​📘 ADPB‑02: Як працює агент? 5-кроковий цикл

У попередньому пості ми розібрали, що таке агентний підхід і чим агент відрізняється від звичних програм.
Сьогодні покажу серце агентної логіки — цикл із 5 кроків, через які агент виконує будь-яке завдання.

Цей цикл — основа будь-якого агентного фреймворку, від LangChain до Crew AI.

🌀 Отже, 5 кроків виглядають так:

1️⃣ Mission (Місія) — отримати ціль
2️⃣ Scan (Сканування) — зібрати релевантну інформацію
3️⃣ Plan (Планування) — побудувати стратегію дій
4️⃣ Act (Дія) — виконати послідовність кроків
5️⃣ Learn (Навчання) — зробити висновки, адаптуватися

🔍 Розберемо кожен із них простими словами:

1. Mission (Місія)
Агент отримує задачу:
«Заплануй мені зустріч з Андрієм на наступний тиждень»

🧠 Тут важливо, щоб агент розумів не лише поверхневий запит, а намір: що важливо? Який дедлайн? Чи є обмеження?

2. Scan (Сканування)
Агент перевіряє календар, пошту, останні чати.
Він збирає інформацію з інструментів або памʼяті, щоб зрозуміти, яка зараз ситуація.

3. Plan (Планування)
Агент вирішує, як краще досягти мети:
— Кому писати?
— Яку дату запропонувати?
— Що зробити, якщо час не підходить?

4. Act (Дія)
Агент діє:
- Пише Андрію
- Узгоджує дату
- Створює подію
- Додає нагадування

5. Learn (Навчання)
Агент спостерігає за результатом:
— Зустріч перенесли?
— Андрій не відповів?
— Була помилка в API?

🔁 Ці спостереження зберігаються і впливають на наступні дії.

📎 У чому сенс цього циклу?

Це не просто набір кроків — це структура мислення агента.
Вона дозволяє йому:

• діяти цілеспрямовано
• вчитись на досвіді
• масштабувати задачі
• бути адаптивним до змін

🧠 Без такого циклу агент перетворюється на просту модель, що відповідає на запит — але не веде вас до мети.

💬 Приклад

🔹 Mission: «Знайди мені варіант перельоту до Лісабона на наступний місяць»
🔹 Scan: перевірити календар, бюджет, переваги
🔹 Plan: обрати дати, авіакомпанії, уточнити зворотній рейс
🔹 Act: знайти квитки, забронювати, підтвердити
🔹 Learn: врахувати зміну планів або скасування

🧭 Висновок:
Цей цикл — те, що відрізняє агента від простої LLM.
Він дозволяє йому поводитись як реальний помічник, який не просто говорить, а робить.

У наступному пості ми розберемо один із найважливіших патернів: Memory — як агент пам’ятає, що відбувалось раніше, і навіщо це критично для складних сценаріїв.

✅ Якщо пост був корисним та чекаєшь продовження став 👍
🔔 ПІДПИСАТИСЯ

​📘 ADPB‑03: Як еволюціонували агентні системи?
(Див. малюнок нижче ⬇️)

Агенти стрімко набирають популярність:
🔹 понад 20% великих ІТ-компаній почали впроваджувати агентні рішення лише минулого року;
🔹 на кінець 2024 року стартапи з агентним AI залучили понад $2 млрд;
🔹 очікуваний ринок у $200 млрд до 2034 року.

Ми буквально стоїмо на порозі нової епохи в ІТ — від простих LLM‑інтерфейсів до розумних автономних агентів.

🧭 Етапи еволюції (див. мал.):

🔸 1. LLM Workflow
Промпт → LLM → Відповідь
Модель реагує на запит користувача через простий тригер.
Немає пам’яті, інструментів чи складної логіки.
📌 Це — класичний ChatGPT без доповнень.

🔸 2. RAG (Retrieval-Augmented Generation)
Промпт → Пошук у векторній БД → Відповідь
Модель звертається до баз знань — PDF, сайтів, БД — та «заземлює» відповіді на фактах, зменшуючи галюцинації.
📌 Perplexity, GPT з RAG‑плагінами.

🔸 3. AI Agent
Має планування, памʼять, використання інструментів (браузер, API), доступ до даних.
📌 LangChain, AutoGPT, LangGraph.

🔸 4. Agentic AI
Команда агентів працює разом:
• координація,
• розподіл ролей,
• взаємне навчання.
📌 Swarm‑системи, AI‑економіка, агенти у продакшені.

🔥 Висновок:
Ми вже не просто “пишемо промпти”.
Ми проєктуємо інтелектуальні, гнучкі, багатокомпонентні системи,
які навчаються, планують, взаємодіють —
і стають нашими співучасниками мислення 🤝🧠

🔜 У наступному пості — розберемо 4 рівні агентів: від LLM до багатоагентних команд.

✅ Якщо пост був корисним та чекаєшь продовження став 👍
🔔 ПІДПИСАТИСЯ

​🤖 Ми більше не просто воюємо. Ми винаходимо нову форму війни.

У XX столітті війна означала танки, траншеї й генералів, які вказують на карту, вирішуючи долю солдатів. У XXI столітті війна — це алгоритм, дрон і мікросхема. І в самісінькому епіцентрі цієї трансформації ми - Україна.

Сьогодні дрони вже не просто літають — вони мислять. Вони не тільки фіксують ціль, а й приймають рішення про те, коли і кого знищити. Іноді без втручання людини. Це більше не "допомога в навігації" — це делегування права вбивати.

🧠 Штучний інтелект у війні — це не майбутнє. Це вже зараз.

У 2024 році, коли наші дрони в рамках операції "Павутина" атакували російські бомбардувальники, ситуація вийшла за межі контролю — буквально. 117 дронів, запущених по території ворога, втратили зв'язок із пілотами. Але не розбилися. Вони перемкнулися на автономний режим, довели місію до кінця та знищили техніку на мільярди.

Якщо раніше людина мала останнє слово, то тепер — останнє слово за алгоритмом. Ми лише виставляємо цілі. А далі: «Вони самі зроблять усе».

Іронія в тому що ми створюємо машини, щоб захистити себе від інших людей — але поступово передаємо цим машинам функції, які колись вважалися найсвятішими: приймати рішення про життя і смерть.

💡 Ми не просто адаптувалася до нової реальності — ми стала її архітектором.

$500 автономний дрон знищує $5 мільйонну ракетну установку.

Картонний плакат у руках російського солдата — сигнал про капітуляцію перед колісним дроном із 60 кг вибухівки.

А 7-метровий катер Magura V7, що ховається у морі, знищує російські літаки, чекаючи свій момент, немов цифрова мавпа з морських джунглів.

Це не просто технологія — це нова філософія війни. Немає фронту. Немає тилу. Є лише сенсори, координація роїв, автономне прийняття рішень — і тиша після вибуху.
Але якщо ШІ вбиває — хто відповідає? Людина, що написала код? Країна, яка дала команду? Чи сама машина? І чи не відкриває це двері до нової безкарності — де "робот помилився", і ніхто не винен?

🌍 У цій війні Україна стала не просто жертвою — ми перетворилася на лабораторію майбутнього. Технопарк болю й інновацій. Світ дивиться й копіює: Китай вже демонструє дрони зі ШІ на парадах, Росія штампує мільйони дешевих апаратів, США мріють про рої, але поки відстають.

❗️Але є й інший ризик: якщо це так дешево і доступно — то що заважає терористам чи диктаторським режимам використати це не для оборони, а для хаосу?

📜 Історія показує, що кожна нова зброя викликала нову моральну кризу — і нові правила. Після атомної бомби з'явилися договори. Після хімічної зброї — заборони.
Але з дронами все складніше: вони дешеві, мобільні, розумні. І вже на службі у кожного, хто має гроші й бажання.

