Alibaba (у которых Qwen, AliExpress и Tmall) на днях представила Qoder — свою пока бесплатную альтернативу Cursor.
Я успел провести с ним сегодня свой рабочий день, и вот мои впечатления. Сравнивать его я буду с Windsurf, т.к. им пользовался дольше остальных.
Самая цитируемая статистика из нового отчёта MIT оказалась сильно искажённой. Пока заголовки утверждают, что «95% пилотов генеративного ИИ в компаниях проваливаются», сам документ раскрывает нечто куда более поразительное: самое стремительное и успешное внедрение корпоративной технологии в истории разворачивается прямо у руководителей под носом.
Агент с лицензией на ошибку
Как ломают ИИ-агентов. Часть 1: Кейс с Operator ChatGPT
В 2025 году ИИ-агенты стали настоящим медиа-феноменом. Ну а нас больше всего интересует вопрос уязвимости таких систем: у агентов все больше возможностей, а значит и поверхностей атаки. Наша команда работала над отчетом OWASP State of Agentic AI Security and Governance, где был раздел об инцидентах, который не попал в финальную версию отчета. Поэтому несколько инцидентов я хотел бы разобрать в серии статей. Кейс, рассмотренный в этой статье, показывает новый класс угроз, присущих именно автономным ИИ-агентам, и эта проблема носит системный характер, а не является единичным багом.
Прошло уже две недели после выхода долгожданной GPT-5, которая, как казалось, должна была стать одной из главных вех в развитии AI индустрии. Но не стала - как бы ни оценивали эту модель, пессимистично или оптимистично, остается очевидным, что принципиальной разницы между ней и o4-mini, и даже DeepSeek R1 0528, нет - если говорить о качественном кратном отличии, которое ключевым образом меняло бы приложение этого AI к реальным задачам. Поэтому и воспринята новая модель была с разочарованием.
Справедливости ради стоит отметить, что как одна из многих GPT-5 - достаточно хорошая модель, точнее, несколько моделей в составе мультиагентной системы - подробнее об этом ниже.
Слушай, друг, давай без лишних церемоний. Знаю, что заголовок звучит как очередная паникёрская статейка про то, как ИИ всех уничтожит. И да, понимаю — скорее всего, ты сюда зашёл с лёгким холодком в животе. Мол, блин, а что если правда? Что если завтра утром мне скажут: «Спасибо, Вася, но у нас теперь есть ChatGPT-менеджер»?
Расслабься. Налей себе чай (или что покрепче, если уже вечер), и давай поговорим по душам.
Страх — это нормально, но паника — нет
Я тоже проектный менеджер. За плечами больше 15 лет в проектах и бизнесе, видел взлёты и падения десятков проектов, руководил командами от 5 до 50 человек. И знаешь что? Когда десяток лет назад все начали кричать про ИИ, у меня тоже ёкнуло сердце. Думаю: «А что, если эти алгоритмы действительно умнее меня?»
Но потом я посмотрел на свой последний проект. Помнишь те моменты, когда заказчик звонит в пятницу вечером и говорит: «А давайте всё переделаем, у меня идея»? Или когда два твоих лучших разработчика не разговаривают друг с другом из-за спора о том, какой фреймворк использовать? А может, ты помнишь тот раз, когда проект буксовал месяц, а потом за одну встречу с клиентом всё встало на свои места?
Вот тут-то я и понял: заголовок этой статьи — полная чушь.
Почему ИИ не заменит проектных менеджеров
Человеческий фактор доверия
Представь: ты приходишь к новому клиенту на первую встречу. Садишься напротив него, смотришь в глаза и говоришь: «Слушай, я понимаю, что у тебя сейчас каша в голове с этим проектом. Давай разберёмся вместе». И видишь, как у него расслабляются плечи.
Когда ChatGPT или Gemini дают, казалось бы, экспертный ответ на ваши насущные вопросы, вы можете не осознавать, на каком объёме информации он основан. Как и другие популярные генеративные модели искусственного интеллекта (ИИ), эти чат-боты опираются на базовые (foundation) модели, обученные на миллиардах или даже триллионах данных.
Аналогичным образом инженеры надеются создать базовые модели, которые обучат различные роботы новым навыкам — например, поднимать, перемещать и класть объекты в таких местах, как дома и фабрики. Проблема в том, что собирать и передавать учебные данные между разными роботами сложно. Можно обучить систему, телеманипулируя оборудованием пошагово с использованием технологий вроде виртуальной реальности (VR), но это отнимает много времени. Обучение на интернет-видео менее эффективно, поскольку они не предоставляют пошагового специализированного объяснения задач для конкретных роботов.
