В последнее время всё чаще натыкаюсь на видео, книги и исследования о нашей истории. В школе и университете она проходила мимо. Тогда это казалось чем-то далёким, но сейчас многое открывается по-новому.
Историки Жаксылык Сабитов и Радик Темиргалиев отмечают, что интерес к прошлому Казахстана переживает новый этап. Люди интересуются своими корнями, задаются вопросами: кто мы, какое место занимаем в истории, в чём наша уникальность? Этот процесс связан не только с осознанием своей идентичности, но и с поиском национальной идеи. Исторические проекты стали получать больше внимания и финансирования.
Ниже немного информации, которую я извлёк из их интервью и статей и что показалось мне важным:
- Казахская степь - это сложная система, где всё держалось на балансе силы, договорённости, авторитета, уважения. У каждого ру и жуза были свои особенности, но все они подчинялись общей логике: жить в согласии с традициями, решать споры так, чтобы не разрушить общество, выстраивать экономику на том, что давала земля, кочевой уклад и торговля.
- Существовала система регулирования споров. В Жеті Жарғы предусматривался құн - материальная компенсация за убийство. Это позволяло остановить конфликты, не разрушая связь между родами.
- Барымта не просто хаотичные набеги и грабежи, а институт права. Если одна сторона отказывалась выплатить құн или возместить украденное, пострадавшие могли забрать имущество в эквивалентном размере.
- Жузы и ру создавали не только структуру общества, но и его устойчивость. Если у человека падал скот, родственники помогали встать на ноги. Если кто-то попадал в беду, за него отвечали все: "Атаның баласы болма, елдің баласы бол"
В советское время история подавалась в контексте «дружбы народов», где роль казахов сводилась к периферийной части большого советского проекта. В 90-е годы акцент сместился в сторону возрождения национального самосознания, но этот процесс был фрагментарным.
Сейчас пересматриваются многие устоявшиеся нарративы:
- Золотая Орда (Улус Джучи) и Алаш-Орда раньше рассматривались через призму их роли для России. Многие факты либо замалчивались, либо интерпретировались в пользу централизованного взгляда.
- Ак Орда не была отдельным государством - в школах учили, что это предшественник Казахского ханства, но сейчас историки склоняются к тому, что Ак Орда, Алтын Орда и Кок Орда - это просто разные резиденции единого Улуса Джучи.
- Казахское ханство воспринималось как государство, возникшее в 1465 году. Сейчас пишут, что корни его лежат ещё в Золотой Орде, а становление длилось до 1470гг.
Появляется запрос на честный, глубокий анализ прошлого, а не на героизированные образы или удобные версии, созданные в политических целях. Например, образ Динмухамеда Конаева долгое время оставался либо на периферии, либо воспринимался в узком контексте. В 90-е годы Конаев, наряду с другими фигурами прошлого, оказался в тени. В центре повествования остался только один лидер, вокруг которого строился весь нарратив.
Нынешние историки предлагают полезное и нужное переосмысление истории Казахстана, уводя её от устаревших схем. Однако вместе с этим возникают новые вопросы.
История формирует наше восприятие, но не должна становиться догмой. В разные эпохи её использовали по-разному: для объединения общества, для легитимации власти, для поиска национальной идеи.
Отказ от устаревших мифов неизбежен, но важно понимать, что придёт им на смену. История никогда не была полностью нейтральной - интерпретации меняются в зависимости от политического контекста, общественных запросов, идеологических приоритетов. Кто сегодня определяет эти смыслы? Кто контролирует их распространение? И какие последствия это имеет для будущего?
Национальная идея - это не только память о прошлом, но и работающие механизмы настоящего. Она не формируется сама по себе, а требует институциональной и экономической базы. Какую роль в её формировании играет экономика, если государство остаётся ключевым регулятором? Какие институты обеспечивают её устойчивость?
Вопросов больше, чем ответов. И, возможно, в этом и есть смысл переосмысления прошлого.
Историки Жаксылык Сабитов и Радик Темиргалиев отмечают, что интерес к прошлому Казахстана переживает новый этап. Люди интересуются своими корнями, задаются вопросами: кто мы, какое место занимаем в истории, в чём наша уникальность? Этот процесс связан не только с осознанием своей идентичности, но и с поиском национальной идеи. Исторические проекты стали получать больше внимания и финансирования.
Ниже немного информации, которую я извлёк из их интервью и статей и что показалось мне важным:
- Казахская степь - это сложная система, где всё держалось на балансе силы, договорённости, авторитета, уважения. У каждого ру и жуза были свои особенности, но все они подчинялись общей логике: жить в согласии с традициями, решать споры так, чтобы не разрушить общество, выстраивать экономику на том, что давала земля, кочевой уклад и торговля.
- Существовала система регулирования споров. В Жеті Жарғы предусматривался құн - материальная компенсация за убийство. Это позволяло остановить конфликты, не разрушая связь между родами.
- Барымта не просто хаотичные набеги и грабежи, а институт права. Если одна сторона отказывалась выплатить құн или возместить украденное, пострадавшие могли забрать имущество в эквивалентном размере.
- Жузы и ру создавали не только структуру общества, но и его устойчивость. Если у человека падал скот, родственники помогали встать на ноги. Если кто-то попадал в беду, за него отвечали все: "Атаның баласы болма, елдің баласы бол"
В советское время история подавалась в контексте «дружбы народов», где роль казахов сводилась к периферийной части большого советского проекта. В 90-е годы акцент сместился в сторону возрождения национального самосознания, но этот процесс был фрагментарным.
Сейчас пересматриваются многие устоявшиеся нарративы:
- Золотая Орда (Улус Джучи) и Алаш-Орда раньше рассматривались через призму их роли для России. Многие факты либо замалчивались, либо интерпретировались в пользу централизованного взгляда.
- Ак Орда не была отдельным государством - в школах учили, что это предшественник Казахского ханства, но сейчас историки склоняются к тому, что Ак Орда, Алтын Орда и Кок Орда - это просто разные резиденции единого Улуса Джучи.
- Казахское ханство воспринималось как государство, возникшее в 1465 году. Сейчас пишут, что корни его лежат ещё в Золотой Орде, а становление длилось до 1470гг.
Появляется запрос на честный, глубокий анализ прошлого, а не на героизированные образы или удобные версии, созданные в политических целях. Например, образ Динмухамеда Конаева долгое время оставался либо на периферии, либо воспринимался в узком контексте. В 90-е годы Конаев, наряду с другими фигурами прошлого, оказался в тени. В центре повествования остался только один лидер, вокруг которого строился весь нарратив.
Нынешние историки предлагают полезное и нужное переосмысление истории Казахстана, уводя её от устаревших схем. Однако вместе с этим возникают новые вопросы.
История формирует наше восприятие, но не должна становиться догмой. В разные эпохи её использовали по-разному: для объединения общества, для легитимации власти, для поиска национальной идеи.
Отказ от устаревших мифов неизбежен, но важно понимать, что придёт им на смену. История никогда не была полностью нейтральной - интерпретации меняются в зависимости от политического контекста, общественных запросов, идеологических приоритетов. Кто сегодня определяет эти смыслы? Кто контролирует их распространение? И какие последствия это имеет для будущего?
Национальная идея - это не только память о прошлом, но и работающие механизмы настоящего. Она не формируется сама по себе, а требует институциональной и экономической базы. Какую роль в её формировании играет экономика, если государство остаётся ключевым регулятором? Какие институты обеспечивают её устойчивость?
Вопросов больше, чем ответов. И, возможно, в этом и есть смысл переосмысления прошлого.
❤5🔥3🤔2👌1
Недавно YouTube предложил мне видео про афантазию - состояние, при котором человек не способен создавать мысленные образы.
Никогда раньше не слышал об этом явлении, но уже к середине ролика задумался, что это явно про меня. У меня всегда были проблемы с автобиографической памятью, с запоминанием лиц или мест. После внимательного изучения вопроса убедился, что у меня есть какая-то доля афантазии - я почти не умею "видеть" образы.
Термин был введён неврологом Адамом Земаном в 2015 году. Афантазия означает неспособность мысленно "видеть" картинки, представлять образы предметов, людей или сцен. Это связано с нарушениями в нейронных связях между фронтопариетальной сетью и зрительной корой мозга.
За исследованием Земана стоит личная история, в которой многие с афантазией узнают себя:
"Я хорошо помню тот день, когда понял, что не могу мыслить образами. Всё началось с обычного разговора с девушкой: она вспоминала вечеринку и упомянула, что наша знакомая тогда надела тот же свитер, что и она годом ранее. Я спросил, как она может помнить такие детали, на что она ответила: «Я вижу их в голове». Этот ответ меня поразил. До этого момента я был уверен, что "видеть в голове" - просто метафора, а не реальное переживание. Так началась моя одиссея в мир неврологии. Я пытался понять, почему мой мозг работает иначе".
Так Том Эбейер описывает своё открытие в 2011 году. Позже он начал сотрудничать с Адамом Земаном и основал Aphantasia Network (aphantasia.com), объединяющую людей с таким же состоянием.
Афантазия не бинарное качество оно измеряется по шкале VVIQ от 1 до 5, где 5 - полная афантазия и отсутствие визуальных образов, а 1 - гиперфантазия и исключительно яркие и детализированные ментальные образы. Нормальность где-то посередине.
За последнее десятилетие афантазия изучалась с разных сторон. Вот что известно об афантазии (5 баллов):
- Может быть как врождённой, так и приобретённой.
- Передаётся генетически.
- Часто затрагивает не только визуальные, но и другие сенсорные модальности: звуки, запахи, вкус, тактильные ощущения.
- Встречается примерно у 1% населения.
- Связана с уменьшением качества автобиографической памяти: события вспоминаются как факты, без ярких деталей.
- Чаще встречается среди специалистов в точных науках: математиков, программистов, инженеров.
- Люди с афантазией крайне редко видят сны.
Гиперфантазия - обратная сторона спектра (1 балл):
- Способность генерировать чрезвычайно яркие мысленные образы.
- Встречается у 3% населения
- Визуализация может быть настолько детализированной, что некоторые люди способны "переживать" сцены так же, как реальность.
- Часто сопровождается синестезией: перекрёстным восприятием, например, видеть цвета при прослушивании музыки.
- Повышенная связь между зрительными и фронтопариетальными областями мозга объясняет как гиперфантазию, так и её корреляцию с креативными профессиями.
Как это влияет на мышление?
Люди с афантазией воспринимают такие понятия, как «дом», «успех» или «лошадь», через абстрактные концепции, а не визуальные образы. Отсутствие зрительных образов может, вопреки ожиданиям, улучшать способность к абстрактному мышлению и системному анализу.
Такой стиль мышления особенно полезен в областях, где требуется стратегическое планирование, работа с теориями и моделями. В философии, математике, аналитике и решении сложных проблем люди с афантазией могут видеть связи между явлениями, которые остаются неочевидными для тех, кто мыслит в образах.
