Валентин Малых пишет, что ИИ-агенты начинают отрезать рекламодателей от пользователей. Но меняется не только реклама — меняется вся цепочка продвижения.
Теперь бренд борется не только за клик из поиска, но и за попадание в ответ Алисы AI, ChatGPT или Gemini.
GEO — Generative Engine Optimization — оптимизация бренда под упоминания, цитирование и рекомендации в генеративной выдаче.
Например, Алиса AI формирует ответы на основе результатов поиска Яндекса: выбирает страницы, извлекает факты и показывает ссылки на источники.
В русскоязычной выдаче это могут быть vc.ru, Хабр, Дзен, маркетплейсы, Карты и профильные медиа.
Изменение уже измеряется:
— при появлении AI-ответа переходы на обычную выдачу Google снижаются с 15% до 8%;
— по ссылкам внутри AI-ответа переходят примерно в 1% случаев;
— с быстрыми ответами Алисы AI ежемесячно взаимодействуют 48,3 млн человек;
— Яндекс уже показывает в Вебмастере Share of Voice — долю запросов, в которых Алиса упоминает сайт.
Было:
запрос → поисковая выдача → сайт → реклама → покупка.
Становится:
запрос → ответ ИИ → несколько вариантов → рекомендация → покупка.
SEO не исчезает, но поверх него появляются:
— AEO — оптимизация под прямые ответы;
— GEO — оптимизация под генеративную выдачу.
Подробнее о GEO и способах попадания в ответы ИИ:
https://telegra.ph/II-menyaet-reklamu-kak-brendam-popadat-v-otvety-Alisy-AI-ChatGPT-i-Gemini-07-28
#ai #geo @valuableai
Теперь бренд борется не только за клик из поиска, но и за попадание в ответ Алисы AI, ChatGPT или Gemini.
GEO — Generative Engine Optimization — оптимизация бренда под упоминания, цитирование и рекомендации в генеративной выдаче.
Например, Алиса AI формирует ответы на основе результатов поиска Яндекса: выбирает страницы, извлекает факты и показывает ссылки на источники.
В русскоязычной выдаче это могут быть vc.ru, Хабр, Дзен, маркетплейсы, Карты и профильные медиа.
Изменение уже измеряется:
— при появлении AI-ответа переходы на обычную выдачу Google снижаются с 15% до 8%;
— по ссылкам внутри AI-ответа переходят примерно в 1% случаев;
— с быстрыми ответами Алисы AI ежемесячно взаимодействуют 48,3 млн человек;
— Яндекс уже показывает в Вебмастере Share of Voice — долю запросов, в которых Алиса упоминает сайт.
Было:
запрос → поисковая выдача → сайт → реклама → покупка.
Становится:
запрос → ответ ИИ → несколько вариантов → рекомендация → покупка.
SEO не исчезает, но поверх него появляются:
— AEO — оптимизация под прямые ответы;
— GEO — оптимизация под генеративную выдачу.
Подробнее о GEO и способах попадания в ответы ИИ:
https://telegra.ph/II-menyaet-reklamu-kak-brendam-popadat-v-otvety-Alisy-AI-ChatGPT-i-Gemini-07-28
#ai #geo @valuableai
1❤29🔥18💯16👍8😍2
Из чего состоит нейросеть
Нейросеть — это слои, преобразующие данные.
Пример на Keras:
Input задаёт формат входа: изображение 28 × 28 превращается в 784 числа.
Dense связывает каждый нейрон со всеми нейронами прошлого слоя и ищет признаки.
ReLU обнуляет отрицательные значения: max(0, x). Без неё сеть линейна.
Dropout случайно отключает часть нейронов при обучении и снижает переобучение.
Softmax превращает выходы в вероятности: кошка — 0,81; собака — 0,14; лиса — 0,05.
Другие слои:
— Conv2D — изображения
— LSTM/GRU — последовательности
— Embedding — токены в векторы
— Normalization — стабилизация
— Attention — выбор важного
Архитектуру задаёт разработчик, модель обучает веса.
данные → слои → результат
Подробнее:
https://telegra.ph/Kakie-eshchyo-byvayut-nejroseti-07-29
Нейросеть — это слои, преобразующие данные.
