Проблемът със „забравянето“ при съвременните изкуствени интелекти е една от най-големите пречки пред създаването на автономни агенти, способни да изпълняват сложни, многостепенни задачи. Докато технологии като RAG (Retrieval-Augmented Generation) помагат при извличането на факти от големи бази данни, те често се провалят в поддържането на динамична „работна памет“ за текущото състояние на задачата. Решението идва под формата на δ-mem (Delta-Mem) — лек механизъм, който добавя само 0,12% допълнителни параметри към модела, за да му осигури стабилна и адаптивна памет [1].

Диаграма на архитектурата на δ-mem, илюстрираща интеграцията на OSAM с основния езиков модел. Авторско изображение.

Според репортаж на Android Central [1], Google превръща Gemini for Home в цялостна платформа с "пълен стек" от AI възможности, отваряйки своята екосистема за външни хардуерни производители и доставчици на услуги. Този ход цели да ускори навлизането на интелигентните технологии в ежедневието чрез партньорства с компании като AT&T.

Досега функциите на Gemini бяха ограничени предимно до устройствата от серията Nest, но новата програма позволява на трети страни да вграждат AI директно в своите продукти, прескачайки години на собствена научноизследователска дейност.

Според репортаж на VentureBeat [1], ентърпрайз приложенията, базирани на AI агенти, все по-често се сблъскват с фундаментално ограничение: те забравят наученото веднага след края на сесията. Този проблем, наречен "стена на паметта", пречи на масовото внедряване на автономни системи в бизнеса.

Основните архитектури в момента разчитат на RAG (Retrieval-Augmented Generation), което позволява на моделите да извличат информация от документи. RAG обаче е пасивен процес – моделът третира всяко взаимодействие като чисто нова задача и не успява да интернализира кои стъпки са довели до успех в миналото [1].

OpenAI обяви историческо постижение в областта на математиката: техен нов модел за разсъждение самостоятелно опроверга една от централните хипотези в дискретната геометрия – проблема за единичните разстояния в равнината, формулиран от Пал Ердьош през 1946 г. [1]. Това е първият случай, в който общоцелеви изкуствен интелект решава значим отворен проблем в математиката без човешка намеса в процеса на доказване.

Проблемът на Ердьош се отнася до максималния брой двойки точки на разстояние единица в набор от $n$ точки. Дълго време се смяташе, че този брой следва определена горна граница, но моделът на OpenAI успя да конструира безкрайно семейство от примери (контрапримери), които подобряват този лимит, доказвайки, че съществуват конфигурации с много повече единични разстояния [1].

По време на конференцията Open Source Summit North America 2026, Линус Торвалдс сподели своето нюансирано мнение за изкуствения интелект, описвайки го като „връзка на любов и омраза“ [1]. Създателят на Linux ядрото изрази остро възмущение от маркетинговите твърдения, че AI ще замени програмистите, но същевременно призна, че технологията вече оказва осезаемо влияние върху разработката на софтуер с отворен код.

Торвалдс отбеляза, че през последните шест месеца се наблюдава значителен ръст в броя на приносите (commits) към ядрото – увеличение от около 20% спрямо предходните години [1]. Първоначално той отдавал това на вълнението около версия 7.0, но по-късно осъзнал, че истинската причина са инструментите за AI разработка, които са станали достатъчно добри, за да свалят бариерата за навлизане на нови контрибутори.

Въпреки че съвременните инструменти за писане на код като GitHub Copilot или Cursor значително ускориха работата на разработчиците, те често остават „слепи“ за това какво се случва с приложението след фазата на писане. Този технологичен вакуум между разработката и доставката (shipping) е фокусът на най-новата иновация от Docker – техният първи автономен агент, наречен Gordon [1].

Според официалния анонс на компанията, Gordon вече е общодостъпен (GA) като част от Docker Desktop 4.74+ и чрез новата CLI команда docker ai.