ИИ новости: 27 октября 2026

Фундаментальные тренды

Google DeepMind представила Genie 4: ИИ создаёт интерактивные миры с физикой, звуком и персонажами в реальном времени

27 октября Google DeepMind представила Genie 4 — новую модель мира, создающую интерактивные сцены в реальном времени. В отличие от обычного видеогенератора, пользователь может перемещать камеру, управлять персонажами и менять происходящее текстовыми командами прямо во время симуляции. Система одновременно генерирует изображение, окружающие звуки и диалоги. По данным Google, она объединяет генерацию Genie с возможностями семейства Gemini, чтобы события в виртуальном мире оставались связными.

Среди заявленных улучшений — моделирование столкновений, аэродинамики и движений людей. Для многоэтапных сценариев Gemini 3.8 Flash действует как управляющий агент: наблюдает за создаваемыми кадрами, разбивает цель на шаги и корректирует план по мере изменения сцены. В демонстрациях также использована связка Genie 4 с Gemini 4 Argon для моделирования действий робота. Перспектива технологии — испытательные виртуальные среды для ИИ-агентов и робототехники, а также интерактивные прототипы для образования, кино и игр.

Genie 4 пока запущена только как исследовательская предварительная версия для доверенных испытателей. Доступ подписчикам Google AI Ultra через Project Genie и партнёрам Gemini API и Google AI Studio обещан позднее. Разработчик признаёт, что при длительной работе детали и расположение предметов могут меняться, а точность физики, звука и пространственной согласованности остаётся ограниченной. Контент маркируется SynthID. Поэтому эффектная симуляция ещё не равнозначна физически достоверному цифровому двойнику или проверенному инструменту обучения реальных роботов.

Источник: deepmind.google

Риски и контроль

Cloudflare раскрыла утечку данных между клиентами ИИ: 155 ответов содержали чужую информацию

26 октября Cloudflare раскрыла утечку данных между клиентскими запросами в сервисе Workers AI. С 27 августа по 9 сентября модель GLM 5.3 в отдельных ответах воспроизводила фрагменты запросов других пользователей. Компания насчитала 155 затронутых ответов — это не число пострадавших клиентов. Проблему обнаружил исследователь Гади Эврон из Knostic и сообщил о ней 8 сентября. К 9 сентября Cloudflare исправила ошибку и восстановила работу модели. Новое событие недели — подробное публичное расследование причин инцидента.

Утечка возникла из сочетания неверной конфигурации и ошибки механизма обслуживания моделей SGLang. Окно контекста GLM 5.3 составляло 1 048 576 токенов, но память для первичной обработки вмещала только 681 280. Слишком длинный запрос должен был завершаться ошибкой. Вместо этого распределённая система передавала узлу генерации неполные данные, а тот считывал старые страницы кеша с информацией предыдущих запросов. Все 155 затронутых ответов относились к запросам длиннее 681 280 токенов.

Cloudflare увеличила выделенную память и исправила обработку отклонённых запросов до восстановления сервиса 9 сентября. Вместе с разработчиками SGLang компания усилила проверки передачи кеша; другим операторам распределённых установок рекомендовано перейти на SGLang 0.5.22 или новее. Cloudflare утверждает, что другие модели Workers AI не пострадали, и не обнаружила признаков намеренной эксплуатации ошибки. Однако данные клиентов действительно попадали в чужие ответы. Инцидент показывает, что изоляция ИИ-запросов зависит не только от прав доступа, но и от корректного управления памятью ускорителей.

Источник: blog.cloudflare.com

Где ИИ становится продуктом

ИИ проверил хирургические данные в 11 больницах: точность аудита достигла 99,36%

27 октября Carta Healthcare представила результаты двух циклов проверки качества медицинских данных в 11 больницах США, использующих программу American College of Surgeons NSQIP. В 2025–2026 годах учреждения внедряли Lighthouse — систему ИИ для извлечения сведений из медицинских карт и заполнения регистра хирургической помощи. По данным компании, средний результат аудита в 2026 году составил 99,36% у больниц с ИИ-поддержкой против 99,32% при ручной обработке. Все участники достигли установленного программой порога 98%. Новость — публикация измеренных результатов действующей практики, а не анонс будущего внедрения.

Сбор данных для хирургических регистров требует находить нужные сведения в большом числе медицинских записей. Обычно специалисты проверяют выборку случаев, поскольку ручная обработка каждого поля требует времени. Carta сообщает, что при использовании Lighthouse её команда проверяла 100% полей внутри рабочего процесса NSQIP. Это помогало обнаруживать повторяющиеся ошибки и обучать сотрудников исправлять причину расхождения, а не только отдельную запись. При этом клинические специалисты рассматривали замечания ИИ, исправляли данные и утверждали каждый случай: автоматического принятия всех ответов модели не было.

