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
10 инсайтов об агентных компаниях
Многие компании уже трансформируются под совместную работу людей и ИИ-агентов.
Я изучил свежие отчеты McKinsey, BCG, Bain, Accenture, Deloitte, EY, KPMG, PWC и других консалтинговых компаний и собрал основные выводы.
1. Гонка за новую архитектуру бизнеса
Несмотря на то, что 95% компаний утвердили ИИ-стратегии, а 39% перешли к их масштабированию, значительного финансового эффекта достигают лишь 8% организаций.
73% лидеров верят, что агенты однажды будут управлять целыми бизнес-юнитами. 89% уверены, что вмешательство человека потребуется всегда.
94% компаний готовы продолжать инвестировать, даже если в 2026 году не увидят прямой окупаемости, и планируют инвестировать $186 млн.
2. ИИ становится вопросом CEO, а не CTO
76% компаний уже имеют Chief AI Officer, хотя год назад таких было 26%. Руководители перестраивают C-level под AI-First модель.
64% CEO готовы принимать стратегические решения с опорой на ИИ. К 2030 году руководители ожидают, что почти половина бизнес-решений будет приниматься ИИ без участия человека.
3. ИИ помогает зарабатывать, а не просто сокращать затраты
Первый этап внедрения ИИ был построен вокруг оптимизации процессов и экономии затрат.
Сегодня 78% руководителей считают ИИ более важным для роста выручки, чем для сокращения затрат. Эффект появляется в новых цепочках создания ценности.
4. Ошибка считать только использование, а не решения
Многие компании измеряют ИИ-зрелость только по тому, сколько сотрудников пользуется ИИ и сколько агентов в проде.
Но важно, сколько решений агент принимает сам, сколько стоит одно решение, какова его точность и доля бизнес-решений, безопасно делегированных ИИ.
5. Экономика ИИ должна считаться на уровне процессов
Компаниям нужно понимать стоимость одной заявки, одного лида или одного решения. Без этого агенты не покажут экономического эффекта.
Так управление ИИ-затратами должно учитывать стоимость работы агента с учетом затрат на инференс, сервисы и вовлечение людей.
6. Главный барьер — не технологии, а организация
Технологии развиваются быстрее, чем компании умеют их внедрять. Главные ограничения: грязные и разрозненные данные, устаревшие процессы, легаси-архитектура и низкая готовность сотрудников.
Так, 55% руководителей считают, что их компании готовы к технологической революции, но только 38% сотрудников в это верят. А 83% CEO признают, что успех ИИ зависит от того, примут ли его сотрудники.
Если у агентов не будет доступа к данным — среде их обитания, — они просто не смогут работать.
Отдельно про ИИ-зрелость можете прочитать в моей методичке.
7. Управление превыше всего
Чем больше автономности получает агент, тем жестче должна быть система управления. У агентов должны быть цифровые паспорта, роли, права доступа, правила эскалации человеку и ответственный владелец.
Агентам нужна отдельная модель управления их идентичностью. Информационная безопасность и HR еще никогда не были так близки.
8. Теневое использование ИИ
Пока компании медленно утверждают правила, сотрудники уже используют внешние ИИ-инструменты.
Это создает риски утечки данных и роста ошибок. Компании конкурируют не только скоростью внедрения ИИ, но и способностью вывести ИИ из тени.
9. Масштабируем агентов с AgentOps
Запустить агента недостаточно, его нужно еще и сопровождать в проде.
В зрелых компаниях появится AgentOps: мониторинг действий агентов, оценка качества, контроль стоимости, управление версиями, промптами и качеством.
10. Не так важна модель, как контекст
Стоимость инференса падает, а открытые модели быстро догоняют закрытые. Поэтому доступ к моделям становится менее ценным.
Выиграют те, кто владеет и управляет контекстом: собственными данными, историей решений и уникальными процессами.
Следующий этап — портфель моделей: мощные для сложных решений, и малые для отдельных задач.
Думаю, что компании из одного человека в этом году станут все более популярными.
Так решения принимаются быстрее, исполнение стоит копейки, поэтому можно сфокусироваться на создании ценности даже без наличия капитала.
