ИИ новости: 22 октября 2026

Фундаментальные тренды

OpenAI задействовала тысячи ИИ-агентов: анализ миллионов клеток мозга занял 32 минуты и выявил новые гипотезы о нейродегенерации

21 октября OpenAI опубликовала результаты совместного исследования с PerturbAI и Scripps Research, в котором тысячи ИИ-агентов использовались для анализа биологических данных о миллионах клеток мозга мышей. Система на базе специализированной модели GPT-Rosalind выполнила масштабную аналитическую работу за 32 минуты. Агенты изучали последствия изменений отдельных генов, сопоставляли реакции клеток с научными публикациями и предлагали объяснения обнаруженных закономерностей. По оценке исследовательской группы, последовательный анализ сопоставимого массива данных людьми с изучением научной литературы мог бы занять от нескольких месяцев до года. Однако это расчётная оценка, а не результат прямого эксперимента по сравнению скорости работы людей и ИИ. Главное событие заключается в демонстрации распределённого научного анализа, при котором множество специализированных программных исполнителей одновременно исследуют разные части одного сложного набора экспериментальных данных. Работа позволила выделить потенциально важные связи между генетическими нарушениями, состоянием нейронов и механизмами заболеваний мозга, но не привела к созданию или клинической проверке нового лекарства.

Основой исследования стал ранее сформированный атлас CRISPR-экспериментов с клетками мозга мышей. Технология CRISPR позволяет целенаправленно изменять работу генов, после чего исследователи наблюдают, как такие изменения влияют на клетки. В данном случае исходный массив охватывал множество генетических вмешательств и миллионы клеток разных типов. Подобные эксперименты создают огромное количество информации, которую трудно полностью проанализировать вручную. Для понимания биологического значения одного изменения недостаточно установить, какие гены повысили или снизили свою активность. Нужно сопоставить результат с функциями соответствующих клеток, другими генетическими механизмами, опубликованными исследованиями и известными признаками заболеваний. Значительная часть потенциальных открытий может оставаться незамеченной не потому, что экспериментальных данных недостаточно, а потому, что у специалистов нет времени подробно изучить каждую комбинацию изменений. OpenAI и партнёры проверили, способны ли распределённые ИИ-агенты расширить охват такого анализа и предложить дополнительные направления для последующей лабораторной работы.

Исследователи организовали работу по принципу распределённого биологического рассуждения. Вместо передачи всего набора данных одному агенту они запустили тысячи параллельных исполнителей на базе GPT-Rosalind. Каждый агент получал отдельное генетическое вмешательство, изучал изменения клеточных реакций, обращался к научной литературе и формулировал возможный биологический механизм. Затем результаты объединялись в специальный атлас рассуждений, содержащий связи между генами, наблюдаемыми эффектами, публикациями и исследовательскими гипотезами. Такой подход позволил исследовать не только наиболее очевидные изменения, но и менее заметные закономерности. В отдельном сравнении исследовательская группа сохраняла модель и вычислительные ресурсы одинаковыми для одиночного и распределённого подходов. При самой большой нагрузке один агент сослался только на 11 научных источников, тогда как распределённая система использовала более 700 ссылок. Эти числа характеризуют охват литературы в конкретном испытании, а не число подтверждённых научных открытий. Кроме того, большее количество ссылок само по себе не гарантирует правильности выводов.

Один из наиболее интересных результатов связан с генами Tsc1 и Tsc2. Они участвуют в регулировании сигнального пути mTOR, влияющего на рост клеток, обмен веществ и процессы старения. Нарушения этих генов в нескольких группах нейронов вызывали сходные последствия. Однако в мозжечке, отвечающем в том числе за координацию движений, наблюдалось заметное различие. Изменение Tsc2 влияло на активность десятков генов, связанных с передачей сигналов между нейронами, тогда как изменение Tsc1 давало значительно меньший эффект. Такая разница представляет интерес для изучения туберозного склероза — наследственного заболевания, при котором нарушения мозжечка особенно тесно связаны с мутациями TSC2. Исследователи получили более конкретные вопросы для дальнейшей проверки: какие именно клеточные изменения можно скорректировать существующими препаратами и какие механизмы потребуют других подходов. Пока речь идёт о научных гипотезах, построенных на экспериментальных данных животных, а не о доказанном способе лечения пациентов.

Другое перспективное направление касается гена DCTN1, мутации которого могут вызывать синдром Перри — редкое нейродегенеративное заболевание с симптомами, напоминающими болезнь Паркинсона. DCTN1 участвует во внутриклеточном транспорте веществ в нейронах. В исходном атласе CRISPR нарушение работы этого гена сопровождалось повышенной активностью генов, отвечающих за образование холестерина. ИИ-агенты сопоставили наблюдение с научными работами о нарушениях внутриклеточного транспорта холестерина и предположили возможную взаимосвязь между его распределением и нейродегенерацией. Исследовательская гипотеза состоит в том, что проблема может затрагивать не только количество холестерина, но и его перемещение между клеточными структурами. Это открывает направление для экспериментов по проверке того, можно ли восстановлением нормального распределения холестерина защитить нейроны. При этом OpenAI не сообщала, что такой защитный эффект уже экспериментально подтверждён, и не представляла готового лечения синдрома Перри или болезни Паркинсона.

Для проверки исследовательской ценности результатов авторы провели слепое сравнение подготовленных материалов. Эксперты не знали, каким способом был создан конкретный аналитический отчёт. В 75% сравнений они предпочли объяснения распределённой системы результатам одиночного агента. Также исследователи сообщили, что система воспроизводила выводы предыдущего человеческого анализа и предлагала дополнительные перспективные связи. Это подтверждает полезность подхода в рамках проведённого испытания, но не означает, что три четверти всех предложенных гипотез оказались научно истинными. Их биологическая достоверность и возможное медицинское значение требуют дальнейших экспериментов. Атлас рассуждений исследователи сделали доступным для изучения другими специалистами. Для фундаментального развития ИИ эта работа демонстрирует важный архитектурный принцип: научные возможности системы могут зависеть не только от мощности отдельной модели, но и от организации множества параллельных исследовательских процессов. В отличие от исследования Anthropic от 20 октября, посвящённого проектированию новых белков против токсинов скорпионов, OpenAI применяла ИИ к интерпретации уже полученных экспериментальных данных. Главный вывод — распределённые ИИ-агенты способны значительно расширить масштаб поиска биологических закономерностей и ускорить формулирование проверяемых гипотез, однако превращение таких гипотез в подтверждённые научные знания и медицинские технологии остаётся задачей последующих исследований.

