Я решила научить своих родителей работать в Клоде. И еще мне кажется, что нам всем стоит об этом позаботиться. Почему это важно? 1) Видели бабусек, которые не умеют пользоваться смартфоном, а потому сдают показания счетчиков на бумажке и покупают такие мини-книжечки с расписанием пригородных электричек? Ну вот человек, который не освоил ИИ, будет выглядеть также потешно. 2) Изменится формат взаимодействия с миром вокруг — полагаю, что мы будем заказывать еду/бронить отели/свайпать на сайтах знакомств через собственных агентов. И вот будет мне названивать мама по 100 раз в день и спрашивать, как в дивном новом мире ей записаться к врачу. 3) Так было с моей бабушкой, которая звонила по любому вопросу. Она очень умная женщина, инженер к слову, но с новомодной техникой не разобралась — для нее это был огромный стресс (а для нас — неудобства). Не хочу, чтобы мои родители оказались в таком же положении. 4) Четвертое: папа на пенсии, у него освободилось много времени и он не знает, как себя занять. Так вот пусть сидит и пилит стартапы по одному в день, у него огромный бизнесовый опыт и много энергии. А еще это все развивает мозг, интерес к жизни и быть может спасет от деменции. Теперь думаю, как для каждого из них составить свою обучающую программу. Надо сделать интересно, не стрессово, чтобы никто не бросил на полпути. Для папы придётся навайбкодить симулятор коммунизма: не выполнил план по обучению — немедленно отобрали квартиру и расстреляли. К слову, эта мысль пришла мне после разговора с Димой Васильевым — он рассказал, что его дочка (кажется она ещё в начальной школе) уже сама вайбкодит простенькие игры. Мы много говорим о том, что детям нужно быстро осваивать новые технологии, чтобы у них было нормальное будущее. Но забываем о родителях, которые вообще-то будут еще долго жить и влиять на экономику. Поэтому я решила начать со своих. А там, глядишь, мои предки навайбкодят первый в мире неубыточный AI SaaS-стартап.

