Будущее здесь

Всем привет! Я продолжаю цикл статей про применение ИИ в тестировании. Мы уже успели поговорить про анализ требований, создание тестовой документации и автотесты, т.е. разобрали весь shift-left с ИИ. Но у QA-инженера есть много других задач, с которыми ИИ также может помочь.

И одной из таких задач является актуализация тестовой модели. Когда она может потребоваться? Когда продукт существует уже не первый год, тест-кейсов накопилось много, они написаны разными людьми в разное время по разным шаблонам, а требования к продукту успели поменяться. В TMS накапливаются дубликаты, устаревшие шаги и кейсы, которые логичнее было бы объединить. Разбирать всё это вручную долго и дорого, и редко когда у команды есть ресурс на такой разбор. Вот тут-то вам может пригодится ИИ.

Впервые в истории биологи поместили набор неживых компонентов в мембрану, похожую на клеточную, и стали свидетелями того, как этот «мешок» из молекул начал вести себя как живой организм. Созданная в лаборатории синтетическая клетка росла, реплицировала свою ДНК и делилась, демонстрируя основные функции клеточного цикла.

«Это впечатляющий шаг, — сказал Джек Шостак, который изучает происхождение жизни в Чикагском университете и не участвовал в данном исследовании. — Мне не известны другие попытки создать искусственную клетку из биологических компонентов, которые продвинулись бы так далеко».

По существующим понятиям эта клетка не является живой. Она не может выжить без постоянного поступления питательных веществ и рибосом — механизмов, необходимых для синтеза белков. У неё нет защитных механизмов или эффективной системы выведения отходов. Но это самое убедительное на сегодняшний день доказательство того, что можно создать жизнь из неживого — цель, к которой синтетические биологи стремятся уже десятилетиями.

Дисклеймер: я не нефтехимик и не эксперт по моторам. Я embedded-разработчик, который в будни отлаживает встраиваемые системы, а по выходным развлекается с собственной машиной. Всё, что ниже, является компиляцией учебников по теории ДВС, технических регламентов и личного накопленного опыта - вдохновлением послужила актуальная статья ресурса про устройство ДВС. Напугала обложка? Она напугала и меня, но именно с друзьями-роботами хотелось создать нечто для привлечения внимания к действительно важной проблеме.

Прилетаем в Шанхай — в аэропорту встречают трое, помогают с чемоданами. По дороге выясняется: один из них — владелец компании, у которой данные покупают крупнейшие AI-лаборатории мира (OpenAI, Meta, Antropic и др.).

Так начались наши восемь дней внутри китайского AI: SiliconFlow, ByteDance (разработчики TikTok, Seedance), MiniMax, Z.ai (разработчики GLM) — встречи каждый день. Внутри статьи: что ByteDance выпускает 10 июля и почему флагманы дешевеют; как Z.ai уходят с NVIDIA на Huawei; рынок, где серверные видеокарты лежат рядом с айфонами; магазин, где гуманоидов продают по паспорту; и почему пекинские уборщики пока выигрывают у роботов.

Я — сооснователь GPTunneL, китайские модели покупаю и продаю каждый день. Рассказываю, как этот рынок выглядит вблизи.

Скопления галактик могут содержать тысячи отдельных галактик и являются крупнейшими гравитационно связанными структурами, известными нам во Вселенной. Они настолько массивны, что их получается использовать в качестве гравитационных линз.

Одно из таких древних скоплений называется XLSSC 122, и оно удачно расположено на одной линии с более удалёнными отдельными галактиками. Это превращает скопление в гравитационную линзу, которая искривляет и усиливает свет от далёких галактик. Астрономы использовали телескоп «Уэбб» для изучения скопления, и искажённое изображение фоновой галактики позволило им более точно измерить массу XLSSC 122.

Десять миллиардов лет назад большинство скоплений галактик только начинали формироваться. Однако текущие наблюдения показывают, что XLSSC 122 отличается от других скоплений галактик, существовавших во Вселенной в то же время. Напротив, оно более массивно, компактно и упорядоченно — в общем, напоминает более современные скопления.

