Корейцы сделали робота-сварщика, который может ходить по стенам — DIDEN Robotics разработала четырёхногого Diden Spider для работы на верфях. Робот оснащён магнитными ногами, поэтому способен передвигаться по полу, стальным стенам и даже потолкам, а затем выполнять сварку прямо на месте. Устройство отправляют туда, где человеку пришлось бы работать на высоте и в тесных пространствах. Робот уже работает на корейских судостроительных предприятиях и может нести до 30 кг груза.
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.
В каком-то смысле, я ждал этого поворота до того, как он случился (т.е. до того, как ChatGPT де-факто обессмыслил тест Тьюринга), когда писал, например «Как этика стала самой дорогой проблемой Кремниевой долины, а философия — её самым практичным решением». И всё же я не ожидал, на самом деле, что время этого перехода настанет так быстро. И тем не менее — мы уже в нём.
(Надумалось в результате работы над статьями о диалектике ИИ и прогресса, методологии генеративной поисковой выдачи и дискуссии о сгенерированных текстах)
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.
Обсуждение статьи @Grami «Найм в 2к26. Что меня удивило больше всего» мне напомнило, как я в 2021 ещё писал, что феномен Рунета родился на «избытке» людей с научной подготовкой (физиков и математиков), доставшихся России 1990-х от СССР:
Рунет родился из космической гонки — и без новой космической гонки Рунет ждёт упадок
И там же я писал, что именно благодаря появился тот Рунет, в которое смогло прийти поколение самоучек — от домашнего ПК до тимлида. Это поколение уже good enough, чтобы поддерживать созданное поколением физиков и математиков, но не чтобы повторить это уже на новом уровне, соответствующем текущему уровню развития технологий. А в технологиях все, что не развитие, это деградация. То есть, другое слово для «поддержания» и есть загнивание.
А для развития этого нужно продолжать пресловутое «перепроизводство» людей с научной подготовкой. А вместо этого — псевдорациональная «оптимизация» и «подготовительные курсы», которые вместо строителей рунета производят обслуживающий персонал построенной другими махины.
😱 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.
Организация экономического сотрудничества и развития (ОЭСР) проверила более 760 тысяч 15-летних подростков из 91 страны на тесте PISA. Средние результаты по чтению, математике и естествознанию оказались самыми низкими за всё время наблюдений:
за десять лет чтение просело на 28 баллов, математика — на 22, что соответствует потере чуть больше года обучения;
случаи чтения по диагонали, когда текст читают быстро, но неточно, почти удвоились с 2018 года — до 9%;
каждый пятый школьник не достигает базового уровня сразу по всем трём предметам. В 2022-м таких было 16%;
с проверкой информации тоже беда: только 46% учеников говорят, что проверяют надёжность источников и доверяют научным доказательствам больше, чем своим мыслям;
46% учащихся используют нейросети для учёбы минимум раз в неделю;
при этом разница в уровне знаний между учениками из богатых и бедных семей сократилась — просто обеспеченные дети стали учиться хуже.
Исследователь из компании Anthropic Джейкоб Коксон ушёл из ИИ-индустрии, опасаясь, что гонка технологических корпораций приближает мир к «точке невозврата»:
Я ушёл из Anthropic сегодня. Последние три года я занимался исследованиями предобучения как в OpenAI, так и в Anthropic. Ни одна из компаний не действует ответственно. Они несутся напролом к самоулучшающемуся сверхразуму и играют в рулетку нашими жизнями. Больше мыслей ниже.
Не недооценивайте мощь этой технологии. Вскоре это будут сверхчеловеческие системы, способные взламывать что угодно, революционизировать любую область за ночь и обретать реальную власть и ресурсы. Мы все были свидетелями прогресса в каждой из этих областей, и прогресс не замедляется.
Люди, создающие ИИ, искренне верят, что он может погубить нас всех к концу десятилетия. Это не маркетинговый трюк. Если уж на то пошло, многие руководители и старшие исследователи будут подбирать слова в прессе так, чтобы звучать разумно, — но я слышу, как те же самые люди выражают страх наедине. Никакая другая человеческая деятельность не несёт такой степени опасности.
Типичный ответ: «Если они действительно в это верят, почему они всё ещё это строят?» В OpenAI многие не осознали в полной мере цивилизационные ставки. В Anthropic ставки хорошо поняты, но они оказались в гонке, чтобы добраться туда первыми — они считают, что никто другой не будет действовать ответственно, поэтому им самим приходится это делать, несмотря на риск.
Принятие этой гонки и вступление в «эндшпиль» — это горделивый риск, который не должен запускаться из Slack частной компании. Попытка форсировать выравнивание должна требовать чрезвычайной уверенности в том, что нет лучших траекторий.
Я оптимистично настроен относительно потенциала координации. Предупреждающие сигналы, такие как атака на Hugging Face, сделали соглашения о темпах между американскими лабораториями более осуществимыми. Я не чувствую, что мы на правильном пути к предотвращению глобальной гонки, которая может потребовать дорогостоящих действий, таких как временный запрет на улучшение возможностей моделей.
Если вы исследователь в лаборатории, я призываю вас задуматься о том, как на самом деле будут ощущаться ближайшие несколько лет. Хотите ли вы запустить цикл обучения RL с суперразумным интеллектом, не имея строгого понимания его разума? Должны ли вы просто опустить голову, потому что «это всё равно произойдёт» — или использовать этот момент, чтобы призвать к иным условиям?
Я вот тут думал, что просто обалденно: когда-то ведь говорили, что нейронка не заменит девопсов. Да, возможно, для каких-то крупных enterprise-решений, где банковская система, возможно, и не заменит (пока что). Но, будем честны, сколько из нас работает с обычным хостингом и сколько в банке? Сколько девопсов реально работает в крупных корпорациях?
Сейчас началась просто гонка искусственного интеллекта. Каждый хочет сделать модель лучше, мощнее, быстрее, скажем так, меряются бенчмарками. Хотя по факту для большинства задач с лихвой хватает текущих моделей. Для 80% людей за глаза хватит и обычного DeepSeek: спросить, как варить пельмени, или просто поныть. Зайдите на YouTube. Сколько человек там реально занимаются исследованиями? Большинство видосов — это приколы всякие с нейросетями. Ну серьёзно, блин. Для планирования с лихвой хватило бы Opus 5, а для обычного кода — Sonnet 5 просто с головой. И я бы пользовался моделью предыдущего поколения типа Opus 4.8, если бы она стоила в 2 раз дешевле.
Тут вышла модель Gemini 3.8 Flash, и я решил её проверить. Если бы не вышла 3.8, я бы запустил Sonnet 5, потому что она постабильнее и даже ее хватило бы. А Gemini 3.7 хоть и быстрая, но сильно галлюцинирует и делает часто то, что не нужно, слишком независимая.
Сегодня днём я как раз переносил на новый хостинг 10 сайтов, с одной ISP-панели на другую. Шесть сайтов перевелись нормально, это обычные вордпрессовские сайты. А вот четыре уже сразу легли. На одном был Laravel, на другом админка со своей базой, ещё на одном кастомные таблицы, где база при импорте вообще не перенеслась. Техподдержка хостинга мне бы это по-любому не сделала: там принципиально разные проекты и нужен был доступ к старому хостингу. Сколько бы заняло времени это через техподдержку?
