Forwarded from Медиаком
10 млн просмотров собрала презентация робота-домохозяйки Icaas 1 от Weave. Цена — $8000, но можно оплачивать по подписке за $449 в месяц.
Релиз состоится осенью.
Релиз состоится осенью.
Forwarded from AI Product | Igor Akimov
От подписчика: Отчет Faros.ai про реальные цифры продуктивности разработки с ИИ.
Ну... Не все так однозначно...
Это реальные метрики кода от требований до доставки. Выборка – 4000 команд за 2 года, сравнение внутри одних и тех же компаний между кварталом минимального и максимального использования AI.
Главные цифры:
– Продуктивность отдельного разработчика выросла, но скромно, судя по merge requests. Примерно +16 процентов, а не 10x
– При этом скорость доставки релизов упала на 11 процентов. Это системная метрика, она про доставку ценности клиенту
– Поток замедлился на каждом шаге. Фича проходит каждый этап на 80–480 процентов дольше
– Качество просело резко: дефекты вверх, переоткрытые тикеты вверх, code churn (доля переписанного кода) – аномальные 861 процент
Узкое место сместилось в ревью. Стадии Ready for Review и In Review раздулись, а ревью стали пропускать на 31 процент чаще – классическое поведение людей на бутылочном горлышке. Сам Faros пишет прямо: организации генерируют больше кода, чем система способна отревьюить и смержить.
Автор гоняет данные через закон Литтла (L = λW). Если лид-тайм и WIP растут быстрее, чем заявленная продуктивность – значит скорость потока на самом деле падает. По его расчётам реальная пропускная способность просела на 8–70 процентов в зависимости от допущений. То есть «продуктивность индивидуального разработчика» и «поток готовых фич» поехали в разные стороны, а платят клиенты именно за второе.
Тойота в своё время победила американский автопром фанатичным фокусом на качестве и принципе «не передавай дефект на следующую станцию». Чем позже находишь баг, тем дороже он стоит системе. LLM делают ровно наоборот: впрыскивают больше дефектов на входе и переносят их отлов в ревью, где ловить дороже и хуже.
Любопытная деталь: гипотеза «AI усиливает сильных» не подтвердилась. High-performing команды деградируют так же, как все остальные.
Тут есть с чем спорить по методологии – это наблюдательное исследование, не причинно-следственное, и автор сам это признаёт. Но направление мне кажется честным и совпадает с тем, что многие из нас чувствуют на практике: индивидуальная скорость растёт, а на уровне организации профита не видно.
Главная мысль, productivity не равно value. Локальный разгон одного этапа не двигает систему, если узкое место в другом месте. Если внедряешь AI в команду и не перестраиваешь ревью и QA под возросший объём генерации – ты просто переносишь бутылочное горлышко вниз по потоку и копишь work in progress.
И отдельно зацепил тезис про «сначала черновик от LLM, потом доработаю». Автор считает, что это задом наперёд: первый черновик – это и есть твой интеллектуальный вклад, момент, когда ты реально продумываешь структуру. LLM сильна как редактор и спарринг после, а не вместо мышления. С этим скорее согласен - чем больше вложений на первых этапах, тем лучше результат. Короче, уделяйте МАКСИМАЛЬНОЕ внимание требованиям, а не пытайтесь зафигачить 100 фич и отдать все тестировщикам.
Источник: https://unessays.substack.com/p/talk-is-cheap
Ну... Не все так однозначно...
Это реальные метрики кода от требований до доставки. Выборка – 4000 команд за 2 года, сравнение внутри одних и тех же компаний между кварталом минимального и максимального использования AI.
Главные цифры:
– Продуктивность отдельного разработчика выросла, но скромно, судя по merge requests. Примерно +16 процентов, а не 10x
– При этом скорость доставки релизов упала на 11 процентов. Это системная метрика, она про доставку ценности клиенту
– Поток замедлился на каждом шаге. Фича проходит каждый этап на 80–480 процентов дольше
– Качество просело резко: дефекты вверх, переоткрытые тикеты вверх, code churn (доля переписанного кода) – аномальные 861 процент
Узкое место сместилось в ревью. Стадии Ready for Review и In Review раздулись, а ревью стали пропускать на 31 процент чаще – классическое поведение людей на бутылочном горлышке. Сам Faros пишет прямо: организации генерируют больше кода, чем система способна отревьюить и смержить.
Автор гоняет данные через закон Литтла (L = λW). Если лид-тайм и WIP растут быстрее, чем заявленная продуктивность – значит скорость потока на самом деле падает. По его расчётам реальная пропускная способность просела на 8–70 процентов в зависимости от допущений. То есть «продуктивность индивидуального разработчика» и «поток готовых фич» поехали в разные стороны, а платят клиенты именно за второе.