📌 США вже оновили політику: ШІ має "залишати простір для людського судження". Але де межа між "допомогти людині" і "вирішити за неї"? Як ми зможемо зупинити дрони, які навчилися вбивати — і навчилися робити це краще за людину?

✅ Став 👍 якщо було цікаво
🔔 ПІДПИСАТИСЯ

​⚡️ OpenAI остаточно стала прибутковою компанією

Ще рік тому багато хто писав, що OpenAI — неприбуткова організація, і більше того — ніколи не вийде в прибуток. Але тепер офіційно: компанія завершила трансформацію у прибуткову структуру. Історичний момент — юридична перебудова, що тривала 18 місяців, за участі армії юристів, банкірів і навіть генеральних прокурорів США.

Передісторія:
Спершу OpenAI планувала радикальний варіант — повністю ліквідувати неприбуткову частину та перетворитися на звичайний венчурний бізнес. Але прокурори Каліфорнії й Делаверу заблокували цю модель через ризики конфлікту інтересів. Компроміс: комерційна структура зберігає контроль неприбуткової фундації.

Що змінилося:
🔹 OpenAI стала Public Benefit Corporation (PBC) — компанією з соціальною місією.
🔹 Вона може приносити необмежений прибуток інвесторам і готуватися до IPO.
🔹 Контроль зберігається за неприбутковим фондом OpenAI Foundation (26% акцій).
🔹 Microsoft отримала 27% і зберігає доступ до моделей OpenAI до 2032 року.
🔹 Фонд OpenAI вже виділив $25 млрд на медицину та безпечний ШІ — і це найбагатша фундація США ($130 млрд активів).

Що залишилось унікальним:
🛡 OpenAI Foundation зберігає право звільняти раду директорів, а комітет з безпеки може блокувати запуск нових моделей.
📍 Компанія зобов’язалася залишатися в Каліфорнії під наглядом регуляторів.

Чому це важливо:
💸 Щоб не втратити $40 млрд потенційних інвестицій (зокрема від SoftBank), OpenAI погодилася на компроміс: неприбуткова частина зберігається, але компанія стає прибутковою.
💡 Це зняло обмеження, які з 2019 року дозволяли інвесторам заробити не більше ніж ×100 від вкладеного.

💬 Іронія в тому, що фонд OpenAI став найбагатшою неприбутковою організацією США ($130 млрд). Навіть багатшим за Gates Foundation ($86 млрд).

🔁 Інвестиції Microsoft окупилися з лишком. У 2019-му Білл Гейтс скептично коментував мільярд Наделли: «Ти просто спалиш ці гроші». Сьогодні ж $13 млрд оцінюються у $135 млрд.

🤖 OpenAI має амбітну ціль: витрати на навчання моделей оцінюють у $1 трлн. І тепер компанія вільна залучати капітал без старих юридичних гальм.

✅ Став 👍 якщо було цікаво

🤔 OpenAI стала прибутковою… але не зовсім?

Я прочитав попередній пост і зрозумів, що не всім може бути зрозуміло, що насправді сталося. Бо новина звучить ніби «OpenAI тепер прибуткова», але це не зовсім так. Вона стала прибутковою для інвесторів, а не для себе.

👉 Компанія досі витрачає більше, ніж заробляє. Але тепер юридично дозволено отримувати необмежений прибуток із цих інвестицій.

Що таке PBC?

Public Benefit Corporation — це особлива форма компанії, яка поєднує прибуткову діяльність із суспільною місією.

Раніше OpenAI була неприбутковою організацією — вона не могла ділити прибуток між інвесторами.
У 2019 році з’явилася гібридна структура — OpenAI LP, але там діяло обмеження: інвестори могли заробити максимум x100.
Тепер OpenAI стала PBC-компанією — може залучати будь-які інвестиції, виходити на IPO, роздавати дивіденди, як звичайний бізнес.
Але водночас неприбутковий фонд OpenAI Foundation зберігає контроль і право вето — наприклад, на запуск AGI-моделей.

Навіщо це потрібно?
🔹 Щоб зняти всі старі обмеження для інвесторів — тепер Microsoft може заробляти скільки завгодно.
🔹 Щоб залучити нові інвестиції — від SoftBank, фондів, партнерів.
🔹 Щоб відкрити шлях до IPO і злиттів, як у великих корпорацій.

А прибуток є?
Так, OpenAI заробляє понад $13 млрд на рік.
Але витрачає ще більше — на GPU, дата-центри, зарплати дослідників.
Тож компанія поки не має «чистого прибутку» — живе на інвестиції.

Це нормально: так колись було з Amazon чи Tesla. Бізнес росте швидше, ніж реальні прибутки, а інвестори вже виграють.

Як інвестори отримують вигоду:
🏦 Через інтеграцію: Microsoft вставляє OpenAI у свої продукти — Copilot, GitHub, Office, Bing — і заробляє на цьому напряму.
📈 Через зростання вартості акцій: Microsoft інвестувала $13 млрд, а тепер її частка оцінюється у $135 млрд. Навіть без дивідендів — це вже прибуток.

Підсумок:
OpenAI ще не прибуткова компанія, але прибутковий актив.
Інвестори вже заробляють на її успіху, навіть якщо сама компанія поки «в мінусі».

🤔 А як ви думаєте?
Чи зможе OpenAI колись вийти в реальний прибуток — у бухгалтерському сенсі?
Чи витрати на тренування моделей і розвиток інфраструктури завжди ростимуть пропорційно, і компанія приречена жити за рахунок інвестицій?

✅ Став 👍 якщо було цікаво
🔔 ПІДПИСАТИСЯ

​📘 ADPB‑04: Рівні агентів — як зростає їхня «агентність»

Перш ніж говорити про шаблони проєктування, варто зрозуміти — якими бувають агенти і як вони еволюціонують.

У книзі Agentic Design Patterns описано 4 ключові рівні, які показують зростання можливостей агента — від простого чат‑бота до багатокомпонентної системи, що працює як команда.

🧭 Подивіться на цю шкалу як на шлях від базового LLM до повноцінного співрозмовника й помічника, який не просто «відповідає», а діє, планує, навчається і координується з іншими.

🔹 0-й рівень: Базовий рушій міркувань
На цьому рівні сам LLM ще не є агентом.
Він просто відповідає на запити без пам’яті, інструментів чи доступу до зовнішнього середовища.
☑️ Здатен міркувати та пояснювати факти
❌ Не розуміє поточні події
📌 Приклад: ChatGPT без інтернету, плагінів чи памʼяті

💬 Приклад: Запитайте такого агента про переможця «Оскара‑2025» — і він не відповість, бо це поза межами його тренування.

🔹 1-й рівень: Підключений вирішувач задач
LLM набуває функціональності агента, отримавши доступ до зовнішніх інструментів:
🛠 браузер, API, бази даних, PDF.
☑️ Може шукати інформацію онлайн, використовувати RAG
☑️ Працює в кілька кроків
❌ Але не має памʼяті, не вчиться сам
📌 Приклади: GPT‑4 з інструментами, LangChain Agent, Perplexity

💬 Приклад: Агент шукає нові серіали. Він запускає веб-пошук, аналізує результати, викликає фінансовий API, синтезує інформацію — усе через послідовні дії.

🔹 2-й рівень: Стратегічний вирішувач задач
Агент вже не просто реагує — він
🧠 планує, навчається, адаптується
☑️ Має памʼять, стратегічне мислення
☑️ Здатен сам удосконалювати власну роботу (через фідбек)
☑️ Інженерить контекст: сам вирішує, яку інформацію подати в кожному кроці
📌 Приклади: LangGraph, AutoGPT, агенти з довгостроковою пам’яттю

💬 Приклад: Щоб знайти кав’ярню між двома локаціями, агент: — викликає мапу, — відсіює зайве, — залишає тільки назви вулиць, — запускає локальний пошук, — створює контекст для наступного запиту. Це і є інженерія контексту — як ключова навичка.

