Хакер украл тысячи биткойнов на сумму около 340 миллионов долларов США в результате ограбления расчетной биржи Liquid Network, используемой несколькими криптовалютными биржами. Это одна из крупнейших известных краж криптовалюты в этом году. Liquid Network, запущенная в 2018 году крипто-фирмой Blockstream, сообщила в воскресенье, что приостановила операции после инцидента.

Liquid Network, запущенная в 2018 году крипто-фирмой Blockstream, сообщила в сообщении на X в воскресенье, что хакер «белой шляпы» украл средства из кошелька сети и что она приостановила операции до тех пор, пока инцидент не будет разрешен.

Пока неизвестно, кто является хакером, но крипто-СМИ сообщают, что хакер якобы использовал баг для вывода средств. Хакер заявил, что вернет средства, если Blockstream исправит ошибку.

Бывший исполнительный директор Blockstream Самсон Моу сказал в посте на X в понедельник, что компания исправила ошибку, и около 3400 из примерно 4000 украденных биткойнов были возвращены. Оставшиеся около 600 биткоинов (около $47 млн) все еще находились под контролем хакера.

Мау сказал, что операции будут приостановлены до тех пор, пока не будут сделаны дополнительные исправления и улучшения безопасности до перезапуска.

Кража считается одним из крупнейших ограблений цифровых фондов на сегодняшний день, согласно таблице лидеров Rekt, которая отслеживает кражи криптовалюты.

Вопросы и ответы

Сколько биткойнов украл хакер и сколько удалось вернуть?

Хакер украл около 4000 биткойнов, что эквивалентно примерно 340 миллионам долларов. После исправления ошибки компания Blockstream вернула около 3400 биткойнов, а примерно 600 биткойнов (около 47 миллионов долларов) остались под контролем хакера.

Кто стоит за атакой на Liquid Network?

Пока неизвестно, кто является хакером. По данным крипто-СМИ, злоумышленник использовал баг для вывода средств. Хакер заявил, что вернет средства, если Blockstream исправит ошибку, что и было сделано.

Когда Liquid Network возобновит работу после кражи?

Операции Liquid Network приостановлены до тех пор, пока не будут сделаны дополнительные исправления и улучшения безопасности. Компания уже исправила ошибку, но точная дата перезапуска не сообщается.

Французская лаборатория искусственного интеллекта Mistral AI во вторник объявила о привлечении 3 миллиардов евро (около 3,58 миллиарда долларов) при оценке более 21 миллиарда евро (около 24,39 миллиарда долларов), подтвердив более ранние слухи.

Этот раунд серии D, который, по словам Мистраля, является «крупнейшим раундом по привлечению капитала, когда-либо завершенным европейской технологической компанией», возглавила Samsung Electronics, а в качестве солидов присоединились управляемый EQT Scaleup Europe Fund и существующий инвестор PSG Equity.

Mistral будет использовать финансирование для расширения своих вычислительных мощностей, создания инфраструктуры, ускорения коммерческого роста и расширения своего международного присутствия. Деньги также могут помочь прояснить его позиционирование — компания говорит, что ее цель не состоит в том, чтобы построить европейский ChatGPT, и хотя ее модели не стали мейнстримом, она по-прежнему представляет себя как лабораторию искусственного интеллекта.

Зачем Мистралю 3 миллиарда евро?

Финансирование поможет Mistral провести тонкий сдвиг в стратегии, которая направлена на дальнейшее решение проблем в Европе и других странах о том, что они слишком зависят от США в области технологий, особенно с усилением политики в отношении регулирования ИИ и продуктов Stateside.

В дополнение к усилиям по созданию вычислительной мощности в Европе на 1 ГВт к 2030 году, Mistral в августе представила инструменты, которые позволяют своим клиентам выбирать, в каких регионах обрабатываются их запросы на ИИ. Он также начал размещать сторонние модели ИИ с открытым весом (китайские тоже), чтобы укрепить свое позиционирование в качестве поставщика услуг ИИ, который хочет, чтобы его клиенты контролировали, какие модели ИИ они используют и как они их используют.

Компания во вторник назвала свои исследования «основой своей инфраструктуры, продуктов и суверенитета», что может быть косвенным ответом на скептики, которые интерпретировали решение компании разместить китайские модели как признак того, что она превращается в поставщика выводов.

Упоминание Mistral о своих глобальных амбициях также, вероятно, является попыткой развеять распространенное недоразумение о том, что полномочия компании сохраняются во Франции. Лаборатория в настоящее время работает в 20 странах, и ее стратегия выхода на рынок больше ориентирована на то, чтобы помочь правительствам и корпорациям использовать ИИ и сохранить чувство контроля, в отличие от других пограничных лабораторий, таких как OpenAI и Anthropic, которые продают свои модели ИИ более широко.

Почему Samsung инвестировала в Mistral?

Эта стратегия возлагает большие надежды на Mistral как на чемпиона Франции по технологиям, поскольку вхождение Samsung в таблицу колпаков Mistral имеет благословение властей Франции. В посте на X президент Франции Макрон сказал, что раунд отражает цель Франции и Южной Кореи «построить третий путь в ИИ».

Тот факт, что раунд финансирования Mistral оправдывает такое заявление, является напоминанием о геополитических подтекстах, которые окружили компанию ИИ, в основном в ее интересах. На фоне растущего спроса на суверенную инфраструктуру ИИ, отсутствие американской компании, как сообщается, увеличило доходы Mistral.

Как Mistral конкурирует с американскими лабораториями?

С другой стороны, капитал, необходимый для конкуренции с ведущими лабораториями США, недоступен только во Франции. Но с голландским производителем чипов ASML в качестве крупного партнера и инвестора, а теперь и Samsung, Mistral, похоже, нашел третий путь — аналогичный слиянию Германии с канадской Cohere.

Mistral по-прежнему работает с американскими игроками, в частности с Microsoft, благодаря стратегическому партнерству, которое обе компании значительно расширили в июле. Новая серия D также была поддержана американскими инвесторами: существующие спонсоры, такие как a 16z, Nvidia и Salesforce Ventures инвестировали, как и новые спонсоры Advent и BlackRock.

Тем не менее, поскольку Великое Герцогство Люксембург также присоединилось в качестве нового спонсора, а многие другие существующие европейские спонсоры удвоились, таблица колпачков лаборатории искусственного интеллекта остается решительно международной. И этого может быть достаточно для клиентов, на которых нацелен Mistral.

Вопросы и ответы

Какие компании возглавили раунд финансирования Mistral AI?

