🤔 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

​За останній рік ми тут не раз поверталися до теми open source в AI. З часом стало очевидно: це вже давно не просто технічний вибір. Це вибір архітектури майбутнього.

У 90-х здавалося, що світ програмного забезпечення остаточно поділений. Є великі компанії, є закриті системи, є усталені правила гри. А потім з’явився open source. Linux, Apache, Eclipse — не як продукти, а як ідея. І ця ідея тихо, без гучних заяв і пафосу, повністю переформатувала інтернет.

Сьогодні ми стоїмо в дуже схожій точці. Тільки замість операційних систем — штучний інтелект. І знову виникає спокуса «володіти майбутнім»: сховати його за API, красиво назвати відкритим, але не показати, на чому він навчався, як саме працює і що з ним насправді дозволено робити. Формально — open. Фактично — ні.
Це нагадує стару історію з Windows, який колись масово роздавали безкоштовно в країнах, що розвивалися. Не з альтруїзму, а для того, щоб у Linux просто не залишилося шансу. Тоді це спрацювало частково. Сьогодні ті самі патерни знову з нами — але ставка значно вища.

Бо питання вже не в зручності чи ціні. Питання в тому, хто формує мислення машин, які дедалі більше впливають на наше життя. Якщо AI належить одній компанії, він неминуче відображає її цінності, її обмеження й її страхи. Якщо ж він справді відкритий, у нього з’являється колективна памʼять і колективна відповідальність.

Відкрита розробка часто здається повільною, складною, інколи навіть хаотичною. Але саме вона зменшує залежність від одного вендора, дозволяє глибоку кастомізацію і — що особливо важливо — прибирає відчуття магії. Ти розумієш причини, а не просто віриш у результат. Ти знаєш, звідки взялася модель.
Особливо гостро це відчувається на тлі геополітики. Світ більше не довіряє світу. США не довіряють моделям з Китаю. Китай — моделям із США. Європа дивиться на обох із підозрою. І це не параноя: модель справді можна «отруїти» даними, змістити акценти, непомітно підмінити реальність. Єдиний реальний антидот тут — прозорість. Коли видно, чим і як навчали систему.

У цьому сенсі особливо цікаво спостерігати за «нудними» компаніями. Наприклад, IBM. Вони не створюють хайпу і не обіцяють революцію щотижня. Вони просто публікують, як саме зроблені їхні моделі й на яких даних. І раптом виявляється, що «нудність» — це не вада, а стабільність. А стабільність — це фундамент.
Є в цьому красива іронія: саме на міцному, трохи нудному фундаменті можна дозволити собі бути дивним, експериментальним і сміливим — і не боятися, що все розвалиться.

Можливо, здоровий розвиток AI виглядатиме саме так.
Не як гонка за контролем.
А як спільна робота над чимось більшим за одну компанію.

Open source вже одного разу змінив світ.
Було б дивно, якби цього разу він раптом програв.

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

​Нещодавно я прочитав пост Adji Bousso Dieng, засновниці дослідницької лабораторії Vertaix. І зловив себе на думці, що вона дуже точно сформулювала те, що давно крутиться в голові, але ніяк не складалося в цілісну картину. Хочу поділитися цими роздумами з вами - бо, здається, вони описують один із ключових зламів, до якого зараз підходить AI.

Її головна ідея дуже проста, але водночас радикальна: у 2026 році штучний інтелект має перестати бути просто інструментом для підвищення ефективності й нарешті стати інструментом відкриттів. Не швидше відповідати, не краще оптимізувати, а допомагати знаходити те, чого ми ще не знаємо.

Якщо подивитися назад, стає зрозуміло, чому з цим є проблема. Останні десять років deep learning жив у парадигмі інтерполяції. Ми будували моделі, які фантастично добре відтворюють розподіл даних, на яких вони навчені. Саме тому AI так успішний у чатах, код-асистентах, генерації текстів: запит фактично зводиться до пошуку знайомих статистичних патернів у вже відомому просторі.

Навіть гучні наукові прориви - на кшталт AlphaFold - насправді добре вкладаються в цю логіку. Це все ще задачі, які можна сформулювати як supervised learning. І саме тут починає проявлятися межа підходу.

Adji звертає увагу на те, що такі моделі майже завжди «провалюються» на найрідкісніших випадках - у так званих хвостах розподілу. У роботі з Vendiscope, інструментом для аналізу датасетів, вони побачили, що навіть AlphaFold має серйозні труднощі з передбаченням структур рідкісних білків. А якщо вийти за межі цього прикладу й подивитися на більш амбітні задачі - створення білків de novo чи пошук нових матеріалів для уловлювання CO₂, - стає зрозуміло: це взагалі не про навчання з учителем. Це задачі відкриття.

