Все делятся примерами программ, созданных с помощью новой Gemini 3 Pro. Мне тоже захотелось 🙂

Последнее время использую такой тест: прошу у LLM визуализировать звездную систему из книги "Задача трех тел" Лю Цысиня, о которой как-то уже писал в этом канале, но так, чтобы за ней было интересно наблюдать.

В книге описана цивилизация трисолярианцев, планета которых оказалась внутри тройной звездной системы, из-за чего климат там крайне нестабилен - эпохи процветания сменяются вековыми ледниковыми периодами или короткими перегревами, выжигающими всё живое. Жители планеты активно развивают науку и вычислительную технику, чтобы научиться предсказывать смену климатических периодов, но задача оказывается нерешаемой. И тогда они решают [ДАННЫЕ УДАЛЕНЫ].

Визуализировать задачу несложно, а вот сделать визуализацию интересной - сложно! Дело в том, что три звезды, двигающиеся вокруг общего центра масс, демонстрируют классический пример хаотического поведения. Если решать задачу "в лоб", то картинка получается скучная - планету выбрасывает в космос на несколько сотен лет или две звезды сходятся слишком близко, вращаясь с огромной скоростью и т.д.

Я прошу LLM так подкрутить законы физики, чтобы визуализация получилась стабильной, интересной, демонстрирующей хаос и эта "подкрутка" была незаметна, то есть наблюдателю казалось, что система работает на классических законах небесной механики.

До сегодняшнего дня ни одна модель эту задачу не решила. Но пришел Gemini 3 Pro и решил! Можете сами открыть и полюбоваться настоящим хаосом. Также модель показывает, как меняется температура на планете бедных инопланетян.

Бесплатное обучение AI:

1. У OpenAI есть целая академия, где можно найти курсы и лайв-стримы на любой уровень и тему. Недавно запустили Prompt packs для любых ролей.

2. У Hugging Face также есть крупный раздел с курсами, включая изучение дифьюжен моделей, 3д, аудио.

3. Anthropic, создатели Claude, есть курс по AI Fluency,

4. Целый хаб с курсами про AI от Beginner, до уверенного ресеча от Microsoft. Вот к примеру курс по агентам для начинающих.

5. У Google есть Google cloud skillboost, где есть несколько сильных курсов про AI: Introduction to GenAI, Introduction to LLMs,  Responsible AI  и многие другие.

6. Недавно Cursor запустил свой портал обучения. Уже сейчас доступно 6 очень коротких, но глубоких лекций про AI: как работают модели, применение и ограничения, токены и цены, почему важен контекст, обращение к инструментам и агенты. На весь курс у вас уйдет 30 минут.

Это всё компании, которые создают AI-продукты, их обучение бесплатное и максимально из первых рук

#обучение@longlivetale

Ранее писал про генерацию миров "на лету". Вот Гугл представил Genie 3.
Примеры тут - https://genie3.net/#videoShowcase. Там, кажется, можно даже превьюшки делать по своему запросу.

"Революционная модель мира от Google DeepMind, которая генерирует интерактивные среды в реальном времени.
Перемещайтесь по динамическим мирам со скоростью 24 кадра в секунду с беспрецедентной стабильностью и реализмом." - говорит нам Google DeepMind.

Ну классно же!

Профессия разработчик - умрёт! Да, но нет.

В последние дни много времени потратил на исследование того, как меняется профессия "Разработчик" в связи с качественным и волнительным скачком уровня написания кода ИИ, плюс появлением ИИ-агентов, которые умеют думать, планировать, а затем реализовывать свои решения в коде.

Первый вопрос на который искал ответ -
"Как писать код совместно с ИИ".
Движение от частного к общему кажется наиболее правильным для понимания происходящих изменений.

Вот такая агрегация поинтов получилась.

