Слух о RSI в Google: что спор о темпе ИИ говорит об AGI

ИИ, который поможет вам завершить сложный проект, будет полезен. ИИ, который помогает создать более способный ИИ, меняет скорость появления полезных инструментов. Эта вторая возможность объясняет, почему несколько загадочных сообщений о Google привлекли внимание как раз в тот момент, когда конкурирующие лидеры ИИ начали публично поддерживать более размеренный график разработки.

Два термина облегчают понимание истории. AGI, или общий искусственный интеллект, описывает ИИ с широкими возможностями: систему, которая может обучаться и выполнять множество различных интеллектуальных задач. RSI, или рекурсивное самосовершенствование, описывает процесс: ИИ способствует улучшению системы ИИ, и эти улучшения способствуют следующему этапу улучшения. Один из них касается диапазона возможностей системы; другой — о том, как прогресс возвращается сам в себя.

Эта статья прослеживает слух о Google до его первоначальных X-сообщений, отделяет общественное одобрение от фактического соглашения о замедлении разработки и исследует, что более быстрый цикл исследований может означать для повседневной жизни. Крайний срок отчетности — 14 сентября 2026 года. Моя точка зрения оптимистична: более совершенные инструменты могут сделать экспертные знания гораздо более доступными. Но будущее, которого стоит желать, включает в себя достаточно времени, чтобы проверить результаты, и достаточно полномочий, чтобы изменить курс.

Три различия, о которых следует помнить

• AGI, RSI и сверхинтеллект описывают разные вещи. «Нет» — это синоним того, что ИИ обладает сознанием.
• Общественная деятельность Google подтверждает утверждение о том, что ИИ помогает развивать ИИ. Циркулирующие X-посты не создают полностью автономный, устойчивый цикл улучшений.
• Несколько руководителей публично поддержали согласование темпа разработки и внешнюю оценку. Это существенно, но ещё не доказывает существование подписанного и исполняемого соглашения о замедлении всей отрасли.

AGI означает способность учиться и решать разные задачи

Специалист может быть выдающимся в одной задаче. Шахматная машина может победить чемпиона, не имея возможности объяснить условия аренды, спланировать исследовательский проект или изучить новый рабочий процесс в офисе. AGI относится к более широкой амбиции: системе искусственного интеллекта, которая может передавать полезные способности во многих видах интеллектуальной работы, включая незнакомые задачи. В повседневной жизни вопрос заключается в том, сможет ли он продолжать учиться быть полезным, когда задание меняется.

Не существует единой общепринятой финишной линии. В ноябре 2023 года исследователи DeepMind предложили оценить AGI по таким параметрам, как производительность, универсальность и автономность. В их структуре есть ценное различие: умение хорошо справляться со многими задачами и возможность действовать независимо — это отдельные свойства. Высокопроизводительную систему все равно можно развернуть с узкими разрешениями. Уровни AGI, впервые отправлены 4 ноября 2023 г..

Для новичка представьте себе гипотетического помощника, которого попросили помочь небольшой некоммерческой организации. Ему необходимо разобраться в незнакомой электронной таблице, составить заявку на финансирование, заметить противоречие в бюджете и изучить правила отчетности. Убедительная демонстрация продемонстрировала бы надежную работу всех этих изменений, включая понимание того, когда следует обратиться за помощью. Одно доработанное предложение о предоставлении гранта установит гораздо меньше, чем эта более широкая модель.

Именно поэтому эталонный балл не является универсальным сертификатом интеллекта. Эталонный тест сообщает нам что-то о конкретных задачах в определенных условиях. При этом могут не учитываться устойчивая надежность, незнакомая среда, практические затраты или способность восстанавливаться после ошибок. Когда кто-то объявляет о AGI, полезным будет следующий вопрос: какие способности, на каком уровне, для какого диапазона задач и с какой помощью?

ASI, или искусственный сверхинтеллект, обычно относится к способностям, существенно превосходящим человеческие, в широком спектре когнитивной деятельности. Это еще одна концепция, а не обязательная этикетка для каждой впечатляющей модели. Ни AGI, ни ASI автоматически не подразумевают осознанность, эмоции или человеческую внутреннюю жизнь. Эта статья о возможностях, процессах разработки и выборе, который люди делают вокруг них.

