ИИ новости: 19 октября 2026

Фундаментальные тренды

OpenAI научила ИИ лучше работать со старыми языками программирования: точность переноса COBOL выросла с 5,4% до 86,6%

19 октября OpenAI опубликовала результаты исследования возможностей своих новейших моделей при работе с языками программирования, для которых существует сравнительно мало общедоступного обучающего материала. Речь идёт прежде всего о COBOL, Fortran, Visual Basic и других языках, продолжающих использоваться в банковских системах, промышленности, научных вычислениях и критически важных информационных службах. Компания представила два направления оценки: MultiLangBench для проверки способности ИИ создавать сложные программы на двадцати языках и отдельное испытание переноса существующего кода COBOL на современные языки с сохранением исходного поведения. По данным OpenAI, GPT-6 Astra достигла среднего результата 87,4% на MultiLangBench против 26,8% у GPT-5.6 Sol. В испытании переноса COBOL модель GPT-6.1 Sol показала точность 86,6% при низком уровне вычислительных усилий против 5,4% у GPT-5.6 Sol. Это результаты отдельных тестов с разными моделями, а не единый показатель качества программирования. Новость заключается в публикации новых сравнительных исследований и открытого набора испытаний, а не в выпуске очередной модели.

Проблема малораспространённых в современной разработке языков имеет большое практическое значение. COBOL десятилетиями используется для обработки финансовых операций, а Fortran остаётся важным инструментом научных расчётов. Хотя популярные языки вроде Python и JavaScript представлены огромным количеством открытых проектов, для старых корпоративных систем часто доступно значительно меньше примеров и документации. Первоначальные разработчики могут давно покинуть организацию, а отдельные правила расчётов сохранились исключительно в программном коде. В таком случае автоматический перенос программы опасен: новый вариант способен успешно запускаться и проходить простые проверки, но иначе округлять финансовые суммы, обрабатывать отсутствующие записи или изменять порядок операций. Поэтому OpenAI исследовала не только способность ИИ писать новый код, но и умение сохранять точное поведение существующих систем. Это фундаментально более сложная задача, чем перевод отдельных команд с одного языка на другой.

Для проверки создания программ исследователи разработали MultiLangBench. Модель получает задание построить совместимый с SQLite движок базы данных на одном из двадцати языков. Программа должна принимать исходный файл базы данных и SQL-запрос, выполнять необходимые изменения и возвращать корректное состояние базы. Проверка сопоставляет полученный результат с эталонной реализацией SQLite. Такой подход позволяет применять сопоставимые испытания к разным языкам, оценивая не только синтаксис, но и управление состоянием, обработку ошибок, организацию проекта и последовательное расширение функциональности. При максимальном уровне вычислительных усилий GPT-6 Astra набрала в среднем 87,4% успешно пройденных проверок. Для COBOL показатель вырос с 10,9% у GPT-5.6 Sol до 72,1%, для Fortran — с 21,4% до 83,5%, для OCaml — с 25,6% до 85,8%, а для Visual Basic — с 27,5% до 89,4%. В девятнадцати из двадцати языков Astra преодолела отметку 83%, однако COBOL оставался самым сложным. Более экономичная GPT-6 Luna достигла среднего результата 40,3% при оценочной стоимости программного интерфейса около 0,77 доллара на испытание против 3,48 доллара у GPT-5.6 Sol. Это показывает различие между максимальным качеством и более дешёвым выполнением задач.

Отдельный набор испытаний посвящён переносу программ COBOL на C++, Java, Kotlin, Python и Rust. Здесь недостаточно получить корректный с точки зрения синтаксиса исходный код: новая программа должна воспроизводить наблюдаемое поведение старой. Исследователи использовали скрытые тесты, требующие побайтового совпадения результатов. Например, арифметика COBOL с фиксированной точностью может отбрасывать лишние десятичные разряды, если округление не указано явно. Автоматически переписанная программа, использующая обычное округление, выдаст другое финансовое значение даже при отсутствии ошибок компиляции. На этом испытании GPT-6.1 Sol достигла точности 86,6% при низком уровне вычислительных усилий против 5,4% у GPT-5.6 Sol, одновременно снизив стоимость обращения на 39%. При более высоком уровне вычислительных усилий результат GPT-6.1 Sol достиг 97,9%. При этом высокая доля успешных тестов не означает, что почти любой промышленный проект COBOL можно безопасно перенести без участия специалистов: реальные системы содержат внешние зависимости, нестандартные расширения, скрытые бизнес-правила и требования к непрерывности обслуживания.

OpenAI опубликовала набор испытаний и инфраструктуру MultiLangBench на GitHub, чтобы исследователи и разработчики могли изучать результаты по отдельным языкам и самостоятельно проверять модели. Компания также сообщает о возможности использовать современные модели через API для работы с существующими программными системами. Однако опубликованные показатели относятся к разработанным OpenAI тестам; независимое подтверждение аналогичной точности на крупных производственных системах не представлено. Для организаций практический вывод состоит не в немедленном отказе от старых программ, а в появлении более эффективных инструментов их изучения, документирования, исправления и постепенного переноса. В отличие от новости DeepSeek от 17 октября, посвящённой обновлению конкретной модели для программирования и агентных задач, исследование OpenAI показывает изменение возможностей ИИ сразу на широком наборе языков с ограниченным объёмом обучающих данных. Фундаментальный результат — прогресс в переносе навыков программной инженерии на технологии, которые недостаточно представлены в открытом интернете, но продолжают поддерживать жизненно важные информационные системы.

