DeepSeek запустил распознавание изображений. И не узнал собственного основателя

DeepSeek официально запустил в веб-версии режим распознавания изображений. Пока функция выглядит довольно сырой — и тест с фотографией основателя компании Ляна Вэньфэна это отлично показал.
Журналист несколько раз отправлял модели его фото. DeepSeek долго обрабатывал запрос, а затем выдавал разные версии: от откровенно неверных до попыток угадать личность.
Другие пользователи получили ответы ещё веселее: на фото Ляна Вэньфэна модель увидела основателя Moonshot AI Ян Чжилиня или даже «молодого Ма Хуатэна».

В итоге DeepSeek признал: лучше честно сказать «не знаю», чем продолжать угадывать.
И это, пожалуй, самое интересное во всей истории. Ошибки компьютерного зрения сами по себе не сенсация — особенно на ранней стадии запуска. Но когда речь идёт о собственном основателе компании, ситуация выглядит довольно символично.
Особенно на фоне сообщений о первом раунде финансирования DeepSeek объёмом более ¥50 млрд.
При этом, по данным инсайдеров, одно из ключевых условий Ляна Вэньфэна для инвесторов — не переманивать сотрудников DeepSeek и не предлагать им создавать собственные компании. В компании эту информацию фактически подтвердили.
Получается забавный контраст: DeepSeek пока не всегда может узнать своего босса по фотографии, зато сам босс довольно чётко знает, как сохранить команду. 😄

#DeepSeek #AI #人工智能 #технологии

LLM галлюцинируют — это не баг, а архитектурная особенность. Когда нейросеть с абсолютной уверенностью выдаёт несуществующие судебные прецеденты или приписывает вам убийство детей, она не врёт, а просто заполняет пробелы правдоподобной выдумкой. Разберёмся, почему так происходит, на самых громких примерах.

Почему ИИ фантазирует?

Первая причина — математическая неизбежность. Модель предсказывает каждое следующее слово с небольшой погрешностью. В длинном ответе ошибки накапливаются, и вероятность бреда становится огромной. Эту проблему нельзя устранить инженерно — она заложена в самом принципе работы.

Вторая — система поощрений. Моделей натаскивают хорошо отвечать на тесты, а не признаваться в незнании. За правильный ответ — награда, за «не знаю» — ноль. Поэтому нейросеть скорее придумает, чем скажет правду.

Третья — приоритет связности над фактами. LLM оптимизированы, чтобы текст звучал естественно, даже если это ложь. Если точность и связность расходятся, побеждает связность.

И четвёртый тревожный нюанс: даже когда в данных прямо написано «это ложь», модели всё равно усваивают ложное утверждение в 88% случаев. Отрицание для них не работает.

Эпик-фейлы, которые вошли в историю

Самый громкий случай — адвокаты из США подали в суд документ с шестью ссылками на прецеденты, которые сгенерировал ChatGPT. Проблема: ни одного такого дела не существовало. Судья оштрафовал юристов на $5,000, а к 2026 году уже более 700 судебных разбирательств связаны с галлюцинациями ИИ.

Ещё один абсурд: норвежец спросил ChatGPT, кто он такой. Бот выдал душераздирающую историю, как мужчина убил двух своих сыновей и сел на 21 год. Вот только детей у него никогда не было.

В медицине тоже весело: модель интерпретировала КТ брюшной полости как травму предплечья — анатомически невозможная конструкция. А у программистов каждая пятая сгенерированная строчка ссылается на несуществующие пакеты или устаревшие API.

Парадокс: новые модели ошибаются чаще

Вопреки ожиданиям, свежие версии галлюцинируют больше старых. По данным отчёта OpenAI, модель o1 давала 16% ошибок, o3 — уже 33%, а o4-mini — 48%. При общих вопросах последняя достигает 80% бреда. Самые «честные» на сегодня — Grok (8% ошибок), DeepSeek (14%) и Claude (17%).

Что делать?

Галлюцинации — не баг, а плата за беглость речи. Эти системы не созданы для фактов, они созданы для имитации человеческого языка. Профессор Эмили Бендер советует полностью отказаться от использования чат-ботов для получения знаний: «Они не знают, они говорят».

Вывод прост: LLM — мощный помощник, но верить им на слово опасно, особенно в юриспруденции, медицине и программировании. И никогда не спрашивайте у чат-бота, не убили ли вы своих детей — он может придумать ответ, от которого вам станет не по себе.

