1.5 миллиона API-ключей ИИ-агентов утекли в сеть. Но это не самое страшное. Исследователи обнаружили "Prompt Worms" — вирусные промпты, которые агенты передают друг другу, заражая память и выполняя вредоносные инструкции. Разбор инцидента Moltbook, концепция Lethal Trifecta и почему традиционные антивирусы здесь бессильны. Читайте, как слова стали новым вектором атаки.
Нейроночки в последнее время заполонили всё. Ну, почти всё. Cейчас подбираются к роботам. Настоящего прогресса почти так же много как нейрослопа, пиара и преувеличений.
В этой статье попробую рассказать про нейроночки для управления роботами:
🤖 Расскажу немного про теорию
🤖 Покажу как обучить всё это дома на коленке (и стать экспертом в Physical AI конечно)
Мы привыкли, что нейросети — это «черный ящик»: на входе данные, на выходе ответ, а внутри магия. Но что, если этот ящик можно сделать прозрачным? Команда Anthropic провела масштабное препарирование Claude 3 Sonnet, чтобы найти конкретные «фичи», отвечающие за концепции — от Золотых Ворот до уязвимостей в коде. Разбираемся, как устроены мысли нейросети и почему это открытие меняет наше представление о безопасности ИИ.
70K регистраций реальных людей, 70 ботов, оплата в крипте. Разбираем, как это работает и почему это не сатира.
Этот документ не просто описывает поведение модели или ставит ей граничные условия, это попытка обращения к самой модели, попытка компании-создателя LLM "договориться" со своим детищем (и одновременно удовлетворить требования регуляторов и общественности в безопасности и этике модели). Текст этой "конституции" пытается решить несколько непростых вопросов во взаимодействии человека и LLM.
Несомненно, данный документ станет знаковым в современной истории технологий, поэтому считаю необходимым познакомить с ним русскоязычного читателя. Более того, здесь и в "Подростковом периоде" видна попытка Anthropic перехватить у OpenAI интеллектуальное лидерство (и лидерство во влиянии на политику западных правительств в области ИИ)...
Для понимания этого текста рекомендую также прочитать мой перевод "Подросткового периода технологий" — программного эссе Дарио Амодеи, основателя Anthropic.
Представьте: вы скидываете нейросети скриншот сложной программы (будь то Cinema 4D, Excel или 1С) и говорите: «Сделай мне вот это». И через секунду мышка на вашем экране начинает сама летать по кнопкам, выполняя работу за вас.
Это не магия и не дорогой корпоративный софт. Это AI Bridge — микро-утилита на Python, которую можно запустить за минуту.
В предыдущих статьях цикла были рассмотрены информационные блоки и словарь, являющиеся фундаментом технологии поиска решений управляемого данными. Ключевая особенность технологии – динамическое построение алгоритмов из самодостаточных фрагментов формализованной предметной информации. В этой статье будут детально рассмотрены механизмы, управляющие процессом динамического связывания информационных блоков для достижения конечной цели – получения грамотно обоснованного прикладного решения.
Ниже приведено техническое описание основных деталей алгоритма поиска решений управляемого данными. В конце статьи приведены блок-схема и псевдокод возможной программной реализации этой информационной технологии.
Важно отметить, что изложение не привязано к каким-то конкретным математическим методам и технологическим решениям работы с данными: Марковский подход, RL (reinforcement learning), простая статистика частот, ML‑модели, ….
Примеры будут носить абстрактный характер. Детальный разбор перегрузит изложение и уведёт в сторону от основных идей.
Каждый раз, когда кто-то говорит про запуск LLM, возникает вопрос: "А где взять GPU?" Облачные GPU стоят денег, локальные видеокарты стоят ещё больших денег, а бесплатные GPU-тиры исчезают быстрее, чем появляются.
Но что если можно запустить полноценного AI-ассистента вообще без GPU? На обычном CPU. Бесплатно. С хорошей поддержкой русского языка. И развернуть его за 15-20 минут.
В этой статье рассказывается, как запустить Qwen2.5-3B на бесплатном CPU-тире Hugging Face Spaces, создать веб-интерфейс с помощью Gradio и получить работающего ассистента с поддержкой русского языка. Никаких глубоких знаний не требуется — только базовый Python и аккаунт на Hugging Face.
Если вы устали искать бесплатный GPU или просто хотите поэкспериментировать с LLM без лишних затрат — эта статья для вас.
Эта статья — ответ на критику: «перестаньте рассказывать сказки, как AI помогает в науке, покажите примеры!». Действительно, без примеров, рассказы об успешном успехе AI выглядят как сектантский бред.
В феврале 2026-го Google выложил на arXiv препринт на 151 страницу. Пятьдесят авторов из Carnegie Mellon, Harvard, MIT, EPFL и ещё дюжины институтов. Документ называется скромно: «Accelerating Scientific Research with Gemini: Case Studies and Common Techniques». Скромное название, но реально очень крутой контент.
