Исследование, проведенное CGTN, поднимает фундаментальные вопросы о роли человечества в условиях, когда машины начинают обладать способностью к мышлению. Авторы отмечают, что каждая технологическая революция всегда сопровождалась как расширением человеческих возможностей, так и переосмыслением самой сути человечности, однако искусственный интеллект представляет собой более глубокий сдвиг.
ИИ перестает просто фиксировать происходящее; он начинает прогнозировать будущее. Он выходит за рамки простого толкования существующего мира, постепенно выстраивая иерархию возможных сценариев до их реализации. Таким образом, предсказание трансформируется из описания потенциального будущего в активную силу, формирующую последующие события.
Центральный вопрос, который ставит перед нами искусственный интеллект, заключается не в том, способны ли машины мыслить подобно людям, а в том, какой авторитет начинают приобретать их суждения. Возникают вопросы о том, кто наделяет этот авторитет и кто несет за него ответственность, а также о том, какое будущее это создаст для всего человечества.
На Всемирной конференции по искусственному интеллекту и высшей встрече по глобальному управлению ИИ в Китае была представлена концепция регулирования ИИ, согласно которой необходимо поддерживать подход, ориентированный на человека. Цель состоит в том, чтобы ИИ служил мощным двигателем общего процветания и коллективной безопасности, способствуя построению справедливой и равноправной системы глобального управления ИИ.
Это видение направлено на устранение не только разрыва в технологических возможностях, но и растущего расхождения между скоростью технологического прогресса и темпами достижения консенсуса в области управления. Поскольку технологические достижения опережают формирование правил, власть может появиться раньше, чем будут установлены соответствующие нормы. Следовательно, управление ИИ — это не только управление рисками, но и поиск баланса между инновациями и порядком, основанным на правилах.
Глобальный онлайн-опрос CGTN показал, что 85.4% респондентов считают, что стремительное развитие ИИ порождает новые вызовы для глобальной безопасности и управления. Более того, 92.6% выразили опасения, что дипфейки и дезинформация, генерируемая ИИ, могут подорвать основы социального доверия, а 87.8% беспокоятся о том, что технологические барьеры и «цифровые стены» могут привести к фрагментации международного научного и технологического сотрудничества.
Эти данные свидетельствуют о том, что проблемы, связанные с ИИ, давно выходят за рамки чисто технологической сферы. Укрепление глобального управления и формирование широкого международного согласия стали общими задачами в эпоху искусственного интеллекта. Опрос также выявил, что 82.6% участников полагают, что развивающиеся страны и Глобальный Юг должны играть более значимую роль в определении правил управления ИИ для обеспечения справедливости и инклюзивности системы. При этом 87.5% надеются, что международное сообщество будет работать над продвижением доступного и всеобъемлющего ИИ, предотвращая превращение технологий в новый источник неравенства.
Эти результаты отражают не только общие ожидания общественности относительно управления ИИ, но и растущий международный консенсус о том, что будущее ИИ должно определяться открытостью и сотрудничеством, а не технологическими монополиями, а также инклюзивностью и общими выгодами, а не регуляторными ограничениями. Цивилизация, которая может быть понята, обобщена и интерпретирована исключительно через модели чужого ИИ, еще не достигла истинной эры интеллекта. По-настоящему справедливая система глобального управления ИИ должна уважать разнообразные траектории развития и ценностные системы разных стран и культур, гарантируя каждой цивилизации право понимать мир через собственную концептуальную рамку, обучать интеллектуальные системы на своих условиях и соответствующим образом формировать будущее ИИ.
Ценности и способы мышления, присущие различным цивилизациям, не являются «шумом», который алгоритмы должны устранить, а незаменимыми источниками мудрости, необходимыми человечеству для навигации в неопределенном будущем. Цель глобального управления ИИ состоит не в создании единой «правильной» модели мира, а в обеспечении того, чтобы ни одно единственное понимание мира не стало доминирующим. Управление не является врагом инноваций; оно представляет собой второе творение инноваций. Первое происходит в лаборатории, где машины обретают возможности; второе реализуется через институты, этические нормы и международное сотрудничество, где технологии наделяются целью, границами и ответственностью. Интеллект без управления — это просто сила. Однако интеллект, сформированный общими ценностями, позволяет технологии стать подлинной силой на благо всего человечества.
