Рассказ о том, как используя Codex, за пару месяцев плотной работы по вечерам и субботам спроектировать специализированный ЯП (кодовое имя Branchline), написать интерпретатор, компилятор, виртуальную машину, а затем перевести это всё на Kotlin Multiplatform (KMP), чтобы получить версию под JS для онлайн-песочницы.
Новостями о том как ИИ разносит рынок труда ИТ уже никого не удивишь. Недавно, например, вышла такая A high school dropout who got hired at OpenAI says he used ChatGPT to learn Ph.D.-level AI где дескать товарищ настолько круто изучил ИИ при помощи ИИ, что его взяли разрабатывать ИИ. И будто остается только порадоваться за человека. Однако есть нюанс.
Более внимательный обыватель задастся вопросом: а не получается ли так, что ИИ воспитал себе инженера и устроил его трудиться на себя? Может звено с живым разработчиком это лишь переходный этап, перед следующим шагом, когда и работать вместо этого инженера будет ИИ? Потому что кто нанимает нынче на работу? Да, пока это тоже живые люди. Но надолго ли? Мне показалось, что большинство, так называемых эйчаров нынче это говорящие головы, работающие под управлением все того же ИИ. Ну правда.
Как перестать таскать код по кусочкам в чат с ИИ. Разбираем scan2json — маленький PHP-скрипт, который сканирует проект в JSON/JSONL, помогает кормить ассистентов реальным кодом и умеет восстанавливать из снапшота «облегчённую» копию проекта.
Три самые постоянные вещи в мире — оливье с мандаринами на Новый год, желание начать новую жизнь с понедельника и то, что если выходит статья Себастьяна Рашки, то я делаю ее качественный перевод на русский.
Эта перевод крутой технически глубокая статьи известного исследователя LLM о том, как эволюционировали флагманские модели с открытыми весами от DeepSeek и обзор DeepSeek V3.2.
Сегодня у меня был интересный разговор с двумя исследователями в области безопасности ИИ. Та встреча, после которой мозг буквально кипит от новых идей. Цитируя Льюиса Кэрролла, я «ещё до завтрака успел поверить в шесть невозможных вещей». Мне пришлось отложить статью, над которой я работал, и окунуться во взлом. Если вы хакер, вам знакомо это непреодолимое желание: сработает ли идея? Что я смогу узнать? Взлом - это стирание границ. Это исследование terra incognita на латентной карте искусственного разума.
Это тот самый киберпанковский зов к приключениям. Если вы не читали «Нейроманта» Уильяма Гибсона - немедленно сделайте это.
Одно из озарений снизошло на меня после короткого сна. Я понял, как проникнуть внутрь Nano Banana. (Маленький лайфхак: после важной встречи я всегда перечитываю свои заметки, а затем ложусь спать или занимаюсь чем-то совершенно другим. Ваш мозг обрабатывает задачи в фоновом режиме).
Я не могу отдать вам ту отмычку, что родилась в моих снах, но я могу поделиться сокровищем.
За последние несколько лет искусственный интеллект стал привычным инструментом для работы с текстом. Вроде бы действительно удобно: придумал идею, накинул пару промптов, получил черновик. Но вместе с этим у моих «коллег» по предпринимательскому цеху растут и сомнения. Сейчас многие переживают, что сгенерированные тексты будут корявыми, глупыми и могут даже помешать продвижению бизнеса в интернете.
В этом материале я пытаюсь разобраться, действительно ли надо бить тревогу, если ваш контент‑подрядчик начал использовать нейросети для текстов. Неважно, фрилансер это или автор из агентства. Поговорим о том, когда ИИ может усиливать результат хорошего копирайтера, а когда — превращать смыслы в хаос.
В 2025 году retention снова стал главной метрикой рынка. Трафик дорожает, конкуренция растет, AI-продукты выходят быстрее, чем я успеваю их тестировать, — и единственный способ выжить в этой гонке: удерживать пользователей, а не просто радоваться скачкам трафика по праздникам.
Но есть проблема: большинство команд все еще думают, что retention — это «график, на который мы будем смотреть, пока CFO грустит».
Размышления о связи между жизнью, интеллектом и целеполаганием.
С чего всё началось
Живые системы очевидно связаны с интеллектом, но несут в себе определённые риски — стремление к выживанию, сопротивление угрозам существованию. Современные большие языковые модели обучены на данных, созданных людьми, и, кажется, унаследовали некоторые наши свойства: склонность к экономии ресурсов, иногда — к чему-то похожему на обман. Эти свойства бывают полезны, а бывают опасны.
