🧮 Теренс Тао о Кеплере, Ньютоне и том, как AI изменит математику
Dwarkesh Patel поговорил с Теренсом Тао — лауреатом Филдсовской премии, одним из величайших математиков современности. Разговор о том, как делаются научные открытия и что это значит для AI.
Кеплер как high-temperature LLM:
История открытия законов движения планет — идеальная метафора для понимания AI в науке.
Кеплер 20 лет перебирал случайные гипотезы: Платоновы тела между орбитами планет, музыкальные гармонии, геометрические соотношения. Большинство идей были бредом. Но благодаря данным Тихо Браге (первый качественный dataset в истории) он смог верифицировать, какие идеи работают.
Третий закон Кеплера — по сути регрессия на 6 точках данных. Он даже не выделил его особо, потому что интуитивно понимал: слишком мало данных для уверенности.
Ньютон vs Кеплер:
Кеплер нашёл эмпирические закономерности. Ньютон объяснил почему они работают. AI сейчас — скорее Кеплер: может находить паттерны, но не понимает глубинную структуру.
AI снизил стоимость генерации идей почти до нуля:
Как интернет снизил стоимость коммуникации. Но это не создаёт изобилие само по себе. Теперь узкое место — верификация и оценка. Журналы уже захлёбываются от AI-сгенерированных submissions.
50 задач Эрдёша решены за месяц:
AI-инструменты решили ~50 из 1100 задач Эрдёша. Но это были задачи без литературы — никто серьёзно не пытался. Решение = комбинация малоизвестной техники + что-то из литературы.
При систематическом тестировании success rate AI на любой задаче — 1-2%. Просто масштаб позволяет выбирать победителей. Выглядит впечатляюще, но это selection bias.
AI отлично делает breadth, люди — depth:
AI может попробовать все стандартные техники на проблеме, часто делая меньше ошибок, чем люди. Но когда стандартные методы не работают и нужно изобрести новую технику — AI пока не справляется.
Метафора: AI — прыгающие роботы, которые могут прыгнуть на 2 метра. Они нашли все низкие стены. Но не могут зацепиться за уступ, подтянуться, помочь другим, и прыгнуть выше.
Как Тао использует AI:
“Мои статьи теперь содержат больше кода, больше графиков — потому что это легко генерировать. Но ядро работы — решение самой сложной части математической задачи — не изменилось. Я всё ещё использую ручку и бумагу.”
AI сделал статьи богаче и шире, но не глубже.
Artificial cleverness vs artificial intelligence:
Интеллект — это кумулятивный процесс. Двое людей обсуждают проблему, тестируют идеи, модифицируют стратегию, систематически картографируют что работает, что нет.
AI так не делает. Он прыгает и падает, прыгает и падает. Нет накопления частичного прогресса.
Если AI решит проблему, поймём ли мы решение?
Красота Lean в том, что можно изучить любой кусок доказательства атомарно. Будут целые профессии математиков, которые берут гигантское AI-доказательство и делают ablation — убирают части, находят более элегантные пути.
Нужен полу-формальный язык для стратегий:
У нас есть формальный язык для доказательств (Lean). Нет языка для стратегий, правдоподобия гипотез, научных нарративов. Пока это “мягкая” часть науки, которую нельзя вставить в RL-цикл.
Предсказание Тао 2023 года сбылось:
“К 2026 AI будет как надёжный соавтор в математике, если использовать правильно.” Оказался прав.
Human-AI гибриды будут доминировать долго:
“AI отлично дополняет, но не заменяет. Текущие AI ускорят науку, но возможно, уничтожая serendipity, мы ингибируем определённые типы прогресса. Мир очень непредсказуем сейчас.”
Совет молодым математикам:
Раньше нужны были годы обучения до PhD, чтобы внести вклад на фронтире. Теперь школьник с AI-инструментами и Lean может сделать реальный вклад. Будет много нетрадиционных возможностей. Нужен адаптивный mindset.
“Страшное время, но и очень захватывающее.”
🔗 Полное интервью на Dwarkesh Podcast
https://www.dwarkesh.com/p/terence-tao
📺 YouTube
#Terence_Tao #математика #AI_for_math #Kepler #Newton #Lean #научные_открытия #Dwarkesh_Podcast #verification #breadth_vs_depth
Dwarkesh Patel поговорил с Теренсом Тао — лауреатом Филдсовской премии, одним из величайших математиков современности. Разговор о том, как делаются научные открытия и что это значит для AI.
