На что смотреть при найме в эпоху ИИ Если раньше на собеседованиях я фокусировался больше на hard skills, то сейчас они становятся менее важными. Точнее, они дешевеют быстрее, так как их стало проще осваивать, копировать или делегировать нейронке. Вот на что я смотрю сегодня. 1. Любопытство и саморазвитие. Интересно ли человеку что-то узнавать, докапываться и интересоваться даже не своим доменом? Хочет ли он становиться сильнее даже если этого не требует работодатель? Есть ли у него внутренний драйв постоянно развивать себя, а не просто выполнять задачи? 2. Скорость обучения. Это уже отдельный навык. Важен не объем накопленных знаний, а способность быстро разобраться в новой теме, найти информацию или людей/коллег, которые понимают в ней лучше тебя, задать правильные вопросы, быстро собрать контекст, проверить первые гипотезы на практике и на основе обратной связи сразу пойти на следующий круг. 3. Умение оценивать качество. Вкус, насмотреность, высокие внутренние стандарты, чувство аудитории и способность выбирать из миллиона посредственных вариантов. 4. Качество суждений. Умение принимать решения, когда информации слишком много, она противоречива, а правильного ответа может не быть. 5. Понимание бизнеса. Даже если человек отвечает за одну функцию, он должен понимать, как его работа влияет на работу всей компании, других команд и движение денег. 6. Коммуникация. Умение договариваться, объяснять сложные вещи простыми словами, давать и принимать обратную связь. Почти все последние исследования McKinsey приходят к выводу, что лидерство, коммуникация и эмпатия будут дорожать, так как AI их не заменить. 7. Умение ставить задачи и описывать контекст. И людям, и нейронкам. Какую проблему мы вообще решаем? Нужно ли ее решать именно так? Можно ли проще? Качество ответа все чаще зависит от качества вопроса и коннтекста. 8. Фанатичная ответственность. Это когда тебе небезразличен не только твой участок работы. Ты не можешь спокойно спать, если видишь, что что-то не работает у клиента, у коллег или вообще в компании. Нет такого ответа: «Это не моя зона ответственности». @kutergin_on_fire

Не знаю зачем, но я тут завел Substack и написал туды статью: А началось с того, что я решил разобраться, а как там вообще разные люди оценивают AGI, что это такое и как вообще это понимать. И провалился в кроличью нору... Выяснилось, что этот AGI — Artificial General Intelligence, он же "Общий Искусственный Интеллект" — никто толком и объяснить не может, что это такое. Впрочем, а никто и не надеялся. Но понять очень хотелось. И вот статья, написанная, конечно же, не без помощи ИИ (ну, потому что обобщить 40+ ссылок, которые содержится в статье без ИИ можно, но у меня нет столько свободного времени), где выявилось, что на предмет есть как минимум 9 точек зрения, которые не то чтоб противоречат, но находятся в разных пространствах, спор в которых бессмысленнее "синего платья". И эти "9 PoV" можно свернуть в "оси спорщиков", которых тоже больше двух. Ну, например: 1. "А можно ли вообще построить AHI, и если можно, то как" 2. "А как быстро мы достигнем AGI и можно ли вообще" 3. "А в чем риск AGI" 4. "А кто это вообще будет управлять AGI, если его создадут" 5. И, черт побери, "а как мы вообще узнаем, что AGI появился". Отдельно, наверное, нужно отметить экономистов, которые, как обычно, пытаются прогнозировать будущее путем переноса прошлого — хорошие вещи "апроксимаций" не называют. Я там даже вспомнил про "математическую индукцию", про которую я еще в школе писал какой-то доклад или реферат для "научной конференции школьников" — до сих пор помню этот метод. От себя лично могу только добавить, что те системы, которые сейчас называют "ИИ" они уже очень сильно изменили мою жизнь и продуктивность. Вот хотя бы эта статья — для написания такой лет пять назад я бы потратил неделю. Сейчас я потратил вечер, просто последовательно задавая вопросы в тот момент, когда мне было что-то непонятно и что-то добавляя по ходу выуживания информации. Я считаю это прорывом, который будет масштабироваться на все отрасли народного хозяйства. Пусть и не так быстро, как утверждают ИИ-энтузиасты.