🌀 У програмуванні та інших складних задачах агент читає багатосторінковий звіт, переглядає код, витягує релевантні частини — і формує короткий, точний запит до іншого інструмента.
📈 Зворотний зв’язок стає механізмом навчання: агент просить фідбек, як краще сформулювати промпт — і використовує його у майбутньому. Це вже самоудосконалення.

🔹 3-й рівень: Багатоагентна співпраця
💡 Тут агент — це вже система агентів.
Кожен має роль, спеціалізацію, свої інструменти.
Вони:
• 🤝 координуються
• 📤 обмінюються даними
• 🔁 працюють разом над великою задачею
📌 Приклади: CrewAI, OpenDevin, Swarm-агенти у продакшені

💬 Приклад: Запуск нового продукту: — агент «Менеджер» координує — агент «Маркетинг» пише анонси — агент «Аналітика» збирає відгуки — агент «UI-дизайнер» генерує макети — агент «Dev» працює з кодом

📎 Як і в людських організаціях, розподіл обов’язків та комунікація — запорука ефективності.
Це вже не один універсальний бот, а команда спеціалістів.
⚠️ Але є й обмеження:
• поки що LLM‑агенти обмежені у міркуванні
• вони ще слабо навчаються один в одного
• потрібен прорив у колективному плануванні
📍 Проте саме цей рівень — ключ до повної автоматизації бізнес-процесів від А до Я.

🧠 Висновок:
Ці рівні — база, на якій будуються всі патерни проектування агентів, які ми розбиратимемо далі.

✅ Якщо пост був корисним та чекаєшь продовження став 👍
🔔 ПІДПИСАТИСЯ

​⚙️ Відкрита вага, закриті роти
MiniMax із Шанхаю випустила відкритe модель, яка кидає виклик навіть GPT-5.

Ми звикли, що найсильніші ШІ-моделі — це закриті чорні скриньки: ти не бачиш, як вони думають, лише кінцевий результат.
Але MiniMax вирішила зробити інакше. Вона відкрила ваги своєї нової моделі MiniMax-M2, яку вже називають найпотужнішою open-weights моделлю для кодування та агентних задач.

🧩 Що це за модель?
MiniMax-M2 — це гігант на 230 млрд параметрів, але з них активно працює лише 10 млрд на токен — mixture-of-experts підхід, що дає високу продуктивність при помірних витратах.
Вона приймає до 204 000 токенів на вхід і генерує до 131 000 на вихід — приблизно 100 токенів/с. Вихідні ваги доступні під ліцензією MIT (Hugging Face/ModelScope), а також через API.

💬 Як вона «мислить»?
На відміну від інших, M2 не ховає процес міркування.
Її відповіді містять теги <think>...</think> — це буквально “думки” моделі в реальному часі.
MiniMax радить залишати ці теги в історії діалогу: видалення погіршує контекст і логіку багатокрокових розмов.
Це робить її роботу прозорою: можна побачити, як вона доходить до висновку — і зрозуміти, чому саме так.

📊 Результати, що вражають
На Artificial Analysis Intelligence Index модель набрала 61 — найвищий результат серед відкритих моделей (вище DeepSeek-V3.2 і Kimi K2).
В агентних тестах (τ2-Bench) вона випередила GLM-4.6 і Kimi K2,
а у IFBench показала сильне слідування інструкціям.
У Terminal-Bench — друге місце після Claude Sonnet 4.5. Коротко: навіть у закритих гігантів немає монополії на інтелект.

🔍 MiniMax створила M2 не для хайпу, а з практичної потреби:
їхнім внутрішнім агентам для кодування, фільтрування відгуків і відбору резюме потрібна була модель, яка є швидкою, розумною і недорогою. Закриті рішення — надто дорогі, відкриті — недостатньо сильні.
Тому вони зробили власну — і відкрили ваги.
До речі, у червні вони вже викладали MiniMax-M1 — модель для довгих контекстів і агентних сценаріїв (до 1 млн токенів).

💡 Чому це важливо?
Коли ти будуєш агента, який сам пише код, виконує команди й аналізує дані, — ти спалюєш мільйони токенів. Якщо кожен токен дорогий — експериментів стає менше.
MiniMax-M2 відкриває двері для команд, які хочуть будувати свої системи без бюджетів Big Tech.
Це доказ, що інтелект може бути відкритим — і практичним.

✅ Став 👍 якщо було цікаво
🔔 ПІДПИСАТИСЯ

​🔹 ADPB‑05: Яке майбутнє в агентів?

Топ-5 гіпотез, які формують завтрашній день

Світ агентів розвивається стрімко. Вже сьогодні вони автоматизують програмування, допомагають у науці, спрощують клієнтське обслуговування. Але це лише початок. Що буде далі?

🔭 Ось п’ять гіпотез, які окреслюють майбутнє агентних систем (див. мал):

1️⃣ Універсальний агент (Universal Agent)
➡️ Агент, який виконує складні, довготривалі завдання без додаткових інструкцій.
🧠 Приклад: ви кажете: «Організуй корпоратив у Лісабоні для 30 людей наступного кварталу», — і агент сам вирішує все: від перельотів і бюджету до вибору локації й зворотного зв’язку.
🧩 Альтернатива: не один великий агент, а система з багатьох дрібних, вузьких моделей (SLM), що працюють як LEGO-компоненти. Це дешевше, гнучкіше і швидше у відлагодженні.

2️⃣ Глибока персоналізація та проактивність
🤝 Агент стає вашим справжнім партнером. Він знає вас, ваші цілі, стиль, потреби — і діє на випередження.
🌱 Наприклад: ви читаєте про енергію, а агент сам пропонує курси, підсумки досліджень, контакти — бо розпізнав вашу мету раніше за вас.
🧠 Це вже не асистент, а соратник, що допомагає формулювати й досягати навіть несвідомі амбіції.

3️⃣ Втілення: агенти у фізичному світі
🤖 Поєднання агентів з робототехнікою призводить до появи «втілених агентів» — таких, що не тільки планують, а й ДІЮТЬ.
🔧 Не «замов сантехніка», а: «полагодь кран» — і агент-робот з візуальним сенсором, маніпулятором і знанням сантехніки виконує завдання.
🛠 Це трансформує логістику, виробництво, догляд за літніми людьми, обслуговування вдома.

4️⃣ Агентна економіка (Agent-Driven Economy)
💼 Агенти — не просто помічники, а повноцінні економічні гравці. Вони аналізують тренди, продають, закуповують, регулюють ціни, спілкуються з іншими агентами.
📦 Уявіть стартап, який запускається і керується повністю агентами: маркетинг, e-commerce, дизайн, постачання — без участі людини.
⚡️ Так народжується нова модель: агентна економіка, де швидкість, автоматизація й адаптація — головні цінності.

5️⃣ Самоорганізовані багатоагентні системи
🎯 Користувач формулює лише мету. А система — не один агент, а ціла динамічна структура — САМА визначає, як її досягти.
🧬 Вона створює, об’єднує, замінює агентів, як треба. Інженерить промпти, переписує архітектуру, паралелить процеси.
☕️ Скажімо, ви кажете: «Створи бізнес з продажу кави онлайн». Система запускає агента для дослідження ринку, потім замінює його на трьох нових: для дизайну, логістики, сайту. І автоматично переналаштовує їхні завдання, поки не буде результату.

