Искусственный интеллект

Пока мы не можем полностью воспроизвести работу мозга в «железе». Но, учёные идут другим путём и создают устройства, которые имитируют отдельные элементы нервной системы. В августе 2025 году в Nature Communications вышла работа, посвящённая аппаратным искусственным нейронам на основе диффузионных мемристоров. Авторы ввели для таких устройств новый термин — транснейроны.

Диффузионные мемристоры – это разновидность мемристоров, в которых электрическая проводимость определяется временной динамикой диффузии наночастиц (например, серебра) в оксидной матрице.

Предлагаю подробнее погрузиться в новое открытие ученых.

Не так давно я уже устраивал битву между GPT-5, Gemini 3 Pro и Claude Opus 4.5. Затем рассмотрел Grok-4.1, после чего возникла идея расширить это сравнение и по итогам составить топ-5 лучших моделей среди указанных конкурентов.

Сегодня в соревновании участвуют: GPT-5.2, Claude Opus 4.5, Gemini 3 Pro, DeepSeek v3.2 и Grok-4.1. Делайте ваши предположения - а я начинаю сравнение.

Рано или поздно вы решите написать чат. Да, свой чат. И, возможно, вспомните про эту статью.

Изложу свое понимание, видение на построение системы любого чата, будь то чат между 2 пользователями, групповой чат (открыто и закрытого типа), чат с контактом в другом мессенджере, канал.

Все изложенное субъективно. Искал разные источники, анализировал другие чат-платформы. Надеюсь, будет полезно.

И так.

Что такое чат? Мы каждый день общаемся в чатах, чаты в разных приложениях похожи и не похожи одновременно.

Сделаем несколько обобщающих утверждений, на которые будем опираться далее.

- Чат - это хронологическая лента сообщений.

- Сообщение - некая единица контента (текст, файл, картинка, аудио, видео, стикер, оповещение, ...)

- также у сообщения есть дата-время создания сообщения.

- У сообщения всегда есть отправитель.

- В чат сообщения могут добавлять разные отправители (пользователи, боты, система).

- В чате есть участники. По сути - это подписчики, которые подписаны на получение новых сообщений в чате.

Скорость, с которой мы разрабатываем искусственный интеллект, слишком высока и опережает любые предыдущие технологии, меняющие парадигмы, например, ядерные. Этот тезис о световой скорости развития используется для продвижения нарратива об экономической гонке вооружений в сфере ИИ, распространяя страх: если Запад не возглавит эту гонку, его экономика будет сокрушена. А значит, мы должны влить все наши ресурсы в этот единственный сектор, чтобы остаться впереди и избежать гибели. Таким образом, бум ИИ напрямую отражает ядерную гонку вооружений между Западом и Советами.

Однако в этом нарративе есть одна проблема: ИИ не развивается и никогда не будет развиваться даже близко так же быстро, как ядерные технологии. Сама основа, используемая для оправдания бума ИИ, - это наглая ложь. Позвольте мне объяснить реальность и последствия этой фальши.

Знаете, в чём проблема большинства гайдов и курсов, которые обещают научить всему и сразу — да ещё и устроить на работу? Часто они учат примитиву, выдавая это за качественный контент. В итоге появляется много низкокачественного кода: на первый взгляд он работает, но в реальности трудно поддерживается.

Если в проекте нет структуры, он быстро превращается в кашу. Каждая доработка — это не отдельный продуманный модуль, а «приматывание новых кусков кода синей изолентой» с мыслью: «хоть бы не сломалось». Для новичка это особенно опасно: кажется, что всё нормально, пока проект маленький, но при росте даже простые изменения начинают занимать часы и ломать соседние части.

Вы наверняка задаётесь вопросом: «Почему рубрика называется “ИИ бот-модератор”, а автор тут рассказывает про качество кода?» На самом деле, всё связано.

Telegram-бот для группы — отличный пример проекта, который очень быстро обрастает фичами: команды, настройки, роли, интеграции, хранение данных, логирование, админка, модерация, ИИ и т.д. Если делать всё “в одном файле”, это почти гарантированно закончится болью. Поэтому в этой рубрике мы будем строить бота так, чтобы его можно было развивать: добавлять функциональность без постоянного страха «сломать всё».

Привет, Хабр! Меня зовут Павел Литвиненко, я продуктовый дизайнер в группе проектирования пользовательских интерфейсов B2B «Лаборатории Касперского». Периодически нам приходится разрабатывать новые продукты с нуля. По сути, мы создаем интерфейс для MVP (minimum viable product), то есть продукта, обладающего минимальными, но достаточными для потребителя функциями. Как правило, это тот случай, когда больше всего необходим баланс между скоростью разработки и качеством: чтобы и гипотезы быстро обкатать, и не пасть в грязь лицом перед юзером. Время почти всегда работает против вас. Продуктовая команда хочет запуститься «вчера», но дизайн требует проработки, системности и исследований. Один друг описал мне этот подход так: «Тебе надо добраться из пункта А в пункт Б. Ты стартуешь пешком и развиваешь способы перемещения на ходу: бег, ролики, самокат, велосипед, мопед, мотоцикл, авто и так далее. Каждый новый метод — отдельный релиз».

