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
Добиваємо тему Китаю AI-моделями.
Китай дуже любить гучно демонструвати свої можливості. Іноді голосніше ніж вони реально працюють на практиці — ми це вже бачили з роботами і автономними вантажівками.
Але з AI-моделями ситуація інша. І тут я слідкую за Китаєм дуже уважно.
Поки американські компанії переважно тримають найсильніші моделі закритими — китайські лабораторії регулярно викладають ваги у відкритий доступ. Тобто їх можна запускати локально, на власній інфраструктурі, без щомісячної підписки.
DeepSeek, Qwen від Alibaba, Kimi від Moonshot AI, GLM від Zhipu — це вже не екзотика, а моделі які постійно з'являються в реальних тестах, локальних збірках і open-source екосистемі.
Саме відкриті китайські моделі тиснуть на весь ринок. Я вже писав про те як DeepSeek змусив OpenAI та інших починати відкривати свої моделі. Це не збіг — це конкурентний тиск.
І саме в цьому контексті варто дивитися на новий DeepSeek V4.
Дві моделі: V4-Pro з 1.6 трильйона параметрів і V4-Flash з 284 мільярдами. Обидві мають контекст у мільйон токенів і вже доступні через API. DeepSeek подає це не як "довгий контекст для галочки" а як спробу зробити мільйон токенів реально робочим режимом з прийнятною вартістю.
Головна технічна ставка — нова архітектура уваги: поєднання Compressed Sparse Attention та Heavily Compressed Attention. Компанія заявляє що для мільйона токенів V4-Pro потребує приблизно 27% обчислень і 10% кешу порівняно з попередньою версією. Якщо підтвердиться — це серйозний крок до того щоб довгий контекст перестав бути розкішшю.
Але тут важливо читати обережно. Заявлені результати на тестах — це цифри з власного звіту DeepSeek, а не незалежна оцінка ринку. Тому правильніше сказати так: DeepSeek заявляє дуже сильний реліз, який тепер треба перевіряти в реальних задачах.
Окремо цікавий акцент на агентній роботі. V4 вже інтегрований з Claude Code, OpenCode та іншими інструментами для роботи з кодом. Є три практичні режими: без міркування, з середньою глибиною аналізу і максимальним.
Китай будує паралельну AI-екосистему: відкриті моделі, дешевий API, інтеграція з агентними інструментами і поступова орієнтація на власні чипи. Reuters пише що DeepSeek оптимізує моделі під Huawei Ascend замість Nvidia.
Тому головне питання вже не "чи може Китай робити сильні моделі". Може — і ми це бачимо.
Питання в іншому: чи зможе він побудувати свій відкритий AI-стек яким будуть користуватися не тільки всередині країни.
🔔 ПІДПИСАТИСЯ
Китай дуже любить гучно демонструвати свої можливості. Іноді голосніше ніж вони реально працюють на практиці — ми це вже бачили з роботами і автономними вантажівками.
Але з AI-моделями ситуація інша. І тут я слідкую за Китаєм дуже уважно.
Поки американські компанії переважно тримають найсильніші моделі закритими — китайські лабораторії регулярно викладають ваги у відкритий доступ. Тобто їх можна запускати локально, на власній інфраструктурі, без щомісячної підписки.
DeepSeek, Qwen від Alibaba, Kimi від Moonshot AI, GLM від Zhipu — це вже не екзотика, а моделі які постійно з'являються в реальних тестах, локальних збірках і open-source екосистемі.
Саме відкриті китайські моделі тиснуть на весь ринок. Я вже писав про те як DeepSeek змусив OpenAI та інших починати відкривати свої моделі. Це не збіг — це конкурентний тиск.
І саме в цьому контексті варто дивитися на новий DeepSeek V4.
Дві моделі: V4-Pro з 1.6 трильйона параметрів і V4-Flash з 284 мільярдами. Обидві мають контекст у мільйон токенів і вже доступні через API. DeepSeek подає це не як "довгий контекст для галочки" а як спробу зробити мільйон токенів реально робочим режимом з прийнятною вартістю.
