Доброго ранку! ☀️
Не зміг пройти повз, тож тримайте ще один розбір цікавої наукової роботи. І цього разу — про фізику, але трохи з неочікуваного боку. ☕️
Моделювання рідин, газів чи плазми — це одна з тих задач, де класичні методи досі залишаються дуже дорогими. Складні чисельні симуляції можуть рахуватися годинами або навіть днями, і майже кожна нова система — це окрема модель, окремі рівняння й окремий біль.
Особливо якщо мова не про один конкретний кейс, а про широкий клас фізичних явищ. Бо зазвичай моделі такого типу вузькоспеціалізовані: одна — для турбулентності, інша — для плазми, ще одна — для атмосферних процесів. Універсальності тут історично було небагато.
Але наприкінці минулого року дещо змінилося: з’явилася Walrus — transformer-модель на 1.3 млрд параметрів, яку дослідники навчили симулювати поведінку рідин, газів і плазми одразу в багатьох фізичних доменах.
Колись у NLP теж було багато окремих моделей під конкретні задачі: одна для машинного перекладу, інша для класифікації тексту, ще інша для вiдповiдей. А потім з’явився підхід, у якому одна велика модель вчиться на різнорідних даних і починає узагальнювати. Щось подібне починає відбуватися і в фiзицi.
Працює Walrus так: вона дивиться на кілька попередніх станів фізичної системи й передбачає наступний. Тобто по суті вчиться прогнозувати еволюцію системи в часі. Причому модель може працювати і з 2D-, і з 3D-даними. Для цього автори використали окремі енкодери й декодери для двох типів представлення, а всередині — transformer-блок, який збирає все це в єдиний механізм прогнозування.
Але найцікавіше тут навіть не сама архітектура, а проблема, яку автори намагалися розв’язати.
У фізичних системах, особливо хаотичних, маленька помилка на одному кроці може поступово перетворитися на серйозне відхилення на довгій дистанції. У transformer-моделях це ще й посилюється ефектом, який автори пов’язують з аліасингом: помилки не просто накопичуються, а починають концентруватися в окремих ділянках. У результаті виникають артефакти, які трохи нагадують пікселізацію на зображеннях.
І тут автори пропонують досить елегантний трюк: jittering.
На кожному кроці вони трохи випадково зміщують вхідні дані перед подачею в модель, а потім роблять зворотне зміщення. За рахунок цього помилки не “налипають” в одних і тих самих місцях, а більш рівномірно розподіляються. І саме це помітно покращує довгострокову стабільність прогнозу.
Мені подобається цей момент, бо він дуже добре показує, що прогрес часто приходить не лише від “ще більшої моделі”, а й від правильно знайденої технічної деталі. Іноді саме такий, на перший погляд, невеликий інженерний хід змінює поведінку системи сильніше, ніж ще кілька сотень мільйонів параметрів.
Навчали Walrus на дуже великому й різнорідному наборі даних: приблизно 8 мільйонів 2D-прикладів і 4 мільйони 3D-зразків із 19 фізичних доменів — від акустики до астрофізики та неньютонівських рідин. Потім модель додатково донавчали на спеціалізованих гідродинамічних датасетах.
Модель доступна в open-source
Результати вийшли сильними. Walrus показала найкращу точність у 18 із 19 доменів для однокрокових прогнозів, а середнє зменшення похибки склало 63.6% порівняно з найкращими попередніми моделями. На довших горизонтах — від 20 до 60 кроків — вона теж часто залишалася найкращою. А jittering зменшував довгострокову помилку у 89% сценаріїв.
Такі моделі потенційно можуть бути дуже корисними в кліматології, аерокосмічній інженерії, матеріалознавстві та інших сферах, де симуляції відіграють ключову роль.
А ще цікавіше те, що сама ідея jittering може виявитися корисною далеко за межами фізики — наприклад, у vision transformers або відеогенерації, де проблеми з артефактами теж добре відомі.
І загалом усе це виглядає як ще один крок до світу, де AI допомагає не лише працювати з текстом чи картинками, а й дедалі глибше вчиться описувати саму фізичну реальність.
🔔 ПІДПИСАТИСЯ
Не зміг пройти повз, тож тримайте ще один розбір цікавої наукової роботи. І цього разу — про фізику, але трохи з неочікуваного боку. ☕️
Моделювання рідин, газів чи плазми — це одна з тих задач, де класичні методи досі залишаються дуже дорогими. Складні чисельні симуляції можуть рахуватися годинами або навіть днями, і майже кожна нова система — це окрема модель, окремі рівняння й окремий біль.
Особливо якщо мова не про один конкретний кейс, а про широкий клас фізичних явищ. Бо зазвичай моделі такого типу вузькоспеціалізовані: одна — для турбулентності, інша — для плазми, ще одна — для атмосферних процесів. Універсальності тут історично було небагато.
Але наприкінці минулого року дещо змінилося: з’явилася Walrus — transformer-модель на 1.3 млрд параметрів, яку дослідники навчили симулювати поведінку рідин, газів і плазми одразу в багатьох фізичних доменах.
Колись у NLP теж було багато окремих моделей під конкретні задачі: одна для машинного перекладу, інша для класифікації тексту, ще інша для вiдповiдей. А потім з’явився підхід, у якому одна велика модель вчиться на різнорідних даних і починає узагальнювати. Щось подібне починає відбуватися і в фiзицi.
Працює Walrus так: вона дивиться на кілька попередніх станів фізичної системи й передбачає наступний. Тобто по суті вчиться прогнозувати еволюцію системи в часі. Причому модель може працювати і з 2D-, і з 3D-даними. Для цього автори використали окремі енкодери й декодери для двох типів представлення, а всередині — transformer-блок, який збирає все це в єдиний механізм прогнозування.
Але найцікавіше тут навіть не сама архітектура, а проблема, яку автори намагалися розв’язати.
У фізичних системах, особливо хаотичних, маленька помилка на одному кроці може поступово перетворитися на серйозне відхилення на довгій дистанції. У transformer-моделях це ще й посилюється ефектом, який автори пов’язують з аліасингом: помилки не просто накопичуються, а починають концентруватися в окремих ділянках. У результаті виникають артефакти, які трохи нагадують пікселізацію на зображеннях.
І тут автори пропонують досить елегантний трюк: jittering.
На кожному кроці вони трохи випадково зміщують вхідні дані перед подачею в модель, а потім роблять зворотне зміщення. За рахунок цього помилки не “налипають” в одних і тих самих місцях, а більш рівномірно розподіляються. І саме це помітно покращує довгострокову стабільність прогнозу.
Мені подобається цей момент, бо він дуже добре показує, що прогрес часто приходить не лише від “ще більшої моделі”, а й від правильно знайденої технічної деталі. Іноді саме такий, на перший погляд, невеликий інженерний хід змінює поведінку системи сильніше, ніж ще кілька сотень мільйонів параметрів.
Навчали Walrus на дуже великому й різнорідному наборі даних: приблизно 8 мільйонів 2D-прикладів і 4 мільйони 3D-зразків із 19 фізичних доменів — від акустики до астрофізики та неньютонівських рідин. Потім модель додатково донавчали на спеціалізованих гідродинамічних датасетах.
Модель доступна в open-source
Результати вийшли сильними. Walrus показала найкращу точність у 18 із 19 доменів для однокрокових прогнозів, а середнє зменшення похибки склало 63.6% порівняно з найкращими попередніми моделями. На довших горизонтах — від 20 до 60 кроків — вона теж часто залишалася найкращою. А jittering зменшував довгострокову помилку у 89% сценаріїв.
Такі моделі потенційно можуть бути дуже корисними в кліматології, аерокосмічній інженерії, матеріалознавстві та інших сферах, де симуляції відіграють ключову роль.
А ще цікавіше те, що сама ідея jittering може виявитися корисною далеко за межами фізики — наприклад, у vision transformers або відеогенерації, де проблеми з артефактами теж добре відомі.
І загалом усе це виглядає як ще один крок до світу, де AI допомагає не лише працювати з текстом чи картинками, а й дедалі глибше вчиться описувати саму фізичну реальність.
🔔 ПІДПИСАТИСЯ
👍9🔥5❤1🤝1
Сучасний AI — це тупик!
Вітаю з п'ятницею! 👋
Ви чули щось про Яна Лекуна? Це головний AI-науковець у Meta, професор NYU, лауреат премії Тюрінга й одна з ключових фігур у розвитку сучасних нейромереж. Тому коли Лекун говорить про межі LLM — це не просто думка з боку, це критика від людини яка сама формувала фундамент сучасного AI.
Лекун повторює вже багато років: великі мовні моделі — сильний і корисний, але все ж обмежений клас систем. У подкасті з Лексом Фрідманом він прямо говорив що сучасним LLM бракує чотирьох базових речей: розуміння фізичного світу, довготривалої пам'яті, повноцінного міркування та планування.
Одна з його найгучніших останніх заяв — інтерв'ю Newsweek: LLM можуть стати значною мірою застарілими вже протягом найближчих п'яти років. Його теза проста: моделі що лише передбачають наступний токен не обов'язково приходять до справжнього розуміння світу.
Чому він так вважає? Бо мова — це лише тонкий шар поверх реальності. Людина вчиться не тільки з тексту, а через сприйняття, взаємодію і досвід у світі. Саме тому LLM можуть виглядати переконливо в діалозі, але залишатися слабкими там де потрібні фізична інтуїція або стабільне планування.
І тут є цікавий зв'язок з тим що ми вже обговорювали. Коли копалися у злитому коді Claude Code, побачили що сучасний AI — це наче маленька операційна система навколо трансформера. Тобто сама модель — лише один компонент, а навколо неї вся інфраструктура. Лекун говорить про те саме але на рівні вищому: impressive demo — це ще не інтелект.
Натомість він просуває ідею world models — моделей які мають не просто передбачати слова, а будувати внутрішні представлення світу, передбачати розвиток подій, мати пам'ять і вміти планувати. Meta вже рухається в цьому напрямку — сімейство JEPA і нещодавно V-JEPA 2.
Мені здається головна думка тут не в тому наскільки ринок перегрітий очікуваннями AGI. Зими AI ми бачили багато — з 50-х років минулого століття — і я думаю що буде ще одна.
Але є інша менш очевидна думка. Мовна модель і справжнє розуміння світу — це не одне й те саме. Рік тому ми вважали що більше параметрів — це рішення. Сьогодні маємо мільярди параметрів на роботу яких потрібні гігавати електроенергії.
Тому я більше схиляюся до того що ми ще тільки на початку довгого і цікавого шляху. І на цьому шляху на нас чекає ще не одне наукове відкриття рівня трансформера.
🔔 ПІДПИСАТИСЯ
Вітаю з п'ятницею! 👋
Ви чули щось про Яна Лекуна? Це головний AI-науковець у Meta, професор NYU, лауреат премії Тюрінга й одна з ключових фігур у розвитку сучасних нейромереж. Тому коли Лекун говорить про межі LLM — це не просто думка з боку, це критика від людини яка сама формувала фундамент сучасного AI.
