Не так часто удаётся увидеть, как на твоих глазах из ничего рождается корональная дыра размером с половину Солнца. Примерно это и можно наблюдать на видео. Запись начинается 12 апреля заканчивается сегодня, 22 апреля около 21 часа по московскому времени.
Объект сформировался в южном полушарии Солнца и по этой причине потоки быстрого солнечного ветра, которые тут рождаются, проходят ниже плоскости планет. Землю в настоящее время немного «цепляет» верхним краем дыры, но даже этого хватает для магнитных бурь, хотя пока и низкого уровня. Если дыра начнёт расти также быстро не только в ширину, но ещё и в высоту, то Земля полностью окажется в её «объятиях» вплоть до конца выходных, но пока ожидается, что потоки солнечного ветра начнут ослабевать уже в среду, 23 апреля, к концу дня.
В 1984 году Уильям Гибсон опубликовал «Нейромант», а Брюс Стерлинг вскоре представил миру «Схизматрицу». Эти книги не просто создали жанр киберпанка — они предсказали цифровую революцию, сформировали взгляд на будущее технологий и даже повлияли на реальные IT-разработки. Как вымышленные миры изменили наш реальный мир?
«Нейромант»: пророчество о киберпространстве
Что предсказал Гибсон?
Матрица (киберпространство) — прообраз современного интернета и VR.
Нейроинтерфейсы — идея прямого подключения мозга к сети (современные Neuralink, Brain-Computer Interface).
Киберпреступность — хакеры, вирусы и корпоративный шпионаж как часть цифровой эпохи.
Искусственный интеллект — самообучающиеся программы вроде Wintermute.
Влияние на технологии
Термин «киберпространство» (cyberspace) впервые появился в «Нейроманте» и стал основой для понятия интернета.
Концепция биохакерства (чипы, импланты) берет начало в мире Гибсона.
«Схизматрица»: мир, где технологии разделили человечество
Что предсказал Стерлинг?
Раскол общества на тех, кто принял технологии, и тех, кто их отверг (аналогии с цифровым неравенством).
Биотехнологии и генная инженерия — модификации тела, киборгизация.
Децентрализованные сети — предвосхищение блокчейна и darknet.
Постчеловечество — стирание границ между человеком и машиной.
Влияние на культуру
Идея «схизмы» (раскола) отразилась в современных дебатах о регулировании ИИ, этике генетики.
Киберпанк-движения (например, биткоин-анархисты) используют идеи Стерлинга.
Сериалы вроде «Черного зеркала» продолжают его тему технологического раскола.
Общее влияние на человечество
На технологии
Развитие VR/AR — Meta (Facebook), Apple Vision Pro идут к «матрице» Гибсона.
Нейроинтерфейсы — Neuralink Илона Маска, эксперименты с BCI.
Кибербезопасность — хакерская эстетика 90-х и современные кибервойны.
На общество
Страхи перед ИИ — как в «Нейроманте», люди боятся потери контроля.
Цифровое неравенство — «Схизматрица» предупреждала о расколе на «апгрейднутых» и «аналоговых».
Корпоративная власть — MegaCorps Гибсона напоминают Google и Amazon.
«Нейромант» и «Схизматрица» были не просто фантастикой — они стали инструкцией к будущему. Многие их идеи реализовались, другие только начинают воплощаться.
Что дальше?
Если Гибсон предсказал интернет, то следующая его «пророческая» тема — слияние человека и машины.
Стерлинг напоминает: технологии не объединяют, а разделяют — и нам нужно учиться балансу.
«Будущее уже здесь — оно просто неравномерно распределено» (Уильям Гибсон).
Киберпанк-классика учит: технологии — это не просто инструменты, а зеркало человеческих страхов и амбиций. И если мы не хотим повторить их мрачные сценарии, стоит задуматься о этике и целях прогресса.
А как вы считаете — мы движемся к миру «Нейроманта» или «Схизматрицы»?
📌 Сохраняем самые интересные нейросети за неделю, которые вы могли пропустить.
• Higgsfield — генератор видео научился комбинировать несколько эффектов одновременно; • Kling 2.0 Master — вышла обновленная модель для генерации видео; • Veo2 — Google открыли доступ к своему видеогенератору; • Bohrium — бесплатная нейронка для поиска исследований; • o3 и o4-mini — OpenAI выпустили новые модели; • Wan2.1 — в видеогенератор добавили ключевые кадры; • Videohunt — вырезает самые интересные моменты из видео; • Gemma 3 — Google выпустил квантизированные версии модели; • Krea — добавили генерацию 3D-сцен.
