Исследования и прогнозы в IT *

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?

Привет! Я — Аля, старший продакт-менеджер выделенных серверов в Selectel. За последние полтора года в мире сетей для ИИ произошла серия событий, которые по отдельности выглядят как обычные корпоративные новости, но вместе они складываются в любопытную картину.

Broadcom с октября 2025 года серийно отгружает коммутатор Tomahawk 6 «Davisson» с оптикой, встроенной прямо в корпус чипа, а его предшественник разошелся десятками тысяч штук. NVIDIA анонсировала собственные коммутаторы с той же технологией и уже запустила их в производство. Marvell в феврале 2026 года купила стартап Celestial AI, сумма сделки — около $3,3 млрд. Стартап Ayar Labs в марте 2026 года привлек $500 млн при оценке $3,75 млрд, и среди его инвесторов одновременно NVIDIA и AMD. А Lightmatter инвесторы оценили в $4,4 млрд еще до первого массового продукта.

Все эти ставки сделаны на одну и ту же технологию — совместно упакованную оптику, CPO (co-packaged optics), то есть оптику, собранную в одном корпусе с чипом. Да, но оптика в дата-центрах — вообще-то не новость. Оптоволокно носит трафик между городами уже полвека, а между серверными стойками пару десятилетий. Что такого могли придумать в этой области, чтобы настолько разные компании синхронно понесли туда свои миллиарды? 

В статье разберемся, что такое совместно упакованная оптика, при чем тут фотонный интерконнект и что все эти компании на самом деле покупают.

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!

RTX 5090, одна и та же сборка llama.cpp, один драйвер, батч 1. Плотная Qwen3.5-9B выбирает 72% пропускной способности памяти карты. MoE Qwen3.5-35B-A3B на той же карте выбирает 41%.

Маршрутизация экспертов тут почти ни при чём, я её измерил: ядра top-k занимают 7% времени. CUDA-графы захватываются, дыр между запусками нет, занятость SM 97%. Карта работает почти всё время, просто делает работу медленнее, чем позволяет память.

Причина оказалась в том, сколько байт читает одно ядро за запуск. Я написал программу на ggml, которая гоняет тот же mul_mat_vec_q на холодных весах, и снял кривую: на 1 МБ ядро берёт 23% полосы, на 4.2 МБ уже 53%, на 33.6 МБ 91%. У MoE на одно ядро приходится 4.6 МБ, у плотной модели 22.2 МБ. Вот и весь разрыв.

В статье: разбивка всех 437 матвеков по трассе nsys, четыре способа померить это неправильно и посидеть в каждой ловушке по очереди, проверка модели на другой архитектуре с ошибкой 3.7% и на четырёх глубинах контекста, цена сэмплера и всей обвязки llama-server. Последнее оказалось крупнее всего остального: пользователь видит 225 токенов в секунду там, где бенчмарк показывает 317.

Проверил метаданные их документов, реестр компаний, их репозиторий с кодом и блокчейн. Отправил 6,66 доллара, чтобы посмотреть, куда уйдут деньги. Больше всего сказала опечатка в одном слове интерфейса. И порог вывода: пятнадцать миллионов долларов.

Друзья, всем привет! На связи Ольга Попова, ИИ-Евангелист Лаборатории искусственного интеллекта Департамента больших данных Россельхозбанка. Я подготовила новый дайджест новостей про ИИ. Поехали!

Anthropic выпустила Claude Opus 5, OpenAI обновила модель по умолчанию в ChatGPT до GPT-5.6 Luna,  Alibaba выпустила Qwen3.8-Max, китайская MiniMax разрабатывает открытую модель с 2,7 трлн параметров и не только!

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.

Может ли машина программировать — или она лишь продолжает намерение человека? Споры о вайбкодинге часто застревают между восторгом от скорости и страхом потерять контроль. Но практический вопрос точнее: при каких условиях созданной с участием ИИ программе можно доверять?

В статье я рассматриваю вайбкодинг как новый слой между намерением и программным кодом и разбираю одиннадцать возражений: от почти правильных ответов, технического долга и ложных тестов до безопасности, перегруженного ревью и утраты навыков. Попробуем провести границу между полезным делегированием и отказом от инженерного понимания.