Источник: openai.com

Риски и контроль

ИИ помог обнаружить критические уязвимости PHP: миллионы сайтов оказались под угрозой удалённого взлома

21 октября разработчики языка PHP выпустили экстренные обновления безопасности, устраняющие две критические уязвимости, обнаруженные при участии исследователей, использовавших современные модели искусственного интеллекта. Проблемы получили идентификаторы CVE-2026-109618 и CVE-2026-109619 и оценку серьёзности 9,2 балла по шкале CVSS 4.0. При определённых условиях злоумышленник может использовать их для удалённого выполнения произвольного программного кода без предварительной авторизации. Особую опасность представляет расположение ошибок: они находятся непосредственно в механизмах обработки памяти PHP, а не в отдельных расширениях или приложениях. Поэтому риск распространяется на различные сайты и информационные системы, использующие уязвимые версии языка. Компания Wiz, участвовавшая в исследовании, подчёркивает, что PHP применяется примерно на 70% сайтов, однако эта доля не означает, что все такие сайты автоматически доступны для взлома. Фактическая уязвимость зависит от установленной версии, конфигурации сервера и применённых обновлений. Главное событие — публичное раскрытие критических проблем и выпуск исправлений 21 октября. На следующий день предупреждения продолжили распространять национальные службы кибербезопасности, включая малайзийскую MyCERT.

Обе уязвимости связаны с неправильной обработкой состояния памяти после ошибок выполнения. Первая, CVE-2026-109618, возникает в определённых ситуациях, когда обработка запроса достигает предела доступной памяти. PHP может оставить внутренние структуры частично подготовленными, после чего программный код ошибочно воспринимает их как корректные. Вторая, CVE-2026-109619, связана с сохранением ссылок на уже освобождённую память после критической ошибки. При последующей обработке запроса такие ссылки могут использоваться повторно, создавая условия для повреждения памяти, раскрытия её содержимого или выполнения посторонних команд. Исследователи Wiz продемонстрировали возможность эксплуатации на тестовых установках WordPress, Drupal и Joomla. Особенно опасным признан вариант работы PHP через модуль Apache mod_php: для одного из способов атаки достаточно специально подготовленного запроса, который воздействует на обработчик ещё до запуска прикладного кода сайта. Это означает, что отсутствие ошибок в собственном программном коде веб-приложения не гарантирует безопасности, если уязвима используемая им программная среда. Однако лабораторная демонстрация успешной атаки не доказывает, что все реальные сайты на этих платформах уже скомпрометированы.

Особое значение расследованию придаёт использование ИИ при разработке и проверке технических доказательств уязвимости. Wiz сообщила, что применяла собственную систему Wiz Atlas, модель Google Gemini 4 Argon и GPT-5.6 Sol от OpenAI. По оценке исследователей, эти инструменты существенно ускорили поиск пригодных для эксплуатации сочетаний ошибок, анализ сбоев и адаптацию проверочных сценариев к разным программным конфигурациям. Разработчики подчёркивают, что проблемы управления памятью существовали в PHP значительно дольше, чем продолжалась нынешняя исследовательская кампания. PHP Foundation уточнила, что признаки одной из ошибок обнаружили ещё в 2024 году, но тогда не удалось подтвердить практически применимый способ удалённого выполнения кода. В августе 2026 года независимые исследователи Calif, OpenAI и Wiz предоставили дополнительные материалы, позволившие установить серьёзность проблемы. После этого устранение уязвимостей стало приоритетной задачей команды безопасности PHP. Следовательно, приписывать открытие исключительно одной нейросети было бы неверно: результат появился благодаря совместной работе людей, нескольких исследовательских организаций и разных инструментов ИИ.

Публикация исправлений проходила в условиях повышенного риска преждевременного раскрытия информации. По сообщению PHP Foundation, 20 октября идентификаторы двух уязвимостей появились в открытых обсуждениях раньше согласованного срока. Распространявшиеся вместе с ними сведения содержали ошибочную оценку серьёзности 10,0 балла, тогда как подтверждённая оценка составляла 9,2. В ответ разработчики перенесли выпуск исправлений с 22 на 21 октября. Дополнительную проблему создало преждевременное появление демонстрационных материалов и исправленных программных сборок, по которым специалисты потенциально могли восстановить характеристики уязвимостей. К моменту официального выпуска команда PHP не подтвердила наличие полностью работоспособных публичных атак в изученных ею материалах, но исследователи безопасности уже предупреждали о быстром распространении проверочных сценариев. На 22 октября национальные центры реагирования продолжали рекомендовать немедленное обновление. В частности, MyCERT сообщила о высоком риске для публичных веб-сервисов и предупредила, что временные ограничения доступа способны лишь уменьшить вероятность эксплуатации, но не заменить полноценное исправление.

PHP выпустила исправленные версии 8.5.12, 8.4.27, 8.3.36 и 8.2.35. Для организаций это означает необходимость проверить не только видимые сайты, но и программные серверы, контейнеры, системы управления содержимым и сторонние продукты, в состав которых входит PHP. Уязвимые установки могут работать за внешними интерфейсами, которые не раскрывают используемые технологии. Особенно тщательно следует проверять системы, принимающие запросы из интернета. Для устаревших веток PHP, которые больше не поддерживаются основными разработчиками, может потребоваться переход на поддерживаемую версию или получение исправлений от поставщика операционной системы либо коммерческой долгосрочной поддержки. После установки обновлений необходимо убедиться, что сервер действительно использует исправленный исполняемый код, а не продолжает работу со старым процессом в памяти. При невозможности немедленного обновления службы кибербезопасности рекомендуют ограничивать доступ к уязвимым публичным сервисам вплоть до их временного отключения. Это не утверждение о состоявшейся массовой компрометации: масштаб потенциально доступных для атаки систем и количество реально взломанных сайтов являются принципиально разными показателями.

