Искусственный интеллект

ИИ в робототехнике за последние годы сделал огромный скачок, но все равно попадает в ловушки повседневности. В лаборатории всё работает идеально, а на фабрике или в квартире робот вдруг не справляется с элементарными задачами. Почему современные алгоритмы так часто буксуют, когда сталкиваются с реальностью?

Свежий взгляд на проблему предложили исследователи из Оксфорда. Их главный аргумент звучит достаточно просто: секрет не только в мощности железа или объёме данных, а в том, КАК построено обучение. Роботы начинают учиться быстрее людей не потому, что повторяют наши инструкции, а благодаря гибким методам, которые учитывают шумные сенсоры, разные задачи и даже вмешательство человека по ходу работы.

В этом обзоре расскажу о том, как современные роботы осваивают незнакомые задачи за часы, почему объединение данных, грамотных алгоритмов и понятных инструментов меняет всю индустрию, и самое главное — к чему это приведёт нас в ближайшем будущем.

Недавно опубликованные Еврокомиссией требования к моделям общего назначения (GPAI) по Закону ЕС об ИИ (EU AI Act)  задают правила игры для всех, кто работает с генеративным ИИ. Даже если вы — небольшая команда, которая интегрирует в свой продукт API от OpenAI, использует Llama или любую другую foundation model, эти новые нормы касаются вас напрямую как Деплоер.

Важно понимать: речь не о том, чтобы отвечать за ошибки Google или Anthropic. Речь о том, что у Деплоера появляется своя, отдельная зона ответственности. Но для небольшой и гибкой команды это не только новые риски, но и уникальная возможность. В этой статье мы посмотрим на проблему с точки зрения небольшой компании разрабатывающей свой ИИ продукт и  разберем, что входит в эту зону ответственности и, самое главное, как использовать новые обязанности «больших компаний» как рычаг для построения более надежного и конкурентоспособного продукта.

TL;DR: В работе «Reasoning Pattern Matters: Learning to Reason without Human Rationales» авторы показывают, что для шаблонных задач рассуждения (patterned reasoning) ключ к качеству — не объём и не безупречность «рационалей», а явное усвоение шаблона рассуждения. Они демонстрируют это на двух финансовых задачах (NSM и TPC), вводят метрику/анализ «развилочных токенов» и предлагают PARO — способ автоматически генерировать рационали, следуя заранее заданному шаблону. Итог: SFT+RLVR, обученное на 10× меньшем количестве человеческих рационалей или частично «испорченных» рационалях, почти не теряет в качестве; а рационали, сгенерированные PARO, сопоставимы с крупными человеческими наборами.

Иногда хочешь просто записать, что поел — а заканчиваешь тем, что делаешь новый AI-продукт. Так я за вечер завайбкодил бота, который анализирует еду по фото, даёт советы и чувствует себя умнее, чем мой OURA Ring за $450.

Вы не задумывались, почему у нас уже есть Sora/Veo и бесконечный поток нагенерированных роликов, но "Матрица" интерактивных миров где можно действовать всё ещё есть только в лабораториях? Разбираем, что мешает получить 24 FPS интерактивного видео на флагманской видеокарте, как модели запоминают мир и зачем им обучаемое сжатие контекста.

Пару раз в неделю я выпускаю материалы, в которых проводятся ясные и четкие корреляции между состоянием ЖКТ и работой мозга. Вплоть до разработки рациона, подавляющего болезнь Альцгеймера. Микробиом – приоритетная цель, так как биоразнообразие колоний коррелирует и с отсутствием ожирения, и с успешным метаболизмом нейромедиаторов. Вот только не стоит надеяться, что пара «здоровых завтраков» или выпитые 2-3 бутылочки йогурта радикально и надежно пофиксят микробиом.

Попрощайтесь с эпохой потребительских сайтов и мобильных приложений. Искусственный интеллект положил начало эре, которую инсайдеры из инновационной столицы страны именуют «хард-теком».