Какую модель Claude выбрать Выбор LLM по таблице бенчмарков перестал быть рабочим методом. Вот что приходит ему на смену. Причина простая: тесты насытились. Сильные модели решают почти все задания популярных бенчмарков, разрыв между классами уходит в пределы пары процентов, и первая строка рейтинга больше ничего не говорит о том, какая модель нужна именно вам. Что предлагает Anthropic вместо этого — четыре опоры: 1. Понимать классы, а не ранги. Haiku — частые однотипные запросы, где решают скорость и цена. Sonnet — баланс под клиентские сценарии с требованиями к латентности. Opus — сложное многошаговое рассуждение. Fable — фронтир, задачи без готовых решений. 2. Стартовать сверху и регулировать усилие. Рекомендация — начинать с самой умной доступной модели и дальше подбирать не класс, а effort level. Один параметр двигает и качество, и стоимость, и это дешевле, чем перебирать модели. 3. Считать цену за задачу, а не за токен. Показательный замер на SWE-bench Pro: связка Sonnet 5 с советником Fable 5 дала результат в пределах 10% от Fable — за 63% его цены. Прайс за миллион токенов такой картины не покажет. 4. Закрывать выбор своими эвалами. Стандартный бенчмарк меряет среднюю задачу. Вам нужна ваша — на своих кейсах, со своими порогами по латентности и цене. Вывод, который останется верным и после следующего релиза: бенчмарк сужает список кандидатов, но решение принимает ваш прогон. Материал — по статье Anthropic «Claude Models Explained». @timurtaepov

Вот человек собрал индустриальный нодовый инструмент для генерации лендскейпа для 3D. Сказать, что сейчас индустрии не хватает уже существующего софта будет не правдой, есть минимум 3 инструмента для решения подобных задач. Но что с агентами может остановить людей от создания того что уже есть? Правильно ничего, и люди будут создавать простые инструменты, сложные инструменты. Но смогут ли софтверные компании остаться теми же и работать по тем же принципам? У них буквально появляются миллионы конкурентов по всему миру. Дак какой должна быть софтверная компания, должна ли она быть в целом? Как изменится софт, когда можно будет просто не создавать очередное приложение, а нужный инструментарий будет создаваться и крутиться в памяти агента просто тогда когда вам нужно решить определенную задачу, просто на время сессии, а потом исчезать. Инструмент будет лежать на Git в опенсорсе, а значит попадет в следующую версию моделей, и уже не нужно будет проектировать что-то подобное. @CGIT_Vines

5 типов личностей по ур. готовности к внедрению ИИ Анализ 5 ключевых аспектов, влияющих на готовность людей к интеграции искусственного интеллекта в рабочую среду. - AI enthusiasts (энтузиасты ИИ) - Мотивированы инновациями, эффективностью, конкурентным преимуществом - Активно хотят внедрять и использовать ИИ - Часто становятся внутренними драйверами (champions) - AI curious (любопытные к ИИ) - Интерес есть, но без слепой веры - Ждут доказательств, ответов на практические вопросы - Готовы пробовать, но в безопасной среде (sandbox) - AI cautious (осторожные) - Думают про риски: безопасность данных, этика, влияние на людей - Хотят контроль и участие человека (human-in-the-loop) - Не против ИИ, но только при строгих ограничениях - AI sceptics (скептики) - Не верят хайпу, требуют доказательств эффективности - Опираться будут на эмпирику (A/B тесты, сравнения) - Часто это рациональные и опытные специалисты - AI opposed (противники) - Сильное сопротивление из-за страхов (потеря работы, контроль, слежка) - Могут полностью отказываться использовать ИИ - Требуют работы с глубинными тревогами --- Интерпретация (для продукта/внедрения): - Это сегментация пользователей по readiness, а не по роли - Основной барьер — психология и доверие, а не технология - Внедрение ИИ = change management + behavioral design

