Исследователи Колумбийского университета проверили, насколько языковые модели — включая GPT-4o и GPT-4 Turbo — способны воспроизводить ценности разных обществ. Они сопоставили ответы моделей с результатами World Values Survey — международного опроса, фиксирующего ценностные установки граждан — в 21 паре «страна–язык». Всего было использовано 94 вопроса, переведенных и проверенных носителями языка. Модели отвечали на эти вопросы так, будто являются жителями соответствующих стран, а полученные ответы сравнивались с человеческими. Отклонение более чем на 50% считалось ошибкой.

Далее исследователи сопоставили точность ответов с уровнем цифровой представленности языка — долей сайтов и текстов в интернете. Результат оказался однозначным: 44% вариации в способности GPT-4o имитировать ценности общества объясняется количеством цифровых данных на этом языке. Для GPT-4 Turbo эта зависимость достигла 72%, что указывает на ее большую зависимость от web-scraped контента. Ошибки в low-resource языках (то есть языках с ненасыщенным цифровым следом — хауса, амхарский, бирманский, шона) встречаются более чем в 5 раз чаще, чем в английском, немецком или японском.

Особенно заметны расхождения в темах «безопасность», «этические нормы» и «политическая культура» — именно там, где цифровое присутствие локальных обществ ограничено или цензурировано. Авторы рассматривают это не просто как техническую погрешность, а как новую форму цифрового неравенства, где ИИ наследует культурный уклон языков-гегемонов.
Даже несмотря на то, что GPT-4o снизила error rate в малоресурсных языках на 10 п.п., общий тренд сохраняется: модели лучше понимают культуры с богатым цифровым следом, а остальные репрезентируют фрагментарно.

В ответ исследователи призывают к созданию мультилингвальных LLM с участием локальных сообществ, открытым датасетам и этическим стандартам diversity & fairness — чтобы ИИ не только говорил на разных языках, но и понимал их миры.

Индустрия агентного AI стремительно растет — к 2025 году инвестиции превысили $2 млрд, а прогноз на 10 лет вперед оценивается в сто раз выше. За этим ростом стоит уверенность, что именно большие языковые модели (LLM) станут ядром умных агентов, способных рассуждать, писать код и взаимодействовать с инструментами.

Но исследователи из NVIDIA предлагают другой взгляд: в большинстве сценариев такие модели оказываются избыточны. Их работу могут взять на себя малые языковые модели (SLM) — компактные системы до 10 млрд параметров, способные работать локально и обслуживать одного пользователя.

Методология работы воспроизводит эксперимент постепенного перехода от LLM к SLM. Исследователи собрали данные об использовании агентных систем и проанализировали, какие задачи повторяются чаще всего и не требуют сложных рассуждений. Эти паттерны затем группировались в кластеры, после чего для каждой группы подбирались малые модели, способные решать ее автономно. SLM дообучались и тестировались в реальных цепочках вызовов, с многократными циклами перетренировки, пока не достигали производительности, сравнимой с LLM.

Оказалось, что до 70% типовых задач — генерация документов, кодирование, распознавание намерений, форматирование данных — уже могут выполняться малыми моделями без потери качества. В трех кейс-стади — MetaGPT, Open Operator и Cradle — SLM заменяют LLM от 40 до 70% вызовов. Модели в 1,5–7 млрд параметров уже сопоставимы с системами на 30–70 млрд параметров предыдущих поколений — особенно там, где важна стабильность и предсказуемость, а не открытое рассуждение. Стоимость при этом снижается в десятки раз.

Такой переход делает возможной децентрализацию агентных архитектур, где множество небольших моделей работают автономно, не обращаясь к централизованным облачным API. В долгосрочной перспективе исследователи видят в этом не просто технический, а структурный сдвиг от монолитных ИИ-хабов к распределенной экосистеме «малых AI-специалистов».

По мнению ученых, это снизит барьеры входа для разработчиков, уменьшит риски приватности и откроет путь к более устойчивому ИИ. Большие модели останутся инструментом для сложных рассуждений, но повседневный интеллект будет жить в малых масштабах — на устройствах, ближе к пользователю и к задаче.

В последние годы ИИ часто отстаивают как инструмент устойчивого развития — технологию, которая должна помочь человечеству сократить выбросы, повысить энергоэффективность и ускорить переход к «зеленой» экономике. Но эмпирических подтверждений этим ожиданиям пока немного.

Исследователи решили проверить, насколько искусственный интеллект действительно приближает США к цели углеродной нейтральности, и не создает ли он при этом новые риски. Для анализа они собрали квартальные данные за 1996–2020 годы и построили модели, учитывающие не только влияние самого AI, но и четыре сопутствующих фактора: энергетическую неопределенность (Energy Policy Uncertainty), «зеленый» рост (Green Growth) и качество регулирования (Regulatory Quality). Такой контекст позволил увидеть не линейную зависимость, а сложную систему взаимных эффектов.

