Будущее здесь

На рынке LLM сейчас такое творится, что даже следить устаёшь. Релизы летят как горячие пирожки, только успевай жевать. Позавчера все носились с Claude, вчера с Gemini, сегодня весь интернет ждал GPT 5.2 как второго пришествия.

А Google такой: "Подержи моё пиво".

Пока всё внимание было приковано к OpenAI, Google тихо выкатил Gemini 3 Flash. Без громких презентаций, просто намёк в X и готово.

Тайминг идеальный. Вообще Google в этом году напоминает шахматиста, который пока все смотрят на ферзя, спокойно забирает фигуры по краям доски. Ещё и Nano Banana 2 Flash на подходе.

Раньше Gemini воспринимался как крепкий середнячок, хорош, но не универсален. Сейчас компания закрывает направление за направлением, и конкурентам становится тесновато.

В конце года Google выпустил Gemini 3 Pro, заточенный под сложную аналитику. Мы тогда разбирали его подробно, и в комментариях всплыла интересная штука: после выхода Flash народ начал жаловаться, что Pro стала отвечать хуже. То ли ресурсы перекинули, то ли просто показалось, то ли что-то подкрутили на бэкенде.

Ладно, не будем гадать. Сегодня тестируем сами и смотрим, что там на самом деле.

Приятного чтения, поехали!

Статья и квиз в честь 100-летия поэмы Владимира Маяковского «Летающий пролетарий». Квиз поможет раскрыть подлинные строки Маяковского, проверить себя и расширить горизонты технологического мышления — как это сделал поэт сто лет назад.

Меня зовут Мария, я - PhD-студентка в Mississippi State University который относится к категории R1 (Very High Research Activity) согласно классификации Carnegie. Уже полтора года я вижу систему PhD “изнутри” — как устроены ожидания департамента, как читаются заявки и какие сигналы воспринимаются как риск. 

Я написала эту статью, потому что мне действительно обидно наблюдать, как многие PhD-кандидаты с высоким GPA, сильными test-scores и хорошим бэкграундом получают отказы и не понимают почему. На самом деле это происходит из-за неверно поданных сигналов. В этой статье я разбираю 9 типичных ошибок, из-за которых даже сильные кандидаты выглядят рискованными в контексте PhD admissions, и показываю, как эти сигналы читаются и интерпретируются со стороны департаментов.

Когда мы живём и взаимодействуем с людьми, мы постоянно посылаем сигналы — в устной и письменной речи, в выборе слов, примеров и даже в том, что мы считаем нужным подчеркнуть или, наоборот, опустить. Этот процесс происходит независимо от того, осознаём мы его или нет.

Подача заявлений на PhD - это концентрированная форма такого сигналинга.

Формальный пакет кандидата - Statement of Purpose, Personal Statement, CV и рекомендательные письма - не является просто набором фактов о достижениях. В совокупности с письмами профессорам и интервью он формирует целостную систему сигналов, на основе которой admissions committee формирует представление о кандидате, его потенциальной интеграции в департамент и уровне сопутствующих рисков.

Меня разбудило уведомление в Slack. Основной ETL-конвейер снова упал. Третий раз за неделю.

Тогда я сделал то, за что меня едва не уволили.

Я полностью заменил систему ИИ-агентами. Не помощниками. Не «копилотами». Агентами, которые принимали решения в продакшене без запроса разрешения.

Технический директор решил, что я сошел с ума. Команда думала, что я сломался под гнетом бесконечных ночных инцидентов.

Шесть недель спустя? Конвейер работает сам по себе. Ноль человеческого вмешательства.

Звучит как маркетинговый хайп? Погодите, пока не услышите об агенте, который решил переработать исторические данные за полгода в часы пиковой нагрузки. Это чуть не стоило мне карьеры.

Вот как все было на самом деле.

Я снова возвращаюсь к сравнению моделей. Однако сегодня мы не будем рассматривать нейросети от разных компаний, а сравним Gemini 3 Flash и предыдущее поколение этой серии - Gemini 2.5 Flash.

С одной стороны, кто-то уже сейчас скажет, что третья версия будет лучше. Однако я не стану спешить с таким выводом, сравню обе версии и вынесу вердикт, опираясь на свое далеко не авторитетное мнение.

Принимайте стратегически удобное положение, делайте ставки, а я приступаю к сравнению.

За этот год в мире технологий произошло много событий: доминирование ИИ, битвы за кибербезопасность и стратегические приобретения переопределили технологический ландшафт. Но некоторые крупные продукты и услуги не пережили и середины года. Одни из них прожили долгую плодотворную жизнь и оставили неизгладимый след в истории. Другие оказались мимолетными проектами или полными провалами, которым было суждено встретить свою неизбежную кончину. Тем не менее, все они достойны того, чтобы их помнили за то, как они повлияли на нашу жизнь — даже если это влияние было лишь в ленте новостей.

Пришло время еще раз оглянуться назад и вспомнить технологии, которые ушли в 2025 году. От таких столпов, как Skype, до устройств с ИИ, у которых не было ни единого шанса, все из этого списка отправилось на технологическую свалку за последние 12 месяцев.

