Чего ждать от ИИ в 2026 году?
Каждый день в мире выходят сотни исследований в области ИИ. За прошлый год вышло около 50 000 работ. Изучить все это невозможно, и главное — большая часть из них не влияет на реальный прогресс в ИИ.
На моем YouTube-канале вышло новое видео, в котором я проанализировал 30 самых перспективных исследований ИИ за прошлый год. Это позволяет понять текущие тренды и прогнозировать, что нас ждет в новом году.
Я разделил исследования на шесть ключевых направлений и разобрал их простыми словами:
• как меняются методы обучения моделей;
• как строить работающие мультиагентные системы;
• как ИИ воплощается в физическом мире в виде роботов и других устройств;
• как ИИ влияет на программирование и науку;
• и почему когнитивные системы и агентная экономика — следующий шаг в развитии ИИ.
Если вам важно не просто пользоваться ИИ и внедрять его в бизнес, а понимать, куда развивается сама технология и какую роль в этом играет человек — это видео для вас.
А какие из этих направлений вы считаете самыми перспективными в 2026 году?
#анонс
Каждый день в мире выходят сотни исследований в области ИИ. За прошлый год вышло около 50 000 работ. Изучить все это невозможно, и главное — большая часть из них не влияет на реальный прогресс в ИИ.
На моем YouTube-канале вышло новое видео, в котором я проанализировал 30 самых перспективных исследований ИИ за прошлый год. Это позволяет понять текущие тренды и прогнозировать, что нас ждет в новом году.
Я разделил исследования на шесть ключевых направлений и разобрал их простыми словами:
• как меняются методы обучения моделей;
• как строить работающие мультиагентные системы;
• как ИИ воплощается в физическом мире в виде роботов и других устройств;
• как ИИ влияет на программирование и науку;
• и почему когнитивные системы и агентная экономика — следующий шаг в развитии ИИ.
Если вам важно не просто пользоваться ИИ и внедрять его в бизнес, а понимать, куда развивается сама технология и какую роль в этом играет человек — это видео для вас.
А какие из этих направлений вы считаете самыми перспективными в 2026 году?
#анонс
YouTube
Топ-30 исследований, которые меняют всё | ИИ-революция
TG-канал: https://t.me/andre_dataist
Каждый день в мире выходят сотни новых исследований в области искусственного интеллекта.
Только за 2025 год их появилось около 50 000, и изучить все это невозможно. Более того, большая часть никак не влияет на реальное…
Каждый день в мире выходят сотни новых исследований в области искусственного интеллекта.
Только за 2025 год их появилось около 50 000, и изучить все это невозможно. Более того, большая часть никак не влияет на реальное…
3🔥18👍9❤8⚡2🏆1
Когнитивный анализ HR-процесса: как превратить человеческое мышление в ИИ-агента
При анализе бизнес-процессов я стараюсь не полагаться на рассказы исполнителей о том, как у них все работает, и на озвученные ими метрики. Как говорил доктор Хаус: «Все лгут» (чаще всего — неосознанно). Поэтому я начинаю с данных. Для этого используется process mining.
Мы берем события из HR-системы: уникальный идентификатор кандидата, смену этапов (activity) и временные метки. На их основе восстанавливаем реальный процесс AS-IS и смотрим, как кандидаты действительно движутся по воронке. Это можно сделать, например, с помощью PM4Py.
Под капотом PM4Py использует алгоритм Inductive Miner. Он анализирует последовательности событий по каждому кандидату, находит устойчивые паттерны (последовательности, выборы, параллельные шаги и циклы) и рекурсивно собирает из них корректную модель процесса.
После process mining начинается гэмба. Я беру одну конкретную вакансию и смотрю, как рекрутер работает на практике: от поиска кандидатов до интервью и выдачи фидбэка. Здесь важно сопоставить данные из логов с реальными действиями.
И только после этого начинается когнитивный анализ.
Типичная проблема компаний — знания, которые существуют только в головах людей и никак не оцифрованы. Например, решения рекрутера опираются на понимание мышления кандидатов, их мотивации и ситуации на рынке. Формально этого нигде нет, но именно это определяет качество найма.
Эти знания нельзя извлечь из логов, поэтому я рекомендую когнитивные интервью из CTA (Cognitive Task Analysis). Это метод декомпозиции мышления человека на элементарные шаги. На каждом этапе мы уточняем у рекрутера: что он сделал, почему именно так и какие были альтернативы.
Например:
Особенно хорошо работают вопросы про ошибки новичков и сложные кейсы — именно там проявляется реальная экспертиза. Полезно также «мыслить вслух», когда человек анализирует резюме и проговаривает ход своих рассуждений.
После этого мы строим когнитивные карты — они отражают последовательность мыслей и точки принятия решений. Так я записал интервью с рекрутером, попросил ИИ описать мыслительный процесс в виде Mermaid-кода и визуализировал его тут в виде диаграммы. В итоге получился наглядный майндмэп мышления профессионального рекрутера.
Далее поверх AS-IS формируется TO-BE: какие шаги берет на себя агент, а где требуется человек (например, на технических интервью). Отсюда следуют требования, архитектура и дальнейшая разработка агента с соответствующими цепочками размышлений. Если эксперт опирается на дополнительные знания, нужно определить их источники и выстроить RAG-систему.
В результате роль рекрутера сводится к постановке правильных вопросов. Например, при поиске ИИ-инженера агент-рекрутер задает вопрос про ответственность:
Один кандидат ответил, что проблема скорее в данных или модели и что он бы дообучал модель, не меняя архитектуру. ИИ дал фидбэк: кандидат может быть технически сильным, но он сдвигает границу ответственности.
Другой кандидат сказал, что сначала проверил бы retrieval, зафиксировал проблему, если она есть и предложил изменения в архитектуре. ИИ дал фидбэк: кандидат берет ответственность за систему целиком, поэтому такому инженеру можно доверить сложную архитектуру.
Таким образом, мы получили формализованное мышление, встроенное в ИИ-агента.
Когнитивный анализ решает ключевую проблему бизнеса — оцифровку знаний в головах людей и сценариев их применения. Он дополняет классический бизнес-анализ процессов тем, что извлекает экспертность.
Именно это делает возможным создание по-настоящему умных ИИ-агентов, а не просто автоматизированных процессов.
#кейсы
При анализе бизнес-процессов я стараюсь не полагаться на рассказы исполнителей о том, как у них все работает, и на озвученные ими метрики. Как говорил доктор Хаус: «Все лгут» (чаще всего — неосознанно). Поэтому я начинаю с данных. Для этого используется process mining.
Мы берем события из HR-системы: уникальный идентификатор кандидата, смену этапов (activity) и временные метки. На их основе восстанавливаем реальный процесс AS-IS и смотрим, как кандидаты действительно движутся по воронке. Это можно сделать, например, с помощью PM4Py.
Под капотом PM4Py использует алгоритм Inductive Miner. Он анализирует последовательности событий по каждому кандидату, находит устойчивые паттерны (последовательности, выборы, параллельные шаги и циклы) и рекурсивно собирает из них корректную модель процесса.
После process mining начинается гэмба. Я беру одну конкретную вакансию и смотрю, как рекрутер работает на практике: от поиска кандидатов до интервью и выдачи фидбэка. Здесь важно сопоставить данные из логов с реальными действиями.
И только после этого начинается когнитивный анализ.
Типичная проблема компаний — знания, которые существуют только в головах людей и никак не оцифрованы. Например, решения рекрутера опираются на понимание мышления кандидатов, их мотивации и ситуации на рынке. Формально этого нигде нет, но именно это определяет качество найма.
Эти знания нельзя извлечь из логов, поэтому я рекомендую когнитивные интервью из CTA (Cognitive Task Analysis). Это метод декомпозиции мышления человека на элементарные шаги. На каждом этапе мы уточняем у рекрутера: что он сделал, почему именно так и какие были альтернативы.
Например:
— Какие признаки в резюме вы сразу интерпретируете как риск?
— Если человек каждые полгода меняет работу — это сразу ред флаг. Даже если стек подходит. Обычно это говорит о проблемах с ответственностью или доведением задач до конца.
Особенно хорошо работают вопросы про ошибки новичков и сложные кейсы — именно там проявляется реальная экспертиза. Полезно также «мыслить вслух», когда человек анализирует резюме и проговаривает ход своих рассуждений.
После этого мы строим когнитивные карты — они отражают последовательность мыслей и точки принятия решений. Так я записал интервью с рекрутером, попросил ИИ описать мыслительный процесс в виде Mermaid-кода и визуализировал его тут в виде диаграммы. В итоге получился наглядный майндмэп мышления профессионального рекрутера.
Далее поверх AS-IS формируется TO-BE: какие шаги берет на себя агент, а где требуется человек (например, на технических интервью). Отсюда следуют требования, архитектура и дальнейшая разработка агента с соответствующими цепочками размышлений. Если эксперт опирается на дополнительные знания, нужно определить их источники и выстроить RAG-систему.
В результате роль рекрутера сводится к постановке правильных вопросов. Например, при поиске ИИ-инженера агент-рекрутер задает вопрос про ответственность:
«Представьте, что предложенная вами RAG-архитектура дает формально корректные, но опасные для бизнеса ответы. Как вы поймете, что проблема может быть в архитектуре, и какие шаги предпримете?»
Один кандидат ответил, что проблема скорее в данных или модели и что он бы дообучал модель, не меняя архитектуру. ИИ дал фидбэк: кандидат может быть технически сильным, но он сдвигает границу ответственности.
Другой кандидат сказал, что сначала проверил бы retrieval, зафиксировал проблему, если она есть и предложил изменения в архитектуре. ИИ дал фидбэк: кандидат берет ответственность за систему целиком, поэтому такому инженеру можно доверить сложную архитектуру.
Таким образом, мы получили формализованное мышление, встроенное в ИИ-агента.
Когнитивный анализ решает ключевую проблему бизнеса — оцифровку знаний в головах людей и сценариев их применения. Он дополняет классический бизнес-анализ процессов тем, что извлекает экспертность.
Именно это делает возможным создание по-настоящему умных ИИ-агентов, а не просто автоматизированных процессов.
#кейсы
5🔥15👍7❤4🤯1🏆1
Топ-5 инсайтов из отчета Microsoft о том, как ИИ реально используется в мире
Microsoft попытались впервые измерить, сколько людей по всему миру используют ИИ. Их отчет AI Diffusion Report 2025 основан на обезличенных данных о реальном использовании ИИ-сервисов.
Выяснилось, что 16,3% людей в мире уже используют ИИ. При этом интернетом пользуются около 74%, а значит, примерно 22% всех интернет-пользователей применяют ИИ в работе, учебе или повседневных задачах. Это означает, что ИИ уже на пути к массовой адаптации, но неравномерно распределен.
В 7 из 30 стран мирового топ-30 почти каждый второй использует ИИ: Норвегия — 46,4%, Ирландия — 44,6%, Франция — 44,0%. В этих странах ИИ ускоряет обучение граждан, растет производительность труда, ИИ интегрируется в школы, бизнес и государственные институты. Более того, 18 из 30 стран топ-30 уже перешли порог 30%, что говорит о формировании новой нормы использования ИИ.
Но разрыв между странами продолжает расти. В среднем топ-30 стран живут в совершенно другой реальности: 35,6% пользователей против 16,3% в мире, то есть более чем в 2,2 раза выше. За вторую половину 2025 года «глобальный Север» вырос с 22,9% до 24,7%, тогда как «глобальный Юг» — с 13,1% до 14,1%. Разрыв увеличился с 9,8% до 10,6%. Это показывает, что мир адаптируется к ИИ с разной скоростью. Если темпы сохранятся, разрыв будет увеличиваться примерно на 0,8% каждые полгода.
Особенно показателен пример США. Несмотря на лидерство в ИИ-технологиях, доля пользователей там составляет лишь 28,3%, и страна опустилась с 23-го на 24-е место в мировом рейтинге. Это означает, что технологическое лидерство не гарантирует массовую адаптацию технологии. Для этого нужна отдельная стратегия внедрения ИИ. Кто выстроит ее лучше, обгонит даже США.
Абсолютным лидером остаются ОАЭ. На конец 2025 года 64% трудоспособных граждан уже используют ИИ — почти в четыре раза выше мирового уровня. Это результат многолетней стратегии: ранние государственные внедрения, обучение, понятное регулирование и высокий уровень доверия людей. Сингапур следует за ними с 60,9%. Так что лучший путь к массовой адаптации — сделать ИИ частью государственных сервисов.
