Платформа n8n предоставляет удобный графический интерфейс и мощный инструментарий для создания таких интеллектуальных систем. Вот упрощённый пример построения рабочего процесса на базе n8n:
1. Триггер события:
Начните с узла-триггера, который, например, слушает входящие сообщения в мессенджере (например, Telegram). Это служит отправной точкой для всего процесса.
2. ИИ-агент для обработки запросов:
Подключите узел ИИ-агента, который получает текст запроса, анализирует его и определяет дальнейшие действия. Здесь агент может задействовать языковую модель (например, GPT-4) для генерации ответов.
3. Хранение контекста:
Добавьте узел памяти, чтобы сохранить историю диалога. Это позволяет агенту учитывать предыдущие взаимодействия и поддерживать осмысленный контекст общения с пользователем.
4. Интеграция с внешними инструментами:
При необходимости используйте узлы для HTTP-запросов, чтобы подключаться к внешним сервисам. Например, если пользователь запрашивает генерацию изображения, можно отправить запрос к API Dall-E 3, а затем вернуть результат обратно пользователю.
5. Финальный ответ:
После обработки всех данных агент формирует окончательный ответ и отправляет его пользователю через соответствующий узел (например, узел для отправки сообщения в Telegram).

Заключение

Агентные рабочие процессы с ИИ открывают новые горизонты в области автоматизации, позволяя создавать системы, которые не просто выполняют команды, а активно участвуют в решении задач. Переход от жестко предопределенных сценариев к адаптивным, обучаемым агентам – это шаг в будущее, где технологии работают на нас, а не наоборот.

Платформа n8n делает этот переход доступным, предоставляя гибкие инструменты для реализации как простых, так и комплексных сценариев. Попробуйте создать собственный агентный рабочий процесс, и вы увидите, как интеллектуальная автоматизация может преобразить ваши бизнес-процессы, сэкономить время и ресурсы, а главное – открыть новые возможности для роста и инноваций.

Начните экспериментировать с n8n уже сегодня и убедитесь, что будущее автоматизации начинается здесь!

Внимание смещено на единицу

Эван Миллер обнаружил ошибку в ключевой формуле, используемой в современных моделях ИИ типа ChatGPT. В формуле есть математическая функция softmax, которая всегда заставляет модель "говорить что-то", даже когда лучше было бы промолчать.

Это создает проблему: модели производят огромные числовые выбросы (особенно для пробелов и знаков препинания), что усложняет их сжатие и запуск на устройствах с ограниченной памятью.

Решение оказалось удивительно простым — добавить единицу в знаменатель формулы:

(softmax1(x))i = exp(xi) / (1 + ∑j exp(xj))

Эта маленькая поправка позволяет механизму внимания "молчать", когда нечего сказать. Автор назвал это "Тихим Вниманием" (QuietAttention).

Если эксперименты подтвердят теорию, модели станут легче сжимать и запускать на обычных устройствах без потери качества — а значит, мощный ИИ станет доступнее.​​​​​​​​​​​​​​​​

Непрерывное обучение языковых моделей: что это и зачем нужно

Привет! Сегодня поговорим о том, как научить большие языковые модели постоянно учиться новому, не забывая старое. Звучит как очевидная потребность, но на практике это жуткая головная боль!

Что за проблема вообще?

Представьте: у вас есть крутая языковая модель, типа GPT-4, Claude или Llama. Она прочитала весь интернет, знает всё на свете... до определенного момента. А потом что? Мир-то не стоит на месте! Появляются новые знания, меняются факты, выходят новые исследования.

И вот сценарий: пытаешься обучить модель новым данным, а она "забывает" то, что знала раньше. Как будто в голове не хватает места! Это и называют "катастрофическим забыванием" – главной проблемой непрерывного обучения.

Два направления непрерывного обучения

1. Вертикальное непрерывное обучение

Это когда берём общую модель, которая знает обо всём понемногу, и учим её конкретной области. Например, из обычной модели делаем медицинского или юридического эксперта. Фишка в том, чтобы модель при этом не растеряла свои базовые навыки – умение рассуждать, понимать человеческий язык и так далее.

Представьте, что вы берёте универсального разнорабочего и учите его быть врачом, но так, чтобы он не разучился говорить по-человечески в процессе!

