Еще раз, посмотрел алгоритм и написанное... В целом, согласен. Мой квайн моделирует не клеточную репликацию, а минимальный самовоспроизводящийся объект. В реальной клетке это работает иначе.
Я объединил всё в одной программе, чтобы за один пост показать концепт, что "программа знает, как себя копировать". В тексте это надо было оговорить.
Спасибо за критику. Я сейчас менять статью не буду, т.к. это съедает безумное количество времени, но в следующей учту :)
Формально, да, это стек-машина с 4 буквенным алфавитом. Я намеренно не пихал в первую часть всю биологию — иначе пост бы вышел на много текста. Но связь с ДНК все же есть:
алфавит из 4 букв и триплетный кодон не выдуманы, они физически зафиксированы в реальной ДНК (A/T две водородные связи, G/C три)
квайн моделирует ту самую задачу, которую решает живая клетка, т.е. самокопирование.
В следующей статье, я постараюсь уже углубиться в апоптоз, теломеры, метаболизм, паракринность, эволюцию в популяции и другое, там связь будет точно видна :)
Спасибо! Лучший способ узнать про AI — это спросить у самого AI, как он устроен и как с ним лучше работать.
Админ с ведром — это вам не шутки. Это единственный человек, который пережил пять волн сокращений, внедрение Kubernetes, переход на микросервисы и три смены CEO. Просто потому что никто не знает, кто он, откуда пришёл и почему у него ведро :)
Противоречия нет, задачу ты действительно ставишь текстом, тут порог нулевой. Но работает это всё в терминале: нужно понимать, что тебе агент отвечает, куда он лезет, какие команды запускает, и уметь откатиться, если что-то пошло не так. Ты же не будешь слепо нажимать «подтвердить» на каждое действие, не понимая, что происходит - это как дать незнакомцу sudo и отвернуться. Уточню в тексте, спасибо.
А Хабр вообще-то и задумывался как место, где разработчики делятся знаниями - в том числе пересказывают и структурируют уже известное. Если критерий «есть в документации» - давай снесём половину ресурса, начиная с туториалов по Python.
Да, но в SELECT, но в самом HAVING агрегата нет - там только условие на столбец из GROUP BY. Упрощу: SELECT department FROM employees GROUP BY department HAVING department LIKE ‘S%’;
Я думаю, что проблема довольно простая (переформулирую, что написано в статье) - лимиты подписок часто давали пользователям намного больше, чем стоимость самой подписки при пересчёте на токены по API. Т.е. тяжёлые пользователи Claude Code на подписке за 20-200 долларов фактически расходовали токенов на тысячи долларов в месяц, и это было убыточно для компании. В общем, задача была подсадить пользователей на работу с AI, затем плавно душить. И скорее всего, все популярные публичные AI перейдут на API с подсчетом реальных токенов.
Кстати, и в России тоже есть свои варианты. GigaChat от Сбера – пожалуй, самый развитый: мультимодальный (текст, код, картинки через Kandinsky), есть API, контекстное окно у Pro-версии до 200k токенов, и он неплохо понимает российскую специфику – законодательство, ГОСТы, бухгалтерские формы. YandexGPT от Яндекса - встроен в Алису, Яндекс Браузер и Yandex Cloud, хорошо работает с суммаризацией и русскоязычным контекстом, хотя контекстное окно поскромнее (32k). Есть ещё МТС AI, VK AI, Tinkoff AI – каждый под свою экосистему. Буду честен: по качеству кода и сложным рассуждениям они пока уступают Claude и GPT. Но для русскоязычных текстов, работы с российскими документами и задач, где данные не должны покидать РФ (152-ФЗ, КИИ) – это не просто альтернатива, а единственный легальный вариант. Плюс оплата в рублях и без VPN – для кого-то это решающий аргумент.
Второй момет, который я упомянул – это локальные LLM – это и есть подушка безопасности. Ollama, LM Studio, модели с открытыми весами (Llama, Mistral, DeepSeek) работают офлайн, без подписок. Но честности ради: качество пока ниже облачных флагманов, а для серьёзных моделей нужно серьёзное железо – хорошая видеокарта от 16 ГБ VRAM, что тоже не бесплатное удовольствие. Опять же, существуют разные варианты использования локальных LLM: есть сервисы аренды вычислительных мощностей, где вы сразу получаете доступ к нужной модели или разворачивание собственных LLM на арендном оборудовании с GPU инстансами, например, от Selectel, Yandex Cloud, VK Cloud и другие более мелкие игроки.
Еще раз, посмотрел алгоритм и написанное... В целом, согласен. Мой квайн моделирует не клеточную репликацию, а минимальный самовоспроизводящийся объект. В реальной клетке это работает иначе.
