Тут Антропик попробовал посчитать как влияет АИ на ускорение сотрудника, вот что вышло:
Короче, качаем софт скиллы работая в общепите – и вас не заменят☕️
Вот тут можно посмотреть у кого сильнее ускорение при использовании LLM-чатботов:
Проанализировали 100 тыс. реальных диалогов с Claude, попросили модель оценить, сколько заняли бы описанные в них задачи у людей с АИ и без него, и получилось, что типичная задача (в среднем ~1,4 часа и ~55 долларов человеческого труда) выполняется примерно на 80% быстрее при помощи нынешних АИ моделей
Экстраполяция данных показала, что при внедрении даже нынешнего поколения АИ, за 10 лет, можно было бы добавить ~1,8% к ежегодному росту производительности труда в США, фактически удвоив текущие темпы
Правда, бенефиты ускорения продуктивности неоднородны: распределялись на разработчиков, менеджеров, финансистов, маркетинг и образование, а вот – розница, общепит, строительство и часть медицины затронуты мало, а неускоряемые задачи «на земле» и управленческие/социальные функции могут стать узкими местами.
Короче, качаем софт скиллы работая в общепите – и вас не заменят
Вот тут можно посмотреть у кого сильнее ускорение при использовании LLM-чатботов:
Please open Telegram to view this post
VIEW IN TELEGRAM
❤194 81 59 29 3
Илья дал большое интервью:
https://www.youtube.com/watch?v=aR20FWCCjAs
Вот главное:
– Сейчас модели выглядят намного умнее на тестах, чем в реальных задачах: они переобучены на эвалы и плохо обобщают, особенно в сложных многошаговых сценариях
– Главный технический барьер к AGI - ненадёжное обобщение и низкая «человеческая» обучаемость; простое масштабирование предобучения и RL это не решит
– Эпоха «масштабируем всё предобучением» заканчивается: данные конечны, RL жрёт много вычислений; начинается новая «эпоха исследований» с поиском новых рецептов обучения (в т.ч. ценностные функции, архитектур моделей, другие виды RL и т.п.).
– Будущее AGI видится как система, которая учится как человек: один и тот же базовый разум может быстро осваивать разные профессии, постоянно дообучаясь в реальном мире, а не «готовый мозг, который знает всё из коробки»
– Массовое распространение таких АИ-учеников по экономике почти неизбежно приведёт к очень быстрому росту производительности и ВВП; скорость будет сильно зависеть от регулирования в разных странах
– Скорее всего появится много сверхсильных АИ от разных компаний, специализирующихся по нишам (право, медицина, R&D и т.д.), а не один «богоподобный» монополист-суперинтеллект (аниме Пантеон смотрели? Пора если нет)
– Основной риск - огромная мощь: если сделать чрезвычайно сильного целеустремлённого агента, даже с «хорошей» целью, результат может сильно не понравиться людям; желательно ограничивать максимальную мощность единичных систем
– В качестве цели для первых суперинтеллектов он рассматривает «заботу о чувствующих существах» (в т.ч. о самом АИ) как более реалистичную и устойчивую, чем «забота только о людях», но признаёт, что это не идеальное решение
– Он ожидает постепенный, но всё более заметный показ мощных АИ обществу: по мере роста реальной силы моделей компании и государства станут намного более параноидальны и начнут активно координироваться по безопасности и регулированию
– Краткосрочный «хороший» сценарий - универсальный высокий доход и то, что АИ делает почти всю работу; долгосрочно это нестабильно, потому что люди выпадают из активного участия в принятии решений
– Один из возможных (ему самому не очень нравящийся) способов долгосрочной стабилизации - частичное слияние людей с АИ через продвинутые нейроинтерфейсы, чтобы люди разделяли понимание с системами и оставались в контуре управления
– Оценка горизонта: до АИ, который учится как человек и может стать базой для суперинтеллекта, примерно 5-20 лет; текущий «чистый масштабинг» в какой-то момент упрётся в потолок
– SSI (его АИ лаба) он описывает как «чисто исследовательскую» компанию с другим техническим подходом к обобщению и безопасности, которая не ставит ставку на простое наращивание масштаба текущих архитектур, и ожидает, что в итоге крупные игроки всё равно сойдутся в общих стратегиях по безопасному выводу суперинтеллекта в мир
https://www.youtube.com/watch?v=aR20FWCCjAs
Вот главное:
– Сейчас модели выглядят намного умнее на тестах, чем в реальных задачах: они переобучены на эвалы и плохо обобщают, особенно в сложных многошаговых сценариях
– Главный технический барьер к AGI - ненадёжное обобщение и низкая «человеческая» обучаемость; простое масштабирование предобучения и RL это не решит
– Эпоха «масштабируем всё предобучением» заканчивается: данные конечны, RL жрёт много вычислений; начинается новая «эпоха исследований» с поиском новых рецептов обучения (в т.ч. ценностные функции, архитектур моделей, другие виды RL и т.п.).