На хабре и в своём телеграм-канале всегда делюсь новой инфой про нейронки!)
Google представила мощного клона ChatGPT, который можно запустить даже на обычном домашнем ПК
Используя уникальную технологию сжатия, компания значительно снизила системные требования без ущерба для качества
Гайд по установке: ➖ Скачайте LM Studio с сайта: lmstudio.ai ➖ Перейдите в раздел "Discover" и найдите модель Gemma 3; ➖ Выберите вариант, подходящий под ваше железо (обратите внимание на требования к видеопамяти); ➖ Нажмите "Download"; ➖ После загрузки откройте вкладку "Chat" и наслаждайтесь
Недавно выходил Gemini 2.5 Flash, о котором я рассказывал у себя в телеграм-канале, а тут уже и это...🔥
Повышение качества генерации текстовой выдачи LLM моделей
Категории качества выдачи LLM
Концентрация контекста
Зачастую скармливаемый модели код категорически избыточен и только забивает контекстное окно. При качественной концентрации контекста для абсолютного большинства задач хватит даже небольшого контекстного окна любой современной LLM модели. Очистка запроса к LLM это первый шаг к получению устойчивой генерации вместо галлюцинаций. Запрос к LLM должен содержать стек, среду исполнения, задачи кодовой базы, необходимые зависимости, при необходимости - получаемые ошибки и собственно полную, необходимую для понимания моделью контекста, кодовую базу. При 100% полезной информационной нагрузке и полной очистке запроса от лишних элементов - подавляющее большинство задач успешно пролазит даже в мизерное контекстное окно и мы получаем устойчивую генерацию вместо галлюцинаций.
Сегментация задач
При разбиении крупной задачи на отдельные сегменты практически любая современная LLM выдаёт абсолютно точную выдачу при работу с любым относительно распространённым языком/фреймворком/библиотекой. Единственное принципиальное отличие LLM предоставляемых крупными провайдерами от опенсорсных LLM - это умение работать с сложными запросами. При разбиении сложного запроса на более простые, любая современная LLM генерирует точную выдачу.
Повышение качества запроса
Текстовая часть запроса не менее важна, чем контекстная. Точное составление подробного запроса с подробным объяснением архитектуры кодовой базы и поставленных задач, в сочетании с достаточным контекстом - практически всегда означает качественную генерацию.
Повышение качества генерации
При комбинировании этих трёх простых методов любая современная LLM при работе с распространёнными языками/фреймворками/библиотеками выдаёт точный результат. Все опенсорсные LLM это плюс-минус форки друг друга, как в случае с дистрибутивами Linux, и основанные на них модели практически не отличаются. При использовании современной версии любой популярной LLM в сочетании с данными методами - генерации практически безошибочна.
Идея использования лунной пыли для производства солнечных батарей постепенно превращается в реальность благодаря развитию материаловедения и технологий 3D-печати. Лунный реголит, который в основном состоит из силикатов, оксидов алюминия и железа, давно привлекал внимание учёных как потенциальный источник материалов для строительства на месте. Сейчас передовые исследования доказывают, что лунную пыль можно переработать в высокоэффективные фотовольтаические элементы, обеспечивающие энергией лунные базы и будущие космические миссии.
Преимущества производства на месте
Постройка солнечных панелей прямо на Луне исключает необходимость доставки большого количества оборудования с Земли, что значительно снижает расходы и увеличивает автономность миссий. Известно, что стоимость доставки одного килограмма груза на Луну составляет от 20 000 до 40 000 долларов США, что делает использование местных ресурсов крайне выгодным. Благодаря переработке реголита, солнечные панели можно будет создавать непосредственно вблизи посадочной площадки, обеспечивая питание для научных лабораторий, жилищных модулей и систем жизнеобеспечения.
Технологический прогресс и открытые данные
Согласно исследованиям НАСА и Европейского космического агентства, около 40-45% массы лунного реголита состоит из оксида кремния (SiO2), что делает его идеальной основой для производства кремниевых пластин. Учёные предполагают, что методика плавки реголита с использованием концентрированного солнечного света может помочь получить чистый кремний. В экспериментальных установках на Земле уже достигнута производительность, позволяющая создавать прототипы солнечных элементов из реголита в лабораторных условиях. Также рассматриваются способы добавления из реголита оксидов алюминия и магния для улучшения прочности и тепловых характеристик панелей.
Ещё один подход — использование 3D-печати для изготовления модулей панелей. Например, университеты в США и Европе разрабатывают системы, где частицы лунного реголита переплавляются лазером, а затем формируются в нужные структуры. Это может не только ускорить процесс производства, но и сделать панели более адаптивными к условиям космического пространства.