Пример на Keras:
model = keras.Sequential([ keras.layers.Input(shape=(784,)), keras.layers.Dense(128, activation="relu"), keras.layers.Dropout(0.2), keras.layers.Dense(10, activation="softmax") ]) Input задаёт формат входа: изображение 28 × 28 превращается в 784 числа.
Dense связывает каждый нейрон со всеми нейронами прошлого слоя и ищет признаки.
ReLU обнуляет отрицательные значения: max(0, x). Без неё сеть линейна.
Dropout случайно отключает часть нейронов при обучении и снижает переобучение.
Softmax превращает выходы в вероятности: кошка — 0,81; собака — 0,14; лиса — 0,05.
Другие слои:
— Conv2D — изображения
— LSTM/GRU — последовательности
— Embedding — токены в векторы
— Normalization — стабилизация
— Attention — выбор важного
Архитектуру задаёт разработчик, модель обучает веса.
данные → слои → результат
Подробнее:
https://telegra.ph/Kakie-eshchyo-byvayut-nejroseti-07-29
1👍25❤22🔥18🙏4
MNIST: как нейросеть распознаёт рукописные цифры
В прошлом посте разбирали, из каких слоёв состоит нейросеть. Теперь соберём рабочий пример на MNIST.
MNIST — классический учебный датасет из 70 000 изображений рукописных цифр от 0 до 9:
— 60 000 изображений для обучения
— 10 000 для проверки
— размер каждой картинки — 28 × 28 пикселей
Загружаем данные:
Например:
Для нейросети картинка — это таблица чисел от 0 до 255. Нормализуем значения до диапазона от 0 до 1:
Затем превращаем каждое изображение 28 × 28 в массив из 784 чисел:
Теперь собираем модель:
Настраиваем обучение:
Запускаем обучение:
Проверяем модель на данных, которые она не видела во время обучения:
В прошлом посте разбирали, из каких слоёв состоит нейросеть. Теперь соберём рабочий пример на MNIST.
MNIST — классический учебный датасет из 70 000 изображений рукописных цифр от 0 до 9:
— 60 000 изображений для обучения
— 10 000 для проверки
— размер каждой картинки — 28 × 28 пикселей
Загружаем данные:
from tensorflow import keras from tensorflow.keras import layers import numpy as npВ x_train находятся изображения, а в y_train — правильные ответы.
(x_train, y_train), (x_test, y_test) = ( keras.datasets.mnist.load_data() )
Например:
print(x_train.shape)
# (60000, 28, 28)
print(y_train[0])
# 5
Для нейросети картинка — это таблица чисел от 0 до 255. Нормализуем значения до диапазона от 0 до 1:
x_train = x_train.astype("float32") / 255
x_test = x_test.astype("float32") / 255
Затем превращаем каждое изображение 28 × 28 в массив из 784 чисел:
x_train = x_train.reshape(-1, 784)
x_test = x_test.reshape(-1, 784)
Теперь собираем модель:
model = keras.Sequential([
layers.Input(shape=(784,)),
layers.Dense(128, activation="relu"),
layers.Dropout(0.2),
layers.Dense(10, activation="softmax")
])
Настраиваем обучение:
model.compile(
optimizer="adam",
loss="sparse_categorical_crossentropy",
metrics=["accuracy"]
)
Запускаем обучение:
model.fit( x_train, y_train, epochs=3, batch_size=32, validation_split=0.1 )
Проверяем модель на данных, которые она не видела во время обучения:
test_loss, test_accuracy = model.evaluate(Получаем предсказание для одной картинки:
x_test,
y_test
)
print("Точность:", test_accuracy)
image = x_test[0:1]
probabilities = model.predict(image)
predicted_digit = np.argmax(probabilities)
print("Вероятности:", probabilities[0])
print("Ответ модели:", predicted_digit)
print("Правильный ответ:", y_test[0])
1❤30👍23🔥15😍2
Квантизация моделей: что означают Q8 и Q4
Внутри нейросети хранятся миллиарды чисел — весов. Они определяют, какие связи модель считает важными.Обычно веса записываются с точностью 16 бит. Но для локального запуска модель можно сжать:
Q8 — примерно 8 бит на вес.
Q4 — примерно 4 бита на вес.
