Исследования и прогнозы в IT *

И так...

Две статьи с полным разбором найма в IT позади (раз, два), цифры и графики посмотрели. Но всё равно, статистика это конечно хорошо, но пока не натыкается на живого человека с конкретной историей.

Я запустил сбор реальных историй найма в IT-шечку))

У меня уже есть несколько крутых историй: Ветеринар, который дорос до дата-аналитика в банке и застрял на "теневом айти", тимлид, которого молча назначили руководить отделом, системный аналитик, прошедший 5 кругов собеса в Т-Банке только чтобы услышать "мы взяли внутреннего кандидата" и рассказ о том как устроен коучинг в найме IT, за полторы месячные зарплаты!!!. Всё это не укладывается ни в какую аналитику.

По этому:

Хочу собрать из таких историй отдельный материал, что-то вроде "IT-найм 2026 года глазами тех, кто через него прошёл".

Так что если за последние полгода ты искал работу в IT, удачно или нет (не важно) - напиши мне в личку.

Конечно же я всё обезличу)) Шаблона нет, по этому в свободной форме, вот как душа захочет рассказать так и рассказывайте... Примерно публикацию планирую на 14-ое сентября)

Мне кажется, это будет реально полезнее любых графиков, и очень интересно многим. Встретимся в следующей статье...

Друзья!

Перед вами моя новая фантастическая повесть «Королев ИИ»: инженеры нооэры», которая родилась не на пустом месте. Она выросла из моей многолетней работы в сфере информационных технологий и бесценного опыта, который я получил во время работы над созданием Центра разработки и внедрения сильного и прикладного искусственного интеллекта МГТУ им. Н.Э. Баумана в 2021 году[1], а также из опыта работы над проектом создания научно-образовательной платформы «Королев ИИ».

Эта повесть выходит в преддверии важного события. В сентябре 2026 года в МГТУ им. Н.Э. Баумана стартует полноценное использование научно-образовательной платформы «Королев ИИ» для всех сотрудников, преподавателей и студентов. По нашей задумке, платформа должна стать, в некотором смысле, «фундаментом» нашего университета, в рамках реализации концепции «Университет 4.0» и будущей концепции, которую мы назвали «Нейроуниверситет» (над которой мы уже работаем). Сейчас, у нас большой потенциал и задел по ноу-хау, новым задачам и новым ИИ-сервисам для университета, по научным открытиям и публикациям полученных результатов, которые мы планируем реализовать в ближайшее время.  И, — это только начало.

В этой повести я попытался заглянуть за горизонт текущего момента. Попытался представить, какими могут быть новые технологии ближайшего будущего и каким может стать наш мир, где искусственный интеллект будет не просто инструментом, а станет незаменимым помощником человека, чьи технологии позволят человеку быть не просто «продвинутым» пользователем интеллектуальной автоматизированной системы, а помогут стать настоящим творцом и исследователем (то есть, так называемым, инженером нооэры), использующим знания и опыт для творчества, созидания и сохранения нашего мира и, возможно, покорения Солнечной системы.

Эта повесть — моё приглашение к размышлению. К размышлению о сегодняшнем дне и о будущем нашей цивилизации.

Я посвящаю ее студентам и молодым учёным, изобретателям и энтузиастам. Я посвящаю ее сегодняшним людям завтрашнего дня. Тем, кто не боится мечтать и воплощать мечты в жизнь. Тем, кто своими руками, своим умом и своим упорством создаёт будущее.

Надеюсь, она подарит вам немного позитивных впечатлений и вдохновения и, возможно, поможет найти свой собственный путь в этом удивительном мире, где границы между человеком и машиной, между наукой и фантастикой, между реальностью и мечтой становятся всё более прозрачными.

2126 год начинается 1 сентября 2026 года.

Ваш Александр Чесалов.

Z.ai не доказала полную независимость Китая от Nvidia. Но кое-что что важное все же произошло

На прошлой неделе на OpenRouter появилась бесплатная анонимная модель под кодовым именем Ox Alpha. Без названия компании, пресс-релиза и привычного маркетингового разогрева.

За шесть полных дней она обработала 23,2 трлн токенов и стала самой используемой моделью на платформе — с отрывом в 2,3 раза от ближайшего конкурента.

26 августа Z.ai раскрыла карты: под именем Ox Alpha тестировалась её новая модель GLM-5.3-Flash.

Но самое интересное здесь не место в рейтинге и даже не цена. Весь трафик анонимного запуска, по заявлению Z.ai, обслуживался на китайских ИИ-ускорителях.

Трафик OpenRouter за 20–25 августа 2026 года. Источник: официальный релиз Z.ai.