А у вас были случаи, когда ИИ выдавал полный абсурд? Делитесь в комментариях! 👇

Руководитель ждет статистику для принятия решений. Но статистика не решает. Решают действия

Знакомая картина: утро понедельника, руководитель открывает отчёт. Графики, средние показатели, проценты. Он смотрит, кивает, закрывает. И ничего не меняется. Через месяц цифры те же, через квартал — хуже. Потому что статистика ушла в архив, а не в работу.

Отчёт ради отчёта — это ритуал, а не управление. Цифра сама по себе не двигает кассу. Двигает только действие, которое следует за ней. Если после просмотра отчёта не происходит ни одного управленческого шага — значит, отчёт был не нужен. Это как смотреть на кардиограмму и не вызывать врача.

Как сделать, чтобы статистика наконец заработала? Вот пять простых правил.

1. Превратите метрики в триггеры.
Не «средняя длина сделки — 14 дней», а «если сделка висит на этапе КП больше трёх дней, руководитель получает уведомление». Красная лампочка, а не строка в таблице. Только такие данные заставляют шевелиться.

2. Назначьте владельца каждой цифры.
Если метрика упала — кто отвечает за реакцию? Если никто, метрика мертва. У каждой важной цифры должен быть человек, который обязан сделать шаг: позвонить, эскалировать, поменять процесс. Иначе все остаются зрителями, а ответственность размывается.

3. Свяжите данные с действием заранее.
Ещё до получения отчёта спросите: «Что мы будем делать, если этот показатель ухудшится?» Если ответа нет — не собирайте этот показатель. Большинство отчётов можно выкинуть, оставив 5–7 метрик, на которые у вас есть готовые сценарии реагирования.

4. Автоматизируйте эскалацию, а не только фиксацию.
CRM должна не просто показывать «сделка зависла», а сама двигать её: напоминать менеджеру, через день — его руководителю, через два — запускать скрипт дожима. Тогда статистика превращается в мотор, а не в историческую справку.

5. Разбирайте по правилу «цифра → решение → ответственный → срок».
Каждый проблемный показатель на еженедельном собрании должен превращаться в поручение. Не «давайте подумаем над конверсией», а «Пётр, к пятнице подготовь анализ причин отказов и предложи два изменения». Без этого совещания — просто разговоры.

Итог простой: цифра, которая не меняет поведение, бесполезна. Она лишь создаёт иллюзию контроля. Собирайте только то, что может запустить изменение. Остальное — шум, который приятно шуршит, но не двигает кассу.

Какая у вас есть метрика, которую все смотрят, но никто не трогает? Делитесь в комментариях — обсудим, как превратить её в действие. 👇

Вы тоже слышали загадочное «ми-ми-ми» в головах у подростков? Знакомьтесь — Балерина Капучино.

Этот персонаж — чистое порождение ИИ и тикток-безумия. Весной 2025 года пользователь @aironic.fun залил ролик с балериной в розовой пачке… у которой вместо головы — огромная чашка капучино. Под абсурдный итальянский текст «Ballerina Cappuccina, mi mi mi miiii» видео собрало почти 4 миллиона лайков — и понеслось.

Кто она такая?

Балерина Капучино — человекоподобная танцовщица с головой-чашкой кофе. Она танцует, поёт, страдает и вдохновляет, а её голос — это вечное «ми-ми-ми!». По «вселенской» версии, она бывшая жена Капучино Ассасино (наёмного убийцы-стаканчика). Но её настоящее сердце принадлежит загадочному Танцору Лололо.

А дальше начинается настоящая мыльная опера:

В один прекрасный момент Тралалело Тралала влюбился в Балерину и стал приглашать её на свидания. Их заснял Шпиониро Голубио и показал фото Бомбардиро Крокодило. Тот пришёл в ярость — он сам был влюблён в Балерину! В финале Бомбардиро подкараулил парочку, но Тралалело не испугался. Тут из-за угла выскочил Тун Тун Тун Сахур с битой…

Что всё это значит?

А ничего. Это и есть «брейнрот» (в переводе — «разложение мозга»). Бессмысленные, абсурдные ИИ-мемы, которые покорили интернет своей полной нелогичностью. И это прекрасно.