Лекун повторює вже багато років: великі мовні моделі — сильний і корисний, але все ж обмежений клас систем. У подкасті з Лексом Фрідманом він прямо говорив що сучасним LLM бракує чотирьох базових речей: розуміння фізичного світу, довготривалої пам'яті, повноцінного міркування та планування.
Одна з його найгучніших останніх заяв — інтерв'ю Newsweek: LLM можуть стати значною мірою застарілими вже протягом найближчих п'яти років. Його теза проста: моделі що лише передбачають наступний токен не обов'язково приходять до справжнього розуміння світу.
Чому він так вважає? Бо мова — це лише тонкий шар поверх реальності. Людина вчиться не тільки з тексту, а через сприйняття, взаємодію і досвід у світі. Саме тому LLM можуть виглядати переконливо в діалозі, але залишатися слабкими там де потрібні фізична інтуїція або стабільне планування.
І тут є цікавий зв'язок з тим що ми вже обговорювали. Коли копалися у злитому коді Claude Code, побачили що сучасний AI — це наче маленька операційна система навколо трансформера. Тобто сама модель — лише один компонент, а навколо неї вся інфраструктура. Лекун говорить про те саме але на рівні вищому: impressive demo — це ще не інтелект.
Натомість він просуває ідею world models — моделей які мають не просто передбачати слова, а будувати внутрішні представлення світу, передбачати розвиток подій, мати пам'ять і вміти планувати. Meta вже рухається в цьому напрямку — сімейство JEPA і нещодавно V-JEPA 2.
Мені здається головна думка тут не в тому наскільки ринок перегрітий очікуваннями AGI. Зими AI ми бачили багато — з 50-х років минулого століття — і я думаю що буде ще одна.
Але є інша менш очевидна думка. Мовна модель і справжнє розуміння світу — це не одне й те саме. Рік тому ми вважали що більше параметрів — це рішення. Сьогодні маємо мільярди параметрів на роботу яких потрібні гігавати електроенергії.
Тому я більше схиляюся до того що ми ще тільки на початку довгого і цікавого шляху. І на цьому шляху на нас чекає ще не одне наукове відкриття рівня трансформера.
🔔 ПІДПИСАТИСЯ
👍13🔥1
Нові закони про ШІ у США!
Всіх вітаю. Почнемо понеділок із трохи геополітики навколо AI ☕️
Прочитав цікаву статтю в NYT. Поки адміністрація Трампа просуває ідею єдиних федеральних правил, окремі штати продовжують ухвалювати власні закони щодо штучного інтелекту. І проблема тут не лише в кількості. За однією з оцінок, зараз у штатах розглядають понад 1500 законопроєктів, а більш ніж 100 AI-законів уже ухвалено в 40 штатах.
Фактично одна й та сама AI-компанія може одночасно підпадати під зовсім різні вимоги: у Каліфорнії — маркувати AI-контент невидимими водяними знаками, у Колорадо — проводити перевірки на алгоритмічну дискримінацію, у Нью-Йорку — дотримуватися спеціальних протоколів безпеки для потужних моделей.
З одного боку, частина таких вимог виглядає цілком розумно. Користувачі справді мають розуміти коли вони спілкуються з AI. Діти мають бути захищені від токсичного контенту. А страхові компанії не повинні перекладати життєво важливі рішення на алгоритми без участі лікаря.
Але з іншого боку, для індустрії це перетворюється на складний регуляторний ландшафт. Що більше різних норм у різних штатах, то вища вартість розробки, юридичні ризики та бар'єр для запуску нових продуктів. Саме цього і побоюється федеральний центр, який уже натякає що надто "обтяжливі" закони штатів можуть вплинути на виділення федерального фінансування.
Що саме ухвалюють штати:
Каліфорнія — прозорість, безпека моделей, захист приватності, маркування AI-контенту та обмеження для чатботів у взаємодії з неповнолітніми.
Колорадо — боротьба з алгоритмічною дискримінацією у "високоризикових" сферах: медицина, фінанси, працевлаштування, житло.
Міннесота — заборона election-deepfakes, AI-"роздягання" людей на фото та відмов у лікуванні без участі лікаря.
Нью-Йорк — жорсткі вимоги до великих розробників моделей щоб ті не допускали створення біозброї чи автономних хакерських інструментів.
Огайо — захист від клонування голосу й зовнішності без згоди та спроба не допустити надання AI будь-якого юридичного статусу.
Юта — заборона несанкціонованих explicit deepfakes, обмеження для страховиків і створення "регуляторної пісочниці" для тестування AI під наглядом держави.
Цікавий момент тут у тому що США фактично тестують дві моделі майбутнього AI-регулювання: централізовану через федеральні правила і децентралізовану через ініціативи штатів. І від того яка з них виявиться життєздатнішою залежить не лише американський ринок а й глобальний підхід до регулювання ШІ.
🔔 ПІДПИСАТИСЯ
Всіх вітаю. Почнемо понеділок із трохи геополітики навколо AI ☕️
Прочитав цікаву статтю в NYT. Поки адміністрація Трампа просуває ідею єдиних федеральних правил, окремі штати продовжують ухвалювати власні закони щодо штучного інтелекту. І проблема тут не лише в кількості. За однією з оцінок, зараз у штатах розглядають понад 1500 законопроєктів, а більш ніж 100 AI-законів уже ухвалено в 40 штатах.
Фактично одна й та сама AI-компанія може одночасно підпадати під зовсім різні вимоги: у Каліфорнії — маркувати AI-контент невидимими водяними знаками, у Колорадо — проводити перевірки на алгоритмічну дискримінацію, у Нью-Йорку — дотримуватися спеціальних протоколів безпеки для потужних моделей.
З одного боку, частина таких вимог виглядає цілком розумно. Користувачі справді мають розуміти коли вони спілкуються з AI. Діти мають бути захищені від токсичного контенту. А страхові компанії не повинні перекладати життєво важливі рішення на алгоритми без участі лікаря.
Але з іншого боку, для індустрії це перетворюється на складний регуляторний ландшафт. Що більше різних норм у різних штатах, то вища вартість розробки, юридичні ризики та бар'єр для запуску нових продуктів. Саме цього і побоюється федеральний центр, який уже натякає що надто "обтяжливі" закони штатів можуть вплинути на виділення федерального фінансування.
Що саме ухвалюють штати:
Каліфорнія — прозорість, безпека моделей, захист приватності, маркування AI-контенту та обмеження для чатботів у взаємодії з неповнолітніми.
Колорадо — боротьба з алгоритмічною дискримінацією у "високоризикових" сферах: медицина, фінанси, працевлаштування, житло.
Міннесота — заборона election-deepfakes, AI-"роздягання" людей на фото та відмов у лікуванні без участі лікаря.
Нью-Йорк — жорсткі вимоги до великих розробників моделей щоб ті не допускали створення біозброї чи автономних хакерських інструментів.
Огайо — захист від клонування голосу й зовнішності без згоди та спроба не допустити надання AI будь-якого юридичного статусу.
Юта — заборона несанкціонованих explicit deepfakes, обмеження для страховиків і створення "регуляторної пісочниці" для тестування AI під наглядом держави.
Цікавий момент тут у тому що США фактично тестують дві моделі майбутнього AI-регулювання: централізовану через федеральні правила і децентралізовану через ініціативи штатів. І від того яка з них виявиться життєздатнішою залежить не лише американський ринок а й глобальний підхід до регулювання ШІ.
🔔 ПІДПИСАТИСЯ
👍9❤1
This media is not supported in your browser
VIEW IN TELEGRAM
Натрапив у Reuters на новину яка ще 10 років тому звучала б як фантастика.
У Китаї гуманоїд уперше пробіг напівмарафон швидше за людський світовий рекорд. На забігу в Пекіні 19 квітня автономний робот Honor Flash подолав 21,1 км за 50:26 — це швидше за чинний людський рекорд 57:20 який Джейкоб Кіплімо встановив у березні в Лісабоні. Частина роботів бігла автономно, частина під дистанційним керуванням, а під час гонки інженерам дозволяли змінювати батареї.
Пам'ятаю як років 10 тому ще під час навчання на робототехніці дивився відео з DARPA: там гуманоїдних роботів штовхали, а вони намагалися втримати рівновагу й не впасти. Уже тоді це виглядало вражаюче — хоча рухалися вони дуже повільно.
А зараз ми бачимо зовсім інший етап. Роботи вже не просто "тримають баланс" у лабораторії, а виконують довгі динамічні задачі в умовах наближених до реальних.
І найбільше вражає навіть не сам факт такого забігу. А темп прогресу: у динамічній робототехніці зміни йдуть вже не роками, а буквально місяцями.
🔔 ПІДПИСАТИСЯ
У Китаї гуманоїд уперше пробіг напівмарафон швидше за людський світовий рекорд. На забігу в Пекіні 19 квітня автономний робот Honor Flash подолав 21,1 км за 50:26 — це швидше за чинний людський рекорд 57:20 який Джейкоб Кіплімо встановив у березні в Лісабоні. Частина роботів бігла автономно, частина під дистанційним керуванням, а під час гонки інженерам дозволяли змінювати батареї.
Пам'ятаю як років 10 тому ще під час навчання на робототехніці дивився відео з DARPA: там гуманоїдних роботів штовхали, а вони намагалися втримати рівновагу й не впасти. Уже тоді це виглядало вражаюче — хоча рухалися вони дуже повільно.
А зараз ми бачимо зовсім інший етап. Роботи вже не просто "тримають баланс" у лабораторії, а виконують довгі динамічні задачі в умовах наближених до реальних.
І найбільше вражає навіть не сам факт такого забігу. А темп прогресу: у динамічній робототехніці зміни йдуть вже не роками, а буквально місяцями.
🔔 ПІДПИСАТИСЯ
👍9
This media is not supported in your browser
VIEW IN TELEGRAM
Вчора писав про китайського робота який пробіг напівмарафон швидше за людський рекорд. А сьогодні ще один цікавий кейс з робототехніки — але вже про точність, а не швидкість. ☕️
Toyota показала CUE7 — нову версію свого робота-баскетболіста.
З підтвердженого офіційно: масу знизили зі 120 до 74 кг, перевели на інвертовану двоколісну платформу для кращої динаміки. Але головне оновлення — гібридна система керування яка поєднує reinforcement learning з класичними методами контролю. Тобто CUE7 не просто виконує жорстко задану програму, а навчається точніше працювати з кидком і рухом.
Це цікаво не лише як шоу-кейс. Toyota фактично використовує CUE як полігон для embodied AI — систем сприйняття, керування та точних рухів. Тобто для тих технологій які можуть піти далі в гуманоїдну й прикладну робототехніку.
Вчора — витривалість і динаміка. Сьогодні — точність і навчання через досвід.