Кеплер как high-temperature LLM:
История открытия законов движения планет — идеальная метафора для понимания AI в науке.
Кеплер 20 лет перебирал случайные гипотезы: Платоновы тела между орбитами планет, музыкальные гармонии, геометрические соотношения. Большинство идей были бредом. Но благодаря данным Тихо Браге (первый качественный dataset в истории) он смог верифицировать, какие идеи работают.
Третий закон Кеплера — по сути регрессия на 6 точках данных. Он даже не выделил его особо, потому что интуитивно понимал: слишком мало данных для уверенности.
Ньютон vs Кеплер:
Кеплер нашёл эмпирические закономерности. Ньютон объяснил почему они работают. AI сейчас — скорее Кеплер: может находить паттерны, но не понимает глубинную структуру.
AI снизил стоимость генерации идей почти до нуля:
Как интернет снизил стоимость коммуникации. Но это не создаёт изобилие само по себе. Теперь узкое место — верификация и оценка. Журналы уже захлёбываются от AI-сгенерированных submissions.
50 задач Эрдёша решены за месяц:
AI-инструменты решили ~50 из 1100 задач Эрдёша. Но это были задачи без литературы — никто серьёзно не пытался. Решение = комбинация малоизвестной техники + что-то из литературы.
При систематическом тестировании success rate AI на любой задаче — 1-2%. Просто масштаб позволяет выбирать победителей. Выглядит впечатляюще, но это selection bias.
AI отлично делает breadth, люди — depth:
AI может попробовать все стандартные техники на проблеме, часто делая меньше ошибок, чем люди. Но когда стандартные методы не работают и нужно изобрести новую технику — AI пока не справляется.
Метафора: AI — прыгающие роботы, которые могут прыгнуть на 2 метра. Они нашли все низкие стены. Но не могут зацепиться за уступ, подтянуться, помочь другим, и прыгнуть выше.
Как Тао использует AI:
“Мои статьи теперь содержат больше кода, больше графиков — потому что это легко генерировать. Но ядро работы — решение самой сложной части математической задачи — не изменилось. Я всё ещё использую ручку и бумагу.”
AI сделал статьи богаче и шире, но не глубже.
Artificial cleverness vs artificial intelligence:
Интеллект — это кумулятивный процесс. Двое людей обсуждают проблему, тестируют идеи, модифицируют стратегию, систематически картографируют что работает, что нет.
AI так не делает. Он прыгает и падает, прыгает и падает. Нет накопления частичного прогресса.
Если AI решит проблему, поймём ли мы решение?
Красота Lean в том, что можно изучить любой кусок доказательства атомарно. Будут целые профессии математиков, которые берут гигантское AI-доказательство и делают ablation — убирают части, находят более элегантные пути.
Нужен полу-формальный язык для стратегий:
У нас есть формальный язык для доказательств (Lean). Нет языка для стратегий, правдоподобия гипотез, научных нарративов. Пока это “мягкая” часть науки, которую нельзя вставить в RL-цикл.
Предсказание Тао 2023 года сбылось:
“К 2026 AI будет как надёжный соавтор в математике, если использовать правильно.” Оказался прав.
Human-AI гибриды будут доминировать долго:
“AI отлично дополняет, но не заменяет. Текущие AI ускорят науку, но возможно, уничтожая serendipity, мы ингибируем определённые типы прогресса. Мир очень непредсказуем сейчас.”
Совет молодым математикам:
Раньше нужны были годы обучения до PhD, чтобы внести вклад на фронтире. Теперь школьник с AI-инструментами и Lean может сделать реальный вклад. Будет много нетрадиционных возможностей. Нужен адаптивный mindset.
“Страшное время, но и очень захватывающее.”
🔗 Полное интервью на Dwarkesh Podcast
https://www.dwarkesh.com/p/terence-tao
📺 YouTube
#Terence_Tao #математика #AI_for_math #Kepler #Newton #Lean #научные_открытия #Dwarkesh_Podcast #verification #breadth_vs_depth
Dwarkesh
Terence Tao – Kepler, Newton, and the true nature of mathematical discovery
“And what those stories teach us about how AI will revolutionize math”
Forwarded from Юра Бойчук // Marketing Lab
This media is not supported in your browser
VIEW IN TELEGRAM
Как я и ИИ взаимодействуем в моих проектах 🚀
🏦 JPMorgan привязал KPI инженеров к использованию AI-инструментов
JPMorgan Chase вводит обязательные цели по использованию AI для всех software engineers. Это больше не рекомендация — это часть годовой оценки.
