
В этой статье я поясню, как все эти принципы сочетаются, и покажу примеры использования их комбинации.
AI, ANN и иные формы искусственного разума
В этой статье я поясню, как все эти принципы сочетаются, и покажу примеры использования их комбинации.
🚀 Новая статья: От Intel 086 до нейросетей: исповедь охотника за бизнес-процессами
Почему отличные идеи застревают на бумаге? Почему стратегии теряются в дороге от менеджера до программиста? Проблема не в людях — проблема в инструментах.
🧠 Когнитивная нагрузка — главный враг эффективности. Исследования показывают: наш мозг может удерживать всего 4±1 элемента одновременно. А что мы ему даём? BPMN-схемы с сотнями элементов, UML-диаграммы для разработчиков, текстовые ТЗ, которые никто не дочитывает. Это не управление знаниями — это интеллектуальный терроризм.
Я работал бизнес-аналитиком на крупном предприятии. Описывал бизнес-процессы, улучшал зарплатные схемы, связывал руководителей и программистов. И понял: стандартные инструменты не работают. Они создают "испорченный телефон" — идея искажается на каждом этапе.
Решение оказалось неожиданным — язык ДРАКОН. Созданный в СССР Владимиром Паронджановым, он учитывает особенности человеческого восприятия. Принципы симультанизации (увидеть всю картину сразу) и эргономики делают сложное простым.
В статье я делюсь личным опытом:
✅ Как одна схема ДРАКОН заменила месяцы работы программистов.
✅ Как коллективное обсуждение схемы выявило разногласия между руководителями.
✅ Как непрофессионал создавал CRM-систему визуально.
✅ Как ДРАКОН стал единой платформой вместо BPMN+UML.
ДРАКОН — не просто язык. Это способ мышления, делающий бизнес управляемым. Он устраняет фрагментацию знаний, сокращает время на разработку на 40-60%, повышает качество решений.
Онлайн‑примерка одежды без масок и ручной разметки сегодня становится реальностью. OmniTry — диффузионный трансформер, который сам локализует объект на фото и сохраняет идентичность конкретного товара — от очков и серёжек до сумок и галстуков. В статье — разбираемся с двухэтапным обучением, «стиранием без следов» и собственным бенчмарком на 12 категорий предметов.
Исследователи из Корнеллского университета разработали процессор, который уже окрестили «микроволновым мозгом». Упрощённый чип работает по аналоговым принципам, а не цифровым. И может одновременно и сверхбыстро обрабатывать данные, используя принципы микроволновой связи.
ИИ уже делает то, что вчера казалось невозможным: придумывает новые ходы, решает задачи, которые десятилетиями считались неразрешимыми.
Он ускоряется — и уже самостоятельно (пусть пока не во всех областях, но тенденция очевидна).
Но даже если он работает «сам по себе» — он работает для нас. А если мы не вывозим его результаты или они обходят нас — что толку?
Отсюда ключевой вопрос, может преждевременный:
Упрётся ли ИИ в живое сознание и биологию?
В его поэтапность и инертность. В способность различать не сразу, а разворачиваться естественно.
Будет ли AI это учитывать — или просто обойдёт, жадно пожирая киловатты?
Почему роботы так часто зависают между пониманием и действием? Они видят чашку, но не знают, как обойти тарелку рядом и куда эту чашку поставить. Этот разрыв между зрением и действием — главный барьер на пути к по-настоящему автономным системам. Команда Embodied-R1 предлагает неожиданно простой и мощный выход: научить робота языку «указаний» — точкам и следам на картинке. Такой язык одинаково понятен и человеку, и машине, он напрямую связывает восприятие с действием, делая поведение робота предсказуемым, устойчивым и уверенным даже в незнакомых условиях.
В первой части этой статьи я создал аналог игры «Pong!» с помощью нейросети Qwen, которую сегодня некоторые обзорщики называют одной из лучших нейронок для разработки. Во второй части мы с Qwen создали небольшой платформер. Не без проблем, но в целом справились. А вот для третьей части статьи я приготовил особое задание, которое кажется невыполнимым – создать клона «Героев Меча и магии 3», который бы отражал основные механики оригинальной игры. В конце статьи я добавлю ссылку на то, что у меня получилось, чтобы вы смогли сами оценить результат.