Головна технічна ставка — нова архітектура уваги: поєднання Compressed Sparse Attention та Heavily Compressed Attention. Компанія заявляє що для мільйона токенів V4-Pro потребує приблизно 27% обчислень і 10% кешу порівняно з попередньою версією. Якщо підтвердиться — це серйозний крок до того щоб довгий контекст перестав бути розкішшю.
Але тут важливо читати обережно. Заявлені результати на тестах — це цифри з власного звіту DeepSeek, а не незалежна оцінка ринку. Тому правильніше сказати так: DeepSeek заявляє дуже сильний реліз, який тепер треба перевіряти в реальних задачах.
Окремо цікавий акцент на агентній роботі. V4 вже інтегрований з Claude Code, OpenCode та іншими інструментами для роботи з кодом. Є три практичні режими: без міркування, з середньою глибиною аналізу і максимальним.
Китай будує паралельну AI-екосистему: відкриті моделі, дешевий API, інтеграція з агентними інструментами і поступова орієнтація на власні чипи. Reuters пише що DeepSeek оптимізує моделі під Huawei Ascend замість Nvidia.
Тому головне питання вже не "чи може Китай робити сильні моделі". Може — і ми це бачимо.
Питання в іншому: чи зможе він побудувати свій відкритий AI-стек яким будуть користуватися не тільки всередині країни.
🔔 ПІДПИСАТИСЯ
👍4🔥3
Kimi K2.6 від Moonshot AI — Що якщо запустити сотні AI-агентів паралельно і платити тільки за електрику?
Відповідь проста: саме це і пропонує нова модель від Moonshot AI. Її можна запустити на власному сервері і платити тільки за електрику.
Moonshot AI випустила модель на 1 трильйон параметрів з яких 32 млрд активні на кожен токен — Mixture of Experts з vision encoder для роботи із зображеннями і відео, контекст до 256 000 токенів. Модель повністю у відкритому доступі.
За незалежними оцінками вона знаходиться приблизно на рівні Qwen3.6 Preview і DeepSeek V4 який ми розбирали минулого разу. Закриті моделі — GPT-5.5, Claude Opus 4.7, Gemini — поки сильніші. Але коли модель безкоштовна і запускається локально — це вже інша розмова про вартість результату.
Але справжня цікавість в тому що модель вміє робити.
Наприкінці 2025 року коли почав набирати популярність Claude Code з'явилася нова неформальна метрика: здатність залишатися на завданні годинами і працювати автономно. Саме в цьому напрямку зараз змагаються Claude Code від Anthropic, Codex від OpenAI і Qwen Coder від Alibaba.
Kimi K2.6 теж рухається туди. У режимі agent swarm координатор розбиває задачу і може створювати до 300 паралельних субагентів які разом виконують до 4000 кроків. Попередня версія давала до 100 агентів і 1500 кроків.
Moonshot показала конкретний тест: модель отримала завдання перенести inference-код на Zig і оптимізувати під Mac. Після понад 4000 викликів інструментів, 14 ревізій і більш ніж 12 годин роботи — продуктивність зросла з 15 до 193 токенів на секунду. Для платної закритої моделі такий сеанс коштував би дуже дорого. На власному сервері з Kimi — тільки світло.
І тут є цікава думка про галюцинації.
Показник у K2.6 — 39.26% проти 64.6% у попередньої версії. Читаючи про різні моделі і як розробники борються з цією проблемою — і в GPT-5.5 і в DeepSeek V4 — у мене виникла думка. Рівень галюцинацій зменшується не тому що модель перестає помилятися. А тому що автономна модель може перевірити свою роботу, знайти помилку і виправити її. Тобто ми уникаємо галюцинацій не на вході а в процесі — через самокорекцію.
Якщо open-weights модель може стабільно працювати годинами над складними задачами і робити це безкоштовно на власній інфраструктурі — це вже серйозний аргумент для тих хто рахує витрати.
🔔 ПІДПИСАТИСЯ
Відповідь проста: саме це і пропонує нова модель від Moonshot AI. Її можна запустити на власному сервері і платити тільки за електрику.
Moonshot AI випустила модель на 1 трильйон параметрів з яких 32 млрд активні на кожен токен — Mixture of Experts з vision encoder для роботи із зображеннями і відео, контекст до 256 000 токенів. Модель повністю у відкритому доступі.