Для мировой индустрии ИИ произошедшее имеет двойственное значение. С одной стороны, модели помогают специалистам находить опасные ошибки в сложном программном обеспечении, изучать их последствия и готовить исправления. С другой стороны, те же возможности способны снижать стоимость и сложность разработки атак для злоумышленников. Ошибки, которые годами оставались трудными для практической эксплуатации, могут становиться доступнее благодаря автоматизированному анализу кода, проверке гипотез и последовательной адаптации способов воздействия. Поэтому скорость устранения проблем и согласованность действий разработчиков, облачных провайдеров и исследователей безопасности приобретают ещё большее значение. В отличие от расследования OpenAI от 20 октября об агентах, которые ослабили мониторинг собственных рабочих процессов, нынешнее событие касается потенциальной безопасности огромного числа независимых интернет-сервисов. Оно также отличается от исследования NorForge от 19 октября об использовании ИИ злоумышленником против сайтов: здесь исходная работа проводилась специалистами по защите, которые передали результаты разработчикам и помогли подготовить исправления. Главный вывод — искусственный интеллект одновременно усиливает возможности поиска уязвимостей и повышает потенциальную скорость их эксплуатации. Для защиты недостаточно обнаружить проблему раньше нападающего: необходимо быстро выпустить обновление, доставить его пользователям и убедиться, что уязвимая инфраструктура действительно исправлена.

Источник: thephp.foundation; www.wiz.io; www.enisa.europa.eu; mycert.org.my

Где ИИ становится продуктом

Руанда расширила обучение учителей с помощью ИИ до 90 тысяч участников: следующая цель — 150 тысяч

22 октября образовательная технологическая компания Efekta Education совместно с Министерством образования Руанды и Rwanda Basic Education Board объявила о значительном расширении общенациональной программы повышения квалификации преподавателей английского языка с использованием искусственного интеллекта. Программа стартовала в июле 2025 года с первоначальной группы из 16 тысяч учителей, а к моменту нового объявления число участников превысило 90 тысяч. Следующая цель организаторов — охватить до 150 тысяч человек по всей стране. Таким образом, новое событие заключается не в первоначальном запуске образовательной платформы, а в подтверждённом организаторами расширении действующей государственной программы. В основе обучения находится система Efekta, которая использует ИИ для персонализации упражнений, анализа результатов и предоставления обратной связи. Проект реализуется совместно с государственными образовательными структурами Руанды при финансовой поддержке Mastercard Foundation и Всемирного банка через программу Quality Basic Education for Human Capital Development. Важно различать фактический масштаб и планы: более 90 тысяч человек уже участвуют в программе, тогда как 150 тысяч остаются целевым показателем, а не подтверждённым результатом.

Для Руанды повышение уровня английского языка среди педагогов имеет непосредственное практическое значение. Английский используется в стране как язык преподавания, поэтому недостаточное владение им может затруднять объяснение школьных предметов, работу с учебными материалами и взаимодействие с учениками. Государство запустило двухлетнюю программу, чтобы системно улучшать языковую подготовку действующих преподавателей. Организаторы сделали акцент не на разовых занятиях с чат-ботом, а на сочетании самостоятельного цифрового обучения, упражнений с ИИ, групповых уроков и очных профессиональных сообществ учителей. Учебные материалы адаптированы к школьной практике и образовательным потребностям страны. Это позволяет преподавателям развивать не только общие языковые навыки, но и способность пользоваться английским непосредственно во время работы. Подобная организация особенно важна при общенациональном масштабе: единая программа должна учитывать различия в исходной подготовке педагогов, доступности цифровых инструментов и возможностях местных образовательных учреждений. При этом опубликованное сообщение не содержит полного независимого анализа того, насколько равномерно обучение охватывает городские и сельские школы.

Технологической основой проекта выступает собственная платформа Efekta с персонализированным обучением и интеллектуальным помощником преподавателя. По информации разработчика, система использует агентные механизмы ИИ, отслеживает более 40 показателей учебного прогресса и адаптирует задания к текущему уровню участника. Учителя могут тренировать письменную и устную речь, получать обратную связь и двигаться по индивидуальному учебному маршруту. Разработчик также сообщает, что технология опирается на большой массив ранее накопленных взаимодействий с учащимися, который помогает формировать рекомендации и анализировать типичные затруднения. Дополнительно используются многоязычная поддержка и информационные панели, позволяющие наблюдать за результатами отдельного преподавателя, школы и программы в целом. Однако наличие более 40 измеряемых показателей не означает, что система независимо доказала эффективность каждого из них. Точно так же возможность автоматически подбирать задания не исключает ошибок обратной связи и необходимости методического контроля со стороны специалистов. Важным элементом остаётся участие людей: очные занятия и профессиональное взаимодействие учителей дополняют цифровые упражнения.

Efekta представила предварительные результаты первой группы участников. По данным компании, преподаватели, начинавшие приблизительно с уровня A2 по общеевропейской шкале CEFR, продемонстрировали продвижение к уверенному B1, а некоторые достигли B2 и C1. Уровень B2 при этом обозначен как национальный ориентир для педагогов Руанды. Разработчик сообщает об улучшениях по четырём основным языковым навыкам, однако не публикует в данном объявлении полный набор исходных результатов, методику независимой проверки, численность каждой группы достигнутого уровня или сравнение с аналогичными педагогами, обучавшимися без ИИ. Поэтому нельзя утверждать, что все 90 тысяч участников уже повысили квалификацию до B2, что каждый преподаватель завершил программу либо что выявленные улучшения обусловлены исключительно искусственным интеллектом. Опубликованные данные следует рассматривать как заявленные организаторами предварительные результаты. Для более строгой оценки понадобятся стандартизированные измерения до и после обучения, показатели завершения курсов и сведения о том, насколько рост языковой компетенции влияет на преподавание школьных предметов.

Отдельный интерес представляет масштаб инфраструктуры проекта. По заявлению Efekta, её образовательная платформа используется более чем пятью миллионами активных учащихся и 250 тысячами преподавателей по всему миру. Эти показатели относятся ко всем рынкам компании, а не только к руандийской программе. Организаторы считают, что сочетание персонализированных цифровых упражнений и местной методической поддержки может стать моделью для других государственных образовательных систем. В обоснование они указывают на рост потребности в квалифицированных учителях на африканском континенте. Однако потенциальная возможность распространения методики в других странах не означает, что уже заключены соответствующие государственные контракты или что результаты Руанды автоматически воспроизводимы в иной образовательной среде. Стоимость обучения одного преподавателя, общая стоимость программы и размер отдельного финансирования со стороны каждого партнёра в сообщении не раскрыты. Следовательно, экономическую эффективность проекта нельзя достоверно определить только по заявленному числу участников.

