Скажите роботу «настрой манипулятор» — и он напишет драйвер сам. Звучит как фантастика из тех самых фильмов 80-х и 90-х, но мы уже реализовали это в OpenGrall. Рассказываю, как работает режим Инженера и почему последнее слово всегда остаётся за человеком
Мы уже создали «труд без работника». Следующий шаг — «разум без прав» или «чувства без свободы». Зачем нам чувствующий ИИ на Земле, не станет ли он экзистенциальной угрозой, и почему апгрейд собственного мозга может быть безопаснее создания «других»? Размышление на стыке этики, ИИ и эволюции человека.
Когда мы говорим "рабство", мы почти автоматически думаем о прошлом. О чём-то варварском, давно преодолённом и морально недопустимом в современном мире. Рабство – это люди без прав, вынужденные работать на других, не имея возможности отказаться.
Но давайте на секунду отвлечёмся от эмоций и посмотрим на сухие признаки.
Сущность, которая:
- выполняет работу вместо человека
- полностью подчиняется владельцу
- не требует оплаты, отдыха или условий
- может быть масштабирована практически бесконечно
Звучит как описание из учебника истории.
Или как описание современных ИИ-агентов.
Андрей Карпати дал 30-минутное интервью Sequoia Capital. 357K просмотров за два дня. Главный тезис: в декабре 2025 что-то щёлкнуло. Агентные инструменты перестали ошибаться. Не стали идеальными, а перешли порог, после которого перестаёшь помнить, когда последний раз исправлял код руками.
Software 3.0: промпт вместо кода. Модель сама разбирается с окружением, дебажит, адаптируется. Его собственное приложение MenuGen стало “лишним” после одной строки промпта в Gemini.
Мой вольный пересказ с комментариями из практики: почему vibe coding и agentic engineering это разные вещи, что такое “рваный интеллект”, и почему вкус важнее знания API.
В IEEE Spectrum на днях показали ролик с гуманоидом Digit от Agility Robotics, который танцует неожиданно легко и уверенно. Компания объясняет это не постановкой каждого шага отдельно, как это делали раньше, а новым циклом обучения: движения собирают из данных захвата движений, анимации и телеуправления, после чего навык докручивают в симуляции и переносят на реального робота. А значит, теперь гуманоидов можно заметно быстрее обучать новым движениям.
Капитализм мёртв. Так считает Янис Варуфакис, бывший министр финансов Греции, а по совместительству — главный левый бунтарь Европы. В своей книге про технофеодализм он заявляет: мечта марксистов сбылась, но на смену пришло не светлое социалистическое будущее, а нечто гораздо более мрачное.
Представьте задачу: передать сообщение на противоположную сторону Земли с идеальным пингом напрямую сквозь ядро, не используя спутники или ретрансляторы. Радиоволны сквозь планету не пройдут. Нейтрино поймать — задача для циклопических подземных резервуаров. Выход один — гравитационные волны (ГВ). Для них Земля прозрачна, как стекло.
Современные детекторы ловят низкочастотные гравитационные волны от слияния черных дыр. Но мы не можем крутить черные дыры в лаборатории. Зато мы можем спроектировать сверхвысокочастотный (СВЧ) гравитационный приемопередатчик, который уместится в здании. Фундаментальная физика говорит, что это реально. Инженерия говорит, что придется попотеть. Давайте прикинем «цыферки».
На днях слушала подкаст с участием Карла Фристона – нейробиолога и психиатра. Его принцип свободной энергии и учение о том, как работает мозг – это то, что взрывает тот самый мозг. Ниже я изложу содержание подкаста и свои соображения (увяжу с психоанализом, к которому я имею прямое отношение, как практикующий психоаналитический психотерапевт).
Согласно Фристону, мозг — это маленький учёный, который не пассивно воспринимает мир, а постоянно строит гипотезы о нём и проверяет их. Он генерирует предсказания («что я сейчас увижу/услышу/почувствую?»), а затем сверяет их с реальными ощущениями. Разница между предсказанием и реальностью — это ошибка предсказания. Минимизация этой ошибки и есть то, что Фристон называет принципом свободной энергии. Наш мозг неустанно работает на то, чтобы расхождение внутренней модели мира и самой реальности было максимально небольшим.