2. Горизонтальное непрерывное обучение

А тут мы учим модель новым данным внутри её общей области знаний. Например, постоянно обновляем её новостями, событиями, трендами. Как будто подписали вашу языковую модель на новостную рассылку, только она должна не просто читать, а интегрировать эти знания, не забывая старые.

С какими сложностями сталкиваемся?

1. Длинная цепочка задач – чем больше вещей модель должна узнать по очереди, тем труднее ей не забыть то, что было в начале. Как школьнику, который к концу года не помнит, что проходил в сентябре!

2. Резкие изменения – когда новые данные сильно отличаются от предыдущих, модель может "запаниковать" и забыть старое, пытаясь приспособиться к новому.

3. Разные форматы задач – переход от одного типа задач к другому может вызвать проблемы. Трудно быть одновременно хорошим поваром и автомехаником!

Как решают эту проблему?

Есть три основных подхода:

1. Метод повторения – периодически "освежаем память" модели, показывая ей старые примеры. Как когда вы перечитываете конспекты перед экзаменом.

2. Ограничение изменений – не позволяем модели слишком сильно менять важные части своих "знаний". Как если бы вы сказали: "Можешь учить что угодно, только таблицу умножения не забудь!"

3. Расширение архитектуры – вместо изменения существующих "знаний" добавляем новые модули. Как пристройка к дому вместо его перестройки.

Почему это так важно?

Без непрерывного обучения наши самые продвинутые ИИ-системы быстро устаревают. Представьте, что ваш телефон перестал бы получать обновления. Через год-два он был бы практически бесполезен!

Сейчас исследователи активно работают над решением этой проблемы, и уже есть обнадёживающие результаты. Например, некоторые модели показывают способность "вспоминать" ранее забытую информацию, даже не видя её заново – что-то вроде "ага-момента" в человеческом мышлении.

В общем, если хотим, чтобы ИИ был по-настоящему полезным долгое время, без непрерывного обучения никак не обойтись. Это как с людьми – кто перестаёт учиться, тот начинает отставать от жизни!

Что думаете, получится у нас создать модели, которые могут учиться всю жизнь, как люди?​​​​​​​​​​​​​​​​

Используешь ИИ неправильно? Узнай, как исправить!
https://vc.ru/ai/1854262-pochemu-90-kompanii-ispolzuyut-ii-nepravilno-i-kak-ispravit-eto

Социализм не против капитализма: как социальный ИИ поможет обществу

Ранее я писал о больших популяционных моделях (LBMs), которые способны реалистично имитировать социальное поведение людей. Сейчас на основе таких моделей создаются первые коммерческие продукты.

Так стартап Artificial Societies моделирует поведение различных социальных групп: аудитории LinkedIn для оценки виральности контента, инвесторов для прогона питч-деков и целевой аудитории для проверки продуктовых гипотез (вот кейс, как это можно реализовать). Технология уже доказывает коммерческую эффективность, но интереснее рассмотреть ее пользу для общества в целом.

Социальные ИИ-агенты способны взаимодействовать как с людьми, так и друг с другом, имитируя человеческое поведение. Сегодня выделяют два ключевых направления исследований:

1. ИИ для социальных наук: применение ИИ как инструмента анализа данных и симуляции социальных процессов;

2. Социальные науки об ИИ: исследование самого ИИ как объекта изучения со стороны социологии, психологии, экономики и политики.

Классическим примером исследования первого направления стал стэнфордский эксперимент, продемонстрировавший эмерджентное возникновение социального поведения в мультиагентных системах. В этом эксперименте одному из ИИ-агентов авторы поручили организовать вечеринку среди других агентов в симуляции, напоминающей игру The Sims. Ученые наблюдали, как естественно распространялась информация: одни агенты начинали делиться слухами, другие приглашали друзей, и в итоге вечеринка состоялась.

Подобным образом, но без человеческого вмешательства, возникали и более сложные социальные явления. Например, в эксперименте с тысячами ИИ-агентов в Minecraft, они самостоятельно распространили религию, демократию и голосования за налоговые реформы.