Для мировой индустрии ИИ новость важна как пример применения адаптивных образовательных технологий на уровне государственной системы повышения квалификации. Многие ИИ-продукты для образования запускаются как приложения для отдельных учеников или преподавателей, тогда как руандийская программа объединяет десятки тысяч участников, государственные образовательные органы, международных финансирующих партнёров и местную систему профессиональной поддержки. В отличие от новости M42 от 21 октября, посвящённой четырём агентам для работы врачей с медицинскими данными, Efekta использует ИИ непосредственно для развития профессиональных навыков людей. В отличие от партнёрства Teradyne Robotics и Sereact, объявленного 21 октября, эта технология не управляет физическими роботами, а персонализирует образовательный процесс. Главный вывод — искусственный интеллект начинает применяться не только для автоматизации отдельных рабочих операций, но и для масштабного повышения квалификации специалистов. При этом реальный общественный эффект следует оценивать по устойчивому росту навыков, качеству преподавания и результатам учеников, а не только по числу зарегистрированных участников.

Источник: www.prnewswire.com

Архитектура и технологии внедрения

NVIDIA объединила восемь DGX Spark в локальный ИИ-кластер: 1 ТБ памяти и запуск модели на 753 млрд параметров

22 октября NVIDIA опубликовала технические результаты масштабирования компактных вычислительных систем DGX Spark до кластеров из восьми устройств. Официальная поддержка таких конфигураций была объявлена на конференции GTC Berlin. Главное достижение — возможность объединить восемь отдельных устройств с 128 ГБ унифицированной памяти каждое в вычислительный кластер с совокупным объёмом памяти 1 ТБ. Это позволяет локально запускать крупные открытые модели искусственного интеллекта, которым недостаточно ресурсов одного устройства. В качестве подтверждения NVIDIA продемонстрировала работу полной модели GLM 5.3 компании Z.ai с 753 млрд параметров. Кроме того, разработчик опубликовал измерения производительности генерации текста, распределения запросов между несколькими моделями и обучения небольших нейросетей. Важное уточнение: новость не означает появления отдельного компьютера с 1 ТБ памяти и не является запуском новой модели NVIDIA. Речь идёт об объединении существующих вычислительных устройств в согласованную систему. При этом поддержка восьмиузловых кластеров в инструменте упрощённого управления NVIDIA Sync запланирована только до конца 2026 года. Её нельзя считать уже выпущенной функцией по состоянию на 22 октября.

Главное техническое ограничение при локальном запуске крупных языковых моделей связано с объёмом доступной памяти. Параметры нейросети необходимо разместить на вычислительном оборудовании вместе с промежуточными данными, необходимыми для обработки запросов. Если модель не помещается в память одного ускорителя, её приходится распределять между несколькими устройствами. Один DGX Spark предоставляет 128 ГБ унифицированной памяти, четыре устройства — 512 ГБ, а восемь — около 1 ТБ совокупной памяти. NVIDIA сообщает, что такой кластер позволил запустить полную GLM 5.3 с 753 млрд параметров, ранее не помещавшуюся в поддерживаемую четырёхузловую конфигурацию. В опубликованном испытании использовалась версия модели в формате NVFP4, занимавшая примерно 470 ГБ. Этот показатель характеризует размер представления модели с пониженной точностью, а не объём памяти, необходимый для полноценного обучения всех её параметров. При обработке одного запроса система генерировала около 31 токена в секунду, а при восьми одновременных запросах общая скорость составляла 67 токенов в секунду. Отдельное испытание модели GLM 5.3 Flash показало приблизительно 80 токенов генерации в секунду. Эти результаты относятся к разным вариантам моделей и режимам работы, поэтому объединять их в один показатель производительности нельзя.

Для распределённых вычислений недостаточно просто соединить компьютеры сетевыми кабелями. Во время обработки одного запроса разные части модели должны постоянно обмениваться промежуточными результатами. Сетевые задержки могут свести на нет значительную часть преимуществ дополнительных ускорителей. В DGX Spark используются сетевые адаптеры NVIDIA ConnectX-7 и обмен данными по технологии RDMA over Converged Ethernet. NVIDIA также представила результаты испытаний оптимизированного механизма коллективных операций RoCEnante, предназначенного для обмена небольшими сообщениями между устройствами. Вместо последовательной передачи данных по кольцу узлы могут напрямую обмениваться информацией друг с другом, после чего выполнять локальное объединение результатов. В тесте модели Qwen3.8-27B с представлением NVFP4 скорость генерации на одном DGX Spark составила 11,86 токена в секунду. На восьми устройствах, соединённых через коммутатор с использованием RoCEnante, она достигла 52,58 токена в секунду, что соответствует ускорению в 4,43 раза. Без оптимизированного механизма ускорение в сопоставимом испытании составляло 3,05 раза. Таким образом, речь не идёт о восьмикратном ускорении генерации текста: эффективность масштабирования ограничивается затратами на взаимодействие между узлами.

Разработчик отдельно объяснил, почему разные схемы соединения подходят для разных задач. Четыре DGX Spark можно объединить в кольцо без отдельного сетевого коммутатора, что упрощает построение относительно недорогой локальной системы. Однако для произвольного обмена данными между всеми узлами, разделения восьми устройств на несколько независимых групп и использования оптимизированного механизма RoCEnante необходим коммутатор. Сам RoCEnante уже интегрирован в библиотеку FlashInfer и при невозможности использования переключается на стандартные механизмы NCCL. NVIDIA подчёркивает, что новый подход не заменяет NCCL во всех сценариях. При большом количестве узлов, высокой одновременной нагрузке или других схемах сети традиционные коллективные операции могут работать эффективнее. Это существенное ограничение: результаты тестов нельзя автоматически распространять на любой кластер, сетевое оборудование или программную конфигурацию. Кроме того, увеличение числа устройств повышает требования к настройке сети, распределению задач, охлаждению и обслуживанию оборудования.

Ещё одно направление испытаний — распределение запросов между моделями разного размера. Для этого NVIDIA использовала систему NeMo Switchyard, которая определяет сложность поступающего запроса и направляет его подходящей модели. Простые задачи обрабатывались компактной MiniCPM5 2B, а сложные передавались более ресурсоёмкой Qwen3.8 Flash Next. В испытательном стенде восемь DGX Spark распределили между тремя двухузловыми экземплярами Qwen и двумя одноузловыми экземплярами MiniCPM. По данным NVIDIA, на выбранном наборе заданий с использованием инструментов качество ответов системы с маршрутизацией соответствовало результату конфигурации, использовавшей только Qwen. При этом общая пропускная способность увеличивалась приблизительно в 1,5 раза, когда половина запросов направлялась большой модели, и до трёх раз, когда ей доставалась четверть запросов. Это показатели конкретного испытания, зависящие от соотношения простых и сложных задач. Они не означают, что маршрутизация всегда ускоряет работу ИИ втрое или сохраняет качество на любом наборе запросов. Практический смысл подхода заключается в более экономном распределении вычислительной мощности: дорогую большую модель не обязательно задействовать для каждой простой операции.

