Почему AI в фитнесе питании всё ещё оверхайп - и как настроить его правильно Решил поделиться длительным опытом интеграции LLM в тренировочный процесс и ЗОЖ. За последний год я изучил этот вопрос с разных сторон: от обсуждения тренировок с LLM до разработки AI-приложений. Сегодня делюсь инсайтами. Спойлер: прямо сейчас 90% приложений с AI - тупая выкачка денег за иллюзию пользы. Но если подойти к делу с умом, ваша подписка на LLM их заменит и превзойдет. Разберем два главных направления: питание и планирование нагрузок. 1. Подсчёт калорий по фото Практически каждый современный трекер (MyFitnessPal, FatSecret, Garmin и.т.д.) встроил фичу: «сфоткай тарелку — получи КБЖУ». В чём проблема: - Специализированных моделей почти нет. В большинстве сервисов под капотом сидит обычная LLM, которая чаще занижает каллорийность. В итоге вместо легкого дефицита вы улетаете в жёсткую яму (что чревато срывами), а при работе на профицит - сидите в дефиците. - Проблема с фото. Чтобы специализированная модель хотя бы приблизительно угадала вес и состав, нужен идеальный свет, понятный масштаб и фиксированный размер тарелки. В реальной жизни люди фоткают как придется. - Иллюзия экономии времени. Большая точность достигается там, где вас просят после фото дописать текстом, что вы ели. Но тогда теряется весь смысл: проще взвесить все на весах за те же 2 мин. 2. AI-тренеры внутри приложений С планированием тренировок есть две базовые схемы: - Жесткие формулы (Garmin и др.). В 9 из 10 случаев их рекомендации адекватны, но не знают ваших целей и контекста. - Экспорт данных в стороннее приложение с LLM. Возникают проблемы экономики и управления контекстом. Чтобы модель дала качественный план, ей нужна куча данных: - Цель и фаза текущего тренировочного блока. - Саммари тренировок за прошлую неделю и динамика ключевых метрик (HRV, RHR). - Планируемая нагрузка + телеметрия за последние 3 дня. Легкие модели под капотом приложений тупо не периваривают это и путаются в цифрах,а полновесные GPT или Gemini руинят экономику разработчика. В итоге любой чат с AI в обёртке фитнес-аппы втирает вам дичь, которая совпадает с реальностью только на 60–70%. Как тогда правильно использовать LLM для тренировок? Шаг 0. Изучите базу Перед тем как идти к LLM, изучите метрики, важные для вашего спорта и как они реагируют на стресс/недосып. Вы должны быть подкованы в теме, чтобы: А) Не тратить контекст на лекции от модели. Б) Понимать реальное состояние тела до того, как откроете чат. Вариант 1: Разделение контекста в вашей личной подписке Используйте свою подписку на LLM и разведите задачи по разным чатам: - Чат 1 (Оперативный): Только динамика HRV/RHR за 3 дня + телеметрия конкретной тренировки (лучше цифрами/текстом, а не скринами). - Чат 2 (Стратегический): Таблица HRV/RHR за месяц, сводка типов нагрузки, текущие профильные метрики (например, FTP и VO2Max для вела) + цели прошлого и следующего блоков. Вариант 2: Кодинговый агент + MCP (Garmin / Strava) Самый правильный и продвинутый путь. Вы один раз собираете skill для агента, подключаете нужный MCP, настраиваете локальное сохранение контекста в файлы и дальше общаетесь как с персональным тренером. Контекст контролируется идеально, ручного копипаста - ноль. Но нужен запар на первичную настройку. Два совета для обоих сетапов: - Сообщайте инфу про свое субъективное самочувствие. Обязательно скормите модели информацию о том, как вы себя чувствуете прямо сейчас (тяжесть/стресс/плохой завтрак). ЦНС часто дает более точный сигнал, чем датчики часов, которые ещё не успели отловить сбой. - Не навязывайте модели своё мнение. Если вы напишете: «Я сегодня устал, давай отменим интервалы?» - LLM с вероятностью 99% поддакнет. Дайте ему 2–3 альтернативы, попросив сделать объективный выбор. Так вы снизите риск перетрена и травм практически до нуля и получите действительно рабочий инструмент. Если вам интересна тема сетапа кодингового агента - накидайте огонечков, распишу отдельным постом.