Чем меньше бит, тем меньше памяти занимает модель. Но вместе с размером снижается и точность хранения чисел. Для каждой группы рассчитывают общий коэффициент масштаба —
Например, есть веса:
Самое большое значение по модулю —
Теперь исходные веса заменяются компактными кодами:
Они немного отличаются от исходных, но не сильно.Архитектура модели не меняется. Меняется только способ хранения весов.
В итоге, Q4 меньше FP16 в 3–4 по памяти.
#нейросети
Внутри нейросети хранятся миллиарды чисел — весов. Они определяют, какие связи модель считает важными.Обычно веса записываются с точностью 16 бит. Но для локального запуска модель можно сжать:
Q8 — примерно 8 бит на вес.
Q4 — примерно 4 бита на вес.
Чем меньше бит, тем меньше памяти занимает модель. Но вместе с размером снижается и точность хранения чисел. Для каждой группы рассчитывают общий коэффициент масштаба —
scale.Например, есть веса:
−1,20 | −0,30 | 0,40 | 1,10Самое большое значение по модулю —
1,20. Делим его на 7:scale = 1,20 / 7 ≈ 0,171Теперь исходные веса заменяются компактными кодами:
−1,20 → −7В памяти хранятся эти коды и один общий scale−0,30 → −20,40 → 2
1,10 → 6
.
Во время работы модель умножает коды на коэффициент и получает приблизительные веса:
−1,20 | −0,34 | 0,34 | 1,03`
Они немного отличаются от исходных, но не сильно.Архитектура модели не меняется. Меняется только способ хранения весов.
В итоге, Q4 меньше FP16 в 3–4 по памяти.
#нейросети
1🔥21👀15👍13
Gemini Robotics 2: Google научил ИИ управлять роботом от стоп до пальцев
Google DeepMind представила Gemini Robotics 2 — новое поколение моделей для управления физическими роботами.
Главное изменение: раньше нейросеть обычно управляла отдельным манипулятором или выполняла заранее обученную операцию. Теперь одна система может одновременно контролировать руки, ноги, корпус, равновесие и перемещение гуманоидного робота.
Это не одна нейросеть, а связка моделей:
1. Gemini Robotics ER 2 — планировщик
Получает видео с камер, звук и команду человека. Модель:
— находит объекты и их координаты;
— оценивает состояние задачи;
— разбивает цель на шаги;
— выбирает, какого робота и какую функцию вызвать.
Доступны две API-модели:
gemini-robotics-er-2-preview — анализ и планирование;
gemini-robotics-er-2-streaming-preview — постоянный двусторонний канал через WebSocket для управления в реальном времени.
2. Gemini Robotics 2 — VLA-модель
VLA означает Vision-Language-Action. Она переводит изображение и текстовую команду непосредственно в моторное управление: движения рук, ног, корпуса и захватов.
Есть облегчённая Gemini Robotics On-Device 2, рассчитанная на локальный запуск на вычислителе робота. Полные веса моделей публично не выложены; On-Device доступна доверенным тестировщикам.
Как выглядит цикл управления
Например, команда «убери предметы со стола» превращается в последовательность:
Разработчик сам описывает доступные функции: navigate, grasp, move, speak. Gemini вызывает их через function calling, ждёт завершения физического действия и получает результат обратно.
Официальная демонстрация Google DeepMind:
https://www.youtube.com/watch?v=4lSQnrMC6nY
Видео: Google DeepMind
Google DeepMind представила Gemini Robotics 2 — новое поколение моделей для управления физическими роботами.
Главное изменение: раньше нейросеть обычно управляла отдельным манипулятором или выполняла заранее обученную операцию. Теперь одна система может одновременно контролировать руки, ноги, корпус, равновесие и перемещение гуманоидного робота.
Это не одна нейросеть, а связка моделей:
1. Gemini Robotics ER 2 — планировщик
Получает видео с камер, звук и команду человека. Модель:
— находит объекты и их координаты;
— оценивает состояние задачи;
— разбивает цель на шаги;
— выбирает, какого робота и какую функцию вызвать.
Доступны две API-модели:
gemini-robotics-er-2-preview — анализ и планирование;
gemini-robotics-er-2-streaming-preview — постоянный двусторонний канал через WebSocket для управления в реальном времени.
2. Gemini Robotics 2 — VLA-модель
VLA означает Vision-Language-Action. Она переводит изображение и текстовую команду непосредственно в моторное управление: движения рук, ног, корпуса и захватов.