Раунд серии D возглавила Samsung Electronics, а в качестве солидов присоединились управляемый EQT Scaleup Europe Fund и существующий инвестор PSG Equity. Также участвовали американские инвесторы, включая a16z, Nvidia, Salesforce Ventures, Advent и BlackRock.

На что Mistral AI планирует потратить привлеченные средства?

Mistral AI направит финансирование на расширение вычислительных мощностей, создание инфраструктуры, ускорение коммерческого роста и расширение международного присутствия. Также компания стремится увеличить вычислительную мощность в Европе до 1 ГВт к 2030 году.

Как Mistral AI позиционирует себя на рынке ИИ?

Mistral AI не стремится стать европейским аналогом ChatGPT, а представляет себя как лабораторию ИИ, помогающую правительствам и корпорациям использовать ИИ с сохранением контроля. Компания размещает сторонние модели с открытым весом и позволяет клиентам выбирать регионы обработки запросов.

Эрик Ву построил и управлял Opendoor, одним из самых амбициозных стартапов в сфере недвижимости за последнее десятилетие, прежде чем уйти в 2022 году после того, как быстро растущие процентные ставки резко замедлили продажи жилья. Он потратил год на перезагрузку — он управлял компанией в течение восьми лет — и мог легко перейти к инвестированию, когда почувствовал, что закончил свой перерыв. Но, как и многие основатели, он настолько убежден, что ИИ станет определяющей технологической платформой его жизни, что недавно решил вернуться к созданию компании. Как он сказал мне во время разговора этим летом: «Я знал, что если я оглянусь назад через 10 лет и не сделаю что-то связанное с этим, я, вероятно, пожалею об этом».

Кто такой Эрик Ву и что он делает?

Возможность, которую преследует Ву, — создание ИИ-копилотов для строительных рабочих и других полевых рабочих, что он описывает как тренер-эксперт для людей, которые физически строят вещи, — не является секретом. Строительная отрасль — это короткие рабочие с большим отрывом. Торговая группа Associated Builders and Contractors заявила, что в этом году потребуется около 349 000 дополнительных рабочих, чтобы идти в ногу со спросом на строительство, что, похоже, ухудшится, поскольку рабочие становятся старше, рабочие отправляются из Соединенных Штатов из-за более агрессивного иммиграционного законодательства США, а также растущего числа крупных проектов, запланированных, в частности, центров обработки данных.

Мы все слышали сейчас — от всей индустрии ИИ — о гигантских серверных фермах, которых требует бум ИИ. Эти проекты стали огромными, и спрос на персонал вырос вместе с ними. Там, где когда-то крупному кампусу дата-центра требовалось около 750 рабочих на пике своего развития, в крупнейших проектах теперь требуется от 4000 до 5000 человек. (Кампус Hyperion в Ричленде, штат Луизиана, по сообщениям, потребует около 5000 строительных рабочих, а на площадке Stargate OpenAI в Абилине, штат Техас, было задействовано 6400 рабочих.) Келли, глобальная кадровая компания, заявила, что 90% операторов центров обработки данных теперь называют нехватку персонала критическим ограничением их способности строить или расширять.

Хотя этот кадровый дефицит обсуждается гораздо реже, чем потребности в капитале и энергии, связанные с этими огромными проектами, новая компания Ву, называемая NavigateAI, в значительной степени сосредоточена на создании этого слоя людей.

Что такое NavigateAI и кто её финансирует?

Компания официально стартовала в конце мая с начальным финансированием в размере 25 миллионов долларов при оценке после денег в размере 225 миллионов долларов во главе с Эладом Гилом при участии Khosla Ventures, Fifth Wall, гиганта недвижимости Lennar, Tishman Speyer, электрического подрядчика Helix Electric и списка ангелов, включая Тони Сюя из DoorDash, Апурву Мехту из Instacart и генерального директора Coinbase Брайана Армстронга.

Это не удивительно, учитывая связи Ву с индустрией недвижимости, а также с крупными компаниями Силиконовой долины. Гил, например, был инвестором Opendoor, а Кит Рабуа из Khosla Ventures стал соучредителем Opendoor. Основатель Khosla Ventures Винод Хосла в последние годы также открыто говорил о десятках стартапов в портфеле компании, которые строятся вокруг «работников» ИИ различных направлений, будь то онкологи, дизайнеры чипов или строители.

Основной продукт Wu работает на смартфонах и, в режиме громкой связи, через очки AI от Meta. Идея заключается в том, чтобы рабочий-строитель направил камеру на то, что он или она строит, и спросил, на простом языке, правильно ли она установлена, правильный ли крутящий момент, соответствует ли он коду и так далее. Ву говорит, что NavigateAI может разрабатывать спецификации, руководства для производителей и политику компании в режиме реального времени. Он также говорит, что опыт работы без рук значительно лучше (вы не хотите смотреть на телефон, когда вы находитесь на рабочем месте), и что, на самом деле, компания работает с Meta, чтобы получить очки, сертифицированные по безопасности для сред, где требуются защитные очки.

NavigateAI также сотрудничает с AIM, торговой школой волоконной установки с поддержкой Meta, которая гарантирует трудоустройство выпускников, предоставляя компании канал для охвата работников, прежде чем они когда-либо ступят на место работы.

Как рабочие относятся к ИИ-помощнику?

По-видимому, очень важно, чтобы работники чувствовали себя комфортно при работе с ИИ во время обучения. Ву говорит, что кривые принятия резко делятся между молодыми работниками, которые, по его словам, принимают продукт, и 30-летними подмастерьями, которые доверяют своим инстинктам и не совсем выстраиваются в очередь, чтобы пристегнуть компьютер к лицу.

В бизнес-модели компания начинала с структуры ценообразования на токены плюс маржа — сродни SaaS, основанному на использовании, — но она перенесла свои новые контракты на созданную долю стоимости. Например, если NavigateAI помогает строителю снизить общую стоимость дома с 300 000 до 280 000 долларов, компания получает примерно 20% от этой экономии в 20 000 долларов. Ву сказал мне, что Lennar — одна из крупнейших строительных компаний страны и еще один из инвесторов NavigateAI — тратит примерно 9 миллиардов долларов в год на рабочую силу, установку и строительство, поэтому даже улучшение на 5-10% будет представлять собой сотни миллионов долларов потенциальной стоимости.

