Искусственный интеллект

Возможно, вы не знакомы со словом «кланкер». Оно появилось во франшизе «Звёздные войны», но недавно вошло в лексикон как общий уничижительный термин для обозначения искусственного интеллекта и роботов.

В вирусных видеороликах в TikTok и Instagram люди используют это слово, чтобы выразить своё недовольство всем подряд: от мусора из ИИ, заполонившего интернет, до галлюцинаций чат‑ботов и откровенно антиутопических применений этой технологии.

Данные Google Trends показывают, что этим летом резко возрос интерес к слову «clanker», особенно в Австралии, Китае и США.

Глобальная негативная реакция на ИИ накапливалась в слоях общества, но сейчас она набрала достаточный размах, чтобы у детей возникло порицание по этому поводу. И это не показывает никаких признаков замедления.

Это была непростая неделя для отрасли.

В отчёте Массачусетского технологического института говорится, что 95% опрошенных компаний не получили прибыли от инвестиций в генеративный ИИ.

Это дополняет более раннее исследование McKinsey, согласно которому, хотя почти восемь из десяти компаний используют генеративный ИИ, столько же сообщают об «отсутствии существенного влияния на прибыль».

Акции технологических компаний по всему миру упали.

Но эта волатильность не отражает нюансов исследования или того, насколько рано мы спешим внедрять эту технологию.

Потребительская усталость нарастает уже давно.

Исследования показали, что упоминание «ИИ» в маркетинговых материалах может на самом деле отпугнуть покупателей.

Попробовал все актуальные на сегодняшний день сети и провёл их бенчмарк на приближенным к реалиям задачах.

Mock-сервисы (или мок-сервисы) — это программные компоненты, которые имитируют поведение реальных сервисов, систем или зависимостей в процессе разработки и тестирования приложений. А мы сделали свой.

В системах интеллектуальной обработки документов корректность извлечения данных — это лишь половина дела. Гораздо важнее, чтобы при скачке нагрузки сервис не превратился в бутылочное горлышко.

В этой статье расскажем, как мы:

● автоматизировали нагрузочное тестирование, сократив ручную работу инженеров на 85%;
● встроили стресс-тесты в CI/CD, чтобы каждая фича доказывала свою устойчивость перед релизом;
● научились предсказывать поведение системы не на глаз, а по данным — даже при росте объемов в несколько раз.

Дэвид Истман, разработчик ПО для Oracle Corp. и British Telecom, тестирует ИИ-инструмент для кодинга под названием Bolt. Совместно с ИИ-ассистентом он пробует разработать простенький проект блога, попутно рассуждая о сильных сторонах, ошибках и нюансах сервиса. Статья будет полезна новичкам и желающим приобщиться к вайб-кодингу работе с ИИ-помощниками.

Привет! Это новый выпуск «Нейро-дайджеста» — коротких и полезных обзоров ключевых событий в мире искусственного интеллекта и технологий.

Неделя выдалась интересной: Anthropic расширила контекст Claude Sonnet до миллиона токенов, Google выкатил Imagen 4, а Qwen добавили полноценный ИИ-фотошоп на базе своей модели. Энтузиасты делают нейро-читы для CS а Илон собрался судиться с Apple.

Всё самое важное — в одном месте.

Когда-то я посмотрел очень полезное видео про ML, где для аналогии нейронной сети приводилось понятие архиватора. Помню меня это впечатлило и определённо расширило кругозор. Странно, почему тогда я сразу не перенёс это на людей – скорее всего потому, что принято брать мозг за эталон и с него примерять разные наряды на искусственные нейронные сети, а не наоборот.

Сколько людей вы знаете, которые говорят: — Я работаю уже десять лет, но понимаю, что это вообще не моё. 

Это происходит постоянно. Человек учится в бакалавриате, устраивается на первую работу, несколько лет работает, понимает, что не нравится, пробует другое место, потом ещё одно… И только к 35-40 годам начинает осознавать, что ему действительно интересно. 
Проблема в том, что мир меняется слишком быстро, чтобы позволить себе такой долгий процесс поиска. 