1. Изменение роли программиста

- Сдвиг парадигмы: Программирование переходит на новый уровень абстракции. Разработчик перестает быть просто «писателем строк» и становится архитектором намерений. Он управляет логикой и вектором развития, а ИИ берет на себя рутину («низкоуровневую работу», как швейная машинка).
- Концентрация на важном: ИИ позволяет не думать о реализации мелких деталей (парсинг JSON, синтаксис), а фокусироваться на архитектуре, лучших практиках и эффективности системы в целом.
- Обучение: Для одних ИИ - это риск деградации навыков (страх разучиться писать код руками и потерять понимание базы), для других - мощный ускоритель обучения (можно быстро разбираться в новых технологиях, прося ИИ объяснять сложные концепции).

2. Правильный рабочий процесс (Workflow)

Многие сходятся во мнении, что просто попросить ИИ «написать код» - плохая стратегия. Эффективный алгоритм выглядит так:

1. Планирование: Сначала попросить ИИ спроектировать решение, показать примеры использования конечного кода.
2. Документация и ТЗ: Заставить ИИ написать гайд или туториал по реализации фичи до написания кода.
3. Тесты (TDD): Написать тесты на основе плана (можно попросить ИИ), которые будут падать, пока код не написан.
4. Кодинг: Самая последняя стадия. Часто её можно поручить более дешевой модели, если предыдущие этапы проработаны.

3. Управление контекстом и памятью

- Сессии: Контекстное окно ограничено. Пользователи советуют в конце сессии просить ИИ суммаризировать диалог и текущий прогресс в отдельный MD-файл, который затем скармливается новой сессии.
- Системные промпты: Создавать файлы (например, `agent.md` или `readme` для бота), где описаны правила проекта, используемые библиотеки, стиль кода и архитектурные конвенции. Это помогает ИИ не «выдумывать» лишнего.
- Memory Bank: Сохранять описание работы каждой фичи и потоков данных в отдельные файлы, чтобы ИИ мог хирургически точно вносить правки в будущем.

4. Контроль качества и тестирование

- Не доверять слепо: Главное правило - ИИ часто галлюцинирует, особенно в версиях библиотек.
- CI/CD и Линтеры: Обязательное наличие автоматических тестов, линтеров и статического анализа. Без них работа с ИИ превращается в хаос.
- Перекрестная проверка: Использовать одну нейросеть для написания кода, а другую - для ревью или написания тестов к этому коду.
- Разделение ответственности: Если ИИ пишет код, человек пишет тесты (или наоборот). Нельзя давать ИИ писать и код, и тесты к нему в одном контексте без контроля, так как он подгонит тесты под свою же (возможно ошибочную) реализацию.

5. Полезные практические советы (лайфхаки)

- Промпт на уточнение: Добавлять в промпт фразу: «Не пиши код сразу, а задавай дополнительные вопросы, если тебе что-то не совсем понятно из задания». Это спасает от «отсебятины».
- Работа с легаси: ИИ идеально подходит для разбора чужого старого кода, написания к нему комментариев и документации.
- Визуализация: Просить ИИ генерировать диаграммы и схемы (например, в Mermaid) для документации.
- Откат вместо правок: Если ИИ выдал плохой результат, часто эффективнее не просить исправить, а откатить изменения и переформулировать задачу с нуля.

6. Риски
- Потеря компетенции: Есть опасение, что джуниоры, использующие ИИ, не научатся глубокому пониманию кода, а сеньоры со временем могут «замылить» глаз и перестать замечать ошибки.
- Безопасность: Опасения по поводу загрузки в облачные ИИ чувствительных данных (структуры БД, проприетарного кода), что может привести к утечкам.

#aiassisteddev@longlivetale #vibecoding@longlivetale
👇👇

👆👆
Далее попросил Gemini дополнить пункты на основе актуальных исследований и мнений специалистов. Получилось так

7. Кризис найма и обучения (The Junior Gap)

В пунктах упоминался риск деградации, но исследования подчеркивают более глобальную экономическую проблему.