Долгосрочная игра, о которой Ву откровенно говорит, — это данные. Каждая работа, выполненная с помощью NavigateAI, генерирует помеченное эгоцентричное видео о том, как полевые рабочие создают и поддерживают физические вещи правильно и неправильно, и это набор данных, который, по мнению Ву, в конечном итоге будет стоить столько же робототехникам, сколько сам бизнес программного обеспечения стоит строительным клиентам Navigate.

Какие вызовы стоят перед NavigateAI?

Конечно, есть реальные вызовы. Ценообразование, основанное на стоимости, может создать дилемму атрибуции, как открыто признает Ву. Доказательство того, что дом был построен быстрее из-за NavigateAI, а не из-за солнечной погоды, или конкретной команды на работе, или наличия материалов, требует A / B тестирования в разных подразделениях и является приблизительным по его собственному признанию. Вы можете себе представить, что спор клиента по поводу атрибуции сбережений быстро усложняется, даже если этот клиент также является инвестором в NavigateAI.

Это сопротивление со стороны опытных работников также представляется довольно серьезной проблемой. Ветеран-путешественник — это тот, чьи отраслевые знания сделают продукт NavigateAI умнее, и ни одна торговая школа не может полностью заменить это ноу-хау. Тогда есть ответственность за безопасность. Если программное обеспечение NavigateAI очищает соединение, которое позже выходит из строя, что произойдет? Ответственность за дефекты является, как известно, спорной областью, и пока неясно, как эти вопросы будут решаться, поскольку они неизменно возникают.

Но, как всегда, есть и конкурентный вопрос. Когда мы говорим, Ву упоминает, что наиболее распространенной альтернативой является рабочий, который что-то ищет в Google или задает вопросы в ChatGPT, и что NavigateAI может выйти далеко за рамки этого. Но все крупные компании LLM имеют возможности модели и, в случае Meta, аппаратного распространения. Как бы маловероятно это ни было, они могут развивать свой собственный бизнес.

Конечно, более вероятной угрозой является аналогичный игрок. Защита NavigateAI основана на интеграции рабочих процессов и собственных данных, накопление которых занимает годы. Сам Ву упоминает Buildots и OpenSpace в качестве ближайших точек сравнения, но он говорит, что они «более сосредоточены на управлении проектами», в то время как Navigate построен вокруг «индивидуального труда».

В любом случае, в Кремниевой долине сеть иногда имеет такое же значение, как продукт или конкурентный ландшафт, и комбинация Wu, Gil, Khosla Ventures и Lennar, среди прочего, функционирует как сильный сигнал. Кроме того, Ву, похоже, не склонен сейчас беспокоиться о конкурентах. Он просто, кажется, взволнован тем, что строит что-то новое, в то время, когда не строительство будет для него ошибкой.

Подчеркивая этот момент, у него еще нет совета директоров, и он говорит, что «постарается идти так долго, как я могу, без него», поэтому он может сосредоточиться на клиентах, а не на управлении. Вы можете провести грань между этим наблюдением и его временем работы в Opendoor, которая стала публичной в конце 2020 года. Будучи генеральным директором публичной компании, он сделал часть работы, на которую он хотел потратить свое время, более трудной, вынуждая к постоянному компромиссу между созданием продукта и управлением советом директоров и акционерами. На данный момент это явно компромисс, который он не пропускает.

Вопросы и ответы

Кто такой Эрик Ву и почему он решил вернуться к созданию компаний после ухода из Opendoor?

Эрик Ву — основатель Opendoor, стартапа в сфере недвижимости, которым он управлял восемь лет до ухода в 2022 году. Он решил вернуться к предпринимательству, потому что убежден, что ИИ станет определяющей технологической платформой его жизни, и не хотел жалеть через 10 лет о том, что не занялся этим.

Что такое NavigateAI и как она работает?

NavigateAI — новая компания Ву, создающая ИИ-помощников для строителей. Продукт работает на смартфонах и через очки Meta AI, позволяя рабочим фотографировать объект и получать ответы о правильности установки, крутящем моменте или соответствии коду. Компания также сотрудничает с торговой школой AIM для привлечения работников.

ИИ переписывает мир и одновременно изобретает новый язык для описания своих действий: на встречах и презентациях всё чаще звучат аббревиатуры LLM, RAG, RLHF, а на прошлой неделе к ним добавился «непрозрачный рецидив» — метод рассуждения в новой модели Astra от OpenAI, который встревожил исследователей безопасности ИИ. Словарь растёт так быстро, что даже эксперты в технологиях чувствуют неуверенность.

Этот глоссарий — наша попытка исправить это: простые английские определения терминов ИИ, которые вы, скорее всего, увидите, независимо от того, строите ли вы с этим материалом, инвестируете в него или просто пытаетесь идти в ногу, читая TechCrunch или слушая связанные подкасты. Мы регулярно обновляем его по мере развития поля, поэтому считаем его живым документом, очень похожим на системы ИИ, которые он описывает.

Искусственный общий интеллект, или AGI, является туманным термином. Но это, как правило, относится к ИИ, который более способен, чем средний человек, при выполнении многих, если не большинства, задач. Генеральный директор OpenAI Сэм Альтман однажды описал AGI как «эквивалент среднего человека, которого вы могли бы нанять в качестве сотрудника». Между тем, устав OpenAI определяет AGI как «высокоавтономные системы, которые превосходят людей в самой экономически ценной работе». Понимание Google DeepMind немного отличается от этих двух определений; лаборатория рассматривает AGI как «ИИ, который по крайней мере так же способен, как люди в большинстве когнитивных задач». Не стоит волноваться — таковы эксперты, находящиеся на переднем крае исследований ИИ.

Агент ИИ относится к инструменту, который использует технологии ИИ для выполнения ряда задач от вашего имени — помимо того, что может сделать более простой чат-бот ИИ, — таких как подача расходов, бронирование билетов или стола в ресторане или даже написание и поддержание кода. Однако, как мы объясняли ранее, в этом возникающем пространстве есть много движущихся частей, поэтому «агент ИИ» может означать разные вещи для разных людей. Инфраструктура также по-прежнему строится для реализации своих предполагаемых возможностей. Но основная концепция подразумевает автономную систему, которая может использовать несколько систем ИИ для выполнения многошаговых задач.

Что такое конечные точки API?

