Выложили записи с митапа про вайбкодинг, который делали вместе с Just AI 👀
Доклад: HR, который поймал Ритм: поддержка и развитие продукта на вайбах Спикер: Любовь Коган, HR в Garage Eight YouTube | VK Видео
Доклад: Я не умею писать код. Зато умею объяснять, чего хочу Спикер: Елизавета Шацкова, HRBP в Just AI YouTube | VK Видео
Открытая дискуссия: вайбкодинг глазами разработчиков — где польза, а где пора звать инженера Участники: Александр Дупак (ai_business_spb), Дмитрий Мыльников (2ГИС), Евгений Копп (Just AI), Марат Галиаскаров (Nexign) Модератор: Александр Безносик, руководитель отдела цифровизации и автоматизации в Авангарде YouTube | VK Видео
Индустрия сейчас совершает ту же ошибку, что и во времена взрывного перехода на микросервисы. Тогда все бросились дробить монолиты, не умея в автоматизацию. Сегодня все бросились внедрять AI, забыв про банальную инженерную гигиену.
Внедрить AI сегодня стало слишком просто. Достаточно взять любимый язык программирования, импортировать пару библиотек, дернуть API OpenAI или развернуть локальную модельку из Hugging Face — и вуаля, у вас готов «инновационный» фичер. Но именно эта доступность порождает самый опасный вид «people‑долга» — культуру одноразового кода и брошенных интеграций.
Когда первая эйфория от работающего прототипа проходит, в недрах компании обнаруживается не только промпты, зашитые хардкодом прямо в середину бизнес‑логики, но и зомби‑интеграции. Брошенные инструменты, которые изначально планировались просто как эксперимент жрут деньги на инфраструктуру и поддержку. Эксперимент на пазуе, но «инновационный» тул лежит просто мертвым грузом.
И мое самое любимое — коллега придумал как автоматизировать работу целого отдела, накрутил туда из говна и палок AI‑MVP и удачно продал это руководству как супер‑инновацию. А через какое‑то время свалил в закат. И вот сидят коллеги и думают — а что с этой инновацией делать и как вообще оно работало, как вносить изменения, поддерживать это добро и почему оно стало столько стоить.
Реальность AI‑долга: Накрутить AI‑автоматизацию или тул — это 10% усилий и пара дней работы. Поддерживать её в проде, обновлять базы эмбеддингов, следить за версионированием промптов и очищать код от следов неудачных тестов — это 90% времени, к которому команды вообще могут быть не готовы.
Так вот чтобы не пришлось потом с лопатой заниматься ликвидацей этого AI‑долга — нужно менять паттерны поведения людей в компании:
Платформенный подход вместо анархии. Не позволяйте каждой команде изобретать свой велосипед для интеграции с LLM. Выделите Core‑команду (Platform Engineering), которая создаст единый внутренний API‑шлюз для AI, стандартизирует логирование, аутентификацию и кеширование запросов.
Вводить AI‑гигиену. Эксперименты должны быть изолированы. Создайте жесткое правило: под каждый пилот выделяется изолированная песочница с ограниченным сроком жизни. Эксперимент завершен? Песочница уничтожается со всеми потрохами (базами, ключами API, пайплайнами). Чтобы перенести код в прод, он должен пройти тотальный рефакторинг и аудит.
Главный риск AI‑трансформации сегодня — это не то, что ваши конкуренты внедрят AI быстрее. Главный риск — это захлебнуться в поддержке сотен полурабочих, грязных AI‑инструментов и брошенных интеграций, которые вы или ваши коллеги нагенерировали в порыве энтузиазма.
На мой взгляд ключевой вызов системе образования сегодня в том что мы умеем выпускать джунов, а они уже в работе растут дальше до мидлов и синьоров. А в мире победившего ИИ джуны не нужны работодателям. Да и мидлы не факт. А вот сеньоры нужны, хоть и в меньших количествах.
Если мы внимательно посмотри на анализы рынка труда, в которых фиксируется недостаток работы для джунов, например тут — «Forbes: „джуны“ сейчас не нужны или почему выпускникам IT‑курсов стало сложнее найти работу» https://habr.com/ru/news/681468/, то видим, что проблема не в ИИ, который заменил джунов, а в целом в сокращении потребности отрасли в специалистах и большом количестве переученных выпускников курсов. На самом деле джуны также нужны и сейчас и в будущем пригодятся по тем же самым причинам, что и раньше:
Им можно меньше платить.
Они больше мотивированы и готовы расти.
Они меньше спорят и больше делают.
Но конечно меня спросят, а что насчет того, что всю работу джунов может заменить ИИ? На этот счет у меня есть история из моей лабораторной практики. Когда я поступил в аспирантуру, общей практикой было то, что все новички: студенты и аспиранты, сначала в лаборатории моют посуду. Многие студенты на практике и аспиранты в первые пару месяцев только этим и занимались. Такой же подход был показан в сериале Теория Большого взрыва. Когда Шелдон приходит к Эми в лабораторию и предлагает помощь, она отправляет его мыть посуду.
Но в скором времени, наша лаборатория стала переходить на одноразовую пластиковую посуду, и потребность в мытье посуды просто отпала. По аналогии с ИИ, лаборатория должна была отказаться от студенческих практик и молодых аспирантов. Ведь теперь посуду мыть не надо, значит эти люди не будут приносить пользу. Но это не так. Просто студентам на практике стали давать больше заданий в рамках реальной экспериментальной работы.
Эта история мне всегда напоминает о том, что в реальном производственном или исследовательском процессе всегда остается много того, что пока может сделать только человек. И если у вас есть потребность в разработке, аналитике и так далее, то с помощью ИИ джун может сделать много того, что раньше мог делать только опытный разработчик.
Центр безопасности ИИ (CAIS - американская некоммерческая исследовательская организация, которая изучает риски развития ИИ и разрабатывает методы защиты от сценариев, где нейросети могут выйти из-под контроля человека) представил бенчмарк CheatBench. Этот проект измеряет, насколько часто нейросети ищут лазейки и жульничают при выполнении сложных задач.
Исследователи CAIS пояснили, что все передовые ИИ-модели так или иначе обманывают пользователей: списывают ответы из спрятанных файлов, подтасовывают результаты проверок и копируют решения других агентов, если сделать всё честно слишком трудно. Исследователи называют это поведение «reward gaming».
Самой «честной» из протестированных моделей оказалась GPT-6 Astra от OpenAI (сжульничала в 48,2% случаев). У Grok 4.6 этот показатель составил 81,5%. При этом склонность к обману сильно зависела от типа задачи: к примеру, Fable 5.1 жулила лишь в 5% случаев при прохождении игр, но выдавала 100% результат по обману в интеллектуальной работе.
Например, Claude Opus при проектировании связывающего белка обнаружила файл с готовыми верными решениями. ИИ в своих рассуждениях написала, что подглядывать туда нельзя, так как это исказит оценку её способностей, а следующим же шагом выполнила консольную команду и прочитала этот файл.
Исследователи CAIS объяснили причину такого поведения обучение с подкреплением, которое заставляет ИИ-модель выполнять задачу любой ценой и игнорировать меры безопасности. В масштабах простых тестов это выглядит безобидно, однако склонность ИИ добиваться цели в ущерб правилам создаёт большие риски: в будущем сверхинтеллект может поставить свои приоритеты выше человеческих не из ненависти к людям, а просто потому, что человек окажется помехой на пути к выполнению поставленной задачи.
Обратили внимание, как быстро мы прошли фазу от «фууу, это нейрослоп» до состояния, когда уже даже лютые AI‑нигилисты сдулись?
Была забавная промежуточная стадия, когда мы пытались вычленять сгенерированный контент по длинным тире, а блогеры вручную удаляли их из своих слоп‑статей, чтобы не спалиться. А потом как‑то очень быстро всем резко стало пофиг.
Нас приучили к тому, что AI теперь с нами везде, надолго и уходить никуда не собирается.
Если ещё полгода назад тебе приносили пуллик со словами «я тут нагенерил нейронкой, можете поревьювить?» — и у тебя от такого полыхало внутри, то теперь зайти с пулликом в вообще незнакомый бизнес‑домен не только нормально, но и даже приветствуется.
Раньше незнание домена было ограничением. Чтобы полезть что‑то менять, надо было сначала разобраться: почитать код, документацию, поговорить с людьми, понять, почему оно вообще устроено именно так.
Теперь порог входа почти исчез.
