Ложная информация в интернете (72%), состояние мировой экономики (70%) и терроризм (69%) рассматриваются как основные глобальные угрозы в 25 странах мира. Обеспокоенность изменением климата (67%) и распространением инфекционных заболеваний (60%) снизилась по сравнению с предыдущими годами, особенно в странах с высоким уровнем дохода. Исследование Pew Research Center также выявило значительные демографические различия по возрасту, идеологическим ориентациям, уровню дохода и отношению к национальной экономике.

Ложная информация — главная глобальная тревога. Наибольшая обеспокоенность наблюдается в Германии, Нидерландах, Польше, Швеции, Великобритании, США и Южной Корее. Особенно резко тревога выросла в Польше (+20 п. п.), Швеции (+10) и Венгрии (+9) с 2022 года. Эту угрозу чаще называют люди старше 50 лет и сторонники левых политических взглядов, что указывает на её связь с доверием к медиа и восприятием политической поляризации.

Экономическая нестабильность вызывает особое беспокойство в Греции и Австралии, а в 21 стране её восприятие усилилось с 2017 года. В Германии рост составил рекордные +38 п. п. Жители стран со средним уровнем дохода обеспокоены сильнее (75% против 65% в странах с высоким уровнем дохода), а негативная оценка национальной экономики напрямую коррелирует с восприятием глобальных экономических рисков.

Терроризм — высокая тревога в странах со средним доходом. Террористические угрозы чаще всего вызывают беспокойство в Индии, Израиле (89%), Нигерии и Турции. При этом в США зафиксировано снижение тревоги на 9 п. п. с 2020 года. Страны со средним уровнем дохода демонстрируют значительно более высокий уровень обеспокоенности (79% против 60% в странах с высоким уровнем дохода), а среди респондентов правых и популистских взглядов тревога выражена особенно ярко.

Климатические угрозы, несмотря на высокий общий уровень внимания (67%), не являются доминирующей тревогой ни в одной из стран. В странах с высоким уровнем дохода обеспокоенность снизилась с 2022 года. Либералы и молодые люди чаще выражают тревогу — например, в США 84% либералов против 20% консерваторов считают изменение климата серьёзной угрозой.

Опасения по поводу инфекционных заболеваний остаются наиболее сильными в Аргентине, Бразилии и ЮАР. Однако в странах с высоким уровнем дохода этот показатель существенно снизился — например, в Германии с 49% до 28% с 2022 года. Женщины в десяти странах чаще мужчин называют инфекции серьёзной угрозой.

Результаты показывают, что глобальные страхи смещаются: дезинформация и экономика выходят на первый план, а пандемические угрозы и климат — теряют актуальность, особенно в развитых странах. Однако важно учитывать ограничения исследования: ограниченный географический охват (25 стран), временные рамки (январь–апрель 2025), культурные различия в интерпретации вопросов и потенциальное влияние недавних событий на ответы респондентов.

Авторы обзора показывают, как искусственный интеллект может полностью перестроить систему контроля качества в лабораториях, где выращивают стволовые клетки. Вместо редких ручных проверок предлагается непрерывный мониторинг с автоматическим анализом данных и прогнозами, которые помогают заранее заметить проблемы и корректировать процесс в реальном времени.

Ключевые параметры качества включают:

• Форму и здоровье клеток — компьютерное зрение отслеживает, как выглядят клетки, и вовремя замечает отклонения.
• Условия в инкубаторах — ИИ прогнозирует возможные сбои, например, перепады температуры.
• Генетическую стабильность — объединяются результаты разных анализов (так называемые мульти-омиксные данные), чтобы убедиться, что клетки не меняются нежелательным образом.
• Риск заражения культур — алгоритмы обрабатывают сигналы от датчиков и предупреждают о возможной контаминации.

Применяются нейросети для анализа изображений (точность выше 90%), алгоритмы прогноза (Random Forest, SVM) для оценки рисков, «цифровые двойники» — компьютерные модели, имитирующие культуру клеток и помогающие подобрать оптимальные условия. Важная часть — «объяснимый ИИ»: специальные методы визуализации показывают, почему алгоритм принял то или иное решение, что важно для одобрения регуляторов.

Главные барьеры — огромные объёмы данных, отсутствие стандартов и высокие затраты на оборудование и обучение персонала. Кроме того, важны вопросы конфиденциальности (данные пациентов защищены законами вроде GDPR и HIPAA) и прозрачности алгоритмов.

Авторы ожидают, что в будущем такие системы станут автономными: лаборатории будут контролировать себя почти без участия человека, а данные из разных центров можно будет использовать для совместного обучения алгоритмов без передачи личной информации.

Исследователи создали систему Virtual Lab, которая позволяет ИИ-агентам работать в формате научной команды вместе с человеком. В отличие от обычных чат-ботов, эта архитектура строит целую команду виртуальных «учёных»: каждый агент выполняет свою роль — биолог, иммунолог, специалист по машинному обучению, а «главный исследователь» (PI-агент) координирует работу. Есть даже «научный критик», который проверяет выводы команды на строгость.