- Исчезновение позиции Junior: Компании все меньше нуждаются в начинающих разработчиках для рутинных задач, так как AI делает это быстрее и дешевле.
- Разрыв преемственности: Если не нанимать джунов, через 5-7 лет на рынке возникнет катастрофическая нехватка мидлов и сеньоров, так как им неоткуда будет взяться.
- Менторство как необходимость: Сеньорам придется тратить больше времени не на код, а на обучение джунов тому, как валидировать AI, а не просто писать код.

8. Эволюция от «Копайлотов» к «Агентам»

Тренд идет дальше - к полной автономности разработки.

- Агентные рабочие процессы (Agentic Workflows): выделяют как главный тренд. Это не просто «спросил — получил код», а итеративные паттерны:
- Reflection (Рефлексия): Агент сам критикует свой код перед тем, как показать его пользователю.
- Tool Use (Использование инструментов): Агент сам запускает код, видит ошибку в консоли, исправляет её и перезапускает, пока не заработает.
- Multi-agent collaboration: Один агент — «Разработчик», другой — «QA», третий — «Продакт», и они общаются между собой.

9. Проблема «Раздувания кода» (Code Bloat) и поддерживаемости

ИИ позволяет генерировать код с огромной скоростью.

- Снижение качества кодовой базы: Легкость генерации приводит к тому, что в проект добавляется больше кода, чем необходимо. Это увеличивает технический долг.
- Читать сложнее, чем писать: Поскольку код генерируется быстрее, чем человек может его осознать, ревью кода становится узким горлышком (bottleneck). Основной навык будущего — быстрое чтение и понимание чужого (синтетического) кода.

10. Юридические и этические риски (Compliance)

- Лицензионная чистота: Существует риск, что ИИ вставит кусок кода под лицензией GPL в проприетарный проект, что создаст юридические проблемы для бизнеса.
- Shadow AI: Использование разработчиками несогласованных инструментов (копирование корпоративного кода в публичные чат-боты) становится главной головной болью служб безопасности.

11. Появление новых специализаций

Вместо просто «разработчика» появляются:

- AI Engineer / AI Orchestrator: Человек, который умеет соединять разные модели и инструменты (RAG, Vector DB) для решения бизнес-задач.
- Code Curator: Специалист, ответственный за чистку, оптимизацию и верификацию кода, сгенерированного машиной.

#aiassisteddev@longlivetale #vibecoding@longlivetale

👇👇

👆👆

Ну и последнее на сегодня по этой теме.
Люблю видеть во всём возможности, поэтому попросил всё тот же ИИ написать о грядущих возможностях. И вот что получилось.

12. Новые возможности

Исследования и прогнозы экспертов выделяют следующие позитивные сдвиги в возможностях профессии:

- Мгновенное прототипирование (Rapid Prototyping): ИИ позволяет сократить путь от идеи до работающего MVP с недель до нескольких часов. Это дает разработчикам возможность проверять гипотезы бизнеса практически в реальном времени, не тратя ресурсы на «код в стол».

- Снижение когнитивной нагрузки: ИИ-агенты берут на себя поиск по документации, настройку окружения и написание бойлерплейта. Это освобождает мозг инженера для решения высокоуровневых архитектурных и алгоритмических задач, позволяя удерживать в фокусе всю систему целиком, а не отдельные файлы.

- Полиглот-программирование: Барьеры между языками программирования стираются. Опытный разработчик на Java может с помощью ИИ эффективно поддерживать или создавать модули на Rust или Go, полагаясь на ИИ в вопросах синтаксиса и идиом конкретного языка.

- Возрождение и миграция Legacy: ИИ открывает экономически оправданный путь для рефакторинга и переписывания устаревших систем (например, с COBOL на Java или с Python 2 на 3), что раньше часто откладывалось годами из-за дороговизны и рисков ручного переноса.

