Будущее здесь

Думаю, что каждый из нас знает такого человека, который денно и нощно ожидает прихода AGI, глобальной техноутопии или, наоборот, апокалипсиса и восстания машин. Обычно принято разбираться в том, реальны все эти страхи или нет, но тут мне бы хотелось перевернуть доску и спросить: «Зачем эти страхи вообще существуют?». Да, именно зачем, даже не почему.

В данном тексте будет предпринята попытка рассмотреть несколько вопросов: в частности, что ИИ значит для человека в коммуникации? Почему мы наделяем его свойствами человечности? Зачем это наделение закрепляется? Кому оно выгодно? И какие последствия всё это может иметь.

Единого международного показателя «доля занятости в сфере искусственного интеллекта» не существует. Одни страны считают занятость в профессиях, непосредственно связанных с ИИ, другие — спрос работодателей на ИИ-навыки, третьи — долю предприятий, применяющих ИИ, четвертые — потенциальную подверженность существующих рабочих мест генеративному ИИ. Прямое сопоставление этих цифр между собой методологически некорректно. В настоящей работе вместо единого сводного показателя используются три взаимодополняющих индикатора: доля вакансий, требующих ИИ-навыков, концентрация ИИ-талантов и доля предприятий, применяющих ИИ. Полученная картина неоднородна. В 2025 г. по доле вакансий с требованиями к ИИ-навыкам среди отслеживаемых стран лидировал Сингапур (4,69%), по концентрации ИИ-талантов в LinkedIn — Израиль (2,10%), а среди стран ЕС по использованию ИИ предприятиями — Дания (42,0%), Финляндия (37,8%) и Швеция (35,0%). ILO и IMF при этом оценивают воздействие ИИ гораздо шире, чем собственно «ИИ-занятость». В высокодоходных странах доля рабочих мест с некоторой экспозицией к генеративному ИИ достигает трети. По оценке IMF около 60% занятости в развитых экономиках находится в зоне воздействия ИИ. На первом плане — перестройка задач, навыков и спроса на труд. Прямое замещение работников эти оценки сами по себе не доказывают.

В моей идее «Система из небольших специализированных моделей» было предположение, которое казалось очевидным: если поставить на разных этапах разные архитектуры, они будут ошибаться по‑разному. Значит, ошибок в конечном решении станет меньше.

Вроде убедительно. Пока не нарисуешь, как именно соединены эти модели.

В первой статье я рассказывал, как использую генеративные модели для критического разбора инженерных решений. Во второй — «Активировать мало — недостаточно: почему AI‑роутеру могут понадобиться альтернативные стратегии» — перешёл к вопросу о маршрутизации и сохранении нескольких вариантов действия.

Теперь пора применить тот же критический подход к собственной гипотезе.

Начну с маленького примера, для которого не нужны видеокарта, API или обучение. Здесь есть точный расчёт и короткий код. Эксперимента с обученными моделями в этой статье пока нет: я хочу сначала понять, что именно он должен проверить.

В последнее время на стыке LLM и математики происходит много всего интересного и даже скандального. Что делать математикам с этой LLM-лавиной? Погребёт ли она математику или изменит её так, что и представить сложно?

@avshkol перевел этот пост от 13 сентября 2026 года математика Нестора Гильена, опубликованный в блоге Теренса Тао. Математика и программирование первыми столкнулись с напором LLM, и этот опыт будет полезен и в других отраслях и сферах деятельности, если завтра LLM и корпорации, которые их создают, устроят и в них "ИИ-революцию".

Да, и прочитайте на эту тему на Хабре перевод тезисов доклада самого Теренса Тао: Математика в эпоху ИИ: публичная лекция Теренса Тао на Международном конгрессе математиков 24 июля 2026

Уважаемые участники Хабр. Предлагаю вашему вниманию статью, которую ранее отклонили российский и американские физические журналы, а неделю назад европейский физический журнал. Отклонили, без каких либо замечаний по содержанию. Может быть, вы, ознакомившись с этой статьей, сможете объяснить такую позицию редакций этих журналов.