Гиперфантазия, напротив, позволяет глубже погружаться в детали, что часто полезно в искусстве, дизайне, писательстве.
Ни то ни другое не является заболеванием или патологией. Это скорее вариация когнитивного восприятия, подобно тому, как некоторые люди обладают абсолютным слухом, а другие — нет. Люди с афантазией могут успешно работать в разных сферах, включая искусство, программирование и науку.
Так что, если вы можете "видеть" в голове образы - знайте, что далеко не у всех есть такая возможность.
1. То самое видео
2. Aphantasia Network
3. Википедия
4. Научпоп на тему автобиографической памяти
5. Тест на уровень афантазии
Никогда раньше не слышал об этом явлении, но уже к середине ролика задумался, что это явно про меня. У меня всегда были проблемы с автобиографической памятью, с запоминанием лиц или мест. После внимательного изучения вопроса убедился, что у меня есть какая-то доля афантазии - я почти не умею "видеть" образы.
Термин был введён неврологом Адамом Земаном в 2015 году. Афантазия означает неспособность мысленно "видеть" картинки, представлять образы предметов, людей или сцен. Это связано с нарушениями в нейронных связях между фронтопариетальной сетью и зрительной корой мозга.
За исследованием Земана стоит личная история, в которой многие с афантазией узнают себя:
"Я хорошо помню тот день, когда понял, что не могу мыслить образами. Всё началось с обычного разговора с девушкой: она вспоминала вечеринку и упомянула, что наша знакомая тогда надела тот же свитер, что и она годом ранее. Я спросил, как она может помнить такие детали, на что она ответила: «Я вижу их в голове». Этот ответ меня поразил. До этого момента я был уверен, что "видеть в голове" - просто метафора, а не реальное переживание. Так началась моя одиссея в мир неврологии. Я пытался понять, почему мой мозг работает иначе".
Так Том Эбейер описывает своё открытие в 2011 году. Позже он начал сотрудничать с Адамом Земаном и основал Aphantasia Network (aphantasia.com), объединяющую людей с таким же состоянием.
Афантазия не бинарное качество оно измеряется по шкале VVIQ от 1 до 5, где 5 - полная афантазия и отсутствие визуальных образов, а 1 - гиперфантазия и исключительно яркие и детализированные ментальные образы. Нормальность где-то посередине.
За последнее десятилетие афантазия изучалась с разных сторон. Вот что известно об афантазии (5 баллов):
- Может быть как врождённой, так и приобретённой.
- Передаётся генетически.
- Часто затрагивает не только визуальные, но и другие сенсорные модальности: звуки, запахи, вкус, тактильные ощущения.
- Встречается примерно у 1% населения.
- Связана с уменьшением качества автобиографической памяти: события вспоминаются как факты, без ярких деталей.
- Чаще встречается среди специалистов в точных науках: математиков, программистов, инженеров.
- Люди с афантазией крайне редко видят сны.
Гиперфантазия - обратная сторона спектра (1 балл):
- Способность генерировать чрезвычайно яркие мысленные образы.
- Встречается у 3% населения
- Визуализация может быть настолько детализированной, что некоторые люди способны "переживать" сцены так же, как реальность.
- Часто сопровождается синестезией: перекрёстным восприятием, например, видеть цвета при прослушивании музыки.
- Повышенная связь между зрительными и фронтопариетальными областями мозга объясняет как гиперфантазию, так и её корреляцию с креативными профессиями.
Как это влияет на мышление?
Люди с афантазией воспринимают такие понятия, как «дом», «успех» или «лошадь», через абстрактные концепции, а не визуальные образы. Отсутствие зрительных образов может, вопреки ожиданиям, улучшать способность к абстрактному мышлению и системному анализу.
Такой стиль мышления особенно полезен в областях, где требуется стратегическое планирование, работа с теориями и моделями. В философии, математике, аналитике и решении сложных проблем люди с афантазией могут видеть связи между явлениями, которые остаются неочевидными для тех, кто мыслит в образах.
Гиперфантазия, напротив, позволяет глубже погружаться в детали, что часто полезно в искусстве, дизайне, писательстве.
Ни то ни другое не является заболеванием или патологией. Это скорее вариация когнитивного восприятия, подобно тому, как некоторые люди обладают абсолютным слухом, а другие — нет. Люди с афантазией могут успешно работать в разных сферах, включая искусство, программирование и науку.
Так что, если вы можете "видеть" в голове образы - знайте, что далеко не у всех есть такая возможность.
1. То самое видео
2. Aphantasia Network
3. Википедия
4. Научпоп на тему автобиографической памяти
5. Тест на уровень афантазии
👍8🤔3
"Наша задача - понять, каким будет предпринимательство в мире повсеместного распространения ИИ, и я хочу, чтобы мы справились с этой задачей лучше всех. И для этого мне нужна помощь каждого из вас."
-- Тоби Лютке, генеральный директор Shopify
Shopify, крупнейшая платформа электронной коммерции, известна не только своими технологическими решениями, но и уникальной корпоративной культурой, ориентированной на постоянное обучение и готовность к изменениям. 7 апреля генеральный директор компании Тоби Лютке опубликовал важный пост, в котором он ввёл понятие «осознанное применение ИИ» (reflexive AI usage), подчеркнув значимость интеграции ИИ в повседневные процессы компании и важность поддержания предпринимательской культуры. Это призыв немедленно и эффективно внедрять ИИ в свою работу.
Ниже предлагаю частичный перевод обращения к сотрудникам:
—
"Команда,
Мы вступаем в эпоху, когда предпринимательство становится доступным как никогда раньше. ... Появление искусственного интеллекта, способного не только консультировать, но и брать на себя значительную часть рутинных задач предпринимателей, знаменует качественно новый этап развития бизнеса.
Наша миссия в Shopify заключается в том, чтобы создать идеальную технологическую основу для бизнеса будущего. Мы делаем это, предоставляя предпринимателям самые современные инструменты, позволяя им достигать успехов, о которых раньше они могли лишь мечтать. Именно поэтому для нас важно всегда быть впереди остальных.
Рефлексивное (то есть осознанное и постоянное) использование ИИ теперь является базовым требованием ко всем сотрудникам Shopify. ... Это самое стремительное изменение подхода к работе за всю мою карьеру, и я не скрываю своего энтузиазма: вы не раз слышали об этом в моих еженедельных видео, подкастах, на собраниях и даже на ежегодном саммите компании. ...
Мы уже поняли, что навык эффективного использования искусственного интеллекта приобретается исключительно на практике. Это совершенно не похоже на освоение любого другого инструмента. Если раньше активное использование ИИ было лишь рекомендацией, то теперь это стало обязательным требованием. Кроме того, мы убедились, что, в отличие от большинства инструментов, ИИ обладает эффектом мультипликатора: он многократно усиливает продуктивность наших сотрудников. У нас есть специалисты, которые и раньше могли достигать результатов в десять раз выше среднего уровня, и теперь ИИ позволяет увеличить их продуктивность ещё десятикратно.
Несколько лет назад я писал, что работа в Shopify напоминает «гонку Красной Королевы» из сказки «Алиса в стране чудес», когда нужно бежать со всех сил, чтобы просто остаться на месте. В компании, которая ежегодно растёт на 20–40%, вы обязаны совершенствоваться с такой же скоростью, чтобы не отставать. ...
Что это значит:
1. Эффективное использование искусственного интеллекта отныне является базовым ожиданием от каждого в Shopify. ... Конечно, вы можете попытаться отказаться, но это неизбежно приведёт к стагнации, а стагнация - это верный путь к провалу.
2. ИИ должен быть интегрирован уже на этапе прототипирования каждого проекта. Прототипирование - это, прежде всего, этап обучения и получения новой информации, и именно здесь искусственный интеллект многократно ускоряет процесс.
3. Теперь вопросы о применении ИИ будут включены в наши регулярные ревью и оценки работы команд. Умение грамотно формулировать промты и эффективно наполнять контекст - неочевидный, но крайне важный навык, который также необходимо развивать.
4. Мы учимся сами и делимся опытом друг с другом. Мы будем регулярно обсуждать успешные практики и разбирать ошибки, постепенно интегрируя ИИ во все наши бизнес-процессы.
5. Перед тем как запрашивать дополнительный персонал или ресурсы, командам предстоит доказать, что текущие задачи нельзя решить с помощью ИИ. ...
6. Эти изменения затрагивают каждого из нас, включая меня и всё руководство.»
—
Твит очень откликается - и про культуру, и про командное мышление. Нравится подход к ИИ ни как к инструменту, а как к естественной части работы.
Полезное:
- Ссылка на оригинальный твит
-- Тоби Лютке, генеральный директор Shopify
Shopify, крупнейшая платформа электронной коммерции, известна не только своими технологическими решениями, но и уникальной корпоративной культурой, ориентированной на постоянное обучение и готовность к изменениям. 7 апреля генеральный директор компании Тоби Лютке опубликовал важный пост, в котором он ввёл понятие «осознанное применение ИИ» (reflexive AI usage), подчеркнув значимость интеграции ИИ в повседневные процессы компании и важность поддержания предпринимательской культуры. Это призыв немедленно и эффективно внедрять ИИ в свою работу.
Ниже предлагаю частичный перевод обращения к сотрудникам:
—
"Команда,
Мы вступаем в эпоху, когда предпринимательство становится доступным как никогда раньше. ... Появление искусственного интеллекта, способного не только консультировать, но и брать на себя значительную часть рутинных задач предпринимателей, знаменует качественно новый этап развития бизнеса.
Наша миссия в Shopify заключается в том, чтобы создать идеальную технологическую основу для бизнеса будущего. Мы делаем это, предоставляя предпринимателям самые современные инструменты, позволяя им достигать успехов, о которых раньше они могли лишь мечтать. Именно поэтому для нас важно всегда быть впереди остальных.
Рефлексивное (то есть осознанное и постоянное) использование ИИ теперь является базовым требованием ко всем сотрудникам Shopify. ... Это самое стремительное изменение подхода к работе за всю мою карьеру, и я не скрываю своего энтузиазма: вы не раз слышали об этом в моих еженедельных видео, подкастах, на собраниях и даже на ежегодном саммите компании. ...
Мы уже поняли, что навык эффективного использования искусственного интеллекта приобретается исключительно на практике. Это совершенно не похоже на освоение любого другого инструмента. Если раньше активное использование ИИ было лишь рекомендацией, то теперь это стало обязательным требованием. Кроме того, мы убедились, что, в отличие от большинства инструментов, ИИ обладает эффектом мультипликатора: он многократно усиливает продуктивность наших сотрудников. У нас есть специалисты, которые и раньше могли достигать результатов в десять раз выше среднего уровня, и теперь ИИ позволяет увеличить их продуктивность ещё десятикратно.