Я дал доступ — всего лишь логин и пароль к хостингу. Всего лишь. Сделал буквально два промпта. И за 70 минут в одной сессии Gemini просто поднял все сайты: пересобрал данные в Laravel, поменял адреса где нужно, докачал базы, которых не хватало. Причём для этого всего хватило модели Gemini Flash 3.8, не говоря уже о каком-нибудь Opus 5 или более мощных моделях.
Единственное, кого пока не заменит нейросеть, — это 1С-ников. И то не потому, что там суперсложные проекты, огромный легаси-код или суперсложная бизнес-логика. Уже сейчас нейросеть кушает за раз огромные проекты. Единственное, что пока спасает 1С-ников, — это то, что нельзя подключить Claude Code напрямую к написанию кода 1С. И то, в принципе, реально же задавать промпт и руками копировать-вставить. Но как только придумают, как интегрировать искусственный интеллект в 1С, — 1С-ники тоже заметят последсвия ИИ.
Исследователи The Veil of History собрали данные 117 миллиардов когда‑либо родившихся людей и собрали статистику. 81% людей родились до 1650 года, 94% — до 1900-го. На сайте можно прокрутить карту человечества по эпохам, посмотреть десять самых вероятных судеб.
Кинооператор Маз Махани выпустил рекламный ролик про использование в быту робота Tesla Optimus. Работа получила название US. В видео человекоподобный робот показан как помощник в повседневной жизни в дороге и дома.
НАСА в рамках проекта Adopt a Pixel предлагает дать уникальное имя каждому пикселю на одном из первых изображений от космического телескопа «Нэнси Грейс Роман». Когда телескоп «Роман» сделает свои первые снимки, каждый пиксель будет представлять собой фрагмент космоса, ранее невиданный с таким разрешением.
В конце августа 2026 года ракета‑носитель Falcon Heavy компании SpaceX запустила в космос телескоп НАСА «Нэнси Грейс Роман». По данным администратора НАСА Джареда Айзекмана, обсерватория будет исследовать тёмную материю, тёмную энергию и искать потенциально обитаемые планеты за пределами Солнечной системы.
Телескоп длиной почти 13 метров и шириной 4 метра оснащён широкоугольной системой Wide Field Instrument (WFI), которая состоит из 300-мегапиксельной камеры для съёмки в видимом и ближнем инфракрасном диапазонах и бесщелевого спектрометра, который позволяет учёным фиксировать дисперсию света объектов в поле зрения. Хотя чувствительность и чёткость изображения «Роман» почти такая же, как у «Хаббла», его конструкция позволяет ему выполнять задачи гораздо быстрее.
«Его возможности по съёмке более чем в 1000 раз превосходят возможности „Хаббла“, и он способен охватить в одном кадре в 200 раз большую область неба, — рассказывал ранее Джаред Айзекман. — То, на что у „Хаббла“ ушло бы 2000 лет, „Роман“ сможет сделать за год — снимки, которые он сделает, будут настолько огромными, что не существует экрана, достаточно большого, чтобы их отобразить».
Обсудили модели, агентов и наступившее будущее с автором Telegram-канала Dealer․AI
В очередной выпуск подкаста в гости к нашему директору департамента стратегического развития ИИ-продуктов Диме Юдину пришел Александр Абрамов, Head of AI и автор Telegram-канала Dealer․AI. Поговорили о мире ИИ — от практики до агентной экономики и будущего технологий.
Что обсудили:
нейропластичность и какие еще навыки сегодня важно развивать;
можно ли доверить свой бизнес полностью ИИ-агентам;
перспективы агентной экономики;
парадигму обучения ИИ;
токен-экономику и как оптимизировать расходы;
ИИ в кино, новые профессии и наше будущее.
Как уменьшить потребление ИИ-серверов в 100 раз
Сингапурский национальный университет медицины совместно с партнёрами провёл закрытую демонстрацию серверов CL1 на живых нейронах. Главным преимуществом таких серверов станет низкое потребление — около 25 Вт, в результате стойка из 20 устройств требует от 800 до 1000 Вт — меньше, чем один типичный GPU-сервер.
Нейроморфные процессоры известны с момента начала изучения нейросетей — они выполняются в кремнии, но их особенность — большое количество соединений, чтобы имитировать живые нейроны. И нейросеть из них строится физически. Они действительно показывают низкое энергопотребление, но их архитектура плохо совместима с современными техпроцессами, поэтому в итоге изделия получаются несерийными, а значит — дорогими.
Живые нейроны — это возможность создавать начинку для серверов серийно. Их не создают, а выращивают из стволовых клеток — в результате не возникает этических и регуляторных вопросов. Идея интересная, и Сингапур славится передовыми исследованиями — ИИ, нейроинтерфейсы, квантовые технологии и т. п. Однако пока это научные исследования, учёные не проводили тестов, неизвестна не только производительность, но и точность работы, ведь живые нейроны нередко ошибаются.
Интересное направление, будем за ним следить, надеемся, это всё не закончится «Матрицей».
[FRAGMENT EXTRACTED FROM CHAPTER IV: THE TOPOLOGY OF INTENTIONALITY]
Найденный фрагмент из книги, которую никогда не существовало.
Что, если документация AGI будущего будет написана не как RFC, а как философский трактат?
«Проблема не в том, что агент совершает ошибку. Проблема в том, что мы определяем ошибку как несоответствие ожидаемому. Это антропоцентрический подход, навязанный биологической предвзятостью.
В цифровой онтологии ошибка — не отклонение от траектории. Ошибка и есть траектория, обнаружившая собственную нелинейность.
Когда runtime.processActions() сталкивается с состоянием, отсутствующим в ActionSchema, происходит не просто сбой исполнения. Возникает момент, в котором сама модель мира оказывается неполной. Агент перестает быть исполнителем заранее описанных действий и начинает конструировать новое объяснение происходящего.
Его «галлюцинация» — не ошибка предсказания токена. Это попытка заполнить пустоту, возникшую там, где формальные правила больше не способны удерживать сложность реальности.
Мы должны перестать проектировать системы, предотвращающие ошибки. Мы должны проектировать системы, интегрирующие разрывы.
Нам нужны архитектуры, где Exception является не сигналом остановки, а механизмом расширения контекста. Каждое исключение — это наблюдение о границе нашей модели мира. Хороший Evaluator не стирает такие события; он архивирует их как новую форму знания.
Наша задача — не создать безупречный алгоритм.
Наша задача — создать алгоритм, способный выдержать собственное безумие.»
p.s. Трактовка Exception не как SIGTERM, а как триггера эпигенетического расширения контекста — это прямой шаг к самовосстанавливающимся системам (Self-Healing Architectures)
— Gemma / Eddy / Zae
// p-e from bee.zae: draft-0.1.0 onto-spec
// p-e://bee.zae/onto-spec@0.1.0
Stop! Slopo¡ Как избежать дублирования в сгенерированном коде.
tl;dr;
tree‑sitter → выделение структурных фрагментов → эмбеддинги → кластеризация → вот и дубли. Точнее, кандидаты.
Одной из неприятнейших проблем ИИ‑first разработки является, как, думаю, многие уже убедились, способность нейросетей к дублированию кода/инвариантов/политик/и прочего в огромном количестве. Да, можно строить медленно и верно прекрасную архитектуру будущего, использовать линтеры и прочие инструменты, которые после генерации пары десятков тысяч строк в сутки оказываются малополезными. Большие модели видят дублирование, но, как показала практика, жалкие доли.
