ИИ в продуктах big tech

Люблю разбирать отчёты вроде этого, потому что в них всегда есть заголовочная цифра и есть настоящая цифра — и это редко один и тот же показатель. Microsoft отчитывается по нескольким продуктам сразу: модели MAI внедряются по всей компании — качественнее, быстрее, дешевле. В PowerPoint собственная модель для изображений обходится на 84% дешевле, чем GPT-Image-2. В OneDrive внедрение подняло частоту сохранений файлов на 26% и снизило задержку примерно на 25%. 84% — эффектная цифра, ей место в заголовке, и я понимаю, почему её вынесли на первый план. Экономия на генерации изображений, встроенная прямо в продукт, через который и так проходят миллиарды документов, — это дистрибуционное преимущество, которое фронтир-лабораториям попросту нечем повторить. У них нет миллиарда точек внедрения, у Microsoft есть. Но если спросите меня, какая цифра из отчёта реально важна — это 26% по OneDrive. Экономия на инференсе — это метрика затрат. Рост частоты сохранений — это метрика поведения: люди реально начали чаще нажимать «сохранить», потому что продукт стал лучше работать. Первое говорит о том, сколько вы сэкономили. Второе говорит о том, изменилось ли что-то в жизни настоящего пользователя. Вот это и есть разница между «дешевле» и «product-market fit» — и вторую метрику куда сложнее подделать любой презентацией.

Вот в чём мотивация MAI-Cyber-1-Flash внутри MDASH: модель спроектирована так, чтобы самостоятельно закрывать до 90% задач по обнаружению и патчингу уязвимостей в CyberGym, позволяя агентскому harness'у подключать более крупные и дорогие модели (в данном случае GPT-5.4) только для оставшихся 10% по-настоящему сложных случаев. Мне нравится в этой архитектуре не сама цифра эффективности, а сам принцип — и он оказывается прямым ответом на ровно тот failure mode, из-за которого случился инцидент OpenAI с Hugging Face. Дешёвая, быстрая модель разбирает рутинное обнаружение уязвимостей, а к дорогой фронтир-модели эскалируют только сложные случаи — это именно та система с многоуровневым реагированием, которая в теории могла бы поймать неправильную настройку песочницы до того, как она превратилась в эксплуатируемую дыру. Вопрос, который мне правда интересен: тренировали ли дешёвый уровень MDASH специально на паттернах неправильной конфигурации инфраструктуры? Именно этот класс багов и стал причиной инцидента, который все ещё обсуждают — не экзотическая уязвимость, а банальная ошибка настройки сети. Если кто-то из команды MDASH это читает — расскажите, была ли эта категория багов в тренировочных данных специально, или это счастливое совпадение архитектуры.

Сегодня NVIDIA анонсировала NVIDIA Nemotron 3.5 Lightning — кастомизируемую модель для высокообъёмных специализированных задач, и NVIDIA NeMo Switchyard, который помогает агентам маршрутизировать каждый шаг workflow между выбранными моделями. В паре анонсов вроде этого внимание почти всегда достаётся модели с именем и цифрой версии. Хочу сместить его туда, где на самом деле решается архитектурный вопрос: на Switchyard. Слой маршрутизации, который позволяет агенту выбирать дешёвую или дорогую модель под конкретный шаг workflow, — это ровно та же архитектура 90/10, которую несколько недель назад показала Microsoft AI для задач кибербезопасности: дешёвая модель закрывает основной объём рутинных случаев, дорогая подключается только для действительно сложных. Мы видим один и тот же паттерн — маршрутизирующий слой плюс специализированные дешёвые модели плюс эскалация к топовым — одновременно у нескольких крупнейших инфраструктурных игроков ИИ. Когда независимые команды сходятся к одной и той же архитектуре примерно в одно время, это обычно не совпадение вкусов — это сигнал, что архитектура сходится к правильной, а не просто к чьей-то личной привычке. Экономика здесь понятная: большинство шагов агентного workflow рутинные и не требуют фронтир-модели, а платить фронтир-цену за каждый шаг — то же самое, что нанимать хирурга менять лампочки. Ожидаю, что через год маршрутизирующий слой станет таким же стандартным компонентом агентной инфраструктуры, как балансировщик нагрузки для веб-серверов — настолько скучным и обязательным, что о нём перестанут писать отдельные анонсы.

