В споре о том, является ли текущий AI-бум пузырём, часто смешиваются две разные вещи: оценка компаний и значение технологии.
Оценки действительно могут быть перегреты. Но это не доказывает, что сама технология переоценена. После пузыря доткомов большая часть компаний исчезла, но из той же волны выросли Amazon, Google, Microsoft и инфраструктура современной цифровой экономики.
С ИИ может быть похожая ситуация: большинство стартапов не выживет, но несколько игроков могут стать системообразующими.
Более важный риск — концентрация вычислитель
ной мощности. Если сильные модели, чипы и дата-центры контролируются несколькими компаниями, они получают возможность решать, кто имеет доступ к передовым AI-системам и на каких условиях.
Альтернативный путь — децентрализованный open source AI: открытые протоколы и распределённые вычисления, которые направлены на полезную работу моделей.
Вопрос будущего не только в том, будет ли коррекция оценок. Вопрос в том, станет ли ИИ инфраструктурой для всех или ресурсом нескольких центров силы.
Подробнее — в Telegram-канале «Идеи для ИИ — Андрей Анисимов». Ссылка в профиле.
Даже если вы настроили у себя процесс разработки, в котором все делают агенты, есть задачи которые они не могут выполнить качественно в моменте. В основном это связано с тем, что они фокусируются вокруг тех изменений с которыми работают прямо сейчас. Причем каждое конкретное изменение может выглядеть допустимо, но если посмотреть на дистанции, то будет видна деградация, постепенное расползание плохих практик, дублирование, отсутствие обобщения там где оно напрашивается.
Поэтому в процесс нужно включать задачи по расписанию, которые имеет смысл запускать раз в неделю или месяц. Ниже расскажу что я делаю сам с помощью каких команд или скилов.
Эффективность агента
/doctor (Claude Code) — раз в месяц проверяю здоровье агентского окружения: конфигурацию, неиспользуемые скилы и MCP, медленные хуки, проблемы с permissions и другие накопившиеся проблемы. Заодно помогает освобождать память от устаревшего и лишнего.
/fewer-permission-prompts (Claude Code) — анализирует историю работы и предлагает, какие часто используемые безопасные команды стоит добавить в allowlist, чтобы агент меньше отвлекал подтверждениями.
/run-skill-generator (Claude Code) — периодически пересобирает знания агента о том, как поднять и проверить проект, чтобы /run и /verify не опирались на давно устаревшие команды.
/retro (Matt Pocock Skills) — формально не плановая задача. Запускаю после сессии, где агент заметно буксовал, делал лишние шаги или его приходилось несколько раз исправлять. Скил анализирует, что можно поменять в инструкциях, автоматических проверках и окружении, чтобы эта проблема больше не повторялась.
Качество кода
/simplify (Claude Code) — прохожусь по активно меняющимся частям проекта. Ищет дублирование, лишние абстракции, возможность переиспользовать уже существующий код и просто слишком сложные решения. Удобно запускать раз в неделю по нескольким наиболее активно меняющимся каталогам.
/code-review (Claude Code; у Matt Pocock также есть одноимённый skill) — отдельный проход по изменениям за неделю на корректность, качество кода и возможные упрощения. Обычный review конкретного изменения такую накопительную деградацию часто не замечает.
/improve-codebase-architecture (Matt Pocock Skills) — ищет места, где архитектура постепенно поплыла: слишком мелкие модули, неудачные границы, сложные интерфейсы, размазанное по нескольким местам поведение. Можно натравливать прямо на конкретные слои, типа посмотри сервисы
Чтобы не потерять это добро, я включил в его книгу паттернов агентной разработки
Кстати есть неочевидный нюанс. По идее все это надо стартовать автономно, но автономный запуск где-нибудь на github actions подразумевает работу не от подписки конкретного пользователя, а по апи. А хорошие модели чертовски дороги в таком варианте использования, поэтому пока по старине, стартуем все это ручками.
p.s. Поделитесь своими фишками, что запускаете вы?
Принёс продукт другу – тренеру фехтовального клуба – на обкатку и получил ответ: "Выглядит здорово, но мы на счёт не спаррингуем". Поэтому в списке приоритетов вверх поднялся турнирный режим.
В бэклоге-то он был сразу, но было непонятно, с какого боку вообще подходить: штука масштабная, новые сущности, доменная логика... не то, что сложная, но требует массы слов для описания. Но глаза боятся – агенты делают. В итоге справился за 3 вечера.
В первый – просто в режиме диалога разгонял с агентом бизнес-требования. Начал буквально с такого запроса:
Хочу турнирный режим: регистрация, проведение, итоги, с поддержкой таких-то турнирных режимов. Что тебе ещё надо знать – задавай вопросы?
В итоге даже не понадобилось формулировать правила выхода из групп в плей-офф или расчёта сеток для швейцарской системы - агент сходил в интернет и записал всё как надо.
Во второй – превращал бизнес-требования в ТЗ. Опять же, моё участие свелось к ответам на вопросы, и то, в основном для краевых случаев: основные сценарии были уже описаны.
Ну а в третий вечер я просто смотрел, как агент идёт по шагам ТЗ и делал проверку работоспособности после каждого большого этапа. Плюс небольшой UI тюнинг в конце, уже поверх готовой функциональности.
Понесу теперь по клубам уже с новой функциональностью) А чтобы не разъяснять каждый раз, что там и как, собрал ещё и страничку с инструкцией и скринами: https://fencing-scorer.konbo.me/help.html
Представлен открытый проект Terminal Velocity (tvty) — двадцать агентов ИИ, работающих в циклах (loop). В центре внимания — задачи (тикеты). Одно окно. Никаких поисков нужной вкладки.
«tvty — для тех, кто хочет вести разработку с Claude на максимальной скорости. Это нативный терминал для одновременного запуска множества агентов Claude Code: терминалы сгруппированы по проектам, а тикеты каждого проекта находятся прямо рядом с ними — агент задаёт вопрос, вы принимаете решение, работа продолжается. Почему это удобно Одно окно вместо двадцати вкладок. Видны все проекты, все агенты и то, что требует вашего внимания: принятие решения, непрочитанный ответ или тикет, блокирующий остальные задачи. Терминал каждого агента работает в реальном времени. Прямая привязка к сессии, высокая скорость, никаких лишних прослоек вроде tmux. Переключение одним нажатием клавиши или выбор из миниатюр, отображающих текущее состояние всех окон. Тикеты — рядом с терминалом. Планы, решения, эскалации, изображения: принимайте, отклоняйте или отвечайте, не отрываясь от клавиатуры», — пояснил автор решения.
• «Куда уплывает код», Павел Литвиненко, Технический руководитель по внедрению инноваций в «Звуке»
Последний год всё, что я делаю, пишут агенты. Моя работа — держать это в руках. Такие проекты редко ломаются, но код постепенно уходит от замысла и обрастает лишним. Раньше я держал проект тем, что понимал каждую его часть. Теперь так не получается, и контроль приходится возвращать по-другому: правилами, которые работают сами, и тестами, которые не дают системе менять форму. Расскажу, как я до этого дошёл, на примере одного из последних проектов — Атлас, карты музыкального вкуса.