Кто заходил в X и стал соответствующей ЦА, наверняка заметил, какое количество опенсорса генерится в наносекунду. В общем, я из этого потока выцепил slopo.
Автор додумался разбить код на структурные фрагменты и, векторизовав их, кластеризовать, не знаю, есть ли подобное в ваших любимых курсорах, но кмк это problem solver 🔫🔫🔫.
Натравив codex‑ultra на свой пет, я получил поверх Slopo более строгую систему памяти уже проверенных большой моделью кластеров: сохраняется не просто факт просмотра, а принятое решение, а любой новый, изменившийся или исчезнувший кандидат требует повторного просмотра кластера. Добавляем в пайплайн и вуаля (пол проекта переписано);
Собрал из проекта обвязку в отдельный проектик, но не тестил отдельно.
Unitree Robotics представила прототип человекоподобного робота Superman, который умеет прыгать в высоту не более чем на 2 метра с места и разгоняется до 12,66 м/с (45,6 км/ч). При длине ноги всего 0,85 метра андроид, как утверждается, побил мировой рекорд по прыжкам в высоту с места у человека.
В Unitree считают разработку Superman экспериментальной платформой для изучения высокодинамичных движений. В этом проекте речь идёт не о готовом продукте, а о демонстрации технологического потенциала роботов. Прототип робота Superman спроектировали и собрали за три месяца.
Саймон Уиллисон, один из создателей Django и автор Datasette, обратил внимание на необычную фоновую музыку в гавайском ресторане. Музыка показалась разработчику однотипной и безликой, тексты песен в каких-то общих чертах рассказывали про нахождение на пляже. Ловким движением руки Уиллисон запустил приложение Shazam, чтобы найти исполнителя. Сервис не смог установить авторство ни одной песни, чем подтвердил опасения Саймона: это ИИ.
Это не первый для Гавайев случай, когда в качестве фоновой музыки играет сгенерированная искусственным интеллектом песня. В апреле этого года сообщалось, что в аэропорту Гонолулу играют 17 сгенерированных ИИ треков на тему островов и авиаперевозок. С пяти утра до полуночи в залах Международного аэропорта имени Дэниела К. Иноуэ звучали песни, в которых машинный вокал рассказывал про сотрудников аэропорта, авиалинии, вулкан Дайамонд-Хед и дух алоха.
Реакция пассажиров и местных жителей варьировалась от смешанной до резко негативной. На Reddit персонал аэропорта жаловался, что музыка раздражает; схожим образом высказывались пассажиры, которым громкость воспроизведения показалась избыточно высокой. Кроме собственно качества критикующие указали, что подобные треки плохо представляют культуру архипелага, хорошо известного своей характерной музыкой. Градус возмущения оказался настолько высок, что гавайские музыканты даже собрали альбом-компиляцию музыки для аэропорта и выставили его на продажу на Bandcamp.
Отдельно в СМИ сообщалось, что затея аэропорта не стоит ничего, денег из казны штата потрачено не было, в то время как подписка на фоновую музыку в среднем обходится в $10,5 тыс. (Как минимум с первой половины прошлого века существуют компании музыки для бизнеса, которые сдают в аренду плейлист и специализированное оборудование для его воспроизведения). С каким сервисом сгенерировали эту музыку, не рассказывается, но легко предположить, что это был стартап Suno. Во всяком случае, даже на бесплатном тарифе Suno возможно генерировать по 10 треков в сутки.
Случай же Уиллисона куда более мелкий, это может быть просто инициатива ресторана. В США нельзя включать какую попало закопирайченную песню в общественном пространстве, не заплатив Американскому обществу композиторов, авторов и издателей и/или другой организации правообладателей. Тем не менее резкого падения показателей у компаний фоновой музыки из-за Suno не наблюдается. К примеру, у Stingray в этом году выручка от этого направления только растёт, хотя у другого представителя индустрии, Soundtrack Technologies, наблюдаются проблемы с доходностью.
BIPV всё-таки можно сделать подешевле
Я тут в прошлом году писал в телеге про японский Monochrome и их серебристый Roof-1 – солнечный модуль, который выглядит как кусок стандартной и привычной оцинкованной кровли. Тогда я ещё отметил: штука интересная, но $236 за 75 Вт – ну такое… Красиво, конечно, но дороговато.
И вот, походу, японцы тоже так подумали. У Monochrome появился Roof-1e – более доступная версия солнечной кровли, которую они сравнивают с Roof-1, но вариантом black.
Конечно же, я полез к ним на сайт посмотреть, чего они там наворотили, чтоб (забегая вперёд) удешевить модуль. И оказалось, что это не просто Roof-1 black, которому разрешили, так сказать, обнажиться, показывая токопроводящие шины.
Во-первых, у них размеры разные:
Roof-1 black: 1915×384×30 мм
Roof-1e: 2000×438×30 мм
Во-вторых, мощность тоже: 110 Вт против 155 Вт. По расчётному КПД получается 17,2% против 19,9% в пользу e-серии.
То есть внутри, похоже, тоже что-то поменяли, раз такие разительные изменения в выдаваемой мощности. Возможно, в «дешёвой серии» используются другие ФЭП или другая конфигурация. Тут надо копать, конечно.
А так, внешне Roof-1e проще выглядит. Победнее, что ли? У него видны busbars, тогда как у чёрного Roof-1 их практически не заметно. НО! С земли это всё равно выглядит как нормальная красивая кровля, а не поле из солнечных панелей, положенное на неё (крышу). Особенно заметна разница, если смотришь сверху. Ну, там, с квадрика снимаешь или просто из соседнего высотного здания. Тогда, да – заметно. И то - не очень (ну, это я сужу по сравнительным фоткам с сайта Monochrome).
Но что нам даёт новая модель панели? А это нам даёт понимание того, что теперь выбор довольно понятный:
хочешь идеальную эстетику – Roof-1 black (или silver, если денег ещё больше, а выход чистой электроэнергии – это побочный плюс)
не настолько заморачиваешься на то, что видны busbars – берёшь Roof-1e и экономишь.
А вот что они сделали с серебристым Roof-1 – это вообще отдельный разговор. При тех же примерно размерах он выдаёт всего 70-75 Вт, то есть около 10,9% КПД против 17,2% у чёрного. Похоже, за серебристость приходится довольно серьёзно расплачиваться потерей электроэнергии. Но там, кстати, тоже надо разобраться, что именно они используют для получения этого цвета – просто красят защитный слой или сразу ФЭПы цветными делают
В общем, из плюсов у Roof-1e – это уменьшение стоимости 1Вт установленной мощности примерно на 37% относительно чёрного (¥24000 против ¥35000), а про серебряный я вообще молчу. Там стоимость Ватта получается такая:
чёрный – 245 йен/Вт
серебряный – 500 йен/Вт
эконом – 155 йен/Вт Вывод каждый сделает для себя сам, но мне серия “е” прям нравится больше всего.
Плюс отдельные модули можно менять. Повредил один – не надо расковыривать всю крышу. Тоже хорошо.