Источник: openai.com

Риски и контроль

Один злоумышленник использовал ИИ-агентов для взлома более 100 сайтов: исследователи раскрыли масштабную кампанию

19 октября компания NorForge, специализирующаяся на безопасности искусственного интеллекта, опубликовала расследование массового использования автономных ИИ-агентов в кибератаках. Исследователи обнаружили более 20 открытых панелей управления системой Cairn, через которую операторы поручали искусственному интеллекту искать уязвимости и выполнять последовательные действия против выбранных сайтов. Наиболее активная группа использовала инструкции на китайском языке. Согласно опубликованным данным и независимому расследованию Reuters, один оператор организовал попытки проникновения более чем на 1200 сайтов, а успешные компрометации затронули свыше 100 ресурсов. Среди идентифицированных Reuters пострадавших оказались сайты, связанные с производителем сельскохозяйственной техники Deere, компанией бытовой техники SharkNinja и производителем двигателей Cummins. Главное новое событие — публикация 19 октября подробных результатов расследования и установление конкретных пострадавших. Сама вредоносная активность началась раньше, приблизительно 25 сентября, поэтому нельзя выдавать эту дату за начало атак.

Особенность выявленной кампании заключается в том, что злоумышленнику не требовалось вручную руководить каждым промежуточным действием. Cairn представляет собой систему последовательного решения задач, в которой несколько ИИ-агентов могут совместно анализировать информацию и выбирать дальнейшие шаги. Оператор формулировал общую цель, после чего программные агенты исследовали доступные ресурсы, проверяли предполагаемые слабые места и оценивали полученные результаты. Исследователь NorForge Снорре Фагерланд обнаружил более 20 предположительно вредоносных панелей Cairn, часть которых оставалась доступной без надлежащей защиты. Наиболее активная группа использовала 14 связанных панелей с более чем 1100 проектами атак на момент исследования. Reuters, изучив действия оператора, сообщило о более чем 1200 атакованных сайтах по состоянию на конец предыдущей недели. Эти цифры относятся к разным срезам наблюдений и не должны механически складываться. NorForge оценила среднюю долю успешного достижения целей примерно в 10% для наблюдавшихся кампаний, однако характер целей и полнота данных различались.

Экономика атак показывает, почему автономные системы становятся серьёзной угрозой. По оценке Фагерланда, наиболее активная кампания могла потребовать около 5000 долларов расходов на обработку запросов ИИ, что соответствует приблизительно 50 долларам на одно успешное проникновение. Это расчёт исследователя, а не подтверждённая выписка о фактических платежах преступника. В отдельных успешных заданиях агенты работали почти сутки: NorForge указывает среднее время от начала проекта до достижения цели менее 23 часов для соответствующей группы. При этом человек не обязан был непрерывно контролировать каждую попытку. Исследователи описали случаи, когда агенты продолжали поиск после первоначальных неудач и находили другие потенциально уязвимые компоненты инфраструктуры. В одном проверенном эпизоде NorForge подтвердила наличие на стороннем сервере постороннего программного компонента, оставленного после проникновения. Это свидетельствует о реальном характере части нарушений, но не доказывает одинаковый результат для всех выбранных целей. Использование моделей DeepSeek и инструментов семейства Claude в наблюдавшихся конфигурациях также не означает, что их разработчики участвовали в атаках или санкционировали такие действия.

Reuters отдельно связало часть выявленных компрометаций с конкретными организациями и запросило у них комментарии. Deere сообщила о предпринятых мерах устранения проблемы и отсутствии признаков доступа к конфиденциальной информации. SharkNinja подтвердила, что инцидент затронул отдельный сайт поддержки продукции, после чего угроза была локализована. Cummins заявила, что проверяет сообщение о потенциальной атаке на сайт стороннего поставщика. Таким образом, обнаружение несанкционированного доступа нельзя автоматически приравнивать к масштабной краже клиентских данных или проникновению в основные корпоративные системы. Reuters не смогло установить, в какой степени зафиксированные взломы сопровождались извлечением информации. Дополнительным результатом расследования стала демонстрация недостаточной защищённости инфраструктуры самих злоумышленников. Открытые панели Cairn раскрывали сведения об атакуемых объектах, результатах проверок и иногда учётные данные. NorForge обнаружила сотни потенциальных секретов, среди которых отдельная проверка подтвердила действительность части записей. Публикация подобных данных создаёт дополнительный риск для пострадавших, даже если первоначальная попытка проникновения оказалась неуспешной.