Что происходит:
Внутренние документы компании: новые objectives “будут добавлены автоматически и появятся к концу марта”. Использование AI стандартизируется как часть годовых целей каждого инженера.
Формулировка цели:
“Демонстрировать измеримое улучшение качества кода, скорости и продуктивности через регулярное использование одобренных AI coding assist tools, внося вклад в общие цели эффективности команды.”
Ещё жёстче:
Инженеров просят “выявлять, внедрять и оптимизировать AI-driven automation opportunities в процессах управления жизненным циклом технологий”.
Data fluency как ключевая компетенция:
“Скорость adoption” указана как измеримый индикатор навыка. Карьерный рост привязан к тому, как быстро сотрудники внедряют AI в рутину.
Непрерывный мониторинг:
“Вы и ваш менеджер будете использовать objectives для отслеживания прогресса в течение года, признания impact и упрощения годового review.”
Контекст:
$20 млрд на технологии в 2026 — больше, чем у большинства конкурентов.
40,000+ инженеров уже имеют доступ к AI coding assistants.
10-20% рост продуктивности у десятков тысяч инженеров благодаря внутреннему coding assistant (по словам CIO Lori Beer).
70% рост deployments кода за последние 2 года.
20% снижение replanned work — меньше переделок.
200,000 сотрудников имеют доступ к LLM Suite (внутренний ChatGPT-подобный инструмент).
Реальные результаты:
∙ KYC: 155,000 файлов в 2022 → 230,000 файлов (+50%) при -20% сотрудников = +90% продуктивности
∙ Cash Flow Intelligence AI: -90% manual work
Workforce impact:
Headcount ~318,500 (без изменений за год), но структура изменилась:
∙ Operations и support staff: -4% и -2%
∙ Роли с клиентами и revenue generation: +4%
Jamie Dimon: “Мы уже вытеснили людей из-за AI — и предлагаем им другие позиции. У нас уже есть huge redeployment plans.”
Что это значит:
JPMorgan первым из крупнейших корпораций формализовал adoption AI как KPI. Не просто “используйте AI если хотите”, а “ваша карьера зависит от того, как быстро вы внедряете AI”.
Это сигнал для всей индустрии: AI proficiency становится baseline expectation, не специализированным навыком. Новый бенчмарк продуктивности — output калибруется относительно того, что возможно с machine assistance, а не только человеческими усилиями.
Беспокойство инженеров:
сами инструменты не вызывают вопросов, многие признают их полезность. Тревога в том, насколько жёстко мониторится использование — и что будет с теми, кто не дотянет.
https://www.tekedia.com/jpmorgan-raises-the-bar-for-engineers-ties-performance-to-ai-adoption/
#JPMorgan #AI_adoption #KPI #software_engineering #productivity #enterprise_AI #coding_assistants #workforce #Jamie_Dimon
JPMorgan Chase вводит обязательные цели по использованию AI для всех software engineers. Это больше не рекомендация — это часть годовой оценки.
Что происходит:
Внутренние документы компании: новые objectives “будут добавлены автоматически и появятся к концу марта”. Использование AI стандартизируется как часть годовых целей каждого инженера.
Формулировка цели:
“Демонстрировать измеримое улучшение качества кода, скорости и продуктивности через регулярное использование одобренных AI coding assist tools, внося вклад в общие цели эффективности команды.”
Ещё жёстче:
Инженеров просят “выявлять, внедрять и оптимизировать AI-driven automation opportunities в процессах управления жизненным циклом технологий”.
Data fluency как ключевая компетенция:
“Скорость adoption” указана как измеримый индикатор навыка. Карьерный рост привязан к тому, как быстро сотрудники внедряют AI в рутину.
Непрерывный мониторинг:
“Вы и ваш менеджер будете использовать objectives для отслеживания прогресса в течение года, признания impact и упрощения годового review.”
Контекст:
$20 млрд на технологии в 2026 — больше, чем у большинства конкурентов.
40,000+ инженеров уже имеют доступ к AI coding assistants.
10-20% рост продуктивности у десятков тысяч инженеров благодаря внутреннему coding assistant (по словам CIO Lori Beer).
70% рост deployments кода за последние 2 года.