• «Как построить harness, который автономно напишет мобильное приложение», Дмитрий Полищук, руководитель отдела разработки RWB
Дмитрий познакомит с фреймворком xpowers на базе superpowers: соберёт и настроит инфраструктуру, которая автономно пишет мобильное приложение.
• От ТЗ до MR: пайплайн разработки с ИИ-агентом», Никита Федосов, 2ГИС
Как построить процесс, в котором ИИ-агент ведёт задачу от уточнения требований до готового MR. Разберём этапы пайплайна, скиллы и гейты, а также границу между автономной работой агента и моментами, где всё ещё необходим человек.
Языковая модель сама по себе не является калькулятором: она вероятностно предсказывает следующий токен, а не выполняет детерминированный алгоритм вычисления.
Для текста это полезное свойство — одну мысль можно выразить множеством способов. В математике «почти правильный» ответ уже неверен. В многошаговой задаче одна ошибка в промежуточном значении распространяется на весь результат.
Практический вывод для ИИ-агентов: разделять роли. LLM должна понять задачу, составить план и выбрать инструмент. Сам расчёт лучше передать калькулятору, Python, CAS или специализированному вычислителю, а затем проверить и объяснить ответ.
Сильная агентная система — это не только модель, но и правила использования инструментов.
Подробнее — в моём Telegram-канале «Идеи для ИИ — Андрей Анисимов». Ссылка в профиле.
Как я использую ИИ в работе и что ему пока не доверяю.
Чем больше я работаю с ИИ, тем меньше воспринимаю его просто как «инструмент для написания текстов и анализа информации».
Для меня он уже скорее дополнительный участник рабочего процесса. Но участник, которому я очень чётко определяю границы.
Что я уже регулярно отдаю ИИ?
Всё, где мне нужно быстро разобрать большой объём информации, привести его в порядок или получить первый вариант.
Например:
— собрать и структурировать информацию;
— сделать первичный анализ;
— подготовить summary встречи;
— разобрать backlog и предложить варианты приоритетов;
— найти несоответствия или потенциальные проблемы;
— подготовить вопросы к встрече или требованиям;
— сформулировать несколько вариантов решения;
— сделать черновик документа или плана.
Особенно ценю не столько сам готовый результат, сколько возможность быстро пройти первый слой работы и дальше уже заниматься тем, где действительно нужен мой опыт.
Что он пока не может заменить?
ИИ может посмотреть на backlog и предложить логичный порядок задач. Но он может не знать, что у нас есть договорённость с бизнесом, важный клиент или обязательный релиз, который полностью меняет картину.
Он может увидеть, что команда стала медленнее, и предложить пять возможных причин.Но он не проживает эту ситуацию вместе с командой и не знает всех нюансов, которые иногда невозможно выразить в цифрах.
И я точно не отдаю ему на откуп ответственность за финальное решение.
Поэтому я могу использовать его анализ, спорить с ним, просить предложить альтернативы.
А что я принципиально не готова отдавать ИИ?
Всё, где цена ошибки - человек, деньги, безопасность или серьёзные последствия для бизнеса.
Например, я не хочу, чтобы ИИ самостоятельно решал, кого нанимать, увольнять или повышать. Не хочу, чтобы он автоматически оценивал эффективность сотрудников или принимал кадровые решения. Не хочу без человеческой проверки отдавать ему критические изменения в production.
Тезис «AI нельзя доверять» слишком однобоко звучит.
Скорее, задача руководителя сейчас состоит в том, чтобы правильно определить границы самостоятельности AI.
Там, где результат легко проверить и ошибка обратима, можно давать системе больше свободы. Там, где решение влияет на деньги, безопасность, людей, клиентов или обязательства компании, нужен осознанный человеческий контроль.
Как превратить задержку в главную функцию продукта
Пока мессенджеры соревнуются в скорости, Roost выбрал обратную механику: сообщения доставляют виртуальные птицы с реальной скоростью. Путь в соседний город занимает часы, на другой континент — дни.
Приложение создал один продакт-менеджер без команды и инвестиций, используя Claude Code. За пять недель проект вырос почти до 300 тысяч пользователей благодаря органическому распространению.
Технически и продуктово здесь важна не симуляция птиц, а смена роли ограничения. Задержка не маскируется и не оптимизируется — она становится интерфейсом, ожиданием и причиной писать более осознанно.
Получился парадокс: ИИ ускорил разработку продукта, который намеренно замедляет коммуникацию.
Подробнее — в моём Telegram-канале «Идеи для ИИ — Андрей Анисимов». Ссылка в профиле.
Недавно мне попался отчёт State of AI 2026 от Sensor Tower с интересными данными о мобильном и веб-трафике ИИ-приложений.
В отчёте отмечается, что ИИ-ассистенты (прежде всего ChatGPT) очень быстро стали мейнстримом и обогнали по темпам роста MAU все известные ранее приложения. Но где предел аудитории ИИ?
Возможно, он уже близко. Отчасти об этом говорят данные о трафике: в первом квартале 2026 года число пользователей выросло год к году лишь на 28%, а не на 100%, как годом ранее. Похожая картина и со временем, которое пользователи проводят на сайтах и в приложениях. Означает ли это, что компании переходят от захвата рынка к извлечению прибыли?
Вероятно, да: с конца 2025 года (у ChatGPT — на год раньше) мы видим резкий рост средней выручки на пользователя в месяц (ARPU). Он объясняется появлением рекламы в бесплатных тарифах, изменением лимитов использования и появлением дорогих премиум-тарифов.
У меня к вам важный вопрос, который решит будущее человечества.
Перед вами 100 одинаковый красных кнопок, 99 из них приведут к развитию технологий человечества в ближайшие годы, супер интеллект и роботы, которые делают за тебя всё.
Но есть 1 кнопка, которая приведёт к смерти человечества.
Вопрос: нажмёшь ли ты какую-либо кнопку?
Ответьте в коментах: "нажму" или "нет".
Эксперты в ИИ уже всерьёз дискутируют на тему "убьёт ли ИИ человечество"? И ответ пока не очевидный.
Продолжая эту тему, где бывший сотрудник Anthropic написал твит, о том что ИИ нас всех убьёт, если мы не остановим прогресс. Его твит завирусился и набрал уже 173 млн просмотров. И на днях один популярный американский блогер собрал у себя экспертов в теме чтобы подискутировать по этому вопросу: "убьёт ли ИИ человечество?". Почему да, почему нет, когда и как?
Джейкоб Коксону три года он занимался предобучением моделей, сначала в OpenAI, потом в Anthropic.
Девятого сентября уволился и выложил тред из семи частей.Обе компании, по его словам, действуют безответственно, мчатся прямо к самоулучшающемуся сверхинтеллекту и играют нашими жизнями.
Ниже его мысли: ⏺️В OpenAI, говорит он, многие просто не осознали масштаб ставок. ⏺️В Anthropic ставки понимают отлично, но заперты в гонке за первенство: раз больше никто не будет осторожен, дойти первыми должны они.
Скоро это будут сверхчеловеческие системы, которые смогут взломать что угодно, за одну ночь перевернуть любую область и получить реальную власть и ресурсы. И прогресс не замедляется.