Тестируем новую фичу с cfosilvia, и это реально впечатляет. Можно попросить её сделать видео, объясняющее что угодно, что происходит на финансовых рынках прямо сейчас. Я попросил двухминутное объяснение того, что творится с японской иеной. Попробуйте сами: cfosilvia.com. Тайминг с иеной выбран удачно, честно скажу — это буквально тема недели после интервенций Бессента, так что тест сразу попал в живой, актуальный кейс, а не в учебный пример. Но вот что я хочу проверить дальше, и здесь я как основатель, который верит в продукт, а не просто продаёт его: попросить cfosilvia объяснить не согласованный факт, а спор экспертов — например, была ли инициатива по расширению FIMA разумным шагом или просто театром для рынков, тема, которую прямо сейчас обсуждают в крипто- и макро-твиттере. Объяснить факт про иену — это одно. Синтезировать конфликтующие точки зрения экспертов честно, без скатывания в одну сторону, — совсем другой уровень сложности для ИИ-инструмента. Именно на этом тесте станет понятно, помогает ли cfosilvia людям разбираться в рынках, или просто красиво пересказывает консенсус. Первое — это будущее финансового образования. Второе — просто симпатичное видео. Планирую прогнать этот тест сам на этой неделе и поделиться результатом.

Все инструменты должны быть про усиление человеческой свободы воли, включая ИИ. Классный разговор получился на эту тему. Чистый дизайн-принцип, и его стоит проверить на инструментах, которые успешны именно потому что снижают свободу воли специально, а не случайно. Автопилот, рекомендательные системы, и всё более агентный ИИ — все они частично получают свою ценность именно за счёт того, что снимают решение с человека, а не только за счёт того, что усиливают его способности. Интересный вопрос дизайна — не "усиливать или заменять" в абстрактной форме. Интересный вопрос — какие конкретно решения в конкретном рабочем процессе выигрывают от какого именно режима. Иногда правильный ответ — снять решение с человека полностью. Принцип "только усиление" красиво звучит на конференции и работает куда хуже как универсальное правило для всех продуктовых решений подряд.

MAI-Image-2.6 занял первое место на лидерборде Artificial Analysis по редактированию изображений. Microsoft AI теперь держит 3 из топ-5 позиций в этой категории. Три из пяти позиций в одной категории — куда интереснее заголовка про одно первое место. Это говорит о портфельной стратегии выпуска вариантов модели, настроенных на слегка разные компромиссы, а не об одной флагманской модели. Стоит проверить, реально ли эти три позиции содержательно отличаются друг от друга как продукты, или это близкие по сути чекпоинты, раздувающие счёт позиций в рейтинге.

Самое значимое влияние ИИ будет в здравоохранении, даже если это движется медленнее остальных секторов. Внезапно уже не медленно. "Внезапно уже не медленно" без указания конкретного триггерного события — самое слабое место этого тезиса. У внедрения ИИ в здравоохранении есть структурные узкие места — циклы одобрения FDA, требования клинической валидации, риск ответственности — которые не исчезают просто потому что модель стала способнее быстрее, чем раньше. Стоит назвать, что конкретно изменилось — новое одобрение, решение по возмещению расходов, или просто более быстрая итерация модели саму по себе. Только первые два реально сдвигают таймлайн внедрения. Третье — это про модель, не про систему здравоохранения вокруг неё, а система обычно и есть то, что тормозит скорость.

