Будущее здесь

В 1950-х годах в кафетерии Лос‑Аламосской лаборатории собрались ученые — отцы‑основатели атомного проекта, который уже успел в прямом смысле прогреметь на весь мир.

Среди собравшихся, особое внимание привлекает проводящий быстрые расчеты на салфетках Энрико Ферми. Он очень увлечен этим делом, на которое его побудила безобидная карикатура из журнала «The New Yorker», — на ней изображены инопланетные летающие тарелки, выгружающие мусорные баки в Нью‑Йорке.

Он заканчивает напряженный подсчет странной фразой: «But where is everybody?» («Но где же все?»)

Профессия меняется на глазах: часть работы, ради которой мы когда-то пришли в код и которая была удовольствием, переезжает под ответственность LLM. Мы всё ещё инженеры — читаем код, держим архитектуру, — но, давайте честно, это уже другая профессия.

Вопрос, который меня не отпускает: как нам, у кого за плечами годы опыта, расти дальше в этом новом мире — где учиться новым способам работы с AI и куда девать собственные находки? Пришла спорить и собирать ваши мнения.

17 июня 2025 года компания Honda провела успешный тестовый запуск и посадку прототипа многоразовой ракеты. В 2029 году японская компания планирует присоединиться к Blue Origin, SpaceX, Rocket Lab и другим производителям многоразовых ракет.

Постепенно такой формат ракетостроения становится мейнстримом. Массовый вывод грузов на орбиту по очень низкой цене перестаёт быть монополией SpaceX.

Первоисточник: Винс Хилл, «The Screens We Handed Them».

Заметки директора школы, наблюдающего за тем, как Европа отменяет те меры, которые, как нам говорили, отменить нельзя.

ИИ станет умнее всего человечества, работа перестанет быть обязательной, а деньги потеряют смысл. По крайней мере, так видит ближайшее будущее Илон Маск.

29 июля 2026 года на канале The Economist было опубликовано 1,5-часовое интервью с Илоном Маском, записанное 23 июля.

Интервьюер — Занни Минтон Беддоус, главный редактор The Economist.

Мы подготовили перевод интервью и сократили его до 20 минут чтения, оставив наиболее интересные для аудитории Хабра фрагменты. В частности, за рамками остались вопросы о политике и миграции.

Текст взят с сайта фанатов Маска.

Или не вышел? Стульев оказывается два: на одном ИИ учат писать ИИ, на другом — понимать реальность. OpenAI и Anthropic сели на первый и поставили на него всё, Google тихо пересел на второй. Обе дороги обещают привести к AGI, и одна из них — тупик.

Есть компании, где вопрос «какую модель выбрать» отходит на второй план, а первым встаёт другой: выйдут ли данные за периметр. Банк, госкорпорация, оборонный подрядчик, медицинский холдинг. И если ответ «выйдут, но мы всё обезличим» — начинается тяжёлый разговор. Обезличивание не даёт технической гарантии: достаточно одного не вычищенного поля в выгрузке или сочетания признаков, по которому человек восстанавливается. А отвечать за это решение будет конкретный человек — и чем выше цена ошибки, тем охотнее он выбирает вариант, где данные просто никуда не уходят.

Крупные игроки эту задачу решают. Сбер сделал GigaChat, у Яндекса своя линейка, ряд банков строит внутренние платформы; другие компании разрешают облачные модели, но под контролем — DLP, договоры, фильтрация персональных данных на выходе. Оба пути рабочие. Только первый — это программа на сотни человек и бюджет соответствующего порядка, а второй упирается в политику безопасности, которая не везде это позволяет.

А между «построить свою модель, как Сбер» и «отправлять всё в облако» лежит широкая полоса: компании, которым первое не по карману, а второе не разрешает служба безопасности. Вот им обычно и говорят: тогда ничего серьёзного не получится. Аргумент — открытая модель среднего размера проигрывает облачным гигантам почти по всем строкам бенчмарков, так что максимум, на что можно рассчитывать, — умный автодополнитель.

Вот это утверждение я и взялся проверить на практике: собрать не чат‑бота, а полноценный корпоративный оркестратор — систему, которая понимает задачу, сама выбирает исполнителей, ходит в корпоративные системы, делает многошаговую работу и отвечает файлом, письмом или отчётом. И запустить его не на кластере ускорителей, а на одной потребительской видеокарте.

У Алексея Толстого в «Золотом ключике, или Приключениях Буратино» есть сцена, которая неожиданно хорошо описывает значительную часть того, что сегодня происходит вокруг больших языковых моделей.

