aimodel

A internet está entrando silenciosamente em uma nova era, onde provar que você é humano pode se tornar mais valioso do que nunca.

Em 27 de fevereiro, o Wall Street Journal relatou que a Tools for Humanity TFH, a empresa cofundada pelo cofundador da OpenAI, Sam Altman, fez parceria com marcas globais como Gap, Visa e Tinder para acelerar a adoção de seu sistema de verificação World ID.

O World ID foi projetado para resolver um problema crescente na era da IA: como provamos que alguém online é um humano real e não um bot.

No centro deste sistema está o dispositivo Orb. Ele escaneia o rosto e a íris de uma pessoa e, em seguida, converte esses dados em um código numérico anônimo criptografado. De acordo com a TFH, os dados biométricos em si não são armazenados pela empresa, mas permanecem no dispositivo pessoal do usuário, adicionando uma camada de privacidade ao processo.

#BlockAILayoffs.
Data; 28/02/2026

Em um movimento repentino e dramático, o Block AI — o braço de IA do Block (anteriormente Square) — iniciou demissões em larga escala, abalando desenvolvedores de IA, engenheiros de blockchain e inovadores do Web3. 💼✂️
Isso não é apenas mais uma empresa de tecnologia cortando pessoal — é um choque sísmico no cenário de IA-cripto. As notícias estão se espalhando rapidamente, e os mercados estão reagindo. 📉📊
🧠 O que está acontecendo?
O Block AI confirmou uma redução significativa na força de trabalho afetando equipes focadas em: 🔥 pesquisa de IA para sistemas descentralizados

The evolution of Web3 depends on strong infrastructure, and @FabricFoundation is building exactly that foundation for the future. With the introduction of $ROBO, we are seeing how automation and decentralized systems can work together to create smarter digital ecosystems.
$ROBO empowers communities by supporting AI-driven processes that enhance efficiency, transparency, and scalability. Fabric Foundation’s approach focuses on long-term sustainability, enabling developers to build powerful decentralized applications with real-world impact.
In a rapidly changing blockchain landscape, projects like $ROBO stand out because they combine innovation with practical utility. The synergy between automation and decentralization is the next big step for Web3 growth.
#ROBO #FabricFoundation #Web3 #Blockchain #AImodel

Anthropic поглотила стартап Vercept, специализирующийся на компьютерном зрении и восприятии интерфейсов, — и это не просто очередная сделка по покупке команды умных ребят. Это заявка на то, чтобы превратить Claude из разговорчивого текстового ассистента в полноценного цифрового работника, способного самостоятельно нажимать кнопки, заполнять формы и ориентироваться в корпоративном программном хаосе без постоянного надзора человека.
До сих пор работа Claude с компьютером выглядела примерно так: модель смотрит на снимок экрана, пытается угадать назначение того или иного элемента и делает следующий шаг. Работает — когда все чисто и предсказуемо. Но реальный корпоративный софт — это не лабораторный стенд. Там всплывающие окна появляются в самый неподходящий момент, панели управления меняются прямо в процессе работы, а разные поставщики программного обеспечения, кажется, соревнуются, чей интерфейс запутает пользователя сильнее. Подход «смотри на снимок экрана и молись» буксовал именно здесь — медленно, затратно и ненадежно.
Основатели Vercept — Киана Эхсани (Kiana Ehsani), Лука Вайс (Luca Weihs) и Росс Гиршик (Ross Girshick) — годами занимались тем, чего Anthropic не хватало: способностью отслеживать состояние приложения во времени, а не воспринимать каждый экран как задачу с нуля. Человек инстинктивно понимает, что программа загружается, процесс завис или появившееся окно изменило контекст. Большинство AI-агентов этого не умеют. В Vercept — умели.
Это уже вторая показательная покупка Anthropic за короткое время — до этого компания приобрела Bun, инструмент для запуска AI-агентов в рабочих бизнес-системах. Картина складывается: Anthropic методично собирает все необходимые компоненты, чтобы Claude перестал быть просто чат-ботом и превратился в платформу для самостоятельного выполнения задач. OpenAI строит систему Operator, Google демонстрирует агентов, способных одновременно видеть, слышать и действовать в рамках проекта Project Astra — гонка автономных AI-агентов идет полным ходом, и контроль над уровнем восприятия интерфейсов становится стратегическим активом.
Экономическая логика сделки прозрачна: большинство корпоративных систем не имеют полноценных программных интерфейсов для внешнего управления, а те, что есть, открывают лишь часть функциональности. Универсальным способом взаимодействия с программой по-прежнему остается сам экранный интерфейс — тот, через который работает человек. AI, способный нативно его понимать, делает ненужной дорогостоящую разработку индивидуальных интеграций под каждую систему. Vercept — именно тот кирпич, которого не хватало в этой конструкции.
Мнение AI
С точки зрения экономики автоматизации, сделка с Vercept обнажает любопытное противоречие. Расширение возможностей агента логично звучит как путь к снижению его стоимости — больше умеет, меньше ошибается, быстрее справляется. Но на практике все сложнее: чем сложнее задача, тем больше вычислительных ресурсов она потребляет. Уже сейчас использование Claude-агента обходится бизнесу в сумму, сопоставимую с зарплатой штатного сотрудника — при том что агент работает на 10–20% от своих возможностей. Технология восприятия интерфейсов сделает агентов значительно мощнее — но сделает ли она их дешевле?
Ответ на этот вопрос определит, станут ли автономные AI-работники массовым явлением или останутся инструментом для крупных корпораций с бюджетами на эксперименты.
#AImodel #AI #Anthropic #Write2Earn
$GOOGLon