Несколько лет назад я писал, что работа в Shopify напоминает «гонку Красной Королевы» из сказки «Алиса в стране чудес», когда нужно бежать со всех сил, чтобы просто остаться на месте. В компании, которая ежегодно растёт на 20–40%, вы обязаны совершенствоваться с такой же скоростью, чтобы не отставать. ...
Что это значит:
1. Эффективное использование искусственного интеллекта отныне является базовым ожиданием от каждого в Shopify. ... Конечно, вы можете попытаться отказаться, но это неизбежно приведёт к стагнации, а стагнация - это верный путь к провалу.
2. ИИ должен быть интегрирован уже на этапе прототипирования каждого проекта. Прототипирование - это, прежде всего, этап обучения и получения новой информации, и именно здесь искусственный интеллект многократно ускоряет процесс.
3. Теперь вопросы о применении ИИ будут включены в наши регулярные ревью и оценки работы команд. Умение грамотно формулировать промты и эффективно наполнять контекст - неочевидный, но крайне важный навык, который также необходимо развивать.
4. Мы учимся сами и делимся опытом друг с другом. Мы будем регулярно обсуждать успешные практики и разбирать ошибки, постепенно интегрируя ИИ во все наши бизнес-процессы.
5. Перед тем как запрашивать дополнительный персонал или ресурсы, командам предстоит доказать, что текущие задачи нельзя решить с помощью ИИ. ...
6. Эти изменения затрагивают каждого из нас, включая меня и всё руководство.»
—
Твит очень откликается - и про культуру, и про командное мышление. Нравится подход к ИИ ни как к инструменту, а как к естественной части работы.
Полезное:
- Ссылка на оригинальный твит
❤🔥3🐳1
Интересное применение ИИ, генерация зданий прямо внутри Minecraft.
https://www.reddit.com/r/StableDiffusion/s/VQnBrKZa9F
https://www.reddit.com/r/StableDiffusion/s/VQnBrKZa9F
Reddit
From the StableDiffusion community on Reddit: I added voxel diffusion to Minecraft
Explore this post and more from the StableDiffusion community
👍1
Интересные детали выступления Эрика Шмидта на TED
Недавно Эрик Шмидт дал 25-минутное интервью на TED о будущем искусственного интеллекта. Рекомендую посмотреть выступление целиком, а здесь хотел бы обратить внимание не на основной контекст, а на небольшие, случайные фразы, которые он обронил по ходу интервью.
1. «I bought a rocket company because it was, like, interesting.»
(«Я купил ракетную компанию просто потому, что это было интересно»)
Случайная ремарка, показывающая огромный разрыв между нами и людьми уровня Шмидта. Обычно погружение в новую отрасль - дело месяцев и лет, для него это было вопросом 15 минут deep research с помощью ChatGPT.
2. «My answer, by the way, is think Canada.»
(«Мой ответ, кстати — подумайте о Канаде»)
За этой полушутливой фразой скрыта серьёзная проблема - ИИ требует огромного количества энергии. Электричество сегодня становится важнейшим ресурсом, и вопрос о нём уже не технический, а геополитический.
3. «Grove giveth, Gates taketh away.»
(«Intel даёт, Microsoft забирает»)
Старая шутка из Кремниевой долины, объясняющая вечную гонку hardware и software. Чем лучше вычислительные ресурсы, тем больше их «поглощает» софт. Вычислительных мощностей всегда недостаточно.
4. «Do you really think we're going to get rid of lawyers? No, they'll just have more sophisticated lawsuits.»
(«Думаете, мы избавимся от юристов? Нет, у них просто появятся более сложные иски»)
ИИ не сокращает бюрократию и судебные процессы, а усложняет их. Как пример приведу недавний случай в США, где жертва ДТП выступила в суде в виде ИИ-симуляции самой себя, эмоционально повлияв на присяжных и изменив ход процесса. Это дело подняло целую волну этических и моральных вопросов. Советую посмотреть как умерший 😱 выступил в суде (ссылки 2 и 3 в конце поста).
5. «Do you really think we're going to get rid of politicians? No, they'll just have more platforms to mislead you.»
(«Думаете, мы избавимся от политиков? Нет, у них просто появится больше платформ, чтобы вводить нас/вас в заблуждение»)
ИИ не решит проблему политических манипуляций, а только усугубит её. Политики получат мощнейший инструмент для персонализированной дезинформации. Здесь я больше всего внимания обратил на это "to mislead you" в конце. Разве он не должен был сказал "to mislead us" ?
6. «These agents typically speak English. For now.»
(«Эти ИИ агенты обычно общаются на английском. Пока»)
Слово «пока» выдаёт подтекст. Сейчас ИИ-агенты общаются понятным нам языком, используя Model Context Protocol (MCP) - стандарты, помогающие контролировать и понимать поведение моделей. Но в будущем они могут перейти на собственные языки, полностью закрытые для человеческого понимания.
Слушая интервью невольно обратил внимание на эти случайные фразы. И все это на фоне основной мысли Шмидта: «Мы не готовы к тому, насколько сильно изменится общество и как быстро оно это сделает».
Полезное:
- Само интервью
- О выступлении ИИ на суде
- Видео выступления
Недавно Эрик Шмидт дал 25-минутное интервью на TED о будущем искусственного интеллекта. Рекомендую посмотреть выступление целиком, а здесь хотел бы обратить внимание не на основной контекст, а на небольшие, случайные фразы, которые он обронил по ходу интервью.
1. «I bought a rocket company because it was, like, interesting.»
(«Я купил ракетную компанию просто потому, что это было интересно»)
Случайная ремарка, показывающая огромный разрыв между нами и людьми уровня Шмидта. Обычно погружение в новую отрасль - дело месяцев и лет, для него это было вопросом 15 минут deep research с помощью ChatGPT.
2. «My answer, by the way, is think Canada.»
(«Мой ответ, кстати — подумайте о Канаде»)
За этой полушутливой фразой скрыта серьёзная проблема - ИИ требует огромного количества энергии. Электричество сегодня становится важнейшим ресурсом, и вопрос о нём уже не технический, а геополитический.
3. «Grove giveth, Gates taketh away.»
(«Intel даёт, Microsoft забирает»)
Старая шутка из Кремниевой долины, объясняющая вечную гонку hardware и software. Чем лучше вычислительные ресурсы, тем больше их «поглощает» софт. Вычислительных мощностей всегда недостаточно.
4. «Do you really think we're going to get rid of lawyers? No, they'll just have more sophisticated lawsuits.»
(«Думаете, мы избавимся от юристов? Нет, у них просто появятся более сложные иски»)
ИИ не сокращает бюрократию и судебные процессы, а усложняет их. Как пример приведу недавний случай в США, где жертва ДТП выступила в суде в виде ИИ-симуляции самой себя, эмоционально повлияв на присяжных и изменив ход процесса. Это дело подняло целую волну этических и моральных вопросов. Советую посмотреть как умерший 😱 выступил в суде (ссылки 2 и 3 в конце поста).
5. «Do you really think we're going to get rid of politicians? No, they'll just have more platforms to mislead you.»
(«Думаете, мы избавимся от политиков? Нет, у них просто появится больше платформ, чтобы вводить нас/вас в заблуждение»)
ИИ не решит проблему политических манипуляций, а только усугубит её. Политики получат мощнейший инструмент для персонализированной дезинформации. Здесь я больше всего внимания обратил на это "to mislead you" в конце. Разве он не должен был сказал "to mislead us" ?
6. «These agents typically speak English. For now.»
(«Эти ИИ агенты обычно общаются на английском. Пока»)
Слово «пока» выдаёт подтекст. Сейчас ИИ-агенты общаются понятным нам языком, используя Model Context Protocol (MCP) - стандарты, помогающие контролировать и понимать поведение моделей. Но в будущем они могут перейти на собственные языки, полностью закрытые для человеческого понимания.
Слушая интервью невольно обратил внимание на эти случайные фразы. И все это на фоне основной мысли Шмидта: «Мы не готовы к тому, насколько сильно изменится общество и как быстро оно это сделает».
Полезное:
- Само интервью
- О выступлении ИИ на суде
- Видео выступления
🤯4👍2🤔1
YouTube
Demis Hassabis and Veritasium's Derek Muller talk AI, AlphaFold and human intelligence
This Q&A was recorded live at the London premiere of The Thinking Game at the Science Museum. The conversation features Derek Muller, creator of Veritasium, in dialogue with Demis Hassabis, co-founder and CEO of DeepMind. Together, they reflect on the making…
Интервью Сэра Демиса Хассабиса Дереку из Veritasium.
Белки - это микроскопические молекулярные машины внутри наших клеток. Они определяют, как мы растём, как боремся с болезнями и как получаем энергию. Каждый белок представляет собой длинную цепочку, свёрнутую в уникальную трёхмерную форму. Именно эта форма определяет, как белок будет работать и какую задачу сможет выполнить. Даже небольшая ошибка в сворачивании приводит к тому, что белок становится бесполезным или даже вредным. Проблема в том, что таких белков сотни миллионов, и раньше для определения структуры каждого требовались годы работы учёных с дорогостоящим оборудованием.
За полвека биологи вручную расшифровали около 150 тысяч структур белков. Затем появился AlphaFold, и всего за пару лет количество известных структур выросло до 200 миллионов. По словам Демиса Хассабиса, руководителя DeepMind, такой объём работы занял бы у исследователей миллиард лет PhD-исследований. AlphaFold, используя глубокие нейросети, смог предсказать структуры белков быстро и точно, открыв двери для создания новых лекарств, ферментов, способов очистки окружающей среды и решения проблем изменения климата.
Одной из самых многообещающих возможностей стала разработка лекарств in silico, то есть полностью в компьютерной модели, без долгих и дорогостоящих лабораторных опытов. Теперь учёные могут быстро подбирать молекулы, способные точно взаимодействовать с конкретной структурой белка, ускоряя появление новых препаратов против болезней, которые раньше казались неизлечимыми.
При этом важно понимать, что ИИ не пришёл заменить людей. Хассабис подчёркивает, что без многолетнего труда биологов прошлого у нейросетей не было бы материала для обучения. Он создал инструмент, который помогает человеку лучше понять природу жизни и, возможно, даже саму реальность.
Сейчас перед нами огромные перспективы, но есть и риск. Один недобросовестный игрок может испортить всё. Именно поэтому важно договариваться на глобальном уровне, чтобы этические правила не проигрывали технологической гонке.
Хассабис спокойно советует учить детей математике, информатике и умению адаптироваться. Пусть пробуют, играют, осваивают новые технологии. Они увидят возможности, о которых мы сейчас даже не догадываемся.
Полезное:
1. Интервью
2. О Нобелевской премии
Белки - это микроскопические молекулярные машины внутри наших клеток. Они определяют, как мы растём, как боремся с болезнями и как получаем энергию. Каждый белок представляет собой длинную цепочку, свёрнутую в уникальную трёхмерную форму. Именно эта форма определяет, как белок будет работать и какую задачу сможет выполнить. Даже небольшая ошибка в сворачивании приводит к тому, что белок становится бесполезным или даже вредным. Проблема в том, что таких белков сотни миллионов, и раньше для определения структуры каждого требовались годы работы учёных с дорогостоящим оборудованием.