В каморке папы Карло висит старый холст с нарисованным очагом. Огонь выглядит убедительно, котёл на месте, сама картинка создаёт ощущение домашнего тепла и порядка. На такой очаг можно смотреть и почти верить, что перед тобой настоящая печь.

Потом появляется Буратино, протыкает холст своим длинным носом — и обнаруживается, что очаг существует только на поверхности. За ним находится совсем другая реальность, а где-то дальше скрыта маленькая дверь, которую ещё предстоит открыть золотым ключиком.

Мне кажется, мы сейчас примерно в такой точке отношений с LLM.

Большая языковая модель за несколько минут способна сделать то, на что раньше уходили дни работы аналитиков, архитекторов и дизайнеров. Она нарисует архитектуру предприятия, бизнес-процесс, карту функций, модель управления, структуру исследования, концепцию продукта, требования к ERP, презентацию руководству. Всё получится аккуратно, современно и настолько убедительно, что заказчик совершенно естественно может посмотреть на результат и сказать: «Вот оно. Наконец-то всё стало понятно».

Но в серьёзной аналитике после первого впечатления должен прозвучать другой вопрос: что находится за этим холстом?

В конце 2020 — начале 2021 года я написал статью о том, кто такие IT‑архитекторы и какими они бывают. Разделив на несколько постов, опубликовал ее в соцсетях. Эту статью я посвятил своим размышлениям о том, что такое IT‑архитектура и почему она нужна, и какая специализация бывает у IT‑архитекторов. В тот период ситуация на рынке труда для IT‑архитекторов была примерно такая: мне нужен работник — повар, конюх и плотник, где бы найти такого, не очень дорогого. Позже ситуация изменилась в лучшую сторону и стало заметно, насколько повышается компетенция в целом в вопросе IT‑архитектуры в крупных компаниях.

На текущий момент видно, что ситуация на рынке труда во многом откатилась лет на 6–7 назад, с некоторыми корректировками на те технологии, которые достаточно плотно входят в нашу жизнь. Наиболее очевидная — искусственный интеллект. Вакансий IT‑архитекторов сейчас стало намного меньше, хочется сказать даже — на порядок, но это лишь личное мнение, поскольку исследований я не проводил. При этом сами вакансии стали описываться иначе, упор делается больше на конкретные технологии, которые, на мой взгляд, влияют на работу архитектора не напрямую, а опосредованно, и очень часто есть требование по опыту внедрения уже упомянутого ИИ.

Свою карьеру я начинал как рядовой специалист — разработчик ПО, дорос до ведущего специалиста в этой области. Далее занимался архитектурой ПО, периодически уходил на руководящие позиции. Так же занимал должности системного, solution, корпоративного архитектора и лидера архитектурной компетенции крупного холдинга.

Я сделал ИИ‑агента для КОМПАС-3D: он живёт прямо в окне программы, принимает запрос текстом или фотографией и строит параметрическую деталь — не мёртвую геометрию в step, а дерево построения с переменными, которое пригодно для редактирования.
Агент пишет код и сам смотрит на то, что построил, — анализирует рендеры «глазами» через VLM.
В статье: как хорошо агент справляется с моделированием по тексту и чертежам уже сейчас, почему один блок кода лучше десяти tool'ов и почему агенту мало просто «видеть» результат.

Навайбкодить 10k строк кода за час — дело нехитрое. Но как проверить, что этот код рабочий? Можно потратить много часов на ревью классическим способом, а можно прочитать эту статью и применить у себя новый метод. В материале архитектор Mindbox Саша Кальницкий рассказывает, как перестроил работу с AI‑агентами, чтобы больше им доверять и не тратить время на код‑ревью.

Дискуссия о том, заменит ли искусственный интеллект программистов, получает всё новые поводы для обсуждения. Так, в мае 2026 года компания Anthropic сообщила, что уже более 80% кода, вливаемого в её кодовую базу, написано Claude.

На первый взгляд вывод кажется очевидным: раз ИИ способен писать код, тестировать и находить ошибки, значит, привычные IT-процессы и профессии скоро уйдут в прошлое.

Однако современные исследования показывают другую картину. Классический цикл разработки ПО (SDLC) никуда не исчезнет, но кардинально изменится распределение работы: всё больше задач внутри каждого этапа будут брать на себя AI-агенты.

