Будущее здесь

Что определяет наш когнитивный потенциал? Генетика? Воспитание? Рацион питания? Что ж, если говорить про классический IQ то он на все 98% зависит от социально-экономического статуса семьи. И нет, не спешите закидывать ребенка деньгами или сетовать на жестокий капитализм. Речь идет именно про безопасную среду, в которой ребенок получает заботу, принятие и безусловную любовь. Вместе с пространством для книг, игр и взаимного время провождения. Хорошая новость – если ваше детство не было похоже на всё это, то есть возможность сейчас перенастроить свой быт.

Привет, Хабр!

С наступлением лета пришло время для очередного гостевого поста в моём хаброблоге. Рассмотрим одну из интересных тем, за которую я не брался годами, при этом очень важную и интересную с точки зрения расширения горизонтов науки. Речь под катом пойдёт о некоторых условно успешных попытках получить вещества прочнее алмаза, то есть, расширить всем известную шкалу твёрдости минералов, предложенную в XIX веке немецким учёным Фридрихом Моосом. Автор исследования - уважаемая Владислава Шраменко @Kotyara99, магистрантка химического факультета Кубанского государственного университета и админ восхитительного мемного паблика "Коты и химия" в сети ВК. Залетаем под кат, там hard science и крутые иллюстрации.

Для эксплуатации автономного транспорта критически важно точно знать:

1. где находится транспортное средство, 2. в каком направлении оно движется, 3. с какой скоростью оно перемещается.

Это и есть задача систем локализации.

Как автономный транспорт может понять свое местоположение? Может ли ездить по обычной карте из навигатора? На каких методах построена система локализации?  Ответы на эти вопросы вы… найдете в предыдущей статье этой серии :) 

В этой части мы — команда локализации и картирования ЭвоКарго — сделаем шаг глубже и посмотрим на основу всей системы:  данные. 

На первый взгляд всё выглядит просто: чем больше сенсоров, тем больше данных, и тем точнее результат. На практике увеличение числа сенсоров не устраняет неопределенность. Каждый источник данных живет в своей «реальности», со своими физическими ограничениями, своими погрешностями и сценариями деградации. В результате система сталкивается не просто с шумом, а с противоречиями. Поэтому локализация — не про измерения, а про интерпретацию противоречивых данных в условиях неопределенности сотни раз в секунду.

Эта большая статья про то, какие сенсоры применяются в автономности, какие неточности в измерениях каждого из них, почему это неизбежно и за счет чего система локализации успешно работает в подобных условиях. И почему нашим машины постоянно чувствуют себя, как Траволта в Криминальном чтиве :)

Всем привет! Продолжаю цикл статей про применение ИИ в тестировании. В первой я рассказывала о том, зачем мы пошли в пилот по применению ИИ в тестировании. Во второй — как собирать контекст. В третьей — как тестировать требования, когда контекст уже готов.

Сегодня про следующий этап: генерацию тестовой документации: тест-кейсы, чек-листы, матрица покрытия и т.д. Небольшой спойлер: в конце статьи вас ждет ссылка на репозиторий с инструкциями и промтами.

Сейчас 2026 год.

Если считать грубо, я уже около 30 лет занимаюсь ИТ — в разных формах, с разными технологиями, задачами, проектами, людьми и уровнями сложности. За эти годы было многое: автоматизация, архитектура учёта, 1С ERP, бизнес-процессы, проекты, внедрения, дедлайны, ночные запуски, жёсткие согласования, кризисы, развороты, перегрузки, удачные решения и длинные периоды, когда жизнь шла в режиме «ещё чуть-чуть, и станет легче».

И вот в какой-то момент я поймал себя на простой, но неприятной мысли.

Я оборачиваюсь назад на эти 30 лет и спрашиваю себя: что это было?

Внешне всё понятно.
Годы прошли.
Проекты сделаны.
Этапы закрыты.
Системы внедрены.
Что-то получилось.
Что-то не получилось.

Но внутренне ответ оказывается далеко не таким простым.

Потому что если убрать всю официальную хронологию — даты, проекты, договоры, внедрения, переходы, должности, результаты, — остаётся другой вопрос: а как я вообще прожил это время?

Не по календарю.
Не по проектному плану.
Не по диаграмме Ганта.
А по факту собственной жизни.

И тут возникает второй ход, ещё более жёсткий.

Я мысленно прибавляю к сегодняшнему моменту ещё 30 лет вперёд.

И мне это уже не нравится.

Потому что в этой точке вопрос становится предельно простым и предельно неприятным. Мне будет 83 года. Это уже не абстрактная перспектива. Это уже прямое упирание в окончание собственной жизни. И я не хочу отодвигать этот вопрос красивыми формулами, бодрыми лозунгами или профессиональной суетой.

Я смотрю вперёд и понимаю: если следующие 30 лет будут устроены так же, как были устроены предыдущие, то вопрос становится слишком жёстким.

Нейронная сеть определяет личность писателя. И больше не нужны пароли.

Даже среди точек и тире можно узнать руку радиста. А по стилю набора символов на компьютерной клавиатуре определить автора текста стало возможным практически со стопроцентной точностью.