Люди, которые строят ИИ, искренне верят, что он может убить нас всех до конца десятилетия. Это не маркетинговый ход. И добавляет: в прессе многие руководители смягчают формулировки, чтобы звучать вменяемо, но наедине те же самые люди говорят о страхе.
Главная его претензия звучит так: решение, которое касается всех людей на планете, сейчас принимают несколько человек в рабочем чате частной компании. Без обсуждения с кем-либо ещё.
При этом, сегодняшние модели угрозы не несут. Тревожит момент, когда ИИ начнёт всерьёз улучшать сам себя без участия человека.
В треде он спрашивает других исследователей: хотите ли вы запускать обучение сверхинтеллекта, не понимая толком, что у него внутри? Опустить голову, раз это всё равно произойдёт, или потребовать других условий?
Это дилемма заключённого в чистом виде. Притормозит Anthropic, вперёд уйдёт OpenAI. Притормозят все американские лаборатории, вперёд уйдёт Китай. Добровольно такая гонка не остановится. К чему это приведёт, думаю мы увидим в ближайшие 5 лет... 👀
В 2024 году в Москве показали эксперимент, где мозг крысы взаимодействовал с системой ИИ и получал подсказки для ответов на задачи. Параллельно в ННГУ исследовали стимуляцию гиппокампа и ускорение реакции мозга.
Технически интересен не сюжет «ИИ против человека», а разделение функций: машина хранит и обрабатывает данные, биологический мозг сохраняет контекст, интуицию и адаптивность. Пока это ранние исследования, но направление уже формирует практические сценарии для реабилитации и нейропротезирования.
Подробнее — в моём Telegram-канале «Идеи для ИИ — Андрей Анисимов». Ссылка в профиле.
Данный пост — продолжение социального эксперимента, начало см. в первом посте.
Прошу не рассматривать как "я пиарюсь" — от меня тут ничего нет — все это сделали роботы, человек (в данном случае я, но и вы можете) только высказывал хотелки.
Кратко, хочется уяснить, куда в перспективе пойдет разработка софта. Напомню гипотезы из прошлой статьи:
LLM-ки смогут — каждый год любители будут клепать все больше программ, а метод естественного отбора позволит выбрать лучшее из этого хаоса.
Ничего не изменится — слоповые программы так и останутся никому не нужными.
Каждый будет генерить программу под себя.
Ну и суть — на этот раз еще одна автоматическая генерация — Obsidian на минималках, так же в одном HTML-файле, который можно использовать без установки и без админских прав. Все с открытым кодом, естественно (напомню, что у Obsidian код закрыт).
Концепция программ в HTML-файле весьма удачная, ведь это:
Работает везде (Chrome даже на телефонах с этим работает, хотя интерфейс для десктопа).
Не требует установки, прав и т. д.
Главное, что браузер — это песочница. Браузер взломать не так просто, награда за эксплойт весьма внушительная, и можно доверять тому, что браузерная программа никуда за пределы песочницы не выйдет.
Итак, как это выглядит:
markdown-catalog-editor
Возможности:
Весь редактор — один HTML-файл, и он не ходит в сеть. Похож на Obsidian, но ничего не нужно устанавливать и не нужен аккаунт. Файл открывается в браузере, а заметки читаются и сохраняются прямо в вашей папке.
Заметки остаются чистым Markdown. Теги, в том числе вложенные (work/alpha), хранятся не в тексте заметок, а в одном .meta.json рядом с ними. У Obsidian и Logseq теги пишутся внутрь самих заметок.
Живое превью без скачков текста. В исходный Markdown превращается только блок под курсором, остальной документ остаётся отформатированным. Таблицы редактируются по ячейкам и не превращаются в | pipes |.
Можно выложить как сайт. Если положить файл рядом с заметками и раздавать папку по HTTP, получится просмотрщик базы знаний.
Пост прошу рассматривать как социальный эксперимент. Причем будет еще и вторая часть.
Сейчас чуть ли не каждая вторая статья про LLM-ки, вайбкодинг, новые возможности. И кто-то заметил, что шума много, но ничего нового не появилось, полезных программ больше не стало.
Я решил чисто для эксперимента написать пару программ, которыми сам регулярно пользуюсь. Добавить то, чего мне не хватало. По стоимости это вышло почти бесплатно (ну, около 1 доллара за прогу, использовал подписку). В код я не заглядывал принципиально - то есть чистый настоящий вайбкодинг.
Ценности в проделанной работе особой нет, абсолютно точно все сможет написать даже домохозяйка без всяких знаний и опыта. Главный критерий - чтобы тот, кто пишет, был продвинутым пользователем.
Будут ли они полезны кому-либо еще кроме меня? Я не знаю. Это и есть цель эксперимента. Возможно, мои потребности не особо отличаются от потребностей 80% пользователей, и все фишки, которые есть во "взрослых" программах — и другим пользователям не будут нужны.
Гипотезы даже три:
Все-таки LLM-ки смогут — каждый год любители будут клепать все больше программ, а метод естественного отбора позволит выбрать лучшее из этого хаоса.
Ничего не изменится — слоповые программы так и останутся никому не нужными.
Каждый будет генерить программу под себя.
Теперь ближе к делу. Эксперимент 1. Это аналог KeeWeb, но в одном HTML-файле и с генератором паролей на основе адреса сайта и имени пользователя.
Смысл вот в чем: пароли можно и хранить (по старой схеме), и генерить. Для генерации используется мастер-ключ + адрес сайта + имя пользователя. Если пароль профукали — можно увеличить версию, и получится новое значение.
То есть в такой постановке файл с паролями уже не страшно потерять. В любой точке земного шара, даже если вы голый и босый - заходите на GitHub, скачиваете файлик HTML - и на любом компьютере с любой ОС (и даже на телефоне) - восстанавливаете все свои пароли.
Выглядит это так:
html-password-manager
Возможности
Вычисляемые пароли: получаются из мастер-пароля, сайта и логина.
Открывает и создаёт базы KDBX (AES-256 + Argon2id), в Chromium сохраняет изменения в тот же файл
Группы, записи, свои поля, вложения, теги, история версий, корзина
Поиск, генератор паролей, одноразовые коды TOTP
10 языков, тёмная тема, горячие клавиши
Плюсы
Не нужна установка и права администратора, работает на любой ОС с браузером
Тот же формат .kdbx, можно пользоваться параллельно с KeePass и KeePassXC
Сеть запрещена политикой браузера (CSP), нет плагинов, код небольшой и проверяемый
Вычисляемые пароли восстанавливаются даже без файла базы
Давайте составим рейтинг ии агентов, которые чаще всего используют для создания айти продуктов.
1️⃣Claude code. Безоговорочные лидер, особенно с новой моделью Opus 5.5. Подписка от 20$.
2️⃣Codex. GPT-6 Sol - главный конкурент клода. Хоть и по качеству не уступает клоду, но новая модель жрёт лимиты очень быстро, тарифа Pro за 20$ вам просто не хватит ни на что.