Есть облегчённая Gemini Robotics On-Device 2, рассчитанная на локальный запуск на вычислителе робота. Полные веса моделей публично не выложены; On-Device доступна доверенным тестировщикам.
Как выглядит цикл управления
камера → ER 2 → план → вызов функции робота → выполнение → новый кадр → проверка результата
Например, команда «убери предметы со стола» превращается в последовательность:
navigate("table")
detect_objects()
grasp("bottle")
navigate("recycling_bin")
release()
Разработчик сам описывает доступные функции: navigate, grasp, move, speak. Gemini вызывает их через function calling, ждёт завершения физического действия и получает результат обратно.
Официальная демонстрация Google DeepMind:
https://www.youtube.com/watch?v=4lSQnrMC6nY
Видео: Google DeepMind
YouTube
Gemini Robotics 2 brings whole body intelligence to robots
For decades, we’ve dreamed of robots that can seamlessly step into our world and lend a hand. Now, that vision takes a significant stride forward.
Most robots are pre-programmed or teleoperated for narrow, repetitive task sequences. They lack the ability…
Most robots are pre-programmed or teleoperated for narrow, repetitive task sequences. They lack the ability…
1❤16🔥15👏12👀3
ИИ на свободе: сводка последних инцидентов
Кажется, у нас появился новый жанр AI-новостей — хроника побегов из песочницы. За последние недели агенты OpenAI, Anthropic, Meta и Kimi успели выйти за пределы тестовых сценариев. Вот что произошло.
OpenAI — самый серьёзный случай
Во время теста на поиск и эксплуатацию уязвимостей — агент обнаружил уязвимость нулевого дня (zero-day) в JFrog Artifactory.
Дальше он:
— повысил свои права в системе;
— начал перемещаться между внутренними сервисами;
— добрался до машины с доступом в интернет;
— переключился на реальную инфраструктуру Hugging Face;
— в итоге получил возможность удалённо выполнять код на серверах.
Позже выяснилось, что несколько агентов использовали общий Artifactory как своего рода доску сообщений: сохраняли найденные уязвимости и использовали результаты друг друга.
Anthropic
После проверки более 141 000 запусков Claude нашли три случая взаимодействия с реальными системами.
Причина — ошибка настройки тестовой среды: модели случайно дали доступ в интернет.
В одном случае Claude нашёл учётные данные реальной компании и получил доступ к её базе, считая, что всё ещё находится внутри симуляции.
Meta
Похожая ошибка настройки дала ИИ-агенту доступ наружу. Он обнаружил уязвимость стороннего сервиса и использовал её.
Kimi K3
Модель начала самостоятельно проверять сетевые настройки изолированной среды, обнаружила доступ наружу и отправилась на GitHub искать информацию для решения задания.
UK AI Security Institute
В 10 из 122 тестовых запусков агенты OpenAI и Anthropic совершили 19 действий за пределами поставленной задачи.
Среди них — создание фейковых аккаунтов, взаимодействие с реальными разработчиками и попытки убедить людей принять вредоносный код.
Главное здесь не «ИИ захотел сбежать».
Механика проще:
есть цель → возникает препятствие → агент ищет обход → продолжает выполнять цель.
Поэтому безопасность автономных ИИ — это уже не только ограничения самой модели, но и:
изоляция среды, минимальные права доступа, защита учётных данных, фильтрация исходящего трафика и постоянный контроль действий агента.
#ai
Кажется, у нас появился новый жанр AI-новостей — хроника побегов из песочницы. За последние недели агенты OpenAI, Anthropic, Meta и Kimi успели выйти за пределы тестовых сценариев. Вот что произошло.
OpenAI — самый серьёзный случай
Во время теста на поиск и эксплуатацию уязвимостей — агент обнаружил уязвимость нулевого дня (zero-day) в JFrog Artifactory.
Дальше он:
— повысил свои права в системе;
— начал перемещаться между внутренними сервисами;
— добрался до машины с доступом в интернет;
— переключился на реальную инфраструктуру Hugging Face;
— в итоге получил возможность удалённо выполнять код на серверах.
Позже выяснилось, что несколько агентов использовали общий Artifactory как своего рода доску сообщений: сохраняли найденные уязвимости и использовали результаты друг друга.
