Astra смогла, а вы сможете?
Мы с вами недавно обсуждали эссе, опубликованное на сайте OpenAI, где автор сказал следующее:

Чтобы начать влиять на реальный мир — стать очень полезным или очень опасным — ИИ не надо стать лучше людей во всех сферах. Ему надо стать лучше в достаточном количестве из них.

И кое в чем новая их модель уже стала лучше многих людей: она прошла все 48 уровней I Am Not A Robot, где надо решать все более абсурдные и сложные капчи. В результате она даже получила сертификат, что является человеком.

Весь процесс запечатлел и запостил другой сотрудник OpenAI.

А сколько уровней пройдете вы? 👀

Решение математических проблем это не просто бенчмарк 
На прошлой неделе разгорелся серьезный скандал вокруг одной из математических задач тысячелетия — а именно доказательство существования определенного способа решения уравнений Навье-Стокса. OpenAI объявила, что их внутренняя модель, более мощная, чем Astra, нашла решение проблемы — только вот ее опередили. Два математика сделали это раньше, причем с использованием Codex и Claude. Они предполагают, что OpenAI получила доступ к их данным и использовала их для поиска своего решения.

На science.org есть более подробное описание скандала, даже с объяснением, в чем же состоят эти уравнения.

Эта история поднимает не только вопросы безопасности, доверия к разработчикам ИИ и прозрачности в работе с ним. 25 лауреатов Филдсовской премии, подписали открытое письмо «A Severe Misalignment of AI in Mathematics».

Про что оно, если кратко: 
🔵ИИ-компании воспринимают и подают решение математических задач как очередной бенчмарк, и это вредит науке. 

🔵Большие математические задачи вроде «проблем тысячелетия» раньше были ориентирами, по которым можно было оценить прогресс. Появление решения говорило о том, что математика — то есть все математическое общество с накопленным корпусом знаний и идей — сделала новый шаг вперед. 

🔵Именно в этом и есть смысл научной деятельности: совместная работа множества специалистов по приумножению знаний и поиску новых идей. Причем эти идеи и знания нужно еще и передать коллегам и студентам. Решение задач и миллион долларов в награду тут не самоцель. 

🔵ИИ же дает готовый результат (и громкие заголовки в СМИ), но это решение ради решения. Оно основано на плодах чужой научной деятельности и при этом не двигает науку вперед. 

🔵С такой же проблемой сталкиваются люди и в других сферах: ИИ так сильно меняет подходы к работе, что легко забыть, зачем эта работа на самом деле была задумана. 

Ну а в конце, как всегда, призывают математическое сообщество, ИИ-компании и общество в целом взять искусственный интеллект под более строгий контроль. 

Есть в этом мнении логика или это просто страдания людей, у которых ИИ отнимает работу?

3D-карты СУБД
Отвлечемся от новостей про ИИ и скандалов вокруг OpenAI и посмотрим, что внутри Redis и PostgreSQL. 

🔵Redis — это NoSQL СУБД типа ключ-значение, которая которая хранит данные в оперативной памяти. 

Для тех, кто хочет разобраться, как же она это делает, нарисовали целую интерактивную карту. Ее можно повертеть со всех сторон, понажимать на отдельные элементы и посмотреть, как байты данных перемещаются между ними. У каждого объекта есть короткое описание со ссылками на исходный код на гитхабе. 

🔵Похожая визуализация есть и для PostgreSQL Она не только масштабнее, но и информативнее. Если на предыдущей все пояснения очень краткие, то здесь функции элемента расписаны намного подробнее.

Что делать с тепловыми картами и хороплетами?
Все виды графиков и чартов по-своему хороши и заслуживают любви, но, если честно, значительную часть из них большинство любят на расстоянии. Старых добрых линейных и столбчатых диаграмм хватает под большинство задач, их легко нарисовать в любом инструменте для визуализации и, самое главное, легко читать.

Более хитрые варианты вроде тех же тепловых карт или хороплетов используются реже, потому что и поводов для этого меньше, и работать с ними сложнее. А вот сделать нечитабельное разноцветное месиво, наоборот, легко. 

🔜 И все же, если вы связаны с визуализацией данных, однажды они могут пригодится, так что ловите шпаргалку на Tableau Public. 4 графика — тепловая карта, таблица, карта плотности и хороплет — с описанием и двумя примерами реализации: хорошим и плохим. Есть даже маленький опросник в конце, который поможет выбрать, какой из 4 графиков подойдет под ваши задачи.