Два різних виробники, два різних завдання — але один напрямок: роботи перестають бути демо.
Детальніше про CUE7
🔔 ПІДПИСАТИСЯ
Toyota показала CUE7 — нову версію свого робота-баскетболіста.
З підтвердженого офіційно: масу знизили зі 120 до 74 кг, перевели на інвертовану двоколісну платформу для кращої динаміки. Але головне оновлення — гібридна система керування яка поєднує reinforcement learning з класичними методами контролю. Тобто CUE7 не просто виконує жорстко задану програму, а навчається точніше працювати з кидком і рухом.
Це цікаво не лише як шоу-кейс. Toyota фактично використовує CUE як полігон для embodied AI — систем сприйняття, керування та точних рухів. Тобто для тих технологій які можуть піти далі в гуманоїдну й прикладну робототехніку.
Вчора — витривалість і динаміка. Сьогодні — точність і навчання через досвід.
Два різних виробники, два різних завдання — але один напрямок: роботи перестають бути демо.
Детальніше про CUE7
🔔 ПІДПИСАТИСЯ
👍10🔥2
У Linux 7.1 з'явиться новий in-kernel драйвер NTFS 🐧
Для багатьох це справді важлива новина. Чимало людей живуть між двома системами: працюють у Linux, але користуються специфічним софтом під Windows, працюють із зовнішніми дисками або постійно перекидають файли між двома ОС. І весь цей час робота з NTFS залишалася одним із найбільш дратівливих місць.
Тепер цю проблему нарешті починають закривати всерйоз. Йдеться не про черговий дрібний патч, а про нову реалізацію драйвера від Namjae Jeon — одного з ключових розробників exFAT у Linux.
По суті це означає менше болю для dual-boot, менше тертя при роботі з дисками з Windows і ще один сигнал що Linux усе більше дорослішає як універсальна робоча система.
Схоже нарешті навайбкодили 😄
До речі Лінус кілька місяців тому робив пост що не писав стільки коду ніколи як зараз — і дуже добре відгукувався про агентів. Активність його на GitHub помітно виросла. Збіг?
🔔 ПІДПИСАТИСЯ
Для багатьох це справді важлива новина. Чимало людей живуть між двома системами: працюють у Linux, але користуються специфічним софтом під Windows, працюють із зовнішніми дисками або постійно перекидають файли між двома ОС. І весь цей час робота з NTFS залишалася одним із найбільш дратівливих місць.
Тепер цю проблему нарешті починають закривати всерйоз. Йдеться не про черговий дрібний патч, а про нову реалізацію драйвера від Namjae Jeon — одного з ключових розробників exFAT у Linux.
По суті це означає менше болю для dual-boot, менше тертя при роботі з дисками з Windows і ще один сигнал що Linux усе більше дорослішає як універсальна робоча система.
Схоже нарешті навайбкодили 😄
До речі Лінус кілька місяців тому робив пост що не писав стільки коду ніколи як зараз — і дуже добре відгукувався про агентів. Активність його на GitHub помітно виросла. Збіг?
🔔 ПІДПИСАТИСЯ
👍8🔥3
Meta представила Muse Spark — першу нову AI-модель за рік і перший продукт Superintelligence Labs.
Так так, Марк не здається — ось навіть у презентації вказали що їхня модель краща за Opus 4.6, але не встигли порівняти з Opus 4.7 🤭
Мультимодальна reasoning-модель з підтримкою інструментів і мультиагентного режиму — кілька агентів паралельно шукають і уточнюють рішення. За даними Meta, модель особливо сильна в медичних і мультимодальних задачах, але поки поступається лідерам у кодуванні.
Muse Spark вже доступна безкоштовно через Meta AI, згодом з'явиться у WhatsApp, Instagram, Facebook, Messenger і окулярах Ray-Ban Meta. Архітектуру, кількість параметрів і тренувальні дані Meta не розкрила 🤷♂️
Але головне тут те що Meta — компанія яка асоціювалася з відкритими Llama-моделями — тепер робить ставку на закриту пропрієтарну систему. Це важливий сигнал: конкуренція дедалі більше зміщується від "просто великих моделей" до мультимодальності, агентності та ефективності inference.
🔔 ПІДПИСАТИСЯ
Так так, Марк не здається — ось навіть у презентації вказали що їхня модель краща за Opus 4.6, але не встигли порівняти з Opus 4.7 🤭
Мультимодальна reasoning-модель з підтримкою інструментів і мультиагентного режиму — кілька агентів паралельно шукають і уточнюють рішення. За даними Meta, модель особливо сильна в медичних і мультимодальних задачах, але поки поступається лідерам у кодуванні.
Muse Spark вже доступна безкоштовно через Meta AI, згодом з'явиться у WhatsApp, Instagram, Facebook, Messenger і окулярах Ray-Ban Meta. Архітектуру, кількість параметрів і тренувальні дані Meta не розкрила 🤷♂️
Але головне тут те що Meta — компанія яка асоціювалася з відкритими Llama-моделями — тепер робить ставку на закриту пропрієтарну систему. Це важливий сигнал: конкуренція дедалі більше зміщується від "просто великих моделей" до мультимодальності, агентності та ефективності inference.
🔔 ПІДПИСАТИСЯ
👍8
Доброго ранку! ☀️☕️
Знову середа — а це означає розбір нової наукової статті. Тиждень пролетів непомітно 😄
Натрапив на цікаву роботу від дослідників Google про те як LLM можна використовувати не просто для генерації "середньої думки", а для моделювання цілого спектра людських позицій.
Коли компанії тестують нові функції або продукти через LLM, проблема часто в тому що модель відповідає занадто усереднено. Вона може зімітувати "типового користувача", але погано передає справжню людську варіативність: сумніви, крайні позиції, різний рівень довіри, схильність до ризику.
Я часто раджу своїм студентам давати LLM конкретні ролі — це справді добре працює. Але є проблема: навіть з роллю модель зазвичай відповідає обережно і згладжено. Вона ніби приймає роль, але залишається в межах найбільш імовірних патернів.
Саме це й спробували виправити автори підходу Persona Generators.
Ідея не в тому щоб вручну написати кілька промптів на кшталт "відповідай як консервативний користувач". Такий підхід занадто примітивний. Натомість вони запропонували оптимізувати сам спосіб генерації персон — система багаторазово змінює формулювання поки персони не починають давати відповіді що дійсно покривають широкий діапазон позицій.
Працює це так. Gemini 2.5 Pro генерував опитувальники на різні теми — від охорони здоров'я до фінансової грамотності. Для кожної теми задавалися осі різноманітності: довіра до інституцій, толерантність до ризику тощо. Далі система створювала 25 персон, інша модель відповідала від їхнього імені, а еволюційний алгоритм відбирав ті способи генерації які давали найбільшу різноманітність відповідей.
Результат: синтетичні персони покривали 82% можливих відповідей на тестових опитувальниках, тоді як простіші підходи давали 76% і 46%.
Але найцікавіше тут навіть не сама цифра. А постановка задачі. Замість класичного прагнення до найбільш імовірної відповіді — оптимізація на покриття всього простору можливих реакцій. Це принципово інша логіка.
Ми звикли сприймати LLM як інструмент для тексту, коду чи автоматизації. Але поступово вони стають інструментом для моделювання колективної поведінки. Не в сенсі "точного передбачення людей" — а в сенсі побудови більш гнучких синтетичних аудиторій на яких можна тестувати гіпотези ще до контакту з реальним ринком.
Для продуктів, маркетингу і UX-досліджень це може бути дуже корисно. Бо "середня думка" майже завжди приховує найцікавіше — крайні сценарії, нестандартні очікування і неочевидні заперечення.
Можливо далі ми будемо все частіше бачити LLM не лише як співрозмовника, а як основу для synthetic research — штучного моделювання аудиторій і соціальних реакцій.
🔔 ПІДПИСАТИСЯ
Знову середа — а це означає розбір нової наукової статті. Тиждень пролетів непомітно 😄
Натрапив на цікаву роботу від дослідників Google про те як LLM можна використовувати не просто для генерації "середньої думки", а для моделювання цілого спектра людських позицій.
Коли компанії тестують нові функції або продукти через LLM, проблема часто в тому що модель відповідає занадто усереднено. Вона може зімітувати "типового користувача", але погано передає справжню людську варіативність: сумніви, крайні позиції, різний рівень довіри, схильність до ризику.
Я часто раджу своїм студентам давати LLM конкретні ролі — це справді добре працює. Але є проблема: навіть з роллю модель зазвичай відповідає обережно і згладжено. Вона ніби приймає роль, але залишається в межах найбільш імовірних патернів.
Саме це й спробували виправити автори підходу Persona Generators.
Ідея не в тому щоб вручну написати кілька промптів на кшталт "відповідай як консервативний користувач". Такий підхід занадто примітивний. Натомість вони запропонували оптимізувати сам спосіб генерації персон — система багаторазово змінює формулювання поки персони не починають давати відповіді що дійсно покривають широкий діапазон позицій.
Працює це так. Gemini 2.5 Pro генерував опитувальники на різні теми — від охорони здоров'я до фінансової грамотності. Для кожної теми задавалися осі різноманітності: довіра до інституцій, толерантність до ризику тощо. Далі система створювала 25 персон, інша модель відповідала від їхнього імені, а еволюційний алгоритм відбирав ті способи генерації які давали найбільшу різноманітність відповідей.
Результат: синтетичні персони покривали 82% можливих відповідей на тестових опитувальниках, тоді як простіші підходи давали 76% і 46%.
Але найцікавіше тут навіть не сама цифра. А постановка задачі. Замість класичного прагнення до найбільш імовірної відповіді — оптимізація на покриття всього простору можливих реакцій. Це принципово інша логіка.
Ми звикли сприймати LLM як інструмент для тексту, коду чи автоматизації. Але поступово вони стають інструментом для моделювання колективної поведінки. Не в сенсі "точного передбачення людей" — а в сенсі побудови більш гнучких синтетичних аудиторій на яких можна тестувати гіпотези ще до контакту з реальним ринком.
Для продуктів, маркетингу і UX-досліджень це може бути дуже корисно. Бо "середня думка" майже завжди приховує найцікавіше — крайні сценарії, нестандартні очікування і неочевидні заперечення.
Можливо далі ми будемо все частіше бачити LLM не лише як співрозмовника, а як основу для synthetic research — штучного моделювання аудиторій і соціальних реакцій.
🔔 ПІДПИСАТИСЯ
👍5🔥4❤1🎉1
Щосекунди до GitHub приєднується новий розробник
GitHub — це велика база даних коду якою користуються майже всі розробники і компанії: тут зберігають код, співпрацюють над проєктами і відстежують зміни.
За словами Kyle Daigle, у 2025 році на GitHub було зафіксовано майже 1 млрд commits, а зараз платформа вийшла на рівень близько 275 млн commits на тиждень. GitHub Actions — 2.1 млрд хвилин на тиждень.