Промпт был такой:
Давай создадим упрощенный клон игры "Герои меча и магии 3". Должны присутствовать три основных механики. 1. Перемещение по карте мира и сбор ресурсов/бой с монстрами 2. Боевая механика аналогично Героям 3. 3. Отстройка города.
Получилось интересно и несколько неожиданно.
Kingsoft — это крупная китайская корпорация, занимающаяся производством программного обеспечения как для B2B, так и для B2C сегментов. Также компания развивает облачные сервисы и искусственный интеллект. Центры обработки данных Kingsoft распределены по нескольким странам Азии. Крупный дата-центр есть и в Северной Америке.
После релиза GPT-OSS-20B от OpenAI было много новостей, но конкретных бенчмарков с реальными цифрами я так и не нашел.
Решил выжать из модели максимум на H100 PCIe 80GB. Что получилось: до 60K токенов/сек c 91% загрузка GPU. Внутри пишу, как я это сделал по шагам!
Всем привет!
Я сделал CLI-инструмент для быстрой "фундаменталки" по акциям с добавочной аналитикой из 10-K через LLM. Он тянет данные из Yahoo Finance, дочитывает 10-K (edgartools + LLM), корректирует EV по fair-value, только страховщиков оценивает по "флоуту", делает SOTP по операционным сегментам и на базе квартилей выдаёт сигналы "КУПИ/ПРОДАЙ/НЕОПРЕДЕЛЁННО" - по метрикам, по группе и общий. Использует метрики: Forward P/E, P/FCF, EV/EBITDA.
Пример запуска:
OpenAi на острие развития ИИ. Его проблемы, это проблемы всей отрасли ИИ.
ChatGPT 5 это провал? Если учесть, что почти то же самое было в chatGPT 4о, скорее всего да. Но что это значит для будущего ИИ?
Alibaba (у которых Qwen, AliExpress и Tmall) на днях представила Qoder — свою пока бесплатную альтернативу Cursor.
Я успел провести с ним сегодня свой рабочий день, и вот мои впечатления. Сравнивать его я буду с Windsurf, т.к. им пользовался дольше остальных.
Самая цитируемая статистика из нового отчёта MIT оказалась сильно искажённой. Пока заголовки утверждают, что «95% пилотов генеративного ИИ в компаниях проваливаются», сам документ раскрывает нечто куда более поразительное: самое стремительное и успешное внедрение корпоративной технологии в истории разворачивается прямо у руководителей под носом.
Агент с лицензией на ошибку
Как ломают ИИ-агентов. Часть 1: Кейс с Operator ChatGPT
В 2025 году ИИ-агенты стали настоящим медиа-феноменом. Ну а нас больше всего интересует вопрос уязвимости таких систем: у агентов все больше возможностей, а значит и поверхностей атаки. Наша команда работала над отчетом OWASP State of Agentic AI Security and Governance, где был раздел об инцидентах, который не попал в финальную версию отчета. Поэтому несколько инцидентов я хотел бы разобрать в серии статей. Кейс, рассмотренный в этой статье, показывает новый класс угроз, присущих именно автономным ИИ-агентам, и эта проблема носит системный характер, а не является единичным багом.
Прошло уже две недели после выхода долгожданной GPT-5, которая, как казалось, должна была стать одной из главных вех в развитии AI индустрии. Но не стала - как бы ни оценивали эту модель, пессимистично или оптимистично, остается очевидным, что принципиальной разницы между ней и o4-mini, и даже DeepSeek R1 0528, нет - если говорить о качественном кратном отличии, которое ключевым образом меняло бы приложение этого AI к реальным задачам. Поэтому и воспринята новая модель была с разочарованием.
Справедливости ради стоит отметить, что как одна из многих GPT-5 - достаточно хорошая модель, точнее, несколько моделей в составе мультиагентной системы - подробнее об этом ниже.
Слушай, друг, давай без лишних церемоний. Знаю, что заголовок звучит как очередная паникёрская статейка про то, как ИИ всех уничтожит. И да, понимаю — скорее всего, ты сюда зашёл с лёгким холодком в животе. Мол, блин, а что если правда? Что если завтра утром мне скажут: «Спасибо, Вася, но у нас теперь есть ChatGPT-менеджер»?
Расслабься. Налей себе чай (или что покрепче, если уже вечер), и давай поговорим по душам.