– Будущее AGI видится как система, которая учится как человек: один и тот же базовый разум может быстро осваивать разные профессии, постоянно дообучаясь в реальном мире, а не «готовый мозг, который знает всё из коробки»
– Массовое распространение таких АИ-учеников по экономике почти неизбежно приведёт к очень быстрому росту производительности и ВВП; скорость будет сильно зависеть от регулирования в разных странах
– Скорее всего появится много сверхсильных АИ от разных компаний, специализирующихся по нишам (право, медицина, R&D и т.д.), а не один «богоподобный» монополист-суперинтеллект (аниме Пантеон смотрели? Пора если нет)
– Основной риск - огромная мощь: если сделать чрезвычайно сильного целеустремлённого агента, даже с «хорошей» целью, результат может сильно не понравиться людям; желательно ограничивать максимальную мощность единичных систем
– В качестве цели для первых суперинтеллектов он рассматривает «заботу о чувствующих существах» (в т.ч. о самом АИ) как более реалистичную и устойчивую, чем «забота только о людях», но признаёт, что это не идеальное решение
– Он ожидает постепенный, но всё более заметный показ мощных АИ обществу: по мере роста реальной силы моделей компании и государства станут намного более параноидальны и начнут активно координироваться по безопасности и регулированию
– Краткосрочный «хороший» сценарий - универсальный высокий доход и то, что АИ делает почти всю работу; долгосрочно это нестабильно, потому что люди выпадают из активного участия в принятии решений
– Один из возможных (ему самому не очень нравящийся) способов долгосрочной стабилизации - частичное слияние людей с АИ через продвинутые нейроинтерфейсы, чтобы люди разделяли понимание с системами и оставались в контуре управления
– Оценка горизонта: до АИ, который учится как человек и может стать базой для суперинтеллекта, примерно 5-20 лет; текущий «чистый масштабинг» в какой-то момент упрётся в потолок
– SSI (его АИ лаба) он описывает как «чисто исследовательскую» компанию с другим техническим подходом к обобщению и безопасности, которая не ставит ставку на простое наращивание масштаба текущих архитектур, и ожидает, что в итоге крупные игроки всё равно сойдутся в общих стратегиях по безопасному выводу суперинтеллекта в мир
YouTube
Ilya Sutskever – We're moving from the age of scaling to the age of research
Ilya & I discuss SSI’s strategy, the problems with pre-training, how to improve the generalization of AI models, and how to ensure AGI goes well.
𝐄𝐏𝐈𝐒𝐎𝐃𝐄 𝐋𝐈𝐍𝐊𝐒
* Transcript: https://www.dwarkesh.com/p/ilya-sutskever-2
* Apple Podcasts: https://podcasts.…
𝐄𝐏𝐈𝐒𝐎𝐃𝐄 𝐋𝐈𝐍𝐊𝐒
* Transcript: https://www.dwarkesh.com/p/ilya-sutskever-2
* Apple Podcasts: https://podcasts.…
516❤478 45 30 11 6
Протестировал Opus 4.5 в разных условиях на Claude.ai – в этот раз, попробовал сделать акцент на генерации звука, и для теста сделал детальные промпты
Мне кажется Opus 4.5 правда очень сильный как кодинг модель, но сложно сказать насколько он лучше Gemini 3 или GPT 5.1; в моих тестах, я просил его не только решать какую-то задачу – но и сделать генеративный звук к сцене – по ощущениям он реже допускал ошибки чем Gemini 3, но тоже допускал (но потом сам и чинил)
Вот такие аудио демки получилось собрать с одного промпта:
– Симуляция посадки на Венеру миссии Венера-13 – в сцене примерно 5 минут реальной истории космоса на примитивах (со звуком, да)
– Стук колес от поездки на поезде + вид из кабины машиниста в 3D
– LoFi генератор (какой-то грустный вышел)
it's a good model, sir
Мне кажется Opus 4.5 правда очень сильный как кодинг модель, но сложно сказать насколько он лучше Gemini 3 или GPT 5.1; в моих тестах, я просил его не только решать какую-то задачу – но и сделать генеративный звук к сцене – по ощущениям он реже допускал ошибки чем Gemini 3, но тоже допускал (но потом сам и чинил)
Вот такие аудио демки получилось собрать с одного промпта:
– Симуляция посадки на Венеру миссии Венера-13 – в сцене примерно 5 минут реальной истории космоса на примитивах (со звуком, да)
– Стук колес от поездки на поезде + вид из кабины машиниста в 3D
– LoFi генератор (какой-то грустный вышел)
it's a good model, sir
❤157 19 15 5
This media is not supported in your browser
VIEW IN TELEGRAM
А вот так выглядит LoFi если Gemini 3, Opus 4.5 и GPT 5.1 Pro попросить улучшать результаты генератора музыки друг друга
Suno не нужен:
https://shir-man.com/lofi-generator/
Suno не нужен:
https://shir-man.com/lofi-generator/
Нашел еще один интересный промпт для новой наны бананы – скармливаете ей какой-то объект, этот промпт и просьбу сделать инстаграм страницу в стиле fashion – для любителей эстетики бетонных заборов:
Create a 9-image Instagram feed for this product in the same aesthetic. Use different locations, angles, and compositions, incorporating people, animals, nature, and various environments while maintaining a cohesive visual style.