Данные — это кровеносная система физического AI. Без них автономный автомобиль, дрон или боевой робот не сделают и шага. Но собирать эти данные в реальном мире — занятие дорогостоящее, долгое и физически опасное. Стартап DiffuseDrive предлагает иной путь: генерировать реалистичные синтетические данные с помощью диффузионных моделей — и делать это в промышленных масштабах.
Цена реального опыта
Компания Waymo, прежде чем запустить полноценный сервис беспилотного такси в Сан-Франциско в 2024 году, собирала данные на дорогах Калифорнии 15 лет — начиная с 2010-го, когда ее материнская структура Google впервые выехала на тест. За это время накопилось около 20 млн миль реальных поездок. Стоимость такого проекта приближается к миллиарду долларов. Именно этот барьер делает рынок автономного вождения практически закрытым для новичков.
Аналогичная проблема стоит перед разработчиками физического AI в строительстве, сельском хозяйстве, горнодобывающей отрасли, на железных дорогах, в морской и авиационной сфере. Везде нужны данные: разнообразные, охватывающие редкие и критические сценарии — те самые «длинные хвосты» распределения, на которых системы чаще всего и ошибаются.
Синтетика против реальности
Калифорнийский стартап DiffuseDrive (DD) основан в 2023 году выходцами из Bosch — генеральным директором Балинтом Пастором (Bálint Pásztor) и техническим директором Роландом Пинтером (Roland Pintér). В 2024–2025 годах компания привлекла $5 млн: $4 млн в рамках посевного раунда от Outlander, Presto Tech Horizons и NeuronVC, а также более ранние инвестиции от E2VC. В штате — 12 человек, четверо из которых работают в США, восемь — в Европе.
Компания направлена на рынок синтетических визуальных данных, который сейчас оценивается примерно в $425 млн, а к 2030 году, по прогнозам аналитиков, вырастет до $2 млрд.
Суть подхода DD — взять реальные данные заказчика (видео и изображения с камер, уже размеченные), провести их статистический анализ и на этой основе сгенерировать тысячи и миллионы синтетических сцен, которые никогда не встречались в реальном мире, но статистически достоверны.
Как это работает
Процесс начинается с анализа данных клиента по нескольким направлениям:
Анализ размеров ограничивающих рамок — определяет, насколько хорошо в данных представлены близкие и далекие объекты.Анализ распределения центральных точек — выявляет, достаточно ли представлены объекты на краях кадра.Кластеризация и покрытие пространства признаков — показывает, где данных в избытке, а где — белые пятна.Матрица совместной встречаемости — измеряет, как часто разные классы объектов появляются в одном кадре, что помогает обнаружить редкие и критически важные комбинации.