Насколько сильно дети тупеют от ИИ? Дженсена Хуанг сходил на подкаст с Эзрой Кляйном из NYT. Там глава Nvidia признался, что не помнит свой домашний адрес и почтовый индекс. Я, кстати, свой индекс тоже не знаю - где мой контрольный пакет Nvidia, а? Так вот, Хуанг это сказал в контексте одного конкретного исследования. СМИ его назвали "китайским" (исследование, не Хуанга), хотя делали его западные экономисты из Стокгольма и Гонконга. Но вот данные действительно были по китайским школьникам. Ну, потому что там нашли идеальный датасет - в одном из округов в центре страны домашка сдаётся полностью онлайн, система пишет время на каждое задание, и все экзамены лежат в единой базе. Для учёных это редкая удача. Вот разбор самого исследования. Цель - проверить, как ИИ влияет на успеваемость школьников. Спойлер: довольно-таки катастрофически. Методология такая. Почти 27 тыс. школьников из 7-12 классов (средняя и старшая школа, без малышей). Период 30 месяцев - с осени 2022, когда ИИ ещё никто не юзал, до лета 2025, когда им пользовались 80%. При этом, дети начинали "ИИзироваться" в разное время, поэтому у каждого, кто начал, учёные смотрели его же оценки "до и после" - а потом вычитали из этой разницы то, как за те же самые месяцы менялись оценки у тех, кто ещё не начал учиться с чатботиком. Таким макаром отсекли всё, что падает и без ИИ (например, из-за усложнения программы, изменения экзаменов, общей просадки по конкретной школе и т.д.). И вот то, что осталось - плюс-минус эффект от ИИ. Ключевые выводы: 1. Домашку в среднем стали делать лучше на 18% и на треть быстрее. Но "закрытые" экзамены ("закрытые" = в аудитории под присмотром, без Дипсика, интернета и учебников, а только своей головой) просели на 20% уже через полгода. Вступительные тоже минус 18-24%. 2. Дело в ИИ как таковом, а в аутсорсинге вообще. 4 из 5 ИИ-юзеров делали домашку быстрее самых быстрых "безИИшных" - но при этом валили экзамены. А те, кто тратил на неё столько же времени, что и раньше (даже если учился с ИИ - но использовал его не как решалку, а скорее как репетитора) - не потеряли ничего. 3. Отличники страдают сильнее: минус 24% против минус 16% у слабых. Видимо, активнее гонятся за идеальным ответом. Либо более умные школотроны просто быстрее поняли, какую кнопку в Дипсике нажимать и куда домашку грузить 🤔 4. И самое неожиданное - сильнее всего просела гуманитарка. Обществознание, история и география - минус 25-27%, а математика и прочий STEM - минус 20-22% (тоже сильно, но не так). Почти все предыдущие замеры были в основном про STEM, а самый сильный удар не по ним. Возникает вопрос: если эффект такой сильный, то почему никто не бил тревогу? Учителя что - слепые? Скорее всего проблема в том, что конкретный учитель видит ребёнка только на своём предмете, а там -20% это в целом не аномалия, такое бывает. Мало ли, интересы у растущего человека смещаются, или ещё что. А директорам и завучам мысль "сверить эффект от ИИ между разными предметами" на педсовете (или как в Китае это называется), видимо, в голову не приходит. Насколько китайские учебные реалии с их культом экзаменов переносятся на весь мир - большой вопрос. Но другие страны тоже чувствуют. Например, премьер Норвегии объявил почти полный запрет genAI для детей 6-13 лет, а для 14-16 лет - только под присмотром учителя. Я не уверен, что это разумное решение. Больше похоже на технодумерский страусиный движ. Думаю, корень проблемы даже не в ИИ. В посте про домашку я писал, что главное свойство ИИ - персонализироваться до тотального комфорта юзера. А усвоение знаний и навыков наоборот работает через дискомфорт. В этом китайском исследовании 19% школьников сохранили дискомфорт (сидели над задачей столько же, сколько без ИИ - даже если и с чатботом) - и они ничего не потеряли. Остальные "купили" себе дешёвый комфорт, но заплатили падением способностей. Вопрос не в нейронках как таковых, а в том, как в новых учебных реалиях сохранить продуктивный волшебный пинок, заставляющий не сидеть на заднице ровно. Дизраптор

Чему сегодня учатся руководители (спойлер: не только эйяй) Регулярно говорю здесь о том, чему и как сегодня учиться руководителям и топ-менеджерам, и делюсь опытом Яндекса. На днях обсуждали это с Наташей Иванченко — она отвечает в нашей команде за среду развития C-level и вместе с командой придумывает кастомные программы под наши внутренние запросы и контекст. Мне нравится, что часто в этих программах появляются темы и форматы, которые через какое-то время становятся мейнстримом рынка. Сошлись на том, что у сильного руководителя сегодня редко проблема в том, что ему где-то прямо таки не хватает знаний. Сложнее другое: заметить, что происходит с ним самим под нагрузкой. Мы гораздо легче говорим про неопределённость, чем про то, что эта неопределённость делает с нами, как плавит нас каждый день. Мне очень близка вот эта Наташина мысль:

Руководитель управляет командой в первую очередь через своё состояние и внимание. Внимание стало ещё более дефицитной валютой, чем время — время мы как-то ещё научились считать, а с вниманием мы по-прежнему ведём себя так, как будто оно бесконечное. Дефицитом стала способность долго удерживать внимание. Когда внимания мало, контекстов много, а решения нужно принимать быстро, у каждого включаются привычные реакции. Кто-то начинает сильнее контролировать, кто-то ускоряется или давит, кто-то, наоборот, отходит в сторону.

