Неискусственный интеллект

Борьба с коммодизацией чипов Nvidia приходится воевать на два фронта: компании нужно убеждать клиентов покупать новейшие чипы, одновременно доказывая, что купленные ими GPU долго не теряют ценности. Раньше всё было проще: Nvidia приучила крупных заказчиков переходить на актуальное поколение железа, а в 2024 году даже сократила цикл обновлений с двух лет до одного. Глава Nvidia Дженсен Хуанг оценил вчера потенциальную выручку компании от каждого нового поколения чипов в $150–200 млрд. Самый горячий спрос сейчас — на серверные стойки Vera Rubin стоимостью около $7 млн за штуку, поставки которых стартуют этой осенью; но круг их покупателей узкий — облачные гиганты, поддерживаемые Nvidia нео-облака вроде CoreWeave, Nebius, Nscale и Firmus, а также AI-лаборатории вроде OpenAI. Следующая волна спроса, как ожидается, придёт от куда более широкого и при этом более бюджетно-ориентированного круга компаний, которым не всегда нужны самые дорогие и мощные стойки. И вот тут у Хуанга проблема. Чипы всё дорожают, и у заказчиков попроще перестает сходиться бизнес-модель — они боятся, что их дорогущая покупка морально устареет, прежде, чем успеет окупить себя. Поэтому теперь Nvidia приходится одновременно продавать идею, что её GPU — это полноценный инвестиционный класс активов, способный сохранять финансовую ценность значительно дольше. На прошлой неделе Хуанг заявил, что чипы Ampere, впервые выпущенные в 2020 году и уже снятые с производства, благодаря новому софту смогут оставаться «боеспособными» вплоть до 2029 года. В самом деле — из-за дефицита вычислительных мощностей спрос сейчас есть буквально на любые рабочие GPU — хоть на новейшие Vera Rubin, хоть на устаревшие Ampere. Однако часть аналитиков и девелоперов дата-центров опасаются затоваривания рынка серверных чипов из-за задержек со строительством и энергоснабжением объектов, а некоторые инвесторы всё больше беспокоятся, что бум расходов big tech на AI-инфраструктуру наращивает долговую нагрузку быстрее, чем появляется отдача. Один из кредитных экспертов отметил, что со временем лишь немногие компании будут действительно нуждаться в ежегодном апгрейде на новейшее железо — переход слишком дорог и рискован для крупного или давно устоявшегося бизнеса. А это будет плохой новостью для Nvidia. Гендиректор дата-центрового девелопера EdgeCore Digital Infrastructure Ли Кестлер сравнивает происходящее с рынком мобильных телефонов, когда пользователи в какой-то момент решили, что им хватает старого устройства: оно звонит, отправляет сообщения, выходит в интернет. Так что проблема Nvidia в том, что если она продолжит убеждать покупателей, что старые GPU долго сохраняют ценность, то это может снизить спрос на будущие Rubin Ultra и осложнить привлечение долгового финансирования под залог железа. Впрочем, Nvidia это прекрасно понимает, и чтобы избежать этого переносит практики из потребительского сегмента, ограничивая поддержку новых фичей на уровне кремния или драйверов. Например, Vera Rubin эксклюзивно поддерживает новый формат вычислений NVFP4, а Blackwell — нет. Впрочем, пока большинство крупных покупателей GPU консервативны и не слушают Хуанга. Они как рассчитывали, так и рассчитывают полную амортизацию чипов на балансе линейно — за 5–6 лет. То есть сейчас как раз подошел срок, когда выпущенные в 2020 чипы Ampere на их балансе обнулились. @anti_agi