Исследование описывает, как ИИ провёл полный цикл разработки новых нанотел — миниатюрных антител, которые связываются с вирусными белками. Сначала система выбирает исходные молекулы (например, Ty1 или Nb21), затем использует три ключевых инструмента:

• ESM — модель, которая предсказывает, какие точечные мутации в белке будут полезными,
• AlphaFold-Multimer — инструмент, который строит 3D-структуру белка,
• Rosetta — программа для оценки того, насколько прочным будет связывание с вирусом.

Процесс идёт итерациями: сначала ИИ генерирует множество вариантов, затем отбирает лучшие по нескольким метрикам, а в конце исследователи проверяют их в лаборатории.

В результате система создала 92 варианта нанотел, из которых 90% хорошо «собирались» в клетках, а два мутанта показали улучшенное связывание с новыми вариантами коронавируса, включая KP.3 и JN.1. Например, модифицированное нанотело Nb21 не только сохранило способность связываться со старыми штаммами, но и стало эффективным против новых.

Virtual Lab демонстрирует, что ИИ может быть не просто инструментом, а полноценным партнёром в научных исследованиях. Система помогает преодолеть сложность междисциплинарных задач, которые обычно требуют большой команды экспертов. Авторы отмечают, что у ИИ остаются слабые места: модели могут работать на устаревших данных, прогнозы AlphaFold не всегда точны, а результат зависит от качества исходных данных и настройки запросов.

Обзор анализирует, какие технологии нужно развивать, чтобы достичь net zero к середине века. Авторы рассматривают пять крупнейших источников выбросов — промышленность, транспорт, теплоснабжение и здания, сельское хозяйство и энергетику — и оценивают 18 подсекторов, а также три ключевые сквозные решения: улавливание и хранение углерода (CCS), водород и биомассу.

Эксперты использовали две метрики:

• TMRL — уровень технологической и рыночной готовности, который показывает, насколько решение близко к масштабному внедрению (от ранней лабораторной стадии до готовности к масштабированию).
• TCL — уровень уверенности, что выбранная технология действительно сработает (низкий, средний или высокий).

Отдельно отмечены wild cards — перспективные, но пока неопределённые технологии, которые могут сыграть ключевую роль.

Для большинства секторов уже есть решения, готовые к внедрению (например, ВИЭ и электрификация транспорта), но для тяжёлой промышленности, авиации и некоторых сельскохозяйственных процессов потребуются новые прорывы — например, низкоуглеродная сталь или биоинженерия для сокращения выбросов метана. RD&D (исследования, разработка и демонстрация) должны фокусироваться на инновациях ранних стадий, создании инструментов для выбора оптимальных технологий и поддержке масштабирования зрелых решений.

Отчёт подчёркивает, что одного развития технологий недостаточно: нужны инвестиции в инфраструктуру, подготовка специалистов, новые цепочки поставок, вовлечение общества и политические стимулы.

Исследование Стэнфордской Digital Economy Lab анализирует, как волна внедрения ИИ отразилась на занятости в 2022–2025 годах. Результаты тревожные для начинающих специалистов: в профессиях, где ИИ способен автоматизировать значительную часть задач — например, у разработчиков ПО и сотрудников поддержки — занятость работников в возрасте 22–25 лет снизилась почти на 20%.

Шесть ключевых выводов:

1. Падение занятости среди молодых специалистов — особенно в «высоко-автоматизируемых» профессиях, где ИИ заменяет рутинный труд.
2. Общий рынок труда остаётся устойчивым — занятость в целом растёт, но для молодых работников рост застопорился, а в уязвимых категориях снизился на 6%.
3. Сильнее всего страдают профессии, где ИИ заменяет человека, а не помогает ему — в сферах, где ИИ дополняет труд (например, аналитика), занятость почти не изменилась.
4. Эффект сохраняется, даже если исключить колебания спроса на уровне отдельных компаний и отраслей.
5. Корректировка идёт через занятость, а не зарплаты — уровень оплаты остаётся стабильным, что говорит о высокой «инерции» зарплат.
6. Результаты устойчивы к проверкам — эффект наблюдается даже при исключении IT-специальностей, учёте удалённой работы и других альтернативных объяснений.

Авторы подчёркивают: важно следить, чтобы ИИ дополнял, а не вытеснял труд, и создавать программы поддержки для тех, кто выходит на рынок работы впервые.

Аналитики S&P Global повысили прогноз роста ВВП на 2025 год для США, Канады, еврозоны, Великобритании и Китая благодаря неожиданно сильным результатам второго квартала. Однако прогноз для Индии и Бразилии был снижен — причиной стали высокие пошлины США, которые давят на торговлю.

Экономисты предупреждают, что во второй половине 2025 года рост может замедлиться. Среди причин — скачок эффективной тарифной ставки США, исчерпание эффекта опережающих закупок и ограничительная денежно-кредитная политика. Улучшение ожидается в 2026 году, когда начнёт действовать смягчение монетарной политики и меры фискального стимулирования.