Субботняя история Недавно во время отпуска мы останавливались в Стамбуле в одном дорогом и очень колоритном отеле. Называется он Divan Решил погуглить, что означает это слово. И вы не поверите - в турецком языке divan переводится как диван Оказывается, в Турции диван, это исторически важное и почётное место. Именно на диванах в Османской империи проходили заседания совета министров при султане. Сам совет, кстати, тоже назывался Divan. Так что, если вас когда-нибудь назовут «диванным экспертом», можно даже немного этим гордиться. Немного почувствовал себя министром и я, когда на очень удобном диване в нашем отеле, читая интересную книгу. Называется она - Your Life Is Manufactured. How the World Is Made and How We Can Do It Better (примерный перевод - Всё в вашей жизни произведено. Как создаётся наш мир и как мы можем делать это лучше ) Фото в шапке поста ⤴️ Это одна из самых впечатляющих nonfiction книг, которую я когда либо читал. Будь я действительно министром, сделал бы из этой книги учебник и заставил бы прочитать его всех студентов технических специальностей (да и гуманитариям, думаю, было бы очень полезно) Главная идея книги довольно простая - практически всё, что нас окружает, появилось в результате сложных производственных процессов. И большинство людей даже не представляет, насколько эти процессы сложны и насколько далеко друг от друга могут находиться участники одной производственной цепочки. Даже такая простая вещь, как рулон туалетной бумаги, это результат работы десятков предприятий, которые могут находиться на разных континентах. Кроме того, в книге есть история развития промышленности, промышленных революций и прогнозы автора о том, как производство будет развиваться в будущем. Во многом взгляд автора совпадает с моими представлениями о роли материального производства в жизни общества. Поэтому я хочу поделиться с вами некоторыми историями и идеями из этой книги в следующих постах. Пусть простит меня за это автор - Тим Миншалл, профессор производственных инноваций Кембриджского университета. Не переключайтесь. Незаметный бизнес

На этой неделе я в Бостоне, уже 4 день, и я реально влюбилась в этот город Первое впечатление, если честно, было такое: «куда я приехала, тут вообще никого нет, деревня какая-то». А сейчас понимаю - это просто другая плотность жизни. Здесь уютно. Здесь бегают белки и кролики прямо у тебя под ногами, которые не боятся людей. Здесь очень чисто. Огромное студенческое комьюнити, куча молодёжи, и при этом невероятное количество классных мест поесть, прям вкусно и за 10-15 долларов, что в Нью-Йорке уже почти невозможно найти. И вот что реально удивило: город максимально адаптирован под университеты и студентов. Выходишь в десять-одиннадцать вечера, и вообще не думаешь о безопасности, просто идёшь и наслаждаешься. Для сравнения: в Сан-Франциско к четырём дня половина всё уже закрывается, кофейни не работают, и есть районы, где вечером находиться совсем не комфортно. А в Бостоне всё просто работает, весь день и весь вечер. И это меня зацепило: почему при таком количестве топовых универов (Гарвард, MIT) Бостон так и не стал второй Кремниевой долиной? Погуглила, и оказывается, тема давно обсуждается. Один из главных факторов - это исторически строгое соблюдение соглашений о неконкуренции в Бостоне, в отличие от Калифорнии, где такие ограничения почти не работают, из-за чего сотрудникам было сложнее уходить и запускать свои стартапы. Плюс более консервативный венчур: местные фонды долго давали основателям вдвое меньше, чем предлагали в Кремниевой долине. А ещё город исторически удерживает совсем небольшой процент выпускников техвузов, готовых делать стартапы, и они просто уезжают в SF и Нью-Йорк.

ИИ не справился с абитуриентами: почти 60 тысяч человек отправят на пересдачу Национальный автономный университет Мексики (UNAM), один из самых престижных вузов страны, решил осовременить вступительные экзамены. Тесты перевели в онлайн, а следить за тем, чтобы никто не списывал, поручили прокторинговой системе на базе искусственного интеллекта. Эксперимент обернулся грандиозным скандалом: А

битуриенты легко обманули систему. В ход шли умные гаджеты, подмена личности и посторонняя помощь. А в TikTok всего за $150 даже продавался специальный софт для обхода ИИ-слежки и решения тестов. В результате количество идеальных 100-балльных работ выросло в 3 раза! Университету пришлось аннулировать результаты 3 тысяч таких «гениев» еще до публикации списков.