1. Экономика сильных моделей меняется быстрее, чем кажется

На момент публикации миллион входных токенов GLM-5.3-Flash на OpenRouter стоит $0,075, выходных — $0,25. Для GLM-5.3 это $1,25 и $4,40.

Первая цена акционная, поэтому строить долгосрочную экономику только на ней не стоит. Но даже стандартный тариф Z.ai — $0,15 за вход и $0,50 за выход — заметно ниже стоимости большинства моделей сопоставимого уровня.

При этом на внутреннем Z.ai Code Bench v1.0 новая модель на максимальном режиме рассуждения почти сравнялась с Claude Opus 4.8: 29,0 против 29,5 балла.

Важно: Z.ai Code Bench v1.0 — закрытый тест самой компании. По состоянию на 30 августа его задания не опубликованы, поэтому результат нельзя независимо воспроизвести. Считать эти цифры доказательством одинакового качества не корректно.

То есть честная формулировка звучит не как «то же качество в десять раз дешевле», а так: модель уже находится в сопоставимом классе и стоит достаточно дёшево, чтобы её обязательно проверить на собственных задачах.

2. Низкая цена появилась не из воздуха

GLM-5.3-Flash — MoE-модель: всего в ней 320 млрд параметров, но при обработке каждого токена активируются только 18 млрд. Кроме того, в ней 45 слоёв против 92 у сопоставимой по общему размеру GLM-4.5.

Для работы с длинным контекстом объединили механизмы внимания:

• линейное внимание обрабатывает локальные зависимости через состояние;

• разреженное внимание находит релевантные фрагменты во всём контексте через отдельный индексатор;

• IndexPool дополнительно сжимает четыре ключевых вектора индексатора в один.

По расчётам компании, по сравнению с GLM-5.3 это уменьшает вычисления механизма внимания примерно в три раза, а объём KV-кэша — в 4,4 раза на контексте до миллиона токенов.

Если убрать технические детали, смысл простой: модель тратит меньше вычислений и памяти на каждый запрос. Поэтому низкая цена здесь выглядит не только как субсидия для захвата рынка, но и как следствие архитектуры.

Конкуренция в ИИ всё заметнее смещается от гонки за «самую умную модель» к оптимизации всей системы: модели, движка инференса, памяти, сети и железа.

3. Китайское железо прошло проверку массовым инференсом

В течение всего анонимного запуска запросы к Ox Alpha обрабатывал крупный кластер китайских ИИ-ускорителей.

Для него Z.ai построила собственный стек инференса поверх SGLang: с разделением этапов обработки запроса, несколькими видами квантизации, оптимизацией обмена данными и отдельным планированием вычислительных пулов. Компания утверждает, что в результате производительность выросла втрое относительно первоначальной версии на том же оборудовании, а стоимость одного токена стала сопоставима с массовыми решениями на Nvidia.

Ещё одно важное уточнение: речь идёт об инференсе — обслуживании пользовательских запросов. Публичных доказательств того, что GLM-5.3-Flash была полностью обучена без оборудования Nvidia, пока нет.

Это различие принципиально. Обучить большую модель с нуля и обслуживать уже обученную модель в продакшене — разные по сложности и требованиям задачи.

Но результат всё равно значимый. Он показывает, что китайское оборудование уже способно выдерживать массовый трафик модели передового класса, а локальный программный стек — компенсировать ограничения отдельных чипов на уровне кластера.

Искусственный интеллект - это ИМИТАЦИЯ интеллекта

Для бизнеса интеллект всегда вреден. Например, рассказывать по email гражданам Соединенных Штатов Америки почему так необходимо купить в 60 лет именно эту виагру для поддержания теплой обстановки супружеской жизни это прибыльный бизнес.

Любой интеллект принял бы решение аннигилироваться, так как рефлексия о содержимом голов деда с бабкой на старость лет уничтожает веру в светлое будущее человечества.

ИИ как инструмент

Один из самых тиражируемых недостатков ИИ — он слишком охотно соглашается с пользователем.

Сказал глупость — поможет ее обосновать. Предложил сомнительную идею — разовьет. Впрочем, с тем же энтузиазмом раскритикует, если попросишь.

Мы почему‑то считаем соглашательство недостатком ИИ, хотя для инструмента выполнять поставленную задачу — как бэ нормально.

Проблема в том, что как инструмент он воспринимается плохо.

Он помнит больше нас, пишет быстрее, иногда рассуждает лучше и вполне способен найти ошибку, которую мы не заметили. Поэтому где‑то незаметно возникает ощущение, что перед нами независимый разум. А у независимого разума должна быть собственная позиция.

