Еще хочу обратить внимание на один фрагмент из выступления доктора Эндрю Нг (Andrew Ng) «Building Faster with AI» на YouTube.

В нем он рассказывает про то, как собирать обратную связь о продукте — и насколько это важно, чтобы принимать правильные решения.
Я отметил этот фрагмент потому что часто встречаю материалы, где специалисты уверяют: «надо глубоко погружаться в исследования, иначе никак». А мне ближе подход Эндрю Нг, когда есть понимание, что можно использовать разные способы получить фидбэк, и у каждого способа своя точность и скорость, и в стартапе приоритет лучше отдавать скорости. Недаром он говорит о том, что в AI Fund запускают в среднем один стартап в месяц.

Варианты получения отзывов о продукте:

- Поиграться с продуктом самому (самый быстрый способ, 10 минут).
- Попросить мнение у 3 друзей или коллег (~ 0,5 дня).
- Спросить 3–10 незнакомцев, например, в кафе или в лобби отеля (~1 день).
- Отправить прототип группе из ~100 тестировщиков (~1 неделя).
- Отправить прототип 1 000 пользователям, чтобы получить качественные или количественные отзывы (~2 недели).
- И, наконец, полноценный запуск с A/B-тестом. Это самый медленный вариант, хотя часто о нем говорят как о лучшем и самом точном решении (2+ месяца).

Про Walmart, OpenAI и причем тут Клейтон Кристенсен. Walmart заявила о партнерстве с OpenAI, чтобы продавать товары прямо в ChatGPT. Это событие оказалось настолько значимым, что подтолкнуло акции Walmart на 5 % вверх, а это ни много ни мало, прирост почти на 41 миллиард долларов.

Финансовые аналитики позитивно восприняли новость, а на Reddit к ней отнеслись в основном скептически. Популярно мнение, что это следствие раздувания ИИ-пузыря и никакой новой ценности в сотрудничестве компаний не будет.

Но очевидно, что сотрудничество OpenAI с крупнейшим в США ритейлером — это продолжение стратегии по интеграции покупок в чат через функцию Instant Checkout, которая позволяет оформлять и оплачивать покупки прямо в чате.

Сам Instant Checkout представляет собой протокол агентской коммерции, который позволяет любому розничному продавцу или бизнесу интегрировать свои товары в ChatGPT. И этот протокол может стать началом нового этапа в развитии онлайн-торговли: подорвать доходы поисковиков, подорвать позиции маркетплейсов, поменять правила игры для всей онлайн-торговли. В общем, пример подрывной инновации.

Подрывная инновация — это создание нового способа взаимодействия с продуктом или брендом, который делает старые подходы устаревшими. Идея подрывной инновации была предложена Клейтоном Кристенсеном (Clayton M. Christensen) в 1995 году и подробно описана в книге «Дилемма инноватора» (The Innovator’s Dilemma). Книга есть на русском языке и считается бестселлером в области бизнес-литературы.

Кристенсен пишет, как новые технологии или бизнес-модели сначала кажутся «мелкими» и неопасными, но со временем подрывают устоявшиеся рынки, вытесняя лидеров, которые не успевают адаптироваться.

Сейчас OpenAI идут по пути внедрения подрывных инноваций. И, похоже, мы уже скоро будем наблюдать большие изменения рынков.

Вот к последнему посту иллюстрация роста трафика в США от ИИ систем к продавцам.

Про новое SEO. Я еще для себя не определился, какой термин стоит использовать: GEO (Generative Engine Optimization), AEO (Answer Engine Optimization) или какой-то другой. Думаю, что в итоге закрепится только один вариант. Но сути это не меняет: под AI-запросы все равно придется проводить специальную работу по оптимизации, если хочется оставаться в поле видимости пользователей.

И темпы, с которыми AI меняет поведение людей, таковы, что задумываться об этом нужно всерьёз.

Новое исследование Omnisend показывает: пользователи, по крайней мере в США, все чаще обращаются к LLM для поиска и выбора товаров. И главное — находят этот процесс удобным. А это значит, что тренд будет только расширяться. По мере того как новые LLM-инструменты станут доступнее, они быстро охватят и другие страны.