Результаты представили на конференции ACS Quality, Safety & Cancer в Орландо. Принципиальное ограничение сравнения — разница между 99,36% и 99,32% составляет лишь 0,04 процентного пункта. Публикация не доказывает статистического превосходства ИИ над ручной работой, не содержит подтверждённой экономии часов или стоимости на одного пациента и не измеряет улучшение исходов операций. Исследование показывает более узкий, но практически значимый результат: ИИ может поддерживать сплошную проверку полей медицинского регистра при сохранении качества аудита и обязательного человеческого контроля.

Источник: www.carta.healthcare; www.prnewswire.com

Архитектура и технологии внедрения

Google впервые передаст свои ИИ-ускорители TPU другому облачному гиганту: Oracle начнёт развёртывание в 2027 году

27 октября Oracle и Google объявили, что ускорители Google Tensor Processing Unit (TPU) появятся в Oracle Cloud Infrastructure (OCI). Oracle станет первым крупным облачным провайдером за пределами Google, предлагающим TPU в собственной инфраструктуре. Развёртывание начнётся в 2027 году и продолжится в следующие годы. Это соглашение о будущем доступе, а не запуск действующих TPU-серверов OCI: регионы и объём первых поставок пока не раскрыты.

Google проектирует TPU как часть системы из микросхем, межсоединений, программного обеспечения, питания и охлаждения. Восьмое поколение включает TPU 8t для обучения и TPU 8i для выполнения моделей. Эти ускорители предназначены в том числе для крупных нейросетей, архитектур mixture-of-experts и многошаговых ИИ-агентов. Oracle обеспечит центры обработки данных, охлаждение и сетевую инфраструктуру. Для связи с базами данных и другими сервисами OCI планируется использовать платформу Acceleron.

Смысл партнёрства — дать заказчикам выбор между GPU и TPU внутри одной облачной платформы. Компании с данными в Oracle потенциально смогут выполнять ИИ-задачи рядом с ними, без переноса информации в отдельное облако Google. Это может уменьшить затраты на межоблачную передачу. Google указывает на совместимость программной экосистемы TPU с PyTorch, vLLM, SGLang и llm-d. Но поддержка этих инструментов не гарантирует, что любая модель заработает без адаптации или что TPU всегда окажется дешевле GPU.

Компании не раскрыли цену аренды, количество ускорителей, стоимость соглашения и результаты испытаний на OCI. Заявления Google об эффективности TPU относятся к её архитектуре, а не к измеренной производительности будущей услуги Oracle. Для рынка это шаг к конкуренции различных типов ИИ-ускорителей внутри крупных облаков. Реальные преимущества станут ясны после запуска и сопоставимых тестов стоимости, задержки и пропускной способности.

Источник: www.oracle.com; cloud.google.com

Финансы

General Compute привлекла $100 млн при оценке $800 млн: инвесторы финансируют облако ИИ на альтернативных чипах

27 октября американская General Compute объявила о привлечении $100 млн в раунде Series A, который совместно возглавили Blackbird и Abstract. В нём также участвовали Fuse Venture Partners, Village Global и другие инвесторы. По данным TechCrunch, оценка компании после сделки достигла $800 млн. General Compute создаёт облачную инфраструктуру для выполнения ИИ-моделей, делая ставку не только на графические ускорители, но и на специализированные чипы конкурентов NVIDIA.

Компания финансирует, устанавливает и обслуживает оборудование Cerebras, SambaNova и Positron AI, а клиентам предлагает выделенные серверы либо гарантированную скорость генерации токенов по соглашению об уровне обслуживания. Вместо строительства исключительно собственных дата-центров стартап использует арендованные площадки, в том числе бывшие объекты для майнинга. Такой подход должен ускорять ввод мощностей, но его экономическое преимущество пока нельзя считать доказанным для всех нагрузок.

Раунд дополняет ранее объявленную кредитную линию Upper90 на сумму до $400 млн. Это долговое финансирование оборудования, а не часть новых $100 млн акционерных инвестиций. По сообщению компании, первые крупные развёртывания намечены на первый квартал 2027 года, а в подготовке находится более 50 МВт мощностей. TechCrunch также сообщает о контракте с крупным клиентом стоимостью $100 млн в год; это условие отдельной сделки, а не подтверждённая текущая выручка всего бизнеса.

Для рынка событие показывает, что капитал поступает не только разработчикам моделей, но и независимым поставщикам вычислений для их выполнения. Однако инфраструктура требует больших первоначальных затрат, электроэнергии и устойчивых заказов. Оценка в $800 млн не доказывает прибыльность, а будущие мощности ещё предстоит ввести в эксплуатацию. Ключевой вопрос — сможет ли компания обеспечить обещанную скорость и загрузку оборудования при стоимости, конкурентной с обычными GPU-облаками.