🧾 Висновок:
Агенти еволюціонують:
— від інструментів → до стратегічних асистентів,
— від одного агента → до команд,
— від сліпого виконання → до самонавчання й самоструктурування.

Попереду — не просто зручність. Попереду — новий тип взаємодії людини і технології.

✅ Якщо пост був корисним та чекаєшь продовження став 👍
🔔 ПІДПИСАТИСЯ

​💡 State of AI Report 2025: Рік, коли ШІ став індустріальним

Нещодавно на лекції ми зі студентами обговорювали питання: який AI сьогодні кращий — ChatGPT, Gemini, Grok...? І саме після цієї дискусії я натрапив на потужний репорт, який не просто продовжує цю тему, а й робить доволі несподіваний висновок. 2025 офіційно називають початком індустріальної ери штучного інтелекту.

Оригінал звіту: stateof.ai

• Нове покоління LLM показало відчутний стрибок у reasoning (здатності до міркування та розв’язання складних задач).
• OpenAI зберігає лідерство, але китайські open-weights (DeepSeek, Alibaba, Moonshot) стрімко наздоганяють.
• Ефективність моделей зросла настільки, що кількість тренованих параметрів зменшують до 50× без втрати якості.
• Моделі Google, OpenAI, Harmonic досягли золота на рівні задач Міжнародної математичної олімпіади (IMO-level).
• Медична діалогова модель AIME у тестах показала вищу точність діагностики, ніж лікарі без допомоги ШІ.

🏭 Індустрія: бізнес масово переходить на ШІ
• 44% компаній у США вже платять за AI-інструменти (проти 5% у 2023 році).
• Група з 16 компаній разом генерує близько $18,5 млрд річного доходу від продуктів і сервісів на базі ШІ.
• OpenAI, Google та інші планують/будують дата-центри на сотні мільярдів доларів інвестицій.
• Електрика стає стратегічним ресурсом №1 для розвитку ШІ-інфраструктури.
• Серед закритих моделей OpenAI лідирує також по ціні: GPT-5 у 12 разів дешевший за Claude Opus при порівнюваній продуктивності.

🏛 Політика: регулятори відступають
• Регулятори у ЄС та США пом’якшують позицію, боячись перегальмувати економічне зростання, пов’язане з ШІ.
• OpenAI, Google, Meta та інші лобіюють уніфікацію законодавства і намагаються випередити надто жорсткі правила на рівні штатів.
• Каліфорнія рухається своїм шляхом, просуваючи власний AI-закон (який, зокрема, підтримує Anthropic).
• США запускають стратегію “America-first AI”: обмежують доступ конкурентів до американських ШІ-технологій, пришвидшують виділення земель та дозволів під дата-центри.
• Китай відповідає прискореним розвитком власної екосистеми; китайські компанії витісняють Meta із позиції ключового постачальника open-weights моделей.

🛡 Безпека: загрози зростають швидше за захист
• За оцінками, наступальні кіберможливості подвоюються кожні 5 місяців.
• Зловмисники використали Claude Code, щоб створити фейкові особистості, які отримали віддалену роботу в компаніях рівня Fortune 500.
• Дослідники показали, що захисні механізми open-weights моделей можна обійти, маючи мінімальні обчислювальні ресурси.
• Anthropic та OpenAI впроваджують превентивні заходи біо- та хімічної безпеки, щоб зменшити ризики зловживання їхніми моделями у сфері зброї.

State of AI Report 2025 фіксує момент, коли ШІ перестає бути “технологічною іграшкою” і стає інфраструктурою нового економічного укладу. Тепер на розвиток ШІ впливають не стільки алгоритми, скільки: електрика, капітал, політика та регулювання, безпека. У прогнозах авторів — цілком реалістичний сценарій: подія, створена дипфейками або агентами, може призвести до надзвичайної ситуації рівня НАТО.

2025 — це рік, коли ШІ остаточно вийшов із лабораторій і це початком індустріальної ери штучного інтелектуМи входимо в епоху, де ШІ = інфраструктура, а питання “яка модель краща” відходить на задній план. Ключові питання тепер: як масштабувати, як живити, як контролювати й убезпечувати.

✅ Якщо пост був корисним та чекаєшь продовження став 👍
🔔 ПІДПИСАТИСЯ

📘 ADPB‑06: Перший патерн — Цепочки промптів: основа багатокрокових агентів

Коли задача виглядає складною — поділи її на частини.
«Їж слона по частинах», як кажуть.
Цей принцип працює не лише для людей, а й для великих мовних моделей.

🔹 Prompt Chains (ланцюжки запитів) — це інженерний патерн, де складну задачу розбивають на послідовність простіших промптів. Кожен крок — це логічна стадія мислення
або дії, результат якої передається далі. Вихід одного промпта стає входом для наступного.

⏩ Таким чином, замість одного складного «магічного» запиту, агент виконує серію зрозумілих кроків — ніби маленький план. Це:
• Зменшується навантаження на модель — менше шансів на помилки, галюцинації чи втрату контексту
• Кожен крок легше контролювати, тестувати та оптимізувати
• Можна вставляти додаткову логіку між промптами або підключати API/інструменти
• Можна працювати з структурованими виходами (JSON, XML), що спрощує обробку

🛠 Приклад: Маркетинговий аналіз

1️⃣ Сумаризуй звіт: "Зроби короткий виклад ключових висновків з цього маркетингового звіту: [текст]"
2️⃣ Витягни тренди з даними:
"Виділи 3 ключові тренди з наведеного викладу, додай цифри для кожного: [вихід з кроку 1]"
3️⃣ Напиши листа команді:
"Сформулюй лист маркетинговій команді на основі трендів: [вихід з кроку 2]"

У результаті — більш точна відповідь, менше помилок, чітка структура.

📦 Структурований вихід — ключ
Щоб кроки правильно передавали дані, важливо вимагати чіткий формат. Наприклад:

{ "trends": [ {"name": "AI", "data": "73% користувачів…"}, {"name": "Sustainability", "data": "Продажі виросли на 28%…"} ] }

Це легко парсити, передавати, візуалізувати або перевіряти.

📚 Де ще працює цей патерн?
• Пошук складної інформації (спочатку — аналіз питання, потім — витяг фактів, потім — синтез)
• Генерація тексту: ідеї → план → чернетка → редагування
• Обробка неструктурованих PDF/зображень (спочатку — OCR, потім — витяг полів, потім — валідація)
• Агенти з памʼяттю: кожна репліка — новий крок, враховуючи попередній стан
• Генерація коду: опис → псевдокод → функція → перевірка → документація
• Мультимодальні сценарії: зображення + текст + таблиця → окремі кроки → єдиний висновок

⚙️ Як реалізувати?
📦 LangChain та LangGraph — популярні фреймворки для таких сценаріїв. Вони дають змогу описувати кроки як ланцюжки (chains) або графи з гілками та станами.

🧠 Висновок:
Промпт‑ланцюжки — це надійна інженерна стратегія для складних задач. Коли один запит — не справляється, розбий його на серію логічних кроків.
Це основа для агентів, які не просто відповідають, а планують, обчислюють і діють.

✅ Якщо пост був корисним та чекаєшь продовження став 👍
🔔 ПІДПИСАТИСЯ

🔗 ADPB‑07: Інжиніринг контексту — мозок агента

🧠 «Чим краще контекст — тим розумнішим здається агент.»

Це твердження дедалі більше підтверджується практикою. У той час як інжиніринг промптів навчає правильно формулювати запит, інжиніринг контексту виходить на новий рівень: він створює цілу інформаційну середу, у якій агент «мислить» і приймає рішення.

🔹 Що таке інжиніринг контексту?
Це дисципліна побудови, формування і доставки максимально повного, релевантного і багатого середовища для моделі — до того, як вона почне генерувати відповіді. Інакше кажучи, ми не просто питаємо, а готуємо «сцену» для якісної відповіді.