В этой статье разберём, какие части разработки уже сегодня передаются искусственному интеллекту и как под его влиянием трансформируются процессы и роли в IT.

Оказывается, если поработать с промптами и гейтами, то можно перевести большущий японо-английский словарь к виду японо-русского с очень неплохим качеством. Идея применима к другим языкам. Сделал пайплайн, запускал 100 Sol-воркеров-переводчиков одновременно через CLI. Вышло недорого.

Тут словарь, тут гитхаб с пайплайном, тут примеры статей.

Всем привет! Я продолжаю цикл статей про применение ИИ в тестировании. Мы уже разобрали shift-left: контекст, тестирование требований, генерацию тестовой документации, автотесты и оптимизацию тестовой модели. Но даже когда кейсы написаны, а автотесты готовы, остаётся задача, на которую может уходить довольно много времени — это подготовка тестовых данных для ручного тестирования.

Перегрев в космосе — это опасность как для научного оборудования, так и для вычислительной электроники на спутниках. В космосе нет конвекции, а сброс тепла только через излучение значительно усложняет и так непростую задачу.

Давайте разберемся, как ее решают и можно ли сделать радиаторы используя только внеземные материалы?

Если посмотреть на главные тренды EdTech в 2026 году, будущее образования выглядит почти неприлично удобным: искусственный интеллект создаёт учебный контент на лету, подбирает персональную траекторию, отвечает на вопросы в любое время суток и терпеливо объясняет одно и то же столько раз, сколько потребуется;¹ длинные курсы распадаются на короткие модули, которые можно проходить между двумя созвонами, по дороге на работу или буквально внутри рабочего процесса;² симуляции позволяют тренировать навыки без риска испортить отношения с живым клиентом, а компании наконец получают возможность не просто отправлять сотрудников учиться, но оценивать их компетенции, видеть дефициты, собирать индивидуальные планы развития и измерять результат.²³

Всё это звучит разумно — особенно если помнить, каким мучительным, дорогим и часто бессмысленным было корпоративное обучение ещё совсем недавно. Сотню очень разных людей сажали в один зал перед одним преподавателем, выдавали одинаковую программу и потом искренне удивлялись: почему половина участников проверяет почту, вторая половина мысленно решает рабочие задачи, а применять полученные знания не собирается вообще никто. На этом фоне персонализация, микрообучение, AI-тьюторы и обучение в рабочем потоке выглядят не очередной технологической модой, а долгожданным возвращением здравого смысла: человек получает именно то знание, которое ему нужно, именно тогда, когда оно понадобилось, и в форме, которую он способен воспринять.

Проблема в другом. Почти все разговоры о будущем EdTech начинаются с возможностей технологии и заканчиваются ими же — как будто по ту сторону интерфейса находится не живой человек со своим опытом, страхом, усталостью, гордостью и конечным запасом внимания, а достаточно исправный приёмник образовательного контента, которому прежде просто неправильно подбирали частоту. Мы обсуждаем, как сделать обучение доступнее и точнее. И значительно реже задаёмся вопросом, почему взрослый человек вообще должен хотеть бесконечно учиться — и сколько раз за одну профессиональную жизнь он способен без серьёзных потерь пересобрать самого себя.

В последние недели собрал и протестировал 15 пользовательских ¹ моделей (CM). Не претендую на полноту изучения опции, но надеюсь, что кому-то мой опыт сэкономит время. Основной вопрос: как на поведение модели влияют материал для тренировки (DS), стили, Lyrics и параметры.

¹ идея витала в воздухе, как только народ услышал генерации очень похожие на известных артистов. В Udio/ Suno требовались танцы с бубном, в Sonauto (ныне Treblo) достаточно было ввести имя в промпт. В конце 2024 г. один проф. певец задал мне вопрос: "Как генерить с моим голосом и манерой?". Сделал его RVC-модель, он: "Тембр точно мой, но манера не везде", а с DS для Suno v3.5: "... похоже, и тембр, и манера. А можно, чтобы вообще как я и чистый звук?" Ответ: "Нужна ваша собственная модель".

Кажется, первыми CM предложили Mureka (Personalized Model): DS из 100+ треков (до 4 мин.), разовый платеж $100-200, тренировка ~3 ч. (сам не пробовал). Zaptrem (основатель Sonauto) на запрос о CM ответил, что не раньше v3. Локальные/ "открытые" инструменты я не смотрел (в своё время помучился с RVC на Google Colab и HuggingFace), но … как-нибудь попробую.