За незалежними оцінками вона знаходиться приблизно на рівні Qwen3.6 Preview і DeepSeek V4 який ми розбирали минулого разу. Закриті моделі — GPT-5.5, Claude Opus 4.7, Gemini — поки сильніші. Але коли модель безкоштовна і запускається локально — це вже інша розмова про вартість результату.
Але справжня цікавість в тому що модель вміє робити.
Наприкінці 2025 року коли почав набирати популярність Claude Code з'явилася нова неформальна метрика: здатність залишатися на завданні годинами і працювати автономно. Саме в цьому напрямку зараз змагаються Claude Code від Anthropic, Codex від OpenAI і Qwen Coder від Alibaba.
Kimi K2.6 теж рухається туди. У режимі agent swarm координатор розбиває задачу і може створювати до 300 паралельних субагентів які разом виконують до 4000 кроків. Попередня версія давала до 100 агентів і 1500 кроків.
Moonshot показала конкретний тест: модель отримала завдання перенести inference-код на Zig і оптимізувати під Mac. Після понад 4000 викликів інструментів, 14 ревізій і більш ніж 12 годин роботи — продуктивність зросла з 15 до 193 токенів на секунду. Для платної закритої моделі такий сеанс коштував би дуже дорого. На власному сервері з Kimi — тільки світло.
І тут є цікава думка про галюцинації.
Показник у K2.6 — 39.26% проти 64.6% у попередньої версії. Читаючи про різні моделі і як розробники борються з цією проблемою — і в GPT-5.5 і в DeepSeek V4 — у мене виникла думка. Рівень галюцинацій зменшується не тому що модель перестає помилятися. А тому що автономна модель може перевірити свою роботу, знайти помилку і виправити її. Тобто ми уникаємо галюцинацій не на вході а в процесі — через самокорекцію.
Якщо open-weights модель може стабільно працювати годинами над складними задачами і робити це безкоштовно на власній інфраструктурі — це вже серйозний аргумент для тих хто рахує витрати.
🔔 ПІДПИСАТИСЯ
👍5🔥3💯1👀1
Нарешті подивився відео з конференції NVIDIA GTC. Білл Даллі — головний науковець Nvidia — розповів про зростаючу роль AI у проєктуванні чипів компанії. Більшість цього не потрапляє в новини, але деталі дуже цікаві.
Почав він з мрії. Каже хочу просто дати AI завдання спроєктувати новий GPU, поїхати кататися на лижах, а повернутися і отримати готовий дизайн 😁 Поки що це фантастика — але частково Nvidia вже рухається саме в цей бік.
Наприклад коли компанія переходить на новий технологічний процес їй потрібно перепроєктовувати тисячі маленьких базових елементів чипа — логічні вентилі, елементи пам'яті тощо. Раніше така робота займала приблизно 10 місяців у восьми інженерів. Тепер система NVCell робить це за одну ніч на одному GPU — використовуючи комбінацію генетичного алгоритму і навчання з підкріпленням.
Інший приклад — проєктування арифметичних схем всередині GPU. Система PrefixRL знаходить рішення які виглядають незвично але виявляються на 20-30% кращими за людські. Наприклад один із спроєктованих нею суматорів займає на 25% менше площі на чипі ніж аналог зроблений традиційним способом. Інженери кажуть що самі б ніколи не розглянули такі конфігурації — вони просто суперечать звичній інтуїції.
Для щоденної інженерної роботи Nvidia донавчила open-weights моделі LLaMA 2 на всій внутрішній документації компанії — включно з низькорівневим кодом для кожного GPU який компанія коли-небудь випускала. Системи ChipNeMo і BugNeMo допомагають інженерам відповідати на технічні питання і розбирати звіти про помилки.
Але повністю спроєктувати GPU з нуля за одним запитом — це все ще далека мета, визнає сам Даллі. Поки AI закриває окремі етапи а не весь процес. Хоча рух у цьому напрямку є: стартап Verkoran описує систему яка за описом із 219 слів автономно спроєктувала процесор на 1.48 ГГц. Дослідники з Princeton застосовують deep learning для проєктування схем бездротового зв'язку.