За полвека биологи вручную расшифровали около 150 тысяч структур белков. Затем появился AlphaFold, и всего за пару лет количество известных структур выросло до 200 миллионов. По словам Демиса Хассабиса, руководителя DeepMind, такой объём работы занял бы у исследователей миллиард лет PhD-исследований. AlphaFold, используя глубокие нейросети, смог предсказать структуры белков быстро и точно, открыв двери для создания новых лекарств, ферментов, способов очистки окружающей среды и решения проблем изменения климата.
Одной из самых многообещающих возможностей стала разработка лекарств in silico, то есть полностью в компьютерной модели, без долгих и дорогостоящих лабораторных опытов. Теперь учёные могут быстро подбирать молекулы, способные точно взаимодействовать с конкретной структурой белка, ускоряя появление новых препаратов против болезней, которые раньше казались неизлечимыми.
При этом важно понимать, что ИИ не пришёл заменить людей. Хассабис подчёркивает, что без многолетнего труда биологов прошлого у нейросетей не было бы материала для обучения. Он создал инструмент, который помогает человеку лучше понять природу жизни и, возможно, даже саму реальность.
Сейчас перед нами огромные перспективы, но есть и риск. Один недобросовестный игрок может испортить всё. Именно поэтому важно договариваться на глобальном уровне, чтобы этические правила не проигрывали технологической гонке.
Хассабис спокойно советует учить детей математике, информатике и умению адаптироваться. Пусть пробуют, играют, осваивают новые технологии. Они увидят возможности, о которых мы сейчас даже не догадываемся.
Полезное:
1. Интервью
2. О Нобелевской премии
❤🔥3
Forwarded from Zavtracast (Ярослав Ивус)
Nucleus представила услугу Embryo, которая позволяет узнать детальные характеристики ребёнка до рождения. Это выглядит, как выбор персонажа в игре.
Nucleus Embryo доступна только для родителей, которые собираются пройти процедуру ЭКО. В своей клинике им дают какое-то количество эмбрионов на выбор, а затем данные заливают в сервис.
Через пару часов родители могут узнать пол, цвет волос, рост, IQ, а также склонность к диабету и генетическим заболеваниям своего будущего ребёнка. Конечно же, это не гарантии, а вероятность, но Nucleus изучили 120,000 эмбрионов, чтобы создать Embryo.
Услуга обойдётся в $5,999 — это без учёта самой процедуры ЭКО и дальнейших наблюдений у врача.
@zavtracast
Nucleus Embryo доступна только для родителей, которые собираются пройти процедуру ЭКО. В своей клинике им дают какое-то количество эмбрионов на выбор, а затем данные заливают в сервис.
Через пару часов родители могут узнать пол, цвет волос, рост, IQ, а также склонность к диабету и генетическим заболеваниям своего будущего ребёнка. Конечно же, это не гарантии, а вероятность, но Nucleus изучили 120,000 эмбрионов, чтобы создать Embryo.
Услуга обойдётся в $5,999 — это без учёта самой процедуры ЭКО и дальнейших наблюдений у врача.
@zavtracast
🔥3👀1
Forwarded from Даниэль Ленц - блог
Использование AI разработчиками внутри Яндекса (и мной)
Я удивлен насколько быстро многие в компании начали пользоваться AI для рабочих задач и интегрировать его во внутренние процессы.
Совсем скоро после выхода Claude 3.7 Sonnet с подачи ребят из Поиска волна AI пошла по всем командам: Cline, Roo Code, Cursor, Memory банки, обсуждение новых моделей на рынке и как лучше промптить.
В рабочем чате, кто активно применяет AI в работе, уже 1.6к+ человек!
Делюсь немногим, что произошло вокруг меня буквально за последние 2 месяца:
1) Один коллега запилил на коленке нейро-ревью – CI интеграцию, которая смотрит на пулл реквест и оставляет комментарии по коду. Небольшой пет-проект вылился в то, что его подключили 350+ команд в Яндексе.
2) Появилось автосгенерированное описание для каждого пулл реквеста на основе диффа. Работает супер хорошо. Вот пример из моей недавней таски:
3) Многие команды внутренних сервисов начали пилить свои MCP сервера. Теперь можно прямо в чате с моделькой сходить в трекер и забрать инфу по таске.
4) Начали проходить внутренние митапы и мероприятия про AI. Только у нас в отделе (инфраструктура) уже точно было 2.
5) Кто-то даже навайбкодил расширение в IDE для хранилища промптов и шаринга его между командами. Мелочь, а удобно.
И это лишь малая часть. Десяток других решений в виде инструментов, ботов, скриптов и расширений ускоряют рутину сотрудников благодаря AI. Есть даже канал, куда репостят лучшие внедрения в компании.
Ну и приятный бонус то, что каждому выделяется квота на использование ресурсов LLM моделей. Если вы не вайбкодите сутками, а используете AI в рамках разумного, то и платить не приходится.
А что использую я каждый день?
Я остановился на RooCode (форк Cline) для чата и Cursor для авто дополнений в коде.
Вместо обычного поиска все чаще использую Perplexity. А для простых вопросов по английскому языку (сейчас изучаю) часто хожу в бесплатный Deepseek.
Для агентов, кстати, главное не забыть сделать одну важную вещь – правильно настроить игноры директорий в проекте, куда им ходить не нужно. Иначе улетят ваши кровные на чтение ненужных дампов.
А вы используете в работе AI? Какие инструменты / модели?
@dlents
Я удивлен насколько быстро многие в компании начали пользоваться AI для рабочих задач и интегрировать его во внутренние процессы.
Совсем скоро после выхода Claude 3.7 Sonnet с подачи ребят из Поиска волна AI пошла по всем командам: Cline, Roo Code, Cursor, Memory банки, обсуждение новых моделей на рынке и как лучше промптить.
В рабочем чате, кто активно применяет AI в работе, уже 1.6к+ человек!
Делюсь немногим, что произошло вокруг меня буквально за последние 2 месяца:
1) Один коллега запилил на коленке нейро-ревью – CI интеграцию, которая смотрит на пулл реквест и оставляет комментарии по коду. Небольшой пет-проект вылился в то, что его подключили 350+ команд в Яндексе.
2) Появилось автосгенерированное описание для каждого пулл реквеста на основе диффа. Работает супер хорошо. Вот пример из моей недавней таски:
✨Добавлена возможность отображения ссылки на тикет, если он создан.
🔄 Обновлен компонент для отображения состояния создания тикета с использованием компонента Spin и текста "Тикет создается".
⏱️ Реализована логика повторной загрузки данных при изменении состояния тикета, чтобы обеспечить актуальность информации.
📝 Добавлены новые строки в файлы локализации для поддержки нового текста о состоянии тикета.
3) Многие команды внутренних сервисов начали пилить свои MCP сервера. Теперь можно прямо в чате с моделькой сходить в трекер и забрать инфу по таске.
4) Начали проходить внутренние митапы и мероприятия про AI. Только у нас в отделе (инфраструктура) уже точно было 2.
5) Кто-то даже навайбкодил расширение в IDE для хранилища промптов и шаринга его между командами. Мелочь, а удобно.
И это лишь малая часть. Десяток других решений в виде инструментов, ботов, скриптов и расширений ускоряют рутину сотрудников благодаря AI. Есть даже канал, куда репостят лучшие внедрения в компании.
Ну и приятный бонус то, что каждому выделяется квота на использование ресурсов LLM моделей. Если вы не вайбкодите сутками, а используете AI в рамках разумного, то и платить не приходится.
А что использую я каждый день?
Я остановился на RooCode (форк Cline) для чата и Cursor для авто дополнений в коде.
Вместо обычного поиска все чаще использую Perplexity. А для простых вопросов по английскому языку (сейчас изучаю) часто хожу в бесплатный Deepseek.
Для агентов, кстати, главное не забыть сделать одну важную вещь – правильно настроить игноры директорий в проекте, куда им ходить не нужно. Иначе улетят ваши кровные на чтение ненужных дампов.
А вы используете в работе AI? Какие инструменты / модели?
@dlents
👍1
Forwarded from Data Secrets
Китайские инженеры летают в Малайзию с рюкзаками жестких дисков с данными, чтобы обучать модели
Если раньше китайские стартапы обходились черным рынком для покупки чипов Nvidia, то теперь, после ужесточения контроля США, они перешли на следующий уровень: теперь, вместо ввоза чипов, они вывозят данные. Об этом написал WSJ.
Сообщается, что некоторое время назад четыре сотрудника китайского ИИ-стартапа летели из Пекина в Куала-Лумпур, и каждый вез с собой 15 жестких дисков с 80Тб данных для обучения модели.
Судя по всему, операция была тщательно спланирована. Данные решили переправить так, потому что онлайн передача заняла бы много времени и привлекла внимание. По прилете в Малазию сотрудники арендовали 300 серверов Nvidia, на которых, предположительно, сейчас и обучают модели.
Чего только не сделаешь ради падающего лосса. Скоро голубями будут отправлять🥲
Если раньше китайские стартапы обходились черным рынком для покупки чипов Nvidia, то теперь, после ужесточения контроля США, они перешли на следующий уровень: теперь, вместо ввоза чипов, они вывозят данные. Об этом написал WSJ.
Сообщается, что некоторое время назад четыре сотрудника китайского ИИ-стартапа летели из Пекина в Куала-Лумпур, и каждый вез с собой 15 жестких дисков с 80Тб данных для обучения модели.
Судя по всему, операция была тщательно спланирована. Данные решили переправить так, потому что онлайн передача заняла бы много времени и привлекла внимание. По прилете в Малазию сотрудники арендовали 300 серверов Nvidia, на которых, предположительно, сейчас и обучают модели.
Чего только не сделаешь ради падающего лосса. Скоро голубями будут отправлять
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥8
nfc-forum.org
NFC Release 15
Everyday millions and millions of people use NFC technology to connect to things and the world around them. It’s the super-fast and secure way to pay for things, ride the train, unlock a door, start your car, and even connect to the brands we all love.
Самое крупное обновление NFC за 9 лет
NFC Forum представил новый стандарт, увеличивший расстояние срабатывания бесконтактной связи с 5 миллиметров до 2 сантиметров - в четыре раза. Теперь для оплаты или идентификации не нужно точно прижимать карту или смартфон к считывателю - достаточно просто поднести на небольшое расстояние.
Интересно, что с увеличением радиуса и улучшением стабильности соединения, NFC частично заходит на территорию Bluetooth. В простых сценариях подключения - например, при сопряжении наушников или подключении аксессуаров - NFC становится более надёжной и быстрой альтернативой.