Одна из самых впечатляющих способностей искусственного интеллекта - находить закономерности, которые ускользают от человеческого взгляда. В так называемом «обучении без учителя» разработчики не размечают данные заранее, а позволяют модели самостоятельно выявлять скрытые структуры. Результаты порой поражают: алгоритмы обнаруживают признаки рака на снимках задолго до того, как их заметит опытный радиолог.

Но у этого подхода есть оборотная сторона: мы никогда не знаем заранее, какие именно закономерности уловит машина.

Допустим, мы обучаем модель на наборе изображений:

Для стимуляции конкретных отделов мозга обычно используются нейроимпланты. Для их установки необходимо просверлить часть черепа и установить электроды напрямую в мозг. Но, вместо того чтобы сверлить череп и устанавливать электроды в мозг, можно использовать новое гибкое устройство. Имплант плотно прилегает к поверхности черепа, повторяет его форму и стимулирует участки мозга светом, что проходит сквозь кость. Нюанс – нужно генетически отредактировать нейроны.

Согласно Hype Cycle от Gartner за 2025 год, AI-агенты достигли пика завышенных ожиданий. Но что скрывается за хайпом с технической точки зрения? Самое время разобраться, чтобы не ждать от технологии чудес, а использовать её по назначению.

В статье объединим теорию и практику построения AI-агентов. Сначала разберем ключевые концепции: цикл Perception-Reasoning-Action, модель PEAS (Performance, Environment, Actuators, Sensors), уровни автономии. А затем, опираясь на эти принципы, построим работающего AI-агента 3-го уровня автономии. Наш технологический стек: 

- Оркестратор n8n;

- LLM через агрегатор OpenRouter;

- Telegram в качестве пользовательского интерфейса.

Система ЕРИП (Автоматизированная информационная система «Расчет») функционирует в Беларуси с 2008 года. До недавнего времени для предпринимателей и бизнесменов, принимающих через нее платежи, возврат средств был болезненной темой. Уведомление о платеже поступало мгновенно — а вот вернуть деньги клиенту можно было только через многоэтапную, ручную процедуру, требующую сбора реквизитов, согласований и ожидания. 

Недавно возвраты в ЕРИП перешли в полноценный онлайн-режим — и это не не просто хорошая новость, а реальный рабочий инструмент для бизнеса, в том числе ресторанного, туристического, гостиничного, по аренде недвижимости и др.

Разбираемся, что изменилось и как агрегаторы превращают возвраты в полуавтоматическую операцию за пару минут.

Привет, Хабр! Меня зовут Андрей Аврамчук, я редактор блога МТС. За последние два года с интересом наблюдаю, как старые правила, принципы создания материалов либо очень сильно меняются, либо перестают работать. И за все это спасибо GenAI.

Досталось всем, но текстовый контент оказался самым уязвимым. С одной стороны, звучат призывы к внедрению GenAI в рабочие процессы, перестройку пайплайнов и срочное изучение LLM, RAG и вот этого всего. Мол, раз мир меняется, то и нам надо перестраиваться вместе с ним, иначе останемся в хвосте. С другой — возмущения падением качества контента и призывами остановиться. Только люди, только хардкор.

В результате возникает точка бифуркации, где никто до конца не понимает, что будет дальше и какие навыки теперь действительно нужны. Вроде бы логично использовать инструмент, который ускоряет производство, и все выглядит так, будто подход AI-first стал новой нормой. И тут возникает парадоксальная ситуация: с резким развитием технологий важность их владения падает, уступая место компетенциям, о которых мы почему-то забыли. 

В этом материале расскажу, что сейчас происходит в мире контента, какие тренды незримо на него влияют, где и кого AI-first-подход заведет в ловушку. Покажу, куда это все катится и с чем придется столкнуться авторам и редакторам.

«Google только что сократил дневной лимит запросов для бесплатного API Gemini с 250 до 20. Отныне вся моя система автоматизации n8n фактически непригодна к использованию. Это удар по каждому, кто создаёт небольшие проекты», - написал пользователь Nilvarcus.

Недавно пользователи сообщили, что Google ужесточил ограничения на бесплатный уровень Gemini API: линейка Pro была полностью упразднена, а линейка Flash отныне допускает лишь 20 запросов в сутки. Для большинства разработчиков это ничтожно мало.

В комментариях к статьям всё чаще всплывает спор: использование LLM — это обман или нормальный инструмент автора?

Кстати, многие из этих авторов начинали писать ещё до появления нейросетей, мессенджеров и соцсетей. Они учились разбираться в теме, писать, редактировать, попадать в тон. Серьёзно ли считать, что использование LLM автоматически означает, будто автор перестал разбираться в теме?

Меня всегда восхищало то, как мы измеряем продуктивность - как мы относимся к времени, будто это валюта, которую нужно потратить, оптимизировать или пустить на ветер. Но чем больше я наблюдаю за тем, как на самом деле функционируют организации, тем яснее вижу, что наша одержимость эффективностью часто ведет к стагнации, а не к прогрессу.