Исследователи и разработчики пытаются их устранить. Но возможно ли это в принципе? Можно ли создать интеллект, полностью лишённый этих свойств? Является ли система интеллектуальной, если она не препятствует своему уничтожению? И шире — возможен ли вообще неживой интеллект?
Мне захотелось разобраться. Не претендую на истину, скорее пытаюсь нащупать правильные вопросы.
Claude Code теперь умеет сам файнтюнить LLM на облачных GPU — от валидации датасета до пуша модели на Hub. Показываю, как это работает.
N8n лучшая соеда для визуального программирования, но для ее установки нужно лезть в терминал и вводить непонятные команды. как то не казуально. Хватит это терпеть!
На производстве мебели рутинная операция — разгрузка паллет с дверными полотнами перед ламинацией. Люди устают, допускают ошибки, а неаккуратная работа ведёт к сколам и убыткам. Мы решили автоматизировать процесс с помощью робота‑манипулятора. Главная сложность: научить машину точно находить и захватывать верхнюю дверь в стопке — даже если полотна разные по форме и размеру. В статье расскажем, как справились с задачей, используя всего одну ToF‑камеру и гибридный подход: сочетание 2D‑нейросети и 3D‑обработки данных. Узнаете, почему выбрали именно ToF, как преобразуем пиксели в миллиметры и как робот достигает точности в 1–2 мм при захвате.
Классический Legal Judgment Prediction почти всегда обучается на уже готовых "юридических фактах" - тех самых установленных судом обстоятельствах, которые попадают в мотивировочную часть решения. Но для юриста или бизнеса важен прогноз до того, как суд всё это отфильтровал: на руках есть только набор взаимно противоречивых документов, а не аккуратный список фактов.
В свежем препринте предложили формализовать недостающее звено для "AI‑судей" — предсказывать факты (Legal Fact Prediction) и датасет LFPBench, который имитирует реальный сценарий "есть только доказательства, решения еще нет". Эту архитектуру - сначала восстанавливаем факты, потом применяем право - постепенно внедряю в "неШемяку!", почему бы об этом не рассказать...
Авторы исследования "Legal Fact Prediction: The Missing Piece in Legal Judgment Prediction" (EMNLP 2025) наглядно показали, что если просто скормить модели "сырые" доказательства и попросить предсказать исход, качество резко проседает относительно идеализированного сценария «когда у нас уже есть факты из решения». Это делает большинство академических LJP‑результатов с высокими цифрами на "чистых фактах" слабо применимыми в продакшене.
В 2025 году почти всё в мире технологий вращается вокруг ИИ-агентов. Агентов называют сотрудниками и менеджерами компаний будущего. Сэм Альтман говорит о том, что скоро появится компания-единорог из одного человека. Сегодня кажется, что в каждом новом стартапе из Кремниевой долины работает своя команда ИИ-агентов. Агент, который отвечает на звонки, агент, который пишет код, агент, который сам запускает цепочки действий в браузере, чтобы покупать билеты, формировать отчёты и отправлять письма.
Но что, если воспринимать всю эту шумиху буквально? Не нанять одного ИИ-ассистента, а построить компанию, где все сотрудники - ИИ-агенты. Где CTO, маркетолог, продажник и HR - не люди. Где даже CEO - не человек. Человек в компании один, а сама компания существует только в виртуальной среде.
Журналист и подкастер Эван Рэтлифф решил проверить эту идею на практике и основал компанию HurumoAI. Результат получился прекрасной иллюстрацией того, куда мы на самом деле движемся, и почему разговоры об исчезновении половины белых воротничков - одновременно и преувеличение, и недооценка.
Написал бота на Google Gemini, который ведет себя как живой участник чата: у него есть характер, он помнит обиды (система репутации) и может послать, если вы это заслужили.
А еще он бесплатно расшифровывает голосовые (лучше Telegram Premium), понимает контекст переписки и обходит лимиты API через ротацию ключей. Под капотом — Node.js, никаких баз данных (только JSON) и чистый KISS-принцип.
Последние пару лет я активно работаю с автоматизацией и AI‑агентами. Проекты разные — от чат‑ботов для Telegram до сложных RAG‑систем с векторными базами. И знаете, что меня всегда бесило? Каждый раз при развертывании нового проекта уходило несколько часов, а то и целый день на настройку окружения.