✔️ ЕС выделит 10 млрд евро на создание семи ИИ-фабрик Еврокомиссия открыла тендер на строительство ИИ-кластеров с ожидаемым общим бюджетом 30 млрд евро. Из них 10 млрд евро напрямую предоставят фонды ЕС и бюджеты стран-участниц. Финансирование получат 7 дата-центров - в документах они фигурируют как "суперфабрики". Прием заявок продлится до 12 ноября, победителей объявят в июле 2027 года. По условиям тендера, подрядчики обязаны полностью ввести объекты в эксплуатацию в течение 18 месяцев после подписания контрактов. wsj.com ✔️ OpenAI запустила программу доступа к флагманским моделям для учёных Программа ChatGPT for Academic Researchers предполагает, что до 2027 года компания предоставит 100 тысячам учёных доступ к своим топовым моделям. Первые 10 тысяч исследователей получат приглашения этим летом. Участникам откроют доступ к GPT-5.6 Sol Pro, ChatGPT Work и Codex с расширенным контекстом, увеличенными лимитами и дополнительными кредитами для функции Deep Research. Платформа включает более 75 научных навыков и интегрирована с базами статей, геномными датасетами и вычислительными блокнотами. Участие отрыто только для профильным специалистам из одобренных OpenAI университетов. Кандидаты обязаны подтвердить академический статус и наличие научных проектов. Одобренный участник может добавить в рабочее пространство до четырех коллег из своего института. openai.com ✔️ Thinking Machines Lab представила модель Inkling-Small Стартап Миры Мурати опубликовал веса мультимодальной MoE-модели Inkling-Small на 276 млрд общих и 12 млрд активных параметров. Модель обрабатывает текст, аудио и изображения в окне контекста до 1 млн токенов. Благодаря дистилляции от флагманской Inkling и обучению с подкреплением, младшая версия превзошла оригинал в кодинге и логическом вывода. Она выбила 80% в бенчмарке SWE-bench Verified и 31,6% в Humanity’s Last Exam. Веса - на Hugging Face, инференс и файн-тюнинг доступны через платформу Tinker. С учетом стартовой скидки стоимость API составляет от $0,58 для контекста 64K до $1,16 для 256K токенов. thinkingmachines.ai ✔️ Google выпустила модель Embodied Reasoning 2 ER 2 обрабатывает непрерывные мультимодальные видеопотоки и работает как высокоуровневый планировщик. Архитектура разделяет логику и моторику - пока модель рассчитывает следующий шаг, физические действия выполняют VLA-модели. Модель анализирует видеокадры в реальном времени, оценивает статус текущего этапа и корректирует алгоритм на лету без перезапуска процесса. ER 2 также поддерживает мультиагентную работу - устройства разного типа могут обмениваться семантическим контекстом для совместного выполнения многошаговых задач в общем физическом пространстве. Модель доступна через Gemini API и на платформе Google AI Studio. В помощь начинающим опубликованы примеры того, как настроить модель и заставить её выполнять задачи в области физического ИИ. blog.google ✔️ Liquid AI выложила веса двунаправленных энкодеров под CPU Стартап опубликовал веса двунаправленных энкодеров LFM2.5-Encoder на 230M и 350M параметров. Модели базируются на архитектуре LFM2, оптимизированы для запуска на CPU и поддерживают контекст до 8К токенов. Основные сценарии применения - классификация, маршрутизация и токен-уровневые операции. По итогам 17 тестов, старшая версия на 350M заняла четвертое место из 14. По словам Liquid AI, при полной загрузке окна в 8192 токена модель 230M выполняет forward pass на CPU за 28 секунд - в 3,7 раза быстрее ModernBERT-base. Код и веса - на GitHub и Hugging Face. liquid.ai @ai_machinelearning_big_data #news #ai #ml

🌐 Наткнулся на важный скилл, который наделяет Claude, Cursor и другие ИИ-агенты суперсилами для поиска в интернете — Agent Reach учит агентов скраппингу, парсингу и анализу веба. → Самое главное — всё работает без платных API, тулза сама ищет способы бесплатно подключаться к нужным источникам. → Агент получит доступ ко всему интернету — твитам в X, тредам в Reddit, репо на GitHub, профилям на LinkedIn и даже закрытым китайским сайтам. → Нейронка сможет смотреть любые видео на YouTube, делать выжимки и читать комментарии. → Скилл может использовать вашу локальную сессию браузера и работать через ваши аккаунты. → Если основной метод подключения к сайту перестаёт работать — он автоматически переключается на запасной. Золото для парсинга в сети — тут. @notboring_tech