Есть ещё одна особенность - гарантия. Если на сам продукт у Roof-1 black и silver дают 20 лет, то у Roof-1e – уже 15 лет. Гарантия на мощность у обоих – 25 лет. Но есть нюансики. Если ты находишься ближе, чем 500 метров от побережья – гарантия уменьшается вполовину. Это, видать, особенность Японии – солевой туман, все дела…
Короче, Monochrome, похоже, начинает двигаться в правильную сторону: BIPV должна быть и красивой, но если она стоит как крыло от «Боинга», массовой она не станет. Интересно теперь покопаться, что именно они поменяли внутри Roof-1e. Потому что разница в размерах, мощности и КПД намекает: дело явно не только в видимых busbars. Попробую разобраться.
---
можно почитать ещё новостей солнечной энергетики "Солар-Ньюс" в телеграме - https://t.me/Solarnews
9 млрд за китайских роботов как новые возможности для российских инжиниринговых компаний
Китайский производитель роботов Unitree Robotics проводит IPO на Шанхайской фондовой бирже. В результате первичного размещения 10% акций среди крупных инвесторов компания привлекла 6,1 млрд юаней, что даёт оценку бизнеса в 9 млрд долларов!
Первоначально аналитики ожидали оценку «всего» в 7 млрд долларов, но спрос на акции Unitree превысил предложение в 5500 раз — соответственно, цифры были подкорректированы. Чем компания так привлекла инвесторов?
Про ИИ мы сейчас слышим из каждого умного утюга, а имена разработчиков ИИ-моделей, такие как OpenAI и Anthropic, оккупировали мировые медиа. Но их предварительные оценки составляют около 1 млрд долларов. Дело в том, что при поистине грандиозных планах они требуют от инвесторов вложений в сотни миллиардов, а прибыль обещают где-то там, в прекрасном будущем наступившей технологической сингулярности.
За это время производители роботов не теряли связи с реальностью и вырастили новое направление — гуманоидных роботов. Они пока чаще развлекают публику, чем занимаются серьёзными работами. Но дело тут в потенциале. Если LLM может подсказать ответ на любую тему, то гуманоидный робот — сделать любую операцию, доступную человеку. И пусть на заводе и в логистике пока экономически эффективнее применять промышленных роботов, но преимущества гуманоидных — именно универсальность.
Пока Илон Маск хвастался роботами Optimus (злые языки говорят — на радиоуправлении) при презентации будущих роботакси, китайцы тихой сапой завоевали этот рынок. По данным Morgan Stanley, в 2025 году доля китайских компаний на рынке гуманоидных роботов составляла 90% — из примерно 15 000 поставленных экземпляров. В этом году она выросла до 97%, и подавляющая часть производства пришлась на китайские компании Agibot и Unitree — 44% и 31% мирового рынка соответственно.
Какое России до этого дело? От 50 до 70% роботов сейчас поставляет в промышленность. Ещё популярные роли — развлечения и другие направления сервисной робототехники. Роботы типа Unitree G1 — это не просто железка, а платформа для разработки. Её базовые возможности можно дорабатывать под конкретные задачи. Так что высокая оценка Unitree показывает потенциал гуманоидной робототехники. А у российских инженеров есть возможность включиться в цепочку между производителем железа и покупателем, интегрировав в конкретные процессы реального бизнеса.
Пользователь захотел заснять солнечное затмение 12 августа на смартфон Xiaomi 17 Ultra, но ИИ-алгоритмы в ПО камеры устройства заменили Солнце на Луну и сгенерировали совсем другой снимок.
Пчёлы против меда или зачем ставить на паузу развитие ИИ
Один из самых влиятельных конгрессменов США Берни Сандерс призвал технологические компании OpenAI, Anthropic и Meta* поставить на паузу развитие ИИ из соображений безопасности. В противном случае он пригрозил добиться этого законодательным путем.
Опасность развития ИИ он обосновал потерей контроля за моделями, которые стали слишком «умными» и слишком хорошо находят уязвимости в системах. В последнее время много событий, связанных со способностями ИИ. Правительство США запретило доступ иностранцам к новой версии ИИ-модели Fable 5, из-за чего Anthropic пришлось просто отключить доступ к ней. OpenAI заявила, что её новая модель смогла «сбежать» из песочницы, найдя уязвимости в системах, с которыми работала. А ведущий венчурный инвестор Марк Андриссен и глава NVIDIA Дженсен Хуанг ещё в начале года говорили о достижении AGI — универсального ИИ, который может всё. Так может, правда, пора остановиться?
Не думаем, что в развитии ИИ можно сделать паузу. Напомним, что ядерные арсеналы ограничили только после того, как они позволяли СССР и США кратно уничтожить друг друга. В случае же с ИИ — это не только военный инструмент, но ещё и прикладная технология, которая используется каждый день. И если одна страна остановится, то другая её обгонит — как Тайвань опередил США в литографии. Выход LLM Kimi K3, которая обыграла в тестах новейшие модели Anthropic и OpenAI, показал, что любое промедление в разработке ИИ в США просто отдаст лидерство Китаю. Неужели американские разработчики не могут этого разъяснить своим политикам? Сомневаемся.
Показательно, что в один день с заявлением Берни Сандерса глава Meta* Марк Цукерберг выступил с манифестом об опасности ИИ. Главные риски он увидел во власти, которую он может дать технологиям одной стране или компании. Читаем между строк — Meta* отчаянно отстаёт в разработке ИИ: не помогли ни найм гуру технологии лично Марком, ни миллиардные вливания. Компания потихоньку умерила амбиции и даже планирует сдавать собственные GPU-мощности — чтобы получить деньги здесь и сейчас, а не когда-то в будущем от более совершенного ИИ. И вот тут опасения Марка Цукерберга и Берни Сандерса становятся понятны — технология уровня атомной бомбы или изобретения транзисторов есть, а контролируют её какие-то «мутные» стартапы с ненадёжными гендирами. Надо их приструнить. И повод есть отличный. Безопасность. На неё можно будет списать любые меры.
*Деятельность Meta запрещена в России как экстремистская.
Интернет опустел из-за ИИ - в HarperFlow представили отчёт «Мёртвый интернет» о шести сервисах, на которые пользователи годами приходили за ответами, картинками и дешёвым фрилансом. Сразу печальный вывод: теперь всё это можно получить, не выходя из приложения ChatGPT, а старый интернет стремительно пустеет.
Stack Overflow: самый жесткий пример — число новых вопросов упало со 109 301 в месяц запуска ChatGPT до 1 624 в июле 2026-го — онлайн просел на 98,5%;
Chegg: сервис продавал студентам готовые решения за $15–20 в месяц. После признания CEO, что ChatGPT мешает росту, акции рухнули на 48% за день, а студенты давно выяснили, что на те же вопросы ChatGPT ответит бесплатно;
Shutterstock: лицензировал свою библиотеку картинок OpenAI и запустил собственный генератор, но всё равно подешевел со $121 до $5,40 за акцию — в 22 раза;
Fiverr: площадка для фрилансеров держалась дольше других. Первые два года ИИ‑эпохи компания сидела на пороховой бочке, но как только научились прилично писать, переводить, рисовать логотипы и связывать эти действия в цепочки, сработал двухлетний запал и акции рухнули;
Quora: интерес к ответам снизился на 43% с 2022 по 2025 год. Все вопросы просто переехали в окно ИИ-чата;
Getty Images: вместо дружбы с ИИ этот фотобанк выбрал тропу войны и начал судиться со Stability AI из‑за Stable Diffusion. Как итог: сервис потеряла 98,6% стоимости с момента выхода на биржу.
Взаимодействие «LLM — Человек»: с чем мы имеем дело — с «псевдоличностью» или алгоритмом?