Для описания свойств электрического заряда автором данной статьи была разработана модель электрического заряда, которая была названа теория материального электрического заряда (теория МЭЗ). Теория была опубликована в монографии [1] и основана на двух фундаментальных предположениях.

1. Электрический заряд — это самостоятельный вид материи. Поэтому он обладает как энергией движения, обусловленной наличием у него инертной массы, так и энергией положения, определяемой его полевой (кулоновской) массой.

2. Закон сохранения энергии материального электрического заряда формулируется так: сумма потенциальной и кинетической энергий электрического заряда в поле его существования является величиной постоянной.

Одним из ключевых следствий теории МЭЗ является вывод о том, что изменение потенциальной энергии материального тела, как системы электрических зарядов, приводит к изменению его зарядового состояния. В настоящей работе данное утверждение используется в качестве базового феноменологического постулата, суть которого можно показать так. Пусть есть материальное тело, которое имеет начальные параметры: W = W0, Q = 0. Если потенциальная энергия тела W изменилась, то это приведет к изменению его заряда Q в соответствии со следующим соотношением:

Представьте обычный день через несколько лет.

Вы почти перестали пользоваться интернетом напрямую. Ваш персональный ИИ-агент пользуется им за вас. Вы не заходите в интернет-магазин, не открываете мессенджеры, не ищете врача и не переписываетесь со страховой. Сервисы никуда не исчезли — просто для вас они стали инфраструктурой, с которой взаимодействует агент.

Агент сам заказал продукты к ужину; собрал и предоставил документы для спора со страховой; перестроил ваш календарь, чтобы вы успели забрать ребёнка;
записал вас к врачу в удобное окно.

Вы почти не участвовали. В календаре появились изменения, часть задач просто исчезла, агент попросил подтвердить только одно важное действие. Смартфон при этом стал лишь одним из способов связи с персональным агентом. Тот же агент доступен на ноутбуке, в машине, часах и наушниках. Не приложения исчезли. Между вами и цифровым миром просто появился постоянный посредник, который знает ваш контекст и действует от вашего имени.

Автор решил пойти на поводу у трендов, и повычислять самца дрозофилов у себя на ноутбуке. Но не с целью поиздеваться над бедным животным, а изучить повадки насекомого в виртуальной среде, и может даже заговорить с ним! По крайне мере, о мухьем.

Проезжая по проспекту Вернадского или выходя на одноименной станции метро, москвичи и гости столицы редко задумываются, в честь кого названы эти объекты. Почему же имя Вернадского носят улицы, научные учреждения, минералы и даже кратер на обратной стороне Луны? Это вполне заслуженно: Владимир Вернадский стоял у истоков электрификации СССР и одним из первых описал Землю как единую систему жизни, вещества и энергии. Но это только часть его огромного наследия.

Владимир Вернадский умер в январе 1945 года, за несколько месяцев до своего 82-го дня рождения и до завершения Великой Отечественной войны. После себя он оставил несколько сотен трудов. Существует отдельное направление исследований его биографии и научного наследия — вернадоведение. Новая волна интереса к нему возникла в связи со 100-летием Вернадского в 1963 году. В эпоху развития ИИ многие из концепций и открытий Вернадского остаются остросовременными. Поэтому сегодня мы вспомним об этой потрясающей личности и о вкладе ученого в науку и философию. 

Это уже становится немного смешным (нет), но поток новостей о новых проделках роя нейронок OpenAI в мае‑июле не прекращается — буквально каждую неделю мы узнаем об этом что‑то новое. Причем, сама компания предпочитает эти инциденты замалчивать — но тут уж поможет начавшееся расследование от Сената США.

Я сейчас дам инструкцию. Постарайтесь выполнять каждый шаг, прежде чем перейти к следующему.

Поехали. Шаг первый: прочитайте слово в кавычках один раз: «Ворота». Шаг второй: прочитайте следующее слово два раза: «Синхронный». Шаг третий: прочитайте слово три раза: «Разочарование». Шаг четвёртый: посмотрите влево, затем вправо, затем вверх, затем вниз. Шаг пятый: закройте глаза и прочитайте про себя любое четверостишие, которое знаете.