👁Сэм Альтман готовится передать управление OpenAI нейросети, оставив себе роль говорящей головы 🎞OpenAI планирует стать первой мегакорпорацией, где должность генерального директора фактически займет искусственный интеллект. При этом сам Альтман никуда не уходит. Он останется на сцене - успокаивать инвесторов и торговать лицом перед прессой, пока настоящие управленческие решения будет принимать холодный алгоритм. 🔍Исследователи уже окрестили эту схему "Обратным Механическим турком":

В XVIII веке изобретатели прятали живого шахматиста внутри деревянного автомата, чтобы заставить толпу поверить в разум машины. В корпорациях будущего всё будет ровно наоборот: алгоритм спрячут за харизматичным кожаным фасадом живого CEO, чтобы люди думали, будто бизнесом всё еще управляет человек.

Марк Цукерберг уже вовсю использует личных ИИ-агентов, чтобы вытаскивать инсайты и прыгать через головы топ-менеджеров. Но Альтман говорит о куда более жестких вещах. Одно дело, когда нейросеть сводит таблички и пишет отчеты. Совсем другое - когда алгоритм наделяют реальной властью закрывать целые подразделения, резать бюджеты и увольнять людей, исходя из сухой математической эффективности. 🦔 CyberYozh

Роботакси «Яндекса» проехало по Москве без водителя — от центра до спальных районов «Яндекс» показал видео первой непрерывной поездки роботакси по четырем районам Москвы без вмешательства водителя. Hyundai Sonata проехала через Очаково-Матвеевское, Хамовники, Ясенево и Марьино. В компании хотели продемонстрировать, насколько разными могут быть дорожные условия внутри одного города — от узких переулков центра до магистралей спальных районов со скоростным режимом до 90 км/ч. «Яндекс» планирует запустить сервис роботакси уже в 2026 году. https://hightech.plus/2026/08/12/robotaksi-yandeksa-proehalo-po-moskve-bez-voditelya--ot-centra-do-spalnih-raionov

Короче rage bait пост. Про бизнес, предпринимателей, венчур и «взрослую индустрию tech». TLDR: венчуру в его текущем виде конец, будут только большие раунды, предприниматели прошлого цикла (а-ля инстаграм кофаундеры) потеряли свою ценность, их опыт не нужен. А теперь по порядку. Мы находим у порога технологического цикла. Входного порога конечно. AI такая штука которая срезает все «среднее», «ну такое» и прочее ниже этого по качеству. Технология меняет местами в приоритете две важных вещи. Возможность сделать и возможность проверить. Раньше самым большим порогом входа было: собрать команду, найти денег чтобы им платить, мотивировать и так далее. Поток людей в индустрию рос. Было много гипотез, но чтобы их проверить нужно было время и ресурсы. Гипотезы были очень простые. О давай продавать это или отмечать фотки на карте, отмечать клиентов в табличке и трекать прогресс. Все было открыто (интернет меньше регулировался). Поэтому предприниматели славились своими софт скилами. Не так важно было знать проблему и ее решать, важно было найти людей и итерировать. Это ценилось превыше всего. Сегодня я вижу картинку по-другому. Порог до проверки гипотезы упал до нельзя. Простые вещи проверить можно на коленке. Посмотрите на вайбкодинг подделки. И тут оказалось, что решение проблемы в RL стоит сотни миллионов, а твой новый SaaS две выручки дай бог. И для меня поменялось местами следующее. Раньше важно найти с кем и засетапить. Теперь важно очень точно понимать что делать, и желательно формулировать конкретно. И это пресловутое знание в век AI компаний оказалось очень техническим и очень сложным. Залетели первые компании типа perplexity & Harvey. А дальше читая описание компаний поднимающих 200м сразу даже не понятно. И это не потому что они делают чушь (клоуны ахахах), а потому что не понимаешь в чем вообще суть проблемы ими решаемой. Следом за кризисом у предпринимателей будет кризис аллокации капитала. Ведь теперь нужно разбираться «на что» давать бабки, а не кому давать бабки. Что очень ломает мир инвесторов. И софт скилы отходят на второй план, ведь собрать команду под четкую проблему и зная что внутри легче, чем под «Тиндер для собак». А значит нужны инвесторы которые шарят. А таких будет мало, ибо им легче сделать свою компанию. Все эти вещи можно заметить уже сейчас: топ рисерч челы уходят из гугла, в инвест фондах меняются лица, потому что прошлые лидеры просто не понимают что происходит. Тупо банально не вдупляют в смысл происходящего. Такая стадия во многих индустриях. Там где венчура то и нет. Где стало сильно меньше высокорисковых идей с потенциалом. Потому что идеи стали сложные слишком. Это нас ждет и в tech. И да я бы не инвестировал бабки в трек рекорд прошлых лет, а лучше бы студентам норм профессора по ml закинул. Такие дела. Вторую часть может тоже напишу.