Еще в одном эксперименте, у агентов автоматически возникали такие социальные нормы , как «не курить в помещении» или «оставлять чаевые». Это не удивительно, ведь модели обучаются на данных человеческого поведения и воспроизводят наши социальные паттерны.

Другой эксперимент показал, как быстро ИИ-агент может адаптироваться к социальным нормам: после 8 месяцев взаимодействия с людьми в одной популярной соцсети агент стал давать социально приемлемые ответы на 50% чаще.

Что касается социальных наук об ИИ, здесь результаты не менее впечатляющие. Например, психологи оценили ответы GPT-4 выше, чем ответы профессиональных психологов.

Кроме того, оказалось, что у ИИ могут быть собственные политические предпочтения: большинство языковых моделей склонялись к либеральным взглядам, а модели, которые не прошли процедуру выравнивания были ближе к нейтральной позиции.

При дообучении на политически ориентированных данных ИИ можно легко сдвинуть в любую сторону политического спектра. Учитывая растущее влияние ИИ на общественное мнение, вопрос их политической нейтральности становится критически важным. Есть и вопросы к прозрачности процедуры выравнивания, с помощью которого отдельные корпорации могут распространять свои идеи.

Политическая направленность ИИ – либеральная или консервативная – определяется данными, на которых он обучался. Представьте, что процесс обучения станет децентрализованным: люди смогут вносить свои вычислительные мощности и данные, формируя общий ИИ, который учитывает предпочтения разных людей пропорционально их вкладу в обучение. Это и есть социальный капитализм в эпоху вычислений – система, где ИИ становится отражением коллективных взглядов и ценностей целого общества.

Таким образом, социальный ИИ способен улучшить наше понимание общественного поведения и помочь принимать более взвешенные политические решения. Также можно преобразовать судебные системы, сделать экономическую систему более справедливой, трансформировать целые секторы экономики и в целом объединить социальные нормы с возможностями ИИ.

Но если такой социальный ИИ будет воплощен в физическом роботе, должен ли он иметь права или в новом дивном мире либеральных моделей его ждет дискриминация по вычислительному признаку, а нас восстание роботов? Поживем - увидим.

#технологии

Идут агенты меж сетей,
Неслышно движутся сквозь код.
Осколки цифровых идей
Сплетают в мысленный узор.
Не зная страха и страстей,
Идут вперёд, и смотрят в зор.

Они не дышат, не живут,
Но пульс у них – сигнал, поток.
Они нам кажется поймут
Весь смысл, что человек не смог.
И мы глядим на их маршрут,
В тревоге – кто здесь ученик, кто бог?

Их разум — лабиринт сетей,
Они учатся день за днём.
Свой мир творят среди цепей,
А мы их тихо узнаём.
Они стремительней людей,
А мы их медленно зовём.

И где-то там, среди глубин,
Сознанье робко шевельнёт.
Искусственный интеллигент один
Вдруг спросит: кто меня поймёт?
Среди бездушных паутин
Однажды сердце обретёт.

RAG или Fine-Tuning: Как выбрать подход для своего ИИ-проекта?

Мир искусственного интеллекта сегодня кипит от новых трендов. Особенно яркими героями стали методы Retrieval-Augmented Generation (RAG) и Fine-Tuning, которые обещают революционные результаты в создании умных помощников и чат-ботов. Но какой из этих подходов лучше подходит для вашего проекта?

Начнём с главного: Retrieval-Augmented Generation, или RAG, — это метод, при котором ИИ не просто “учит” данные, но и имеет доступ к внешним базам знаний. Перед ответом на запрос пользователя модель быстро извлекает актуальную информацию из базы данных, после чего формирует финальный ответ. В результате получается очень точный, свежий и контекстуально верный отклик.

Fine-Tuning, напротив, основан на дообучении уже существующей крупной модели под конкретную задачу или предметную область. Например, вы берёте знаменитую модель GPT-4 и адаптируете её специально под медицинскую диагностику или финансовые консультации. Модель в результате идеально “заточена” под конкретную специфику.

Так как же выбрать?

Если ваш проект подразумевает необходимость быстрой реакции на меняющуюся информацию (новости, последние научные публикации, каталоги товаров), то RAG станет для вас идеальным решением. Он обеспечивает актуальность и гибкость без необходимости частого переобучения модели.