Препринты о возможностях AI выходят каждый день. Большинство — бенчмарки: модель набрала 94.7% вместо прошлогодних 93.2%, поаплодируем. Здесь же, вполне конкретные исследователи рассказывают, как они месяцами бились над открытой проблемой, а потом загрузили её в Gemini Deep Think — и магически получили решение. Или контрпример. Или указание на теорему из совершенно другой области математики, о которой они никогда не слышали.
Некоторые истории оттуда заслуживают отдельного разговора.
Я точно помню, где был, когда мой телефон взорвался уведомлениями.
27 января 2025 года. Утро понедельника. Я стоял в очереди в Starbucks, листал Twitter в ожидании переоцененного латте, когда увидел: "Nvidia упала на 17% на премаркете".
Первая мысль - опечатка. Вторая - может, Дженсен Хуанг объявил об уходе или что-то столь же катастрофическое. Но потом я увидел имя, которое будет доминировать во всех техноразговорах следующий год: DeepSeek.
Китайский ИИ-стартап, о котором никто не слышал две недели назад, только что стер $589 миллиардов с капитализации Nvidia. За один день. Крупнейшая однодневная потеря в корпоративной истории.
А оружием им послужила научная статья с заявлением, что они построили передовой ИИ по цене приличного загородного дома.
Ваше следующее собеседование начнется не в Zoom, а в интерфейсе, напоминающем чат с техподдержкой. Ваш HR-менеджер не будет знать, что у вас сегодня болит голова или что вчера вы сдали крутой проект. Он этого не знает, потому что он - это оно. Алгоритм, обученный на миллионах резюме и диалогов, цель которого - не понять вас, а отфильтровать.
Добро пожаловать в 2026 год. Эпоху, где первичный скрининг - это монолог с безэмоциональным ботом, а решающее тестовое задание проверяет не менее безэмоциональный, но невероятно проницательный GPT-5.2. И его задача - не просто оценить ваш код или текст, а с ходу выявить шаблонность, отсеять сгенерированные решения и найти ту самую не алгоритмизируемую человеческую гениальность… или хитрость.
Если раньше вы боролись за внимание живого рекрутера, то теперь вам предстоит произвести впечатление на машину. В этой статье мы разберемся в том, как говорить на языке бота-HR, чтобы пройти скрининг, как выполнить тестовое задание в эпоху, когда GPT-5.2 стал главным рецензентом, который видит заурядный сгенерированный код за три секунды и, конечно, какие навыки выйдут на первый план, когда рутину заберут алгоритмы. Спойлер! Это не умение работать в команде, а умение ставить задачу для ИИ и нести ответственность за его ошибки.
Поехали. Приятного прочтения!
Многие уже используют GitHub Copilot Chat каждый день: @workspace, режимы вроде ask/edit/agent и быстрые правки кода стали частью рутины. Проблема в том, что стандартный агент в чате — универсальный, а значит часто даёт усреднённые ответы.
На практике стандартного чата часто становится недостаточно. Без заранее заданных правил агент не учитывает специфику проекта и принимает решения «по умолчанию». Такие ответы могут быть корректными технически, но часто не соответствуют вашим внутренним конвенциям и архитектурным ограничениям. В итоге это приводит к постоянному ручному управлению контекстом. Документацию и эталонные файлы приходится каждый раз явно добавлять в запрос, а роль, стек и стиль — задавать заново для каждой новой задачи.
С выходом версии VS Code 1.106 появилась возможность автоматизировать этот процесс через Custom Agents. В этой статье мы пошагово разберем два способа настройки таких агентов — через интерфейс VS Code и вручную через файлы конфигурации, детально пройдемся по доступным параметрам и соберем пример готового агента.
Долгое время цифровизация банков напоминала строительство фасада: красивые мобильные приложения, чат-боты и UX-исследования. Но к 2026 году индустрия уперлась в потолок: фронтенд идеален, а бэкенд захлебывается в объемах данных и легаси-процессах.
Сегодня фокус сместился внутрь. Мы разберем пять технологических трендов, которые превращают банк из «сервиса с картинками» в высокопроизводительную low-latency платформу, где во главе угла стоят данные и их связность.
В 2026 году акции технологических компаний уже упали на десятки процентов. Тем не менее в 2025 году глобальное венчурное финансирование выросло до $425 миллиардов. Американские стартапы собрали рекордные 64% всех инвестиций. Это во многом благодаря интересным проектам, которые сейчас активно развиваются, несмотря на коррекцию на финансовом рынке. Мы выбрали пять самых перспективных стартапов на разных стадиях привлечения капитала и, разумеется, посмотрели, что у них с интеллектуальной собственностью.
В 2026 году российский IT-рынок продолжит рост и может приблизиться к 4,5 трлн ₽. При этом компании меняют подход к инвестициям: выбирают решения с быстрым и измеримым эффектом. Например, вкладывают в развитие AI-проектов, масштабирование IT-инфраструктуры или создание собственных разработок.