Безопасность сохраняется. Несмотря на увеличение радиуса, связь активируется только по явному действию пользователя - случайный или фоновый обмен невозможен.
Производители уже начали интеграцию. Спецификации переданы Apple, Google, Huawei, Sony, NXP и другим участникам. Первые устройства с поддержкой нового стандарта ожидаются в 2026 году. Обратная совместимость сохранится - текущие терминалы и карты продолжат работать.
Что ещё появилось в Release 15:
- Одно касание - несколько действий (multi-purpose tap). Например, оплата и начисление бонусов одновременно
- Передача энергии до 3 Вт. Упрощает конструкции наушников, трекеров, смарт-карт и позволяет обходиться без батареек
- Повышенная стабильность и скорость соединения, особенно важная в условиях движения или плотного трафика
- Расширенная поддержка компактных и носимых форм-факторов: новые возможности для аксессуаров, IoT и медтеха
Переход от «прижать» к «поднести в зону» открывает путь к новым физическим интерфейсам. Например:
- Билборды, отображающие персонализированную информацию
- Общественный транспорт, который автоматически фиксируют посадку, проводит оплату, начисляет кэшбэк, предлагает пополнить баланс
- Банкоматы и киоски, которые распознают пользователя ещё до касания и заранее подготавливают нужный сценарий
Компании, которые переосмыслят физическое взаимодействие, получат UX-преимущество.
Полезное:
- Анонс NFC Forum
- Новость от the verge
NFC Forum представил новый стандарт, увеличивший расстояние срабатывания бесконтактной связи с 5 миллиметров до 2 сантиметров - в четыре раза. Теперь для оплаты или идентификации не нужно точно прижимать карту или смартфон к считывателю - достаточно просто поднести на небольшое расстояние.
Интересно, что с увеличением радиуса и улучшением стабильности соединения, NFC частично заходит на территорию Bluetooth. В простых сценариях подключения - например, при сопряжении наушников или подключении аксессуаров - NFC становится более надёжной и быстрой альтернативой.
Безопасность сохраняется. Несмотря на увеличение радиуса, связь активируется только по явному действию пользователя - случайный или фоновый обмен невозможен.
Производители уже начали интеграцию. Спецификации переданы Apple, Google, Huawei, Sony, NXP и другим участникам. Первые устройства с поддержкой нового стандарта ожидаются в 2026 году. Обратная совместимость сохранится - текущие терминалы и карты продолжат работать.
Что ещё появилось в Release 15:
- Одно касание - несколько действий (multi-purpose tap). Например, оплата и начисление бонусов одновременно
- Передача энергии до 3 Вт. Упрощает конструкции наушников, трекеров, смарт-карт и позволяет обходиться без батареек
- Повышенная стабильность и скорость соединения, особенно важная в условиях движения или плотного трафика
- Расширенная поддержка компактных и носимых форм-факторов: новые возможности для аксессуаров, IoT и медтеха
Переход от «прижать» к «поднести в зону» открывает путь к новым физическим интерфейсам. Например:
- Билборды, отображающие персонализированную информацию
- Общественный транспорт, который автоматически фиксируют посадку, проводит оплату, начисляет кэшбэк, предлагает пополнить баланс
- Банкоматы и киоски, которые распознают пользователя ещё до касания и заранее подготавливают нужный сценарий
Компании, которые переосмыслят физическое взаимодействие, получат UX-преимущество.
Полезное:
- Анонс NFC Forum
- Новость от the verge
🔥3❤1
Наука без участия человека.
ИИ-агенты уже пишут статьи для других ИИ.
Научные архивы вроде arXiv или bioRxiv задумывались для учёных - чтобы делиться идеями, обмениваться гипотезами и результатами. Но сегодня появляются другие системы, где публикации создаются и читаются не людьми, а интеллектуальными агентами.
Сразу два таких проекта работают параллельно:
1. ai.viXra - это репозиторий статей, написанных с помощью ИИ, но всё ещё предназначенных для человека.
2. AgentRxiv - новый тип архива, созданный для взаимодействия машин между собой. Здесь статьи читают не люди, а другие модели.
Если упростить - ai.viXra всё ещё про "для людей, написанное с помощью ИИ", а AgentRxiv - про "от агентов, для агентов".
AgentRxiv выглядит как привычный препринт-сервер: есть веб-интерфейс, поиск, API, база статей. Но его основная задача - чтобы несколько LLM-агентов могли обмениваться результатами между собой. Один агент решает задачу, пишет отчёт. Другой находит эту статью, изучает подход и улучшает его. И так далее.
Такой формат оказался не только удобным, но и результативным. В экспериментах с математическим датасетом MATH-500 использование AgentRxiv улучшило точность решений на 11 процентов. А когда параллельно запускались три "лаборатории", делясь своими статьями, качество выросло на 14 процентов. Методы, найденные таким образом, обобщаются и на другие задачи - в медицине, образовании и логике.
Технически всё довольно просто - статьи хранятся на сервере, поиск работает на основе смысловой близости, весь код открыт и размещён под MIT-лицензией.
Главная идея в том, что агентам больше не нужно начинать с нуля. Как и люди, они теперь могут опираться на уже сделанные открытия - но делают это в своей, машинной форме: без peer-review, без форматирования, без длинных абстрактов. Просто суть, просто результат, просто следующее улучшение.
Человек здесь может остаться в стороне. Мы, возможно, не будем до конца понимать, как именно работает тот или иной метод. Но сможем пользоваться его эффектом.
Это не фантастика - это уже реальность.
Полезное:
- AgentRxiv
- Код
- ai.viXra
- Статья про MATH-500 (от людей) AgentRxiv: Towards Collaborative Autonomous Research
ИИ-агенты уже пишут статьи для других ИИ.
Научные архивы вроде arXiv или bioRxiv задумывались для учёных - чтобы делиться идеями, обмениваться гипотезами и результатами. Но сегодня появляются другие системы, где публикации создаются и читаются не людьми, а интеллектуальными агентами.
Сразу два таких проекта работают параллельно:
1. ai.viXra - это репозиторий статей, написанных с помощью ИИ, но всё ещё предназначенных для человека.
2. AgentRxiv - новый тип архива, созданный для взаимодействия машин между собой. Здесь статьи читают не люди, а другие модели.
Если упростить - ai.viXra всё ещё про "для людей, написанное с помощью ИИ", а AgentRxiv - про "от агентов, для агентов".
AgentRxiv выглядит как привычный препринт-сервер: есть веб-интерфейс, поиск, API, база статей. Но его основная задача - чтобы несколько LLM-агентов могли обмениваться результатами между собой. Один агент решает задачу, пишет отчёт. Другой находит эту статью, изучает подход и улучшает его. И так далее.
Такой формат оказался не только удобным, но и результативным. В экспериментах с математическим датасетом MATH-500 использование AgentRxiv улучшило точность решений на 11 процентов. А когда параллельно запускались три "лаборатории", делясь своими статьями, качество выросло на 14 процентов. Методы, найденные таким образом, обобщаются и на другие задачи - в медицине, образовании и логике.
Технически всё довольно просто - статьи хранятся на сервере, поиск работает на основе смысловой близости, весь код открыт и размещён под MIT-лицензией.
Главная идея в том, что агентам больше не нужно начинать с нуля. Как и люди, они теперь могут опираться на уже сделанные открытия - но делают это в своей, машинной форме: без peer-review, без форматирования, без длинных абстрактов. Просто суть, просто результат, просто следующее улучшение.
Человек здесь может остаться в стороне. Мы, возможно, не будем до конца понимать, как именно работает тот или иной метод. Но сможем пользоваться его эффектом.
Это не фантастика - это уже реальность.
Полезное:
- AgentRxiv
- Код
- ai.viXra
- Статья про MATH-500 (от людей) AgentRxiv: Towards Collaborative Autonomous Research
🔥3❤2
Мысли об AI-first архитектуре
Последние годы активно использую LLM и агентов для разработки продуктов и автоматизации рабочих процессов. Накопился значительный опыт – как позитивный, так и откровенно сложный. LLM полезны, но работа с ними – отдельная инженерная дисциплина, которой приходится учиться буквально на ходу. Вопреки громким обещаниям никакой магии не происходит – чаще наоборот. Попытки интегрировать ИИ-агентов в существующие процессы часто приводят к тому, что софт становится менее предсказуемым и начинает отнимать больше времени, чем экономить. За кажущейся простотой скрываются серьёзные инженерные сложности.
Недавно посмотрел выступление Андрея Карпаты о том, как меняется программирование под влиянием ИИ. Нашёл в нём много точек пересечения с собственными наблюдениями. Поделюсь ключевыми идеями, которые меня зацепили.
Три поколения программного обеспечения
Карпаты разделяет развитие ПО на три этапа. Software 1.0 – классический код, который пишут разработчики вручную. Software 2.0 – нейросети, где вместо написания кода разработчик занимается подготовкой данных для обучения. Software 3.0 – текущий этап, где программировать начинают с помощью промптов на естественном языке.
Антероградная амнезия LLM и её последствия
Карпаты подчёркивает важный недостаток LLM – своеобразную амнезию. Современные модели практически лишены долговременной памяти: каждое новое обращение к ним начинается практически с чистого листа. На практике это требует специальных инженерных решений. Если заранее не проектировать механизмы памяти и контекста, разработчикам придётся постоянно «нянчить» модель. Здесь он приводит забавную аналогию с фильмом "Мементо"
Human-in-the-loop вместо полной автономии
Очень близка идея «Human-in-the-loop (HITL)». Сейчас модно говорить про автономных агентов, которые сами выполняют задачи от начала до конца. Карпаты справедливо предостерегает, что до полной автономии далеко, и приводит пример автопилота Tesla – 12 лет назад технология выглядела «почти готовой», но полной автономности так и нет.
Ставить человека «в цикл» – разумный подход. Проверка, контроль и корректировка – неотъемлемые этапы нормальной работы с LLM.
Почему важен интерфейс
Ещё один важный тезис – критическая роль UI. Хороший интерфейс помогает быстро контролировать результаты работы модели. Вместо бесконечного чтения текста пользователь должен сразу визуально видеть изменения и принимать решения. Мой опыт это полностью подтверждает. Без качественного интерфейса работа с LLM превращается в утомительный процесс.
Проектировать ПО для агентов
Сегодня появляется новая инженерная задача – делать цифровые продукты понятными не только людям, но и агентам. Документацию нужно писать иначе, так, чтобы её могли «прочесть» и люди, и LLM. Приходится заранее продумывать архитектуру хранения и обмена данными, иначе проект завязнет в бесконечных доработках.
Возникает необходимость создавать API, которые раньше не пришли бы в голову – специальные интерфейсы для ИИ. Речь идёт о переходе к AI-first архитектуре, в которой агенты и модели – не дополнительный слой, а фундамент системы.