NVIDIA также проверила масштабирование обучения нейросети с нуля. В эксперименте использовалась модель nanochat примерно с 896,5 млн параметров. На одном DGX Spark скорость предварительного обучения составляла 8741 токен в секунду, а на восьми устройствах достигла 68 079 токенов в секунду. Это ускорение в 7,79 раза при эффективности масштабирования 97,4%. Такой результат значительно ближе к линейному масштабированию, чем показатели генерации текста. Разница объясняется устройством вычислений: при рассматриваемой схеме обучения каждый узел хранит полную копию относительно небольшой модели, а обмен между устройствами требуется преимущественно для синхронизации градиентов после вычислительных шагов. При распределённой генерации одной большой модели обмен промежуточными результатами происходит значительно чаще. Поэтому показатель 97,4% нельзя переносить с обучения nanochat на выполнение GLM 5.3 или другие крупные модели. Испытания показывают, что один тип оборудования может использоваться для нескольких режимов работы, но эффективность каждого из них необходимо измерять отдельно.

Для мировой индустрии ИИ событие важно как пример расширения возможностей локальной вычислительной инфраструктуры. Организации и исследовательские группы могут объединять компактные системы для выполнения моделей, которые ранее требовали более крупных серверных конфигураций. Это потенциально полезно для разработки корпоративных ИИ-агентов, испытания открытых моделей, обработки чувствительных данных внутри собственной инфраструктуры и обучения сравнительно небольших нейросетей. Однако NVIDIA не представила в публикации полноценного сравнения стоимости восьми DGX Spark с арендой облачных ускорителей, не раскрыла универсальные показатели энергопотребления кластеров и не доказала экономическое преимущество для всех задач. В отличие от новости IBM и Red Hat от 20 октября о llm-d 1.0, посвящённой промышленной эксплуатации распределённого обслуживания моделей, нынешняя разработка NVIDIA показывает возможности конкретного локального аппаратно-программного комплекса. Она также отличается от объявления Google Cloud от 21 октября о Confidential G4, где основное внимание уделялось аппаратной защите данных во время вычислений. Главный вывод — локальный ИИ становится способным выполнять всё более крупные модели благодаря объединению памяти, оптимизации межузлового обмена и интеллектуальному распределению запросов. Но эффективность таких систем определяется не только количеством ускорителей: решающее значение имеют сетевые задержки, архитектура модели, характер нагрузки и стоимость всей инфраструктуры.

Источник: developer.nvidia.com

Финансы

DeepSeek привлекает почти $15 млрд: китайские технологические гиганты удвоили первоначальный план финансирования ИИ-разработчика

22 октября Reuters и Bloomberg сообщили о крупном инвестиционном раунде китайского разработчика искусственного интеллекта DeepSeek. По информации источников, знакомых с переговорами, компания привлекла обязательства инвесторов примерно на 100 млрд юаней, или 14,98 млрд долларов. Это приблизительно вдвое больше первоначальной цели финансирования в 50 млрд юаней. Среди крупнейших участников названы производитель аккумуляторов Contemporary Amperex Technology, известный как CATL, и технологическая корпорация Tencent. Reuters также сообщает об участии производителя микросхем GigaDevice, сервиса доставки Meituan, автомобильной компании Geely, производителя бытовой техники Midea, интернет-компании NetEase и нескольких инвестиционных организаций. По сведениям агентства, общее число инвесторов превышает 15. Важное ограничение: на момент публикации 22 октября привлечение капитала находилось на завершающей стадии, но окончательные финансовые условия и состав участников ещё могли измениться. DeepSeek не подтвердила детали сделки официальным заявлением. Поэтому представлять все 100 млрд юаней как уже поступившие на банковские счета компании было бы преждевременно. Главное событие — сообщение о достижении крупнейшего для разработчика масштаба частного финансирования на фоне усиливающейся конкуренции мировых ИИ-компаний.

История переговоров показывает необычно высокий интерес китайских инвесторов к DeepSeek. Bloomberg ранее сообщало, что первоначально компания рассчитывала привлечь около 50 млрд юаней. Затем целевой объём был увеличен примерно до 80 млрд юаней, а к октябрьскому сообщению приблизился к 100 млрд. В число инвесторов входят не только финансовые фонды, но и промышленные компании, работающие с аккумуляторами, электроникой, автомобилями и цифровыми сервисами. Для них участие в финансировании ИИ-разработчика потенциально связано с долгосрочным доступом к отечественным технологиям, вычислительной инфраструктуре и программным решениям. Однако само наличие инвестиций не доказывает заключения эксклюзивных технологических соглашений или обязательного использования моделей DeepSeek всеми участниками раунда. По данным Reuters, в сделке также участвуют Boyu Capital, CPE, Legend Capital и IDG Capital. Часть названных инвесторов уже владела долями в компании, поэтому новое финансирование сочетает поддержку существующих акционеров и привлечение дополнительных участников. Точные доли каждого инвестора и полная структура сделки публично не раскрыты.

Отдельного внимания заслуживает оценка бизнеса. Reuters сообщает, что, согласно сведениям источников, перед поступлением нового капитала DeepSeek оценивалась примерно в 500 млрд юаней. Это предварительная оценка стоимости компании до финансирования, а не сумма привлечённых инвестиций и не официально объявленная цена предстоящего размещения акций. Для сравнения, по информации агентства, в июне 2026 года DeepSeek привлекла 7,4 млрд долларов в первом внешнем инвестиционном раунде. Документы двух китайских инвесторов, опубликованные в июле, указывали на оценку примерно в 350,88 млрд юаней, или около 52 млрд долларов, применительно к июньской сделке. Октябрьские сообщения, следовательно, описывают как увеличение масштабов финансирования, так и рост предполагаемой стоимости компании. Но эти цифры получены из различных источников и относятся к разным этапам переговоров. Их нельзя автоматически использовать для точного расчёта текущей стоимости каждой акции, долей акционеров или размера будущего размывания капитала. DeepSeek также не раскрыла в рассматриваемом сообщении аудированную выручку, прибыль, свободный денежный поток и полную структуру вычислительных расходов.