Кстати, у мема есть и другие герои:

🥤 Капучино Ассасино — муж-стаканчик
☕️ Синьора Эспрессона — соперница с чашкой эспрессо вместо головы
🦎 Бомбардиро Крокодило — крокодил-бомбардировщик
🐟 Триппи Троппи — нечто с туловищем рыбы и кошачьей мордой

В общем, интернет сходит с ума, а мы просто наблюдаем 🍿

*Источники: hi-tech.mail.ru, cyber.sports.ru, godliteratury.ru*

Что сломается в вашей компании, если топ-менеджер уйдёт в отпуск на 2 недели?

Пока он доступен по телефону, вы не замечаете проблемы.
Но как только он улетает в горы без связи — выясняется страшное:

✖️ Никто не знает, как запускать отчёт.
✖️ Решения по нестандартным заказам никто не принимает.
✖️ Доступ к паролям и контактам контрагентов — «где‑то в переписке».
✖️ А логика, по которой строились все процессы, — только у него в голове.

С этой болью ко мне и приходят клиенты.

Мы берём AI‑Агента Hermes и проводим «аудит головы» такого сотрудника.
Агент анализирует, где в его работе есть повторяющиеся сценарии и чёткая логика. В результате раскладываем всё по полочкам:

➡️ Вот это — закрепляем в инструкции.
➡️ Это — передаём роботу (Hermes), потому что алгоритм уже просчитан.
➡️ А вот это — оставляем человеку, потому что нужна интуиция, опыт и живое решение.

Не ждите, пока ключевой сотрудник решит уволиться или уйдёт в отпуск без предупреждения.
Начните с разбора его процессов уже сегодня.

Напишите мне слово «АУДИТ» — и я расскажу, как мы это делаем на практике и сколько времени занимает первая диагностика.

Старые MacBook Pro M1 — это новый майнинг? 🍏💰

Пока все сметают с полок Mac mini, в чуланах пылятся тонны «прошек» на M1. Но, похоже, им тоже скоро найдут применение.

Ребята из Eigen Labs запустили Darkbloom — сеть, где можно сдать мощности своего Mac в аренду. Входной билет — от 24 ГБ оперативки. Владельцу уходит 100% выручки с запросов (комиссию пока не режут), плюс доплата $10–40 в месяц за стабильный онлайн (>90% времени).

Цифры, которые взорвали Твиттер:
📦 Старый Mac за $500–900 на вторичке
📈 По их калькулятору — до $150 в месяц пассивного дохода

В сети пока всего 250 машин, но OpenRouter уже подключился и перепродаёт эти мощности у себя.

Стоит присмотреться или это хайп? 👀 Будем мониторить.

Профессии убивает не AI. Их убивает хороший процесс

Все боятся искусственного интеллекта. Зря. Главная угроза профессиям — не нейросети, а стандартизация. Процесс может убить должность, даже не прибегая к роботам.

Профессия исчезает не тогда, когда появляется машина. Она исчезает, когда из работы вытаскивают необходимость принимать решения на месте. Сначала появляется регламент: «сделай A, проверь B, если C — сделай D». Потом шаблоны, чек-листы, базы знаний. И вот уже человеку не нужно быть профессионалом. Нужен исполнитель, который правильно делает маленький фрагмент уже спроектированной системы.

Посмотрите на самые уязвимые категории.

Посредники. Турагенты, часть брокеров, диспетчеры, рекрутеры. Их функция — соединить две стороны и провести транзакцию. Как только выстраивается процесс «клиент → форма → проверка → выбор → оплата», посредник начинает мешать. Он не создаёт продукт. Он лишь трение. Хороший workflow убирает трение.

Люди, которые «знают, как тут всё устроено». В каждой компании есть такой: «позвони Марине, она решит». Звучит ценно. Но на деле это симптом плохого процесса. Компания постепенно превращает его личное знание в инструкции и чек-листы. И однажды выясняется: незаменимый был заменяем. Просто процесс не был описан.

Операционные менеджеры среднего уровня. Раздать задачи, проконтролировать сроки, собрать отчёты, передать информацию между отделами. Чем зрелее процесс, тем меньше нужно людей, которые вручную склеивают организацию. Парадокс: чем лучше организована компания, тем меньше ей нужны те, кто организовывает.

Часть бухгалтерских и юридических функций. Не профессия целиком, а её операционные куски: проверить поля, классифицировать, занести, сверить, сформировать стандартный документ. Это превращает специалиста в оператора системы. Без всякого AI.

