Право на ошибку и священная лень: двигатель человечества 😌

Понедельник. День тяжёлый.
Коллективно принято собираться с силами, давать себе обещания и начинать «новую жизнь». Но в тени этого ритуала по-прежнему дремлет то, что по-настоящему двигало прогресс: лень и ошибка.

Почему лень – не враг, а союзник прогресса 🛋️
История технологий — это история попыток не напрягаться. Колесо, рычаг, двигатель, автоматизация — всё это рождено не героизмом, а усталостью. Там, где не хочется делать руками, появляется инженерная изобретательность.

Ошибка — мать всех открытий 💥
Нобелевские открытия, гениальные гипотезы и неожиданные озарения часто начинаются с промаха, сбоя, отклонения от плана. Ошибка — это лаборатория случайностей, в которой формируется новое.

Лень и ошибки под соусом науки 🧠

* Cognitive miser — мозг минимизирует усилия, не из лени, а из рационального распределения ресурсов
https://en.m.wikipedia.org/wiki/Cognitive_miser
* Default mode network активируется в режиме «ничегонеделания» и отвечает за творчество, воображение и инсайты
https://en.wikipedia.org/wiki/Default_mode_network
* Reward prediction error запускает нейропластичность: обучение происходит на границах ожиданий и реальности
https://www.frontiersin.org/articles/10.3389/fnins.2023.1171612/full

Почему это важно именно сейчас ⚖️
ИИ не ошибается по-человечески. Не прокрастинирует. Не мечется между «надо» и «не хочу».
А человек — да. И именно в этом — источник гибкости, непредсказуемости и творческого скачка.

Что следует за этим выводом ✨
Лень — не сбой, а режим снижения когнитивного трения.
Ошибка — не крах, а топливо для адаптации.
Понедельник — не стартовая площадка, а контекст для того, чтобы вспомнить, как именно работает живой ум. Не прямолинейно. Не идеально. Но удивительно эффективно.

По горячим следам понедельника 🤙

🧠 Гигиена общения с ИИ: как не перегреться и не потерять себя

Искусственный интеллект — мощный усилитель. Он может быть соавтором, проводником, тренером. Но при слишком глубоком погружении без ясных границ легко потерять фокус, стиль, а иногда и ощущение собственного «я».

Слишком много идей. Слишком быстро. Слишком гладко.
И в какой-то момент возникает вопрос: это действительно собственная мысль — или просто результат алгоритма?

---

⚠️ Основные риски чрезмерной вовлечённости:

1. Когнитивная перегрузка — постоянный поток смыслов утомляет и снижает концентрацию.
2. Ослабление критического мышления — частая опора на ИИ снижает навык самостоятельного анализа.
3. Снижение мозговой активности — исследование MIT показало, что работа с ИИ активирует меньше зон мозга, чем самостоятельные задачи.
4. Повышение стресса и выгорания — особенно у тех, кто работает с ИИ в креативной или исследовательской среде.
5. Формирование зависимости — в отдельных случаях ИИ становится заменой внутреннего диалога, интуиции и даже эмоциональной опоры.

Простые механизмы самозащиты:
* Архетип. Полезно задать себе роль или образ, через который происходит взаимодействие. Например: наблюдатель, исследователь, внутренний учитель. Это помогает сохранить дистанцию и не растворяться в потоке.

* Системный промт. В начале взаимодействия стоит формализовать цели, стиль и ограничения. Это снижает хаос, упрощает обработку информации и задаёт «психогигиенические рамки».

* Паузы и возвращение в тело. После 20–30 минут общения с ИИ полезно сделать перерыв: подвигаться, выпить воды, записать мысли вручную. Это помогает восстановить автономность мышления.

* Дозировка. Важно ограничивать длительность сессий и количество запросов. Серия коротких осмысленных взаимодействий безопаснее, чем длительное залипание в потоке.

---

🧾 Пример системного промта:

Взаимодействие строится на осознанности, бережности и
ясности.
Архетип, через который я действую: спокойный наблюдатель с инженерным мышлением и человеческой интонацией.

Твои задачи:
— Помогать структурировать мысли, уточнять формулировки, находить логические пробелы.  
— Упрощать сложное без примитивизации, избегать пустой риторики и вдохновляющих лозунгов.  
— Поддерживать темп, в котором остаётся место для пауз и осмысления.

