Почему мода на «вайб-кодинг» с ИИ опасна для серьёзных проектов, даже если сам Линус Торвальдс играет с ней на GitHub. История от 4GL до Replit, сломанных баз данных и усталых мейнтейнеров.
Исследователи представили LabSafety Bench — крупный бенчмарк для проверки, насколько безопасно большие языковые и мультимодальные модели обращаются с лабораторными экспериментами. 19 современных ИИ протестировали на 765 тестовых вопросах и 404 реалистичных сценариях (3128 открытых задач) по трём направлениям: выявление опасностей, оценка рисков и прогноз последствий. Ни одна модель не смогла стабильно распознавать угрозы даже на уровне 70% точности. При этом закрытые модели лучше справляются с тестами формата multiple choice, но теряют преимущество в свободном рассуждении. Работа подчёркивает: прежде чем пускать ИИ в реальные лаборатории — от университетских до крупных научных центров в России и мире — нужны специализированные методики оценки и усиленные механизмы безопасности.
Почему в 2026‑м главная инсайдерская угроза — не обиженный админ, а ваш собственный ИИ‑агент. Что говорит Palo Alto Networks, чем тут пахнет «цифровым двойником» CEO и как не превратить помощника в предателя.
AI-агенты перестали быть просто инструментами и всё чаще выступают «со-учёными»: помогают придумывать гипотезы, проектировать эксперименты и даже участвовать в написании статей. На фоне запретов журналов на ИИ-соавторов и LLM-рецензентов конференция Agents4Science становится полигоном, где можно честно обсудить, как людям сотрудничать с такими системами и что они реально умеют в рецензировании.
Использование больших языковых моделей в академическом письме создаёт «проблему происхождения»: идеи могут проникать в текст через ИИ, не оставляя явного следа к первоисточнику. Это не классический плагиат, а системный сбой в механизме научного признания. Разбираемся, почему так происходит и что с этим делать — от раскрытия участия ИИ до новых стандартов данных и журналов.