Будущее здесь

ИИ повсюду. Но никто не знает, будет ли он работать завтра так же, как сегодня.

Туристические приложения рекомендуют направления. Чат-боты обрабатывают жалобы. Ассистенты программирования пишут целые функции.

Но вот загвоздка: мы понятия не имеем, будут ли эти системы работать стабильно.

Большие языковые модели обеспечивают работу значительной части современных приложений. При этом они фундаментально непредсказуемы.

И теперь выстрел из ПВО стоит пару долларов, вместо сотен тысяч на одну ракету. О том, как работает система Железный Луч, почему ученым ранее не удавалось построить компактные лазеры, и как остальной мир строит свои военные технологии будущего, вплоть до насекомых-киборгов.

С Новым годом! Возвращаемся к вопросам новогоднего квиза и, как обещали, публикуем правильные ответы. Ниже — разбор каждого вопроса с пояснением логики выбора и небольшим контекстом, чтобы еще раз погрузиться в нетленку Маяковского.

Пару месяцев назад я опубликовал технический лонгрид на 30 тысяч знаков, где описал опыт создания и показал архитектуру своего алго-трейдинг проекта DepthSight. Там были промпты, примеры кода, графы и боль интеграции с биржами.

Но в комментариях многие упустили лес за деревьями. Обсуждая нюансы реализации, мы прошли мимо главного открытия, которое я сделал за эти 8 месяцев.

Это открытие звучит дико для классического IT: наличие бюджета и команды сегодня тормозит инновацию, а не ускоряет её.

Сегодня я хочу зафиксировать прецедент. Существует устойчивое мнение: «ИИ хорош для написания простых скриптов, но для серьезного Enterprise-продукта нужна команда». Я утверждаю обратное: в 2026 году наличие бюджета и штата — это барьер, который мешает создать продукт такой сложности, который под силу одиночке с «роем» AI-агентов.

Меня зовут Артем. Я в одиночку создал систему алготрейдинга, которая по плотности фич и глубине аналитики превосходит решения компаний с капитализацией $100M+. И если бы у меня был миллион долларов на старте, я бы провалился.

В этой статье я расскажу не о коде, а о смене парадигмы. О том, почему один человек с "роем" AI-агентов теперь эффективнее целой корпорации.

Я провёл неглубокое исследование научных публикаций 2023-2025 годов о влиянии ИИ-чатботов на психическое здоровье. Спойлер: влияние есть, но доказательная база пока слабая. Зато практические рекомендации по защите -> вполне конкретные.

Весь год мы хоронили классическое обучение ИИ. Оказалось, рано.

Почти весь этот год мы провели в убеждении, что подход, подаривший нам оригинальный ChatGPT - первый закон масштабирования - окончательно мертв.

Считалось, что этот путь развития зашел в тупик. Теперь единственное, что имеет значение - обучение с подкреплением, метод «проб и ошибок», который обеспечил большую часть прогресса за последний год.

Это мнение оказалось в корне неверным. Даже такие ведущие лаборатории, как OpenAI, были застигнуты врасплох и теперь расплачиваются за это.

Предварительное обучение (pre-training), классический метод обучения ИИ через имитацию, не просто живо - оно готовится к настоящему ренессансу в 2026 году. И это важно для вас при выборе ИИ-продуктов или принятии инвестиционных решений.

Доброго времени суток, «Хабр»!

На дворе 2026 год - с чем вас собственно и поздравляю, хоть и с небольшим опозданием.

Практически любая современная модель способна генерировать более-менее связный текст. Поэтому я решил устроить сравнение последних версий в создании литературных произведений. Рассмотрим: GPT-5.2 Pro, Claude Sonnet 4.5 и Gemini 3 Pro. Попробуем разобраться, какая из предложенных моделей покажет себя лучше других.

Примите стратегически удобное положение, сделайте ставки, а я начинаю сравнение.

ИИ отменяет продактов или наоборот делает их профессией №1? Рассматриваю позиции Булдаковой и Эндрю Ына + вывод для джунов и лидов.

Оценка американского фондового рынка сегодня выше, чем перед крахом 1929 года. Что это значит для всех нас?

Financial Times опубликовала материал, который вы, возможно, должны были видеть повсюду, но почему-то не видели.