Но что, если можно сжать этот путь до двух лет?

В статье Measuring AI Ability to Complete Long Software Tasks (Kwa & West и др., 2025) команда METR ввела понятие 50% time horizon модели: это длительность задачи (в пересчете на время выполнения профессиональным подготовленным человеком), которую модель может автономно завершить с вероятностью 50%. Мы оценили time horizon у флагманских моделей, выпущенных с 2019 года, на бенчмарке, объединяющем три набора задач в области программирования и исследований, с длительностью от 1 секунды до 16 часов для человека (HCAST, RE-Bench и SWAA; далее — METR-HRS). METR обнаружила, что time horizon удваивается каждые 7 месяцев, с возможным ускорением до 4 месяцев в 2024 году.

Существенным ограничением того анализа был домен задач: все они относились к программной инженерии или исследовательской деятельности, в то время как известно, что способности AI значительно варьируются между типами задач^[1]. В этом исследовании мы рассматриваем, сохраняются ли аналогичные тренды к другим типам задач, включая автономное вождение и агентное использование компьютера, применяя методологию, позволяющую оценивать time horizon на менее детализированных данных. Данные для многих из этих бенчмарков менее надежны по сравнению с оригинальной работой, и результаты по каждому отдельному бенчмарку следует трактовать как шумные. Однако в совокупности они демонстрируют схожую динамику.

Домен программного обеспечения и reasoning-задач — таких как научные QA (GPQA), математические соревнования (MATH, Mock AIME), полуреалистичные задачи по программированию (METR-HRS) и соревновательное программирование (LiveCodeBench) — показывает time horizon в диапазоне 50–200+ минут, который в настоящее время удваивается каждые 2–6 месяцев. Таким образом, ~100-минутные time horizons и ~4-месячное время удвоения, наблюдавшиеся на METR-HRS в исходной работе, скорее всего, не являются исключением.

Раньше от подобных проектов мы отказывались, так как для высокой точности требовалась команда дизайнеров, ручная ретушь, а результат стоил как крыло самолёта. Иначе картинки получались с артефактами, как на примере с обложки.

Сегодня нейросети меняют города, фоны и детали кадра с почти фотографической точностью. 

Разберём, как современные инструменты генерации сократили путь от идеи до результата в десятки раз.

В 2025 году Рунет предлагает огромные возможности для пассивного заработка через SEO и рекламу. Эта статья - полное руководство по созданию сети PBN-сайтов (Private Blog Network) на основе ИИ-генерированного контента. Вы узнаете, как выбрать нишу, найти дроп-домены, настроить инфраструктуру, автоматизировать генерацию тысяч уникальных статей, размещать ссылки без рисков санкций и монетизировать трафик через РСЯ или партнерские программы. С пошаговым планом, чек-листом и реальными примерами, это пособие поможет запустить сеть с бюджетом от 50 000 рублей и достичь дохода в 50 000-200 000 рублей в месяц. Идеально для SEO-специалистов, вебмастеров и новичков, желающих освоить тактики продвижения в Рунете.

Пошаговое руководство по созданию сервиса «ИИ Ангел‑Хранитель» на связке Lovable + ProTalk. Запуск за 1 день с доходом в 30% с каждого пользователя.

Что вы построите:

Лендинг собирает анкету → в Google Sheets считается психологический профиль → по API создаётся кабинет и бот в ProTalk → бот в Telegram персонализирован под профиль пользователя → бот присылает ссылку на подписку и работает автономно. Пользователь может вообще не заходить в ProTalk — ему достаточно общения с ботом. (ProTalk официально поддерживает Telegram‑ботов и подписки/регулярные платежи в настройках бота.)

← Предыдущая глава | 

Какие существуют подходы к обучению на нескольких GPU и в чем их сильные и слабые стороны?