Але головне тут не сама цифра. Це не просто "люди стали більше писати код". Це сигнал про інше: розробка дедалі більше переходить у режим де код масово створюють не лише люди, а й AI-інструменти та агенти.
І тут важливо не переплутати обсяг із цінністю.
Більше commits не означає автоматично більше корисного софту. AI збільшує throughput генерації коду, але вузьке місце зміщується в інший бік: рев'ю, валідація, тестування, безпека, здатність команди відділяти корисні зміни від шуму.
Тобто ми входимо в етап де проблема вже не в тому щоб "написати код". Проблема сьогодні звучить вже не "скільки коду може створити AI?" а "скільки з цього коду реально корисного та як перевiряти цю користь?"
На мій погляд це одна з найважливіших змін у сучасній інженерії. Генерація коду дешевшає — а отже все більшою цінністю стає перевірка, архітектурне мислення і контроль якості.
Ми рухаємось до світу де писати код стає дедалі легше, а думати та розуміти код — дедалі важливіше.
І тут виникає цікаве питання: як нові люди які починають вайбкодити зможуть розуміти код якщо вони його не пишуть?
🔔 ПІДПИСАТИСЯ
GitHub — це велика база даних коду якою користуються майже всі розробники і компанії: тут зберігають код, співпрацюють над проєктами і відстежують зміни.
За словами Kyle Daigle, у 2025 році на GitHub було зафіксовано майже 1 млрд commits, а зараз платформа вийшла на рівень близько 275 млн commits на тиждень. GitHub Actions — 2.1 млрд хвилин на тиждень.
Але головне тут не сама цифра. Це не просто "люди стали більше писати код". Це сигнал про інше: розробка дедалі більше переходить у режим де код масово створюють не лише люди, а й AI-інструменти та агенти.
І тут важливо не переплутати обсяг із цінністю.
Більше commits не означає автоматично більше корисного софту. AI збільшує throughput генерації коду, але вузьке місце зміщується в інший бік: рев'ю, валідація, тестування, безпека, здатність команди відділяти корисні зміни від шуму.
Тобто ми входимо в етап де проблема вже не в тому щоб "написати код". Проблема сьогодні звучить вже не "скільки коду може створити AI?" а "скільки з цього коду реально корисного та як перевiряти цю користь?"
На мій погляд це одна з найважливіших змін у сучасній інженерії. Генерація коду дешевшає — а отже все більшою цінністю стає перевірка, архітектурне мислення і контроль якості.
Ми рухаємось до світу де писати код стає дедалі легше, а думати та розуміти код — дедалі важливіше.
І тут виникає цікаве питання: як нові люди які починають вайбкодити зможуть розуміти код якщо вони його не пишуть?
🔔 ПІДПИСАТИСЯ
👍8👏2
Big Pharma ставить мільярди на AI для створення ліків 💊
Доброго ранку та гарного четверга! ☕️
Фармгігант Eli Lilly уклав угоду з Insilico Medicine — компанією яка використовує генеративний AI для пошуку біомішеней і дизайну молекул. Загальна сума потенційної угоди — до $2,75 млрд, з яких $115 млн одразу за права на розробку кількох експериментальних препаратів.
Що тут справді цікаво: Insilico застосовує AI не лише для "генерації молекул", а одразу на двох критичних етапах drug discovery. Спочатку AI шукає біологічну мішень — білок або механізм на який варто впливати. Далі інші моделі допомагають спроєктувати молекулу яка зможе з цією мішенню працювати.
Компанія стверджує що шлях від пошуку мішені до доклінічного кандидата може займати близько 18 місяців — тоді як традиційно це часто 5–6 років. І замість перевірки мільйонів сполук в окремих кейсах вони доходили до кандидата після синтезу менш ніж 80 молекул.
Це вже не лише красива презентація. У компанії 28 програм, половина з яких дійшла до клінічних випробувань. Найпросунутіший кандидат — Rentosertib для лікування ідіопатичного легеневого фіброзу — у Phase 2a показав покращення функції легень там де плацебо давало погіршення.
Але я цікавлюся фармою і маю кілька знайомих які займаються стартапами в цій сфері. Тому знаю що ранній успіх тут ще нічого не гарантує.
Розробка нового препарату зазвичай займає 10–15 років, коштує понад $2 млрд, а більшість кандидатів так і не доходять до схвалення. І поки що жоден препарат відкритий за допомогою AI не отримав регуляторного затвердження. BenevolentAI нещодавно провалив Phase 2 для лікування екземи. Recursion Pharmaceuticals теж поки шукає свій перший реальний успіх у клініці.
Тобто головне питання не в тому чи може AI пришвидшити перший етап. Схоже що може. Питання в іншому: чи зможе він підвищити реальну ймовірність успіху в клініці, а не просто швидше генерувати нові молекули.
Генеративний AI заходить не лише в контент і програмування, а й у сфери де ціна помилки — це роки досліджень, мільярди доларів і здоров'я пацієнтів. Якщо ця ставка спрацює — drug discovery може стати одним із найсильніших практичних кейсів для AI взагалі.
🔔 ПІДПИСАТИСЯ
Доброго ранку та гарного четверга! ☕️
Фармгігант Eli Lilly уклав угоду з Insilico Medicine — компанією яка використовує генеративний AI для пошуку біомішеней і дизайну молекул. Загальна сума потенційної угоди — до $2,75 млрд, з яких $115 млн одразу за права на розробку кількох експериментальних препаратів.
Що тут справді цікаво: Insilico застосовує AI не лише для "генерації молекул", а одразу на двох критичних етапах drug discovery. Спочатку AI шукає біологічну мішень — білок або механізм на який варто впливати. Далі інші моделі допомагають спроєктувати молекулу яка зможе з цією мішенню працювати.
Компанія стверджує що шлях від пошуку мішені до доклінічного кандидата може займати близько 18 місяців — тоді як традиційно це часто 5–6 років. І замість перевірки мільйонів сполук в окремих кейсах вони доходили до кандидата після синтезу менш ніж 80 молекул.
Це вже не лише красива презентація. У компанії 28 програм, половина з яких дійшла до клінічних випробувань. Найпросунутіший кандидат — Rentosertib для лікування ідіопатичного легеневого фіброзу — у Phase 2a показав покращення функції легень там де плацебо давало погіршення.
Але я цікавлюся фармою і маю кілька знайомих які займаються стартапами в цій сфері. Тому знаю що ранній успіх тут ще нічого не гарантує.
Розробка нового препарату зазвичай займає 10–15 років, коштує понад $2 млрд, а більшість кандидатів так і не доходять до схвалення. І поки що жоден препарат відкритий за допомогою AI не отримав регуляторного затвердження. BenevolentAI нещодавно провалив Phase 2 для лікування екземи. Recursion Pharmaceuticals теж поки шукає свій перший реальний успіх у клініці.
Тобто головне питання не в тому чи може AI пришвидшити перший етап. Схоже що може. Питання в іншому: чи зможе він підвищити реальну ймовірність успіху в клініці, а не просто швидше генерувати нові молекули.
Генеративний AI заходить не лише в контент і програмування, а й у сфери де ціна помилки — це роки досліджень, мільярди доларів і здоров'я пацієнтів. Якщо ця ставка спрацює — drug discovery може стати одним із найсильніших практичних кейсів для AI взагалі.
🔔 ПІДПИСАТИСЯ
👍7❤5🔥1
Meta готує нову хвилю скорочень 🥴
За даними Reuters, перший етап запланований на 20 травня і може зачепити близько 10% глобального штату — майже 8 тисяч людей. Meta публічно ці цифри не підтвердила і від коментарів відмовилась.
Причина яку називають медіа — ставка на AI і бажання замінити частину рутинної роботи AI-інструментами, спростити структуру і скоротити витрати.
Окремо варто зазначити: в березні Reuters писав що всередині Meta обговорювалися значно ширші скорочення — до 20% протягом року. Але це поки не офіційний план, а сценарій який обговорювали джерела. Тобто 8 тисяч на 20 травня — це те що зараз виглядає підтвердженим, а 20% — рання оцінка яку варто сприймати обережно.
Якщо цифри підтвердяться, це може стати найбільшим скороченням у Meta з часу "year of efficiency" 2022–2023 років коли компанія вже звільнила близько 21 тисячі людей.
🔔 ПІДПИСАТИСЯ
За даними Reuters, перший етап запланований на 20 травня і може зачепити близько 10% глобального штату — майже 8 тисяч людей. Meta публічно ці цифри не підтвердила і від коментарів відмовилась.
Причина яку називають медіа — ставка на AI і бажання замінити частину рутинної роботи AI-інструментами, спростити структуру і скоротити витрати.
Окремо варто зазначити: в березні Reuters писав що всередині Meta обговорювалися значно ширші скорочення — до 20% протягом року. Але це поки не офіційний план, а сценарій який обговорювали джерела. Тобто 8 тисяч на 20 травня — це те що зараз виглядає підтвердженим, а 20% — рання оцінка яку варто сприймати обережно.
Якщо цифри підтвердяться, це може стати найбільшим скороченням у Meta з часу "year of efficiency" 2022–2023 років коли компанія вже звільнила близько 21 тисячі людей.
🔔 ПІДПИСАТИСЯ
👀3👍2🔥1
А поки Meta скорочує тисячі людей — є ще одна новина звідти.
За даними Financial Times, Meta тестує AI-аватар Марка Цукерберга для внутрішньої комунікації зі співробітниками. Цифрову версію навчають на його голосі, манері спілкування та публічних позиціях — щоб вона могла взаємодіяти з командою в реальному часі.
Сам Цукерберг бере участь у тестуванні.
Тобто маємо таку картину: 8 тисяч живих людей — на вихід, віртуальний Марк — на вхід.
🔔 ПІДПИСАТИСЯ
За даними Financial Times, Meta тестує AI-аватар Марка Цукерберга для внутрішньої комунікації зі співробітниками. Цифрову версію навчають на його голосі, манері спілкування та публічних позиціях — щоб вона могла взаємодіяти з командою в реальному часі.
Сам Цукерберг бере участь у тестуванні.
Тобто маємо таку картину: 8 тисяч живих людей — на вихід, віртуальний Марк — на вхід.
🔔 ПІДПИСАТИСЯ
😁6🤡2
Вітаю з п'ятницею! 👋
Підготував для вас трохи мотиваційного контенту перед вихідними — щоб ви не просто поїхали смажити шашлики, але й приділили час своєму розвитку 😄
Останнім часом Гері Вайнерчук дедалі частіше з'являється в подкастах не просто як підприємець, а як людина яка активно говорить про AI. Я підписаний на нього вже понад 10 років. Для мене він цікавий тим як людина яка багато разів точно відчувала великі технологічні зсуви ще до того як вони ставали очевидними для всіх.