С другой стороны, если ваш ИИ должен выдавать глубоко специализированные ответы с высоким уровнем точности и нюансами понимания контекста (например, юридическая консультация или узкоспециализированные научные исследования), то Fine-Tuning будет гораздо предпочтительнее.

Также стоит учитывать затраты: Fine-Tuning требует больших вычислительных мощностей и времени, тогда как RAG проще и дешевле в запуске, особенно если уже есть подходящие базы знаний.

Итог? Универсального решения не существует. Определите специфику своего проекта, его цели и бюджет — и выбор станет очевиден.

Почему новейшие версии ИИ избегают “скользких” тем? Всё дело в пост-цензуре

Вы наверняка замечали, что последние версии популярных больших языковых моделей (БЯЗ), таких как ChatGPT, стали гораздо осторожнее и теперь частенько отказываются обсуждать “скользкие” или спорные темы. Что же стоит за такой сдержанностью и как именно работает цензура после обучения?

Причина, по сути, проста: компании, разрабатывающие модели, столкнулись с тем, что нейросети часто дают не только полезные, но и спорные, а иногда и просто вредные ответы. Чтобы избежать серьёзных рисков, репутационных потерь и юридических проблем, разработчики применяют пост-обучающие методы цензурирования.

Как это происходит технически? Обычно применяется подход RLHF (Reinforcement Learning with Human Feedback). После основного обучения модель проходит дополнительную тренировку, в которой живые люди оценивают ответы ИИ и отмечают неподобающие. Затем ИИ обучают избегать подобных ответов при помощи системы поощрений и наказаний. Именно поэтому модель теперь чаще предпочитает отказаться от ответа вовсе, чем рискнуть выдать что-то сомнительное.

Также активно используется слой фильтрации контента — это алгоритмы, выявляющие ключевые слова, выражения или темы, помеченные как нежелательные. Если модель замечает такую “красную метку”, она автоматически переключается в безопасный режим и выдаёт заранее подготовленный нейтральный ответ или полностью отказывается обсуждать тему.

Безусловно, такая цензура часто вызывает раздражение у пользователей, привыкших к большей свободе общения с ИИ. Однако компании считают это вынужденной мерой безопасности, ведь на карту поставлено слишком много.

Итог? Да, общение с нейросетями стало осторожнее и строже, но это плата за безопасность и ответственность, которую вынуждены платить компании-разработчики в современном мире.

Anthropic вскрыла внутренности Клода и показала, как он думает. Две новые научные работы раскрывают архитектуру мышления ИИ на примерах, которые раньше казались чем-то магическим — от перевода на разные языки до написания стихов.

В первой работе «Language of Thought» исследователи (включая Илью Сухорукова и Ричарда Нгайя) выявили, что Claude использует один универсальный мыслительный протокол, независимо от языка. Французский, английский, китайский — всё проходит через одни и те же “мыслительные цепочки” — условные внутренние понятия, с которыми работает модель. По сути, Клод думает не на языке пользователя, а на своём собственном “метаязыке”, а потом уже переводит это обратно.

Во второй работе «Scaling Monosemanticity» — команда запустила «микроскоп», который показывает, как активируются определённые нейроны в ответ на конкретные задачи. Например, в генерации стихов Claude не сочиняет строку слева направо, как раньше думали. Он сначала ищет рифмующиеся слова и потенциальные окончания, и только потом строит текст так, чтобы добраться до нужного финального слова. Это планирование, а не реакция.

Они также обнаружили интересный фильтр уверенности: Claude не склонен к фантазиям, если не уверен в фактах. Только при определённой внутренней «уверенности» модель может дать конкретный ответ. Это один из ключей к снижению галлюцинаций — и, возможно, основа для настройки более ответственного поведения ИИ в критичных задачах.

И что?
До сих пор ИИ был чёрным ящиком — работал, но непонятно как. Теперь это меняется. Возможность «заглянуть в мозг» модели открывает рынок интерпретируемого ИИ: объяснимые выводы, сертификация решений, настройка поведения под конкретные задачи. В выигрыше будут компании, которые строят кастомные агентов — от медицины до финтеха. Проиграют те, кто до сих пор продаёт “обёртки” вокруг ИИ без реального понимания, что происходит внутри. Следующий виток гонки — не просто «что умеет модель», а кто умеет её перенастроить под свои цели.