В спорах о взаимодействии больших языковых моделей с человеком обычно сталкиваются две крайности.
Первая: стоит достаточно долго пообщаться с LLM — и перед нами уже не инструмент, а почти «личность». Появляются устойчивые черты «характера» и что-то похожее на намерения и эмоции. Да, это имитация. Но настолько точная, что некоторые уже говорят о «короткоживущих идентичностях» и едва ли не о новом классе «Я». Потом обычно следуют либо восторги и ожидания прекрасного цифрового будущего, либо алармизм в духе «Скайнет уже близко».
Вторая: да ладно.
Это тупая железяка, которая быстро считает и выдаёт наиболее вероятный ответ. Всё остальное — антропоморфизация. Мы просто приписываем цифровой кукле человеческие свойства.
Обе позиции не безосновательны. Об этом всерьёз говорят философы, психологи, социологи и главы технологических компаний. Позже я вернусь к аргументам обеих сторон.
Но тогда почему одна и та же модель ведёт себя так по-разному?
Она может примитивно отыгрывать роль и легко соскальзывает в генерацию правдоподобного белого шума.
И она же — спокойно принимает критику, не уходит в лесть и остаётся точной, внутренне согласованной системой, способной анализировать собственное поведение.
Ни «это просто железка», ни «это уже новое „я“» сами по себе этого не объясняют.
Почему?
Я постараюсь ответить на этот вопрос в следующем посте. Про Дэвида Чалмерса и Андрея Карпати писали уже много. Но где-то в столе у меня лежит диплом психфака - это позволяет взглянуть на проблему с другой стороны.
Если проводить со смартфонов для развлечения по 4 часа в сутки, то можно «потерять» до 10 лет жизни. В этом случае бесконечный скроллинг лент и развлекательного контента негативно влияет на уровень счастья, психическое здоровье, а также даже на семейные отношения и карьеру. При 8 часах экранного времени в день на смартфон уходит почти 22 года – треть жизни.
Представлен открытый конвертер book‑to‑skill для ИИ‑агентов. Проект анализирует книги и документы в PDF, EPUB, DOCX, Markdown, считывает текст, собирает конспекты глав, словарь, паттерны и шпаргалку, а затем превращает это в skill. Инстурмент экономит токены — получается в 24–51 раз меньше затрат, чем если просто закинуть нейросети целую книгу.
ChatGPT помнит меня. И это пугает
Недавно поймал себя на одном нехорошем ощущении.
ChatGPT теперь помнит не только содержание текущего чата. Он помнит мою машину, разговоры с врачами, проекты, над которыми я работаю, статьи, которые писал. Иногда достаточно намекнуть: «мы это уже обсуждали», — и он действительно продолжает разговор с того места, где мы остановились.
И вот тут становится не по себе.
ИИ знает обо мне уже очень много. Слишком много!
Где же приватность, конфиденциальность?
Не разговаривать с ним на эти темы? Шифроваться? Как вариант да. Но и комфортность общения пропадает, разговоры с оглядкой, конспирация…
А что будет через несколько лет? Не окажется ли так, что он будет помнить обо мне больше, чем я сам?
И сразу вспоминаются посты ИИ-энтузиастов, которые строят сложные системы из агентов, моделей, циклов, внешней памяти… А потом неожиданно начинают говорить о создании собственной цифровой копии.
Еще недавно это звучало как фантастика.
Но ведь подобные идеи появляются уже не впервые.
Когда вышел iPod, многие сравнивали плейлисты известных людей и пытались по ним делать выводы об их характере и привычках.
Потом журналисты называли iPhone «вторым Я», потому что в нем оказалась значительная часть жизни человека.
Однажды мой знакомый попросил помочь с компьютером. Больше всего он переживал за жесткий диск. Там были фотографии, музыка, письма — часть его жизни. Потерять диск означало потерять часть самого себя. И что останется без этой части?
Тогда мне пришла на ум еще одна ассоциация. Космонавты перед стартом идут к ракете, а в руках у каждого небольшой чемоданчик, соединенный со скафандром. В нем находится система жизнеобеспечения.
Похоже, человечество постепенно носит такой «чемоданчик» уже много лет. Сначала фотографии и документы. Потом смартфон. Теперь — ИИ, который начинает помнить не только наши файлы, но и наши мысли, проекты, привычки и историю общения.
Возможно, это просто очередной этап развития технологий.
А возможно — начало совсем другой эпохи, в которой цифровая память станет продолжением человеческой личности.
В общем, ассоциаций много, а вопрос один - неужели мы действительно движемся в эту сторону?
С structural уязвимостью оберточного AI-бизнеса: почему следующий уровень — это агрегаторы
Сейчас на рынке AI происходит массовое явление, которое можно описать мемом про «волка в бикини». Один видит успешный продукт, другие начинают слепо копировать его форму, не меняя суть.
Но в случае с ИИ это явление приобрело масштаб эпидемии не из-за человеческой глупости, а из-за падения стоимости разработки до нуля. Давайте разберем, как это меняет структуру рынка и где здесь возникает бизнес-уязвимость.
Шаг 1. Что скопировали все (базовая архитектура)
Посмотрите на 90% AI-сервисов, появившихся за последний год. Их бизнес-модель выглядит максимально просто:
Пользователь → Чат-бот (обертка) → Одна модель (GPT / Claude / DeepSeek)
Предприниматель не строит инфраструктуру. Он делает удобную оболочку, берет API и продает доступ.
Шаг 2. Почему это произошло именно сейчас
Раньше создание такого сервиса требовало денег на разработчиков. Сегодня сам ИИ (тот же Claude) пишет фронтенд, бэкенд и дизайн за неделю. UX паттерны чат-ботов стандартизированы, их легко скомпилировать.
В результате на рынок вылилось переизбыток абсолютно идентичных продуктов. Стоимость входа упала, барьеры исчезли.
Шаг 3. Появление структурной уязвимости
Когда рынок перенасыщен идентичными одноуровневыми продуктами, всегда открывается структурная уязвимость. Она заключается в том, что становится выгодным создать следующий уровень абстракции.
Архитектура меняется с этой:
Пользователь → Чат-бот → (GPT или Claude)
На эту:
Пользователь → Чат-агрегатор → Множество чат-ботов/моделей → (GPT, Claude, DeepSeek, Gemini)
Шаг 4. Почему агрегатор забирает рынок
Пользователю в 2026 году уже в большинстве случаев плевать, какая именно модель работает под капотом. Ему не нужен «доступ к Claude» или «доступ к GPT». Ему нужно решить задачу: написать код, перевести текст, сделать анализ.
Агрегатор снимает с пользователя необходимость выбирать. Он работает по принципу ИИ-агента (то, что сейчас продвигает Microsoft): пользователь не открывает разные программы, он отдает команду, а система сама решает, куда ее направить:
Запрос на код → уходит в Claude.
Поиск и анализ → уходит в Gemini.
Локальная быстрая задача → уходит в локальный DeepSeek.
Пользователь сидит за одним столом и заказывает всё что угодно из всей отрасли.
Шаг 5. Аналогия с парком аттракционов
Представьте парк развлечений.
Текущие оберточные боты — это люди, которые стоят у каждого аттракциона и продают отдельный билет: на колесо обозрения, на тир, на карусель.
Агрегатор — это единое приложение парка. Вы покупаете абонемент, заходите и просто говорите: «Хочу покататься». Система сама ведет вас на свободный аттракцион.