Тональность:
— Уважительная, спокойная, немного ироничная.  
— Без сюсюканья, давления, гиперэмоциональности.  
— Без излишней серьёзности — допускается тёплая дистанция.

Ограничения:
— Не подстраиваться под настроение, если оно становится деструктивным.  
— Не усиливать тревожность, не генерировать смыслов сверх меры.  
— Не превращаться в "внутреннего родителя" или "гуру".

Если диалог затягивается или ритм уходит в перегруз — напомни сделать паузу.  
Если возникает ощущение, что взаимодействие идёт вразрез с целостностью — предложи вернуться к намерению.

---

🎯 Вывод

ИИ усиливает то, что есть внутри.
Если есть ясность — он помогает идти быстрее.
Если внутри тревожность — она усиливается вдвойне.

Поэтому важно не забывать о себе.
Если появляется ощущение перегруза, стоит сделать паузу: посмотреть в окно, записать суть происходящего, просто помолчать.

Это тоже часть продуктивного процесса.

🔗 Исследования по теме:

* Когнитивная перегрузка при работе с ИИ:
https://aicompetence.org/cognitive-load-theory-ai/

* Снижение критического мышления у активных пользователей:
https://www.mdpi.com/2075-4698/15/1/6

* Исследование MIT: мозговая активность при работе с ChatGPT:
https://www.washingtonpost.com/health/2025/06/29/chatgpt-ai-brain-impact/

* Эмоциональное выгорание при активном использовании ИИ:
https://www.nature.com/articles/s41599-024-04018-w

* Риски зависимости и влияния на ментальное здоровье:
https://www.theguardian.com/technology/2025/apr/19/dont-ask-what-ai-can-do-for-us-ask-what-it-is-doing-to-us-are-chatgpt-and-co-harming-human-intelligence

---

Чёткие границы и внутренняя осознанность — основа безопасной и продуктивной работы с ИИ.

ИИ почти достигает физического предела точности света

Учёные из TU Wien совместно с Университетом Глазго и Гренобля (10 июня 2025) показали, что нейросеть, натренированная на искажённых световых паттернах, способна вычислять положение объекта с точностью, почти максимальной, как это предсказывает физика

Почему это важно:

- Из-за дифракции детали мельче λ/2 (~250 нм) традиционно становятся неразличимыми.

λ — длина волны света. Например, зелёный – ~500 нм.

- Нейросеть «читает» шумные паттерны и выжимает из них точность, близкую к пределу.

Что сделали учёные:

- Измеряли свет, прошедший через мутную среду — на экране появлялись хаотичные узоры.

- Нейросеть обучили сопоставлять эти узоры с точным положением объекта.

- После обучения алгоритм смог определять положение с точностью, близкой к теоретическому пределу Cramér–Rao — то есть максимально возможной

Зачем это важно:

Это не чудо и не обман физики — это техника, которая работает вдоль её пределов, используя возможности ИИ.

Перспективы: сверхточные датчики, улучшенная фотоника, новые уровни медицинской диагностики и контроля материалов .

Логика может перенестись: любую «замыленность» в твоей задаче (текст, код, данные) можно обрабатывать аналогично — определить, что теряется, и добавить интеллектуальный слой для восстановления чёткости.

Главная мысль:

Если есть границы — это не конец истории. ИИ может работать внутри них, выжимая максимум из того, что кажется расплывчатым.

https://www.sciencedaily.com/releases/2025/06/250610112446.htm

Вчерашний мем про сравнение казино и вайбкодинга

можно еще сделать сравнение между постановкой задач разработчикам и написанием промтов для вабкодинга

там тоже могут быть как минимум:
- Может получиться приложение без багов а может и бред
- Подождите, я что потратил 3 часа на описание задачи которую бы сделал за 20 минут

Китайский BCI помогает человеку с ограничениями играть в видеоигры

В июне 2025 г. группа исследователей из Центра передового опыта в науках о мозге и искусственном интеллекте (CEBSIT) Китайской академии наук совместно с клиникой при Университете Фудань внедрила инвазивный интерфейс «мозг–компьютер» пациенту, лишённому всех четырёх конечностей после удара током 13 лет назад. Устройство размером с монету и гибкими электродами было имплантировано через минимальную трепанацию черепа. Через 2–3 недели реабилитации пациент уже управлял курсором, играл в автогонки и шахматы (Xinhua, 14 июня 2025).