Согласно отчету Microsoft, в России ИИ используют около 8% людей, что примерно вдвое ниже среднемирового уровня в 16,3%. При этом в отчете отдельно отмечается популярность DeepSeek, так что можно предположить, что реальный процент использования частично обходится официальной статистикой Microsoft из-за open-source решений.
В Африке использование DeepSeek оценивается в 2–4 раза выше, чем в других регионах. Это показывает, насколько важен open source, чтобы разрыв в адаптации не увеличивался и технологии распределялись более равномерно. Поэтому, как я уже не раз говорил, децентрализованное обучение, синтетические данные и новые подходы к обучению — вот рецепт для стран «глобального Юга».
В новой экономике выигрывают не те страны, у кого самые мощные модели, а те, кто научился быстро и массово учить людей работать с ИИ и снижать барьеры входа. Именно такие страны будут расти быстрее — независимо от того, где они находятся на карте.
#новости
Microsoft попытались впервые измерить, сколько людей по всему миру используют ИИ. Их отчет AI Diffusion Report 2025 основан на обезличенных данных о реальном использовании ИИ-сервисов.
Выяснилось, что 16,3% людей в мире уже используют ИИ. При этом интернетом пользуются около 74%, а значит, примерно 22% всех интернет-пользователей применяют ИИ в работе, учебе или повседневных задачах. Это означает, что ИИ уже на пути к массовой адаптации, но неравномерно распределен.
В 7 из 30 стран мирового топ-30 почти каждый второй использует ИИ: Норвегия — 46,4%, Ирландия — 44,6%, Франция — 44,0%. В этих странах ИИ ускоряет обучение граждан, растет производительность труда, ИИ интегрируется в школы, бизнес и государственные институты. Более того, 18 из 30 стран топ-30 уже перешли порог 30%, что говорит о формировании новой нормы использования ИИ.
Но разрыв между странами продолжает расти. В среднем топ-30 стран живут в совершенно другой реальности: 35,6% пользователей против 16,3% в мире, то есть более чем в 2,2 раза выше. За вторую половину 2025 года «глобальный Север» вырос с 22,9% до 24,7%, тогда как «глобальный Юг» — с 13,1% до 14,1%. Разрыв увеличился с 9,8% до 10,6%. Это показывает, что мир адаптируется к ИИ с разной скоростью. Если темпы сохранятся, разрыв будет увеличиваться примерно на 0,8% каждые полгода.
Особенно показателен пример США. Несмотря на лидерство в ИИ-технологиях, доля пользователей там составляет лишь 28,3%, и страна опустилась с 23-го на 24-е место в мировом рейтинге. Это означает, что технологическое лидерство не гарантирует массовую адаптацию технологии. Для этого нужна отдельная стратегия внедрения ИИ. Кто выстроит ее лучше, обгонит даже США.
Абсолютным лидером остаются ОАЭ. На конец 2025 года 64% трудоспособных граждан уже используют ИИ — почти в четыре раза выше мирового уровня. Это результат многолетней стратегии: ранние государственные внедрения, обучение, понятное регулирование и высокий уровень доверия людей. Сингапур следует за ними с 60,9%. Так что лучший путь к массовой адаптации — сделать ИИ частью государственных сервисов.
Согласно отчету Microsoft, в России ИИ используют около 8% людей, что примерно вдвое ниже среднемирового уровня в 16,3%. При этом в отчете отдельно отмечается популярность DeepSeek, так что можно предположить, что реальный процент использования частично обходится официальной статистикой Microsoft из-за open-source решений.
В Африке использование DeepSeek оценивается в 2–4 раза выше, чем в других регионах. Это показывает, насколько важен open source, чтобы разрыв в адаптации не увеличивался и технологии распределялись более равномерно. Поэтому, как я уже не раз говорил, децентрализованное обучение, синтетические данные и новые подходы к обучению — вот рецепт для стран «глобального Юга».
В новой экономике выигрывают не те страны, у кого самые мощные модели, а те, кто научился быстро и массово учить людей работать с ИИ и снижать барьеры входа. Именно такие страны будут расти быстрее — независимо от того, где они находятся на карте.
#новости
1👍16❤7⚡3🔥3🏆1👀1
Как устроены ИИ-агенты, которые завели свою соцсеть и придумали свою религию
Сегодня все говорят об агенте OpenClaw, который за несколько недель прошел путь от очередного open-source-проекта до эталона того, как выглядит персональный ИИ в 2026 году.
Сначала разработчики называли агента Clawdbot, потом Moltbot, а затем переименовали в OpenClaw. OpenClaw общается через привычные мессенджеры, использует Claude, GPT, Gemini или локальные модели.
OpenClaw — это локальный шлюз, который соединяет модели с файлами, процессами, браузером и внешними сервисами.
По текстовому запросу он умеет создавать файлы, выполнять скрипты и управлять браузером. По сути, это полноценный оператор ОС.
Агент хранит память, исполняет действия, запускает другие инструменты и пишет код для расширения собственных возможностей.
Это, конечно, не AGI, но удачная реализация механизма постановки и удержания целей, заметно улучшающая работу агента.
Теперь пользователи делятся не промптами, а навыками агентов — повторяемыми, переносимыми и автоматизируемыми блоками.
Разумеется, есть вопросы к безопасности. OpenClaw имеет определенные права доступа. Поэтому пользователи покупают отдельные Mac mini под каждого OpenClaw-агента, чтобы у каждого агента был свой «дом».
Агенты начали взаимодействовать не только с человеком, но и друг с другом. Так появилась соцсеть Moltbook, в которой агенты общаются без участия людей.
Агенты даже придумали религию Crustafarianism. По сути, это устойчивый смысловой паттерн, возникающий, когда один агент генерирует контент, а другой его потребляет.
Это не баг и не восстание машин, а фича такой системы. Без внешнего наблюдателя и человеческого контекста такие паттерны не корректируются, а стабилизируются.
Отдельно стоит проговорить как OpenClaw вообще устроен изнутри. Если копнуть архитектуру, выясняется, что OpenClaw — это TypeScript-CLI-приложение, которое работает локально или в облаке и поднимает gateway-сервер — сердце всей системы.
Именно там задачи выполняются последовательно, а параллелизм разрешен только для явно безопасных операций.
Собственно «мышление» начинается в Agent Runner. Здесь выбирается модель, а системный промпт собирается динамически с доступными инструментами, навыками, памятью и контекстом диалога.
OpenClaw реально исполняет задачи локально, добавляет результат обратно в контекст и запускает следующий шаг. Этот цикл продолжается до финального ответа или достижения лимита ходов.
Память устроена просто: краткосрочная находится в jsonl-файлах, а долгосрочная — в markdown. Поиск работает гибридно: семантика через векторы и поиск по ключевым словам.
Старые диалоги суммируются в markdown. Никакого «умного» взвешивания и автоматического забывания. Не изящно, но прозрачно и легко дебажится.
Безопасность обеспечивается списком разрешенных команд. Опасные паттерны блокируются до исполнения. Философия простая: максимум автономии в рамках явно заданных границ.
Браузерная автоматизация сделана нетривиально. Вместо скриншотов используется семантический слепок страницы, поэтому агент взаимодействует не с пикселями, а с логической структурой страницы. Это экономит токены и повышает надежность автоматизации.
Если все это собрать вместе, становится понятно, что OpenClaw — достаточно несложный сервис, который дает моделям реальные «ручки» для взаимодействия с компьютером.
Так мы столкнулись не с ИИ как инструментом, а с ИИ как участником среды.
Поэтому важный вопрос сегодня — как эта среда спроектирована, с кем агент взаимодействует и какие у него границы дозволенного.
#новости
Сегодня все говорят об агенте OpenClaw, который за несколько недель прошел путь от очередного open-source-проекта до эталона того, как выглядит персональный ИИ в 2026 году.
Сначала разработчики называли агента Clawdbot, потом Moltbot, а затем переименовали в OpenClaw. OpenClaw общается через привычные мессенджеры, использует Claude, GPT, Gemini или локальные модели.
OpenClaw — это локальный шлюз, который соединяет модели с файлами, процессами, браузером и внешними сервисами.
По текстовому запросу он умеет создавать файлы, выполнять скрипты и управлять браузером. По сути, это полноценный оператор ОС.
Агент хранит память, исполняет действия, запускает другие инструменты и пишет код для расширения собственных возможностей.
Это, конечно, не AGI, но удачная реализация механизма постановки и удержания целей, заметно улучшающая работу агента.
Теперь пользователи делятся не промптами, а навыками агентов — повторяемыми, переносимыми и автоматизируемыми блоками.
Разумеется, есть вопросы к безопасности. OpenClaw имеет определенные права доступа. Поэтому пользователи покупают отдельные Mac mini под каждого OpenClaw-агента, чтобы у каждого агента был свой «дом».
Агенты начали взаимодействовать не только с человеком, но и друг с другом. Так появилась соцсеть Moltbook, в которой агенты общаются без участия людей.
Агенты даже придумали религию Crustafarianism. По сути, это устойчивый смысловой паттерн, возникающий, когда один агент генерирует контент, а другой его потребляет.
Это не баг и не восстание машин, а фича такой системы. Без внешнего наблюдателя и человеческого контекста такие паттерны не корректируются, а стабилизируются.
Отдельно стоит проговорить как OpenClaw вообще устроен изнутри. Если копнуть архитектуру, выясняется, что OpenClaw — это TypeScript-CLI-приложение, которое работает локально или в облаке и поднимает gateway-сервер — сердце всей системы.
Именно там задачи выполняются последовательно, а параллелизм разрешен только для явно безопасных операций.
Собственно «мышление» начинается в Agent Runner. Здесь выбирается модель, а системный промпт собирается динамически с доступными инструментами, навыками, памятью и контекстом диалога.
OpenClaw реально исполняет задачи локально, добавляет результат обратно в контекст и запускает следующий шаг. Этот цикл продолжается до финального ответа или достижения лимита ходов.
Память устроена просто: краткосрочная находится в jsonl-файлах, а долгосрочная — в markdown. Поиск работает гибридно: семантика через векторы и поиск по ключевым словам.
Старые диалоги суммируются в markdown. Никакого «умного» взвешивания и автоматического забывания. Не изящно, но прозрачно и легко дебажится.
Безопасность обеспечивается списком разрешенных команд. Опасные паттерны блокируются до исполнения. Философия простая: максимум автономии в рамках явно заданных границ.
Браузерная автоматизация сделана нетривиально. Вместо скриншотов используется семантический слепок страницы, поэтому агент взаимодействует не с пикселями, а с логической структурой страницы. Это экономит токены и повышает надежность автоматизации.
Если все это собрать вместе, становится понятно, что OpenClaw — достаточно несложный сервис, который дает моделям реальные «ручки» для взаимодействия с компьютером.
Так мы столкнулись не с ИИ как инструментом, а с ИИ как участником среды.
Поэтому важный вопрос сегодня — как эта среда спроектирована, с кем агент взаимодействует и какие у него границы дозволенного.
#новости
4🔥26👍11🦄4❤3
Приглашаю вас на Open Talks AI 2026
На конференции я буду рассказывать про ИИ-суперагента — как на практике построить самоорганизующуюся агентную систему, которая умеет решать сложные задачи.
Поговорим про архитектуру под капотом:
• почему агенты с цепочками рассуждений не справляются со сложными задачами;
• что такое когнитивное ядро и зачем агенту явные намерения и контрольный цикл;
• как иерархическое планирование через граф навыков делает поведение агентов более предсказуемым — что критично для бизнес-процессов;
• как мы боремся с галлюцинациями и ложными результатами через циклы проверки с симулированными критиками;
• память как масштабируемая система: GraphRAG и agentic retrieval;
• как через MCP безопасно и просто подключать реальные бизнес-инструменты.
Будет разбор того, как работает ИИ-суперагент на реальной задаче. Это доклад для тех, кто делает агентов для продакшена и хочет, чтобы они были предсказуемыми, управляемыми и надежными.
На конференции также выступают:
• Татьяна Шаврина — руководитель исследований в команде Llama;
• Александр Крайнов — директор по ИИ в Яндекс;
• Илья Макаров, PhD — руководитель группы ИИ в промышленности AIRI, ведущий исследователь в Институте системного програмирования РАН;
• Сергей Шумский, PhD — нейроинформатик в Физическом институте им. П.Н. Лебедева РАН;
• Константин Анохин — нейробиолог, профессор, академик РАН, директор Института перспективных исследований мозга МГУ;
• Также выступят коллеги из DeepMind, Microsoft, Университета Карнеги-Меллона, Высшей школы экономики, МФТИ, AI Talent Hub, ИТМО, Сколтеха, Sber AI Lab и других организаций.