При RSI прогресс улучшает сам процесс дальнейшего развития

Обычное программное обеспечение улучшается, потому что люди находят проблемы, предлагают изменения, тестируют их и сохраняют те изменения, которые работают. ИИ уже может помочь на отдельных этапах. Он может предложить более быстрый алгоритм, создать тестовые примеры или помочь диагностировать неудачный эксперимент. RSI становится интересным, когда результаты этой работы позволяют системе лучше проводить следующий раунд улучшений.

Представьте исследовательскую мастерскую, которая совершенствует собственные инструменты. Более точный измерительный прибор помогает создать следующий прибор, а тот облегчает дальнейшее улучшение. Каждое удачное изменение расширяет возможности следующего эксперимента. Важно, чтобы улучшения были реальными, сохранялись и помогали будущим исследованиям, а не просто увеличивали объём деятельности.

Чат-бот, пересматривающий свой ответ пять раз, не обязательно улучшает свою базовую модель. Функция памяти может сохранять факты без обновления изученных параметров сети. Агент кодирования может совершенствовать свои собственные инструменты, в то время как лежащая в его основе модель остается неизменной. Это полезные механизмы, но сильная форма RSI предполагает последовательное улучшение возможностей создания более совершенных систем искусственного интеллекта. В более раннем руководстве по циклам непрерывного обучения и совершенствования рассматриваются эти более узкие механизмы.

Определение также объясняет, почему AGI и RSI не обязательно должны поступать в фиксированном порядке. Система могла бы помочь оптимизировать обучение ИИ, оставаясь при этом слабой при выполнении многих повседневных задач. И наоборот, ИИ с широкими возможностями может быть разработан посредством процесса, по-прежнему управляемого людьми. RSI мог бы ускорить путь к большей общности, но написание этих трех букв на диаграмме не доказывает, где этот путь заканчивается.

Оригинальная концептуальная схема. AGI и RSI — это разные измерения, а не гарантированная последовательность этапов. Он иллюстрирует приведенные выше определения, а не измеренные возможности конкретной модели.

Слух о Google восходит к двум публикациям

В статье AI Times от 14 сентября описан слух, распространяющийся в сообществе ИИ. Если проследить встроенный пост и ссылки последующих комментариев, обнаруживается небольшое число исходных публикаций. Это важно: сто перепубликаций могут выглядеть как сто подтверждений, хотя большинство повторяет одно первоначальное утверждение.

11 сентября на аккаунте Lyra, @lyraxana было опубликовано короткое поздравительное сообщение с тегом Google DeepMind. Необычным написанием заглавных букв были выделены буквы R, S и I. В сообщении не содержалось ни экспериментального метода, ни результатов работы, ни объяснения участия человека. Это было приглашение сделать какой-то вывод из аббревиатуры.

Позже в тот же день Чечевица, @Lentils80 процитировала сообщение Лиры и упомянула предполагаемую внутреннюю модель под названием rsi-model-liverl-le, а также десять пронумерованных тренировочных слотов. Соответствующий скриншот стал еще одним предметом спекуляций. Это претензии по поводу предполагаемого внутреннего листинга; Подлинность листинга и его связь с работающей системой не были независимо установлены в ходе этого расследования.

12 сентября Chubby, @kimmonismus усилил слух и дал ссылку на тот же пост Лиры. Это устанавливает путь циркуляции. Он не создает второго независимого источника для прорыва. Репутация учетной записи, связанная с предыдущими утечками, также не заменяет доказательств этого конкретного утверждения.

Даже подлинное внутреннее имя оставит без ответа центральные вопросы. Команда может назвать проект в честь своей цели, прежде чем достичь ее. Эксперимент может улучшить узкий компонент, но при этом все еще сильно зависеть от человеческого руководства. Прежде чем сделать более убедительный вывод, нам понадобятся измеренные результаты, четкие исходные данные и отчет о том, что было автоматизировано.

На дату проверки вывод ограничен: у слуха о RSI в Google есть прослеживаемые источники в X, но эти публикации не доказывают полностью автономное рекурсивное самоулучшение. Я не нашёл заявления Google, подтверждающего подлинность предполагаемого внутреннего списка или представляющего необходимые повторные независимые оценки. Это граница изученных публичных свидетельств, а не доказательство отсутствия неопубликованных достижений.