Чтобы все это «поженить» и не нарушить баланс, нужен хороший инструментарий. Об этом и статья: поделюсь личным опытом, подходами и инструментами для дизайнеров B2B-продуктов, которые я применял сам в рамках разработки в «Лаборатории Касперского», в частности при работе над нашим NGFW (Next Generation Firewall). Поговорим о вездесущей ИИшке, дизайн-системах и прототипах для фронтенда.

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

Неделя выдалась насыщенной: OpenAI выкатили GPT-5.2 и новую версию генератора изображений, Xiaomi неожиданно показали сильную опенсорс-MoE для кода, свежие FLUX.2 [max] и Wan 2.6. Amazon собираются инвестировать в OpenAI, а VPN-расширения крадут данные юзеров.

Всё самое важное — в одном месте. Поехали!

В Codex появилась экспериментальная фича — skills: декларативное описание локальных «навыков» агента с автоматическим discovery и строгими правилами применения. В статье разберём, как это работает под капотом, зачем нужно и как использовать это в своих проектах.

Служебная записка Департамента человеческих ресурсов «Кибер-Фарм Инк.» Совету директоров, Отделу стратегического развития.

Документ №ДЧ-344/Б от 15.03.2042

Пилотная программа «Вечный средний». Отбор кандидатов 1-й волны.

Синдром профессионального выгорания (средний срок эффективной работы ведущих разработчиков упал до 4,4 лет), падение продуктивности на 32% и рост расходов на медицинскую страховку за последние 3 года привели к катастрофическим последствиям. Штат сотрудников постоянно растет, а прибыль компании падает ежегодно на 4,5%. 

Рекомендую к запуску программу добровольной биотехнической оптимизации сотрудников. 

Напомню, что это позволит увеличить срок эффективной службы персонала до 25-30 лет и стабилизировать продуктивность на уровне 90-95% от пиковой, а кроме того максимально исключить потери трудочасов по болезням, депрессивные состояния и нерациональное использование рабочего времени.

Оптимальный кандидат - №384 (Дмитрий С., 34 года).

Профессиональный профиль - идеален. 97% совместимости с программой. Автор 3 ключевых патентов компании.

Медицинский профиль типичен для группы риска: 

Привет, Хабр!

Этой осенью Google порадовали нас релизом AlphaEvolve — фреймворка, который комбинирует способности LLM к написанию кода с эволюционным подходом к вычислению. Новый метод доказал свою эффективность на сложных алгоритмических или математических задачах, но, как это часто бывает у таких компаний, технические детали AlphaEvolve остаются коммерческой тайной. Тогда мы в AIRI решили создать свой фреймворк. 

Так усилиями научной группы «Мультимодальные архитектуры ИИ» лаборатории «Сильный искусственный интеллект в медицине», научной группы «Генеративное проектирование» лаборатории FusionBrain, лаборатории «Доверенные и безопасные интеллектуальные системы» и отдела научно‑технической разработки увидел свет GigaEvo — эволюционный фреймворк для автоматизации ML и LLM‑ориентированных задач, который мы представили в ноябре на AIJ и чей код выложили на GitHub. 

Здесь хотелось бы рассказать о нём подробнее, описать его внутреннее устройство и дать рекомендации к использованию.

Привет, Хабр! На связи Иван Жирнов и Степан Рыбалов, тимлид и QA группы разработки чат-ботов в компании «Передовые Платежные Решения». В работе мы используем чат-боты собственной разработки. До AI-революции чат-боты были сценарные и весьма ограниченные. С нейросетями же их возможности стали головокружительно шире. В этой статье мы расскажем о том, как и зачем перешли на чат-ботов с ИИ, чтобы наш опыт мог помочь в проекте и вам.

Ежемесячно клиенты генерируют более 73 тысяч диалогов в текстовых ботах, и более 92% этих диалогов обрабатывается без участия человека — в чатах, мобильном приложении и личном кабинете. Голосовой чат-бот на горячей линии получает в месяц более 15 тысяч звонков, и здесь автоматизация достигает 20–30%. Именно голосовой бот навел нас на мысли об ИИ: здесь вопросы обычно оказывались сложнее и индивидуальнее.