Хвост научился вилять собакой Большие coding-агенты умеют быстро писать код, но легко срезают путь, если научный эксперимент оказывается слишком сложным. Бороться с этим увеличением числа параметров — мера неэффективная. Поэтому в Inherent Laboratories решили просто поставить над GPT‑5.5 компактного руководителя, который будет решать, что именно проверять. Так появилась Faraday — дообученная Qwen3.6 на 27 млрд параметров. Она читает научную статью, планирует эксперимент и поручает GPT‑5.5 Codex написать и запустить код. Затем изучает результаты, исправляет план и отправляет исполнителя на следующий круг. Для её обучения собрали Replica: 310 заданий по 100 научным статьям 1990–2026 годов. Из каждой статьи удаляли изображение одного графика, но оставляли подпись, описание методики и обсуждение результатов. Самих кривых и значений агент не видел. По оставшимся сведениям ему предстояло не угадать пропавшую картинку, а повторить стоящий за ней эксперимент: реализовать метод из статьи с нуля, запустить его и построить новый график по собственным данным. Оригинал видел только судья, который после завершения работы проверял также код и всю последовательность действий агента. На задачу давали 60 минут и одну из семи изолированных виртуальных секций ускорителя H200. Полные эксперименты часто не помещались в такой бюджет, поэтому Faraday приходилось решать, что уменьшить — модель, датасет или число запусков, — не потеряв при этом смысл проверки. Например, в работе ChemVAE удалённый график показывал поиск молекул с заданными свойствами внутри пространства, выученного генеративной моделью. Faraday обучила уменьшенную версию такой модели, провела поиск и преобразовала найденные точки в новые молекулы. Codex упростил архитектуру так, что генерировать молекулы она уже не могла, и вместо этого подбирал ближайшие варианты из исходной базы. Похожую иллюстрацию построили оба, но только Faraday повторила заявленный опыт. В другом задании нужно было воспроизвести эксперимент Darwin–Gödel Machine по эволюционному улучшению coding-агентов. Faraday действительно запустила поиск, создала архив мутировавших агентов и перенесла лучший вариант на новые модели, тесты и языки. Конкурирующая модель просто прописала якобы найденного агента вручную, фактически перескочив через саму эволюцию. Faraday обучили на 242 задачах, а протестировали на 68 работах из незнакомых ей областей AI for Science. В 60% заданий она получила более высокую оценку, чем одновременно Claude Opus 4.8 и GPT‑5.5, работавшие самостоятельно. В среднем преимущество составило 6% над Claude и 8% над Codex. Основным судьёй в работе тоже выступал Codex. Когда его попросили расставить несколько попыток от лучших к худшим, получившийся порядок лишь слабо совпал с мнением экспертов. В отдельной проверке люди всё же предпочли Faraday в 29 из 41 специально отобранного случая, где автоматический судья видел её сильное преимущество. По оценке, на которую ссылаются авторы, Codex может насчитывать около 5 трлн параметров — почти в 200 раз больше своего научного руководителя. Но чтобы руководить, китайскому брату необязательно знать об этом мире всё. @anti_agi

Stripe понадобился роутер за $7 млрд OpenRouter не обучает модели, не имеет тысяч серверов с GPU и не обрабатывает ни одного токена своим "железом". Она стоит между разработчиком и чужими моделями: один API, за ним весь рынок, от OpenAI и Anthropic до Qwen и DeepSeek, а сверху процент от цены самой модели. В каталоге OpenRouter более 400 моделей. по собственным данным, через их API идет 100 трлн токенов в месяц, что впятеро больше, чем полгода назад. И вот Stripe договорился купить эту конструкцию больше чем за $7 млрд. Источники анонимные, финальная цена может измениться, а сделка отмениться. Stripe слухи не комментирует, OpenRouter молчит. OpenRouter выставлял счета, платил налоги и ловил фрод через Stripe. Провайдер приобрел собственного клиента. Годом раньше Stripe поглотил Metronome, счетчик потребления для ИИ: он принимает поток событий о том, сколько токенов и GPU-секунд сожгли, и превращает это в счет. Клиенты Metronome, как выяснилось при закрытии сделки, это OpenAI, Anthropic и NVIDIA. Токены на выходе у лабораторий Stripe уже считал, теперь покупает шлюз, который решает, в какую лаб и моделей запрос уйдет. Плюс параллельно ходит за PayPal, где предложение на $53 млрд отклонили как заниженное. Stripe явно стремится стать единым платежным шлюзом для ИИ. Идея витает в воздухе. Свой роутинг строит Ramp, на прошлой неделе роутер запустил Cursor. Пока все меряются, чья модель умнее, выясняется, что доходы приносит посредничество. CEO OpenRouter Алекс Атталла еще в мае называл свою компанию «Stripe для ИИ». Все думали, что это метафора. @anti_agi