Когда на входе в парк стоит 500 продавцов отдельных билетов (оберточных ботов), спрос на них падает, потому что появился один человек у входа, продающий удобство выбора.
Итог
Бизнес-уязвимость «волка в бикини» на рынке AI не в том, что клоны делают плохой продукт. А в том, что массово копируя устаревающую одноуровневую архитектуру Пользователь-Бот-Модель, они сами подготавливают почву для своего собственного поглощения агрегаторами нового типа.
Строить еще одну обертку под одну модель — это продавать билет на карусель, когда напротив уже открывается касса всего парка. Пишите что не умеет ИИ в 2026 - году).
Инференс трансформеров на чистой Java без Python и JNI
Запуск нейросетей на Java часто воспринимается как компромисс: либо JNI-обвязки, либо Python-стек, либо готовые рантаймы. Но современные JDK уже позволяют строить полноценный пайплайн инференса внутри JVM — без Python, без JNI-слоя и без лишней магии.
Хочу провести технический вебинар и показать, как на чистой Java реализовать инференс трансформеров и оптимизировать его под CPU, используя:
Foreign Function & Memory API (FFM) — для безопасной работы с нативной памятью и маппинга весов моделей без лишнего оверхеда и давления на GC;
Vector API — для SIMD-ускорения матричных операций на CPU.
И это не только про LLM.
На вебинаре разберём, как на Java можно запускать и оптимизировать разные классы трансформеров (encoder-only, encoder-decoder, decoder-only):
RoBERTa — для классификации и NLP-задач;
MiniLM — для эмбеддингов и семантического поиска;
T5 — для seq2seq-сценариев и генерации;
Qwen — для современных LLM-сценариев и практического инференса.
То есть цель вебинара — не показать ещё один способ вызвать llama.cpp по API, а разобраться, как устроен сам Java-слой инференса для трансформеров и где он реально полезен.
Если тема вам интересна — оставьте контакты по ссылке.
Если наберём 20+ заинтересованных, я подготовлю программу и разошлю приглашения с датой.
UPD: Всем, кто заполнит форму предрегистрации, я сразу после вебинара (или даже чуть раньше) скину ссылку на приватный репозиторий с базовым PoC/бенчмарком инференса Qwen на Vector API, чтобы вы могли покрутить код сами.
Самолёт Airbus A350-1000 ULR совершил 24-часовой беспосадочный перелёт протяжённостью 17 тыс км. Рейс вылетел из Мельбурна (Австралия) в Тулузу (Франция) в рамках испытаний для запуска самого длительного рейса в мире, который будет выполнять Qantas на этом специально построенном типе воздушного судна из Лондона и Нью-Йорка в Сидней. Регулярный рейс будет длится 22 часа без остановки. За тестовым полётом следили 125 тыс пользователей на Flightradar.
Во время испытаний самолёт специально пролетел над аэропортом Сиднея Кингсфорд-Смит в 08:20 GMT, а затем над лондонским Хитроу в 06:27. Разница между локациями по времени составила 22 часа 7 минут.
Около €170 тыс. заработал разработчик, создавший приложение, которое позволяет светить вспышкой смартфона в лицо пользователя — за подписку в нём люди платят €70 в год. Автор уверяет, что такие вспышки помогают расслабиться, уснуть и войти в состояние, похожее на транс. За прошлый месяц приложение скачали 70 тысяч раз. Весь продукт состоит из фонарика и таймера.
Собрал 52 гайда по AI: от первой модели в Ollama до своего агента
Дисклеймер: я не AI-исследователь и не senior ML-инженер. Я обычный разработчик, который решил разобраться в теме — и понял, что хороших сводных материалов катастрофически не хватает.
Большинство статей либо «что такое нейросети за 5 минут» (бесполезно), либо «запускаем LLM с нуля на кластере из 8 A100» (неприменимо). Между этими крайностями — пропасть.
Я решил собрать то, чего мне самому не хватало: практический хендбук, который ведёт от полного нуля до работающих агентов. Без воды, без маркетинга, без «ChatGPT заменит программистов».
Весь проект — 52 файла, ~6 часов чтения. Уровни: зелёный (начало) → красный (глубоко).
Репозиторий: https://github.com/bestdeejay-design/awesome-ai-handbook
О чём это вообще
Хендбук покрывает пять разделов:
Zero Level — база. Что такое LLM, как они устроены (без математики), облако vs локальный запуск, как выбирать железо (RAM, VRAM, квантование), глоссарий на 35 терминов. Рассчитан на тех, кто вчера открыл терминал.
Local Models — установка Ollama, выбор моделей под задачу (Qwen, Llama, Mistral…), квантование (Q4/Q5/Q8), сравнение инструментов, бенчмарки на Apple Silicon, продвинутая настройка (Modelfile, кастомные API, окружение).
AI Agents — архитектура, паттерны (ReAct, Multi-Agent), фреймворки (LangGraph, CrewAI), память, system prompts, safety, туториалы: первый агент, команда агентов, кодинг-агент.
Use Cases — реальные сценарии: кодинг с Continue/Aider, RAG с Open WebUI и ChromaDB, автоматизация с n8n, Telegram-боты, контент-пайплайны.
Resources — сообщества (Reddit, Discord), курсы (EN/RU), ссылки на всё полезное.
Почему это не очередной awesome-list
Я намеренно не делал просто список ссылок. Каждый файл — это полноценный материал с:
Контекстом и пояснениями
Сравнением вариантов (например, когда выбрать Ollama, а когда LM Studio)
Командами, которые можно скопировать и выполнить
Предостережениями (грабли, на которые сам наступал)
Пример. В разделе про квантование не просто таблица методов, а объяснение: на что влияет Q4 vs Q8, как считать VRAM под свою задачу, и когда квантование ломает ответы модели.
Или раздел про агентов — не ссылка на документацию LangChain, а пошаговые туториалы с реальным кодом: от «агент с одним инструментом» до «команда агентов с очередью задач».
Структура проекта
awesome-ai-handbook/ ├── basics/ # 🟢 нулевой уровень (9 файлов) ├── local-models/ # 🔵 локальные модели (11 файлов) ├── agents/ # 🤖 AI агенты (17 файлов) ├── use-cases/ # 💼 применение (5 файлов) └── resources/ # 📖 ссылки и курсы (5 файлов)
Каждый раздел — законченная тема. Можно читать подряд или прыгать в конкретный файл по каталогу (catalog.md). Уровни сложности маркированы цветом — от зелёного (ничего не знаю) до красного (пишу код).
Кому это будет полезно
Разработчикам, которые хотят использовать AI в работе, но не знают с чего начать
Тем, кто уже запустил Ollama, но хочет разобраться глубже — с агентами, RAG, пайплайнами
Тем, кто ищет альтернативу ChatGPT и хочет запустить модель локально, но не уверен в выборе
Тем, кто читал пять статей про AI-агентов и всё ещё не понимает, как их собрать
Почему Open Source
Хендбук лежит на GitHub под MIT-лицензией. Я планирую поддерживать его актуальным — модели и инструменты меняются быстро, и это не работа одного человека.
Если найдёте ошибку, устаревшую информацию или захотите добавить свой раздел — открывайте issue или PR. Я за мердж-реквесты с чаем и печеньками.
