Не выбирайте между профессией и ИИ Недавно внучка попросила помочь ей выбрать магистерскую программу после бакалавриата. Родители убеждают: сейчас нужно максимально погружаться в ИИ – там будущее, возможности, конкурентное преимущество. Сама она это понимает, но душа лежит к другим профессиональным занятиям. Мне кажется, сама постановка вопроса – либо интересная тебе профессия, либо ИИ – уже устарела. Современный агентный ИИ, а тем более тот, который будет доступен через два-три года, – новый интеллектуальный супер-гаджет человека, а не еще один инструмент для выполнения интеллектуальных задач. Примерно как письменность, компьютер или интернет, только гораздо более персональный: он не столько дает доступ к знаниям, сколько помогает превращать профессиональную интуицию в работающие решения. Вот четыре истории только этого года. Электрик из Кентукки, не имевший образования в computer science, с помощью ИИ создал сервис расчета электрической нагрузки. Теперь он продается за $12,99 и во многих случаях заменяет вызов специалиста стоимостью в несколько сотен долларов. Владелец сантехнической компании за один вечер с OpenClaw продвинулся дальше, чем консультанты обещали продвинуться за несколько недель, и отказался от контракта на $40 тысяч. Фермер с Хоккайдо с помощью ChatGPT и Codex самостоятельно создал спутниковый мониторинг полей и систему дистанционного управления теплицами, а ИИ использует для диагностики проблем с растениями и оборудованием. Программистом вместо фермера он не стал – получил возможность изобретать собственное земледелие. Отдельный случай – дорожный инженер из Уганды. Он попал в хакатон Anthropic, куда компания отобрала пятьсот человек из тринадцати тысяч заявок, и за неделю построил систему, которая превращает запись с автомобильного регистратора в оценку состояния дороги и обоснование инфраструктурных инвестиций. Показательно другое: из пяти финалистов профессиональным программистом оказался только один. Первое место досталось юристу, третье – кардиологу. Хакатон был постановочным, тезис – нет. Во всех четырех историях главное не экономия времени и денег. Главное – переход преимущества от тех, кто умеет реализовывать чужие идеи, к тем, кто благодаря своей профессии способен замечать еще не существующие решения. Поэтому мой совет молодым на профессиональном перепутье таков.

Не обязательно выбирать профессию под ИИ. Выбирайте область, в которой вам действительно интересно видеть то, чего пока не видят другие. Становитесь в ней глубоким специалистом – и одновременно учитесь думать и действовать вместе с ИИ.

Потому что ценнейшей квалификацией ближайшего будущего будет не умение выполнять известные задачи быстрее всех. А способность в любимой профессии играть с новизной – и превращать эту игру в реальность. #РынокТруда

📌Google воссоздала утерянный гол Пеле 1959 года Для музея Пеле в Сантусе специалисты DeepMind сняли мини-документалку о знаменитом голе, который ни разу не попал на плёнку. Видеозаписей матча просто не существует, поэтому историки собрали точную раскадровку по архивам - в дело пошли 2000 документов и 3600 фотографий.

Сантус для этой истории место не случайное. Пеле пришёл в местный клуб в 15 лет и играл за него с 1956 по 1974 год - там забил большинство своих голов, включая тот самый, незаснятый. Для этого города он легенда, поэтому музей открыли именно здесь.

Полностью доверить сцену ИИ не получилось - генеративные модели до сих пор путаются в сложной спортивной биомеханике. Поэтому команда сначала сняла живого дублёра на футбольном поле, а затем функция Performance Control в видеогенераторе Veo 3 взяла с этой записи 3D-геометрию и траектории движения актёра - так получился жёсткий физический каркас, за пределы которого генерация выйти не могла. Поверх каркаса модели Gemini Omni и Nano Banana Pro дорисовали исторический облик стадиона, погоду, толпу на трибунах и лицо самого Пеле, заменив им дублёра. Финал делали по-киношному. Мяч добавили классическими визуальными эффектами, а готовый цифровой файл прогнали через аппаратный фильм-рекордер - устройство, которое переносит цифровое видео на настоящую плёнку. Отсюда зерно и цветопередача кино пятидесятых - их не имитировали фильтром, а получили честным аналоговым способом. @ai_machinelearning_big_data #news #ai #ml

🐋Microsoft натравила 100 ИИ-агентов на поиски уязвимостей Windows Microsoft перевела аудит безопасности ОС на автопилот. Компания запустила MDASH - конвейер из более чем сотни ИИ-агентов. Они работают как полноценная команда: одни ищут уязвимости, вторые выступают критиками и пытаются доказать, что баг недостижим, а третьи собирают рабочий PoC в изолированной песочнице. Инженеры получают алерт только тогда, когда баг реально воспроизвелся.