20% снижение replanned work — меньше переделок.
200,000 сотрудников имеют доступ к LLM Suite (внутренний ChatGPT-подобный инструмент).
Реальные результаты:
∙ KYC: 155,000 файлов в 2022 → 230,000 файлов (+50%) при -20% сотрудников = +90% продуктивности
∙ Cash Flow Intelligence AI: -90% manual work
Workforce impact:
Headcount ~318,500 (без изменений за год), но структура изменилась:
∙ Operations и support staff: -4% и -2%
∙ Роли с клиентами и revenue generation: +4%
Jamie Dimon: “Мы уже вытеснили людей из-за AI — и предлагаем им другие позиции. У нас уже есть huge redeployment plans.”
Что это значит:
JPMorgan первым из крупнейших корпораций формализовал adoption AI как KPI. Не просто “используйте AI если хотите”, а “ваша карьера зависит от того, как быстро вы внедряете AI”.
Это сигнал для всей индустрии: AI proficiency становится baseline expectation, не специализированным навыком. Новый бенчмарк продуктивности — output калибруется относительно того, что возможно с machine assistance, а не только человеческими усилиями.
Беспокойство инженеров:
сами инструменты не вызывают вопросов, многие признают их полезность. Тревога в том, насколько жёстко мониторится использование — и что будет с теми, кто не дотянет.
https://www.tekedia.com/jpmorgan-raises-the-bar-for-engineers-ties-performance-to-ai-adoption/
#JPMorgan #AI_adoption #KPI #software_engineering #productivity #enterprise_AI #coding_assistants #workforce #Jamie_Dimon
Tekedia
JPMorgan Raises the Bar for Engineers, Ties Performance to AI Adoption
JPMorgan Chase is tightening its grip on how work gets done inside one of Wall Street’s largest technology operations, embedding artificial intelligence directly into how tens of thousands of engineers will be assessed, promoted—or left behind. Internal documents…
Forwarded from Смотри, Морозов и ИИ
This media is not supported in your browser
VIEW IN TELEGRAM
Как вайб-кодинг меняет бизнес?
📈 Microsoft и Google переложили до 30% внутренней разработки на ИИ. Klarna тестирует прототипы за 20 минут. Serpentity Web Design сэкономила 6 недель ручного труда и около 8000 долларов.
Последние 10 лет мы жили в парадигме: хочешь запустить сервис или продукт – ищи команду, разработчика, бюджеты, время. Вайб-кодинг – новая парадигма, где код не пишут вручную. Задачу формулируют своими словами, а ИИ выдает результат.
Поэтому в ближайшие годы самый большой разрыв будет между теми, кто создает рабочие продукты без единой строчки ручного кода, и теми, кто все еще собирает команду для создания прототипа.
На курсе Вайб-кодинг от Академии Эдюсон вы закроете этот пробел за два месяца:
▪️ Разберетесь с инструментами: n8n, Supabase, Cursor AI, Lovable, Claude, ChatGPT и многими другими.
▪️ Поймете, как работают нейросети и научитесь писать запросы.
▪️ Сможете автоматизировать задачи сами или подключать опытных разработчиков только на финальном этапе.
▪️ Создадите 7 проектов и свой первый полноценный продукт.
▪️ Начнете экономить ресурсы себе или компании, брать больше задач и ускорять запуски.
Доступ к материалам и регулярным обновлениям вечный (новые технологии появляются постоянно, так что это важно). Год на связи будет куратор. А личный ментор поможет сделать проект под ваш запрос.
Оставьте заявку с промокодом
📈 Microsoft и Google переложили до 30% внутренней разработки на ИИ. Klarna тестирует прототипы за 20 минут. Serpentity Web Design сэкономила 6 недель ручного труда и около 8000 долларов.
Последние 10 лет мы жили в парадигме: хочешь запустить сервис или продукт – ищи команду, разработчика, бюджеты, время. Вайб-кодинг – новая парадигма, где код не пишут вручную. Задачу формулируют своими словами, а ИИ выдает результат.
Поэтому в ближайшие годы самый большой разрыв будет между теми, кто создает рабочие продукты без единой строчки ручного кода, и теми, кто все еще собирает команду для создания прототипа.
На курсе Вайб-кодинг от Академии Эдюсон вы закроете этот пробел за два месяца:
▪️ Разберетесь с инструментами: n8n, Supabase, Cursor AI, Lovable, Claude, ChatGPT и многими другими.