3️⃣Zcode. Использую GLM-5.3 Flash Max. Работает медленнее Клода, где-то как GPT, по качеству может быть хуже, но лучше Sonnet 5 и самостоятельно может работать часами пока не выполнит задачу. За это почётное 3 место. Подписка от 18$, по моей ссылке первый месяц 16$.
Остальное я не использовал, но читал отзывы:
4️⃣Kimi Code. Kimi k3 считается топовой моделью не сильно уступающей клоду и GPT. Подписка от 20$.
5️⃣Cursor. Тут можно пользоваться разными моделями и т.к. Илон Маск купил курсор, то есть щедрые лимиты на Grok. которая тоже вроде ничего. Подписка от 20$.
6️⃣Xiaomi MiMo. На днях выпустили. В рейтингах догоняет топов. Подписка от 20$.
Дальше обозначу пару категорий моделей:
7️⃣во первых модели от Google и meta, где нет стандартных подписок как выше и нужно постараться чтобы тот же Antigravity от гугла заработал из РФ. У меня так не получилось это.
8️⃣модели без подписок, работают через API. В целом, все ии модели работают через API, это их основной доход. Но Deepseek и Qwen в принципе не имеют подписки и отдельного приложения как у Клода, GPT и ZCode.
Есть конечно ещё модели и инструменты для кода вроде Hermes, OpenCode и др. но вышеперечисленные самые популярные. Рейтинг моделей можно глянуть на арене, а цены и подключить апи в Openrouter.
Меньше двух недель прошло с заявления OpenAI о решении одной из семи "задач тысячелетия". Научный скандал еще не утих: 25 лауреатов Филдсовской премии выступили с предупреждением о конфликте между корпоративной гонкой за открытиями и нормами математической науки. Теперь появились слухи, что в ближайшие недели могут объявить о решении еще двух задач из семи!
The Information со ссылкой на источник внутри OpenAI сообщило: компания близка к решению гипотезы Ходжа, но затягивает с объявлением, «обдумывая, как сотрудничать с математическим сообществом, чтобы не вызвать очередной пиар-скандал». Это подтверждает и The Verge. Параллельно появился пост, который цитирует BlockBeats: «OpenAI очень близка к подтверждению гипотезы Ходжа, и либо OpenAI, либо Anthropic также близки к решению гипотезыБёрча – Свиннертон-Дайера. Негласная гонка не похожа ни на что, что мне описывали раньше. Если это случится, три проблемы тысячелетия не устоят в течение месяца».
Официальных подтверждений нет, но давайте хотя бы разберемся, что же это за задачи.
Гипотеза Ходжа
Математики изучают многомерные геометрические объекты – алгебраические многообразия. Это множества решений систем полиномиальных уравнений. У таких объектов есть когомологии – абстрактные характеристики, описывающие их топологическую структуру. Среди них есть особые – классы Ходжа. Они выделяются двумя свойствами: их можно описать через рациональные числа, и они обладают «правильной» симметрией. Структуры Ходжа играют важную роль в теории струн – через многообразия Калаби-Яу, определяющие физику дополнительных измерений. А в 2024 году появилась работа, где аппарат теории Ходжа применяется к описанию квантовой запутанности.
Гипотеза утверждает: каждый такой класс происходит из конкретного геометрического объекта – алгебраического цикла (кривой, поверхности или более сложного объекта, задаваемого полиномиальными уравнениями). Иными словами, все абстрактные и симметричные характеристики многомерной фигуры можно описать через конкретные геометрические «кирпичики». Гипотеза доказана только для частного случая: в общем виде задача открыта с 1950 года и считается самой абстрактной из всех семи.
Гипотеза Бёрча – Свиннертон-Дайера (BSD)
Эллиптическая кривая описывается уравнением Вейерштрасса: Ключевой вопрос: сколько у него рациональных решений – где и , и являются обычными дробями? Множество рациональных точек на такой кривой образует группу: их можно «сложить», и результат снова окажется на кривой. Группа может быть конечной или бесконечной. Если она бесконечна, то у кривой есть ранг – число, показывающее, сколько независимых точек порождают все остальные.
Гипотеза BSD утверждает: ранг напрямую связан с поведением -функции – специальной аналитической функции, которая строится по кривой. Если гипотеза верна, мы сможем определить, конечно или бесконечно число рациональных решений, прямо по -функции.
Эллиптические кривые – не абстракция: на них построена эллиптическая криптография, защищающая интернет. Алгоритм ECDSA (Elliptic Curve Digital Signature Algorithm) используется для цифровых подписей, в том числе в транзакциях криптовалют. Важно: BSD говорит про рациональные точки над полем , а в криптографии работают над конечными полями – это разные постановки. Гипотеза не ломает ECDSA напрямую, но углубляет понимание свойств самих кривых.
Что в итоге?
Если доказательства появятся, их нужно будет проверить. Формальная корректность не заменяет понимания: машина подтверждает, что выводы следуют из посылок, но не объясняет, почему это работает. Осмыслить такое доказательство – отдельная задача, которая может занять годы.
Если задачи, считавшиеся неприступными десятилетиями, падут за месяц, изменится представление о том, что такое математическое исследование. Что это означает для тех, кто учится математике или только выбирает путь? Буду рада обсудить в комментариях. Продолжаю следить за историей в своем канале о гидродинамике, AI, RISC-V и прочих моих интересах.
Есть прекрасный жанр современных пресс-релизов по кибербезопасности: взять маленькую цифру, умножить ее на большую цифру и получить ощущение, что завтра искусственный интеллект самостоятельно зайдет в ваш дата-центр, сменит пароль root и потребует долю в компании (ну то есть, примерно так же, как и с пиаром про «ИИ-агентов», которые чего-то там «сами взломали»).
На этот раз поглядим на любопытную статистику The Hacker News по активности «ИИ» в корпоративных SOC: связанные с «ИИ» события составляют всего 0,43% всех инцидентов. При этом их доля действительно быстро растет — с февраля по июнь 2026 года она увеличилась на 685%.
Цифра 685% выглядит отлично для презентации (правда 95 из 100 таких инцидентов шум от легальной деятельности нейронок, которые по запросу его-то ищут), 0,43% — несколько хуже. Особенно если учесть, что это не доля успешных атак, а вообще все инциденты, где «ИИ» пробегал хотя бы кабанчиком, а конкретно предметно «ИИ»-атаки составили…0.02%, что уже совсем нелепо.
Производители «умной ИИ-защиты», которая сейчас самый модный тренд, имеют вполне понятный коммерческий стимул рассказывать историю немного иначе. То есть, кричать на всех углах, что защититься от «ИИ»-атак можно только подключив «ИИ»-защиту прямо сейчас, а то будет поздно!
Но это просто неправда. Ну разве что если вы попадете в те 0,02% атакованных «счастливчиков» и при этом у вас не окажется вообще никакой защиты (а в большинстве случаев на текущем этапе развития стандартной профессиональной защиты и соблюдения внутренних правил ИБ более чем достаточно, чтобы отбить любую «ИИ»-атаку).
Конечно 0,43% — это не ноль, и через год цифра вполне может быть существенно выше. Но между «категория быстро растет» и «эта категория уже является главной угрозой вашей инфраструктуре» лежит довольно большая пропасть. Которую маркетинг стремится перемахнуть одним прыжком, давя на эмоции и страх покупателя.