Поэтому вижу, как всё больше вместо обучения новым инструментам в воркшопах и тимбилдингах стараются создавать среду и ситуации, в которых человек может увидеть собственный способ действовать, собственный способ реагировать и смотреть на мир, когда целой картины не видно. И как заметный тренд в программах обучения руководителей появляются довольно неожиданные форматы: фридайвинг, джиу-джитсу, темнота, тишина, импровизация, работа с искусством. Для меня самым сильным опытом как раз был воркшоп, где мы оказались с командой в полной темноте — и должны были за короткое время собрать матрешку, сделать из длиной нити точный квадрат и провести чаепитие. Собрали с Наташей в карточках несколько таких примеров трендовых форматов обучения и вопросы, которые они помогают себе задать. А в комментариях делюсь рекомендациями, с кем у нас был позитивный опыт по каждому из форматов обучения, — если у вас есть полезные реко, закидывайте обязательно тоже. Устроим обмен хорошими контактами и практиками! #метанавыки #развитие #лидершип

🤖 Робот сначала ошибается в симуляции, а потом исправляет движение до попытки в реальном мире. Sakana AI и Токийский университет представили SAIL. Модель получает несколько примеров выполнения задачи и предлагает траекторию. Её проверяют в симуляторе, другая модель смотрит видео и отмечает, где робот перестал продвигаться к цели. Затем система меняет неудачный участок и пробует снова. На физический манипулятор отправляют только выбранную траекторию. В симуляции робот выполнял шесть разных задач. Одна попытка выбрать движение приводила к успеху в 25% случаев. Когда SAIL могла проверить и улучшить до 45 вариантов, успех вырос до 73%. Затем метод испытали на настоящем роботе: в одной задаче он справился 5 раз из 6. Пока это проверка на одной физической задаче, но идея наглядная: дать модели больше попыток *до* движения робота, не переобучая её. Блог - https://pub.sakana.ai/sail/ Статья - https://arxiv.org/abs/2603.08269 @ai_machinelearning_big_data #Sakana

Зачем изобретать велосипеды?

никакая автоматизация не дает повод изобретать велосипеды на каждый чих у Рината скорее всего есть идея, как что-то принципиально улучшить

Это было комментарием на мое замечание, что я писал markdown редактор для себя. Давайте объясню зачем мне такое. Итак, я Ринат Абдуллин. 20+ лет работаю с кодом и с компаниями в EU/USA. Веду достаточно сложные и временами высоконагруженные продукты (про что пишу в этом канале, в блоге и рассылке), еще веду распределенный R&D в области AI агентов (вместе с потрясающим коммьюнити инженеров вокруг BitGN), иногда провожу курсы и тренинги. Для актуализации навыков и качественного преподавания мне нужно не просто разрабатывать сложные и высоконагруженные продукты. Для последнего вообще особо заморачиваться не нужно - просто берешь стабильные технологии старше пары лет и грабель горя не знаешь. Нет, тут надо еще следить за состоянием технологий прямо сейчас. Что они могут, где у них сильные места, а где слабые. Причем следить нужно не теоретически, почитывая каналы и статьи, а на практике. Это позволяет интернализовать навыки, пропускать их через призму своего опыта и перекладывать все самое важное на учебный материал. Поэтому у меня есть концепция Katas - упражнений, которые позволяют отточить навыки и мастерство. А в случае с быстро изменяющимися технологиями заодно и сверить часы с реальностью - не упустил ли я что-то еще. Термин “ката” берет свое начало из боевых искусств, где нужно тысячи раз медленно отрабатывать какой-то навык, чтобы отладить его и довести до автоматизма. Это обязательная часть совершенствования как ученика, так и мастера. Подход применим и к IT. Например, в TimeToAct я вел katas в области Domain-Driven Design, симуляций и Machine Learning. Эти упражнения начались как внутреннее обучение в компании, чтобы прокачивать какие-то навыки, а потом мы их открыли для всех. Люди просто начали присылать свои решения и требовать еще задания (ибо каты делаются как маленькие упражнения, на которые не нужно много времени). Причем это было в эру до ChatGPT, когда все еще нужно было печатать код вручную. Написание своего markdown редактора или эквивалента Miro (по очень конкретным требованиям) - это мой вариант katas для AI Native coding. Он позволяет отточить навык на последних технологиях без существенных затрат времени. Заодно и проверяю снова и снова, а как быстро можно натянуть актуальные принципы разработки на "замусоренное" решением, что работает лучше с последней версией модели, а что хуже. И когда меня спросят в лайве "А правда, что GPT-6 Astra - это мусор?" или "А что самое важное для AI Native проекта в сентябре 2026 года?" - я смогу ответить системно, просто и обоснованно. Ну а то, что в процессе продвигается вперед R&D в области разработки и personal productivity - это приятный бонус. Ваш, @llm_under_hood 🤗