І тут важливий момент, який мені особливо відгукнувся. У таких задачах «центр» розподілу часто нецікавий з наукової точки зору. Він просто повторює те, що ми вже знаємо. Справжня цінність - у рідкісному, у несподіваному, у тому, що ще не траплялося. Але саме туди сучасні моделі дивляться найменше.

Тому ідея переходу від інтерполяції до відкриття виглядає настільки важливою. Мова йде про методи, які вміють працювати з хвостами розподілу й навіть знаходити щось осмислене поза межами знайомих даних. Фактично - про пошук того, що природа дозволяє, але чого ми ще не бачили.

Звідси випливає ще один сильний висновок: якщо ми хочемо відкриттів, нам потрібно змінювати самі цілі оптимізації. Максимізація точності й імовірності майже автоматично тягне модель назад - до домінантних модів розподілу. Для науки цього недостатньо.

Adji пропонує дивитися на різноманіття не як на абстрактну соціальну ідею, а як на повноцінну математичну ціль. У Vertaix вони пішли цим шляхом, розробивши Vendi Score. І в задачах пошуку нових матеріалів це дало несподіваний ефект: вдалося знайти стабільні, енергоефективні MOF-структури, які класичні методи просто пропускали, бо не вміли ефективно досліджувати простір із трильйонами можливих варіантів.

Мабуть, найсильніша думка тут у тому, що різноманіття не має бути допоміжною метрикою «на потім». Воно може стати основним математичним двигуном відкриттів. І якщо цей зсув відбудеться, AI перестане бути лише імітатором людських знань - і почне реально допомагати їх розширювати.

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

​Останнім часом усе частіше ловлю себе на думці, що дискусія про AI в освіті пішла не туди. Ми багато говоримо про заборони, порушення правил — але майже не говоримо про довіру, про сенс оцінювання і про те, що саме ми намагаємося перевірити. Саме з цієї точки зору мені дуже відгукнувся текст Juan M. Lavista Ferres з Microsoft — він чітко сформулював те напруження, яке сьогодні відчуває система освіти, але не завжди визнає вголос.
Далі — роздуми, які, на мій погляд, добре описують, куди ми реально рухаємось у світі генеративного AI.

Трохи більше ніж три роки тому з’явився ChatGPT — і освіта вже ніколи не стала такою, як раніше. Для студентів це був прорив: можливість за секунди отримувати зв’язний, переконливий текст, допомогу з формулюваннями, поясненнями, прикладами. Для викладачів — новий тип виклику, до якого система виявилася не готовою.

Першою реакцією було самозаспокоєння. З’явилася зручна історія: якщо AI може писати тексти, значить ми просто навчимося їх детектити. Були дослідження, які показували майже ідеальну точність у лабораторних умовах. Ідея виглядала привабливою: нічого не треба міняти — ті самі завдання, ті самі есе, ті самі правила. Просто додаємо детектор.

Але, як швидко стало зрозуміло, це була ілюзія.

У реальному світі студенти не здають «сирий» текст від моделі. Щойно з’являється детектор, з’являється й мотивація його обійти. А обійти його нескладно: трохи переписати абзац, змінити довжину речень, поміняти місцями частини тексту, додати особисту деталь, перекласти й перекласти назад. Або скористатися одним із десятків інструментів, які спеціально «олюднюють» AI-текст.

І тут проявляється структурна проблема: якщо ти можеш побудувати систему, яка детектить AI-текст, ти автоматично можеш побудувати систему, яка навчається цей детектор ламати. У момент, коли детектор стає масовим, з’являється ринок його обходу — і студенти дуже швидко вчаться цим користуватися.
Але найгірше навіть не це. Найгірше — втрата довіри.

Коли викладачі починають покладатися на скоринги детекторів, а студенти — на інструменти обходу, система переходить у режим підозри й розборів. Починаються звинувачення, апеляції, рішення з високими ставками без надійних доказів. І найчастіше страждають не ті, хто найбільше зловживає, а ті, хто пише «не так»: не носії мови, або студенти, яких навчили певному академічному стилю. А ті, хто справді налаштований на обхід, адаптуються найшвидше.

На цьому тлі важливо не втратити головне: генеративний AI може реально покращувати навчання. Він може допомагати тренуватися, давати зворотний зв’язок, пояснювати матеріал, працювати як персональний тьютор, перекладати контент рідною мовою студента. Потенціал тут величезний.