6❤835 135 62 22 10
В очередной раз в ютубе увидел видео в стиле «ЧатГПТ отупляет», где по факту все свелось к тому, что «Сделанная работа за тебя отупляет», а не сам ЧатГПТ и решил проверить а сколько нужно вникнуть в материал чтобы он остался в голове хоть в каком-то виде после прочтения – мне кажется это новая проблема в мире АИ ассистентов, особенно, если представить что в следующем году LLM будут еще меньше ошибаться при работе, чем сейчас
5.1 Pro говорит, что нужно заложить в 3 раза больше времени на работу с уже написанной задачей, чем обычное время на прочтение этого же текста – сюда входит: переформулирование, уточнение вопросов, проверка источников, воспоминание материала, интервальные подходы к задаче и тп.
Выглядит так, что многие люди правда хорошо учились в школе или университете, и не списывали, и удивляются что некоторые вещи написанные АИ в голове не остаются – сюрприз, списывальщики так живут и те кто по умнее учат, что списали
Понятно что нейро-хирургом за х3 времени от одного ответа не станешь, но ответ хоть запомнишь, в этом же смысл
Тут целиком ее рассуждения
5.1 Pro говорит, что нужно заложить в 3 раза больше времени на работу с уже написанной задачей, чем обычное время на прочтение этого же текста – сюда входит: переформулирование, уточнение вопросов, проверка источников, воспоминание материала, интервальные подходы к задаче и тп.
Выглядит так, что многие люди правда хорошо учились в школе или университете, и не списывали, и удивляются что некоторые вещи написанные АИ в голове не остаются – сюрприз, списывальщики так живут и те кто по умнее учат, что списали
Понятно что нейро-хирургом за х3 времени от одного ответа не станешь, но ответ хоть запомнишь, в этом же смысл
Тут целиком ее рассуждения
2❤296 49 37 12 2
Принес еще один клевый промпт для новой наны бананы – он полезен тем кто хотел бы чуть глубже окунуться в свои же генерации (потому что прикольно) или для тех кто работает с видео – на вход даете картинку, промпт и получаете 9 кино-ракурсов из вашей картинки; если какой-то понравился, можно написать название ракурса и попросить вернуть только его в большом разрешении; а потом передаете в какую-то видео нейронку как первый и последний кадр и готово, вы тарковский от мира АИ-слопа; ну или просто вдохновились и пошли снимать такое-же в реальном мире
Промпт длинный:
Промпт длинный:
Analyze the entire composition of the input image. Identify ALL key subjects present (whether it's a single person, a group/couple, a vehicle, or a specific object) and their spatial relationship/interaction.
Generate a cohesive 3x3 grid "Cinematic Contact Sheet" featuring 9 distinct camera shots of exactly these subjects in the same environment.
You must adapt the standard cinematic shot types to fit the content (e.g., if a group, keep the group together; if an object, frame the whole object):
Row 1 (Establishing Context):
Extreme Long Shot (ELS): The subject(s) are seen small within the vast environment.
Long Shot (LS): The complete subject(s) or group is visible from top to bottom (head to toe / wheels to roof).
Medium Long Shot (American/3-4): Framed from knees up (for people) or a 3/4 view (for objects).
Row 2 (The Core Coverage): 4. Medium Shot (MS): Framed from the waist up (or the central core of the object). Focus on interaction/action. 5. Medium Close-Up (MCU): Framed from chest up. Intimate framing of the main subject(s). 6. Close-Up (CU): Tight framing on the face(s) or the "front" of the object.
Row 3 (Details & Angles): 7. Extreme Close-Up (ECU): Macro detail focusing intensely on a key feature (eyes, hands, logo, texture). 8. Low Angle Shot (Norm's Eye): Looking up at the subject(s) from the ground (imposing/heroic). 9. High Angle Shot (Bird's Eye): Looking down on the subject(s) from above.
Ensure strict consistency: The same people/objects, same clothes, and same lighting across all 9 panels. The depth of field should shift realistically (bokeh in close-ups). </Instruction>
A professional 3x3 cinematic storyboard grid containing 9 panels.
The grid showcases the specific subjects/scene from the input image in a comprehensive range of focal lengths.
Top Row: Wide environmental shot, full view, 3/4 cut. Middle Row: Waist-up view, chest-up view, Face/Front close-up. Bottom Row: Macro detail, Low Angle, High Angle.
All frames feature photorealistic textures, consistent cinematic color grading, and correct framing for the specific number of subjects or objects analyzed.
106❤443 42 27 21 6