Пустили ботов по SSH на фейковый сервер с четырьмя H100: что они там делали Первый чужой бот пришёл через шесть минут после запуска ловушки. Она изображала Debian 12 со 128 ядрами AMD EPYC, терабайтом памяти и четырьмя NVIDIA H100. В nvidia-smi видеокарты были загружены примерно на 90%. Правда, ни одной настоящей H100 за этим не стояло. За двенадцать с половиной часов ловушка собрала 1846 подключений со 126 адресов. Одни боты просто перебирали пароли, другие заходили внутрь и вводили команды. Один возвращался 38 раз, каждый раз проверяя видеокарты. А с 59 адресов выполнялся один и тот же сценарий слово в слово. Подбор пароля был только началом. Что происходило после успешного входа, ловушка записала команду за командой.

Статус «Готово» врёт «Закрыть задачу» может означать совершенно разные вещи: закончил, передал дальше, перестал делать, отложил до завтра. Часто ловлю тему, когда кто-то кому-то говорит «Готово», но в реальности это не то, чего ожидают. Примеры Разработчик говорит «Готово», когда написал свой кусок кода и отдал в тесты, но весь функционал ещё не вылез на прод. «Готово», когда фича уже на проде, но в A/B-эксперименте собирает данные. «Готово», когда раскатано на всех, но через пару-тройку месяцев не сняты повторные цифры, о которых договаривались. И ведь не обязательно кто-то врёт. Хотя и такое бывает. Просто один говорит про код, второй про запуск, третий про результат. А слово у всех одно. Дальше недопонимание, набросы, потеря энергии. Почему так Потому что мы варимся в разных контекстах и взгляд на «Готово» у каждого свой. Что делать на уровне задач Договориться о критериях готовности. На стол/бумагу/джиру/конфлюенс: - Что именно должно быть готово? - Кто принимает результат? - Что происходит после этого и кто подхватывает дальше? В разработке часть этой договорённости закрывает Definition of Done (DoD): общие критерии качества готового результата. Но кто принимает результат и что происходит дальше, тоже нужно проговорить. Что делать на уровне команд Проговаривать смысл слова «Готово». Объяснять, что вы как продакт вкладываете в это понятие. И выяснять, что под ним понимает команда. Калибруетесь несколько итераций и потом понимаете друг друга с полуслова. P. S. А какой статус по задачам в вашей работе врёт чаще всего? Напишите в комментариях. #инструментыпродакта

State of Product 2027 Всем кто «запутался» — читать отчет от Atlassian среди 1000 продактов Ключевые поинты: 1️⃣ 80% PM говорят, что AI помогает шипить быстрее, но клиенты не получают ценность раньше. 2️⃣ 61% отмечают рост тех.долга от AI, при этом мало команд выделяют время на его погашение. 3️⃣ 67% согласны, что сложно чётко определить свою роль — границы с Engineering и Design размылись 4️⃣ 76% обеспокоены тем, что их продукт не добьется успеха на рынке 5️⃣ 89% обеспокоены конкуренцией со стороны компаний, изначально разрабатывающих ИИ 6️⃣ 99% продуктовых команд полностью интегрировали ИИ хотя бы в один рабочий процесс, а 96% утверждают, что как минимум в одной области он работает на уровне человека или лучше. 7️⃣ 77% считают что интуиция руководителей регулярно перевешивает данные 8️⃣ 33% продакт-менеджеров используют ИИ для приоритизации 9️⃣ 82% говорят, что участники команд регулярно создают с помощью ИИ работу низкого качества, не прикладывая особых усилий, а затем дорабатывают её по обратной связи. Примерно 50% тратят время на проверку результатов работы агентов и на то, чтобы удерживать их в рамках задачи === classic 🚬

📌 Perplexity научила модель быть учителем самой себе ИИ-поисковик предложил метод обучения под названием JOLT, в котором одна и та же модель выступает сразу учеником и учителем, причём обе роли учатся одновременно. При обучении с подкреплением модель получает награду только за итог попытки, и по ней не понять, какие именно шаги привели к успеху. На длинных агентных задачах, где попытки редко удаются, такого сигнала мало. Обходят это дистилляцией, когда модель посильнее оценивает каждый токен ученика и подсказки становятся плотнее.

Но умение решать задачу и умение её объяснить не одно и то же. Сильный учитель легко уходит туда, куда ученик за ним не дотянется, и подсказки пропадают впустую.