Промышленность прошла этот путь давно. Мастер с неформальным знанием «если станок звучит вот так — останови» стал не нужен, когда появились датчики, стандарты и регламенты. Индивидуальное мастерство перетекло в свойства процесса. AI — лишь следующий виток. Более мощный, но суть та же.

Поэтому правильный вопрос не «Может ли AI это сделать?» А «Можно ли организовать работу так, чтобы решение не приходилось принимать заново?»

Если ответ «да» — профессия под угрозой. Даже без AI. С AI — просто быстрее.

Самая опасная для профессии компания — не та, что внедряет нейросети. А та, что научилась делать работу одинаково хорошо независимо от того, кто именно её выполняет.

Вы всё ещё держитесь за свою должность? Тогда спросите себя: вы создаёте ценность или просто передаёте информацию? Второе автоматизируется первым. И это не угроза. Это эволюция.

Что из вашей работы уже превратилось в набор шагов? Делитесь в комментариях — разберём, где вы автор, а где исполнитель чужого процесса. 👇

В Китае проходит олимпиада среди человекоподобных роботов

🧠 Алгоритм Илона Маска: как не усложнять то, чего быть не должно

Однажды Илон сформулировал правило, которое перевернуло инженерию SpaceX. И оно применимо к чему угодно — от продукта до ваших рабочих процессов.

Звучит оно так:

> «Если после удаления детали система всё ещё работает — значит, вы удалили недостаточно».

Не «оптимизируйте», не «улучшайте», а удаляйте. И делайте это до тех пор, пока система не начнёт давать сбои. Тогда возвращаете 10% удалённого — и это будет идеальный минимум.

---

Вот его полный алгоритм (строго по порядку):

1️⃣ Требования — под сомнение
Любое «так исторически сложилось» — красный флаг. Спрашивайте: «Зачем это вообще нужно?» пока не доберётесь до первопричины.

2️⃣ Удалите всё, что можно
Не бойтесь сломать. Если после удаления ничего не упало — вы были слишком осторожны. Настоящая смелость — убрать то, без чего, как кажется, нельзя.

3️⃣ Упрощайте и оптимизируйте
Только после того, как вычистили лишнее. Оптимизировать мусор — бессмысленно.

4️⃣ Ускоряйте цикл
Сделайте итерации короче. Тестируйте быстрее. Ошибки — это данные, а не катастрофа.

5️⃣ Автоматизируйте
И только в самом конце. Автоматизация плохого процесса — это автоматизация катастрофы.

---

Главный инсайт не в том, чтобы «сделать меньше», а в том, чтобы не делать лишнего.

Прямо сейчас спросите себя:

• Какая задача в моём проекте существует только «потому что так принято»?
• Какой отчёт, встреча или этап разработки можно удалить без последствий?
• Что я оптимизирую, хотя должен просто выкинуть?

Если вы не возвращаете обратно хотя бы 10% удалённого — значит, вы ещё не дошли до предела.

---

Маск это доказал на ракетах. Вы можете доказать на своём деле.

👇 Делитесь в комментариях: что вы сегодня попробуете удалить из своей работы?

Правила безопасности в применении ИИ: инструкция для тех, кто не хочет потерять бизнес из-за красивой картинки

Все уже поняли, что ИИ — это не магия. Но до сих пор многие ведут себя так, будто нейросеть — это волшебный ящик, который сам знает, что делать, и сам отвечает за последствия. Нет. ИИ — это не сотрудник. Это инструмент. Точнее, очень мощный инструмент, вроде бензопилы: пилит быстро, но если засунуть палец — отхватит по локоть. Поэтому поговорим о технике безопасности.

1. ИИ не отвечает за результат. Отвечаете вы.

Это самое главное правило, которое почему-то все игнорируют. Вы же не обвиняете молоток, если он упал вам на ногу? С ИИ та же история. Он сгенерировал текст, вы его отправили клиенту, клиент увидел бред, клиент ушёл. Кто виноват? ИИ? Нет. Вы. Потому что вы не проверили. Потому что вы решили, что алгоритм умнее вашей ответственности. Запомните: ИИ не уволит вас за ошибку. Ошибку заметит клиент, налоговая или конкурент. И спросят с вас.

2. Не кормите ИИ тем, что не готовы вывесить на заборе.