В эпоху искусственного интеллекта управление ИИ затрагивает больше, чем просто общее процветание и коллективная безопасность; оно касается нашей общей способности формировать будущее. Поистине справедливый порядок ИИ должен делать больше, чем просто обеспечивать распределение выгод от технологического прогресса среди всех. Он также должен гарантировать, что каждая страна и каждая цивилизация имеет право голоса при установлении правил и определении направления будущего ИИ. Будущее не должно быть заранее заданной моделью, сгенерированной системой, а незавершенным черновиком, написанным коллективно человечеством, который остается открытым для пересмотра всеми сторонами. То, что машины начали думать, знаменует собой веху в истории технологий, а способность человечества совместно нести ответственность и сохранять свободу выбора — это признак прогресса цивилизации.
Еженедельно в программе Olhar Espacial демонстрируются два астрономических изображения, которые привлекли особое внимание на прошлой неделе, представляя значительную научную ценность.
Первое изображение представляет собой беспрецедентную запись об астероиде Торифун. В начале месяца этот объект был пролетан японским роботизированным зондом Hayabusa2. Этот зонд ранее в 2018 году посещал и собирал образцы с другого астероида, Риугу.
Для наземных телескопов Торифун выглядел как вытянутый астероид, однако пролет Hayabusa2 позволил обнаружить, что на самом деле он является контактным бинарным объектом, образовавшимся в результате мягкого столкновения двух отдельных астероидов. Помимо двух долей, Торифун имеет множество крупных каменных блоков и не демонстрирует явных кратеров, что указывает на то, что его поверхность представляет собой скопление обломков.
В настоящее время Hayabusa2 продолжает свой путь по Солнечной системе и планируется, что он встретится с другим астероидом, 1998 KY26, только в 2031 году.
Вторым изображением является серия записей, показывающих экзопланету Бета Пикторис b на протяжении более десяти лет. Эта планета была обнаружена посредством прямых снимков, сделанных с помощью VLT – Very Large Telescope – в Чили, а также с помощью телескопа Джеймса Уэбба.
Бета Пикторис b является третьей планетой, обнаруженной на орбите Бета Пикторис, которая представляет собой вторую по яркости звезду в созвездии Художника, расположенную на расстоянии 63,4 световых лет. Хотя звезда должна находиться в центре снимков, она была скрыта маской или удалена в процессе цифровой обработки.
На ранних снимках экзопланета была скрыта сиянием другого объекта, Бета Пикторис d. Для того чтобы выявить Бета Пикторис b, который является одним из самых тусклых экзопланет, обнаруженных методом прямого наблюдения, потребовалась дополнительная цифровая обработка для удаления более яркой планеты.
Для большинства малых и средних предприятий (MSMEs) внедрение искусственного интеллекта — это не следование модным тенденциям, а стратегическое преимущество, помогающее решать повседневные бизнес-задачи при ограниченных ресурсах. Во время сессии Google Gemini MSME Sparks 2026 Май Ким, специалист по прикладному ИИ и инженер по работе с клиентами Google Cloud JAPAC, продемонстрировала, как компании могут создавать интеллектуальных агентов для обслуживания клиентов менее чем за час, используя Gemini Enterprise для клиентского опыта, и при этом не написав ни строчки кода.
Эти AI-агенты способны автоматизировать ответы на запросы клиентов вне рабочего времени, отслеживать заказы, управлять возвратами или квалифицировать потенциальных клиентов. Таким образом, небольшие предприятия могут преодолеть структурные и организационные барьеры, предоставляя опыт обслуживания уровня крупных корпораций даже при работе с небольшими командами.
Сессия отразила более широкий тренд в области корпоративного ИИ. По данным Google Cloud, около 75% ее клиентов уже используют продукты ИИ, а модели компании обрабатывали более 16 миллиардов токенов в минуту через API клиентов в 2026 году. Это указывает на то, что AI-агенты перестают быть экспериментальными и становятся практичными инструментами для компаний любого размера.
Май Ким отметила, что в эпоху, управляемую ИИ, клиенты ожидают гораздо большего, переходя от простых чат-ботов к глубоко персонализированному обслуживанию и покупкам. Она привела примеры агентов, которые могут анализировать рукописные рецепты и мгновенно добавлять нужные ингредиенты в корзину клиента, или обрабатывать текстовые заказы, если клиент опаздывает. Ее цель — обеспечить быстрое решение нужных вопросов.
Традиционно для удовлетворения этих ожиданий MSMEs требовались значительные инвестиции в технологии и команды поддержки клиентов. Видение Google Cloud направлено на устранение этого препятствия.
Во время презентации Ким показала мультимодального AI-агента, который умеет обрабатывать голосовое взаимодействие, понимать намерения клиента, проводить рассуждения в сложных диалогах и получать актуальную бизнес-информацию — и все это через интерфейс самообслуживания. Она сообщила, что создание такого агента заняло у нее меньше часа, подчеркнув прогресс в современном ИИ, который ускоряет разработку за счет быстрой настройки с использованием естественного языка и визуальных инструментов.