Страх — это нормально, но паника — нет
Я тоже проектный менеджер. За плечами больше 15 лет в проектах и бизнесе, видел взлёты и падения десятков проектов, руководил командами от 5 до 50 человек. И знаешь что? Когда десяток лет назад все начали кричать про ИИ, у меня тоже ёкнуло сердце. Думаю: «А что, если эти алгоритмы действительно умнее меня?»
Но потом я посмотрел на свой последний проект. Помнишь те моменты, когда заказчик звонит в пятницу вечером и говорит: «А давайте всё переделаем, у меня идея»? Или когда два твоих лучших разработчика не разговаривают друг с другом из-за спора о том, какой фреймворк использовать? А может, ты помнишь тот раз, когда проект буксовал месяц, а потом за одну встречу с клиентом всё встало на свои места?
Вот тут-то я и понял: заголовок этой статьи — полная чушь.
Почему ИИ не заменит проектных менеджеров
Человеческий фактор доверия
Представь: ты приходишь к новому клиенту на первую встречу. Садишься напротив него, смотришь в глаза и говоришь: «Слушай, я понимаю, что у тебя сейчас каша в голове с этим проектом. Давай разберёмся вместе». И видишь, как у него расслабляются плечи.
Когда ChatGPT или Gemini дают, казалось бы, экспертный ответ на ваши насущные вопросы, вы можете не осознавать, на каком объёме информации он основан. Как и другие популярные генеративные модели искусственного интеллекта (ИИ), эти чат-боты опираются на базовые (foundation) модели, обученные на миллиардах или даже триллионах данных.
Аналогичным образом инженеры надеются создать базовые модели, которые обучат различные роботы новым навыкам — например, поднимать, перемещать и класть объекты в таких местах, как дома и фабрики. Проблема в том, что собирать и передавать учебные данные между разными роботами сложно. Можно обучить систему, телеманипулируя оборудованием пошагово с использованием технологий вроде виртуальной реальности (VR), но это отнимает много времени. Обучение на интернет-видео менее эффективно, поскольку они не предоставляют пошагового специализированного объяснения задач для конкретных роботов.
Подход, основанный на симуляции, под названием PhysicsGen от Лаборатории компьютерных наук и искусственного интеллекта (CSAIL) MIT и Института робототехники и ИИ, адаптирует тренировочные данные для роботов, чтобы помочь им находить наиболее эффективные движения для задачи. Система может превратить несколько десятков VR-демонстраций почти в 3000 симуляций на каждую машину. Эти высококачественные инструкции затем сопоставляются с точной конфигурацией механических систем, таких как роботизированные руки и манипуляторы.
PhysicsGen создаёт данные, которые обобщаются под конкретные роботы и условия, используя трёхэтапный процесс. Сначала гарнитура VR отслеживает, как человек манипулирует объектами, например, кубиками, используя свои руки. Эти взаимодействия одновременно отображаются в 3D-физическом симуляторе, визуализируя ключевые точки на руках в виде маленьких сфер, которые повторяют жесты. Например, если вы перевернёте игрушку, вы увидите 3D-фигуры, представляющие различные части ваших рук, вращающие виртуальную версию объекта.
Вторая статья специалиста по архитектуре ИТ-систем и трансформации ИТ-ландшафта Дениса Прилепского из серии «Строим корпоративную GenAI-платформу: от концепции до ROI». На этот раз он разбирает GenAI «под капотом» и шаг за шагом выстраивает корпоративную платформу, которая превращает хайп вокруг ИИ в реальные результаты для бизнеса.
Несколько лет минуло с того момента, как я опубликовал статью «Сознание и тезис Макса Фрая», довольно тепло принятую сообществом Хабра.
В той статье, чтобы исследовать сознание методами математики, я использовал одну "техническую" аксиому. Была она проста, невзрачна и банальна. И далеко не сразу удалось разглядеть онтологический динамит, коим она оказалось под завязку начинена.
Привет! Это Маша Синдеева, научный сотрудник группы дизайна белков AIRI. Основное направление нашей группы — это разработка ИИ‑моделей для задач, связанных с дизайном белков.
В этом посте я постараюсь рассказать о том, что такое белки, как устроен процесс их дизайна, и как с этим может помочь наша новая статья AFToolkit: a framework for molecular modeling of proteins with AlphaFold‑derived representations, которая вышла в журнале Briefings in Bioinformatics, и которую мы написали вместе с ребятами из группы органической химии AIRI.