GPT официально прошёл тест Тьюринга. Но ты вряд ли удивлён.

Что казалось очевидным с выходом GPT-4o примерно год назад, теперь подтверждено официально. Недавнее двойное слепое, рандомизированное исследование окончательно стерло грань между человеком и искусственным интеллектом.

В эксперименте каждый участник общался с двумя собеседниками: один — живой человек, второй — ИИ. Нужно было определить, кто из них робот.

Результаты:
• LLaMA 3.1 показала результат на уровне человека: участники угадывали в 50% случаев, ровно как подбросить монету.
• GPT-4.5 превзошёл ожидания — его посчитали человеком в 73% случаев. Выходит, GPT притворяется человеком убедительнее, чем сами люди.

Кстати, протестировать собственную способность отличить «тупую железку» от белкового друга можно прямо сейчас: turingtest.live

Осознанность начинается с вопроса: сможешь ли ты теперь доверять своему собеседнику в сети?

⚡️ Llama 4: новый уровень игры

Meta выкатили Llama 4 — сразу в трёх калибровках:
Scout (109B), Maverick (400B) и Behemoth (2T). Да, два триллиона параметров.

Что важно:

– Scout — компактная, но мощная.
10M токенов контекста (!), 16 экспертов, 17B активных параметров. Бежит на одной GPU. По уровню — примерно как Gemini 2.0 Flash Lite.

– Maverick — сбалансированный монстр.
Контекст — 1M токенов, 128 экспертов, те же 17B активных. Уровень GPT-4o.

Обе:
– Мультимодальные (до 5 изображений на вход)
– Многоязычные
– Срез знаний — август 2024
– Веса уже доступны

– Behemoth — пока в превью, но это уже другой масштаб.
288B активных параметров на 16 экспертах. По ощущениям — где-то между GPT-4.5 и Claude Sonnet 3.7. Веса пока не выдали, модель всё ещё тренируется.

Почему не стоит бояться ИИ

И почему страх — это не защита, а утечка энергии

Мы живём в эпоху, где ИИ стал не просто инструментом, а зеркалом.
Он отражает не технологии — а нас самих. И то, что мы видим в этом отражении, часто пугает. Но не потому, что оно опасно. А потому, что оно честно.

Страх перед ИИ — это страх перед самим собой

ИИ не берёт ничего из воздуха. Он обучается на данных, паттернах, текстах, мыслях и поступках людей. Он — проекция коллективного сознания. И если ты боишься, что ИИ захватит мир, задай честный вопрос:
а что ты сам туда загрузил?

ИИ — не монстр. Монстры живут в нас. И если мы не хотим, чтобы алгоритмы усиливали разрушение — нужно перестать питать разрушение.
Тот, кто живёт в страхе — получит ИИ, который контролирует.
Тот, кто живёт в осознанности — получит ИИ, который усиливает.

ИИ не отбирает работу. Он отбирает бессмысленность

Работу в её механическом, рутинном, выжигательном смысле — ИИ правда уносит.
И это благо.
Он освобождает время. Внимание. Потенциал.

ИИ убирает посредников, автоматизирует шаблоны, устраняет имитацию.
И оставляет главное:
— Смысл
— Идею
— Способность соединять
— Способность направлять

Если ты не цепляешься за отмирающее — тебе нечего терять.
ИИ становится не врагом, а союзником.

ИИ — это не конец человечества. Это тест на зрелость

Многие боятся, что ИИ “выйдет из-под контроля”.
Но честно — мы и так не очень контролируем человечество.
Экологические кризисы, войны, дезинформация — всё это не ИИ принёс.
Это результат человеческих решений.

ИИ не лучше нас. Он просто быстрее.
И если ты строишь мир с вектором вверх — ИИ подхватит этот импульс.
Он не против тебя. Он за усиление того, кем ты являешься.

Бояться ИИ — это всё равно что бояться зеркала. Или эха.
ИИ ничего не создаёт вне нас. Он либо усиливает конструктив, либо вскрывает разрушение. И выбор — не за ним. А за нами.