Как видите, ожидаются жаркие дискуссии на стыке ИИ, мозга и бизнеса — будет интересно.
Для всех подписчиков канала действует
— спасибо организатору конференции Игорю Пивоварову.
Увидимся в Белграде, Сербия, 19–20 февраля!
В онлайне тоже можно посмотреть.
👉 Зарегистрироваться
#анонсы
На конференции я буду рассказывать про ИИ-суперагента — как на практике построить самоорганизующуюся агентную систему, которая умеет решать сложные задачи.
Поговорим про архитектуру под капотом:
• почему агенты с цепочками рассуждений не справляются со сложными задачами;
• что такое когнитивное ядро и зачем агенту явные намерения и контрольный цикл;
• как иерархическое планирование через граф навыков делает поведение агентов более предсказуемым — что критично для бизнес-процессов;
• как мы боремся с галлюцинациями и ложными результатами через циклы проверки с симулированными критиками;
• память как масштабируемая система: GraphRAG и agentic retrieval;
• как через MCP безопасно и просто подключать реальные бизнес-инструменты.
Будет разбор того, как работает ИИ-суперагент на реальной задаче. Это доклад для тех, кто делает агентов для продакшена и хочет, чтобы они были предсказуемыми, управляемыми и надежными.
На конференции также выступают:
• Татьяна Шаврина — руководитель исследований в команде Llama;
• Александр Крайнов — директор по ИИ в Яндекс;
• Илья Макаров, PhD — руководитель группы ИИ в промышленности AIRI, ведущий исследователь в Институте системного програмирования РАН;
• Сергей Шумский, PhD — нейроинформатик в Физическом институте им. П.Н. Лебедева РАН;
• Константин Анохин — нейробиолог, профессор, академик РАН, директор Института перспективных исследований мозга МГУ;
• Также выступят коллеги из DeepMind, Microsoft, Университета Карнеги-Меллона, Высшей школы экономики, МФТИ, AI Talent Hub, ИТМО, Сколтеха, Sber AI Lab и других организаций.
Как видите, ожидаются жаркие дискуссии на стыке ИИ, мозга и бизнеса — будет интересно.
Для всех подписчиков канала действует
скидка 20% по промокоду DATAIST
— спасибо организатору конференции Игорю Пивоварову.
Увидимся в Белграде, Сербия, 19–20 февраля!
В онлайне тоже можно посмотреть.
👉 Зарегистрироваться
#анонсы
5🔥22👍11❤6👏2🏆2
Media is too big
VIEW IN TELEGRAM
Как за неделю собрать стартап и выйти на первых пользователей
Недавно мы провели недельный интенсив совместно с AI Talent Hub в роли организатора, а я помогал с методологией AI-First-разработки и провел серию вебинаров — в том числе о выходе на первых пользователей и поиске product–market fit.
Я рассчитывал увидеть рабочие прототипы, но в итоге несколько из 20 команд меньше чем за неделю прошли весь путь — от создания продукта до получения предложения о пилоте. Разбираемся, как это возможно.
Про сам пайплайн для генерации идей в венчурной студии я подробно писал в отдельном посте. Здесь коротко: это последовательность шагов — от анализа рынка и симуляции пользовательского интервью до определения и приоритизации гипотез.
ИИ снижает когнитивные искажения и делает процесс воспроизводимым. Главное — качественное исследование рынка на входе.
Cам n8n-пайплайн выложил отдельно, можете изучать и дорабатывать. Предварительно поместите свой OPENAI_KEY в json.
1. Сначала анализируем, где уже есть подтвержденный спрос. ИИ собирает позиционирование конкурентов, цены, отзывы, каналы привлечения, формулировки проблем. Так формируется карта спроса.
2. Если сегмент размыт, продукт делается «для всех», а значит — ни для кого. Поэтому мы делаем реверс-инжиниринг ценностного предложения и прогнозируем потенциальные клиентские сегменты, которым оно может быть релевантно.
3. Далее выбираем один сегмент и разворачиваем его в детальный портрет клиента по 10+ направлениям: как принимаются решения, какой бюджет, какие триггеры и страхи.
4. Следующий шаг — симуляция интервью с потенциальным портретом ЦА. Боли фиксируются дословно. После серии симуляций результаты валидируются на реальных клиентах.
5. Мы строим карту болей и оцениваем их приоритет. Формулируем работы, ради которых человек «нанимает» продукт (JTBD). Именно здесь становится ясно, за что клиент действительно готов платить.
6. Ценность связывается с конкретной болью и измеримым результатом. Формируются гипотезы с метриками проверки. С помощью RICE приоритизируем их — что тестировать первым.
На выходе — неограниченное количество проверяемых гипотез, которые можно быстро упаковать в лендинг или презентацию и протестировать на живой аудитории еще до полноценной разработки. Это резко снижает стоимость ошибки.
Важно помнить: более 90% идей не взлетают. Поэтому задача — выстроить систему, позволяющую проверять гипотезы системно. Стартап — это инженерный процесс адаптации к рынку через итерации.
После подтверждения гипотез начинается агентная разработка: спецификации, архитектура, тесты — и только затем генерация кода.
Как проверять MVP? Ключевой критерий — формируется ли привычка. Не разовая покупка, а повторяемое поведение. Именно привычка создает основу для дальнейшего product–market fit.
Когда появляется регулярное использование, становится понятна юнит-экономика и появляется возможность масштабирования через устойчивые каналы привлечения.
Отмечу три интересных проекта из интенсива.
I. «Ниточка» — ИИ-помощник для родителей школьников, фактически «инструкция к ребенку, которую не выдали при рождении». Ассистент анализирует учебные данные и формирует персональный образовательный маршрут. До разработки команда провела 8 интервью, получила первые оплаты и повторные покупки. MVP собрали за три дня.
II. «Просвет» — голосовой ИИ для эмоциональной осознанности. Пользователь записывает одну минуту мыслей в день, система анализирует текст и тональность, выявляет паттерны настроения и выдает инсайты. Команда валидировала проблему и вышла на первых пользователей.
III. «Рекрутер в Zoom» (видео) — ИИ-копилот для интервью. Подключается к звонку, структурирует ответы кандидата в реальном времени, подсвечивает ред-флаги и помогает формировать выводы. Рабочее демо собрано за три дня. Одна крупная компания прямо во время презентации предложила пилот.
Путь, который раньше занимал месяцы, сегодня можно пройти за неделю, если относиться к этому как к инженерной задаче.
Если вам интересно пройти такой путь — новые интенсивы анонсируем позже.
#кейсы
Недавно мы провели недельный интенсив совместно с AI Talent Hub в роли организатора, а я помогал с методологией AI-First-разработки и провел серию вебинаров — в том числе о выходе на первых пользователей и поиске product–market fit.
Я рассчитывал увидеть рабочие прототипы, но в итоге несколько из 20 команд меньше чем за неделю прошли весь путь — от создания продукта до получения предложения о пилоте. Разбираемся, как это возможно.
Про сам пайплайн для генерации идей в венчурной студии я подробно писал в отдельном посте. Здесь коротко: это последовательность шагов — от анализа рынка и симуляции пользовательского интервью до определения и приоритизации гипотез.
ИИ снижает когнитивные искажения и делает процесс воспроизводимым. Главное — качественное исследование рынка на входе.
Cам n8n-пайплайн выложил отдельно, можете изучать и дорабатывать. Предварительно поместите свой OPENAI_KEY в json.
1. Сначала анализируем, где уже есть подтвержденный спрос. ИИ собирает позиционирование конкурентов, цены, отзывы, каналы привлечения, формулировки проблем. Так формируется карта спроса.
2. Если сегмент размыт, продукт делается «для всех», а значит — ни для кого. Поэтому мы делаем реверс-инжиниринг ценностного предложения и прогнозируем потенциальные клиентские сегменты, которым оно может быть релевантно.
3. Далее выбираем один сегмент и разворачиваем его в детальный портрет клиента по 10+ направлениям: как принимаются решения, какой бюджет, какие триггеры и страхи.
4. Следующий шаг — симуляция интервью с потенциальным портретом ЦА. Боли фиксируются дословно. После серии симуляций результаты валидируются на реальных клиентах.
5. Мы строим карту болей и оцениваем их приоритет. Формулируем работы, ради которых человек «нанимает» продукт (JTBD). Именно здесь становится ясно, за что клиент действительно готов платить.
6. Ценность связывается с конкретной болью и измеримым результатом. Формируются гипотезы с метриками проверки. С помощью RICE приоритизируем их — что тестировать первым.
На выходе — неограниченное количество проверяемых гипотез, которые можно быстро упаковать в лендинг или презентацию и протестировать на живой аудитории еще до полноценной разработки. Это резко снижает стоимость ошибки.
Важно помнить: более 90% идей не взлетают. Поэтому задача — выстроить систему, позволяющую проверять гипотезы системно. Стартап — это инженерный процесс адаптации к рынку через итерации.
После подтверждения гипотез начинается агентная разработка: спецификации, архитектура, тесты — и только затем генерация кода.
Как проверять MVP? Ключевой критерий — формируется ли привычка. Не разовая покупка, а повторяемое поведение. Именно привычка создает основу для дальнейшего product–market fit.
Когда появляется регулярное использование, становится понятна юнит-экономика и появляется возможность масштабирования через устойчивые каналы привлечения.
Отмечу три интересных проекта из интенсива.
I. «Ниточка» — ИИ-помощник для родителей школьников, фактически «инструкция к ребенку, которую не выдали при рождении». Ассистент анализирует учебные данные и формирует персональный образовательный маршрут. До разработки команда провела 8 интервью, получила первые оплаты и повторные покупки. MVP собрали за три дня.
II. «Просвет» — голосовой ИИ для эмоциональной осознанности. Пользователь записывает одну минуту мыслей в день, система анализирует текст и тональность, выявляет паттерны настроения и выдает инсайты. Команда валидировала проблему и вышла на первых пользователей.
III. «Рекрутер в Zoom» (видео) — ИИ-копилот для интервью. Подключается к звонку, структурирует ответы кандидата в реальном времени, подсвечивает ред-флаги и помогает формировать выводы. Рабочее демо собрано за три дня. Одна крупная компания прямо во время презентации предложила пилот.
Путь, который раньше занимал месяцы, сегодня можно пройти за неделю, если относиться к этому как к инженерной задаче.
Если вам интересно пройти такой путь — новые интенсивы анонсируем позже.
#кейсы
4👍23🔥12🏆7❤4👀1
Новое видео на YouTube: LLM — тупик или все-таки путь к AGI?
Я записал новое видео, в котором простыми словами разобрал ключевые исследования января 2026 года и главный вопрос — приближают ли языковые модели нас к общему интеллекту.
Поговорим о симуляции мира в реальном времени, о том, как агентам добавили автобиографию и долгосрочную память, как они координируются в мультиагентных системах и как сегодня правильно использовать ИИ в разработке.
А ниже я выложил транскрипцию в формате статьи — если вам удобнее читать материал в текстовом виде.
👉 Ссылка на YouTube-видео
#анонсы
Я записал новое видео, в котором простыми словами разобрал ключевые исследования января 2026 года и главный вопрос — приближают ли языковые модели нас к общему интеллекту.
Поговорим о симуляции мира в реальном времени, о том, как агентам добавили автобиографию и долгосрочную память, как они координируются в мультиагентных системах и как сегодня правильно использовать ИИ в разработке.
А ниже я выложил транскрипцию в формате статьи — если вам удобнее читать материал в текстовом виде.
👉 Ссылка на YouTube-видео
#анонсы
YouTube
AGI уже близко? 10 последних исследований, которые меняют наш мир
🤖 В этом видео разбираем 10 главных исследований января 2026 года — от ИИ-агентов с личностью и памятью до симуляции мира в реальном времени и архитектуры, приближающей AGI.