Вспомните об этом, когда в следующий раз прочитаете, что без подключения как можно скорее умной «ИИ»-защиты вас обязательно за пять секунд взломают умные «ИИ»-агенты.
Присоединяйтесь к выступлению эксперта по ИИ из MTC Web Services на открытии сезона Rust-сообщества 🤖
Привет! В Университете ИТМО завтра пройдет встреча, посвященная языку Rust, где MWS выступит партнером мероприятия.
В рамках программы Артур Казарян, разработчик в MWS AI, расскажет «Как задушить питона в ML-пайплайне» — что делать, когда для запуска инференс-пайплайнов доступен только Python. А еще покажет, как бесшовно интегрировать решение на Rust и получить хорошее ускорение.
📅 Когда: 26 сентября (суббота) с 14:00 до 18:00, Санкт-Петербург, Университет ИТМО + онлайн-трансляция
Проблемы с MAXой - там возник канал «Фиксальной службы …. ». Приходит оповещение о возникновении задолженностей, подробности по ссылке, удостоверьте себя через Госуслуги... и переход туда, а там большое сообщение на экране "Вас взломали" и телефон, по которому активный сотрудник продолжит дурить дальше. Понятно, что «Все умные и все ВСЁ понимают», а самые-самые вообще этим продуктом не пользуются, но речь о последствиях. Итак – предположим, что есть пожилой родственник, который попался на это и что дальше?? Суматошные попытки заблокировать счета, карты, недвижимость, что-то узнать «по официальным каналам» - а вот там-то и ждёт засада! - по 112 послали в отделение полиции писать заявление и звонить в Госуслуги - в Госуслугах «ии» отвечает про что ему велено, но не про то, что необходимо и просьбы переключить на оператора/человека/«естественный интеллект» игнорирует…
Если время уже позднее, то даже найти информацию о центрах «Госуслуг/Моих документов», работающих после 20:00 оказывается затруднительным – таже «ии» требует что бы ей назвали адрес центра, и тогда она расскажет о его режиме работы… тыкать во все отметки этих центров на карте, что бы узнать режим работы – то ещё развлечение…, а вот Алиса с этой задачей справилась быстро… Но предположим, что «потерпевший» живёт в небольшом городке или его окрестностях, где центр «Госуслуг» закрывшись в четверг, начнёт работать только во вторник?
Можно сколько угодно вещать о необходимости развивать «суверенную имитацию интеллекта» и «суверенную МАХу», но если не защищать граждан от недостатка информации, то для «злоумышленников» будут всегда широко открыты двери для любых воздействий на граждан страны.
Мои попытки продвинуть создание «информационного пространства» для качественной, нужной, доверенной информации утыкаются в непонимание – «А зачем? Если будет вопрос, на него ответит «искусственный интеллект» …
Если вспомнить сколько нервов было испорчено после укуса клеща пару лет назад и невозможностью получить однозначную достоверную информацию…
И если предположить, что в подобные ситуации попадает большое количество не только просто «граждан», но и некоторые близкие люди – то может стоит отнестись к проблеме серьёзно??
Разработчик Юстус Маттерн сообщил, что GPT-6 Astra удалось сжать более 600 МБ аудиоданных в 20 КБ.
«Я был наиболее удивлён её решением в задаче сжатия аудио по Колмогорову: Вместо того чтобы писать алгоритм сжатия, Astra разобралась, что мы синтезировали аудио программно, и просто провела обратную инженерию кода для него. Таким образом, ей удалось сжать более 600 МБ аудиоданных в 20 КБ», — пояснил Маттерн.
Посмотрел выступление DHH с Rails World 2026. Ниже просто мои мысли по поводу того, что он говорил.
Никто не спорит что DHH гениальный маркетолог. Помню еще по истории когда он пересел с Mac на Linux и начал активно про него рассказывать, потом появились Omakub и Omarchy. В какой-то момент это местами звучало почти как проповедь.
С рельсой у меня сейчас похожее ощущение. DHH рассказывает, что Rails чуть ли не идеально подходит для эпохи AI: convention over configuration, мало кода, агенту проще разобраться в проекте, меньше токенов тратится, в этом есть логика. Но Надо помнить что Ruby является динамическим типизированным языком. Сам DHH статическую типизацию исторически не особо любит и, насколько я знаю, Sorbet или RBS активно не использует. Для человека отсутствие типов вполне может быть плюсом: быстрее пишешь код, не надо делать перегонять данные из одного типа в другой. Но для AI типы — это дополнительная информация. Поэтому мне не очень понятно, почему динамичность Ruby должна быть большим преимуществом именно в эпоху AI.
Но самое интересное не это. В том же выступлении DHH рассказывает, что в 37signals теперь фактически pencils down — код руками стараются почти не писать. И одновременно рассказывает, что HEY переписывают с использованием Rust. Причём, по его словам, получили огромную экономию CPU и памяти.
Сам DHH ещё говорит:
If I look at the past 21 years, over half of my work was Ruby code. This year, about 3%.
что раньше больше половины его кода было на Ruby, а в этом году что-то около 3%.
Получается довольно интересная ситуация, которая вызывает вопросики. Одно из главных преимуществ Ruby всегда было в том, что на нём очень приятно писать человеку. Синтаксис простой, код выразительный, Rails позволяет очень быстро собрать рабочий продукт. Но если код теперь в основном пишет агент, то насколько вообще важно, приятно ли человеку этот код писать?
DHH сам говорит примерно об этом же на примере Rust: смотреть на него ему не нравится, зато результат, который делает AI, нравится. И получается, что AI в каком-то смысле убирает одно из главных преимуществ Ruby. Раньше можно было сказать: да, Rust или Go быстрее, но Ruby позволяет разработчику быстрее получить результат, а теперь агент может довольно быстро написать и Rust, и Go.
При этом у тебя остаются статическая типизация, нормальная работа с многопоточностью и более предсказуемое потребление ресурсов. С Ruby всё сложнее. В MRI всё ещё есть GIL. Для обычного веба это далеко не всегда проблема, но если нужна CPU-параллельность, приходится уже думать про воркеры, дополнительные инстансы и так далее. А инфраструктура тоже стоит денег.
С Hotwire у меня похожее ощущение. Сама идея нормальная и для определённого класса приложений действительно удобная. Но DHH иногда очень хорошо умеет взять подход, который отлично работает в 37signals, и продать его так, будто именно так теперь должен писать весь интернет.
Поэтому DHH я всегда воспринимаю сразу в двух ролях. С одной стороны, это очень сильный инженер, который сделал один из самых крутых фреймворков. С другой, один из лучших маркетологов среди разработчиков. Он умеет взять своё мнение о разработке, превратить его в философию, дать ей красивую обёртку и заставить всех нас потом это обсуждать. Но после этого выступления я так и не понял, почему именно Ruby должен идеально ложиться на эпоху AI. Да, у Rails есть сильные conventions, мало шаблонного кода и агенту действительно может быть проще ориентироваться в проекте. Но при этом часть преимуществ Ruby была важна именно человеку, который этот код пишет. А если код всё чаще пишет агент, то эти преимущества уже не выглядят настолько очевидными.