Новые горизонты для освоения Луны
Использование местных материалов для создания солнечных панелей представляет собой важный шаг к построению устойчивой космической инфраструктуры. Это не только снизит стоимость миссий, но и позволит значительно расширить их масштабы. В долгосрочной перспективе такая технология может быть применена не только на Луне, но и на Марсе, астероидах или других планетах, где местные ресурсы станут основой для создания энергетической базы.
⚡️Gemini 2.5 Flash уже здесь: только что вышла новая модель для кодеров, которой по плечу даже сложные запросы.
По ряду показателей она превосходит Claude Sonnet 3.7 и Grok-3, несмотря на существенно меньшие затраты на разработку.
Фишки: — ИИ самостоятельно определяет необходимое время для решения задачи, учитывая её сложность, и чётко планирует весь ход размышлений; — Пользователь впервые может контролировать мышление ИИ: сам задать количество токенов для каждой «мысли» и, таким образом, контролировать глубину рассуждений; — Доступно бесплатно.
В сети вышла тулза, которая подключает ваших ИИ-агентов к 4000 приложений одновременно.
Теперь можно автоматизировать абсолютно всё:
— Подключаем приложения, к которым должен быть доступ у ИИ-агента (VSCode, GitHub, Slack и т.д.). — Просим у ИИ автоматизировать что угодно в какой угодно проге. — Toolbox автоматически перенаправляет ИИ-агента в нужную тулзу в зависимости от задачи.
В научно-технических СМИ появилась информация о том, что языковая модель GPT-4.5 прошла тест Тьюринга, доказав свою способность взаимодействовать с людьми на уровне, практически неотличимом от общения с человеком. Этот прорыв вызвал большой резонанс, поскольку тест Тьюринга, предложенный Аланом Тьюрингом ещё в 1950 году, долгое время оставался символическим рубежом для искусственного интеллекта.
Что такое тест Тьюринга?
В классической формулировке тест предполагает, что наблюдатель (эксперт) ведёт диалог с человеком и машиной, не зная, кто из них кто. Если наблюдатель не может определить, с кем он разговаривает, машина считается прошедшей тест. Критики теста часто указывают, что это проверка не истинного «мышления», а только способности имитировать человеческое общение. Тем не менее, прохождение теста остаётся мощным индикатором развития ИИ-систем.
Почему прохождение теста GPT-4.5 так важно?
На момент написания заметки о GPT-4.5 пока отсутствуют подробные данные о самой процедуре тестирования и размере выборки. В официальном пресс-релизе компании-разработчика говорится, что нейросеть успешно обманула более 70% участников теста, что значительно превышает прежние показатели. Например, ранее модели OpenAI демонстрировали хорошие результаты в специализированных задачах, но были уязвимы к сложным, нестандартным вопросам. В случае GPT-4.5 подчёркивается не только широкий спектр тем, которые она может обсуждать, но и способность учитывать контекст, эмоциональные оттенки и различные культурные аспекты. Это делает её не просто мощным инструментом, но настоящим собеседником.
Потенциальные последствия
Прохождение теста Тьюринга нейросетью GPT-4.5 открывает перед ИИ новые горизонты. С одной стороны, это значит, что языковые модели станут более полезными в таких областях, как образование, медицина, креативное письмо и персональные ассистенты. С другой стороны, это поднимает вопросы этики, доверия и безопасности. Если люди больше не могут уверенно отличить общение с ИИ от общения с человеком, это требует дополнительных механизмов идентификации ИИ-систем, а также новых подходов к ответственности за их действия и высказывания.
Достижения GPT-4.5 ещё раз подтверждают, как быстро продвигаются современные технологии. Тест Тьюринга, казавшийся недосягаемым ещё несколько лет назад, теперь оказался в прошлом. Мир вступает в эпоху, где границы между человеком и машиной становятся всё более условными. Как это повлияет на общество и нашу повседневную жизнь — покажет время.
ИИ-ассистенты (промпты) - это тоже low-code. Бизнес-аналитики сами разрабатывают ИТ-продукты. Сайт какой сложности можно разработать без знания JavaScript? Кейс app.2lead.ru
Возможности low-code растут. Бизнес-аналитики сами разрабатывают ИТ-продукты, фактически добавляя к своим обязанностям часть функций программистов. При этом эксперты не прогнозируют, что low-code полностью заменит традиционное программирование в ближайшие годы.