Персональные данные клиентов, внутренняя финансовая отчётность, коммерческие условия, «секретные» регламенты — всё это вы, скорее всего, уже отправляете в ChatGPT или Claude. А зря. Серверы, на которых крутится нейросеть, вы не контролируете. Это как отправить любовное письмо через соседа-почтальона, который иногда читает чужие конверты. Обезличивайте, режьте лишнее, шифруйте. Или готовьтесь объяснять, почему база ваших клиентов всплыла в датасете у конкурента.

3. ИИ врёт. Красиво, уверенно и абсолютно безбожно.

Галлюцинации — это не досадный баг, который вот-вот починят. Это часть архитектуры. Нейросеть генерирует текст, который выглядит правдоподобно, а не является правдой. Поэтому любая цифра, цитата, юридическая норма или технический параметр, которые вы берёте из ИИ, должны проходить фактчекинг. Хотите — через второй ИИ (который, кстати, тоже может соврать), хотите — через живой источник. Но без проверки вы не эксперт, а просто ретранслятор чужого сна. А сон не положишь в отчёт перед советом директоров.

4. Не делегируйте ИИ решения, которые не можете объяснить.

Бывает, что нейросеть выдаёт блестящий на вид вариант, но объяснить, почему она так решила, невозможно. Логика скрыта за миллиардами параметров. И если вы принимаете такое решение, не понимая причин, — вы не управляете, а надеетесь. В бизнесе это опасно. ИИ должен давать варианты, аргументы, просчитывать сценарии. А финальный выбор — всегда за человеком. Иначе вы превращаетесь в заложника алгоритма, который однажды подведёт вас в самый неподходящий момент.

5. Автоматизация с ИИ без контроля — это ускоритель катастрофы, а не прогресс.

Когда нейросеть встроена в процесс и работает без присмотра, любая ошибка множится со скоростью света. Один сбой в цепочке — и сотня клиентов получила неверный расчёт, а отдел продаж рассылает письма с прошлогодними ценами. Поэтому в любой автоматизации должен быть аварийный стоп-кран и периодический человеческий надзор. Как в самолёте: автопилот — хорошо, но пилот в кабине всё равно нужен, чтобы вовремя взять штурвал, когда начнётся турбулентность.

Вывод простой: ИИ — это не страшно, если держать его на коротком поводке. Обезличили данные, проверили факты, поняли логику, поставили стоп-кран — работайте. Но если вы просто закинули все данные в нейросеть и расслабились, ждите беды. Она не заставит себя ждать.

Какие у вас были случаи, когда ИИ подводил? Или, наоборот, спас ситуацию? Делитесь в комментариях — соберём коллекцию граблей, на которые не стоит наступать. 👇

СМЫСЛЫ В КОНТЕНТЕ, КОТОРЫЕ ПРОДАЮТ ЗА ВАС

📌 факт, что не все могут писать регулярно, много и самостоятельно.

📌факт, что контенщики используют ИИ , а вы думаете, что пишет человек

Я собрал своего авторского ассистента , который ведет телеграм-канал на автомате:

🔥 самостоятельно находит темы для постов (RSS, конкуренты, трендовые новостные источники)
🔥автоматически выводит смыслы, важные для аудитории
🔥каждый смысл становится отдельным постом, и продает за вас.

❓ Как из сети 10 мамских каналов сделать 17 и вырасти в рекламе х10?

‼️ По твоему запросу я на один день предоставлю тебе доступ к своему ассистенту по автоматизации контента.

✔️ Ты успеешь написать несколько статей для своего канала,
✔️ вытащим смыслы из текстов конкурентов,
✔️ В итоге поймешь, как эффективность AI процессов позволяет сокращать время на ведение канала.

Ставь + в комментариях, я добавлю тебя в наш чат

Поговорим сегодня про существующие сборники часто задаваемых вопросов.

FAQ выглядит идеальной базой для автоматизации: готовые вопросы, проверенные ответы, экономия времени на сборе данных. Но на практике он часто оказывается не помощником, а препятствием.