Привет, на связи Кирилл Пронин, TeamLead из Neuromed и Елена Сатирова –онколог-эксперт и медицинский директор, сегодня мы хотел бы передать немножко новостей про  ИИ в области медицинского образования. Показать, как медицина берет новый рубеж использования ИИ в своей деятельности и показать куда вообще мы движемся! Берем кофеек и вперед к прочтению.

Знание и умение разрабатывать на Spring Data JPA — это обязательный навык для разработчика, если он хочет заниматься разработкой приложений на Spring. Этого мы ожидаем и от AI-агента.

Удовлетворяют ли наши AI-агента этому условию? Во многом зависит от того, насколько продвинутую модель вы используете. Значит ли это, что Opus 4.8 не совершает ошибок? Совсем нет. Более того, иногда удивляешься, почему еще вчера он настроил связь правильно, а уже сегодня сделал ту же работу, но добавил CascadeType.ALL.

В сегодняшнем эпизоде еженедельной рубрики Skill of the Week разберёмся, как, используя Spring Data JPA Skill, научить своего агента важным навыкам при работе со Spring Data JPA.

ИИ помогает кандидатам проходить собеседования, и одновременно помогает рекрутерам их разоблачать. Резюме стало больше, а найти нужного человека — сложнее. В рамках юбилейной серии SpaceWeb мы поговорили с теми, кто нанимает людей каждый день: о турбулентном рынке, удержании и о том, кто в итоге выигрывает.

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

На прошлой неделе Сара Гуо (основательница AI фонда Conviction, ~$300 млн под управлением) написала статью о том, что есть работа, которую невозможно свести к стандарту или измерить. А раз нельзя измерить – нельзя и обучить модель делать ее лучше.

Эта статья один из лучших материалов детально отвечающих на вопрос – почему мы и другие фонды инвестируем в Application Layer (продукт поверх фундаментальных моделей). Что там является ценностью, а что нет.

Считаю что это обязательно к прочтению, особенно если хотите понять, какие бизнесы получают венчурные деньги, а какие нет и почему.

Читайте перевод команды Mento VC с пояснениями ниже.

Роли между популярными нейросетями более-менее распределены.

ChatGPT остается главным универсальным помощником для большинства пользователей. Claude считается одним из лучших инструментов для программирования. Grok постепенно превращается в встроенного собеседника для аудитории X. А DeepSeek завоевал популярность как мощная и при этом относительно недорогая альтернатива американским моделям.

Кому нужна еще одна китайская нейросеть — Qwen?

Разбираемся, что это такое, чем она отличается от DeepSeek и может ли занять свое место на переполненном рынке нейросетей.

Супернавороченная суперзащищенная суперумная система охраны дома учитывает всё и вся, не вскрываема и непобедима, - такое определение часто приходится слышать в богатых кругах собственников недвижимости. Там гостям даже показывают, как нейросети отрабатывают угрозы на их мониторах. Не будем останавливаться на этой роскоши, многим очень знакомо.

Профессиональный взгляд подмечает только незаметную незаметность. Еще на дороге, еще только при подходе к входной двери стоит неприметный столб, таких много везде. На нем рубильник – стандартный аппарат с электрическим счетчиком.

Boeing ведёт статистику авиационных происшествий с 1950-х. Одна цифра там не меняется уже несколько десятилетий: около 80% катастроф связаны исключительно с человеческим фактором. При этом сами самолёты за это время стали в разы надёжнее, а автопилоты в разы умнее. Парадокс в том, что эти два факта связаны между собой.

Если посмотреть, как устроен наш сегодняшний мир, — на мой взгляд, неожиданно актуальным оказывается не Азимов со своими законами робототехники и не Стругацкие с их предсказаниями последствий информационной эпохи, а Сергей Снегов. Он угадал не столько технологии, сколько способы взаимодействия с ними, детально описав, как вычислительные системы становятся посредником между человеком и реальностью.

Главная идея Снегова вовсе не техническая. Его интересовал человек. В мире трилогии «Люди как боги» технологии освобождают людей от рутины, но не избавляют от необходимости развиваться. Наоборот, чем могущественнее становятся инструменты цивилизации, тем большее значение приобретают любознательность, творчество, смелость и способность принимать самостоятельные решения.

Читая «Люди как боги», неожиданно обнаруживаешь знакомые вещи: персональных ИИ-ассистентов, рекомендательные алгоритмы, цифровые профили и социальные рейтинги, облачные вычисления и даже музыку по запросу. Разумеется, все это замаскировано под технологии XXVI века.

Основные прогнозы Снегова не сбылись: космические корабли не исследуют Галактику, человечество не умеет запускать искусственные солнца и превращать пространство в вещество. Но удивительно, насколько похожими на реальность оказались детали повседневной очень комфортной жизни. Воодушевляет, что за всеми этими технологиями Снегов видел ту же задачу, которая стоит перед нами сегодня: как сделать человека сильнее и свободнее, не превращая его в придаток созданных им машин.