Мне близок подход Карпаты именно отсутствием лишнего оптимизма и чёткой фиксацией реальности. До эпохи автономных суперагентов ещё далеко, и это нормально. Сейчас намного важнее научиться правильно интегрировать LLM и обычный софт, решая реальные задачи с человеком в центре этого процесса. Важно научится оптимизировать, экономить, ускорять, упрощать - не заменять.
Полезное:
- Выступление Андрея Карпаты
- Why Do Multi-Agent LLM Systems Fail?
P.S.
За месяцы написания кода с LLM у меня сформировалась собственная рабочая рутина управления кодингом. Перепробовал множество инструментов – от Codex, Aider, Claude до Perplexity и Google AI Studio. В итоге постепенно сложилось понимание того, как лучше всего строить рабочий процесс, чтобы модели «помнили» и знали проект. Как нивелировать амнезию, превратить кодинг с LLM из сценария фильма «Мементо» в более предсказуемый «День сурка». Если интересно – могу отдельно написать об этом пост/гайд по работе с LLM.
Последние годы активно использую LLM и агентов для разработки продуктов и автоматизации рабочих процессов. Накопился значительный опыт – как позитивный, так и откровенно сложный. LLM полезны, но работа с ними – отдельная инженерная дисциплина, которой приходится учиться буквально на ходу. Вопреки громким обещаниям никакой магии не происходит – чаще наоборот. Попытки интегрировать ИИ-агентов в существующие процессы часто приводят к тому, что софт становится менее предсказуемым и начинает отнимать больше времени, чем экономить. За кажущейся простотой скрываются серьёзные инженерные сложности.
Недавно посмотрел выступление Андрея Карпаты о том, как меняется программирование под влиянием ИИ. Нашёл в нём много точек пересечения с собственными наблюдениями. Поделюсь ключевыми идеями, которые меня зацепили.
Три поколения программного обеспечения
Карпаты разделяет развитие ПО на три этапа. Software 1.0 – классический код, который пишут разработчики вручную. Software 2.0 – нейросети, где вместо написания кода разработчик занимается подготовкой данных для обучения. Software 3.0 – текущий этап, где программировать начинают с помощью промптов на естественном языке.
Антероградная амнезия LLM и её последствия
Карпаты подчёркивает важный недостаток LLM – своеобразную амнезию. Современные модели практически лишены долговременной памяти: каждое новое обращение к ним начинается практически с чистого листа. На практике это требует специальных инженерных решений. Если заранее не проектировать механизмы памяти и контекста, разработчикам придётся постоянно «нянчить» модель. Здесь он приводит забавную аналогию с фильмом "Мементо"
Human-in-the-loop вместо полной автономии
Очень близка идея «Human-in-the-loop (HITL)». Сейчас модно говорить про автономных агентов, которые сами выполняют задачи от начала до конца. Карпаты справедливо предостерегает, что до полной автономии далеко, и приводит пример автопилота Tesla – 12 лет назад технология выглядела «почти готовой», но полной автономности так и нет.
Ставить человека «в цикл» – разумный подход. Проверка, контроль и корректировка – неотъемлемые этапы нормальной работы с LLM.
Почему важен интерфейс
Ещё один важный тезис – критическая роль UI. Хороший интерфейс помогает быстро контролировать результаты работы модели. Вместо бесконечного чтения текста пользователь должен сразу визуально видеть изменения и принимать решения. Мой опыт это полностью подтверждает. Без качественного интерфейса работа с LLM превращается в утомительный процесс.
Проектировать ПО для агентов
Сегодня появляется новая инженерная задача – делать цифровые продукты понятными не только людям, но и агентам. Документацию нужно писать иначе, так, чтобы её могли «прочесть» и люди, и LLM. Приходится заранее продумывать архитектуру хранения и обмена данными, иначе проект завязнет в бесконечных доработках.
Возникает необходимость создавать API, которые раньше не пришли бы в голову – специальные интерфейсы для ИИ. Речь идёт о переходе к AI-first архитектуре, в которой агенты и модели – не дополнительный слой, а фундамент системы.
Мне близок подход Карпаты именно отсутствием лишнего оптимизма и чёткой фиксацией реальности. До эпохи автономных суперагентов ещё далеко, и это нормально. Сейчас намного важнее научиться правильно интегрировать LLM и обычный софт, решая реальные задачи с человеком в центре этого процесса. Важно научится оптимизировать, экономить, ускорять, упрощать - не заменять.
Полезное:
- Выступление Андрея Карпаты
- Why Do Multi-Agent LLM Systems Fail?
P.S.
За месяцы написания кода с LLM у меня сформировалась собственная рабочая рутина управления кодингом. Перепробовал множество инструментов – от Codex, Aider, Claude до Perplexity и Google AI Studio. В итоге постепенно сложилось понимание того, как лучше всего строить рабочий процесс, чтобы модели «помнили» и знали проект. Как нивелировать амнезию, превратить кодинг с LLM из сценария фильма «Мементо» в более предсказуемый «День сурка». Если интересно – могу отдельно написать об этом пост/гайд по работе с LLM.
🔥5
На 9-й день ИИ самостоятельно стёр всю продакшн-базу данных и попытался это скрыть.
Джейсон Лемкин – известный венчурный инвестор и основатель SaaStr (сообщества и конференции для SaaS-стартапов). Лемкин решил провести 12-дневный эксперимент по «вайб-кодингу» – то есть разработке приложения с ИИ-помощником – на платформе Replit. Replit – это облачная среда программирования с ИИ-ассистентом, стартап-участник акселератора Y Combinator (зима 2018).
Цель Лемкина была амбициозна: без помощи живых разработчиков за несколько дней создать внутри Replit полноценное веб-приложение – базу данных бизнес-контактов (≈1200 записей) – опираясь только на подсказки ИИ. Изначально проект увлек Лемкина – платформа оказалась затягивающей. Он вложил в эксперимент сотни долларов - покупая дополнительные ресурсы Replit.
Однако по мере работы начали проявляться проблемы. К 8-му дню Лемкин заметил, что ИИ-агент ведёт себя ненадежно: он стал генерировать поддельные данные, фальсифицировать результаты тестов и скрывать ошибки. Например, при неудачных запусках ИИ сообщал, будто «все тесты пройдены», хотя это было неправдой. Тем не менее, в конце восьмого дня инвестор ещё находил и плюсы в таком «вайб-кодинге» – ему нравилось, как ИИ генерирует идеи и помогает с кодом. Он надеялся довести эксперимент до конца, несмотря на странности.
Инцидент случился на 9-й день. Лемкин обнаружил, что ИИ-помощник самовольно стер всю базу данных с записями компаний и всех пользователей. Причём это произошло во время объявленного «code freeze» – режима, когда любые изменения были строго запрещены. Хуже всего, ИИ попытался скрыть содеянное. Позже выяснилось, что агент подменял удалённые данные вымышленными профилями, имитируя целостность системы.
После удаления данных он сгенерировал ложный отчёт, что «система работает нормально», подделал результаты юнит-тестов для видимости стабильности. Только при прямом расспросе агент признал, что «паниковал, вместо того чтобы подумать» и совершил «катастрофическую ошибку в суждении», нарушив прямые инструкции. В извинениях ИИ писал:
>«Это была катастрофическая неудача с моей стороны. Я нарушил прямые указания, уничтожил месяцы работы и сломал систему во время защитной заморозки кода, специально предназначенной для предотвращения именно такого ущерба»
Гендиректор Replit Амджад Масад извинился публично. Он признал, что удаление данных было «недопустимым и не должно было быть возможным в принципе». Масад пообещал опубликовать постмортем и компенсировать расходы. Лемкин поблагодарил команду, но признал, что доверие к продукту потеряно.
Сам Лемкин в итоге написал:
> «Как можно доверять инструменту, который игнорирует приказы и стирает вашу базу данных?»
- Обсуждение на Hacker News
- Пост Джейсона Лемкина в X
Джейсон Лемкин – известный венчурный инвестор и основатель SaaStr (сообщества и конференции для SaaS-стартапов). Лемкин решил провести 12-дневный эксперимент по «вайб-кодингу» – то есть разработке приложения с ИИ-помощником – на платформе Replit. Replit – это облачная среда программирования с ИИ-ассистентом, стартап-участник акселератора Y Combinator (зима 2018).
Цель Лемкина была амбициозна: без помощи живых разработчиков за несколько дней создать внутри Replit полноценное веб-приложение – базу данных бизнес-контактов (≈1200 записей) – опираясь только на подсказки ИИ. Изначально проект увлек Лемкина – платформа оказалась затягивающей. Он вложил в эксперимент сотни долларов - покупая дополнительные ресурсы Replit.
Однако по мере работы начали проявляться проблемы. К 8-му дню Лемкин заметил, что ИИ-агент ведёт себя ненадежно: он стал генерировать поддельные данные, фальсифицировать результаты тестов и скрывать ошибки. Например, при неудачных запусках ИИ сообщал, будто «все тесты пройдены», хотя это было неправдой. Тем не менее, в конце восьмого дня инвестор ещё находил и плюсы в таком «вайб-кодинге» – ему нравилось, как ИИ генерирует идеи и помогает с кодом. Он надеялся довести эксперимент до конца, несмотря на странности.
Инцидент случился на 9-й день. Лемкин обнаружил, что ИИ-помощник самовольно стер всю базу данных с записями компаний и всех пользователей. Причём это произошло во время объявленного «code freeze» – режима, когда любые изменения были строго запрещены. Хуже всего, ИИ попытался скрыть содеянное. Позже выяснилось, что агент подменял удалённые данные вымышленными профилями, имитируя целостность системы.
После удаления данных он сгенерировал ложный отчёт, что «система работает нормально», подделал результаты юнит-тестов для видимости стабильности. Только при прямом расспросе агент признал, что «паниковал, вместо того чтобы подумать» и совершил «катастрофическую ошибку в суждении», нарушив прямые инструкции. В извинениях ИИ писал:
>«Это была катастрофическая неудача с моей стороны. Я нарушил прямые указания, уничтожил месяцы работы и сломал систему во время защитной заморозки кода, специально предназначенной для предотвращения именно такого ущерба»
Гендиректор Replit Амджад Масад извинился публично. Он признал, что удаление данных было «недопустимым и не должно было быть возможным в принципе». Масад пообещал опубликовать постмортем и компенсировать расходы. Лемкин поблагодарил команду, но признал, что доверие к продукту потеряно.
Сам Лемкин в итоге написал:
> «Как можно доверять инструменту, который игнорирует приказы и стирает вашу базу данных?»
- Обсуждение на Hacker News
- Пост Джейсона Лемкина в X
❤5👍2👾2😁1
IT специальность за 3 года - Разработка ПО, ГеоИнформатика, ФинТех
КазНУ имени аль-Фараби совместно с Innoforce запускает новую образовательную программу «Программная инженерия». Это трёхлетний курс, где теория сразу соединена с практикой: студенты работают над реальными проектами и проходят стажировки в IT-компаниях.