#новости
Многие компании уже трансформируются под совместную работу людей и ИИ-агентов.
Я изучил свежие отчеты McKinsey, BCG, Bain, Accenture, Deloitte, EY, KPMG, PWC и других консалтинговых компаний и собрал основные выводы.
1. Гонка за новую архитектуру бизнеса
Несмотря на то, что 95% компаний утвердили ИИ-стратегии, а 39% перешли к их масштабированию, значительного финансового эффекта достигают лишь 8% организаций.
73% лидеров верят, что агенты однажды будут управлять целыми бизнес-юнитами. 89% уверены, что вмешательство человека потребуется всегда.
94% компаний готовы продолжать инвестировать, даже если в 2026 году не увидят прямой окупаемости, и планируют инвестировать $186 млн.
2. ИИ становится вопросом CEO, а не CTO
76% компаний уже имеют Chief AI Officer, хотя год назад таких было 26%. Руководители перестраивают C-level под AI-First модель.
64% CEO готовы принимать стратегические решения с опорой на ИИ. К 2030 году руководители ожидают, что почти половина бизнес-решений будет приниматься ИИ без участия человека.
3. ИИ помогает зарабатывать, а не просто сокращать затраты
Первый этап внедрения ИИ был построен вокруг оптимизации процессов и экономии затрат.
Сегодня 78% руководителей считают ИИ более важным для роста выручки, чем для сокращения затрат. Эффект появляется в новых цепочках создания ценности.
4. Ошибка считать только использование, а не решения
Многие компании измеряют ИИ-зрелость только по тому, сколько сотрудников пользуется ИИ и сколько агентов в проде.
Но важно, сколько решений агент принимает сам, сколько стоит одно решение, какова его точность и доля бизнес-решений, безопасно делегированных ИИ.
5. Экономика ИИ должна считаться на уровне процессов
Компаниям нужно понимать стоимость одной заявки, одного лида или одного решения. Без этого агенты не покажут экономического эффекта.
Так управление ИИ-затратами должно учитывать стоимость работы агента с учетом затрат на инференс, сервисы и вовлечение людей.
6. Главный барьер — не технологии, а организация
Технологии развиваются быстрее, чем компании умеют их внедрять. Главные ограничения: грязные и разрозненные данные, устаревшие процессы, легаси-архитектура и низкая готовность сотрудников.
Так, 55% руководителей считают, что их компании готовы к технологической революции, но только 38% сотрудников в это верят. А 83% CEO признают, что успех ИИ зависит от того, примут ли его сотрудники.
Если у агентов не будет доступа к данным — среде их обитания, — они просто не смогут работать.
Отдельно про ИИ-зрелость можете прочитать в моей методичке.
7. Управление превыше всего
Чем больше автономности получает агент, тем жестче должна быть система управления. У агентов должны быть цифровые паспорта, роли, права доступа, правила эскалации человеку и ответственный владелец.
Агентам нужна отдельная модель управления их идентичностью. Информационная безопасность и HR еще никогда не были так близки.
8. Теневое использование ИИ
Пока компании медленно утверждают правила, сотрудники уже используют внешние ИИ-инструменты.
Это создает риски утечки данных и роста ошибок. Компании конкурируют не только скоростью внедрения ИИ, но и способностью вывести ИИ из тени.
9. Масштабируем агентов с AgentOps
Запустить агента недостаточно, его нужно еще и сопровождать в проде.
В зрелых компаниях появится AgentOps: мониторинг действий агентов, оценка качества, контроль стоимости, управление версиями, промптами и качеством.
10. Не так важна модель, как контекст
Стоимость инференса падает, а открытые модели быстро догоняют закрытые. Поэтому доступ к моделям становится менее ценным.
Выиграют те, кто владеет и управляет контекстом: собственными данными, историей решений и уникальными процессами.
Следующий этап — портфель моделей: мощные для сложных решений, и малые для отдельных задач.
Думаю, что компании из одного человека в этом году станут все более популярными.
Так решения принимаются быстрее, исполнение стоит копейки, поэтому можно сфокусироваться на создании ценности даже без наличия капитала.