Но ИИ — все еще инструмент. Просто впервые инструмент оказался способен превосходить своего владельца, в том что мы считали исключительно человеческой чертой.

Отсюда и довольно странное требование: мы хотим, чтобы он был умнее нас, но последнее слово оставлял за нами.

Возможно, поэтому вообще так плохо приживаются по‑настоящему умные вещи. Автопилоту оставляют руль, автоматике — ручной режим, алгоритму — кнопку отмены. Нам важно не только чтобы система работала правильно. Нам важно ощущать, что решение все еще наше.

С ИИ это ощущение особенно легко потерять, потому что его орган управления — обычный разговор.

Но если хочется критики — ее можно попросить. Если хочется альтернативы — тоже. Если хочется исполнения — тем более.

Меня гораздо больше насторожил бы топор, который сам решил, что он сегодня рубит.

Склад(бище) дашбордов или закон убывающей предельной полезности

Культура дашбордов захватила IT и стала подменой аналитическому мышлению. Не раз слышала, как их ласково именуют «единым источником правды». Но тот, кто погружался в данные и пытался их интерпретировать, знает: развилок в понимании достаточно – вплоть до противоположных выводов из одних и тех же цифр.

За последний месяц вижу немало дискуссий о том, что дашборды умирают. В LinkedIn приводили статистику: 20-30% дашбордов уходят в зону околонулевой активности. А у вас с этим как обстоят дела? Смотрели статистику использования своих дашбордов?

Почему это происходит, моя версия

Аналитики в IT, прежде всего, обладатели хардов – SQL, Python, BI. Но владение инструментом – это не то же самое, что интерпретация данных. Это уже другой тип мышления. Он у тех, кто задает данным логический курс. Не считает метрику, а решает, что она значит, причем в контексте других метрик.

Проблема в том, что формально эта роль в индустрии никому не принадлежит. Она размазана между:

• владельцами инструментов, которые видят данные, но мыслят алгоритмами, а не продуктом или маркетингом.

• продактами, которые мыслят продуктом и не всегда понимают эти ваши проценты. Моя статья здесь отчасти это показывает.

Если ваши BI-аналитики и продакты спорят о том, кто должен определять наполнение дашборда, скорее всего, данными никто не управляет по их прямому назначению.

В итоге бизнес изобилует дашбордами, выполняющими декоративную функцию и дающими видимость data driven. Компания сжигает деньги на работу аналитиков, которые тратят часы на разработку и поддержку мертвых дашбордов.

Дашборды плодятся, но количество знаний о продукте не растёт пропорционально числу дашбордов. В какой-то момент каждая следующая визуализация добавляет всё меньше нового понимания. Вступает в силу закон убывающей предельной полезности: с потреблением каждой следующей единицы блага его предельная полезность снижается, пока не достигает нуля.

Дашборд – это инструмент в цепочке создания ценности, а не самоцель. Если после просмотра дашборда не меняется ни одно решение, действие или понимание ситуации – возникает закономерный вопрос: а зачем он вообще нужен? Вспомним еще один закон - Гудхарта: если мера становится самоцелью, она перестает быть хорошей мерой. Без добавленной ценности в виде серьезной аналитики с бизнес смыслами он так и останется просто красивой картинкой.

Что делать

Возможно, пора вводить промежуточную роль – методолога и интерпретатора данных. Того, кто разберётся в хаосе накопленных цифр, создаст интерпретационную архитектуру и поднимет культуру data driven до уровня, где решения действительно опираются на данные, а не на их видимость.

Разработка работающей системы понимания данных – следующий закономерный этап. Сначала человек определяет, какие вопросы мы задаём данным внутри контекста организации, как связаны метрики, какие выводы можно и нельзя из них делать и какие решения должны следовать из анализа. Только после этого имеет смысл автоматизировать этот процесс с помощью ИИ-агентов, которые сейчас заполняют рынок.

Попросил ИИ чат нарисовать ИИ агента

Каша из топора: как в России делают суверенный софт

Несколько лет назад Владимир Рубанов писал методические указания для экспертного совета Минцифры — по ним отбирали софт в реестр отечественного ПО. Речь шла об одном: защитить продукты от возможных санкций.

Сегодня в реестре одновременно уживаются десятки похожих и несовместимых друг с другом продуктов. Систему за это регулярно критикуют. Но, по словам Владимира, реестр никогда не обещал ничего, кроме устойчивости. Отбором лучших решений, считает эксперт, со временем займется сам рынок.

А что open source? 

Не секрет, что значительная часть российского ИИ-стека построена на открытых решениях — это не есть плохо, если грамотно их использовать. 

«Без передовых опенсорсных моделей развитие российского ИИ ждало бы фиаско», — уверен Владимир Рубанов. 