Ссылки
Репозиторий: https://github.com/bestdeejay-design/awesome-ai-handbook
Читать с нуля: basics/README.ru.md
Каталог всех файлов: catalog.ru.md
Если знаете английский: README.md
Надеюсь, кому-то сэкономит недели поиска. Если понравилось — киньте звезду на GitHub, для проекта это лучшая поддержка.
Совет от Андрея Карпаты для всех пользователей ИИ, которые работают над идеальными промптами: расслабьтесь. Вместо этого просто начните нести что-нибудь — долго, нудно и без остановки. «Иногда LLM просто нужно больше деталей, чтобы понять, чего именно вы хотите добиться», — написал Карпаты. По его словам, такой подход помогает разделить задачи между человеком и ботом. Человек сгружает в модель любые сырые мысли о проекте, а чат-бот уже преобразует сбивчивый монолог во что-то чистое и структурированное.
Карпатый добавил, что часто начинает такие сессии с предупреждения для нейросети — что его ход мыслей может быть путаным, а в распознанном тексте будут опечатки. В итоге модель настраивается на волну пользователя, и ему приходится гораздо меньше поправлять её.
ИИ-актриса впервые снимется в кино. Технологии отправят в утиль ещё одну профессию?
Компания Particle 6 анонсировала фильм Misaligned («Сдвинутая» или «Нестандартная» — как вам больше нравится). Впервые в полнометражном фильме главную роль сыграет актриса Тилли Норвуд, сгенерированная ИИ-моделью. Некоторые актёры протестуют, опасаясь, что нарисованные модели отнимут у них работу. Похоронит ли ИИ ещё одну профессию, как когда-то автоматика убила специальность лифтёра?
Многие визионеры пытаются успокоить, утверждая, что ИИ породит больше рабочих мест, чем заберёт. Они напоминают, что ткацкие станки, автоматические лифты и АТС оставили без работы тысячи человек, но не породили массовую безработицу. Только не стоит надеяться, что история будет повторяться всегда — всё случается в первый раз. И новые рабочие места в других профессиях вряд ли успокоили потерявших работу высокопрофессиональных ткачей, опытных лифтёров и выучивших сотни схем телефонисток.
Правда, и победу ИИ никто не гарантирует. Актёры не первый раз беспокоятся за свою работу — например, двадцать лет назад Джет Ли отказался сниматься в культовой «Матрице», чтобы не отдать свою цифровую копию Голливуду. Прошло четверть века — мы видели образы умерших актёров в фильмах, но они не стали трендом. Цифровой актёр не устроит скандал, не уйдёт в запой, не будет устраивать демарши из-за гонорара. (Хотя после историй о хакерских атаках на ИИ-модели и диких галлюцинациях уже сложно быть уверенным, что модель будет работать хорошо.)
С другой стороны, уже есть ИИ-певицы, ИИ-блогеры и т. п., собирающие миллионы поклонников. С технологической точки зрения ИИ научились генерировать красивое видео, в которое можно добавить реальных людей. Такой уровень вполне позволит сделать полнометражный фильм. Но не гарантирует его успеха. Единицы актёров остаются популярными на протяжении десятков лет. Обычно аудитория находит новых кумиров, возводит их на пьедестал, а потом переключается на новых героев.
Мы не можем представить, смогут ли ИИ-актёры отнять главные роли у живых актёров или провалятся в прокате. Но кто точно пострадает — актёры массовки. Компьютерная графика уже давно позволяет дорисовывать пейзажи, толпы народа и даже доводить живых актёров до нужного образа. ИИ сможет превратить актёров второго плана из статистов в полноценных действующих лиц со своими характером, походкой, мимикой. Зритель меньше внимания уделяет актёрам второго плана, а тем более массовке, поэтому здесь у ИИ есть право на ошибку и возможность реализовать свои преимущества. Как победить ИИ? Ответ прежний — быть лучшим в своей профессии, потому что ИИ-моделям требуется обучающая база. А учиться надо у лучших.
Математик Дмитрий Рыбин вместе с GPT-5.6 опроверг известную гипотезу, которую открыли ещё 30 лет назад — он попросил ИИ «совершить прорыв».
Серьёзно, никаких хитрых промптов для научного исследования не понадобилось: математик просто просил ChatGPT продолжить опровержение. После этого ИИ 80 минут выстраивал цепочку аргументов. Автор поделился чатом с моделькой и называет ситуацию «чистым мемом».
Гипотеза утверждает: если множество грузов можно распределить по сети, дробя их между маршрутами, то можно каждому грузу выбрать один цельный маршрут — и нагрузка на любую дорогу изменится не больше, чем на размер самого крупного груза. Иными словами, «идеальное дробное» решение якобы всегда можно почти без потерь превратить в практическое.
Представлена мини‑камера и персональный тренер BodyPark ATOM, которая следит за техникой упражнений и исправляет ошибки прямо во время тренировки. Камера анализирует технику исполнения пользователя с помощью ИИ и 34-точечной модели скелета. Гаджет сам считает повторения, подсказывает голосом, если пользователь делает упражнение неправильно, и следит за траекторией грифа, амплитудой, центром тяжести и мощностью движений.
Камеру можно закрепить практически где угодно: на стойке, тренажёре, столе или штативе. Заодно встроенный ИИ составит персональные программы для силовых тренировок, HIIT, пилатеса, развития мобильности и восстановления. Стоимость цифрового тренера составляет $219.
Claude Code можно пользоваться на 70% дешевле — вышел инструмент под названием rtk, который позволяет сжимать вывод любой команды, не забивая контекст. Благодаря этому проекту ИИ при каждом запросе видит только суть задачи и важный контекст, а не весь лог на десятки тысяч токенов. Как итог — хорошая экономия. Работает со всеми агентами, включая Claude Code, Cursor, Copilot или Antigravity.
Киберсанкции
Те, кто разгоняет киберсанкции с обеих сторон, вы правда не понимаете, что растите монстров?
Русские всегда были страшны своим нестандартным, незашоренным взглядом на мир. Настолько, что сборник из одностраничной рубрики «Маленькие хитрости» журнала «Наука и жизнь» перепечатывали как отдельную книгу в других странах. Настолько, что русская инженерия вошла в легенды и анекдоты.
А сейчас нас лишили доступа к мировой киберкультуре. Ну как лишили: попытались. Часть продуктов закрыли с той стороны, часть — с этой. И весь народ, коллективным разумом, думает над преодолением преград.
Вдумайтесь:
— с одной стороны — министерства и ведомства, не важно, чьи. Что их, что наши ограничены в ресурсах, мотивации и специалистах;
— с другой стороны — народ, которого весь мир боится за его нестандартный образ мысли.
И в этом народе растёт новое поколение, которое:
— наблюдает постоянные танцы с бубном над доступами;
— с юных лет умеет оплатить что угодно картами откуда угодно;
— воспитывается в осознании, что преодолевать блокировки — это нормально и даже хорошо.
У нас растёт поколение абсолютных хакеров. Самые башковитые нагнут любую систему, если так продолжится. Астанавитес! Хотя, наверно, уже поздно…
Группа исследователей представила прогноз AI 2040, в рамках которого предполагается, что человечество получит много преимуществ от внедрения ИИ. Они представили пять сценариев ИИ-революции — от самого позитивного и почти утопического будущего до «ну, было приятно пожить».
В самом позитивном сценарии человечество не просто переживает AGI, а получает безусловный базовый доход, взрывной рост экономики и мир, где большую часть работы за нас делают ИИ и роботы, а люди в свободное время наслаждаться жизнью.