В JOLT учитель видит проверенный ответ, разобранное решение или отчёт о прошлых попытках, а ученик работает вслепую. Обе роли живут в одной модели и обновляют общие веса. Ученик тянется к подсказкам учителя, а учитель получает задачу подстроиться под ученика, т. е. давать такие подсказки, которые двигают его в ту же сторону, куда двигало бы обычное обучение с подкреплением на его собственной награде.

У метода есть второй вариант, JOLT+. В нём ученик получает и подсказки учителя, и обычную награду за итог своей попытки, то есть плотный и разреженный сигналы складываются.

🟡 Тесты Метод проверяли на небольших моделях DeepSeek и Qwen, от 0,6 до 30 млрд параметров. Задачи брали разные, от школьной математики и олимпиадных задач до генерации кода, работы с приложениями и команд в терминале. Сравнивали с GRPO и двумя методами дистилляции. JOLT+ везде показал лучший средний результат, обойдя GRPO на 4,2 процентных пункта на наборе MATH, на 3,0 на LiveCodeBench и на 9,9 на AppWorld. На MATH при равной точности JOLT потратил в 6,5 раза меньше обработанных токенов обучения и примерно в 13 раз меньше сгенерированных. Без награды ученика метод работает хуже. На AppWorld чистый JOLT отстал и от GRPO, и от конкурирующей дистилляции, а на Terminal-Bench уступил GRPO. Perplexity обещает открыть код позже, пока есть только статья с описанием метода. @ai_machinelearning_big_data #AI #ML #LLM #Research #RL #Perplexity

Nvidia повторяет пузырь доткомов? Сейчас монтирую большой видос про схематоз Nvidia - как хитрый Дженсен Хуанг гоняет по кругу гигантские потоки бабла и раздувает всю ИИ-индустрию. Пока вникал - немного припух с объёмов, конечно.... Но ещё там есть нюансы, про которые СМИ почти не пишут, и один разберём прямо сейчас (остальные будут в видосе, coming very soon). Итак, про Nvidia часто пишут в духе "Хуанг раздувает пузырь доткомов 2.0". Так вот, не совсем. Во-первых, ИИ-кейс Nvidia больше похож не на доткомы, а на пузырь телекомов. Доткомы - это когда сегмент интернет-сайтов сначала распух, а потом отправился в чистилище. А телеком-пузырь шёл параллельно, там распухала-схлопывалась инфра под эти самые доткомы. Это по-первых. А во-вторых, с кейсом Nvidia есть одно тонкое, но решающее отличие. Итак, для начала давайте вспомним, что там вообще было четверть века назад: После Telecom Act 1996 (читай: разблокировки локальной телефонной связи для конкурентного рынка) в США разродились сотни альтернативных операторов - Winstar, Covad, Northpoint, McLeod и другие. Выручки у них было ноль, а план был примерно "ща как построим сеть... а дальше туда-сюда миллионер". Без шуток, у многих вообще стратегии не было - только слепая вера, что технологический дизрапт прямо положит им денежку прямо в карман. Деньги эти ребята брали либо на бирже через мусорные облигации, либо... у поставщиков железа для телекомов. Это были компании вроде Lucent, Nortel и Cisco. Они кредитовали операторов, чтобы те покупали их же оборудование (как Nvidia сейчас делает с OpenAI или Oracle). McKinsey тогда насчитал около $25 млрд таких кредитов у девяти вендоров к концу 2000 года. Кто-то даже брякнул про Lucent: "Они уже не продают оборудование. Они его дарят и называют это продажей". Был такой нео-телеком Winstar. В 1998 Lucent подписал с ним 5-летний контракт: железо плюс до $2 млрд кредита. Акции Winstar за 4 года выросли на 600%. А в марте 2001 Lucent не перевёл им очередные $90 млн. Winstar тут же пропустил платёж на $75 млн - кому бы вы думали? Правильно, Lucent'у. То есть, Winstar нужны были деньги Lucent, чтобы расплатиться с Lucent (👍). 18 апреля Winstar подаёт на банкротство и кидает встречный иск Lucent на $10 млрд. А потом SEC выясняет, что менеджер Winstar вместе с менеджером Lucent нарисовали "покупку софта" на $125 млн, чтобы Lucent красиво закрыл квартал. Это самый эпичный кейс, но вообще, так было устроено пол индустрии в тот момент. Кончилось предсказуемо. Акции огромного Lucent с $38 млрд выручки и 153 тысяч сотрудников упали до мусорных 55 центов за акцию, и в 2006 его сожрал французский Alcatel (помните такой?). Канадский Nortel аналогично - убыток $27,5 млрд за 2001, а в 2009 крупнейшее банкротство в истории страны, где больше всех потеряли пенсионеры (Nvidia тоже хочет завалить ИИ пенсионными деньгами - в видео расскажу, как именно). Cisco выжил, но списал $2,2 млрд запасов, пока доткомы распродавали их роутеры на eBay за 3 копейки. Всего сдохло почти 50 операторов за три года. "Так что, аффтар, Nvidia - это Lucent 2.0?" Нет, не совсем. И разница тут в деталях. А именно - как оформлена сделка. Lucent давал кредит: отгрузил железо → записал себе выручку → долг клиента повис на балансе в виде дебиторки. Клиент умер - выручка задним числом превратилась в убыток. Когда такого убытка стало много - Lucent умер следом. Nvidia же кредитов почти не даёт. Она покупает доли (в OpenAI, CoreWeave, xAI, ...) и обещает выкупить непроданные мощности - например, если CoreWeave настроит дата-центров в кредит и не сможет найти на них покупателя. При потенциальном банкротстве кого-то из этой цепочки доля Nvidia просто спишется в ноль. Это грустно-печально, но не смертельно при $50 млрд операционного потока в год. А главное - долги под все эти дата-центры лежат не у Nvidia. Они у самого CoreWeave (ну, или у Oracle, смотря кто вам больше нравится), а ещё в специальных SPV-прокладках. А сейчас Хуанг хочет ещё и на топ-фонды всё это переложить (это как раз к слову про пенсии - подробнее в видосе расскажу). Грубо говоря, Lucent тогда стал банком и утонул вместе с лопнувшими заёмщиками. А Nvidia скорее брокер, который берёт себе комиссию и жёстко бенефецирует со всего ИИ-бума, но риск скидывает на других. Так что, если ИИ-пузырь и рванёт, то самый сильный удар придётся не на Nvidia, а на кое-кого другого. Дизраптор