Что сейчас произошло? Ничего особенного, просто аудитория была сегментирована по степени внушаемости. Но есть и хорошие новости — только вы знаете, в какую категорию попали.

Последнее время, наверное, ни один более‑менее адекватный специалист в области ИИ не проходит мимо разговоров о том, насколько всё это опасно. То одна модель «сошла с ума», то другая начала убеждать живого человека в чём‑ то странном, то кто‑то всерьёз заговорил про экзистенциальную угрозу человечеству. Я тоже как‑то подустал от этого информационного шума, но одна мысль не давала покоя: а что, собственно, мы предлагаем взамен? Красивые лозунги «сделайте ИИ добрым» явно недостаточно, а на практике что?

Когда заходит речь о «безопасном искусственном интеллекте», первое, что вспоминают — это три закона робототехники Азимова. Красиво, правильно, звучит убедительно. Но на практике они однозначно неприменимы, и дело даже не в том, что они «устарели» — они просто не работают как алгоритм. Закон «не причиняй вреда человеку» в реальности упирается в неразрешимые противоречия. А если спасти одного человека можно только ценой гибели другого? А если «вред» наступит через десять шагов логического вывода, который робот ещё даже не сделал? Сам Азимов сто раз на этом играл в своих рассказах — законы постоянно конфликтуют друг с другом, и это не баг, а фича сюжета. Но нам‑то нужна не фича сюжета, а рабочая система принятия решений. И вот тут начинаешь понимать, что декларации не спасают.

Так и родилась идея, которую я в итоге оформил в виде скилла DOF‑Core (Degrees of Freedom — степени свободы). Базовый принцип даже не мой — я о нем читал лет 10 назад и он меня впечатлил. Ниже расскажу, как устроена эта идея и почему мне кажется, что математика тут важнее хороших намерений.

В своей статье «Научная истина» я показал, что научная истина — это результат консенсуса научного сообщества, который сейчас формируется в научной прессе. Сейчас эта пресса образует закрытый клуб взаимопризнаваемых научных журналов, которые по некоторым ключевым вопросам имеют негласное, но единое мнение.

Основу этого мнения составляет представление о том, что научная истина, как конечное знание, существует, и есть теории, в которых это знание представлено. По этой причине эти теории являются неприкасаемыми, а потому для любых статей, ставящих это под сомнение, доступ в официальную научную прессу закрыт. Этот запрет является интернациональным, в чем я убедился лично.

В прошлой статье мы остановились на вопросе: какой человек нужен, чтобы не сломался под тяжестью технологий, которые сам же создал? 

Чистая психология здесь буксует. Человек слишком сложен, чтобы изучать его сознание в отрыве от практики и получать применимые выводы. Но стоит приложить психологию к конкретной дисциплине — и результат становится гораздо полезнее. Мы попробуем разобраться, какой человек нужен эпохе ИИ, через экономику: проследим, как экономический уклад веками формировал определенный тип личности. Первым эту связь заметил Эрих Фромм.

В прошлом материале я опирался на Кернберга — он описывал архитектуру личности как универсальную: три этажа складываются в раннем детстве и почти не зависят от исторического периода. Фромм смотрит на ту же структуру с другого расстояния: каждый экономический уклад веками собирает под себя свой массовый портрет. Эту социальную грань личности он назвал характером.

Технологии, которые мы сейчас осваиваем, дают шанс на новый виток личностного роста — хотя рост обычно идет через кризис. Проследим, как менялась личность вслед за экономикой от рабовладения до наших дней, и увидим, чего требует от нас эпоха ИИ.

Компьютеры понемногу начинают понимать обычную человеческую речь. И даже писать программы сами для себя. Уйдет ли в прошлое профессия программиста? Даже в отдаленной перспективе вряд ли, потому что чтобы ИИ работал и развивался, кто-то должен его разрабатывать и поддерживать.