Источник: www.generalcompute.com; www.webwire.com; techcrunch.com

Инструменты и интеграции

Intuit представила ИИ для закрытия бухгалтерского месяца: новый агент работает по регламентам и сохраняет журнал действий

27 октября Intuit на конференции Intuit Connect представила расширение Intuit Intelligence для QuickBooks, Intuit Accountant Suite и Intuit Enterprise Suite. Главная новинка для бухгалтеров — Agentic Books Close: ИИ выполняет часть закрытия месяца по регламентам фирмы, записывает действия в журнал и передаёт проверку, исключения и утверждение специалисту. Функция пока проходит пилотирование у отдельных клиентов Accountant Suite; отдельное дополнение появится позже. Массовой доступности пока нет.

По данным Intuit, Accountant Suite используют свыше 250 тысяч бухгалтерских фирм, а ИИ ежемесячно классифицирует более 400 млн операций. Платформа объединяет свыше 60 специализированных языковых моделей, более 100 агентов и программные алгоритмы для более чем 100 процессов. Компания оценивает сокращение ручной работы бухгалтеров примерно в 30%. Это оценка разработчика, а не независимый результат испытаний нового агента закрытия месяца.

В QuickBooks также развивают работу с дебиторской задолженностью: система выделяет просроченные счета и помогает направлять напоминания. По сообщению Intuit, пользователи определённых ИИ-функций напоминаний получали оплату в среднем на четыре дня быстрее, чем группа со стандартными напоминаниями. Результат не гарантирован каждому бизнесу. Инструменты Firm Playbooks и анализа клиентского портфеля остаются в бета-версии, другие интеграции и отраслевые возможности будут появляться постепенно.

Смысл анонса — соединить проводки, документы и решения бухгалтера в едином управляемом процессе вместо отдельного чата с ИИ. Для внедрения необходимы регламенты закрытия, разграничение прав, проверка расхождений и журнал действий. Компания развивает существующую экосистему, а не запускает самостоятельный универсальный агент. Точность, экономию времени и стоимость нового сценария закрытия месяца ещё предстоит подтвердить в промышленной работе.

Источник: investors.intuit.com

Возможности для бизнеса

Независимый аудит изоляции данных в корпоративных ИИ-сервисах

Расследование Cloudflare показывает, что утечка между клиентами ИИ-платформы может возникнуть даже при наличии стандартного разграничения доступа. В описанном инциденте причиной стало сочетание недостаточного выделения памяти и ошибки при передаче кеша между компонентами распределённого обслуживания модели. На этой основе можно создать услугу проверки изоляции запросов для компаний, которые обслуживают нескольких заказчиков через общие ускорители. Потенциальные покупатели — поставщики корпоративных ИИ-сервисов, разработчики внутренних платформ, облачные интеграторы и организации, использующие собственные установки vLLM или SGLang. Коммерческая задача — выявлять ситуации, в которых сведения одного клиента потенциально могут появиться в ответе другому, до возникновения реальной утечки.

Минимальная услуга начинается с обследования архитектуры выполнения моделей. Специалист фиксирует границы клиентских сессий, правила повторного использования кеша, ограничения длины контекста, распределение памяти между узлами и поведение системы при ошибках. Затем создаётся испытательный стенд с синтетическими данными, содержащими уникальные контрольные маркеры для разных арендаторов. Проверяются длинные запросы, превышение лимитов, конкурентная нагрузка, отмена генерации, повторное использование памяти и некорректное завершение обработки. Отдельные тесты должны подтверждать, что при отказе одного компонента другой не использует остаточные данные предыдущего запроса. Испытания необходимо проводить только с разрешения владельца системы, без попыток извлечения реальных сведений посторонних клиентов.

Результатом становится технический отчёт с воспроизводимыми сценариями, классификацией обнаруженных нарушений и планом исправлений. После обновления библиотек или конфигурации проверки запускаются повторно. Эффективность услуги измеряется количеством подтверждённых нарушений изоляции, полнотой покрытия опасных сценариев, временем устранения и отсутствием регрессий после обновлений. Для небольшого поставщика такой аудит можно предлагать как разовую проверку перед промышленным запуском и как регулярную проверку после изменения моделей. Важно не обещать обнаружение абсолютно всех каналов утечки: область проверки зависит от архитектуры и доступных полномочий. Это бизнес-гипотеза инженерной услуги, а не уже запущенный продукт или подтверждённый коммерческий результат.