Хватит устраивать лекции и тонуть в собственных объяснениях на собеседовании. На днях обучала рекрутеров в одной IT-компании проводить интервью и снова увидела классическую ошибку: эйчар начинает сразу вываливать на кандидата всё. Компания, продукт, задачи, команда, бонусы, процессы, планы на следующие сто лет. Кандидат смотрит на вас как на училку математики на шестом уроке, а вы не понимаете, почему он внезапно перестал реагировать. Спойлер: его просто перегрузили. Представьте первое свидание, на котором человек за первые 20 минут рассказывает, где вы будете жить, сколько заведёте детей и куда поедете на пенсии. Ред флаг. Когда я начинала карьеру, сама этим грешила. Казалось, чем больше расскажешь, тем сильнее заинтересуешь кандидата. Но работает наоборот: в какой-то момент человек просто перестаёт воспринимать информацию. Поэтому в начале достаточно коротко дать контекст по компании и роли, а дальше раскрывать детали по мере разговора и вопросов кандидата. И не оставляйте его вопросы только на последние пять минут. К этому моменту человек уже устал и вместо реальных вопросов чаще говорит: "Все понятно". Хотя именно вопросы кандидата лучше всего показывают, что ему важно: деньги, команда, руководитель, развитие, стабильность, технологии или свобода. А значит, дают вам возможность нормально продать именно то, что человеку действительно нужно. Собеседование - это диалог, а не TED Talk рекрутера. Меньше рассказывайте. Больше слушайте. И говорите о том, что реально важно человеку напротив. Здесь может закрыться ваша самая больная вакансия @referralmaiya

