Роботы учатся видеть мир нашими глазами, сами пишут код и создают игры: топ-10 ИИ-исследований за май

Давно ничего не писал — погружен с головой в «тихую ИИ-революцию». Скоро поделюсь мыслями, а пока расскажу про самые интересные ИИ-исследования за последние пару месяцев.

1. Децентрализованный интеллект: как обучали INTELLECT-2

Обучать LLM можно без дорогих датацентров — просто объединяя вычисления множества обычных пользователей по всему миру. Итоговая модель превзошла лидеров по математике и программированию в своей «весовой категории».

📄 Статья | 🤖 Модель


2. Hunyuan-Game: создание игр с помощью ИИ

ИИ врывается в геймдев: теперь границы между фантазией и реальностью стираются за пару кликов. Но пока индустрия радуется новым возможностям, разработчики сомневаются: не будут ли нейросети создавать игры слишком похожими друг на друга?

📄 Статья


3. Измеряем общий интеллект с помощью создания игр

Языковые модели научились проходить любые тесты, но насколько они действительно умны? Чтобы пройти новый бенчмарк gg-bench, нужно учиться мыслить и приспосабливаться к абсолютно новым правилам игры. Так GPT-4o выиграла лишь в 7–9% новых игр, а рассуждающие модели достигли 31–36% — есть куда расти.

📄 Статья


4. Могут ли нейросети пройти видеоигры из 90-х?

Исследователи из Принстона провели такой эксперимент — и оказалось, что даже самые продвинутые модели застревают на старых играх и не проходят даже 1% уровня, хотя играют с паузами на обдумывание!

📄 Статья | 💾 Код


5. Vibe Coding vs Agentic Coding: Переосмысление роли разработчика в эпоху ИИ

В мире разработки появились два подхода: Vibe Coding — когда управляешь генерацией кода, общаясь с ИИ на естественном языке, и Agentic Coding — полноценный автопилот, где ставишь цель, а ИИ-агент сам пишет, тестит и деплоит целые фичи. Будущее за гибридом этих двух подходов.

📄 Статья


6. Как пофиксить 7 400 багов за один доллар

Google создали новую систему, которая мгновенно ставит предохранители прямо на месте сбоя и чинит баги за копейки. В тестах она самостоятельно закрыла почти половину всех уязвимостей, а при совместной работе с ИИ-ассистентами довела этот показатель до 73%.

📄 Статья


7. Самообучающийся ИИ: автоматическое обучение моделей на синтетических данных

Ученые из MIT научили ИИ тренировать самого себя: модель придумывает задачи, находит ответы и постепенно становится умнее — без долгой разметки со стороны людей. Например, точность в математических задачах возросла с 62% до 92%. Главное — правильно задать цель, иначе ИИ научится быстро не тому, что нужно.

📄 Статья | 💾 Код


8. EgoZero: как научить робота мыть посуду с помощью умных очков

Робота научили выполнять бытовые задачи — от открытия духовки до стирания с доски — просто по видео с умных очков! И что поразительно: в 70% случаев робот справился даже с новыми задачами, которых раньше не видел, просто глядя на мир глазами человека.

📄 Статья | 💾 Код


9. Социальный интеллект для машин: как MetaMind делает ИИ эмпатичным

MetaMind — это мультиагентная система, которая учится читать намерения пользователей «между строк», распознавая скрытые эмоции и подтексты. Такой ИИ ведет себя почти как настоящий собеседник. Точность распознавания скрытых намерений выросла на 36% по сравнению с обычными LLM

📄 Статья | 💾 Код


10. Сам себе инженер: минималистичный агент с максимальными возможностями

Alita — настоящий инженер самого себя: он сам придумывает и создает инструменты по мере необходимости, непрерывно эволюционируя. Будущее автономных ИИ-агентов именно здесь: за счет саморазвития агент обходит классические системы и достигает 75% успеха с первой попытки на сложных тестах.

📄 Статья


ИИ стремительно развивается — он учится видеть мир нашими глазами, самостоятельно писать код, чинить баги и создавать игры. Исследователи фокусируются на автономии, обучении без больших датацентров и ручной разметки. Нас ждут эмпатичные саморазвивающиеся агенты, которые сами выбирают инструменты и методы для решения задач любой сложности.

Подробный обзор тут.

#исследования