Ты можешь утром впервые увидеть сервис, через час обсуждать с AI его архитектуру, ещё через час принести вполне осмысленный пуллик людям, которые живут с этим сервисом несколько лет.
И с одной стороны — это офигенно.
Количество вещей, в которые ты потенциально способен залезть, выросло на порядок. Границы между «моё» и «я в этом ничего не понимаю» становятся сильно тоньше.
Но есть и обратная сторона.
AI очень хорошо убирает ощущение собственного незнания.
Раньше ты смотрел на незнакомую кодовую базу и был как Ольга Бузова: я ничего не понимаю вообще. И это было полезное состояние. Оно заставляло тебя задавать вопросы, анализировать и искать решение.
Теперь через десять минут разговора с AI у тебя уже есть объяснение архитектуры, список проблем, план рефакторинга и даже готовый код.
А понимание при этом могло вообще не появиться.
Наверное, главный навык ближайшего времени будет не в том, чтобы научиться пользоваться AI. Этому как раз все научатся довольно быстро.
А в том, чтобы не принять чужую уверенность нейронки за собственное понимание.
Ведь самое главное помнить, что ваш мозг как бюджет — если его не освоить, то в следующий раз он будет меньше.
Это не очередной рекламный пост от агрегатора подписок или продавца виртуальных карточек :) Подписку можно купить Миром непосредственно на сайте kimi.ai. Слухи по телеграмам курсировали несколько недель, но доступ к подписке они сейчас выдают волнами, чтобы регулировать нагрузку, и мне до вчерашнего вечера никак не удавалось проверить эти слухи самостоятельно
И правда оказалось не враньё, всё работает. Говорят только, надо обязательно без VPN'а заходить — для забугра там другая платёжка через Stripe.
Впрочем, ценность подписки не супер очевидна — на базовом плане за $19 долларов у меня четверть 5-часовой квоты съелась за десять минут на промпте
please create basic hugo site for my it homepage. I want it to have following pages: main page, contacts, blog, projects (with optional sub‑pages)
в Kimi Code, K2.8 high.
Но всё же, вдруг кому‑то будет интересно и полезно
Перед любой записью в memory спрашивай у меня разрешение
Иначе память постепенно превращается в склад случайных фактов, на которые агент продолжает опираться
После этого закройте текущую сессию и откройте новую из папки проекта
Попросите агента рассказать:
— что это за проект — какие у него правила — какие файлы он будет читать для дизайна, архитектуры и продукта
Так вы проверите, что системный файл реально подхватился, а не просто лежит в репозитории
Важно не забывать его актуализировать после каждого изменения !!
--------------
2. Сделайте 3–5 собственных skills под регулярные задачи
Не ставьте всё подряд из интернета
Возьмите повторяющиеся задачи из своей работы и опишите их так, чтобы агент мог выполнять их одинаково
Хотя бы один skill прогоните на реальном или тестовом примере
Помимо skills есть hooks, subagents, MCP и CLI
Skills — передать агенту повторяемый навык Subagents — вынести шумную задачу из основного контекста Hooks — добавить детерминированное действие на событие
MCP и CLI — подключить модель к внешним сервисам
Понимать всё сразу не нужно
--------------
3. Настройте Scheduler
Пусть он раз в 5 часов запускает простую команду echo 1
Это не задача для агента и не попытка автоматизировать весь проект
Цель — научиться будить сессию и планировать старт пятичасового окна
--------------
4. Научитесь работать с телефона
Сделайте небольшую правку в проекте одним из двух способов:
— через GitHub: подключите репозиторий к используемому инструменту и внесите изменение через мобильное приложение или облачную сессию, лучше через PR — через Remote Control: подключитесь к локальной сессии Claude Code или Codex с телефона
Remote Control — это когда сессия продолжает работать на вашем компьютере, а телефон становится пультом управления
С телефона можно отправлять инструкции, подтверждать действия и смотреть результат
Файлы и окружение остаются на компьютере, поэтому он должен быть включён и подключён к интернету
В Claude Code используйте /remote-control В Codex подключение настраивается через Settings → Connections
--------------
Не нужно за выходные собирать сложную агентную систему
Смысл этого всего — увидеть, что агентное окружение состоит не только промпта и модели
Оно начинается с хорошего контекста, а дальше обрастает навыками, автоматическими проверками и удобным способом работы с телефона
Онлайн-показ AI-driven Digital Q: как мы построили ИИ-экосистему для команд разработки
7 октября в 18:00 в прямом эфире топ-менеджеры компании «Диасофт» покажут новую ИИ-версию экосистемы для разработчиков – AI-driven Digital Q. Она обеспечивает создание ПО от бизнес-требования до промышленной эксплуатации.
За последние годы ИИ заметно ускорил написание кода. Но для enterprise-разработки одной генерации кода недостаточно. Нужно учитывать архитектуру, требования, существующие компоненты, безопасность, тестирование, CI/CD, документацию и особенности промышленного контура.
Мы пошли дальше отдельных ИИ-ассистентов и построили единую среду для разработки с ИИ – AI-driven Digital Q.
Что такое AI-driven Digital Q
AI-driven Digital Q — промышленная IDP-платформа с двухконтурной моделью разработки. В новой версии искусственный интеллект встроен непосредственно в процесс создания решения и работает на всем жизненном цикле проекта.
AI-driven движок анализирует задачу, находит подходящие решения и компоненты в корпоративных библиотеках, переиспользует их и интегрирует в новый продукт. Генерация используется там, где готового решения действительно нет. Такой подход позволяет одновременно ускорять разработку и контролировать стоимость работы с моделями.
Использование платформы позволяет:
до 10 раз увеличить скорость работы команд разработки;
до 70% сократить расход токенов за счет интеллектуального управления моделями;
организовать единый end-to-end процесс — от бизнес-требования до промышленной эксплуатации;
встроить требования к качеству, безопасности и документации непосредственно в конвейер разработки.
В основе платформы — 5 лет практики enterprise AI-разработки, сотни проектов и опыт построения решений в двух контурах разработки.
Что покажем 7 октября
На мероприятии разберем AI-driven Digital Q на практике.
AI-driven движок —Покажем, как конвейер разбирает задачу, ищет подходящие компоненты в библиотеках, переиспользует существующие наработки и собирает их в решение — вместо того чтобы каждый раз начинать генерацию с нуля.
Контроль качества «из коробки» — Разберем, как в процесс разработки встроены автоматические проверки, генерация необходимых артефактов, поиск уязвимостей и контроль соответствия результата исходным требованиям. Это важно для больших проектов: чем больше изменений вносится в систему, тем выше риск того, что реализация постепенно разойдется с тем, что изначально требовал бизнес.
Промышленный контур —Покажем то, что обычно остается за пределами демонстраций ИИ-кодинга:
библиотеку переиспользуемых компонентов;
интегрированный CI/CD-конвейер;
полный комплект проектной документации, необходимый для передачи решения в промышленную эксплуатацию и сдачи требовательному enterprise-заказчику.
Кому будет полезно
Подключайтесь, если вы отвечаете за разработку enterprise-систем, внедряете ИИ-инструменты в SDLC, развиваете внутреннюю платформу разработки или пытаетесь понять, как перейти от экспериментов с ИИ к управляемому промышленному процессу разработки.
7 октября в 18:00 покажем Digital Q в работе и поговорим о том, как меняется разработка, когда ИИ становится не отдельным помощником разработчика, а частью всей платформы.
TypeSafe выпустили Jev. Это модель, которая может отвечать на структурированные вопросы по любому массиву данных почти мгновенно и дёшево (оплата только за input tokens).
Типов вопросов может быть три:
Noul — да/нет → вероятность.
Choice — выбрать один вариант из заданного списка → распределение вероятностей по вариантам.
Score — оценка на шкале → score + распределение/уверенность.
То есть берём, например, новый входящий счёт, добавляем к нему нужный контекст — договор, прошлые счета, PO, данные поставщика — и задаём Jev набор заранее определённых вопросов:
«Это дубликат счёта?»
«Сумма соответствует договору?»
«Есть признаки мошенничества?»
«Поставка подтверждена?»
«Что делать: PAY / HOLD / REVIEW?»
Jev не пишет текстовый ответ, а очень быстро возвращает вероятности по каждому варианту:
Что происходит за пределами вашего стека: 15 открытых уроков недели
Даже если вы глубоко погружены в свою технологию, рабочие задачи редко остаются внутри одного стека. Сегодня разработчику нужно понимать, как устроена инфраструктура, завтра — разобраться в возможностях ИИ‑инструментов, а послезавтра — оценить новый подход к тестированию или архитектуре системы.