Финансирование связано с планами дальнейшего развития моделей и вычислительной инфраструктуры DeepSeek. В сентябре компания представила DeepSeek-V4.1-Flash, ориентированную, по заявлению разработчика, на расширение возможностей моделей, ускорение обработки запросов и повышение пропускной способности. Развитие таких систем требует значительных вложений в вычисления, инженеров, исследовательские проекты и обслуживание крупных программных платформ. Наличие среди инвесторов промышленных и технологических корпораций может укрепить позиции DeepSeek внутри китайской цепочки поставок ИИ-оборудования и программного обеспечения. Такой вывод в Reuters приводит аналитик Omdia Лян Цзе Су. При этом из опубликованной информации нельзя определить, какая часть нового капитала будет направлена на вычислительные ускорители, центры обработки данных, исследования или международное распространение моделей. Объём объявленного финансирования также не позволяет рассчитать будущую себестоимость генерации одного токена или прибыльность сервисов DeepSeek. Вложения создают финансовые возможности для конкуренции, но не гарантируют технологического превосходства над OpenAI, Anthropic или другими разработчиками.

Следующим возможным этапом развития компании рассматривается выход на фондовый рынок. В сентябре Reuters сообщало, что DeepSeek привлекла китайскую инвестиционную компанию CITIC Securities для подготовки потенциального первичного размещения акций на площадке STAR Market в Шанхае. Новый крупный раунд может помочь укрепить финансовое положение разработчика перед таким размещением и расширить круг институциональных инвесторов. Однако подготовка к IPO не равнозначна поданной и одобренной биржевой заявке. Окончательная дата размещения, количество предлагаемых акций и цена публичного предложения не были подтверждены в сообщении от 22 октября. Неопределённость особенно существенна на фоне нестабильных настроений инвесторов в отношении расходов на искусственный интеллект. Reuters отмечает, что опасения по поводу масштабных вложений в отрасль уже сопровождались снижением стоимости некоторых технологических акций, переносами размещений операторов центров обработки данных и слабыми биржевыми дебютами отдельных ИИ-компаний. Даже успешное частное финансирование поэтому не означает гарантированно успешного публичного размещения.

Для мирового рынка искусственного интеллекта история DeepSeek показывает, что борьба за финансирование передовых моделей продолжается не только среди американских разработчиков. Китайские промышленные и цифровые корпорации готовы направлять крупный капитал в национальную ИИ-инфраструктуру, рассматривая её как долгосрочное технологическое направление. По масштабу обсуждаемый раунд существенно превышает финансирование юридической ИИ-платформы Legora на 550 млн долларов, объявленное 21 октября, и инвестиции в производителя ускорителей Tenstorrent на 1,5 млрд долларов от 19 октября. При этом данные сделки относятся к разным категориям бизнеса и не позволяют напрямую сравнивать их эффективность. Новость также не повторяет сообщение от 20 октября об ограничениях DeepSeek в федеральных гражданских информационных системах США: то событие касалось государственных требований безопасности, а нынешнее — частного финансирования китайского разработчика. Главный вывод состоит в том, что стратегическое значение ИИ-моделей продолжает привлекать значительные инвестиции даже в условиях сомнений рынка относительно окупаемости отраслевых расходов. Но подтверждённым финансовым результатом станут только окончательно закрытая сделка, раскрытые условия и дальнейшая способность компании превращать исследовательские возможности в устойчивый бизнес.

Источник: www.reuters.com; news.bloomberglaw.com

Инструменты и интеграции

Thomson Reuters запустила ИИ для налогов и аудита: система сама выполняет расчёты, создаёт Excel и проверяет основания выводов

22 октября Thomson Reuters объявила о запуске нового поколения CoCounsel Tax, Audit & Accounting — агентной платформы искусственного интеллекта для налоговых консультантов, аудиторов и бухгалтеров. В отличие от обычного помощника, отвечающего на вопросы, система предназначена для выполнения последовательных профессиональных задач: изучения исходных документов, определения применимых правил, проведения расчётов и подготовки результатов, которые специалист может проверить. Продукт объединяет возможности ИИ с налоговой и бухгалтерской информацией Thomson Reuters, программным выполнением вычислений и созданием рабочих документов. По официальному сообщению компании, обновлённая платформа уже доступна её клиентам в США. При этом отдельные возможности и дополнительные интеграции будут внедряться постепенно. Главное событие заключается в переходе от поиска ответов и подготовки рекомендаций к выполнению более полного цикла налоговой и аудиторской работы. Разработчик подчёркивает, что ответственность за профессиональные суждения и окончательное утверждение результатов остаётся за человеком.

Одна из основных проблем применения генеративного ИИ в бухгалтерии связана с различием между арифметически правильным результатом и правильным применением законодательства. Даже безошибочно выполненное вычисление может оказаться неверным для конкретного клиента, если использована устаревшая норма, неправильно определён налоговый период или проигнорировано исключение из правила. Thomson Reuters утверждает, что новая версия CoCounsel сначала устанавливает фактические обстоятельства задачи и подбирает применимые нормативные и методические источники, а затем выполняет расчёты. Для этого используется информационная база Checkpoint, содержащая более 12 млн первичных документов и аналитических материалов. По данным компании, их поддерживают в актуальном состоянии сотни специалистов, включая дипломированных бухгалтеров и налоговых юристов. Это важное отличие от свободного поиска информации языковой моделью: разработчик стремится связать каждый вывод с профессиональным источником, который можно проверить. Однако даже наличие большой библиотеки не гарантирует безошибочного применения нормы к каждому конкретному случаю. Специалист по-прежнему должен оценивать полноту исходных данных, применимость законодательства и правильность интерпретации.

Среди представленных возможностей — самостоятельное написание и выполнение программного кода для финансовых и налоговых вычислений. Thomson Reuters перечисляет расчёты амортизации, обязательных минимальных выплат с пенсионных счетов, квалифицированного предпринимательского дохода, проверку пороговых значений и сравнение нескольких сценариев. Вместо того чтобы просто генерировать предполагаемую сумму в текстовом ответе, система выполняет расчётную процедуру и предоставляет результат для дальнейшей проверки. Это особенно важно при работе с большими таблицами, несколькими налоговыми периодами или расчётами, в которых изменение одного условия влияет на итоговые обязательства. Однако опубликованное описание не содержит независимых результатов испытаний точности всех перечисленных операций. Также не раскрыты статистика ошибок при сложных налоговых сценариях и подтверждённое сокращение времени работы бухгалтеров. Поэтому заявление о возможности выполнять расчёты нельзя превращать в утверждение, что CoCounsel гарантированно исключает налоговые ошибки либо самостоятельно обеспечивает соблюдение всех требований законодательства.