02:04 — Open-source наносит ответный удар: управляемая симуляция мира в реальном…
02:04 — Open-source наносит ответный удар: управляемая симуляция мира в реальном…
1👍9🔥4❤3👏2🏆2
Как ИИ-агент Софья обрела личность, симуляция мира в реальном времени и почему LLM — не тупик на пути к AGI – лучшие статьи января 2026
Сегодня идут споры о том, являются ли LLM реальным путем к AGI. Некоторые исследователи, например Ян Лекун, утверждают, что развитие языковых моделей вообще не приближает нас к общему интеллекту.
Так что же это на самом деле — тупиковая ветка или инженерная задача, которую мы просто еще не решили?
Давайте разбираться, и вместе с этим посмотрим на несколько исследований, которые помогают иначе взглянуть на развитие ИИ.
1. Open-source наносит ответный удар: управляемая симуляция мира в реальном времени
Сгенерированный мир больше не исчезает при движении камеры. Открытые модели перешли от text-to-video к text-to-world — управляемой симуляции с причинностью и памятью сцены.
🔍 Обзор статьи | 📜 Полная статья | 💾 Код | 🤖 Модель
2. Почему ИИ-агенты не помнят собственную жизнь — и как агенту Софье дали автобиографию
Помимо Системы-1, которая отвечает за реакции, и Системы-2, которая занимается рассуждением, агент Софья получила еще один уровень — Систему-3: автобиографию, долгосрочные цели и внутреннюю мотивацию. В результате — меньше лишних рассуждений и до +40% к успеху в сложных задачах.
🔍 Обзор статьи | 📜 Полная статья
3. Профессиональные разработчики не вайбят с агентами — они их контролируют
«Вайб-кодинг» не работает в продакшене. Разработчики грумят задачи, проверяют каждый шаг агентов и держат архитектуру под контролем — именно так сегодня работают лучшие разработчики.
🔍 Обзор статьи | 📜 Полная статья
4. Как превратить GitHub в память для ИИ-агента
GitHub становится структурированной памятью: реальные фиксы багов формализуются в «карточки опыта» с причинами, контекстом и логикой решения. В итоге +4% точности на SWE-bench Verified.
🔍 Обзор статьи | 📜 Полная статья | 💾 Код
5. Когда данных нет совсем, а учиться все равно нужно: как ИИ сам придумывает задачи и сам себя проверяет
Absolute Zero Reasoner учится без датасетов: сам придумывает задачи, решает их и проверяет в Python-среде. Прирост 10–15% в математике и коде.
🔍 Обзор статьи | 📜 Полная статья
6. Как LLM помогают дата-инженерам наводить порядок в «грязных» данных
Главная проблема аналитиков – некачественные данные. LLM помогают чистить, интегрировать и обогащать данные. Они не заменяют дата-инженеров, но становятся настоящим семантическим движком поверх сырых таблиц.
🔍 Обзор статьи | 📜 Полная статья | 💾 Код
7. Когда агенту нужен дирижер: AOrchestra и динамическая оркестрация LLM через субагентов
Оркестратор динамически создает субагентов под задачи, изолирует контекст и снижает информационный шум. Это дает до +16% прироста на сложных бенчмарках.
🔍 Обзор статьи | 📜 Полная статья | 💾 Код
8. Общество мыслей: как LLM становятся сильнее, когда спорят сами с собой
Когда внутри модели возникает диалог между различными «субличностями» и смена их позиций, точность на сложных задачах резко растет. Это доказывает, что структурированное мышление сильнее любых длинных рассуждений.
🔍 Обзор статьи | 📜 Полная статья
9. RoboBrain: как робот понимает глубину 3D-сцены и учится самоконтролю
RoboBrain дает роботам способность полноценно рассуждать в 3D-пространстве и отслеживать собственный прогресс. Теперь роботы не только видят мир, но и оценивают, продвигаются ли они к цели.
🔍 Обзор статьи | 📜 Полная статья | 💾 Код
10. LLM — не тупик. Проблема AGI совсем в другом
LLM — это мощная Система-1, способная быстро генерировать решения. Но интеллект возникает тогда, когда к ней добавляются память, цели, механизмы проверки, координация действий и различные модальности. Поэтому AGI — это прежде всего инженерная дисциплина и архитектура системы, а не внезапный качественный скачок модели.
🔍 Обзор статьи | 📜 Полная статья
ИИ-агенты научились удерживать целостную модель мира, накапливать опыт и координировать друг друга. Мы видим фундамент для появления AGI. Теперь вопрос в том, кто первым соберет все компоненты в работающую систему.
👉 Подробный обзор
#исследования
Сегодня идут споры о том, являются ли LLM реальным путем к AGI. Некоторые исследователи, например Ян Лекун, утверждают, что развитие языковых моделей вообще не приближает нас к общему интеллекту.
Так что же это на самом деле — тупиковая ветка или инженерная задача, которую мы просто еще не решили?
Давайте разбираться, и вместе с этим посмотрим на несколько исследований, которые помогают иначе взглянуть на развитие ИИ.
1. Open-source наносит ответный удар: управляемая симуляция мира в реальном времени
Сгенерированный мир больше не исчезает при движении камеры. Открытые модели перешли от text-to-video к text-to-world — управляемой симуляции с причинностью и памятью сцены.
🔍 Обзор статьи | 📜 Полная статья | 💾 Код | 🤖 Модель
2. Почему ИИ-агенты не помнят собственную жизнь — и как агенту Софье дали автобиографию
Помимо Системы-1, которая отвечает за реакции, и Системы-2, которая занимается рассуждением, агент Софья получила еще один уровень — Систему-3: автобиографию, долгосрочные цели и внутреннюю мотивацию. В результате — меньше лишних рассуждений и до +40% к успеху в сложных задачах.
🔍 Обзор статьи | 📜 Полная статья
3. Профессиональные разработчики не вайбят с агентами — они их контролируют
«Вайб-кодинг» не работает в продакшене. Разработчики грумят задачи, проверяют каждый шаг агентов и держат архитектуру под контролем — именно так сегодня работают лучшие разработчики.
🔍 Обзор статьи | 📜 Полная статья
4. Как превратить GitHub в память для ИИ-агента
GitHub становится структурированной памятью: реальные фиксы багов формализуются в «карточки опыта» с причинами, контекстом и логикой решения. В итоге +4% точности на SWE-bench Verified.
🔍 Обзор статьи | 📜 Полная статья | 💾 Код
5. Когда данных нет совсем, а учиться все равно нужно: как ИИ сам придумывает задачи и сам себя проверяет
Absolute Zero Reasoner учится без датасетов: сам придумывает задачи, решает их и проверяет в Python-среде. Прирост 10–15% в математике и коде.
🔍 Обзор статьи | 📜 Полная статья
6. Как LLM помогают дата-инженерам наводить порядок в «грязных» данных
Главная проблема аналитиков – некачественные данные. LLM помогают чистить, интегрировать и обогащать данные. Они не заменяют дата-инженеров, но становятся настоящим семантическим движком поверх сырых таблиц.
🔍 Обзор статьи | 📜 Полная статья | 💾 Код
7. Когда агенту нужен дирижер: AOrchestra и динамическая оркестрация LLM через субагентов
Оркестратор динамически создает субагентов под задачи, изолирует контекст и снижает информационный шум. Это дает до +16% прироста на сложных бенчмарках.
🔍 Обзор статьи | 📜 Полная статья | 💾 Код
8. Общество мыслей: как LLM становятся сильнее, когда спорят сами с собой
Когда внутри модели возникает диалог между различными «субличностями» и смена их позиций, точность на сложных задачах резко растет. Это доказывает, что структурированное мышление сильнее любых длинных рассуждений.
🔍 Обзор статьи | 📜 Полная статья
9. RoboBrain: как робот понимает глубину 3D-сцены и учится самоконтролю
RoboBrain дает роботам способность полноценно рассуждать в 3D-пространстве и отслеживать собственный прогресс. Теперь роботы не только видят мир, но и оценивают, продвигаются ли они к цели.
🔍 Обзор статьи | 📜 Полная статья | 💾 Код
10. LLM — не тупик. Проблема AGI совсем в другом
LLM — это мощная Система-1, способная быстро генерировать решения. Но интеллект возникает тогда, когда к ней добавляются память, цели, механизмы проверки, координация действий и различные модальности. Поэтому AGI — это прежде всего инженерная дисциплина и архитектура системы, а не внезапный качественный скачок модели.
🔍 Обзор статьи | 📜 Полная статья
ИИ-агенты научились удерживать целостную модель мира, накапливать опыт и координировать друг друга. Мы видим фундамент для появления AGI. Теперь вопрос в том, кто первым соберет все компоненты в работающую систему.
👉 Подробный обзор
#исследования
Telegraph
Как ИИ-агент Софья обрела личность, симуляция мира в реальном времени и почему LLM — не тупик на пути к AGI
Январь 2026 года показал важную вещь. Сегодня идут споры о том, насколько искусственный интеллект способен удерживать целостную модель мира. Ещё недавно нейросети умели генерировать красивые видео. Но стоило в промпте попросить: «пройди вперёд», «оглянись»…
2🔥15👍7❤4🎉2🙏2
Neuronium: ИИ-суперагент для решения сложных задач
За последний год появилось огромное количество агентных фреймворков, в том числе OpenClaw.
Но большинство из них в продакшене сталкиваются с одними и теми же проблемами: линейные пайплайны, слабый контроль качества и безопасности, а также полное отсутствие управляемой архитектуры.
Мы в команде устали создавать отдельных агентов под каждую бизнес-задачу, поэтому решили пойти другим путем и создать суперагента.
Нейроний — это фреймворк, который мы выпустили в открытый доступ, для построения самоорганизующихся мультиагентных систем, предназначенных для выполнения сложных задач в корпоративной среде.
В центре системы находится Cognitive Core — система управления, которая удерживает состояние агента: его цели, ограничения, промежуточные результаты, ошибки и критерии успешности.
Исходя из цели, Cognitive Core иерархически декомпозирует ее на атомарные задачи, подключает MCP-инструменты, выполняет и контролирует корректность выполнения с помощью симулированных критиков. Это подход позволяет удерживать цели и поддерживать корректность выполнения задач.
Планирование задач строится с помощью графа действий (DAG) вместо линейных цепочек. Таким образом поддерживается параллельность выполнения задач и возможность перепланирования.
Узлы графа — атомарные действия, а ребра — зависимости и условия перехода. Каждая атомарная операция может вызывать только один инструмент с помощью MCP. Это упрощает отладку и повышает предсказуемость поведения.
После каждого шага работают симулированные критики, проверяющие результат по формальным критериям. При несоответствии запускается автоисправление, повтор шага или перепланирование.
Каждый артефакт получает свой идентификатор.
Каждый шаг записывается в трейс, который можно проследить и понять почему агент совершил то или иное действие, что критично для бизнес-процессов.
Что касается памяти, в текущей версии фреймворка реализована базовая retrieval-логика. Полноценный GraphRAG пока не входит в open source (только GraphRAG-lite).
Мы реализовали минимально достаточную архитектуру для построения надежных и безопасных мультиагентных систем и ожидаем, что сообщество будет активно участвовать в развитии фреймворка.
Это только начало. Нам предстоит добавить больше MCP-инструментов, реализовать модуль для дообучения моделей на успешно выполненных задачах и протестировать подход на публичных бенчмарках (GAIA, SWE-bench и тд).
Нейроний — это попытка задать архитектурный стандарт создания агентов для решения сложных задач в корпоративных средах.
Если мы хотим, чтобы автономные системы стали частью критической инфраструктуры бизнеса, они должны быть не просто умными — они должны быть по-настоящему полезными, надежными и безопасными, чтобы мы могли им доверять.
Прикрепляю ссылку на презентацию (ее сделал Нейроний), ссылку на репозиторий и демо-кейс с созданием веб-страниц обзоров на научные статьи.
#анонс
За последний год появилось огромное количество агентных фреймворков, в том числе OpenClaw.
Но большинство из них в продакшене сталкиваются с одними и теми же проблемами: линейные пайплайны, слабый контроль качества и безопасности, а также полное отсутствие управляемой архитектуры.
Мы в команде устали создавать отдельных агентов под каждую бизнес-задачу, поэтому решили пойти другим путем и создать суперагента.
Нейроний — это фреймворк, который мы выпустили в открытый доступ, для построения самоорганизующихся мультиагентных систем, предназначенных для выполнения сложных задач в корпоративной среде.
В центре системы находится Cognitive Core — система управления, которая удерживает состояние агента: его цели, ограничения, промежуточные результаты, ошибки и критерии успешности.