І тут є красива петля. Nvidia використовує GPU для тренування AI-систем які допомагають проєктувати наступні покоління GPU. Кожне нове покоління чипів пришвидшує створення наступного і стає краще пристосованим для запуску інструментів які допомогли його спроєктувати.
AI поки що не "сам створює майбутнє заліза". Але він вже стає частиною інструментарію через який це майбутнє проєктується.
У пості багато посилань на статті і розбори — збережіть щоб повернутися коли буде час заглибитися 🔖
🔔 ПІДПИСАТИСЯ
Почав він з мрії. Каже хочу просто дати AI завдання спроєктувати новий GPU, поїхати кататися на лижах, а повернутися і отримати готовий дизайн 😁 Поки що це фантастика — але частково Nvidia вже рухається саме в цей бік.
Наприклад коли компанія переходить на новий технологічний процес їй потрібно перепроєктовувати тисячі маленьких базових елементів чипа — логічні вентилі, елементи пам'яті тощо. Раніше така робота займала приблизно 10 місяців у восьми інженерів. Тепер система NVCell робить це за одну ніч на одному GPU — використовуючи комбінацію генетичного алгоритму і навчання з підкріпленням.
Інший приклад — проєктування арифметичних схем всередині GPU. Система PrefixRL знаходить рішення які виглядають незвично але виявляються на 20-30% кращими за людські. Наприклад один із спроєктованих нею суматорів займає на 25% менше площі на чипі ніж аналог зроблений традиційним способом. Інженери кажуть що самі б ніколи не розглянули такі конфігурації — вони просто суперечать звичній інтуїції.
Для щоденної інженерної роботи Nvidia донавчила open-weights моделі LLaMA 2 на всій внутрішній документації компанії — включно з низькорівневим кодом для кожного GPU який компанія коли-небудь випускала. Системи ChipNeMo і BugNeMo допомагають інженерам відповідати на технічні питання і розбирати звіти про помилки.
Але повністю спроєктувати GPU з нуля за одним запитом — це все ще далека мета, визнає сам Даллі. Поки AI закриває окремі етапи а не весь процес. Хоча рух у цьому напрямку є: стартап Verkoran описує систему яка за описом із 219 слів автономно спроєктувала процесор на 1.48 ГГц. Дослідники з Princeton застосовують deep learning для проєктування схем бездротового зв'язку.
І тут є красива петля. Nvidia використовує GPU для тренування AI-систем які допомагають проєктувати наступні покоління GPU. Кожне нове покоління чипів пришвидшує створення наступного і стає краще пристосованим для запуску інструментів які допомогли його спроєктувати.
AI поки що не "сам створює майбутнє заліза". Але він вже стає частиною інструментарію через який це майбутнє проєктується.
У пості багато посилань на статті і розбори — збережіть щоб повернутися коли буде час заглибитися 🔖
🔔 ПІДПИСАТИСЯ
👍6🔥4
Доброго дня ☕️
Google DeepMind опублікували роботу про агента Aletheia — систему яка намагається робити математичні дослідження автономно.
Формально це не історія про "модель яка стала математиком". Це скоріше історія про те що одного сильного режиму міркування вже недостатньо якщо ми говоримо не про олімпіадні задачі а про реальну наукову математику. У Aletheia є три ролі агентів: generator, verifier, reviser. Генератор пропонує розв'язок. Верифікатор шукає слабкі місця. Ревізор переписує або покращує. І цей цикл крутиться доти поки система не знайде прийнятний доказ або не впреться в ліміт спроб. Саме ця архітектура а не просто "більше токенів на роздуми" — головна інженерна ідея.
Без доступу до літератури модель легко починає вигадувати посилання і теореми. З інструментами ситуація краща — система рідше фабрикує джерела повністю, зате все ще може неправильно інтерпретувати реальні статті.
Найчесніша частина статті — розбір задач Ердеша. Автори прогнали Aletheia по 700 відкритих проблем. Агент відібрав 212 кандидатів які здавалися перспективними. Після перевірки математиками: 137 виявилися принципово хибними, 63 — технічно правильними під якимось трактуванням, і лише 13 — змістовно правильними.
І навіть ці 13 — не прориви. Частина виявилася повторним відкриттям уже відомих рішень. Автори попереджають про ризик "підсвідомого плагіату": модель може відтворити відому ідею без посилання бо десь засвоїла її під час навчання. Це стосується не лише математики — для будь-якого AI-assisted дослідження це одна з головних майбутніх проблем.