#новости
3🔥13👍12❤5⚡3👏2🎉1
Как перестроить разработку и сократить 250 айтишников
Написал новую статью про один из моих последних кейсов. Название звучит провокационно, но статья не про сокращения ради сокращений.
Она про то, что в старой модели компания может держать 500 инженеров и все равно двигаться медленно: знания находятся в головах людей, документация сильно устарела, требования приходится собирать по чатам, никто в компании не понимает всю архитектуру целиком, а ИИ-инструменты только ускоряют существующий хаос.
В общем, как я в роли CAIO (Chief AI Officer) в международной финтех-компании перестраивал разработку продуктов. Как бы сделать это так, чтобы ничего не сломать?
Главный принцип: AI-Native разработка начинается с правильно оформленной спецификации.
Сначала нужно восстановить текущее состояние системы, понять архитектуру, зависимости и нюансы работы с легаси, потом описать целевое состояние, далее — тесты, и только после этого агентам можно доверять код.
И конечно, строить с нуля намного легче, чем трансформировать что-то существующее.
В статье я разбираю, как устроена AI-Native разработка:
• агент-археолог восстанавливает текущее состояние продукта;
• агент-аналитик превращает спецификацию в центр управления: от фичей и пользовательских историй до описания поведения системы в виде сценариев использования и требований;
• Change Request связывает AS-IS и TO-BE, а агент-менеджер составляет план разработки;
• требования получают ID и мэтчатся с тестами, задачами, релизами и метриками;
• тесты становятся обязательными на всех уровнях архитектуры: так мы переходим к TDD (Test-driven Development);
• организационные изменения, стандартизация спецификаций, дашборды и обучение новым ролям позволяют перейти в новую парадигму.
В итоге за 3 месяца удалось добиться ускорения релиза новых фичей минимум на 20%, в среднем — на 40%, а в некоторых кейсах — от двух до четырех раз.
Сокращения произошли, потому что половина команды не смогла перейти в новую модель. Где-то мешала старая инженерная культура, где-то — открытый или скрытый саботаж. Обучение в формате хакатонов, буткемпов и интенсивов быстро показывает, кто способен учиться, управлять агентами и брать ответственность, а кто продолжает держаться за старое.
Поэтому трансформация — это не только внедрение инструментов, но и обучение текущей команды, выявление ИИ-чемпионов, найм новых людей и постепенная сборка новой культуры разработки. В такой системе меньшая, но более ответственная и адаптивная команда может давать больше результата, чем большая команда, застрявшая в старой парадигме.
В новой AI-Native модели человек управляет продуктом целиком: ставит задачи агентам, управляет контекстом, принимает архитектурные решения, проверяет результат и несет ответственность за весь продукт.
Так появляется новая роль — AI Product Engineer. Поэтому главный вопрос не в сокращениях, а в том, какая команда нужна компании, если больше не надо вручную писать код? Мы же не пишем двоичный код, а пользуемся высокоуровневыми языками программирования – а сегодня используем естественный язык.
Недавно я закончил преподавать курс по AI-Native разработке в университете Пафоса на Кипре, на совместной программе с JetBrains. В рамках курса каждый студент разработал свой стартап, и я был впечатлен качеством работ. После курса один из студентов сказал, что он и до этого писал код с ИИ, но с новым подходом у него «все пошло как по маслу» — появилась уверенность и контроль над системой.
Проблема не только в энтерпрайзе. Большинство людей сегодня учатся разрабатывать продукты с ИИ неправильно: они учатся писать промпты, генерировать куски кода и быстрее выполнять старую работу, либо делают это без спецификаций и тестов, поэтому быстро теряют контроль.
Но будущее не в том, чтобы быстрее делать старую работу, а в том, чтобы строить новую систему. И именно этому теперь надо учить людей — чтобы они быстрее адаптировались к новой реальности.
Ну а я двигаюсь дальше: следующая задача — внедрить AI-Native подход в производство гуманоидных роботов. Следите за обновлениями.