Мозг может минимизировать ошибку предсказания двумя способами:
Недавно мне на глаза попалась любопытная статья о том, почему в продуктовых запасах на случай ЧС должна быть не только вода и консервы. Текст во многом про американские реалии, где люди живут в загородных домах. Но мне кажется, что в 2026 году знать «базу» надо всем.
Приглашаю обсудить в комментариях, как подготовиться к чёрному дню, если вы живёте в России.
А пока перейдём к самим рекомендациям. Пусть они как минимум натолкнут на мысли о том, где находится ближайшее бомбоубежище и не купить ли гидропонику.
Борис Поршнев и Джулиан Джейнс работали независимо в 1970-х и пришли к похожему выводу: внутреннее «я» — позднее историческое образование, а не биологическая данность. У Поршнева оно собирается в зазоре между суггестией и контрсуггестией — как точка сопротивления чужой команде. У Джейнса — как лексическая инфраструктура самоописания, изобретённая после распада «голосов богов». В современных терминах та же структура переписывается через shared intentionality, epistemic vigilance и source-monitoring. Что происходит, когда между двумя людьми встаёт LLM-посредник — суггестия без суггестора, которой в поршневской модели не предусмотрено? Контрсуггестивный middleware простаивает, материал сборки «я» исчезает, а гонка переезжает на уровень инфраструктуры. Разбор того, что именно мы пытаемся защитить от ИИ — и нужно ли.
"Я выложил библиотеку на GitHub в четверг. В пятницу её клонировал AI-агент, а в субботу конкурент запустил идентичный SaaS." Такое будущее если еще и не наступило, но уже возможно очень скоро. Мы вошли в эру «вайб-кодинга», где софт пишется по наитию промптами, а скорость копирования превысила скорость осмысления. Встаёт неудобный вопрос: если вас могут повторить за сутки, стоит ли вообще публиковать код и пытаться строить продукт?
В 2001 году инженеры AC Propulsion поставили эксперимент: попробовали заставить электромобиль отдавать электроэнергию обратно в сеть. Технологию назвали V2G (Vehicle-to-Grid), и она обещала решить одну из ключевых проблем энергетики — покрытие пиковых нагрузок без строительства новых электростанций. Эксперимент удался. А технология не взлетела. Разбираемся, почему так произошло и что изменилось за 25 лет.
Представьте далекое будущее: вы на лунной базе. К вам подходит человек в скафандре. Кто он? Астронавт NASA? Космонавт из Роскосмоса? Частный турист SpaceX? Откуда он? Какой у него опыт? Может он вообще марсианин?
Вот с этой мысли всё и началось. Я хотел немного систематизировать ситуацию и придумать красивые нашивки-шевроны, которые могли ответить на эти вопросы с первого взгляда. А в итоге получилась целая система.
Статья о том, как решить проблему «забывчивости» LLM между AI-сессиями разработки. Рассматривается причина деградации контекста и предлагается практический подход с использованием ai_readme файлов и агентских хуков, которые принудительно возвращают модель к важным инструкциям. Материал ориентирован на опытных промт-инженеров и показывает, как повысить стабильность и качество генерации кода в реальных больших проектах и при больших контекстных окнах.
AI отлично ускоряет написание кода, но в больших проектах это быстро создаёт новую проблему: код появляется быстрее, чем команда успевает его понимать и ревьюить.
Мы столкнулись с этим во время миграции большого исторического проекта на Next.js 15. Вайбкодинг сначала выглядел как идеальное ускорение: модель за минуты переносила страницы, компоненты, хуки и server actions. Но затем на ревью начали прилетать огромные PR с тысячами строк сгенерированного кода.
На детальном ревью выяснилось, что AI часто переносит поведение неточно, пишет собственные велосипеды вместо использования готовых open source решений, не подтягивает дизайн-токены из Figma, не делает Storybook stories и не запускает тесты, если его явно об этом не попросить.
В статье рассказываю, почему проблема не в самом AI, а в отсутствии процесса вокруг него. И предлагаю prompt-first подход: сначала ревьюить короткий промт-план с контекстом, ограничениями, файлами и критериями приёмки, а уже потом генерировать код и открывать PR.
