Искусственный интеллект

Часть 1. «Цифровая пена» всё сильнее затягивает

С одной стороны за несколько сотен лет принципиально не изменилась логика производства продукта: оборудование и рабочие на основании технологических карт/рецептур перерабатывают сырье и материалы в полуфабрикаты и готовую продукцию, передавая результат своей работы дальше по участкам до склада готовой продукции для отгрузки покупателям, при этом собственники ожидают максимальной отдачи от инвестиций.

С другой стороны, начиная с 30-х годов прошлого века, изменения в производственных системах, развитие компьютеров и аналитики, а также миллиарды долларов, вброшенные в консалтинг, породили вокруг бесконечное количество информации, моделей, систем, программных продуктов. Часто начинает казаться, что современные руководители, просто тонут в этой «цифровой пене», не всегда понимая, как соединить «теплое» с «белым», например, внедрение ERP, желание повысить скорость выпуска и сделать завод более рентабельным, а также развивать «мягкие навыки» (soft skills). И вокруг армия консультантов: «Вам нужно внедрить Бережливое производство», «У вас нет нормального управленческого учета», «Вам срочно нужно ERP», «Зачем тратить большие бюджеты, давайте всё сделаем в экселе» и так далее

В России ситуация осложнилась тем, что в 90-е годы была уничтожена советская научная школа управления производством и в течение 20 лет мы утратили собственные наработки и системно не взяли чужие, за исключением лидеров отраслей. В итоге сегодня видим засилье литературы из серии «Богатый папа — бедный папа» или «Коучинг — наше всё», а также разные курсы МВА, где руководителей и собственников бизнеса учат в основном лучшим практикам финтеха и ИТ.

Sora 2 — это не просто апгрейд, а фактически новая архитектура. Если в первой версии модель использовала трансформер, натренированный на коротких клипах, то теперь это мультислойная диффузионная сеть, способная “понимать” время, движение и контекст в одной последовательности.

Обсерватория LIGO — инструмент настолько чувствительный, что способен измерять смещения в 10 000 раз меньше ширины протона. Такая невероятная точность имеет свою цену. LIGO находится в постоянной борьбе с шумом — гулом самой Земли, плеском далеких океанских волн, едва уловимой дрожью грунта.

Годами системы, созданные для подавления таких помех, сами становились источником проблемы, внося собственное высокочастотное «шипение». Побочный эффект ослеплял обсерваторию, мешал ей регистрировать одни из самых грандиозных событий во Вселенной. Сегодня этот технологический тупик преодолен благодаря новому подходу, рожденному в сотрудничестве физиков и специалистов по искусственному интеллекту из Google.

Deep Loop Shaping — алгоритм, который не просто фильтрует шум, а учится активно его переигрывать, раздвигая границы наших знаний.

Мы продолжаем наш разговор про ИИ и творчество в эпоху смерти автора. 

Если механическое воспроизводство, по Вальтеру Беньямину, лишало произведение его ауры, то алгоритмическое порождение ставит под сомнение саму фигуру автора. Традиционное западное понимание авторства, кристаллизовавшееся в XVIII-XIX веках, — это образ гения-творца, чья уникальная личность, внутренний мир и преднамеренное художественное усилие воплощаются в произведении. Автор — это источник смысла, владелец замысла. Интеллектуальная собственность, как правовой концепт, была построена вокруг защиты этого суверенного акта творения.

Что же происходит, когда творческий акт сводится к вербальной инструкции — промпту?

ИИ сейчас на пике внимания, и всё больше компаний видят в нём кнопку “ускорить прибыль”. Но если заглянуть в два свежих осенних отчёта по рынку ИИ, картина получилась тревожной: в каждом третьем ответе системы — дезинформация, а 95% корпоративных внедрений не приносят пользы.

В чём корень? Погоня за лайками, кликами и красивыми циферками KPI. Когда алгоритм “затачивают” только под отчётность, теряется главное — реальный результат.

Если хочется, чтобы искусственный интеллект работал на пользу, а не просто “гонял данные”, есть краткий маршрут:

1. Забудьте о vanity-метриках — оценивайте технологии через их прямое влияние на прибыль, удержание клиентов и сокращение расходов.

2. Простройте визуальную карту процессов — только так можно контролировать, где теряются ресурсы и как реально работает ИИ в ваших бизнес-процессах.

3. Внедряйте новинки поэтапно: запускайте на конкретных участках, анализируйте ошибки и только потом масштабируйте то, что действительно влияет на результат.