Получил очередное приглашение на мероприятие по цифровизации промышленности. В программе всё знакомо: ERP, MES, PLM, 1С, производственный контур, импортозамещение, интеграции, производственные решения, новые продукты и очередная панельная дискуссия о том, куда движется российская промышленность. Сама по себе такая программа нормальна: предприятиям действительно нужны системы, интеграции и прикладные решения. Но чем больше я смотрю на этот привычный набор слов, тем сильнее возникает один простой вопрос: а что мы сегодня вообще называем цифровой трансформацией?

Внедрение ERP? Интеграцию ERP с MES? Замену импортной PLM? Подготовку регламентов? BI-панель? Электронный документооборот? Производственную аналитику? Новые рабочие места в системе? Всё это может быть полезно, а иногда и совершенно необходимо. Проблема начинается в тот момент, когда обычная автоматизация, внедрение или интеграция начинают называться цифровой трансформацией предприятия.

Эта статья не про конкретную компанию и не про конкретную конференцию. И тем более не про персональные оценки людей, которые занимаются внедрениями. Речь о другом: на рынке сложился язык, в котором слово «цифровизация» часто используется слишком свободно. Иногда под ним понимается реальное изменение способности предприятия управлять собственной деятельностью, но часто — просто поставка цифрового инвентаря: систем, документов, интерфейсов, интеграций и отчётов.

В 2016 году это ещё могло звучать как шаг в будущее. В 2026 году, после скачка ИИ и больших языковых моделей, такая постановка вопроса выглядит уже недостаточной. Поэтому хочется спокойно, без персональных атак, но достаточно прямо спросить: если вы называете свою работу цифровой трансформацией, где ваша методология?

Пока компании выстраивают орбитальные группировки и формируется индустрия космических сот — связанной инфраструктуры спутников, наземных станций и высотных платформ, — одна технология все чаще оказывается в центре внимания. Это лазерная передача энергии. Она развивается прежде всего как инструмент для самой космической инфраструктуры: подпитки спутников, орбитальных узлов, беспилотников. И у нее есть принципиальное преимущество перед другими подходами: лазеры уже вовсю используются для межспутниковой связи, а значит, технология развивается не с нуля. 

В этой статье разберемся, что за этим стоит, насколько технология близка к практике, и где именно она может выстрелить раньше всего.

Если вы читали мою предыдущую статью, то большинство из вас скорее всего не до конца поняли, что же на самом деле произошло.

Если коротко, то произошло следующее.

В конце июня 2026 года сформировался новый мировой рынок с потенциалом в триллионы долларов в год. Настоящий биткоин третьего тысячелетия! И, что интересно, он совершенно не занят. А вы прямо сейчас находитесь на его распродаже.

Подробности под катом.

12 июня 2026 года миллионы пользователей по всему миру открыли привычный интерфейс — и увидели сообщение об ошибке. Anthropic отключил доступ к моделям Fable 5 и Mythos 5 для всех иностранных пользователей без предупреждения и без переходного периода. Министерство торговли США направило директиву в 17:21 по восточному времени — и уже через несколько часов модели перестали работать за пределами страны. Доступ потеряли даже сотрудники-иностранцы самой Anthropic.

Сложно придумать более убедительную рекламу суверенного ИИ.

Дело в системной уязвимости, которую многие игнорировали несколько лет подряд, и рынок уже начал на нее реагировать.

Если вы хоть немного следите за AI coding, то наверняка слышали новую мантру: IDE больше никому не нужна. Все «вайбанутые» живут в терминале, запускают Claude Code, Codex или OpenCode и уверенно объясняют, что профессиональная среда разработки — это пережиток эпохи, когда код писали руками.

Agent-у хватает самых простых инструментов: grep, bash, edit и пары хороших prompt-ов. Сложные интерфейсы, UI-инспекторы, рефакторинги, дебаггер — всё это выглядит как пережиток прошлого. Открыл терминал, написал задачу, получил diff. Кажется, человечеству IDE больше не нужна. Или всё-таки нужна? Тут как посмотреть.

JetBrains в этой картине обычно достаётся роль динозавра. Компания много лет задавала планку того, как должен выглядеть профессиональный инструмент разработчика. Но когда индустрия сместила фокус с IDE на agent-ов, предложенные JetBrains AI Chat (ex. AI Assistant) и Junie выглядели не как новый тренд, а скорее как попытка заскочить в уходящий поезд.

Но у тезиса «IDE больше не нужна» есть слабое место: он смотрит на IDE только глазами человека. А что, если следующими пользователями IDE будут не люди, а agent-ы? В компании JetBrains с закатом IDE, естественно, не согласны и предлагают своё видение: среда разработки как набор инструментов и знаний о проекте, доступных AI Agent-у.