👉 Полная статья
#кейсы
Написал новую статью про один из моих последних кейсов. Название звучит провокационно, но статья не про сокращения ради сокращений.
Она про то, что в старой модели компания может держать 500 инженеров и все равно двигаться медленно: знания находятся в головах людей, документация сильно устарела, требования приходится собирать по чатам, никто в компании не понимает всю архитектуру целиком, а ИИ-инструменты только ускоряют существующий хаос.
В общем, как я в роли CAIO (Chief AI Officer) в международной финтех-компании перестраивал разработку продуктов. Как бы сделать это так, чтобы ничего не сломать?
Главный принцип: AI-Native разработка начинается с правильно оформленной спецификации.
Сначала нужно восстановить текущее состояние системы, понять архитектуру, зависимости и нюансы работы с легаси, потом описать целевое состояние, далее — тесты, и только после этого агентам можно доверять код.
И конечно, строить с нуля намного легче, чем трансформировать что-то существующее.
В статье я разбираю, как устроена AI-Native разработка:
• агент-археолог восстанавливает текущее состояние продукта;
• агент-аналитик превращает спецификацию в центр управления: от фичей и пользовательских историй до описания поведения системы в виде сценариев использования и требований;
• Change Request связывает AS-IS и TO-BE, а агент-менеджер составляет план разработки;
• требования получают ID и мэтчатся с тестами, задачами, релизами и метриками;
• тесты становятся обязательными на всех уровнях архитектуры: так мы переходим к TDD (Test-driven Development);
• организационные изменения, стандартизация спецификаций, дашборды и обучение новым ролям позволяют перейти в новую парадигму.
В итоге за 3 месяца удалось добиться ускорения релиза новых фичей минимум на 20%, в среднем — на 40%, а в некоторых кейсах — от двух до четырех раз.
Сокращения произошли, потому что половина команды не смогла перейти в новую модель. Где-то мешала старая инженерная культура, где-то — открытый или скрытый саботаж. Обучение в формате хакатонов, буткемпов и интенсивов быстро показывает, кто способен учиться, управлять агентами и брать ответственность, а кто продолжает держаться за старое.
Поэтому трансформация — это не только внедрение инструментов, но и обучение текущей команды, выявление ИИ-чемпионов, найм новых людей и постепенная сборка новой культуры разработки. В такой системе меньшая, но более ответственная и адаптивная команда может давать больше результата, чем большая команда, застрявшая в старой парадигме.
В новой AI-Native модели человек управляет продуктом целиком: ставит задачи агентам, управляет контекстом, принимает архитектурные решения, проверяет результат и несет ответственность за весь продукт.
Так появляется новая роль — AI Product Engineer. Поэтому главный вопрос не в сокращениях, а в том, какая команда нужна компании, если больше не надо вручную писать код? Мы же не пишем двоичный код, а пользуемся высокоуровневыми языками программирования – а сегодня используем естественный язык.
Недавно я закончил преподавать курс по AI-Native разработке в университете Пафоса на Кипре, на совместной программе с JetBrains. В рамках курса каждый студент разработал свой стартап, и я был впечатлен качеством работ. После курса один из студентов сказал, что он и до этого писал код с ИИ, но с новым подходом у него «все пошло как по маслу» — появилась уверенность и контроль над системой.
Проблема не только в энтерпрайзе. Большинство людей сегодня учатся разрабатывать продукты с ИИ неправильно: они учатся писать промпты, генерировать куски кода и быстрее выполнять старую работу, либо делают это без спецификаций и тестов, поэтому быстро теряют контроль.
Но будущее не в том, чтобы быстрее делать старую работу, а в том, чтобы строить новую систему. И именно этому теперь надо учить людей — чтобы они быстрее адаптировались к новой реальности.
Ну а я двигаюсь дальше: следующая задача — внедрить AI-Native подход в производство гуманоидных роботов. Следите за обновлениями.
👉 Полная статья
#кейсы
Датаист / Кейсы
Как перестроить разработку в AI-Native режим
Реальный кейс ИИ-трансформации разработки: от легаси и хаоса к AI-Native подходу, спецификациям и сокращению рутины.
3👍20🔥12