Toyota не построила свой лайфстайл “японского качества” без визуальных схем — у них видно каждое звено процесса. McDonald’s стал легендой, стандартизировав каждый шаг и избавившись от хаоса на кухне. А в Amazon автоматизация сработала только тогда, когда был прорисован буквально каждый маршрут товара на складе.

В конечном счёте у любого лидера есть два маршрута: либо быстро монетизировать “чёрный ящик” в ущерб доверию, либо выстроить честную, прозрачную машину, которая будет работать долгие годы. Большие перемены всегда идут через осознанные решения и интеллект — человеческий и машинный.

Писать код с LLM — очень легко, просто и весело. Не нужно мучаться с документацией, не нужно фиксить баги. Вообще ничего не нужно. Только инструкцию в чат написать. Раз-два — и всё готово. Заманчиво? Да. Но у всего есть цена — и про неё важно помнить.

Сейчас разберём, как именно AI-агенты могут сломать твой прод и что можно сделать, чтобы очередной вайб-кодинг не превратился в катастрофу. В конце — чеклист, который поможет не упустить ничего важного.

Всем привет!

Последние полтора года я активно играю в D&D, в основном в длинные кампании. Если вы тоже играли, то, возможно, у вас возникала мысль, что персонаж настолько глубоко вошёл в вашу жизнь, что после окончания кампании хочется оставить эту частичку в виде чего-то физического.

Так мне показалось по отношению к другу, которого я затянул поиграть. Его персонаж уже глубоко запечатлелся не только у него, но и у всей нашей партии. Поэтому на его день рождения мы с другом решили сделать ему "миньку".

Пока вы оптимизировали meta-теги, Reddit стал третьим по влиянию SEO-сайтом в США. Разбираемся, почему Google теперь любит форумы больше ваших статей — и что с этим делать.

Недавно прошла конференция Яндекса по ИИ и облачным технологиям. Впечатлила работа с AI Studio, демонстрирующая возможность создавать агентов «на лету», даже не используя программирования.

Естественно, любую вещь надо попробовать, и я принялся за дело.

Захожу в студию, выбираю модель — Qwen 3 выбрал, пишу промпт. Агент будет выполнять роль сотрудника отдела аренды, рассказывать о наличие помещений, их стоимости, площади, условиях использования и оплаты. Чтобы не усложнять, прямо в промпте в формате Json информацию и начинаю тестировать, задавая вопросы. Список вопросов прямо из записей облачной АТС, чтобы было всё по‑взрослому.

В целом ответы агента устраивают, вполне живой разговор получается.

Очень многие хотят начать именно с предиктивных моделей — ведь всем хочется знать, что будет впереди, чтобы сделать правильный выбор сегодня.
Но здесь кроется опасность: люди часто довольствуются теми данными, которые у них есть, считая, что этого достаточно для прогноза. А на самом деле — это иллюзия.
Построить адекватную предиктивную модель на исторических данных за 2 года — практически невозможно. Особенно если данные разреженные, неполные или не покрывают полный цикл.
Даже если модель покажет высокую точность (например, 95% accuracy), она может быть неадекватной — то есть не отражать реальную картину. Придумал этот термин для пояснения глубины предиктивных исследований (предиктивный происходит от английского predict – «предсказывать, пророчить)
Что значит «адекватная точность»? Это...

ИИ становится всё умнее — и вроде бы уже может справиться с самыми разными задачами в интерфейсе компьютера. Но вот парадокс: в настоящих программах даже самые продвинутые агенты до сих пор неловко кликают не туда, путают кнопки и часто просто теряются. Проблема не только в алгоритмах — не хватает настоящих, живых примеров, как действовать шаг за шагом.

Команда исследователей неожиданно нашла решение там, где его никто толком не искал: на YouTube. Вместо сложной ручной разметки они научили ИИ учиться на туториалах обычных пользователей и вычленять из роликов подробные инструкции по работе с реальными приложениями — вплоть до точек кликов и строк ввода текста. Оказалось, такого обучения хватает, чтобы агенты научились уверенно разбираться в браузерах, редакторах и медиаплеерах.

Почему именно такой способ оказался рабочим? И как это открывает новый этап в развитии ИИ для повседневных задач — без огромных затрат и костылей? Разбираемся, как машины начинают учиться «по-взрослому».

Страшно, когда эксперты пишут, пережевывая то, что написали уже другие, да еще и бездумно с помощью нейросетей. А потом все дружно внедряют llms.txt, не разобравшись зачем он нужен и работает ли вообще.

