Вечером 29 октября Intel отчиталась лучше ожиданий и заработала 52 цента на акцию при прогнозе аналитиков в 41 цент. На следующий день ее акции потеряли почти 29 %. Это худший день Intel за всю историю наблюдений с 1973 года — в дни краха доткомов падение было меньше. За одну сессию сгорело больше 100 млрд долларов капитализации.
Ударил по Intel ИИ-бум, на котором она сама неплохо зарабатывает. Серверные процессоры для агентных нагрузок продаются у нее лучше, чем когда-либо за последние 15 лет. Однако главный бизнес компании — процессоры для ПК, а их рынок душит цена на память. Дата-центры скупают ее, она дорожает, ноутбуки дорожают вслед за ней, и покупатели откладывают обновление. Intel ожидает, что рынок ПК сократится на 12% в 2026 году и еще на 10% в 2027-м. Вдобавок — остановка завода в Израиле, нехватка кремниевых пластин и предупреждение, что денежный поток по итогам года уйдет в минус.
К вечеру пятницы ленты блогеров и телеграм-каналов заполнились заголовками в духе «китайский рынок сгорел дотла» и «Америка рухнула безвозвратно». Цифры рисуют куда более скромную картину. Технологический Nasdaq-100 отступил примерно на 10% от рекорда, поставленного в начале октября, широкий S&P 500 — всего на несколько процентов, промышленный индекс Доу-Джонса до последнего дня шёл к росту по итогам октября, а Intel даже после обвала стоит дороже, чем в январе. Китайский рынок пострадал сильнее, но и там сдувается перегретый ИИ-сектор, а государство скупает акции, чтобы остановить падение.
Сегодня ночью 8 из 11 членов TOC CNCF проголосовали за перевод Cozystack из Sandbox в Incubating, против — никого (по крайней мере, пока). Голосование формально ещё открыто, необходимо, чтобы бот-голосовальщик подвел итоги, а делает он это один раз в сутки. Кстати, голосование было запущено в пятницу вечером, то есть кворум набрался буквально за пару суток.
ИИ уже умеет писать код, работать с данными и выполнять задачи, для которых раньше требовался отдельный SaaS. За что теперь платить клиенту, если нужную функцию можно собрать с помощью ИИ? И как SaaS-компаниям сохранить конкурентоспособность, когда привычные преимущества перестают работать?
Итан Сигел (американский астрофизик‑теоретик и научный журналист, автор рубрики «Спросите Итана», один из пропагандистов современных научных знаний), сделал статью с минимальным количеством слов и множеством картинок на тему: как далеко можно долететь с ускорением 1g (ускорение свободного падения на Земле: 9,8 м/с2)?
@avshkol перевел эту статью, чтобы обсудить возможность добраться до ближайших звезд за какие-то там... n лет. Заодно и гравитация земная. Отличная тема для понедельника!
Энтропия в физике - это мера того, насколько естественно система переходит от более упорядоченного состояния к менее упорядоченному и более вероятному. Проще говоря, без внешних усилий порядок обычно не сохраняется сам собой. Колода карт, брошенная на ветер, разлетается, а не собирается обратно. Яйцо, упав на пол, разбивается, а не восстанавливается. Именно поэтому многие процессы в мире идут только в одну сторону: из прошлого в будущее. В этом смысле рост энтропии связан со стрелой времени.
Часто энтропию объясняют как движение от порядка к беспорядку. Это не совсем строгое, но удобное упрощение. Смысл в том, что беспорядочных состояний обычно гораздо больше, чем упорядоченных, поэтому система естественным образом скорее приходит именно к ним. Чтобы сохранять порядок, как правило, нужны энергия, контроль и усилия. Дом не становится чище сам по себе: чтобы в нём был порядок, нужно постоянно тратить время и силы.
Как попасть в ответы нейросетей? Первым делом вам посоветуют дать ответ в первых строках страницы, а это значит браться за начало каждой страницы на сайте. Search Engine Journal пересказал анализ TJ Robertson из агентства TJ Digital на 193 507 ответах ChatGPT и ИИ-ответов Google (AI Mode и AI Overviews): процитированные страницы и правда чаще начинались с прямого ответа. Но против страниц, которые ИИ нашёл и не стал цитировать, разрыв небольшой, а сам Robertson считает это связью и причиной не называет. Переписывать весь сайт рано: сначала стоит проверить начало важных страниц, каждую по её целевому вопросу. Я опираюсь на логи замера ответов ИИ-моделей и аудит цитируемости страниц, так что для меня это рабочая задача.