Скандал оказался настолько громким, что дошел до президента Мексики Клаудии Шейнбаум — она даже предложила подключить к расследованию Генпрокуратуру. Разработчики системы оправдываются, что ИИ работал штатно, а вот вузу не хватило живых наблюдателей (лол). Итог закономерен: чтобы вернуть доверие к экзаменам, 58 000 поступающим придется пересдавать тесты. На этот раз — строго в очном формате, под присмотром людей.

Однажды в Австралии Apple II проиграл компьютеру, который сначала продавали по почте в виде набора деталей. MicroBee создала небольшая фирма для радиолюбителей. Подать ПК на школьный конкурс ее уговорили учителя, а для комиссии инженеры собрали всего 32 рабочих экземпляра. В итоге MicroBee получил государственный контракт, появился более чем в 3000 школах и занял около 11% австралийского рынка. У машины были необычные возможности. Благодаря памяти с отдельной батареей её можно было выключить, перенести и снова включить, не потеряв открытую программу или документ. Позже небольшие партии MicroBee даже закупал СССР, хотя до советских классов он так и не добрался. История австралийского чуда, которое выросло из идей энтузиастов, на несколько лет стало главным школьным компьютером страны и сумело потеснить гигантов.

[Гарвард] Я отучился 1 курс из 3 в Гарварде, снимал про это видео, писал посты. И даже запитчил там нашу идею на английском и привлек инвесторов, окупив обучение. Было круто! И я с предвкушением ждал следующего года, чтобы снова на 3 недели приехать на обучение. Но! Прямо перед оплатой второго года я узнал, что моя жена беременна. Роды выпадали на обучение в Гарварде, плюс-минус полтора месяца. С одной стороны, было бы круто всё успеть: и в Гарварде поучиться, и на родах ребенка поприсутствовать 😅 Но решил, что семья важнее. И отменил второй год обучения. В этом году дочке 10 месяцев, сыну 3 года. И мы поняли, что лететь всем вместе в США тоже не вариант. Пока я буду на обучение, жена просто не справится с двумя детьми. А если и справится, то это будет не в удовольствие, а через силу. Короче, еще 1 год переноса. Надеюсь, меня не отчислят 😅 Есть еще несколько факторов: — Обучение стоит конских денег и просто ехать в Гарвард за знаниями — не для меня. Я еду и за знаниями и с намерением его окупить сразу же. Надо иметь железобетонный вариант, как можно окупить обучение. Оно стоит 51000 баксов + все путешествие еще минимум 30000. $80 000 всё вместе. — Дети должны быть более самостоятельными: ходить, есть, спать, гулять. Думаю, через год уже реально снова всем вместе двинуть в Бостон на месяц. — В идеале моя компания должна подрасти, чтобы я не чувствовал там себя ущербно 😅 Минимальная выручка там — 10 миллионов долларов в год. У нас, напомню, 6,5. Надо, чтобы в следующем году мы превысили 10ку и я ехал уже как норм предприниматель уровня Гарварда, а не "школьник". — Ну и нужно доделать паспорт Аргентины. Тут произошли изменения. Теперь из Аргентины лучше не выезжать, пока не закончу с паспортом. По прогнозу мне осталось 6-8 месяцев до получения паспорта. Как будто все звезды сходятся на то, что в следующем году можно будет двигать. Поездка в Гарвард — серьезный проект. Важно не делать его для галочки, а решать там свои задачи. Готовлюсь 👊