Оценка американского фондового рынка сегодня выше, чем была перед крахом Уолл-стрит в 1929 году.

Просто осознайте это на секунду.

Выше, чем в 1929-м. Выше, чем в 2008-м. На уровне пузыря доткомов.

И это подтверждается не одним показателем, а сразу несколькими - коэффициентом «цена/прибыль», соотношением капитализации и ВВП. По всем параметрам мы на исторических высотах.

С Новым годом, дорогие друзья! Не знаем, как у вас, но у нашей команды на столах мы насчитали: салаты с майонезом, Наполеон и хачапури из слоёного теста на маргарине, сыры всех видов и марок, включая плавленые и лёгкие, тарталетки на спреде и песочные пирожные на сливочном масле, заводской хлеб и выпечку всех видов, конфеты, вафли, а ещё бутерброды с икрой, на которые было намазано ТОЧНО сливочное масло, из‑под коровы, забранное у хозяйки не в очень аккуратной упаковке, а в пергаменте в мятом и не особо эстетичном, но вкусном комке. А остальное — НЕ ТОЧНО? Что с мифами о пальмовом жире в начале 2026 года? Разбираемся с аппетитом.

С детства люблю две вещи: читать и небольшие прикладные исследования. В этой статье я покажу простой метод разбора наших литературных вкусов с помощью ИИ. Почему нам нравятся эти книги? Что в них такого для нас? Разбираемся с помощью ИИ.

Здравствуй Хабр! с Вами Андрей — Fashion Data Scientist бренда люксовой одежды Sovereign. Хочу поделиться техпроцессом создания образа (одежды) с помощью нейросетей. Генеративный ИИ для создания одежды — уже не что‑то новое. Midjourney и Stable Diffusion запросто генерируют тысячи стильных образов. Но мы говорим о люксовом сегменте (где мы не в праве использовать стандартные подходы). Большое количество мелочей, уникальные материалы и та самая «аура» недостижимости, которая пропадает в этих самых шаблонных тысячах стоковых образах. Нашей задачей была стало создание «системы», способную генерировать не просто «красивую одежду», а концептуальные эскизы уровня Haute Couture, сохраняя при этом узнаваемость ДНК бренда и техническую осуществимость.

На рынке LLM сейчас такое творится, что даже следить устаёшь. Релизы летят как горячие пирожки, только успевай жевать. Позавчера все носились с Claude, вчера с Gemini, сегодня весь интернет ждал GPT 5.2 как второго пришествия.

А Google такой: "Подержи моё пиво".

Пока всё внимание было приковано к OpenAI, Google тихо выкатил Gemini 3 Flash. Без громких презентаций, просто намёк в X и готово.

Тайминг идеальный. Вообще Google в этом году напоминает шахматиста, который пока все смотрят на ферзя, спокойно забирает фигуры по краям доски. Ещё и Nano Banana 2 Flash на подходе.

Раньше Gemini воспринимался как крепкий середнячок, хорош, но не универсален. Сейчас компания закрывает направление за направлением, и конкурентам становится тесновато.

В конце года Google выпустил Gemini 3 Pro, заточенный под сложную аналитику. Мы тогда разбирали его подробно, и в комментариях всплыла интересная штука: после выхода Flash народ начал жаловаться, что Pro стала отвечать хуже. То ли ресурсы перекинули, то ли просто показалось, то ли что-то подкрутили на бэкенде.

Ладно, не будем гадать. Сегодня тестируем сами и смотрим, что там на самом деле.

Приятного чтения, поехали!

Статья и квиз в честь 100-летия поэмы Владимира Маяковского «Летающий пролетарий». Квиз поможет раскрыть подлинные строки Маяковского, проверить себя и расширить горизонты технологического мышления — как это сделал поэт сто лет назад.

Меня зовут Мария, я - PhD-студентка в Mississippi State University который относится к категории R1 (Very High Research Activity) согласно классификации Carnegie. Уже полтора года я вижу систему PhD “изнутри” — как устроены ожидания департамента, как читаются заявки и какие сигналы воспринимаются как риск. 