Обсуждать переход мы начали в четвертом квартале 2024 года. Нас привлекла возможность LLM решать комплексные вопросы из одного запроса клиента. Сценарный бот же реагирует только на одну команду за раз, выдает целый список возможных связанных вопросов, из которых пользователю снова приходится выбирать. Потом, вероятно, выбирать еще и еще… так что терпения хватает не у всех. Тогда клиент в лучшем случае обращается к голосовому боту или попадает к оператору поддержки.

GPT же может сможет понять контекст, разбить сложный вопрос на несколько простых и собрать полноценный ответ.

В 2025 году AI окончательно вышел за рамки экспериментальных функций и стал инфраструктурным слоем цифровых продуктов. Он всё чаще определяет не отдельные возможности, а логику развития экосистем, скорость запуска новых продуктов и качество пользовательского опыта.

​​Именно в этом контексте в 2025 году red_mad_robot и Билайн заключили стратегическое партнёрство. Мы развиваем сразу несколько направлений — от AI-сервисов до клиентских продуктов, где технологии усиливают ежедневный UX.

Одним из первых шагов стало создание полноценного AI-слоя для платформы Билайна «план б.» на базе Agentic-First решения Daisy. Рассказываем, как мы подошли к проектированию AI-функциональности, какие решения легли в основу архитектуры и что получилось на практике.

Российская компания «Криптонит» (входит в «ИКС Холдинг») разработала метод автоматизации настройки ключевых СВЧ-компонентов базовых станций и ретрансляторов сетей 5G с помощью технологий искусственного интеллекта. Разработка поможет ускорить и упростить процесс производства оборудования для сетей пятого поколения, что особенно важно для крупных городов, где требуется быстрая и точная настройка тысяч базовых станций.

Работа выполнена по предложению входящей в «ИКС Холдинг» компании YADRO, одно из направлений деятельности которой — разработка и производство телекоммуникационного оборудования операторского класса.

Базовая станция должна одновременно принимать и передавать сигнал через общую антенну. Для этого применяется частотное разделение каналов, за которое отвечает дуплексер. Точность подбора его параметров напрямую влияет на качество связи. При этом настройка дуплексера — трудоёмкий процесс, требующий несколько часов работы опытного специалиста. Одна базовая станция может содержать более десяти радиомодулей и используемых в них дуплексеров. При масштабных установках — в объёме нескольких тысяч станций — потенциальный эффект от автоматизации настройки оценивается в десятки и сотни тысяч часов автоматизированной ручной работы.

Для автоматизации настройки разные исследователи пытались применять методы обучения с подкреплением (reinforcement learning, RL), но такой подход давал результат только на упрощённых моделях. В «Криптоните» переформулировали задачу так, что её теперь можно решить традиционным и более надёжным методом — обучением с учителем (supervised learning, SL). Разработанная нейросеть анализирует частотные кривые дуплексера и предсказывает корректировки регулировочных винтов. Дополнительный алгоритм пошагово применяет предсказания нейросети, что снижает риск ошибочной настройки.

За последний год мы наблюдаем бум ИИ‑помощников, и это не обошло стороной интерфейсы в Yandex Cloud: то в техподдержке завёлся чат‑бот с моделью, то в консоли — агент для рабочих операций. Команды подключали модели, продумывали диалоговую логику, рисовали дизайн и собирали чаты — и делали всё это поодиночке.

Разные команды собирали интерфейсы на общем фреймворке Gravity UI, но постепенно там появилось столько вариаций, что стало сложно поддерживать единый пользовательский опыт. Да и коллеги всё чаще сталкивались с тем, что тратят время на одни и те же решения. 

Чтобы перестать каждый раз изобретать велосипед, мы собрали накопленные практики в единый подход и сделали инструмент для чат‑ботов с ИИ — @gravity‑ui/aikit. Он позволяет создать полноценный интерфейс ассистента за несколько дней и при этом легко адаптировать его под разные сценарии.

Меня зовут Илья Ломтев, я старший разработчик в команде Foundation Services Yandex Cloud, и в статье я расскажу, почему мы решили собрать AIKit, как он устроен, немного о планах на будущее — и о том, что можно попробовать у себя.

Долгое время большие языковые модели строились по принципу «больше — лучше». Топовые компании гнались за количеством параметров, не считаясь с затратами. Но когда счета за обучение GPT-4 превысили $100 миллионов, а инференс начал требовать промышленных масштабов энергии, стало ясно: «грубая сила» больше не работает. Индустрии срочно понадобился способ разорвать связку «умнее = дороже».

И решением стала архитектура Mixture-of-Experts (MoE). Суть метода проста: перестать «думать» всей нейросетью над каждой задачей и научить модель активировать ресурсы выборочно. Такое выборочное использование вычислений позволяет наращивать число параметров, не превращая модель в прожорливого монстра.