Тойота в своё время победила американский автопром фанатичным фокусом на качестве и принципе «не передавай дефект на следующую станцию». Чем позже находишь баг, тем дороже он стоит системе. LLM делают ровно наоборот: впрыскивают больше дефектов на входе и переносят их отлов в ревью, где ловить дороже и хуже.
Любопытная деталь: гипотеза «AI усиливает сильных» не подтвердилась. High-performing команды деградируют так же, как все остальные.
Тут есть с чем спорить по методологии – это наблюдательное исследование, не причинно-следственное, и автор сам это признаёт. Но направление мне кажется честным и совпадает с тем, что многие из нас чувствуют на практике: индивидуальная скорость растёт, а на уровне организации профита не видно.
Главная мысль, productivity не равно value. Локальный разгон одного этапа не двигает систему, если узкое место в другом месте. Если внедряешь AI в команду и не перестраиваешь ревью и QA под возросший объём генерации – ты просто переносишь бутылочное горлышко вниз по потоку и копишь work in progress.
И отдельно зацепил тезис про «сначала черновик от LLM, потом доработаю». Автор считает, что это задом наперёд: первый черновик – это и есть твой интеллектуальный вклад, момент, когда ты реально продумываешь структуру. LLM сильна как редактор и спарринг после, а не вместо мышления. С этим скорее согласен - чем больше вложений на первых этапах, тем лучше результат. Короче, уделяйте МАКСИМАЛЬНОЕ внимание требованиям, а не пытайтесь зафигачить 100 фич и отдать все тестировщикам.
Источник: https://unessays.substack.com/p/talk-is-cheap
Forwarded from AI Вентура
Media is too big
VIEW IN TELEGRAM
Китайцы уже пытаются увольнять друг друга с помощью ИИ 🫠
Схема звучит максимально антиутопично: сотрудник обучает нейронку выполнять задачи своего коллеги, а потом показывает начальству, что человека можно заменить.
То есть не просто «автоматизировал свою работу», а буквально собрал ИИ-версию чужой работы и продал это как оптимизацию.
Тренд, судя по всему, разошёлся настолько, что появились даже инструменты сопротивления.
Например, сервис 反蒸馏 Skill — «анти-дистилляция навыков».
Суть:
Нейронка видит результат, но не получает ключевых деталей, логики и практической ценности.
Это уже не просто борьба людей с ИИ.
Это борьба людей друг с другом через ИИ:
одни пытаются заменить коллег,
другие — защищают свои навыки от копирования.
И вот это, кажется, один из самых честных сигналов ближайшего будущего:
ценность будет не только в том, что ты умеешь делать, но и в том, насколько сложно твою работу «снять», оцифровать и повторить.
➡️ AI Вентура | YouTube |MAX
Схема звучит максимально антиутопично: сотрудник обучает нейронку выполнять задачи своего коллеги, а потом показывает начальству, что человека можно заменить.
То есть не просто «автоматизировал свою работу», а буквально собрал ИИ-версию чужой работы и продал это как оптимизацию.
Тренд, судя по всему, разошёлся настолько, что появились даже инструменты сопротивления.
Например, сервис 反蒸馏 Skill — «анти-дистилляция навыков».
Суть:
он переделывает выполненные задачи так, чтобы внешне решение выглядело правильным, но для обучения ИИ было почти бесполезным.Нейронка видит результат, но не получает ключевых деталей, логики и практической ценности.
Это уже не просто борьба людей с ИИ.
Это борьба людей друг с другом через ИИ:
одни пытаются заменить коллег,
другие — защищают свои навыки от копирования.
И вот это, кажется, один из самых честных сигналов ближайшего будущего:
ценность будет не только в том, что ты умеешь делать, но и в том, насколько сложно твою работу «снять», оцифровать и повторить.
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from ЖЮ 📡 Новости | Мира и России
This media is not supported in your browser
VIEW IN TELEGRAM
Парень сделал из «Гарри Поттера» с помощью Fable
Он встроил ИИ в планшет reMarkable, устройство отвечает на вопросы, которые написаны от руки.
Он встроил ИИ в планшет reMarkable, устройство отвечает на вопросы, которые написаны от руки.
🤩1
Forwarded from Метаверсище и ИИще
This media is not supported in your browser
VIEW IN TELEGRAM
Вот он, настоящий киберпанк
Мы тут радостно смотрели, как робаты прыгают сальтухи или разбирают посудомойку. И гоготали, когда они падали на сцене или сходили с ума. Ибо кожаные их так научили.
Теперь все наоборот. ИИ говорит кожаному, что делать, и кожаный послушно делает: играет на пианино(хотя не умеет), рисует прямые линии (хотя криворукий по жизни), играет в камень-ножницы-бумага как ему говорит электрический сигнал (дилеры в казино - тема).