Проблема первая — устаревание. Продукт меняется быстрее, чем обновляется FAQ, и автоматизация начинает уверенно выдавать неверную информацию, которой пользователь доверяет больше, чем сомневающемуся оператору.
Вторая проблема — язык. FAQ пишут для людей: с оговорками, ссылками, контекстом. Для алгоритма это шум, требующий переформулировки, а не прямого копирования.
Третья — FAQ описывает типовые случаи, а автоматизация спотыкается именно на пограничных ситуациях, которые в FAQ почти никогда не встречаются.
Четвёртая — разрозненность. Похожие вопросы в FAQ формулируются изолированно, хотя за ними часто стоит один и тот же процесс. Копируя структуру FAQ буквально, получаем набор разрозненных сценариев вместо цельной логики.

Чтобы FAQ стал опорой, а не грузом: относитесь к нему как к сырью, сверяйте с реальными обращениями поддержки, разделяйте простые факты и сложные процессы, назначьте ответственного за актуальность.

FAQ — не автоматизация, а её диагностика: по его состоянию видно, готова ли компания к переходу на автоматические сценарии.

1 сентября 🍁

Для кого-то сегодня прозвенел первый звонок, для кого-то — просто вторник. Но это неплохой повод вспомнить: учиться не заканчивают в 11 классе или после диплома.

Последние пару лет я наблюдаю интересную вещь. Рынок разделился на два лагеря: одни бизнесы продолжают работать «как всегда», а другие — тестируют ИИ, автоматизируют рутину и высвобождают часы на то, что реально приносит деньги. Разрыв между ними растёт быстрее, чем кажется.

ИИ не заменит вашу экспертизу. Но человек, который умеет с ним работать, обгоняет того, кто игнорирует инструмент — не потому что он умнее, а потому что он банально быстрее закрывает задачи, которые раньше съедали полдня: обработка заявок, аналитика, черновики документов, ответы клиентам, разбор данных.

Развитие — это не разовое действие, а привычка. Не обязательно идти на курс или читать талмуд по нейросетям. Достаточно один раз в неделю пробовать автоматизировать то, что вы делаете руками, — и через пару месяцев вы удивитесь, сколько времени освободилось.

Так что пусть 1 сентября будет не только про школьников. Хороший повод спросить себя: а что в моём бизнесе я всё ещё делаю вручную, хотя это можно отдать ИИ?

Если вы ведёте YouTube-канал (или только планируете), наверняка знакомо это чувство: сидишь часами, листаешь чужие видео, пытаешься понять — а почему именно это залетело в топ? Что в заголовке цепляет, какая фишка в превью работает, откуда столько просмотров?

А что если эту рутину можно полностью автоматизировать? Делюсь двумя готовыми шаблонами на n8n, которые сами находят свежие видео в вашей нише и присылают подробный разбор — без единого лишнего клика с вашей стороны.

Зачем это нужно: вы экономите часы ручной работы и получаете готовые выводы — что работает в вашей нише, какие приёмы используют успешные авторы (в том числе конкуренты), и что можно применить у себя.

65 000 просмотров сторис у новых людей за месяц

За последнее время мне написали около 300 человек и поблагодарили за то, что я смотрю их сторис в Telegram и проявляю интерес к их жизни. Я действительно смотрю, ставлю реакции и иногда оказываюсь единственным человеком, который поставил сердечко на их историю. Ну и подписываюсь на него.

В среднем за день я просматриваю около 1 500 новых сторис. За месяц получается примерно 65 000 просмотров у людей, с которыми раньше у меня вообще не было контакта.

Зачем я это делаю?

Есть простой принцип, который Роберт Чалдини называет законом взаимности: когда человек получает от нас внимание или пользу, ему естественно хочется ответить тем же.
Я посмотрел его сторис — он посмотрел мои. И так десятки тысяч раз.

В результате 65 000 человек добровольно увидели мои сторис и узнали, кто я, чем занимаюсь и почему стоит обратить внимание на мой Telegram-канал.

А теперь самое интересное: весь этот процесс я организовал с помощью AI-помощников. Без покупки рекламы и без ручного просмотра полутора тысяч сторис каждый день.

Это один из инструментов, который я использую для работы с холодной аудиторией.

Подходит не только производителям, рассказывающим о своих товарах, но и для всех мягких ниш, где товар - это услуга или консультация.

Если интересно, как это устроено и как повторить такую механику для своего проекта — подробности в личных сообщениях.

Друзья, внимание!

Те, кто до сих пор шепчется в курилке, что «Перельман — это наше всё, а все эти ИИшки — просто игрушки», — приготовьтесь уронить челюсть.