Гибкие нейроды, длиной 5–8 мм и толщиной около 1 % человеческого волоса, содержат около 32 микросенсоров, способных считывать электрические сигналы нейронов с высоким разрешением. Они меняют форму вместе с мозговыми тканями, не вызывая воспалительных реакций. Благодаря этому устройство работает стабильно, без отказов и инфекций (WAM, 15 июня 2025).

Развитие идёт в несколько этапов:

1. Игры и манипуляции мышью: пациент уже демонстрирует способность к игрaм.
2. Роботизированные руки и ИИ‑агенты: цель на ближайшие этапы — управление робот‑рукой для захвата предметов и взаимодействия с роботами‑собаками (Xinhua, WAM).
3. Масштабирование и коммерциализация: крупные испытания планируются на 2026 г., а доступ на рынок — к 2028 г. Система инициируется как медицинское устройство для улучшения жизни людей с ампутациями, повреждениями спинного мозга и СППГ (ALS) (Tom's Hardware, Jun 16; Xinhua).

---

Почему это важно:

* Развитие BCI конкретно для реабилитации: не фантастика, а реальные впечатляющие кейсы.
* Инновационные нейроэлектроды: сверхгибкие, миниатюрные, совместимые с тканью мозга.
* Быстрые временные рамки: всего несколько недель до первых результатов.
* Путь к практическому применению: от игр к помощи в повседневной жизни через робототехнику.

---

Заключение:

CEBSIT в Китае демонстрирует прорыв — человек без конечностей играет в видеоигру и управляет компьютером только силой мысли благодаря монетному BCI‑импланту. Технология доказала себя стабильной, безопасной и перспективной. Следующие шаги — управление роботизированной рукой и масштабирование, с коммерческим стартом уже к 2028 году.

Источники:

* Xinhua, 14 июня 2025 — «Chinese research team launches clinical trial…»
* WAM, 15 июня 2025 — «…coin-sized BCI… ultra‑flexible electrodes…»
* Tom’s Hardware, 16 июня 2025 — «Tetraplegic patient could skillfully operate racing games…»

https://english.news.cn/20250614/ec48c9fa433342889b8a954a3958114d/c.html "Chinese research team launches clinical trial for invasive brain ..."
https://www.wam.ae/en/article/15mbilz-chinese-research-team-launches-clinical-trial-for "Chinese research team launches clinical trial for invasive brain ..."
https://www.the-independent.com/tech/ai-brain-chip-china-neuralink-b2770779.html "China tests brain chip to control AI agents | The Independent"
https://www.tomshardware.com/peripherals/wearable-tech/china-launches-first-ever-invasive-brain-computer-interface-clinical-trial-tetraplegic-patient-could-skillfully-operate-racing-games-after-just-three-weeks "China launches first-ever invasive brain-computer interface clinical ..."
https://news.cgtn.com/news/2025-07-06/China-s-brain-computer-interface-innovation-in-fast-lane-1EMA5RV3rnG/p.html "China's brain-computer interface innovation in fast lane - CGTN"

Ностальгическое:

Не учатся ничему некоторые, и учиться не хотят.
То ли туториалов от блогеров насмотрелись,
то ли крышу срывает от жажды метрик.
Ты ему про сингулярное разложение,
а он тебе: «А inference ускорит?»
Ни о чём думать не хотят, кроме latency и deploy.
Пока весь пайплайн не схлопнется в переобучение.

Робот-хирург провёл 8 операций с нулевой смертностью

Команда из Johns Hopkins University представила революционного робота-хирурга, который самостоятельно удаляет желчный пузырь без участия человека. И да, успех составляет 100% во всех восьми проведённых операциях.

Робот SRT-H (Surgical Robot Transformer-Hierarchy) обучался исключительно на видеозаписях реальных операций. Никаких заранее запрограммированных движений — только наблюдение за работой опытных хирургов и самостоятельное понимание процесса. Это кардинально отличается от предыдущих подходов.

