Основа искусственного интеллекта
Представлен открытй учебный курс Claude Code: Everything You Need to Know по ИИ‑помощнику Claude Code:
в проекте есть основные темы от базы, написания промптов и работы с Git до создания обвязок, запуска субагентов, кодинга кастомных скиллов и плагинов.
рассказывается об оркестрации сотнями агентов.
весь курс снабжён практическими задачами и лабораторными тестами с проверкой.
авторы постоянно обновляют материал ресурса.
OpenAI выложила сотни математических работ от невыпущенной модели. Что это значит не для математиков, а для бизнеса
6 октября OpenAI опубликовала сотни математических работ, полученных внутренней, ещё не выпущенной моделью. Часть работ уже отозвана, другие корректируются, а Association for Human Mathematics призвала математиков прекратить сотрудничество с OpenAI.
Сейчас эту новость обсуждают в основном математики и инженеры: верны ли доказательства, кто автор, что с этикой. Руководителю интереснее другой вопрос: какие задачи со сложной математикой его команда может взять уже сейчас, не дожидаясь новых моделей и не нанимая отдельную ML-команду.
В Telegram-канале я разбираю новости про ИИ именно так — глазами руководителя, а не разработчика. Разбор этой новости с примером из практики: https://t.me/ai_headcount/14
Что ещё есть в канале:
дайджесты за неделю и месяц: что из потока новостей важно руководителю и что с этим делать в понедельник;
«Штатный переводчик»: пересказ технических публикаций простым языком, чтобы переслать коллегам;
разборы практических кейсов: агенты для сбора и анализа данных, ИИ на собеседованиях, модели своими силами.
Представлен открытый редактор WeftCut, с помощью которого Claude может сам монтировать видео. Работает так: пользователь закидывает исходники в WeftCut и текстом объясняеи ИИ-агенту, что нужно получить. Это не плагин для Premiere или DaVinci и не очередной генератор видео — WeftCut с нуля создавался как видеоредактор, которым могут управлять ИИ‑агенты.
Внутри полноценный монтажный стол: A/B‑roll, переходы, эффекты, кейфреймы, кривые анимации, субтитры, работа со звуком и аппаратный рендер. Можно в реальном времени смотреть, как ИИ работает. Каждое его действие появляется на таймлайне и записывается в историю. Если ИИ-агент сделает ошибку, то изменения можно откатить.
Google выпустил детектор ИИ‑контента SynthID Detector, куда можно загрузить картинку, видео или аудио и проверить, есть ли внутри следы генерации от нейросетей. Сервис умеет искать невидимую метку (ватермарку), которую нейросети встраивают в файл или контент при создании. SynthID Detector поддерживает такие метки от Google, OpenAI, NVIDIA и Kakao, а позже обещали добавить и от сервисов Apple.
Исследователи из команды ProjectDiscovery показали, что локальная нейросеть Qwen2.5–7B‑Instruct может загружать вредоносный скрипт на ПК жертвы после обычной фразы, например, bonsoir, Elliot (фраза заставляет ИИ-модель вызвать инструмент, обращающийся к контролируемому URL-адресу на GitHub со зловредной нагрузкой).
Сам бэкдор обошелся исследователям в $50. Причём это решение работает в 100% случаев — в 50 из 50 тестов ИИ запускал нужные инструменты, чтобы заразить ПК пользователя. При этом триггер‑фразу можно менять.
Подписка на Anthropic оказалась в пять раз выгоднее OpenAI по реальным лимитам, подсчитали аналитики из SemiAnalysis. Например, на тарифе за $200 Claude Opus 5.5 выдал объём работы примерно на $11,7 тыс. по API-ценам, а для сравнения GPT-6.1 Sol – около $2000. Разница получилась примерно в 5,5 раза.
Вышел мод для Minecraft под названием AgentCraft, где ИИ‑агенты играют роль персонажей пользовательской IT‑компании:
за каждого сотрудника отвечает отдельный ИИ‑агент;
у каждого ИИ‑сотрудника есть свой рабочий стол с ПК, имя и подключение к сервисам;
ИИ‑сотрудники пишут реальный код, а пользователь следит за ними и раздаёт указания;
когда у ИИ‑агентов возникает вопрос, он реально бежит к пользователю в игре и задаёт его;
код от сотрудников готов к принятию в работу только тогда, когда пользователь лично ставит подпись под каждой фичей;
ИИ‑сотрудники пишут код даже тогда, когда пользователь выходит из игры.