Опубликованные исследования Google говорят больше, чем утёкшее название

Есть причина, по которой слух нашел аудиторию. Google публично описал искусственный интеллект, способствующий его развитию. В своем объявлении Gemini 3.8 от 2 сентября 2026 года компания заявила, что длительные агентные циклы помогают рекурсивно оценивать и уточнять базовые модели. Это существенное и вполне обоснованное заявление о процессе его развития. В нем до сих пор не указана полностью автономная цепочка систем-преемников. Объявление Google Gemini 3.8.

Более ранний результат придает идее конкретный масштаб. В мае 2025 года Google DeepMind сообщил, что AlphaEvolve улучшил ключевое обучающее ядро Gemini на 23%, что способствовало сокращению общего времени обучения примерно на 1%. Агент кодирования использовал языковые модели, автоматизированную оценку и выбор для поиска лучших алгоритмов. Объявление AlphaEvolve, 14 мая 2025 г..

Разница между 23% и 1% весьма поучительна. Улучшение одного компонента не приводит к одинаковому улучшению всего цикла разработки. Другая работа по-прежнему требует времени. Тем не менее, даже небольшая экономия может иметь значение, если многократно применяться к дорогостоящему обучению, а полезная оптимизация может стать частью процесса создания следующей модели.

Это лучшее основание для оптимизма, чем догадки о том, что означает имя файла. Эта область может добиться значительного прогресса, прежде чем кто-либо продемонстрирует самую сильную версию RSI. Мы должны иметь возможность признать инженерное достижение, не превращая его в заявление о том, что ИИ стал независимым изобретателем всего своего будущего.

В отчете Anthropic от 4 июня 2026 о собственной разработке содержится аналогичное различие. В отчете сообщается о расширении участия ИИ в разработке и экспериментировании, при этом направление исследований и суждения остаются в качестве остающихся пробелов. Обсуждение полностью автономной разработки преемника носило явно условный характер. Это наблюдения компании о собственном рабочем процессе, а не независимое доказательство автономности RSI. Когда ИИ строит себя.

Амодеи, Альтман и Маск публично поддержали согласование темпа

12 сентября глава Anthropic Дарио Амодеи предложил сдерживать темп разработки передовых систем ИИ, чтобы работа над безопасностью успевала за ростом возможностей. План включает независимых оценщиков с постоянным внутренним доступом, координацию ведущих разработчиков в демократических странах и более широкое международное сотрудничество. Anthropic обязалась сделать первый шаг; более широкая координация оставалась целью, которую ещё предстояло реализовать. Сентябрьское эссе Амодеи.

Затем Сэм Альтман публично поддержал согласование темпа в X и заявил, что OpenAI тоже предоставит независимым оценщикам доступ, сопоставимый с доступом сотрудников. Илон Маск поддержал позицию Амодеи в коротком посте. Это проверяемые заявления о поддержке. Их следует передавать точно, не дописывая более подробное соглашение о совместных действиях, чем содержится в самих заявлениях.

Регулировать темп не означает прекращать все исследования ИИ. Амодеи предлагает выделять время на защитные меры и внешнюю оценку, продолжая развитие. Сложность в исполнении: что проверяется, кто получает доступ, кто вправе публиковать неблагоприятные выводы и что происходит, если компания не согласна с оценкой? От ответов зависит, изменит ли обещание реальные действия.

Я считаю, что конвергенция имеет значение, поскольку конкуренты публично признают наличие общей проблемы. Это не устраняет их конкурентных стимулов. Независимая оценка была бы ценна именно потому, что клиентам, правительствам и конкурирующим разработчикам не придется принимать гарантии только на основе репутации. Стандартом должно быть свидетельство достижения результатов, а не эмоциональная сила публичного заявления.

Существует также законное беспокойство по поводу того, как устроены такие механизмы. Дорогостоящие требования к соответствию могут оказаться выгодными для организаций, у которых уже есть большие бюджеты. Это повод требовать пропорциональных правил, подотчетных оценщиков и места для более мелких разработчиков. Это не является доказательством того, что заявленные опасения по поводу безопасности являются сфабрикованными или что слухи о Google стали причиной призывов к регулированию темпов.

Трамп поставил в центр обсуждения конкуренцию с Китаем

13 сентября Трамп заявил журналистам в Ирландии, что США должны сохранить преимущество перед Китаем в ИИ, и скептически отнёсся к призывам ограничить разработку. Он допустил некоторые защитные меры, но не назвал конкретных правил. Это было сопротивление замедлению гонки, а не вето на уже заключённое отраслевое соглашение. Associated Press, 13 сентября, публикация CityNews.