Вы согласны? Пишите свое мнение в комментариях.

Смотреть 3й выпуск подкаста «IT-фронтир» на Rutube и VK Video.

Как жить, когда всё вокруг меняет лицо

Мир не стоит. Он идёт, и идёт быстро. Машины берут на себя то, что прежде делал человек руками и головой. Многие пугаются и ждут, что завтра их труд станет ненужным. Но страх - плохой советчик. Правда проще.

Человеку нужно не угадывать будущее, а жить так, чтобы быть крепким при любом будущем. Иметь запас хлеба и денег на несколько месяцев. Не зависеть от одного хозяина и одной работы. Делать то, что требует совести, внимания и живого отношения к людям. Машина может считать и писать, но она не может отвечать за дело и любить.

Учись пользоваться новым орудием, но не отдавай ему своей головы. Сначала думай сам, потом спрашивай. Проверяй. Иначе ум ослабеет, как рука, которой перестали работать.

Береги здоровье - своё и семьи. Держи дом в порядке. Не копи хаос ни в бумагах, ни в душе. Учись долгому вниманию. Читай. Пиши. Разговаривай с людьми лицом к лицу. Все то человеческое простое, но именно оно не устаревает.

Прогресс неизбежен, его прекращение означало бы гибель цивилизации...

НО ... Детей не надо торопить к машинам. Дай им сначала твёрдую основу научи читать, писать, считать, думать до конца, отличать правду от лжи. Пусть сначала сами ищут ответ, а уж потом смотрят, что предложит машина. Так они вырастут не слугами инструмента, а хозяевами своей мысли.

Семье полезны простые правила: есть время без экранов, первый черновик - своими силами, каждое важное утверждение - проверять. В этом нет ничего нового. Так жили люди всегда, когда хотели сохранить ясность.

Внешний мир может стать беспокойным и чужим. Но внутренний порядок - работа, правда, забота о ближних, спокойствие духа всегда остаётся в нашей власти. Кто держит это, тот не пропадёт. Кто гонится за суетой и страхом, тот уже потерян, даже если у него всё ещё есть работа.

Живи просто. Делай своё дело честно. Учись. Люби. Не жди, что мир станет удобным. Стань сам твёрдым.

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).

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.

Согласно новому исследованию, ИИ лучше человека в переписке с человеком проходит тест Тьюринга.

При предложении принять человекоподобный образ, GPT-4.5 был признан человеком в 73% случаев. Это значительно чаще, чем участники опроса выбирали реального человека.

Исследование: C.R. Jones, & B.K. Bergen, Large language models pass a standard three-party Turing test, Proc. Natl. Acad. Sci. 2026. DOI: 10.1073/pnas.2524472123

Источник: https://www.facebook.com/4everscience/

Совпадает ли ваш идеальный работодатель с реальностью?

Вы листаете вакансии. На что обращаете внимание в первую очередь — на продукт компании, ценности команды или на возможность профессионального роста?

Хабр и ЭКОПСИ ежегодно задают этот вопрос десяткам тысяч айтишников по всей России. В исследовании 2025 года участвовали 30 000 специалистов, и их ответы оказались неожиданными: впервые за 6 лет в топ вышла стабильность. На фоне масштабных сокращений и заморозки зарплат по рынку люди хотят не только интересных задач, но и уверенности в завтрашнем дне.

Не можем не похвастаться, что итогам рейтинга Cloud.ru вошел в топ-25 лучших ИТ-работодателей России. И раз уж мы снова участвуем в исследовании 2026 года — расскажите, что важно вам прямо сейчас:

👉 Принять участие в опросе 👈

А вот за что по итогам 2025 ценят в нас соискатели.👇

Качество продукта — мы строим облачные платформы, где каждый инженер решает реальные нетривиальные задачи, например: 

• Предотвращает утечки данных через LLM.

• Оптимизирует инференс ML-моделей.

• Создает собственный OCR-бенчмарк.

Ценности и культура — мы открыто говорим о том, как работаем и чего ждем друг от друга. 

• Как мы строим команды.

• Как движемся по карьерной лестнице вопреки стереотипам.

Профессиональная среда — проводим внутреннее обучение, даем возможность расти без смены компании и использовать ИИ там, где это действительно нужно. 

• Как мы развиваем сотрудников.

• Как ИИ изменит карьерные траектории в ближайшем будущем.

• Что ИИ уже сделал с наймом.

🔥 Кстати, мы растем и ищем новых коллег

Центральный офис в Москве, коворкинги по всей России, множество вакансий с гибридным графиком и удаленкой.