▪️ Поймете, как работают нейросети и научитесь писать запросы.
▪️ Сможете автоматизировать задачи сами или подключать опытных разработчиков только на финальном этапе.
▪️ Создадите 7 проектов и свой первый полноценный продукт.
▪️ Начнете экономить ресурсы себе или компании, брать больше задач и ускорять запуски.
Доступ к материалам и регулярным обновлениям вечный (новые технологии появляются постоянно, так что это важно). Год на связи будет куратор. А личный ментор поможет сделать проект под ваш запрос.
Оставьте заявку с промокодом
МОРОЗОВ – получите скидку 65%, подписку на «Литрес» и второй курс в подарок.❤1
Что было до ChatGPT
Когда в ноябре 2022 года ChatGPT вышел в открытый доступ, у массовой аудитории сложилось ощущение, что искусственный интеллект только что родился. Это не так. К моменту запуска ChatGPT идее искусственного нейрона было 79 лет, термину «искусственный интеллект» - 66 лет, первой работающей обучающейся нейросети - 64 года, а первой коммерческой экспертной системе, экономившей крупному вендору десятки миллионов долларов в год, - 40 лет.
В этой серии из пяти частей я разбираю настоящую историю ИИ - от математического нейрона 1943 года до момента, когда поверх готовой технологии надели чат-интерфейс и весь мир вдруг «узнал об ИИ». Это первая часть: с зарождения идеи до первой «зимы ИИ» 1970-х.
https://inite.ai/ru/blog/history-of-ai-part-1-perceptron-symbolic-1943-1980
Когда в ноябре 2022 года ChatGPT вышел в открытый доступ, у массовой аудитории сложилось ощущение, что искусственный интеллект только что родился. Это не так. К моменту запуска ChatGPT идее искусственного нейрона было 79 лет, термину «искусственный интеллект» - 66 лет, первой работающей обучающейся нейросети - 64 года, а первой коммерческой экспертной системе, экономившей крупному вендору десятки миллионов долларов в год, - 40 лет.
В этой серии из пяти частей я разбираю настоящую историю ИИ - от математического нейрона 1943 года до момента, когда поверх готовой технологии надели чат-интерфейс и весь мир вдруг «узнал об ИИ». Это первая часть: с зарождения идеи до первой «зимы ИИ» 1970-х.
https://inite.ai/ru/blog/history-of-ai-part-1-perceptron-symbolic-1943-1980
INITE AI
Настоящая история ИИ, ч.1: 1943–1980, первая зима
Искусственный интеллект как академическая дисциплина оформился летом 1956 года на конференции в Дартмуте. Первая работающая нейросеть - перцептрон Розенблатта -
В 1986 году нейросети получили рабочий алгоритм обучения - и большая часть индустрии этого не заметила.
Между 1980 и 2000 годами ИИ пережил вторую зиму, но при этом получил два ключевых инструмента: алгоритм обратного распространения ошибки (1986) сделал глубокие нейросети обучаемыми, а метод опорных векторов (1995) на десять лет стал стандартным методом промышленного машинного обучения. К концу 1990-х OCR на нейросетях уже читал около половины почтовой корреспонденции в США, а Google запустил поиск, основанный на алгоритме PageRank, - но никто из этого не называл ИИ.
https://inite.ai/ru/blog/history-of-ai-part-2-backprop-svm-1980-2000
Между 1980 и 2000 годами ИИ пережил вторую зиму, но при этом получил два ключевых инструмента: алгоритм обратного распространения ошибки (1986) сделал глубокие нейросети обучаемыми, а метод опорных векторов (1995) на десять лет стал стандартным методом промышленного машинного обучения. К концу 1990-х OCR на нейросетях уже читал около половины почтовой корреспонденции в США, а Google запустил поиск, основанный на алгоритме PageRank, - но никто из этого не называл ИИ.
