Если вам кажется, что искусственный интеллект уже окончательно захватил этот мир, выдыхайте – вы ошибаетесь. Платная подписка на ИИ-сервисы есть лишь у 2,2% американских домохозяйств. Для понимания масштаба: стриминги вроде Netflix оплачивают почти 90% семей – разрыв космический. При этом, конечно, кривая на графике уверенно ползёт вверх. Нечто подобное происходило с домашним интернетом: в 1993 году им пользовались те же два процента американцев. Чем закончилась та история, мы знаем. Так что если вы платите за ChatGPT или Claude – поздравляю, вы early adopter. Примерно как владелец пищащего модема в середине девяностых. Справедливости ради, массовому пользователю раскошеливаться на ИИ пока и незачем: бесплатные версии закрывают большинство бытовых задач. Основную кассу индустрия делает на корпоративных клиентах. Это ещё раз приводит меня к мысли, что мы с вами пока в самом начале пути. Любые прогнозы о том, как эта технология перекроит жизнь человечества сейчас – не более чем гадания на кофейной гуще. Единственное, что можно сказать наверняка: по масштабу влияния она обойдёт всё, что мы изобрели за последние полвека. А может быть, и за всю историю человечества. Проверим лет через десять. Как говорится, запомните этот твит.

✔️ Vals-Smith: оценивайте модели на своей кодовой базе Независимая бенчмарк-платформа Vals представила Vals-Smith - инструмент для автоматической генерации кастомных бенчмарков на основе кодовой базы пользователя. Vals-Smith позволяет тестировать модели и агентов на специфике собственных проектов, не полагаясь на публичные лидерборды. Инструмент поддерживает открытые и приватные репозитории. Система анализирует GitHub-репозитории и извлекает задачи из принятых PR. Каждое задание включает описание проблемы, скрытые проверки и воспроизводимую среду. Модель получает код до внесения правок (сам патч скрыт). Для успешного решения испытуемая должна пройти скрытые тесты и не нарушить существующую логику приложения. Доступ к платформе выдается по заявкам. Есть демо-результаты тестирования популярных моделей на задачах из исходников Linux, Next.js, SGLang и Spark. @ai_machinelearning_big_data #news #ai #ml

Iron Core. Часть четвёртая. Путь от GDS до выхода на посадку 5:30 утра, аэропорт Нагпура. Пассажир кладёт паспорт на стойку Air India, сотрудница что-то вводит, бросает взгляд на экран и клеит бирку на багаж. Всё привычно, кроме одной детали. Система, которая ещё в декабре создала бронь и выпустила электронный билет, к этому моменту уже выбыла из игры. За стойкой смотрят не на неё, а на отдельное приложение с собственным слоем данных. Где-то за сутки до вылета управление тихо переходит от коммерческой системы к операционной, и прежняя главная база превращается в справочник только для чтения. Тот же принцип объясняет, почему один из рейсов сдвинулся на 75 минут, а уведомление так и не пришло.

В США застройщик дата-центра обвинен в том, что подделал письма жителей в поддержку стройки. Наказывать за это никого не собираются. Вице-мэр Коуэты (Оклахома) заявил, что компания Beale Infrastructure стояла за фальшивой рассылкой от имени горожан, якобы поддерживающих проект, способный нанести вред экологии и водоснабжению. Разработчик признал, что контролировал программу рассылки, и отключил её после предъявления доказательств. Однако расследование зашло в тупик: власти решили скрыть имена реальных отправителей, сославшись на закон о защите лиц, обращающихся к властям. Генпрокуратура поддержала это решение. При этом уже есть случаи, когда задерживают тех, кто протестует против строительства дата-центров в США.

Эндрю Уайлс 7 лет тайно решал задачу, которую не могли решить 358 лет Последнюю теорему Ферма он увидел ещё в 10 лет. В 1986 году, уже будучи профессором Принстона, Уайлс начал работать над ней почти в полной изоляции. О его настоящей цели знала только жена. Чтобы никто не понял, чем он занят, он почти перестал публиковаться и постепенно выпускал старые результаты. В июне 1993 года Уайлс представил доказательство на трёх лекциях в Кембридже. Мир решил, что одна из самых известных задач математики наконец закрыта. Но затем рецензент нашёл серьёзную ошибку. Следующие 14 месяцев Уайлс пытался спасти доказательство уже под вниманием всего математического сообщества. В какой-то момент он был готов сдаться. Решение пришло в сентябре 1994 года. Позже Уайлс рассказывал, что около 20 минут просто смотрел на исправление, не веря, что оно работает. Когда BBC попросила его вспомнить этот момент, он не смог договорить и отвернулся от камеры в слезах. Семь лет в тайне, год после почти полного краха и задача, которая ждала решения больше трёх веков. @data_analysis_ml