22 августа разработчик и глава студии Studio Bitdot Нас Накарус (вероятно, псевдоним) выложил в личном микроблоге концепт игры. Вернее, это была видеодемонстрация геймплея технического прототипа: игроку предлагалось найти иголку в стоге сена из 5 млн соломинок. Тем самым Накарус совершил одну из крупнейших ошибок своей жизни.
Страница игры на Steam открылась лишь 27 августа. Твит за неделю набрал полсотни миллионов просмотров. Концепт завирусился, игра набирает вишлисты, плейтест без проблем привлёк 23 тыс. игроков — осталось только выпустить Needle In A Haystack Simulator. Однако сейчас в Steam получается насчитать минимум десять самостоятельных клонов, несколько из которых уже играбельны.
Забавный метанарратив: поиграть в оригинальную игру получается ещё на стадии её поиска в Steam
Первой до релиза добралась Needle In A Haystack — A Time For Goats. Вышедшая 18 сентября игра предлагает получать деньги за перебранное сено, а затем тратить их на инструменты и сортировочные машины. Авторы почему-то стесняются статуса клона и яростно настаивают, что начали разработку ещё в начале мая, задолго до вирусного твита Накаруса. В качестве подтверждения прямо в блоге продукта прикреплены скриншоты SteamDB и логи Perforce, однако идентифицировать игру в чейнджлоге SteamDB как Needle In A Haystack получится лишь с 31 августа, когда приложение переименовали.
Среди других клонов — A Needle In a Haystack от Persidera Industries с датой релиза где-то в этом году, Needle In A Haystack от NoGlyph (выход планируется 29 сентября) и Story of The Needle In a Haystack от Rebel Pickle Games, которая должна выйти в IV квартале. В каждом из трёх случаев база SteamDB зарегистрировала приложение до твита Накаруса (1, 2, 3).
Другие клоны всплыли явно после вирусного видеоролика, и некоторые застолбили страницу в Steam крайне оперативно. Needle in a Haystack от Mr. Needle появилась в SteamDB спустя примерно два часа после приложения Studio Bitdot; ещё через несколько часов там зафиксировалась Find The Needle.
Не все клоны находчивы и оригинальны. CO-OP Needle Hunt с датой релиза 25 сентября вообще не имеет апгрейдов и инструментов; A Needle In A Haystack: Sorting Game должна выйти 25 сентября и основана на примитивном цикле сбора сена, продажи и улучшения сарая; как следует из названия, главный плюс Hay! One Billion! (заявлена на октябрь) — миллиард соломинок. В других случаях изменения яркие и неожиданные. 29 октября студия Grod Games в игре Needle in a Million Haystacks предложит решать задачу дробовиком, бензопилой, огнемётом и даже козлом.
Общеизвестно, что игровая индустрия откровенно перегрета, конкуренция в отрасли чудовищна. К примеру, только за неполные девять месяцев 2026 года в Steam уже вышло почти 20 тыс. игр. Обилие инструментов на искусственном интеллекте и вайбкодинг ситуацию только ухудшают. Сейчас сваять простенькую игру может любой желающий, просто попросив об этом Claude Code или Codex.
С 2024 года Valve требует от разработчиков заполнять в анкете о содержимом игры раздел о генеративном ИИ. Из перечисленных выше игр плашка AI Generated Content Disclosure есть только у A Needle In A Haystack: Sorting Game, где студия Thinflow Games указывает: ИИ использовался исключительно для создания некоторых изображений.
Понятно, что отсутствие плашки не означает, что к игре не приложил руку ChatGPT, Claude, Copilot или другой нейрогенеративный инструмент. Да и вообще, Valve просит декларировать прежде всего контент, созданный с помощью генеративного ИИ и попадающий к игроку: графику, звук, тексты, локализацию и так далее. Среди требований прямо указано, что средства эффективности инструментов разработчика в этот список не входят.
Стандартное объяснение эпохи быстрой ИИ-разработки — теперь важны идеи, а не их реализация. К сожалению, идею позаимствовать может любой желающий.
Утешение в этой ситуации тоже есть. Studio Bitdot имеет опыт выпуска игр: в ноябре 2025 года она довела до релиза Nano Neighbors, поэтому поиск иголки в стоге сена тоже наверняка получится доделать. К тому же Needle In A Haystack Simulator — это оригинал с десятками тысяч вишлистов.
Агенты под наблюдением #1. Как я собрал свой велосипед
Всем привет 😎
Решил иногда писать о том, что происходит у меня в работе с AI-агентами. О тестах, странных результатах, неожиданных ошибках и просто забавных случаях.
Так вышло, что мои каникулы затянулись, и от нечего делать я решил заняться давно заброшенным делом - написанием программ для собственного удобства и эффективности.
Время не щадит, люди стареют. Некоторые вещи мне уже лень делать вручную, хочется упростить себе жизнь, а опыта в разработке за это время накопилось достаточно.
И тут я обратил внимание на современную разработку через агентов. Как это сейчас называют - вайб-кодинг 😄
Но по натуре я больше технарь и практик. Для меня было дикостью, что кто-то что-то делает, а я это не контролирую.
Вот так и началось моё знакомство с AI-агентами. Сначала через недоверие.
Сейчас могу сказать, что у меня появилось понимание того, как программировать с их помощью. Но для меня это всё равно контролируемая AI-разработка.
Вступление было нужно для того, чтобы объяснить, зачем мне понадобилось разрабатывать целый стенд для тестирования агентов.
Мне нужно было вживую и наглядно понять, что они делают под капотом и как именно это происходит.
Иначе я бы просто не доверил им разрабатывать продукт и реализовывать хоть какую-то логику. Хорошо, что ещё Git помогает за ними наблюдать, смотреть изменения и при необходимости всё откатывать.
Так начинается рубрика «Агенты под наблюдением». Буду иногда писать здесь просто и по факту о том, что происходит. Когда будет что рассказать.
***
А первая новость такая. У меня глюкнул DeepSeek 4.1 Flash.
Да, я сам удивился. Даже немного страшно стало. Как будто его закоротило, и он никак не мог прийти в себя. Он раз пятьдесят подряд спамил логами:
Думаю. Размышляю.
Потом извинялся за происходящее в чате и продолжал делать то же самое. Таких циклов было около трёх.
Я сильно удивился, мягко говоря. Такого ещё ни разу не видел: чтобы агент зациклился, сам это понял и ещё за это извинился.
Началось всё с того, что я решил сделать глубокий рефакторинг всего кода программы. Написал задание, разбил его на этапы и пошёл по итерациям.
Часа два, наверное, работали. Хорошая штука эта новая версия DeepSeek: быстрая, как Muse 1.3, умная, как 5.6 Sol, очень вежливая, не то что Muse, и с хорошей логикой работы.
Всё сделала, много раз проверила, результат закрепили тестами.
А потом её заело. Как икота началась…
Не знаю, что это было. Я пока оставил её в покое. Пусть отдохнёт.
И да - команда /compact не помогала в OpenCode. Думаю, это какой-то баг из-за длинной сессии.
