Искусственный интеллект

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.

Сегодня утром Anthropic представили Claude Skills — новый подход к расширению возможностей своих моделей. Идея настолько проста, что гениальна, и, возможно, это куда более значимый шаг, чем нашумевшие в свое время кастомные GPT.

В начале года, когда об AI не говорил только ленивый, я написал статью о том, как на самом деле LLM меняют рынок труда и меняют ли они его вообще. Спустя полгода многое изменилось. Из хороших новостей: чёрный лебедь не случился, рабочие места сохранились, AI-агенты не привели к массовой безработице. 

Однако изменения произошли. И если в начале года они были незначительными, то теперь AI-эффект стал ощутимее. И неоднозначнее. 

AI одновременно трансформирует бизнес-процессы, становится базой для автоматизации и меняет спрос на навыки, создавая турбулентность на рынке.

В этой статье, опираясь на источники, исследования и собственный опыт, я расскажу о том, как на самом деле AI поменял рынок труда, при чём здесь политика и что вообще будет дальше.

Мы всё чаще делегируем ИИ-ассистентам рабочую рутину и бытовые вопросы. Но во взаимодействии с ними есть существенная проблема: модели не помнят пользователя. Между сессиями теряются имя, контекст работы, желаемые ограничения и предпочтения, значительно влияющие на то, что и как стоит ответить пользователю. В итоге диалог каждый раз начинается «с нуля», а ответы звучат усреднённо. Это снижает эффективность и подрывает доверие: когда ассистент не помнит важное о вас, он превращается в поисковик с красивыми фразами.

Мы в команде RnD для B2C SberAI хотим это исправить. Представляем вашему вниманию задачу GigaMemory: global memory for LLM. Мы предлагаем участникам построить долгосрочную персональную память для языковой модели — систему, которая хранит, обновляет и надёжно извлекает знания о конкретном пользователе. Привычки, предпочтения, ограничения и прочие факты о пользователе, которые могут пригодиться в дальнейшем общении.

Цель — научить ИИ отвечать не «в среднем по больнице», а исходя из вашего реального контекста: от прошлых задач на работе до семейных дат и спортивных планов.

Всем привет! Рады представить новую версию Explyt 5.0 с поддержкой Rider 🚀 новым тестовым агентом, Web search & Web fetch и другими приятными улучшениями.

Доброго времени суток, «Хабр»!

OpenAI продолжает радовать нас своими моделями — недавно вышел GPT-5 Pro в API, что не может не радовать. Почему? Об этом подробно поговорим сегодня. Статья будет посвящена следующим вопросам:

1) Что представляет собой GPT-5 Pro?

2) Выход модели в API.

3) Где можно использовать GPT-5 Pro?

4) Подводные камни.

Заинтересовались? Присаживайтесь удобнее, а я приступаю к своему рассказу.

Привет! Меня зовут Александр Карташов, и я Android-lead в IT-подразделении компании Спортмастер. Сегодня я расскажу вам о том, как настроить Android Studio для работы с LLM в режиме агента, получить максимум эффекта даже от небольших моделей на компьютерах, не обладающих мощной видеокартой, о тонкостях и некоторых важных настройках плагинов, особенностях запросов к нейронке. Эта статья-гайд поможет вам развеять страх того, что локальные модели для кодинга — это сложно, и позволит вам почувствовать лёгкий корпоративный вайб-кодинг даже внутри закрытого корпоративного контура.

Проблема

В современном мире разработка программного обеспечения и инновационных технологий идёт стремительными темпами. Однако вместе с прогрессом возникают и новые вызовы, особенно в контексте корпоративной защиты интеллектуальной собственности. Одной из ключевых проблем является необходимость предотвращения утечки исходных кодов и другой конфиденциальной информации из компаний.

Передача исходных кодов третьим лицам, в том числе известным нейросетевым сервисам, может представлять серьёзный риск для бизнеса. Это не только нарушает права интеллектуальной собственности, но и может привести к потере конкурентных преимуществ. В связи с этим разработчики и компании ищут альтернативные решения, которые позволят сохранить конфиденциальность и при этом использовать преимущества современных технологий.

Каково это — стоять у истоков того, что сегодня стало технологическим фундаментом всего Рунета? В новом большом интервью «В Офисе» — Олег Бартунов, один из главных мейнтейнеров PostgreSQL и основатель компании Postgres Pro. Он вспоминает, как в 90‑х собирал дистрибутивы ОС через знакомых в КГБ, разбирал «кишки» компьютеров ради науки и писал письма Сергею Брину — задолго до появления Google и GitHub.

В подкасте  «В Офисе» я, Ваня Ботанов, автор телеграм-канала «Деплой» вместе с Олегом Бартуновым. Поговорили о том, с чего начинался Postgres, каково быть ядром мирового опенсорса, что изменилось в сообществе после 2022 года. Это первая часть двухчасового разговора на сложные темы – умер ли Open Source и как из учёного и первооткрывателя звёзд стать бизнесменом.

Привет, Хабр! Меня зовут Кирилл Пшинник, я научный сотрудник Университета Иннополис и CEO онлайн-университета zerocoder.ru. Сегодня я хочу рассказать вам о новинке из далекой Поднебесной — конкуренте решениям от Intel и других западных разработчиков: о нейросети, которая действительно имитирует мозговую деятельность. 

Система получила название Darwin Monkey («обезьяна Дарвина») или «Укун» в честь короля обезьян из китайской мифологии. Она содержит более 2 миллиардов искусственных нейронов и более 100 миллиардов синапсов, что примерно соответствует мозгу макаки.

Примерно пол года назад ко мне обратился друг детства, Виктор. Человек, который больше десяти лет проектировал подстанции. И вот он, задаёт вопрос, который, я уверен, хоть раз слышал каждый из вас: «Слушай, я хочу в IT. Куда податься?»