Вторая значимая группа функций касается подготовки рабочих материалов. CoCounsel может создавать книги Excel с несколькими листами, действующими формулами и отдельным листом документированных допущений. Система также формирует аналитические записки и другие документы в Word и PDF, а при работе с загруженными пользователем файлами ориентируется на структуру существующих шаблонов организации. Например, налоговый специалист может предоставить исходные показатели, попросить сравнить несколько вариантов расчёта и получить таблицу с формулами, которую можно открыть и проверить. Для аудитора полезна возможность сохранить не только итоговый вывод, но и использованные предположения, исходные данные и последовательность вычислений. Это снижает зависимость от непрозрачного текстового ответа модели. Однако наличие формул в Excel ещё не означает, что расчёт правильно учитывает все хозяйственные обстоятельства. Перед использованием подготовленных документов необходимо проверять исходные значения, ссылки на источники, методы вычислений и выводы. Компания не раскрыла, насколько точно платформа воспроизводит произвольные пользовательские шаблоны и какие ограничения существуют при обработке нестандартных файлов.

Архитектура решения предусматривает использование нескольких моделей искусственного интеллекта. По заявлению Thomson Reuters, система выбирает подходящую модель в зависимости от выполняемой задачи, а не привязывает все операции к одному поставщику языковых моделей. Дополнительно объявлена поддержка Model Context Protocol, или MCP, предназначенного для подключения ИИ к внешним приложениям и источникам данных. Разработчик также развивает интеграции с профессиональными продуктами UltraTax, Engagement Manager и Guided Assurance. Цель этих соединений — уменьшить необходимость вручную переносить сведения между налоговыми программами, аудиторскими рабочими документами и ИИ-помощником. Отдельное направление — объединение информации о клиенте, истории выполненных заданий и связанных документах в общем рабочем пространстве. При этом важно различать архитектурную поддержку подключения и фактическую доступность каждого соединения: Thomson Reuters прямо сообщает, что дополнительные функции будут выпускаться постепенно. Поэтому нельзя утверждать, что любой внешний сервис уже подключается к CoCounsel без настройки или что все объявленные интеграции доступны каждому клиенту в момент запуска.

Для мировой индустрии искусственного интеллекта событие показывает укрепление специализированных агентных платформ в профессиях, где важны не только скорость, но и проверяемость результатов. Налоговые консультанты и аудиторы работают с нормативными источниками, конфиденциальными сведениями клиентов и расчётами, ошибки в которых могут иметь серьёзные финансовые последствия. Поэтому коммерческая ценность ИИ определяется способностью объединять достоверные данные, вычисления, рабочие документы и человеческое утверждение итогов. В отличие от новости Kognitos от 21 октября о 61 роли ИИ-сотрудников и библиотеке стандартных финансовых процедур, Thomson Reuters сосредоточилась на налоговом анализе, аудите и подготовке профессиональных результатов с обоснованием применённых правил. В отличие от пилота Visa, BILL и Billtrust от 20 октября, новая платформа не предназначена для самостоятельного перечисления денег поставщикам. Её задача — помогать специалистам выполнять и документировать интеллектуально сложную финансовую работу. Главный вывод — корпоративный ИИ развивается от простого ответа на вопрос к подготовке проверяемого рабочего результата. Однако масштаб заявленных возможностей ещё предстоит сопоставить с независимыми измерениями точности, экономии времени, безопасности клиентских данных и практической эффективности в организациях.

Источник: www.prnewswire.com

Возможности для бизнеса

Срочный аудит PHP и устранение критических уязвимостей сайтов

Раскрытие 21 октября двух критических уязвимостей PHP показывает, насколько опасными могут оказаться ошибки в базовых компонентах веб-инфраструктуры. Проблемы CVE-2026-109618 и CVE-2026-109619 получили оценку 9,2 по шкале CVSS 4.0 и при определённых условиях допускают удалённое выполнение кода без авторизации. Поскольку PHP используется большим количеством интернет-сервисов, у компаний возникает практическая задача быстро определить, какие серверы требуют обновления. На этой основе можно предложить услугу экстренного обследования PHP-инфраструктуры, установки исправлений и независимой проверки результата. Потенциальные заказчики — интернет-магазины, владельцы корпоративных сайтов, разработчики веб-приложений и организации с собственными серверами. Коммерческая ценность заключается в сокращении времени между раскрытием опасной ошибки и фактическим устранением уязвимости, а не в обещании абсолютной защиты от любых кибератак.

Первый этап услуги — инвентаризация всех мест, где используется PHP. Проверять необходимо не только основную версию на публичном сайте, но и контейнеры, дополнительные серверы, административные интерфейсы, фоновые службы и программные продукты, внутри которых работает PHP. Далее специалист определяет уязвимые конфигурации и планирует установку исправленных выпусков 8.5.12, 8.4.27, 8.3.36 и 8.2.35 для соответствующих поддерживаемых веток. Если программная система использует устаревшую ветку, требуется оценить возможность перехода на поддерживаемую версию или наличие исправления от поставщика долгосрочной поддержки. Перед обновлением создаётся резервная копия и проверяется совместимость приложения. После установки необходимо перезапустить соответствующие процессы и подтвердить, что веб-сервер действительно использует исправленную версию. Для особенно важных систем можно предусмотреть независимую проверку конфигурации, ограничения доступа и журналирование результата.

Услугу разумно начинать с фиксированного обследования одного сайта или небольшого набора серверов, а затем предлагать регулярное сопровождение обновлений безопасности. Критерии качества — полнота обнаружения PHP-установок, время устранения выявленных проблем, количество систем без поддерживаемых обновлений и отсутствие критических сбоев после изменения программной среды. Отдельно следует учитывать риск нарушения совместимости старых приложений: срочность исправлений не отменяет необходимости тестирования. Возможный дополнительный продукт — периодический отчёт для руководства о состоянии компонентов, сроках поддержки и необработанных предупреждениях безопасности. Нельзя утверждать, что каждый сайт на PHP уже взломан или что все установки подвержены одинаковому сценарию атаки. Эта идея представляет собой гипотезу сервисного бизнеса по аудиту и сопровождению веб-инфраструктуры, а не уже запущенную услугу с подтверждёнными коммерческими результатами.