Руководитель направления внедрения>>

Главный инженер>>

Системный аналитик (Группа исследований и автоматизации)>>

Ведущий инженер SDS>>

Написал новую, третью статью из серии «Как работают большие языковые модели»

Почему дорогая LLM дороже: экономика инференса, которую видно в твоём 5-часовом лимите

Что внутри ⤵️

1. Про открытые модели и почему мы используем их как пример
2. Из чего складывается цена токена
3. Про Dense и MoE архитектуры
4. Как считается attention и активные параметры
5. Total ≠ active: тренд на MoE архитектуру
6. Почему output-токены дороже input
7. Reasoning-токены как невидимый output, за который тоже приходится платить
8. Context Window и KV-cache — почему длинный контекст дорогой
9. Как посчитать вес одного токена и из чего он складывается
10. В чем разница между KV-cache и prompt caching
11. За счет чего фронтир модели стоят в разы дороже
12. Почему дорогая модель чаще всего реально «умнее»
13. Как всё это итого собирается в 5-часовой лимит

14. И как бонус — сортировка open-weight моделей по active и total

---------------

Вот две предыдущие статьи из этой же серии

• Просто и подробно о том, как работают ChatGPT и другие GPT подобные модели. С картинками. Кстати, эта статья стала одной из победителей Космотекста

• От написания промптов к проектированию контекста. Или один очень обширный материал по Context Engineering. Эта статья сложнее, чем первая, но проще, чем третья

Прочитав эту серию постов, вы станете намного лучше понимать принцип работы современных LLM и агентных систем

Дайджест Рег.облака за июнь

В июне открыли новый регион Москва-3 и запустили там GPU-инстансы на базе NVIDIA Blackwell. Также запустили Free Tier для миграции с хостинга в облако вместе с ispmanager и поделились исследованием о тратах на GPU-серверы и кейсом аптечной сети «36,6». Ниже — главное.

Открыли регион Москва-3

Новая зона размещения работает в дата-центре Datahouse «Магистральный-1» уровня Tier III. У региона отдельный control plane и собственные вычислительные ресурсы, поэтому инфраструктуру можно масштабировать без риска перегрузить текущие мощности.

Запустили GPU-инстансы на базе NVIDIA Blackwell

В регионе Москва-3 ввели в эксплуатацию GPU-инстансы на архитектуре NVIDIA Blackwell. В основе — ускорители NVIDIA RTX 6000 Pro Blackwell Server Edition с 96 ГБ видеопамяти GDDR7. Доступны конфигурации до 30 vCPU, до 190 ГБ оперативной памяти и до 1,7 ТБ NVMe на инстанс, ресурсы тарифицируются по модели почасового потребления. По сравнению с A100 стоимость задач снижается до трех раз.

Запустили бесплатный облачный сервер для миграции с хостинга
Вместе с ispmanager запустили Free Tier — первый в России формат, где вместо тестового VPS пользователь получает бесплатный облачный сервер с панелью ispmanager и возможностью бесшовно масштабироваться в основной инфраструктуре Рег.облака. Конфигурация включает 1 виртуальное ядро, 1 ГБ оперативной памяти, 10 ГБ на NVMe-диске, публичный IPv4 и резервное копирование, с возможностью расширения мощности в два раза по запросу. Формат рассчитан на владельцев сайтов, интернет-магазинов и небольших проектов без опыта администрирования серверов — особенно актуально на фоне ухода cPanel и Plesk с российского рынка. К программе Free Tier уже подключилось более 1800 компаний и частных пользователей.

Кейс: аптечная сеть «36,6» перенесла ИТ-инфраструктуру в Рег.облако
Компания перенесла инфраструктуру в Рег.облако и увеличила скорость бизнес-расчетов на 50%, сократив затраты на ИТ в 1,5 раза. Переход на bare-metal серверы поднял производительность вычислительного кластера на 40%. В рамках проекта более 400 виртуальных машин мигрировали на выделенные серверы за 2 месяца без простоев, а время выполнения расчетов сократилось с 22 до 16 часов. Сегодня 2/3 инфраструктуры «36,6» размещено в Рег.облаке.

Исследование: траты на GPU-серверы выросли в четыре раза

За полтора года крупный и средний бизнес увеличил расходы на GPU-конфигурации вчетверо, при этом общее число серверов почти не изменилось. Компании переходят с бюджетных решений на более производительные — H200, H100, A6000.

Несколько цифр из исследования: доля премиальных GPU-конфигураций выросла с 51% до 78%. На конфигурации с видеопамятью до 24 ГБ приходится 46% спроса, на решения от 80 ГБ — 27%. Основные сценарии — ИИ и машинное обучение (33%), рендеринг (30%), тестирование и разработка (25%).