Думайте о конечных точках API как о «кнопках» на задней панели программного обеспечения, которое другие программы могут нажимать, чтобы заставить его делать вещи. Разработчики используют эти интерфейсы для создания интеграций, например, позволяя одному приложению извлекать данные из другого или позволяя агенту ИИ напрямую управлять сторонними службами без ручного управления каждым интерфейсом. Большинство устройств умного дома и подключенных платформ имеют эти скрытые кнопки, даже если обычные пользователи никогда не видят их или не взаимодействуют с ними. По мере того, как агенты ИИ становятся все более способными, они все чаще могут самостоятельно находить и использовать эти конечные точки, открывая мощные, а иногда и неожиданные возможности для автоматизации.

Что такое цепь мысли?

Учитывая простой вопрос, человеческий мозг может ответить, даже не задумываясь об этом — например, «какое животное выше, жираф или кошка?» Но во многих случаях вам часто нужна ручка и бумага, чтобы придумать правильный ответ, потому что есть промежуточные шаги. Например, если у фермера есть куры и коровы, а вместе у них 40 голов и 120 ног, вам может потребоваться записать простое уравнение, чтобы найти ответ (20 цыплят и 20 коров).

В контексте ИИ логические рассуждения для больших языковых моделей означают разбиение проблемы на более мелкие промежуточные шаги для улучшения качества конечного результата. Обычно для получения ответа требуется больше времени, но ответ, скорее всего, будет правильным, особенно в логическом или кодировочном контексте. Модели рассуждения разрабатываются на основе традиционных моделей большого языка и оптимизированы для цепного мышления благодаря усиленному обучению.

Что делают кодирующие агенты?

Это более конкретная концепция, что «агент ИИ», что означает программу, которая может принимать меры самостоятельно, шаг за шагом, для достижения цели. Кодирующий агент — это специализированная версия, применяемая для разработки программного обеспечения. Вместо того, чтобы просто предлагать код человеку для просмотра и вставки, агент кодирования может самостоятельно писать, тестировать и отлаживать код, обрабатывая итеративную работу с пробами и ошибками, которая обычно занимает день разработчика. Эти агенты могут работать по всем кодовым базам, обнаруживая ошибки, выполняя тесты и проталкивая исправления с минимальным человеческим надзором. Думайте об этом как о найме очень быстрого стажера, который никогда не спит и никогда не теряет фокус — хотя, как и в случае с любым стажером, человек все еще должен пересмотреть работу.

Хотя это несколько многовалентный термин, вычисление обычно относится к жизненно важной вычислительной мощности, которая позволяет моделям ИИ работать. Этот тип обработки питает индустрию искусственного интеллекта, давая ей возможность обучать и развертывать свои мощные модели. Этот термин часто является сокращением для видов аппаратного обеспечения, которое обеспечивает вычислительную мощность — таких вещей, как GPU, CPU, TPU и другие формы инфраструктуры, которые составляют основу современной индустрии искусственного интеллекта.

Как работает глубокое обучение?

Подмножество самосовершенствования машинного обучения, в котором алгоритмы ИИ разработаны с многослойной структурой искусственной нейронной сети (ANN). Это позволяет им создавать более сложные корреляции по сравнению с более простыми системами машинного обучения, такими как линейные модели или деревья решений. Структура алгоритмов глубокого обучения черпает вдохновение из взаимосвязанных путей нейронов в человеческом мозге.

Модели ИИ глубокого обучения способны идентифицировать важные характеристики в самих данных, а не требовать, чтобы инженеры-люди определяли эти особенности. Структура также поддерживает алгоритмы, которые могут учиться на ошибках и, через процесс повторения и корректировки, улучшать свои собственные результаты. Однако для получения хороших результатов (миллионов и более) системам глубокого обучения требуется много точек данных. Они также обычно требуют больше времени для обучения по сравнению с более простыми алгоритмами машинного обучения, поэтому затраты на разработку, как правило, выше.

Диффузия — это технология, лежащая в основе многих моделей искусственного интеллекта, генерирующих искусство, музыку и текст. Вдохновленные физикой, диффузионные системы медленно «уничтожают» структуру данных — например, фотографии, песни и так далее — добавляя шум, пока не останется ничего. В физике диффузия спонтанна и необратима — сахар, диффундирующий в кофе, не может быть восстановлен в кубической форме. Но диффузионные системы в ИИ нацелены на изучение своего рода процесса «обратной диффузии» для восстановления разрушенных данных, получая возможность восстановления данных от шума.

дистилляция

Дистилляция — это метод, используемый для извлечения знаний из большой модели ИИ с моделью «учитель-студент». Разработчики отправляют запросы на модель учителя и записывают результаты. Ответы иногда сравнивают с набором данных, чтобы увидеть, насколько они точны. Эти результаты затем используются для обучения модели студента, которая обучена приближению поведения учителя.

Дистилляция может быть использована для создания меньшей, более эффективной модели на основе более крупной модели с минимальными потерями дистилляции. Вероятно, именно так OpenAI разработала GPT-4 Turbo, более быструю версию GPT-4.

В то время как все компании искусственного интеллекта используют дистилляцию внутри, она также может быть использована некоторыми компаниями искусственного интеллекта, чтобы догнать пограничные модели. Дистилляция от конкурента обычно нарушает условия обслуживания AI API и чат-ассистентов.

Это относится к дальнейшему обучению модели ИИ для оптимизации производительности для более конкретной задачи или области, чем ранее было центром ее обучения, как правило, путем подачи новых, специализированных (т.е. ориентированных на задачи) данных.

Многие стартапы используют большие языковые модели в качестве отправной точки для создания коммерческого продукта, но соперничают за повышение полезности для целевого сектора или задачи, дополняя более ранние учебные циклы тонкой настройкой на основе своих собственных знаний и опыта в конкретной области.

GAN, или Generative Adversarial Network, является типом структуры машинного обучения, которая лежит в основе некоторых важных разработок в генеративном ИИ, когда дело доходит до производства реалистичных данных, включая (но не только) инструменты глубокой подделки. GANs предполагают использование пары нейронных сетей, одна из которых использует свои обучающие данные для генерации вывода, который передается другой модели для оценки.

Эти две модели запрограммированы на то, чтобы превзойти друг друга. Генератор пытается получить свой выход за дискриминатор, в то время как дискриминатор работает, чтобы обнаружить искусственно сгенерированные данные. Этот структурированный конкурс может оптимизировать результаты ИИ, чтобы быть более реалистичным без необходимости дополнительного вмешательства человека. Хотя GAN лучше всего подходят для более узких приложений (например, для создания реалистичных фотографий или видео), чем для ИИ общего назначения.

галлюцинация

Галлюцинация является предпочтительным термином для ИИ-моделей, которые выдумывают вещи — буквально генерируют информацию, которая неверна. Очевидно, что это огромная проблема для качества ИИ.