Я написала эту статью, потому что мне действительно обидно наблюдать, как многие PhD-кандидаты с высоким GPA, сильными test-scores и хорошим бэкграундом получают отказы и не понимают почему. На самом деле это происходит из-за неверно поданных сигналов. В этой статье я разбираю 9 типичных ошибок, из-за которых даже сильные кандидаты выглядят рискованными в контексте PhD admissions, и показываю, как эти сигналы читаются и интерпретируются со стороны департаментов.

Когда мы живём и взаимодействуем с людьми, мы постоянно посылаем сигналы — в устной и письменной речи, в выборе слов, примеров и даже в том, что мы считаем нужным подчеркнуть или, наоборот, опустить. Этот процесс происходит независимо от того, осознаём мы его или нет.

Подача заявлений на PhD - это концентрированная форма такого сигналинга.

Формальный пакет кандидата - Statement of Purpose, Personal Statement, CV и рекомендательные письма - не является просто набором фактов о достижениях. В совокупности с письмами профессорам и интервью он формирует целостную систему сигналов, на основе которой admissions committee формирует представление о кандидате, его потенциальной интеграции в департамент и уровне сопутствующих рисков.

Меня разбудило уведомление в Slack. Основной ETL-конвейер снова упал. Третий раз за неделю.

Тогда я сделал то, за что меня едва не уволили.

Я полностью заменил систему ИИ-агентами. Не помощниками. Не «копилотами». Агентами, которые принимали решения в продакшене без запроса разрешения.

Технический директор решил, что я сошел с ума. Команда думала, что я сломался под гнетом бесконечных ночных инцидентов.

Шесть недель спустя? Конвейер работает сам по себе. Ноль человеческого вмешательства.

Звучит как маркетинговый хайп? Погодите, пока не услышите об агенте, который решил переработать исторические данные за полгода в часы пиковой нагрузки. Это чуть не стоило мне карьеры.

Вот как все было на самом деле.

Я снова возвращаюсь к сравнению моделей. Однако сегодня мы не будем рассматривать нейросети от разных компаний, а сравним Gemini 3 Flash и предыдущее поколение этой серии - Gemini 2.5 Flash.

С одной стороны, кто-то уже сейчас скажет, что третья версия будет лучше. Однако я не стану спешить с таким выводом, сравню обе версии и вынесу вердикт, опираясь на свое далеко не авторитетное мнение.

Принимайте стратегически удобное положение, делайте ставки, а я приступаю к сравнению.

За этот год в мире технологий произошло много событий: доминирование ИИ, битвы за кибербезопасность и стратегические приобретения переопределили технологический ландшафт. Но некоторые крупные продукты и услуги не пережили и середины года. Одни из них прожили долгую плодотворную жизнь и оставили неизгладимый след в истории. Другие оказались мимолетными проектами или полными провалами, которым было суждено встретить свою неизбежную кончину. Тем не менее, все они достойны того, чтобы их помнили за то, как они повлияли на нашу жизнь — даже если это влияние было лишь в ленте новостей.

Пришло время еще раз оглянуться назад и вспомнить технологии, которые ушли в 2025 году. От таких столпов, как Skype, до устройств с ИИ, у которых не было ни единого шанса, все из этого списка отправилось на технологическую свалку за последние 12 месяцев.

Одна из самых впечатляющих способностей искусственного интеллекта - находить закономерности, которые ускользают от человеческого взгляда. В так называемом «обучении без учителя» разработчики не размечают данные заранее, а позволяют модели самостоятельно выявлять скрытые структуры. Результаты порой поражают: алгоритмы обнаруживают признаки рака на снимках задолго до того, как их заметит опытный радиолог.

Но у этого подхода есть оборотная сторона: мы никогда не знаем заранее, какие именно закономерности уловит машина.

Допустим, мы обучаем модель на наборе изображений:

Для стимуляции конкретных отделов мозга обычно используются нейроимпланты. Для их установки необходимо просверлить часть черепа и установить электроды напрямую в мозг. Но, вместо того чтобы сверлить череп и устанавливать электроды в мозг, можно использовать новое гибкое устройство. Имплант плотно прилегает к поверхности черепа, повторяет его форму и стимулирует участки мозга светом, что проходит сквозь кость. Нюанс – нужно генетически отредактировать нейроны.