Подходы к обучению на нескольких GPU можно разделить на две группы: разделение данных для параллельной обработки несколькими GPU и разделение модели по нескольким GPU для преодоления ограничений памяти, когда размер модели превышает возможности одной видеокарты. Параллелизм данных попадает в первую категорию, в то время как тензорный параллелизм и параллелизм моделей попадают во вторую. Такие подходы как конвейерный параллелизм, объединяют идеи из обеих категорий. В дополнение, современные программные реализации, такие как DeepSpeed, Colossal AI и другие смешивают различие техники в гибридные подходы.

В этой главе мы рассмотрим несколько подходов к обучению и поделимся рекомендациями по их эффективному применению на практике.

В этой главе мы в основном говорим о графических процессорах (GPU), чтобы описать аппаратное обеспечение, используемые для параллельной обработки. Однако те же концепции и техники, можно применять к другим специализированным устройствам, таким как тензорные процессоры (TPU) или другие ускорители, в зависимости от конкретной архитектуры и требований системы.

На горизонте появились новые архитектуры агентов, свежие подходы к памяти и даже попытка описать гравитацию с помощью нейросетей. ИИ постепенно становится новой средой для науки, экономики и цифровой жизни. Малые языковые модели бросают вызов гигантам, интернет готовится к эре автономных агентов, а когнитивные подходы открывают дорогу к системам, которые думают не токенами, а концептами. Давайте во всем этом разбираться.

Я решил проверить, как популярные генераторы изображений справляются с одной и той же задачей: сделать фотореалистичный женский вариант известного персонажа игры. Участники: GPT (DALL·E), Gemini, Qwen и «Шедеврум» (Яндекс).

Привет, Хабр! Какое‑то время назад, в процессе изучения bash‑скриптов, старался углубляться в тему и искал себе больше практики посредством решения любых, даже мельчайших задач. Одной из таких был скрипт, удаляющий временные файлы, старые дампы, папки node_modules от давно забытых проектов. Нашёл его на днях совершенно случайно. Протестил его на виртуалке, скрипт рабочий, но ужасно костыльный и неприятный визуально.

Какая у меня появилась идея? Проверить, сможет ли ChatGPT сделать то же (и насколько качественно), что и я, но грамотнее и «элегантнее». Результат получился весьма поучительным: ИИ отлично справился с архитектурой, но очень пытался угробить систему парой строчек. Далее расскажу, как это было.

Новое исследование учёных из Университета штата Аризона показывает: знаменитое «цепочечное рассуждение» (Chain-of-Thought, CoT) в больших языковых моделях (LLM) скорее похоже на «хрупкий мираж», чем на проявление подлинного интеллекта. Эта работа продолжает традицию критического анализа глубины рассуждений LLM, но в отличие от предыдущих исследований предлагает уникальный взгляд через призму «распределения данных», который позволяет понять, где и почему CoT систематически даёт сбой.

В этой статье мы рассмотрим как на оборудовании стоимостью от 1000$, с полностью локальными LLM и VLM на основе скриншотов и коротких пояснений генерировать грамотно написанные отчеты об уязвимостях самого широкого спектра, начиная от Web/мобилок, заканчивая инфрастурктурными уязвимостями Active Directory, k8s и так далее. Заглянем под капот VLM (Vision Language Model) и рассмотрим различные подходы к описанию уязвимостей.

Привет, Хабр! Я Роман Путилов, руковожу техническими менеджерами в Cloud.ru. Встреч у меня много, а времени на постмиты мало. Поэтому я отдал рутину искусственному интеллекту: он собирает черновик, а я за 3–5 минут довожу его до финала.

Доброго времени суток, «Хабр»!

Вероятно, многим уже известно, что современные нейронные сети способны обрабатывать изображения в качестве входящего запроса. Пользователи активно применяют эту возможность, загружая фото с заданиями или вопросами, — особенно часто так поступают учащиеся школ и вузов, получая от нейросети готовые решения задач или правильные ответы на интересующие вопросы.

Сегодня я рассмотрю перечень нейросетей и сервисов, проверю их на фотографиях с разными форматами заданий и постараюсь подсказать, какие из них лучше всего подходят для распознавания текста с изображений.

Присаживайтесь поудобнее, начинается мое повествование.