Новости · · 9 мин
Период: 13 сентября — утро 14 сентября.
Сегодняшняя линия: конкуренция всё сильнее идёт не за «лучшую LLM», а за весь производственный контур — литографию, дешёвый inference, harness, проверку действий, инженерные skills и каналы распространения open models.
Что произошло. Reuters сегодня сообщает, что нынешние EUV-машины ASML стоимостью около $200 млн практически распроданы до конца 2027 года, а крупнейшие производители начали давать множественные commitments на High-NA EUV стоимостью примерно $400 млн за систему. High-NA позволяет печатать элементы примерно на 40% меньше, чем нынешний EUV.
Intel уже обработала на High-NA более 1 млн пластин, включая отдельные слои серийных Panther Lake. Samsung собирается применять High-NA в массовом производстве DRAM с 2028 года, TSMC — в advanced-node production с 2030-го.
Почему это важно. Ограничение AI-compute находится далеко выше по supply chain, чем Nvidia GPU:
литография → logic/HBM → accelerators → clusters → модели → inference.
Особенно важно распространение High-NA на DRAM: дальнейшее масштабирование AI требует не только вычислительных кристаллов, но и всё более плотной и быстрой памяти.
Что показали данные. Это production/manufacturing evidence, а не AI benchmark. Intel говорит, что throughput, availability и overlay уже соответствуют её ожиданиям; отдельные High-NA слои Intel 18A дают не хуже результатов, чем эквивалентные слои на обычном EUV.
Что нужно уже понимать: EUV, High-NA, photomask, HBM/DRAM, process node.
Что это может изменить. Для обычной команды — пока наблюдать. Для бизнеса с крупным compute demand важно понимать: снижение стоимости AI зависит не только от моделей и GPU, но и от многолетнего расширения всей semiconductor supply chain.
Дата: существенное отраслевое обновление — 14 сентября. Первоисточники: ASML + Intel, ASML + TSMC. Дополнительный источник: Reuters.
deepseek-v4-pro endpointЭто продолжение ранее освещённой истории; сегодня наступила дата фактического переключения.
По официальному графику DeepSeek, с 04:00 UTC 14 сентября все вызовы deepseek-v4-pro маршрутизируются на V4.1 Flash и тарифицируются по Flash-цене до выхода V4.1 Pro.
Почему это важно. Endpoint остался прежним, underlying model — нет. Это хороший пример скрытого model dependency: приложение может не изменить ни строчки кода, но получить другое reasoning behavior, latency и failure profile.
DeepSeek аргументирует переключение тем, что V4.1 Flash превосходит V4 Pro на agent-oriented workloads и требует в четыре раза меньше HBM и в восемь раз меньше SSD для KV-cache относительно предыдущего поколения. Это vendor evidence, уже разобранное в предыдущем выпуске.
Что нужно уже понимать: model routing, regression testing, KV-cache, endpoint compatibility.
Что это может изменить. Если production использует deepseek-v4-pro, сегодня стоит проверить собственные evals. API compatibility не означает behavioral compatibility.
Дата: 14 сентября, 04:00 UTC. Первоисточник: DeepSeek — V4.1 Flash
Что произошло. Shanghai AI Laboratory вечером 13 сентября объявила о полном открытии full-stack service своей платформы научных агентов «书生·端砚», описывая архитектуру как сочетание «вычислить — доказать — проверить».
Сама платформа была представлена раньше. Её архитектура соединяет scientific foundation models, специализированных агентов, экспериментальные данные и автоматизированное лабораторное оборудование, замыкая цикл от гипотезы до физической проверки.
Почему это важно. Здесь хорошо виден более общий agent pattern:
LLM строит гипотезу
→ ищется evidence
→ результат проверяется внешней системой
→ при возможности проводится реальный эксперимент.
Для AI for Science это буквальный лабораторный цикл. Для enterprise agents аналогом могут быть compiler, database, API, simulator, policy engine или другой источник ground truth.
Что показали данные. В новом announcement нет нового независимого benchmark, позволяющего количественно оценить прирост качества именно от full-stack architecture. Поэтому это значимый architectural deployment, но не доказательство превосходства системы.
Что нужно уже понимать: AI for Science, agent harness, external verification, provenance, closed-loop experimentation.
Что это может изменить. Полезный архитектурный ориентир для long-horizon agents: не заставлять одну LLM одновременно придумывать решение, оценивать собственное решение и объявлять его правильным.
Дата: 13 сентября, 23:19 по китайскому времени.
Что произошло. OpenAI сегодня опубликовала кейс Perplexity. Компания использует Astra не только для генерации кода: модель пишет коммуникации, изменяет software и мониторит production systems. Для тестирования Astra сама строит небольшой simulation harness вокруг приложения, генерируя ответы внешних API и connectors, а затем проверяет workflow end-to-end.
