Будущее здесь

Всем привет! Я продолжаю цикл статей про применение ИИ в тестировании. Мы уже разобрали shift-left: контекст, тестирование требований, генерацию тестовой документации, автотесты и оптимизацию тестовой модели. Но даже когда кейсы написаны, а автотесты готовы, остаётся задача, на которую может уходить довольно много времени — это подготовка тестовых данных для ручного тестирования.

Штука, которая точно есть; все о ней говорят; каждый уверен в своей; снаружи её не найти и не доказать, а споры о её существовании не утихают десятилетиями.

Это не научная статья и не популяризаторский пересказ — это стенограмма настоящего диалога с Клод (Anthropic), в котором мы пытались разобраться, почему споры о сознании (зомби, чужие сознания, hard problem) в принципе не заканчиваются данными, и что с этим общего у теоремы Гёделя о неполноте. По ходу поймали друг друга на ошибках трижды — эти моменты в тексте не вычищены, они часть аргумента.

Перегрев в космосе — это опасность как для научного оборудования, так и для вычислительной электроники на спутниках. В космосе нет конвекции, а сброс тепла только через излучение значительно усложняет и так непростую задачу.

Давайте разберемся, как ее решают и можно ли сделать радиаторы используя только внеземные материалы?

Если посмотреть на главные тренды EdTech в 2026 году, будущее образования выглядит почти неприлично удобным: искусственный интеллект создаёт учебный контент на лету, подбирает персональную траекторию, отвечает на вопросы в любое время суток и терпеливо объясняет одно и то же столько раз, сколько потребуется;¹ длинные курсы распадаются на короткие модули, которые можно проходить между двумя созвонами, по дороге на работу или буквально внутри рабочего процесса;² симуляции позволяют тренировать навыки без риска испортить отношения с живым клиентом, а компании наконец получают возможность не просто отправлять сотрудников учиться, но оценивать их компетенции, видеть дефициты, собирать индивидуальные планы развития и измерять результат.²³

Всё это звучит разумно — особенно если помнить, каким мучительным, дорогим и часто бессмысленным было корпоративное обучение ещё совсем недавно. Сотню очень разных людей сажали в один зал перед одним преподавателем, выдавали одинаковую программу и потом искренне удивлялись: почему половина участников проверяет почту, вторая половина мысленно решает рабочие задачи, а применять полученные знания не собирается вообще никто. На этом фоне персонализация, микрообучение, AI-тьюторы и обучение в рабочем потоке выглядят не очередной технологической модой, а долгожданным возвращением здравого смысла: человек получает именно то знание, которое ему нужно, именно тогда, когда оно понадобилось, и в форме, которую он способен воспринять.

Проблема в другом. Почти все разговоры о будущем EdTech начинаются с возможностей технологии и заканчиваются ими же — как будто по ту сторону интерфейса находится не живой человек со своим опытом, страхом, усталостью, гордостью и конечным запасом внимания, а достаточно исправный приёмник образовательного контента, которому прежде просто неправильно подбирали частоту. Мы обсуждаем, как сделать обучение доступнее и точнее. И значительно реже задаёмся вопросом, почему взрослый человек вообще должен хотеть бесконечно учиться — и сколько раз за одну профессиональную жизнь он способен без серьёзных потерь пересобрать самого себя.

В последние недели собрал и протестировал 15 пользовательских ¹ моделей (CM). Не претендую на полноту изучения опции, но надеюсь, что кому-то мой опыт сэкономит время. Основной вопрос: как на поведение модели влияют материал для тренировки (DS), стили, Lyrics и параметры.

¹ идея витала в воздухе, как только народ услышал генерации очень похожие на известных артистов. В Udio/ Suno требовались танцы с бубном, в Sonauto (ныне Treblo) достаточно было ввести имя в промпт. В конце 2024 г. один проф. певец задал мне вопрос: "Как генерить с моим голосом и манерой?". Сделал его RVC-модель, он: "Тембр точно мой, но манера не везде", а с DS для Suno v3.5: "... похоже, и тембр, и манера. А можно, чтобы вообще как я и чистый звук?" Ответ: "Нужна ваша собственная модель".