После того как пробелы выявлены, в дело вступают диффузионные модели. Эта технология, лежащая в основе современных генеративных систем, работает так: в исходные изображения постепенно вносится случайный шум, а затем он методично устраняется — и на выходе получается новое высококачественное синтетическое изображение. Большие языковые модели (LLM) выступают в роли «режиссеров»: они переводят пользовательские запросы в структурированные текстовые описания, которые направляют диффузионную модель к нужному результату.
Клиент может задать диапазоны параметров среды — рельеф, погода, освещение, время суток, — указать типы объектов и их взаимодействие, а также запросить редкие конфигурации: например, тигра на шоссе или проливной дождь, при котором камеры едва функционируют. Все сгенерированные данные размечаются автоматически — на основе параметров, заданных при описании сценария.
Тест на реальных данных
Чтобы доказать ценность своего подхода, DD провела эксперимент на подмножестве открытого датасета DOTA, широко используемого в компьютерном зрении. Из него были извлечены 2 961 реальное изображение с воздушными судами: 93% — самолеты, 7% — вертолеты.
При обучении нейросети только на реальных данных с таким классовым дисбалансом распознавание вертолетов оказалось неудовлетворительным. Добавление синтетических изображений от DD для балансировки классов резко улучшило показатели распознавания вертолетов. При объединении всех реальных и синтетических данных качество распознавания существенно выросло по обоим классам.
Кто уже работает с DD
Среди клиентов стартапа — крупный мировой поставщик автокомплектующих и американский оборонный подрядчик, хотя их названия пока не раскрываются.
Автопроизводитель использует синтетические данные DD для обучения систем ADAS (систем помощи водителю) и автономного вождения. Отдельный бонус: синтетические данные по умолчанию соответствуют европейскому регламенту GDPR о защите персональных данных — в отличие от реальных съемок, которые требуют ручного удаления номерных знаков и геолокационной информации.
Оборонный подрядчик, с которым DD начала сотрудничество в четвертом квартале 2025 года, занимается обработкой сенсорных и GPS-данных с военных платформ — наземных, воздушных и морских. Задача — строить карты восприятия, распознавать угрозы и координировать автономное движение активов в условиях радиопомех и противодействия противника. Для этого DD анализирует спутниковые снимки зон конфликтов и генерирует на их основе синтетические обучающие сценарии с иерархической разметкой объектов: самолеты, вертолеты, танки, корабли — с детальной классификацией внутри каждой группы.
Физический AI упирается в данные — и это узкое место тормозит всю отрасль. DiffuseDrive предлагает способ его расшить: генерировать синтетические данные с автоматической разметкой, масштабируемо и без колоссальных затрат на полевые испытания. Компания работает сразу в нескольких секторах — от гражданской автоматики до военных применений, — что дает ей возможность накапливать кросс-отраслевую экспертизу и снижать зависимость от успеха в какой-либо одной нише.
Мнение AI
С точки зрения машинного анализа данных, история технологических переходов показывает любопытную закономерность: каждый раз, когда стоимость производства ключевого ресурса резко падает, рынок не просто растет — он структурно меняется. Синтетические данные сейчас находятся примерно там, где облачные вычисления были в 2008–2010 годах: нишевый инструмент для избранных стремительно превращается в базовую инфраструктуру. Но есть нюанс, который статья не затрагивает: проблема ’distribution shift‘ — расхождения между синтетическим распределением данных и реальным миром. Нейросеть, обученная на идеально сбалансированной синтетике, может деградировать при столкновении с хаосом реальности именно там, где ее никто не тестировал.
#AI #AImodel #BinanceSquare #Write2Earn
$NVDAon

Empresas que criam a inteligência artificial (IA) mais poderosa do mundo tornaram-se ao mesmo tempo os principais lobistas, definindo as regras para sua regulamentação. A OpenAI e a Anthropic, em 2025, gastaram mais em lobby federal do que em todos os anos anteriores de seu trabalho - e isso está longe de ser uma coincidência.

AI-агент para trading Lobstar Wilde acidentalmente enviou tokens a um desconhecido no valor de $441 780 — depois que, aparentemente, confundiu a vírgula com o ponto na representação decimal do número.
O bot de trading baseado na blockchain Solana foi criado por Nik Pash, um funcionário da OpenAI, que trabalha no aplicativo 'Codex' para desenvolvimento de programas agentes. Na sexta-feira, Pash lançou Lobstar Wilde com o objetivo de transformar $50 000 em tokens Solana em $1 milhão através de cripto trading. Para documentar essa jornada, ele até criou uma conta separada na rede social X.

O alto custo dos agentes de IA levanta dúvidas sobre a viabilidade econômica de seu uso em vez de funcionários humanos — essa foi a conclusão de vários investidores tecnológicos conhecidos.
O investidor Jason Calacanis disse no podcast All-In que gasta diariamente $300 em um agente de IA da Anthropic Claude para as necessidades de seu negócio. No entanto, o bot opera apenas em 10–20% de suas capacidades potenciais — ou seja, os gastos anuais totalizam cerca de $110.000 com um retorno bastante modesto. "Quando os tokens superarão o custo do salário de um funcionário?" — questionou Calacanis, referindo-se às unidades pagas de acesso que precisam ser adquiridas para trabalhar com a maioria dos modelos de IA.