Есть вещи посильнее “Фауста” Гёте. Есть вещи побыстрее Rust – новый ЯП Goose. Он же и помедленнее. Зависит от контекста.
В типичных публикациях феномен подаётся так: “ИИ написал язык Goose – быстрее C++ и Rust”. Под катом – магия в деталях с частичным последующим разоблачением.
Разобрал по сырым ответам API Gemini 3 Flash и gpt-5-mini, какие поисковые подзапросы реально отправляют языковые модели перед тем, как включить компанию в список рекомендаций.
Если отправлять запросы о поиске подрядчиков через API с веб-поиском, в полях groundingMetadata.webSearchQueries и web_search_call возвращается массив поисковых запросов, которые агент сгенерировал «под капотом». Прогнав 200 запросов по строительству, производству и опту, выделил три паттерна работы поисковых рантаймов.
1. Веер подзапросов и пробивка по налоговому номеру
Модель не ищет вопрос целиком — работает механизм Query Fan-Out. Вопрос распадается на 3–4 коротких запроса:
{
"prompt": "Расскажи про компанию АРоботикс Инжиниринг",
"queries": [
"АРоботикс Инжиниринг Беларусь информация о компании",
"ARobotics Engineering Belarus company profile",
"УНП 693338772 АРоботикс Инжиниринг реестр"
]
}
Как только на первом шаге агент цепляет в сниппете 9 цифр УНП или ИНН, он автоматически запускает второй шаг поиска строго по налоговому номеру, чтобы не смешать одноимённые ООО и сверить статус юрлица по реестрам.
2. Недоверие к самоописанию и верификация сущности
Даже если сайт компании стоит первым в органике, модель подтягивает в ответ от 3 до 6 независимых доменов. Текст на своём сайте для алгоритма — неподтверждённое самоописание, а в госрегистрах деятельность часто записана общей строкой по ОКЭД.
Чтобы пройти фильтр достоверности в RAG-системах, вокруг юрлица выстраивается следующая архитектура данных:
— Создание цифрового паспорта компании — стандартизированного открытого профиля юридического лица, где объединены официальный статус организации в государственных реестрах, налоговый номер, подтверждённый домен, реальная специализация, перечень услуг и контакты в машиночитаемом виде.
— Связный граф Schema.org в JSON-LD. На сайте в узле Organization указываются legalName, taxID и массив sameAs со ссылками на внешние реестры, цифровой паспорт компании и карточки на картах.
— Синхронизация реквизитов. Название, адрес, телефон и перечень услуг должны совпадать на сайте, в цифровом паспорте компании, в Яндекс Бизнесе и отраслевых подборках.
3. Тайм-ауты парсинга и Accept: text/markdown
На сбор контекста у краулеров OAI-SearchBot, PerplexityBot и YandexAdditional есть 2–3 секунды. Лендинг на 200 КБ клиентского JS часто режется парсером. Что помогает ботам:
— Отдача чистого Markdown и /llms.txt. Поддержка заголовка Accept: text/markdown и /llms.txt в корне домена снижают расход токенов парсера в 8–10 раз.
— Цифры вместо воды. По данным Принстонского университета на ACM SIGKDD, числовые параметры, прайсы и ГОСТы повышают видимость в ответах ИИ на 37%, а проверяемые источники — на 30–40%.
Кто уже смотрел в access.log приходы OAI-SearchBot или YandexAdditional — какие разделы они обходят чаще всего?
Новейший тренд в технологиях машинного обучения — так называемые «персональные ассистенты», AI-агенты вроде Muse от Meta* и Dots от OpenAI. Это вторая волна подобных программ, после первой волны ассистентов, включая OpenClaw, Instinct и проч. Агенты нового поколения приходят на смену чатботам прошлого, не имеющим продвинутой памяти и доступа к персональным данным пользователя.
К сожалению, сбор данных со стороны крупных IT-корпораций увеличивает риски для приватности пользователей. И первый мониторинг активности AI-агентов подтвердил худшие опасения.
Я тимлид, который умеет нанимать, но не умеет искать работу. Поэтому я нанял для этого ИИ-агента: он живёт в моём браузере, мониторит вакансии, пишет сопроводительные письма и пинает меня по расписанию. Дневник первой недели эксперимента — что получилось, где агент сел в лужу и почему финальное «отправить» всё равно остаётся за человеком.