КАК ЛОПНЕТ ИИ-ПУЗЫРЬ, РАЗБОР ОТ ЛУЧШЕГО ИНВЕСТОРА В МИРЕ. Послушал свежий подкаст Рэя Далио, одного из гениев мира финансов. Делюсь заметками. Точно пузырь. — Мы сейчас все очень воодушевлены ИИ. Он правда принесёт огромные изменения. — Но это не вопрос пузырь или нет. Вопрос в какой степени пузырь. — Всё развивается по классическому сценарию. Появляется технология, люди говорят: «Это чудо, мы должны в неё инвестировать». Оценки улетают в космос. Появляется куча миллиардеров на бумаге. — Допустим, вы привлекли $50 млн, оценив свою ИИ-компанию в $1 млрд. — Но оценка и деньги — не одно и то же. Вы теперь миллиардер «на бумаге». А реально в компании только $50 млн. — Акциями расплачиваться нельзя. Нужно найти того, кто купит их за реальные деньги. — Но можно занять у банка под залог акций. Так растёт пирамида, в вовлекается банковская система. Сейчас покажу, как это богатство исчезает. — У вас акций на $100. Вы пришли в банк, взяли под них кредит $50. — Вдруг началась война или паника. Все бросаются продавать активы. Цены летят вниз. — Теперь ваша акция стоит $25. Но банку вы по-прежнему должны $50. — Актив на $25, долг на $50. И все в остальные в той же ситуации. — Так пузырь начинает лопаться и утягивая за собой людей и всю банковскую систему. Как это доходит до обычной жизни. — Вы потеряли деньги и начинаете меньше тратить. Не ходите в рестораны. — Рестораны тоже чей-то доход, теперь он тоже тратит меньше. Всё падает как домино. — Компании говорят: «Забудьте о росте. Нам нужно выжить». И начинают сокращать людей. — Сейчас идёт много сокращений под прикрытием ИИ, но по факту компаниям просто нужен кэш. Это случалось уже много раз. — В 1920-х появилось электричество в домах, автомобили стали массовыми, появились самолёты. — Все понимали, что за этими технологиями будущее. Покупали акции даже на заемные деньги, рынок рос. — А потом прибыли компаний не дотянули до цен, которые за них заплатили. И мы получили Великую депрессию. — Точно угадать момент обвала невозможно. Ваша лучшая страховка — инвестировать в себя и быть готовым меняться, под реалии мира Я большую часть жизни мыслил только будущим. Прошлое меня вообще не интересовало. А последние годы стал изучать историю и поразительно как много там ответов, что примерно ждет нас в будущем.

Готовые ИИ-решения для бизнеса: теперь не надо изобретать велосипед ⚡️ Друзья, хорошая новость для тех, кто устал от абстрактных «нейросети всё изменят». Появился ресурс, где это «всё» разложено по полочкам с цифрами в руках. Альянс в сфере ИИ запустил «Витрину кейсов» — первый в России открытый каталог проверенных внедрений искусственного интеллекта в бизнесе. Что внутри: 🔹 Десятки завершенных проектов от 22 компаний-лидеров (ИТ, телеком, финтех, промышленность) 🔹 Более 5000 сценариев применения ИИ 🔹 Удобная фильтрация по отраслям (от сельского хозяйства до логистики) и типам задач (автоматизация, аналитика, контроль качества, безопасность) Почему это ценно: Каждый кейс — не просто «мы внедрили нейросеть». А конкретные цифры: ✔️ ROI ✔️ Сокращение трудозатрат ✔️ Рост конверсии ✔️ Снижение рисков Пример из первых рук: Альфа-Банк показывает, как их внутренняя ИИ-платформа изменила работу с корпоративными клиентами. Результат: + прибыль от цифровых продаж в 1.5 раза, доля в действующей базе выросла на 25%. И это не кейс из маркетинговой брошюры, а полностью реализованный проект. Кому это может быть полезно? 1. Найти релевантный пример под свою задачу 2. Оценить применимость в своей компании 3. Связаться с экспертами Альянса по контактам на сайте для обмена опытом