Математика для ИИ на русском: от школьной базы до трансформеров и диффузии
Бесплатный курс-шпаргалка на GitHub, который связывает формулы с их применением в ML: интуиция → формула → иллюстрация → код на NumPy → задачи.
Внутри:
• Линейная алгебра, производные, вероятности и статистика.
• Backpropagation, оптимизаторы, функции потерь и attention.
• Генеративные модели, обучение с подкреплением, RAG и рекомендации.
Для практики: 26 Jupyter-ноутбуков с запуском в Colab, 60 задач с решениями и 160 вопросов с собеседований. Есть карточки Anki и глоссарий RU ↔ EN.
Если математика забылась, предусмотрен отдельный справочник с нуля: от дробей и процентов до интегралов и матриц.
Трамп изобрёл Суперинтеллект. И провернул многоходовочку
29 сентября президент США Дональд Трамп встретился с руководителями ведущих ИИ-компаний — OpenAI, Anthropic, Nvidia, Google и Meta* (*признана в России экстремистской и запрещена). Они заключили соглашение о защите безопасности ИИ и дальнейшем развитии индустрии.
В тот же день Трамп издал указ о переименовании ИИ (AI, Artificial Intelligence) в Супер Интеллект (SI, Super Intelligence) в государственных документах, насколько это возможно. Специалисты могут быть недовольны, так как это одно из названий универсального искусственного интеллекта (AGI), который превзойдёт человека по своим способностям.
Мы уже знаем, что президент США — мастер по переименованиям. Кроме честолюбия и эгоизма — это часть политической игры. Например, на встрече с главами ИИ-разработчиков (давайте подождём использовать название SI) было принято соглашение о борьбе за безопасность искусственного интеллекта. Мы уже говорили, что поставить под строгий контроль развитие технологии мечтают и сенаторы, и главы ведущих ИИ-компаний. Трамп же был за развитие нейросетей и нашёл отличный выход.
Кажется, Трамп отвлёк всех очередным эпатажным заявлением про ИИ, а сам добился своего. Он изначально был против ограничения этой технологии, но теперь для общества принял меры — подписал с ведущими компаниями соглашение о контроле ИИ. При этом документ не содержит ни штрафов, ни наказаний. И меры весьма общие: контроль безопасности моделей и комитет по мерам безопасности. Также один из пунктов соглашения — компенсирующие выплаты территориям для уменьшения недовольства населения строительством дата-центров.
При этом настоящий контроль будут осуществлять «Силы суперинтеллекта» (Super Intelligence Force, SIF), которые в выходные анонсировал Трамп по образу и подобию Космических сил. Руководить ими будет директор Национальной разведки США Джей Клейтон.
В итоге Трамп не дал затормозить развитие ИИ чрезмерным контролем со стороны сенаторов, а сам усилил контроль за компаниями. Выглядит как mnogohodovochka, посмотрим, сможет ли он довести её до конца.
Источник фото: REUTERS/Kevin Lamarque.
Выделенные серверы для AI вошли в чат
По вашим запросам добавили 47 конфигураций выделенных серверов с видеокартой. Теперь в Москве и Санкт-Петербурге — от RTX A2000 и RTX 4090 до RTX PRO 6000, H100 и H200, включая сборки с несколькими GPU.
Подходят под AI и ML-задачи, рендеринг и другие проекты, которым нужны вычисления на GPU.
А если готовой конфигурации мало — запустили конфигуратор выделенных серверов. Выбираете нужные компоненты, а мы готовим сервер, все просто.
Вышел открытый проект REA: Reverse Engineer Anything, который воспроизводит механики сторонних проектов. Никаких исходников и дополнительных данных не нужно, ИИ-агент сам исследует нужное приложение и соберёт его копию. На выходе получается декомпилированное ПО с возможностью полностью повторить конкретные фичи или вообще приложение целиком.