Желаем всем продуктивного месяца и спасибо, что следите за обновлениями Рег.облака!

Как используют Computer Vision в Ретейле в 2026 году и какие я вижу вызовы

Всем привет, меня зовут Илья, техлид по CV в ретейл-компании, веду свой блог в тг https://t.me/ilia_sevostianov

Недавно гонял на выставку в Сингапур NRF Retail 2026 - и очень много интересного там удалось увидеть, как вообще используют компьютерное зрение в ретейле в настоящее время.

И был сильно поражен и изумлён!

Казалось бы, да, CV развивается бешеными темпами, LLM тоже обновляются с завидной частотой, кто-то уже начинает говорить про AGI, но при всём при этом в ретейле все так же используют в подавляющем большинстве классические, надежные 2Д-модельки.

К примеру, вот есть задача контроля выкладки на стеллажах. Расскажу подробнее

У нас есть планограмма - это то, как товар должен быть расставлен на полке.
А есть факт - реалограмма - как у нас товары выставлены на самом деле.

Стоит задача: провести аудит, что у нас выставлено на полках, что соответствует планограмме, есть ли у нас пустые места на полках, пересорт и прочее

И почти каждый из экспонент на выставке эту задачу решают,, кто-то лучше, кто-то хуже, но тем не менее: используют ёлку, кто-то извращается с VLM и делает это с планшета, как Starbucks

Это, конечно, круто! Для супербольших магазинов, наверное, это может быть полезно - выставляем камеры или пускаем платформу мобильную, которая проводит аудит - и розница решает, что с этим делать.

Но вот чего мы не увидели: НИКТО не умеет просчитывать количество товаров на полках.

Ни у кого не было рабочего пилота, абсолютно ни у кого. Но 2 экспоненты явно дали понять, что у их партнеров (больших сетей магазинов) такой запрос есть. И они хотят запускать пилоты.

Ретейл очень интересен с точки зрения CV. И вот какие вызовы я вижу:

• Просчет количества товаров на полках, инвентаризация

• Отслеживание пути покупателя в магазине

• Антифрод в магазине и на кассах самообслуживания

• Уменьшение очередей на кассах

• Раскладка "горячих" товаров в особо проходимых местах

и другие

Я стараюсь писать в своем телеграмм-канале про эти и подобные кейсы. Подписывайтесь, буду рад! https://t.me/ilia_sevostianov

И да, а что вы думаете, увидим ли мы реально работающий магазин аля Amazon Go, который работает в реальном магазине, и когда?

ИИ для Университета 4.0, а «Королев ИИ» для МГТУ им. Н.Э. Баумана

Ключевой вызов для любого вуза, стремящегося к лидерству, — это не просто автоматизировать отдельные процессы, а создать единую «нервную систему», которая пронизывает все сферы деятельности: от образования и науки до управления и работы с талантами. Именно такую задачу мы ставим перед собой в МГТУ им. Н.Э. Баумана, разрабатывая научно-образовательную платформу «Королев ИИ».

Эта платформа — не просто набор модных чат-ботов. Это многоуровневая архитектурная среда, которая агрегирует и семантически обогащает данные, развёртывает специализированные сервисы на основе больших языковых моделей (LLM) и предоставляет единые интерфейсы для студентов, преподавателей, учёных и сотрудников. По сути, мы создаём «интеллектуальное ядро» цифровой экосистемы Университета 4.0.

«Королев ИИ»: архитектура будущего

В основе платформы лежит трехуровневая архитектура, которая обеспечивает её масштабируемость и адаптивность.

1. Уровень сбора и агрегации данных. Здесь формируется цифровой профиль каждого участника образовательного процесса. Это не просто сухие данные об успеваемости, а глубокий семантический анализ: тексты работ, участие в проектах, интересы и даже стиль мышления. LLM анализируют этот массив, выявляя латентные характеристики и создавая многомерный портрет человека.

2. Уровень интеллектуальных сервисов. Это «фабрика моделей» и «озеро научных знаний». Здесь развёртываются специализированные LLM-сервисы: от генерации персонализированных образовательных траекторий и адаптивного контента до интеллектуальной поддержки научных исследований и автоматизации управленческих процессов. Мы протестировали более 30 больших языковых моделей и создали первый рабочий прототип ИИ-ассистента, который понимает голос, обрабатывает запрос и даёт ответ естественным голосом.

3. Уровень взаимодействия. Это единая точка входа для всех пользователей. Студент получает персонализированного наставника, преподаватель — ассистента для автоматизации рутины, а учёный — инструмент для ускорения исследований.