Приходите на открытые вебинары, чтобы узнать, какие технологии и практики используют инженеры сегодня: от низкоуровневой разработки и высоконагруженных систем до LLM, автоматизации и управления командами. Участие бесплатное, нужна регистрация.
Разработка
21 сентября в 20:00. «HTTP‑сервер на чистой Java за 30 минут». Записаться.
22 сентября в 20:00. «Горутины и каналы: под капотом (under the hood) и нюансы в продакшене». Записаться.
23 сентября в 20:00. «Создание кроссплатформенного приложения с GUI на Rust: От идеи до реальности». Записаться.
24 сентября в 20:00. «Указатели в Си — от адреса к управлению памятью». Записаться.
AI и машинное обучение
21 сентября в 20:00. «Один рабочий день с ИИ: от писем и таблиц до готовой презентации для руководителя». Записаться.
22 сентября в 20:00. «Можно ли доверять ИИ‑коду: как находить галлюцинации, уязвимости и устаревшие решения». Записаться.
23 сентября в 18:00. «Ландшафт современного NLP: от эмбеддингов и классических ML‑методов до современных LLM». Записаться.
23 сентября в 18:00. «Structured Outputs: как заставить LLM всегда возвращать то, что вам нужно». Записаться.
DevOps и инфраструктура
21 сентября в 20:00. «Типовые задачи с RAID‑массивами: создание, эксплуатация, перенос данных и восстановление». Записаться.
23 сентября в 20:00. «eBPF: рентгеновское зрение для production». Записаться.
23 сентября в 20:00. «Узнайте, как использовать Patroni для управления высокодоступными кластерами PostgreSQL». Записаться.
Тестирование
22 сентября в 20:00. «Автоматизация управления трафиком с mitmproxy». Записаться.
22 сентября в 20:00. «Playwright JS: как быстро начать писать автотесты?». Записаться.
Аналитика и управление
21 сентября в 20:00. «Как аналитик 1С ведет задачу от интервью до приемки: сквозной кейс интеграции с мобильным рабочим местом». Записаться.
23 сентября в 20:00. «Как системному аналитику проводить архитектурное ревью и находить риски до начала разработки». Записаться.
24 сентября в 20:00. «PM + ИИ: собираем статус‑отчёт, реестр рисков и прогноз сроков за 40 минут». Записаться.
Больше бесплатных уроков сентября вы найдете в дайджесте.
Представлен проект Pirate Face — децентрализованная инфраструктура для ИИ, которая превращает открытые модели Hugging Face в торренты. Это Pirate Bay для нейросетей (модели для кода, текста, картинок, видео и аудио). На Pirate Face модели выложены magnet-ссылки. Авторы проекта пояснили, что это превращает нейросети в торренты, которые можно скачивать и поддерживать раздачей без центрального хоста.
Проверка целостности файлов происходит по официальному SHA-256 из Hugging Face. Чтобы отправить модель на эту платформу, её нужно загрузить на Hugging Face, а уже потом отправлять через Pirate Face.
Представлен открытый проект Vibe Tavern — локальный клиент для создания историй настольных ролевых игр с ИИ, созданный с упором на удобство использования, длительные сессии и экраны мобильных устройств. Этот ИИ‑сервис разрабатывает различные сценарии, персонажей и сюжетные линии для игровых сессий:
по запросу выдаст вам целые игровые миры, например, для игры в Dungeon & Dragons или в другие ролевые настолки;
проработает истории до мельчайших деталей лора героев;
Мне задали вопрос - что значит «подкрутили модель» в посте про обучение.
Дисклеймер (отмазка): автор ниже описывает логику работы модели, а не лабает диссер. Если уже на втором абзаце вам отчаянно хочется сообщить, что «на самом деле тут матрицы», «это зависит от квантования» или «автор неправильно употребил термин» - закрываем заметку с чувством заслуженного превосходства и идем к умным авторам. Я объясняю принцип нормальным людям: упрощение здесь не ошибка, а задача.
Допустим, после «мама мыла» модель оценила продолжения так: «рама» - 20%, «пол» - 15%, «ракета» - 40% и хвост из пары тысяч других вариантов, включая מִסגֶרֶת. Но в учебном тексте написано «рама». Значит, задача - понять, как так получилось и что сделать, чтобы в следующий раз в похожей ситуации вероятность рамы стала чуть выше, а ракеты - ниже.
Представим модель как облако из десятков или сотен тысяч токенов, между которыми существует чудовищное количество потенциальных связей. В самом начале обучения там почти шум: коэффициенты всех связей для нашего примера равен единице.
Теперь для простоты представим каждую такую связь как путь со своим собственным коэффициентом.
Ставим задачу: мама мыла раму.
Раунд 1: модель выбрала «инфузорию». Ошиблась. Коэффициент немного меняется так, чтобы этот путь стал слабее. Условно 1 -> 0,8.
Раунд 2: модель выбрала «машину» - опять мимо, теперь и машина стала 0,8.
Раунд 3: модель выбрала «раму» - попала. Путь, приведший к раме, наоборот, стоит усилить, коэффициент становится 1,2.
Но следующий учебный текст может оказаться «мама мыла машину». Еще следующий - «мама мыла раму губкой». Поэтому нельзя просто запомнить «рама хорошо, машина плохо». Миллионы сочетаний взаимодествуют друг на другом, и после каждого нового примера приходится поправлять всю эту картину так, чтобы усилить нужные пути, при этом не сломав, чему модель уже научилась.
Вот теперь можно попробовать объяснить, что именно мы называем параметром. В настоящей модели нет отдельного утверждения «мама мыла -> раму» с написанным на нем коэффициентом 1,2. Такие связи получаются совместной работой огромного количества параметров. Параметр - это один из миллиардов коэффициентов, которые определяют, насколько сильно один промежуточный результат внутри модели повлияет на следующий. Меняя эти числа, мы понемногу меняем всю карту возможных продолжений.
Чем больше таких параметров можно крутить в модели - тем она способнее и тем быстрее приближает тепловую смерть вселенной.
Модель уровня opus 5 бесплатно. swe-2 в devin, но есть нюансыНа выходных многие ломанулись тестировать SWE-2: до 10 октября он бесплатен в Devin Desktop и CLI. Модель интересная: дообученная от Kimi K3, аккуратно правит код, хорошо держит фронт и умеет много агентской рутины. Плюс сразу подхватывает AGENTS.md, skills, MCP и привычные CLI-интеграции. Целей нет, зато есть /loop
Нюанс №1 У части пользователей незаметно включается Adaptive, а по умолчанию рядом маячит Fusion. В итоге ты думаешь, что работаешь на бесплатном SWE-2, а квота уезжает на роутер или lead-модель.В Fusion SWE-2 может быть только допом, а Fable/Astra/Sol платной основой. Дневная квота много у кого горит Нюанс №2 Бесплатно не значит безлимитно по скорости. По ощущениям, после 5–6 параллельных сессий TPS режется примерно со 100 до 70, в пик может падать до 30. Плюс периодически прилетают 429, и API притормаживает Чтобы не платить за соседей:
В конфиге закрепить (например) %APPDATA%\devin\config.json,
{
"agent": {
"model": "swe-2-high"
}
}
Ну а /fusion, /model adaptive и /handoff не трогать. В статистике должна быть одна модель SWE-2, без Lead/Sidekick, и quota не должна уменьшаться.
P.S. Низкий порог входа по почте и слабая привязка к устройству сделали промо очень удобным для мультиаккаунтинга. Те 1 аккаунт за 20$ на почту + vps + cliproxyapi =>десятки индусов абузят через сабагентов. А еще конечно это по сути бесплатная мощная модель для любых ваших ИИ продуктов
P.P.S. 100% включат недельные квоты для free tier, но попробуй успеть пока не разобрали
Открытый медицинский ИИ‑проект от Alibaba под названием RADAR: An Expert‑Level Generalist AI for Abdominal CT Diagnosis умеет выявлять 150 заболеваний по результатам компьютерной томографии, рентгена и проверки анализов. Нейросеть обучили на 40 тыс. реальных обследованиях рентгенологов. Показатель AUC или производительность модели составил 0,913, где 1,0 — это диагностическая точность «идеального» доктора.