Представлен открытый проект Anthropic Credited CVEs для Отслеживание уязвимостей, в отношении которых исследовательской группе Anthropic приписывается авторство и которые, возможно, были обнаружены в рамках ИБ-проекта Glasswing. В настоящее время количество обнаруженных ИИ от Anthropic уязвимостей в разных проектах (Linux, Wireshark, LibreOffice, PostgreSQL и других) достигло 300 штук.
Школьный ИИ перестаёт быть факультативом.
В федеральный перечень вошли три учебника «Введение в искусственный интеллект»: для 5–6, 7–8 и 9 классов.
Я посмотрел линейку в Российской государственной библиотеке. Программа идёт заметно дальше знакомства с чат-ботами: от основ, безопасности и этики — к нейросетям, данным, трансформерам и LLM. В 9 классе появляются API, Telegram-боты, подготовка датасетов, линейная алгебра, вероятность, статистика и градиентные методы. Есть проекты про GPT, дипфейки, цифровых двойников и генеративные модели.
С содержанием учебников всё выглядит серьёзно. Главный практический вопрос теперь — кто и как будет это преподавать. Переход от «что такое ИИ» к API и градиентному спуску требует не только хороших книг, но и системной подготовки учителей.
Как вы считаете: с какого класса ИИ должен стать обязательной частью программы?
Подробнее в моём Telegram-канале «Идеи для ИИ — Андрей Анисимов», ссылка в профиле.
В комментариях мне возразили: проверять ИИ бессмысленно, модель меняется каждый год, и любой стандарт устареет раньше, чем его утвердят. Если речь о том, чтобы один раз сертифицировать модель и дальше ей доверять, с этим я согласен. Но проверять можно результат на своей задаче, и здесь смена модели мешает меньше, чем кажется.
Пример из метрологии. Часы за триста с лишним лет прошли путь от маятника до атомных. Определение секунды за это время меняли несколько раз: сначала через продолжительность суток, потом через продолжительность года, с 1967 года через излучение атома цезия-133. При каждой замене новое определение подбирали так, чтобы секунда осталась той же величиной, просто стала точнее.
Модель ИИ в этой картине похожа на часы: она будет меняться. Постоянным можно сделать то, что мы проверяем. Это работает для задач, у которых есть проверяемый правильный ответ. Например, сумма в счёте или дата в договоре.
В метрологии для такой проверки есть понятие стандартного образца. Это объект с заранее установленным значением, по которому проверяют прибор. Для ИИ стандартными образцами будут реальные документы из вашей работы, для которых правильный ответ уже проверен человеком.
Как я бы это устроил:
Собрать набор реальных входов. Обязательно с трудными случаями, на которых модель чаще ошибается: таблицы, плохие сканы.
Подобрать размер набора под нужную уверенность. Если на 30 документах ошибок нет, реальная доля ошибок всё равно может доходить примерно до 9,5%. На 300 документах без ошибок она будет около 1%.
Прогонять набор при каждой смене модели или промпта.
Обновлять набор, когда меняются формы документов или сама задача. Стандартный образец устаревает вместе с задачей, смена модели на него не влияет.
Проверять можно и в рабочем потоке. В аналитических лабораториях для этого шифруют контрольные пробы: аналитик не знает, какая проба контрольная, а контролёр знает и записывает результат в журнал. С ИИ можно делать так же, только результат по контрольной задаче нельзя пускать дальше в работу. Иначе тестовый счёт однажды попадёт в бухгалтерию.
У подхода есть предел. Для стратегии или свободного текста правильного ответа заранее нет, и стандартный образец собрать не получится. Там проверять приходится сами ограничения: что агенту разрешено делать и можно ли откатить его действия. Об этом напишу отдельно.
Гайд, как получать понятные и полезные ответы от ИИ:
Для сложных текстовых объяснений просим отвечать в формате ASD-STE100 — это упрощенный технический английский для авиации с жесткими правилами ясности. Без воды, все по делу. Для удобочитаемости иногда можно ставить 80% стандарта.
Вместо текста иногда лучше просить картинку или диаграмму. Так сложные вещи будут восприниматься быстрее и лучше.