13. Возможности для разработчиков и людей других профессий (Democratization of Coding)

Исследования (например, от Gartner и Harvard Business Review) указывают на стирание жесткой границы между «разработчиками» и «не-разработчиками», создавая новые возможности для обеих групп

Для людей других профессий (Citizen Developers):

- Превращение экспертов в создателей ПО: Врачи, финансисты, юристы и маркетологи теперь могут создавать утилитарные приложения для решения своих специфических задач, не ожидая помощи от IT-отдела. ИИ-агенты позволяют им описывать проблему на естественном языке и получать рабочий инструмент (скрипт анализа данных, чат-бота, простую CRM).

- Усиление профессиональных навыков: Специалист по данным (Data Scientist) без глубоких знаний фронтенда может с помощью ИИ быстро собрать красивый дашборд для презентации результатов. Дизайнер может самостоятельно написать скрипт для автоматизации рутины в Figma.

Для профессиональных разработчиков:

- Переход в роль «Архитектора решений» для бизнеса: Вместо того чтобы просто писать код по ТЗ, разработчики получают возможность глубже погружаться в доменную область (domain expertise). Они становятся консультантами, которые помогают «гражданским разработчикам» правильно интегрировать их решения в общую систему, обеспечивая безопасность и масштабируемость.

- Создание инструментов для создателей: Открывается огромный рынок разработки платформ и инструментов (SDK, API), которые будут использоваться ИИ-агентами и непрограммистами. Разработчики будут создавать «кирпичики», из которых другие будут собирать дома.

- Предпринимательство (Indie Hacking): Порог входа для создания собственного стартапа снижается до минимума. Один разработчик (Solopreneur) с помощью "армии" ИИ-агентов теперь может выполнять работу целого технического отдела, закрывая вопросы фронтенда, бэкенда, мобильной разработки и даже маркетинга своего продукта.

#aiassisteddev@longlivetale #vibecoding@longlivetale

Лечу в Краснодар, пригласили в КубГУ. Буду рассказать ребятам про эволюцию IT/Research в ИИ-эпоху. Будет 4 лекции в виде интенсива (теория+практика).
В том числе рассказываю про 4 больших ИИ-тренда.
И внезапно придумал сквозного персонажа, который периодически появляется на разных слайдах.
Никогда раньше так не делал, но классно же!
Вот, например, иллюстрация этих самых больших трендов в ИИ.

Молчаливый мозговой штурм (silent brainstorm)

Будущее разработки в эпоху ИИ
Хочется подытожить и приземлить заявленную тематику.
Собственно вот, 11 декабрьских тезисов.

1. Декларативное программирование. Разработка станет диалогом с ИИ, где вместо пошаговых инструкций (императивный подход) мы будем описывать желаемый конечный результат (декларативный подход), полагаясь на способность машины самой найти способ реализации. Вся история IT - это повышение уровня абстракции. ИИ - это просто следующий, очень большой шаг в этом направлении.

2. Укрупнение абстракций. Эволюция разработки продолжается в сторону оперирования всё более крупными блоками: от простых функций мы перешли к облачным сервисам, а теперь переходим к высокоуровневым ИИ-инструкциям, где «код» становится лишь скрытой деталью реализации.

3. Агентоцентричный дизайн (M2M Economy). Интерфейсы будущего перестанут ориентироваться исключительно на человека; возникнет необходимость проектировать системы для взаимодействия машин с машинами (Machine-to-Machine). Сайты и API будут оптимизироваться не под визуальное восприятие (GUI), а под способность автономных ИИ-агентов считывать структуру данных, договариваться и совершать транзакции без участия людей. Это создаст новую экономику, где агенты станут главными потребителями цифровых услуг.

4. Переход к вероятностному ПО. Традиционная жесткая логика (if-else) уступает место недетерминированным ответам нейросетей, где один и тот же запрос может давать разный результат. Понятие «бага» в генеративной части размывается, а инженерия смещается от поиска идеальной точности к управлению рисками. Приложениям придется стать «гибкими», внедряя механизмы самопроверки и самовосстановления (self-healing), чтобы корректно обрабатывать неточности ИИ, не ломая общий процесс. Внедрение недетерминированных нейросетей требует создания мощнейших слоев валидации («Guardrails»). Архитектура теперь должна строиться по принципу "Zero Trust" не только к пользователю, но и к собственным компонентам.