Команда OpenIDE здесь придерживается схожей позиции: мы считаем, что IDE никуда не денется. На данный момент ни один разработчик, которого я знаю, не удалил IDE с рабочего компьютера, хотя agent-ами пользуются уже все или почти все.

Но сегодня поговорим не о том, зачем IDE нужна человеку и почему от неё не отказываются, а о том, зачем IDE нужна agent-у.

На днях в одном профессиональном чате по GEO вспыхнул показательный спор.

Поводом стала статья-обзор рынка, где, по мнению команды одного из сервисов, были неверно описаны возможности их платформы. Дальше разговор быстро вышел за пределы одной публикации. Потому что проблема здесь не только в конкретной статье и не только в конкретном сервисе. Проблема в том, как рынок вообще начинает работать с контентом в эпоху нейросетей.

Одна позиция звучит так: важен результат. Если статья дает видимость, индексируется, попадает в обсуждение и влияет на восприятие рынка, значит задача решена. А если какому-то сервису не нравится, как его описывают нейросети, значит ему надо лучше работать со своим присутствием в выдаче и в источниках.

Вторая позиция мне ближе. Если мы публикуем обзор, рейтинг или сравнение, где неверно описываем чужой продукт, это не просто “шероховатость”. Это ошибка в публичном источнике. И в 2026 году такая ошибка живет не только на странице сайта. Она начинает расходиться дальше: в пересказах, новых обзорах, подборках, ответах нейросетей и в общем цифровом фоне вокруг бренда.

Именно поэтому этот спор для меня важен. Он про то, куда вообще идет GEO как рынок.

Наша третья статья на пути к созданию системе круглосуточной ситуационной осведомленности. Данный материл является подготовительным этапом перед созданием такой системы.

Пока бизнес воспринимает ИИ как ещё один SaaS, политики уже начали думать о нём как о стратегическом ресурсе уровня энергии и продовольствия. Разбираю, почему арендовать западные SOTA-модели не получится, а использование открытых весов создаёт личные риски директоров; почему своей фронтир-модели у России в ближайшие годы не будет; как замещение труда за счёт ИИ переносит деньги от импортёра к владельцу модели; почему налог на ИИ придёт без всякого AGI; и как на это всё отреагирует законодатель в России.

Всем привет! В прошлой статье мы уже выяснили, что без README с описанием архитектуры фреймворка генерация автотестов на большом легаси-проекте превращается в бесконечный цикл ревью и правок. А сегодня хочу рассказать о том, как именно я генерировала автотесты и локаторы, сколько это заняло по времени, где модель всё равно ошибалась и стоит ли оно того.

Это не критика искусственного интеллекта, а размышления на тему к чему может привести бездумное использование этого весьма полезного инструмента. Осознаём ли мы, что в погоне за прибылью держатели больших языковых моделей разрушают человеческий интеллект.

Не секрет, что генеративные трансформеры ничего не изобретают, а лишь используют большие языковые модели для генерирования (комбинирования) правдоподобных текстов. Соответственно, те, кто использует сгенерированные тексты без должного критического анализа, невольно теряют квалификацию, если, конечно таковая была. Тот, кто никогда не был квалифицированным специалистом, впадает в эйфорию, воображая, что теперь он может решать задачи, не обладая необходимыми знаниями.

Это будет работать до тех пор, пока действительно знающие люди стоят у руля разработок. А вот когда им на смену придут освоившие взаимодействие с ИИ, но не обладающие необходимой квалификацией для трезвой оценки результатов, полученных при помощи ИИ – вот тогда случится беда.

Так же известно, что от версии к версии в модели добавляются скрытые детерминированные механизмы (модель думает), улучшающие адекватность ответов. Соответственно,  чем «умнее» становятся модели, тем больше в них добавляется человеческого фактора. Хорошо это или плохо? Для коммерческого продвижения точно хорошо. В любом случае человеческая предвзятость может накладывать свой отпечаток на ответы ИИ.

Пищей для моделей служат различные источники, достоверность сведений из которых не гарантирована. С генерацией программного кода дело обстоит получше, но в любом случае ничего нового придумано ИИ не будет. Максимум, что может случиться, так это некоторое улучшение (вырождение) результатов, если обучение моделей будет выполняться на результатах других генераций признанных наиболее удачными.