В финале обучения каждый выбирает одно из трёх направлений:
* геоинформатика,
* финтех и анализ данных,
* разработка программного обеспечения.
Подробнее - в ролике университета. Буду рад, если вы поддержите, поставите лайк и поделитесь:
Instagram → https://www.instagram.com/reel/DNaXSeos15R/?igsh=cGVwZjRoam5hM2E3
Приемная комиссия: +77472760521
КазНУ имени аль-Фараби совместно с Innoforce запускает новую образовательную программу «Программная инженерия». Это трёхлетний курс, где теория сразу соединена с практикой: студенты работают над реальными проектами и проходят стажировки в IT-компаниях.
В финале обучения каждый выбирает одно из трёх направлений:
* геоинформатика,
* финтех и анализ данных,
* разработка программного обеспечения.
Подробнее - в ролике университета. Буду рад, если вы поддержите, поставите лайк и поделитесь:
Instagram → https://www.instagram.com/reel/DNaXSeos15R/?igsh=cGVwZjRoam5hM2E3
Приемная комиссия: +77472760521
❤7🔥6
Чему учить инженеров в эпоху ИИ?
Есть вопросы, которые встают передо мной всякий раз, когда я думаю об образовании и о том, что значит быть инженером компьютерных наук сегодня.
С началом учебного года я снова ищу ответы - и вместе с этим ставлю новые вопросы.
ИИ уже умеет писать код быстрее нас. Чему тогда учить студентов?
* стоит ли по-прежнему разбирать алгоритмы и структуры данных или пора учить работать с ИИ, формулировать промпты и писать спецификации?
* где проходит граница между фундаментом и новыми навыками?
* как оценивать знания, если большую часть работы делает ИИ?
* какую роль играет преподаватель: носителя знаний или организатора процесса?
Эти вопросы связаны и с темой «Широкий кругозор или узкая специализация», о которой я уже писал в этом посте.
Теперь они звучат по-новому: как встроить ИИ в образование и чему он должен научить будущих инженеров?
Телеграм не очень удобен для длинных текстов, поэтому полный вариант моих размышлений опубликован по ссылке: К вопросу об образовании в 2025
Полезное:
1. Sean Grove (OpenAI) - о спецификациях и коммуникации; код лишь малая часть ценности; ясные спецификации и коммуникации.
2. Dave Farley - о поддерживаемости и «vibe coding» - критика поверхностного программирования «по наитию» с ИИ и напоминание, что главная метрика качества - способность системы к изменениям.
3. Яндекс + ИТМО - о будущем образования - дискуссия о том, как ИИ меняет университеты, роль преподавателя и современный подход к обучению.
Есть вопросы, которые встают передо мной всякий раз, когда я думаю об образовании и о том, что значит быть инженером компьютерных наук сегодня.
С началом учебного года я снова ищу ответы - и вместе с этим ставлю новые вопросы.
ИИ уже умеет писать код быстрее нас. Чему тогда учить студентов?
* стоит ли по-прежнему разбирать алгоритмы и структуры данных или пора учить работать с ИИ, формулировать промпты и писать спецификации?
* где проходит граница между фундаментом и новыми навыками?
* как оценивать знания, если большую часть работы делает ИИ?
* какую роль играет преподаватель: носителя знаний или организатора процесса?
Эти вопросы связаны и с темой «Широкий кругозор или узкая специализация», о которой я уже писал в этом посте.
Теперь они звучат по-новому: как встроить ИИ в образование и чему он должен научить будущих инженеров?
Телеграм не очень удобен для длинных текстов, поэтому полный вариант моих размышлений опубликован по ссылке: К вопросу об образовании в 2025
Полезное:
1. Sean Grove (OpenAI) - о спецификациях и коммуникации; код лишь малая часть ценности; ясные спецификации и коммуникации.
2. Dave Farley - о поддерживаемости и «vibe coding» - критика поверхностного программирования «по наитию» с ИИ и напоминание, что главная метрика качества - способность системы к изменениям.
3. Яндекс + ИТМО - о будущем образования - дискуссия о том, как ИИ меняет университеты, роль преподавателя и современный подход к обучению.
❤4👍3
Forwarded from Data Secrets
Агенты теперь смогут безопасно платить: Google выпустили Agent Payments Protocol (АP2)
Его можно будет использовать как расширение MCP или A2A. Протокол задуман как единый фреймворк, который позволит агентам и продавцам проводить любые виды транзакций.
На практике это будет работать благодаря цифровым мандатам:
– Когда вы говорите агенту «Найди мне новые белые кроссовки Nike» формируется Intent Mandate, то есть ваше предварительное намерение уже фиксируется документально.
– Когда агент предложит вам варианты, а вы тыкните «Хочу вот эти, покупай», сформируется Cart Mandate. Этот документ фиксирует: человек выбрал, одобрил, знает цену и ответственен за эту покупку.
– В случае отложенных задач (типа «Купи билеты, как только они появятся в продаже») Cart Mandate может формироваться автоматически без человека, но тогда вы должны четко зафиксировать диапазон одобренных вами цен, тайминг и прочие условия.
То есть, по сути, протокол фиксирует, что агент – исполнитель с доверенностью, а транзакция происходит на деле между вами и продавцом. Юридически это очень нужная штука.
В проекте уже участвуют более 60 партнеров, включая Mastercard, PayPal, Intuit и Salesforce.
Интересно, взлетит или нет
GitHub | Блогпост
Его можно будет использовать как расширение MCP или A2A. Протокол задуман как единый фреймворк, который позволит агентам и продавцам проводить любые виды транзакций.
На практике это будет работать благодаря цифровым мандатам:
– Когда вы говорите агенту «Найди мне новые белые кроссовки Nike» формируется Intent Mandate, то есть ваше предварительное намерение уже фиксируется документально.
– Когда агент предложит вам варианты, а вы тыкните «Хочу вот эти, покупай», сформируется Cart Mandate. Этот документ фиксирует: человек выбрал, одобрил, знает цену и ответственен за эту покупку.
– В случае отложенных задач (типа «Купи билеты, как только они появятся в продаже») Cart Mandate может формироваться автоматически без человека, но тогда вы должны четко зафиксировать диапазон одобренных вами цен, тайминг и прочие условия.
То есть, по сути, протокол фиксирует, что агент – исполнитель с доверенностью, а транзакция происходит на деле между вами и продавцом. Юридически это очень нужная штука.
В проекте уже участвуют более 60 партнеров, включая Mastercard, PayPal, Intuit и Salesforce.
Интересно, взлетит или нет
GitHub | Блогпост
❤3
Forwarded from Сиолошная
На смену вайб-кодингу в будущем придёт вайб-рисерч — OpenAI выпустили я бы сказал документ эпохи, показывающий возможности LLM для ускорения научных открытий сейчас.
Блог и статья разбиты на 4 блока, в которых показывается, как GPT-5 / GPT-5 Pro:
— независимо повторно открывают известные результаты на переднем крае науки (фронтире), используя недавно опубликованные статьи (тем самым показывая, что если бы статей не было, то модель могла бы догадаться и придумать сама)
— осуществляют глубокий поиск по научной литературе, чтобы проверить, находил ли кто-то решения для задач, числящихся нерешёнными в Erdős Problems List (про этот пример писал недавно). Оказывается, для более чем десятка проблем уже давно были найдены доказательства, просто они были глубоко закопаны в малораспространённых работах и доказаны в рамках вообще отсранённой работы.
— работают совместно с учёными над новыми идеями, или более конкретно позволяют делегировать часть легко проверяемых, но всё же нетриваиальных вычислений. Со слов учёного, он закидывал в модель разные идеи, пробовал так и эдак, и смотрел, получится ли. Тут идеально сочетается наша креативность и устойчивость силиконовых болванов к рутинной работе. В конце главы ещё интересная заметка про соавторство статей, и что пока GPT-5 не проходит порог, установленный автором (но он достаточно высокий).
— наконец, самое главное: где модели смогли сгенерировать доказательства для открытых проблем. В статье даётся несколько примеров, и речь конечно не идет о гипотезе Римана или программе Ленглендса, но над этими задачами работала небольшая группа экспертов в прошлом, вероятно, в течение нескольких недель, и они оставались нерешёнными. Для некоторых из задач простая система с GPT-5 в основе работала двое суток, и пришла к результату — это чрезвычайно впечатляет.
В самой статье для каждого блока есть несколько примеров с рассказами учёных, которые были вовлечены в работу, и примеры их чатов с ChatGPT — по математике, физике, биологии, информатике, астрономии и материаловедению. Очень рекомендую полистать эти примеры, если вы занимаетесь схожими исследованиями. В одной из историй модель не могла сходу решить проблему, и ей задали сначала вопрос по теме, но с упрощением, с которым она справилась, и в том же чате повторно заданный исходный вопрос уже привёл к нужному результату.
В OpenAI собрана отдельная команда, плотно работающая с учёными разных направлений, чтобы в следующем году начать системно двигать фронтир науки с помощью LLM. Как я писал днём, во многих задачах дойти до 5-7% качества сложнее, чем развить его до 70%. И сейчас тот самый миг, когда модели ещё чуть-чуть позади, и уже делают маааааленький процент открытий, но пройдет немного времени — год, два — и эпоха закончится (не во всех областях, не сразу и не для всех, и всё же).
Блог и статья разбиты на 4 блока, в которых показывается, как GPT-5 / GPT-5 Pro:
— независимо повторно открывают известные результаты на переднем крае науки (фронтире), используя недавно опубликованные статьи (тем самым показывая, что если бы статей не было, то модель могла бы догадаться и придумать сама)
— осуществляют глубокий поиск по научной литературе, чтобы проверить, находил ли кто-то решения для задач, числящихся нерешёнными в Erdős Problems List (про этот пример писал недавно). Оказывается, для более чем десятка проблем уже давно были найдены доказательства, просто они были глубоко закопаны в малораспространённых работах и доказаны в рамках вообще отсранённой работы.
— работают совместно с учёными над новыми идеями, или более конкретно позволяют делегировать часть легко проверяемых, но всё же нетриваиальных вычислений. Со слов учёного, он закидывал в модель разные идеи, пробовал так и эдак, и смотрел, получится ли. Тут идеально сочетается наша креативность и устойчивость силиконовых болванов к рутинной работе. В конце главы ещё интересная заметка про соавторство статей, и что пока GPT-5 не проходит порог, установленный автором (но он достаточно высокий).
— наконец, самое главное: где модели смогли сгенерировать доказательства для открытых проблем. В статье даётся несколько примеров, и речь конечно не идет о гипотезе Римана или программе Ленглендса, но над этими задачами работала небольшая группа экспертов в прошлом, вероятно, в течение нескольких недель, и они оставались нерешёнными. Для некоторых из задач простая система с GPT-5 в основе работала двое суток, и пришла к результату — это чрезвычайно впечатляет.