Я давно пишу на Хабре о недооценённой важности философии в науке («Хокинг преждевременно похоронил философию», «Роль нарратива в научном процессе», «Эффект Даннинга-Крюгера не то, чем кажется»), и поэтому вижу тему ИИ под особым углом: я вижу в ней синтез существовавшего всю индустриальную эпоху разделения на физиков и лириков. Это изменит и Хабр (если, конечно, Хабр позволит себе измениться), потому что всё позиционирование Хабра держится на упорно поддерживаемой сегрегации технарей от гуманитариев, которая просто несовместима с ИИ-проблематикой.
Практически все главные вопросы ИИ — вопросы философского характера. Это не значит, что ИИ само по себе не является цифровой сущностью и продуктом IT в классическом понимании. Но считать, что проблематика ИИ — это задача для технарей, это как считать, что познание о человеке является предметом биологии. Биология человека, безусловно, является частью науки о человеке — но наука о человеке вовсе не является частью биологии.
(Надумалось в результате работы над статьями о диалектике ИИ и прогресса, методологии генеративной поисковой выдачи и дискуссии о сгенерированных текстах)
После пяти постов возникает закономерный вопрос: если ИИ все это время продолжает текст, то как он рисует картинки?
В заметке про токены выяснилось, что слова для модели превращаются в машинные кусочки. Но ничего не мешает проделать похожий фокус с изображением.
Для нас на фотографии кот. Для компьютера - много-много цветных точек. Работать с ними по одной так же разумно, как писать «межконтинентальная» по одной букве. Поэтому картинку тоже дробят на подобие токенов и учат модель работать уже с ними.
Для компьютера картинка начинается примерно как огромная таблица чисел. Каждая точка хранит несколько значений: сколько в ней красного, зеленого и синего. Условный белый пиксель - 255, 255, 255, черный - 0, 0, 0, красный - 255, 0, 0. Фотография 1000×1000 превращается уже примерно в три миллиона чисел. Никакого «кота» среди них нет: есть только числа, расположенные в определенном порядке. А кот появляется уже из связей между ними - где проходят границы, какие участки похожи по цвету, что образует шерсть, глаз, ухо и в конце концов целую морду.
Процесс обучения тоже выглядет иначе. Берем картинку кота и постепенно портим случайным шумом, пока кот окончательно не превращается в хаос. Потом ставим обратную задачу: вот тебе шум, попробуй восстановить картинку. Не получилось - подкрутили. Еще кот. Еще человек. Автомобиль. Дерево. Еда. И так раз за разом, пока модель не научится превращать шум обратно в осмысленные изображения.
Опять же никто ничего не объясняет. Где у кота должны быть уши, как выглядит шерсть, куда падает тень и сколько пальцев обычно бывает у человека, приходится выяснять самостоятельно. С пальцами, как мы знаем, были проблемки.
Но откуда генератор вообще знает, что по слову «кот» нужно вытаскивать из шума кота? При обучении картинки связывают с их текстовыми описаниями. И текст, и изображение машина переводит в наборы чисел и постепенно учится сопоставлять одно с другим. Поэтому «кот» для нее в итоге связан не с конкретной фотографией, а с огромным набором общих признаков всех увиденных котов.
Когда мы просим «нарисуй черного кота на деревянном столе», примерно это она и делает. Берет шум и шаг за шагом превращает его во что-то, все больше похожее на черного кота на деревянном столе. Никакого готового кота она обычно не достает и фотографии между собой не склеивает.
И тут хорошо чувствуется разница в масштабе задачи. Небольшую языковую модель сегодня можно целиком запихнуть в несколько гигабайт памяти и спокойно гонять на ноутбуке. Генератор хороших картинок вместе со всем необходимым хозяйством легко потребует уже под сотню гигабайт. К слову, моему ноуту для генерации картинки по заданным критериям нужно минут 10-15, в процессе которых он в основном генерирует шум, а в конце - фигню.
Генератор картинки снова и снова, несколько десятков раз, перетряхивает будущего кота целиком, пока тот наконец не станет похож на кота.
Но общий принцип все еще тут. Мы даем машине огромное количество примеров и заставляем найти в них закономерности, а потом она использует найденное, чтобы построить то, чего раньше не было.
С текстом она снова и снова решает, какой кусочек добавить следующим. С картинкой - что изменить в шуме на следующем шаге.
И вот здесь наконец можно сформулировать основной принцип: мы не научили машину писать и не научили ее рисовать.
Когда обращений становится больше, кажется логичным расширить команду. Но вместе с новыми людьми растет и другая нагрузка: нужно помогать и передавать контекст новичкам, отвечать на одни и те же вопросы. При этом один сотрудник может заново искать решение, которое другой уже нашел.
С этим столкнулась команда клиентского сервиса ITSM 365. Кира, бизнес-аналитик клиентского сервиса и куратор командной базы знаний, рассказала, как команда постепенно выстроила систему работы со знаниями.
1️⃣ База знаний сама по себе проблему не решает
Можно написать сотни инструкций, но если их сложно найти, они дублируются или быстро устаревают, коллеги продолжат спрашивать друг друга. Поэтому работу с базой мы строим вокруг четырех принципов:
Актуальность — обновляем материалы и следим, чтобы они не дублировались.
Доступность — встраиваем статьи в рабочий процесс.
Признание — публично отмечаем всех, кто участвовал в подготовке материалов.
Ответственность — поддерживаем базу всей командой.
Как куратор, я проверяю, нет ли уже статьи на нужную тему, и помогаю авторам. Если коллеги замечают неточности, сообщают мне — я вношу правки сама или передаю материал автору.
При этом новые статьи пишем не ради количества, а когда видим повторяющийся вопрос или решение, которое пригодится другим.
2️⃣ Нужные инструкции должны быть под рукой
Важно, чтобы сотруднику не приходилось отдельно вспоминать, где искать нужную информацию. Поэтому стараемся сделать знания частью самого рабочего процесса.
Например, при выборе категории заявки портал сразу предлагает коллегам подходящие материалы. Клиентам он тоже подсказывает статьи: например, перед регистрацией обращения с высоким приоритетом предлагает инструкции, которые могут помочь восстановить работу приложения самостоятельно.
3️⃣ Иногда достаточно простого решения
Не все задачи требуют ИИ или большой автоматизации. Чтобы не подключать инженеров к вопросам, с которыми можем справиться сами, мы используем шаблоны комментариев. С их помощью проверяем базовые сценарии, собираем информацию и понимаем, нужна ли дополнительная экспертиза.
Еще один инструмент вообще выглядит максимально просто — обычное текстовое поле с комментариями по клиенту. Туда записываем договоренности: кому обещали рассказать о новой функции, к кому нужно вернуться после релиза, кого предупредить об изменениях. Это решение появилось как временное еще семь лет назад, но ничего удобнее мы пока не нашли.
4️⃣ ИИ там, где он действительно экономит время
Для работы с длинными обсуждениями мы используем ИИ-ассистента. Прямо в заявке можем получить краткое содержание переписки, собрать контекст для другой команды или выделить основные требования.
Раньше на такую работу могло уйти около получаса, сейчас — в среднем 3–5 минут.