Галлюцинации производят результаты GenAI, которые могут вводить в заблуждение и даже могут привести к реальным рискам — с потенциально опасными последствиями (подумайте о запросе на здоровье, который возвращает вредные медицинские советы).

Считается, что проблема искусственного интеллекта, фабрикующего информацию, возникает из-за пробелов в данных обучения. Галлюцинации способствуют продвижению к все более специализированным и / или вертикальным моделям искусственного интеллекта, то есть ИИ для конкретных областей, которые требуют более узкого опыта, как способ уменьшить вероятность пробелов в знаниях и уменьшить риски дезинформации.

Вывод — это процесс запуска модели ИИ. Это позволяет модели делать прогнозы или делать выводы из ранее увиденных данных. Чтобы быть ясным, вывод не может произойти без обучения; модель должна изучить закономерности в наборе данных, прежде чем она сможет эффективно экстраполировать из этих данных обучения.

Многие типы аппаратного обеспечения могут выполнять выводы, начиная от процессоров смартфонов до мощных графических процессоров и заканчивая специально разработанными ускорителями ИИ. Но не все из них могут работать одинаково хорошо. Очень крупным моделям потребуются годы, чтобы делать прогнозы, скажем, на ноутбуке по сравнению с облачным сервером с высокопроизводительными чипами ИИ.

Модель большого языка (LLM)

Большие языковые модели, или LLM, являются моделями ИИ, используемыми популярными помощниками ИИ, такими как ChatGPT, Claude, Google Gemini, Meta’s AI Llama, Microsoft Copilot или Mistral’s Le Chat. Когда вы общаетесь с помощником ИИ, вы взаимодействуете с большой языковой моделью, которая обрабатывает ваш запрос напрямую или с помощью различных доступных инструментов, таких как просмотр веб-страниц или интерпретаторы кода.

LLM — это глубокие нейронные сети, состоящие из миллиардов числовых параметров (или весов, см. ниже), которые изучают отношения между словами и фразами и создают представление языка, своего рода многомерную карту слов.

Эти модели создаются из кодирования шаблонов, которые они находят в миллиардах книг, статей и стенограмм. Когда вы подсказываете LLM, модель генерирует наиболее вероятный шаблон, который соответствует подсказке.

Кэш памяти

Кэш памяти относится к важному процессу, который повышает вывод (это процесс, с помощью которого ИИ работает, чтобы генерировать ответ на запрос пользователя). По сути, кэширование — это метод оптимизации, предназначенный для повышения эффективности вывода. Очевидно, что ИИ управляется высокооктановыми математическими вычислениями, и каждый раз, когда эти вычисления производятся, они потребляют больше энергии. Кэширование предназначено для сокращения числа вычислений, которые модель может выполнять, сохраняя определенные вычисления для будущих пользовательских запросов и операций. Существуют различные виды кэширования памяти, хотя одним из наиболее известных является кэширование KV (или ключевого значения). Кэширование КВ работает в трансформаторных моделях и повышает эффективность, ускоряя результаты за счет сокращения времени (и алгоритмической работы), необходимого для получения ответов на вопросы пользователей.

Модельный контекстный протокол (MCP)

Model Context Protocol, или MCP, является открытым стандартом, который позволяет моделям ИИ подключаться к внешним инструментам и данным — вашим файлам, базам данных или приложениям, таким как Slack и Google Drive — без разработчика, создающего пользовательский разъем для каждого отдельного соединения. Думайте об этом как о порте USB-C для ИИ. Anthropic представила MCP в 2024 году, а затем передала его Linux Foundation, и с тех пор он был принят OpenAI, Google и Microsoft, что делает его одним из самых быстро распространяющихся стандартов в новейшей истории ИИ.

Смесь экспертов (MoE)

Смесь экспертов — это модельная архитектура, которая разделяет нейронную сеть на множество небольших специализированных подсетей или «экспертов» и активирует только несколько из них для любой конкретной задачи. Вместо того, чтобы направлять каждый запрос по всей модели — например, звонить во весь офис для каждого вопроса — модель MoE имеет встроенный «маршрутизатор», который выбирает только правильных специалистов для работы. Это позволяет создавать огромные модели, которые остаются относительно быстрыми и дешевыми в эксплуатации, поскольку только часть сети работает в любое время. Модель Mistral AI Mixtral является хорошо известным примером; считается, что новые модели GPT от OpenAI также используют некоторые версии этого подхода, хотя компания никогда официально не подтверждала его.

Нейронная сеть

Нейронная сеть относится к многослойной алгоритмической структуре, которая лежит в основе глубокого обучения — и, в более широком смысле, всего бума в генеративных инструментах ИИ после появления больших языковых моделей.

Хотя идея черпать вдохновение из плотно взаимосвязанных путей человеческого мозга в качестве структурной структуры для алгоритмов обработки данных восходит к 1940-м годам, гораздо более поздний рост графического процессорного оборудования (GPU) — через индустрию видеоигр — действительно раскрыл силу этой теории. Эти чипы оказались хорошо подходящими для обучения алгоритмов с гораздо большим количеством уровней, чем это было возможно в более ранние эпохи, что позволило системам ИИ на основе нейронных сетей достичь гораздо лучшей производительности во многих областях, включая распознавание голоса, автономную навигацию и обнаружение лекарств.

Гипотетический наихудший сценарий, при котором модель полностью обосновывает свои внутренние числовые представления, а не читаемый человеком язык, делая свое мышление полным черным ящиком. OpenAI заявила, что ее модель Astra (выпущенная в сентябре 2026 года и известная своим ранним использованием техники рассуждений «непрозрачного рецидива») сохраняет свою цепочку мышления разборчивой и отодвинула сравнение с невралгией. Но исследователи безопасности указывают на использование Astra непрозрачного повторения — его определение прямо ниже — в качестве реального первого шага в этом направлении, поэтому этот термин вырос с момента публикации отчета о запуске Astra.

Непрозрачное повторение

Непрозрачное повторение — это когда модель ИИ повторяет один и тот же запрос через свои внутренние слои несколько раз, вместо того, чтобы рассуждать шаг за шагом на простом языке. Это более эффективно — небольшие модели могут бить выше своего веса при использовании меньшего количества вычислений, но оставляют гораздо меньше читаемых следов, чем обычная цепочка мыслей (которая работает с комментариями, которые вы видите после того, как попросили чат-бота о помощи). Это беспокоит исследователей в области безопасности, поскольку эти журналы являются ключевым инструментом для выявления ненадлежащего поведения, и этот метод может значительно затруднить этот надзор.