Причем эта идея не новая. Google экспериментировал с ней ещё в 2017-м, потом была пара академических проектов, а дальше технология благополучно канула в небытие. Трансформеры вроде GPT захватили рынок, и про MoE все дружно забыли. Но в последние пару лет MoE резко вернулась: Mixtral и Mistral 3, DeepSeek, DBRX, Qwen, Kimi K2 Thinking. И список громких релизов пополняется чуть ли не ежемесячно.

Давайте разбираться, что стоит за этим возвращением и действительно ли МоЕ станет решением всех проблем.

2025 год стал годом агентов — ИИ вышел за пределы чата и начал взаимодействовать с окружением, например, кодом или системами. Но действительно ли мы близки к созданию по-настоящему разумных агентов, или этого ещё предстоит ждать десятилетие? И главный вопрос: какую долю экономически полезной работы эти агенты могут выполнять?

Чтобы ответить на этот вопрос, сообщество стало оценивать не отдельные ответы модели, а её способность выполнять цепочки действий: искать информацию в базе знаний, вызывать внешние API, управлять файлами и брать на себя рутину пользователя в реальных рабочих сценариях. Для специалистов по тестированию и постобучению 2025 год фактически превратился в год сред обучения с подкреплением (RL‑сред) — виртуальных миров, где модели шаг за шагом собирают компьютеры, оформляют заказы, ведут переписку с клиентами и осваивают сложные многошаговые задачи.

Мы решили «нанять» девять моделей ИИ, чтобы они выполнили 150 заданий в одной из наших RL-сред, имитирующих реальный мир с API-инструментами, задачами и верификаторами.

Я долго уклонялась от написания этой статьи. Чем больше я узнаю о больших языковых моделях (LLM), тем сложнее становится найти единую концепцию, которая бы по-настоящему отражала их суть. Но сегодня я увидела твит Андрея Карпати, призывающий людей думать о LLM как о симуляторах, а не о сущностях, и что-то щёлкнуло.

Итак, позвольте мне начать с упрощённого и интуитивно понятного объяснения того, как работают LLM. Затем мы рассмотрим те «строительные леса», которые превращают базовую модель в чат-бота для потребителя. И, наконец, мы разберёмся, почему Claude, Grok, Gemini и ChatGPT - это не «цифровые библиотеки» или «автозаполнение на стероидах», и исследуем, как ваши собственные запросы формируют то, что вы получаете в ответ.

Совокупные расходы крупнейших технологических компаний на ИИ-инфраструктуру достигли максимума и в 2025 году составили до 60% от операционного денежного потока. 

За этой гонкой стоят триллионы долларов инвестиций, которые уже стали ключевым драйвером роста мировой экономики и фондового рынка. Но ряд факторов вызывает опасения, и возникает логичный вопрос — не очередной ли это финансовый пузырь, который лопнет и запустит очередной кризис.

Представьте, что ваша команда только что получила доступ к новейшей AI-модели или внедрила умный чат-бот. Коллеги в восторге от точности, скорости и функциональности инструмента. Но как понять, насколько он действительно хорош?

Стоит попытаться разобраться, и вы утонете в дебрях специальных терминов: F1-score, perplexity, BLEU, энтропия. Кажется, оценить качество искусственного интеллекта могут только учёные с дипломом в области data science. Но так ли это?

К счастью, нет. Есть и другой путь - прагматичный и понятный, основанный на здравом смысле и наблюдательности. Вы не обязаны разбираться в сложной математике, чтобы отличить полезный инструмент от сырой игрушки.

В этой статье мы разберем пять практических методов, которые позволят вам, как руководителю, разработчику или просто вдумчивому пользователю, провести аудит качества ИИ. Вы научитесь проверять его на логику, стабильность и практическую пользу, задавая правильные вопросы и наблюдая за поведением системы. 

Начнем проверять - без формул и страха. Приятного прочтения!

Честно говоря, фразы в духе «я не сплю» меня всегда бесили. Выглядело это так: ложишься в кровать, закрываешь глаза, надеешься заснуть, но твои мысли не останавливаются.

Внутренний монолог стартует мгновенно:

— А то фото ногтя, что скинули в 23:15… там воспаление или просто свет плохой?
— Собака из стационара. Она поела? Или миска так и стоит?
— Иру надо перенести на вторник. Или на среду? Блин, в среду же поставка.
— Перчатки! Нитриловые салфетки кончились. Чем работать?
— Кот. Корм. Пакетики!
— Соль для посудомойки. Серьезно, куда она девается?

У меня комбо-профессия: я подолог и ветеринар. Днем я лечу людям ноги, а зверям — всё остальное. Понятия «рабочее время» не существует. Боль не смотрит на часы, клиенты тоже. А дома есть муж, ему тоже нужно внимание.

Благодаря LLM проблема была решена и здесь описано как.

Поделитесь и вы полезными инструкциями в комментариях, как освободить свой мозг от рутины и наконец научиться высыпаться, зажить счастливой жизнью.