Источник: https://blog.cloudflare.com/kv-cache-exposure-remediation/

ИИ-контроль качества медицинских регистров с обязательной проверкой специалистом

Результаты Carta Healthcare показывают потенциальную возможность автоматизировать предварительную проверку медицинских данных без передачи ИИ полномочий окончательно утверждать записи. В 11 больницах США, использовавших Lighthouse для работы с хирургическим регистром NSQIP, компания сообщила о среднем результате аудита 99,36% против 99,32% при ручной обработке. Разница составляет только 0,04 процентного пункта и не доказывает статистического превосходства системы. Однако интерес для бизнеса представляет другая особенность: проверка всех полей внутри рабочего процесса с последующим разбором ошибок людьми. На основе этого принципа можно предложить медицинским организациям услугу контроля полноты и согласованности регистров, статистических форм и медицинской документации.

Первый пилот следует ограничить одним типом регистра и заранее согласованным набором полей. Система получает данные из разрешённого источника, проверяет заполненность, сопоставляет даты, процедуры, диагнозы и другие взаимосвязанные показатели. Потенциальные ошибки направляются ответственному медицинскому специалисту вместе со ссылкой на исходную запись и объяснением сработавшего правила. ИИ не изменяет историю болезни самостоятельно и не принимает клинических решений. Для проверки качества используется заранее подготовленная выборка, которую независимо размечают квалифицированные сотрудники. Дополнительно фиксируются случаи, когда система уверенно предлагает неправильное значение, пропускает ошибку или неверно связывает документы одного пациента. Работа с персональными медицинскими данными требует разрешённой инфраструктуры, разграничения доступа и соблюдения местных правил конфиденциальности.

Коммерческое предложение может включать обследование текущего регистра, разработку контрольных правил, интеграцию с медицинской информационной системой и сопровождение проверки качества. Пользу необходимо измерять временем обработки записи, долей обнаруженных ошибок, количеством ложных замечаний и трудозатратами специалистов на окончательное подтверждение. Отдельно оценивается влияние на качество обязательной отчётности. Успех пилота нельзя выводить непосредственно из цифры 99,36% Carta Healthcare: она относится к конкретным учреждениям, программе и методике аудита. Подобный сервис следует сначала испытать на ограниченных данных и только затем расширять. Это бизнес-гипотеза специализированной медицинской автоматизации, а не действующий продукт с доказанной эффективностью для всех больниц.

Источник: https://www.carta.healthcare/news-and-pr/accuracy-held-at-99-as-hospitals-moved-nsqip-abstraction-to-ai/

Управляемое закрытие бухгалтерского месяца с ИИ и журналом проверок

Анонс Intuit Agentic Books Close показывает направление развития бухгалтерских платформ: ИИ начинает помогать выполнять последовательность операций закрытия отчётного периода, а не только отвечать на вопросы о проводках. Представленная функция работает по утверждённым регламентам фирмы, сохраняет историю действий и передаёт исключения и окончательное утверждение человеку. На 27 октября продукт находился в ограниченном пилоте, поэтому нельзя считать его массово доступным или приписывать ему все показатели экономии, которые Intuit приводит для своей более широкой платформы. Тем не менее сам подход создаёт потенциальную бизнес-возможность для интеграторов учётных систем. Покупателями могут стать бухгалтерские фирмы и предприятия с повторяющимися ежемесячными операциями, большим числом документов и необходимостью подтверждать корректность закрытия.

Минимальная реализация начинается с описания действующего регламента закрытия месяца. Вместе с главным бухгалтером фиксируются обязательные проверки полноты документов, сверки взаиморасчётов, контроль незавершённых операций, проверка остатков и условия допуска к следующим этапам. ИИ может собирать информацию из разрешённых источников, выявлять расхождения и подготавливать задания ответственным сотрудникам. Однако проведение корректирующих документов, изменение учётной политики и окончательное закрытие должны оставаться в рамках установленных полномочий. Для каждого действия сохраняются исходные данные, версия регламента, обнаруженное отклонение, решение человека и результат повторной проверки. При отсутствии обязательного документа или противоречии показателей система должна останавливать соответствующий этап, а не самостоятельно подбирать удобное значение.

Первый коммерческий пилот можно ограничить одной организацией и одним повторяющимся набором проверок. Результат оценивается сравнением двух-трёх закрытий месяца: сколько времени требовалось до внедрения, сколько замечаний выявлено автоматически, сколько ошибок подтвердилось и какую дополнительную нагрузку создали ложные предупреждения. В стоимость необходимо включить интеграцию, сопровождение правил, обработку исключений и контроль доступа. Важно не обещать автоматического сокращения ручной работы на 30%: этот показатель Intuit относится к более широким возможностям платформы и не является доказанным эффектом нового агента закрытия. Бизнес-модель может сочетать оплату внедрения и ежемесячное сопровождение. Это гипотеза интеграционной услуги, а не готовый продукт или подтверждённая экономия для конкретного клиента.

Источник: https://investors.intuit.com/news-events/press-releases/detail/1329/intuit-expands-intelligence-platform-to-power-the-next-era-of-accounting-firm-and-business-growth