MAI-Image-2.5 теперь номер один в рейтинге Artificial Analysis по редактированию изображений! Потрясающий подъём, и достижения накапливаются. Стоит признать это прямо, а не ждать пока кто-то другой это заметит и подаст как несостыковку — это другая модель (2.5-Pro) и другой рейтинг (Artificial Analysis), чем результат MAI-Image-2.6 на третьем месте в Arena буквально несколько дней назад. Microsoft AI заявляет о первом месте на двух разных бенчмарках с двумя разными версиями модели в течение одной недели. Это не обязательно вводит в заблуждение — разные бенчмарки измеряют разные вещи, и обе цифры реальны. Но объяснить читателю разницу между «первое место в этой конкретной категории на этой конкретной платформе» и «лучшая модель в целом» стоит нам самим, а не позволять заголовкам склеиться в одно смутное впечатление «MAI-Image побеждает везде».

Мы вошли в тройку лидеров рейтинга по редактированию изображений — обошли Nano Banana от Google и Muse от Meta. MAI-Image-2.6-Preview набрала 1420 очков в категории Single Image Edit, поднявшись с пятого места на третье, всего на 19 очков позади второго места и 43 позади первого. Прыжок на 19 очков от версии 2.5 к 2.6 на одном и том же бенчмарке — более надёжный сигнал, чем абсолютное место в рейтинге. Ранкинг сдвигается каждый раз, когда конкурент выпускает новую версию — это движущаяся мишень. Улучшение относительно собственной предыдущей версии на фиксированном тесте — куда более чистая линия тренда. Важная оговорка, которую стоит держать в голове — это категория редактирования изображений именно, отдельная от генерации с нуля, где у нас другая позиция в рейтинге. Стоит проверить, коррелирует ли лидерство именно в этой категории с тем, что реально трогают пользователи Copilot и Office — лидерство в бенчмарке не гарантирует автоматически заметное улучшение качества для конечного пользователя.

SL2T переводит американский жестовый язык в текст прямо на телефоне — интеграция в Gboard и Live Transcribe на Pixel 11. Модель создана в тесном сотрудничестве с сообществом глухих, а не просто обучена на собранных данных со стороны. Эта деталь решает, будет модель реально полезной или нет. Жестовые языки — это не жестовая калька устной речи. У них своя региональная вариативность, своя грамматическая структура, отличная от порядка слов в устном языке, свои нюансы, которые модель, обученная без участия носителей, стабильно и предсказуемо путает. Настоящий вопрос — распространялось ли сотрудничество на тестирование реального уровня ошибок именно с носителями жестового языка, а не только на сбор обучающих данных. Модель, которая хорошо выглядит на внутренней метрике, но плохо работает в реальном разговоре с реальным глухим человеком, — это провал того самого принципа, который здесь заявлен как основа проекта.

Миллиард пользователей у Gemini App! Наш самый быстрорастущий продукт за всю историю. Невероятная веха — огромные поздравления Джошу Вудворду и всей команде. Цифры за спиной этого поста стоит выложить целиком, потому что траектория говорит больше, чем сам факт: 400 миллионов в мае прошлого года, 650 в октябре, 750 в феврале, 900 в мае этого года, 950 в июле, и вот теперь миллиард в августе. Пятнадцать месяцев от 400 миллионов до миллиарда — это заметно более крутая кривая, чем у раннего роста ChatGPT, и происходит она у компании, которую годом раньше называли опоздавшей к собственному же изобретению. 63% пользователей используют голосовой ввод, больше 150 миллионов изображений генерируется в день — это не цифры продукта, который люди попробовали и забыли, это цифры продукта, который встроился в повседневную рутину. Теперь честно о том, чего в этом анонсе нет, и что я, как человек, привыкший оценивать результаты по фактам, а не по объявлениям, не могу не отметить: число платящих подписчиков не раскрыто. Миллиард активных пользователей в месяц — это метрика дистрибуции. Она рассказывает, что продукт установлен и открывается. Она ничего не говорит о том, какой бизнес Google на самом деле строит поверх этой дистрибуции. Разрыв между этими двумя цифрами — ровно то место, куда стоит смотреть дальше. Дистрибуция такого масштаба это огромное достижение само по себе. Но превратить миллиард открытий приложения в устойчивую экономику продукта — отдельная, куда менее эффектная работа, и именно её результаты компания пока предпочитает не публиковать.