недавно прошёл imo 2026 (международная математическая олимпиада). обычно это мероприятие любят за то, что можно посмотреть, где лучше всего в мире дети умеют решать сложные задачи царицы всех наук, и кого можно захайрить в хэдж-фонд через 5 лет. но с недавних пор туда стали допускать llm и это стало отдельным зрелищем. и в этом году opus 5 идеально решил imo 2026: 42/42 балла. это пока единственная модель, которую успели прогнать по задачам олимпиады, и она сразу показала идеальный скор. на примере таких событий очень занятно наблюдать за скоростью прогресса. openai и google в прошлом году тоже взяли на imo золото. при этом скор там был не идеальный, как у opus 5, и вообще это были внутренние специально затюненные модели компаний, недоступные обычным пользователям. вообще в теме ии и математики происходят невероятные вещи: модели чуть ли не каждую неделю делают открытия по задачам, которые я едва могу прочитать. модель openai опровергла гипотезу эрдёша 1946 года про единичные расстояния (80 лет считалось, что лучше квадратной решётки не бывает; оказалось, бывает), и филдсовский лауреат гауэрс назвал это вехой ai-математики. а alphaproof nexus от deepmind автономно закрыл 9 из 353 открытых задач эрдёша. imo тут выглядит разминкой. но если интересно следить за людьми, то небольшая статистика: 1/ 666 участников из 117 стран. 55 золотых медалей, 105 серебряных, 189 бронзовых. идеальный результат у семерых. золото разъехалось по 31 стране. 2/ китай: все шесть участников взяли золото, 232 балла из 252 возможных и три идеальных 42/42 из семи на всю олимпиаду. следом сша (207 баллов, четыре золота) и россия (196, тоже четыре). 3/ семь из десяти лучших команд азиатские: китай, сингапур, вьетнам, корея, индия, кндр, япония. кндр к слову, на девятом месте, выше японии, франции и германии. 4/ словакия взяла два золота, больше, чем германия и франция вместе. по золоту у боснии, северной македонии и грузии. а у нидерландов, швеции, норвегии, дании, бельгии и финляндии на всех ни одного золота или серебра, только бронза. 5/ лучшая команда западной европы, франция, всего лишь #15. без единого золота, зато пять серебра. из той же серии ровных команд без звезды: бразилия (#11, тоже пять серебра это лучший результат в латам), казахстан (#22) 6/ отдельное наблюдение про происхождение. в сборной сша за последние десять лет примерно две трети участников с китайскими фамилиями, ещё ~15% с индийскими (считал по фамилиям, так что оценка грубая). в этом году из шести человек, трое ванов и один яо. ещё решил чекнуть, где сегодня работают олимпиадники, особенно когорты последних 5–10 лет. данные местами шумные, так что оставляю на ваше усмотрение. свежий срез по ~18 000 медалистов (карьера прослеживается примерно у половины): 36% уходят в академию, 22% в тех, 12% в квант, фаундеров всего 4.5%. топ работодателей в абсолюте: google 212 человек, meta 86, deepmind 49, jane street 47, openai 38. ai-лабы теперь в топе, хотя такой категории ещё недавно не существовало: в двадцатке также nvidia (22), anthropic (15) и mercor (14). на 15-й строчке отдельная категория «stealth startup»: 16 медалистов прямо сейчас пилят что-то неанонсированное. еще любопытно, что многие в лабах работают в safety и интерпретируемости (deepmind, anthropic, transluce). тренд по когортам тоже читается: в конце 90-х phd получали 75–95% золотых, у когорт 2010-х уже 60–80%, остальных перетягивают квант и лабы. по вузам концентрация: самый частый бакалавриат медалиста это mit (536 человек, 12% всех), дальше кембридж (321) и, неожиданно, тегеранский шариф (135) , выше принстона, гарварда и стэнфорда. ну и на случай, если вы переживаете, что где-то что-то не успели, помните: дарио амодеи был в сборной сша по физике, но в финальную пятёрку на олимпиаду так и не прошёл. ставьте лайки, сделаю доп разбор на другие предметы (физика, информатика, химия). и как бонус посмотрю на карьерные пути победителей кенгуру и русского медвежонка. ссылки откуда брал данные [1] [2]