Привет! Этот пост — перевод очень хардовой статьи про внутренности vLLM и того, как устроен инференс LLM. Переводить было сложно из-за англицизмов и отсутствия устоявшегося перевода многих терминов, но это слишком классная статья, и она обязана быть на русском языке! А дальше — слово автору:

От paged attention, непрерывного батчинга, кэширования префиксов , specdec и т.д. — до мульти-GPU и мультинодового динамического сервинга LLM под нагрузкой.

В этом посте я постепенно представлю все основные системные компоненты и продвинутые функции, которые составляют современную систему инференса LLM с высокой пропускной способностью. И детально разберу, как внутри работает vLLM.

Автор: Jean-Marc Mommessin 11 октября 2025 г.

Значительное событие готово трансформировать ИИ в здравоохранении. Исследователи из Stanford University, совместно с ETH Zurich и технологическими лидерами, включая Google Research и Amazon, представили OpenTSLM — новое семейство моделей языка временных рядов (Time-Series Language Models, TSLMs).
Это прорыв, который решает ключевую проблему существующих LLM (large language models) — способность интерпретировать и рассуждать о сложных, непрерывных медицинских временных рядах, таких как ЭКГ, ЭЭГ и потоки данных носимых датчиков, где даже передовые модели вроде GPT‑4o сталкивались с трудностями.

Model Context Protocol (MCP) — это единый стандарт разработки API для сервисов, с которыми могут взаимодействовать LLM.

В этой статье на простом примере разберем, как создать свой MCP-сервер и как использовать его в связке с LLM.

Мои курсы: Разработка LLM с нуля | Алгоритмы Машинного обучения с нуля

AI давно обещает избавить менеджеров от рутины, но делает ли он это на самом деле?

Я проверила 10 систем управления проектами — от таск-трекеров до больших платформ — и посмотрела, где искусственный интеллект работает лучше людей. 

Архитектурный промт — это структурированный шаблон запроса, который задает AI определенную логику обработки информации через явные инструкции и последовательности действий.

Базовое строение:
[КОНТЕКСТ] → [ЦЕЛЬ] → [МЕТОДОЛОГИЯ] → [ЭТАПЫ] → [ТРЕБОВАНИЯ] → [ФОРМАТ]

Помню тот момент, когда я в очередной раз пытался вытащить конкретную спецификацию из стопки PDF‑отчетов. «Вот бы ИИ мог сам в этом покопаться», — подумал я. Это чувство знакомо многим, кто работает с большими массивами текстовой информации.

Тогда я и решил, что хватит это терпеть. Последующий день превратился в марафон по установке и настройке RAG (генерация с дополнением извлеченной информацией). Это был путь проб и ошибок, который в итоге увенчался успехом. И теперь я хочу поделиться этим опытом с вами.

В этом материале мы:
• Пошагово установим rag_api в уже развёрнутый LibreChat;
• Воспользуемся Python 3.12, PostgreSQL 17;
• В командной строке соберём PostgreSQL‑аддон pg_vector через x64 Native Tools Command Prompt for VS 2022;
• Протестируем RAG‑систему 20 вопросами к вымышленной документации, сгенерированной в Gemini 2.5 Pro;
• Узнаем, во сколько раз медленнее запускать через CPU, чем через GPU.

ИИ сегодня легко справляется с текстом, картинками и даже видео — кажется, ничто не способно его остановить. Но вот парадокс: когда дело доходит до прогнозирования временных рядов, где мы ожидаем от моделей почти волшебства, простая старая линейная регрессия всё ещё регулярно обыгрывает модные трансформеры. Почему сложные нейросети так часто уступают классике — даже когда вроде бы должны показать класс?

Новое исследование переворачивает привычное представление: оказывается, размер и глубина модели сами по себе не гарантируют прорыва. На временных рядах даже самые изощрённые схемы внимания не могут обработать данные лучше, чем линейные методы. А увеличение слоёв или длины истории, вопреки ожиданиям, лишь медленно сокращает отставание.

