Microsoft устроила врачам и нейросети одинаковый экзамен. Врачи проиграли с разгромным счетом
22 октября Microsoft AI опубликовала в Science работу о своей диагностической системе MAI-DxO. Проверяли ее на стенде SDBench: 304 сложных клинических случая из разборов The New England Journal of Medicine плюс более обычные обращения в приемное отделение из базы MIMIC-IV-ED. Каждый случай превращен в интерактивную игру: и врач, и модель начинают с минимума сведений и сами решают, какой вопрос задать и какой анализ заказать.
На сложных случаях MAI-DxO поставила верный диагноз в 83% случаев. Врачи без справочников набрали 22%, со справочниками и интернетом — 36%. На обычных случаях из приемного отделения счет 80% против 47%. Самое любопытное — устройство системы: вместо одной модели с быстрым ответом там работает консилиум виртуальных врачей, которые предлагают версии, заказывают тесты и спорят друг с другом несколько раундов, взвешивая пользу каждого анализа против его цены. Экономная настройка дала 81% меньше чем за половину стоимости сравниваемых систем. Получается, что нейросеть научилась тому, чего пациенты годами ждут от людей: не назначать все анализы подряд.
Пока это экзамен на описанных случаях, а не прием живых пациентов, и о допуске системы к клинической практике в публикации речи нет. Рецензия Science придает цифрам вес, но врач в кабинете решает не текстовую задачу.
Источник: Microsoft AI, 22.10.2026
DeepMind научилась отличать джунгли от плантации, которая только притворяется лесом
22 октября Google DeepMind и Google Research вместе с World Resources Institute и институтом IIASA выпустили карту Forest Typology 2020. Она делит всю сушу планеты на квадраты 10 на 10 метров и относит каждый к одному из шести типов: первичный лес, лес, выросший сам после вырубки или пожара, лесопосадки, промышленные плантации, сады и агролес вроде масличной пальмы или какао, и вся остальная земля. К карте приложен ранний временной ряд по годам с 2017 по 2025, где видно не только, где лес исчез, но и что встало на его место.
Сверху старый тропический лес, эвкалиптовая плантация и пальмовое хозяйство выглядят одинаково зелеными, а углерода и живности в них несопоставимо разное количество. Модель учили на 1,7 млн размеченных точек, а проверяли на 9 тысячах случайных участков, которые изучали по два эксперта: тип леса угадан в 90% случаев, лес от не-леса отличен в 95%. Для бизнеса это не экология ради экологии: европейский регламент о продукции без вырубки требует доказать, что кофе, какао или пальмовое масло выросли не на земле, бывшей лесом в 2020 году. Карта бесплатна и лежит в Google Earth Engine под открытой лицензией.
Вердиктом она при этом не служит: карта выдает вероятность для каждого класса, и порог уверенности каждый пользователь выбирает сам. Незаконную вырубку она не доказывает, а показывает, куда стоит смотреть.
Источник: Google DeepMind, 22.10.2026
NTT заставила ИИ читать старую документацию. Он нашел втрое больше нестыковок, чем обычный поиск
23 октября японская NTT объявила технологию, которая готовит старые программные системы к работе с ИИ. Компания напоминает, что около 60% разработки — это не новые продукты, а доработка, поддержка и переделка существующих. За годы правок документация в таких системах расходится с кодом, тесты что-то перестают покрывать, и генеративный ИИ понимает систему так же плохо, как новый сотрудник в первый день.
Решение из двух частей. Первая автоматически связывает требования, проектные документы, код и тесты и ищет между ними противоречия. Во внутреннем эксперименте в проектную документацию специально заложили 41 ошибку: обычный поиск по документам с генерацией ответа нашел 11, или 27%, новый метод — 33, или 80%. Вторая часть ищет то, что существующие тесты не проверяют, и дописывает недостающие. Из шести заложенных багов она поймала четыре и заодно три настоящих, о которых никто не знал. Тесты, которые ИИ сочинил напрямую по спецификациям, не нашли ни одного из этих багов. Мораль старая как программирование: дело не в модели, а в порядке на складе.
Проверяли все на учебном демо-приложении фреймворка Macchinetta, а не на настоящей системе с двадцатилетней историей. На реальных проектах NTT технологию только собирается испытать.
Источник: NTT, 23.10.2026
Cognizant посчитала, что 72% компаний потратили на ИИ больше, чем собирались
22 октября Cognizant запустила AI Nexus — слой управления, который встает между компанией и всеми ее моделями. В нем пять модулей. Самый показательный — Reveal: он привязывает каждый токен, инструмент и доллар у разных поставщиков ИИ к конкретным людям, проектам и результатам. Критичные решения, по словам компании, остаются за человеком.
Повод для запуска интереснее самого продукта. Cognizant опросила 250 финансовых директоров по облачным расходам в компаниях с выручкой от $500 млн в США, Великобритании и Индии: 72% за последний год вышли за бюджет на ИИ, 16% — больше чем на четверть. 97% сталкивались с тем, что сессия ИИ-агента ушла за пределы ожидаемой стоимости или активности, и у 36% последствия были существенными. Похоже, агенты уже освоили главный навык опытного сотрудника — тратить деньги, пока никто не смотрит.
Опрос провела та же компания, которая продает от этого лекарство, а возможности платформы в релизе описаны как ожидаемые. Независимых подтверждений, что AI Nexus возвращает деньги, пока нет — зато вопрос, куда уходит бюджет на ИИ, впервые звучит громче вопроса, какую модель выбрать.
Источник: Cognizant, 22.10.2026