Я объединил всё в одной программе, чтобы за один пост показать концепт, что "программа знает, как себя копировать". В тексте это надо было оговорить.
Спасибо за критику. Я сейчас менять статью не буду, т.к. это съедает безумное количество времени, но в следующей учту :)
Спасибо!
Формально, да, это стек-машина с 4 буквенным алфавитом. Я намеренно не пихал в первую часть всю биологию — иначе пост бы вышел на много текста. Но связь с ДНК все же есть:
алфавит из 4 букв и триплетный кодон не выдуманы, они физически зафиксированы в реальной ДНК (A/T две водородные связи, G/C три)
START/STOP — реальные биологические кодоны. READAT как физическое сканирование матрицы рибосомой.
квайн моделирует ту самую задачу, которую решает живая клетка, т.е. самокопирование.
В следующей статье, я постараюсь уже углубиться в апоптоз, теломеры, метаболизм, паракринность, эволюцию в популяции и другое, там связь будет точно видна :)
Спасибо!
Лучший способ узнать про AI — это спросить у самого AI, как он устроен и как с ним лучше работать.
Админ с ведром — это вам не шутки. Это единственный человек, который пережил пять волн сокращений, внедрение Kubernetes, переход на микросервисы и три смены CEO. Просто потому что никто не знает, кто он, откуда пришёл и почему у него ведро :)
Противоречия нет, задачу ты действительно ставишь текстом, тут порог нулевой. Но работает это всё в терминале: нужно понимать, что тебе агент отвечает, куда он лезет, какие команды запускает, и уметь откатиться, если что-то пошло не так. Ты же не будешь слепо нажимать «подтвердить» на каждое действие, не понимая, что происходит - это как дать незнакомцу sudo и отвернуться.
Уточню в тексте, спасибо.
А Хабр вообще-то и задумывался как место, где разработчики делятся знаниями - в том числе пересказывают и структурируют уже известное. Если критерий «есть в документации» - давай снесём половину ресурса, начиная с туториалов по Python.
Да, но в SELECT, но в самом HAVING агрегата нет - там только условие на столбец из GROUP BY. Упрощу:
SELECT departmentFROM employees
GROUP BY department
HAVING department LIKE ‘S%’;
Я думаю, что проблема довольно простая (переформулирую, что написано в статье) - лимиты подписок часто давали пользователям намного больше, чем стоимость самой подписки при пересчёте на токены по API. Т.е. тяжёлые пользователи Claude Code на подписке за 20-200 долларов фактически расходовали токенов на тысячи долларов в месяц, и это было убыточно для компании.
В общем, задача была подсадить пользователей на работу с AI, затем плавно душить. И скорее всего, все популярные публичные AI перейдут на API с подсчетом реальных токенов.
Спасибо. Может небольшое уточнение только. В статье написано:
Это не совсем так, HAVING может фильтровать и по столбцам из GROUP BY без агрегатов:
SELECT department, COUNT(*)FROM employees
GROUP BY department
HAVING department <> 'HR';
Кстати, и в России тоже есть свои варианты. GigaChat от Сбера – пожалуй, самый развитый: мультимодальный (текст, код, картинки через Kandinsky), есть API, контекстное окно у Pro-версии до 200k токенов, и он неплохо понимает российскую специфику – законодательство, ГОСТы, бухгалтерские формы. YandexGPT от Яндекса - встроен в Алису, Яндекс Браузер и Yandex Cloud, хорошо работает с суммаризацией и русскоязычным контекстом, хотя контекстное окно поскромнее (32k). Есть ещё МТС AI, VK AI, Tinkoff AI – каждый под свою экосистему.
Буду честен: по качеству кода и сложным рассуждениям они пока уступают Claude и GPT. Но для русскоязычных текстов, работы с российскими документами и задач, где данные не должны покидать РФ (152-ФЗ, КИИ) – это не просто альтернатива, а единственный легальный вариант. Плюс оплата в рублях и без VPN – для кого-то это решающий аргумент.
Второй момет, который я упомянул – это локальные LLM – это и есть подушка безопасности. Ollama, LM Studio, модели с открытыми весами (Llama, Mistral, DeepSeek) работают офлайн, без подписок. Но честности ради: качество пока ниже облачных флагманов, а для серьёзных моделей нужно серьёзное железо – хорошая видеокарта от 16 ГБ VRAM, что тоже не бесплатное удовольствие.
Опять же, существуют разные варианты использования локальных LLM: есть сервисы аренды вычислительных мощностей, где вы сразу получаете доступ к нужной модели или разворачивание собственных LLM на арендном оборудовании с GPU инстансами, например, от Selectel, Yandex Cloud, VK Cloud и другие более мелкие игроки.
Спасибо, исправил! А вообще, это же хорошо, значит читали внимательно, а не просто пролистали до комментариев.