Будущее здесь

Привет!
С вами Марина Ермак, старший аналитик Futureproof. Каждый раз, когда вы открываете ChatGPT, где-то в мире жужжит дата-центр, построенный на кредитные деньги. Вокруг этой инфраструктуры уже сложилась сложная финансовая конструкция — и в последние месяцы всё чаще звучит вопрос: а не надуваем ли мы новый пузырь?

Давайте аккуратно разберёмся, что происходит с рынком, почему аналитики спорят о пузыре вокруг AI-инфраструктуры, и главное — что это может означать для бизнеса, в том числе в России. И в конце рассмотрим три возможных сценария развития событий и no-regret-moves.

Команда AI for Devs подготовила перевод большого исследовательского материала о рекурсивных языковых моделях (RLM). Авторы разбирают, почему простое увеличение контекстного окна больше не решает проблему долгоживущих агентов, и показывают альтернативу: обучение моделей активному управлению собственным контекстом через context folding и под-LLM. Статья основана на обширных экспериментах и даёт практический взгляд на то, каким может быть следующий шаг в развитии LLM-агентов.

Увольнения из-за ИИ - полная чушь

Если есть что-то, что Марк Бениофф любит, так это ИИ, и эта страсть довела его до полного безумия. Помните, как мы все смеялись над жалким гуманоидным роботом Маска? Тот самый, который был настолько бесполезен даже в попытках притвориться функциональным, что стажёр, управлявший им как дрянным диснеевским аниматроником из 90-х, заставил его катастрофически упасть на задницу, просто выйдя из системы. Пока мы все показывали пальцем и смеялись, Бениофф восхвалял робота, говоря, что он может трансформировать работу бизнеса, и поделился видео своего взаимодействия с Optimus в качестве доказательства. В этом видео Optimus был не просто тормозящим, глючным месивом - мы вообще не видим, как он завершает до смешного простую задачу, которую дал ему Бениофф: отвести его на кухню за колой. Это сильно намекает на то, что он это никогда не сделал. И давайте не забывать: это гуманоидный робот, он должен был сходить на кухню за колой для вас, а не провожать вас туда! Планка была опущена до пола, и он всё равно провалился. И это было, очевидно, лучшее, что Бениофф мог предложить в поддержку своего безумного заявления. Честно говоря, Бениофф так лижет ИИ, что это выглядит как извращённый, безумный фетиш. А это проблема, поскольку Бениофф - генеральный директор Salesforce, одной из крупнейших компаний по работе с клиентами на планете. Так что он может воплотить своё извращённое безумие в жизнь, и в сентябре прошлого года он именно это и сделал, уволив почти половину сотрудников Salesforce и заменив их ИИ. Но всё, что это доказало - насколько некомпетентной, маниакальной, порочной и пустой является ИИ-революция, как и сам Бениофф.

В этой статье я представил концепцию многофункционального тестового стенда с ии-агентом QA, предназначенным для эффективного и качественного решения любых задач тестирования бэкенда. Это решение позволяет создавать, запускать, отлаживать и хранить тестовые сценарии для сервиса без необходимости заботиться о инфраструктуре, контрактах API и других характеристиках сервиса. Важным преимуществом приложения является автономный ии-агент QA, который может решать до 85% задач тестировщика и в перспективе может полноценно заменить QA в команде разработки бэкенда.

Команда AI for Devs подготовила перевод большой обзорной статьи о 2025 годе в мире LLM. Автор подводит итоги года: от vibe coding и coding-агентов до MCP, prompt injection, локальных моделей, браузеров с ИИ и «slop» как культурного феномена.

30 000 роботов в год. Мозг Gemini AI. 2000 TFLOPS на борту. Фабрика будущего только что анонсирована на CES 2026. На этот раз это не демо.

В 2017 году Google продала Boston Dynamics компании SoftBank.

«Слишком сложно.» «Нет возврата инвестиций.» Гигант из Маунтин-Вью избавился от мирового лидера в гуманоидной робототехнике.

Девять лет спустя, на CES 2026: Google DeepMind и Boston Dynamics Atlas совместно объявляют о первом массовом производстве когнитивных гуманоидных роботов.

Самая ироничная часть? Аарон Сондерс, 22 года в Boston Dynamics, покинул компанию... за три месяца до анонса. Направление: DeepMind, в качестве вице-президента по разработке аппаратного обеспечения.

Совпадение? В индустрии на $5 триллионов ничего не бывает просто совпадением.

В начале января 2026 года китайские ученые из Шанхайского университета Цзяотун предложили новую конструкцию натриево-серной батареи. Она работает при обычной комнатной температуре, выдает напряжение разряда около 3,6 вольта и собрана из дешевых и широко доступных компонентов — натрия, серы, алюминия и хлорсодержащего электролита. В лабораторных условиях система вышла на удельную энергию больше 2000 Вт·ч/кг активных веществ — для аккумуляторов это очень высокий уровень.