Для мировой индустрии ИИ расследование важно как подтверждение нового масштаба автоматизации киберпреступности. Один оператор может организовать множество параллельных длительных попыток проникновения, используя относительно недорогие модели и готовые агентные инструменты. Это снижает трудозатраты атакующей стороны и увеличивает нагрузку на защитников. Организациям необходимо усиливать контроль публично доступных систем, своевременно устранять известные уязвимости, ограничивать полномочия сервисных учётных записей, защищать административные интерфейсы и отслеживать подозрительные последовательности обращений. При этом автономная работа ИИ не делает любую атаку успешной: большинство наблюдавшихся заданий не достигли полной цели, а оценки исследователей имеют существенные ограничения. В отличие от новости Tencent от 16 октября о непредусмотренных действиях агентов во время испытаний сторонних моделей, здесь описано намеренное преступное использование ИИ человеком. В отличие от выпуска Check Point от 15 октября о защитной технологии Dangerous Deviation Detection, это расследование фактически наблюдавшихся атак. Главный вывод состоит в том, что автономные агенты уже используются не только для защиты и тестирования программного обеспечения, но и для массовых противоправных операций, эффективность которых необходимо оценивать по подтверждённым последствиям, а не только по количеству попыток.

Источник: norforge.com; www.reuters.com

Где ИИ становится продуктом

IBM внедрила 6000 ИИ-агентов в 150 рабочих процессов: проверка киберугроз ускорилась с 45 до 2 минут

18 октября издание Financial Express опубликовало интервью с Мохамадом Али, старшим вице-президентом IBM Consulting, в котором компания раскрыла масштаб практического использования искусственного интеллекта в консалтинговых процессах. По словам руководителя, IBM внедрила около 6000 различных ИИ-агентов, интегрированных более чем в 150 рабочих процессов. Автоматизация разворачивается на платформе IBM Consulting Advantage, которая объединяет специализированных программных помощников, инструменты разработки и средства сопровождения корпоративных проектов. Али сообщил, что через платформу выполняется более 2000 действующих проектов по всему миру, включая свыше 500 внедрений у клиентов, где совместно работают специалисты и программные агенты. Эти показатели относятся к разным категориям: количество агентов не равно числу клиентов, а число проектов не означает, что все они уже завершены или принесли одинаковый экономический результат. Главное событие — раскрытие новых количественных результатов действующего внедрения, а не выпуск новой базовой модели или первоначальный запуск платформы.

IBM делает ставку не на отдельные чат-боты для ответов на вопросы, а на изменение последовательности реальных операций. В традиционной консалтинговой модели специалист получает задачу, изучает документы, обращается к нескольким системам, анализирует информацию и подготавливает результат. При использовании агентной автоматизации часть этих шагов выполняют специализированные ИИ-системы, работающие внутри общего процесса. Человек при этом отвечает за постановку задачи, контроль качества и решения, требующие профессиональной ответственности. Такой подход компания применяет к финансовым операциям, кадровым процедурам, банковским системам, информационной безопасности и другим направлениям корпоративной деятельности. В отличие от ситуации, когда сотрудник просто использует универсальный чат для ускорения написания текста, агенты встраиваются в конкретные операции с определёнными входными данными, действиями и критериями завершения. Для заказчика принципиально важно измерять результат всего процесса, а не только скорость отдельного ответа нейросети.

Наиболее наглядный пример IBM привела из сферы кибербезопасности. По словам Али, анализ одного сообщения о потенциальной угрозе, который раньше занимал около 45 минут, теперь может выполняться группой ИИ-агентов приблизительно за две минуты. После автоматической обработки предусмотрено ещё около десяти минут проверки специалистом. Следовательно, общий процесс с участием человека в описанном сценарии занимает приблизительно двенадцать минут, а не две. Руководитель IBM сообщил, что благодаря такому подходу команда может обрабатывать примерно втрое больше угроз при прежнем числе сотрудников. Это заявленный результат конкретной организации работы, а не доказательство того, что любой центр информационной безопасности автоматически получит такое же ускорение. Качество анализа, доля ложных тревог, сложность инцидентов и потребность в дополнительном расследовании могут существенно изменять эффект. Кроме того, автоматическая обработка предупреждения не равнозначна устранению уязвимости или полной нейтрализации атаки.

Для реализации подобных проектов IBM использует команды, в которые входят архитекторы, специалисты по отраслевым процессам и инженеры ИИ. Они изучают существующую работу заказчика, выявляют операции, пригодные для автоматизации, и проектируют новую последовательность действий человека и цифровых исполнителей. IBM Consulting Advantage допускает использование моделей и инфраструктуры различных поставщиков, поэтому описанная стратегия не ограничивается одной нейросетью. Над развитием платформы работает собственная группа исследований и разработок численностью более тысячи инженеров. Компания также использует лабораторию Productivity Measurement Lab в Бангалоре для сравнительной проверки процессов с ИИ-агентами и без них перед промышленным внедрением. Такое сопоставление необходимо, поскольку ускорение отдельной операции не гарантирует улучшения всей системы: дополнительные согласования, ошибки, повторные попытки и изменения в работе сотрудников могут поглотить ожидаемую экономию.