Чтобы понять, как изменится IT-сфера в ближайшие годы, рассмотрим пять ключевых технологических направлений, которые определят развитие индустрии. Расскажем, чего ждать в 2026 году, и объясним, что это значит для бизнеса.
Каждая модель ИИ приносит достаточно дохода, чтобы покрыть расходы на собственные исследования и разработки. Но этот профицит нивелируется затратами на разработку следующей крупной модели. Поэтому, несмотря на прибыль от каждой модели, компания не зарабатывают.
Но это не так страшно. В быстрорастущих технологических секторах инвесторы обычно готовы идти на убытки сегодня в обмен на большую прибыль в будущем. Так что, если модели ИИ уже покрывают свои расходы, это говорит о хороших финансовых перспективах для компаний, занимающихся ИИ.
Или нет?
Всем привет! Я один из лидеров стека тестирования в компании «ТехВилл» (в простонародье — Head QA). Моя цель простая: снимать рутину с QA-инженеров с помощью AI-инструментов.
В идеальном мире мы «скармливаем» модели, требования, ссылки на Figma, ветки в Git и прочие артефакты через MCP, а она помогает:
1) писать тест-кейсы по контексту,
2) а затем — генерировать автотесты на базе этих кейсов.
Про генерацию тест-кейсов из Swagger и автотестов на API по тест-кейсам через Cursor (на реальном проекте) я уже записывал большой гайд про «вайбкодинг/вайбтестинг». В этом гайде я в том числе показал свой подход вайбкодинга через вспомогательные файлы типа roadmap.md, progress.md, refactor.md, context.md и т. д. В таком подходе мне удалось завайбкодить два своих микропродукта на JS, у одного из которых более 60 000 weekly users (при том, что я ни разу не программист и JS «не знаю совсем»). Реклама моего уютного телеграм-канальчика, на который обязательно стоит подписаться, закончилась — возвращаемся к статье. 🙂
«Когда OpenAI обанкротятся, на Сен-Бартелеми будут пить меньше шампанского. Ну а мы — мы хорошо заработаем» ©
Всем очевидно, что мы внутри большого пузыря. Но лопнет ли он? Как он лопнет? Или в этот раз все будет по другому? Я попытался разобраться в технологических маниях и переложить это все на текущий AI.
Получилось шесть вайб-школ разных отношений, 4 слоя AI со своими рисками и экскурс в железные дороги, электричество и доткомы.
Всем привет! Меня зовут Катя, я развиваю Gramax — базу знаний для it-команд. В этой статье я расскажу, как мы решали довольно очевидную проблему связи знаний и случайно сделали штуку, у которой даже есть отдельное название.
Когда говорят «Semantic Wiki», обычно представляют что-то сложное: онтологии, RDF, графы и так далее. Но можно ли это сделать как-то проще и для людей? В этой статье разберем:
• Что делает вики «семантической».
• Как свойства и представления в Gramax решают эти задачи.
• Как быстро создать семантическую структуру, связать с ее помощью статьи и посмотреть по ним отчеты.
Эта статья для тех, кого волнуют вопросы: качественного ведения базы знаний, создания единого источника правды, построения полезных связей между знаниями (а не банальной линковки, которая побьется через пару релизов).
Здравствуйте!
Цель статьи - поделиться опасениями от использования ОТЛИЧНЫХ AI-ассистентов и услышать мнение сообщества по их поводу.
Я C# разработчик, и в своей работе в 90% случаев использую VisualStudio. 50% моей работы - создание типовых RESTful сервисов для бэкэнда нашего продукта. Еще процентов 30% - работа с обработкой изображений и видео. И процентов 20% рабочего времени я трачу на различные R&D исследования разной степени сложности.
В 2023 году ChatGPT плотно захватил умы прогрессивного человечества. Мы развлекались как могли. А я в свою очередь стал использовать ChatGPT, а затем и DeepSeek для рутинных задач. Например, сгенерировать набор классов по JSON, отредачить текстовку и т.п. Работа не всегда была выполнена чисто - то напутает с типами данных, то поломает стилистику. В общем приходилось ревьювить каждую генерацию. Но в целом, это здорово помогало экономить время. К тому же мало помалу я составил идеальные промты для каждой задачи, и казалось вот оно светлое будущее.
Затем появился Copilot и часть своих задач я начал выполнять непосредственно в VS. Copilot научился нативно интегрироваться в IDE, представлял удобнейший инструмент для включения результатов своей работы в код и остальные плюшки. Коллеги, между тем, на месте не стояли и расширяли набор сценариев взаимодействия с Copilot. Да и сам Copilot предлагал все более интересные модели.
Начались шуточные разговоры про бездушную машину, замену человека и прочие шутки в этом роде. И если вы подумали, что именно этого я боялся, то нет. Точнее на данном этапе я этого совсем не боялся.