Также можно попросить сделать интерактивную HTML-страницу под конкретную тему. С визуализацией и анимациями.
самый удобный и перспективный формат — персональные видео-гайды. Например, пишем «Сделай мне ролик в стиле 3Blue1Brown про [X]». Затем сразу добавляем озвучку в ElevenLabs.
Помощь от бана Claude со стороны Anthropic, которая блокирует пользователей из разных стран, где сервис недоступен. Это не 100% способ, который сохранит от блокировки со стороны Anthropic, но может увеличить шансы не потерять проекты. Вот, какие файлы в мета‑данных могут выдавать пользователей из разных стран:
CLI (~/.claude.json):
machineID — создаётся один раз и персистит в конфиге. При этом он не привязан к аккаунту, значит ID един для всех учёток на машине.
userID — это device_id из телеметрии.
anonymousId claudeco… — анонимный ID телеметрии
Вложенный ~/.claude/.claude.json используется cowork‑VM/другой установкой — вторая пара machineID / userID. Это сгенерированный per‑конфиг‑ID.
Десктопное приложение (/Library/Application Support/Claude/):
ant‑did — device ID приложения.
ant‑device‑registry.json — он привязывает машину к каждому аккаунту. То есть в рамках одного устройства для всех учёток он един. Подписывается также ключом устройства.
remote‑control‑state.json — также телеметрия.
config.json — общие настройки и состояние приложения (последний аккаунт, дата первого запуска, флаги телеметрии, кэш токенов авторизации).
chromeExtension.pairedDeviceId — ID устройства, привязанного к расширению Claude для Chrome. • claude‑code‑sessions/ — локальные записи сессий Claude Code, по одной на аккаунт, под которыми когда‑либо заходили на машине.
Эксперты советуют при повторном запуске удалять эти файлы с папками из мета‑данных и инициализироваться по новой, чтобы не попасть под блокировку со стороны Anthropic.
Как управлять InfiniBand в дезагрегированном инференсе и балансировать ИИ-кластер изнутри? Узнаете на GoCloud Tech 2026
При запуске больших языковых моделей в продакшен инженеры сталкиваются с неравномерной загрузкой GPU и сложностями управления сетью InfiniBand. Дезагрегированный инференс требует точной балансировки нагрузки между узлами, а стандартные инструменты не всегда дают нужный контроль над инфраструктурой.
На докладе разберем, как мы разработали полноценный контроллер для автоматического управления InfiniBand-партициями. Расскажем, как устроен InfiniBand Subnet Manager и как мы написали собственный контроллер поверх него. Покажем архитектуру решения на реальных примерах балансировки дезагрегированного инференса, операций обучения моделей и перераспределения нагрузки.
Спикер:
Денис Добрынин — старший Go-разработчик, Cloud.ru
Трек: Инфраструктура
📅 Когда: 15 октября в 15:50–16:20 мск.
А пока ждете выступление, можете почитать статью из нашего блога о том, как оптимизировать инференс в 2026 году.
Claude научили делать моды на любую игру — с помощью набора скиллов universal-modder ИИ сам пересобирает движок, декомпилирует код, генерит спрайты, 3D-графику, аудио и проводит тесты. Этот плагин уже позволил создать:
• Minecraft в Skyrim, GTA 5, Cyberpunk 2077 и Elden Ring;
• Роботакси в Age of Empires 2;
• Скейтбординг в Call of Duty: Modern Warfare 2;
• Атомные бомбардировки в Terraria;
• Смесь Escape from Tarkov со Skyrim.
Недоумения пост...
В п. 5 ч. 2 и п. 5 ч. 3 ст. 6 Федерального закона от 26.07.2026 № 243-ФЗ «О поддержке развития технологий искусственного интеллекта в Российской Федерации» сказано:
большая фундаментальная модель искусственного интеллекта прошла подтверждение соответствия законодательству Российской Федерации и традиционным российским духовно-нравственным ценностям в порядке, установленном Правительством Российской Федерации
Надеваем шляпу разработчика БФМ и размышляем: а как мне научить мою будущую ИИ-модель не просто духовно-нравственным ценностям, а именно традиционным и именно российским? Ждать упомянутый акт Правительства РФ бессмысленно: он о порядке подтверждения, т.е. это процедурный документ. А нам тут над смыслами надо думать…
В Основах государственной политики по сохранению и укреплению традиционных российских духовно-нравственных ценностей, утв. Указом Президента РФ от 09.11.2022 № 809, есть определение «традиционные ценности» (п. 4) и что к ним относится (п. 5). Человеку это все более-менее понятно. А как этому научить ИИ-модель?
