Видео показывает столкновение ускорителя ракеты SpaceX с Луной

Серия необычных видеороликов, демонстрирующих мужчину, который якобы воспитывает леопарда в рабочем районе Южной Африки, привлекла внимание пользователей социальных сетей. Многие задаются вопросом, является ли представленный материал подлинным или же он был создан с помощью сложного искусственного интеллекта (ИИ).

Эти клипы, опубликованные создателем TikTok Sunshinesedi, набрали тысячи просмотров, поскольку зрители активно обсуждают, настоящий ли крупный хищник или же он является продуктом продвинутого ИИ. На данный момент независимая проверка подлинности этих видео не проводилась, и автор отказывается раскрывать, в каком именно рабочем районе он проживает.

В одном из вирусных роликов автор представляет то, что он называет первым днем совместной жизни с животным. Он заявляет: «Это первый день воспитания леопарда в kasi (рабочем районе)». Видео показывает пятнистого кошачьего, свободно перемещающегося по дому, в то время как владелец шутливо комментирует его поведение.

Sunshinesedi шутит, что забота о животном оказалась более трудоемкой, чем ожидалось, описывая озорные выходки животного во время исследования дома. Он отмечает: «Но это довольно хлопотно, потому что мне приходится постоянно следить за ним. Он продолжает прыгать на стол, и я даже не уверен, хочет ли он пить чай».

Он далее утверждает, что уже привык к жизни с леопардом; он выпускает его на улицу, чтобы тот подышал свежим воздухом, и позволяет соседям любоваться «красивым созданием», прежде чем оно возвращается внутрь, чтобы поесть, отдохнуть на диване и поспать, пока он работает за ноутбуком.

В других видеороликах автор демонстрирует, как леопард свободно бродит по дому. Он утверждает, что кормит его сырым мясом курицы и говядиной, при этом животное запечатлено в различных частях жилища: сидящим на холодильнике, идущим по плите и останавливающимся, чтобы попить воды.

Эти видео вызвали широкую дискуссию в сети. Некоторые пользователи восхищаются кажущимся спокойным взаимодействием между человеком и животным, в то время как другие убеждены, что материал был сгенерирован с использованием ИИ или передовых визуальных эффектов.

Национальный совет SPCAs (NSPCA) последовательно выступает против содержания диких животных в качестве домашних питомцев. Организация настаивает на том, что такие животные должны обитать в своих естественных средах, а не в неволе. NSPCA заявляет, что благополучие диких животных автоматически ставится под угрозу при их содержании в ограниченном пространстве, поскольку их физические, поведенческие и социальные потребности, специфичные для вида, не могут быть должным образом удовлетворены вне дикой природы.

«NSPCA твердо выступает против содержания экзотических животных в качестве домашних питомцев или в неволе... Благополучие дикого животного автоматически ставится под угрозу в состоянии заключения. Ни одна содержащая установка за пределами заповедника или там, где эти кошки могут оставаться нетронутыми, не сможет соответствовать требованиям, которые им действительно необходимы. Дикая природа должна оставаться и свободно бродить в своей естественной среде обитания», — говорится в заявлении.

Шонготоло Машенгете выросла в Маламулеле, провинция Лимпопо, где ее постоянные вопросы о функционировании живого мира побудили ее к науке, чтобы находить практические решения реальных проблем. В конечном итоге она нашла свое истинное призвание в сельском хозяйстве.

Машенгете начала свой путь в этой сфере, получив первую степень в Технологическом университете Тшавна (TUT) в 2019 году. Жизнь в Ка-Кситлелани в Маламулеле позволила ей увидеть как трудности, так и возможности в сельском хозяйстве, осознав, как этот сектор поддерживает средства к существованию, обеспечивает продовольственную безопасность и поддерживает сельские общины.

Она продолжила обучение, получив последипломный диплом по растениеводству (cum laude) в TUT. В настоящее время она получает степень магистра, проводя исследования в области патологии растений в Сельскохозяйственном исследовательском совете (ARC).

Исследования Машенгете сосредоточены на диагностике болезней растений, молекулярной идентификации патогенов, технологиях ДНК-маркеров, управлении заболеваниями после сбора урожая и применении передовых технологий. Она отметила, что за время учебы приобрела опыт как в лабораторных, так и в полевых исследованиях, включая культивирование и выделение грибков, экстракцию ДНК, ПЦР-анализ, секвенирование, идентификацию патогенов и характеристику заболеваний.

Машенгете стремится объединить научные изыскания с практическими решениями для повышения продуктивности и устойчивости в отрасли. Помимо академической деятельности, она основала Rich Earth Agriculture — инициативу, направленную на борьбу с нехваткой продовольствия и безработицей через развитие сельского хозяйства.

Она заявила Food For Mzansi, что университет помог ей понять, насколько сложной и междисциплинарной является аграрная отрасль по сравнению с ее первоначальным представлением о ней. Ранее она рассматривала сельское хозяйство лишь как производство культур и скота.