Во всех экспериментах с муз. ИИ меня интересовало 2 момента: а) как это устроено; б) как облагородить свои треки — придать правильное и "живое" звучание. Я не профессионал, но мне не нужно, чтобы ИИ за меня сочинял. Думаю, композитору важно самому отвечать за каждую ноту. Хотя можно и так: "Сгенери в моём стиле, а я выберу".

"Наевшись" вариативности с Persona, Your Voice, да и вообще с генерацией в Suno, я решил тестировать CM сразу на ярком материале. У меня не было и нет планов создавать несуществующие песни знаменитостей ², но с DS из треков известных певцов поведение CM (похоже/ непохоже) должно быть очевидным для многих. Suno не работает с хитами, но пропускает генерации от Sonauto/ Treblo, т.к. мелодия и текст другие. Треки очень близки к реальным артистам — если не фанат, решишь, что просто не слышал эту песню.

Еще раз обдумывая концепцию, отраженную в статье Робомедведи-спасатели, я пришел к выводу, что робот - горный спасатель должен обладать свойствами, котрых нет у робомедведя:

Недавно вышел очередной фильм по «Дюне». Первая же серия — открывающий облет над Арракисом: камера ныряет между дюнами, будто сама превращается в песчаную бурю, гигантский червь всплывает из-под поверхности пустыни как левиафан, а орнитоптеры складывают крылья настолько правдоподобно, что на секунду забываешь, что это графика, а не документальная съемка насекомообразной машины. Работа сделана душевно и с почтением к первоисточнику.

И все же чего-то не хватает.

Пожалуй, только Дэвиду Линчу в свое время удалось хоть немного прикоснуться к настоящему масштабу замысла Герберта, но даже он при всей своей безумности замысла и психоделической смелости не смог вместить все. С тех пор прошло больше сорока лет, и никто так и не подобрался ближе к глубине гениального автора.

Бюджеты и спецэффекты здесь ни при чем. «Дюна» — это честный, местами беспощадный набор мысленных экспериментов о природе власти, свободы и человека, который моделирует нашу цивилизацию в обход собственных технологий, а не благодаря им. Но в экранизациях эта глубина обычно растворяется в красивой картинке.

Выход сериала удачно совпал по времени с глобальной дискуссией об искусственном интеллекте. Эти споры напомнили остроту поставленных романом вопросов. Страх потери контроля, требования ограничить ИИ, тревожные прогнозы от людей, которые сами его создают, — Герберт проиграл этот сценарий в уме еще полвека назад, только вместо экрана и графики у него для этого была печатная машинка. И закончил он его настолько неожиданно, что вряд ли кто-то из нынешних паникеров сумел бы предположить такой поворот. Это лишь один из возможных вариантов будущего, придуманный фантастом задолго до нынешних споров, но по пути к нему Герберт успевает задать вопросы, которые звучат сегодня даже острее, чем во времена написания романа.

В ИТ-проектах я всё чаще вижу новую норму: когда руководитель проекта, заказчик или HR рассматривает специалиста в команду, он уже не ограничивается присланным резюме. Гораздо проще открыть ChatGPT, Gemini, DeepSeek или другую привычную модель и спросить: «Что известно об этом человеке как о профессионале?» И вот здесь начинается самое интересное: машина собирает ответ не из того, что человек хотел о себе рассказать, а из того, что о нём действительно осталось в цифровой среде.

Для зрелого специалиста это создаёт совершенно новую проблему. Можно иметь двадцать лет опыта, десятки сложных проектов и сильную профессиональную репутацию — и при этом обнаружить, что в цифровом мире вся эта история существует разрозненными кусками. Резюме сообщает должности, профиль показывает выбранное представление, цифровой след хранит отдельные события, но ни один из этих элементов сам по себе ещё не доказывает профессиональную способность. Чем легче с помощью ИИ написать безупречное резюме, тем важнее становится другое: можно ли восстановить путь от заявленной компетенции к реальной задаче, личному действию, результату и подтверждению.

Именно с этого вопроса у меня началось исследование профессионального цифрового профиля, которое в итоге привело к гораздо более широкой идее — доказательной цифровой профессиональной карты. Она нужна не для того, чтобы громче рассказывать о себе, а для того, чтобы самому управлять своей профессиональной историей: связывать проекты, роли, результаты и доказательства, сохранять границы раскрытия и не оставлять машине право додумывать отсутствующие связи. О том, почему это становится особенно важно в мире ИИ и что постепенно может прийти на смену привычному резюме, — дальше в статье.