Сейчас он занимается автоматизацией в одной IT компании, адаптируя LLM под внутренние процессы, но расскажу обо всём по порядку.

Вопрос не новый. Но в 2025 году, когда столько шума про AI, а рынок, кажется, набит джунами под завязку, он звучал особенно остро. Как руководитель проектов в IT, я видел другую сторону медали: сотни вакансий, где компании месяцами ищут толковых специалистов. Немного пообщавшись, задавав вопросы я выдал Виктору план. Им и хочу с вами поделиться.

Почему моё мнение может быть полезным? Я не HR и не карьерный коуч, а IT продуктовик и руковожу проектами. Слежу за ситуацией, сам искал и нанимал людей и знаю, кто нужен рынку прямо сейчас, за какие навыки платят деньги сегодня, а не в гипотетическом будущем.

CrewAI — фреймворк интересный. Он похож на самый быстрый способ удивить своего босса: легкий, у него очень низкий порог входа, он по дизайну нацелен на мультиагентность и из него можно очень быстро собирать MVP с вау-эффектом. В статье поговорим о том как создавать агентов на фреймворке, что у них внутри, где фреймворк хорош, а куда брать его не нужно.

Мультиагентная система без подходящей задачи — это, как говорится, токены на ветер, поэтому мы сколотим банду агентов, которые нам будут анализировать arxiv-статьи про LLM и посмотрим как это работает.

ИИ-агенты становятся все умнее, но на практике автоматизация сквозных тестов по-прежнему требует ручной работы и терпения. Даже последние языковые модели прекрасно пишут небольшие тесты, а вот с реальными сценариями — где интерфейс меняется, а цепочка действий длинная — всё не так гладко, как хотелось бы.

Недавнее исследование добавляет неожиданный штрих в картину: оказывается, перевод пользовательского сценария в написанный «по-человечески» тест гораздо сложнее, чем простая генерация кода. Ключ не в размерах модели, а в том, насколько хорошо она умеет понимать логику действий, ориентироваться в структуре интерфейса и точно связывать описание с настоящими элементами страниц.

В этом разборе — как устроен фреймворк GenIA-E2ETest, который превращает обычный текст в работающие тестовые сценарии. Почему одни шаги модели даются легко, а на других она всё ещё спотыкается, как люди помогают ИИ “дочищать” код — и что это значит для команд, которые хотят сделать автоматизацию тестирования быстрой, прозрачной и реально полезной.

Привет Хабр!

С развитием нейросетей стала заметна тенденция замены ручного труда человеков на автоматизированную работу ИИ. От программистов, ускоряющих рутинные задачи, до маркетологов, создающих креативный контент — ИИ уверенно встраивается в рабочие процессы. В наше время почти все клики и нажатия на клавиши за тебя может сделать какая-нибудь умная модель, надо просто знать какая.

Я собрал подборку ИИ-сервисов и моделей для решения широкого пула задач. В сегодняшнем выпуске нейросети по направлениям: Код, Презентации, Копирайтинг, Рекламные модели, Созвоны, Видео, Картинки, Автоматизация процессов, Аудио, Дизайн, Соцесети, ИИ детекторы, WEB 3, Блог и пара нейронок для исследовательского интереса.

Привет! Меня зовут Егор Козлов, я работаю NLP-инженером в red_mad_robot. Мы активно внедряем в бизнес AI-агентов — автономных и полуавтономных программных сущностей, которые самостоятельно выполняют задачи и принимают решения в интересах бизнеса. 

В статье расскажу о принципах работы AI-агентов — с особым вниманием к workflow-агентам и мультиагентным системам (MAS). И поделюсь практическим кейсом внедрения мультиагентной среды для автоматического анализа и исправления уязвимостей в коде.

Привет, Хабр! Сегодня поговорим о сервисе, который превращает 100 строк бэкенд-кода в 10 строк фронтенда. Для лучшего понимания работы Firebase мы напишем небольшое приложение: список покупок, который обновляется на всех устройствах мгновенно, данные сохраняются даже оффлайн. Это значит, что вам не нужно будет писать ни строчки серверного кода.

Привет! Это новый выпуск «Нейро-дайджеста» — коротких и полезных обзоров ключевых событий в мире искусственного интеллекта и технологий.

Неделя выдалась интересной: Google релизнули Veo 3.1, Microsoft показала свой генератор картинок, Qwen представили компактные VL-модели, в n8n добавили AI-режим, Карпаты запустил nanochat.

Всё самое важное — в одном месте. Поехали!

Привет, Хабр! Хочу поделиться историей о том, как столкнулся с проблемой, возможно знакомой многим разработчикам: необходимость внедрить систему рекомендаций в проект, который все еще работает на старой версии php.

Обновление версии php в legacy-проекте — это часто настоящий квест. То времени нет, то бизнес-фичи надо пилить, то еще какие-то причины. И часто бывает, что обновление версии php в командах откладывается на потом.

Мы ускорили релизный цикл в 2 раза за счёт жёсткого shift‑left: запретили писать и коммитить код без ранней проверки требований и автогенерации тестов ИИ. Рассказываем, как у нас это получилось и насколько выгоден такой подход компании.

Команда Python for Devs подготовила практическое руководство по сборке полноценной RAG-системы из пяти open source-инструментов. MarkItDown, LangChain, ChromaDB, Ollama и Gradio превращают разрозненные документы в умную базу знаний с потоковой генерацией ответов. Всё локально, без облаков и с открытым кодом — попробуйте собрать свой ChatGPT прямо у себя.

Короткая инструкция, как включить новый режим Google AI Mode и сделать его поиском по умолчанию в Chrome. Теперь запросы из адресной строки сразу открываются в «Режиме ИИ».