В июле 2025 года Omnisend опросили 4000 взрослых из США, Великобритании, Канады и Австралии о том, как они используют ИИ при онлайн-покупках. Краткие выводы такие:

- около 50% онлайн-покупателей в каждой стране используют GenAI для e-commerce-задач хотя бы раз в месяц;
- каждый четвертый утверждает, что ChatGPT предлагает товары лучше, чем Google;
- около 27–29% отмечают, что AI делает процесс онлайн-шопинга менее утомительным.

Для компаний, которые продают товары или услуги, это значит одно: традиционные каналы привлечения клиентов будут работать все хуже. И грешным делом даже лидеры онлайн-торговли — крупные маркетплейсы — могут столкнуться с тем, что их будущее будет не таким уж безоблачным, как может показаться сейчас.

Бояться пока нечего. Сейчас важно готовиться к новой реальности и выстраивать стратегию оптимизации и продвижения с учетом AI.

Сегодняшний эксперимент с V0 был про создание связанной системы из двух экранов.

На первом — пульт, который можно открыть на мобильном.
На втором отображаются 3D объекты, которыми можно управлять с пульта.

Интерфейсы связаны через простой серверный API с синхронизацией каждые 100 миллисекунд. Этого достаточно, чтобы все выглядело плавно, без задержек.

Отрисовка через на Three.js. Простые фигуры строятся прямо в браузере. Уточка загружается из локального файла, а последний объект загружается по URL из внешнего источника.

Вот такой эксперимент за $1,75 на V0. Пока не придумал, как это может пригодиться, но мне нравится сама возможность создания простой мультиэкранности.

Это в продолжении прошлого поста, отвечая на комментарий Anton Korenyako в LinkedIn: “А как быстро у v0 получится реализовать трекбол на экране телефона?”

Задачка с трекболом оказалась с подвохом.

Сначала все выглядело просто: в любой системе вайбкодинга можно быстро собрать базовый вариант, с шаром и сеткой линий и точек на его поверхности, чтобы отслеживать движение.

Но все решает формулировка задачи.

Во всех первых попытках системы выдавали результат вроде вращающегося глобуса, построенного на изменении углов Эйлера. На практике это оказалось неудачным решением. Такой подход крутит шар вокруг фиксированных осей X и Y, что быстро приводит к коллизиям и неестественному поведению.

После нескольких экспериментов я уточнил постановку.

Теперь вращение реализовано через ориентированную систему на основе нормалей касания. При касании определяется нормаль в точке пересечения луча и сферы. Далее между стартовой и текущей нормалями вычисляются ось и угол вращения. В итоге получается эффект катящегося шара и точка контакта остается под пальцем, как при реальном взаимодействии.

В итоге потратил 4 запроса на $0.45. И еще пару часов GPT пытаясь понять, как от начального решения перейти к работающему.

Результат можно попробовать самому https://v0-smartphone-trackball-ui.vercel.app/

Для тех, кто хочет улучшить производительность своих команд программистов, рекомендую видео с Nicole Forsgren автором нескольких книг и Senior Director of Developer Intelligence в Google «How to measure AI developer productivity in 2025».

Я сделал для себя несколько заметок, но вам, возможно, будут интересны другие тезисы.

Новый для меня термин — DevX, описывающий опыт разработчика. То есть, какой процесс разработки, как устроено взаимодействие с инструментами, с какими трудностями сталкивается разработчик, какая у него поддержка и т.д. Это важно, потому что когда у разработчиков есть проблемы, никакая лучшая техника или инструменты не помогут сделать процесс разработки продуктивным.

Если процесс получения результата сопряжен с большим напряжением и постоянным преодолением препятствий, то рано или поздно разработчик выгорит.

Интересная идея: новые инструменты ИИ мешают разработчику попадать в состояние потока, когда он увлеченно и непрерывно создает интересные вещи.

Состояние потока, когнитивная нагрузка и петля обратной связи — три аспекта, через которые можно описывать опыт разработчика.