Короче, теперь кожаный превращается в робата, а его мышцы в приводы. Используется Electrical Muscle Stimulation, EMS - электрическая стимуляция мышц.
Как работает этот Human Operator:
Камера на голове видит сцену от первого лица.
Пользователь произносит команду, например: «Помоги сыграть мелодию».
Изображение и команда отправляются в ИИ через Claude API.
Модель выбирает последовательность доступных движений: указательный палец, средний палец, большой палец, движение запястья и так далее.
Компьютер превращает план в команды с временными метками.
Arduino и плата реле подключают нужный канал EMS.
Электроды стимулируют соответствующую мышцу, и палец нажимает клавишу.
И это не MIT как взвизгивает твиттор, а прототип, созданный командой из всего шести участников на 48(!)-часовом хакатоне MIT Hard Mode 2026. Он победил в категории Learn Track.
А дальше мы с вами представляем костюм Айрон Мена, когда вся поверхность отдана под управление.
Шутки про nsfw - отставить!
Короче, кожаные тренируют робатов, а ИИ - кожаных.
Ну и правда, зачем 7 лет ходить в музыкалку - надел перчатки и ну лабать на свадьбах и похоронах!
https://humanoperator.org/
@cgevent
Мы тут радостно смотрели, как робаты прыгают сальтухи или разбирают посудомойку. И гоготали, когда они падали на сцене или сходили с ума. Ибо кожаные их так научили.
Теперь все наоборот. ИИ говорит кожаному, что делать, и кожаный послушно делает: играет на пианино(хотя не умеет), рисует прямые линии (хотя криворукий по жизни), играет в камень-ножницы-бумага как ему говорит электрический сигнал (дилеры в казино - тема).
Короче, теперь кожаный превращается в робата, а его мышцы в приводы. Используется Electrical Muscle Stimulation, EMS - электрическая стимуляция мышц.
Как работает этот Human Operator:
Камера на голове видит сцену от первого лица.
Пользователь произносит команду, например: «Помоги сыграть мелодию».
Изображение и команда отправляются в ИИ через Claude API.
Модель выбирает последовательность доступных движений: указательный палец, средний палец, большой палец, движение запястья и так далее.
Компьютер превращает план в команды с временными метками.
Arduino и плата реле подключают нужный канал EMS.
Электроды стимулируют соответствующую мышцу, и палец нажимает клавишу.
И это не MIT как взвизгивает твиттор, а прототип, созданный командой из всего шести участников на 48(!)-часовом хакатоне MIT Hard Mode 2026. Он победил в категории Learn Track.
А дальше мы с вами представляем костюм Айрон Мена, когда вся поверхность отдана под управление.
Шутки про nsfw - отставить!
Короче, кожаные тренируют робатов, а ИИ - кожаных.
Ну и правда, зачем 7 лет ходить в музыкалку - надел перчатки и ну лабать на свадьбах и похоронах!
https://humanoperator.org/
@cgevent
Forwarded from Метаверсошная
This media is not supported in your browser
VIEW IN TELEGRAM
Интересную мысль вбросили в видео: одна из индустрий будущего - это одежда для роботов.
Если они начнут работать в отелях, ресторанах и других местах, где важен внешний вид, у них разумеется, будет униформа.
На кудахтанье про "пусть носят человечью" можно возразить, что требования к качеству одежды будут другими.
Роботы не потеют, и им нигде не колется.
Зато наверняка будут нужны другие качества ткани.
а я говорила много раз: не наряжайте гребаных роботов, это плохо кончится!
Если они начнут работать в отелях, ресторанах и других местах, где важен внешний вид, у них разумеется, будет униформа.
На кудахтанье про "пусть носят человечью" можно возразить, что требования к качеству одежды будут другими.
Роботы не потеют, и им нигде не колется.
Зато наверняка будут нужны другие качества ткани.
Forwarded from e/acc
После суток использования Fable, есть некоторые первые мысли.
Во-первых, это не тот фейбл, который был у нас в июне, но по-прежнему очень крутая (лучшая из существующих) модель.
Но это не так важно, ибо мир уже разделился на богатых токенам и бедных токенами. За два дня в токенах я потратил несколько тысяч долларов, из которых я бы сказал 90% за экономию нервов (фейбл делает задачи точнее, лучше и задает меньше вопросов), а 10% за новые способности (что-то, что я не мог бы сделать с опусом вообще).
Здесь есть несколько выводов второго порядка:
1. Я был бы крайне скептичен относительно любой идеи создания цифрового продукта. Цифровые бизнесы не умрут завтра, но конкуренция уже выросла в десятки раз и без какого-то ультра-нечестного преимущества там будет сложно. Сам стараюсь делать только вещи, связанные с оффлайном или инвестировать в команды, которые заряжены убить всех в своей нише.