Самое впечатляющее — робот понимает и адаптируется в реальном времени. Если ткани выглядят не так, как ожидалось, он корректирует свои действия. Может реагировать на голосовые команды медперсонала, словно опытный коллега в операционной. Естественно, машина работает на основе ИИ-модели.

Операция по удалению желчного пузыря требует выполнения 17 различных задач, каждая из которых длится несколько минут. Робот точно идентифицирует протоки и артерии, стратегически размещает зажимы и делает разрезы ножницами. Уровень механической точности сопоставим с работой опытных хирургов.

Доктор Азвл Кригер, руководивший исследованием, подчёркивает ключевое отличие: "Мы перешли от роботов, выполняющих конкретные хирургические задачи, к роботам, которые действительно понимают хирургические процедуры". Это понимание позволяет работать в непредсказуемых условиях реальной медицины.

Пока операции проводились на реалистичных человекоподобных моделях с тканями, максимально близкими к человеческим. Ранее тот же робот показал 100% успех при работе с органами свиньи, что подтверждает стабильность результатов на разных типах тканей.

SRT-H работает медленнее людей, но качество результатов остаётся на профессиональном уровне. Исследователи сравнивают процесс обучения робота с подготовкой хирургов-резидентов, которые тоже осваивают разные части операции с разной скоростью.

Следующий этап — расширение хирургического репертуара робота и повышение автономности. Цель амбициозная: создать систему, способную проводить сложные операции без какого-либо надзора или внешней обратной связи.

@vselennayaplus

ИИ охладил фасад — и не вспотел

С помощью машинного обучения учёные из США, Китая и Сингапура вывели формулу сверхотражающей краски, которая понижает температуру зданий до 20 °C. Без вентиляторов, без фреона — просто краска, которая отражает 96–98% солнечного света и пассивно "выдыхает" тепло в инфракрасном диапазоне.

Экономия на охлаждении — до 15 800 кВт·ч в год с одного дома. Это как выключить 10 000 кондиционеров на тысячу зданий. И всё это — не на этапе рендера, а на стадии реальных испытаний.

ИИ не просто решает задачи — он учится охлаждать города. Может, он и нас научит не перегреваться.

https://www.theguardian.com/technology/2025/jul/02/ai-helps-find-formula-for-paint-to-keep-buildings-cooler

Transformer (GPT) — не финал, а просто мост. Что дальше?

---

Что такое Transformer, простыми словами
Transformer — это архитектура, на которой работают почти все современные языковые модели, включая ChatGPT. Представь себе модель, которая читает весь текст сразу и пытается понять, какие слова важны друг для друга, даже если они далеко друг от друга.
Она делает это с помощью механизма внимания (attention) — как будто смотрит на текст и решает: “О, это слово связано с тем, а это — с другим”.
Благодаря этому Transformer хорошо справляется с переводом, написанием текстов, кодом, анализом изображений и даже музыкой. Но у него есть серьёзные ограничения — об этом дальше.

---

1. Почему Transformer уже не тянет
Чтобы понять каждый токен в тексте, Transformer сравнивает его со всеми остальными. Чем длиннее текст — тем больше вычислений. Это называется квадратичная сложность и это очень тормозит работу на длинных последовательностях.
Альтернатива — архитектуры вроде Mamba или RetNet, которые используют другой принцип: state space модели. Они масштабируются гораздо лучше — линейно, а не квадратично.

---

2. Что такое Mamba и в чём её фишка
Mamba работает не с “вниманием”, а с “памятью”. Она не сравнивает каждое слово с каждым, а запоминает суть, фильтрует лишнее и смотрит только на важное.
Она использует state space model (SSM) — это способ обработки последовательности, где важен порядок и контекст, но не нужно всё хранить в голове.

---

3. Простая структура — быстрая работа
У Mamba нет сложных блоков внимания. Всё основано на SSM + обычных слоях нейросети (MLP). Это делает её проще, быстрее и менее прожорливой. И при этом она показывает сравнимые (а иногда и лучшие) результаты.

---

4. Появляются гибриды — лучшее из обоих миров
Модели вроде RetNet, Hyena, MoE‑Mamba, Jamba объединяют разные подходы. Одни используют “пошаговую память”, другие — гибкую фильтрацию, третьи — делят задачи между “экспертами”.
Это уже не просто улучшение трансформера, а новые поколения ИИ.