🟦Агенты уже вытащили 16 серьезных уязвимостей. Из них 4 критические (удаленное выполнение кода), включая тяжелые дыры в драйвере tcpip.sys и службе IKEEXT без нужды в авторизации. 🟦ИИ находит сложные логические дефекты (вроде Use-After-Free и Double Free), цепочки которых размазаны по разным подсистемам. Классические статические анализаторы такое в упор не видят. 🟦На закрытом тесте с умышленно дырявым кодом агенты нашли 21 баг из 21 возможных. Без ложных срабатываний.

ИИ пока не выпускает патчи сам, финальное решение за людьми. Но скорость поиска уязвимостей выросла кратно. 🦔 CyberYozh

✔️ ChatGPT получил полноценный внутренний поиск Долгожданная функция поиска по истории чатов, проектам и загруженным документам доступна в боковой панели веб-интерфейса и в мобильных приложениях для iOS и Android. Поиск поддерживает фильтры по типам контента, а клик по результату в выдаче перенаправляет пользователя на конкретное сообщение в диалоге. Обновление разворачивается глобально. Новая возможность доступна всем пользователям ChatGPT, включая бесплатную версию. openai.com ✔️ Anthropic открыла учителям в США бесплатный доступ к своим продуктам Компания анонсировала бесплатную платформу Claude for Teachers для преподавателей школ США. В неё вошли модели, среда Claude Code и Cowork, где ИИ сам выполняет цепочки задач. Например, учитель один раз настраивает агента, и тот каждое утро проверяет тесты или собирает сводку по успеваемости класса. Платформа поддерживает интеграцию с сервисами Canva Education и MagicSchool, позволяя встраивать Claude в уже готовые рабочие процессы. Anthropic обещает, что данные учителей и учеников не пойдут на обучение будущих моделей. Заодно на GitHub выложили набор навыков для агентов и запустили курс по ИИ, не привязанный к продуктам какой-то одной компании. Программа продолжает вузовскую Claude for Education. Регистрация открыта до июня 2027 года. anthropic.com ✔️ Google добавила генерацию изображений в AI Overview К 25-летию сервиса Google Images компания добавила генерацию картинок по текстовому запросу в поисковые сводки. За функцию отвечает генератор на базе Nano Banana. Домашняя страница поиска по картинкам получила редизайн с механикой в стиле Pinterest. Интерфейс переведен на динамическую галерею с адаптивной алгоритмической лентой и возможностью сохранять изображения в тематические коллекции. Развертывание генеративных функций в AI Overviews займет несколько недель. На старте опция доступна только на английском языке в регионах, где уже поддерживается создание изображений. blog.google ✔️ Nvidia вдвое сократила список покупателей ИИ-чипов в Азии Чипмэйкер ужесточил процесс одобрения для азиатских контрагентов из списка авторизованных покупателей, чтобы перекрыть серый экспорт оборудования в Китай. После аудита число одобренных компаний в Сингапуре, Малайзии и Японии уменьшилось более чем на 50%. В новый "белый список" не попали многие новые облачные провайдеры-арендодатели GPU. Компания перешла от проверки документов к физическим инспекциям дата-центров. Теперь Nvidia анализирует контракты и запрашивает информацию напрямую у конечных пользователей ускорителей. ft.com ✔️ Учёные предупреждают о приближении второй промышленной революции Стэнфордская лаборатория цифровой экономики опубликовала открытое письмо "We Must Act Now" о макроэкономических последствиях внедрения ИИ. Документ подписали более 200 ученых, 16 нобелевских лауреатов и представители Google, Anthropic и OpenAI. Авторы прогнозируют, что в ближайшие 10 лет развитие ИИ спровоцирует трансформацию экономики, сопоставимую с исторической индустриализацией. Письмо призывает формировать новые институты для компенсации потери рабочих мест. Лидеры ИИ-компаний указывают на нехватку метрик для измерения влияния ИИ на экономику - из-за этого конкретный план действий отсутствует. Демис Хассабис, не подписавший письмо, прогнозирует появление AGI в перспективе 5 лет и сравнивает эффект с "десятикратной индустриализацией на десятикратной скорости". stanford.edu @ai_machinelearning_big_data #news #ai #ml