Для контексту: Вайнерчук виростив сімейний винний бізнес із $3 млн до $60 млн виторгу (не те що Трамп 🙈), а згодом став раннім інвестором у Facebook, Twitter, Uber, Snapchat, Venmo та Coinbase. Тому його погляд на AI — це не "ще одна думка", а позиція людини яка вміє помічати зміну правил гри до того як це стає очевидним.
Його позиція щодо AI доволі тонка. З одного боку штучний інтелект посилює концентрацію капіталу у великих платформ. З іншого — різко здешевлює вхід для малих гравців. Тобто зверху ринок стискається, а знизу з'являється новий шар людей які можуть самотужки запускати продукти і заробляти швидше ніж раніше.
І мабуть найцікавіша його теза: основний удар припаде не по краях, а по середині. Не лише по "звичайних офісних працівниках", а загалом по середньому шару — компаніях і спеціалістах які недостатньо великі щоб захищатися масштабом, і недостатньо малі щоб бути надгнучкими.
Мені це нагадало одне спостереження з біології та соціології. Якщо подивитися на статистику народжуваності, найбільше дітей мають бідні і дуже багаті. Середній клас зазвичай має одну дитину або не має взагалі. Схоже що для еволюції "середня" стратегія не є оптимальною — вона надто дорога щоб конкурувати з масштабом, і надто інертна щоб конкурувати зі швидкістю.
Можливо AI-економіка буде влаштована подібним чином: найбільші виграють завдяки масштабу, найменші — завдяки швидкості й адаптивності, а "нормальний стабільний середняк" опиниться під найбільшим тиском.
Його практичний рецепт простий: не чекати ідеального моменту, швидко збирати недорогий продукт, тестувати попит і будувати дистрибуцію через органічний контент. Застосунок або сервіс із підпискою $5–50 на місяць плюс просування через LinkedIn, X, TikTok.
Ще одна сильна теза — зростання цінності офлайну. Чим більше в стрічках буде AI-контенту і синтетичних інфлюенсерів, тим вищою ставатиме цінність реального досвіду: живих зустрічей, конференцій, фізичної присутності. Його формулювання: аналоговий світ знову стане преміальним. Можливо саме тому останні роки я інтуїтивно збираю і слухаю музику на вінілі 🎵
І головний практичний висновок — перехід від "каменярів" до "архітекторів". Замало просто виконувати роботу швидше. Важливіше вміти проєктувати систему, бачити ринок, поєднувати інструменти і перетворювати все це на продукт.
AI не скасовує підприємництво. Він просто робить світ жорсткішим, швидшим і більш полярним. І в такому світі виграють не ті хто голосніше панікує, а ті хто швидше вчиться і поступово переходить із ролі виконавця в роль архітектора.
Гарних вихідних! 🔥
Підготував для вас трохи мотиваційного контенту перед вихідними — щоб ви не просто поїхали смажити шашлики, але й приділили час своєму розвитку 😄
Останнім часом Гері Вайнерчук дедалі частіше з'являється в подкастах не просто як підприємець, а як людина яка активно говорить про AI. Я підписаний на нього вже понад 10 років. Для мене він цікавий тим як людина яка багато разів точно відчувала великі технологічні зсуви ще до того як вони ставали очевидними для всіх.
Для контексту: Вайнерчук виростив сімейний винний бізнес із $3 млн до $60 млн виторгу (не те що Трамп 🙈), а згодом став раннім інвестором у Facebook, Twitter, Uber, Snapchat, Venmo та Coinbase. Тому його погляд на AI — це не "ще одна думка", а позиція людини яка вміє помічати зміну правил гри до того як це стає очевидним.
Його позиція щодо AI доволі тонка. З одного боку штучний інтелект посилює концентрацію капіталу у великих платформ. З іншого — різко здешевлює вхід для малих гравців. Тобто зверху ринок стискається, а знизу з'являється новий шар людей які можуть самотужки запускати продукти і заробляти швидше ніж раніше.
І мабуть найцікавіша його теза: основний удар припаде не по краях, а по середині. Не лише по "звичайних офісних працівниках", а загалом по середньому шару — компаніях і спеціалістах які недостатньо великі щоб захищатися масштабом, і недостатньо малі щоб бути надгнучкими.
Мені це нагадало одне спостереження з біології та соціології. Якщо подивитися на статистику народжуваності, найбільше дітей мають бідні і дуже багаті. Середній клас зазвичай має одну дитину або не має взагалі. Схоже що для еволюції "середня" стратегія не є оптимальною — вона надто дорога щоб конкурувати з масштабом, і надто інертна щоб конкурувати зі швидкістю.
Можливо AI-економіка буде влаштована подібним чином: найбільші виграють завдяки масштабу, найменші — завдяки швидкості й адаптивності, а "нормальний стабільний середняк" опиниться під найбільшим тиском.
Його практичний рецепт простий: не чекати ідеального моменту, швидко збирати недорогий продукт, тестувати попит і будувати дистрибуцію через органічний контент. Застосунок або сервіс із підпискою $5–50 на місяць плюс просування через LinkedIn, X, TikTok.
Ще одна сильна теза — зростання цінності офлайну. Чим більше в стрічках буде AI-контенту і синтетичних інфлюенсерів, тим вищою ставатиме цінність реального досвіду: живих зустрічей, конференцій, фізичної присутності. Його формулювання: аналоговий світ знову стане преміальним. Можливо саме тому останні роки я інтуїтивно збираю і слухаю музику на вінілі 🎵
І головний практичний висновок — перехід від "каменярів" до "архітекторів". Замало просто виконувати роботу швидше. Важливіше вміти проєктувати систему, бачити ринок, поєднувати інструменти і перетворювати все це на продукт.
AI не скасовує підприємництво. Він просто робить світ жорсткішим, швидшим і більш полярним. І в такому світі виграють не ті хто голосніше панікує, а ті хто швидше вчиться і поступово переходить із ролі виконавця в роль архітектора.
Гарних вихідних! 🔥
👍17
Добрий вечір 👋
На жаль не писав кілька днів — вихідні видалися напруженими, багато роботи. Були ідеї що розповісти, однак починав але залишав у драфті. Намагаюся давати тільки перевірену інформацію яка справді несе якийсь зміст.
Але сьогодні нарешті добрався.
Петер Стрейнберг, розробник який продав PSPDFKit за $100M+, побудував OpenClaw — проєкт що вибухнув до 180 000+ зірок на GitHub — майже повністю з допомогою Codex. Він запускає кілька агентів паралельно і каже що його продуктивність приблизно подвоїлась. Нещодавно він навіть приєднався до OpenAI щоб будувати агентів наступного покоління.
Це суперечливо але вражаюче. Все більше реальної розробки віддається на відкуп AI. Але це доступно далеко не всім — все впирається в ліміти і токени. І часом розробка з допомогою AI обходиться дорожче ніж робота senior-інженерів.
Але щоб запускати десятки агентів паралельно — потрібні колосальні обчислювальні потужності. А потужності це електрика, охолодження, земля, дата-центри. Про це ми вже багато говорили в попередніх постах.
І тут я читаю нову статтю — і картина стає ще цікавішою.
У США місцеві громади все активніше блокують будівництво дата-центрів. З травня 2024 по березень 2025 через місцевий спротив було заблоковано або відкладено проєкти на приблизно $64 млрд.
Штат Мен ухвалив мораторій до 2027 року на нові дата-центри потужністю 20+ МВт. У Вісконсині місто Порт-Вашингтон провело референдум — тепер великі проєкти мають отримувати схвалення виборців перед податковими пільгами. Це сталося на фоні будівництва дата-центру потужністю 1,3 ГВт для Oracle та OpenAI. У Міссурі виборці усунули з міської ради всіх хто підтримав дата-центр на $6 млрд. В Огайо активісти хочуть внести до конституції штату заборону на дата-центри потужністю понад 25 МВт.
Тобто поки ми захоплюємося агентами і паралельною розробкою — виникає дуже матеріальне питання: хто заплатить за електрику, воду, шум і землю для цього майбутнього?
Тут є три кути.
З одного боку для Big Tech дата-центри — стратегічна інфраструктура. Без них не буде нових моделей, агентів і конкуренції з Китаєм. З іншого — для місцевих громад дата-центр це не абстрактний "AI progress", а величезний об'єкт поруч із домом який впливає на ціни, мережу і якість життя. Особливо болюча тема — прозорість: люди не хочуть дізнаватися постфактум що біля них будується гігантський комплекс невідомого оператора.
І третій кут — геополітичний. Коли американські технолідери кажуть що дата-центри потрібні для конкуренції з Китаєм — це не просто риторика. Китай будує AI-інфраструктуру як стратегічний державний проєкт. Ініціатива "East Data, West Computing" переносить дата-центри із дорогого сходу на захід де більше землі, дешевша енергія і холодніший клімат. Аналітики називають це одним із наймасштабніших прикладів державного планування дата-центрів у світі.
У Європі конфлікт теж уже є. Ірландія стала одним із головних дата-центричних хабів Європи — але у 2024 році дата-центри вже споживали близько 22% електроенергії країни, а до 2034 може зрости до 31%. Після фактичного стопу на нові підключення навколо Дубліна правила залишилися жорсткими: нові об'єкти мають забезпечувати власну генерацію яка покриває 100% попиту.
Не всі дата-центри однакові — нові можуть бути значно ефективнішими із замкненими системами охолодження і власною генерацією. Але масштаб росте швидше ніж ефективність.
AI-революція впирається не тільки в алгоритми. Вона впирається в електромережі, дозволи і згоду громад.
Бо "хмара" насправді стоїть на землі. І комусь доведеться жити поруч із нею.
🔔 ПІДПИСАТИСЯ
На жаль не писав кілька днів — вихідні видалися напруженими, багато роботи. Були ідеї що розповісти, однак починав але залишав у драфті. Намагаюся давати тільки перевірену інформацію яка справді несе якийсь зміст.
Але сьогодні нарешті добрався.
Петер Стрейнберг, розробник який продав PSPDFKit за $100M+, побудував OpenClaw — проєкт що вибухнув до 180 000+ зірок на GitHub — майже повністю з допомогою Codex. Він запускає кілька агентів паралельно і каже що його продуктивність приблизно подвоїлась. Нещодавно він навіть приєднався до OpenAI щоб будувати агентів наступного покоління.
Це суперечливо але вражаюче. Все більше реальної розробки віддається на відкуп AI. Але це доступно далеко не всім — все впирається в ліміти і токени. І часом розробка з допомогою AI обходиться дорожче ніж робота senior-інженерів.
Але щоб запускати десятки агентів паралельно — потрібні колосальні обчислювальні потужності. А потужності це електрика, охолодження, земля, дата-центри. Про це ми вже багато говорили в попередніх постах.
І тут я читаю нову статтю — і картина стає ще цікавішою.
У США місцеві громади все активніше блокують будівництво дата-центрів. З травня 2024 по березень 2025 через місцевий спротив було заблоковано або відкладено проєкти на приблизно $64 млрд.