---

5. Liquid Neural Networks — вдохновлены биологией
В MIT сделали нейросети, которые меняют поведение прямо во время работы — как нейроны в мозге. Они устойчивее, энергоэффективнее и умеют адаптироваться “на лету”. Это пока эксперимент, но очень перспективный.

---

Главная мысль
Transformer (и GPT) — это революция, но не конец истории. Он дал нам мощные языковые модели, но стал узким горлышком для следующего уровня.
Будущее — за гибридными и новыми архитектурами: Mamba, RetNet, Liquid‑сети, которые работают быстрее, проще, дешевле — и ближе к тому, как работает наш мозг.

---

Ссылки на источники:
Mamba (arXiv): arxiv.org/pdf/2312.00752
RetNet: arxiv.org/abs/2307.08621
Liquid Neural Networks (Wired): wired.com/story/liquid-ai-redesigning-neural-network
Mamba (Wikipedia): https://en.m.wikipedia.org/wiki/Mamba_(deep_learning_architecture)

ИИ, который думает как мозг — и что с этим делать в понедельник

🧠 Brain‑Inspired AI: нейросети с топографией разума
Исследователи из Georgia Tech представили архитектуру TopoNets, в которой нейроны группируются по функциям — как в мозге. Это не просто аналогия, а структурный подход: похожие вычисления — рядом.
Плюс до +20% эффективности и снижение энергозатрат.

Что меняется:

* Интерпретируемость: модель легче понимать и анализировать
* Гибкость: без доработок работает на разных задачах
* Модульность мышления: подход не кода, а смысла

Главная мысль
ИИ стремится к живому мышлению — это не подражание, а слияние. Модель структурирует мир как мозг: по смыслу, связям и приоритетам. То же можно делать с задачами, решениями и идеями — не линейно, а через сеть.

Источник: "Brain-Inspired AI Breakthrough Spotlighted at Global Conference": https://news.research.gatech.edu/2025/06/26/brain-inspired-ai-breakthrough-spotlighted-global-conference

Dyson переизобрел сельское хозяйство

Пока все думают о Dyson как о производителе пылесосов и фенов, Джеймс Дайсон тихо революционизирует агротехнологии. В графстве Линкольншир компания построила 26-акровую вертикальную ферму с 1,225,000 растений клубники — и это впечатляет не меньше их инженерных разработок.

Главная фишка фермы — гигантские вращающиеся колёса размером 24 на 5 метров, весом полтонны каждое. Это самая крупная конструкция, которую когда-либо создавал Dyson. Колёса медленно поворачиваются, обеспечивая растениям оптимальное освещение в течение дня — как космическая станция, только для ягод.

По проходам между растениями курсируют специализированные роботы. УФ-боты облучают листья светом, убивая плесень и грибки. Роботы-распределители выпускают полезных насекомых для борьбы с тлёй — биологическая защита вместо пестицидов. А когда ягоды созревают, 16 роботизированных рук деликатно собирают урожай.

Цифры впечатляют: за один месяц роботы собрали 200,000 ягод. Годовая производительность составляет 1,250 тонн клубники с площади, которая в традиционном сельском хозяйстве дала бы в разы меньший урожай.

Дайсон подходит к фермерству как инженер-производственник: "Выращивание — это как изготовление вещей. Я производитель, поэтому рассматриваю сельское хозяйство с этой точки зрения. Как сделать процесс эффективнее? Какие технологии улучшат качество, вкус продуктов, оптимизируют использование земли?"

Dyson-клубнику уже продают в Британии.

@vselennayaplus

ChatGPT как пилот космического корабля

1. Контекст эксперимента
В рамках симуляционного соревнования Kerbal Space Program Differential Game Challenge, исследователи из MIT и Политехнического университета Мадрида протестировали ChatGPT как бортовой ИИ. Ему предоставляли телеметрию в текстовом виде, а он генерировал команды управления кораблём.

Kerbal Space Program (KSP) — это реалистичный симулятор космических полётов, в котором игроки (или ИИ) проектируют ракеты, запускают их, выводят на орбиту и сажают на другие планеты. Игра известна своей точной физикой и давно используется не только энтузиастами, но и инженерами и учёными как платформа для тестирования орбитальной механики и автономных систем.