Исходя из цели, Cognitive Core иерархически декомпозирует ее на атомарные задачи, подключает MCP-инструменты, выполняет и контролирует корректность выполнения с помощью симулированных критиков. Это подход позволяет удерживать цели и поддерживать корректность выполнения задач.
Планирование задач строится с помощью графа действий (DAG) вместо линейных цепочек. Таким образом поддерживается параллельность выполнения задач и возможность перепланирования.
Узлы графа — атомарные действия, а ребра — зависимости и условия перехода. Каждая атомарная операция может вызывать только один инструмент с помощью MCP. Это упрощает отладку и повышает предсказуемость поведения.
После каждого шага работают симулированные критики, проверяющие результат по формальным критериям. При несоответствии запускается автоисправление, повтор шага или перепланирование.
Каждый артефакт получает свой идентификатор.
Каждый шаг записывается в трейс, который можно проследить и понять почему агент совершил то или иное действие, что критично для бизнес-процессов.
Что касается памяти, в текущей версии фреймворка реализована базовая retrieval-логика. Полноценный GraphRAG пока не входит в open source (только GraphRAG-lite).
Мы реализовали минимально достаточную архитектуру для построения надежных и безопасных мультиагентных систем и ожидаем, что сообщество будет активно участвовать в развитии фреймворка.
Это только начало. Нам предстоит добавить больше MCP-инструментов, реализовать модуль для дообучения моделей на успешно выполненных задачах и протестировать подход на публичных бенчмарках (GAIA, SWE-bench и тд).
Нейроний — это попытка задать архитектурный стандарт создания агентов для решения сложных задач в корпоративных средах.
Если мы хотим, чтобы автономные системы стали частью критической инфраструктуры бизнеса, они должны быть не просто умными — они должны быть по-настоящему полезными, надежными и безопасными, чтобы мы могли им доверять.
Прикрепляю ссылку на презентацию (ее сделал Нейроний), ссылку на репозиторий и демо-кейс с созданием веб-страниц обзоров на научные статьи.
#анонс
4🔥34🎉8❤5👍4🏆3
Агентизация как основа новой экономики
Я никогда не считал промт-инженеров отдельной профессией. Промт-инжениринг — это навык, который уже освоили специалисты самых разных профилей.
Сегодня следующим важным навыком становится агентизация. Чтобы создавать ИИ-агентов, больше не нужно быть выдающимся технарем. Инструменты упростились настолько, что вопрос уже не в техническом барьере, а в способности видеть бизнес-процессы как потоки данных.
Именно поэтому агентизация в ближайшие годы станет таким же базовым навыком, как когда-то стала работа с интернетом или Excel-таблицами.
Научиться промтить — это начальный уровень, далее — умение проектировать мультиагентные системы, управлять контекстом и встраивать агентов в реальные бизнес-процессы.
Переход к AI-First экономике невозможен через точечные внедрения — он требует массового обучения людей мыслить как архитекторы ИИ-процессов.
Именно поэтому мы с командой AI Talent Hub запускаем курс «Автоматизация бизнес-процессов с помощью ИИ-агентов». Для меня это не просто курс, а инструмент ускорения перехода в новую AI-First экономику.
В прошлом году я уже проводил похожий курс в ИТМО, где более 180 студентов прошли весь путь от моделирования бизнес-процессов до разработки ИИ-агентов и расчета экономического эффекта. В итоге около 30% студентов внедрили ИИ-агентов в реальные бизнес-процессы с измеримыми эффектами.
Мы возьмем ваш реальный бизнес-процесс и пройдем с ним весь цикл трансформации. Каждый участник выберет конкретную функцию — например, менеджмент, HR, маркетинг, SMM, продажи, поддержку, аналитику или разработку — и шаг за шагом переведет ее в AI-First модель.
По ходу прохождения курса мы сами будем использовать ИИ-агентов. Агенты помогут нам проводить интервью, составлять диаграммы процессов, находить точки автоматизации и помогать создавать других агентов.
Один из ключевых блоков посвящен управлению изменениями. Большинство ИИ-проектов проваливается не из-за технологий, а из-за человеческого фактора. Люди боятся неопределенности, поэтому если заранее определить новую роль человека в ИИ-процессе, то сопротивление снижается, и трансформация проходит быстрее.
Мы спроектируем матрицы компетенций под каждую роль, план обучения сотрудников и модель центра ИИ-компетенций. Так в AI-First компании человек становится оператором и менеджером ИИ-агентов, а масштабирование бизнеса теперь определяется не числом сотрудников, а качеством агентных систем.
Формат курса максимально практический: вы будете работать с менторами — профессиональными ИИ-инженерами. Также будет разбор реальных кейсов и обратная связь на каждом этапе.
Мы будем использовать low-code инструмент n8n, поэтому курс ориентирован на максимально широкую аудиторию. Он подходит предпринимателям, проджект- и продакт-менеджерам, бизнес-аналитикам и другим нетехническим специалистам.
Инженерам и разработчикам курс также полезен, ведь в итоге вы сможете стать ИИ-консультантами, ИИ-инженерами по автоматизации или даже запустить собственный AI-First бизнес.
ИИ-консультанты — это внешняя функция для бизнеса, которая помогает автоматизировать процессы на аутсорсе, а ИИ-инженеры по автоматизации работают внутри компании. Таким образом мы обучаем новым профессиям для новой экономики.
У нас есть государственная лицензия и мы выдаем диплом о повышении квалификации, который можно добавить в портфолио в качестве подтверждения своих навыков для работодателя или клиента.
Курс начинается 12 марта, поэтому если вы хотите научиться проектировать компании как мультиагентные системы и переводить их в AI-First режим, то добро пожаловать. Успейте записаться потому что количество мест ограничено.
Массовый переход к новой экономике произойдет, когда менеджеры и специалисты научатся создавать и управлять агентами самостоятельно. И именно этот навык в ближайшие годы станет обязательным для всех.
Некоторые передовые компании уже перестают нанимать специалистов без навыка агентизации — думаю эта практика будет распространяться и дальше, ведь никто не хочет отставать от конкурентов.
👉 Ссылка на регистрацию
#анонсы
Я никогда не считал промт-инженеров отдельной профессией. Промт-инжениринг — это навык, который уже освоили специалисты самых разных профилей.
Сегодня следующим важным навыком становится агентизация. Чтобы создавать ИИ-агентов, больше не нужно быть выдающимся технарем. Инструменты упростились настолько, что вопрос уже не в техническом барьере, а в способности видеть бизнес-процессы как потоки данных.
Именно поэтому агентизация в ближайшие годы станет таким же базовым навыком, как когда-то стала работа с интернетом или Excel-таблицами.
Научиться промтить — это начальный уровень, далее — умение проектировать мультиагентные системы, управлять контекстом и встраивать агентов в реальные бизнес-процессы.
Переход к AI-First экономике невозможен через точечные внедрения — он требует массового обучения людей мыслить как архитекторы ИИ-процессов.
Именно поэтому мы с командой AI Talent Hub запускаем курс «Автоматизация бизнес-процессов с помощью ИИ-агентов». Для меня это не просто курс, а инструмент ускорения перехода в новую AI-First экономику.
В прошлом году я уже проводил похожий курс в ИТМО, где более 180 студентов прошли весь путь от моделирования бизнес-процессов до разработки ИИ-агентов и расчета экономического эффекта. В итоге около 30% студентов внедрили ИИ-агентов в реальные бизнес-процессы с измеримыми эффектами.
Мы возьмем ваш реальный бизнес-процесс и пройдем с ним весь цикл трансформации. Каждый участник выберет конкретную функцию — например, менеджмент, HR, маркетинг, SMM, продажи, поддержку, аналитику или разработку — и шаг за шагом переведет ее в AI-First модель.
По ходу прохождения курса мы сами будем использовать ИИ-агентов. Агенты помогут нам проводить интервью, составлять диаграммы процессов, находить точки автоматизации и помогать создавать других агентов.
Один из ключевых блоков посвящен управлению изменениями. Большинство ИИ-проектов проваливается не из-за технологий, а из-за человеческого фактора. Люди боятся неопределенности, поэтому если заранее определить новую роль человека в ИИ-процессе, то сопротивление снижается, и трансформация проходит быстрее.
Мы спроектируем матрицы компетенций под каждую роль, план обучения сотрудников и модель центра ИИ-компетенций. Так в AI-First компании человек становится оператором и менеджером ИИ-агентов, а масштабирование бизнеса теперь определяется не числом сотрудников, а качеством агентных систем.
Формат курса максимально практический: вы будете работать с менторами — профессиональными ИИ-инженерами. Также будет разбор реальных кейсов и обратная связь на каждом этапе.
Мы будем использовать low-code инструмент n8n, поэтому курс ориентирован на максимально широкую аудиторию. Он подходит предпринимателям, проджект- и продакт-менеджерам, бизнес-аналитикам и другим нетехническим специалистам.
Инженерам и разработчикам курс также полезен, ведь в итоге вы сможете стать ИИ-консультантами, ИИ-инженерами по автоматизации или даже запустить собственный AI-First бизнес.
ИИ-консультанты — это внешняя функция для бизнеса, которая помогает автоматизировать процессы на аутсорсе, а ИИ-инженеры по автоматизации работают внутри компании. Таким образом мы обучаем новым профессиям для новой экономики.
У нас есть государственная лицензия и мы выдаем диплом о повышении квалификации, который можно добавить в портфолио в качестве подтверждения своих навыков для работодателя или клиента.
Курс начинается 12 марта, поэтому если вы хотите научиться проектировать компании как мультиагентные системы и переводить их в AI-First режим, то добро пожаловать. Успейте записаться потому что количество мест ограничено.
Массовый переход к новой экономике произойдет, когда менеджеры и специалисты научатся создавать и управлять агентами самостоятельно. И именно этот навык в ближайшие годы станет обязательным для всех.
Некоторые передовые компании уже перестают нанимать специалистов без навыка агентизации — думаю эта практика будет распространяться и дальше, ведь никто не хочет отставать от конкурентов.
👉 Ссылка на регистрацию
#анонсы
1🔥37👏13🎉8
Завершилась конференция Open Talks AI 2026
Иногда полезно выйти из информационного потока и просто подумать о будущем. Конференции ценны не только тем, что на них говорят, но и тем, какую картину мира складываешь из услышанного после.
Разговоры были о моделях и вычислениях, агентах и роботах, нейронауке и экономике.
Но сегодня все понимают, что человеческий интеллект перестал быть дефицитным ресурсом.
Это звучит банально, но просто вдумайтесь. По сути, большая часть человеческой работы за компьютером сводится к тому, чтобы правильно собирать JSON-ы — будь ты аналитиком, маркетологом или кем угодно еще.
Что происходит, если просто следовать лучшим паттернам своей профессии и подражать лучшим специалистам? А если таким образом масштабировать их способ мышления?
Еще вчера главным ограничением современной экономики знаний был человеческий интеллект. Капитал можно было накопить. Технологии постепенно распространялись. Но интеллект всегда оставался редким и дорогим ресурсом.
Вся архитектура современной экономики строилась вокруг человеческого труда.
Мы создали компании, институты, рынки труда, образовательные и финансовые системы, исходя из предположения, что человеческий труд — главный экономический фактор.
Что сложные интеллектуальные задачи требуют большого количества высокооплачиваемых специалистов, а рост производительности происходит медленно, поколение за поколением.
Но сегодня эти предпосылки рушатся.
Мы наблюдаем появление масштабируемого машинного интеллекта, который способен выполнять все более широкий спектр задач, ранее считавшихся исключительно человеческими.
Это не означает мгновенного исчезновения людей из экономики. История технологий показывает, что трансформации почти всегда сложнее и медленнее, чем кажется в моменте.
Но это также не означает, что все останется как прежде.
Скорее всего, мы вступаем в период глубокой перестройки систем, которые десятилетиями строились вокруг дефицита интеллекта.
Когда-то электричество перестало быть редкой технологией и стало базовым экономическим благом. Позже вычисления превратились из дорогих машин в облачную инфраструктуру, доступную каждому разработчику.
ИИ движется в ту же сторону — и постепенно становится новой формой труда, одновременно резко снижая стоимость когнитивного труда.
Интересно наблюдать, как на уровне компаний меняются способы создания продуктов. На уровне экономики — вопросы блага и распределения капитала, а на уровне общества — структура занятости и образование.
На более фундаментальном уровне возникает вопрос: что именно мы называем интеллектом и где проходят его границы.