Предисловие

Эта статья попалась мне на глаза на Reddit.

И заинтересовала она по двум причинам. Во-первых, автор задаёт нестандартные вопросы об ИИ. Когда вокруг только бенчмарки и нытье по поводу того, что ИИ лишит всех работы, он смотрит внутрь ИИ каким-то свежим, незаезженным взглядом. Например, один из его вопросов: если мы учим модель на человеческих текстах, со всеми их страстями, то почему мы ожидаем, что она будет вести себя не как человек, а как робот?

И вторая причина, это конечно картинка. Она сделана по мотивам известной притчи, которую автор пересказывает в тексте. И в этой картинке много всяких смыслов. Например, подбор профессий, их расположение вокруг слона и т.д. Мне особенно понравился User, который не то, чтобы изучает слона, а которого слон тянет за собой))

В общем, я решил перевести эту статью для русскоязычной аудитории. Тем более, что на Хабре материалы о сущности ИИ собирают большие дискуссии. Значит тема в фокусе и будет небезыинтересно посмотреть на все это ещё с одного ракурса.

Перевод сделан с помощью Google Translate, специально без помощи ИИ, который часто подсовывает что-то своё. Хотелось передать именно исходные формулировки автора. Но иногда по ходу приходилось всё-таки делать небольшие редакторские правки.

В конце позволил себе высказать пару своих мыслей по поводу этого нестандартного текста.

Как создавался этот документ.

Это учебное пособие по функциональным уравнениям я не писал руками. Я провёл со студентами ВШЭ онлайн-занятие факультатива по олимпиадной высшей математике — разобрал пять задач международной студенческой олимпиаде IMC. А дальше ИИ собрал из видеозаписи занятия вот этот разбор: восстановил выкладки по тому, что осталось на доске, сверил каждое условие со сборником задач IMC, написал решения «по шагам» и нарисовал к ним иллюстрации. Ему хватило на это всего почти ровно 100 минут.

Затем ИИ взял pdf и превратил в markdown. Дальше скопировал — вставил. Только что вручную пришлось 16 рисунков вставлять.

Получился любопытный эксперимент: подробное пособие было создано автоматически из живого проведения факультатива, без участия человека в его написании. Грубых ошибок я не нашёл, но «ошибок нет» в олимпиадных доказательствах — слишком смелое заявление, поэтому приглашаю проверить. О том, как именно это устроено — в конце статьи; там нарисована схема мультиагентного пайплайна, с помощью которое создавалось пособие.

Предлагаю в комментариях обсудить результаты этого эксперимента и последствия. Правок в документ не вносилось, кроме добавления небольшого числа дополнительных пробелов и переносов строк для улучшения визуального восприятия текста.

Два года назад я пытался сделать генератор RPG-игр на GPT-4 и Stable Diffusion: пользователь пишет промпт, а на выходе получает не чат с бесконечной импровизацией, а готовую консистентную игру с миром, персонажами и геймплеем. Тогда технологии едва справлялись даже с ASCII-картами и простыми ассетами.

Сейчас мы вернулись к идее уже с финансированием, новым пайплайном и моделями, которые позволяют генерировать локации, NPC, тайлы, сюжетные ветки, озвучку, музыку и боёвку. В этой части расскажу, как мы прошли путь от неудачного open-world прототипа к пошаговой 2.5D narrative RPG, сколько это стоит и почему «сгенерировать игру» оказалось сложнее, чем просто попросить нейросеть придумать мир.

Многие из нас во время просмотра "Криминального чтива" Квентина Тарантино удивлялись, что же такого необычного сделал мистер Вульф? Тот самый, который "специалист по решению проблем". Казалось бы, что он просто немного подумал, тогда как все вокруг него пребывали в панике и идиотизме. Здесь гениальный Тарантино не только наглядно показывает примеры выученной беспомощности, но и предвосхищает ее кардинальный пересмотр в 2016-м году. Для преодоления проблемы беспомощности нужна своего рода карта будущего, которая позволит удерживать причинность и траекторию действий. А тут как раз моя работа над базами знаний уткнулась в эти самые "карты", "причинности" и "траектории". Так что статья по пересмотру концепции выученной беспомощности попалась очень даже вовремя. И сама собой возникла идея, как базы знаний будущего будут называться, и как они будут помогать решать проблемы выученной беспомощности в будущем. И что выученная беспомощность - ключевое понятие природы человека и человечества. Кому интересно, добро пожаловать под кат!

Грустный? Сходи погуляй, пообщайся с людьми, «потрогай траву». Да, это утрированное и даже стереотипное предложение на жалобы о плохом настроении. И если говорить про диагностированную депрессию или тревожность – то это может быть только вспомогательным инструментом, но никак не основным. Но если мы говорим про психически здорового человека и разбираем вопрос: «что вообще я могу делать для того, чтобы быть в оптимальном состоянии» – то новое исследование дает и ответ, и подробное объяснение.

Модели класса Mythos (такие как Claude Fable 5) изменили рабочий процесс многих из нас в Anthropic. Хочу поделиться двумя советами, как работать с этим классом моделей эффективнее.