Кажется, первыми CM предложили Mureka (Personalized Model): DS из 100+ треков (до 4 мин.), разовый платеж $100-200, тренировка ~3 ч. (сам не пробовал). Zaptrem (основатель Sonauto) на запрос о CM ответил, что не раньше v3. Локальные/ "открытые" инструменты я не смотрел (в своё время помучился с RVC на Google Colab и HuggingFace), но … как-нибудь попробую.

Во всех экспериментах с муз. ИИ меня интересовало 2 момента: а) как это устроено; б) как облагородить свои треки — придать правильное и "живое" звучание. Я не профессионал, но мне не нужно, чтобы ИИ за меня сочинял. Думаю, композитору важно самому отвечать за каждую ноту. Хотя можно и так: "Сгенери в моём стиле, а я выберу".

"Наевшись" вариативности с Persona, Your Voice, да и вообще с генерацией в Suno, я решил тестировать CM сразу на ярком материале. У меня не было и нет планов создавать несуществующие песни знаменитостей ², но с DS из треков известных певцов поведение CM (похоже/ непохоже) должно быть очевидным для многих. Suno не работает с хитами, но пропускает генерации от Sonauto/ Treblo, т.к. мелодия и текст другие. Треки очень близки к реальным артистам — если не фанат, решишь, что просто не слышал эту песню.

Еще раз обдумывая концепцию, отраженную в статье Робомедведи-спасатели, я пришел к выводу, что робот - горный спасатель должен обладать свойствами, котрых нет у робомедведя:

Недавно вышел очередной фильм по «Дюне». Первая же серия — открывающий облет над Арракисом: камера ныряет между дюнами, будто сама превращается в песчаную бурю, гигантский червь всплывает из-под поверхности пустыни как левиафан, а орнитоптеры складывают крылья настолько правдоподобно, что на секунду забываешь, что это графика, а не документальная съемка насекомообразной машины. Работа сделана душевно и с почтением к первоисточнику.

И все же чего-то не хватает.

Пожалуй, только Дэвиду Линчу в свое время удалось хоть немного прикоснуться к настоящему масштабу замысла Герберта, но даже он при всей своей безумности замысла и психоделической смелости не смог вместить все. С тех пор прошло больше сорока лет, и никто так и не подобрался ближе к глубине гениального автора.

Бюджеты и спецэффекты здесь ни при чем. «Дюна» — это честный, местами беспощадный набор мысленных экспериментов о природе власти, свободы и человека, который моделирует нашу цивилизацию в обход собственных технологий, а не благодаря им. Но в экранизациях эта глубина обычно растворяется в красивой картинке.

Выход сериала удачно совпал по времени с глобальной дискуссией об искусственном интеллекте. Эти споры напомнили остроту поставленных романом вопросов. Страх потери контроля, требования ограничить ИИ, тревожные прогнозы от людей, которые сами его создают, — Герберт проиграл этот сценарий в уме еще полвека назад, только вместо экрана и графики у него для этого была печатная машинка. И закончил он его настолько неожиданно, что вряд ли кто-то из нынешних паникеров сумел бы предположить такой поворот. Это лишь один из возможных вариантов будущего, придуманный фантастом задолго до нынешних споров, но по пути к нему Герберт успевает задать вопросы, которые звучат сегодня даже острее, чем во времена написания романа.

В ИТ-проектах я всё чаще вижу новую норму: когда руководитель проекта, заказчик или HR рассматривает специалиста в команду, он уже не ограничивается присланным резюме. Гораздо проще открыть ChatGPT, Gemini, DeepSeek или другую привычную модель и спросить: «Что известно об этом человеке как о профессионале?» И вот здесь начинается самое интересное: машина собирает ответ не из того, что человек хотел о себе рассказать, а из того, что о нём действительно осталось в цифровой среде.