2. Доступ и равенство в ИИ больше не статус кво. Лучшие модели будут только у Пентагона и как там называется их китайский аналог. Чуть похуже у корпоратов с бюджетом на токены от $100M в год. А уже совсем середнячки пойдут в народ. Это больше социальный феномен, чем технический, но если управляете бизнесом и у вашего конкурента есть значительно более продуктивная или безопасная модель, то это большой риск.
3. Агенты реально стали способным работать долго и самостоятельно выбираться из непонятных ситуаций. Средняя сессия с Fable > 80 минут, в рамках которой он сам догадается сделать несколько экспериментов, проверить и покритиковать их, выбрать лучший вариант, зарядить субагентов на рисерч и в итоге решить проблему.
4. Хотим мы или не хотим, но через 6 месяцев у нас будет по-прежнему дорогая, но доступная в open source модель уровня Fable 5. Фронтир, конечно, уйдет далеко вперед, но сам этот факт значит, что не только у избранных клиентов Антропика, но и у пакистанской спам-фермы будет доступ к такого уровня модели — что это значит для вашего рынка? для ваших клиентов? для вашего трудоустройства?
5. Хоть я и отказывался годами в это верить, люди до сих пор не до конца осознали что происходит. Куда не ткни - в каждом бизнесе, в каждой индустрии, я вижу сотни тысяч часов работы людей, которые тратятся на бессмысленную работу. Не плохую (наоборот, очень качественную), но работу, которую вообще не нужно делать в век ИИ. Большинство компаний еще не перестроились и это, конечно, все еще возможность, хоть и не долгая.
Кстати, не ради рекламы, но искренне в тему, 13 июля я буду проводить очередную третью лаборатории по трансофрмации и построению ИИ-нейтив организаций. И, естественно, мы будем говорить про каждый из вопросов выше.
Во-первых, это не тот фейбл, который был у нас в июне, но по-прежнему очень крутая (лучшая из существующих) модель.
Но это не так важно, ибо мир уже разделился на богатых токенам и бедных токенами. За два дня в токенах я потратил несколько тысяч долларов, из которых я бы сказал 90% за экономию нервов (фейбл делает задачи точнее, лучше и задает меньше вопросов), а 10% за новые способности (что-то, что я не мог бы сделать с опусом вообще).
Здесь есть несколько выводов второго порядка:
1. Я был бы крайне скептичен относительно любой идеи создания цифрового продукта. Цифровые бизнесы не умрут завтра, но конкуренция уже выросла в десятки раз и без какого-то ультра-нечестного преимущества там будет сложно. Сам стараюсь делать только вещи, связанные с оффлайном или инвестировать в команды, которые заряжены убить всех в своей нише.
2. Доступ и равенство в ИИ больше не статус кво. Лучшие модели будут только у Пентагона и как там называется их китайский аналог. Чуть похуже у корпоратов с бюджетом на токены от $100M в год. А уже совсем середнячки пойдут в народ. Это больше социальный феномен, чем технический, но если управляете бизнесом и у вашего конкурента есть значительно более продуктивная или безопасная модель, то это большой риск.
3. Агенты реально стали способным работать долго и самостоятельно выбираться из непонятных ситуаций. Средняя сессия с Fable > 80 минут, в рамках которой он сам догадается сделать несколько экспериментов, проверить и покритиковать их, выбрать лучший вариант, зарядить субагентов на рисерч и в итоге решить проблему.
4. Хотим мы или не хотим, но через 6 месяцев у нас будет по-прежнему дорогая, но доступная в open source модель уровня Fable 5. Фронтир, конечно, уйдет далеко вперед, но сам этот факт значит, что не только у избранных клиентов Антропика, но и у пакистанской спам-фермы будет доступ к такого уровня модели — что это значит для вашего рынка? для ваших клиентов? для вашего трудоустройства?
5. Хоть я и отказывался годами в это верить, люди до сих пор не до конца осознали что происходит. Куда не ткни - в каждом бизнесе, в каждой индустрии, я вижу сотни тысяч часов работы людей, которые тратятся на бессмысленную работу. Не плохую (наоборот, очень качественную), но работу, которую вообще не нужно делать в век ИИ. Большинство компаний еще не перестроились и это, конечно, все еще возможность, хоть и не долгая.
Кстати, не ради рекламы, но искренне в тему, 13 июля я буду проводить очередную третью лаборатории по трансофрмации и построению ИИ-нейтив организаций. И, естественно, мы будем говорить про каждый из вопросов выше.
Forwarded from Метаверсошная
This media is not supported in your browser
VIEW IN TELEGRAM
вот, что на самом деле подразумевается под фразой "образование устарело"
наглядней иллюстрации не придумать.
наглядней иллюстрации не придумать.