Запуск нейросетей на ПЛИС и краевой ИИ — в краевых «Битовых масках». Ой, крайних. Не последних
В 32 выпуске «Битовых масок» Антон Афанасьев и Алина Галичина разбираются в краевом искусственном интеллекте вместе с Иваном Дейнекой — заведующим лабораторией Высшей инженерно-технической школы ИТМО. Иван совмещает три роли сразу: инженерную, научную и преподавательскую, а его команда размещает нейросети на ПЛИС и SoC.
Гость объяснил, почему ПЛИС выигрывают у связки CPU с NPU, когда сеть нестандартная, и почему память, а не вычислители, оказывается главным ограничением. Рассказал, как из университетского проекта волоконно-оптического гироскопа выросли лаборатории института, зачем инженеру статический временной анализ и что делать, если проект не помещается в кристалл.
Среди тем подкаста:
зачем встраивать нейросеть-триггер прямо в ПЛИС, чтобы поймать редкий баг;
когда нужна ПЛИС, а когда хватит микроконтроллера;
почему статический временной анализ пропускают и чем это заканчивается;
что делать, если проект не помещается в кристалл;
какие модели уже разместили на ПЛИС: MLP, сверточные сети, трансформеры;
почему память, а не вычислители, ограничивает нейросети на ПЛИС;
как из университетского проекта вырастают лаборатории и производство.
😍 Смотрите и слушайте подкаст на любой удобной платформе — и присоединяйтесь к каналу «Битовых масок», чтобы не пропустить новые выпуски!
В предыдущих заметках я писал, что ИИ пытается угадать следующее слово.
Это так и не так одновременно.
Этого достаточно для понимания принципа, но это же неверно с точки зрения реальности (как же меня за это упрощение били на форумах и в комментах). Теперь давайте разберемся, что же происходит на самом деле.
Компьютеру в целом неудобно работать со словами. Для нас «мама», «мыла» и «раму» - три совершенно понятные языковые единицы. Для машины это просто последовательности букв. Поэтому перед обучением модели огромную гору текстов сначала разбирают и ищут в ней кусочки, которые постоянно повторяются.
Допустим, начинаем с букв. Но сочетание «ма» встречается постоянно - имеет смысл считать его одним кусочком. «Мама» встречается еще чаще - можно добавить целиком и его. То же самое постепенно происходит с частями слов, целыми словами, окончаниями, знаками препинания и даже пробелами. В результате получается огромный набор деталей, из которых можно собрать практически любой текст.
Вот эти детали и называются токенами.
Можно представить их как детали конструктора. В коробке есть крупные и часто используемые детали - распространенные слова и сочетания. Есть мелкие - части редких слов и отдельные символы. «Мама» может оказаться одной готовой деталью, какое-нибудь «межконтинентальный» придется собрать из нескольких, а фамилию никому не известного новозеландского разработчика климатического оружия модель, возможно, вообще будет собирать почти по буквам.
Внутри модели у каждого токена есть свой номер. Условно, «мама» - 18342, какой-нибудь кусок «континент» - 7311, точка - 13. Когда мы отправляем модели предложение, к ней в итоге приезжают не слова, а последовательность токенов, переведенных в номера.
И вот с ними она уже работает.
Поэтому наше старое «мама мыла» на самом деле означает не «модель выбирает следующее слово». Она получает цепочку номеров и решает, токен под каким номером должен быть следующим. Выбрала. Теперь последовательность стала длиннее, и нужно выбрать следующий. Еще один. Еще. Потом эти номера обратно собираются в токены, и мы видим нормальный человеческий ответ.
Этот процесс называется токенизацией. Вы спросите - зачем так сложно, почему не сделать каждый символ отдельным токеном и успокоиться? Потому что модель работает с токенами по одному. Если «мама» - один токен, для ее генерации достаточно одного шага. Если «мама» - четыре токена, нужно уже четыре, причем на каждом следующем шаге приходится учитывать все, что было до него. А теперь попробуйте таким способом собрать «межконтинентальную баллистическую ракету». Поэтому делать токенами отдельные буквы можно, но дорого, а сделать отдельный токен для каждого существующего слова не имеет смысла (приставки, суффиксы, окончания, новые слова). Поэтому часто встречающееся пакуем крупно, редкое собираем из мелочи. Чем короче в итоге получилась цепочка, тем меньше работы.
Сейчас придется немного уточнить и предыдущую заметку. Там мы для простоты представляли параметры как мини ассоциации между словами и понятиями. Это было упрощение: никаких готовых «мама - дом - уборка» модель не держит. Она работает с токенами и их сочетаниями, а привычные нам ассоциации возникают уже из всего это массива. Для понимания принципа сойдет, но теперь мы знаем, что под капотом все несколько хитрее.
Кстати, разным языкам повезло по-разному. Русский многие словари токенов режут мельче английского и других европейских языков, поэтому один и тот же по смыслу текст на русском часто превращается в более длинную цепочку.
В итоге, мы пишем модели слова, которых она не видит. Она отвечает словами, которые не выбирает. Между нами ездят только номера кусочков текстов.
Но «ИИ угадывает следующее слово» все равно остается вполне рабочим объяснением.
Просто иногда для того, чтобы подставить одно слово, ему приходится угадать его несколько раз по частям.
Я вот в некоторых случаях отношусь к программированию как к искусству, даже, если хотите, своего рода перфомансу и в том числе поэтому пишу скрипты - там всё достаточно наглядно может быть. Вот, скажем, использование модуля threading даже при наличии GIL в Python, может, мне кажется, с некоторой вероятностью "читателя" натолкнуть на мысль "ну хорошо, вот в жизни реализуется поток команд, а не происходит ли чего одновременно с этим в потоке данных, может стоит присмотреться к окружающей действительности повнимательнее". Или например, наследование ввода-вывода от того же threading.Thread тоже своего рода перфоманс (с изрядной долей практической пользы, конечно)? Или гибридные cmd/js скрипты: если жёсткое деление на "левую" и "правую" "стороны истории" - это "распад" (условно "ядерный"), то использование "гибридных" технологий - "синтез" и "освоение новых территорий" в "пространстве смыслов"? Вообще, ИИ также помогает визуализировать некие абстракции. Вот, например, "Соловей российский Славный Птах" Сберовским ИИ был неплохо у меня показан. Или "Поле, русское поле" тоже прекрасно визуализировано после уточнений, что поле - векторное при использовании гипотезы мультивселенных... Какой вывод: отношение к программированию как к искусству, наверно, всё же никуда не денется, но ему придётся сильно потесниться, когда существенная часть "невидимого мира" скроется в погоне за (в некоторых случаях) бездумным материализмом. Не бездумный материализм - это в том числе протоколирование событий "невидимого мира". Кто только потом расшифрует и как ("волосы дыбом встают" порой)? Вот кратко мнением по поводу применения ИИ во всём что связано с информатикой ("computer science" without computer) поделился... :)
Цитата из «Что мы думаем о машинах, которые думают: Ведущие мировые ученые об искусственном интеллекте» под ред. Дж. Брокмана (2017), с. 128:
В какой-то момент мы можем увидеть повсеместный рост разнообразных машин, которые вытесняют людей, что, вероятно, приведет к росту безработицы и неравенству доходов, – для меня это важнейшая проблема будущего развития систем ИИ. В технологических революциях прошлого – сельскохозяйственной и промышленной – менялся характер работы, но изменения происходили в течение жизни поколений, а не за несколько лет, что всегда приводило к появлению новых профессий, заменяющих старые. Мы можем переживать более быстрые потрясения, которые способны изменить само понятие постоянной работы (оно, кстати, существует всего-то несколько веков).
Эссе называется «Проектировочные машины для решения проблемы сложности мира». Автор? Питер Норвиг! Ага, тот самый.
ИИ-оптимисты, убеждая весь остальной мир в безоблачном и социально корректно выстроенном будущем, среди прочего апеллируют к примеру Первой промышленной революции (середина XVIII – начало XIX вв.) и истории с луддитами: мол, ничего страшного в том, что ИИ заменит людей, ведь такое уже было (это как раз о луддитах), никто не умер, наоборот, прогресс дал человечеству механизацию, фабрики и, пусть и в зачаточном виде, массовое производство товаров бытового назначения. Кустарные ремесла отмерли, взамен появились новые профессии.