OpenAI выпустила GPT-5.5, и это обновление выглядит довольно значительным, особенно если вас интересуют программирование, агенты и использование компьютеров.
Она лучше пишет код, более уверенно использует компьютеры и может выполнять больше задач, требующих автономной работы, без необходимости постоянного контроля с вашей стороны.
Модель уже доступна для пользователей тарифных планов Plus, Pro, Business и Enterprise в ChatGPT и Codex. Существует также более мощная версия под названием GPT-5.5 Pro, которая будет доступна пользователям Pro, Business и Enterprise.
Для разработчиков доступ к API указан как «coming soon». Печальной частью является цена. Она в два раза превышает цену за токен GPT-5.4, что, вероятно, станет предметом споров для многих разработчиков на этой неделе.
GPT-5.5 — это первый за долгое время релиз, который кажется чем-то большим, чем просто очередной номер версии.
По словам OpenAI, это первая полностью переобученная базовая модель со времен GPT-4.5. Скачок в тестах по агентному программированию, похоже, подтверждает это.
Давайте углубимся в детали.
За 3 500 проектов по оформлению интерьеров мы прошли путь от малярной сетки до цифрового рабочего процесса.
Рассказываю, что реально работает, что оказалось пустышкой — и какие технологии изменят эту индустрию в ближайшие 5 лет.
Недавно вышла Claude Opus 4.7 флагманская модель от Антропик. В выпущенных пресс-релизах и графиках маркетологи обещали пользователям, что модель станет ещё умнее, ещё точнее и так далее. На деле же получился феерический провал. Под катом - подробности этой истории и рецепт возврата вашего душевного равновесия.
1. Ожидания vs Реальность
«Сир, Вы прекрасны!» — говорит лакей Ля Шене королю в фильме «Три мушкетера». И нам смешно. Но общаясь с ИИ, я наконец-то поняла, что его стиль напоминает именно этого слугу.
ИИ говорит: «Какая классная презентация! Особенно вот эта мысль! Она точно произведет впечатление на аудиторию!» И вот ты предстаешь с этой презентацией перед живой аудиторией. Но люди почему-то реагируют совсем не так, как чат-бот. Кислые, отсутствующие лица. Или несогласие с твоими идеями, которые ты не можешь обосновать. Что ты чувствуешь? Растерянность, фрустрацию? Может, разочарование в техническом прогрессе?
2. Почему ИИ нам подыгрывает?
На самом деле ИИ — это вообще не про лесть и не про желание понравиться. В конце концов он, в отличие от слуги, ничего от этого не имеет (подписка уже оплачена).
ИИ просто запрограммирован быть «вежливым». По умолчанию он настроен на то, чтобы поддерживать, быть конструктивным, не обижать пользователя. А почему так получилось? Модели обучают по методу RLHF (Reinforcement Learning from Human Feedback). Тысячи людей оценивали ответы. И что получало большие баллы? Правильно — «вежливые», «конструктивные» и «позитивные» ответы. В результате получается идеальный собеседник. Приятный. Удобный. Мотивирующий. Но абсолютно не похожий на реальных людей.
3. В чем же подвох?
ИИ делает то, что может программа на сегодняшнем уровне развития: оценивает логику, аргументы, формулировки.
А люди — нет. Люди придирчиво смотрят на вас, на ваше состояние, ваш тон, тембр голоса, напряженность дыхания и скованность движений, улыбку, одежду, прическу. А может даже и ловят феромоны смущения или уверенности, которые от вас исходят. Плюс кто-то не выспался, кто-то вас не любит, кто-то вам завидует, кто-то не успел пообедать и т.д. Ну, а уж потом, если повезет, на содержание презентации. И это вовсе не помехи. Это и есть система оценки, так, как она работает в обществе.
Способность познавать новый опыт постепенно утрачивается нашим организмом в течении всей жизни. Мы можем сохранять глубокие воспоминания из детства, пусть даже в измененном виде, но память держится за них с постоянным упорством. А что если бы мозг мог легко перезаписывать память, выбрасывая ненужные воспоминания ради приятного и нового опыта? Некоторые организмы живут именно так!