Благодаря учебе она увидела взаимосвязь сектора с наукой, экономикой, технологиями, устойчивым развитием, политикой и развитием сельских районов. Университет также подчеркнул важность исследований и инноваций для решения отраслевых задач. Она глубоко оценила возможность превращать научные открытия в практические решения, которые улучшают производительность, снижают потери и укрепляют продовольственную безопасность.

В конечном счете, она усвоила, что сельское хозяйство не просто кормит людей; оно создает источники дохода, поддерживает экономику и поднимает уровень жизни общин. Недавно Машенгете присоединилась к подразделению ARC-VIMP по культурам корнеплодов и клубней (RTB), где будет работать в течение обучения в магистратуре.

Типичный рабочий день включает сочетание лабораторной работы, анализа данных и написания научных работ. В зависимости от этапа проекта, она изолирует и культивирует патогены, проводит молекулярный анализ, такой как экстракция ДНК и ПЦР, изучает симптомы заболеваний, анализирует результаты секвенирования, изучает литературу и готовит отчеты и предложения.

В рамках магистерской программы она фокусируется на защите культур. Она объясняет, что это сродни защите растений от недугов и угроз, чтобы они могли хорошо расти и давать хороший урожай. Эта работа включает мониторинг посевов, раннее выявление проблем и применение методов управления, таких как надлежащие методы ведения сельского хозяйства, использование устойчивых сортов, биологический контроль и целенаправленное применение пестицидов.

Без этих мер, как она отмечает, вредители и болезни могут серьезно повредить урожай, что негативно скажется как на доходе фермеров, так и на продовольственном снабжении. В будущем Машенгете планирует стать специалистом-исследователем в области патологии растений, уделяя внимание разработке практических, научно обоснованных решений для улучшения здоровья культур и сельскохозяйственной продуктивности.

За месяц до этого Чжан Имин, основатель ByteDance, посетил общее собрание команды Seed и завершил двухлетний внутренний спор. Он заявил, что ByteDance не будет применять модели других разработчиков для ускорения создания собственных больших языковых моделей (LLM), включая как закрытые передовые модели, так и модели с открытым весом.

Это правило было установлено еще в 2023 году. На ранних этапах работы команды Seed проводились эксперименты с использованием результатов API GPT в качестве обучающих данных. После того как ByteDance в апреле 2023 года начала проводить аудит вызовов GPT API, команда установила жесткое правило: данные, сгенерированные GPT, не должны попадать в обучающие наборы ByteDance. Этот ограничительный механизм появился до того, как кто-либо за пределами Китая начал обсуждать дистилляцию.

Первый внутренний спор возник в январе 2025 года после выпуска DeepSeek-R1. Исследователи Seed задали очевидный вопрос: если другие лаборатории тайно используют результаты передовых моделей для наверстывания упущенного, почему они не могут сделать то же самое? Некоторые предлагали осторожно использовать дистиллированные результаты для устранения пробела без отказа от собственного предварительного обучения Seed. Руководство отклонило это предложение.

Год спустя, когда в американских лабораториях начали широко внедрять GPU Nvidia Blackwell, дискуссия возобновилась. Китайские лаборатории не имеют возможности приобрести топовые карты B-серии. Seedance 2.0 обучался на кластере H20, производительность которого составляет примерно одну пятидесятую от B200. Прогресс в рассуждениях, кодировании и науке, достигнутый моделями GPT-5.5 и Claude 4.8, особенно Claude Fable 5, совпал с появлением Blackwell. Хотя закрытые модели нельзя дистиллировать, лучшие модели с открытым весом — да.

Точкой, которая привела спор на общее собрание, стала модель Kimi K3 от Moonshot. Модель K3 с открытым весом от Moonshot достигла уровня, сравнимого с передовыми закрытыми моделями. Для Seed, относительно небольшой китайской лаборатории, стремящейся попасть в мировой класс первой десятки, этот вопрос стал неизбежным: почему Seed, обладая более высокой плотностью талантов и большим вычислительным потенциалом, не создала языковую модель эквивалентного уровня? Дистилляция позволила бы Seed направлять ограниченные ресурсы обучения в направления, которые уже доказали свою эффективность в других местах.

Ответ Чжана был кратким. Он заявил, что Seed может позволить себе временное отставание, но не может допустить закрытия этого разрыва путем дистилляции конкурентов. Эта позиция соответствует политике 2023 года, однако ставки значительно возросли. Anthropic публично обвинила Tongyi Qianwen, Moonshot и MiniMax в массовом сборе результатов Claude. Независимо от того, соответствуют ли эти обвинения действительности, геополитический, юридический и коммерческий риск резко возрос, и Seed сохраняет свою позицию, даже ценой многолетнего отставания в бенчмарках.

Интересная ставка заключается в мета-ставке, лежащей в основе стратегии. Стратегия Seed предполагает, что лаборатории, опережающие в сегодняшних бенчмарках рассуждений, не опередят в том интеллекте, который Seed пытается создать, и что заимствование их данных сейчас зафиксирует Seed в их архитектуре интеллекта, а не в собственной. Это ставка, которую Чжан готов поддержать, принимая на себя потери в позиции модели, что некоторым другим китайским лабораториям может быть сложнее сделать.