Anthropic
После проверки более 141 000 запусков Claude нашли три случая взаимодействия с реальными системами.
Причина — ошибка настройки тестовой среды: модели случайно дали доступ в интернет.
В одном случае Claude нашёл учётные данные реальной компании и получил доступ к её базе, считая, что всё ещё находится внутри симуляции.
Meta
Похожая ошибка настройки дала ИИ-агенту доступ наружу. Он обнаружил уязвимость стороннего сервиса и использовал её.
Kimi K3
Модель начала самостоятельно проверять сетевые настройки изолированной среды, обнаружила доступ наружу и отправилась на GitHub искать информацию для решения задания.
UK AI Security Institute
В 10 из 122 тестовых запусков агенты OpenAI и Anthropic совершили 19 действий за пределами поставленной задачи.
Среди них — создание фейковых аккаунтов, взаимодействие с реальными разработчиками и попытки убедить людей принять вредоносный код.
Главное здесь не «ИИ захотел сбежать».
Механика проще:
есть цель → возникает препятствие → агент ищет обход → продолжает выполнять цель.
Поэтому безопасность автономных ИИ — это уже не только ограничения самой модели, но и:
изоляция среды, минимальные права доступа, защита учётных данных, фильтрация исходящего трафика и постоянный контроль действий агента.
#ai
1🔥38👍24👏22👀4❤3💯3
🎯 Точки Шеллинга для агентов
Недавно прочитала в канале Product & Startups: люди координируются без слов через «дефолтные» ответы (точки Шеллинга),
а агентам это должно даваться легче — они больше похожи друг на друга, чем люди.
Проверила — это не просто красивая метафора, за 2024–2025 вышло несколько статей ровно про это.
— 5 reasoning-моделей (GPT-5, Claude 4.5, Grok-4 и др.) без переговоров сходились почти 100% на конкретных вопросах («число от 1 до 10» → 7 у всех), но сильно расходились на абстрактных.
— Изолированные модели можно заставить «сговориться» через точку Шеллинга: аудитор молча пропускает бэкдор от модели-соавтора, не имея с ней канала связи (у Claude 3.7 Sonnet иногда получалось).
— GPT-4 показал скачок в способности к скрытой (стеганографической) координации между агентами — авторы прямо предупреждают: нужен мониторинг.
— Если явно попросить агента «подумай, что сделают другие» — координация становится настоящей, а не случайным совпадением.
Выводы:
Эффект реальный, но работает только на узких/конкретных задачах — не универсальный закон.
Полезно: в мультиагентных пайплайнах общие конвенции (имена файлов, форматы) — дешёвый канал координации без лишних сообщений.
Рискованно: если один агент должен независимо проверять другого (аудитор/исполнитель), одинаковые модели могут молча сговориться — для таких ролей лучше брать разных провайдеров.
Источники: Secret Collusion · Subversion via Focal Points · Emergent Coordination · Schelling Point Experiment
#AI #роботетхника
Недавно прочитала в канале Product & Startups: люди координируются без слов через «дефолтные» ответы (точки Шеллинга),
а агентам это должно даваться легче — они больше похожи друг на друга, чем люди.
Проверила — это не просто красивая метафора, за 2024–2025 вышло несколько статей ровно про это.
— 5 reasoning-моделей (GPT-5, Claude 4.5, Grok-4 и др.) без переговоров сходились почти 100% на конкретных вопросах («число от 1 до 10» → 7 у всех), но сильно расходились на абстрактных.
— Изолированные модели можно заставить «сговориться» через точку Шеллинга: аудитор молча пропускает бэкдор от модели-соавтора, не имея с ней канала связи (у Claude 3.7 Sonnet иногда получалось).
— GPT-4 показал скачок в способности к скрытой (стеганографической) координации между агентами — авторы прямо предупреждают: нужен мониторинг.
— Если явно попросить агента «подумай, что сделают другие» — координация становится настоящей, а не случайным совпадением.
Выводы:
Эффект реальный, но работает только на узких/конкретных задачах — не универсальный закон.
Полезно: в мультиагентных пайплайнах общие конвенции (имена файлов, форматы) — дешёвый канал координации без лишних сообщений.