Платформа «Королев ИИ» — это инструмент для достижения стратегических целей Программы развития МГТУ до 2030 года. Вот лишь несколько примеров того, как LLM меняют привычные процессы:

Образование. Мы решаем фундаментальную проблему «масштабируемой персонализации». ИИ-ассистент работает 24/7, помогая каждому из тысяч студентов осваивать материал в комфортном темпе. Платформа «Путь инженера» позволяет выявлять талантливых школьников и сопровождать их на всём пути: «школа — университет — индустрия».

Наука и инновации. LLM становятся катализатором продуктивности учёного. Сервисы семантического поиска, генерации гипотез и кода, поддержки публикационной активности помогают увеличить объём НИОКР и повысить количество публикаций в ведущих журналах. Мы создаём «озеро научных знаний», которое позволяет капитализировать интеллектуальный потенциал научных школ.

Управление и кадры. Интеллектуальная автоматизация документооборота, прогнозная аналитика и ИИ-агенты для консультирования сотрудников помогают сократить долю административного персонала при одновременном повышении качества сервисов.

Доверенный и этичный ИИ

Мы понимаем, что внедрение ИИ несёт не только возможности, но и риски. Поэтому этика — не внешнее ограничение, а внутренний принцип проектирования. В архитектуру каждого сервиса мы встраиваем механизмы объяснимости, аудита и защиты персональных данных.

Что дальше?

Мы уже прошли путь от идеи до действующего прототипа. Впереди — масштабирование, интеграция с отечественными программно-аппаратными комплексами и тиражирование нашего опыта. «Королев ИИ» — это не просто проект. Это прообраз новой операционной модели технического университета эпохи экономики данных, где технологии работают на человека, расширяя его творческие и когнитивные возможности.

Про персональных агентов и что он умеет у меня

Дальше разговор пойдет про OpenClaw/Hermes подобные системы. Т.е это переход от агентных систем по типу Claude Code/Codex к проактивным персональным агентам

В моей классификации это переход с уровня 8 на уровень 9

Коротко о том, в чем разница уровня 8 и уровня 9

Уровень 8 — например Claude Code / Codex / Cursor и тому подобные.
За качество отвечают — Моделька + Harness + еще по мелочи

Уровень 9 — например Hermes / OpenClaw.
За качество отвечают — Все то же самое, что и на уровне 8 + слой личной памяти + мессенджер + коннекторы в ваши сервисы + персональные skills

У меня у самого подобный агент уже был 3 месяца и крутился на OpenClaw. Но для написания статьи решил еще и Hermes попробовать

Кстати спойлер — разницы между Hermes и OpenClaw практически нет. Просто Hermes лишен кучи функций, что можно счесть как за плюс, так и за минус. Но зато у него есть Self Healing механизм, которого нет у OpenClaw

------------------

Ниже — про наполнение моего агента и что он умеет
А именно на это и уходит основное время при создании персонального агента

Личные системы
- finances — ведёт мои финансы в Notion: расходы, доходы и отчёты
- ticktick — управление моим тасктрекером TickTick: списки на день, создание задач и подзадач, ну и все такое
- google-calendar — полный контроль гугл календаря, где я ставлю совместные события и расписания с учениками
- weekly-summary — собирает недельный обзор из задач, календаря, финансов, почты, аналитики и SEO по сайту + истории сессий, чтобы я посмотрел на прошедшую неделю целиком

Мое обучение
- google-forms — читает анкеты и ответы участников
- notion — ведет базу по моим ученикам
- ga4 — аналитика моих сайтов в гугл аналитике
- seo-monitor — SEO/GEO мониторинг сайта ilia-pro-ai.com.
- youtube — навык по работе с YouTube, упаковка каждого нового видоса и сбор данных

Работа с документами
- google-sheets — работает с таблицами: ученики, оплаты, анкеты, аудиты.
- google-docx — создает классные контракты/договора

Соцсети
- linkedin — читает мой LinkedIn-профиль, посты и engagement.
- threads — работает с черновиками / публикациями /метриками в Threads
- threads-writer — пишет драфты постов для Threads из идей, ссылок, статей.