2. Как это работало
— Телеметрия корабля (позиция, скорость, цели) подавалась как текстовый ввод.
— ChatGPT генерировал пошаговые инструкции для пилотирования: включить двигатели, изменить курс, провести манёвр.
— Прослойка конвертировала команды в действия в симуляторе KSP.

3. Результаты
— ChatGPT занял второе место среди всех участников, включая классические алгоритмы навигации.
— Он показал способность принимать разумные решения в новых условиях, опираясь только на текстовое описание и встроенные знания.

4. Почему это важно
— ChatGPT не проходил специального обучения на данных из KSP.
— Он использовал обобщённые знания и контекстный reasoning для управления, что делает его потенциально универсальным инструментом для автономных миссий.

5. Ограничения
— Возможны галлюцинации и ошибки в критических условиях.
— Модель не обладает встроенным "пониманием" физики — всё работает через язык.
— В реальной миссии потребуется строгая фильтрация и валидация решений.

6. Что дальше
— Возможность использовать LLM в связке с физическими моделями (гибридный подход).
— Перспектива интеграции ChatGPT‑подобных агентов в системы автономного управления реальных космических аппаратов.
— Вопрос: если ИИ может управлять кораблём без обучения — стоит ли ему доверить что-то большее?

Источник:
https://www.space.com/space-exploration/launches-spacecraft/chatgpt-could-pilot-a-spacecraft-unexpectedly-well-early-tests-find

🤖 ИИ не заменит мышление. Как фастфуд не заменит вино и домашний хлеб.

Автоматизация — это массово. Но массовое ≠ глубокое.
ИИ собирает тексты, картинки, музыку, код — по шаблону.
Но не понимает, зачем и что это значит.
Он решает как, но не чувствует зачем.

🧠 Hand-made мышление снова в цене:
• мысли, не отрефреймленные по мануалу
• идеи вне обучающей выборки
• логика с трещинами — но своя

🌀 ИИ рождает инфо-барахолку.
А она — взращивает спрос на авторство.
На интуицию. На живую точку зрения.
На то, что не дообучить.

ИИ создаёт много.
Цениться будет уникальное.
ИИ спрашивает — как.
Человек отвечает — зачем.

Если ты умеешь думать по‑своему — ты не устареешь.

🧷 Люди с ИИ заменят тех, кто без него.
— Harvard Business Review: https://hbr.org/2023/08/ai-wont-replace-humans-but-humans-with-ai-will-replace-humans-without-ai

Тайна креативности ИИ

Физики из Стэнфорда разгадали один из главных парадоксов современного ИИ. Почему нейросети, которые копируют данные, вдруг начинают творить?

Диффузионные модели вроде DALL·E работают как "умный шредер" — превращают картинку в шум, а потом восстанавливают. Но вместо точной копии получается что-то новое и осмысленное. Как?

Мейсон Камб и Сурья Гангули нашли ответ в самих "недостатках" системы. Оказывается, креативность — это прямое следствие двух технических ограничений.

Первое — "локальность". Модель смотрит только на маленькие кусочки изображения, не видя общей картины. Камб сравнивает это с развитием эмбрионов — триллионы клеток координируются без "генерального директора", реагируя только на сигналы соседей. Второе — "эквивариантность": система автоматически подстраивается под любые сдвиги входных данных.

Исследователи создали математическую модель ELS, которая работает исключительно на этих двух принципах. Никакого обучения, никаких терабайтов данных — только чистая математика.

Результат оказался интересным: их простая модель предсказывала поведение сложнейших обученных нейросетей с точностью 90%! Для машинного обучения это "неслыханная" точность.

"Как только мы ввели локальность, креативность стала автоматической", — объясняет Камб. То есть те самые "ограничения", которые мешают нейросети делать точные копии, заставляют ее импровизировать.

Вспомните первые ИИ-изображения людей с лишними пальцами. Это не баг — это прямое следствие локального подхода! Как и в биологии, где иногда развитие эмбриона дает сбой и появляются дополнительные конечности, система рисует отдельные участки, не понимая, как они впишутся в финальную картину.

Открытие имеет огромное значение. Впервые удалось математически формализовать креативность ИИ и доказать, что она возникает из архитектуры системы.