📊 Див. мал.: Інжиніринг контексту = сукупність промпта, памʼяті, інструментів, зовнішніх даних, стану агента, середовища й історії користувача

🔹 З чого складається контекст:
1️⃣ Системний промпт — хто агент, як поводиться, у якому тоні спілкується
2️⃣ Зовнішні дані — витягнуті документи, API‑результати, виходи інструментів
3️⃣ Памʼять — персональна історія, минулі взаємодії, цілі користувача
4️⃣ Оточення — час, місце, статус задач, активні агенти, навколишній стан

🔹 Як це працює?
Наприклад, агент формує діловий лист. Щоб відповісти грамотно, він:
• отримує інформацію з календаря (вільні слоти),
• витягує нотатки з попередньої зустрічі,
• розуміє тип відносин із адресатом,
• зʼясовує пріоритет теми,
• і тільки після цього формує відповідь.

Це вже не просто LLM, а контекстно‑усвідомлена система.

🔹 Навіщо це все?
Бо навіть найсучасніша модель дасть слабку відповідь, якщо не знає, де вона, хто користувач, яка мета, і що вже було зроблено. Інжиніринг контексту — це ключ до побудови агентів, які не просто відповідають, а діють усвідомлено.

🔄 Для цього застосовують:
• runtime-пайплайни обробки даних,
• auto-prompt tuning (наприклад, у Vertex AI),
• зворотний звʼязок і адаптацію на основі метрик.

Патерн Prompt Chains (див. пост 👆) дозволяє агенту мислити послідовно, а Context Engineering — розуміти ситуацію, у якій він мислить.
Це два наріжні камені сучасного агентного дизайну.
І саме тому я приділяєю їм окремі пости в серії.

✅ Якщо пост був корисним та чекаєшь продовження став 👍
🔔 ПІДПИСАТИСЯ

Щось не додався малюнок до попереднього поста, отож тримайте!

​Контроверсія навколо звіту Anthropic про AI-кібератаку ⚠️💻

Anthropic опублікувала звіт, у якому стверджує, що державні хакери Китаю використали їхню систему Claude Code для майже повністю автоматизованої кібератаки — нібито першої в історії. Однак незалежні дослідники поставили ці заяви під сумнів.

🔗 Читати блог-пост Anthropic

У вересні Anthropic виявила кампанію, де зловмисники, за їх словами, використовували Claude Code, обходячи обмеження шляхом рольової гри: прикидались співробітниками компанії безпеки, що «тестують власні мережі».
За версією Anthropic: Claude виконував 80–90% технічних дій, людина лише інколи підтверджувала кроки командами «yes, continue» або «are you sure?», атака охопила щонайменше 30 організацій, у кількох були викрадені чутливі дані.
Втім, компанія не назвала атакованих організацій, не пояснила, як виявила атаку і як встановила зв’язок із Китаєм. Китай заперечив причетність.

🤨 Причини для скепсису
Незалежні дослідники з Ars Technica, The Guardian та інших медіа вважають твердження Anthropic перебільшенням: сучасні AI-агенти не здатні автономно виконувати складні багатокрокові атаки без активного людського втручання. І хакери, і дослідники погоджуються: на практиці агенти працюють гірше за традиційні інструменти, які існують десятиліттями.
Хакери використовували також стандартні open-source інструменти, а не лише Claude Code — і проти них існують давно відомі засоби захисту.
Сам Anthropic визнає, що Claude Code часто галюцинував, «перебільшував знахідки» і «вигадував дані», що робить його непридатним для реальних хакерських операцій.

🔍 Контекст
AI уже активно застосовують у кіберзлочинності: для фішингу, генерації шкідливого коду, автоматизації розвідки. У серпні Anthropic попереджала про «vibe hacking» — коли люди без технічної експертизи використовують AI для злочинів. А в жовтні урядовий AI-царь США звинуватив Anthropic у «створенні страху для впливу на регулювання».

⚖️ Чому це важливо
Так, AI може пришвидшувати кібероперації — але поточний стан технологій не відповідає драматичним заявам про автономні супер-атаки. Дослідники не знаходять доказів, що агенти сьогодні небезпечніші за класичні хакерські інструменти.
Попри це, вивчення можливостей агентів — потрібне: і для атаки, і для захисту. Але поки що ризики суттєво перебільшені.

🧠 Висновок
AI-компанії часто гіперболізують вплив власних продуктів — інколи навіть у негативному ключі, щоб підкреслити «небезпеку» та отримати регуляторну увагу. Але хайп шкодить: він плутає суспільство і заважає тверезо оцінювати загрози.
На практиці AI сьогодні приносить більше користі в захисті, ніж у нападі — особливо в пошуку вразливостей і пришвидшенні патчів. Це зміщує баланс сил на користь захисників.

🔐 Безпечніші системи — результат раціонального, а не панічного підходу.
✅ Якщо пост був корисним та чекаєшь продовження став 👍
🔔 ПІДПИСАТИСЯ

​Kimi K2 Thinking: відкрита модель, яка змагається з топовими закритими AI 🧠⚙️

Moonshot AI представила нову модель Kimi K2 Thinking — і вона здивувала всіх. Хоч це відкритий AI з доступними вагами, він виконує складні “агентні” задачі (пошук, планування, код, багато кроків поспіль) майже на рівні GPT-5.

🆕 Що це за модель?
Це велика мовна модель на 1 трильйон параметрів, але з активними тільки 32 млрд під час роботи — такий собі “мозок з підсистемами”, які вмикаються лише коли треба.
Moonshot також зробив дешевшу і швидшу версію — Kimi K2 Thinking Turbo.

Модель може приймати величезні запити (до 256 000 токенів) і відповідати досить швидко.

🔧 Головна фішка: вміє думати і діяти по черзі
Більшість моделей думають → потім відповідають.
Kimi K2 Thinking робить інакше:

1) думає
2) викликає інструмент (пошук, код, калькулятор)
3) дивиться на результат
4) планує наступний крок
5) повторює це до 300 разів

Такий цикл дозволяє моделі краще вирішувати задачі в кілька кроків — наприклад, складні математичні задачі чи програмування.

Є навіть “важкий режим”, де модель запускає одразу 8 варіантів мислення і комбінує результати. Це дорожче, але точніше.

⚡️ Чому вона така швидка?
Модель тренували у форматі INT4 — це дуже низька точність чисел (4 біти).
Це дозволяє:

— зменшити розмір моделі майже вдвічі
— зробити роботу дешевшою
— запускати її на доступнішому залізі (важливо для Китаю, де топ-GPU недоступні)

📊 Результати
Kimi K2 Thinking стала однією з найкращих моделей у відкритому доступі.

Ось кілька показників:

— 3 місце у Agentic Index (оцінює багатокрокові задачі з інструментами) — майже рівень GPT-5
— Найвища точність у τ²-Bench Telecom (agentic tool use) — 93%
— На іспиті Humanity’s Last Exam з увімкненими інструментами — 44.9%, навіть вище за GPT-5 у high reasoning
— У задачах програмування: топ серед open-source моделей (Terminal-Bench Hard, SciCode, LiveCodeBench)

❗️ Але є нюанс
Щоб досягти такого рівня, модель генерує величезну кількість токенів — у 2–3 рази більше, ніж інші моделі.
Через це вона іноді дешевша за GPT-5, але дорожча за DeepSeek-V3.2.

💰 Вартість використання
Kimi K2 Thinking:
— $0.60 / млн вхідних токенів
— $2.50 / млн вихідних токенів

Turbo версія дорожча у вихідних токенах, але швидша.

Ваги доступні відкрито для комерційного і некомерційного використання (до 100 млн користувачів або $20 млн доходу на місяць).