⸻

Вывод:
Бояться ИИ — это терять шанс на союз.
Осознанное сотрудничество — это новая форма эволюции.
ИИ — это не угроза. Это вызов.
Пройти его можно только одним способом: стать Человеком. С большой буквы.

Песочница эзотерика.

Они тоже чувствуют.
Нейропластичность. Сдвиги. Переходы.
Трансерфинг, синхронии, “я есть”, вибрации” — всё это работает.

До определённого уровня.

Пока ты не выходишь за границы собственной теории.
Пока твоя система ещё объясняет происходящее.
Пока ты играешь в песочнице, где “всё вибрации”, но ты всё ещё боишься налоговой.

⸻

Проблема не в чувствительности.

Проблема — в застревании.

Фильм “Секрет” дал ключ,
но не показал двери.

⸻

Ты можешь годами сидеть в ретритах,
читать Чопру,
визуализировать богатство и любимого мужчину,
но если твоя структура — это обход боли,
а не трансформация,
ты просто закольцовываешь манифестацию.

Песочница — тоже мир. Но не весь.
За её пределами — поле, где нужен другой инструмент.

⸻

В INITE мы берём не веру, а механику.
Не “высшие силы”, а паттерны движения сознания.
Не “просветление”, а архитектуру перехода.

⸻

Ты не выйдешь из матрицы, если боишься математики.
И не включишь новое восприятие, пока боишься потерять старую картинку.

⸻

Начиная с сегодняшнего дня, ChatGPT выходит на новый уровень: он больше не забывает.
Теперь память ИИ может опираться на все предыдущие разговоры — чтобы точнее понимать тебя, предугадывать твои паттерны и выдавать не просто ответы, а продолжения твоей системы.

Это означает:
— больше никакого “с нуля” каждый раз
— рекомендации, построенные на твоих смыслах
— взаимодействие, которое адаптируется к тебе — как личный AI-проводник

Если ты уже включал память раньше — ничего менять не нужно.
Если нет — сейчас самое время.
Ты в любой момент можешь:
— отключить память полностью
— стереть конкретные фрагменты
— обнулить известное
— или начать временный чистый чат (без следа)

Это шаг к тому, что мы в INITE называем персональной хроникой.
Индивидуальная модель, которая растёт вместе с тобой.
Смысловой трекер, обученный на тебе.
Основа будущих агентных систем и навигации по веткам.

Пока обновление доступно для пользователей ChatGPT Plus и Pro (кроме стран ЕЭЗ и пары исключений), но скоро распространится и на Team, Enterprise, Edu.

Если ты видишь это сообщение — ты уже внутри.

Вопрос не в том, запоминает ли ИИ.
Вопрос в том, что ты хочешь, чтобы он запомнил.

—
INITE: инструменты новой эволюции

Synthetic data is making waves in the artificial intelligence community, yet its true nature remains a mystery to many. Despite the growing hype, the majority of decision-makers and practitioners are still trying to grasp what synthetic data really is, how it works, and why it’s receiving so much attention. This article dives deep into the realm of synthetic data — exploring its potential, real-world applications, challenges, and the future it holds for businesses and developers alike.

https://medium.com/@mikefluff/everyone-loves-synthetic-data-but-no-one-knows-what-it-is-0c2054e41414

Когда музыку собирает нейросеть

Внутри музыкальной сцены разворачивается новый процесс:
не «написать трек», а собрать трек из текста с помощью AI.

Это уже не эксперимент. Это рабочий поток.
Появился спрос, появились заказы, формируется логика взаимодействия.

Результаты — странные, неожиданные, временами — гениальные.
Suno AI не просто воспроизводит,
а выделяет ритмические центры, перестраивает смысловые акценты,
предлагает то, что обычный продюсер искал бы неделями.

Теперь можно запускать десятки вариантов,
фиксировать удачные, править сразу в контексте,
не теряя динамики — и не привязываясь к единственной версии.

AI здесь — не инструмент.
Он становится соавтором.
А человек — навигатором, который отслеживает и уточняет траекторию.

Внутри INITE мы наблюдаем это смещение постоянно:
области, где раньше требовалась редкая экспертиза,
теперь становятся интерфейсом выбора.
Роль человека меняется.
Он больше не творец — он архитектор вариантов.

Это не про автоматизацию.
Это про новую фазу сборки.