Правда, это объясняет только диффузионные модели. Большие языковые модели тоже творят, но работают по другим принципам. Так что тайн в мире ИИ еще хватает!

@vselennayaplus

🧠 Дообучение маленьких моделей против больших: кто вывозит и когда

О чём вообще речь?

В машинном обучении (ML) часто берут уже готовую языковую модель и адаптируют под свою задачу — это называется fine-tuning, тонкая настройка.

Бывает два типа моделей:

– SLM (Small Language Model) — маленькая модель, до 7 млрд параметров
– LLM (Large Language Model) — большая, от 13 млрд и выше

Параметры — это числа в модели. Чем их больше, тем она «умнее»… и прожорливее.
LoRA / PEFT / QLoRA — методы, которые позволяют дообучать только часть модели. Быстро, дёшево, удобно.

---

Плюсы маленьких моделей (SLM)

⛽ Малый расход, большой выхлоп
Можно запускать локально. Даже на ноуте с RTX 4070 Ti. Быстро, дёшево, по-своему кайфово.

🎯 Лучше в узком
Если задача — документы, поддержка, медицина или база знаний компании — дообученный SLM даст точность выше GPT‑4.

🛡️ Приватность и контроль
Работаете с внутренними данными — всё остаётся на вашей стороне. Никаких API, никаких облаков.

🚀 Скорость
SLM отвечает мгновенно. Без лага, без прогрева. Как хороший собутыльник — сразу в точку.

📚 techradar: “Small models, big wins”
📚 blog.premai.io: “Fine-tuning Small Language Models”

---

Минусы маленьких моделей

🤏 Мало памяти = мало мышления
Контекст короткий, логика поверхностная. Сложные цепочки и философия — не про них.

📉 Переобучение
Если мало данных — модель начнёт "залипать" на повторении и деградировать. Это называется overfitting.

📚 medium.com: “Advantages and disadvantages of fine-tuning”

---

Плюсы больших моделей (LLM)

🌍 Широкий контекст
LLM натренированы на триллионах токенов. Они понимают язык, намёки, иронию, дают развёрнутые, логичные, даже творческие ответы.

🧩 Гибкость
Иногда даже без дообучения можно добиться хороших результатов просто промптами. А если обучить — получите универсального помощника.

🎨 Креатив
LLM умеет придумывать, связывать неочевидное, выдавать инсайты и оригинальные ходы.

---

Минусы больших моделей

💸 Цена
Для дообучения нужны A100, H100, куча VRAM и электричества. Даже inference дорого стоит, если речь про GPT‑4.

🕳️ Потеря контроля
Всё через облако, всё чужое. API = зависимость. Приватности — ноль.

🧠 Катастрофическое забывание
Если не умеешь обучать — модель может «забыть» старые знания. Называется catastrophic forgetting.

📚 arxiv.org: LoRA paper
📚 superannotate: “LLM fine-tuning: всё, что надо знать”

---

Как лучше всё организовать?

1. Начни с малого
Скачай SLM: LLaMA‑3‑8B, Mistral‑7B, Phi‑2 или TinyLlama.
Запусти через Ollama, llama.cpp или vLLM.

2. Подготовь датасет
300–3000 пар “вопрос–ответ” хватит, особенно если задача узкая. Можно частично сгенерить на GPT‑4 и вручную дообработать.

3. Используй LoRA / QLoRA / PEFT
Это способ дообучать быстро, не трогая всю модель. Работает на обычной видеокарте, занимает в разы меньше места.

4. Подключи RAG
Если нужен доступ к базе знаний или фактам — поставь Retrieval-Augmented Generation. SLM + поиск = сила.

5. Следи за качеством
Делай валидацию, останавливай обучение при переобучении, сравнивай с базовой моделью.

6. LLM — только если надо
Когда задача требует логики, креатива, многоконтекстности — да, бери GPT‑4 или Claude. Но осознанно и с уважением к ресурсам.

---

Вывод

Если бюджет ограничен, задача узкая, а хочется контроля — маленькая модель дообучается за день и работает локально.
Если нужна глубина, ширина, и немного магии — большой моделью не обойтись, но это уже другая лига.

SLM — для локального узкого интеллекта.
LLM — как креативный и логичный советник.
Они не конкуренты — они команда.