Для зрелого специалиста это создаёт совершенно новую проблему. Можно иметь двадцать лет опыта, десятки сложных проектов и сильную профессиональную репутацию — и при этом обнаружить, что в цифровом мире вся эта история существует разрозненными кусками. Резюме сообщает должности, профиль показывает выбранное представление, цифровой след хранит отдельные события, но ни один из этих элементов сам по себе ещё не доказывает профессиональную способность. Чем легче с помощью ИИ написать безупречное резюме, тем важнее становится другое: можно ли восстановить путь от заявленной компетенции к реальной задаче, личному действию, результату и подтверждению.

Именно с этого вопроса у меня началось исследование профессионального цифрового профиля, которое в итоге привело к гораздо более широкой идее — доказательной цифровой профессиональной карты. Она нужна не для того, чтобы громче рассказывать о себе, а для того, чтобы самому управлять своей профессиональной историей: связывать проекты, роли, результаты и доказательства, сохранять границы раскрытия и не оставлять машине право додумывать отсутствующие связи. О том, почему это становится особенно важно в мире ИИ и что постепенно может прийти на смену привычному резюме, — дальше в статье.

Есть довольно привычный сценарий продвижения корпоративного продукта. Мы выпускаем решение, готовим страницу мероприятия, назначаем дату вебинара, делаем рассылки, рисуем баннеры, собираем регистрации, готовим презентацию, напоминаем об эфире, проводим его, публикуем запись, разбираем вопросы и передаем заинтересовавшихся пользователей продажам.

А потом возникает неприятный вопрос: а покупателю вообще нужен был вебинар? Может быть, ему достаточно было за несколько минут увидеть продукт в работе. А может быть, наоборот: никакая запись не ответит на его вопросы, потому что нужно понять, подойдет ли решение именно для его компании.

После нескольких таких запусков я пришла к выводу, что спор «вебинар или видео» в 2026 году сформулирован не совсем правильно. Покупатель выбирает не столько формат. Он выбирает, сколько собственного времени и общения с продавцом готов потратить, чтобы принять решение.

Классическая корпоративная воронка часто выглядит примерно так: Хотите посмотреть продукт? Оставьте заявку → менеджер позвонит → договоримся о времени → проведем демонстрацию.

С точки зрения продавца все логично. Компания получила контакт и может начинать продажу. С точки зрения покупателя еще ничего не произошло, а обязательств уже довольно много. Ему нужно оставить данные, дождаться звонка, договориться о времени и выделить место в календаре. И только после этого он наконец увидит интерфейс. На Маркетплейсе это особенно заметно. Рядом находятся другие продукты, часть из которых можно изучить немедленно. Поэтому индивидуальная демонстрация не должна быть единственным способом увидеть продукт.

Представим, что при запуске ИИ получает доступ к архиву тысяч предыдущих попыток: удачные методы, ошибки, споры, опровержения и нерешённые вопросы. Очевидно, что способность системы может расти, даже если сама базовая модель не меняется.

Но что и как именно система запоминает? Не только открытия. Вместе с ними в архив попадут устаревшие инструкции, ложный консенсус, случайные ошибки и выводы, которые все повторяют, хотя никто уже не помнит, откуда они взялись.

Поэтому научной системе недостаточно уметь узнавать новое. Она должна уметь при достаточных основаниях перестать считать истиной то, что уже очень хорошо «знает». Причём желательно не после первой странной цифры прибора — иначе вместо учёного получится генератор сенсаций. Но и не через сто лет после того, как старая теория окончательно перестала предсказывать мир.

Ниже я предлагаю эксперимент, который проверяет именно этот баланс. В нём одна и та же языковая модель получает одни и те же экспериментальные данные, но разную биографию старой теории. В одной версии она остаётся рабочей гипотезой. В другой успевает стать учебником, обрасти цитатами и породить зависимые знания.