Именно поэтому после конференции я решил разобраться в этом в нескольких отдельных статьях, которые будут выкладываться по мере написания:
Первая — об экономике и обществе. Как мир, построенный на дефиците интеллекта, начинает адаптироваться к его изобилию и какое будущее мы выберем.
Вторая — о жизни и вычислениях. Почему биология и вычислительные системы начинают все сильнее переплетаться и вообще что такое жизнь.
И третья — об интеллекте и сознании. Где проходит граница между этими понятиями, а также новая теория эволюционирующих саморепрезентаций.
Похоже, мы приближаемся к моменту, когда эти вопросы перестают быть философскими и становятся вполне прикладными.
#анонс
Иногда полезно выйти из информационного потока и просто подумать о будущем. Конференции ценны не только тем, что на них говорят, но и тем, какую картину мира складываешь из услышанного после.
Разговоры были о моделях и вычислениях, агентах и роботах, нейронауке и экономике.
Но сегодня все понимают, что человеческий интеллект перестал быть дефицитным ресурсом.
Это звучит банально, но просто вдумайтесь. По сути, большая часть человеческой работы за компьютером сводится к тому, чтобы правильно собирать JSON-ы — будь ты аналитиком, маркетологом или кем угодно еще.
Что происходит, если просто следовать лучшим паттернам своей профессии и подражать лучшим специалистам? А если таким образом масштабировать их способ мышления?
Еще вчера главным ограничением современной экономики знаний был человеческий интеллект. Капитал можно было накопить. Технологии постепенно распространялись. Но интеллект всегда оставался редким и дорогим ресурсом.
Вся архитектура современной экономики строилась вокруг человеческого труда.
Мы создали компании, институты, рынки труда, образовательные и финансовые системы, исходя из предположения, что человеческий труд — главный экономический фактор.
Что сложные интеллектуальные задачи требуют большого количества высокооплачиваемых специалистов, а рост производительности происходит медленно, поколение за поколением.
Но сегодня эти предпосылки рушатся.
Мы наблюдаем появление масштабируемого машинного интеллекта, который способен выполнять все более широкий спектр задач, ранее считавшихся исключительно человеческими.
Это не означает мгновенного исчезновения людей из экономики. История технологий показывает, что трансформации почти всегда сложнее и медленнее, чем кажется в моменте.
Но это также не означает, что все останется как прежде.
Скорее всего, мы вступаем в период глубокой перестройки систем, которые десятилетиями строились вокруг дефицита интеллекта.
Когда-то электричество перестало быть редкой технологией и стало базовым экономическим благом. Позже вычисления превратились из дорогих машин в облачную инфраструктуру, доступную каждому разработчику.
ИИ движется в ту же сторону — и постепенно становится новой формой труда, одновременно резко снижая стоимость когнитивного труда.
Интересно наблюдать, как на уровне компаний меняются способы создания продуктов. На уровне экономики — вопросы блага и распределения капитала, а на уровне общества — структура занятости и образование.
На более фундаментальном уровне возникает вопрос: что именно мы называем интеллектом и где проходят его границы.
Именно поэтому после конференции я решил разобраться в этом в нескольких отдельных статьях, которые будут выкладываться по мере написания:
Первая — об экономике и обществе. Как мир, построенный на дефиците интеллекта, начинает адаптироваться к его изобилию и какое будущее мы выберем.
Вторая — о жизни и вычислениях. Почему биология и вычислительные системы начинают все сильнее переплетаться и вообще что такое жизнь.
И третья — об интеллекте и сознании. Где проходит граница между этими понятиями, а также новая теория эволюционирующих саморепрезентаций.
Похоже, мы приближаемся к моменту, когда эти вопросы перестают быть философскими и становятся вполне прикладными.
#анонс
1🔥12🏆4👍3❤2
Об экономике и обществе: скорость изменений превысила скорость адаптации
В некоторых экспертных сценариях уже к 2028 году ИИ-агенты смогут выполнять работу менеджера с зарплатой $15 000 в месяц за примерно $200, а один GPU-кластер сможет заменить до 10 000 офисных сотрудников.
Компании уже сокращают персонал и одновременно увеличивают инвестиции в ИИ, что ускоряет дальнейшие сокращения. Если раньше масштабирование бизнеса требовало найма людей, то теперь нужно больше вычислений.
Это меняет рынок труда: стоимость интеллектуальной работы падает, занятость в ряде профессий сокращается, безработица растет. При этом многие люди имеют кредиты и ипотеки.
Экономика может производить больше товаров и услуг, чем раньше, но деньги начинают циркулировать не через людей. Зарплаты снижаются, а люди могут потерять возможность покупать даже базовые товары.
Исторически технологические революции уничтожали одни профессии и создавали другие.
Особенность ИИ в том, что машины также обучаются и новым профессиям. Это может стать первой технологией, которая создает меньше рабочих мест, чем уничтожает, поскольку сама интеллектуальная работа становится объектом автоматизации.
Поэтому возникает вопрос: какую форму может принять новая экономика и общество?
Возможные сценарии:
• Автоматизированный комфорт — ИИ и роботы удешевляют базовые блага, но экономическая власть концентрируется у владельцев вычислений.
• Робокоммунизм — при полной автоматизации ключевой проблемой становится не производство, а распределение благ.
• Кибердемократия — алгоритмы анализируют данные и оптимизируют решения, повышая эффективность управления, но цели по-прежнему задает общество.
• Нейродемократия — управление также учитывает эмоциональные реакции граждан, что помогает раньше обнаруживать социальное напряжение, но создает риск манипуляций.
• Онирофильм — значительная часть жизни переносится в персонализированные виртуальные миры, оптимизированные под субъективное ощущение благополучия.
• Позитивная матрица — сообщества живут в коллективных синтетических мирах, соответствующих их ценностям, достигая высокого внутреннего комфорта ценой меньшего интереса к внешней реальности.
• Космическая цивилизация — ИИ и робототехника позволяют человечеству масштабно осваивать океаны и космос.
• Передача эстафеты — человек глубоко интегрируется с технологиями и дальнейшее развитие цивилизации продолжается уже в постчеловеческой форме.
Эти сценарии не взаимоисключают друг друга: мир может прийти к гибридной реальности, где разные общества выбирают разные траектории.
Но во всех сценариях ИИ не обладает собственными ценностями — он лишь усиливает цели, которые в него закладывают. Поэтому главный вопрос будущего: какую функцию оптимизации мы задаем системам, которые строим.
И здесь появляется новая роль предпринимателя.
В индустриальной экономике предприниматель строил компании. В экономике ИИ он фактически проектирует инфраструктуру интеллекта — системы, принимающие решения, распределяющие ресурсы и формирующие поведение людей.
Это означает, что бизнес больше не существует вне вопроса о благе. Каждый ИИ-продукт масштабирует ценности, заложенные в систему. Поэтому предприниматель будущего — не только инженер и экономист, но и архитектор социальных систем.
Он думает не о том, как заработать, а о том, какое благо приносит система, которую он строит. Возникает и потребность в новом социальном контракте. ИИ-компании, вероятно, будут участвовать в финансировании общества, например через налог на вычисления.
Одним из возможных решений может стать безусловный базовый доход, обеспечивающий базовую экономическую стабильность в мире, где труд перестает быть главным источником дохода.
Может появиться и новая форма социального капитализма, где влияние и ресурсы получают те, кто приносит наибольшее благо обществу. В такой системе социальный вклад становится важной формой капитала.
И тогда в будущем мы будем думать не только о распределении доходов, но и в том, как измеряется и вознаграждается вклад в развитие общества.
👉 Полная статья
#мысли
В некоторых экспертных сценариях уже к 2028 году ИИ-агенты смогут выполнять работу менеджера с зарплатой $15 000 в месяц за примерно $200, а один GPU-кластер сможет заменить до 10 000 офисных сотрудников.
Компании уже сокращают персонал и одновременно увеличивают инвестиции в ИИ, что ускоряет дальнейшие сокращения. Если раньше масштабирование бизнеса требовало найма людей, то теперь нужно больше вычислений.
Это меняет рынок труда: стоимость интеллектуальной работы падает, занятость в ряде профессий сокращается, безработица растет. При этом многие люди имеют кредиты и ипотеки.
Экономика может производить больше товаров и услуг, чем раньше, но деньги начинают циркулировать не через людей. Зарплаты снижаются, а люди могут потерять возможность покупать даже базовые товары.
Исторически технологические революции уничтожали одни профессии и создавали другие.
Особенность ИИ в том, что машины также обучаются и новым профессиям. Это может стать первой технологией, которая создает меньше рабочих мест, чем уничтожает, поскольку сама интеллектуальная работа становится объектом автоматизации.
Поэтому возникает вопрос: какую форму может принять новая экономика и общество?
Возможные сценарии:
• Автоматизированный комфорт — ИИ и роботы удешевляют базовые блага, но экономическая власть концентрируется у владельцев вычислений.
• Робокоммунизм — при полной автоматизации ключевой проблемой становится не производство, а распределение благ.
• Кибердемократия — алгоритмы анализируют данные и оптимизируют решения, повышая эффективность управления, но цели по-прежнему задает общество.
• Нейродемократия — управление также учитывает эмоциональные реакции граждан, что помогает раньше обнаруживать социальное напряжение, но создает риск манипуляций.
• Онирофильм — значительная часть жизни переносится в персонализированные виртуальные миры, оптимизированные под субъективное ощущение благополучия.
• Позитивная матрица — сообщества живут в коллективных синтетических мирах, соответствующих их ценностям, достигая высокого внутреннего комфорта ценой меньшего интереса к внешней реальности.
• Космическая цивилизация — ИИ и робототехника позволяют человечеству масштабно осваивать океаны и космос.
• Передача эстафеты — человек глубоко интегрируется с технологиями и дальнейшее развитие цивилизации продолжается уже в постчеловеческой форме.
Эти сценарии не взаимоисключают друг друга: мир может прийти к гибридной реальности, где разные общества выбирают разные траектории.
Но во всех сценариях ИИ не обладает собственными ценностями — он лишь усиливает цели, которые в него закладывают. Поэтому главный вопрос будущего: какую функцию оптимизации мы задаем системам, которые строим.
И здесь появляется новая роль предпринимателя.
В индустриальной экономике предприниматель строил компании. В экономике ИИ он фактически проектирует инфраструктуру интеллекта — системы, принимающие решения, распределяющие ресурсы и формирующие поведение людей.
Это означает, что бизнес больше не существует вне вопроса о благе. Каждый ИИ-продукт масштабирует ценности, заложенные в систему. Поэтому предприниматель будущего — не только инженер и экономист, но и архитектор социальных систем.
Он думает не о том, как заработать, а о том, какое благо приносит система, которую он строит. Возникает и потребность в новом социальном контракте. ИИ-компании, вероятно, будут участвовать в финансировании общества, например через налог на вычисления.
Одним из возможных решений может стать безусловный базовый доход, обеспечивающий базовую экономическую стабильность в мире, где труд перестает быть главным источником дохода.
Может появиться и новая форма социального капитализма, где влияние и ресурсы получают те, кто приносит наибольшее благо обществу. В такой системе социальный вклад становится важной формой капитала.
И тогда в будущем мы будем думать не только о распределении доходов, но и в том, как измеряется и вознаграждается вклад в развитие общества.
👉 Полная статья
#мысли
Датаист / Мысли
Об экономике и обществе: скорость изменений превысила скорость адаптации
Мы вошли в исторический момент, когда скорость технологической эволюции впервые превысила скорость человеческой адаптации. Что делать предпринимателю?
1🔥15👍10❤5🏆2🦄2⚡1
О жизни и вычислениях: интеллект как свойство сложных систем
В детстве меня занимал один вопрос. Я любил создавать компьютерные игры и пытался понять, как заставить персонажей не просто двигаться по заранее прописанному скрипту, а принимать решения и вести себя самостоятельно.
Иначе говоря — как создать интеллект.
Сегодня этот вопрос никуда не исчез. Если можно пытаться создать интеллект в цифровом мире, то почему бы не рассматривать его как более общий феномен, который проявляется в разных системах — в биологии, в бизнесе и в экономике.
За более чем 20 лет работы, изучения предмета и обсуждений на конференциях у меня постепенно сформировалось собственное представление об этом.
Во-первых, я смотрю на мир как на поток данных.
Неважно, идет ли речь о физическом мире, цифровом или бизнес-среде. Мир просто существует и постоянно генерирует поток сигналов. Эти данные сами по себе нам недоступны напрямую — они просто есть (данные — то, что нам просто дано).