Трансляции лекций «Лето с AIRI 2026» Наша летняя школа по искусственному интеллекту близится к завершению. Делимся записями трансляций потоковых лекций⤵️ ⏯«Тренды в развитии ИИ и исследования AIRI» Иван Оселедец, д.ф.-м.н., профессор РАН, генеральный директор Института AIRI, декан факультета искусственного интеллекта МГУ ⏯«Обучаемая манипуляция объектами: от RL к VLA моделям» Александр Панов, д.ф.-м.н., профессор РАН, директор лаборатории «Когнитивные системы ИИ» Института AIRI, директор Центра когнитивного моделирования МФТИ ⏯«На пути к сильному ИИ в медицине» Дмитрий Дылов, PhD, директор лаборатории «Сильный ИИ в медицине» Института AIRI ⏯«Стратегия и подходы применения генеративного ИИ в кибербезопасности» Антон Митрофанов, исполнительный директор, Управление экспертизы кибербезопасности Сбера ⏯«От весов до прода: как ломают и защищают ИИ-системы» Олег Рогов, к.ф.-м.н., руководитель группы «Доверенные и безопасные интеллектуальные системы» Института AIRI, руководитель лаборатории безопасного ИИ AIRI-МТУСИ ⏯«Vision? Language? Action? Models» Владислав Куренков, руководитель группы «Адаптивные агенты» Института AIRI ⏯«Интерпретируемый ИИ в анализе многоканальных электрофизиологических данных» Алексей Осадчий, д.к.н., руководитель группы «Нейроинтерфейсы» Института AIRI, директор Центра биоэлектрических интерфейсов НИУ ВШЭ ⏯«От промпта к цифровому сотруднику» Ярослав Беспалов, руководитель группы «Мультимодальные архитектуры ИИ» лаборатории «Сильный ИИ в медицине» Института AIRI ⏯«На пути к L5 автономии в транспорте. Актуальные задачи современных систем» Дмитрий Сенюшкин, к.к.н., руководитель группы «Автономное зрение» Института AIRI ⏯«От машинного обучения к ИИ материаловедению» Роман Еремин, к.ф.-м.н., руководитель группы «Дизайн новых материалов» Института AIRI ⏯«Может ли ИИ заменить учёных?»Автономные агенты и будущее науки» Пётр Анохин, к.б.н., руководитель группы «Нейрокогнитивные архитектуры» Института AIRI ⏯«Ура, Уроборос! От понимания BIM к самоэволюции и градостроительству» Артём Просветов, исполнительный директор по исследованию данных, Сбер ⏯«Знает ли модель, что она не знает? Введение в оценивание неопределённости в LLM и VLM» Елизавета Гончарова, к.к.н., руководитель группы «Мультимодальный ИИ» лаборатории FusionBrain Института AIRI ⏯«Всем пятёрки, или как оценивать AI-исследователей — парадоксы, ловушки, качество и новизна» Анастасия Волкова, руководитель направления по исследованию данных Центра исследований генеративного ИИ Sber AI ⏯«Как не потерять права на свои разработки» Вита Власова, руководитель направления партнёрского сопровождения и интеллектуальной собственности Института AIRI ⏯«Faithfulness в языковых моделях» Глеб Ершов, Data Science-инженер Авито ⏯«Как ИИ помогает взламывать код жизни» Алёна Аспидова, инженер-исследователь группы геномики Центра ИИ-разработки новых лекарственных препаратов AIDD Института AIRI ⏯«Эффективный ИИ: главные оптимизации последних лет и почему они сработали» Данил Сивцов, инженер-исследователь группы «Вычислительный интеллект» Института AIRI ⏯«Терминальные агенты в задачах автоматизации актовый зал доменных исследований» Даниил Сухоруков, научный сотрудник группы «ИИ в промышленности» Института AIRI ⏯«Современные методы квантования моделей» Начын-Энхэдоржу Ооржак, специалист по исследованию данных, Блок «Риски», Сбер Записями всех лекций и семинаров мы поделимся после завершения Школы✔️