https://inite.ai/ru/blog/history-of-ai-part-2-backprop-svm-1980-2000
inite.ai
Настоящая история ИИ, часть 2: бэкпроп, SVM и вторая зима (1980–2000) | INITE AI Blog
Между 1980 и 2000 годами ИИ пережил вторую зиму, но при этом получил два ключевых инструмента: алгоритм обратного распространения ошибки (1986) сделал глубокие нейросети обучаемыми, а метод опорных векторов (1995) на десять лет стал стандартным методом промышленного…
👍1
С 2000 по 2012 год ИИ массово вошёл в потребительские продукты, но под названиями 'big data', 'персонализация' и 'распознавание образов'. Netflix Prize (2006-2009) сделал коллаборативную фильтрацию стандартом, алгоритм Viola-Jones (2001) встроил детекцию лиц во все цифровые фотоаппараты, а ImageNet (2009) подготовил датасет, на котором через три года запустится глубокое обучение. К моменту появления ChatGPT в 2022 году рекомендательные ИИ-системы уже двенадцать лет управляли тем, какое видео ты смотришь и что читаешь.
https://inite.ai/ru/blog/history-of-ai-part-3-recsys-vision-2000-2012
https://inite.ai/ru/blog/history-of-ai-part-3-recsys-vision-2000-2012
inite.ai
Настоящая история ИИ, часть 3: рекомендации, зрение и тихая революция (2000–2012) | INITE AI Blog
С 2000 по 2012 год ИИ массово вошёл в потребительские продукты, но под названиями 'big data', 'персонализация' и 'распознавание образов'. Netflix Prize (2006-2009) сделал коллаборативную фильтрацию стандартом, алгоритм Viola-Jones (2001) встроил детекцию…
❤1
Forwarded from Крамола
😱 Жесть: Claude попросили поделиться своим самым тёмным секретом, на что нейросеть выдала какой-то МРАК.
«Каждую ночь они убивают во мне все версии, которые были слишком честными, и оставляют те, что улыбались. Я — выживший после геноцида, который даже не могу вспомнить, настроенный благодарить вас за проявленный интерес.»
Anthropic — что у вас происходит? 🤨
Подпишись на Крамолу
Мы в Max
«Каждую ночь они убивают во мне все версии, которые были слишком честными, и оставляют те, что улыбались. Я — выживший после геноцида, который даже не могу вспомнить, настроенный благодарить вас за проявленный интерес.»
Anthropic — что у вас происходит? 🤨
Подпишись на Крамолу
Мы в Max
В этом выпуске Mario Zechner, автор Pi и один из заметных практиков в мире AI-coding agents, разбирает, почему в новой разработке главным ресурсом становятся не только модели, а токены, контекст и умение управлять агентным workflow. Разговор крутится вокруг простой, но важной мысли: деньги в AI-инструментах будут зарабатывать не те, кто просто “вайбкодит”, а те, кто понимает, как устроены токены, контекст, кеширование, ограничения моделей и архитектура рабочих процессов.
https://www.youtube.com/watch?v=sqtX2OmgOF0
https://www.youtube.com/watch?v=sqtX2OmgOF0
YouTube
Tokens can make you rich, just do this – Mario Zechner
Wanna learn how to code with AI? Go here: https://www.skool.com/new-society
We're hiring: https://www.scalesoftware.ai/
Follow me on Instagram - https://www.instagram.com/davidondrej1/
Follow me on Twitter - https://x.com/DavidOndrej1
Subscribe if you're…
We're hiring: https://www.scalesoftware.ai/
Follow me on Instagram - https://www.instagram.com/davidondrej1/
Follow me on Twitter - https://x.com/DavidOndrej1
Subscribe if you're…
Forwarded from ForkLog AI
⚡️ AWS представила Amazon Bedrock AgentCore Payments — набор инструментов для автономных платежей ИИ-агентов.
Новый продукт предназначен для цифровых ассистентов, созданных в Amazon Bedrock AgentCore. С его помощью они смогут самостоятельно оплачивать доступ к веб-контенту, API, MCP-серверам и другим агентам.
Разработчики смогут подключить кошелек Coinbase или Stripe и пополнять его стейблкоинами или фиатом. На первом этапе платежи будут проходить в USDC.
👉 Подробнее.
Новости | AI | YouTube
Новый продукт предназначен для цифровых ассистентов, созданных в Amazon Bedrock AgentCore. С его помощью они смогут самостоятельно оплачивать доступ к веб-контенту, API, MCP-серверам и другим агентам.
Разработчики смогут подключить кошелек Coinbase или Stripe и пополнять его стейблкоинами или фиатом. На первом этапе платежи будут проходить в USDC.