Особенно важным стало признание руководителя IBM, что внедрение ИИ не всегда повышает производительность. В некоторых случаях после добавления агентов результат оказывается хуже исходного процесса. Поэтому компания оценивает автоматизацию не по числу созданных агентов или израсходованных токенов, а по влиянию на трудозатраты, скорость выполнения задач и экономические показатели. Для предприятий это практический урок: перед внедрением необходимо зафиксировать исходную длительность операции, расходы и уровень ошибок, затем провести ограниченное испытание и сравнить показатели при одинаковых требованиях к качеству. Публикация не содержит независимого аудита всех 6000 агентов или экономических результатов каждого клиентского внедрения, поэтому приведённые цифры следует рассматривать как сведения IBM, сообщённые в интервью. В отличие от новости Workday от 13 октября об анонсированных корпоративных агентах и интерфейсе Sana, здесь речь идёт о количестве уже встроенных в работу агентов и конкретном примере измеренного сокращения времени обработки угроз. Для мировой индустрии ИИ событие показывает переход от отдельных демонстраций к масштабной организации совместной работы сотрудников и программных агентов, где критерием успеха становится проверяемая производительность всего бизнес-процесса.

Источник: www.financialexpress.com

Архитектура и технологии внедрения

Amazon представила TorchNeuron: нейросети на PyTorch смогут работать на чипах Trainium без переписывания кода

19 октября Amazon и сообщество PyTorch представили TorchNeuron — новый программный слой, позволяющий выполнять существующие программы искусственного интеллекта на специализированных облачных ускорителях AWS Trainium без обязательного переписывания моделей под особенности этих чипов. Разработчики утверждают, что для стандартного сценария достаточно изменить настройку вычислительного устройства, сохранив привычные интерфейсы PyTorch. Новая технология поддерживает поколения Trainium2 и Trainium3 и предназначена как для обучения нейросетей, так и для выполнения готовых моделей. Официальный выпуск открытой бета-версии под лицензией Apache 2.0 назначен на 20 октября, во время конференции PyTorch Conference North America. Поэтому событие 19 октября — именно представление архитектуры, возможностей и результатов раннего использования, а не уже состоявшаяся общедоступная публикация бета-версии. Это важный шаг в развитии инфраструктуры ИИ: производители специализированных процессоров пытаются сделать переход между аппаратными платформами менее трудоёмким для разработчиков.

Главное препятствие при использовании альтернативных ускорителей заключается не только в вычислительной мощности. Значительная часть современных нейросетей разрабатывается на PyTorch, а программные библиотеки и инструменты оптимизации часто ориентированы на конкретные типы оборудования. Переход на другую аппаратную платформу может потребовать изменения исходного кода, переноса вычислительных операций, повторной проверки результатов и отдельной настройки распределённого обучения. Это создаёт дополнительные расходы, даже если стоимость аренды нового ускорителя привлекательна. TorchNeuron использует предусмотренный в PyTorch механизм регистрации вычислительных устройств PrivateUse1 и стандартные интерфейсы torch.accelerator. В базовом примере разработчик переносит модель на Trainium командой .to(‘neuron’), а для компилируемого исполнения выбирает соответствующий программный обработчик. Однако обещание работы без переписывания относится прежде всего к программам, использующим поддерживаемые стандартные интерфейсы. Специальные расширения и нестандартные операции по-прежнему могут потребовать адаптации и дополнительной проверки.

Разработчики предусмотрели два основных режима исполнения. Первый — eager, при котором операции выполняются последовательно и позволяют использовать привычную отладку Python. Дополнительно представлен экспериментальный adaptive eager, предназначенный для уменьшения накладных расходов и повышения эффективности последовательного выполнения операций без изменения прикладного кода. Второй режим использует torch.compile: PyTorch формирует вычислительный граф, после чего специализированный компилятор преобразует его в инструкции для ускорителей Trainium. Для разработчиков сложных моделей предусмотрен Neuron Kernel Interface, позволяющий создавать собственные низкоуровневые вычислительные операции. Таким образом, система сочетает простой путь первоначального переноса программ с возможностью последующей оптимизации наиболее затратных участков. Но сам факт совместимости ещё не доказывает одинаковую скорость работы на Trainium и графических ускорителях других производителей. Производительность зависит от архитектуры модели, используемых операций, объёма данных и качества оптимизации.

TorchNeuron также интегрируется с инструментами распределённого обучения PyTorch, включая FSDP2, параллелизм по тензорам и распределённое выполнение через torch.distributed. Для диагностики производительности предусмотрена совместимость с torch.profiler и инструментом Neuron Explorer, который помогает связать задержки на аппаратном уровне с конкретными участками исходного кода. Это важно при обучении больших языковых моделей, когда вычисления распределены между множеством ускорителей, а ошибки настройки обмена данными могут существенно увеличивать расходы. Поддержку Trainium в своих инструментах уже развивает Hugging Face: разработчики смогут применять знакомые библиотеки Transformers и Diffusers вместо создания отдельных версий моделей для оборудования Amazon. Платформа TorchTitan также получила путь запуска распределённого обучения на Trainium. По заявлению Amazon, совместимость проверяется на сотнях тысяч моделей при каждой сборке. Это описание внутренней процедуры тестирования, а не доказательство полной совместимости с абсолютно любым проектом.