5. Эволюция качества (Eval-Driven Development). Это новый TDD (Test-Driven Development). Разработка ИИ-приложений потребует смены парадигмы контроля качества: от ручного тестирования и «ощущений» (Vibe Check) к инженерному подходу на основе метрик (Evals). Поскольку нейросети недетерминированы, каждое изменение промпта может улучшить одно, но сломать другое. Разработчикам придется строить пайплайны, где LLM-судьи автоматически оценивают ответы других моделей, превращая тестирование из рутины в фундамент надежности продукта.

6. Code Review как основной навык. Процесс написания кода уступит место его рецензированию (Code Review), где главная задача разработчика - проверять, корректировать и направлять сгенерированные ИИ решения, адаптируя их под стиль и стандарты команды. Навык чтения кода становится важнее навыка быстрой печати. Но ревьюить код сложнее, чем писать. Если ИИ нагенерировал 1000 строк кода за минуту, сеньор потратит час на то, чтобы понять, нет ли там скрытой уязвимости. Потребуется ответ на вопрос, как с этим быть.

7. Трансформация роли фреймворков. С одной стороны, разработчики перестанут зависеть от библиотек и фреймворков, так как ИИ способен писать нативный, высокопроизводительный код без лишних абстракций. С другой стороны, ИИ будет учиться и генерить код именно вокруг популярных фреймворков. Т.к. архитектурная предсказуемость и стандартность выгодны бизнесу, поддержке и самим ИИ-инструментам. Роль фреймворков сместится с «упрощения написания кода» на «обеспечение безопасности и архитектурных стандартов». Они станут невидимым каркасом, внутри которого генерируют код агенты, гарантируя, что творчество ИИ останется в рамках корпоративных стандартов.
#aiassisteddev@longlivetale #vibecoding@longlivetale

👇

👆

8. Языки программирования и читаемость кода. Популярные языки вроде Python и JavaScript, вероятно, укрепят свое доминирование, поскольку ИИ обучен и качественнее всего генерирует код именно на них. При этом сама структура кода может измениться: поскольку его написанием все чаще занимаются нейросети, необходимость делать его понятным для человеческих глаз отходит на второй план. Код может стать сложным и запутанным для человека, но эффективным для машины, превращаясь в своего рода «черный ящик». В результате разработчики, вероятно, перестанут читать исходники напрямую, полагаясь на управление через ИИ-агентов и проверку работы системы тестами. С другой стороны, в критичных и долгоживущих системах читаемость будет обязательным регулятивным и экономическим требованием.

9. Вайб-кодинг создаст потребность в «Чистильщиках». Появится новый класс задач и профессий, связанных с «разгребанием» и стабилизацией хаотичного кода, быстро сгенерированного непрофессионалами или ИИ-агентами, чтобы превратить рабочие прототипы в надежный продакшн. Это описывает реальную проблему "Shadow IT" нового поколения: кода много, он работает, но никто не знает как. Спрос на "ремонтников" будет огромным. И в некоторых случаях нам придется переписывать эти «вайбовые» решения, чтобы они выдерживали нагрузку и были безопасными.

10. Кризис Junior-разработчиков и трансформация обучения. Рынок труда снизит спрос на новичков, умеющих только механически писать код по техзаданию - эту роль забирает ИИ. Входной порог смещается: теперь от джуниора требуется не просто знание синтаксиса, а системное мышление. Успешными станут те, кто развивается как T-shaped специалисты: понимает фундаментальные основы работы ПО (чтобы валидировать решения ИИ), но при этом сразу учится проектировать архитектуру и оркестрировать работу AI-инструментов, минуя стадию рутинного написания шаблонного кода. Пока без ответа остается вопрос "Если ИИ заберет рутину, как мы будем растить экспертов?" Индустрии придется перепридумать систему менторства и обучения, иначе через 5–10 лет некому будет валидировать сложные решения ИИ.