В этой разборчивой работе показано: понять, как модели учатся и где проходит граница их возможностей — критически важно для всех, кто строит или применяет ИИ в реальных задачах. Разбираемся, почему иногда лучше довериться старым добрым формулам и что это значит для будущего ИИ-прогнозирования.

Я разобью весь свой путь на три части. Потому что ещё не дошёл до конца 🙂
По мере разработки буду рассказывать, что получилось, а вы - как всегда - подскажете, где я налажал и как можно сделать лучше.

Привет, Хабр!

Не так давно я рассказывал вам о рождении формата .ap (AI-friendly Patch) — моей попытке избавить мир от боли ручного копипаста при работе с AI-ассистентами. Идея была проста: вместо генерации блоков кода, который нужно переносить в исходники руками, ИИ генерирует семантический патч в специальном, удобном именно для ИИ формате, который применяется автоматически. Судя по числу добавлений статьи в закладки, идея многим пришлась по душе!

Но теория — это одно, а суровая практика — совсем другое. В процессе активного использования ap в реальных задачах (в том числе при работе над far2l) вскрылись узкие места и накопились идеи, как сделать формат ещё надёжнее, удобнее и, что самое главное, — ещё более «понятным» для нейросетей. Сегодня я хочу рассказать вам о результате этой работы — большом обновлении ap 2.0

Это не просто косметические правки, а серьезный шаг вперёд, основанный на главном инсайте: лучшие результаты ИИ показывает тогда, когда мы позволяем ему сначала спланировать свои действия на человеческом языке, и только потом — реализовать их в виде кода. Поехали!

Наконец, я добрался до квалиа и эмоций. Многие наверняка вспомнят Чалмерса, летучую мышь, красноту, зомби и китайскую комнату. Отлично. Тогда останавливаться на этом не будем. 

Сегодня я расскажу о теме, которая на первый взгляд кажется далёкой от IT, но с каждым новым прорывом в AGI становится всё ближе — о сознании. Впрочем, такое ощущение, что о нём я говорю постоянно. Поэтому уточню, расскажу о его «трудной проблеме»: почему вообще мы переживаем? Почему красный (вот и краснота) цвет ощущается как красный, а боль ощущается как боль?

Этот субъективный, невыразимый аспект опыта — «каково это» — в философии называют квалиа.  И десятилетиями эта проблема заводит учёных в тупик. Но что, если мы просто смотрим не туда? Что, если квалиа — это не дополнительный слой к вычислениям, а просто свойство самой архитектуры этих вычислений?

В этой статье мы представляем CoolPrompt - фреймворк автоматической оптимизации промптов (автопромптинга), который предлагает полный пайплайн оптимизации от постановки задачи до оценки результатов новых промптов. 

Как мы сделали лёгкий игровой тест по мотивам соционики. Задача — дать короткую, но содержательную обратную связь о вероятной командной роли (мыслитель, душа компании, хранитель или лидер) и предложить, как применить свои сильные стороны в работе и учёбе. Это не «ярлык», а удобный язык для разговора о взаимодействии: разнообразие ролей помогает точнее проверять гипотезы и принимать более устойчивые решения.

ИИ легко справляется с генерацией текстов и даже пишет код, но вот в поиске настоящих научных формул всё ещё часто полагается на человека. Почему современные языковые модели, казалось бы, такие умные, пока не могут заменить настойчивого исследователя?

Новое исследование находит неожиданный выход: если дать модели возможность не просто подсказывать, а действовать — анализировать данные, строить гипотезы, запускать код, сравнивать свои же находки шаг за шагом — она начинает разгадывать научные зависимости самостоятельно. Вплоть до того, что качество её выводов уже сопоставимо с ручной работой, а иногда — даже выше.

Как такое вообще возможно? За счёт чего одна и та же ИИ-модель вдруг превращается из помощника-программиста в настоящего научного исследователя — и насколько это меняет наше представление о будущем науки? Смотрим, как SR-Scientist учит ИИ думать на несколько ходов вперёд и находить настоящие законы природы среди реальных данных.