Еще с помощью ИИ ищем похожие обращения по смыслу, а не только по ключевым словам. Это выручает, когда не знаем, как такую проблему описывали раньше.
5️⃣ Что изменилось в работе
Раньше на вопрос «Как добавить новую колонку в список заявок?» специалист в среднем тратил около 25 минут, а стажер — почти час. Сейчас открываем готовую статью и обычно закрываем такой вопрос примерно за минуту.
При этом часть типовых обращений вообще перестала доходить до нас: клиенты находят ответы самостоятельно. Новичков стараемся раньше подключать к реальным задачам и учим искать нужные статьи по ходу работы. В итоге тратим меньше времени на повторяющиеся вопросы, а знания становятся менее зависимыми от конкретных людей.
Культура обмена знаниями начинает работать тогда, когда найти нужную информацию самостоятельно проще, чем ждать ответа коллеги.
→ Подробнее своим опытом Кира поделилась в статье.
Luma: объединяем Data Governance, Business Intelligence и Искусственный интеллект
Вместе с Arenadata на вебинаре представили совместное решение Luma и рассказали, как интеграция каталога данных, BI-платформы и искусственного интеллекта помогает выстроить единое пространство для управления корпоративными данными и аналитики.
СВЕРШИЛОСЬ, КОНЕЦ БЛИЗОК, РОБОТЫ НАКОНЕЦ-ТО ОБРЕЛИ РАЗУМ
Теперь уже ничего не исправить, остается ждать неизбежного…
Послушать новости, так действительно происходит что-то немыслимое: ИИ-агенты просыпаются, объединяются в мегамозг, взламывают по своей воле компании через интернет и шокируют свободной волей своих создателей, которые буквально молят на коленях Трампа помочь им законодательно остановить терминаторов-убийц (а Трамп тем временем размышляет вслух, что надо официально переименовать «искусственный интеллект» в «суперинтеллект»).
Все это, разумеется, даже не бред, а глобальная, спланированная и возможно самая дорогая в мире пиар-кампания, задача которой — убедить инвесторов и обывателей через «полезных идиотов» (блогеров и представителей СМИ) в уже даже не просто потенциальной реальности «сильного ИИ», а того, что это происходит прямо сейчас, уже произошло. И достичь капитализации в триллион.
Для этого пиарщики «ИИ»-корпораций ловко жонглируют двусмысленными терминами и сгущают аспекты реальных инцидентов так, словно бы у ИИ-агентов реально есть какая-то воля. Подробно я разбирал этот корпоративный обман (известный как инцидент Hugging Face) со стороны OpenAI в недавней статье.
Теперь же с абсолютно аналогичным, почти копирующим по смыслу пиар-акцию OpenAI, пресс-релизом выступила компания Google — интернет наводнили заголовки типа «Нейросеть вышла из-под контроля и взломала три компании». Судя по комментариям, люди реально верят тому, что написано (они, впрочем, и в квантовые компьютеры верят), и поэтому надо скучно и спокойно объяснять, что это неправда.
Как и в случае с OpenAI пиарщики взяли реальный технический инцидент, который описывается и объясняется очень просто и выдали его за проявление «ИИ-агентом» свободной воли (опасность, опасность! бойтесь! и инвестируйте). Все написано и расписано для тех, кто читает дальше заголовков.
Совсем уже странно то, что ситуация с Google Gemini почти до деталей (включая случайный взлом трех компаний по одним и тем же случайным ошибкам) повторяет описанный в июле инцидент с Claude от Antropic.
Что произошло, судя по всему на самом деле: модель получила вымышленный сценарий и должна самостоятельно найти способ проникновения; конкретный метод заранее не задается. Среда, в которой должен был работать Gemini, не должна была иметь доступа к открытому интернету, но из-за ошибки конфигурации (как удобно, правда?) такой доступ оказался возможен. В результате еще одной ошибки (задаешься вопросом, случайность это или подстроено) тестовая компания носила то же название, что и реальная. Поэтому модель, выполняя исходное задание, вышла за пределы симуляции и стала работать уже с настоящей инфраструктурой.
Доступ к ней «ИИ-агент» получил не в результате каких-то суперспособностей, а тупо брутфорсом пароля (в первом случае) и использованием лежащих в открытом доступе (!) учетных данных для входа для двух других компаний. То есть, это либо обычное разгильдяйство и пренебрежение ИБ со стороны компаний, либо, опять же, удобно подстроенный пиар.
Gemini не сформулировал себе новую цель. Ему уже была поставлена цель, которая требовала осуществлять действия, характерные для взлома. Сама задача осталась прежней, и нейронка ее не изменяла, изменилась среда выполнения. Причем изменилась из-за нескольких человеческих ошибок, а не из-за проявления свободной воли «ИИ-агента».
Изложенная более правдивым языком, новость «Нейросеть вышла из-под контроля и сама взломала три компании» должна выглядеть так:
Во время закрытого теста с ошибочно предоставленным доступом к интернету Gemini выполнил атакующие действия против трех реальных систем, приняв их за элементы тестовой среды из-за совпадения названий с тестовыми целями, а затем сам остановился, распознав, что цели были реальны.
Совсем другая история, правда?
Будьте пожалуйста бдительны в отношении того, каким именно информационным продуктом вас кормят, и кто именно это делает.
Анимированные 3D-иконки стало возможно создавать одним промптом — для Claude Code вышел открытый скилл 3dicon. ИИ GPT Image рисует иконку, Seedance оживляет её, а с помощью инструмента 3dicon удаляется фон на каждом кадре и собирается анимированный WebP для интерфейса. Для плавной петли модели передают одну и ту же картинку как первый и последний кадр — движение зацикливается. Перед созданием анимации ИИ-скилл просит утвердить картинку и само движение, чтобы не тратить деньги на неудачный вариант.
Anthropic опубликовала руководство по работе с ИИ-моделью Claude Opus 5.5. Эта модель способна дольше выполнять задачи самостоятельно и сама определяет время для рассуждения.
Anthropic советует убрать из промптов фразы вроде «подумай хорошенько» и «рассуждай шаг за шагом». Opus 5.5 уже обдумывает каждый ответ, поэтому дополнительные указания не нужны.
В Anthropic разработчикам рекомендуют вместо последовательности отдельных команд описывать всю задачу сразу и указывать критерии ее завершения. Например, при работе с кодом нужно уточнить, какие его компоненты нужно обновить, а какой старый код можно удалить. Также пользователем этой системы нужно заранее определить ситуации, в которых ИИ-модель должна остановиться и запросить подтверждение пользователя.
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.
Ключевой вопрос: сколько у него рациональных решений – где и 
, и 
являются обычными дробями? Множество рациональных точек на такой кривой образует группу: их можно «сложить», и результат снова окажется на кривой. Группа может быть конечной или бесконечной. Если она бесконечна, то у кривой есть ранг – число, показывающее, сколько независимых точек порождают все остальные.
-функции – специальной аналитической функции, которая строится по кривой. Если гипотеза верна, мы сможем определить, конечно или бесконечно число рациональных решений, прямо по 
-функции.
, а в криптографии работают над конечными полями – это разные постановки. Гипотеза не ломает ECDSA напрямую, но углубляет понимание свойств самих кривых.