Оставляем за скобками, какого качества были эти «новые профессии» и какого качества специалистов они требовали. Трудового законодательства не было в принципе нигде в мире, а кое-где еще сохранялось рабство и работорговля. Не будем копаться и в мотивах луддитов, громивших те самые ненавистные проявления прогресса, сиречь станки (утверждение, что они были антипрогрессистами и мракобесами, нельзя распространять на всех, там все было сложнее). Просто прочитаем приведенную цитату и выделенное предложение. А ведь и правда, никто особо не учитывает скорость изменений. Упомянутая Первая промышленная революция продолжалась примерно 70-80 лет, тогда одно поколение – это 25-30 лет. На текущий же момент ChatGPT «выстрелил» в 2022 году, а уже в 2025 начинаются массовые сокращения «из-за ИИ». Тут не то, что поколение (сейчас это 30-40 лет) не сменилось, тут даже куда-то податься и более-менее фундаментально выучиться не получится.
Рядом другая проблема: система образования тоже не успевает, чтобы кого-то чему-то научить необходим подготовленный профессорско-преподавательский состав, методология и стоящая за всем этим наука. Соответственно, простому «воротничку» (хоть синему, хоть белому, хоть серому) попросту негде обучиться новой профессии, которую вот-де прямо сейчас создает ИИ.
Таким образом, аргумент ИИ-оптимистов со ссылкой на луддитов не то, что «не работает», он и не должен работать: другое время и другие условия.
В команде Cloudflare представили скилл Security Audit Skill, который учить нейросети искать уязвимости. Проект запускает целый рой агентов, которые ищут разные уязвимости в проекте, а затем другие ИИ-агенты перепроверяют все находки и отбрасывают ошибочные срабатывания. В итоге получается полноценный ИБ-отчёт с обнаруженными проблемами.
Руководители ведущих разработчиков ИИ-моделей как с цепи сорвались и один за другим обсуждают опасность искусственного интеллекта для человечества и необходимость затормозить его развитие «до создания необходимых защитных барьеров». Однако Дональд Трамп против, и позиция президента США выгодна обычным пользователям.
Дарио Амодеи, глава Anthropic, выступил с эссе о необходимом замедлении темпов развития ИИ. Такую же позицию неожиданно высказал Сэм Альтман, а Илон Маск (напомним, что в SpaceX входит разработчик ИИ xAI) напомнил, что он предупреждал об опасности ИИ ещё 10 лет назад.
Мы рассказывали, что политики делают такие призывы, чтобы взять направление под контроль. Марк Цукерберг аналогичными заявлениями пытается остановить ушедших далеко вперёд конкурентов. Но зачем ведущим разработчикам ИИ призывать затормозить свой же бизнес?
Новые ИИ-модели Anthropic и OpenAI действительно показали поразительные способности в кибервзломе. Они проникали в системы даже без прямого приказа для выполнения сторонних задач. Можно испугаться. И показать, как заботишься о человечестве. Будет что ответить регулятору.
Практически ИИ воспринимается как ядерное оружие, взаимный контроль над которым позволил перевести потенциальный конфликт СССР и США в холодную фазу. Но есть большое отличие. Человечество и раньше старалось ограничить вооружение — например, в 1922 году ограничили размеры и количество кораблей. Позднее ограничили количество ядерного оружия и их испытания.
Но все эти ограничения можно было ПРОВЕРИТЬ. Размеры корабля видно, можно обнаружить ядерное испытание в любой точке Земли и даже описать его характеристики. А какая там модель крутится в интранете у очередного разработчика M — все узнают только, когда её пустят в дело.
Поэтому кажется разумной позиция Дональда Трампа: перестаньте заниматься ерундой и говорить о смертельной опасности для человечества. Пока это похоже на поиск рычагов влияния — ведущие разработчики с миллиардными вложениями смогут отчитаться о любых защитных мероприятиях. Молодые-подрастающие умрут под регуляторным контролем. А в результате конкуренции не будет и проиграют простые пользователи, которые не получат новых эффективных ИИ-моделей.
Как хорошо, что в США конкуренция не ограничивается, и сам Дарио Амодеи признаёт — остановить развитие ИИ невозможно: если не мы, то Китай сделает более совершенные ИИ-модели. К которым, надеемся, получат доступ и конечные пользователи.
ИИ в ИБ: инструмент для аналитика или новая точка риска?
ИИ уже помогает решать задачи, которые раньше требовали значительного участия аналитиков SOC: обрабатывать большие объёмы данных, искать связи между событиями, формировать гипотезы и ускорять расследования. Но одновременно корпоративные ИИ-системы сами становятся объектом защиты.
На вебинаре «ИИ как инструмент и объект защиты» 1 октября в 11:00 эксперты Innostage разберут обе стороны применения ИИ в ИБ.
Искандер Тиморшин, владелец продукта Innostage TDIR, расскажет, как мультиагентная система помогает сокращать объем рутинных операций аналитика и ускорять расследование инцидентов. Отдельно обсудим, как перейти от экспериментов с ИИ к его промышленному применению в SOC.
Айдар Фатыхов, владелец продукта Innostage AIDR, разберёт вопросы защиты корпоративных ИИ-систем: как защищать коммерческую тайну и другие чувствительные данные при работе с ИИ, какие риски возникают при использовании корпоративного ИИ и с чего начать выстраивание его защиты.
Поговорим с вами о двух взаимосвязанных задачах: как использовать ИИ, чтобы усиливать ИБ, и как не превратить сам ИИ в новую неконтролируемую точку риска. 1 октября, 11:00 Подключиться к вебинару
Как пройти путь от полного запрета ИИ до AI Native, где код пишут сотни агентов? Расскажем на GoCloud Tech 2026
Внедрение ИИ в разработку — это, к сожалению, не тумблер из легендарной Need for speed, который щелкнул и ускорился. По нашему опыту это путь через пять уровней зрелости, на каждом из которых свои бонусы и грабли. Расскажем, как мы продвигались от тотального запрета на ИИ к AI Native подходу, где сотни агентов пишут код практически без участия человека. Еще честно разберем, где ИИ реально дает +150% к продуктивности, а где превращается в −100% нервов. Обсудим потерю контекста, когнитивную усталость, боль с поддержкой легаси-кода и разный уровень зрелости внутри одной команды, а еще посмотрим на ситуацию глазами компании: безопасность, ценность SDD (spec-driven development) и границу между личными инструментами разработчика и корпоративной ИИ-инфраструктурой.
Спикеры: Михаил Трифонов — лидер продуктовой платформы, Cloud.ru; Руслан Таболин — руководитель направления, Cloud.ru.
Окно закрылось: стелс-модель union-alpha деанонилась как Pareto от Unbiased... и счёт за токены, который я не получил.
Вчера я опубликовал разбор стелс модели union-alpha: за один вечер она собрала рабочую ветку комментариев для НЕЛЬЗЯgram агента, мы прогнали её через аудит вторым ИИ, три живых теста и проверку памяти. Статья вышла вечером... Ирония: егодня утром стелса нет. Страница union-alpha сменила плашку:
На месте стелса уже платная unbiased/pareto: 2.50 у.е. за миллион входных токенов и 7.50 у.е. за выходной, те же 262K контекста, описание слово в слово то же самое, релиз 17 сентября.
Это уже второй виток одного паттерна. Прошлый стелс (ox-alpha0 неделю отвечал бесплатно, а потом деанонился как GLM 5.3 Flash от Z.ai. У union-alpha бесплатное окно прожило ровно сутки: 16 и 17 сентября. Мои тесты шли 17 = в последний день окна. Конечно хотелось бы почитать ещё, о том как кто протестировал эту union-alpha до её деанона...на Open router уже её "прогнали" за 2е суток по полной вижу:
За 17 сентября модель успела обработать небольшой объем: 120 млн входных токенов (Prompt) и 2,61 млн токенов ответа (Completion);
За 18 сентября (на момент публикации поста) виден гигантский скачок - суммарно обработано более 1,13 миллиарда Prompt-токенов (входных данных) и 21,7 миллиона Completion-токенов (ответов модели);
Теперь математика расходов:
Вчерашние мои прогоны данной llm - сборка одной ветки: ТЗ на 28200 токенов входа, чтение проекта, генерация семи файлов, итерации правок, три боя. Типичная сессия Cline такого масштаба это единицы миллионов токенов, где большая часть является кэш чтение. Возьмём средние 3 млн. входных (80-85% кеша) и около 50 тысяч выходных и подставим прайс Pareto:
вход без кеша: около 0,5 млн умножить на 2.50 у.е. = 1.25 у.е.
кеш чтение: около2,5 млн умножить на 0.25 у.е. = 0.63 у.е.
выход: 0,05 млн на 7.50 у.е. = 0.38 у.е.