🧑‍💻 3 проблемы, которые вредят вашему стартапу. А вайб-кодинг их лишь усугубляет Сейчас SaaS-решения все чаще создают с помощью нейросетей, и я понимаю почему. Ведь так можно за пару дней запилить MVP и сразу начинать продажи, допиливая продукт по дороге. Но не все так радужно. Я прочитал пост, автор которого уверен: вайб-кодинг не помогает бизнесу. Перевел текст и принес вам - предлагаю обсудить. Вот его мнение 👇 Я разрабатываю SaaS-приложения для разных клиентов, и с появлением вайб-кодинга стал замечать одну и ту же картину. Фаундер создает в нейросети приложение, радуется, как оно классно работает, а потом запускает его и… продукт никто не покупает. Человек думает: “Наверное, не хватает функций” и добавляет темную тему, панель управления, интеграцию. Людям все еще неинтересно, а предприниматель продолжает считать, что с продуктом что-то не так. ✋ На самом деле, проблема не в продукте. Он вообще никогда не был единственной точкой притяжения клиентов. Просто с появлением вайб-кодинга это стало в 100 раз очевиднее - ведь создать MVP или добавить в него функции теперь можно самому. А основатели так увлеклись ИИ-разработкой, что перестали замечать вещи, которые реально вредят бизнесу. Вот что они делают. 1️⃣ Пытаются продавать всем. К примеру, создают продукт, который помогает бизнесу автоматизировать работу. Но не уточняют, какому именно бизнесу - в итоге теряются среди таких же сервисов. Чтобы люди вас заметили, нужно определить: кому именно продаете. Я делал один и тот же продукт дважды: для широкой аудитории и для конкретной группы людей. Так вот, версия для узкой ЦА продалась в 22 раза лучше. 2️⃣ Не предлагают ничего уникального. Основатели часто создают продукт, который хотят сами, а не тот, что нужен аудитории. В итоге получается сервис, который выглядит, как 40 других и ничем не цепляет. Ну а покупатели в этом единообразии просто выбирают самый дешевый вариант. Чтобы люди захотели именно ваш продукт, узнайте, какую проблему они хотят решить. А потом создайте понятный и простой в использовании сервис. 3️⃣ Не составляют план по заработку. Стартапы получают доход с текущих клиентов и радуются выручке, но не учитывают, например, расходы на рекламу. И работают себе в убыток. А когда денег на продвижение не хватает - решают, что новые клиенты сразу придут, как только они добавят пару функций. Но так это не работает. Какая из этих трех ошибок кажется вам самой опасной? Заходите в комментарии - обсудим. 👉🏼 Подписывайтесь на «Телеграмму...» в Максе: max.ru/yumaks #СОВЕТЫ #СТАРТАП #ИИ

“Хозяин простить. Я ошибаться. Делать код заново”. В попытках срезать косты на ИИ бизнес начал массово переводить нейросети в режим “пещерного человека”. С помощью специальных плагинов и системных промптов бота настраивают отвечать короткими рублеными фразами, вырезая всю вежливую болтовню и расшаркивания – только голая суть. Итог: экономия на токенах доходит до впечатляющих 75%. За этим анекдотичным трендом скрывается вполне серьёзный сдвиг. Ещё вчера корпоративный мир пребывал в угаре “токен-максимизации”. Считалось, что чем больше вычислений сжигает сотрудник, тем он продуктивнее и инновационнее. Активность работы с ИИ на полном серьёзе вшивали в KPI. Корпорации гордились “стахановцами”, умудрявшимися сливать сотни тысяч долларов на нейросети, и ставили их в пример отстающим. А потом пришли счета. И тренд развернулся на 180 градусов: – Uber ввёл лимиты на использование нейросетей, обнаружив, что годовой ИИ-бюджет испарился за четыре месяца. – Microsoft отозвала большинство внутренних лицензий на Claude Code – Walmart урезал доступ к собственному кодинг-ассистенту – Accenture попросила команду не гонять ИИ ради тривиальных задач Отдельный фан-факт: одна крупная компания забыла выставить лимиты на использование Claude для персонала и умудрилась сжечь на генерациях полмиллиарда долларов всего за месяц. Теперь на повестке токен-минимизация. Мой взгляд: мы наблюдаем здоровое взросление рынка. Золотая лихорадка всегда заканчивается приходом бухгалтера. В обиход уже входит новая метрика “выручка на миллион токенов” – прямая наследница классической выручки на сотрудника. С нейросети теперь спрашивают, как с живого работника: сколько приносишь и во сколько обходишься. Ну, а когда математика не сходится, приходится включать тот самый пещерный режим. Бот понимать. Бот не обижаться.

