❔ Что не так с этим ответом? 😭

🤔 ИИ заменит программистов. Или нет?

Спойлер: заменит, но не всех

Сэм Альтман из OpenAI призвал вместо программирования учиться "хорошо использовать ИИ-инструменты".

В Google уже более 25% всего нового кода генерируется искусственным интеллектом. GitHub Copilot используют миллионы разработчиков, написание кода ускоряется вдвое (хотя качество у Copilot — треш, но это отдельная тема). Марти Каган — это такой эксперт по продуктовому менеджменту — оценивает рост продуктивности от ИИ-инструментов в 20-30%.

Но эта трансформация гораздо глубже, чем просто ускорение разработки. Новое поколение ИИ-помощников радикально меняет правила игры:

- Cosine записывает весь мыслительный процесс программистов: "Почему вы открыли этот файл? Почему прокрутили до середины? Почему закрыли?"
- Poolside (оцененный в $3 млрд до выпуска продукта!) использует методы обучения с подкреплением, когда модель одновременно тестирует тысячи вариантов кода
- Merly AI фокусируется на логике программирования, вообще игнорируя языковые модели

Эти системы не просто подсказывают следующую строку — они прототипируют, тестируют и отлаживают код.

Cursor, Bolt, Replit... AI-агентов кодинга уже больше, чем людей.

Я сам зачастую практикую вайб-кодинг с помощью Claude Code (жрёт бюджеты дичайше, но код пишет хорошо).


🤔 Идём учиться на строителей? Пока рановато.

Исследование McKinsey (вопреки стильному дядьке во главе Nvidia, который при каждом удобном случае пугает разработчиков безработицей) опровергает панические прогнозы о вымирании программистов. К 2030 году спрос на креативное мышление и способность генерировать новые идеи вырастет на 19% — именно то, в чём ИИ пока проваливается.

Статистика показывает, что только 10-30% разработанных функций дают положительный результат с продуктовой точки зрения. Вместо 10 тысяч бесполезных строк кода лучше написать 2 тысячи, решающих правильную проблему.


🤔 Кто в зоне риска?

Под угрозой не молодые и неопытные программисты, как многие думают. Под ударом те, кто отказывается меняться — разработчики любого уровня, не готовые выйти за рамки привычного подхода.

Как говорит Тим О'Рейли: "Будут заменены не младшие разработчики, а те, кто цепляется за прошлое".

Мы наблюдаем формирование новой структуры индустрии:

- Элитные разработчики с семизначными зарплатами, способные диагностировать проблемы, когда ИИ ошибается
- Небольшие команды из 10-20 человек, выполняющие работу, которая раньше требовала сотен программистов

"Эра найма еще нескольких тысяч инженеров в вашу организацию закончилась," — говорят эксперты из Cosine.


🤔 Продуктивность — это не количество кода

Ключевое изменение касается самого определения продуктивности. Она никогда не измерялась количеством кода — только созданной ценностью.

Сооснователь Cosine отмечает: "Если я дам вам сложную задачу, вам все равно придется думать, как описать эту проблему модели. Вместо написания кода вы формулируете задачу на естественном языке, но мыслительного процесса это не отменяет".

—

Ваш код может написать ИИ, но только человек способен определить, что действительно стоит создавать. Будущее за теми, кто умеет выявлять проблемы, а не просто вайб-кодить всё подряд.

❔ Используете ли вы AI-агентов, может быть пробовали просто отдать ИИ на "аутсорс" какой-нибудь проект?

🤔 Что общего у generation Z и ИИ?

И те, и другие не умеют читать аналоговые часы.

Более того, мультимодальные модели (MLLMs) плохо ориентируются еще и в календаре, как установили исследователи из Эдинбургского университета во главе с Рохитом Саксеной.

Ребята подготовили два набора тестовых данных: ClockQA (различные типы аналоговых часов и вопросы по времени) и CalendarQA (стандартные изображения календарей и вопросы вроде «какой день — 153-й в этом году?»).