Мы же, как агенты в среде, воспринимаем этот поток в виде информации, кодируем и декодируем сигналы среды и на основе этого строим модель знаний о мире.
Именно эта модель и становится нашим представлением о реальности. Мы не знаем, как выглядит мир сам по себе, но имеем его модель.
Дальше возникает цикл:
Этот замкнутый процесс обновления модели мира и принятия решений на основе прогнозов я называю интеллектом.
А такой взгляд на мир я называю датаизмом — философией, в которой реальность рассматривается прежде всего как поток данных.
Если идти дальше, возникает более фундаментальный вопрос: что такое жизнь?
С точки зрения физики мир подчиняется второму закону термодинамики: энтропия — мера беспорядка информации — со временем возрастает. Однако живые системы демонстрируют обратную динамику: они создают и поддерживают структуру и порядок.
Можно рассматривать жизнь как информационный процесс, направленный против энтропии — процесс, в котором из хаотичного потока данных формируются устойчивые структуры.
Когда такая структура становится достаточно сложной, возникает необходимость строить модель среды и самой себя внутри этой среды. Так и появляется интеллект.
Поэтому жизнь можно рассматривать как вычислительный феномен, а интеллект — как свойство сложных информационных систем.
Я не утверждаю, что это окончательная истина — скорее рабочая парадигма.
Интересно, что эта идея перекликается с мыслью Людвига Витгенштейна о том, что язык является своего рода картиной мира. Через язык мы строим символьную модель реальности.
LLM можно рассматривать как цифровой интеллект (честно говоря, этот термин кажется мне более корректным, чем ИИ), но с одной основной модальностью — текстом. Если постепенно добавлять другие модальности — звук, изображение, видео, сенсоры — и усиливать способность системы к обучению и обобщению, мы постепенно приближаемся к более общему интеллекту.
Но чтобы говорить об общем ИИ, сначала должна появиться теория общего интеллекта. И только после этого мы сможем реализовывать такие системы в разных физических субстратах — в тензорах, нейроморфных архитектурах или квантовых вычислениях.
Сам носитель вычислений в этом смысле вторичен. Главное — понять природу интеллекта. Именно об этом моя новая статья.
👉 Полная статья
#мысли
В детстве меня занимал один вопрос. Я любил создавать компьютерные игры и пытался понять, как заставить персонажей не просто двигаться по заранее прописанному скрипту, а принимать решения и вести себя самостоятельно.
Иначе говоря — как создать интеллект.
Сегодня этот вопрос никуда не исчез. Если можно пытаться создать интеллект в цифровом мире, то почему бы не рассматривать его как более общий феномен, который проявляется в разных системах — в биологии, в бизнесе и в экономике.
За более чем 20 лет работы, изучения предмета и обсуждений на конференциях у меня постепенно сформировалось собственное представление об этом.
Во-первых, я смотрю на мир как на поток данных.
Неважно, идет ли речь о физическом мире, цифровом или бизнес-среде. Мир просто существует и постоянно генерирует поток сигналов. Эти данные сами по себе нам недоступны напрямую — они просто есть (данные — то, что нам просто дано).
Мы же, как агенты в среде, воспринимаем этот поток в виде информации, кодируем и декодируем сигналы среды и на основе этого строим модель знаний о мире.
Именно эта модель и становится нашим представлением о реальности. Мы не знаем, как выглядит мир сам по себе, но имеем его модель.
Дальше возникает цикл:
поток данных → интерпретация информации → формирование модели знаний о мире → анализ/прогноз → действие → новый поток данных и обучение модели
Этот замкнутый процесс обновления модели мира и принятия решений на основе прогнозов я называю интеллектом.
А такой взгляд на мир я называю датаизмом — философией, в которой реальность рассматривается прежде всего как поток данных.
Если идти дальше, возникает более фундаментальный вопрос: что такое жизнь?
С точки зрения физики мир подчиняется второму закону термодинамики: энтропия — мера беспорядка информации — со временем возрастает. Однако живые системы демонстрируют обратную динамику: они создают и поддерживают структуру и порядок.
Можно рассматривать жизнь как информационный процесс, направленный против энтропии — процесс, в котором из хаотичного потока данных формируются устойчивые структуры.
Когда такая структура становится достаточно сложной, возникает необходимость строить модель среды и самой себя внутри этой среды. Так и появляется интеллект.
Поэтому жизнь можно рассматривать как вычислительный феномен, а интеллект — как свойство сложных информационных систем.
Я не утверждаю, что это окончательная истина — скорее рабочая парадигма.
Интересно, что эта идея перекликается с мыслью Людвига Витгенштейна о том, что язык является своего рода картиной мира. Через язык мы строим символьную модель реальности.
LLM можно рассматривать как цифровой интеллект (честно говоря, этот термин кажется мне более корректным, чем ИИ), но с одной основной модальностью — текстом. Если постепенно добавлять другие модальности — звук, изображение, видео, сенсоры — и усиливать способность системы к обучению и обобщению, мы постепенно приближаемся к более общему интеллекту.
Но чтобы говорить об общем ИИ, сначала должна появиться теория общего интеллекта. И только после этого мы сможем реализовывать такие системы в разных физических субстратах — в тензорах, нейроморфных архитектурах или квантовых вычислениях.
Сам носитель вычислений в этом смысле вторичен. Главное — понять природу интеллекта. Именно об этом моя новая статья.
👉 Полная статья
#мысли
Датаист / Мысли
О жизни и вычислениях: интеллект как свойство сложных систем
Мы находимся внутри тихой научной революции. Меняется то, как мы понимаем природу жизни и интеллекта. Интеллект как универсальный способ организации сложных систем материи.
4🔥22👍11👏4
Внимание — все, что нам нужно?
Сегодня вопрос о том, когда ИИ превзойдет человека, звучит как никогда остро. Одни ждут появления общего ИИ (AGI) в ближайшие годы, другие — ближе к середине века. Но главное яблоко раздора — в путанице понятий.
Мы до сих пор не договорились, что именно называем AGI. Победу на бенчмарках? Способность выполнять полезную работу? Или действовать автономно в открытом мире? Это три разные цели — и три разные таймлайна. Пока критерием AGI можно считать способность системы автономно заработать миллиарды долларов.
Еще больше путаницу усиливает смешение понятий интеллекта и сознания. Я уже писал о нескольких теориях сознания и о том, почему у нас до сих пор нет ответа на вопрос, что же это вообще такое. Но, возможно, продуктивнее разложить эту проблему по уровням.
Сначала система должна удерживать себя в равновесии. Затем — различать сигналы. Потом — собирать из них объекты. Далее — локализовать себя в мире. Затем — выделять главное среди множества сигналов. И только после этого возникает сцена опыта, которую мы склонны называть «сознанием».
То есть сознание — это режим работы сложной системы, в которой есть модель мира, субъект, время и механизм приоритезации. AGI не обязательно требует решения трудной проблемы сознания. Но почти наверняка требует все более глубоких уровней саморепрезентации. О теории саморепрезентаций, которую Игорь Пивоваров представил на OpenTalks AI 2026, я написал новую большую статью.
Здесь я вижу и связь с философией датаизма. Любая адаптивная система работает как цикл обработки данных: мир — это поток данных, система воспринимает информацию о нем через сенсоры, строит внутреннюю модель знаний о себе и мире, обновляет ее, прогнозирует, действует — и снова обновляет. Разница между клеткой, животным, человеком и ИИ — не в наличии или отсутствии этого цикла, а в архитектуре моделей.
В этой логике сознание — это интерфейс интеграции данных в единую сцену. Интеллект — способность работать с будущим. Самосознание — включение самой системы в собственную модель мира. И тогда вопрос AGI становится архитектурным: какие уровни саморепрезентации уже реализованы, а каких еще нет.
Но самый недооцененный уровень во всей теории — это внимание. Общий механизм внимания должен ранжировать сигналы по значимости для целей системы, удерживать приоритеты во времени, распределять вычислительные ресурсы и включать в отбор модель самой системы.
Многие знают, что человек далеко не полностью управляет собой. Например, мы не выбираем эмоции или мысли по щелчку пальцев, а большая часть процессов жизнедеятельности происходит автоматически. Но у нас есть более тонкий уровень управления: например, мы можем удержать или отпустить мысль.
Вспомним эксперименты Либета. Они показали, что мозг начинает готовить действие раньше, чем человек осознает решение. Но это не обязательно означает, что свободы воли нет. Скорее, это говорит о том, что инициация и контроль — разные уровни системы. Сам Либет допускал conscious veto: уже запущенный процесс можно остановить, изменить или перенаправить.
Для ИИ аналог свободы воли, возможно, не в генерации «собственных желаний». Гораздо важнее наличие внутреннего механизма veto, переключения и удержания приоритетов – способность не дать любому импульсу автоматически стать действием.
В этом смысле сознание — прежде всего механизм отбора. Оно определяет, что будет усилено, а что исчезнет. Поэтому в контексте AGI, возможно, правильнее будет поставить вопрос о том, появится ли у системы такой механизм внимания, который будет выбирать, что станет реальностью для самой системы?
Тут может проходить реальная граница между тем, что мы считаем автоматом, интеллектом и субъектом.
Таким образом субъектность возникает, когда система начинает действовать из собственной модели себя и мира, а не только в ответ на внешние сигналы.
👉 Полная статья
#мысли
Сегодня вопрос о том, когда ИИ превзойдет человека, звучит как никогда остро. Одни ждут появления общего ИИ (AGI) в ближайшие годы, другие — ближе к середине века. Но главное яблоко раздора — в путанице понятий.
Мы до сих пор не договорились, что именно называем AGI. Победу на бенчмарках? Способность выполнять полезную работу? Или действовать автономно в открытом мире? Это три разные цели — и три разные таймлайна. Пока критерием AGI можно считать способность системы автономно заработать миллиарды долларов.
Еще больше путаницу усиливает смешение понятий интеллекта и сознания. Я уже писал о нескольких теориях сознания и о том, почему у нас до сих пор нет ответа на вопрос, что же это вообще такое. Но, возможно, продуктивнее разложить эту проблему по уровням.
Сначала система должна удерживать себя в равновесии. Затем — различать сигналы. Потом — собирать из них объекты. Далее — локализовать себя в мире. Затем — выделять главное среди множества сигналов. И только после этого возникает сцена опыта, которую мы склонны называть «сознанием».
То есть сознание — это режим работы сложной системы, в которой есть модель мира, субъект, время и механизм приоритезации. AGI не обязательно требует решения трудной проблемы сознания. Но почти наверняка требует все более глубоких уровней саморепрезентации. О теории саморепрезентаций, которую Игорь Пивоваров представил на OpenTalks AI 2026, я написал новую большую статью.
Здесь я вижу и связь с философией датаизма. Любая адаптивная система работает как цикл обработки данных: мир — это поток данных, система воспринимает информацию о нем через сенсоры, строит внутреннюю модель знаний о себе и мире, обновляет ее, прогнозирует, действует — и снова обновляет. Разница между клеткой, животным, человеком и ИИ — не в наличии или отсутствии этого цикла, а в архитектуре моделей.
В этой логике сознание — это интерфейс интеграции данных в единую сцену. Интеллект — способность работать с будущим. Самосознание — включение самой системы в собственную модель мира. И тогда вопрос AGI становится архитектурным: какие уровни саморепрезентации уже реализованы, а каких еще нет.
Но самый недооцененный уровень во всей теории — это внимание. Общий механизм внимания должен ранжировать сигналы по значимости для целей системы, удерживать приоритеты во времени, распределять вычислительные ресурсы и включать в отбор модель самой системы.
Многие знают, что человек далеко не полностью управляет собой. Например, мы не выбираем эмоции или мысли по щелчку пальцев, а большая часть процессов жизнедеятельности происходит автоматически. Но у нас есть более тонкий уровень управления: например, мы можем удержать или отпустить мысль.
Вспомним эксперименты Либета. Они показали, что мозг начинает готовить действие раньше, чем человек осознает решение. Но это не обязательно означает, что свободы воли нет. Скорее, это говорит о том, что инициация и контроль — разные уровни системы. Сам Либет допускал conscious veto: уже запущенный процесс можно остановить, изменить или перенаправить.
Для ИИ аналог свободы воли, возможно, не в генерации «собственных желаний». Гораздо важнее наличие внутреннего механизма veto, переключения и удержания приоритетов – способность не дать любому импульсу автоматически стать действием.