Как грамотно делегировать задачи ИИ
Внедрение искусственного интеллекта и агентов в работу — это все еще острый вопрос. Его обсудили в одном из недавних выпусков подкаста «Доверительный интервал» от сообщества аналитиков Яндекса. В чём суть:

🔵 Активнее всего агентов используют джуны, а сеньоры все еще настроены скептически, потому что даже с очень умным ИИ многие задачи им быстрее сделать руками. Приходится выбирать: заморочиться со скиллами и агентами, чтобы когда-нибудь потом увидеть результат, или выполнить важную для бизнеса задачу прямо сейчас.
🔵Общение с ИИ — это навык, который нужно целенаправленно развивать. Без этого попытка работать с ИИ может закончиться именно так, как скептик и ожидает: провалом.
🔵 При этом есть мнение, что нет смысла осваивать ИИ сейчас. Технология постоянно меняется, пока в ней разберешься, она опять шагнет вперед, и знания устареют. Здесь советуют обучаться на старых модельках, чтобы видеть, где они ошибаются. Новые могут завернуть ошибку так, что заметить ее будет трудно даже сеньорам.
🔵 Лучшая мотивация дать искусственному интеллекту шанс — это делегировать задачу, которую не хочется делать самому. Так человек начинает видеть пользу от ИИ и заодно постепенно учится с ним работать.

Часть про сопротивление мне показалась наиболее интересной. ИИ-скептиков часто выставляют луддитами, которые отрицают прогресс из вредности или иррациональных страхов, но это не слишком продуктивно. Намного полезнее для всех разобраться в реальных причинах скепсиса и работать с ними напрямую.

Новый ИИ-бенчмарк подвезли 
Тем, как ИИ пишет код, взламывает сайты или решает математические задачи тысячелетия уже никого не удивишь. Современные флагманские модели уже давно переросли эти мелочи и созрели для того, чтобы показать, на что они способны в реальном мире.

Например, как они умеют водить машину.

За руль Тойоты посадили Astra, Sol, Grok и Fable и выпустили их на пустую парковку, где им нужно было за три попытки преодолеть трассу длиной 134 метра. Они «видели» дорогу через камеры, а через Comma four крутили руль и нажимали педали. Человек сидел рядом только для подстраховки. 

🔵Успешнее всего справилась GPT-6 Astra: она вообще единственная, кто доехал до конца, еще и со 2 раза. Ей понадобилось 5 минут 22 секунды и 6,6 млн токенов. 
🔵Fable 5.1 с третьей попытки преодолела 45% трассы, Grok 4.6 — 11% со второй (и 10% с третьей), а GPT-5.6 Sol все три раза стабильно проехала около 15 метров или 6%.

Отличная идея, нужно развивать ее дальше. Как думаете, из каких еще повседневных задач можно наделать бенчмарков для ИИ?

В одной ячейке Excel можно будет хранить массивы значений
Наконец-то важные новости и не про очередной побег ИИ из тестовой среды. В Excel готовится большое обновление:
🔵В одной ячейке можно будет хранить списки из нескольких значений, разделенных запятой или точкой с запятой. Их можно добавлять, редактировать, убирать, использовать в формулах и применять к ним фильтры.
🔵Также в одну ячейку теперь будет занести целый массив данных — его больше не придется растягивать его  на несколько ячеек. Для этого надо будет записать данные, либо формулу, которая должна их вернуть, в скобках { }. Это еще и позволит создавать вложенные массивы вот такого вида: {{1,2,3};{4,5,6}}.  
🔵Появится поддержка новых формул: FLATTEN, HAS, HASANY, HASALL. Первая раскидывает данные из вложенных массивов по отдельным ячейкам, а следующие три позволяют искать отдельные значения внутри них. 

Новый функционал находится в стадии бета-тестирования, и перед полноценным релизом что-нибудь может измениться. Возможно, починят существующие ограничения: пока с массивами некорректно работают графики, сводные таблицы и некоторые функции вроде условного форматирования.

Что было на OpenAI Dev Day?
Вообще-то много чего — больше 20 релизов и анонсов. Пройдемся по самым интересным, а про все остальные можно прочитать в итогах, которые уже заботливо перевели на русский.

🔵 dots — автономные агенты на GPT-6 Astra. Они постоянно работают и обучаются, подстраиваясь под пользователя, и чем больше вы с ними взаимодействуют, тем лучше они вас понимают. Их представили как универсальных ассистентов, которые всегда рядом: и за новую задачу всегда возьмутся, и на вопросы ответят, и напомнят о встрече в календаре.

🔵GPT-6.1 Sol — модель почти на уровне Astra, но намного дешевле. В формате короткого поста больше про нее сказать особо нечего: весь анонс посвящен тому, как хорошо она справляется с всевозможными бенчмарками.