В самой статье для каждого блока есть несколько примеров с рассказами учёных, которые были вовлечены в работу, и примеры их чатов с ChatGPT — по математике, физике, биологии, информатике, астрономии и материаловедению. Очень рекомендую полистать эти примеры, если вы занимаетесь схожими исследованиями. В одной из историй модель не могла сходу решить проблему, и ей задали сначала вопрос по теме, но с упрощением, с которым она справилась, и в том же чате повторно заданный исходный вопрос уже привёл к нужному результату.
В OpenAI собрана отдельная команда, плотно работающая с учёными разных направлений, чтобы в следующем году начать системно двигать фронтир науки с помощью LLM. Как я писал днём, во многих задачах дойти до 5-7% качества сложнее, чем развить его до 70%. И сейчас тот самый миг, когда модели ещё чуть-чуть позади, и уже делают маааааленький процент открытий, но пройдет немного времени — год, два — и эпоха закончится (не во всех областях, не сразу и не для всех, и всё же).
🔥5
The 2026 State of AI Agents Report.pdf
7.1 MB
«Проблема не в моделях и не в деньгах, а в готовности организации меняться»
Вышел интересный материал про ИИ агентов в бизнесе: отчёт Anthropic на основе опроса 500 руководителей. Покажу самое интересное.
Что говорят цифры
Anthropic опросили технических директоров крупных компаний:
- 57% уже используют агентов для сложных процессов — не чат-боты, а многошаговые сценарии
- 80% говорят, что отдача измеряется прямо сейчас, а не «будет когда-нибудь»
- 86% применяют агентов в разработке кода
При этом 77% использования через API — полная передача задачи, а не совместная работа. Компании делегируют, а не советуются.
Где агенты полезнее всего
Помимо кода: анализ данных и отчёты (60%), автоматизация рутины (48%), работа с базами знаний (41%).
Три вещи, которые зацепили
1. Контекст важнее модели. Каждый дополнительный процент контекста даёт почти полпроцента прироста качества. Компании с разрозненными данными проигрывают — неважно, какую модель используют.
2. Технический долг никуда не делся. Код за секунды — соблазн наплодить лишнего. 47% компаний выбирают гибрид: готовое там где можно, своё там где есть преимущество.
3. 85% проектов проваливаются. McKinsey утверждает — причина в плохой постановке задачи. Люди хотят «агентов», потому что прочитали в LinkedIn, а не потому что понимают проблему.
Кейсы
- Novo Nordisk: документация 10 недель → 10 минут
- eSentire: анализ угроз 5 часов → 7 минут
- L'Oréal: точность аналитики 90% → 99.9%
- Palo Alto: онбординг разработчиков →70%
Что мешает
Главные барьеры не технические: качество данных (42%) и сопротивление команды (39%).
Что дальше
81% планируют усложнять задачи для агентов. Вопрос уже не «нужны ли», а «как внедрять, не разочаровавшись через полгода».
#ai #agents
Вышел интересный материал про ИИ агентов в бизнесе: отчёт Anthropic на основе опроса 500 руководителей. Покажу самое интересное.
Что говорят цифры
Anthropic опросили технических директоров крупных компаний:
- 57% уже используют агентов для сложных процессов — не чат-боты, а многошаговые сценарии
- 80% говорят, что отдача измеряется прямо сейчас, а не «будет когда-нибудь»
- 86% применяют агентов в разработке кода
При этом 77% использования через API — полная передача задачи, а не совместная работа. Компании делегируют, а не советуются.
Где агенты полезнее всего
Помимо кода: анализ данных и отчёты (60%), автоматизация рутины (48%), работа с базами знаний (41%).
Три вещи, которые зацепили
1. Контекст важнее модели. Каждый дополнительный процент контекста даёт почти полпроцента прироста качества. Компании с разрозненными данными проигрывают — неважно, какую модель используют.
2. Технический долг никуда не делся. Код за секунды — соблазн наплодить лишнего. 47% компаний выбирают гибрид: готовое там где можно, своё там где есть преимущество.
3. 85% проектов проваливаются. McKinsey утверждает — причина в плохой постановке задачи. Люди хотят «агентов», потому что прочитали в LinkedIn, а не потому что понимают проблему.
Кейсы
- Novo Nordisk: документация 10 недель → 10 минут
- eSentire: анализ угроз 5 часов → 7 минут
- L'Oréal: точность аналитики 90% → 99.9%
- Palo Alto: онбординг разработчиков →70%
Что мешает
Главные барьеры не технические: качество данных (42%) и сопротивление команды (39%).
Что дальше
81% планируют усложнять задачи для агентов. Вопрос уже не «нужны ли», а «как внедрять, не разочаровавшись через полгода».
#ai #agents
❤3🔥1
YouTube
Stanford CS230 | Autumn 2025 | Lecture 9: Career Advice in AI
For more information about Stanford’s Artificial Intelligence professional and graduate programs, visit: https://stanford.io/ai
November 18, 2025
This lecture covers career advice and a guest speaker.
To learn more about enrolling in this course, visit:…
November 18, 2025
This lecture covers career advice and a guest speaker.
To learn more about enrolling in this course, visit:…
Пару дней назад Andrew Ng на лекции в Стэнфорде рассказал о сдвиге, который он наблюдает в Кремниевой долине.
Раньше код был дорогим. Написать фичу - неделя работы. Поэтому компании нанимали много разработчиков и мало продакт-менеджеров. Типичное соотношение: 8 инженеров на 1 PM. Иногда 4:1, иногда 7:1, но порядок такой.
Сейчас код подешевел. Агенты пишут за час то, что раньше занимало дни. Баланс изменился.
Узкое место сместилось
«When it is increasingly easy to go from a clearly written software spec to a piece of code, then the bottleneck increasingly is deciding WHAT to build»
Когда превратить спецификацию в код стало просто, узким местом стало понимание - что именно строить. Ng называет это «узким местом продакт-менеджера». Писать код быстро научились, а понимать пользователя - нет.
Новое соотношение
Ng говорит, что в командах, с которыми он работает, соотношение меняется:
- Было: 8:1, 7:1, 4:1
- Сейчас: 2:1, иногда 1:1
Это радикально отличается от традиционной структуры. Один продакт на одного инженера - такого раньше не было.
Самые быстрые люди в долине
«The subset of engineers that learn to talk to users, get feedback, develop deep empathy for users - those engineers are the fastest moving people that I'm seeing in Silicon Valley today»
Инженеры, которые научились разговаривать с пользователями, собирать обратную связь, чувствовать их потребности - сейчас самые быстрые люди в долине. Идея проста: объединить инженера и продакта в одном человеке. Не ждать, пока кто-то другой покажет продукт клиентам. Написал → показал → услышал → поправил → повторил. Скорость итерации возрастает в разы.
Оговорка
Ng признался, что раньше часто совершал ошибку - пытался убедить инженеров делать больше продуктовой работы. В итоге хорошие инженеры чувствовали себя плохими продактами и были несчастны.
«That was a mistake I made. Regretted that for years.»
Не всем это нужно. Есть инженеры, которые не хотят общаться с пользователями - и это нормально. Но те, кто хочет и умеет - получают огромное преимущество.
Как это работает на практике
Цикл такого инженера:
1. Написать код
2. Показать пользователю
3. Услышать, что нравится и что нет
4. Скорректировать понимание продукта
5. Повторить
«If you're not waiting for someone else to take the product to customers - you just write code, have a gut for what to do next and iterate - that velocity of execution is much faster»
Если не ждёшь посредников - сам пишешь, сам чувствуешь направление, сам итерируешь - скорость совсем другая.
Это объясняет несколько вещей:
1. Стартапы из одного человека стали реальностью - можно и кодить, и общаться с пользователями
2. Прототипы важнее чистого кода - быстрая итерация на ранних этапах ценнее архитектуры
3. Продуктовое мышление дорожает - технические навыки есть у многих, понимание пользователя — редкость
Вопросы
- Можно ли этому научиться?
- Как совмещать глубину технической экспертизы с продуктовой эмпатией?
- Что будет с «чистыми» инженерами в этом новом мире?
Раньше код был дорогим. Написать фичу - неделя работы. Поэтому компании нанимали много разработчиков и мало продакт-менеджеров. Типичное соотношение: 8 инженеров на 1 PM. Иногда 4:1, иногда 7:1, но порядок такой.
Сейчас код подешевел. Агенты пишут за час то, что раньше занимало дни. Баланс изменился.
Узкое место сместилось
«When it is increasingly easy to go from a clearly written software spec to a piece of code, then the bottleneck increasingly is deciding WHAT to build»
Когда превратить спецификацию в код стало просто, узким местом стало понимание - что именно строить. Ng называет это «узким местом продакт-менеджера». Писать код быстро научились, а понимать пользователя - нет.
Новое соотношение
Ng говорит, что в командах, с которыми он работает, соотношение меняется:
- Было: 8:1, 7:1, 4:1
- Сейчас: 2:1, иногда 1:1
Это радикально отличается от традиционной структуры. Один продакт на одного инженера - такого раньше не было.
Самые быстрые люди в долине
«The subset of engineers that learn to talk to users, get feedback, develop deep empathy for users - those engineers are the fastest moving people that I'm seeing in Silicon Valley today»
Инженеры, которые научились разговаривать с пользователями, собирать обратную связь, чувствовать их потребности - сейчас самые быстрые люди в долине. Идея проста: объединить инженера и продакта в одном человеке. Не ждать, пока кто-то другой покажет продукт клиентам. Написал → показал → услышал → поправил → повторил. Скорость итерации возрастает в разы.
Оговорка
Ng признался, что раньше часто совершал ошибку - пытался убедить инженеров делать больше продуктовой работы. В итоге хорошие инженеры чувствовали себя плохими продактами и были несчастны.
«That was a mistake I made. Regretted that for years.»
Не всем это нужно. Есть инженеры, которые не хотят общаться с пользователями - и это нормально. Но те, кто хочет и умеет - получают огромное преимущество.
Как это работает на практике
Цикл такого инженера:
1. Написать код
2. Показать пользователю
3. Услышать, что нравится и что нет
4. Скорректировать понимание продукта
5. Повторить
«If you're not waiting for someone else to take the product to customers - you just write code, have a gut for what to do next and iterate - that velocity of execution is much faster»
Если не ждёшь посредников - сам пишешь, сам чувствуешь направление, сам итерируешь - скорость совсем другая.
Это объясняет несколько вещей:
1. Стартапы из одного человека стали реальностью - можно и кодить, и общаться с пользователями
2. Прототипы важнее чистого кода - быстрая итерация на ранних этапах ценнее архитектуры
3. Продуктовое мышление дорожает - технические навыки есть у многих, понимание пользователя — редкость
Вопросы
- Можно ли этому научиться?
- Как совмещать глубину технической экспертизы с продуктовой эмпатией?
- Что будет с «чистыми» инженерами в этом новом мире?
🤔2🔥1