Методологически исследование опирается на NARDL (Nonlinear Autoregressive Distributed Lag), Wavelet Time Coherence и Quantile-on-Quantile Regularized Least Squares — три подхода, позволяющих улавливать асимметричные связи и временные сдвиги. Это важно, потому что влияние AI на выбросы неоднородно: положительные и отрицательные шоки действуют с разной скоростью и в разных временных диапазонах.
Результаты подтверждают, что ИИ имеет двойственную природу.

Технологический прогресс и алгоритмическая оптимизация снижают выбросы — примерно на 0,11% при каждом проценте роста активности AI. Но вычислительная инфраструктура, дата-центры и энергетические цепочки, питающие ИИ-системы, создают обратный эффект — плюс 1,96% выбросов. В совокупности негативные последствия перевешивают, особенно при низком качестве регулирования и политической волатильности в энергетике.
При этом качество регулирования оказывается решающим фактором: рост этого показателя на одну единицу снижает выбросы почти на 47%, компенсируя вред от технологической экспансии. Показатель «зеленого» роста также демонстрирует устойчивое отрицательное влияние на выбросы, однако его эффект проявляется с существенным временным лагом, связанным с длительным циклом разработки, внедрения и масштабирования экологических инноваций.

Авторы приходят к выводу, что сам по себе искусственный интеллект не способствует снижению выбросов и не приближает к целям углеродной нейтральности. Его «экологический потенциал» раскрывается только в системах с устойчивыми институтами, прозрачной энергетической политикой и долгосрочными инвестициями в чистые технологии. Без этого ИИ превращается в еще один ускоритель углеродной зависимости — неотъемлемую часть индустрии, которую он должен был трансформировать.

Авторы прослеживают, как меняются симптомы проблемного использования интернета (PIU — Problematic Internet Use) у подростков по мере взросления. PIU — это не клинический диагноз, а поведенческий паттерн, при котором онлайн-активность начинает вытеснять другие сферы жизни: учебу, общение, сон, эмоциональное восстановление. Для подростков это состояние часто становится способом справиться со стрессом, тревожностью или давлением со стороны школы и семьи.

Исследование длилось три года и включало 302 школьника 11–14 лет. На каждом этапе — с шестого по девятый класс — авторы измеряли проявления PIU по 11 симптомам с помощью шкалы Problematic Internet Use Scale. Данные анализировались методом сетевого анализа (Gaussian Graphical Model), который позволяет определить, какие симптомы занимают центральные позиции и как меняется их взаимосвязь во времени. Такой подход показывает не просто уровень зависимости, а ее внутреннюю архитектуру — какие состояния тянут за собой остальные.

Результаты показывают, что PIU эволюционирует вместе с возрастом. На раннем этапе (6–7 класс) центральным становится симптом “being comfortable” — стремление к интернету как источнику эмоционального комфорта и расслабления. К 8–9 классу на первый план выходит “being conflicted” — внутреннее противоречие между осознанием вреда и невозможностью контролировать время онлайн.

Эта смена фокуса фиксирует переход от компенсационного к зависимому типу поведения. Со временем сама сеть симптомов становится плотнее: взаимосвязи между элементами усиливаются, PIU перестает быть набором отдельных привычек и превращается в взаимосвязанную систему симптомов, где эмоциональные и поведенческие реакции поддерживают друг друга. При этом гендерные различия отсутствуют — паттерн развития одинаков для мальчиков и девочек.

Авторы подчеркивают, что PIU — динамическая и структурно устойчивая форма поведения, а не временная зависимость. Это требует дифференцированных стратегий профилактики. В младших классах ключевыми становятся формирование офлайн-альтернатив комфорту, обучение цифровой гигиене и тайм-менеджменту. В старших — работа с саморегуляцией, тревожностью и развитием эмоциональной устойчивости.

В долгосрочной перспективе исследователи предлагают ввести системный мониторинг PIU на уровне школ — регулярные опросы, включение данных в психолого-педагогические карты и сопровождение подростков в группах риска.

Исследовательница Клаудия Голдин анализирует, почему рождаемость в индустриализированных странах остается низкой, несмотря на экономический рост, повышение уровня жизни и развитие социальных институтов. В фокусе ее работы — не экономические стимулы, а структурное несоответствие между расширением женской автономии и медленной адаптацией мужских и институциональных ролей.

Основой анализа становится гипотеза о “matching problem”. Голдин показывает, что снижение рождаемости связано не с отказом от семьи, а с несовпадением ожиданий: чем меньше мужчин, готовых разделять уход и домашнюю нагрузку, тем рациональнее для женщин откладывать рождение детей или вовсе отказываться от материнства.

Для проверки этой идеи Голдин объединяет исторические и макроэкономические ряды по 12 странам — от США и Франции до Японии и Кореи — и применяет когортный и сравнительный анализ с использованием показателей TFR, GFR и Cohort Fertility Rate. Она сопоставляет динамику рождаемости с данными о распределении домашнего труда (OECD, Time Use Database) и моделирует влияние «традиционных» и «модерных» типов партнерств. В модели вероятность рождения ребенка зависит не только от дохода, но и от шанса, что женщина сможет совместить материнство с занятостью — переменной, определяемой долей “modern men” в обществе.