Жизневое
- concert-monitor — мониторит концерты в Bangkok/Thailand по моим артистам.
- local-entertainment-research — еженедельный мониторинг кино, события и евентов на неделю
- shopping-product-research — экспериментальный набор скиллов по работе агента с маркетплейсами, пока в процессе
- online-ordering-automation — экспериментальный набор скиллов по заказу еды/продуктов
- outreach-deeplinks — делает кликабельные ссылки для WhatsApp/LINE/tel с готовым текстом

B2B / ресёрч
- b2b-outreach-research — ищет компании, ЛПР, каналы связи и углы для outreach в LinkenIn
- apify — навык работы с Apify для скрейпинга любого сайта

Сегодня еще наконец-таки подрубил Telegram к нему и запустил его туда как пользователя — теперь мой агент может еще и так

1. Смотреть список всех моих диалогов

2. Читать историю конкретного чата. Например:

Расскажи, что за последние 2 дня ученики написали в чатике AI Advanced Alumni

3. Искать по Telegram-истории. Например:

Поищи я там где то мес назад скидывал контракт для Hochland, но не могу чатик найти

5. Смотреть каналы как пользователь и делать по ним дейли саммари

6. Скачать любые медиа из чатов
Файлы, голосовые, фото, видео — если нужно обработать/распознать/суммаризировать

7. Писать всем подряд тоже может, но есть вероятность словить бан за такое

———————

P.S.В комментах скину домашку, которую можно выполнить, чтобы завести подобного агента и сделать более менее рабочим

Пока писал статью про Context Engineering, то дополнительно решил изучить вопрос, который был на хайпе 3 месяца назад

Реально ли Caveman Output Style экономит токены для агентов

Суть

Несколько месяцев назад расхайпилась казалось бы очевидная идея: если заставить модель отвечать коротко, то можно сэкономить много output-токенов

Одна таких реализаций — репо Caveman, который заставляет модель говорить как пещерный человек. Целых 77к звезд

Вот как пример

Обычный ответ модели

The reason your React component is re-rendering is likely because you're creating a new object reference on each render cycle. When you pass an inline object as a prop, React's shallow comparison sees it as a different object every time, which triggers a re-render. I'd recommend using useMemo to memoize the object

Ответ в стиле Caveman

New object ref each render. Inline object prop = new ref = re-render. Wrap in useMemo

Ну и как следствие, обещания автора

Faster response — less token to generate = speed go brrrEasier to read — no wall of text, just the answerSame accuracy — all technical info kept, only fluff removedSave money — ~71% less output token = less cost

Этот репозиторий очень сильно расхайпился — и основная суть всех новостей была в том, что с этим стилем теперь можно тратить на 40-70% меньше output токенов — который самые дорогие

Чтобы лучше понять механизм потенциальной экономии, нужно посмотреть, где агентные системы по типу CLAUDE CODE | CODEX вообще генерируют OUTPUT токены

1. Обычный ответ, который видите вы
2. THINKING блоки, которые вы можете не видеть
3. Генерация кода / схем, которые нельзя сжать
4. Вызов Tools + Цикл tool call → result → next message

В случае выбора любого OUTPUT стиля мы влияем только на пункт 1 — Обычный ответ, который видите вы

И, насколько мы все тут знаем — то, что модель выдает нам как результат ответа — в среднем ~5-10% от всех OUTPUT токенов

Ну так вот

Я по приколу сделал мини эксперимент, где взял 3 варианта Output Style's и прогнал на 5 разных задачах

1 стиль — Caveman Light (Original skill из репозитория выше)
2 стиль — Explanatory. Стиль, который наоборот, старается объяснять как можно подробнее. Я его сам всегда использую — объясняет свои решения и делится инсайтами.
3 стиль — Самописный True Caveman. Который должен общаться прям как настоящий пещерный человек

Инсайт, что строгий промптинг для True Caveman стал самым дорогим. И я думаю из-за того, что Thinking блоки заставляли модель постоянно себя перепроверять, говорит ли она в данный момент как True Caveman или нет. Так как ее это делать не учили.

Статью я написал на своем сайте, так как там много графики и элементов используется, которые на хабре не работают

Ссылка на статью на сайте, там подробно про этот эксперимент и реально ли это что-то экономит

Я несколько дней на это потратил 🥺

Страшно не то, что ИИ отнимает работу

Без работы на дядю люди как-то справлялись. Хуже другое.

Вот смотрите - появились смартфоны. Появились в них карты и навигаторы. Вы не обращали внимание, как у многих людей атрофировался навык ориентировки на местности? Сколько людей стоят у выхода из метро, держат в руках телефон с картой и не понимают - куда им идти?

Человечество медленно и тысячелетиями вырабатывало полезные навыки - научились выращивать еду, создавать инструменты - всё чего достигла наша цивилизация - это благодаря навыкам, которые очень долго постигались и передавались следующим поколениям.

И вот львиную часть этих навыков ИИ сейчас пытается отнять у человека, превратить нас в беспомощные и зависимые от розетки существа.

Маленькое удобство сейчас, дать чуточку воли своей лени и через несколько лет можно превратиться в инвалида, который без “большого брата” не сможет поддерживать свою жизнь.