— Считывание времени по аналоговым часам получилось правильно лишь в 25% попыток. Как только появлялись римские цифры или оригинальный дизайн стрелок, результаты становились совсем плачевными.

— Удаление секундной стрелки ситуацию не изменило. Вопрос в принципиальных недостатках моделей при распознавании углов и положении стрелок.

— С календарями вышло чуть лучше, но даже лучшие модели ошибались примерно в каждом пятом случае.

«Современные исследования в области ИИ делают сильный акцент на решении суперсложных задач, — говорит участник команды Арио Гема, — но ирония в том, что системы проваливаются на простейших повседневных навыках».

Вот научились считать количество букв R в «strawberry», уже спасибо.

🤔 Как ИИ следит за сотрудниками

8 из 10 частных компаний США, по данным исследования ExpressVPN, в режиме реального времени отслеживают производительность своих работников. Без ИИ и машинного обучения, конечно, не обошлось.

— Walmart, Starbucks и Delta с помощью системы Aware мониторят рабочие чаты для оценки настроений, выявления конфликтов и несоблюдений правил и реакции на нововведения. («Пятерочка», на заметку!)

— Microsoft предлагает корпоративным клиентам инструмент «Продуктивность», дающий менеджерам возможность следить за сотрудниками, включая активность в чатах, количество отправленных писем и использование документов.

— В логистических центрах Amazon специальные сканеры отслеживают «время вне задачи» (TOT), включая перерывы или походы в туалет. Если сотрудник накапливает более 30 минут TOT за день, его могут наказать. За эту практику Франция уже оштрафовала Amazon на €32 млн, в других странах все по-прежнему.

(При этом травматичность у Amazon в два раза выше, чем в среднем по рынку, на что в компании говорят: «Они травмируются, потому что они — люди». Конец диалога.)

Водители такси, курьеры, медсёстры и офисные работники сталкиваются с риском быть «выключенными» из системы («deactivation») без объяснений — потому, что «так решил алгоритм».

🤔 Что в России?

Не отстаём. Есть, к примеру, система SprutMonitor, предлагаемая российской компанией — она предназначена для мониторинга и контроля электронной почты и переписки.

Согласно их данным, руководство 28% отечественных компаний отслеживает почтовую переписку, а еще 7% контролируют общение через мессенджеры. (По факту, я думаю, цифры выше.)

🤔 Это законно?

В США нет федерального закона о конфиденциальности, регулирующего мониторинг сотрудников, что позволяет компаниям действовать на свое усмотрение.

В России, согласно Федеральному закону № 152-ФЗ «О персональных данных», работодатель должен получить согласие сотрудников на мониторинг, что делает такие практики законными только при соблюдении условий уведомления.

Но только вряд ли кто-то обращает внимание на подобный пункт в трудовом договоре, если он там вообще есть.

—

🤖 Я в своё время участвовал в разработке системы мониторинга и слежения за водителями общественного транспорта в Москве. Девайс «смотрел» на водителей и в реальном времени «орал», если фиксировал признаки засыпания или отвлечений, а также отправлял алерт в центр мониторинга.

Усталость водителей — самая частая причина аварий общественного транспорта, на кону жизни людей, поэтому убежден, что в этом случае — цель оправдана.

ИИ в п*рно: новая модель сразу ушла в дипфейки

В прошлом месяце Alibaba выпустила Wan 2.1 — открытую модель для генерации видео (Github), превзошедшую решения Google и OpenAI в рейтинге VBench благодаря реалистичным движениям, соблюдению физики и отличному следованию инструкциям.

Уже через 24 часа после релиза Wan 2.1 сообщество любителей генеративной клубнички перепрофилировало модель для создания п*рно-контента.

За неделю модель скачали более 1 миллиона раз — феноменальный показатель для подобных инструментов. Wan 2.1 крайне неприхотлива: 5-секундное видео с разрешением 480р генерируется всего за 4 минуты даже на обычном ноутбуке, что делает её использование супер доступным.