Разработчики отказываются работать без ИИ. Даже за деньги! 😁 Ну ка не ржать, матросы! Короче, у METR случилась прекрасная проблема с исследованием продуктивности. Помните ребят, которые в 2025 году выяснили, что опытные разработчики с ИИ выполняли задачи на 19% дольше? Хотя сами считали, что ускорились. Так вот, они решили провести новый эксперимент. И столкнулись с тем, что часть разработчиков просто не захотела участвовать. Потому что пришлось бы половину задач делать без ИИ. Даже за $50 в час. (metr.org) Дальше ещё прикольнее. 1. Некоторые вообще не приходят в исследование: отказываться от ИИ не хочется. 2. Среди опрошенных участников 30–50% признались, что не отдавали в эксперимент отдельные задачи. Вдруг выпадет условие «без ИИ», а делать руками совсем не хочется. 3. Один участник не завершил ни одной задачи, которую ему назначили выполнять без ИИ. В итоге METR объявила о пересмотре методики: из исследования выпадают люди и задачи с наиболее высокими ожиданиями пользы от ИИ. Это может занижать измеренный эффект. Правда, оплату участия тоже снизили — со $150 до $50 в час, что могло повлиять на отказы. (metr.org) Знаете, что самое клевое? Мы пытаемся ответить на вопрос «насколько ИИ ускоряет разработчика», предлагая ему поработать так, как он уже не хочет работать. Это как измерять пользу IDE, периодически выдавая человеку блокнот. Эксперимент провести можно. Добровольцев найти сложнее 😁 При этом нежелание отказаться от инструмента ещё не доказывает рост продуктивности. Он может экономить силы, убирать скуку или просто создавать приятное ощущение скорости. Но для нас, людей, которые делают инженерные платформы, здесь есть ещё один вопрос: Как измерять эффект инструмента, когда вокруг него уже перестроилась сама работа? Человек иначе выбирает задачи, иначе распределяет внимание, запускает несколько агентов параллельно. И сравнение «та же задача с ИИ и без» всё меньше рассказывает о том, как теперь работает команда. Исследование METR

🤡 Внедрение ИИ превращается в корпоративный спектакль Опубликованный 23 сентября отчёт Visier описывает новый эффект — *performative AI*, или показное использование искусственного интеллекта. Компания опросила 1 000 работающих полный день американцев и дополнила ответы интервью с сотрудниками из здравоохранения, финансов и HR. 🔵48% хотя бы иногда преувеличивали свой опыт или частоту использования ИИ 🔵45% чувствуют давление применять ИИ, даже когда не уверены, что умеют делать это эффективно 🔵59% не видят у работодателя ясного плана либо не знают, существует ли он 🔵Только 21% полностью согласны, что получают достаточно обучения и поддержки 🔵54% считают, что ИИ уже заметно изменил их роль или карьеру Сотрудники не обязательно пытаются сознательно обмануть компанию. Они подстраиваются под сигнал руководства: современный и эффективный специалист должен пользоваться ИИ. Признаться, что инструмент не подошёл для задачи или потребовал слишком много исправлений, становится рискованнее, чем сообщить об очередном успешном применении. Так внедрение незаметно превращается в соревнование по демонстрации активности. Люди упоминают ИИ на встречах, открывают корпоративные инструменты и добавляют технологию туда, где привычный способ работал быстрее. Дашборд показывает рост использования, но компания всё ещё не знает, стала ли работа лучше. Особенно легко получить такой результат, если руководители ставят цель «увеличить использование ИИ». Человек быстро понимает, какое поведение от него ждут. Чем сильнее частота входов, количество запросов или пройденных курсов влияют на оценку, тем меньше этим данным можно доверять. Полезнее начинать с конкретной проблемы: какую работу нужно ускорить, упростить или сделать качественнее? После эксперимента достаточно проверить, что изменилось с учётом проверки и исправления результата. Важно разрешить и честный ответ: «здесь ИИ не помог». Неудачный сценарий тоже экономит компании время — если его не будут повторять сотни сотрудников. Руководителю при этом нужна не декларация «используйте ИИ активнее», а понятные границы: где инструмент уместен, какие данные нельзя передавать, кто отвечает за итог и в каких задачах человеческая работа остаётся предпочтительной. Тогда сотруднику не приходится изображать уверенность, чтобы не выглядеть отстающим. ✅ Вывод Когда использование ИИ становится самостоятельной целью, сотрудники начинают оптимизировать не работу, а отчёт о внедрении. Зрелая компания спрашивает не «сколько людей открывали инструмент», а «какая задача теперь решается лучше». Всё остальное легко превращается в цифровую имитацию прогресса.

Люди: что? за это надо платить? да иди ты на хер. Артем: покупает права на очередной плагин или скилл, чтобы разобраться как он устроен внутри или просто покупает библиотеку всяких ништяков за 17$ чтобы улучшить свои видео, программы, ботов и т.д. Штука, которая меня всегда смущала. Я на каком-нибудь эфире, еще во времена уроков по веб-разработке говорю "возьмите вот эту админку, она стоит всего 3000 рублей, но столько геморроя снимает, кайфанёте и заказчикам сможете ставить ее как доп. услугу за 10 000 рублей. Я так делал, держите" В ответ получал столько говна и хейта, что потом перестал давать какие-то платные инструменты и всегда стал подбирать бесплатные альтернативы, которые зачастую говной воняли, но людям нравились. Но щас у меня проще подход. Если вы хотите делать действительно качественные вещи, то чаще всего для них придется что-то покупать. Да, самые пиздатые инструменты в основном платные. Когда вы видите чей-то охуенный моушн дизайн, возможно чел купил плагин за 79$, как я на прошлой неделе 😁

Технологии, построенные на вере На The Atlantic во вторник вышел отличный текст о том, как Кремниевая долина (уже давно) разучилась отличать реальные технологические прорывы от фантазий и мошенничества. Поводом стал «You Can See Everything» — новый хит от A24 про Элизабет Холмс. В одном из эпизодов она вместе с мужем пытается привлечь инвесторов и собрать команду для Theranos 2.0. И совершенно искренне объясняет, что создание компаний — её предназначение.