Сейчас главное уже понять, что почти никто не вскрывает замки и не ломает двери, и вообще количество преступлений без человеческих жертв стремительно снижается. В дом проще зайти вместе с хозяином. Да, произошло обесценивание человеческой жизни!

Дом или квартира превращается в средневековую тюремную камеру всего за несколько секунд, пока вы открываете входную дверь — неважно, выходите или заходите. Если уголовникам надоедает ждать, вам позвонит водопроводчик — классика, которая работает.

Наша рекомендация вас тоже не спасёт полностью, но практика показала, что она единственная действительно спасает. Шлюз — симбиоз механики и электроники, это не просто какая‑то сигнализация, это физическая защита!

Рассказ

ИИ-офис молчал всю ночь. Это было плохо.

Обычно корпоративный ИИ-офис не молчит. Он шуршит фоном: нарезает записи в протоколы, собирает письма, подсвечивает риски, сравнивает версии договоров, ловит просрочки, пишет «рекомендовано назначить ответственного» и прочую административную поэзию, за которую раньше платили живым людям с лицами, кредитами и отпускными.

Молчание означало одно из трёх: либо всё сломалось, либо закончились токены, либо система нашла способ решить проблему без меня.

Третий вариант был самым неприятным.

Я проснулся в 5:40, потому что телефон завибрировал на тумбочке. На экране было сообщение от финансового директора:

«Андрей Сергеевич, вы точно согласовали выгрузку всего пакета по банку во внешний контур?»

Сон сразу закончился.

Есть фразы, после которых организм просыпается без кофе. «К вам пришли из налоговой». «Подрядчик снял людей». «Дизель встал, бетон греть нечем». И вот теперь в этот список добавилось: «..вы точно согласовали выгрузку всего пакета во внешний контур...»

Данная статья является продолжением вот этой статьи. Во второй части мы попытаемся "приземлить" рассмотренные ранее теоретические изыскания на конкретных известных исторических примерах. А также попытаемся заглянуть в будущее. Как это:
- В чем сила, брат?
- Сила - в онтологии!

Первое описание соцсетей появилось в 1968 году, и его автор вовсе не собирался описывать соцсети.

В романе Филипа Дика “Снятся ли андроидам электроовцы?” есть устройство под названием эмпатоскоп. Берёшься за две рукоятки - и сливаешься с неким Уилбуром Мерсером, стариком, который вечно карабкается вверх по голому склону под палящим солнцем. Пока он лезет, невидимые мучители бросают в него камни. И вот что важно: все остальные, кто в эту же секунду держится за свои рукоятки, сливаются с ним в одно целое. Ты разделяешь усталость Мерсера: когда камень рассекает ему кожу до крови, рана появляется на твоём собственном теле. Радость работает точно также, как и боль: вливаешь в общую чашу своё хорошее настроение - и жизнь других становится чуть более выносимой.

«Мы принадлежим крестоформу?»

Проблема коллапса моделей, или model collapse, сегодня хорошо известна. Если следующую генеративную модель обучать на текстах, созданных предыдущей, распределение обучающих данных начинает сужаться от поколения к поколению. Сначала исчезают редкие случаи: необычные обороты, маловероятные сочетания, локальные знания, отклонения от нормы. Затем беднее становится и сама норма.

Каждая отдельная генерация при этом может выглядеть убедительно: грамматически правильной, логичной и узнаваемой. Ошибка проявляется не как немедленный бред, а как постепенное сокращение пространства возможного.

Это похоже на последовательность копий: первая почти неотличима, десятая всё ещё узнаваема, сотая сохраняет общий контур, но теряет детали, которые никто не считал важными, пока они не исчезли.

Здесь необходима оговорка. Коллапс моделей не считается неизбежным: эксперименты показывают, что сохранение исходного человеческого корпуса данных и контролируемое добавление синтетических данных могут стабилизировать обучение. Но пока это больше похоже на способ сдерживать деградацию, чем на окончательное решение. Система по-прежнему требует постоянного внешнего якоря, а редкие части распределения могут исчезать первыми.

Для AI-компаний это хотя бы инженерная задача: корпус можно очистить, пересобрать, заново взвесить и повторить обучение.

У людей такой возможности нет.