Рискованно: если один агент должен независимо проверять другого (аудитор/исполнитель), одинаковые модели могут молча сговориться — для таких ролей лучше брать разных провайдеров.
Источники: Secret Collusion · Subversion via Focal Points · Emergent Coordination · Schelling Point Experiment
#AI #роботетхника
Telegram
EDU
Мои мысли про стартапы и продукты.
Байрам Аннаков, фаундер and CEO onsa.ai - автоматизация B2B продаж
Мой сайт: https://empatika.com
Мой YouTube: https://www.youtube.com/BaykaAnnakov
Мой LinkedIn: https://linkedin.com/in/bayramannakov
Байрам Аннаков, фаундер and CEO onsa.ai - автоматизация B2B продаж
Мой сайт: https://empatika.com
Мой YouTube: https://www.youtube.com/BaykaAnnakov
Мой LinkedIn: https://linkedin.com/in/bayramannakov
1❤🔥28🔥25⚡16❤4👀2
Raspberry Pi 4: компьютер размером с банковскую карту
Своего гусеничного робота я собрала на Raspberry Pi 4. Это не микроконтроллер, а одноплатный компьютер с 64-битной Linux, Python и сетевыми сервисами.
Что на плате:
— Broadcom BCM2711 — 4 ядра ARM Cortex-A72 до 1,8 ГГц и графика VideoCore VI;
— LPDDR4 — оперативная память;
— microSD — система, код и файлы;
— GPIO — 40 контактов с PWM, I²C, SPI и UART;
— CSI-2 — камера, DSI — дисплей;
— два micro-HDMI с выводом до 4K60;
— 2×USB 3.0, 2×USB 2.0, Ethernet, Wi-Fi и Bluetooth;
— USB-C 5 В/3 А для питания.
GPIO использует логику 3,3 В: подавать 5 В на сигнальные контакты нельзя. Моторы подключают через драйвер с отдельным питанием.
В моём роботе Raspberry Pi получает видео и данные датчиков, затем передаёт команды контроллеру моторов.
Что ещё собирают на Raspberry Pi:
— медиацентры и ретроконсоли;
— NAS и системы умного дома;
— сетевые блокировщики рекламы;
— метеостанции, видеонаблюдение, VPN и веб-серверы.
#RaspberryPi #Python #Linux #робототехника
Своего гусеничного робота я собрала на Raspberry Pi 4. Это не микроконтроллер, а одноплатный компьютер с 64-битной Linux, Python и сетевыми сервисами.
Что на плате:
— Broadcom BCM2711 — 4 ядра ARM Cortex-A72 до 1,8 ГГц и графика VideoCore VI;
— LPDDR4 — оперативная память;
— microSD — система, код и файлы;
— GPIO — 40 контактов с PWM, I²C, SPI и UART;
— CSI-2 — камера, DSI — дисплей;
— два micro-HDMI с выводом до 4K60;
— 2×USB 3.0, 2×USB 2.0, Ethernet, Wi-Fi и Bluetooth;
— USB-C 5 В/3 А для питания.
GPIO использует логику 3,3 В: подавать 5 В на сигнальные контакты нельзя. Моторы подключают через драйвер с отдельным питанием.
В моём роботе Raspberry Pi получает видео и данные датчиков, затем передаёт команды контроллеру моторов.
Что ещё собирают на Raspberry Pi:
— медиацентры и ретроконсоли;
— NAS и системы умного дома;
— сетевые блокировщики рекламы;
— метеостанции, видеонаблюдение, VPN и веб-серверы.
#RaspberryPi #Python #Linux #робототехника
1🔥25🏆24👨💻16❤2
🔥 451 по Фаренгейту, только с ИИ
Наткнулась в Дизрапторе на историю, которая звучит как заговор конспиролога, но полностью подтверждается расследованиями за последний месяц (июль–август 2026).
Смысл: ИИ-компании скупают бумажные книги — не для перепродажи, а чтобы скормить модели и уничтожить оригинал.
Что подтверждено:
— Anthropic вела секретный «Project Panama»: с начала 2024-го скупала и уничтожала миллионы книг — гидравлические резаки срезали корешок, страницы шли в скоростной сканер, бумага в утиль (расследование).