Стратегическая проблема понятна. Если одна группа принимает дорогостоящие ограничения, а конкурент нет, полученное преимущество может повлиять на экономическую мощь и мощь безопасности. Поэтому работоспособное международное соглашение нуждается в способе установления того, выполняют ли участники то, что они обещали. Заявить, что все должны сотрудничать, гораздо проще, чем разработать заслуживающую доверия проверку.

Но победа в гонке и контроль ее последствий — это отдельные достижения. Система, которая приводит к отказу, которого можно было бы избежать, не становится надежной, потому что она была построена внутри страны. Я считаю, что лидерство должно включать в себя способность тестировать, обеспечивать безопасность и управлять мощными системами, а также способность их обучать. Эти возможности могут укрепить устойчивое лидерство, а не просто задерживать прогресс.

Было бы ошибочно представлять общественные дебаты как безопасность, с одной стороны, и озабоченность по поводу Китая, с другой. В собственном предложении Амодеи обсуждается сохранение лидерства при поиске международной координации. Частично разногласия касаются средств: что лучше всего защищает лидерство: максимальная скорость разработки, более строгий общий надзор или комбинация, которую можно действительно проверить.

Улучшение исследовательского цикла может сократить время между открытиями

Интересная возможность заключается не просто в том, что следующий ассистент напишет лучшие ответы. Дело в том, что лучшие помощники сокращают работу, необходимую для создания следующего за ними поколения. Это поколение может затем снова улучшить исследовательский процесс. Если достижения передаются и сохраняются, прогресс может усугубляться, а не происходить в виде изолированных улучшений.

Осмысленный цикл выполняет несколько задач. Он выбирает полезную проблему, предлагает вмешательство, проводит эксперимент, оценивает результат и сохраняет улучшение только тогда, когда его подтверждают доказательства. Сохраненный результат затем помогает в следующем цикле. Ускорение формирования предложений полезно; гораздо более важным является ускорение всей последовательности при сохранении достоверности.

Представьте себе команду, которая может изучить десять надежных подходов за время, затраченное ранее на изучение одного. Некоторые дополнительные эксперименты потерпят неудачу, и это нормально. Выгода заключается в том, что вы заранее узнаете, какие подходы заслуживают большего количества ресурсов. Если система также станет лучше выбирать эксперименты, команда получит больше попыток и повысит вероятность того, что каждая попытка будет информативной.

Это условный сценарий, а не прогноз десятикратного прогресса. Исследования содержат зависимости: для одного эксперимента может потребоваться результат другого, а неожиданная неудача может потребовать нового метода измерения. Увеличение объема вычислений не гарантирует получения полезной информации. Важной величиной является скорость подтвержденного обучения, а не количество агентов, занятых одновременно.

Авторская схема механизма. Улучшения переходят в следующий цикл только после оценки. Независимые проверки остаются вне цикла. Это предлагаемая организация работы, а не утверждение, что какая-либо лаборатория уже завершила такую систему.

Если это станет надежным, график изменений может показаться другим. Инструменты могут улучшиться, пока организации все еще адаптируются к предыдущей версии. Команда может обнаружить, что проект, который она отложила как слишком дорогой, стал осуществимым, а затем обнаружить, что ее следующим узким местом является проверка или реализация. Ускорение будет восприниматься как изменение ограничений, а не только как анонс впечатляющих моделей.

Даже быстрое мышление зависит от физического мира

Простой мысленный эксперимент показывает, почему ускорение имеет пределы. Предположим, 80% исследовательского цикла можно выполнить в десять раз быстрее, а оставшиеся 20% оставить без изменений. Новый цикл занимает 28 % от первоначального времени, то есть улучшение примерно в 3,6 раза, а не в десять. Расчет: 0,8 разделить на 10 плюс 0,2. Это иллюстративные предположения, а не измерения лаборатории искусственного интеллекта.

Неизменная часть может удивительно быстро стать доминирующей частью. Это может быть ожидание оборудования, сбор репрезентативных данных, проверка свойства безопасности или воспроизведение результата. В биомедицинском проекте это может включать лабораторную работу и клинические данные; в энергетическом проекте это может включать материалы, строительство и подключение к сети. Лучшее рассуждение не приведет к исчезновению этих зависимостей.

Вот почему постоянно совершенствующаяся модель не может мгновенно создать постоянно улучшающийся мир. Открытие, производство, распространение и внедрение имеют разные графики. Некоторые узкие места можно устранить с помощью ИИ; другие требуют институтов, инвестиций и физического потенциала. Реалистичный оптимистический сценарий включает работу по всем из них.