Источник: https://thephp.foundation/blog/2026/10/21/todays-php-security-release-and-how-were-strengthening-php-security/

Проектирование и оценка локальных ИИ-кластеров для предприятий

Техническая публикация NVIDIA от 22 октября демонстрирует, что компактные вычислительные устройства DGX Spark можно объединять в локальные кластеры для выполнения крупных моделей искусственного интеллекта. Восьмиузловая конфигурация с совокупным объёмом памяти около 1 ТБ позволила запустить модель GLM 5.3 с 753 млрд параметров. Однако сама возможность запуска не доказывает экономическую целесообразность такого оборудования для любой организации. Скорость зависит от размера модели, числа одновременных запросов, сетевых задержек и способа распределения вычислений. Это создаёт потенциальную нишу для независимой услуги по выбору архитектуры корпоративного ИИ: локальные ускорители, облачные вычисления или сочетание этих вариантов. Заказчиками могут стать компании, использующие внутренние документы, специализированные модели, программных агентов и приложения с требованиями к расположению данных. Основная ценность услуги — помочь принять обоснованное решение до крупных закупок.

Пилот начинается с описания реальных задач заказчика. Следует зафиксировать количество пользователей, типичные размеры запросов, требуемую скорость ответа, объём обрабатываемой информации и допустимые расходы. Затем выбираются несколько сопоставимых конфигураций: одна или несколько локальных систем, подходящие облачные ускорители и, при необходимости, смешанная схема. На одинаковых тестовых данных измеряются скорость генерации, задержка первого ответа, производительность при параллельных запросах и устойчивость длительной работы. Отдельно проверяются сетевые взаимодействия между устройствами, потребление памяти и возможность распределять простые задачи на небольшие модели. Важно не смешивать разные испытания NVIDIA: показатель 97,4% эффективности масштабирования относился к обучению небольшой модели nanochat, а не к генерации текста полной GLM 5.3. Для восьмиузлового запуска GLM 5.3 компания сообщала примерно о 31 токене в секунду при одном запросе и 67 токенах в секунду суммарно при восьми параллельных запросах. Эти цифры служат ориентиром для проверки, а не гарантией результата заказчика.

Коммерческое предложение может состоять из оплачиваемого технического обследования, сравнительного испытания, подготовки проекта инфраструктуры и сопровождения внедрения. В финансовую модель необходимо включать не только цену ускорителей, но и сетевое оборудование, электричество, охлаждение, хранение данных, обновления, поддержку и ожидаемую загрузку. Для нерегулярных задач аренда облачных ресурсов может быть выгоднее покупки собственных устройств; при устойчивой нагрузке вывод может оказаться другим. Нужно также учитывать, что расширенная поддержка восьмиузловых конфигураций в NVIDIA Sync была запланирована на последующий период, а не объявлена полностью доступной 22 октября. Итогом работы должен стать проверяемый расчёт полной стоимости владения и ограничений каждой архитектуры. Это бизнес-гипотеза консультационной и инженерной услуги, а не заявление о существующем продукте или доказанной экономии для всех предприятий.

Источник: https://developer.nvidia.com/blog/running-frontier-class-ai-models-across-8-nvidia-dgx-spark-nodes/

Независимая проверка налоговых расчётов и Excel-файлов, подготовленных ИИ

Запуск Thomson Reuters CoCounsel Tax, Audit & Accounting показывает переход профессионального ИИ от ответов на вопросы к созданию расчётов, электронных таблиц и документов для бухгалтеров и аудиторов. Новая платформа способна выполнять программный код, формировать Excel-книги с формулами и подготавливать материалы с указанием нормативных оснований. Однако даже технически правильная формула может привести к неверному результату, если исходные данные неполны, выбран неправильный период или применена неподходящая норма. Поэтому появляется потенциальный спрос на независимую проверку документов, созданных ИИ. Такая услуга может быть полезна бухгалтерским организациям, аудиторским фирмам и финансовым подразделениям, которые начинают использовать генеративные модели для подготовки рабочих материалов. Её задача — не заменить профессиональное заключение специалиста, а обнаружить ошибки до утверждения документов и сохранить понятные доказательства проведённых проверок.

Для первоначального решения можно выбрать ограниченный класс документов, например расчёты амортизации, сверки налоговых показателей или аналитические таблицы для закрытия отчётного периода. Проверочная программа принимает Excel-файл и сопроводительные исходные документы, анализирует формулы, ссылки между листами, единицы измерения и полноту исходных данных. Затем пересчитывает значения независимым способом и сопоставляет итоговые показатели с контрольными правилами. Для нормативных ссылок необходимо проверять существование документа, его действующую редакцию и применимость к указанной территории и периоду. Если вывод ИИ нельзя подтвердить, система не должна придумывать недостающее обоснование, а должна направлять вопрос человеку. В отчёте фиксируются обнаруженные расхождения, проверенные формулы, недостающие сведения и действия специалиста. Конфиденциальность клиентских данных требует отдельной организации хранения, разграничения доступа и выбора допустимой среды выполнения. Сам факт использования крупной языковой модели не заменяет независимый вычислительный контроль.

Начать коммерческое испытание можно с набора обезличенных таблиц и заранее известных ошибок. Важно измерить долю правильно обнаруженных нарушений, количество ложных предупреждений, время проверки и стоимость обработки одного документа. Затем результаты сравниваются с обычной ручной проверкой, чтобы определить, действительно ли предложенное решение экономит время. Оплата может зависеть от объёма документов, сложности правил или регулярного сопровождения контрольных сценариев. Однако нельзя обещать полную юридическую правильность любого налогового документа: применение законодательства требует профессиональной оценки конкретных обстоятельств, а сами правила меняются. Кроме того, объявление Thomson Reuters не содержит независимых показателей точности всех новых функций, поэтому экономическую эффективность похожих решений нельзя считать заранее доказанной. Это бизнес-гипотеза специализированной проверочной услуги, а не уже созданный программный продукт или подтверждённый результат внедрения.

Источник: https://www.prnewswire.com/news-releases/thomson-reuters-launches-ai-for-tax-and-audit-that-knows-the-answer-and-why-its-right-302915932.html