Штат Мен ухвалив мораторій до 2027 року на нові дата-центри потужністю 20+ МВт. У Вісконсині місто Порт-Вашингтон провело референдум — тепер великі проєкти мають отримувати схвалення виборців перед податковими пільгами. Це сталося на фоні будівництва дата-центру потужністю 1,3 ГВт для Oracle та OpenAI. У Міссурі виборці усунули з міської ради всіх хто підтримав дата-центр на $6 млрд. В Огайо активісти хочуть внести до конституції штату заборону на дата-центри потужністю понад 25 МВт.
Тобто поки ми захоплюємося агентами і паралельною розробкою — виникає дуже матеріальне питання: хто заплатить за електрику, воду, шум і землю для цього майбутнього?
Тут є три кути.
З одного боку для Big Tech дата-центри — стратегічна інфраструктура. Без них не буде нових моделей, агентів і конкуренції з Китаєм. З іншого — для місцевих громад дата-центр це не абстрактний "AI progress", а величезний об'єкт поруч із домом який впливає на ціни, мережу і якість життя. Особливо болюча тема — прозорість: люди не хочуть дізнаватися постфактум що біля них будується гігантський комплекс невідомого оператора.
І третій кут — геополітичний. Коли американські технолідери кажуть що дата-центри потрібні для конкуренції з Китаєм — це не просто риторика. Китай будує AI-інфраструктуру як стратегічний державний проєкт. Ініціатива "East Data, West Computing" переносить дата-центри із дорогого сходу на захід де більше землі, дешевша енергія і холодніший клімат. Аналітики називають це одним із наймасштабніших прикладів державного планування дата-центрів у світі.
У Європі конфлікт теж уже є. Ірландія стала одним із головних дата-центричних хабів Європи — але у 2024 році дата-центри вже споживали близько 22% електроенергії країни, а до 2034 може зрости до 31%. Після фактичного стопу на нові підключення навколо Дубліна правила залишилися жорсткими: нові об'єкти мають забезпечувати власну генерацію яка покриває 100% попиту.
Не всі дата-центри однакові — нові можуть бути значно ефективнішими із замкненими системами охолодження і власною генерацією. Але масштаб росте швидше ніж ефективність.
AI-революція впирається не тільки в алгоритми. Вона впирається в електромережі, дозволи і згоду громад.
Бо "хмара" насправді стоїть на землі. І комусь доведеться жити поруч із нею.
🔔 ПІДПИСАТИСЯ
👍11🔥2❤1
👆 У США активно просувають обов’язкові системи в автомобілях, які моніторять стан водія і можуть обмежувати керування.
Сьогодні середа, але я не встиг підготувати для вас розбір наукової статті — давайте перенесемо його на завтра.
А сьогодні хочу розібрати іншу тему, яка мені особисто дуже цікава, бо вона напряму перетинається з моєю сферою інтересів — безпечним водінням і AI-системами в автомобілях.
Тож доброго ранку ☕️
Section 24220 Bipartisan Infrastructure Law зобов'язує NHTSA розробити федеральний стандарт безпеки для нових автомобілів щоб запобігати керуванню в стані сп'яніння або втоми. За даними NHTSA, щороку в США гине понад 12 000 людей у ДТП пов'язаних з алкоголем — близько третини всіх дорожніх смертей.
Ключова вимога — система має бути пасивною. Без жодної активної дії з боку водія. Це одразу виключає класичний алкозамок куди треба дути. Натомість розглядаються кілька підходів.
Перший — стеження за поведінкою водія через камери: рух очей, положення голови, характер керування кермом і гальмами. Другий — хімічне визначення алкоголю: вимірювання у повітрі салону або через шкіру за допомогою інфрачервоних датчиків вбудованих у кнопку запуску або кермо. Третій — гібридні системи що поєднують обидва підходи.
І це вже не теорія.
Ford BlueCruise і GM Super Cruise серійно використовують моніторинг водія через камеру вже зараз — на Mustang Mach-E, F-150, Cadillac Escalade, Silverado та інших моделях. Ford використовує камеру та інфрачервоне підсвічування щоб відстежувати очі й положення голови. GM має Driver Attention System: камера біля рульової колонки перевіряє чи водій дивиться на дорогу.
Але важливо: це ще не визначення алкоголю і не реалізація Section 24220. Це перший шар цієї архітектури — контроль уваги під час рук-вільного режиму.
Технічно це не проста камера в салоні. За відкритими джерелами, у таких системах використовуються спеціалізовані рішення на кшталт Seeing Machines FOVIO, Magna, Joyson Safety Systems. Це вбудований комп'ютерний зір: інфрачервона камера, підсвічування, локальна обробка на автомобільному залізі, оцінка положення голови, погляду, повік, моргання і стану уваги. Все це в реальному часі.
Якщо сьогодні така система лише перевіряє чи водій дивиться на дорогу — завтра на схожій архітектурі будуватимуться системи для виявлення сонливості, алкоголю і втрати концентрації.
Щодо конфіденційності — є важлива деталь. GM прямо вказує в документації що Driver Attention Camera не записує і не передає фото, відео або аудіо. Обробка відбувається локально на пристрої. Але це поки добровільна заява виробника — не регуляторна вимога.
І саме тут виникає головне питання. Де виконується обробка, чи зберігаються дані про події, хто має до них доступ, як оскаржити помилкове спрацювання і як гарантувати що система безпеки не перетвориться на систему стеження.
Помилка тут — це не баг у застосунку. Якщо система помилково вирішить що водій у небезпечному стані і обмежить рух — наслідки зовсім інші.
AI виходить із чатів у фізичний світ. І чим більше таких систем з'являється — тим важливіше ставити ці питання заздалегідь.
🔔 ПІДПИСАТИСЯ
Сьогодні середа, але я не встиг підготувати для вас розбір наукової статті — давайте перенесемо його на завтра.
А сьогодні хочу розібрати іншу тему, яка мені особисто дуже цікава, бо вона напряму перетинається з моєю сферою інтересів — безпечним водінням і AI-системами в автомобілях.
Тож доброго ранку ☕️
Section 24220 Bipartisan Infrastructure Law зобов'язує NHTSA розробити федеральний стандарт безпеки для нових автомобілів щоб запобігати керуванню в стані сп'яніння або втоми. За даними NHTSA, щороку в США гине понад 12 000 людей у ДТП пов'язаних з алкоголем — близько третини всіх дорожніх смертей.
Ключова вимога — система має бути пасивною. Без жодної активної дії з боку водія. Це одразу виключає класичний алкозамок куди треба дути. Натомість розглядаються кілька підходів.
Перший — стеження за поведінкою водія через камери: рух очей, положення голови, характер керування кермом і гальмами. Другий — хімічне визначення алкоголю: вимірювання у повітрі салону або через шкіру за допомогою інфрачервоних датчиків вбудованих у кнопку запуску або кермо. Третій — гібридні системи що поєднують обидва підходи.
І це вже не теорія.
Ford BlueCruise і GM Super Cruise серійно використовують моніторинг водія через камеру вже зараз — на Mustang Mach-E, F-150, Cadillac Escalade, Silverado та інших моделях. Ford використовує камеру та інфрачервоне підсвічування щоб відстежувати очі й положення голови. GM має Driver Attention System: камера біля рульової колонки перевіряє чи водій дивиться на дорогу.
Але важливо: це ще не визначення алкоголю і не реалізація Section 24220. Це перший шар цієї архітектури — контроль уваги під час рук-вільного режиму.
Технічно це не проста камера в салоні. За відкритими джерелами, у таких системах використовуються спеціалізовані рішення на кшталт Seeing Machines FOVIO, Magna, Joyson Safety Systems. Це вбудований комп'ютерний зір: інфрачервона камера, підсвічування, локальна обробка на автомобільному залізі, оцінка положення голови, погляду, повік, моргання і стану уваги. Все це в реальному часі.
Якщо сьогодні така система лише перевіряє чи водій дивиться на дорогу — завтра на схожій архітектурі будуватимуться системи для виявлення сонливості, алкоголю і втрати концентрації.
Щодо конфіденційності — є важлива деталь. GM прямо вказує в документації що Driver Attention Camera не записує і не передає фото, відео або аудіо. Обробка відбувається локально на пристрої. Але це поки добровільна заява виробника — не регуляторна вимога.
І саме тут виникає головне питання. Де виконується обробка, чи зберігаються дані про події, хто має до них доступ, як оскаржити помилкове спрацювання і як гарантувати що система безпеки не перетвориться на систему стеження.
Помилка тут — це не баг у застосунку. Якщо система помилково вирішить що водій у небезпечному стані і обмежить рух — наслідки зовсім інші.
AI виходить із чатів у фізичний світ. І чим більше таких систем з'являється — тим важливіше ставити ці питання заздалегідь.
🔔 ПІДПИСАТИСЯ
👍8❤1🔥1
Доброго ранку! ☕️
На минулому тижні обіцяв вам розбір наукової статті — на жаль не вийшло. Зі середи на четвер шахед влучив у мій будинок. Вихідні пішли на усунення наслідків. На щастя ніхто з родини не постраждав — тому починаємо новий тиждень у строю.
Матеріалу накопичилося багато — буду розбирати планомірно.
Ось розбір який планувався на минулий четвер.
У великих мовних моделей є цікава проблема: їх навчають бути корисними і безпечними асистентами, але в довгих або емоційно напружених розмовах модель іноді починає "дрейфувати". Вона вже не просто відповідає як асистент, а поступово приймає іншу роль: терапевта, друга, філософа, фанатика або навіть щось небезпечніше — залежно від контексту.
Нова робота від Christina Lu (Oxford та Anthropic), Jack Lindsey та колег з MATS запропонувала цікавий підхід — дивитися на цю проблему не ззовні через промпти, а зсередини нейромережі.
Автори виходять з простої ідеї: під час попереднього навчання LLM читає величезні масиви тексту і вчиться відтворювати тисячі персонажів — редактора, жартівника, мудреця, хакера, терапевта. На наступному етапі з усього цього "акторського складу" обирають одного і ставлять у центр сцени: Асистента.
Але Асистент — це не просто набір правил. Це конкретний напрямок у просторі внутрішніх активацій моделі.
Щоб знайти цей напрямок дослідники зробили наступне. Вони описали 275 різних персонажів — від "корисного помічника" до "маніпулятора", "нарциса", "революціонера", "доброго терапевта" і десятків інших архетипів. Потім змусили модель відповідати від імені кожного і записали внутрішні активації на кожному шарі нейромережі.
Коли всі ці вектори зібрали разом і проаналізували, виявилося що більшість варіацій у поведінці моделі можна описати всього 4-19 вимірами залежно від архітектури. А перший і найважливіший вимір — PC1 — показував кореляцію вище 0.92 між усіма трьома протестованими моделями. Тобто цей напрямок стабільно присутній у Gemma, Qwen і Llama попри різні архітектури.