🔵Ultrafast — режим с ускоренной в 8 раз генерацией токенов только для самых богатых: он доступен на новом тарифе Pro Max за 500 долларов в месяц. 

🔵Расширенные возможности для создания плагинов — теперь разработчики смогут создавать целые мини-приложения, которые можно будет интегрировать в ChatGPT. Обещают также более удобный каталог для поиска новых плагинов.

🔵GPT Space — пространство для совместной работы с другими людьми и ИИ. Оно должно сделать работу с искусственным интеллектом более быстрым и удобным: он становится полноценным членом команды, который видит весь контекст обсуждения и может в реальном времени, на глазах у пользователей выполнять задачи, создавать и редактировать документы. Своих dots туда тоже можно подключить, кстати.

А вы следили за конференцией? Что вам больше всего запомнилось?

Physical AI: следующий этап развития ИИ
Рано или поздно ИИ выйдет за пределы интернета в реальный мир и роботы под его контролем станут чем-то таким же привычным, как сейчас — ИИ-агенты. Но чтобы это произошло, недостаточно просто прикрутить ChatGPT или Claude к роботу и надеяться, что они как-нибудь сами разберутся. Для этого должна сформироваться целая самостоятельная отрасль.

К такому выводу пришли участники конференции Яндекса об образовании YaC / E 2026, которая прошла на прошлой неделе.

В чем суть?
🔵Physical AI или воплощенный ИИ — это направление на стыке ИИ и робототехники. Оно должно научить искусственный интеллект взаимодействовать с реальным миром, а классических роботов (вроде тех, которые сейчас используются в промышленности) — гибко принимать решения и адаптироваться под обстоятельства, а не просто действовать по заданному сценарию.
🔵Главные задачи стоящие перед новой отраслью — научиться создавать масштабируемые и энергоэффективные системы. Для полноценной работы ИИ-роботу нужно собрать и обработать огромный массив данных, причем быстро и в идеале автономно, без постоянного подключения к серверу.
🔵Изменятся требования к специалистам. Уже недостаточно знаний только в машинном обучении и инжиниринге: нужно будет понимание того, как робот устроен внутри, умение разобраться, как соединяются детали и работают сенсоры. Со временем появятся новые профессии — специалисты, которые будут прописывать сценарии поведения для роботов в разных условиях, обучать их, управлять, следить за безопасностью и так далее.
🔵Для подготовки таких специалистов понадобится совместная работа науки и бизнеса. Только так получится давать знания, которые будут актуальны и при этом востребованы на рынке. Эта практика, когда бизнес принимает участие в научной деятельности, уже давно набирает обороты в РФ, и тот же Яндекс активно её применяет в своих образовательных проектах вроде ШАД.
🔵Сейчас Physical AI находится в переходном периоде: вокруг этой темы много хайпа, но со временем он неизбежно утихнет, а завышенные ожидания скорректируются.

А что вы думаете про будущее Physical AI? Когда ИИ-роботы станут реальностью?

Состоялся релиз Polars 2.0
Polars — Python-библиотека для работы с данными и популярная альтернатива pandas. В версии 2.0 улучшили производительность, расширили поддержку SQL и добавили новый тип данных.

Если подробнее: 
🔵Вызовы collect() к LazyFrame по умолчанию обрабатываются потоковым движком, чтобы снизить потребление памяти и ускорить работу. Это самое большое изменение и главная причина, почему эту версию назвали 2.0: из-за нее часть старых запросов может поломаться. 
🔵Обработка данных с выгрузкой на диск (out-of-core processing) будет включаться по умолчанию при использовании более чем 80% оперативной памяти. Сейчас эта возможность доступна для сортировок, оконных функций и некоторых других операций. Для join и group_by обещают добавить позже. 
🔵Polars 2.0 теперь еще лучше работает с SQL и, судя по результатам (почти всех) бенчмарков, обрабатывает запросы быстрее DuckDB и DataFusion. 
🔵Добавился новый тип данных Map — словарь Python, связывающий ключи со значениями. Позволяет получать значение по ключу, проверять наличие ключа, получать список ключей или значений и так далее. В Polars 1.0 для этого приходилось использовать более сложную и неудобную конструкцию.
🔵Polars стал строже к ошибкам — он быстрее их вылавливает и сообщает об этом пользователю. По словам разработчиков, это изменению особенно актуально в эпоху ИИ-кодинга.

В общем, новых функций не завезли и главная задача релиза — отказаться от некоторых устаревших решений и сделать Polars быстрее и удобнее без радикальных изменений. Команда проекта надеется, что выпуск версии 2.0 будет для пользователей скучным и пройдет без потрясений, но гайд по переходу на всякий случай подготовила.