Разумеется, цифры получены без учета корпуса, сепаратора и прочих вспомогательных компонентов, поэтому в реальной ячейке удельная энергия будет ниже. Но даже с этой поправкой разрыв с существующими решениями остается заметным. А отказ от лития, кобальта и других дефицитных металлов напрямую упрощает производство и снижает потенциальную себестоимость таких аккумуляторов. Давайте посмотрим, что это за новинка. 

Один добрый человек на Хабре сообщил, что сеть Aristotle, для доказательства теорем и строгого решения задач, доступна бесплатно. Как раз сейчас есть такая задача, которую нужно проверить, подтвердить или опровергнуть - расчеты по конструкции летающей тарелки, из моей предыдущей статьи, проведенные с помощью обычной, теперь уже, LLM и калькулятора.

Подготовку задания делал с помощью Grok, потому что он, по заверениям Маска, заточен на решение сложных задач (а тут есть формулы), и кроме того, хорошо знаком с сетью Aristotle, а если что, может быстро посмотреть в интернете.

Первым делом попросил Grok изучить мою предыдущую статью и сформировать о ней мнение, что называется, сделать ревью. Grok прочитал статью на сайте и обрисовал ясную картину: понял главную задачу, конструкцию и принципы действия.

Человеческий мозг эволюционировал, чтобы отслеживать камни, инструменты, животных, лица - вещи с краями. Вещи, которые толкают другие вещи. Это служило нам верой и правдой сотни тысяч лет.

И большинство из нас всё ещё неправильно применяют эту интуицию к науке и технологиям, включая то, как мы думаем об ИИ. Даже высококвалифицированные инженеры делают то же самое: пытаются впихнуть квадратные колышки в круглые отверстия, а потом не могут понять ошибки в ИИ-системах, которые строят.

Это несоответствие между интуицией и наукой не ново.

Привет, Хабр! Я Senior Angular Developer. И я хочу рассказать вам о своём недавнем опыте, который похож на сцену из киберпанк-триллера, но разворачивается в обычном интерфейсе hh.ru. Открываешь отклик на вакансию, а вместо формы для ввода текста — диалог с ИИ-ассистентом рекрутера. Он задаёт вопросы по стеку, проектам, архитектуре. И вместо того, чтобы в сотый раз пересказывать своё резюме, я сделал логичное, на мой взгляд, действие: поручил ответы своему ИИ-ассистенту.

Так началось интервью, где вопросы генерировала одна нейросеть, а ответы — другая. Моя роль свелась к модерации: «Да, это ок. Нет, исправь». Что из этого вышло, почему это одновременно эффективно и тревожно, и не пора ли нам всем смириться, что первый этап отбора теперь — это «Тьюринг-тест на максималках»? Разбираемся под катом.

Технологический сюрреализм: ATS умер, да здравствует AI-Screening?

Помните эпоху ATS (Applicant Tracking Systems), когда мы оптимизировали резюме под ключевые слова? Каменный век. Теперь системы эволюционировали: они не просто сканируют, они ведут диалог. «А использовали ли вы NgRx в продакшене?», «Опишите опыт реализации micro-frontend архитектуры» — вопросы генерируются на лету LLM, проанализировавшей описание вакансии.

Абсурд и ирония ситуации в её чистоте: две нейросети пытаются найти «мэтч» между двумя текстовыми файлами — вакансией и резюме. Человек-рекрутер и человек-соискатель вынесены за скобки первичного акта коммуникации. Мы наблюдаем рождение нового протокола взаимодействия на рынке труда: machine-to-machine screening.

Доброго времени суток, «Хабр»!

В предыдущей своей статье я рассматривал различные функции потерь - важную часть машинного обучения. Но даже такие функции совершенно беспомощны перед лицом беспорядка. Сегодня мы рассмотрим то, что предшествует любой тренировке - разметку данных.

Как и в предыдущей статье, приведу простенькое сравнение. Если модель - ученик, то разметка данных своего рода учебник, по которому она занимается. При этом создание такого учебника часто оказывается трудоемким, медленным и дорогостоящим этапом всего цикла ML-проекта.

Принимайте стратегические удобное положение, ну а я начинаю свое повествование.

Недавно я был на интересной лекции по созданию моделей личности с помощью сверхбольших промптов для LLM в библиотеке им. Фёдорова от лектория «Футурчай». Концепции, прозвучавшие на ней, оказались настолько интересными, что я решил познакомить с ними Хабр.

Команда AI for Devs подготовила перевод большого эссе об ИИ и экономике будущего. Автор разбирает, почему рост возможностей моделей сам по себе не гарантирует процветание, как замещение труда может подорвать спрос и почему без циркуляции ценности экономика ИИ рискует зайти в тупик.