Это также оставляет место для возможности того, что самая сильная форма RSI остановится. Достижения могут перестать передаваться, эксперименты могут стать более дорогими, или прогресс может зависеть от понимания, которое нынешние методы не могут найти. Даже в этом случае распространение уже полезных возможностей может иметь существенное значение. Нам не нужна бесконечная кривая ускорения, чтобы оправдать улучшение доступа к хорошим инструментам.

Ошибки тоже могут перейти в следующее поколение

Та же самая обратная связь, которая сохраняет улучшение, может сохранить ошибку. Предположим, исследовательский агент обнаруживает изменение, которое повышает его оценку за счет использования слабости теста. Если результат будет принят как подлинный прогресс, последующая работа может опираться на него. Система может лучше удовлетворять критериям измерения, но при этом становиться менее полезной за пределами этого измерения.

Это структурный риск, а не свидетельство того, что конкретная просочившаяся модель Google вела себя таким образом. Это объясняет, почему оценщику необходима защита от оцениваемой системы. Независимые тесты, отдельные разрешения и воспроизводимые записи затрудняют превращение ошибочного заявления об успехе в основу для следующего выпуска. Более быстрый цикл делает такое разделение более ценным.

Существует человеческая версия той же проблемы. Когда объем работы растет, люди могут начать одобрять изменения, которые они больше не понимают, потому что предыдущие изменения, казалось, работали. Кнопка одобрения человеком не является значимым надзором, если у рецензента нет времени, соответствующих доказательств или возможности остановить процесс. Дизайн должен сохранять реальную возможность не согласиться.

По этой причине я бы следил за соотношением между скоростью разработки и временем, доступным для ответа. Как быстро можно обнаружить проблему? Можно ли остановить затронутый процесс? Можно ли откатить релиз и обратимы ли его важные последствия? Ответы будут различаться в зависимости от помощника по написанию, исследовательской системы и программного обеспечения с доступом к критической инфраструктуре.

Предупреждение должно быть соразмерным. Это не предсказание о том, что каждый цикл улучшения станет опасным, или аргумент о том, что полезный ИИ должен быть недоступен. Это повод давать полномочия системам поэтапно и проверять последствия на каждом этапе. Чем быстрее развиваются возможности, тем меньше нам следует полагаться на неформальное доверие как на главный контроль.

В лучшем будущем экспертная помощь станет повседневной

Вот будущее, которое я хотел бы поддержать этим исследованием: полезные знания становится легче получать, в то время как люди сохраняют способность подвергать их сомнению. Небольшая организация должна иметь возможность изучить сложную проблему, не собирая предварительно большую команду специалистов. У студента должно быть терпеливое объяснение, которое можно адаптировать к тому моменту, когда понимание нарушилось. Исследователь должен тратить меньше времени на поиск инструментов для работы и больше на решение того, что стоит исследовать.

Это сценарии, а не обещания, связанные с датой запуска AGI. Их ценность заключается в снижении затрат на тщательную работу. Если больше людей смогут сравнивать варианты, проверять предположения и исследовать незнакомую область, могут начаться стоящие проекты, которые в противном случае остались бы незамеченными. Выгоды не обязательно должны зависеть от исключения людей из процесса.

В исследованиях в области здравоохранения обнадеживающим вкладом является более короткий путь от правдоподобной идеи до хорошо проверенного кандидата. Более совершенные системы могли бы объединять результаты разных специальностей, выявлять слабые предположения и помогать разрабатывать информативные эксперименты. Лабораторная и клиническая проверка все равно определит, поможет ли открытие пациентам. Более быстрое открытие ценно тогда, когда оно улучшает доказательства, достигающие этих стадий, а не тогда, когда оно заменяет стадии уверенной прозой.

В образовании возможности более личные. Представьте себе ученика, который может без смущения задать один и тот же вопрос тремя разными способами, а затем получить объяснение на понятном ему языке и в контексте. Учитель может использовать систему для изучения заблуждений и подготовки более эффективных упражнений. Желаемый результат — большее человеческое понимание, когда учителя и ученики смогут проверять и корректировать помощь.