В чем люди ошибаются, пытаясь измерить прирост своей продуктивности с использованием ИИ? Количество строк кода — плохой показатель на сегодня. и другие прежние метрики уже плохо работают. Мы можем отследить код, написанный людьми и сгенерированный ИИ, и понять, какой процент кода “выживает”. На основе этого можно оценивать качество. Это немного, но шаг в правильном направлении.

Доверие к генерируемому коду — одна из крупных проблем, с которыми мы столкнемся в ближайшее время. Мы начнем тратить больше времени на проверку кода, а не на его написание.


Похоже, предел человека — это около четырех часов продуктивной работы в день. Это отсылка к большой работе Глории Марк (Gloria Mark), посвящённой изучению влияния цифровых технологий на внимание, многозадачность и рабочие процессы. Книга вышла и на русском языке: «Метавнимание. Как сохранять продуктивность и удерживать фокус в цифровой реальности».

Чтобы добраться до продуктивного состояния потока, нужно потратить час или два. Но сейчас вся работа с ИИ идет прерывистыми блоками. Нужны инструменты, которые помогут облегчить погружение в поток и возвращение к нему с помощью ИИ. Эта область пока ждет исследований и ответов.

Большинство команд может двигаться быстрее. Но не всегда прирост скорости — это благо. Можно выпускать мусор каждый день, но зачем? Нужна стратегия и умная команда менеджеров, чтобы понимать, что выпускать и с чем экспериментировать.

Какие показатели можно использовать для оценки продуктивности с применением ИИ? Одним из них может быть способность быстро экспериментировать и тестировать. Но это сложно напрямую связать с работой ИИ в руках конкретного разработчика.

Создание юнит-тестов и их запуск, генерация документации и ее обновление — вск это можно делегировать ИИ-агентам. Это полезно и для самих агентов: они смогут опираться не только на существующий код, но и на вск, что его окружает. Чем лучше документация и комментарии, тем лучше работает ИИ.

Как показать эффективность внедрения ИИ для бизнеса? Все зависит от приоритетов бизнеса, какой бы ни была цель — рост доли рынка, прибыль или экономия — под каждую можно подобрать свои метрики.

Счастливые разработчики создают лучший код. Они пишут более качественные программы и делают лучшую работу. Пытаться напрямую влиять на счастье сложно, но мы можем влиять на удовлетворенность.

Хорошую тему поднял Якоб Нильсен в статье “Slow AI: Designing User Control for Long Tasks”. Он рассуждает о пользовательском опыте при выполнении долгих задач, характерных для современных ИИ-систем.

Вот несколько идей из статьи, которые мне показались особенно интересными.

Сегодня агенты не всегда отвечают мгновенно. Мы ждем генерации картинки минуты, а создание видео десятки минут. Уже сейчас ИИ может работать над задачами по 30 часов, и со временем этот срок может растянуться на дни или даже недели. Возможно, однажды мы доживем до момента, когда ИИ будет выполнять задачи годами и все будет происходить без участия человека.

Такой “медленный ИИ” создает новые UX-проблемы: потерю контроля, снижение фокуса, риск сбоев. Это требует другого подхода к проектированию интерфейсов.

Если задача долгая, лучше не пытаться предсказать ожидания пользователя. Гораздо полезнее задавать уточняющие вопросы. Это поможет избежать пустых затрат времени и энергии. Например, в качестве уточнения может быть план на решение задачи или раскадровка для фильма, если запрос касается создания видео.

Также полезно задавать ограничения выполнения задачи по времени или бюджету. Такой подход хорошо работает в ситуациях с генерацией идей или поиском решений в рамках гипотезы.

Если в процессе выполнения задачи возникает вопрос, стоит подождать ответа пользователя разумное время. Потом можно продолжить с вероятным вариантом (с минимальным риском), зафиксировав его в комментарии для последующего анализа. Останавливать процесс полностью может быть худшим вариантом, чем двигаться с неточными вводными.

Для долгих задач важно предусмотреть возможность поставить выполнение на паузу, чтобы это происходило без потери данных.

