Anthropic показывает путь Claude к recursive self-improvement

Anthropic опубликовала материал о том, как AI всё глубже участвует в разработке самого AI. Инженеры компании теперь выпускают в восемь раз больше кода за квартал, чем до 2025 года.

Важна не сама цифра, а направление. Claude помогает писать инфраструктуру, проводить исследования и ускорять эксперименты. Это создаёт петлю: AI улучшает процессы разработки, а улучшенные процессы быстрее создают новый AI.

Одновременно Anthropic призывает обсуждать координированное замедление frontier-разработки. В этом и состоит главный конфликт отрасли: отдельная лаборатория не может просто остановиться, пока конкуренты продолжают ускоряться.

Память ChatGPT начинает запоминать не факты, а поведенческие паттерны

OpenAI развивает память ChatGPT в сторону фонового анализа истории диалогов. Система Dreaming v3 должна не только хранить прямые команды вроде «запомни это», но и замечать устойчивые предпочтения, рабочие привычки и повторяющиеся контексты.

Это меняет интерфейс AI. Вместо одинакового чата для каждого пользователя появляется персональная рабочая среда, которая со временем понимает формат ответов, проекты, приоритеты и ограничения.

Но ценность такой памяти напрямую зависит от прозрачности. Пользователь должен видеть, что сохранено, уметь это исправить и отключать чувствительные темы. Без этого персонализация быстро превращается в потерю контроля над контекстом.

Как обучить небольшую open-source модель писать в нужном стиле

Доступный сценарий fine-tuning выглядит так: собрать качественный корпус, очистить его, разбить на короткие примеры и обучить LoRA-адаптер для небольшой модели вроде Qwen 2.5 7B.

Мини-пайплайн стилевой модели:
1. Собрать легальный корпус текстов нужного стиля.
2. Удалить мусор, индексы и техническую разметку.
3. Разбить текст на цельные примеры до 512 токенов.
4. Подготовить JSONL с инструкциями и ответами.
5. Обучить QLoRA-адаптер на облачной GPU.
6. Сравнить результат с базовой моделью.
7. Запустить адаптер локально через Ollama.

Для бизнеса это способ получить узкую модель для документации, ответов поддержки, карточек товаров или внутренней базы знаний. Но качество корпуса важнее количества: плохие и противоречивые тексты модель тоже выучит.

США и Япония объединяют лаборатории, compute и $1 млрд на AI-исследования

США и Япония запустили совместную исследовательскую программу: каждая сторона планирует вложить по $500 млн за пять лет. Партнёрство охватывает AI, квантовые вычисления, fusion и полупроводники.

Главный дефицит AI-гонки — уже не идеи, а вычисления, энергия, чипы и доступ к сильным лабораториям. Поэтому следующая фаза конкуренции будет идти не только между компаниями, но и между коалициями стран.

Для рынка это сигнал: инфраструктурные решения, оптимизация inference, локальные модели и экономное использование GPU будут цениться не меньше, чем новые чат-интерфейсы.