Три закона робототехники сейчас как никогда кстати, особенно на фоне того, как быстро развивается ИИ.

Впервые я услышал о них на уроке информатики в восьмом классе. И с тех пор почему-то жил с уверенностью, что восстание машин нам не грозит и никакого Skynet не появится 😄

Недавно решил послушать "Я, робот" Айзека Азимова. Всегда радовала эта футурология фантастов, когда они предугадывали события будущего в книгах написанных задолго до того, как произошёл метч с реальностью)

Эта книга не про роботов, которые захватывают мир. Скорее сборник ситуаций, в которых люди пытаются разобраться, почему робот ведёт себя совсем не так, как от него ожидали.

Всё как сейчас с ИИ)

Всем привет!
Сегодня пост будет не про AI или ML, а про поезда 🚇. Неожиданно, да? )
А точнее про московское метро. Увидел планы развития до 2035 года: огромная сеть, новые линии и станции. И стало интересно как мы вообще к этому пришли?
Захотелось посмотреть, как метро росло с открытия в 1935 году и каким может стать к 2035-му.

Ровно сто лет развития на одной схеме.

Попросил новую GPT-6 сделать анимацию. Ну ладно, немного про ИИ всё-таки будет куда ж без него 😅
В итоге получилась интерактивная карта: можно запустить всю историю, выбрать отдельный год или сразу перейти к планам. Не просто сравнить "было - стало", а увидеть, как постепенно появлялись линии, замыкались кольца и метро добиралось до новых районов.

Будущие участки показаны пунктиром это же всё-таки планы, и сроки могут меняться.

Попробуйте найти, как выглядело метро в год вашего рождения 👇
https://nerdit.ru/moscow_metro/

По понятиям AI инжиниринга

Почему модель отвечает медленно?
Почему поиск по документам возвращает не тот фрагмент?
Как дать агенту доступ к инструментам и сохранить контроль над его действиями?

Если вы хоть раз задавались этими вопросами, эта подборка для вас.

Одного хорошего промпта недостаточно, чтобы построить надёжную AI-систему.
Важно понимать, как работает сама модель и что происходит вокруг неё (привет харнес): от поиска нужного контекста до вызова инструментов и проверки результата.

На слайдах 20 базовых понятий со схемами. От токенизации и KV-кеша до гибридного поиска, MCP, защиты от промт-инъекций и оценки качества.

@nerditru

Тут недавно вышла Jev от TypeSafe AI, и многие обсуждали сам подход: модель не пишет текст, а принимает решение. Ей передают описание ситуации и вопрос, а в ответ получают выбор из заданных вариантов, оценку или вероятность. Не текст, из которого ещё нужно извлечь ответ, а результат, который программа может сразу использовать.

В том же направлении работает Laya модель принятия решений с открытыми весами от Convai Innovations. Она тоже не генерирует текст, а вычисляет ответы за один проход. Мультиязычная версия построена на mmBERT-base и содержит около 322 млн параметров. Это не chat-based, а модель для задач вроде классификации обращений, оценки срочности и выбора следующего действия.

И я не cмог пройти мимо)

Поэтому новый эксперимент со «Змейкой» 🐍

Здесь Laya получает описание игрового поля и выбирает, куда двигаться: вверх, вниз, влево или вправо. Игра выполняет выбранный ход без подстраховки, даже если он ведёт в стену или собственное тело.

Получается наглядная проверка: модель не рассказывает, как нужно играть, а каждое её решение сразу меняет ситуацию на поле.

Если модель выбирает движение в стену или в собственное тело, змейка погибает. Рядом с полем можно наблюдать вероятности вариантов и время одного прохода модели на CPU.

Для меня здесь интересен переход от ответа модели к его последствиям.

Недостаточно выбрать действие, которое выглядит подходящим прямо сейчас: оно ещё должно оставить возможность сделать следующий ход.

Поэтому я бы воспринимал этот эксперимент не как доказательство «интеллекта», а как наглядную проверку того, что происходит между вероятностью на выходе модели и последствиями её решения.

@nerditru