Если решение меняется только из-за статуса и числа пересказов, мы получаем измеримый эффект научного авторитета при неизменной доказательной базе. Если этот эффект можно уменьшить, не заставляя ИИ устраивать революцию после каждого сбоя прибора, возникает уже инженерный вопрос: можно ли программировать не только память исследовательской системы, но и правила, по которым она меняет убеждения?

Маск анонсировал проект орбитальных ИИ-дата-центров под скромным названием AI Sat Mini. Заявленная цель — вывод 100 ГВт компьюта (вычислительной мощности) в год, что потребует вывода на орбиту тысяч тяжелых спутников. Это крайне затратный процесс, поэтому предлагается перенести сборку на Луну и отправлять аппараты на орбиту с помощью электромагнитной катапульты: низкая гравитация и отсутствие атмосферы кратно упрощают запуск.

Однако производство современных чипов на Луне невозможно. Нанолитография требует сверхчистых стерильных сред, бесперебойных поставок редких химических реагентов и колоссальных объемов очищенной воды. Производственная цепочка распределена по миру и жизнеспособна только когда миллиардный глобальный спрос окупает триллионные затраты на полупроводниковые фабрики. Попытка перенести процесс на Луну приведет к экономическому коллапсу.

Однако для всей идеи это не приговор. Да, вычислительные чипы важны, но они составляют малую часть от общей массы. Основной вес аппарата приходится на силовые каркасы, радиаторы охлаждения и солнечные панели. Их конструкция относительно проста, а значит, плавить лунный реголит для отливки корпусов и раскатывать подложки панелей можно прямо на месте, доставляя остальные компоненты с Земли для финальной сборки.

Здесь возникает главный вопрос: насколько вообще реалистичен такой подход и есть ли в нем практический смысл, если разделить производство на лунную и земную части?

Этому вопросу и посвящен цикл статей. В нем мы последовательно разберем ключевые узлы спутниковой платформы. Начнем с солнечных панелей — основного источника энергии. Затем рассмотрим радиаторы охлаждения, силовой корпус, гиродины для ориентации, двигательную установку и другие системы.

Кажется, что слово «революция» применительно к искусственному интеллекту используют слишком легко. Каждый новый продукт теперь «революционный», каждая новая модель «меняет всё», а через полгода выходит следующая.

Но если отойти от конкретных моделей, чат-ботов и маркетинговых заявлений и посмотреть на происходящее в масштабе истории, картина получается интереснее.

Я считаю, что революция искусственного интеллекта уже началась.

Не в том смысле, что ИИ уже заменил людей, наступил AGI или мы точно знаем, каким будет рынок труда через десять лет. Как раз этого мы не знаем.

Революция — это процесс. И процесс уже идёт.

Причём во многих отношениях происходящее удивительно похоже на предыдущие технологические революции: сначала появляется новая фундаментальная технология, затем она быстро совершенствуется и дешевеет, после чего проникает в разные отрасли. Старые процессы сначала пытаются просто делать немного быстрее. Потом выясняется, что технологию выгоднее использовать вообще иначе. Начинается перестройка компаний, профессий, инфраструктуры и в конечном счёте общества.

Именно так происходило раньше.

Привет! Меня зовут Саша Журавлев. Я венчурный инвестор и основатель фонда Mento VC. Мы инвестируем в технологические компании на стадиях Seed / Series A в США, а в своем телеграм-канале рассказываю, как вижу рынок и принимаю инвестиционные решения.

Вчера Марк Цукерберг опубликовал огромный манифест о том, каким он видит будущее с AI и сверхинтеллектом. Мне он показался интересным, поэтому мы с командой его изучили и перевели для вас. Приятного прочтения!

77-летний робототехник больше двадцати лет не давал больших интервью. Теперь он рассказал, почему верно оценил скорость развития ИИ, но совершенно иначе представлял сам машинный разум.