На примере растущего бренда D2C этот агент, созданный за 60 минут, мог обрабатывать запросы, предлагать сопутствующие товары, оформлять возврат заказов и передавать сложные вопросы человеку-представителю. Результатом стало ускорение обслуживания, повышение стабильности и снижение операционных расходов — критически важные преимущества для малого бизнеса.
Центральным элементом сессии стала платформа Gemini Enterprise для клиентского опыта от Google. Эта унифицированная платформа объединяет услуги ИИ для обслуживания клиентов, электронной коммерции и поиска в единой экосистеме. Вместо того чтобы рассматривать поддержку клиентов как изолированную функцию, платформа связывает все этапы пути клиента: от поиска продукта и покупок до послепродажной поддержки и анализа производительности.
Комплект предлагает шесть ключевых возможностей, включая Customer Experience Agent Studio, Agent Assist, Customer Experience Insights, готовые агенты для покупок и заказа еды, а также Vertex AI Search. Это позволяет компаниям не разрабатывать каждую функцию с нуля, а использовать готовые компоненты ИИ, адаптируя их под свои продукты, клиентов и рабочие процессы.
Одним из главных достоинств платформы является способность балансировать автоматизацию и вмешательство человека. В то время как AI-агенты могут самостоятельно решать рутинные задачи, функция Agent Assist идет дальше, поддерживая живых представителей во время разговора, предоставляя контекстные ответы. Как продемонстрировала Ким, эта функция выводит релевантные знания и дает руководство в режиме реального времени.
Кроме того, Customer Experience Insights помогает бизнесам отслеживать ключевые показатели эффективности, такие как удовлетворенность клиентов, качество ответов и производительность агентов, через интегрированную панель мониторинга, что ведет к более эффективной поддержке при работе с небольшими командами.
Мелкие компании часто неохотно принимают ИИ из-за ограничений бюджета, технической экспертизы и времени внедрения. Ким подчеркнула, что Gemini Enterprise создан для устранения этих барьеров, предлагая интуитивно понятные инструменты с низким и нулевым кодом, позволяющие организациям создавать высококачественных AI-агентов без привлечения специализированных команд разработчиков.
Вместо того чтобы тратить месяцы на разработку или нанимать выделенных инженеров по ИИ, бизнес-команды могут создавать, тестировать, совершенствовать и развертывать разговорные агенты с помощью визуальных рабочих процессов. Эта демократизация ИИ может быть особенно ценной для MSMEs, стремящихся конкурировать с гораздо более крупными предприятиями, которые традиционно имели больший доступ к технологическим ресурсам. Автоматизируя повторяющиеся взаимодействия с клиентами, компании могут повысить как операционную эффективность, так и удовлетворенность клиентов.
Значительная часть сессии была посвящена Customer Experience Agent Studio — визуальной среде разработки, использованной для демонстрации. Пользователям не нужно начинать с чистого листа; они могут просто описать назначение своего AI-агента в одном-двух предложениях. Затем Gemini автоматически генерирует инструкции, рабочий процесс, инструменты и структуру диалога для агента. Ким заявила: «Мы используем ИИ для создания AI-агента, а не для написания кода».
Разработчики могут дополнительно настроить агента, определив его роль, поведение, потоки задач и логику принятия решений, а также добавив необязательные источники знаний для улучшения контекстного понимания. Платформа также поддерживает множество интеграций, позволяя подключать агентов к Google Search, открытым API, Salesforce, ServiceNow и пользовательским функциям.
Другие возможности, представленные на сессии, включали общие переменные между агентами, настраиваемые защитные механизмы для блокировки нежелательных бесед, многоязычную поддержку, настройку голоса, выбор моделей и расширенные параметры диалога. Для обеспечения готовности к производству Agent Studio предоставляет встроенные инструменты оценки. Компании могут сравнивать ответы ИИ с ожидаемыми результатами с помощью оценок на основе золотых стандартов или симулировать реалистичные взаимодействия с клиентами посредством сценариев, помогая выявить крайние случаи до запуска. Эти встроенные средства тестирования позволяют командам повышать точность и снижать риск галлюцинаций или непоследовательных ответов.