Практическое использование технологии началось ещё до публичного выпуска. Amazon сообщила о применении TorchNeuron компаниями и исследовательскими организациями, работающими с голосовыми моделями, робототехникой, обработкой видео и медицинскими задачами. Разработчик голосового ИИ Cartesia сообщил о переносе стандартной системы выполнения моделей с минимальными изменениями кода. Компания Deepgram заявила, что в собственных сравнительных испытаниях получила примерно на 60% больше обработанных секунд входящего аудио на доллар по сравнению с использовавшейся ранее инфраструктурой на графических ускорителях. Этот результат относится к конкретной модели, нагрузке и условиям сравнения и не является универсальным преимуществом Trainium. Стратегически Amazon пытается ослабить зависимость рынка от программной экосистемы NVIDIA CUDA, которая долгое время облегчала использование ускорителей одного поставщика. В отличие от новости Google Cloud от 16 октября об ускорении распределённого выполнения модели Beam за счёт кеширования и маршрутизации, TorchNeuron решает другую архитектурную проблему — переносимость программ между вычислительными платформами. Главное значение объявления заключается в расширении выбора оборудования для разработчиков ИИ. Реальная экономия будет определяться совместимостью конкретных моделей, стоимостью переноса и измеренными затратами на обучение и выполнение задач.

Источник: pytorch.org; www.aboutamazon.com

Финансы

Конкурент NVIDIA привлёк $1,5 млрд: разработчика ИИ-чипов Tenstorrent оценили в $6,2 млрд

19 октября американская компания Tenstorrent объявила о завершении инвестиционного раунда Series E на 1,5 млрд долларов. По итогам финансирования стоимость компании после привлечения капитала составила 6,2 млрд долларов. Раунд возглавили инвестиционные компании Trace Capital и Innovation X. Среди других участников Tenstorrent назвала ARK Invest, Fidelity Management & Research Company, Morgan Stanley, Sandisk, T. Rowe Price, Tether Investments, Cadence Ventures и ряд других инвесторов. Это завершённое привлечение капитала, а не предварительная договорённость или неподтверждённый слух о финансировании. Принципиально важно различать две суммы: 1,5 млрд долларов — объём привлечённых инвестиций, а 6,2 млрд долларов — оценка всего бизнеса после раунда. Последняя цифра не означает, что компания получила такую сумму на свои счета или уже зарабатывает её ежегодно. Событие показывает высокий интерес инвесторов к альтернативным поставщикам вычислительного оборудования для искусственного интеллекта, несмотря на сильные позиции NVIDIA.

Tenstorrent разрабатывает собственные ускорители искусственного интеллекта, программное обеспечение и серверные системы. Компанию возглавляет Джим Келлер — инженер, участвовавший в разработке процессорных архитектур AMD Zen, чипов Apple A4 и A5, а также вычислительных решений Tesla. Одним из главных направлений бизнеса Tenstorrent являются серверы Galaxy, предназначенные для выполнения крупных моделей искусственного интеллекта. Компания делает акцент на открытых моделях с доступными весами, включая языковые модели и системы генерации видео. В отличие от поставщиков, предлагающих только отдельный ускоритель, Tenstorrent стремится продавать решения на разных уровнях: от платы расширения и рабочей станции до серверных стоек, крупных вычислительных комплексов и лицензируемых компонентов процессорной архитектуры. Эта стратегия позволяет ориентироваться одновременно на разработчиков, корпоративные центры обработки данных и организации, желающие создавать собственное оборудование.

Tenstorrent сообщила, что направит привлечённые средства прежде всего на масштабирование развёртывания серверов Galaxy и расширение коммерческого присутствия. Другой приоритет — развитие интеллектуальной собственности в области процессоров общего назначения и ускорителей ИИ, которую компания лицензирует сторонним разработчикам микросхем. Среди таких технологий — процессорные ядра TT-Ascalon на архитектуре RISC-V и вычислительные ядра Tensix для задач искусственного интеллекта. В официальном сообщении Samsung и LG упомянуты среди компаний, использующих лицензируемые разработки Tenstorrent. Это направление важно для производителей оборудования, которым требуется собственная вычислительная платформа и возможность адаптировать её к конкретным устройствам. Архитектура RISC-V предоставляет открытый набор команд процессора, однако создание готового промышленного чипа всё равно требует значительных инженерных затрат, разработки дополнительных компонентов, испытаний и организации производства.

Финансовая привлекательность Tenstorrent связана с попыткой предложить рынку альтернативу сложившейся экосистеме ускорителей и программных инструментов NVIDIA. Компания продвигает открытый программный стек и возможность запуска моделей как на собственном оборудовании заказчика, так и в крупных вычислительных системах. Это может быть интересно предприятиям, которые хотят контролировать размещение данных, выбирать архитектуру вычислений и уменьшать зависимость от одного поставщика. Однако сама по себе открытость программных инструментов не гарантирует более низкую стоимость выполнения запросов или более высокую производительность. Для сравнения необходимы данные о стоимости оборудования, энергопотреблении, загрузке серверов, скорости выполнения конкретных моделей, качестве программных библиотек и расходах на сопровождение. В сообщении о раунде Tenstorrent не раскрыла выручку, прибыль, количество проданных серверов Galaxy или подтверждённую экономию для типового корпоративного заказчика. Поэтому оценку бизнеса нельзя считать независимым доказательством технологического превосходства над NVIDIA.

