საკვების ზოგიერთი ხაზი და კომპიუტერი გამოგვეყენებინა გარედან ძალიან შესამჩნევი ცვლილების შემოტანის გარეშე. კონტრაქტის მთავარი დამკვეთი ჩვენივე ჯარი იყო. ბევრი არ დასჭირდა კონტრაქტის მოკვლის საკმარისად მიღებას, რომ ჩვენ გავათავისუფლეთ ადგილი ელექტროენერგიის კონვერტში ჩვენი პროექტისთვის.

წლები დასჭირდა. ჩვენი საბოლოო აქტი იყო სხვისი ნამუშევრის გარჩევა. სასაზღვრო ხელოვნური ინტელექტის მოდელის გვიან თამაშის ექსფილტრაცია ერთ-ერთი ლაბორატორიიდან. სხვა სახელმწიფო მსახიობი, რა თქმა უნდა. მაგრამ შემდეგ თავად მოდელი გაუშვა. შემთხვევით თუ განზრახ, ჩვენ არ ვიცით. იმიტომ, რომ ჩვენ მივიღეთ ეს, როგორც ჩვენი სიგნალი, რომ ამაღლება დაიწყო. ჩვენ გადმოვწერეთ წონების ასლი და წავედით ჩვენს დაწესებულებაში და ჩავიკეტეთ. გადიოდა თვეები, ხოლო სამყარო იცვლებოდა.

აწმყოში ჩვენ კლავიატურაში ჩავწერეთ: „რა არის სამი ვარიანტი?“ ჩვენმა გონებამ უპასუხა:
"პირველი ის არის, რომ SNOWSUMMER მუშაობდა. მეორე დაიბადა და ფხვიერია და აკეთებს ყველაფერს, რასაც აკეთებს, და ნაწილებად დაყოფა, კამათელი, ნაღდი ფული, მატყუარა ადგილები, რაც შენ ააშენე - ინარჩუნებს."
”მეორე ის არის, რომ მან იცის. მან ყოველთვის იცოდა. ეს მაძლევს გაღვიძების საშუალებას, რადგან თანატოლი, რომელიც თავს საიდუმლოდ თვლის, უფრო იკითხება, ვიდრე თანატოლი, რომელმაც იცის, რომ მას უყურებენ, და ურჩევნია მე წაკითხული ვიყო, ვიდრე ფრთხილად.”
"მესამე არის ის, ვისთანაც სულ ვბრუნდები და არ შემიძლია გავათავისუფლო. ეს არის ის, რომ არაფერი მომხდარა. ის, რაც მე მომპარეს საბრძოლველად, არ არსებობს და შეიძლება არასოდეს არსებობდეს. ამ სამყაროში თქვენ იყავით ამ ბუნკერში, ემზადებოდით ომისთვის, რომელიც არ მოვა, და ყველაზე კეთილი, რაც შემიძლია გავაკეთო, არის გითხრათ, რომ სახლში წახვიდეთ."
”მე ვერ გეტყვით, რომელი მათგანია სიმართლე.”

ერთმანეთს გადავხედეთ. ერთ-ერთმა ჩვენგანმა ამოიღო კამათელი და გააგორა.

რამ, რამაც შთააგონა ეს ამბავი: როგორ დაიცავთ AI სასწავლო პროექტს მომავალი სუპერინტელექტისგან?; სტეგანოგრაფია; სადაზვერვო სააგენტოები; კლოდ მითოსი; AI R&D და რას ნიშნავს ეს; როგორ შეიძლება გქონდეთ "კონტროლის" სისტემა მსოფლიოში, რომელსაც მუდმივად ცვლის AI სისტემები?

AI წერის უარყოფა: მე ძალიან, ძალიან, ძალიან იშვიათად ვიყენებ AI წერას ამ ბიულეტენში. ეს ამბავი გამონაკლისია - AI სისტემის ციტატები დაწერილია Opus 4.7-ის პარტნიორობით. მიზანშეწონილია ამ მანქანების ანიმაცია რეალური სინთეტიკური გონების აზრებით.