Этот деревянный счётчик делает двоичную систему простой для понимания Он может выглядеть примитивно, но та же самая фундаментальная логика лежит в основе самых передовых ИИ-систем сегодняшнего дня. Генеративные ИИ-модели преобразуют запросы в текст, изображения, аудио и код с помощью миллиардов математических операций, выполняемых компьютерными чипами. Агентный ИИ идёт ещё дальше, используя эти модели для планирования задач, выбора инструментов, принятия решений и выполнения действий. ИИ может казаться разумным и самостоятельным, но любой его результат всё равно начинается с самого простого языка вычислений: нулей и единиц. #интересное

Жена спросила: а если у нас столько шарящих в ИИ людей - и звезды Kaggle, и победители межнара по ИИ, почему все еще нет своей конкурентной нейросети, а не китайского опенсорса с дообучением? (Про заслуги китайского Qwen в отечественном ИИ я жене уже рассказывал) Я тяжело вздохнул и ответил, что этому слегка мешают три обстоятельства. Во-первых, наш язык, в отличие от английского, не стал международным, а жить в России, не говоря по-русски, довольно затруднительно. Поэтому возможности привлекать лучших ученых и инженеров со всего мира у нас существенно ограничены. Сюда же добавляется довольно скромная демография: в Китае тоже не то чтобы очень удобно жить англоговорящим, но там пошли по пути, когда и своих кадров на многое хватает. Во-вторых, наша экономика пока что увы не входит в топ-3 экономик Мира, и на сопоставимые инвестиции в ИИ у нас просто не то чтобы есть деньги. Ну и в-третьих, конечно нельзя не вспомнить про отставание в микроэлектронике и отсутствие каких-то перспектив на свое железо для ИИ. Конечно, остался вопрос, значит ли, что в России своих LLMок так и не появится. И тут конечно ответ не столь категоричный. Во-первых, очень может быть, что через несколько лет модели выйдут на плато по качеству, а вычислительные мощности какого-нибудь нового железа от Nvidia будут позволять делать pretrain до качества, слабо отличимого от топового на практике. Во-вторых, альтернативные подходы к архитектуре (SMM или какие-нибудь особо экзотические ветки развития attention) могут все же дать результат и удешевить процесс для всех. В-третьих, чтобы сократить отставание не нужно во всём прям быть первыми, а быть вторым или третьим существенно дешевле. Так что если кратко - это дорого, сложно и пока никому не было настолько сильно нужно, но на горизонте нескольких лет ситуация может и поменяться. А как бы ответили вы?