К концу 2026 года Claude Code перестал быть экзотикой: CLI-агент от Anthropic генерирует всё на свете — видео, сайты, приложения, скрипты, статьи — и закрывает заметную часть инженерной рутины. Одни называют его лучшим, что случилось с разработкой за последние годы; другие указывают на лимиты, которые заканчиваются быстрее, чем ожидалось, жалуются на решения, которые агент принимает без спроса, и на очередную волну блокировок аккаунтов.
Статья для тех, кто не сразу нырнул в ИИ-сферу и до сих пор копирует код из браузера в IDE, а теперь хочет понять, что за зверь такой Claude Code.
В этой статье я расскажу как им пользоваться, почему пара часов вместо пары дней — на самом деле реальный сценарий, но только для небольшой фичи или сервиса, оговорю это сразу. Разберём, что настроить до первого запуска, как описать проект, чтобы агент не угадывал команды, и в какой момент пора остановиться и проверить всё руками. А также разберем конкретные инструменты и нововведения Claude Code - скиллы, агенты и MCP. Они распространяются и на другие альтернативы, будь то Codex или OpenCode, но Claude Code остается эталоном, на его примере и разберем.
Потом обнаружилось, что это долго, нудно и мешает личной жизни.
Так появился "литературный призрак" – человек, который пишет книги, чтобы писателем считался другой. В старину называли их литературными неграми, но в век толерантности теперь называем их по другому, как, например, в нашем заголовке или в начале этого абзаца.
Первый получал деньги, второй славу.
Со временем слава стала обходиться дороже, а труд дешевле.
Наконец появился искусственный интеллект.
И литература впервые получила возможность обходиться без литераторов.
И без читателей.
Посмотрим в анекдотах, как проходила эта эволюция, с давних времен до сегодняшних.
Мини проект климат контроля температуры, влажности.
Проект представляет собой автономный модуль климат‑контроля на ESP32‑C3, который считывает данные с AHT10 по I2C и передает их в браузер через WebSocket, работая как собственная точка доступа.
В апреле 2026 года хактивисты атаковали ИТ-компанию, которая предоставляет услуги коммерческого облака. Десятки серверов виртуализации с сотнями виртуальных машин вышли из строя, а корпоративный репозиторий с проектами компании был уничтожен. Такое воздействие может привести к тому, что компания не сможет дальше оказывать услуги, и даже к уничтожению продуктовых серверов ее клиентов.
Человек выполнит то, что ему скажут сделать. Человек сделает это быстрее, если потребовать это от него. Это базовые основы менеджмента, которые работают.
Но насколько эффективно иметь такого исполнителя?
Человеческий мозг - это сложное сочетание биологических инстинктов, гормонов эмоций, анализа и самоанализа, логических (и не очень) механизмов принятия решений. Правильное функционирование такого широкого спектра нейробиологических механизмов делает человека эффективным генератором конечного продукта.
Но что происходит с мозгом, если ему отдан приказ сделать что-то? А если приказ приукрасить угрозой?
Все сложные механизмы мышления мозга отключаются. Он переходит в стрессовый режим работы - рядом опасность! И экстренно делает работу, опираясь на примитивные инстинктивные алгоритмы выживания. Да, офисный сотрудник в критический момент делает свою работу на тех же "рельсах", что и древний человек при появлении опасного хищника возле себя.
Но древнему человеку с копьем не нужно было выполнять глубокий анализ информации, продумывать сложные процессы, архитектуру приложения. Бей-беги и прочие простейшие алгоритмы молниеносно срабатывали в мозгу и спасали человека тысячелетиями.
Организация труда в таком режиме - управление через стресс. Это позволяет решить возникшую проблему быстро и некачественно. Но не стоит ожидать продуманного решения от человека, который находится в таком режиме. К тому же, человеческий мозг не предназначен для постоянной работы под кортизолом - это переходит в хронический стресс и апатию. По простому - к выгоранию.
У меня было 16 моделей, 7 поисковых инструментов, 2 провайдера ai моделей, одна компания и целая куча вопросов о том, как же ИИ модели ищут информацию о компаниях в интернете. Что находят, как обрабатывают найденное, какие делают выводы и как на это повлиять.
Для начала — немного о моём бэкграунде. Я сервисный инженер с 18-летним стажем. Инженер не в том значении, которое стало особенно популярным в последнее время, а тот самый, такой слесарь Михалыч с завода, только с двумя незаконченными высшими и техническим английским. Инструментарий у меня — не Python, venv и VS Code, а вполне осязаемые ключи, отвёртки, мультиметры и прочие осциллографы.
Однажды возникла мысль сделать себе приспособление для некоторых целей. Какое именно и зачем — не важно, расскажу как-нибудь потом.