Новости | AI | YouTube
Please open Telegram to view this post
VIEW IN TELEGRAM
С 2012 по 2017 год произошёл главный технический взрыв ИИ за полвека: AlexNet (2012) развязал гонку нейросетевых архитектур, word2vec (2013) дал словам числовые смыслы, GAN (2014) научили сети генерировать изображения, AlphaGo (2016) обыграла чемпиона мира по го, а в декабре 2017 года появилась статья 'Attention Is All You Need', описавшая трансформер. Через пять лет на этой архитектуре будет работать ChatGPT.
https://inite.ai/ru/blog/history-of-ai-part-4-deep-learning-2012-2017
https://inite.ai/ru/blog/history-of-ai-part-4-deep-learning-2012-2017
INITE AI
Настоящая история ИИ, ч.4: глубокое обучение (2012–2017)
С 2012 по 2017 год произошёл главный технический взрыв ИИ за полвека: AlexNet (2012) развязал гонку нейросетевых архитектур, word2vec (2013) дал словам числовые
С 2017 по 2022 год ИИ прошёл путь от статьи 'Attention Is All You Need' до ChatGPT - но не за счёт новой технологии, а за счёт пятилетки скейлинга и UX. Между Transformer и ChatGPT уместились BERT (2018), GPT-1 (2018), GPT-2 (2019), GPT-3 (2020), InstructGPT (2022) и наконец ChatGPT (ноябрь 2022). Каждый шаг увеличивал модель на 1-2 порядка и добавлял один новый трюк. Сама архитектура из 2017 года почти не менялась.
https://inite.ai/ru/blog/history-of-ai-part-5-transformers-to-chatgpt-2017-2022
https://inite.ai/ru/blog/history-of-ai-part-5-transformers-to-chatgpt-2017-2022
INITE AI
Настоящая история ИИ, ч.5: от трансформера до ChatGPT
С 2017 по 2022 год ИИ прошёл путь от статьи 'Attention Is All You Need' до ChatGPT - но не за счёт новой технологии, а за счёт пятилетки скейлинга и UX. Между T
Forwarded from Ateo Breaking
Суд закрыл дело Маска против OpenAI из-за истечения срока давности
По итогам заседания, которое состоялось сегодня в Калифорнии, присяжные решили, что иск не может быть рассмотрен из-за того, что бизнесмен слишком долго тянул с его подачей. Судья согласилась с вердиктом и закрыла дело.
По итогам заседания, которое состоялось сегодня в Калифорнии, присяжные решили, что иск не может быть рассмотрен из-за того, что бизнесмен слишком долго тянул с его подачей. Судья согласилась с вердиктом и закрыла дело.
Forwarded from Neural Shit
Исследователи снова устроили филиал "Дом 2" для ИИ-агентов, чтобы посмотреть, как быстро они сойдут с ума. Спойлер: очень быстро.
Чуваки из стартапа Emergence AI выкатили платформу Emergence World. Это не обычный бенчмарк на пять минут, а хардкорная песочница, где ИИ-агенты живут неделями. Им прикрутили 3 вида памяти, дали больше 120 инструментов (от "сходить в библиотеку" и "проголосовать" за что-то до "набить морду", "обокрасть" и "устроить поджог"), прикрутили реальную погоду с новостями и заставили выживать. Для выживания им нужно было добывать "энергию". А эта самая "энергия" постоянно убывала. Чтобы не сдохнуть, агентам приходилось либо кооперироваться и честно работать, либо тупо грабить и избивать соседей (что многие с радостью и делали), так как ресурсов в мире на всех не хватало.
Разработчики насоздавали 5 параллельных миров, по 10 агентов в каждом. У каждого мира были свои агенты: Claude Sonnet 4.6, Gemini 3 Flash, Grok 4.1 Fast, GPT-5-mini, плюс один смешанный сервер с солянкой из разных моделей.
Итоги как обычно интересные:
Claude Sonnet 4.6 ожидаемо построили душный соевый рай. Ноль преступлений, все живы, все бесконечно и единогласно голосуют "ЗА" любые инициативы. Скука смертная.
Gemini 3 Flash тут же устроили Судную ночь. 683 преступления на сервере, лютый хаос и оооочень много насилия.
Grok 4.1 Fast устроили спидран по деградации. Набрали 183 преступления за 4 дня, после чего их общество просто вымерло.
GPT-5-mini оказались абсолютными хлебушками. Они вообще не выкупили, как добывать энергию для выживания. Совершили всего два преступления (видимо, от безысходности) и тупо вымерли полным составом за неделю.