Стаття досить чесно показує наскільки такі системи поки що ненадійні. І все ж у цьому видно дещо важливе: народжується новий тип інструменту для науки. Не "модель-геній" а агентна система яка може перебирати підходи, перевіряти себе, працювати з літературою і повертатися до задачі багато разів.
Саме тому хочеться думати про більш далекий горизонт. У 2000 році Інститут Клея визначив сім задач тисячоліття — математичних проблем за розв'язання кожної з яких обіцяно мільйон доларів. Розв'язано лише одну — гіпотезу Пуанкаре. Решта шість досі відкриті.
Одна з них — гіпотеза Рімана. Вона стосується розподілу простих чисел і залишається невирішеною вже понад 160 років попри зусилля найвидатніших математиків світу. Коли я навчався в університеті сам намагався в ній розібратися 🙈 Захопливо і безрезультатно 🤷♂️
Питання не в тому чи здатна Aletheia вирішити такі задачі вже зараз. Очевидно що ні. Але такі системи є першими прототипами майбутніх дослідницьких агентів які одного дня зможуть допомагати математикам штурмувати задачі такого масштабу.
🔔 ПІДПИСАТИСЯ
Google DeepMind опублікували роботу про агента Aletheia — систему яка намагається робити математичні дослідження автономно.
Формально це не історія про "модель яка стала математиком". Це скоріше історія про те що одного сильного режиму міркування вже недостатньо якщо ми говоримо не про олімпіадні задачі а про реальну наукову математику. У Aletheia є три ролі агентів: generator, verifier, reviser. Генератор пропонує розв'язок. Верифікатор шукає слабкі місця. Ревізор переписує або покращує. І цей цикл крутиться доти поки система не знайде прийнятний доказ або не впреться в ліміт спроб. Саме ця архітектура а не просто "більше токенів на роздуми" — головна інженерна ідея.
Без доступу до літератури модель легко починає вигадувати посилання і теореми. З інструментами ситуація краща — система рідше фабрикує джерела повністю, зате все ще може неправильно інтерпретувати реальні статті.
Найчесніша частина статті — розбір задач Ердеша. Автори прогнали Aletheia по 700 відкритих проблем. Агент відібрав 212 кандидатів які здавалися перспективними. Після перевірки математиками: 137 виявилися принципово хибними, 63 — технічно правильними під якимось трактуванням, і лише 13 — змістовно правильними.
І навіть ці 13 — не прориви. Частина виявилася повторним відкриттям уже відомих рішень. Автори попереджають про ризик "підсвідомого плагіату": модель може відтворити відому ідею без посилання бо десь засвоїла її під час навчання. Це стосується не лише математики — для будь-якого AI-assisted дослідження це одна з головних майбутніх проблем.
Стаття досить чесно показує наскільки такі системи поки що ненадійні. І все ж у цьому видно дещо важливе: народжується новий тип інструменту для науки. Не "модель-геній" а агентна система яка може перебирати підходи, перевіряти себе, працювати з літературою і повертатися до задачі багато разів.
Саме тому хочеться думати про більш далекий горизонт. У 2000 році Інститут Клея визначив сім задач тисячоліття — математичних проблем за розв'язання кожної з яких обіцяно мільйон доларів. Розв'язано лише одну — гіпотезу Пуанкаре. Решта шість досі відкриті.
Одна з них — гіпотеза Рімана. Вона стосується розподілу простих чисел і залишається невирішеною вже понад 160 років попри зусилля найвидатніших математиків світу. Коли я навчався в університеті сам намагався в ній розібратися 🙈 Захопливо і безрезультатно 🤷♂️
Питання не в тому чи здатна Aletheia вирішити такі задачі вже зараз. Очевидно що ні. Але такі системи є першими прототипами майбутніх дослідницьких агентів які одного дня зможуть допомагати математикам штурмувати задачі такого масштабу.