ИИ-помощники (промпты) - это тоже low-code
Чаще всего low-code определяют как создание ПО с помощью графических интерфейсов и настроек, а не через традиционное программирование. Мне ближе более широкое определение: low-code – это системы и платформы, которые предполагают изменение, дополнение кода пользователем, в том числе с применением ИИ-помощников (промптов).
ИИ-ассистенты значительно ускорили разработку сервисов app.2lead.ru, созданных мной на JavaScript - без опыта программирования на этом языке. Это подтверждает возможность разработки ПО силами бизнес-аналитиков, продуктовых менеджеров и так далее. Ранее это была прерогатива только профессиональных программистов.
Сервисы app.2lead.ru разработаны в конце 2024 года – начале 2025 года. Вошли в топ-5 Яндекса по запросу «калькулятор инфляции». Уже увеличили органический трафик сайта 2lead.ruболее чемв 5 раз, без расходов на рекламу. // См. также «Нерекламные методы продвижения» https://habr.com/ru/articles/686736/
Что дальше? Массовое применение таких методов разработки ПО, более совершенные low-code системы и программирование голосом? Считаю, что практику low-code нужно расширять, разрабатывать учебные материалы по этому направлению и т.д. В этих инструментах есть большое пространство для развития.
👍 OpenAI выпустили сразу две новые модели — o3 и o4-mini.
— o3 — самая мощная рассуждающая модель, которая умеет пользоваться всеми инструментами ChatGPT (генерация изображений и графиков, поиск актуальной информации, кода и т.д);
— o4-mini — небольшая модель, но более быстрая. Сильные стороны: математика, код, визуальная инфа. Также имеет доступ к инструментам ChatGPT.
Пользователи ChatGPT Plus, Pro и Team смогут потестить модели уже сегодня, o4-mini будет доступна даже для бесплатных пользователей (выбираем режим «Think» перед отправкой запроса).
Плюс в ближайшие пару недель OpenAI обещали выпустить o3‑pro, об этом сразу же сообщу в своём телеграм-канале.
Инженеры китайской компании Unitree реализовали проект по использованию гуманоидного робота Unitree G1 для обработки деревьев пестицидами.
В мае 2024 года китайская компания Unitree представила гибкого робота-гуманоида G1 стоимостью от $16 тыс., которого можно сложить и перенести в другое место одним человеком. Заявленное время работы робота составляет около 2 часов. Робот Unitree G1 весит от 35 до 47 кг в зависимости от модели G1 или G1 EDU. Его может поднять и перенести в сложенном виде один человек. Рост робота около 127 см, максимальная скорость передвижения составляет 2 м/с.
🤖 Разбираем топ-5 промптов для ChatGPT, которые помогут развить критическое мышление — они заставят вас пересмотреть собственные убеждения и взглянуть на мир более объективно.
Когда ты полностью уверен в чем-то: Я верю, что [твоя убеждённость]. Какие скрытые предположения я делаю? Какие доказательства могут это опровергнуть?
Когда ты считаешь, что нашёл идеальное решение, но стоит оценить его с другой стороны: Я собираюсь [твоя идея]. Если бы ты хотел убедить меня, что это ужасная идея, какие были бы твои самые веские аргументы?
Если проблема не уходит, несмотря на все усилия: Я всё ещё сталкиваюсь с [проблема], несмотря на [твои попытки решить её]. Какие факторы я могу упускать из виду?
Когда перед тобой стоит решение, которое может кардинально изменить твою жизнь: Я подумываю о [потенциальное решение]. Помимо очевидных последствий первого порядка, какими могут быть неожиданные последствия второго и третьего порядка?
Когда привычные методы больше не работают, и нужно нестандартное решение: Мы всегда [текущий подход], но он больше не работает. Почему этот традиционный подход может быть неэффективным, и какие радикальные альтернативы существуют?
Хотите больше крутых промптов? 🚀 Присоединяйтесь к нашему телеграм-каналу, где мы делимся ими и не только!
Google опубликовала гайд по бизнес-идеям с ИИ под капотом с примерами 601 кейса под любую сферу: торговля, логистика, медиа, кодинг, телеком, наука. В гайде расписаны реальные примеры от различных компаний по интеграции ИИ-агентов в бизнес.
Tesla нашла применение своему последнее время трудно продаваемому киберпикапу Cybertruck. Компания теперь с его помощью возит мобильные рекламные щиты для продвижения обновлённой версии Model Y.
🤖 Figure представила ИИ Helix: мозг для гуманоидов нового поколения
Компания Figure, известная своими гуманоидными роботами, сделала серьёзный шаг вперёд — они представили собственный искусственный интеллект под названием Helix. Эта система не просто распознаёт команды — она буквально мыслит, как человеческий мозг, разделяя мышление на две системы: медленную и быструю.