Почему это важно. Coding agent постепенно переходит границу:
написать diff
→ проверить систему
→ работать с production system.
Это резко повышает ценность способности модели строить собственные test doubles и verification environment, но одновременно увеличивает blast radius ошибки.
Что показали данные. Perplexity говорит, что теперь проверяет работу агента «намного реже», чем с предыдущими поколениями моделей. Но OpenAI не публикует intervention rate, defect rate, rollback frequency или controlled comparison. Поэтому это vendor-sponsored production anecdote, а не доказанный productivity benchmark.
Что нужно уже понимать: end-to-end testing, test double, production access, human supervision, rollback.
Что это может изменить. Если coding agents получают production authority, измерять нужно минимум human interventions, escaped defects, rollback rate и mean time to recovery — не только скорость написания кода.
Дата: 14 сентября. Первоисточник: OpenAI — Perplexity trusts GPT‑6 Astra with end-to-end systems
Что произошло. Китайская Z.AI/Zhipu завершила привлечение примерно $5 млрд: около $2 млрд размещением акций и $3 млрд через convertible bonds.
Особенно важен use of proceeds: компания заявила, что около 60% чистых поступлений направит на R&D следующего поколения моделей и собственную fully self-training system, ещё 15% — на расширение бизнеса.
Почему это важно. Это не технологический breakthrough, но хороший indicator того, куда движется конкуренция китайских frontier labs.
Деньги идут не только в очередной training run, а в систему:
модель → генерация training signal/data → evaluation → post-training → следующая модель.
Если такой цикл действительно становится более автоматизированным, конкурентным преимуществом становится скорость model-improvement loop.
Что показали данные. $5 млрд — подтверждённый capital raise. Никаких данных, показывающих эффективность «fully self-training system», пока нет.
Что нужно уже понимать: self-training, post-training, training compute, convertible bond, model improvement loop.
Что это может изменить. Для пользователя моделей — пока наблюдать. Но Z.AI после GLM‑5.3 Flash показывает, что китайская model ecosystem располагает капиталом для продолжения агрессивной конкуренции по capability и цене.
Дата: 13 сентября. Источник: Reuters со ссылкой на биржевой filing компании.
Свежий небольшой, но показательный проект — rizqinrr/viserys-agent, созданный 12 сентября и уже набравший около 630 stars к утру 14 сентября. Само число stars ничего не доказывает; технически интереснее устройство проекта.
Viserys содержит 28 отдельных engineering skills, четыре reviewer personas, fixtures для evals, validation scripts и собственный eval runner. Workflow формализован как:
DEFINE → PLAN → BUILD → VERIFY → REVIEW → SHIP.
Почему это важно. Это продолжает вчерашний сигнал от Claude Code plugin eval: developer community начинает обращаться со skills не как с «хорошими промптами», а как с версионируемым и тестируемым software artifact.
Сначала конкурентным слоем была модель. Затем harness. Теперь появляется ещё один слой:
engineering process encoded as skills.
Что нужно уже понимать: Agent Skills, evals, regression testing, coding-agent harness.
Что это может изменить. Командные правила для coding agents имеет смысл хранить в repository, версионировать и проверять eval'ами. Пока сам Viserys — ранний проект без production evidence; выбирать его только из-за stars не стоит.
Дата сигнала: 13–14 сентября. GitHub — Viserys
13 сентября на саммите BRICS Китай предложил создать совместное AI open-source community, поддерживать совместную разработку и применение LLM, проводить AI-training и строить общий открытый ecosystem. Отдельно предложена BRICS digital ecosystem cloud platform.
Пока отсутствуют ключевые технические детали: какие модели, лицензии, compute, repositories, standards и governance войдут в систему. Поэтому это пока policy/distribution signal, а не новая open-source платформа.
Но потенциальная цепочка интересна:
open models → обучение разработчиков → региональная cloud infrastructure → локальные deployments → меньше зависимости от американских API.
Для компаний, работающих в странах Global South/BRICS, это стоит отслеживать как возможный будущий distribution и procurement layer.
Дата: 13 сентября. Первоисточник: МИД КНР — выступление на саммите BRICS
AI-stack продолжает дробиться на самостоятельные конкурентные слои: литография → inference-efficient models → harness → verification → skills → production authority → distribution ecosystem.
Особенно заметна одна тенденция: чем больше реальной работы получает агент, тем важнее становятся не дополнительные токены reasoning, а внешняя проверка, тестируемый процесс и чётко ограниченные полномочия. Одновременно upstream-инфраструктура показывает, что даже быстрое улучшение моделей остаётся зависимым от многолетних циклов производства чипов.