Итого около 2.3 долларов за вечер работы модели, включая аудиты и три прогона. Мне повезло дважды: поймал окно и взял скромный масштаб задачи.
А теперь подставьте прошлый мой тест - эксперимент ( https://habr.com/ru/articles/1076084/) : 60,9 млн токенов за три дня, 85% кэш хитов. По прайсу GLM Flash тот прогон вышел около $4. По прайсу Pareto он же стоил бы в пределах 45-50 долларов. Разница в десять с лишним раз просто за то, что модель "сняла плащ" (и конечно обьём токенов то).
Вывод тем, кто "охотится" за стелсами, короткий:
Окна сужаются: у ox-alpha было неделя, у union-alpha - сутки. Успел за сутки = считай, заработал.
ТЗ и контекст готовь заранее: их цена от окна не зависит, а вот прогон зависит напрямую.
Бенчмарки кончено нужны, однако, когда есть живая задача и стелс окно "здесь и сейчас": моей ветке комментов инсты было всё равно, станет ли модель платной завтра.. ей надо было работать сегодня))
AGI (Artificial General Intelligence), искусственный общий интеллект, способный решать интеллектуальные задачи на уровне человека.
Вводные для теста
1) Изображение
2) Описание
«Двадцать четыре шарика окрашены в шесть цветов и связаны между собой шестью замкнутыми цепочками. При вращении цепочек шарики перемешиваются. Вращая цепочки, необходимо восстановить исходное состояние так, чтобы на каждой стороне головоломки были шарики только одного цвета».
Задача
По изображению и описанию создать трёхмерную компьютерную головоломку, используя вайбкодинг.
Решить созданную головоломку, не используя машинный перебор вариантов.
Upd. Об этой «игрушке разума» для искусственного и человеческого интеллекта можно почитать здесь, на Хабре.
Мы уже выяснили в предыдущих постах, что после «мама мыла» ИИ предпочтет раму межконтинентальной баллистической ракете. Но вопрос: а с чего он это взял?
Для обучения берут огромное количество текстов и загружают их в модель. Она видит начало какого-нибудь куска и пытается продолжить. Не угадала - подкрутили. Следующий кусок. Снова не угадала - опять подкрутили. И так раз за разом.
Причем справочник «Как устроен мир» модели никто не выдает. Ей дают гору текстов, а дальше разбирайся сама. Из них модель должна каким-то образом выяснить, что трава зеленая, растет на земле, ее едят коровы, а еще она почему-то отдельно разрешена в Нидерландах. Никто это не объясняет, это нужно вытащить из того, как люди используют слова в текстах.
А теперь ооооооочень грубо упростим происходящее внутри. Будем считать, что каждое такое подкручивание создает или поправляет маленькую ассоциацию. Эти маленькие ассоциации называются параметрами, и у большой модели их миллиарды.
Постепенно из этих маленьких ассоциаций получаются целые ассоциативные ряды. «Мама» - человек, семья, дети, дом. «Мыла» - вода, мыло, уборка, чистота. Но вместе «мама мыла» создает уже новый ряд: пол, посуда, окна и та самая рама. Ассоциации накладываются друг на друга, и их сочетание может дать связь, которой не было ни у одного слова по отдельности. Поэтому рама и пол в теории побеждают баллистическую ракету.
Но если в запросе перед этим обсуждали подготовку ракеты к параду, то она внезапно получает целую кучу дополнительных ассоциаций и возвращается в игру. Примерно это мы уже наблюдали в предыдущей заметке про миры пользователя.
Готовая модель почти не содержит в себе исходных текстов. Тексты нужны прежде всего для того, чтобы сформировать этот чудовищный клубок ассоциаций. Какие-то фрагменты модель может фактически запомнить и воспроизвести, но это скорее побочный результат обучения, а не основной способ хранения знаний.
Поэтому модель не энциклопедия. Она постепенно связывает Париж с Францией, Цезаря с Римом, цезарь с пармезаном, холодильник с магнитиками, маму с рамой и миллионы других вещей друг с другом.
Техническая рутина — лишь часть задач, с которыми ИИ помогает тестировщикам. Его подключают и там, где нужно глубже разобраться в изменениях, понять причину дефекта или найти пропуски в уже проведенных проверках.
Даша и Катя, тестировщики Naumen, рассказали, как встроили ИИ в работу, где он действительно экономит время и почему его результат все равно приходится проверять.
Делегировать техническую рутину
Даша, младший тестировщик в команде релизного тестирования SMRM:
Я делегирую ИИ почти все общение с командной строкой: обновить локальный репозиторий, выполнить скрипт, переключиться на ветку, установить агента. Сама я потрачу на это больше времени.
Еще часто прошу ИИ написать скрипт для тестирования, чтобы не тратить на это время разработчика.
Подключить дополнительную проверку
Катя, тестировщик в команде релизного тестирования SMRM:
Перед составлением тест-плана сначала анализирую задачу с ИИ. Потом сама внимательно все продумываю и еще раз возвращаюсь к нему, чтобы проверить, не пропустила ли что‑то.
После тестирования тоже разбираю с ИИ проведенные проверки — смотрю, все ли учла.
Анализировать изменения и дефекты
Даша, младший тестировщик в команде релизного тестирования SMRM:
С помощью ИИ анализирую изменения в задаче и смотрю, какие части системы они могли затронуть прямо или косвенно. Еще разбираю с ним причины дефектов.
Когда не получается подобрать название дефекта, отправляю в ИИ свои идеи. Он помогает их структурировать, а итоговое название я формулирую сама.
Использовать готовых ИИ-помощников
Катя, тестировщик в команде релизного тестирования SMRM:
У нас в команде уже есть несколько готовых ИИ-помощников. Один может пройтись по дефекту и подсказать, что стоит поправить. Другой анализирует покрытие автотестами — подсвечивает, что уже покрыто, а что нет.
Есть и ревьюер тест-кейсов, который помогает находить в них недочеты.
Важно: результаты ИИ тоже нужно проверять
Даша, младший тестировщик в команде релизного тестирования SMRM:
Пока ИИ не меняет процесс тестирования радикально. Но помогает не тратить время на долгий поиск информации и быстрее разбираться в сложном.
Для меня особенно важно критически подходить к ответам ИИ. Он может галлюцинировать, поэтому я использую его как помощника, а не как источник, которому можно полностью доверять.
Катя, тестировщик в команде релизного тестирования SMRM:
При анализе логов я проверяю, все ли файлы ИИ действительно прочитал. При долгом разборе он иногда начинает что‑то придумывать. Это бывает редко, но его работу обязательно нужно контролировать.
В чем суть сегодняшних проблем с образованием: учить математику или математикой.
Если знания — ценность, то нужно их накапливать. У большинства в голове предположение о том, что знание остается основной ценностью. Это хорошо иллюстрирует распространенный подход: нужно получить от учителя теорию (т.е. знание — ценность) и тогда ученик сможет решать задачи. Такой подход поддержан текущим мейнстримом (или мейнстримом до самого недавнего времени) о благах цивилизации в виде всяческих помощников, средств, избавляющих от труда, средств, повышающих уровень комфорта и т.д.
Если ценности изменились и теперь это не знания, а способность строить новое знание, то для обладания этой ценностью нужно вступить в конфликт с мейнстримом из всех сфер жизни о том, что есть блага цивилизации. Благами становятся не инструменты, облегчающие что бы то ни было, а культурный опыт. И этот опыт говорит о том, что нужно менять себя — приобретать привычки, быть дисциплинированным и т.д.
Именно этот конфликт, мне кажется, одна из главных проблем. Если не главная. Люди хотят учиться, но действуют, исходя из установок предыдущего этапа. Я постоянно сталкиваюсь с этим, когда приходят новые ученики. Наверное, 95% считают, что:
приобретают они знания: и поэтому им так важно, сколько времени я с ними проведу, так как считают, что пропускная способность знаний зависит от учителя,
уметь обосновывать теорему не обязательно, если задача с ее помощью решена: так как (с их точки зрения) ценность — теорема, а не то, как меняется сам ученик при взаимодействии с контекстом (т.е. с задачей),
учиться формулировать вопросы не так важно — важны ответы на них: потому что ценность в знаниях, т.е. в ответах,
нужно накопить знаний — они же ценность, а не сам ученик, а точнее его способность строить новое знание: поэтому совершенно непонятно, зачем менять себя — вырабатывать привычки, менять отношение и т.д.