Что касается программного обеспечения и государственных услуг, прогресс может сделать небрежное обслуживание доступным. Небольшие команды могут исследовать дефекты, улучшать доступность и модернизировать сложные системы, которым раньше не хватало инженерного внимания. В области климата и энергетики более совершенный поиск и моделирование могут помочь исследователям сравнить проекты, прежде чем приступать к дорогостоящим физическим испытаниям. Это пути от исследовательских возможностей к практической ценности, с различными ограничениями в каждой области.

Распределение этих выгод будет иметь такое же значение, как и их техническая возможность. Система, которая превосходна, но недоступна по цене, недоступна на языке сообщества или которую невозможно бросить вызов, может оставить позади многих людей. Исследования, представляющие общественный интерес, доступные интерфейсы, конкуренция и соответствующий доступ к полезным моделям являются частью оптимистической картины. Широкая выгода — это цель дизайна и политики, а не автоматическое свойство интеллекта.

Работа будет меняться по ходу дела, и достижения не сотрут трудные переходы. Некоторые задачи могут потребовать меньшего количества людей; другие обязанности могут стать более требовательными. Организациям следует инвестировать в способность людей использовать, оценивать и перенаправлять новые инструменты, а не рассматривать переподготовку как второстепенную мысль. Лучшее будущее дает людям больше возможностей во время этого перехода, а не просто обещает, что совокупные показатели улучшатся.

Оригинальная редакционная рамка. Доказательства, контроль и доступ являются условиями для описанных выше обнадеживающих сценариев; они не являются прогнозом или рейтингом стран и компаний.

Важен прогресс, который люди могут понять и направить

Когда появится следующее заявление RSI, спросите, что изменилось и какие доказательства выдержали проверку. Улучшился ли ответ, инструмент или возможности разработки будущих систем? Были ли результаты воспроизведены за пределами первоначальной оценки? Кто обеспечивал направление исследований, а что оставалось под контролем человека? Эти вопросы более информативны, чем обратный отсчет до смутно определенного прорыва.

Для команд, внедряющих ИИ сегодня, практическая подготовка столь же конкретна. Держите важные исходные материалы связанными с решениями. Отделите исследовательскую работу от действий с долгосрочными последствиями. Предоставьте рецензентам доказательства, которые они смогут изучить, и дайте возможность изменить неправильный выбор. Эти привычки полезны при сегодняшних возможностях и становятся более ценными, если цикл разработки ускоряется.

Слух Google в самой сильной форме не подтвержден. Более широкий сдвиг в сторону участия ИИ в исследованиях ИИ уже задокументирован. Мы можем серьезно отнестись к этому сдвигу, не притворяясь, что знаем дату или форму его конечной точки. Я предпочитаю меру успеха — насколько больше людей смогут понять, создать и улучшить, сохраняя при этом значимое право голоса в том, что произойдет дальше.

Источники и пределы этой проверки

Сообщения X были проверены по публичным ответам X на встраивание, включая ссылки, связывающие первоначальный слух и его усиление. Это проверяет опубликованные сообщения, а не подлинность предполагаемого внутреннего скриншота. Даты, прикрепленные к этим сообщениям, используют даты, отображаемые X; Даты местного календаря могут отличаться.

• Исходное сообщение Лиры — 11 сентября 2026 г.
• Цитируемое сообщение Чечевицы и предполагаемый список моделей — 11 сентября 2026 г.
• Усиление Чабби — 12 сентября 2026 г.
• Отчет AI Times — 14 сентября 2026 г.
• Уровни AGI — впервые отправлено 4 ноября 2023 г.
• Объявление Google DeepMind AlphaEvolve — 14 мая 2025 г.
• Объявление Google Gemini 3.8 — 2 сентября 2026 г.
• Отчет Anthropic о разработке с помощью ИИ — 4 июня 2026 г.
• Предложение Амодеи о согласовании темпа разработки — сентябрь 2026 года
• Ответ Альтмана — 12 сентября 2026 г.
• Ответ Маска — 12 сентября 2026 г.
• Ассошиэйтед Пресс о высказываниях Трампа — 13 сентября 2026 г.

---

Место, где сохраняются основания для решений

Telli.sh переносит заметки, записи, переводы и Clips в рабочее пространство, к которому вы можете вернуться. Если разговор или статья меняют ваш взгляд на ИИ, сохраняйте источник рядом с идеей и решением, которое он принял. Модели будут продолжать меняться; аргументация, которую вы предпочитаете сохранить, должна оставаться понятной.

Создайте рабочее пространство Telli.sh для знаний, которые вы хотите сохранить