Как проектировать продукты для мышления Самая частая причина провала продуктов для запоминания/обучения чему-либо не плохой движок/интерфейс, а то, что пользователь продакт не смог ответить, ЗАЧЕМ именно ЭТО нужно помнить. Решить, ЧТО достойно быть запомненным – вот главная работа, которая а) не автоматизируется; б) не решается никаким механизмом удержания и вовлечения и она первичнее того, как это запоминать. Правильный продукт для мышления открывает мысли, которые без него не могли бы случиться, поэтому правильный вопрос такого любого продукта не «что должен делать продукт», а «какие мысли он позволит подумать». Забавная игра слов и смыслов в пятницу, ага. Модель продукта для мышления ≠ Продукт Модель продукта, в которой развитие мышления строится на интервальном повторении крива и нестабильна, потому что интервальное повторение всего лишь один один из десятков механизмов для развития мышления. Строишь продукт вокруг одной модели и он станет её потолком и блоком. 10 механизмов удержания в памяти: множественность форм одного вопроса, атомарность вопроса, dual-coding (текст+образ), вариации контекста, обогащение связей, сторителлинг смысла(ов), чанкинг (укрупнение единиц восприятия), калибровка внимания. 10 механизмов мышления как такового: расконцентрация/уединение, задержка первого ответа, наблюдение ощущений до, петля инсайт↔создание, сеть связей, а не изолированные факты, смена уровня абстракций, воплощение абстракции в предмет, поиск контрпримеров и опровержений, эмоциональная включённость, вопрос без заранее заданной цели. Проектируй Сети, а не точки Единица ценности – в Сети ты знаешь сам чего Структура связей делает забывание сложным. 1) Давай знание минимум в двух кодах одновременно. Текст + образ вспоминается устойчивее вместе с параллельным каналом кодирования той же единицы смысла. Экспериментируй с ними. 2) Варьируй контекст(ы), а не только содержание. Одно и то же место, время, фон снижает удержание на 40% относительно вариативного контекста. Продукт, который всегда выглядит и ощущается одинаково при повторном касании, недоиспользует потенциал памяти сам по себе. Вариативность интерфейса это новый механизм. Плотность чанков важнее объёма знаний, а значит, что продукт должен ускорять именно сборку чанков у пользователя через укрупнение единиц восприятия форм. Чанки – это небольшие квадратные участки, на которые игры (например, Minecraft) делят свои большие миры для экономии памяти и быстрой прорисовки 🍌Но и здесь скрыта очередная ловушка мозга: так, пользователь обучается узнавать форму вопроса раньше, чем осмыслять его, и начинает отвечать на паттерн, а не на суть. Поэтому снова упаковывай один и тот же смысл, но в 2+ разных формы, иначе ты тренируешь узнавание интерфейса, а не мышление. Эмоция – несущая конструкция в продуктах, а эмоциональная связь пользователя с материалом первичней материала как объекта. Великая цель-петля таких продуктов – изменение знаний всего человечества, которое возвращается и меняет тебя, твой продукт и мир. Они рождаются только тогда, когда их создатель решает свою собственную реальную задачу и делится этим процессом с окружающими миром через свой продукт. Они растут только вместе с пользователем, расширяющееся понимание и мышление которого должно менять как пользователя, так и сам продукт, порождая у обоих новое понимание предмета мышления. Всё есть петля, пространство, круг и цикл. Ты начнёшь строишь благо, не осознавая это.