И еще немножко свежей аналитики по рынку труда США, и снова она не подтверждает ничего из апокалипсических тезисов ИИ-скептиков (или, правильнее, ИИ-бояк?) Основной вывод сформулирован коротко: Employers expect more productivity from workers using AI: 57% of employers say they expect more productivity from their workforce because of AI. Остальное так или иначе из этого тезиса вытекает: если безработица кому и угрожает, так тем, кто не желает быстро учиться и переучиваться. Проблемы стартовых начальных позиций — тоже прямое следствие требований работодателей, а университеты, тратившие силы на борьбу с ИИ, перестали давать студентам то, что от них ждет рынок. И это — проблема косности системы образования, а не злонамеренных работодателей.

“AI is changing the way employers plan for their workforce. New roles are emerging across the labor market, but the bar is rising with them. What we’re seeing is a fundamental shift in expectations on both sides of the hiring process — employers want higher-skilled, higher-producing candidates, while job seekers want a faster, more transparent hiring experience.”

А сам ИИ оказывается скорее двигателем роста, чем средством бездумного сокращения расходов. Правда, для этого многим придется согласиться быстро расти (а это требует усилий и воли), а не цепляться за свое прошлое:) https://www.ziprecruiter-research.org/economic-insights-research/ai-employer-report-2026

Внятное и лишенное журналистской истеричности и упрощений исследование рынка труда от Revelio Labs демонстрирует справедливость ненавидимой медиа и многими читателями фразы: “все сложно”. Очень хочется простых ответов на классические вопросы “что делать?” и “кто виноват?”, но их, как обычно в жизни случается, просто нет. Видно, что рынок труда меняется, но процессы на нем сложные и разные в разных местах. Июльский AI Labor Market Tracker показывает, например, что спрос на наиболее «AI‑экспонированные» роли упал на 42% относительно менее подверженных автоматизации позиций, но при этом в фирмах‑адоптерах AI общая численность персонала растёт на 27% быстрее, чем у не‑адоптеров — то есть рынок не столько «убивает рабочие места», сколько радикально перераспределяет функции внутри компаний. Страхи и разочарования повлияли и на образование: имеется заметное проседание поступающих на компьютерные науки и ИТ-специальности (минус 28% набора студентов по сравнению с 2022), это происходит одновременно с ростом доли задач в существующих ролях, которые выполняются с участием AI‑инструментов. В практическом смысле это подтверждает картину из более ранних отчётов LinkedIn: вместо классической смены профессий наблюдается рост гибридных позиций, где умение работать с моделями становится базовой грамотностью, а не отдельной профессией. Понимаю, что мой пересказ выглядит мутным, но в данном случае это намеренно: тут надо внимательно читать и думать, а не хвататься за чужие выводы. Потому что, повторюсь, картинка сложная и и ее упрощение просто лишает ее смысла. https://www.reveliolabs.com/ai-labor-market-tracker/us/july-2026

Эпоха постграмотности гоу бррр. Прочитала в Атлантике статью о том, что люди все меньше и меньше читают (статья, по иронии судьбы, гигантская, вот она без пэйвола). Если коротко, то письменность нехило изменила человечество, бустанув прогресс и в целом наше мышление. И вот этот период подходит к концу. Потому что люди больше не читают книги. В статье как раз приводятся всякие интересные цифры, исследования и размышления о последствиях. Которые выглядят пугающе. 😐 Огромное количество взрослых людей больше не может понимать большие тексты, неспособно к концентрации (сдвг, говорите?), не умеет в логику и абстрактное мышление. Учителя даже перестали давать ученикам целые книги на прочтение - обходятся отрывками и саммари. Студенты университетов в США неспособны своими словами пересказать о чем вот этот классический отрывок из Диккенса:

Лондон. Осенняя судебная сессия – «Сессия Михайлова дня» – недавно началась, и лорд-канцлер восседает в Линкольнс-Инн-Холле. Несносная ноябрьская погода. На улицах такая слякоть, словно воды потопа только что схлынули с лица земли, и, появись на Холборн-Хилле мегалозавр длиной футов в сорок, плетущийся, как слоноподобная ящерица, никто бы не удивился.