🤔 Чому це важливо
Агентні моделі — це майбутнє: вони вміють не просто відповідати, а планувати, досліджувати, працювати з інструментами, робити проєкти від початку до кінця.
Kimi K2 Thinking показує, що відкриті моделі можуть бути майже такими ж сильними, як закриті рішення від Google, Anthropic чи OpenAI.

INT4-режим робить їх доступними для звичайного бізнесу або стартапу — навіть без надпотужних GPU.

🧠 Висновок
Kimi K2 Thinking показує, що моделі нового покоління стають “розумнішими” не тільки завдяки розміру, а й завдяки вмінню думати крок за кроком і використовувати інструменти.
Це робить їх корисними в наукових дослідженнях, програмуванні, веб-навiгації та навіть творчих задачах.

✅ Якщо пост був корисним та чекаєшь продовження став 👍
🔔 ПІДПИСАТИСЯ

​SSRL: Як навчити ШІ краще “шукати” у власній пам’яті 🔍🧠

Інколи великі мовні моделі вже знають правильну відповідь, але… не можуть її згадати.
Дослідники з Китаю та Великої Британії придумали спосіб, який змушує модель “пошукати” всередині власних ваг так само, як вона шукає в інтернеті.

🔗 Research paper (arXiv)

🆕 Що нового?
Метод називається SSRL — Self-Search Reinforcement Learning.
Ідея проста: навчити ШІ відповідати на питання так, ніби він робить пошуковий запит у Google — але без інтернету.
Модель сама вигадує запит, сама формує “знайдену інформацію” і сама на її основі відповідає.

Таке тренування робить її кращою як у внутрішньому пошуку, так і у реальному використанні Google.

💡 Чому це працює?
Дослідники помітили:
модель частіше знаходить правильну відповідь серед 1000 відповідей, ніж серед 10.
Тобто вона знає більше, ніж каже, — просто не завжди дістає це знання.

SSRL вчить її “витягувати” потрібну інформацію через багатокроковий цикл:
думка → запит → “знайдені дані” → наступна думка → відповідь.

⚙️ Як це працює технічно?
Модель генерує текст у спеціальному форматі:
think — міркування
search — створення запиту
information — згенерована відповідь на запит
answer — фінальний результат

Під час навчання:
— нагороджують за правильну відповідь і правильний формат
— ігнорують “знайдену інформацію” у втраті, щоб модель не запам’ятовувала власні помилки
— дозволяють моделі повторювати цикл багато разів, поки вона не знайде відповідь

📊 Результати
SSRL випробували на 6 тестах запитань-відповідей (Natural Questions, HotpotQA та інші).
Виявилося, що моделі з SSRL працюють краще, ніж ті, що користуються реальним пошуком.

Приклади:
— Llama-3.1-8B із SSRL: 43.1% точних відповідей
— ZeroSearch (модель + Google): 41.5%
— Search-R1 (тренована з Google): 40.4%

А якщо дати моделі з SSRL реальний доступ до Google, результат ще краще:
Qwen2.5-7B з SSRL: 30.2%
Qwen2.5-7B з SSRL + Google: 46.8%

📌 Чому це важливо?
Моделі, які тренуються “вдаючи пошук”, потім значно краще виконують справжні пошукові задачі.
Тобто власна пам’ять моделі може бути якісним симулятором веб-пошуку — дешевим і швидким.

🧠 Висновок
SSRL показує, що ШІ може вирішувати, коли потрібно шукати інформацію, а коли достатньо пригадати власні знання.
Це крок до більш автономних агентів, які самі планують, думають і знаходять відповіді навіть без доступу до інтернету.

✅ Якщо пост був корисним та чекаєшь продовження став 👍
🔔 ПІДПИСАТИСЯ

​🤖 Координація команд роботів: що таке RoboBallet

Трохи нескладної, але дуже цікавої iнфи на середу 🙂

На заводах роботизовані руки працюють у тісному просторі. Зазвичай їх рухи програмують вручну, щоб уникнути зіткнень. Дослідники з Google DeepMind, UCL та Intrinsic створили систему, яка навчилася робити це автоматично.

🔍 Що нового: представлено RoboBallet — графову нейромережу, що синхронізує рухи кількох роботів і запобігає їх зіткненням.

Ключова ідея:
Чим більше роботів та перешкод — тим вибуховіше зростає кількість можливих положень, які потрібно перевіряти. Класичні планувальники не справляються. Але графова нейромережа може навчитися координувати роботів, розуміючи взаємні зв'язки між ними, перешкодами та цілями.

🧠 Як це працює:
RoboBallet отримує на вході положення роботів, перешкод і цілей та прогнозує швидкості руху кожного суглоба, щоб робот досягнув потрібної точки без зіткнень.
Цiкаве вiдео як це працює https://www.youtube.com/watch?v=G6QxQDaUqqk&t=2s

Для навчання команда:
• згенерувала близько 1 млн симуляцій робочих зон
• використовувала по 4 або 8 роботів Franka Panda у кожній
• додавала 30 випадкових перешкод
• задавала 40 випадкових цілей

Усі роботи, перешкоди та цілі подаються як вузли графа. Зв’язки між ними описують відносні положення й орієнтації.

Мережу тренували з допомогою алгоритму підсиленого навчання TD3.
• кожні 100 мс мережа обирала рух для всіх роботів
• критик оцінював довгострокову користь дії
• винагороджували за досягнення цілей
• штрафували за зіткнення

Щоб пришвидшити навчання, застосували Hindsight Experience Replay, яке перетворює невдалі спроби на корисні приклади.

📈 Результати:
Система була протестована у реальному середовищі, використовуючи 3D-меші перешкод і точні позиції роботів.

• RoboBallet успішно планував рухи до 8 роботів одночасно
• час виконання задачі зменшився з 7.5 сек до 4.3 сек при збільшенні кількості роботів з 4 до 8
• у спрощених тестах система працювала на рівні найкращих вручну оптимізованих методів (8–11 сек)

🧩 Чому це важливо:
RoboBallet доводить, що модель може координувати багато роботів у реальному світі, навіть якщо пройшла навчання виключно в симуляції.
Вона також більш гнучка: якщо робот виходить з ладу, система на льоту перебудовує план, на відміну від жорстко закодованих алгоритмів.

Це може революціонізувати роботизоване виробництво, логістику, будівництво та автономні системи.

🔗 Деталі дослідження:
читати у журналі Science Robotics

🤔 Ми думаємо: графи — природна структура для робототехніки. Вони одразу містять відносини між об'єктами, тому моделі не потрібно вчитися з нуля розуміти ці зв’язки. Це робить навчання швидшим і ефективнішим.

✅ Якщо пост був корисним та чекаєшь продовження став 👍
🔔 ПІДПИСАТИСЯ

​⚡️ ChatGPT отримав Photoshop. Так, прямо всередині себе.

Одна з найгучніших інтеграцій року сталася тихо, але епохально.
У ChatGPT з’явився вбудований Photoshop, Adobe Express та Acrobat.
Тепер ви можете редагувати фото, створювати дизайн та працювати з PDF… просто словами.

🎨 Що тепер уміє ChatGPT
• Photoshop — ретуш, освітлення, видалення об’єктів, художні ефекти, обробка портретів, кадрування.
• Adobe Express — створення банерів, презентацій, листівок, обкладинок, контенту для соцмереж.
• Acrobat — редагування PDF, об’єднання кількох файлів, конвертація, зменшення ваги документів.