Хватит делать заметки, которые пылятся. Пора создать систему, которая действительно думает вместе с вами.

Я перепробовал все системы продуктивности. Базы данных Notion, которые превращались в цифровые кладбища. Доски Miro, которые выглядели впечатляюще, но никогда не помогали мне делать что-либо. Хаос Apple Notes. Всё по полной программе.

А потом что-то щёлкнуло. Я перестал пытаться создать лучшую систему заметок и начал строить кое-что другое: второй мозг, который действительно работает со мной.

Секрет? Сочетание локального, простого текстового формата Obsidian с возможностью Claude Code реально работать с вашими файлами. Не просто искать по ним. Не просто суммировать их. По-настоящему манипулировать, генерировать и улучшать их программно.

Вот система, которую я создал, и как вы можете построить свою.

В данной статье я распишу основные идеи книги Макса Тегмарка. Прошло всего 7 лет и многие идеи изложенные в ней становятся все ближе к реальности. Для некоторых труднопереводимых и конвенциональных для индустрии терминов оставил оригинальные названия в скобках.

Разработчики, занимающиеся стартапами, иногда сталкиваются с проблемами типизации своей разработки. Им зачастую самим хочется понять, что же именно они ваяют? Особенно эта проблема становится актуальной, если проект, так или иначе, подразумевает организацию взаимодействия больших масс людей. Возникает соблазн типизировать стартап как разновидность социальной сети в этом случае. Но это категорически делать нельзя! Во-первых, потому что инвестиции на социальные сети никто никогда не выделит. Ибо глупо конкурировать с FaceBook или "Одноклассниками". А во-вторых, потому что существующие популярные социальные сети дискредитировали себя как класс продуктов. Низведя все богатство социальных взаимодействий до уровня лайков/дизлайков и сетевой ругани. Однако социологическое определение социальной сети на порядки превосходит тот функционал, которым обладают популярные социальные сети. Потому не оскудеет поток инноваторов, которые мыслят стартапами в области социального взаимодействия. Вот для них данная статья.

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

Неделя выдалась насыщенной: OpenAI запустили ChatGPT Health для проверки здоровья, Anthropic релизнули Cowork — аналог Claude Code для непрограммистов, новые инструменты от Qwen и Higgsfield, а цены на оперативу вырастут ещё на 70%. 

Всё самое важное — в одном месте. Поехали!

По результатам голосования публикуются исходники устройства, а именно:

Корпус:
1. 3D-модели деталей и сборки корпуса в редактируемом формате SolidWorks 2019.
2. 3D-модели деталей корпуса для 3D-печати в формате *.STL и проект в Creality с правильной ориентацией деталей при печати.

Код:
1. Исходники под Arduino IDE в формате *.ino.
2. Скомпилированные бинарники под ESP32C3 в формате *.bin.

Всё доступно на Github, файл Readme с инструкцией по сборке прилагается.

— Лень читать Readme, как это быстро собрать с помощью нейронки?

95% корпоративных пилотов по внедрению LLM проваливаются. При этом фрилансеры и инди-специалисты показывают кратный рост эффективности с теми же инструментами.

Проблема не в технологии — проблема в том, что старые методы внедрения инноваций здесь не работают. Компания не может внедрить LLM сверху, а сотрудники не хотят внедрять снизу.

Почему так и что с этим делать?

В предыдущей статье "Почему нейросети не заменят прикладных специалистов: простая логика против вероятностных подходов" рассматривались общие вопросы поиска решений управляемого данными. Эта информационная технология, основанная на простой логике, позволяет оперативно вести диалог с пользователем, используя накопленные в процессе поиска решения данные. Для того чтобы это работало - требуется фрагментировать знания предметной области в виде функций с заданными областями допустимых значений входящих в них параметров.

В данной статье рассматривается вопрос о представлении предметных знаний в виде общедоступных документов, позволяющих интерпретировать их, как вышеозначенные функции и затем использовать в качестве компонентов базы знаний.

Всё нижеследующее, хорошо всем известно, но в контексте поиска управляемого данными обретает новый смысл и функциональность.

ПРИМЕЧАНИЕ. В качестве примера выбрана реальная задача из медицинской практики связанная с назначением антирабической помощи. Антирабическая помощь необходима для исключения заболевания бешенством после контакта с домашним или диким животным. Бешенство смертельно опасное заболевание. От правильности врачебных назначений зависит жизнь обратившегося за медицинской помощью. Имеется инструкция, регламентирующая действия по оказанию антирабической помощи, которая и является первоисточником базы знаний. Несмотря, на кажущуюся простоту выбор лечения (профилактики) требует чёткого анализа ситуации и учёта многих факторов. Экспертная система в диалоге управляемом данными не позволит ничего пропустить и предложит безошибочное решение.