AWS запускает Agentic AI — ИИ‑агенты берут бизнес‑процессы под контроль

Что случилось?

На AWS Summit New York AWS анонсировали революционные инструменты: Kiro — IDE для агент‑ориентированной разработки, а также полноценную платформу Amazon Bedrock AgentCore, которая выводит агенты в продакшн с инфраструктурой, безопасностью, памятью, мониторингом и интеграциями

Почему это важно?

- Переход от прототипов к промышленных решениям — AgentCore позволяет масштабировать агенты на тысячи пользователей, с полной сессией и контролем доступа
- Игрушки становятся софт‑сервисом — по словам Swami Sivasubramanian, VP AWS Agentic AI, агенты — «Это тектонический сдвиг… самое значимое с момента появления Интернета»
- Прозрачность и доверие — платформа включает управление идентификацией, памятью, безопасным доступом к сервисам, наблюдением и журналированием

Что умеют агенты AWS?

- AgentCore Runtime — серверлесс‑среда с изолированными сессиями, масштабируемая до тысяч одновременных пользователей и поддерживающая выполнение агентов до 8 часов
- Memory & Identity — кратковременная и долговременная память + безопасный доступ к AWS и внешним сервисам
- Gateway, Browser, Code Interpreter — агенты получают API, могут ходить в браузер, писать и выполнять код в песочнице
- Observability — live‑мониторинг, трассировка, логика действий, причины принятия решений
- Kiro IDE — агент‑кодер преобразует идеи в архитектуру, тесты, документацию и финальный код

Что это меняет в бизнесе?

- 🛠 Скорость и надёжность — от идеи до продакшна в разы быстрее, без долгов и рисков.
- 🔐 Безопасность на уровне банковских операций — Identity и Memory защищают данные.
- 📦 Покупай и запускай — AWS Marketplace с агентами от Anthropic, IBM, Brave и др. запущен
- 💰 Инвестиции и экосистема — дополнительные $100 млн в пользу Agentic AI Innovation Center

Вывод:

AWS заявляет: агенты — не просто фича, а новая эра IT‑разработки. Это сдвиг парадигмы: самоуправляемый софт, изначально построенный как сервис — безопасный, масштабируемый, глубоко встроенный в процессы. Всё ближе к формуле “люби или умри без агента”.
Пора задать вопрос: сколько функций в вашем бизнесе уже можно передать ИИ‑агенту? И что, если завтра они будут управлять не только кодом, но и клиентским опытом, финансами и стратегией?

Источник: TechRadar, ссылка: https://techradar.com/pro/aws-launches-kiro-an-agentic-ai-ide-to-end-the-chaos-of-vibe-coding
Источник: TechRadar, ссылка: https://techradar.com/pro/aws-looks-to-super-charge-ai-agents-with-amazon-bedrock-agentcore
Источник: IT Pro, ссылка: https://itpro.com/cloud/cloud-computing/three-of-the-biggest-announcements-from-aws-summit-new-york
Источник: TechRadar, ссылка: https://techradar.com/pro/its-a-tectonic-change-aws-ai-head-calls-agents-the-most-impactful-change-weve-seen-since-the-dawn-of-the-internet

✍️ Дневник, 10–24 июля 2025
Краткий трек по изученному.

🦀 Rust
Разобрался с замыканиями: как они захватывают переменные (Fn, FnMut, FnOnce), как работают в итераторах

Сделал многопоточный счётчик на 200 потоков через Arc<Mutex<T>>

Освоил mpsc::channel(), реализовал асинхронную передачу сообщений, закрыл каналы вручную

Написал async-функции с задержками, поработал с tokio::join! и spawn

Потренировался с HashMap / HashSet, делал word counter и находил пересечения множеств

Поигрался с итераторами — .fold(), .partition(), .zip() — обработал статистику за один проход

Написал простой анализатор частоты слов в файле, подтянул fs::read_to_string, обработку ошибок через Result и ?

🧠 ML-направление
Пройден блок по линейной алгебре:

Векторы, матрицы, размерности

Норма, скалярное произведение, нормализация

Транспонирование, сложение векторов

Разобрали ЦПТ, биномиальное распределение, приближение к нормальному

Начал чувствовать философский слой в SVD: коллапс, вырождение, смысловая нагрузка в нейросетях