Открытый исходный код относится к программному обеспечению или, во все большей степени, к моделям ИИ, где базовый код становится общедоступным для любого, кто может использовать, проверять или изменять. В мире искусственного интеллекта семейство моделей Meta Llama является ярким примером; Linux — известная историческая параллель в операционных системах. Подходы с открытым исходным кодом позволяют исследователям, разработчикам и компаниям по всему миру опираться на работу друг друга, ускоряя прогресс и позволяя проводить независимые аудиты безопасности, которые закрытые системы не могут легко обеспечить. Закрытый исходный код означает, что код является частным — вы можете использовать продукт, но не видеть, как он работает, как в случае с моделями GPT OpenAI — различие, которое стало одним из определяющих дебатов в индустрии ИИ.

Параллельность

Параллелизация означает делать много вещей одновременно, а не одно за другим, например, иметь 10 сотрудников, работающих над различными частями проекта одновременно, а не одного сотрудника, делающего все последовательно. В ИИ параллелизация имеет основополагающее значение как для обучения, так и для вывода: современные графические процессоры специально разработаны для параллельного выполнения тысяч вычислений, что является большой причиной того, что они стали аппаратной основой отрасли. По мере того, как системы ИИ становятся все более сложными, а модели становятся все больше, возможность параллелизации работы на многих чипах и многих машинах стала одним из наиболее важных факторов в определении того, как быстро и экономически эффективно модели могут быть построены и развернуты. Исследования по улучшению стратегий параллелизации в настоящее время являются самостоятельной областью исследований.

«Рамагеддон» — это забавный новый термин для не очень веселой тенденции, которая охватывает технологическую индустрию: постоянно растущий дефицит памяти с произвольным доступом или чипов оперативной памяти, которые питают почти все технические продукты, которые мы используем в нашей повседневной жизни. Поскольку индустрия искусственного интеллекта расцвела, крупнейшие технологические компании и лаборатории искусственного интеллекта — все соперничают за самый мощный и эффективный ИИ — покупают так много оперативной памяти для своих центров обработки данных, что для остальных из нас осталось не так много. И это узкое место в поставках означает, что то, что осталось, становится все более и более дорогим.

Это включает в себя такие отрасли, как игровые (где крупным компаниям приходилось повышать цены на консоли, потому что сложнее найти чипы памяти для своих устройств), потребительская электроника (где нехватка памяти может привести к крупнейшему падению поставок смартфонов за более чем десятилетие) и общие корпоративные вычисления (потому что эти компании не могут получить достаточно оперативной памяти для своих собственных центров обработки данных). Ожидается, что рост цен остановится только после того, как ужасный дефицит закончится, но, к сожалению, на самом деле нет никаких признаков того, что это произойдет в ближайшее время.

Повторяющаяся глубина

Это более «техническое» название для того же базового метода, что и непрозрачное повторение (многократное прослушивание запроса через слои модели, а не последовательное рассуждение на языке). Средства массовой информации используют эти два термина почти взаимозаменяемо, поэтому мы включаем его здесь, хотя «повторяющаяся глубина» — это инженерный термин, а «непрозрачный рецидив» — это кадр, который подчеркивает проблему безопасности.

Рекурсивное самосовершенствование

Как и AGI, рекурсивное самосовершенствование является краеугольным камнем того, как умный ИИ может получить, и как мало он может полагаться на людей. В сценарии RSI модели ИИ начинают совершенствоваться без вмешательства человека, что приводит к огромному ускорению возможностей и автономии. В некоторых случаях это был бы катастрофический момент, сродни сингулярности, момент, когда модели ИИ становятся невосприимчивыми к внешнему вмешательству. Но RSI также описывает базовые возможности — может ли модель ИИ спроектировать своего преемника? — что значительно облегчает инженерам задачу по его созданию. Ряд недавних стартапов ИИ намеревались создавать рекурсивно самосовершенствование моделей, но большинство из них отвергают апокалипсические последствия, представляя RSI как просто следующий рубеж для исследований.

Усиление обучения

Усиление обучения — это способ обучения ИИ, когда система учится, пробуя вещи и получая вознаграждения за правильные ответы — например, обучение любимого питомца лакомствам, за исключением того, что «домашний питомец» в этом сценарии — это нейронная сеть, а «лечение» — математический сигнал, указывающий на успех. В отличие от контролируемого обучения, где модель обучается на фиксированном наборе данных помеченных примеров, обучение с подкреплением позволяет модели исследовать свою среду, предпринимать действия и постоянно обновлять свое поведение на основе обратной связи, которую она получает. Этот подход оказался особенно мощным для обучения ИИ играть в игры, управлять роботами и, в последнее время, оттачивать способность мышления больших языковых моделей. Такие методы, как обучение с подкреплением на основе обратной связи с человеком или RLHF, теперь играют центральную роль в том, как ведущие лаборатории ИИ настраивают свои модели, чтобы они были более полезными, точными и безопасными.

Когда дело доходит до человеко-машинной коммуникации, есть некоторые очевидные проблемы — люди общаются с использованием человеческого языка, в то время как программы ИИ выполняют задачи с помощью сложных алгоритмических процессов, основанных на данных. Токены преодолевают этот разрыв: они являются основными строительными блоками связи между человеком и ИИ, представляющими собой дискретные сегменты данных, которые были обработаны или произведены LLM. Они создаются с помощью процесса, называемого токенизацией, который разбивает сырой текст на единицы размером с укус, которые может переварить языковая модель, подобно тому, как компилятор переводит человеческий язык в двоичный код, который может понять компьютер. В корпоративных настройках токены также определяют стоимость — большинство компаний ИИ взимают плату за использование LLM на основе одного токена, что означает, что чем больше бизнес использует, тем больше он платит.

Пропускная способность маркера

Опять же, токены — это небольшие фрагменты текста — часто части слов, а не целые, — которые модели языка ИИ разбивают язык перед его обработкой; они примерно аналогичны «словам» для целей понимания рабочих нагрузок ИИ. Пропускная способность относится к тому, сколько может быть обработано за определенный период времени, поэтому пропускная способность токена по существу является мерой того, сколько ИИ может обрабатывать система одновременно. Высокая пропускная способность токенов является ключевой целью для команд инфраструктуры ИИ, поскольку она определяет, сколько пользователей может обслуживать модель одновременно и как быстро каждый из них получает ответ. Исследователь ИИ Андрей Карпаты описал чувство тревоги, когда его подписки на ИИ простаивают — повторяя чувство, которое он испытывал, будучи аспирантом, когда дорогое компьютерное оборудование не использовалось полностью — чувство, которое отражает, почему максимизация пропускной способности токенов стала чем-то вроде одержимости в этой области.