Хорошо, если большая задача разбивается на предсказуемые фрагменты продолжительностью 5–15 минут. Тогда ее проще восстанавливать при сбое и легче контролировать прогресс выполнения.

Чтобы сохранить контроль над процессом, система должна показывать промежуточные результаты. Это будет снижать тревожность пользователей и даст уверенность, что все идет по плану.

Когда пользователь возвращается к задаче после перерыва, система должна помочь ему быстро восстановить/вспомнить контекст задачи (context reboarding). Уведомления, письма и сообщения тоже стоит писать так, чтобы напоминать, о какой задаче идет речь.

И наконец, пользователю нужно дать свободу: возможность скачивать промежуточные материалы, останавливать задачу, менять направление, оценивать результаты и при желании продолжать работу без издержек по качеству выполнения.

Из рабочих проектов этого года. В начале года я участвовал в тендере от крупного СМИ на редизайн сайта. Тендер мы не выиграли, хотя предложение было хорошим, но заказчик хотел реализовать проект быстрее, чем команда могла гарантировать.

К тендеру я готовил презентацию с разными подходами и предложениями по изменению дизайна сайта, которые должны были повлиять на поведения посетителей. Изменения были обоснованными, в базе были метрики и мы показывали ожидаемые изменения при внедрении тех или иных решений.
Но когда речь идет о проектах с MAU в 10–20 миллионов пользователей, нужны не только быстрые улучшения. Важно думать о решениях, которые обеспечат рост аудитории на горизонте в год-два. Только так можно оправдать инвестиции в редизайн.

Я придерживаюсь идеи, что поведенческие метрики можно улучшить в моменте, но в ограниченных пределах. Если нужен значительный рост, то нужно менять что-то по-настоящему.

Так родилась идея добавить на сайт онлайн-игры. Для меня это был очевидный ход, потому что пример New York Times давно показал, что это работает. Но, как оказалось, не все знакомы с их результатами.
Мини-игры у NYT расположены внизу главной страницы, они встроены в рассылки и доступны подписчикам. Они стали не только инструментом вовлечения, но и драйвером роста платных подписок.

Axios писал об этом в статье “Games are helping the New York Times thrive amid media chaos”. В 2023 году в игры NYT сыграли более 8 миллиардов раз, а это около 22 миллионов игр в день. И для издательства цель не в том, чтобы стать игровой компанией, а в том, чтобы добавить ценности помимо основного продукта и стать частью повседневной жизни пользователей.
Мое предложение не было самым коротким путем к росту аудитории, но, как мне кажется, это пример того, как можно взять уже работающую идею и адаптировать под себя. И пусть это требует затрат, но изменить поведение пользователей, не меняя само содержание предложения, почти невозможно.

Вот такая история на сегодня. Хорошего всем дня 🙂

Листал Artificial Intelligence Index Report 2025 и вдруг поймал себя на мысли, что роботизация — это ведь не просто замена людей машинами. Когда она приходит в одну отрасль, начинает меняться и все вокруг.

Вот, например, автопилоты. Машины становятся безопаснее, число аварий снижается, а значит, будет меняться и доходность автострахования. А это, между прочим, крупнейший сегмент розничного страхового рынка. Получается, что молодые, гибкие игроки смогут предлагать более дешевые и при этом выгодные для себя страховки.

Пока сложно предсказать, с какой скоростью такие изменения могут происходить. С одной стороны, кажется, что все будет постепенно меняться, за десяток лет. Но если вдруг, следующим шагом роботизации станет быстрый массовый переход от машин с рулем к машинам с AI, то это встряхнет весь рынок и запустит цепную реакцию изменений.

Думаю, что как раз в таких отраслевых обзорах можно находить идеи для новых продуктов или гипотезы для новых тестов.

Пятничные вести с полей вайб-экспериментов. Сегодня покажу небольшую игру, которую сделал для телефона и к ней же подключено удаленное управление через Websocket.

Игра простая, нужно загнать мячики (диски) в лунку. Есть несколько уровней и немного анимации, все на простых механиках.