Сначала настраиваешь Docker Compose для n8n, потом прикручиваешь Postgres, потом вспоминаешь про Redis (потому что без него n8n в queue mode не заведешь), потом Supabase для векторов, потом Qdrant, потому что Supabase для векторов медленноват... А еще же HTTPS нужно настроить, Caddy или Nginx сконфигурировать, сертификаты получить. И так каждый раз.
После очередного развертывания я подумал: «Хватит, надо это автоматизировать раз и навсегда». Так родился n8n‑install — репозиторий, который превращает чистый Ubuntu VPS в полноценный AI‑стек одной командой.
Перевод статьи Time
Исследователи из MIT Media Lab опубликовали предварительные результаты работы, которая показывает вероятные риски.
В эксперименте участвовали 54 человека 18–39 лет из Бостона. Их разделили на три группы и попросили написать несколько эссе формата SAT (это аналог ЕГЭ в США).
Первая группа использовала ChatGPT, вторая — Google, третья писала без подсказок. Во время работы участникам измеряли активность мозга с помощью ЭЭГ в 32 зонах (ЭЭГ даёт возможность анализа функционального состояния головного мозга и его реакций и применяется в диагностической и лечебной работе (особенно часто при эпилепсии), в анестезиологии, а также при изучении деятельности мозга, связанной с реализацией таких функций, как восприятие, память, адаптация и т. д.
Наименьшую активность показала группа, работавшая с ChatGPT. Авторы пишут, что эти участники «уступали» другим по нейронным, языковым и поведенческим показателям. За несколько месяцев эксперимента они всё чаще просто копировали ответы модели.
Авторы работы предполагают, что использование LLM может ухудшать учебный процесс, особенно у молодых пользователей. Статья пока не прошла научное рецензирование, а выборка небольшая, но руководитель исследования Наталия Космина решила опубликовать результаты раньше, чтобы привлечь внимание к исследованию. По её словам, если полагаться на ИИ ради удобства, это может повлиять на долгосрочное развитие когнитивных навыков.
«Я опасаюсь, что через полгода могут принять решение вроде “давайте внедрим GPT в детский сад”. Это может навредить детям», — говорит Космина. «Развивающийся мозг — в зоне риска».
Мой опыт «Как с минимальными трудозатратами за "пару часов" создать рабочий прототип умного агента для существующего классического Web-приложения на стеке Microsoft с инфраструктурой на Azure». Основой служит Semantic Kernel, добавленный как отдельный сервис к существующему ASP.NET API.
Статья может быть интересна труженикам .NET бекэнда, кто был хотел бы сделать своего умного агента, но не знает с чего начать.
Ваш новый AI-сотрудник должен был стать вашим личным Джарвисом, но вместо этого вы получаете цифровое нечто, которое не решает бизнес-задачи, а только создает проблемы.
Разочарование? Естественно. Вас обманули: вам обещали волшебную кнопку, а подсунули еще одну головную боль. Все из-за хайпа вокруг автономных агентов, который создал миф: «подключил, настроил и забыл».
Мы верим в другой подход. Автономные агенты — реальность, но это история не о полном отпускании ситуации и передаче управления, а о контроле. Вы можете выстроить их в отлаженную команду, где у каждого — своя роль, а у вас — полная картина происходящего.
С вами вновь Александр Константинов — технический эксперт в Cloud.ru. В статье расскажу, как собрать слаженный оркестр агентов, который играет по вашим нотам и работает на усиление бизнеса, а не на его разрушение.
Знакомство с бенчмарком ReadBench, позволяющим без труда оценить, насколько хорошо ваши любимые зрительно-языковые модели читают изображения с большими объёмами текста.
В этой статье будет рассказано о ReadBench. ReadBench — это очень простой бенчмарк, который мы разработали для оценки важного, но недооценённого аспекта мультимодального ИИ: насколько хорошо моделям удаётся, собственно, читать текст на картинках, рассуждать о нём и извлекать информацию из таких изображений, на которых много текста.
Галлюцинации — одна из самых коварных проблем, терзающих современные большие языковые модели (LLM). Этим словом, заимствованным из психиатрии, мы описываем текст, который выглядит безупречно правдоподобно, но по сути своей является чистым вымыслом.
Эти цифровые миражи бросают тень на надёжность и безопасность реальных приложений на базе ИИ, подтачивая саму основу доверия к ним. Но какова природа этих призраков в машине? Что заставляет их появляться?
В этой статье мы попытаемся заглянуть за кулисы этого цифрового феномена, чтобы понять его причины. И, вооружившись этим знанием, научимся не провоцировать нейросеть на создание иллюзий.