Знаете мем с бабкой: Мине уже какое развивание? Я скоро в гроб лягу! Это все, что можно сказать о том, как прошла моя лекция. У нас НИКОМУ никакое РАЗВИВАНИЕ не нужно 🙂 Это прямо удивительный Иркутский мир: 🟢меньше шевелиться, чтобы не дай бог и наработанное не потерять 🟢меньше стараться усвоить новой инфломации 🟢каааааак можно меньше постараться понять оппонента (лекция была про спор сторон), и быть до конца уверенным на 100% в своей правоте (которая устарела 200 лет назад) 🟢ну и не дай бог прокачать свое мышление В тот момент, когда предпринимателя определяет не количество денег, а гибкое мышление, умение принимать решения, тяга к развитию! Хочется все же увидеть какое-то некоторое развивание и рост! Ну нельзя же так, товарищи🥲

На чём обучают эйай? Правильно, на потных катках Наткнулся на топовую историю на стыке эйай, роботов и игр: В конце 2024 OpenAI предложила $500 млн за Medal - сервис, где геймеры записывают короткие клипы своего геймплея и кидают их корешам. Как вы понимаете, не потому что Альтман фанатеет от летсплея (хотя от какого-то конкретного может и фанатеет 😈), а ради данных для обучения интеллекта этого нашего искусственного. Хотели цап-царапнуть сотни млн часов игр для обучения своих моделек. Фаундер Пим де Витте отказался (это по его версии, а по версии The Information сделка сорвалась), и в октябре 2025 выделил из Medal отдельную ИИ-лабораторию General Intuition. В сооснователи взял трёх исследователей world-моделей. Это модели, которые предсказывают, что произойдёт с окружением, если в нём что-то сделать. Моделирование 3D-миров и всё такое. Работает это так: 1. На Medal клип пишется вместе с контроллером. То есть, к каждому кадру приклеено, какие кнопки человек жал и когда. Получается связка "что видел + что сделал + что вышло". На Ютубе и Твиче такого нет - там видно результат, но не что человек тыкает. Плюс на Medal специально снимали моменты, где что-то происходит: перса убили, упал, атака и т.д. 2. Получаются отобранные игровые пики точёные, а не 100500 часов вялого стрима, где ничего не происходит. 3. Дальше General Intuition учит на этом две модели: - Одна предсказывает мир. Даём ей реальный кадр - она генерит следующий, но без игрового движка. - Вторая предсказывает действие. Даём кадр - она говорит, что тут сделал бы человек. Первую не продают - она скорее тренажёр, на котором гоняют вторую. А вот вторую уже продают через API. Возможно, вы скажите: "Нафига учить роботов на геймплее? Это же не реальный мир". Так вот, здесь история про оптимизацию обучения. Был кейс, где робота сначала обучили на данных от General Intuition, а потом дообучили всего на 8 минутах реальных данных из камеры робособаки, и он смог начать ходить по офису. Да, шатко-валко и задевая предметы, но смог. Обучать на реальных данных с нуля было бы в разы дороже (вешать камеры индусам на лоб - это не бесплатно). Сейчас стартап стоит около $6 млрд, недавно в него зашёл Valor Equity Partners - довольно известная инвестструктура, (вроде как) связанная с Илоном Маском. Так что, быть может, OpenAI вообще обломится. А может и нет, ведь это они в твитторах друг с другом срутся, а за его пределами спокойно всё продают и покупают. В общем, миллионы школьников, клипающих хедшоты в Фортнайте, на самом деле полтора года собирали датасеты для роботов. Какая неожиданность 😈 Дизраптор

🌐 Что такое MAC-адрес? Продолжаем нашу сетевую базу. В прошлых постах разобрали IP и IPv4/IPv6, теперь спускаемся на уровень ниже — к MAC-адресу.

📌 MAC-адрес (Media Access Control) — это уникальный идентификатор сетевого интерфейса устройства, используемый для обмена данными в локальной сети.