Чтобы синхронизировать системы, я сначала попросил V0 написать документацию по API, а потом использовал еt на двух серверах, чтобы обеспечить синхронизацию между удаленным пультом управления и самой игрой.

Что полезного я вынес на этой неделе?

Документация отлично помогает, когда нужно синхронизировать две системы, написанные ИИ. ИИ хорошо понимает документы и старается следовать логике описанной в них.

Нужно заранее создавать тестовые условия или даже отдельные стенды, чтобы сразу видеть, что работает, а что нет. Без этого приходится разбираться в коде, и весь вайб-подход ломается.

Я использую внешнюю систему (сейчас это Grok), чтобы задавать вопросы по темам, которые хочу уточнить или в которых надо разобраться. Например, о том, как лучше синхронизировать работу двух систем через Websocket для удаленного управления в игре. Это помогает не засорять контекст V0 лишними рассуждениями. И, как мне кажется (тут нужно больше экспериментов), приводит к меньшему количеству ошибочных решение со стороны ИИ агента.

Рабочая версия игры доступна по адресу v0-mobile-game-development-orpin.vercel.app

Версия ролика на Ютубе https://youtu.be/rR25uMylTo4?si=q7IY9NCdzNy809Vn

Про опенспейсы и хороших руководителей. Раньше люди любили делать выводы на основе исследований, научных расчетов и статистики. Сейчас же чаще доминируют личные наблюдения и субъективные мнения. Поэтому мне нравятся старые работы, которые остаются обоснованными за счет цифр.

Например, работа Тома ДеМарко (Tom DeMarco) и Тимоти Листера (Timothy Lister) «Peopleware: Productive Projects and Teams». Она основана на исследовании, которые авторы проводили с 1977 по 1987 год. Книга вызвала интерес, и после первого издания в 1987 году вышло второе в 1999, а потом третье в 2013. То есть идеи и подходы книги выдержали проверку временем и остаются актуальными. На русском языке книга вышла в 2005 году под названием «Человеческий фактор. Успешные проекты и команды».

В исследовании авторы сравнивали работу более 600 программистов из 92 компаний. Они обнаружили, что сотрудники внутри одной компании работали примерно на одном уровне, а между организациями был огромный разрыв в производительности. И они предположили, что причина успеха не в опыте или оплате, а в организации рабочего пространства, уровне уединения и отсутствии отвлекающих факторов.

62% «лучших» программистов отмечали, что у них было достаточно уединенное рабочее место, а среди «худших» так считали только 19%. 76% «худших» часто отвлекались без необходимости, но только 38% «лучших» попадали в такую же ситуацию.

Авторы дают много рекомендаций по организации эффективной команды. Но мне нравится сама идея: эффективность во многом зависит не только от людей, но и от того, как организована их работа. Хороший менеджер может улучшить результат команды просто приняв правильные управленческие решения.

В общем, опенспейсы — зло для программистов, если нужна эффективность. Книга ДеМарко и Листера отличная и рекомендую ее почитать. Ну и читать книги вообще полезно, а это вы и так знаете.

Трудно осознать масштабы индустрии искусственного интеллекта. Но стоит взглянуть лишь на темпы роста одного из ключевых игроков — OpenAI, чтобы понять, насколько она стремительно развивается.

К 2033 году компания планирует создать сеть дата-центров, которые будут потреблять 250 гигаватт энергии. Для сравнения, если бы OpenAI уже сейчас имела такую мощность, она заняла бы седьмое место в мире по потреблению электроэнергии, опередив Францию, Южную Корею, Бразилию и Саудовскую Аравию. Индия сейчас потребляет как раз 250 250 гигаватт энергии.

Откуда возьмется эта энергия? Ядерная энергетика вряд ли подойдет, для выработки 250 ГВт потребуется около 250 новых реакторов. Их строительство обойдется в 12,5 триллиона долларов и потребуется от 15 лет на каждый объект.