40-часовая рабочая неделя, например, никогда не создавалась для интеллектуального труда. Это была оптимизация заводского цеха и соглашение о трудовых правах начала 20-го века, способ выжать предсказуемую выработку из повторяющегося труда. И все же мы до сих пор цепляемся за нее, загоняя сложную творческую работу в жесткие графики, которые вознаграждают за потраченное время, а не за произведенный эффект.

В продолжающейся шумихе вокруг генеративного ИИ я фокусируюсь на том, что он может стать той силой, которая заставит нас пересмотреть наши роли и развить новые способности. В то время как класс руководителей может сосредоточиться на устранении потребности в работниках, меня восхищает то, что ИИ дает многим из нас время на обдумывание реальных инноваций. Меньше времени на исполнение, больше времени на размышления о том, какие лучшие результаты возможны.

Microsoft и другие пытаются выстроить нарратив, что ИИ эффективен для замены многих рабочих мест, но по правде говоря, наша работа одновременно сложна и глубоко человечна. Все не так просто, как нам кажется: нельзя просто засунуть работу в чат-бот и пойти домой.

Генеративный ИИ не просто автоматизирует задачи - он показывает, что большая часть того, что мы называем «продуктивной работой», была перформативной суетой. Когда ИИ берет на себя рутину, мы остаемся лицом к лицу с неудобной правдой: настоящие инновации всегда требовали неструктурированного времени для ошибок, исследований и глубоких размышлений - вещей, которые наши нынешние системы активно наказывают.

В статье приведен результат опроса сообщества 1С разработчиков на предмет применения ИИ в своей текущей деятельности.

На конец 2025 года был проведен опрос сообщества на предмет использования ИИ. Цель — понять какие технологии\модели\подходы\практики обрели популярность.

Какие технологии «прижились» среди 1С разработчиков, а какие пока воспринимаются с опаской. Так получилось, что моя деятельность во многом связана с продвижением ИИ в среде 1С. Так вот, главный интерес заключается в том что получилось а что нет. А может некоторые практики и технологии упущены.

Также достаточно интересно с какой стороны и кто занимается внедрением практик работы с ИИ в компаниях. «Снизу» или «сверху».

Поэтому аудиторию, пожалуй, нельзя считать среднестатистической, хоть попытки и были.

«Выживает не самый сильный и не самый умный, а тот, кто лучше всех приспосабливается к изменениям».

В этой статье мы порассуждаем о том, как AI технологии будут влиять на экономику, как это может коснуться каждого из нас, а также чего нам действительно стоит (или не стоит?) бояться. Что стоит за страхом потерять работу? Почему продуктивность растёт, но мы не стали работать меньше? Кто и на какие деньги будет покупать товары, если всех заменит AI?

Недавно на работе мне пришлось столкнуться с одной задачей. Нужно было срочно озвучить текст для ролика, но рядом ни диктора, ни коллег, которые могли бы помочь.

И тогда я задумался: а что если доверить это алгоритмам? Можно ли с помощью нейросети получить живой, выразительный голос, который будет звучать как настоящий диктор?

Сегодня мы как раз рассмотрим 6 нейросетей, которые могут прийти на помощь в такой ситуации.

Приятного просмотра. Мы начинаем!

Кажется, сегодня невозможно открыть новостную ленту, не наткнувшись на заголовки вроде: «ИИ заменил тысячи сотрудников», «такие-то профессии больше не нужны», «ChatGPT научился выполнять то и то». Чаще всего заголовки кликбейтные, но и за ними скрывается доля истины и тревожный тренд.

Нет, это не будет очередной статьей по восстание машин (но на всякий случай: прошу прощения, скайнет). Здесь я попробую понять какое место в этом будущем останется за человеком.

Интересно получается: с одной стороны, растёт волна хайпа вокруг пользы AI-агентов, и в то же время ниспадающая волна не меньшего хайпа говорит о том, что агенты не работают. Это всё дорогая игрушка — поиграли, забыли, выбросили.

На примере разработки AI-консультанта для своего агентства расскажу о системном подходе к проектированию архитектуры production-ready AI-агентов, который мы применяем при создании агентских систем для бизнеса. Чтобы они не были дорогой игрушкой, а приносили эффект и оправдывали своё назначение.

Поехали...

Начнем с резкого заявления: Математическая теория не подводила ИИ. Это ИИ не смог понять математическую теорию - а именно те разделы математики, которые напрямую влияют на интеллектуальные системы: теорию категорий, топологию, дифференциальную геометрию и структуры, связывающие их воедино.

Это различие крайне важно, потому что прямо сейчас «категориальный ИИ» становится модным способом рисовать стрелочки, чтобы звучать глубокомысленно и при этом тихо игнорировать те самые вещи, которые делают интеллект по-настоящему сложным: время, память, историю и пути.

Если вы когда-нибудь задавались вопросом, почему ваш ИИ ведет себя во вторник иначе, чем в понедельник, хотя «ничего не менялось», - читайте дальше, здесь мы объясним почему. И это не баг. Это фундаментальная архитектурная слепота, которая уходит глубже, чем кто-либо готов признать.

Пристегнитесь. Мы начинаем!