Claude (да-да, тот самый искусственный интеллект, а не бородатый гений из Питера) взял и формализовал доказательство Великой теоремы Ферма. Ту самую, которую Эндрю Уайлс мучительно доказывал в 90-х, а потом ещё пару лет исправлял ошибки.

Но Claude не стал мудрить — он просто разложил доказательство на тысячи промежуточных утверждений, переписал всё на языке Lean (это такой математический «ассемблер») и скормил компьютеру. Компьютер проверил каждый шаг — всё чётко, без «а вдруг».

И самое весёлое: раньше такая формализация занимала годы кропотливой работы. А Claude управился за 11 дней. Да, вы не ослышались. При этом трудилась целая команда агентов, написали 13 миллионов строк Lean и доказали 29 500 промежуточных теорем. Люди только изредка подсказывали, куда идти. Всего ушло около 6 миллиардов токенов (это как если бы вы прочитали «Войну и мир» 10 000 раз, но без перерыва на сон).

Так что теперь, когда кто-то скажет, что «машины никогда не поймут высшую математику», просто скиньте им эту новость. И представьте, что было бы, если бы Claude взялся за гипотезу Пуанкаре… Перельман бы, наверное, только улыбнулся и сказал: «Я же говорил, что они справятся».

👉 [Ссылка на оригинал](https://www.anthropic.com/research/formalizing-fermats-last-theorem) — чтобы сомневающиеся сами убедились.

*А мы пока пойдём искать, где заказать клавиатуру с кнопкой «доказать теорему»…*

AI-сокращения: как боялись и что вышло

В начале 2025 года McKinsey напугал всех: 32% компаний планируют увольнять людей из-за AI. HR-отделы закупили валидол, сотрудники начали спешно учиться писать промпты.

А по итогам года реально сократили штат по вине нейросетей только 14%. Остальные 18% либо передумали, либо поняли, что AI пока не умеет пить кофе и отвечать за сорванные дедлайны.

Но график — штука хитрая. Компании — профи по ребрендингу: массовые увольнения теперь называют «оптимизацией синергии» или «повышением гибкости». И если уволенный уходит с коробкой, кто докажет, что виноват AI, а не жадность?

Так что реальная цифра может быть выше. Но даже по официальной статистике забавно: AI обещал съесть наши рабочие места, а съел только наши ожидания.

Мораль? Бойтесь не ИИ, а собственных фантазий. И если босс заговорил про «цифровую трансформацию» — присмотритесь, не прячет ли он за спиной список уволенных. Шутка. Или нет? 😉

Несколько дней назад независимый исследователь 360 раз спросил четыре ИИшки выдать число от 1 до 100 (без слово "случайное"), каждый раз в новом чате. Из ста чисел модели назвали всего 13, на 42 и 47 пришлось четыре ответа из пяти. Обычный программный генератор случайных чисел на те же 360 запросов выдал все сто!

Языковая модель ничего не выбирает и не любит. Она дописывает текст так, как скорее всего дописали бы люди, а знание о людях берется из корпуса текстов, на которых модель обучена. Какое число встречается в таком контексте чаще – такое и будет ответом.

Это не предвзятость, которую починят настройкой. Слово "случайное" в запросе в том же замере расширило набор с пяти чисел до тринадцати, лидер остался тот же. Модели не врут и не галлюцинируют, они так устроены, просто выдают следующий наиболее вероятный токен (токен – слово или кусок слова). Равных шансов у чисел нет, у одного из чатов лидер забрал больше девяти ответов из десяти.

Та же природа везде, где нейронке доверяют что-то выбрать. В свежем исследовании модели составляли тесты с вариантами ответов вида "какой ответ правильный – А,Б или В?", одна из них больше чем в половине случаев ставила правильный ответ на одну и ту же букву вместо честной четверти. Сама породить случайность модель не умеет, зато с ней работает, если число дать снаружи, кодом или генератором. При этом модель легко напишет код генератора случайных чисел по запросу (но это будет дороже в токенах).

Современный ИИ – это идеальная машина генерации того, что хочет услышать сферический усредненный по выборке из всего человечества индивид. Миллионеры едят мясо, а я – капусту, но в среднем мы все едим голубцы.

Замер 360 запросов: https://nicolassitter.com/research/ai-random-number-2026
Исследование про случайные числа у нейронок: https://arxiv.org/abs/2601.05414