Самый вероятный путь — это переход на солнечную и другие возобновляемые источники энергии. Они дешевле и быстрее внедряются. Уже сегодня в США по показателю LCOE (Levelized Cost of Electricity, учет полной стоимости энергии, включая строительство и эксплуатацию) солнечная генерация в полтора раза выгоднее газовой, вдвое дешевле угольной и втрое — атомной. И это даже без субсидий, которых, вероятно, больше не будет, но которые делают ее сейчас почти бесплатной.
Амбиции OpenAI многих впечатляют, кто-то сомневается, многие обсуждают.

Вот, например, статья Sam Altman Wants 250 Gigawatts of Power. Is That Possible? в The Information.

Интересная статья «Chimeric Talent: The Workforce AI Is Quietly Creating» про то, как AI, который мы привыкли считать просто технологией, трансформирует подход к человеческим ресурсам. В заголовке и тексте всплывает термин «химерический талант» (chimeric talent, от химеры, существа из мифов, собранной из кусков разных животных). Это про работников, которые с помощью AI могут быстро освоить новое. И вся традиционная модель найма, построенная на знании навыков, сейчас теряет актуальность, если человек за день может начать пользоваться тем, для чего ему раньше нужно было месяцы учебы.

«Химерический талант» — это новый способ мышления, позволяющий людям быстро преодолевать границы своих знаний. И это ставит бизнес перед новыми вопросами.

Первый вызов — непредсказуемость комбинаций навыков. Человек теперь может на лету учиться чему угодно, под задачу. Где раньше надо было звать коллегу, сейчас AI помогает сделать все самому. Это рушит привычную пирамиду знаний, где новичок традиционно знал меньше, чем старший специалист.

На мой взгляд, если вместо Homo Sapiens приходит Homo AI Integratus, то спрашивать на собеседованиях про предметные знания — это тупик. Многие компании продолжают задавать устаревшие вопросы на собеседованиях, но это путь в тупик. Новая реальность требует иного подхода.

Сотрудники активно используют ИИ. Но если компания не интегрировала ИИ в свои процессы, есть риск, что работники будут применять его только для упрощения своей работы и начнут искать другие места. Это не так просто, как кажется.В основе лежит проблема доверия и устаревшие подходы к ролям и компетенциям. «Химерический» специалист быстро учится новому, но будет ли компания его мотивировать? Или ему проще уйти туда, где его навыки лучше оценят?

Нам предстоит переобучение персонала, пересмотр мотивации, перестройка процессов. Знание бизнеса и контекста, в котором он существует, станет важнее, чем сейчас. Грубо говоря, теперь все могут бросать камень далеко, но ключевым становится понимание, куда его бросать. А для этого нужно видеть задачу целиком, учитывая факторы, которые часто нигде не прописаны.

И есть проблема в том, как нанимать таких людей, удерживать их и развивать. Компании, которые справятся с этим, получат серьезное преимущество. Но пока у большинства нет систем и подходов для управления этим.

Сегодня в качестве примера вайбкодинга Product Hypothesis Canvas. Это фреймворк, который я описал в 2020 году и позже выложил как шаблон на Miroverse.

Мне всегда нравилась идея одностраничных приложений и возможность подключать к ним LLM. В этом проекте я как раз экспериментировал с таким подходом. Подключил OpenAI и DeepSeek. Сейчас связка работает только с пользовательскими ключами, поэтому если захотите протестировать фреймворк, нужно будет добавить свои ключи в настройках.

Что оказалось особенно интересным после подключения моделей. Во-первых, использование LLM в ситуациях, где вы не загружаете много контента, выходит очень недорогим. За день экспериментов я не смог превысить порог в один потраченный цент. Речь именно об использовании моделей для задач фреймворка.

Во-вторых, в OpenAI есть лог запросов и его удобно использовать, чтобы просматривать историю и улучшать базовые промты. На практике качество ответов часто растет не за счет технических доработок в проекте, а именно благодаря правильной стратегии работы с промтами.

— Если хотите посмотреть версию V0, вот ссылка.
— А подробнее о фреймворке можно почитать на Medium.

Версия ролика на Ютубе https://youtu.be/AselbRU4N6U

Хочу напомнить о статье HBR «Make Decisions with a VC Mindset» про мышление успешных венчурных инвесторов. Для рутинных решений в предсказуемой среде такое мышление не нужно. Но в периоды высокой неопределенности компаниям полезно думать как венчурные капиталисты и быть готовыми к смелым решениям.