В этом смысле сознание — прежде всего механизм отбора. Оно определяет, что будет усилено, а что исчезнет. Поэтому в контексте AGI, возможно, правильнее будет поставить вопрос о том, появится ли у системы такой механизм внимания, который будет выбирать, что станет реальностью для самой системы?
Тут может проходить реальная граница между тем, что мы считаем автоматом, интеллектом и субъектом.
Мы можем управлять только тем, какую именно информацию мы «внимаем» из среды. Далее эта информация обновит модель мира, на основе которой будут приниматься дальнейшие решения.
Таким образом субъектность возникает, когда система начинает действовать из собственной модели себя и мира, а не только в ответ на внешние сигналы.
👉 Полная статья
#мысли
Датаист / Мысли
Что такое сознание в теории эволюционирующих саморепрезентаций
От гомеостаза до AGI: разбираем, как эволюционно и функционально возникают слои саморепрезентации, внимания и субъективного опыта.
2👍18❤9🔥6👏2⚡1
Нельзя так просто взять и внедрить LLM в прод: как управлять ИИ-системами в компании
Недавно мне показали демо, в котором ИИ-агент звонит клиенту и ведет с ним диалог, затем договаривается о цене, просит скидку у менеджера в Slack, и после согласования закрывает сделку с клиентом, который все это время висит на линии — выглядит впечатляюще.
Кажется, что осталось только подключить агента к своей CRM и дело в шляпе.
Но дьявол в деталях.
В одном кейсе агент закрыл сделку, а в другом — пообещал клиенту скидку 90%, потому что тот применил промпт-инъекцию в разговоре. Где-то агент потерял контекст и отвечал неправильно. И тут становится заметна разница между демкой и продом.
LLM по своей природе недетерминирована. Она не «знает» в человеческом смысле, а просто предсказывает следующий токен.
Поэтому если контекст кривой, то результат будет такой же. А нестандартные кейсы нельзя просто так запромтить.
Но как же сделать LLM-систему управляемой?
В новой статье разбираю:
• где LLM вообще нужна, а где нужна простая автоматизация;
• как сделать LLM безопасной;
• как устроены DataOps, MLOps и AIOps для LLM в проде;
• как построить систему контроля качества и наблюдаемость;
• почему нужно считать экономику по завершенным задачам;
• и какие метрики реально важны бизнесу.
Если вы внедряете ИИ в бизнес или строите LLM-продукты — будет полезно ознакомиться.
👉 Полная статья
#технологии
Недавно мне показали демо, в котором ИИ-агент звонит клиенту и ведет с ним диалог, затем договаривается о цене, просит скидку у менеджера в Slack, и после согласования закрывает сделку с клиентом, который все это время висит на линии — выглядит впечатляюще.
Кажется, что осталось только подключить агента к своей CRM и дело в шляпе.
Но дьявол в деталях.
В одном кейсе агент закрыл сделку, а в другом — пообещал клиенту скидку 90%, потому что тот применил промпт-инъекцию в разговоре. Где-то агент потерял контекст и отвечал неправильно. И тут становится заметна разница между демкой и продом.
LLM по своей природе недетерминирована. Она не «знает» в человеческом смысле, а просто предсказывает следующий токен.
Поэтому если контекст кривой, то результат будет такой же. А нестандартные кейсы нельзя просто так запромтить.
Но как же сделать LLM-систему управляемой?
В новой статье разбираю:
• где LLM вообще нужна, а где нужна простая автоматизация;
• как сделать LLM безопасной;
• как устроены DataOps, MLOps и AIOps для LLM в проде;
• как построить систему контроля качества и наблюдаемость;
• почему нужно считать экономику по завершенным задачам;
• и какие метрики реально важны бизнесу.
Если вы внедряете ИИ в бизнес или строите LLM-продукты — будет полезно ознакомиться.
👉 Полная статья
#технологии
Датаист / Технологии
Нельзя так просто взять и внедрить LLM в прод: как управлять ИИ-системами в компании
От DataOps до AIOps: разбираем, из чего на самом деле состоят ИИ-системы, готовые к продакшену, и почему сама по себе модель не приносит пользы бизнесу.
3🔥9👍5
Новая роль невозможна без обучения
На фото — провожу хакатон в Сербии по созданию ИИ-агентов.
В последнее время веду несколько курсов по ИИ-агентам, созданию продуктов с ИИ, ИИ-платформам и ИИ-трансформации. Помимо корпоративного обучения, работаю с университетами и партнерскими программами. Поэтому хочу обобщить этот опыт в несколько выводов.
Главный: обучение — это не просто получение навыка, а механизм смены роли. Но какие роли закрепляются на рынке уже сегодня?
Для себя вижу несколько уровней.
Фундаментальный — это машинное обучение, инжиниринг и анализ данных. Люди с такой базой обучают ИИ-модели и собирают для этого данные. Тут в основном работают ML-инженеры, инженеры и аналитики данных, а также дата-сайентисты и исследователи.
Прикладной — это умение создавать ИИ-агентов для автоматизации процессов, разрабатывать продукты с их помощью, а также строить ИИ-платформу для управления агентами. Здесь можно встретить ИИ-продакт-инженеров, ИИ-инженеров по автоматизации, а также ИИ-продактов и ИИ-инженеров по отдельности.
Управленческий — менеджерам нужно понимать, как использовать ИИ для достижения целей: как собирать дашборды для принятия решений, как строить корпоративный интеллект и проверять продуктовые гипотезы. Этот формат подходит для фаундеров, CTO, CAIO и CEO компаний.
Важно: чтобы сменить роль, нужно прожить этот опыт.
Каждая роль требует разного времени на обучение.
Фундаментальный уровень требует базы по математике и информатике и нескольких лет погружения.
На этой основе материал для ИИ-инженеров можно освоить примерно за 3 месяца. Это глубокий курс по основам построения ИИ-платформы и AIOps.
Курсы по созданию ИИ-агентов для автоматизации я часто провожу в формате месячного буткемпа без предварительных технических навыков. Задача — понять процессы, правильно их описать, определить точки автоматизации, роли человека и ИИ-агента, а также управлять изменениями и считать экономические эффекты. Собрать самого агента — уже дело техники.
А тех сотрудников, чьи агенты приносят компании больше всего пользы, награждают статусом ИИ-чемпиона с денежным призом.
Еще один интересный формат — интенсив по ИИ-разработке продуктов. Это недельный спринт для проверки продуктовой гипотезы: в первый день учимся делать ресерч, далее — собирать спецификацию и прототип, а в последующие дни — выпускать MVP, собирать обратную связь, строить дашборд и масштабировать продукт. Об этом писал тут.
Формат 1-Day Sprint полезен фаундерам и C-Level. Здесь за сутки CTO должен собрать продукт, CEO — дашборд с основными показателями, а CAIO — настроить умного ассистента, который работает на этих данных и дает рекомендации. Далее к этому ассистенту можно подключать других агентов от сотрудников и строить целую ИИ-платформу.
Важно, чтобы менеджмент понимал, на что способен ИИ и с какой скоростью теперь должны работать команды.
В этом подходе многие отмечают, что начинают получать удовольствие от работы — вероятно, из-за быстрого результата. Попробуйте сами: думаю, вам тоже понравится такой формат.
И пора перестать делить людей на технарей и гуманитариев. «Технари» начинают лучше понимать потребности пользователя и ценность продукта. И наоборот: люди из самых разных отраслей начинают создавать агентов и быстро тестировать продуктовые гипотезы.
Однако чтобы разрабатывать продукты, готовые к запуску в прод, нужно все-таки быть инженером. Точнее — уметь создавать сложные системы и работать на уровне архитектуры.
Моя мотивация в образовании — снижать порог входа компаний в ИИ-трансформацию. Когда люди сами умеют систематизировать свой бизнес и создавать полезных агентов, это ускоряет трансформацию компании.
Конечно, можно воспользоваться готовыми решениями, но они подходят не под все процессы. Тогда кто-то обратится к подрядчикам по внедрению ИИ или наймет специалистов, а кто-то будет развивать эту функцию внутри.
Обучение — это как раз про развитие. Это новые роли, новые способы организации труда и новая скорость создания ценности.
И чем быстрее компании это поймут, тем быстрее начнут формировать новую экономику.
#кейсы
На фото — провожу хакатон в Сербии по созданию ИИ-агентов.
В последнее время веду несколько курсов по ИИ-агентам, созданию продуктов с ИИ, ИИ-платформам и ИИ-трансформации. Помимо корпоративного обучения, работаю с университетами и партнерскими программами. Поэтому хочу обобщить этот опыт в несколько выводов.
Главный: обучение — это не просто получение навыка, а механизм смены роли. Но какие роли закрепляются на рынке уже сегодня?
Для себя вижу несколько уровней.
Фундаментальный — это машинное обучение, инжиниринг и анализ данных. Люди с такой базой обучают ИИ-модели и собирают для этого данные. Тут в основном работают ML-инженеры, инженеры и аналитики данных, а также дата-сайентисты и исследователи.
Прикладной — это умение создавать ИИ-агентов для автоматизации процессов, разрабатывать продукты с их помощью, а также строить ИИ-платформу для управления агентами. Здесь можно встретить ИИ-продакт-инженеров, ИИ-инженеров по автоматизации, а также ИИ-продактов и ИИ-инженеров по отдельности.
Управленческий — менеджерам нужно понимать, как использовать ИИ для достижения целей: как собирать дашборды для принятия решений, как строить корпоративный интеллект и проверять продуктовые гипотезы. Этот формат подходит для фаундеров, CTO, CAIO и CEO компаний.
Важно: чтобы сменить роль, нужно прожить этот опыт.
Каждая роль требует разного времени на обучение.
Фундаментальный уровень требует базы по математике и информатике и нескольких лет погружения.
На этой основе материал для ИИ-инженеров можно освоить примерно за 3 месяца. Это глубокий курс по основам построения ИИ-платформы и AIOps.
Курсы по созданию ИИ-агентов для автоматизации я часто провожу в формате месячного буткемпа без предварительных технических навыков. Задача — понять процессы, правильно их описать, определить точки автоматизации, роли человека и ИИ-агента, а также управлять изменениями и считать экономические эффекты. Собрать самого агента — уже дело техники.
А тех сотрудников, чьи агенты приносят компании больше всего пользы, награждают статусом ИИ-чемпиона с денежным призом.
Еще один интересный формат — интенсив по ИИ-разработке продуктов. Это недельный спринт для проверки продуктовой гипотезы: в первый день учимся делать ресерч, далее — собирать спецификацию и прототип, а в последующие дни — выпускать MVP, собирать обратную связь, строить дашборд и масштабировать продукт. Об этом писал тут.
Формат 1-Day Sprint полезен фаундерам и C-Level. Здесь за сутки CTO должен собрать продукт, CEO — дашборд с основными показателями, а CAIO — настроить умного ассистента, который работает на этих данных и дает рекомендации. Далее к этому ассистенту можно подключать других агентов от сотрудников и строить целую ИИ-платформу.
Важно, чтобы менеджмент понимал, на что способен ИИ и с какой скоростью теперь должны работать команды.
В этом подходе многие отмечают, что начинают получать удовольствие от работы — вероятно, из-за быстрого результата. Попробуйте сами: думаю, вам тоже понравится такой формат.
И пора перестать делить людей на технарей и гуманитариев. «Технари» начинают лучше понимать потребности пользователя и ценность продукта. И наоборот: люди из самых разных отраслей начинают создавать агентов и быстро тестировать продуктовые гипотезы.
Однако чтобы разрабатывать продукты, готовые к запуску в прод, нужно все-таки быть инженером. Точнее — уметь создавать сложные системы и работать на уровне архитектуры.
Моя мотивация в образовании — снижать порог входа компаний в ИИ-трансформацию. Когда люди сами умеют систематизировать свой бизнес и создавать полезных агентов, это ускоряет трансформацию компании.
Конечно, можно воспользоваться готовыми решениями, но они подходят не под все процессы. Тогда кто-то обратится к подрядчикам по внедрению ИИ или наймет специалистов, а кто-то будет развивать эту функцию внутри.
Обучение — это как раз про развитие. Это новые роли, новые способы организации труда и новая скорость создания ценности.
И чем быстрее компании это поймут, тем быстрее начнут формировать новую экономику.
#кейсы
2❤13👍10🔥7🎉1