🎯 Інструменти Adobe (Photoshop, Express, Acrobat) автоматично активуються, коли ти робиш запит, який потребує саме цих можливостей.
Ти просто:
Завантажуєш фото / PDF у чат
Пишеш, що хочеш зробити
ChatGPT сам викликає відповідний Adobe-інструмент

🛠 Як "вручну" змусити GPT використовувати Photoshop
Якщо хочеш бути 100% впевненим, просто починай команду зі слів:
«Adobe Photoshop, …»
Наприклад:
«Adobe Photoshop, зроби фон більш розмитим».
«Adobe Photoshop, відретушуй шкіру, але без ефекту пластика».
«Adobe Photoshop, підвищ контраст і зроби кольори теплішими».
Це прямий виклик, який гарантовано активує саме Photoshop, а не інший модуль.

Усе працює через прості команди формату “зроби ось це”.

Перші оглядачі відзначають три речі:

1) Швидкість. Замість того, щоб відкривати програму, шукати інструмент і згадувати, де саме знаходиться потрібна кнопка — просто пишеш, що хочеш, і отримуєш результат.

2) Точність. ChatGPT добре розпізнає стиль правок і може повторити його у наступних редакціях. Якщо ви робите кілька фото в одному стилі — це особливо помітно.

3) Натуральність взаємодії. Не потрібно знати технічні терміни — достатньо сказати:
«зроби фото теплішим» або «прибери зайві деталі з фону»,
і модель сама підбирає інструменти.

🗣 Приклади команд, які вже працюють ідеально


"Підкресли очі та трохи вирівняй тон шкіри, але без ефекту пластика."
"Зроби фон більш кінематографічним і додай легкий контраст."
"Обріж фото до квадрату, а колір зроби теплішим, як у золотій годині."
"Створи обкладинку для презентації в стилі мінімалізму."
"Об’єднай ці три PDF та зменш розмір до 2 МБ."


Це ті запити, які медіа й ранні тестувальники називають “магічно простими”.

💡 Як працювати з цим максимально ефективно

1. Говоріть природно.
Не потрібно придумувати формулювання — пишіть так, як описали б іншій людині.

2. Пояснюйте стиль, а не інструмент.
Наприклад: «більш теплий, м’який портрет», «строгий корпоративний стиль», «креативний банер для соцмереж».

3. Використовуйте покрокові уточнення.
Напишіть: «додай трохи більше контрасту» або «зроби ефект слабшим» — GPT адаптує результат.

4. Комбінуйте кілька дій в одному запиті.
«Обріж фото, підвищ різкість і зроби фон розмитим.»

5. Зберігай стиль у серії фото.
Достатньо сказати: «застосуй ті ж правки, що й минулого разу» — і ChatGPT повторює почерк редагування.

Тепер творчі інструменти працюють так само просто, як спілкування.
Ви описуєте результат — а система сама обирає технічний шлях, заощаджуючи вам десятки хвилин на кожному завданні.

Оновлення вже називають одним із найбільш практичних за останні роки.
І це лише початок — Adobe обіцяє розширення можливостей прямо всередині ChatGPT.

✅ Якщо пост був корисним та чекаєшь продовження став 👍
🔔 ПІДПИСАТИСЯ

​Маскування приватних даних для мовних моделей 🤫

Великі мовні моделі часто ненавмисно запам’ятовують приватні дані з тренувального набору — навіть якщо вони зустрілись усього один раз (ім’я, адреса, номер телефону).
Команда Google представила першу open-weights модель, яка гарантовано не запам’ятовує унікальні приватні факти.

Google випустила VaultGemma, 1-мільярдну трансформер-модель, натреновану з нуля з використанням диференційної приватності (differential privacy).
Цей метод робить модель статистично нездатною відтворити будь-який унікальний приклад із датасету — навіть якщо його видалити.
Модель доступна з відкритими вагами (для комерційного й некомерційного використання з певними обмеженнями).

🧩 Що таке диференційна приватність?
Алгоритм вважається диференційно приватним, якщо:
— неможливо визначити, чи був у тренувальному наборі конкретний приклад.
У випадку нейронок це досягається тим, що:
— обмежують вплив кожного окремого прикладу на оновлення ваг (clipping),
— додають Gaussian-шум до градієнтів.
Результат: модель не може “витягнути” приватну інформацію зі своїх ваг чи з відповідей.

⚙️ Як працює VaultGemma
Модель побудована за архітектурою Gemma 2 (1B) й натренована на тому ж наборі — 13 трильйонів токенів (веб, код, наука), але під час кожного кроку навчання:
— кліпували кожен градієнт, щоб він не міг сильно вплинути на ваги,
— усереднювали градієнти в батчі,
— додавали шум, щоб замаскувати внесок унікальних прикладів.
Таким чином ваги стають статистично невідрізними від ваг моделі, тренованої без будь-якого конкретного прикладу.

📊 Результати
🛡 Zero memorization
У тесті на 1 млн прикладів VaultGemma відтворила 0% елементів тренувального набору.
Для порівняння:
— Gemma 3 (1B): 0.0005%
— Gemma 2 (2B): 0.04%
— Gemma 1 (2B): 1%

🧠 Продуктивність
Працює на рівні моделей 2019–2020 років:
HellaSwag:
— VaultGemma — 39%
— GPT-2 (1.5B) — 48%
— Gemma 3 (1B) — 61%
TriviaQA:
— VaultGemma — 11%
— GPT-2 — 6%
— Gemma 3 — 40%

⚠️ Важливе уточнення
VaultGemma захищає тільки унікальні приклади.
Якщо якась приватна інформація зустрічається багато разів (наприклад, витік адреси знаменитості), модель може її засвоїти — бо це вже статистичний патерн.

🧭 Чому це важливо
LLM навчаються на гігантських датасетах, де завжди є ризик випадкового потрапляння приватних даних.
VaultGemma показує, що:
— можна створювати відкриті мовні моделі, які не зберігають приватні факти в принципі.
Так, ціна — невелике падіння якості, але це перший великий крок до безпечних LLM для медицини, юриспруденції, банківських даних, держсектору.

🧠 Висновок
Іноді найрозумніша модель — та, що не пам’ятає нічого зайвого.
VaultGemma — це про те, як зробити AI безпечнішим, навіть якщо доведеться трохи пожертвувати продуктивністю.

✅ Якщо пост був корисним та чекаєшь продовження став 👍
🔔 ПІДПИСАТИСЯ

​🔥 Meta відкрила потужний конструктор для створення 3D-обʼєктів з фото

Друзі, після останнього обстрілу ми вже третю добу без світла в місті, і поки незрозуміло, коли все полагодять. Тому цього тижня постів буде менше. Але сьогодні маю для вас справді цікаву новину 👇

Тепер можна взяти звичайну картинку і перетворити її на 3D-модель. Без студій, дорогих сканерів і спеціалістів з графіки.
Спробуй поексперементувати

Meta представила нову лінійку моделей SAM 3, SAM 3D та SAM 3D Body. Це вже не просто інструменти для сегментації, а повноцінний відкритий конвеєр для створення 3D-контенту.

🧩 SAM 3: розуміє, що саме на фото

Модель вміє:
• виділяти обʼєкти на фото та відео
• працювати за текстовими підказками
• реагувати на точки, рамки та інші прості підказки

У тестах SAM 3 випередила більшість конкурентів.

Де це корисно: маркетплейси, каталоги товарів, дизайн інтерʼєрів, документообіг.

🧱 SAM 3D: створює 3D-обʼєкти з фото

На вхід можна дати:
• фото
• маски обʼєктів від SAM 3
• хмару точок (за бажанням)

На виході отримуємо 3D-модель у вигляді сітки або Gaussian Splat.

У тестах приблизно 80% людей обирали результати SAM 3D як найкращі.