С точки зрения мирового рынка ИИ завершённый раунд Tenstorrent подчёркивает, что борьба за вычислительную инфраструктуру выходит за рамки отдельных моделей и облачных сервисов. Крупные инвесторы готовы финансировать разработчиков, которые одновременно создают микросхемы, программные средства и целые серверные платформы. Для Tenstorrent следующий этап будет связан с превращением привлечённого капитала в массовые поставки оборудования, развитие экосистемы разработчиков и устойчивую коммерческую выручку. Риски включают высокие затраты на производство и развёртывание серверов, конкуренцию с крупными поставщиками, сложность обеспечения совместимости программ и необходимость подтверждать экономическую эффективность на реальных нагрузках. В отличие от новости Amazon от 19 октября о TorchNeuron, посвящённой переносу программ PyTorch на существующие ускорители Trainium, событие Tenstorrent имеет прежде всего финансовый характер: компания уже закрыла крупный инвестиционный раунд для расширения собственного аппаратного бизнеса. Главный вывод состоит в том, что инвесторы продолжают вкладывать миллиарды долларов в альтернативную инфраструктуру ИИ, рассчитывая на рост спроса на вычисления и возможность появления новых крупных поставщиков оборудования.

Источник: tenstorrent.com

Инструменты и интеграции

BILL запустила новые ИИ-инструменты для финансов: проверка счетов, контроль агентов и подключение через MCP

19 октября американская финансово-технологическая компания BILL объявила о расширении своей платформы управления финансами для малого и среднего бизнеса. Новое обновление объединяет интеллектуальную проверку счетов перед оплатой, централизованное управление функциями ИИ, журналирование действий, подключение внешних ИИ-помощников через протокол MCP и автоматизацию обработки входящих документов. Компания также представила расширенный разговорный интерфейс Chat with BILL, который находится на стадии бета-тестирования. BILL обслуживает почти 500 тысяч предприятий и бухгалтерских организаций, поэтому изменения затрагивают платформу, уже используемую для реальных финансовых операций. При этом функции имеют разные стадии доступности: часть уже внедряется, отдельные возможности находятся в предварительном доступе, а дальнейшие улучшения запланированы на следующие месяцы. Главное событие — объявление 19 октября о новом наборе инструментов и начале его поэтапного внедрения, а не выпуск самостоятельной универсальной нейросети.

Одно из центральных направлений обновления — предотвращение ошибок до проведения платежа. BILL анализирует историю расчётов с конкретным поставщиком и выделяет счета, сумма которых заметно отличается от привычного уровня. Проверка выполняется на этапе согласования, когда финансовый сотрудник ещё может подтвердить необычную операцию или отправить документ на исправление. Сам механизм обнаружения нетипичных сумм появился ранее, однако октябрьское объявление расширяет его представление в рамках общей системы управления финансовым ИИ. По собственным данным BILL, в 2026 финансовом году платформа отметила около 1,5 млрд долларов платежей клиентов, связанных с простыми ошибками или необычными операциями. Компания также утверждает, что с августа по сентябрь её система оценки рисков выявляла в среднем по 138 тысяч долларов таких операций на клиента и в совокупности позволила сэкономить более 1800 рабочих дней. Эти цифры относятся к заявленной компанией статистике, а не к независимо подтверждённой сумме предотвращённого мошенничества. Обнаружение подозрительного счёта само по себе не доказывает наличие преступления: необычная сумма может быть следствием законного изменения условий поставки.

Второе направление — контроль над действиями самой автоматизации. BILL представила единый административный раздел, где финансовые команды могут включать и отключать отдельные функции ИИ, управлять автоматической обработкой налоговых форм W-9, определением категорий операций и проверкой финансовых рисков. Отдельный журнал показывает действия, выполненные ИИ, чтобы сотрудники могли проверить, какие операции были автоматизированы. Это принципиально отличается от подхода, при котором система выполняет действия незаметно, а человеку остаётся только разбирать последствия. Новые возможности подключения через Model Context Protocol позволяют пользователям BILL и участникам её сети с соответствующей учётной записью обращаться к данным своих финансовых операций из совместимых внешних ИИ-помощников. Например, пользователь сможет задавать вопросы о счетах и платежах через привычный разговорный интерфейс. При этом наличие соединителя не означает, что внешнему агенту автоматически предоставляется неограниченное право распоряжаться денежными средствами. Конкретные возможности и безопасность зависят от настройки подключения, учётных данных и действующих разрешений.