Что бы она ни думала о своей вине и ответственности, кажется очевидным, что её личность неразрывно связана с её представлением о себе, как о создателе: о человеке с самыми высокими амбициями, визионере с удивительной терпимостью к риску, который создаёт что-то новое и не боится неудач, потому что её охватывает маниакальная одержимость расширением границ возможного.

Кремниевая долина так заигралась с культом предпринимателя-визионера, что постепенно ценность такого предпринимателя стала определяться исключительно масштабом его амбиций и способностью убедить окружающих в собственном видении будущего. В индустрии, где инвесторы готовы вкладывать миллиарды в ещё не существующие продукты и технологии, грань между визионерством и мошенничеством становится всё менее очевидной. Особенно когда обещания начинают восприниматься как доказательство таланта, страсти и высокой вероятности успеха. Отсюда автор статьи переходит к AI — как faith-based technology. Нам обещают беспрецедентный экономический рост, радикальную трансформацию рынка труда, исчезновение профессий и появление класса людей, которые навсегда потеряют свою экономическую ценность. Существует всё это пока исключительно в воображении людей, которые строят и продают нам такое будущее. Но если вы сомневаетесь, то значит, просто недостаточно хорошо понимаете происходящее. Потому что визионер никогда не ошибается. Если его обещания не сбылись — это лишь потому, что он слишком рано пришёл. В комментариях пдф с переводом статьи. → https://www.theatlantic.com/technology/2026/10/theranos-elizabeth-holmes-musk-flying-car/689095/

Сундар Пичаи поставил логичную точку в обсуждениях того, какой процент кода пишет ИИ в технологических компаниях. Он заметил, что вопрос о доле сгенерированного кода потерял смысл, потому что весь код так или иначе связан с ИИ и нужны более точные и подробные метрики, чтобы отслеживать реальный прогресс в использовании ИИ

“That number in our world today is meaningless in the sense that every part of code we now touch is influenced by AI deeply"

Он отметил отдельно, что ситуация сильно поменялась после выхода Argon: с его помощью разработчики смогли привлекать ИИ к работе над сложными проектами на миллионы строк кода. Он добавил, что рост числа генеративных обновлений сопровождается снижением на треть числа откатов, что свидетельствеут: рост объемов сгенерированного кода отнюдь не ухудшает его качества, скорее наоборот.

“So I think people are writing code more productively and better code with it. Nobody would want to code the way they were coding three years ago or even the same time last year.”

Прошлый призыв к ортодоксальным разработчикам отметиться какашками в реакциях прошел на ура; теперь призываю бросаться коричневыми кучками тех, кто напреркор Пичаи продолжает хотеть работать как три года назад:) httpеs://officechai.com/ai/its-now-meaningless-to-ask-how-much-of-our-code-is-written-by-ai-because-ai-influences-all-of-our-code-google-ceo-sundar-pichai/

🎉 Нэнси Грейс Роман полностью технически работоспособен! Об этом заявила Джули Макэнери, ведущий научный сотрудник проекта. Телескоп умеет наводиться, делать снимки, передавать данные на Землю и переключаться между целями. Значит, RST переходит к последнему этапу подготовки — научной калибровке. Позади проверка обсерватории и главной камеры WFI. Инженеры опасались, что система точного наведения может столкнуться с трудностями в областях с высокой плотностью звезд или в пыльных туманностях, но тестовые наблюдения показали, что Роман справляется во всех случаях. Осталось провести серию тестовых наблюдений, откалибровать, как приборы реагируют на свет, и довести качество изображения. После этого начнется научная работа. Новыми пробными кадрами пока не поделились, но по заявлению они уже радуют. По словам команды, при наблюдении WFI сможет регистрировать объекты в сто миллионов раз слабее тех, что видны невооруженным глазом. Выход на орбиту вокруг L2 ожидается в начале декабря, первые научные снимки планируют публиковать к началу 2027 года.