Разработка ИИ машинного обучения включает в себя процесс, известный как обучение. Проще говоря, это относится к данным, подаваемым для того, чтобы модель могла учиться на шаблонах и генерировать полезные результаты. По сути, это процесс, в котором система реагирует на характеристики данных, что позволяет ей адаптировать результаты к желаемой цели — будь то идентификация изображений кошек или производство хайку по требованию.

Обучение может быть дорогостоящим, потому что оно требует большого количества входных данных, и требуемые объемы растут, поэтому гибридные подходы, такие как точная настройка ИИ на основе правил с целевыми данными, могут помочь управлять затратами, не начиная полностью с нуля.

Трансферное обучение

Техника, в которой ранее обученная модель ИИ используется в качестве отправной точки для разработки новой модели для другой, но обычно связанной с ней задачи, что позволяет повторно применять знания, полученные в предыдущих циклах обучения.

Трансфертное обучение может обеспечить экономию эффективности за счет сокращения разработки моделей. Это также может быть полезно, когда данные для задачи, для которой разрабатывается модель, несколько ограничены. Но важно отметить, что этот подход имеет ограничения. Модели, которые полагаются на передачу обучения для получения обобщенных возможностей, вероятно, потребуют обучения дополнительным данным, чтобы хорошо работать в своей области фокуса.

Потеря валидации

Потеря валидации — это число, которое говорит вам, насколько хорошо модель ИИ учится во время обучения, а ниже — лучше. Исследователи отслеживают его как своего рода отчетную карту в режиме реального времени, используя ее, чтобы решить, когда прекратить обучение, когда корректировать гиперпараметры или исследовать потенциальную проблему. Одна из ключевых проблем, которая помогает флагу, — это переобучение, состояние, при котором модель запоминает свои тренировочные данные, а не по-настоящему изучает шаблоны, которые она может обобщать в новых ситуациях. Подумайте об этом как о разнице между студентом, который действительно понимает материал, и тем, кто просто запомнил прошлогодний экзамен — потеря валидации помогает выявить, какой из них становится вашей моделью.

Весы являются основой обучения ИИ, поскольку они определяют, насколько важна (или вес) для различных функций (или входных переменных) в данных, используемых для обучения системы, тем самым формируя выход модели ИИ.

Другими словами, веса — это числовые параметры, которые определяют то, что наиболее заметно в наборе данных для данной учебной задачи. Они достигают своей функции, применяя умножение к входам. Обучение модели обычно начинается с весов, которые распределяются случайным образом, но по мере развития процесса весы корректируются по мере того, как модель стремится достичь результата, который более точно соответствует цели.

Например, модель искусственного интеллекта для прогнозирования цен на жилье, которая обучена на исторических данных о недвижимости для целевого местоположения, может включать веса для таких функций, как количество спален и ванных комнат, независимо от того, является ли недвижимость отдельной или полуотдельной, есть ли у нее парковка, гараж и так далее.

В конечном счете, весы, которые модель прикрепляет к каждому из этих входов, отражают, насколько они влияют на стоимость свойства, на основе данного набора данных.

Эта статья регулярно обновляется новой информацией.

Вопросы и ответы

Что такое AGI и как его определяют разные компании?

AGI — это искусственный общий интеллект, который обычно означает ИИ, способный выполнять многие задачи лучше среднего человека. Однако определения различаются: Сэм Альтман из OpenAI описывает его как «эквивалент среднего человека, которого можно нанять», устав OpenAI — как «системы, превосходящие людей в самой экономически ценной работе», а Google DeepMind — как «ИИ, по крайней мере так же способный, как люди в большинстве когнитивных задач».

Чем кодирующий агент отличается от обычного агента ИИ?

Кодирующий агент — это специализированный тип агента ИИ, который применяется для разработки программного обеспечения. Вместо простого предложения кода, он может самостоятельно писать, тестировать и отлаживать код, выполняя итеративную работу с пробами и ошибками. Он работает по кодовым базам, обнаруживает ошибки и проталкивает исправления с минимальным человеческим надзором, как очень быстрый стажер.

Что такое цепь мысли в контексте ИИ?

Цепь мысли относится к методу рассуждения для больших языковых моделей, при котором проблема разбивается на более мелкие промежуточные шаги. Это улучшает качество конечного результата, особенно в логических или кодировочных контекстах. Хотя ответ занимает больше времени, он с большей вероятностью будет правильным. Модели рассуждения оптимизированы для этого через усиленное обучение.

На этой неделе Apple представит первый складной iPhone — более чем через пять лет после того, как Samsung выпустила свой первый складной телефон. Презентация состоится 9 числа и станет одной из самых ожидаемых за долгое время.

Ежегодные мероприятия Apple по выпуску iPhone всегда интересны тем или иным образом, но презентация этого года является одной из самых ожидаемых за долгое время. Поскольку Тим Кук передает роль генерального директора бывшему вице-президенту Hardware Engineering Джону Тернусу, люди возлагают большие надежды на следующие устройства Apple, тем более что компания принимает совершенно новый форм-фактор.

Несмотря на то, что Apple, как правило, не в восторге от запуска своих продуктов, всегда есть неизбежные утечки, которые дают нам представление о том, что мы можем увидеть во время мероприятия Apple 9 сентября. В то время как складной iPhone является самым захватывающим, мы также ожидаем новостей о AirPods, HomePods и не складной линейке iPhone 18.

Что известно о складном iPhone Ultra?

Если Apple заставила своих потребителей ждать более полувека, чтобы выйти на складной рынок, ее первая попытка была лучшей, тем более что отчеты показывают, что телефон будет стоить более 2000 долларов. По крайней мере, это не так дорого, как гарнитура Apple Vision Pro за 3500 долларов, и, в отличие от гарнитур, люди на самом деле покупают смартфоны.

Хорошей новостью является то, что люди, которые утверждают, что являются ранними тестировщиками устройства, сообщили о положительном опыте. По словам инсайдера Bloomberg в Apple Марка Гурмана, складной iPhone имеет премиальный вид, хорошо вписывается в карман и открывается в широкий, похожий на iPad дисплей. Ожидается, что телефон будет оснащен 5,5-дюймовым дисплеем, который расширяется до 7,8, когда экран разворачивается. При сложении устройство будет выглядеть короче и шире, чем обычный iPhone.