Але є й неприємний висновок, який доведеться прийняти: класичне домашнє есе як універсальний доказ самостійного авторства більше не працює. Перевіряти «хто писав текст» лише за текстом у масштабі — неможливо. Тому університетам і школам варто виходити з реальності, а не з бажаного: студенти будуть користуватися генеративним AI.

І тоді питання змінюється. Не «як це заборонити», а як оцінювати знання в умовах, де AI — це норма.

Тут з’являються більш здорові підходи: живі демонстрації розуміння — усні захисти, очні іспити, презентації, пояснення рішень, walkthrough проєктів. Навчання AI-грамотності — з перевіркою джерел, цитуванням, розумінням упереджень і відповідальним використанням. І, нарешті, проєктування завдань не «проти AI», а з урахуванням AI, де оцінюється не факт використання інструменту, а судження, логіка й здатність застосовувати знання.

Джин уже випущений із пляшки. Повернути його назад неможливо. Наше завдання тепер — побудувати правила й практики, які зроблять освіту більш ефективною і більш довірливою в тому світі, в якому ми реально живемо, а не в тому, який хотіли б зберегти.

​Ми захоплюємося точністю, бенчмарками, прогнозами - і майже не питаємо, чи здатна система реально діяти в світі, а не просто відповідати. Цю різницю дуже чітко окреслив Tanmay Gupta у своєму есе From Prediction to Action.

Ми справді зробили гігантський крок уперед. За останні десять років AI навчився фантастично добре виконувати те, що можна назвати «пасивним інтелектом»: знаходити об’єкти на зображеннях, будувати маски сегментації, розпізнавати мовлення, генерувати тексти, картинки й код. Це виглядає як інтелект - і часто саме так і сприймається.
Але тут є пастка.

Усі ці задачі — це, по суті, проксі. Вони створюють ілюзію корисності, але самі по собі рідко є кінцевою метою. Реальний світ не зупиняється на одному прогнозі. У ньому важливі не окремі відповіді, а послідовності дій у динамічному середовищі, де кожен крок змінює контекст для наступного.
Світова економіка не живе prediction’ами.
Вона живе рішеннями.

Добрий приклад — еволюція AI в програмуванні. Колись автодоповнення рядка коду здавалося магією. Сьогодні ж агент отримує високорівневу задачу, досліджує кодову базу, запускає тести, знаходить помилки й повертає готове рішення. Різниця не в якості генерації — різниця в тому, що система рухається до цілі, а не просто реагує на запит.

І саме такого переходу — від prediction до action — не вистачає багатьом іншим доменам.

Комп’ютерний зір сам по собі нічого не вирішує, якщо він не вбудований у систему, яка керує процесами чи роботами. Розпізнавання мовлення не має цінності без архітектури, здатної зрозуміти намір і виконати його через інструменти. Генерація зображень і відео стає по-справжньому цікавою лише тоді, коли вона частина довготривалого workflow — створення навчального курсу, документації чи складного візуального наративу.

І тут починає проявлятися головне обмеження сучасних моделей.
На коротких задачах вони виглядають майже бездоганно.
А на довгих — «ламаються».

Стає видно, що їм бракує стійкої пам’яті, здатності утримувати ціль у часі, працювати з невизначеністю, адаптуватися до зворотного зв’язку, навчатися на ходу. Усе це майже не вимірюється класичними бенчмарками — але саме це визначає, чи здатна система бути корисною у реальному світі.

Є ще один важливий момент, який мені здається принциповим. Коли дослідження фокусуються на кінцевих задачах, а не на проксі-метриках, багато речей раптово стають непотрібними. Показовий приклад із semantic parsing у NLP: роками вважалося, що без нього неможливе справжнє розуміння мови. А сучасні LLM-и просто обійшли цю парадигму, вирішивши кінцеву задачу напряму.

Можливо, ми ще не раз озирнемося назад і скажемо те саме про частину нинішніх «обов’язкових» метрик і задач.
Реальні задачі — цифрові чи фізичні — розгортаються не за секунди, а за місяці й роки. Люди вміють збирати розрізнену інформацію в цілісну картину світу й рухатися до складних цілей, коригуючи шлях. І саме спроба відтворити цю здатність — а не просто покращити ще один бенчмарк — виглядає наступним справжнім викликом для AI.

Мій особистий висновок простий.
Prediction був необхідним етапом. Без нього не було б нічого з того, що ми маємо зараз. Але якщо AI й далі залишатиметься лише генератором відповідей, він так і не стане системою, якій можна довіряти реальні дії.

Наступний великий крок — це не «ще точніше». Це «ще цілеспрямованіше».

І, здається, саме тут починається справжній інтелект.

✅ Якщо пост був цiкавим став 👍
🔔 ПІДПИСАТИСЯ