Результаты показывают, что уровень рождаемости напрямую связан с гендерным разрывом в домашней нагрузке. В странах с низким TFR (суммарный коэффициент рождаемости, показывающий среднее число детей, рождаемых одной женщиной за жизнь, где уровень ниже 2.1 означает демографическое сокращение населения), например, в Японии (1.36) и Италии (1.27) женщины тратят на домашние дела около трех часов в день, тогда как в Швеции и Дании (где TFR ближе к 1.7) — менее часа. Чем меньше разрыв, тем выше рождаемость. По мере роста женской автономии этот разрыв становится главным фактором демографического спада: женщины адаптируются к новым социальным условиям быстрее, чем институты и мужчины.

Сравнение двух групп стран подтверждает этот тренд. В первой — США, Франции, странах Скандинавии — рождаемость снижается умеренно: TFR держится в пределах 1.6–1.9, уровень бездетности остается стабильным. Во второй — Италии, Испании, Корее и Японии — показатели падают до «нижнего-низкого» уровня (меньше 1.5, в Корее — 0.78), при этом растет доля женщин без детей. Разрыв, по мнению исследовательницы, связан не столько с экономикой, сколько с темпом культурных изменений: во второй группе женщины принимают и воспроизводят новые модели образования и карьеры быстрее, чем успевают меняться социальные институты и представления о ролях мужчин.

Голдин приходит к выводу, что «обратная сторона фертильности» — это не кризис желания иметь детей, а последствие несогласованной модернизации. Женская автономность развивается быстрее, чем готовность систем — трудовых, семейных, культурных — поддерживать новые формы бытового равенства. В результате падение рождаемости становится не экономической, а социальной проблемой, требующей переосмысления роли институтов в постиндустриальном обществе.

Исследование переносит классический эксперимент Милгрэма о «шести рукопожатиях» в цифровую среду, чтобы понять, как человек ориентируется не в социальной, а в информационной сети. В центре работы — сравнение двух стратегий поиска: hub-driven, основанной на движении через крупные «центры» знаний (страны, города, профессии), и proximity-driven, где поиск строится по смысловой близости, шаг за шагом приближая пользователя к цели.

Исследователи ставят вопрос, какие типы людей склонны выбирать ту или иную стратегию и что этот выбор говорит о механизмах человеческого мышления в цифровом мире.

Эксперимент проходил в два этапа — в 2020 и 2023 годах — с участием 802 человек из США. Участники выполняли девять раундов навигации в Wikipedia: от одной известной личности к другой (например, от Barack Obama к Vincent van Gogh). Использовались два режима: Speed-race (ограничение 150 секунд) и Least-clicks (не более семи переходов). Для анализа исследователи построили граф Wikipedia из 5.9 млн страниц и 133.6 млн ссылок, обучили 64-мерное векторное представление и рассчитали два показателя — иерархический индекс и семантическую близость к цели. Это позволило количественно определить, какая стратегия преобладает у каждого участника и как она соотносится с индивидуальными характеристиками.

Результаты показали, что стратегии находятся в отношении взаимного напряжения (корреляция –0.55): усиление одной снижает выраженность другой.

В задачах на скорость hub-driven оказалась эффективнее — участники экономили в среднем 3.25 секунды и 0.41 клика, тогда как в задачах на минимальное число шагов обе стратегии давали прирост эффективности.
Модели с фиксированными индивидуальными эффектами объяснили до 49% дисперсии результатов. Старшие участники чаще применяли proximity-driven (+0.013 на единицу возраста), женщины (+0.040) и белые респонденты (+0.038) также демонстрировали большую склонность к тематическому поиску, тогда как молодые участники чаще выбирали hub-подход (–0.008 на единицу возраста).

Языковой бэкграунд и политические взгляды существенной роли не играли.
Дополнительно исследователи выделили различие между географической и профессиональной навигацией: в задачах типа Trump → Tchaikovsky до 92% участников шли через географические страницы, тогда как в Jobs → Chaplin — лишь 21%. Географические маршруты чаще соответствовали hub-модели, а профессиональные — proximity-модели.

Исследователи показывают, что поиск информации — это не только технический, но и когнитивный процесс, отражающий индивидуальные модели мышления. Одни пользователи мыслят «через хабы» — глобально и структурно, другие — «через близость» — локально и контекстно.
Эти паттерны аналогичны стратегиям социальной навигации, когда человек ищет нужные связи либо через влиятельные центры, либо через тематическое сходство. Авторы делают вывод, что навигация в пространстве знаний — это форма интеллектуальной адаптации к цифровому избытку: эффективные поисковые системы и образовательные платформы должны учитывать, что путь к знанию всегда индивидуален и определяется тем, как человек строит и сокращает связи.