🔔 ПІДПИСАТИСЯ
👍10
AI не забере вашу роботу завтра. Але може зробити вас неконкурентним 🤷♂️
Гарної п'ятниці ☕️
Готуюся до виступу на AI мітапі в неділю — і готуючись трохи відійшов від теми і поглянув ретроспективно на останні кілька років розвитку AI. Зараз багато хто спекулює на темі скорочень і автоматизації — але мені здається що справжня зміна відбувається в іншому місці.
Є одна думка яка здається мені важливішою за прогнози про "заміну роботи роботами".
Кіан Катанфорош — викладач Stanford і CEO Workera — добре її сформулював: користуватись AI щодня ще не означає вміти з ним працювати.
Це справді різниця. Можна щодня відкривати ChatGPT, просити написати лист або скоротити текст — і залишатися на рівні просунутого користувача Google. А можна будувати систему де AI знає ваш стиль, документи, правила і критерії якості.
Коли з'явився GPT я не відчув особливого захвату — розумів що це трансформер 2018 року, статистична модель. Але якщо дивитися назад, розвиток LLM виявився колосальним. Був час коли я платив до $200 на місяць просто щоб тестувати різні інструменти — просто щоб розуміти що відбувається.
Зараз у моєму стеку є кілька підписок і локальна модель. Але найцікавіше те що я роблю з кількома моделями одночасно. Одна генерує відповідь або робить огляд. Друга перевіряє — наскільки він відповідає дійсності, чи правильні посилання, чи вірно зазначені автори. На основі цього формується оновлений звіт який повертається до першої моделі для корекції. Кілька таких ітерацій — і якість суттєво зростає. Особливо в задачах де важлива точність: дослідження, наукові огляди, перевірка фактів.
По суті це та сама логіка яку Google DeepMind заклали в Aletheia — generator, verifier, reviser. Тільки зібрана вручну з наявних інструментів. Читай минулий пост 👆
Головна думка тут не в тому що AI забере вашу роботу. Вас може замінити не AI а людина яка краще вміє з ним працювати. Adoption — це коли ви використовуєте інструмент. Proficiency — це коли ви розумієте як ним керувати.
Різниця між цими двома рівнями через рік стає дуже помітною.
🔔 ПІДПИСАТИСЯ
Гарної п'ятниці ☕️
Готуюся до виступу на AI мітапі в неділю — і готуючись трохи відійшов від теми і поглянув ретроспективно на останні кілька років розвитку AI. Зараз багато хто спекулює на темі скорочень і автоматизації — але мені здається що справжня зміна відбувається в іншому місці.
Є одна думка яка здається мені важливішою за прогнози про "заміну роботи роботами".
Кіан Катанфорош — викладач Stanford і CEO Workera — добре її сформулював: користуватись AI щодня ще не означає вміти з ним працювати.
Це справді різниця. Можна щодня відкривати ChatGPT, просити написати лист або скоротити текст — і залишатися на рівні просунутого користувача Google. А можна будувати систему де AI знає ваш стиль, документи, правила і критерії якості.
Коли з'явився GPT я не відчув особливого захвату — розумів що це трансформер 2018 року, статистична модель. Але якщо дивитися назад, розвиток LLM виявився колосальним. Був час коли я платив до $200 на місяць просто щоб тестувати різні інструменти — просто щоб розуміти що відбувається.
Зараз у моєму стеку є кілька підписок і локальна модель. Але найцікавіше те що я роблю з кількома моделями одночасно. Одна генерує відповідь або робить огляд. Друга перевіряє — наскільки він відповідає дійсності, чи правильні посилання, чи вірно зазначені автори. На основі цього формується оновлений звіт який повертається до першої моделі для корекції. Кілька таких ітерацій — і якість суттєво зростає. Особливо в задачах де важлива точність: дослідження, наукові огляди, перевірка фактів.
По суті це та сама логіка яку Google DeepMind заклали в Aletheia — generator, verifier, reviser. Тільки зібрана вручну з наявних інструментів. Читай минулий пост 👆
Головна думка тут не в тому що AI забере вашу роботу. Вас може замінити не AI а людина яка краще вміє з ним працювати. Adoption — це коли ви використовуєте інструмент. Proficiency — це коли ви розумієте як ним керувати.
Різниця між цими двома рівнями через рік стає дуже помітною.
🔔 ПІДПИСАТИСЯ
👍12🔥3❤1💯1