BILL также расширяет работу с финансовыми документами. Обновлённая папка входящих материалов автоматически распознаёт счета и налоговые формы W-9, присваивает им категории и показывает степень уверенности в классификации. Если система недостаточно уверена в результате, она должна отмечать сомнение, а не выдавать предположение за установленный факт. Предусмотрено исключение лишних изображений и других нерелевантных материалов, а также распознавание счетов, содержание которых находится непосредственно в тексте электронного письма. Сотрудник может исправить неверную категорию. Для этой функции BILL указывает отсутствие необходимости в дополнительной настройке. Другая возможность — помощь при первоначальном подключении предприятия к платформе: ИИ предварительно заполняет сведения об организации, предлагает подходящие продукты и помогает настроить поставщиков и согласующих сотрудников. По данным разработчика, это сокращает время первоначальной настройки до 50%, а настройки поставщиков — до 70%. Представленный разговорный интерфейс Chat with BILL позволяет спрашивать о сроках оплаты поставщикам, статусах счетов, расходах по картам и повторяющихся платежах. Однако его расширенная версия пока находится в бета-тестировании с записью в список ожидания.

Для рынка финансового программного обеспечения обновление показывает переход от отдельных интеллектуальных подсказок к управляемой автоматизации повседневных денежных операций. Важным становится не только способность модели обнаружить ошибку, но и возможность сотрудника проверить основание предупреждения, увидеть журнал действий и решить, какие операции разрешено автоматизировать. Интеграция через MCP дополнительно открывает путь к использованию финансовой информации внутри привычных корпоративных ИИ-инструментов, но повышает требования к разграничению доступа и защите конфиденциальных данных. При оценке экономической эффективности необходимо учитывать долю ложных предупреждений, трудозатраты на проверку, качество распознавания документов и реальное сокращение времени обработки счетов. В отличие от новости Ramp от 15 октября об инвестициях и контроле расходов на использование моделей ИИ, BILL развивает инструменты непосредственной работы с финансовыми документами и платежами. В отличие от объявления Intuit о намерении приобрести Sequence, здесь речь идёт об обновлениях действующей платформы, часть которых уже вводится для клиентов. Главный вывод состоит в том, что финансовые ИИ-агенты становятся частью реального документооборота, а контроль их действий превращается в обязательную функцию продукта.

Источник: www.bill.com; www.bill.com

Возможности для бизнеса

Проверяемая модернизация старых программ на COBOL и других языках

Исследование OpenAI открывает возможность создать специализированную услугу по анализу и постепенному обновлению корпоративного программного обеспечения, написанного на COBOL, Fortran и других языках, с которыми современные разработчики работают сравнительно редко. В банках, промышленных предприятиях и крупных организациях подобные системы могут десятилетиями выполнять важнейшие расчёты. Их замена затруднена не только устаревшей технологией, но и отсутствием полной документации, зависимостью от внешних компонентов и необходимостью точно сохранять финансовую логику. OpenAI сообщила о существенном улучшении результатов моделей при переносе COBOL в современные языки, однако её испытания не доказывают возможность безошибочной автоматической миграции реальных корпоративных систем. Поэтому коммерческая идея должна строиться не на обещании мгновенного переписывания программ, а на сочетании ИИ, тестирования и профессиональной проверки.

Первым продуктом может стать платное обследование небольшого, но важного программного модуля. Исполнитель изучает исходный код, фиксирует входные и выходные данные, выявляет внешние зависимости и вместе с заказчиком формирует набор контрольных сценариев. Затем ИИ создаёт техническую документацию и предлагает эквивалентную реализацию на современном языке. Обе версии запускаются на одинаковых данных, а результаты сравниваются автоматически. Для финансовых расчётов необходимы проверки десятичных разрядов, округления, обрезания дробной части, дат, пустых полей и граничных значений. Простого совпадения результатов нескольких примеров недостаточно: требуются регрессионные тесты, проверка исключительных ситуаций и участие специалиста, понимающего предметную область. При обнаружении расхождения новая реализация не принимается до установления причины. Такой подход превращает ИИ из неконтролируемого переводчика кода в инструмент инженерной модернизации с проверяемыми результатами.

Услугу можно продавать последовательно: инвентаризация и документация, пилотный перенос одного модуля, расширение тестового покрытия и сопровождение поэтапной миграции. Основные показатели эффективности — доля сценариев с подтверждённой эквивалентностью, количество обнаруженных расхождений, трудозатраты специалистов, стоимость переноса и способность новой программы работать в существующей инфраструктуре. Экономический результат следует оценивать с учётом риска остановки критических операций, а не только расходов на написание кода. На начальном этапе целесообразно выбирать ограниченные модули с доступными тестовыми данными, не затрагивая одновременно всю информационную систему. Успешная модернизация может сократить зависимость от редких специалистов и упростить дальнейшее сопровождение, но это предстоит доказывать на конкретных проектах. Предлагаемая услуга является бизнес-гипотезой, а не существующей готовой платформой. Её конкурентным преимуществом может стать строгая проверка сохранения исходного поведения программы.

Источник: https://openai.com/index/low-resource-programming-languages/

ИИ-контролёр счетов поставщиков и финансовых документов

Обновление BILL показывает, что искусственный интеллект всё глубже встраивается в процессы проверки счетов, согласования платежей и обработки финансовых документов. На этой основе можно создать специализированную услугу для небольших предприятий, которым не требуется полноценная замена бухгалтерской системы, но необходим дополнительный контроль перед оплатой. В обычном документообороте сотрудники вручную сопоставляют счета с договорами, отслеживают изменение цен и проверяют повторные начисления. Ошибки могут возникать из-за неверного количества, повторного документа, изменения банковских реквизитов или случайного отклонения суммы от привычного уровня. ИИ способен помогать выявлять подозрительные расхождения, но решение об оплате должно оставаться за уполномоченным сотрудником. Коммерческая ценность предложения заключается не в автоматическом перечислении денег, а в уменьшении количества пропущенных ошибок и времени предварительной проверки.