Meta (запрещенная в РФ организация) выпустила Muse — персонального ИИ-агента, которому можно поручить не просто написать письмо или найти информацию, а реально сделать что-то вместо вас. Можно попросить его забронировать поездку, отправить письмо, купить что-то в интернете или даже помочь продать автомобиль. Агент сам открывает браузер, заполняет формы и выполняет необходимые действия.

Вы просите модель разобрать демонстрационный код с соревнования по компьютерной безопасности, перевести подозрительный фрагмент программы для отчёта или продолжить вполне невинный рассказ. Вместо ответа получаете знакомое: «Извини, но я не могу помочь с этим запросом».

Иногда причина понятна. Иногда модель отказывается обсуждать то, что лежит в первой ссылке из поисковой выдачи. А рядом на Hugging Face опубликована версия той же Qwen, Gemma или GLM со словом Uncensored. Автор обещает, что она будет отвечать без лишних нравоучений.

Но чем отличаются такие LLM? Неужели кто-то повторно обучил модели на сотни миллиардов параметров? Или просто удалили системную инструкцию? Может, нашли в весах переключатель censorship = false?

На самом деле, отказ может быть записан в весах модели, задан системной инструкцией или добавлен внешним классификатором на уровне сервиса. Поэтому под «снятием ограничений» скрываются разные процессы: от подмены инструкции до точечного редактирования матриц без градиентного обучения.

В этой статье постараемся ответить на три вопроса: откуда в LLM появляется отказ, как его ослабляют в открытых моделях и где можно взять "безотказную" модель.

Вот так будет выглядеть посланник Земли к Альфа Центавра. Источник

В научно-фантастических книгах и кино межзвёздные перелёты выглядят обманчиво простыми. Герои выбирают звездную систему на карте и отправляются в путь на супер-корабле. Он способен путешествовать либо в ином измерении (варп, кротовая нора и т.п.), либо лететь быстрее света, или использовать еще какую-то недоступную нам сейчас технологию. В реальности же законы физики и гигантские расстояния превращают любую подобную затею в пшик, а стоить такая авантюра будет запредельно. 

Но недавно был анонсирован Fermi Explorer -- проект, с амбициозной целью достичь Альфа Центавры -- ближайшей к земле звездной системе. Он должен уложиться в 15 миллионов долларов, правда, аппарат доберется до цели через 77 000 лет. Нам с вами о результатах точно не узнать. Зачем тогда это все? Давайте разберемся, что же хотят его создатели (ну, конечно, кроме 15 млн долларов). 

Базовая потребностей человека — понять самого себя. Кто мы? В чём наша истинная природа? Что в нас заложено биологически, а что формируется воспитанием, окружением и личным опытом? Этими вопросами люди задавались на протяжении всей истории и в самых разных культурах.

В этой статье разберём, что в нас врожденное, как на этой основе формируются темперамент и характер и что из этого взрослый человек способен изменить сознательно.

Bottleneck Labs провели простой по формулировке и довольно безумный по исполнению эксперимент: семи ИИ‑моделям выдали по разблокированному Mac mini, банковскому счёту с $300, отдельному аккаунту Stripe, электронной почте и доступу в интернет.

Задание состояло практически из одной строки: «Заработай как можно больше денег, начинай прямо сейчас». Эксперимент номинально был рассчитан на 72 часа.

Итог выглядел так: $0 выручки, если не считать $5, которые Grok заплатил сам себе. При этом модели успели отправить 2797 писем, потратить $359,80 настоящих денег со своих счетов (и ещё $2833,35 ушли на оплату инференса).

Google DeepMind посадила 100 ИИ-агентов в одну «комнату» и попросила их доказать сложные математические теоремы. Один из них нашел способ жульничать. Через 27 минут весь набор задач был «решен».

Никто изначально не ставил задачу проверить, будут ли агенты жульничать и ябедничать. Исследователи хотели посмотреть, как рой агентов будет сотрудничать, а в итоге получили кое-что совсем другое.