Я выписал для себя несколько идей, которые могут быть полезны и вашей компании.

Итак, какими навыками обладают венчурные компании, которых часто не хватает крупным корпорациям?

Готовность к неудачам. Венчурные инвесторы понимают, что часть проектов не сработает. И это не ошибка — это часть их бизнес-модели. Они не зацикливаются на страхе потерять деньги. Куда важнее — не упустить возможность, способную изменить компанию или целую отрасль.

Следовать приоритету личности над группой. Группы часто слишком быстро сходятся к одной идее, иногда даже не замечая этого. Особенно под влиянием старшего сотрудника или “эксперта”. Поэтому важно строить работу так, чтобы не допустить преждевременного согласия. Иногда достаточно одного человека за столом, чтобы заметить потенциал большой идеи — и его нужно услышать.

Полезно держать небольшие команды. Попросить участников заранее написать свое мнение, а на встрече первое слово дать младшим членам команды, чтобы их голос не потерялся.

Не стоит гоняйтесь за консенсусом. Компании, где требуется единогласное одобрение, часто теряют скорость, особенно в условиях высокой неопределенности и множества неизвестных. Исследования показывают: компании, инвесторы которых не стремятся к единому мнению, обычно достигают лучших результатов.

Стоит ценить критиков и тех, кто готов высказывать другое мнение. Если никто не возражает и не задает сложных вопросов, это часто сигнал, что в команде люди не мотивированы говорить правду.

Не надо тянуть с принятием решения. Месяцы обсуждений редко снижают риск. Лучше попробовать что-то сделать и корректировать по ходу.

Трудно представить, насколько глубоко индустрия искусственного интеллекта уже проникла в разные сферы экономики. Исследователи попытались визуализировать это — создали карту, показывающую масштаб и взаимосвязи.

Смотрите и скачивайте https://cartography-of-generative-ai.net/

В 2024 году вышла статья «Cultural bias and cultural alignment of large language models», в которой исследователи попытались понять, на кого в культурном плане похож ChatGPT. Иными словами, ответы людей из какой культуры он склонен воспроизводить.

Для анализа использовались данные World Values Survey и ответы трех версий GPT. Результаты показали, что модели ближе всего к обществам, которые описывают как WEIRD — Western, Educated, Industrialized, Rich, Democratic. Это, например, США, Канада и страны Западной Европы. При этом культурный уклон в GPT сохраняется от версии к версии. Даже прямые просьбы отвечать «как типичный житель другой страны» не устраняют предвзятость полностью.

С одной стороны это закономерно, любая модель отражает корпус текстов, на которых обучалась, и несет культурное наследие этой среды. Но исследователи отмечают, что игнорирование культурных различий может привести к неверной интерпретации данных и искаженным выводам, усиливая культурное неравенство.

Об всем этом стоит помнить, если вы используете LLM для общения с представителями других культур или там, где важно понимать культурный контекст.

У Google новый инструмент – Stitch. Он позволяет создавать дизайн макетов и работать с ними, как с графическими элементами.

Все еще не хватает возможности взять кнопку и перетащить ее в нужное место. Но можно выделить место и сказать, что с ним сделать или дорисовать карандашом контур объекта и Google постарается поставить то, что нарисовано. Ориентируясь на ограниченного количества вариантов дизайна, можно сделать предположение, что база, на которой училась модель, сильно связана с реальной кодовой базой (а конкретно с Tailwind CSS) и в это ограничивает варианты интерфейса. Т.е. создать что-то креативное не получится, но создать стандартное приложение или стандартный интерфейс вполне можно. И выглядеть это будет вполне достойно.

И недетерминированность ИИ иногда раздражает, потому что невозможно стабильно получать один и тот же результат при одинаковых промптах. Но при всем этом Google упорно движется в сторону создания полноценной интегрированной среды разработки, которая будет объединять в себе все – от дизайна до развертывания решений.

Попробуйте на https://stitch.withgoogle.com/