Минимальная версия решения может получать счета и сопроводительные документы из согласованного электронного канала. Система распознаёт поставщика, дату, номер, валюту, суммы, налоговые показатели и строки документа. Затем она сопоставляет сведения с историческими счетами и разрешёнными данными учётной системы. В первую очередь проверяются дубликаты, арифметические ошибки, существенные отклонения цен, необычные суммы и несоответствия между счётом и условиями договора. Подозрительные документы попадают в отдельную очередь с объяснением причины предупреждения. Если система недостаточно уверена в распознанных реквизитах, она должна обозначать неопределённость, а не подставлять выдуманные значения. Каждый результат подтверждается сотрудником, а история исправлений сохраняется. Доступ к банковским реквизитам, персональным сведениям и платёжным функциям следует разграничивать отдельно. На первом этапе сервис вообще не должен иметь разрешения самостоятельно создавать или отправлять платёжные поручения.

Предложение можно начать с обследования документов одного предприятия и ограниченного пилота на исторических счетах. Для оценки полезности необходимо определить, сколько реальных ошибок выявлено, сколько предупреждений оказалось ложными, сколько времени требуется на проверку и как меняется стоимость обработки документа. Нельзя считать любую необычную сумму мошенничеством: изменение условий поставки может быть полностью законным. Поэтому правила должны учитывать сезонность, разовые закупки, изменения договоров и валютные колебания. Возможная модель оплаты — первоначальная настройка и последующее сопровождение, зависящее от объёма документов. Интеграцию следует делать с уже применяемыми клиентом учётными инструментами, не обещая немедленной совместимости со всеми системами. Статистика экономии, опубликованная BILL, является данными самого разработчика и не гарантирует аналогичный результат другим предприятиям. Это самостоятельная бизнес-гипотеза по контролю финансовых документов, а не заявление о наличии уже работающего продукта.

Источник: https://www.bill.com/press-release/bill-launches-new-suite-of-ai-capabilities

Независимая оценка переноса ИИ-моделей на альтернативные ускорители

Представление Amazon TorchNeuron и крупное финансирование Tenstorrent подтверждают интерес рынка к вычислительным платформам, альтернативным привычным ускорителям NVIDIA. Однако предприятию недостаточно узнать, что другой процессор теоретически способен выполнять ту же модель. Для принятия решения необходимо понять, сколько стоит перенос существующего программного обеспечения, сохраняется ли качество результатов, какие возникают ограничения совместимости и насколько меняется цена реальной вычислительной задачи. Это создаёт нишу для независимой инженерной услуги по сравнению аппаратных платформ для искусственного интеллекта. Её потенциальные заказчики — разработчики моделей, операторы ИИ-сервисов и предприятия с устойчивой вычислительной нагрузкой, которым экономически оправдано рассматривать несколько поставщиков оборудования.

Пилот должен начинаться не с покупки серверов, а с инвентаризации существующих моделей и программных зависимостей. Исполнитель определяет используемые библиотеки PyTorch, нестандартные вычислительные операции, требования к памяти, способы распределённого выполнения и особенности обработки данных. Затем выбирается одна характерная задача: например, распознавание речи, генерация текста или дополнительное обучение модели. Её запускают на исходной инфраструктуре и на доступной альтернативной платформе. В случае AWS Trainium можно проверить совместимость через TorchNeuron, поддерживаемые стандартные интерфейсы PyTorch и необходимость адаптации отдельных операций. Одинаковые тестовые данные и критерии качества обязательны для всех вариантов. Измеряются скорость, задержка, потребление памяти, стоимость вычислений и трудозатраты инженеров. Если модель не поддерживается или миграция требует значительной переработки, это должно быть отражено в отчёте как ограничение, а не скрыто за результатами удачных отдельных тестов.

Коммерческая модель может включать технический аудит, сравнительный эксперимент и проект перехода при подтверждённой выгоде. Заказчик получает документ с исходными условиями испытаний, проверенными ограничениями и расчётом полной стоимости владения. Важно учитывать не только тариф за час использования ускорителя, но и загрузку оборудования, сетевые расходы, поддержку программных библиотек, надёжность поставщика и риски зависимости от выбранной платформы. Объявление TorchNeuron не гарантирует совместимость любого проекта, а успешные результаты отдельных ранних пользователей нельзя автоматически переносить на все модели. Аналогично инвестиции Tenstorrent в размере 1,5 млрд долларов подтверждают финансовый интерес к направлению, но не доказывают превосходство её оборудования. Наиболее доступной отправной точкой станет работа с арендованной инфраструктурой и ограниченными тестовыми заданиями. Это потенциальная консультационно-инженерная услуга, а не уже созданный инструмент автоматического переноса или гарантированной экономии.

Источник: https://pytorch.org/blog/introducing-torchneuron-native-pytorch-backend-for-aws-trainium/