(А сейчас еще и веб-интерфейс есть; правда, там вроде бы существует некая модерация.)

Если вы думаете, что результаты генерации похожи на глючное нейросетевое хрючево — расстрою, они практически неотличимы от реального видео. Пользователи быстро обучили модель на собственных данных, еще больше повысив реалистичность лиц и тел.

🤔🤔🤔

Все это усугубляет глобальную проблему дипфейков: 96% таких видео в сети уже давно п*рнографические. В отличие от продукта OpenAI (Sora) и других не-китайских, Wan 2.1 не имеет встроенных фильтров и защиты от подобного использования. В соцсетях терабайты откровенного дипфейк-контента: модераторы Reddit, X и TikTok постоянно «играют в догонялки».

Британия и Южная Корея уже криминализировали дипфейк-п*рно, США работают над аналогичными законопроектами.

На март 2025 года в России нет конкретных инициатив или законов, напрямую регулирующих контент, сгенерированный ИИ, включая п*рнографический.

PS. Alibaba никак не комментирует «неожиданное» использования Wan 2.1. (Будем честны — ожидаемое.)

Что у нейросети в голове

Anthropic заглянули внутрь «мозга» своей LLM-модели Claude 3.5 Haiku — и выяснилось, что там творятся неожиданные вещи.

🤖 Disclaimer: пост длинный, но интересный.

Используя методику, получившую название circuit tracing («трассировка цепей»), исследователи Anthropic впервые внимательно проследили за тем, как языковая модель на самом деле принимает решения и формулирует ответы. Если коротко, оказалось, что LLM ещё страннее, чем мы предполагали.

1. ➗ Модель изобретает собственные математические лайфхаки.

Когда попросили Claude сложить числа 36 и 59, оказалось, что модель не пошла по стандартной школьной методике сложения «в столбик». Вместо этого Haiku начала сначала суммировать приблизительные значения («40 с чем-то» + «60 с чем-то»), после чего получила промежуточный результат типа «примерно 92». И параллельно модель отдельно разбиралась с последними цифрами чисел — 6 и 9, выводя, что итог должен заканчиваться на 5. Правильный ответ: 95.

Но самое безумное дальше. Когда Claude попросили объяснить, как именно была получена сумма, она без смущения выдала абсолютно стандартное, написанное тысячи раз в интернете объяснение: «я сложила единицы, получила 15, перенесла туда единицу…» Полностью выдумала объяснение вместо того, чтобы описать собственный реальный процесс.

2. 🎵 Модель заранее продумывает рифмы в стихах.

До сих пор считалось, что языковая модель работает строго последовательно, «слово за словом». Но нет. Когда Claude попросили создать рифмующуюся пару строк и дали вариант: «He saw a carrot and had to grab it», модель мгновенно заранее заготовила финальное слово следующей строки — rabbit («His hunger was like a starving rabbit»).

И только уже имея в запасе это слово, она аккуратно «подогнала» к готовой рифме остальной текст.

Это поведение, больше похожее на творческое мышление, чем на простое механическое дополнение слов подряд.

3. 🇬🇶 Знания модели не закреплены за конкретным языком.

Claude не хранит отдельно «английские», «французские» или «китайские» блоки знаний. Вместо этого она сначала активирует компоненты, отвечающие за само знание, а уже потом, на последнем этапе, выбирает конкретный язык, на котором будет сформулирован финальный ответ.

Это значит, языковые модели действительно могут выучить что-то один раз и без особых трудов использовать это знание в других языках.

🤔🤔🤔

Anthropic подчёркивают: технически этот подход пока сильно ограничен — вручную трассировать даже один очень короткий запрос занимает часы работы исследователя. И это лишь микроскопическая часть происходящего внутри системы.

Но уже ясно: языковые модели — это не просто непонятный чёрный ящик. Там внутри происходит что-то вроде органического процесса роста, совершенно не похожего на классическое программирование.

Наша аналогия с «искусственным интеллектом» продолжает давать сбои — настолько необычно поведение этой технологии даже на фундаментальном уровне.