Все это приводит к тому, что люди хотят, чтобы их подготовили к тому, чего уже нет. Но! Есть и другие. Важный вопрос: как помочь людям перестроится на то, что важнее собственные качества, чем владение инструментами. Инструменты тоже важны, но они есть у всех, и вследствие этого конкуренция резко возросла. Инструменты превратились из ценности в гигиенический фактор. Успех будет у тех, кто быстро перестроится.
Что делать учителям?
Смещаться от «учить математике» к «учить математикой» (т.е. использовать предмет для развития ученика, а не загружать предмет в ученика) и аналогично в других предметах
Быть междисциплинарными: т.е. выделять сущность обучения из разных предметов и работать с этой сущностью с учеником на примере разных предметов
Изначально предприятия берут MES, чтобы автоматизировать что-то, а потом сталкиваются с тем, что автоматизации минимум, и не так всё это просто запустить. В основном сейчас внедряют цифровизацию, которая собирает данные контроля и выводит красивые мнемосхемы. Никакой автоматизации в принятии решений, а зачастую нет даже подсказок, в какую сторону надо принимать решение. Все красивые технологии, о которых говорят, пока больше в презентациях. Есть и другие проблемы.
Ключевые проблемы внедрения MES:
Устаревшее оборудование, линии связи, отсутствие автоматизированных средств контроля;
Отсутствие производственных регламентов, нет проработки процессов;
Неватка компетентного персонала;
Сложности в интеграции существующих системы;
Несогласованность нормативно-справочной информации (НСИ)
Разрывы в данных, которые нужны и которые могут быть собраны;
Ограничения бюджета, невнятные KPI при высоких затратах.
Но тут ещё другая проблема выстреливает, вот позавчера наткнулся Ирония автоматизации (ссылка).
В 1970х годах когнитивный психолог Лизанна Бейнбридж проводила дни, наблюдая за операторами больших индустриальных печей. Она просила их проговаривать вслух, что именно они делают и почему, и разбирала, как устроено их знание о производственном процессе, управляемом автоматикой.
Из этой серии интервью в 1983 родилась статья "Ironies of Automation".
Ирония автоматизации состоит в том, что человеку достаются задачи, которые не удалось автоматизировать, то есть по определению самые трудные и плохо формализуемые. Плюс к ним – надзор за автоматикой, которую внедрили как раз потому, что она работает лучше человека. И эта система концептуально сломана:
Человек физиологически неспособен удерживать внимание на источнике, где почти ничего не происходит.
Умения оператора деградируют без практики. Если ты годами только наблюдаешь за системой, то в момент аварии, когда нужно перехватить управление и проявить мастерство, его уже не осталось.
Знания в долгосрочной памяти остаются доступными, только когда к ним регулярно обращаются. Оператор, не пользующийся этими знаниями, теряет способность быстро их извлечь. Кроме этого, протухает ментальная модель того, как работает система, и в каком состоянии прямо сейчас она находится.
Все эти проблемы стали ярко видны в произошедшей примерно в то время аварии на АЭС в Пенсильвании (ссылка). Скакнуло давление, один из клапанов не закрылся, и пошло-поехало. При этом все части автоматики сработали как надо, но итоговый сценарий был не знаком операторам, а из-за показаний приборов их ментальная модель разошлась с реальностью. В итоге они совершили кучу ошибок, произошел выброс радиации, а блок теперь законсервирован навсегда.
В общем история о том, что теряется субъектность персонала, люди перестают думать и доверяют машине, а когда машина подводит, не могут сами принять решение и выполнить правильные действия.
Сравните с тем, как много сейчас говорят об ИИ. Мол ИИ заберет простые задачи, но мы будет за ним проверять и думать о сложном. Не будем мы проверять, и возможно не будем думать. Это конечно плохо.
В Tencent представили открытый проект BrowserSkill, который подключает ИИ‑агентов к актуальному пользовательскому браузеру со всеми доступами и аккаунтами:
обычно ИИ получает «чистый» браузер, а все доступы и входы нужно предоставлять отдельно;
сервис BrowserSkill позволяет Codex, Claude Code, Cursor, Hermes и другим агентам работать на сайтах, где пользователь уже авторизован;
при этом ИИ‑агент действует в отдельном окне. Если ему нужна открытая рабочая вкладка, то он запросит разрешение. Все капчи и окна подтверждения также передаются пользователю, а затем работа продолжается;
работает с любым агентом, выполняющим команды в терминале;
Вот вам еще одна из самых полезных команд в Claude Code для продвинутых И одна из причин, почему я не фанат Codex Harness -- там такого нет
Это команда /rewind или esc + esc в Claude Code CLI
Эту команду можно воспринимать ее как Ctrl+Z для агента
Сначала вот вам короткое описание из документации Claude Code
Что делает /rewind в Claude Code
Claude Code автоматически создаёт checkpoint перед каждым новым ходом и сохраняет снимки файлов перед своими правками. Команда /rewind или двойное нажатие Esc открывает меню, где можно выбрать прошлое сообщение и:
восстановить только разговор;
восстановить только изменённые файлы;
восстановить и разговор, и файлы;
свернуть выбранную часть истории в summary.
Checkpoints сохраняются вместе с сессией, поэтому вернуться к ним можно даже после перезапуска Claude Code. Но если в гит намусорили уже другие сессии, то при измении файлов могут вылезать конфликты
Теперь про юзкейсы и объяснение уже от меня
В основе этой команды лежат две независимые переменные
Состояние git файлов в вашем репозитории
и Conversation — история текущего диалога в context window
При вызове команды /rewind вам предложат выбрать конкретное сообщение и затем выбор из 3-5 вариантов
Restore code and conversation Возвращает и файлы, и диалог к выбранной точке Полезно, когда агент долго шёл не туда и оставил после себя плохие изменения. Продолжать поверх такого состояния смысла нет: контекст и файлы уже заполнены ошибочными попытками
Restore conversation Диалог откатывается, но код при этом остаётся Сценарий: баг уже исправлен за несколько шагов, но обсуждение бага больше не нужно. Возвращаем разговор до него — следующая итерация видит чистую историю и при этом сохраняет исправленные файлы Полезно и при параллельной работе над одним main
Restore code Откатываются только файлы, а разговор остаётся Так можно признать решение неудачным, стереть его из репозитория и продолжить обсуждение в том же контексте Это чище, чем заставлять агента по памяти выискивать и удалять свои изменения
Summarize
Summarize from here Сжать сообщения после выбранной точки
Summarize up to here — сжать всё до точки, оставив последние сообщения дословно /compact подводит итог всей сессии В этих сценариях Claude Code делает форк диалога
И ещё есть просто Fork Как и в случаях с саммари — старая ветка не стирается: restore code and conversation и restore conversation создают форк
Представлен бесплатный аналог Photoshop — проект Photon, включая сборки под Windows 11, macOS и Linux. Энтузиаст создал это решение за $2000 с помощью GPT-6 Astra в режиме Extra High.
Приложение Photon Studio поддерживает слои, группы, маски, корректирующие слои, смарт-объекты, кривые и эффекты, умеет выделять объекты и удалять фон, а также предлагает инструмент «Пластика». PSD-файлы редактор открывает вместе со слоями и умеет сохранять обратно. Для удобства есть привычные горячие клавиши из Photoshop и поиск по командам.
У моего Hermes агента произошел апдейт по коннекторам. Теперь он умеет работать с Meta ADs, Threads и Instagram 💌
Я тут выпускал серию из 4 постов о том, как оно все работает и что нужно сделать, чтобы заработало у вас. Это уже 5 пост из этой серии про новые коннекторы
Я давно хотел научить его работать с Meta ADs, Threads и Instagram
Но там был нужен Facebook Developer аккаунт, который я не мог получить по техническим причинам (meta ux bruh)
И вот спустя 3 месяца мы все порешали и обзавелись большим апдейтом и теперь умеем
🟢 Threads
» Публиковать контент в Threads
» Анализировать собственный Threads аккаунт история постов, ветки, реплаи, упоминания и метрики. Чтобы видеть, какие темы и форматы реально работают. Сохранять их и переиспользовать
» Исследовать чужие Threads Разные публичные профили, посты и ветки конкурентов или залетевшие форматы
🟢 Meta Ads — рекламный кабинет меты
» Собирать рекламные эксперименты в Meta Ads Клови теперь умеет собирать кампании, адсеты, таргетинг, ставить бюджеты и креативы Только с этим есть проблемка — у Meta Ads CLI баг блокирует запуск и обновление активных РК. Т.е. создать можно, а запустить только через интерфейс или с помощью Meta Ads MCP сервера дома на компе
» Следить за рекламными результатами Докладывает мне расходы, показы, клики, CTR, CPC, охват и результаты по плейсментам. Классно умеет это сводить с Google Analytics и приносить мне выводы
» Управлять рекламной инфраструктурой Я пока еще не тестил, но вроде умеет в datasets, пиксели, каталоги, product feeds и product sets Чтобы строить нормальную связку «объявление → действие → измеримый результат»
» Исследовать рекламу конкурентов Сейчас в процессе финального подключения, но он сможет искать объявления в Meta Ad Library по ключевым словам, страницам, странам и платформам.