Вообще у Михалычей это любимое развлечение — делать себе специальные инструменты. Рекомендую старые выпуски Доктора Дью: в них раскрывается вся глубина таких развлечений. А раз появилась идея, надо её реализовать.
Пойти я решил следующим путём: подключить к ESP32 набор датчиков, собирать с них данные и отображать всё через веб-интерфейс. Каких датчиков и что собирать — в данном контексте не важно, потому что подключить датчик не проблема, разобраться, как он работает, тоже. Получить работающую прошивку — в теории… так же. Но, как всегда, есть нюанс, причём неожиданный: описание платы у продавца на Алиэкспресс.
ESP32-S3 имеет несколько типов, отличающихся конфигурацией Flash и внешней PSRAM. Если неправильно указать параметры памяти — прошивка улетает в циклическую перезагрузку. И вы думаете, я об этом знал? Нет, конечно, откуда? В результате потратил пару дней, переписывая прошивку и пытаясь понять, что, собственно, происходит. А тут ещё у Хабра эти курсы про прикладной ИИ.
А теперь вернёмся к низкому порогу входа в разработку.
И порог действительно низкий. Судя по мне, ниже уже некуда.
Если бы я решил написать эту программу самостоятельно, мне пришлось бы сначала освоить Python. А это в моём случае, видимо, невозможно в силу объективных причин, поэтому в процессе я так и не стал Python-разработчиком.
И вот на этом этапе я вполне понимаю чувства, которые возникают у разработчиков, когда речь заходит о вайбкодинге. Я испытываю аналогичные чувства, когда в «мою» технику лезут «кулибины» и «мастера золотые руки».
Но есть и другая сторона.
В обычной практике получить инструмент, который я хочу сделать, — это либо заплатить за готовое оборудование порядка двух-трёх тысяч евро, либо продолжать тратить собственное время на диагностику по косвенным признакам.
И тут ИИ-разработка даёт хороший инструмент для достижения результатов, которые в обычной жизни были бы мне практически недоступны.
Я не стал программистом. Я не могу самостоятельно написать такой проект с нуля. Но в итоге я его получил. И появляется вопрос: низкий порог входа в разработку — это действительно плохо?
Ведь если инструмент позволяет специалисту из другой области самостоятельно создавать программы для решения собственных задач, то, возможно, нет. Возможно, теперь гораздо больше людей могут позволить себе создавать инструменты, которые раньше им оставалось только покупать или обходиться без них.
Российский геймдев подарил миру множество подлинных шедевров. Однако судьба многих игр была далеко не самой радостной. Даже несмотря на колоссальный успех, в том числе коммерческий, игры во многом канули в Лету. И часто проблема была в том, что шедевр создавался энтузиастами, продолжался серьёзными ремесленниками, а потом переходил в управление коммерческих работяг, которые не сохраняли ничего из духа оригинальной игры. Так что сегодня мы будем говорить про создание, триумф и провал одной из самых ярких русских игр начала нулевых годов.
Встречайте историю великой игры Ex Machina. Нет, скорее Великой игры — с большой буквы. Ведь это чудо 2005 года до сих пор играбельно и способно доставить море удовольствия, причём не только ностальгирующим «старичкам», но и новым игрокам, даже если они родились в год выхода игры. В этом тексте мы будем говорить только про первую часть игры, слишком уж большим выходит рассказ, о второй части и том ужасе, которым является третья - мы поговорим, возможно, отдельно.
У этого текста две независимые части. Первая полностью посвящена истории создания игры. Вторая — геймплею. Каждую из частей можно читать в отрыве от остального текста.
Сооснователь компании OpenAI, экс-директор по ИИ и бывший глава отдела разработки автопилота Tesla Андрей Карпаты продолжает заниматься вайб-программированием и представил ИИ-проект HackerTube - клон YouTube только с видео с рекомендациями из Hacker News.
Всем привет! В предыдущей статье мы с вами разобрали обычную проблему C++: десять потоков увеличивают общий счётчик, но из-за гонки данных программа может работать неправильно.
В Rust мы с вами постараемся решить ту же самую задачу.
Главное отличие заключается не в том, что Rust умеет создавать потоки каким-то лучшим способом, а дело в модели владения и системе типов: компилятор не позволяет безопасному коду произвольно разделять изменяемые данные между потоками.
Но это кстати и не значит, что Rust автоматически исправляет любую ошибку в многопоточности. Логические ошибки, взаимные блокировки и неправильная синхронизация по-прежнему возможны.
Будем разбираться с вами на практических примерах.