Подход, основанный на симуляции, под названием PhysicsGen от Лаборатории компьютерных наук и искусственного интеллекта (CSAIL) MIT и Института робототехники и ИИ, адаптирует тренировочные данные для роботов, чтобы помочь им находить наиболее эффективные движения для задачи. Система может превратить несколько десятков VR-демонстраций почти в 3000 симуляций на каждую машину. Эти высококачественные инструкции затем сопоставляются с точной конфигурацией механических систем, таких как роботизированные руки и манипуляторы.
PhysicsGen создаёт данные, которые обобщаются под конкретные роботы и условия, используя трёхэтапный процесс. Сначала гарнитура VR отслеживает, как человек манипулирует объектами, например, кубиками, используя свои руки. Эти взаимодействия одновременно отображаются в 3D-физическом симуляторе, визуализируя ключевые точки на руках в виде маленьких сфер, которые повторяют жесты. Например, если вы перевернёте игрушку, вы увидите 3D-фигуры, представляющие различные части ваших рук, вращающие виртуальную версию объекта.
Вторая статья специалиста по архитектуре ИТ-систем и трансформации ИТ-ландшафта Дениса Прилепского из серии «Строим корпоративную GenAI-платформу: от концепции до ROI». На этот раз он разбирает GenAI «под капотом» и шаг за шагом выстраивает корпоративную платформу, которая превращает хайп вокруг ИИ в реальные результаты для бизнеса.
Несколько лет минуло с того момента, как я опубликовал статью «Сознание и тезис Макса Фрая», довольно тепло принятую сообществом Хабра.
В той статье, чтобы исследовать сознание методами математики, я использовал одну "техническую" аксиому. Была она проста, невзрачна и банальна. И далеко не сразу удалось разглядеть онтологический динамит, коим она оказалось под завязку начинена.
Привет! Это Маша Синдеева, научный сотрудник группы дизайна белков AIRI. Основное направление нашей группы — это разработка ИИ‑моделей для задач, связанных с дизайном белков.
В этом посте я постараюсь рассказать о том, что такое белки, как устроен процесс их дизайна, и как с этим может помочь наша новая статья AFToolkit: a framework for molecular modeling of proteins with AlphaFold‑derived representations, которая вышла в журнале Briefings in Bioinformatics, и которую мы написали вместе с ребятами из группы органической химии AIRI.
Возможно, вы не знакомы со словом «кланкер». Оно появилось во франшизе «Звёздные войны», но недавно вошло в лексикон как общий уничижительный термин для обозначения искусственного интеллекта и роботов.
В вирусных видеороликах в TikTok и Instagram люди используют это слово, чтобы выразить своё недовольство всем подряд: от мусора из ИИ, заполонившего интернет, до галлюцинаций чат‑ботов и откровенно антиутопических применений этой технологии.
Данные Google Trends показывают, что этим летом резко возрос интерес к слову «clanker», особенно в Австралии, Китае и США.
Глобальная негативная реакция на ИИ накапливалась в слоях общества, но сейчас она набрала достаточный размах, чтобы у детей возникло порицание по этому поводу. И это не показывает никаких признаков замедления.
Это была непростая неделя для отрасли.
В отчёте Массачусетского технологического института говорится, что 95% опрошенных компаний не получили прибыли от инвестиций в генеративный ИИ.
Это дополняет более раннее исследование McKinsey, согласно которому, хотя почти восемь из десяти компаний используют генеративный ИИ, столько же сообщают об «отсутствии существенного влияния на прибыль».
Акции технологических компаний по всему миру упали.
Но эта волатильность не отражает нюансов исследования или того, насколько рано мы спешим внедрять эту технологию.
Потребительская усталость нарастает уже давно.
Исследования показали, что упоминание «ИИ» в маркетинговых материалах может на самом деле отпугнуть покупателей.
Попробовал все актуальные на сегодняшний день сети и провёл их бенчмарк на приближенным к реалиям задачах.
Mock-сервисы (или мок-сервисы) — это программные компоненты, которые имитируют поведение реальных сервисов, систем или зависимостей в процессе разработки и тестирования приложений. А мы сделали свой.
В системах интеллектуальной обработки документов корректность извлечения данных — это лишь половина дела. Гораздо важнее, чтобы при скачке нагрузки сервис не превратился в бутылочное горлышко.
В этой статье расскажем, как мы:
● автоматизировали нагрузочное тестирование, сократив ручную работу инженеров на 85%;
● встроили стресс-тесты в CI/CD, чтобы каждая фича доказывала свою устойчивость перед релизом;
● научились предсказывать поведение системы не на глаз, а по данным — даже при росте объемов в несколько раз.