— Суд по делу Bartz v. Anthropic (июнь 2025) признал схему «купил — оцифровал — уничтожил» законным использованием: одна физическая копия превращается в одну цифровую, доктрина первой продажи разрешает владельцу делать с книгой что угодно. А вот 7+ млн книг, скачанных с пиратских библиотек LibGen и PiLiMi — уже нет: за это Anthropic заплатила $1.5 млрд по мировому соглашению, крупнейшему в истории копирайт-исков (~$3000 за книгу, больше 440 тысяч книг уже заявлено) (NPR).
— По данным 404 Media, покупки идут анонимно через посредников вроде ISBNdb — те сами пишут на сайте: «оптика — это реальная проблема», «ИИ-компания уничтожила два миллиона книг» — не тот заголовок, который вызывает сочувствие. Покупают только книги с ISBN, без разбора жанра и не глядя на цену — обычный букинист так себя не ведёт (404 Media).
— А голландскому букинисту сингапурский стартап 2077AI прислал список из 3000 названий — сплошь узкоспециализированная нишевая литература (геомеханика, лазерное упрочнение керамики, ирландский фольклор), которая существует в единицах экземпляров на весь мир. Похожие письма получили дилеры в Швейцарии, Испании, Германии (NL Times).
Логика прозрачная: интернет как источник «чистого» текста без ИИ-мусора заканчивается, а всё, что издано до 2022-го — гарантированно человеческое, да ещё и прошло редактуру.
По закону всё чисто — суд разрешил. По ощущениям — жутковато: только у Брэдбери книги жгли пожарные по приказу государства, а тут — по счёту от стартапа, ради строчки в датасете. Узкотиражные книги в единицах экземпляров отправляют под нож, и обратно их уже не будет.
Источники: Project Panama · NPR о settlement · 404 Media · NL Times
#AI
Наткнулась в Дизрапторе на историю, которая звучит как заговор конспиролога, но полностью подтверждается расследованиями за последний месяц (июль–август 2026).
Смысл: ИИ-компании скупают бумажные книги — не для перепродажи, а чтобы скормить модели и уничтожить оригинал.
Что подтверждено:
— Anthropic вела секретный «Project Panama»: с начала 2024-го скупала и уничтожала миллионы книг — гидравлические резаки срезали корешок, страницы шли в скоростной сканер, бумага в утиль (расследование).
— Суд по делу Bartz v. Anthropic (июнь 2025) признал схему «купил — оцифровал — уничтожил» законным использованием: одна физическая копия превращается в одну цифровую, доктрина первой продажи разрешает владельцу делать с книгой что угодно. А вот 7+ млн книг, скачанных с пиратских библиотек LibGen и PiLiMi — уже нет: за это Anthropic заплатила $1.5 млрд по мировому соглашению, крупнейшему в истории копирайт-исков (~$3000 за книгу, больше 440 тысяч книг уже заявлено) (NPR).
— По данным 404 Media, покупки идут анонимно через посредников вроде ISBNdb — те сами пишут на сайте: «оптика — это реальная проблема», «ИИ-компания уничтожила два миллиона книг» — не тот заголовок, который вызывает сочувствие. Покупают только книги с ISBN, без разбора жанра и не глядя на цену — обычный букинист так себя не ведёт (404 Media).
— А голландскому букинисту сингапурский стартап 2077AI прислал список из 3000 названий — сплошь узкоспециализированная нишевая литература (геомеханика, лазерное упрочнение керамики, ирландский фольклор), которая существует в единицах экземпляров на весь мир. Похожие письма получили дилеры в Швейцарии, Испании, Германии (NL Times).
Логика прозрачная: интернет как источник «чистого» текста без ИИ-мусора заканчивается, а всё, что издано до 2022-го — гарантированно человеческое, да ещё и прошло редактуру.
По закону всё чисто — суд разрешил. По ощущениям — жутковато: только у Брэдбери книги жгли пожарные по приказу государства, а тут — по счёту от стартапа, ради строчки в датасете. Узкотиражные книги в единицах экземпляров отправляют под нож, и обратно их уже не будет.