Современная реальность ежедневно проходит своеобразный стресс-тест: нейроимпланты, сложные LLM-системы, AGI и социальная инженерия — все это теперь часть нашей действительности. Об этом снимают много фильмов и сериалов. В этой подборке в блоге ЛАНИТ мы решили собрать релизы, которые вышли в 2022-2024 годах. Разберем, как в «RZR» показывают взлом BCI, какие уроки по защите персональных данных можно извлечь из документалки «Web of Make Believe» и почему поведение ИИ-помощника в «Санни» — это готовый кейс для ML-инженера. 

Некоторые графики объясняют происходящее лучше, чем десяток книг с прогнозами. Вот, например.

Это структура демографической нагрузки в Европе с 1950 года. В 1950-м на сто человек трудоспособного возраста приходился 41 ребёнок и 12 пожилых. В 2023-м - 24 ребёнка и 31 пожилой. Сама нагрузка почти не сдвинулась: 53 иждивенца тогда, 55 сейчас. Перевернулась её структура.

Раньше большинство тех, кого содержало работающее общество, только собирались войти в экономику. Теперь всё большая доля иждивенцев из неё, наоборот, выходит. За этим сдвигом проявляется смена модели, на которой держится почти всё, что мы считаем устройством нормальной жизни.

С момента внедрения ЕГЭ прошло уже больше 15 лет. Если верить цифрам, которые мы видим в новостях, то может показаться, что мы наблюдаем образовательное чудо: средний балл по математике неуклонно растёт. Уже в этом [2026] году средний балл составил 66, что выглядит очень впечатляюще, ведь 10 лет назад средний балл составлял ~46.

Но что на самом деле скрывается за этим невероятным прогрессом? Дети стали умнее за 10 лет? Образование совершило новый скачок? А может, дело в чём-то другом?

Давайте обратимся к цифрам, графикам, подключим логику и разберёмся, что же на самом деле скрывают эти цифры.

Посмотрев интервью Маска и выступления, обнаружил в нем одно интересное математическое противоречие, которое делает достижение сингулярности практически невозможным при условии, что люди будут вести себя хоть сколько-то рационально. Чтобы возникла экономико-технологическая сингулярность, люди должны инвестировать в нее. Но эти инвестиции не рациональны, и поэтому она не должна возникнуть.

Предлагаю ознакомиться с сутью этого парадокса.

Некоторое время назад я случайно познакомился с Леонидом, и вскоре выяснилось, что когда-то мы оба работали в EPAM, хотя были в разных командах и лично тогда не пересекались. Леонид уже много лет увлекается генеалогией и развивает проект Biografissimo. Знакомство с ним вернуло меня к давнему интересу к семейной истории.

Работая с открытыми источниками, Леонид обнаружил запись о рождении и крещении Виктора Витшаса, сына моего прадеда Вильгельма Рудольфа Витшаса и Анны Элизабет Штеркель, сорбские корни фамилии (Wićaz означает «свободный крестьянин») и сведения об Оскаре Эдмунде Эвальде Матвеевиче Витшасе, фабричном смотрителе из Моршанска.

«Планируйте задачу с достаточным контекстом» — совет, который есть в каждой статье про агентов. Я споткнулся об одно слово: достаточным — это сколько?

Пока я не ответил на этот вопрос, любые фоновые агенты выдавали мне уверенное, гладкое «не то». Я кидал ИИ идею и ждал результат, к которому сам пришёл бы за вечер прототипирования. Оказалось, дело не в том, что модель слабая или обвязка кривая, а в том, какую часть работы я ей отдал, — продумывание.

Внутри: где для меня проходит граница между «придумать самому» и «делегировать», почему документация и архитектура работают стенками конуса, а роудмап — линией по его центру, и как всё это зашито в пятислойный харнес для Claude Code — от пустой папки с одним именем до папки с кодом, в который я ни разу не смотрел.