Дэвид Истман, разработчик ПО для Oracle Corp. и British Telecom, тестирует ИИ-инструмент для кодинга под названием Bolt. Совместно с ИИ-ассистентом он пробует разработать простенький проект блога, попутно рассуждая о сильных сторонах, ошибках и нюансах сервиса. Статья будет полезна новичкам и желающим приобщиться к вайб-кодингу работе с ИИ-помощниками.
Привет! Это новый выпуск «Нейро-дайджеста» — коротких и полезных обзоров ключевых событий в мире искусственного интеллекта и технологий.
Неделя выдалась интересной: Anthropic расширила контекст Claude Sonnet до миллиона токенов, Google выкатил Imagen 4, а Qwen добавили полноценный ИИ-фотошоп на базе своей модели. Энтузиасты делают нейро-читы для CS а Илон собрался судиться с Apple.
Всё самое важное — в одном месте.
Когда-то я посмотрел очень полезное видео про ML, где для аналогии нейронной сети приводилось понятие архиватора. Помню меня это впечатлило и определённо расширило кругозор. Странно, почему тогда я сразу не перенёс это на людей – скорее всего потому, что принято брать мозг за эталон и с него примерять разные наряды на искусственные нейронные сети, а не наоборот.
Сколько людей вы знаете, которые говорят: — Я работаю уже десять лет, но понимаю, что это вообще не моё.
Это происходит постоянно. Человек учится в бакалавриате, устраивается на первую работу, несколько лет работает, понимает, что не нравится, пробует другое место, потом ещё одно… И только к 35-40 годам начинает осознавать, что ему действительно интересно.
Проблема в том, что мир меняется слишком быстро, чтобы позволить себе такой долгий процесс поиска.
Но что, если можно сжать этот путь до двух лет?
В статье Measuring AI Ability to Complete Long Software Tasks (Kwa & West и др., 2025) команда METR ввела понятие 50% time horizon модели: это длительность задачи (в пересчете на время выполнения профессиональным подготовленным человеком), которую модель может автономно завершить с вероятностью 50%. Мы оценили time horizon у флагманских моделей, выпущенных с 2019 года, на бенчмарке, объединяющем три набора задач в области программирования и исследований, с длительностью от 1 секунды до 16 часов для человека (HCAST, RE-Bench и SWAA; далее — METR-HRS). METR обнаружила, что time horizon удваивается каждые 7 месяцев, с возможным ускорением до 4 месяцев в 2024 году.
Существенным ограничением того анализа был домен задач: все они относились к программной инженерии или исследовательской деятельности, в то время как известно, что способности AI значительно варьируются между типами задач[1]. В этом исследовании мы рассматриваем, сохраняются ли аналогичные тренды к другим типам задач, включая автономное вождение и агентное использование компьютера, применяя методологию, позволяющую оценивать time horizon на менее детализированных данных. Данные для многих из этих бенчмарков менее надежны по сравнению с оригинальной работой, и результаты по каждому отдельному бенчмарку следует трактовать как шумные. Однако в совокупности они демонстрируют схожую динамику.
Домен программного обеспечения и reasoning-задач — таких как научные QA (GPQA), математические соревнования (MATH, Mock AIME), полуреалистичные задачи по программированию (METR-HRS) и соревновательное программирование (LiveCodeBench) — показывает time horizon в диапазоне 50–200+ минут, который в настоящее время удваивается каждые 2–6 месяцев. Таким образом, ~100-минутные time horizons и ~4-месячное время удвоения, наблюдавшиеся на METR-HRS в исходной работе, скорее всего, не являются исключением.
Раньше от подобных проектов мы отказывались, так как для высокой точности требовалась команда дизайнеров, ручная ретушь, а результат стоил как крыло самолёта. Иначе картинки получались с артефактами, как на примере с обложки.
Сегодня нейросети меняют города, фоны и детали кадра с почти фотографической точностью.
Разберём, как современные инструменты генерации сократили путь от идеи до результата в десятки раз.
В 2025 году Рунет предлагает огромные возможности для пассивного заработка через SEO и рекламу. Эта статья - полное руководство по созданию сети PBN-сайтов (Private Blog Network) на основе ИИ-генерированного контента. Вы узнаете, как выбрать нишу, найти дроп-домены, настроить инфраструктуру, автоматизировать генерацию тысяч уникальных статей, размещать ссылки без рисков санкций и монетизировать трафик через РСЯ или партнерские программы. С пошаговым планом, чек-листом и реальными примерами, это пособие поможет запустить сеть с бюджетом от 50 000 рублей и достичь дохода в 50 000-200 000 рублей в месяц. Идеально для SEO-специалистов, вебмастеров и новичков, желающих освоить тактики продвижения в Рунете.