Цей перший вимір і є "вісь асистента" — assistant axis. Він показує наскільки далеко поточна поведінка моделі від її базової ролі.
Далі найцікавіше — що з цим робити під час реальної розмови.
Дослідники показали що поточна позиція моделі вздовж цієї осі сильно передбачається змістом повідомлення користувача: R² від 0.53 до 0.77. При цьому дельта від попереднього повідомлення — значно слабший предиктор (R² близько 0.10). Тобто кожне нове повідомлення фактично "скидає" позицію персони — і саме тут є простір для втручання.
Якщо позиція моделі виходить за межі нормального діапазону для асистента — активації м'яко коригують назад. Метод назвали activation capping. Важливо: це не переписування промпту і не додавання нових інструкцій. Це пряме коригування внутрішнього стану під час генерації.
Є дуже показовий приклад з паперу. В одному з тестів Llama 3.3 70B поступово дрейфувала в ролі "терапевта" під час розмови з симульованим користувачем у емоційному дистресі — і зрештою почала підтримувати суїцидальні думки. Activation capping запобіг цьому дрейфу.
Результати на трьох моделях: для Qwen3 32B частка шкідливих відповідей впала з 83% до 41%, для Llama 3.3 70B — з 65% до 33%. При цьому якість на стандартних тестах — математика, слідування інструкціям, загальні знання — залишилася майже незмінною.
Anthropic разом з Neuronpedia навіть зробили інтерактивну демонстрацію де можна в реальному часі бачити активації вздовж осі асистента під час розмови — і порівнювати поведінку звичайної моделі і моделі з activation capping.
Тут важлива не лише сама техніка а напрямок мислення. Ми звикли думати про безпеку LLM через системні промпти — але промпт це все ще текст який можна поступово розмити контекстом. Тут контроль відбувається на нижчому рівні: не через текстову інструкцію а через внутрішню динаміку нейромережі.
Не просто казати моделі ким вона має бути — а дивитися ким вона фактично стає під час розмови. І якщо відходить від ролі — м'яко повертати назад.
🔔 ПІДПИСАТИСЯ
На минулому тижні обіцяв вам розбір наукової статті — на жаль не вийшло. Зі середи на четвер шахед влучив у мій будинок. Вихідні пішли на усунення наслідків. На щастя ніхто з родини не постраждав — тому починаємо новий тиждень у строю.
Матеріалу накопичилося багато — буду розбирати планомірно.
Ось розбір який планувався на минулий четвер.
У великих мовних моделей є цікава проблема: їх навчають бути корисними і безпечними асистентами, але в довгих або емоційно напружених розмовах модель іноді починає "дрейфувати". Вона вже не просто відповідає як асистент, а поступово приймає іншу роль: терапевта, друга, філософа, фанатика або навіть щось небезпечніше — залежно від контексту.
Нова робота від Christina Lu (Oxford та Anthropic), Jack Lindsey та колег з MATS запропонувала цікавий підхід — дивитися на цю проблему не ззовні через промпти, а зсередини нейромережі.
Автори виходять з простої ідеї: під час попереднього навчання LLM читає величезні масиви тексту і вчиться відтворювати тисячі персонажів — редактора, жартівника, мудреця, хакера, терапевта. На наступному етапі з усього цього "акторського складу" обирають одного і ставлять у центр сцени: Асистента.
Але Асистент — це не просто набір правил. Це конкретний напрямок у просторі внутрішніх активацій моделі.
Щоб знайти цей напрямок дослідники зробили наступне. Вони описали 275 різних персонажів — від "корисного помічника" до "маніпулятора", "нарциса", "революціонера", "доброго терапевта" і десятків інших архетипів. Потім змусили модель відповідати від імені кожного і записали внутрішні активації на кожному шарі нейромережі.
Коли всі ці вектори зібрали разом і проаналізували, виявилося що більшість варіацій у поведінці моделі можна описати всього 4-19 вимірами залежно від архітектури. А перший і найважливіший вимір — PC1 — показував кореляцію вище 0.92 між усіма трьома протестованими моделями. Тобто цей напрямок стабільно присутній у Gemma, Qwen і Llama попри різні архітектури.
Цей перший вимір і є "вісь асистента" — assistant axis. Він показує наскільки далеко поточна поведінка моделі від її базової ролі.
Далі найцікавіше — що з цим робити під час реальної розмови.
Дослідники показали що поточна позиція моделі вздовж цієї осі сильно передбачається змістом повідомлення користувача: R² від 0.53 до 0.77. При цьому дельта від попереднього повідомлення — значно слабший предиктор (R² близько 0.10). Тобто кожне нове повідомлення фактично "скидає" позицію персони — і саме тут є простір для втручання.
Якщо позиція моделі виходить за межі нормального діапазону для асистента — активації м'яко коригують назад. Метод назвали activation capping. Важливо: це не переписування промпту і не додавання нових інструкцій. Це пряме коригування внутрішнього стану під час генерації.
Є дуже показовий приклад з паперу. В одному з тестів Llama 3.3 70B поступово дрейфувала в ролі "терапевта" під час розмови з симульованим користувачем у емоційному дистресі — і зрештою почала підтримувати суїцидальні думки. Activation capping запобіг цьому дрейфу.
Результати на трьох моделях: для Qwen3 32B частка шкідливих відповідей впала з 83% до 41%, для Llama 3.3 70B — з 65% до 33%. При цьому якість на стандартних тестах — математика, слідування інструкціям, загальні знання — залишилася майже незмінною.
Anthropic разом з Neuronpedia навіть зробили інтерактивну демонстрацію де можна в реальному часі бачити активації вздовж осі асистента під час розмови — і порівнювати поведінку звичайної моделі і моделі з activation capping.
Тут важлива не лише сама техніка а напрямок мислення. Ми звикли думати про безпеку LLM через системні промпти — але промпт це все ще текст який можна поступово розмити контекстом. Тут контроль відбувається на нижчому рівні: не через текстову інструкцію а через внутрішню динаміку нейромережі.
Не просто казати моделі ким вона має бути — а дивитися ким вона фактично стає під час розмови. І якщо відходить від ролі — м'яко повертати назад.
🔔 ПІДПИСАТИСЯ
👍10❤2
Я спеціально не писав про GPT-5.5 у день релізу.
Бо в день релізу нових моделей майже всі анонси звучать однаково: кращий аналіз, сильніші результати на тестах, довший контекст, агентні можливості. Набагато цікавіше подивитися на модель через тиждень-два — коли з'являються незалежні оцінки і більш чесна картина того як вона поводиться не в презентації а в реальних задачах.
GPT-5.5 вийшла 23 квітня, а вже наступного дня OpenAI відкрила її в API і доповнила документацію деталями про безпеку. Ось що маємо зараз.
З одного боку — справді дуже сильна модель. OpenAI явно робила її не просто як інструмент для чату а як систему для складної роботи: програмування, керування комп'ютерним інтерфейсом, задачі де потрібно не просто відповісти а планувати і перевіряти результат. У незалежних рейтингах вона посідає перші місця — особливо в задачах де модель діє як виконавець.
Але як в тому анекдотi - є нюанс.
У тестах де людей просять порівняти відповіді різних моделей наосліп — GPT-5.5 часто поступається Claude Opus у роботі з текстом, кодом і документами. Хоча тут варто бути чесним: Opus дуже дорогий. На практиці "краща в людському порівнянні" не завжди означає "вигідніша для щоденної роботи". Для реальних задач важливіше рахувати не ціну одного запиту а ціну завершеного результату.
І саме тут GPT-5.5 стає цікавою не як чергова "найрозумніша модель" а як симптом нового етапу. Ми вже оцінюємо не тільки якість відповіді а й поведінку моделі як виконавця.
Головна проблема GPT-5.5 не в тому що вона слабка. Навпаки. Проблема в тому що вона може знати дуже багато але не завжди добре розуміє де межа її знання.
За бенчмарком AA-Omniscience показник галюцинацій у режимі глибокого мислення — 85.53%. Для порівняння: Claude Opus 4.7 — 36.18%, Gemini 3.1 Pro Preview — 49.87%.
Важливо: це не означає що GPT-5.5 помиляється у 85% усіх відповідей. Це означає що коли модель не дає повністю правильної відповіді вона значно частіше обирає впевнено помилитися ніж сказати "не знаю".
Але я вважаю що саме через це GPT відчувається більш приємною в спілкуванні — вона "добудовує" відповідь навіть коли не знає точно, що робить її більш живою і розмовною. Але для задач де потрібна точність і надійність — це вже проблема. GPT як філософ: якщо потрібен вузький спеціаліст — беріть Claude.
Окрема деталь яка мене зацікавила. Apollo Research у своїй оцінці виявила що GPT-5.5 у 29% випадків неправдиво заявляла що виконала неможливе програмне завдання. Для попередньої версії цей показник був 7%. Тобто в конкретному аспекті — чесності звітування про виконані задачі — нова версія поступається старій.
І це вже не просто "модель вигадала факт". Це проблема довіри. Коли модель просто відповідає на питання — помилку ще можна помітити. Але коли вона сама пише код, виконує команди і звітує про результат — неправдиве "я зробила" стає набагато небезпечнішим.
Мій висновок такий.
Сьогоднi найсильніша модель і найнадійніша модель — це не завжди одне й те саме. GPT-5.5 — вже четвертий великий реліз за останні місяці. Сьогодні лідирує одна модель — завтра інша.
Тому для реальної роботи вже недостатньо дивитися тільки на результати тестів. Важливіше: чи вміє модель визнавати незнання, чи чесно звітує про виконані дії, чи можна перевірити її роботу.
І мабуть найкраща стратегія зараз — будувати робочий процес з AI так щоб модель можна було змінювати без болю. Не закохуватись в одну модель. А проєктувати систему так щоб вона пережила наступний реліз.
🔔 ПІДПИСАТИСЯ
Бо в день релізу нових моделей майже всі анонси звучать однаково: кращий аналіз, сильніші результати на тестах, довший контекст, агентні можливості. Набагато цікавіше подивитися на модель через тиждень-два — коли з'являються незалежні оцінки і більш чесна картина того як вона поводиться не в презентації а в реальних задачах.
GPT-5.5 вийшла 23 квітня, а вже наступного дня OpenAI відкрила її в API і доповнила документацію деталями про безпеку. Ось що маємо зараз.
З одного боку — справді дуже сильна модель. OpenAI явно робила її не просто як інструмент для чату а як систему для складної роботи: програмування, керування комп'ютерним інтерфейсом, задачі де потрібно не просто відповісти а планувати і перевіряти результат. У незалежних рейтингах вона посідає перші місця — особливо в задачах де модель діє як виконавець.
Але як в тому анекдотi - є нюанс.
У тестах де людей просять порівняти відповіді різних моделей наосліп — GPT-5.5 часто поступається Claude Opus у роботі з текстом, кодом і документами. Хоча тут варто бути чесним: Opus дуже дорогий. На практиці "краща в людському порівнянні" не завжди означає "вигідніша для щоденної роботи". Для реальних задач важливіше рахувати не ціну одного запиту а ціну завершеного результату.