Например:

00:1A:2B:3C:4D:5E

MAC-адрес обычно записывается в виде шести пар шестнадцатеричных символов. 🧠 Простая аналогия Если IP-адрес можно представить как адрес устройства в сети:

192.168.1.25

то MAC-адрес — это идентификатор конкретного сетевого интерфейса:

00:1A:2B:3C:4D:5E

То есть:

💻 Устройство
      ↓
IP  → 192.168.1.25
MAC → 00:1A:2B:3C:4D:5E

🔎 Где используется MAC? MAC-адрес особенно важен при работе внутри локальной сети. Когда компьютеру нужно отправить данные другому устройству в той же сети, передача происходит на канальном уровне с использованием MAC-адресов. Например:

Компьютер A
IP: 192.168.1.10
MAC: AA:AA:AA:AA:AA:AA

        ↓

Компьютер B
IP: 192.168.1.25
MAC: BB:BB:BB:BB:BB:BB

🕵️ Почему MAC интересен пентестеру? При разведке локальной сети MAC может дать дополнительную информацию о найденном устройстве. Например, можно увидеть:

192.168.1.25
00:1A:2B:3C:4D:5E

По MAC иногда можно определить производителя сетевого оборудования по первым частям адреса (OUI). Это может помочь понять, что перед нами, например, компьютер, сетевое оборудование или устройство определённого производителя. #network

✔️ OpenAI расширила Academy до 14 курсов OpenAI добавила в свою образовательную платформу курсы для разработчиков, руководителей, преподавателей и студентов вузов. Вместе с уже существовавшим направлением Apply AI at Work каталог теперь разделён на четыре трека по ролям, всего 14 курсов. Каждый курс заканчивается экзаменом из 10–20 вопросов, которые случайно выбираются из банка в 50 заданий. Кто наберёт минимум 80%, получает ачивку OpenAI Academy, которую выдаёт и хранит платформа Accredible. За все курсы и экзамены трека, где это предусмотрено, выдают сертификат об окончании.

Ни цифровая ачивка, ни сертификат не считаются профессиональной сертификацией.

При провале экзамен можно пересдать с новым набором вопросов, а сам курс можно просто пройти без сдачи экзамена. 🟢Apply AI at Work из трёх курсов учит ставить ChatGPT задачу, давать контекст, проверять ответы и превращать удачные приёмы в повторяемые процессы. Затем слушатели поручают работу агентам и расставляют контрольные точки для проверки человеком. 🟢Build with AI – самый большой трек, восемь курсов: работа с Codex на всём цикле разработки и продукты на OpenAI API, от проектирования решения и оценки качества до агентов, поиска нужной информации и эксплуатации в продакшене. 🟢Lead AI Adoption пока состоит из одного курса AI Leadership. Слушатели привязывают ИИ-инициативу к приоритетам бизнеса, распределяют ответственность, задают правила и собирают первую версию стратегии и дорожной карты внедрения. 🟠AI for Educators учит планировать занятия и составлять задания и контрольные. 🟠AI for College Students учит собирать учебный план, распределять роли в групповом проекте и готовиться к собеседованиям. Для компаний есть руководство по внедрению курсов - как представить их сотрудникам, вовлечь руководителей и отслеживать прогресс. @ai_machinelearning_big_data #news #ai #ml

Как ежедневная практика повышает конверсию 📊 Регулярность — ключ к результату. Даже опытные менеджеры теряют эффективность без постоянной практики. Ежедневные тренировки помогают поддерживать уверенность, гибкость и способность быстро реагировать на возражения клиентов. 🎯 Сценарий продаж. Каждая презентация должна быть структурирована по шагам: от выявления потребностей до завершения сделки. Этот сценарий стоит регулярно обновлять и тестировать. 👥 Роль руководителя. Эффективный руководитель не только наблюдает, но и участвует в тренировках, играя роль клиента. Это помогает отточить аргументацию и выявить слабые места в диалоге. 💬 Результат. Ежедневные тренинги делают речь продавца уверенной, поведение — естественным, а доверие клиентов — прочным, что напрямую повышает конверсию и средний чек. Фаундер | Бизнес и Стартапы