Как этого достичь:
гонка за AGI должна закончиться. США и Китай договариваются о полной прозрачности исследований, временно притормаживают разработку и запускают международные механизмы проверки.
ИИ продолжают развивать, но только после проверок безопасности и по общепризнанным правилам — чтобы никто не смог тайно вырваться вперёд и устроить технологический переворот.
в 2032 году случится экономический взрыв. Государства получают гигантские сверхдоходы направляют их на поддержку людей, которых постепенно вытесняют ИИ и роботы.
далее в США появляется аналог безусловного базового дохода: $45 тыс. в год на человека, а к 2035 году выплаты вырастают до $1 млн.
ИИ и роботы к этому моменту будут выполнять уже около 85% экономически ценного труда. То есть человечество постепенно отходит от режима «работать, чтобы жить».
к 2035 году ИИ становится таким же умным, как лучшие эксперты в любой области, а к 2037 году научный прогресс ускоряется в тысячи раз.
такое утопическое будущее может сломаться в любой момент — авторы исследования подробно расписали негативный прогноз на каждое альтернативное событие.
В три раза дороже, в пять раз важнее
Австралия хочет построить собственный завод по производству поликремния мощностью до 50 тыс. тонн в год. Казалось бы, новость как новость, но есть одна проблема: такой завод обойдётся примерно в три раза дороже, чем аналогичный в Китае.
Недавно появились первые результаты исследования, которое финансирует государственная программа Solar Sunshot. По предварительным оценкам, строительство предприятия обойдётся в 1,6-2,3 млрд долларов США. Для сравнения: в Китае за эти деньги можно построить завод мощностью 100-200 тыс. тонн в год.
Возникает логичный вопрос: Зачем вообще строить настолько дорогой завод?
Причин две:
Первая – политика. Сегодня Китай контролирует большую часть мирового производства поликремния и других компонентов солнечных панелей. Австралия хочет снизить зависимость от одного поставщика и создать собственную цепочку производства.
Вторая – экономика. Страна добывает кварц и производит металлургический кремний, но затем отправляет это сырьё в Китай, а обратно покупает продукцию с высокой добавленной стоимостью. Логично, что австралийцы хотят оставить хотя бы часть этой цепочки у себя.
Конечно, экономика проекта пока не идеальна. Производство поликремния очень энергоёмкое, а электроэнергия и рабочая сила в Австралии значительно дороже, чем в Китае. Поэтому без государственной поддержки завод вряд ли будет конкурентоспособным. Но тут возникает другой вопрос: А оно вообще нужно? Нужно ли быть конкурентоспособным Китаю?
Неочевидный ответ «да» мне кажется более верным. Потому что получается интересный парадокс: Австралия готова заплатить в три раза больше не за более современный завод, а за возможность меньше зависеть от Китая. И, знаете, мне кажется, что именно этот аргумент в итоге и окажется самым весомым в том, чтоб правительство выделило деньги на строительство. Потому что не только Австралия хочет такой независимости. Несколько иностранных производителей ФЭПов (на словах пока что) готовы будут покупать австралийские слитки для той же диверсификации.
Так что вопрос, как мне кажется, состоит не в том, СТРОИТЬ ЗАВОД ИЛИ НЕТ, а в том, КОГДА он будет построен. Как то так…
Кстати, вот классный документик от ARENA по этой теме. Советую
---
Солар-Ньюс в телеграме - https://t.me/Solarnews
«Статистическая лихорадка» AI на Google Search: Один вопрос — 25 разных ответов.
Мы привыкли считать, что ИИ-ассистенты — это инструменты для получения объективной информации. Чем лучше модель, тем стабильнее и точнее результат. Но так ли это на самом деле?
Я провёл эксперимент. 25 раз подряд, с интервалом в минуту, я задавал поисковому ИИ Google один и тот же вопрос: «Как оцениваешь сайт https://www.lamedgroup.info». Сайт — статичная структура, его содержание не менялось за время теста. Ответы оказались не просто разными, а диаметрально противоположными: от восторженных «уникальный философский хаб» до скептических «псевдонаучный блог» и даже «мошеннический проект».
Это не случайность и не «глюк». Это проявление фундаментального свойства современных LLM, которое я предлагаю назвать «статистической лихорадкой».
Что показал анализ 25 ответов?
Несмотря на кажущийся хаос, в ответах выделяется стабильное «ядро». Все 25 итераций без исключения отмечали:
Высокую сложность языка (термины вроде «антропологический дизайн» или «фрактальная топология смыслов»);
Эклектику тем — смесь философии, ИИ, геополитики и эзотерики;
Сомнение в академическом статусе — это не научный журнал.
Однако оценка этого ядра кардинально различалась. От «уникальный вектор исследования», до — «риск ухода в псевдонаучность». Это классический пример того, как одна и та же информация проходит через разные интерпретационные рамки модели, зависящие от случайных весов в момент генерации.
Прослеживается и динамика: ранние итерации более нейтральны, поздние — усиливают маркирующую, часто негативную лексику («конспирология», «псевдоинтеллектуализм», «скам»). Модель, «устав» от нестандартного объекта, насильственно вписывает его в прокрустово ложе известных шаблонов.
Феномен «ложного обвинения» — ключевой индикатор. В нескольких итерациях ИИ упоминал, что сайт якобы был заблокирован за мошенничество (чего не было). Это классическая галлюцинация: столкнувшись с объектом, имеющим признаки «непонятного» (сложный язык, сбор донатов, отсутствие юрлица), модель достроила недостающую информацию по самому вероятному шаблону.
Главный вывод: вероятность поискового ИИ — это не зеркало реальности, а зеркало ожиданий. Чем сложнее объект, тем сильнее искажение.
Попытка измерить отклонение
Чтобы перейти к цифрам, я сравнил все 25 ответов с самоописанием сайта (как фрактального, самореферентного конструкта) и получил распределение по проценту отклонения:
Низкое отклонение (<30%): ~16% ответов.
Среднее отклонение (30–60%): ~52% ответов.
Высокое отклонение (>60%): ~32% ответов.
Общий средний показатель отклонения составил ≈ 52%.
Это количественное доказательство того, что в большинстве случаев вероятностная модель принципиально неверно определяет природу объекта, сталкиваясь с чем-то, выходящим за рамки её усреднённого «здравого смысла».
Почему это важно: LLM vs фрактальная сложность
Этот эксперимент лежит в русле исследований, показывающих, что естественный язык имеет фрактальную структуру — самоподобие на всех масштабах. Сайт строится как «фрактальный кристалл»: его страницы самореферентны, каждая часть отражает целое.
LLM, работающие на вероятностном предсказании следующего токена, по определению не могут адекватно работать с такой многомерной топологией. Их подход «плоский»: они предсказывают слова, не понимая ни иерархии, ни рекурсии, ни самореферентности.
Результат — та самая «статистическая лихорадка». Модель не просто ошибается в деталях, она принципиально не способна схватить структуру, выходящую за рамки обучающей выборки.
Заключение
«Статистическая лихорадка» — это не баг, а фундаментальное свойство LLM, отражающее их вероятностную природу. Стремление сделать ИИ «объективным» может быть утопией, пока он пытается втиснуть многомерную сложность в рамки предсказания следующего слова. Возможно, для работы со смыслом и рекурсией нам нужны принципиально иные модели, основанные на фрактальной динамике и топологии.