Сессия подтвердила важный тезис для MSMEs: создание приложений на базе ИИ больше не требует больших бюджетов, специализированных инженерных команд или месяцев разработки. Благодаря таким платформам, как Gemini Enterprise, компании все чаще могут сосредоточиться на определении проблем клиентов, а не на написании кода. Для MSMEs, стремящихся улучшить взаимодействие с клиентами, автоматизировать рутинную поддержку и обеспечивать более быстрый и персонализированный опыт, AI-агенты становятся практической возможностью, а не экспериментальной технологией. По мере развития экосистемы ИИ Google возможности для малого бизнеса становятся яснее: не просто принять ИИ, а использовать его как усилитель, позволяющий небольшим командам предоставлять опыт обслуживания клиентов корпоративного масштаба.
Команда Xiaohongshu Engine представила систему HELMSMAN на конференции OSDI 2026. Эта система представляет собой экономически эффективное высокопроизводительное решение для поиска ближайших соседей с приближением (vector approximate nearest neighbor search), разработанное специально для массивов NVMe SSD на полностью флэш-памяти.
HELMSMAN заменила предыдущую инфраструктуру Xiaohongshu, которая состояла примерно из 35 000 ядер ЦП и 350 ТБ оперативной памяти (DRAM), всего около 40 серверов на полностью флэш-памяти. Это позволило добиться снижения аппаратных затрат более чем на 90%, при этом сохраняя задержку на уровне миллисекунд для сервисов компании, таких как поиск, рекомендации и реклама. Эти сервисы обрабатывают сотни миллиардов высокоразмерных векторов при миллионах запросов в секунду.
Основная идея заключается в том, что кластеризованные методы ANNS являются более подходящей архитектурой для современных высокоскоростных SSD-массивов, в отличие от графовых методов ANNS. Графовые системы, использующие DRAM и SSD, например DiskANN, страдают от зависимости последовательного ввода-вывода, поскольку чтение с одного SSD определяет следующий посещаемый сосед, что мешает насыщению пропускной способности SSD. Кластеризованные системы, напротив, параллельно считывают кластеры кандидатов, что соответствует возможностям параллельного ввода-вывода SSD.
Традиционные системы кластеризации SPANN сталкивались с тремя проблемами в производственной среде: недостаточная пропускная способность из-за накладных расходов стека ввода-вывода Linux, неадаптивные стратегии поиска, которые либо слишком много, либо слишком мало сканировали в зависимости от сложности запроса, а также медленное построение индекса на одном процессоре, которое не могло масштабироваться до сотен миллиардов векторов. HELMSMAN устраняет эти препятствия благодаря трем новшествам:
Во-первых, это специализированный стек хранения для ANNS, который обходит стандартные пути ввода-вывода Linux, управляя очередями NVMe напрямую в пользовательском пространстве. Это уменьшило программные накладные расходы, которые ранее потребляли до 58% общей задержки. Во-вторых, реализован иерархический механизм обучения для отсечения поиска, который адаптивно прогнозирует оптимальное количество кластеров для сканирования на основе сложности запроса, размера top-k и распределения центроидов. В-третьих, внедрен распределенный конвейер построения с ускорением на GPU, который позволяет перестраивать индексы в масштабе миллиардов векторов всего за несколько часов, что соответствует обновлению моделей в режиме минут для систем рекомендаций и рекламы.
Производственные испытания продемонстрировали эффективность системы. HELMSMAN обеспечивает улучшение пропускной способности в 2–16 раз по сравнению с существующими системами DRAM-SSD, включая DiskANN и SPANN, достигая до 85% пропускной способности чисто ин-мемори развертывания при соблюдении SLA средней и хвостовой задержки в пределах миллисекунд. Возможность перестраивать индексы в масштабе 10 миллиардов векторов за часы делает HELMSMAN практичным для рабочих сред, где модели встраивания и векторные данные обновляются часто. Развертывание Xiaohongshu охватывает множество бизнес-направлений, включая поиск, рекомендации, рекламу, безопасность контента и конвейеры RAG.
Последствия для стоимости и масштабируемости выходят за рамки Xiaohongshu. Инфраструктура векторного поиска является одним из самых быстрорастущих центров затрат для интернет-платформ, поскольку извлечение на основе встраиваний становится универсальным для поиска, рекомендаций и функций на базе ИИ. Зависимость от DRAM была структурным фактором роста затрат, так как масштабы векторов удваиваются ежегодно. HELMSMAN доказывает, что высокопроизводительный ANNS на стандартном флэш-хранилище жизнеспособен в производстве даже для самых чувствительных к задержкам сценариев онлайн-обслуживания, потенциально изменяя экономику инфраструктуры для всей отрасли. Исследование также поднимает вопросы о том, могут ли другие компоненты ИИ, ограниченные памятью, получить аналогичную выгоду от совместного проектирования стека хранения вместо простого расширения DRAM.