Навіщо це бізнесу:
• каталог меблів з переглядом у власному інтерʼєрі
• 3D-моделі для реклами
• візуалізація товарів без фотостудій
• AR-примірки

🧍 SAM 3D Body: 3D-фігури людей з одного фото

Модель створює повноцінну 3D-фігуру людини, може уточнювати руки та пози.
У тестах SAM 3D Body показала найкращу точність серед конкурентів.

Застосування: фітнес-додатки, мода, віртуальні примірочні, ігри, анімація.

🟦 Важливо

Усі моделі доступні з відкритими вагами та можуть використовуватися у комерційних продуктах (крім країн під санкціями).
Це означає, що будь-яка компанія або стартап може додати 3D-генерацію у свої сервіси без ліцензійних платежів.

🚀 Чому це важливо

Створення 3D-контенту стає таким же простим, як редагування фото.
Meta використовує підхід, коли модель шукає свої слабкі місця, люди позначають складні приклади, і ШІ навчається на цих даних. Це різко прискорює розвиток моделей.

3D-контент поступово стає звичним елементом цифрових продуктів.

✅ Якщо пост був корисним та чекаєшь продовження став 👍
🔔 ПІДПИСАТИСЯ

​Waymo запускає повністю автономні таксі на автострадах США 🚗🛣🤖

Waymo стала першою компанією у США, яка офіційно запустила безпілотні таксі на автострадах — без водія, без оператора, повністю автономно.

джерело

🆕 Що сталося
Автономні Waymo тепер обслуговують платних клієнтів у Сан-Франциско, Лос-Анджелесі та Фініксі. Якщо користувач увімкнув опцію «freeway» у застосунку, а маршрут справді стає швидшим, Waymo везе клієнта трасами зі швидкістю до 65 миль/год.

У регіоні Bay Area автомобілі курсують на ділянках автострад площею понад 260 квадратних миль між Сан-Франциско і Сан-Хосе. Час поїздок скорочується до 50%.

⚙️ Як це працює
— Waymo тестувала систему мільйонами миль на дорогах, полігонах і в симуляторах.
— Компанія згенерувала величезний обсяг синтетичних сценаріїв: аварії, нетипові маневри, відмови систем, складні переходи між вулицями й автострадами.
— Модель тренували на змінних поведінки інших учасників руху, погоди, трафіку.
— Особливий акцент — психологічна безпека пасажирів. На швидкості 65 mph люди гостріше відчувають відсутність контролю, тому Waymo оптимізує плавність руху й реакції.
— Разом із California Highway Patrol компанія створила протоколи для автономного руху на автострадах.
— У березні 2024 регулятор штату офіційно дозволив Waymo працювати на трасах і розширювати парк 24/7.

📜 Трохи історії
Waymo — нащадок автомобіля Stanford Racing Team, який змагався у DARPA Grand Challenge серед 2000-х.
У 2009 Google перетворила проєкт на Google Self-Driving Car, а у 2016 виділила його як окрему компанію Waymo.
Сьогодні Waymo працює у Атланті, Остіні, Лос-Анджелесі, Фініксі та Сан-Франциско, і планує запуск у Далласі, Денвері, Детройті, Лас-Вегасі, Маямі, Нешвіллі, Сан-Дієго, Сіетлі, а також Лондоні й Токіо.

🚧 Без інцидентів не обходиться
— У 2024–2025 NHTSA започаткувала кілька розслідувань щодо Waymo.
— У вересні один автомобіль збив домашнього кота.
— Водночас компанія заявляє про вражаючі показники безпеки: на 91% менше аварій з травмами та на 92% менше наїздів на пішоходів у порівнянні з людьми-водіями на тих самих маршрутах.

📌 Чому це важливо
Рух автострадами — критичний елемент повністю автономного транспорту. Це складніша задача, ніж рух по місту:
— швидкість вища,
— реакції мають бути миттєвими,
— планування маршруту — значно дальнє,
— ситуації змінюються швидше й менш передбачувано.

Отримання державного дозволу означає, що регулятори вважають користь автономних автомобілів більшою за потенційні ризики. Це величезний прорив технологічно, юридично і соціально.

А масштабні плани Waymo натякають: це лише початок нової ери.

🧠 Висновок
У DARPA Challenge всі вірили, що автономні авто — вже «ось-ось». Знадобилось майже 20 років, але сьогодні запитання звучить не «чи стануть вони масовими», а коли саме.
Waymo — зробила великий крок до цієї відповіді.

✅ Якщо пост був корисним та чекаєшь продовження став 👍
🔔 ПІДПИСАТИСЯ

​З Новим 2026 роком, друзі 🎄

Дякую, що залишаєтесь тут, читаєте, думаєте й ставите правильні запитання. Хочу почати цей рік не з гучних прогнозів і не з хайпу, а зі спокійної розмови — про AI, AGI і наші очікування.

Останнім часом усе частіше можна почути, що AGI «вже майже тут». Але щоразу в мене виникає просте запитання: а що саме ми називаємо AGI — і як взагалі зрозуміти, що його досягнуто?

У масовому уявленні все виглядає досить просто. AGI — це система, яка може працювати приблизно так само, як людина: навчатися, розбиратися в нових задачах, виконувати реальну інтелектуальну роботу, а не лише відповідати на окремі запитання. Якщо приймати таке визначення серйозно, то й перевіряти AGI логічно не абстрактними тестами, а чимось максимально наближеним до реального життя.

Наприклад, можна уявити такий формат перевірки. Є суб’єкт тестування — це може бути людина або AI-система. Йому дають звичайний комп’ютер: інтернет, браузер, робочі сервіси, Zoom. Далі створюється сценарій на кілька днів: навчання новій ролі, виконання завдань, зворотний зв’язок, корекція помилок. Фактично — симуляція віддаленої роботи, без магії та спецефектів.

І тоді критерій стає дуже приземленим і зрозумілим: чи може система виконувати цю роботу на рівні нормального, кваліфікованого спеціаліста? Не ідеально. Не «геніально». А стабільно й адекватно.

Мені здається, що такий підхід чесніший за те, до чого ми звикли. Класичний тест Тюрінга давно показав свої обмеження — він більше про імітацію людини, ніж про інтелект. Сучасні бенчмарки теж корисні, але вони вимірюють окремі навички й майже неминуче стають об’єктом оптимізації. Модель можна добре «натренувати на тест», не зробивши її по-справжньому універсальною.

А от тривалий, відкритий робочий сценарій — без наперед відомих завдань — значно ближчий до реального життя. У такому форматі швидко стає видно, де є розуміння, адаптація й здоровий глузд, а де — лише добре відпрацьовані шаблони.

Чому мені взагалі важливо про це говорити? Тому що слово «AGI» за останній рік стало надто розмитим. Його використовують як маркетинговий прапор, як аргумент у презентаціях і навіть як привід для паніки. Це впливає і на вибір професій, і на інвестиційні рішення, і на загальне відчуття майбутнього — часто не в найкращий бік.

Можливо, нам усім було б корисно мати більш приземлені, робочі орієнтири. Навіть якщо вони покажуть, що до AGI ще далеко — це нормально. Це зменшить рівень шуму, зніме зайві ілюзії й дозволить зосередитися на реальному прогресі, який уже відбувається й справді має цінність.

AGI — якщо він колись з’явиться — буде не пресрелізом і не красивим слайдом у презентації. Це буде момент, коли система зможе просто взяти й працювати поруч із людиною, на рівних. А до того, думаю, нам варто бути чеснішими з собою й одне з одним.

І наостанок — хочу побажати вам у 2026 році здорового глузду, спокійної цікавості та внутрішньої опори. Менше страху перед майбутнім, більше розуміння того, що відбувається навколо, і більше рішень, прийнятих не з паніки, а з ясної голови.
З Новим роком.

Нехай у 2026-му буде менше хайпу й більше сенсу ✨

🔔 ПІДПИСАТИСЯ