І саме тут GPT-5.5 стає цікавою не як чергова "найрозумніша модель" а як симптом нового етапу. Ми вже оцінюємо не тільки якість відповіді а й поведінку моделі як виконавця.
Головна проблема GPT-5.5 не в тому що вона слабка. Навпаки. Проблема в тому що вона може знати дуже багато але не завжди добре розуміє де межа її знання.
За бенчмарком AA-Omniscience показник галюцинацій у режимі глибокого мислення — 85.53%. Для порівняння: Claude Opus 4.7 — 36.18%, Gemini 3.1 Pro Preview — 49.87%.
Важливо: це не означає що GPT-5.5 помиляється у 85% усіх відповідей. Це означає що коли модель не дає повністю правильної відповіді вона значно частіше обирає впевнено помилитися ніж сказати "не знаю".
Але я вважаю що саме через це GPT відчувається більш приємною в спілкуванні — вона "добудовує" відповідь навіть коли не знає точно, що робить її більш живою і розмовною. Але для задач де потрібна точність і надійність — це вже проблема. GPT як філософ: якщо потрібен вузький спеціаліст — беріть Claude.
Окрема деталь яка мене зацікавила. Apollo Research у своїй оцінці виявила що GPT-5.5 у 29% випадків неправдиво заявляла що виконала неможливе програмне завдання. Для попередньої версії цей показник був 7%. Тобто в конкретному аспекті — чесності звітування про виконані задачі — нова версія поступається старій.
І це вже не просто "модель вигадала факт". Це проблема довіри. Коли модель просто відповідає на питання — помилку ще можна помітити. Але коли вона сама пише код, виконує команди і звітує про результат — неправдиве "я зробила" стає набагато небезпечнішим.
Мій висновок такий.
Сьогоднi найсильніша модель і найнадійніша модель — це не завжди одне й те саме. GPT-5.5 — вже четвертий великий реліз за останні місяці. Сьогодні лідирує одна модель — завтра інша.
Тому для реальної роботи вже недостатньо дивитися тільки на результати тестів. Важливіше: чи вміє модель визнавати незнання, чи чесно звітує про виконані дії, чи можна перевірити її роботу.
І мабуть найкраща стратегія зараз — будувати робочий процес з AI так щоб модель можна було змінювати без болю. Не закохуватись в одну модель. А проєктувати систему так щоб вона пережила наступний реліз.
🔔 ПІДПИСАТИСЯ
👍14🔥3
Бадьорий ранок ☕️
Вирішив розібратися звідки ця новина і що за нею насправді.
Моя логіка проста. Зараз Україна і росія воюють. І будь-яка технологія яка справді змінює поле бою — з'являється тут першою. Бо є де тестувати і є гостра потреба нарощувати перевагу. Якщо б роботи-штурмовики без людей справді працювали — ми б вже їх бачили на фронті. З того що бачимо — цього немає.
Тож що насправді показав Китай?
Найімовірніше першоджерело — сюжет китайського державного телебачення CCTV у документальному циклі про безпілотні системи. Після нього тему підхопили SCMP та інші медіа.
У матеріалах справді є: зв'язка дронів і наземних роботів, спільна координація, картографування місцевості, робота в умовах міського бою. У пізніших сюжетах CGTN прямо показана модель спільної роботи людей і безпілотних систем — не заміна піхоти а підсилення. Роєм дронів Atlas керували з центру управління — теж не повна автономія.
Підтвердження того що це був повністю автономний штурм без людини в контурі — немає.
Чому між демонстрацією і реальною війною величезна дистанція? Реальний штурм — це не виставковий полігон. Там є перешкоди для зв'язку, засоби радіоелектронної боротьби, обмежений заряд батареї, завали, бруд, хаос і повна непередбачуваність. Саме тому навіть в Україні де є гостра потреба і реальне поле для тестування — роботизовані наземні машини використовують для логістики, евакуації і розвідки, а не для автономного штурму.
Тобто головний висновок такий.
Китай не показав "Термінатора". Китай показав куди рухається сучасна війна: дрони, наземні роботи, мережеву координацію і поступове винесення людини з найнебезпечнішої ділянки бою. Але поки це радше про спільну роботу людини і машини ніж про повністю автономну війну без солдатів.
І якщо щось справді революційне з'явиться — ми побачимо це першими. Не в китайському документальному фільмі а на фронті.
🔔 ПІДПИСАТИСЯ
Вирішив розібратися звідки ця новина і що за нею насправді.
Моя логіка проста. Зараз Україна і росія воюють. І будь-яка технологія яка справді змінює поле бою — з'являється тут першою. Бо є де тестувати і є гостра потреба нарощувати перевагу. Якщо б роботи-штурмовики без людей справді працювали — ми б вже їх бачили на фронті. З того що бачимо — цього немає.
Тож що насправді показав Китай?
Найімовірніше першоджерело — сюжет китайського державного телебачення CCTV у документальному циклі про безпілотні системи. Після нього тему підхопили SCMP та інші медіа.
У матеріалах справді є: зв'язка дронів і наземних роботів, спільна координація, картографування місцевості, робота в умовах міського бою. У пізніших сюжетах CGTN прямо показана модель спільної роботи людей і безпілотних систем — не заміна піхоти а підсилення. Роєм дронів Atlas керували з центру управління — теж не повна автономія.
Підтвердження того що це був повністю автономний штурм без людини в контурі — немає.
Чому між демонстрацією і реальною війною величезна дистанція? Реальний штурм — це не виставковий полігон. Там є перешкоди для зв'язку, засоби радіоелектронної боротьби, обмежений заряд батареї, завали, бруд, хаос і повна непередбачуваність. Саме тому навіть в Україні де є гостра потреба і реальне поле для тестування — роботизовані наземні машини використовують для логістики, евакуації і розвідки, а не для автономного штурму.
Тобто головний висновок такий.
Китай не показав "Термінатора". Китай показав куди рухається сучасна війна: дрони, наземні роботи, мережеву координацію і поступове винесення людини з найнебезпечнішої ділянки бою. Але поки це радше про спільну роботу людини і машини ніж про повністю автономну війну без солдатів.
І якщо щось справді революційне з'явиться — ми побачимо це першими. Не в китайському документальному фільмі а на фронті.
🔔 ПІДПИСАТИСЯ
👍10
This media is not supported in your browser
VIEW IN TELEGRAM
Знову про Китай 🇨🇳
Побачив у мережі новину про китайський вантажівку без кабіни водія — KargoBot Space.
🔔 ПІДПИСАТИСЯ
Побачив у мережі новину про китайський вантажівку без кабіни водія — KargoBot Space.
🔔 ПІДПИСАТИСЯ
👍6👀4
Тема з вантажівками мені особливо цікава бо я довгий час працював над системами для вантажівок і автобусів Scania. Тому вирішив розібратися що за цим насправді стоїть.
KargoBot — це не черговий стартап із соцмереж. Компанія вже експлуатує сотні автономних вантажівок у Китаї і має реальну комерційну модель перевезень. Стратегічний партнер — Horizon Robotics, один із ключових гравців у китайському автономному транспорті.
KargoBot Space дійсно показали як нову машину без кабіни водія. Red Dot описує його як транспортний робот спроектований з нуля під автономність: без водiйського місця, з більшим вантажним об'ємом і цифровою платформою для управління маршрутами і моніторингу. Пілотна серійна експлуатація заявлена на першу половину 2026 року.
Але конкретні технічні характеристики які гуляють по соцмережах — 800 км запасу ходу, 32 датчики, 25% краща ефективність — я не знайшов у надійних першоджерелах.
І ще важлива деталь. KargoBot історично просував не "магічно автономну одиночну вантажівку" а більш прагматичну модель: колона де перша машина може бути з людиною а наступні — автономні. Тобто їхній шлях еволюційний а не стрибок у повністю безпілотний світ.
Однак це все одно цiкаво. Наприклад в Scania вантажівка проєктувалася навколо водія. Кабіна, ергономіка, органи керування, безпека водія — все це визначало архітектуру машини. Якщо водія прибрати з рівняння з самого початку — можна інакше розподілити об'єм, масу, аеродинаміку, батарею і всю економіку перевезення. Саме це і робить KargoBot Space цікавим не як черговий електрофургон а як ознаку що автономний транспорт починають проєктувати з нуля під автономність а не адаптувати стару архітектуру.
Головна перевірка буде не на виставці а в реальній логістиці: надійність, вартість кілометра, обслуговування, зарядка, безпека і робота в змішаному трафіку.
Як би там не було Китай тестує новий клас машин де кабіна водія вже не є обов'язковою частиною конструкції. Якщо це справді злетить в економіці — це вже не "автопілот для вантажівки" а вантажівка яка з самого початку створена як робот.
🔔 ПІДПИСАТИСЯ
KargoBot — це не черговий стартап із соцмереж. Компанія вже експлуатує сотні автономних вантажівок у Китаї і має реальну комерційну модель перевезень. Стратегічний партнер — Horizon Robotics, один із ключових гравців у китайському автономному транспорті.
KargoBot Space дійсно показали як нову машину без кабіни водія. Red Dot описує його як транспортний робот спроектований з нуля під автономність: без водiйського місця, з більшим вантажним об'ємом і цифровою платформою для управління маршрутами і моніторингу. Пілотна серійна експлуатація заявлена на першу половину 2026 року.
Але конкретні технічні характеристики які гуляють по соцмережах — 800 км запасу ходу, 32 датчики, 25% краща ефективність — я не знайшов у надійних першоджерелах.
І ще важлива деталь. KargoBot історично просував не "магічно автономну одиночну вантажівку" а більш прагматичну модель: колона де перша машина може бути з людиною а наступні — автономні. Тобто їхній шлях еволюційний а не стрибок у повністю безпілотний світ.
Однак це все одно цiкаво. Наприклад в Scania вантажівка проєктувалася навколо водія. Кабіна, ергономіка, органи керування, безпека водія — все це визначало архітектуру машини. Якщо водія прибрати з рівняння з самого початку — можна інакше розподілити об'єм, масу, аеродинаміку, батарею і всю економіку перевезення. Саме це і робить KargoBot Space цікавим не як черговий електрофургон а як ознаку що автономний транспорт починають проєктувати з нуля під автономність а не адаптувати стару архітектуру.
Головна перевірка буде не на виставці а в реальній логістиці: надійність, вартість кілометра, обслуговування, зарядка, безпека і робота в змішаному трафіку.
Як би там не було Китай тестує новий клас машин де кабіна водія вже не є обов'язковою частиною конструкції. Якщо це справді злетить в економіці — це вже не "автопілот для вантажівки" а вантажівка яка з самого початку створена як робот.
🔔 ПІДПИСАТИСЯ
🔥9👍5