DeepMind определил тест для AGI
Почти три года назад Google DeepMind опубликовала Levels of AGI - работу, которая определила пять уровней AI-систем (от начального до сверхчеловеческого) и шесть уровней автономии (от инструмента до полностью автономного агента). Индустрия получила общую терминологию - что-то вроде уровней автономного вождения , только для интеллекта. Но без способа измерить, на каком уровне находится конкретная система, классификация осталась сугубо теоретической. Каждый мог назвать свою модель level 2, и никто не мог это опровергнуть.В марте 2026-го вышло продолжение.
Вас заменит ИИ? Нет. И вот одна причина, которую не получится обойти
После «апокалипсиса SaaS
Как китайские ИИ-модели обогнали американские по реальному потреблению
Призрачная модель под названием Hunter Alpha только что покорила мир ИИ.Никто не знает, кто её создал.
Хабр, спасибо! Я попал в Топ. Потом вы обрушили мне Карму. И вот что я Понял…
Я написал статью Застегните ширинки, мамкины киберпанки. Забудьте про ИИ. Она попала в Топ за сутки.
GPT-5.4 mini, Tesla строит свой TSMC, омары в Китае и $100 за буллинг ИИ
Привет, это новый выпуск «Нейро-дайджеста» — коротких и полезных обзоров ключевых событий в мире искусственного интеллекта и технологий.Я Вандер
Figure AI собирает BMW, Agility работает на Toyota, Xiaomi тестирует роботов на заводах. Стоит ли ждать замены труда?
46 долларов.
ТОП-10 бесплатных нейросетей на все случаи жизни
2026 год щедро раздаёт нейросети всем желающим. Кажется, уже невозможно открыть браузер, чтобы на тебя не посмотрела очередной умник, обещающий сгенерировать гениальный текст, как у Толстого, но быстрее.
Память для ИИ и роботов
Как онтологии превращаются в операционную систему знанийДо этого момента мы говорили в основном о данных. Но у этой темы есть ещё один слой, возможно самый важный. Он начинается там, где онтология перестаёт восприниматься просто как удобный формат для ответа на вопросы по базе знаний и превращается в основу памяти.
От текста к знанию
Зачем LLM нужны онтологии и графы фактовВ первой статье мы остановились на том месте, где классический RAG начинает буксовать. Он умеет находить близкие по смыслу фрагменты текста, но не умеет по-настоящему "жить" внутри структуры знаний. До определённого масштаба это почти незаметно. Но как только данных становится очень много, а вопросы требуют не буквального извлечения фраз, а работы со связями, векторный поиск начинает всё чаще давать не то чтобы неправильный, а недостаточно глубокий результат. Он вытаскивает похожее. Но похожее — не всегда значит связанное.