Создатель Google Brain Эндрю Ын выпустил ИИ-агента с открытым исходным кодом Один из ведущих специалистов в области ИИ, основатель Coursera и DeepLearning.AI, Эндрю Ын представил OpenWorker — десктопного ИИ-агента с открытым исходным кодом, который ориентирован не на ведение диалога, а на получение готового результата. Вместо текстового запроса пользователь формулирует желаемый итог, например, готовый документ, обновленный календарь или отсортированную почту, после чего агент самостоятельно разбивает задачу на этапы и выполняет ее. OpenWorker работает полностью локально, но пока только на Mac — поддержку Windows добавят позже. https://hightech.plus/2026/07/27/sozdatel-google-brain-endryu-in-vipustil-ii-agenta-s-otkritim-ishodnim-kodom

DeepSeek сообщил инвесторам о паузе в новом раунде на 50 млрд юаней ($7,4 млрд) при оценке в 500 млрд юаней ($74 млрд). Как пишет The Information, решение последовало за утечкой стенограммы майского звонка основателя Лян Вэньфэна с инвесторами, где он излагал стратегические приоритеты компании. В публикациях утверждалось, что миллиардер обсуждал зависимость компании от чипов Nvidia для развития AI и постоянное отставание Китая от США в сфере сложных технологий искусственного интеллекта. У вас не возникает ощущения deja vu? Напомню, что "дежа вю" — это сбой в Матрице, когда, например, вы читаете новость про Лян Вэньфэна и DeepSeek, а кажется, что это уже было с Ant Group и Джеком Ма. https://www.theinformation.com/briefings/deepseek-puts-current-funding-round-hold?rc=ukjmk2

Неудачи и ошибки Общение определение ошибки — это не достижение целевого состояния, когда результат не равен цели. Давайте разберем на простом примере: мы хотим сварить кофе в кофе-машине. Что может пойти не так? Мы можем не сварить кофе, сварить не то кофе: не того объема, не того вкуса, неправильной температуры, не поставить чашку и т.д. Самый печальный результат будет если мы сломаем кофе-машину. Почему не получилось сварить кофе, как хотелось? Ошибка может быть на разных уровнях: 1. Мы можем не знать, как пользоваться машиной, не понимать как с ней работать. Надписи могут быть запутанными, множество кнопок. 2. Мы можем ошибиться в действиях: случайно нажать не на ту кнопку, поставить чашку не туда и так далее. 3. Сама кофе-машина может не работать или не работать плохо: не залили воду, просто сломана, необходимо засыпать кофе, засорилась и т.д. 4. Окружение может повлиять на задачу: в здании отключилось электричество, перед кофе-машиной стояла большая очередь, ко мне подошел начальник и попросил зайти в кабинет к нему. То есть, ошибки могут быть двух видов: ошибка результата и ошибка различного рода в процессах. Чтобы разграничить их дальше, ошибки результата дальше мы будем назвать неудачей. Не получилось сварить чашку кофе. Чтобы дальше было яснее, нужно разграничить 2 типа ошибок: 1. финальная ошибка, состояние когда результат не равен цели. Этот тип ошибок будем называть неудачи. Не получилось. 2. ошибка или отклонение самом процессе. Вот как раз тот набор отклонений от нормального процесса сварить кофе. Сама по себе ошибка процесса может быть неприятной, но не фатальной. Мы нажали на не ту кнопку, потом нажали на правильную. В машине нет воды — налили ее. Ошибка в процессе не всегда приводит к неудаче — не достижению цели. Да и сама неудача может различаться по своим параметрам: одно дело мы вообще не сварили кофе, другое — когда сварили кофе не того объема. Мы хотели сварить большую чашку, а сварили маленькую. В ряде случаев мы даже не посчитаем это как неудачу. Если брать цель как построение безошибочных систем, то это не значит, мы не должны не допускать ошибок вообще. Нам нужно сделать, чтобы все ошибки не превращались в значительные неудачи. #ЧФ #ошибки