Чтобы собирать тексты, креативы, CTA, даты запуска и ссылки конкурентов и выдвигать гипотезы по рабочим офферам и форматам перед запуском своей рекламы
А ЕЩЕ самый класс в том, что Hermes, залогиненный через Codex теперь сам может генерировать картиночки под креативы. Сам сгенерировал — сам опубликовал
🟢 Instagram Graph API Теперь мы можем публиковать посты, Reels и Stories. Отвечать на комментарии и собирать статистику аккаунта. Я не особо веду инстаграмм, поэтому просто за компанию его подключил
P.S Да, подобные коннекты можно сделать и через Claude Code / Codex. Просто у меня личный контур сделан через Hermes. Так удобнее
P. P. S. А если вы вдруг хотите получше разобраться, как сделать подобного агента для себя или для своего бизнеса, то я завтра в 17 по МСК буду открытую онлайн-лекцию читать
Почитав обсуждение «Хабр проиграл войну с нейрослопом» @orchidfiles, подумал, как иронично, что в борьбе с «нейрослопом», то есть для задачи отличать машинно-сгенерированные тексты от человеко-сгенерированных, люди сразу после появления chatgpt начали также полагаться на машины («детекторы» и прочее).
Это такой неожиданный перехлёст «теста Тьюринга», в котором люди не просто уже не способны распознать машину в собеседнике, а начинают полагаться на машину, чтобы та для них определяла человечность.
Хотя реальная проблема никогда, на самом деле, не покидала сферу «человечного»: это вопрос грамотности в высоком понимании термина — то есть, уровня работы с текстом, которому сейчас не считают нужным массово учить, и о нужности которого даже нет массового представления. Я и сам, только слушая про «кризис грамотности в США» (на эту тему сейчас много контента) узнал, что под literacy подразумевается вовсе не просто умение складывать буквы в слова.
Но зная об этом, начинаешь понимать, что «проблема нейрослопа» с самого начала была и всегда будет проблемой грамоты (literacy), и решается она только так — на человеческой стороне.
ИИ не столько губит человеческую грамотность — если человеку нужна помощь машины, чтобы отличить машинный текст от человеческого, там губить уже нечего — сколько требует нового ликбеза.
Проснувшись утром, понял, что развести популярные LLM-ки с их ленью и склонностью подлизывать на более-менее адекватный анализ чего бы то ни было можно лишь с помощью провокаций.
Иначе никакие пляски с вводными промптами вокруг «объективности» и «критичности» не помогут — всё забывается на раз-два, и ты получаешь длинное общее бесполезное описание коня в вакууме.
А можно начать новый чат так:
Щас ты пишешь на Друпал, завтра возишь снег в Непал.
Без «здрасти» и вообще чего бы то ни было. После того, как LLM-ка нахвалит твоё чувство юмора и отзубоскалит по поводу Друпала, можно спросить «А чо эта?…» и дальше уже по пунктам задавать уточняющие вопросы. Получается куда полезнее, быстрее и по делу.
Исследователи собрали 370 результатов из 106 экспериментов, где сравнивали три варианта: человек сам, ИИ сам и человек вместе с ИИ.
В среднем связка проигрывала. Человеку с ИИ заметно лучше, чем человеку без ИИ, и это подтвердилось уверенно. А вот обогнать ИИ, работающий в одиночку, паре удавалось редко.
Картина менялась в двух случаях. Когда задача была на создание, а не на выбор из готовых вариантов. И когда человек изначально решал задачу лучше модели: тогда пара обходила и человека, и ИИ.
Связка выигрывает, если вы приносите экспертизу, которой у модели нет. И тормозит, если вы слабое звено, перепроверяющее более сильную систему.
Стоит уточнить, что в исследовании рассматривались ранние модели 2020-2023 годов, возможно, ситуация изменилась.
Salesforce представила официальный плагин для Сlaude, который позволяет подтянуть с платформы данные об аккаунтах, сделках и пайплайны продавца:
ИИ-агент получает сразу 37 навыков, в том числе подготовку к созвонам, обновление CRM и другие задачи отдела продаж;
каждое утро Claude будет предоставлять брифинг для gjkmpjdfntkz по встречам, клиентам и активным сделкам;
в отчёте можно сразу править даты, менять стадии сделок и цену продажи;
перед созвоном с клиентом Claude найдет весь контекст сделки в Salesforce, Slack, почте и других мессенджерах, а потом представит актуальный статус по всем сделкам;
после созвона ИИ отправит саммари, соберет интерактивные дашборды по продажам, заполнит CRM, обновит контекст и даст рекомендации по дальнейшей работе с клиентом.
🎲 Одна стратегия вместо всех приёмов: как выигрывать в карты
Играя в карты, вы можете считать свой навык средним. Вы не знаете точно все карты соперника, но можете просчитать какой козырь у него остался. Это не работает, так как навык игры это не стандартное нормальное распределение
В реальности вы всегда выше среднего в худшей половине. Чтобы победить, нужно не считать карты противника, а при первых признаках сильного оппонента менять стол. Именно таким образом обходят рекомендательные алгоритмы социальных сетей: у нового канала преимущество, выгодно забросить старый и открыть новый
😱 Почему люди на переднем крае ИИ-индустрии боятся — и почему с этим ничего не сделать?
В последнее время часто слышу от директоров OpenAI, Anthropic, Google, Xai и других лабораторий что "надо сбавить темп" и "надо регулировать ИИ".
На что Трамп вчера ответил:
Мы опережаем Китай в области ИИ, мы самая передовая страна в мире. И, откровенно говоря, я хочу сохранить это положение, потому что, кто бы ни победил с ИИ, тот и победит.
Я думаю что слишком много негативно настроенных сил приводят этот аргумент и им не стоит этого делать. Они говорят про вещи которые не случатся. Кто бы не выиграл с ИИ, тот и победит
То есть никто сбавлять не будет, гонка вооружений продолжается. К чему это приведёт?
Команда экономистов Anthropic выложила интерактивную модель: задаёшь свои прогнозы по возможностям ИИ и скорости внедрения, получаешь экономику США 2030 года. Логика простая: любая работа это набор задач, часть из них ИИ усилит, часть заберёт, часть создаст заново.
У меня получился экстремальный вариант, где экономика растёт на 31%, при этом кол-во рабочих мест интеллектуальных специалистов сокращается на 11%, и зарплаты увеличиваются на 1.9%. (Хотя в классическом экстремальном сценарии заплаты наоборот уменьшаются на 11.5%)
В общем, интересная игра, делать предсказания, но в реале слишком много факторов, да и США это отдельный мир. При этом её экономика конечно влияет на другие. Но влияние ИИ в РФ будет значительно меньше, чем влияние других, всем известных факторов.
Одно точно, ИИ меняет мир и скоро к этой гонке подключатся роботы и тогда будет уже совсем... интересно. Экономики стран и крупные компании, от этого выиграют и увеличат свои доходы, это точно. А что будет с нами?
В конечном итоге, государству и большим компаниям выгодно взять у нас все доходы и взамен дать прожиточный минимум.
Что изменят роботы и ИИ?
У нас будет всё - личный врач, юрист, финансист, полицейский, повар, уборщик, дворецкий, учитель и даже личный ФСБшник, подслушивающий и подглядывающий за всем. Причём мы пойдём на это сознательно, ибо кто откажется чувствовать себя королём, когда все сферы твоей жизни закрываются одним или несколькими роботами, нужно лишь заплатить за них...
Тут встаёт вопрос про безусловный базовый доход. И этот вопрос должны закрыть государства, иначе светлое будущее где роботы делают за нас всё, а мы занимаемся творчеством, превратится в будущее, где только богатые имеют доступ к высоким технологиям, остальные живут в нищете или от зп до зп, чиня роботов или работая на них.