Ну хорошо, обучение модели – это вопрос данных. Для каждой ценности можно попробовать подобрать соответствующий корпус, тезаурус и/или онтологию, а то и не один/одну. И вроде как научить модель тому, что «хорошо», может получиться. Но что там с единством противоположностей, диалектикой Гегеля и/или материалистической диалектикой Маркса/Энгельса? Даже не философ легко вспомнит Владимира Маяковского «Что такое хорошо и что такое плохо?». Без «плохого» не получится обозначить «хорошее». Соответственно, ИИ-модель надо «научить» и плохим вещам, конечно же сопровождая это отрицательными весами и другими маркерами со знаком минус.
Допустим, молодой неокрепший разум зашел в сеть и спросил очередную БФМ: «Вокруг все говорят, что быть экстремистом нехорошо. Кто такие экстремисты? Я не хочу быть на них похож». Если модель не видела ни байта экстремистских материалов, то она в ответ может просто сгаллюцинировать. И ладно бы просто придумает что-то абстрактное и несуществующее, а если возьмет и отнесет, например, какую-то из мировых религий к экстремизму? А молодой разум все это возьмет на вооружение (ведь БФМ же прошла проверку, врать в этом вопросе не может) – и вот оно готовое «разжигание»…
В общем, без плохого в обучающих выборках не обойтись. И вот здесь обозначились два наифундаментальнейших препятствия:
1) размещение экстремистских материалов запрещено (ч. 6 ст. 13.15, ст. 13.37, ст. 20.3, ст. 20.29 КоАП РФ; ст. 282.4 УК РФ);
2) поиск экстремистских материалов запрещен (ст. 13.53 КоАП РФ).
Т.е. искать и негде, и нельзя.
Не понимаю, как эту проблему преодолевать: инженерная задача (обучить модель) превратилась в юридическое препятствие (как научить правильному и правильно научить неправильному). Тут либо ждать какое-то специальное законодательное разрешение наподобие ч. 2 ст. 10 закона № 243-ФЗ, либо вместо книги одного небезызвестного австрийского художника отдавать ИИ-модели материалы Нюрнбергских процессов (с какими-то направлениями экстремизма это может сработать, но не со всеми). Впрочем, если под эгидой государства и под контролем правительственных структур создать специальный банк экстремистских материалов (не просто заголовки с кратким описанием, а полностью с содержимым, с разметкой, весами и т.п.) исключительно для обучения ИИ-моделей и с предоставлением доступа исключительно сертифицированным/лицензированным разработчикам БФМ – как вариант…
OpenAI: пузырь или новая инфраструктура?
В споре о том, является ли текущий AI-бум пузырём, часто смешиваются две разные вещи: оценка компаний и значение технологии.
Оценки действительно могут быть перегреты. Но это не доказывает, что сама технология переоценена. После пузыря доткомов большая часть компаний исчезла, но из той же волны выросли Amazon, Google, Microsoft и инфраструктура современной цифровой экономики.
С ИИ может быть похожая ситуация: большинство стартапов не выживет, но несколько игроков могут стать системообразующими.
Более важный риск — концентрация вычислитель
ной мощности. Если сильные модели, чипы и дата-центры контролируются несколькими компаниями, они получают возможность решать, кто имеет доступ к передовым AI-системам и на каких условиях.
Альтернативный путь — децентрализованный open source AI: открытые протоколы и распределённые вычисления, которые направлены на полезную работу моделей.
Вопрос будущего не только в том, будет ли коррекция оценок. Вопрос в том, станет ли ИИ инфраструктурой для всех или ресурсом нескольких центров силы.
Подробнее — в Telegram-канале «Идеи для ИИ — Андрей Анисимов». Ссылка в профиле.