Чтобы сделать аппаратное обеспечение, которое все еще достаточно гладким, чтобы его можно было сложить, Apple пришлось пойти на некоторые уступки. Сообщается, что устройство пропускает телефотокамеру, что может разочаровать тех потребителей, которые готовы открыть свои карманы для телефона, достаточно дорогого, чтобы прокормить семью в течение нескольких месяцев. Тем не менее, ожидается, что телефон будет иметь систему задней камеры с двумя объективами с основным и сверхшироким объективом, аналогично тому, что есть на более простых iPhone от Apple.

Ходят слухи, что Apple будет включать в себя MagSafe, магнитную беспроводную зарядку и систему аксессуаров, но она откажется от Face ID, чтобы сэкономить место, полагаясь вместо этого на кнопку отпечатка пальца Touch ID на стороне телефона. Это не должно быть большой уступкой — прикосновение к кнопке примерно так же просто, как взгляд на экран, но это может потребовать некоторого привыкания, если вы привыкли к Face ID.

Как и другие складные телефоны, iPhone Ultra, как ожидается, будет поддерживать бок о бок многозадачность, позволяя запускать два приложения одновременно, по одному на каждой половине развернутого экрана. Несмотря на то, что он будет похож на маленький iPad при открытии, он по-прежнему будет работать на iOS, а не на iPadOS, хотя это не должно вызывать беспокойства, поскольку новейшие чипы Apple достаточно мощны, чтобы справиться с ним. Фактически, тот же чип, как сообщается, питает бюджетный ноутбук Apple MacBook Neo.

Болевая точка для пользователей складных телефонов до сих пор была страшным «увеличением». С складными телефонами других компаний вы можете увидеть доказательства, когда вы открываете телефон, что это не ваш стандартный дисплей. Это трудная задача для решения, которая, возможно, не стоит технических усилий, хотя Apple, предположительно, создала дисплей, где складка не так заметна.

Будет ли обычный iPhone 18?

Если складные коробки не являются вашей вещью, или если вы не хотите тратить в два раза больше денег на свой следующий телефон, не волнуйтесь. Ожидается, что Apple также выпустит несколько новых устройств в линейке iPhone 18. Мы слышали утечки о iPhone 18 Pro и Pro Max, но не так много о стандартном iPhone 18, который, как ожидается, появится через шесть месяцев после сентябрьского события. Это будет первый для Apple выпуск премиальных моделей перед стандартными.

Что нового в HomePod и AirPods?

Теперь, когда Apple, наконец, продвигается вперед со своим обновлением Siri AI на базе Gemini, ожидается, что компания также обновит HomePod, интеллектуальный динамик и ответ Apple на такие устройства, как линейка Amazon Echo.

Ссылки на неизданные продукты, включая новые HomePods, были недавно замечены пользователями, копающимися в сборке предварительного просмотра macOS.

Самая удивительная находка, однако, заключается в том, что Apple, похоже, работает над AirPods со встроенными камерами. В том же предварительном просмотре macOS исследователь Аарон Перрис нашел видео, на котором кто-то носит AirPods и берет книгу.

«С помощью визуального интеллекта ваш мир становится спасительным. Видишь что-то, что тебе нравится? Просто попросите меня сохранить его на потом, — говорит закадровый голос в видео.

В то время как некоторые пользователи могут быть озадачены использованием устройства, которое может видеть то, что они видят — сравнение с клеветническими «очками извращенцев» Meta неизбежно — у нас есть некоторая надежда на то, что такая компания, как Apple, которая построила свой бренд на конфиденциальности, будет работать лучше.

Гурман сообщил, что «камеры, по сути, действуют как глаза для цифрового помощника Siri и не предназначены для съемки фотографий или видео». Вместо этого компоненты наушников позволяют ему «захватывать визуальную информацию в низком разрешении».

Вопросы и ответы

Когда Apple представит складной iPhone?

Презентация складного iPhone состоится 9 сентября на ежегодном мероприятии Apple. Это будет одна из самых ожидаемых презентаций за долгое время, так как компания впервые выходит на рынок складных устройств.

Сколько будет стоить складной iPhone Ultra?

Ожидается, что складной iPhone Ultra будет стоить более 2000 долларов. Для сравнения, гарнитура Apple Vision Pro стоит 3500 долларов, но смартфоны покупают чаще, чем гарнитуры.

Какие камеры будут у складного iPhone?

Складной iPhone будет иметь систему задней камеры с двумя объективами: основным и сверхшироким. При этом он пропустит телефотокамеру, что может разочаровать некоторых потребителей.

Исполнительный директор Apple Фил Шиллер покидает пост главы App Store, но останется в компании для работы над неопределенными проектами. Решение связано с желанием проводить больше времени вне компании, а также с планами нового руководства улучшить финансовые показатели магазина приложений, сообщает Bloomberg.

Марк Гурман из Bloomberg сообщает, что решение Шиллера — он останется в компании в качестве сотрудника Apple, работающего над неопределенными проектами — было частично обусловлено желанием проводить больше времени со своей семьей и заниматься благотворительностью.

Но, по-видимому, в мышлении Шиллера был еще один фактор: новый генеральный директор Джон Тернус и глава службы Эдди Кью стремятся улучшить маржу в App Store и принести больше повторяющихся доходов.

Какие проблемы были у App Store?

Конечно, управление Apple App Store, а также его доля в платежах App Store были постоянным источником критики со стороны разработчиков и даже были предметом крупных судебных исков.

По словам Гурмана, не было большой борьбы за стратегию Тернуса и Кью. Но Шиллер считал, что попытки выжать больше прибыли из бизнеса только увеличат конфликт с правительствами и разработчиками, поэтому он решил уйти в отставку и избежать участия.

Вопросы и ответы

Почему Фил Шиллер решил уйти с поста главы App Store?

Решение Шиллера было обусловлено желанием проводить больше времени с семьей и заниматься благотворительностью, а также несогласием с планами нового руководства улучшить финансовые показатели App Store, так как он считал, что это усилит конфликт с правительствами и разработчиками.

Кто теперь будет руководить App Store?

Новым руководителем App Store станет Джон Тернус, который вместе с главой службы Эдди Кью будет стремиться улучшить маржу в App Store и принести больше повторяющихся доходов.

Останется ли Шиллер в Apple?

Да, Фил Шиллер останется в компании в качестве сотрудника Apple, работающего над неопределенными проектами, как сообщает Bloomberg.