Когда я начинала карьеру в рекрутинге, всё было проще: резюме писали люди, а не «цифровые агенты», кандидаты самостоятельно проходили собеседования, без помощи ИИ, казалось, еще немного и мы окажемся в чудесном мире будущего... В итоге, в 2026 году IT‑рынок все больше напоминает смесь «Матрицы» с «Голодными играми», и одну из ролей в этой драме играю я.

Меня зовут Татьяна Богословская, я руководитель сектора подбора персонала в Fix Price. Наша компания — это тысячи магазинов, сложная IT‑инфраструктура и команда, которая постоянно растет. Конечно, мы непрерывно ведем подбор и нам очевидно, что в сфере IT началась флоп эра: на рынке много специалистов, но найти и привлечь подходящего кандидата стало труднее. Воронка найма расширилась: теперь приходится проводить гораздо больше интервью, чем раньше. В этой статье я попытаюсь обобщить текущие тенденции и надеюсь, что она будет интересна и кандидатам и коллегам‑рекрутерам.

Привет, Хабр! Меня зовут Александр Михайличенко, я консультирую промышленные компании по безопасности АСУ ТП и КИИ. В прошлом году мы с командой AKTIV.CONSULTING провели исследование зрелости ИБ в 52 российских компаниях, и наткнулись на цифру, которая зацепила: комплаенс у компаний закрыт на 45%, а реальная техническая защита — на 29%. Компании тратят миллионы на бумажную безопасность, а потом читаем в новостях про очередной шифровальщик, остановивший производство.
Родился простой вопрос: а сколько вообще стоит атака?

Начал считать — и увлекся. Аренда шифровальщика — $40 в месяц. Доступ к сети крупной компании — $500. ИИ-фишинг с кликабельностью 54% — $50 в неделю. Ущерб для жертвы — миллионы долларов.

Эта статья — про то, что я насчитал. И про то, почему защита проигрывает не из-за плохих технологий, а потому что экономика сломана: атака дешевеет, защита дорожает, и никто не хочет считать эту разницу вслух.

Сложно недооценить значимость информационных технологий в 21 веке, особенно в последнее время, когда стало очевидным их стратегический потенциал в информационном пространстве, в финансовых системах, системах управления предприятиями и отраслями экономики, и в вооруженных конфликтах. Так сложилось, что Россия на сегодняшний момент занимает достаточно высокие позиции по развитию и суверенитету ИТ технологий, занимая примерно третье место после США и Китая. Такой успех во многом опирается на сильные стороны советского наследия (математическая школа, фундаментальная наука, подготовка инженеров) и постсоветский «прорыв» в отдельных сегментах: поисковые системы, антивирусы, банковское ПО, государственные цифровые платформы (Госуслуги, СБП, ЕГРН и др.), а также импортозамещение в условиях санкций.

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.

Эта статья не о том, что SEO перестало работать. Она о том, почему архитектура поиска изменилась настолько, что привычной модели «индексация → ранжирование → клик» уже недостаточно для описания происходящего.

На протяжении более двадцати лет веб-поиск был относительно простой системой.
На высоком уровне ее можно представить следующим образом:

Каждая вторая статья про «алгоритм Threads 2026» держится на цифрах, которых никто не показывает. Я решила посчитать сама и заодно проверить, переживут ли выводы тест на случайность.

200 аккаунтов русскоязычных маркетологов, 16 724 поста. После чистки осталось 4 848 профессиональных постов от 103 авторов. Метод — нормализация внутри автора плюс перестановочный тест. На четырёх признаках из двенадцати это переворачивает знак эффекта относительно наивного подсчёта.

Результат неприятный: три самых частых приёма у маркетологов работают в минус, а приём с самым сильным плюсом встречается всего в 6% постов.

Дальше — сбор данных, метод с кодом и точными p-value, результаты и раздел про ограничения, которых тут хватает.

Threads принадлежит компании Meta, которая признана в России экстремистской организацией и её деятельность запрещена.

Представьте двух мальчиков 12 лет. Один из них родился в семье отца-работяги со средним образованием и средним достатком, у второго мама и папа получили высшее образование, имеют собственный бизнес и крупные суммы на счетах. У кого их этих подростков будет шанс стать великим изобретателем? 

Исследователи представили первый лонгитюдный региональный атлас межпоколенческой образовательной мобильности. Регионы Европы, где образовательные возможности людей в наименьшей степени зависят от уровня образования их родителей, как правило, демонстрируют наибольший уровень инноваций — и это подтверждается числом патентов. 