25% студентов решили, что эти образы - буквальные. И там реально динозавр ходил по улице. Возвращаемся к сказаниям у костра, судя по всему? Рилзы подъедают наш мозг с одного края, а нейронки - с другого. Я и по себе это вижу - много лет не читала художку, только нон-фикшн. Мой батя, у которого дома библиотека на полторы тысячи книг (это не метафора), уже давно променял книги на ютуб. В общем, в трехчасовой перелет я впервые взяла с собой не стимдек, а киндл с Толкином. А у вас как дела с чтением обстоят?

Ловушка с белым текстом: профессор поймал 32 студентов на слепом копировании ответов ИИ Преподаватель истории из США Джейсон Гибсон провел эксперимент, чтобы оценить реальный масштаб использования ИИ при выполнении письменных работ. В текст задания о Промышленной революции он спрятал белым шрифтом скрытую инструкцию — вставить в готовый ответ абсурдную фразу про Мадагаскар. Пользователи задание не замечали, зато алгоритмы нейросетей считывали его без ошибок. В результате 32 студента сдали работы с фразами вроде «Мадагаскар плывет боком сквозь послеполуденное время» и «Мадагаскар пурпурный велосипед шепчет потолку». Главной проблемой оказалась не сама генерация, а отсутствие элементарной проверки: ни один из учащихся даже не прочитал итоговый текст перед отправкой. Когда профессор предложил пойманным студентам оспорить пересдачу, согласились единицы, что лишь подчеркнуло необходимость полной трансформации образовательных стандартов.

Нужно ли мне учиться, когда курс можно скормить нейронке? И как будет выглядеть образование будущего Зачем учиться? Чтобы эффективнее решать больше задач и более сложные задачи. Но сейчас же есть чудо-нейронки, которые за меня сегментацию сделают, фичу запилят и потом отчитаются об успешности эксперимента. Если нейронка не шарит за продуктовый подход, так ей можно скормить методологию и скиллы эксперта и станет она умнее Вани Замесина. Появился сегмент студентов, которые покупают обучение только для того, чтобы расшифровать и скормить нейронке. Сами при этом не учатся. Ну реально, зачем? 1. Если инструмент доступен всем — владение инструментом тебя не отличает от других. Все могут установить себе скиллы эксперта. Но без фундаментального понимания ты проиграешь тем кто установил скиллы И имеют фундаментальное понимание. Создаёшь продукты в 10 раз быстрее? Ты в 10 раз быстрее узнаешь, что ты проигрываешь конкурентам в понимании стратегии. 2. Чем лучше будут нейронки, тем более убедительно будут выглядеть результат их работы. Если ты отвечаешь за стратегию большого продукта — тебе потребуется быть супер-экспертом, чтобы поймать заковыристую галлюцинацию нейронки и направить нейронку в правильную сторону при сотнях доступных стратегий. 3. Один из важных результатов обучения — возможность видеть сквозные паттерны в других сферах, получать эмержентные навыки и возможность совершать новые действия из кобминации существующих. Умею вайбкодить, принимать продуктовые решения и привлекать клиентов — могу сделать фестиваль и собрать на него много участников. Результат = опыт+навыки * инструмент. НО Мы с вами дружно перенеслись в ветку реальности в которой всё стало очень быстро и интенсивно. И учиться как учились наши деды — по лекциям, неделями, чтобы потом самому пытаться применять в своём продукте — уже не работает. Слишком медленно и неэффективно. Обучение будущего будет выглядеть не как обучение. 1. Информация становится бесплатной. Поэтому я выложил большую часть канона в открытый доступ. И скоро много лекций выложу в открытый доступ 2. Человек будет решать задачи и учиться в процессе 3. Нейронка делает, ты принимаешь решения 4. Обучение должно быть максимально быстрым. Длинные программы будут состоять из множества коротких спринтов. 5. Обучение будет работать с более фундаментальным уровнем знаний и навыков. Нужно учить челвоека думать, а не повторять заученные действия.