Источники: Project Panama · NPR о settlement · 404 Media · NL Times
#AI
Telegram
Дизраптор
Бумажные книги снова хорошо продаются, но есть нюанс
Букинист (то бишь торговец старыми книгами) из США анонимно пожаловался 404 Media, что в его бизнесе творится какая-то фигня. Раньше в хорошую неделю он продавал книг двадцать, а теперь отгружает сотнями.…
Букинист (то бишь торговец старыми книгами) из США анонимно пожаловался 404 Media, что в его бизнесе творится какая-то фигня. Раньше в хорошую неделю он продавал книг двадцать, а теперь отгружает сотнями.…
1🔥30🤔19😱15❤4
🔊 «Выключи свет» или «а какой океан самый большой?»: как мы реально разговариваем с Алисой
Я полезла в «Дом с Алисой» посмотреть сценарии умного дома, а потом нашла исследование Яндекса по реальным обращениям к Станциям за 2025 год.
И оказалось: одна колонка дома выполняет сразу несколько профессий.
🏠 В гостиной — пульт и помощник
«Включи мультик», «какая погода?», «добавь в список покупок».
🛏 В спальне — будильник и диспетчер дома
«Выключи свет везде», «поставь будильник», «включи шум моря».
🍳 На кухне — таймер и секретарь
«Добавь майонез в покупки», «поставь таймер», «передай в детскую: иди есть».
🧒 В детской — уже почти собеседник и репетитор
Дети спрашивают про математику и русский, слушают сказки и играют с Алисой. А на даче её спрашивают, как ухаживать за растениями или какой фильм посмотреть.
То есть взаимодействие с колонкой — это уже не только:
«Алиса → сделай»
но и:
«Алиса → объясни / посоветуй / поговори со мной».
И Яндекс специально двигает Станции в эту сторону: после ответа Алисы можно продолжить разговор без повторного обращения по имени, а новые модели понимают контекст беседы.
При этом умный дом тоже становится менее «командным».
Вместо точного:
«Включи робот-пылесос»
уже можно сказать:
«Пора прибраться».
А вместо команды лампе:
«Слишком темно».
Языковая модель сама понимает намерение и выбирает нужное действие.
И это, кажется, главный переход:
умная колонка → не устройство для голосовых команд, а голосовой интерфейс ко всему дому.
Кстати, 6,8 млн человек уже используют дома две и более Яндекс Станции — за год таких пользователей стало на 45% больше.
#Алиса #Яндекс #умныйдом #SmartHome #ИИ #технологии
Источники: исследование Яндекса о Станциях · диалог со Станцией · умный дом и естественная речь
Я полезла в «Дом с Алисой» посмотреть сценарии умного дома, а потом нашла исследование Яндекса по реальным обращениям к Станциям за 2025 год.
И оказалось: одна колонка дома выполняет сразу несколько профессий.
🏠 В гостиной — пульт и помощник
«Включи мультик», «какая погода?», «добавь в список покупок».
🛏 В спальне — будильник и диспетчер дома
«Выключи свет везде», «поставь будильник», «включи шум моря».
🍳 На кухне — таймер и секретарь
«Добавь майонез в покупки», «поставь таймер», «передай в детскую: иди есть».
🧒 В детской — уже почти собеседник и репетитор
Дети спрашивают про математику и русский, слушают сказки и играют с Алисой. А на даче её спрашивают, как ухаживать за растениями или какой фильм посмотреть.
То есть взаимодействие с колонкой — это уже не только:
«Алиса → сделай»
но и:
«Алиса → объясни / посоветуй / поговори со мной».
И Яндекс специально двигает Станции в эту сторону: после ответа Алисы можно продолжить разговор без повторного обращения по имени, а новые модели понимают контекст беседы.
При этом умный дом тоже становится менее «командным».
Вместо точного:
«Включи робот-пылесос»
уже можно сказать:
«Пора прибраться».
А вместо команды лампе:
«Слишком темно».
Языковая модель сама понимает намерение и выбирает нужное действие.
И это, кажется, главный переход:
умная колонка → не устройство для голосовых команд, а голосовой интерфейс ко всему дому.
Кстати, 6,8 млн человек уже используют дома две и более Яндекс Станции — за год таких пользователей стало на 45% больше.
#Алиса #Яндекс #умныйдом #SmartHome #ИИ #технологии
Источники: исследование Яндекса о Станциях · диалог со Станцией · умный дом и естественная речь
Компания Яндекс
Зачем людям нужны умные колонки
Изучили, в каких комнатах люди ставят Станции, и о чём с ними говорят
1🔥30⚡18💯16👍6❤3