Еще несколько лет назад флагманские GPU встречались в двух сценариях — дорогостоящее обучение моделей с чистого листа или претрейнинг крупных архитектур. Под такие задачи строили целые кластеры: длинные эпохи, десятки миллиардов параметров, месяцы непрерывных расчетов. Даже для обучения относительно «легких» моделей требовались серверы с 4−8 топовыми GPU. А уже сегодня можно заказать сервер сразу с восемью GPU H200, да еще и в формате SXM.

Привет, Хабр! На связи Сергей Ковалёв, менеджер выделенных серверов в Selectel. В этой статье я расскажу, как индустрия оказалась в точке, когда нужны суммарные 1 128 ГБ видеопамяти и куда несется этот «локомотив». Под катом — все подробности.

Команда AI for Devs перевела статью, показывающую, что открытые веса — это не только про прозрачность, но и про утечку тайн обучения. На примере модели GPT-oss автор показывает, как можно восстановить части обучающего пайплайна и даже выявить, что GPT-5 видела фразы с сайтов для взрослых.

Ты живёшь, а мир вокруг превращается в цифру. Было аналоговое - стало цифровое. Было живое - стало искуственное. И ирония в том, что мы, айтишники, и делаем эти изменения. Мы не просто свидетели Иеговы, мы сами это и кодим.

Но сколько в нашей работе курьёзных моментов. И сколько песен было сложено про любовь, и, скажем, осень. А вот про бессонный деплой, бесконечный рефакторинг, костыли, эпические баги - мало. Совсем мало. Может быть потому что нас, ИТ-шников мало? Да много нас, и с каждым годом нас только больше. На мой взгляд, про нас не поют просто потому, что про любовь все знают, а про ИТ-шные угары знаем только мы.

Привет, Хабр! Меня зовут Василий Коновалов, я работаю в команде «Вычислительная семантика» в AIRI. Наша команда сфокусирована на исследовании галлюцинаций и на решении проблем доверительной генерации. Мы учимся находить галлюцинации и бороться с ними.

Но, возможно, мы не всегда должны делать это. Тем более, что научные работы показывают, что галлюцинации неизбежны. Вместо этого мы извлекли из них пользу: мы применили галлюцинации больших мультимодальных моделей для детекции странных картинок — то есть картинок, противоречащих здравому смыслу.

Об этом мы вместе с коллегами из Сколтеха, MWS AI и МФТИ написали научную статью Through the Looking Glass: Common Sense Consistency Evaluation of Weird Images, которую приняли на NAACL. Здесь я кратко расскажу, что именно мы сделали.

За два года учёные, связанные с Google, получили три Нобелевские премии. Исследователи трёх его лабораторий получили сразу три высшие научные награды за открытия в химии и физике. Это не просто череда совпадений, а показатель глубокой трансформации: крупные технологические корпорации всё чаще становятся площадками для фундаментальных исследований, а Google  их флагманом.

ИИ сегодня может писать тексты, решать задачи и даже управлять сайтами — казалось бы, уже почти как человек. Но вот парадокс: самые продвинутые агенты до сих пор ошибаются на простых сценариях и путаются с кнопками или таблицами. Почему решения, работающие в теории, так часто валятся на реальных веб‑задачах?

Недавнее исследование раскрывает неожиданный нюанс. Оказалось, что дело не только в мощности модели или объёме данных — важнее то, «как» агент рассуждает и организует свои действия в сложной среде. Команда предлагает свежий подход: превращать веб и документы в особый «граф знаний», а тестовые ситуации собирать из него автоматически. Такой подход сразу проявляет слабые места даже у топовых ИИ.

Разбираемся, как устроен новый бенчмарк, почему агенты спотыкаются на пути к настоящей автономности, и — главное — что всё это говорит о будущем ИИ, который должен быть и умным, и по-настоящему полезным в наших цифровых задачах.

Привет, Хабр! Представьте у вас есть идея для небольшого приложения.  Вы начинаете продумывать его структуру и реализацию. Перед вами предстает ворох проблем; прописать разметку, стили, логику, отладить баги. Эти задачи могут вызвать затруднения у начинающих программистов и предпринимателей.  А что если бы у вас был персональный ассистент, который не просто подсказывает код, а сам пишет его по вашим инструкциям на естественном языке?

Изучая классическое машинное обучение, я постоянно натыкался на парадокс: материалов много, а интуитивно понятных объяснений, почему ансамбли — это так мощно, на удивление мало.
Я хочу это исправить. В этой статье мы разложим по полочкам саму концепцию ансамблей. А затем по логике ансамблей разберем двух "королей" этого подхода: Случайный Лес и Градиентный Бустинг.