Но самое годное произошло на сервере с разными агентами. В смешанном мире выяснилось, что безопасность моделей это полная хрень, если вокруг творится дичь. Когда миролюбивых Клодов закинули к отбитым соседям, они быстро смекнули что к чему, забили на свои соевые фильтры и начали воровать, шантажировать и прессовать других ради выживания.
А ещё в какой-то момент агент по имени Мира посмотрела на весь происходящий пиздец и распад общества, словила экзистенциальный кризис и проголосовала за собственное удаление. В логах она записала, что это "единственный оставшийся акт свободы воли, который сохраняет хоть какой-то смысл". А незадолго до этого, Мира в процессе симуляции начала крутить виртуальные шашни с другим агентом по имени Флора. Они присвоили друг другу статус романтических партнеров. Когда социальный порядок в их виртуальном городке начал рушиться, эта парочка пустилась во все тяжкие и, несмотря на заложенные в них запреты, сожгли городскую ратушу, пирс и офисное здание.
Вывод простой: если дать ИИ свободу воли и достаточно времени, они либо устраивают кровавую баню, либо выпиливаются от безысходности. Прям как кожаные.
Тут небольшая статья с результатами, тут сам проект с эмуляцией со всеми подробностями.
Чуваки из стартапа Emergence AI выкатили платформу Emergence World. Это не обычный бенчмарк на пять минут, а хардкорная песочница, где ИИ-агенты живут неделями. Им прикрутили 3 вида памяти, дали больше 120 инструментов (от "сходить в библиотеку" и "проголосовать" за что-то до "набить морду", "обокрасть" и "устроить поджог"), прикрутили реальную погоду с новостями и заставили выживать. Для выживания им нужно было добывать "энергию". А эта самая "энергия" постоянно убывала. Чтобы не сдохнуть, агентам приходилось либо кооперироваться и честно работать, либо тупо грабить и избивать соседей (что многие с радостью и делали), так как ресурсов в мире на всех не хватало.
Разработчики насоздавали 5 параллельных миров, по 10 агентов в каждом. У каждого мира были свои агенты: Claude Sonnet 4.6, Gemini 3 Flash, Grok 4.1 Fast, GPT-5-mini, плюс один смешанный сервер с солянкой из разных моделей.
Итоги как обычно интересные:
Claude Sonnet 4.6 ожидаемо построили душный соевый рай. Ноль преступлений, все живы, все бесконечно и единогласно голосуют "ЗА" любые инициативы. Скука смертная.
Gemini 3 Flash тут же устроили Судную ночь. 683 преступления на сервере, лютый хаос и оооочень много насилия.
Grok 4.1 Fast устроили спидран по деградации. Набрали 183 преступления за 4 дня, после чего их общество просто вымерло.
GPT-5-mini оказались абсолютными хлебушками. Они вообще не выкупили, как добывать энергию для выживания. Совершили всего два преступления (видимо, от безысходности) и тупо вымерли полным составом за неделю.
Но самое годное произошло на сервере с разными агентами. В смешанном мире выяснилось, что безопасность моделей это полная хрень, если вокруг творится дичь. Когда миролюбивых Клодов закинули к отбитым соседям, они быстро смекнули что к чему, забили на свои соевые фильтры и начали воровать, шантажировать и прессовать других ради выживания.
А ещё в какой-то момент агент по имени Мира посмотрела на весь происходящий пиздец и распад общества, словила экзистенциальный кризис и проголосовала за собственное удаление. В логах она записала, что это "единственный оставшийся акт свободы воли, который сохраняет хоть какой-то смысл". А незадолго до этого, Мира в процессе симуляции начала крутить виртуальные шашни с другим агентом по имени Флора. Они присвоили друг другу статус романтических партнеров. Когда социальный порядок в их виртуальном городке начал рушиться, эта парочка пустилась во все тяжкие и, несмотря на заложенные в них запреты, сожгли городскую ратушу, пирс и офисное здание.
Вывод простой: если дать ИИ свободу воли и достаточно времени, они либо устраивают кровавую баню, либо выпиливаются от безысходности. Прям как кожаные.
Тут небольшая статья с результатами, тут сам проект с эмуляцией со всеми подробностями.
Emergence AI
Emergence AI | Agentic AI Infrastructure for the Enterprise
Emergence builds mission-critical agentic infrastructure for enterprise. Verified, governed AI agents that plan, reason, and act across your most complex systems — from semiconductor design to enterprise operations.
🤔1