11. Человеческий фактор как премиум. Несмотря на автоматизацию, ценность человеческого труда, экспертизы и живого участия не исчезнет, а перейдет в разряд премиальных услуг, так как люди по-прежнему будут доверять важные решения и обучение только другим людям.

#aiassisteddev@longlivetale #vibecoding@longlivetale

Наконец-то!
Китайский инженер создал самонаводящуюся мусорную корзину, которая самостоятельно перемещается, чтобы поймать все, что вы в нее бросите. Используя датчики движения и искусственный интеллект, корзина определяет траекторию движения объекта и идеально позиционируется, чтобы ничего не пролетело мимо.

Наверное, не всем из вас знаком мужчина по имени Демис Хассабис (Demis Hassabis). Меж тем, это основатель и текущий руководитель Google Deepmind - подразделения Гугл, которое занимается исследованиями и разработками в сфере ИИ. Несмотря на нашумевший OpenAI со своим ChatGPT, Google Deepmind - это одна из мощнейших лабораторий по ИИ в мире.

Демис Хассабис защитил докторскую диссертацию по когнитивной нейробиологии. В 2024 году он получил нобелевскую премию по химии: за создание модели ИИ AlphaFold, которая решила проблему предсказания трехмерной структуры белков.

Недавно наткнулся на короткое интервью, которое всячески рекомендую к просмотру.
What's next for AI at DeepMind, Google's artificial intelligence lab

Из интересного:

- Работаете ли вы сегодня над системой, которая обладала бы самосознанием?
- Я не думаю, что какая-либо из современных систем, обладает самосознанием или, знаете ли, осознанностью в каком-либо смысле. Очевидно, что каждый должен принимать свои собственные решения, взаимодействуя с этими чат-ботами. Но я думаю, что теоретически это возможно.
- Но является ли самосознание вашей целью?
- Не явно, но это может происходить неявно (Not explicitly but it may happen implicitly). Эти системы могут обрести некоторое чувство самосознания. Это возможно. Я думаю, что для этих систем важно понимать себя и других, и это, вероятно, начало чего-то вроде самосознания.

Также он говорит, что если машина обретет самосознание, мы можем этого просто не заметить.

- Я думаю, есть две причины, по которым мы считаем друг друга разумными. Первая заключается в том, что вы демонстрируете поведение сознательного существа, очень похожее на мое поведение. Но, во-вторых, вы работаете на одной и той же "подложке". Мы с нашими мягкими мозгами сделаны из одного и того же углеродного материала.
- Теперь, когда речь идет о машинах, очевидно, что они работают на кремнии. Таким образом, даже если они демонстрируют одинаковое поведение и даже если они говорят одни и те же вещи, это не обязательно означает, что у нас будет такое же ощущение осознанности, как и у них.

И последнее, про воображение и способность мыслить вне заданных границ.

- У них нет любопытства, и им, вероятно, немного не хватает того, что мы бы назвали воображением и интуицией. Думаю, что в ближайшие 5–10 лет у нас появятся системы, способные не только решать важные научные задачи или доказывать гипотезы, но и самостоятельно их формулировать.

Ну и чтобы 2 раза не вставать, можно также посмотреть
The Thinking Game
Вышедшая недавно полнометражная документалка “The Thinking Game”, которая уже набрала более 230 млн просмотров. Съемки фильма заняли пять лет. Режиссер ставил задачу показать изнутри жизнь топовой ИИ-лаборатории Google DeepMind, разрабатывающей ИИ для научных задач и решения глобальных проблем. И мечтающей достичь AGI.

PS. Напомню, что Яндекс-браузер ловко дублирует любые видео, если в оригинале тяжеловато.