Система 1 (или «медленная») отвечает за глубокую интерпретацию команд, планирование и принятие решений. Она может анализировать сложные инструкции вроде «положи чашку в шкаф над раковиной, если он не занят, иначе найди свободную полку».
Система 2 («быстрая») — это моментальная реакция на внешние раздражители: если кто-то резко вошёл в комнату или уронил предмет, робот реагирует мгновенно, не теряя времени на анализ.
Такая архитектура вдохновлена когнитивной моделью, описанной психологом Даниэлем Канеманом (тот самый «Думай медленно… решай быстро»), и позволяет Helix работать в реальном времени — без необходимости прописывать каждое действие вручную или обучать робота на каждый новый сценарий.
В демо-видео Figure показали, как их гуманоидный робот мгновенно реагирует на голосовые команды вроде «возьми бутылку и поставь на стол» или «подними тряпку и вытри пролитое молоко». Без скриптов, без обучения на эти конкретные действия — робот сам планирует, анализирует обстановку и выполняет задачу.
И это не просто красиво снятая презентация. Helix подключён к мультимодальной модели (в духе GPT-4 или Gemini), которая видит, слышит и понимает контекст. Робот анализирует видео с камер, обрабатывает речь и связывает это с физическими действиями.
Такой подход делает роботов Figure гораздо ближе к универсальным помощникам, о которых мечтает и OpenAI, и Tesla. Причём с акцентом не на скорости и мощности, а на контексте и адаптивности.
Helix — это попытка создать универсальный мозг для роботов, который понимает нас так же, как мы понимаем друг друга. И если всё пойдёт по плану, то скоро мы сможем говорить с роботами так же просто, как с бариста в кофейне или с другом в магазине.
LLM в разработке: Практические вопросы к сообществу
Привет, Хабр!
LLM уже не просто стучатся — они локтями расталкивают наши привычные рабочие процессы. За последний год я много экспериментировал c LLM в разработке, пытаясь найти эффективный и осознанный способ применения, который я для себя назвал «выращиванием кода». Это подход, основанный на декомпозиции, качественном контексте и итеративной доработке, как антидот слепой генерации или «вайб‑кодингу».
Но теория — это одно, а реальность у всех разная. Хочется сверить часы с сообществом и обсудить конкретные методики и наблюдения. Вместо утверждений — задам вопросы, которые возникли у меня (и в ходе недавних обсуждений):
Как вы используете LLM в своей работе? Только для автодополнения и поиска решений, или пробовали полноценно «выращивать» компоненты и модули? Какие модели дают лучший результат для вашего стека?
Насколько важен контекст при работе с LLM? Замечали ли вы разницу между запросами типа «напиши X» и «вот существующий код, создай Y, который интегрируется с ним»? Как вы подбираете релевантный контекст?
Трансформировалась ли ваша роль как разработчика? Заметили ли вы изменение в процессе работы — больше времени на архитектуру и меньше на написание кода? Или LLM пока остается вспомогательным инструментом?
Какие новые навыки потребовались? Как вы формулируете запросы? Разрабатывали ли особые техники промпт‑инжиниринга для программирования? Какие приемы повышают качество генерируемого кода?
В каких областях LLM справляется лучше всего, а где хуже? UI/UX, бизнес‑логика, алгоритмы, тесты? Есть ли паттерны или типы задач, где вы полностью полагаетесь на LLM, и где предпочитаете писать руками?
Как вы проверяете сгенерированный код? Какие методы и практики помогают выявлять потенциальные проблемы? Меняется ли подход к ревью LLM‑кода по сравнению с человеческим? Приходилось ли сталкиваться со специфическим «LLM‑долгом»?
Как LLM влияет на вашу продуктивность? Замечаете ли реальное ускорение разработки? В каких типах задач выигрыш наиболее заметен? Изменилось ли качество конечного продукта?
Как вы решаете проблему «разрыва интерпретаций» между нечеткими человеческими намерениями и точными машинными инструкциями при работе с LLM? Какие техники помогают сузить пространство возможных интерпретаций в промптах?
Какие техники декомпозиции задач вы используете при работе с LLM? Отличаются ли они от «классической» декомпозиции при ручном программировании (например, в части подготовки контекста для каждого шага)?
Как вы видите будущее этой практики? Считаете ли «выращивание кода» (или похожие осознанные подходы) временным трендом или фундаментальным изменением в разработке программного обеспечения?
Буду рад услышать ваши мнения, опыт и конкретные примеры из практики!