Как обосновать ИТ-бюджет через FMEA и RCM — методологию надёжности, которой на предприятии уже доверяют

Постепенно, по мере получения практических результатов эйфория от ожидаемых результатов внедрения генеративного ИИ в процессы компаний проходит. И это обусловлено показателями, полученные компаниями при использовании в своей деятельности ИИ-агентов.

В июле 2026 г. вышел исследовательский материал под названием «ИИ-агенты: где хайп, а где реальность», подготовленный сотрудниками «Яков и Партнеры» (см. сайт: https://yakovpartners.ru/publications/ai-agents/), где проведен анализ использования ИИ-агентов за рубежом и в России за последние годы и представлены выводы по эффективности их внедрения в компаниях и практические предложения для владельцев и руководителей по их использованию. Выдержки из этого материала далее будут выделены курсивом.

На рынке ИИ-агентов сложилась парадоксальная ситуация:

Четверть века индустрия учётных систем строила экранные формы. Журналы документов, обработки, консоли отчётов, подборы, помощники — всё это считалось главной ценностью продукта: за удобные формы платили, за неудобные ругали внедренцев. Последние полтора года я смотрю, как ИИ-агенты работают с нашей 1С напрямую, без единой открытой формы, — и вижу, что у экранного интерфейса учётных систем осталось немного времени. А следом встаёт вопрос и о самой учётной системе как посреднике между бизнесом и его данными.

Это первая статья цикла: манифест с прогнозом. Во второй будет экономика вопроса и что она сделает с b2b-компаниями, в третьей — подробный кейс, как мы к этому шли.

Кто я и почему об этом пишу Я CTO в b2b-компании: дистрибуция с внешнеэкономической деятельностью, 1С:УТ и 1С:Бухгалтерия, Битрикс24, десятки человек в бэкофисе, десятки тысяч номенклатур, около 28 тысяч контрагентов в справочнике. Мы внедряем мультиагентную систему с виртуальными сотрудниками — сейчас идёт третий этап. За предыдущие полгода на полностью ИИ-автоматизированном пайплайне разработки для 1С выполнено больше тысячи доработок и внедрений 1С + Битрикс24: архитектура учётного контура подготовлена под агентов, и мы перешли к пилотам. Первый виртуальный сотрудник — финансовый аналитик — уже отвечает руководству в чате цифрами из боевой базы.

Поэтому дальше — не футурология по мотивам твиттера, а экстраполяция того, что я вижу в проде каждый день.

Что такое учётная система, если убрать вежливость Разберём 1С (или любую ERP — SAP и Dynamics устроены так же) на слои:

Исследователи AISLE обнаружили критическую уязвимость, которая затрагивает Cursor, Microsoft Visual Studio Code и Google Antigravity. Проблема позволяла злоумышленнику добиться удаленного выполнения кода (RCE), если разработчик открывал специально подготовленную ссылку в сообщении Git-коммита. 

Несмотря на то, что исправления уже выпущены всеми тремя вендорами, инцидент показал новую проблему всей экосистемы AI-IDE — наследование уязвимостей между продуктами, построенными на общей кодовой базе. По оценке исследователей, потенциально под угрозой могли находиться около 50 миллионов пользователей.

Пока одни запускали GPT-5.6 Sol Max, другие ломали копья в холиварах «Kimi K3 vs Claude Opus 5», Alibaba тихо (ага, с ростом акций на 7% в моменте – очень тихо) вкатила модель, которую сама называет «новой планкой для кодинга и совместной работы». Знакомьтесь: Qwen3.8-Max, 2,4 триллиона параметров(всего-то), контекст на миллион токенов и обученная не просто быстро отвечать, а не сдаваться днями.

Привычный рефлекс «очередной китайский флагман – очередные астрономические циферки – очередное “мы почти догнали Anthropic”» отчасти правдив. Но тут три вещи, ради которых стоит потратить пять минут: во-первых, Alibaba внезапно впервые открывает веса модели Max-класса; во-вторых, независимая проверка разошлась с вендорскими цифрами, и это отдельная маленькая драма в твиттере; в-третьих – релиз подсвечивает тренд, который многие стараются не замечать – дело, возможно, не в модели, а в том, что вокруг неё построено.

Ну что, поехали. Разберём по порядку.