В своих выступлениях Андрей Карпаты рассказывает о том, что он начал разрабатывать программы, выстраивая агентный цикл (Loop Engineering). Это интересная механика, которую я примерно полгода назад пытался использовать в своем оркестраторе. Идея в том, чтобы не говорить ИИ, что делать конкретно, а вместо этого выстроить цикл постепенного написания и улучшения кода. Эдакий эволюционный подход. На самом деле все, кто серьезно занимаются разработкой с помощью ИИ, рано или поздно приходят к этой идее, так как ИИ довольно специфично работает с механизмом внимания (attention) и страдает от разных "эффектов" - потеря информации в середине контекста (lost-in-the-middle), ослабление фокуса на ранних инструкциях, излишнее якорение (anchoring bias) и накопление ошибок (error accumulation), когда модель достраивает решение вокруг уже сгенерированного кода, даже если там есть проблема. Из-за этого модель может пропускать важные детали, даже если указать на них явно. При этом ИИ способен находить отклонения и ошибки если запустить его повторно. Поэтому запуская модель в цикле можно получить нормальный результат. Но есть несколько проблем. Во-первых, большое потребление токенов. Например, средний цикл на 8-10 часов использует от 30 до 60 млн токенов. Если брать токены через API, то получается довольно дорого. Во-вторых, в длинных циклах агент начинает "дрейфовать", постепенно уходя в сторону от поставленной задачи. Проблема в том, что критерии приемки сложно сформулировать так, чтобы они покрывали все детали - сосредоточившись на одном аспекте, упускаешь другие. Даже если проводить многоступенчатые проверки, остается проблема "2 из 3" - когда ты не можешь закрыть все требования одновременно и вынужден идти на компромисс. Чем длиннее цикл, тем сильнее этот эффект. Поэтому я пошел другим путем: вместо того чтобы отказываться от циклов, я делаю их максимально короткими. Плюс ограничиваю количество итераций, а для вариативности решений запускаю несколько агентов с разными системными промптами параллельно, оркестрируя их через общий чат для сбора и сравнения результатов. Коммуникация в чате помогает понять не только "что" делают агенты, но и "почему" они это делают. Кроме чата каждый агент производит артефакты, которые далее могут использовать другими агентами. Если интересно, напишу отдельный пост про агентный харнес, который я использую. Понятно, что с позиции OpenAI, Anthropic и других разработчиков LLM методы, которые способствуют большему потреблению токенов, имеют большую привлекательность - в конце концов, их бизнес-модель строится на продаже токенов. Но для небольших исследований и малого бизнеса подходы с дроблением задач и короткими циклами - куда более эффективный метод, позволяющий сохранить качество кода, не сжигая бюджет и не допуская дрейфа агентов. Мне кажется, что сейчас ключевой навык инженера - не просто умение писать промпты, а способность декомпозировать задачу и настраивать агентную оркестрацию с короткими циклами так, чтобы каждый шаг давал предсказуемый результат. Это и есть та инженерия, которая нужна бизнесу. Но это на словах, на практике доверять агентам пока рано.

Португальские слова в меня входят с трудом - чтоб их в себя запихнуть, сегодня прям во время трехчасового урока я запилила себе приложение. Попробую с ним решить свою боль - заучивать именно то, что проходим с учителем, а не то, что подкидывает бразильская сова из Дуолинго. Как работает: 1. Прошли урок 2. Я сфотографировала телефоном страницу учебника 3. Он сам вытащил оттуда новые слова и глаголы, закинул в мой словарик 4. Придумал для меня по ним упражнения. 5. Раз в день в ТГ шлет мне напоминалку «иди поучи язык». 6. Подкидывает мне ровно то, что мы проходили и упражнения на моем уровне сложности. Вуаля! У меня появился личный карманный тренер, который знает чему именно сейчас меня надо учить. И копит мои косяки, подкидывая мне их до тех пор, пока не увидит, что выучу. Задача решена - такого функционала, особенно до португальского, я нигде не встречала. И даже если б он был - это была б платная подписка. А так - все внутри моей базовой. Я, конечно, буду еще тестировать и допиливать. Но даже в таком виде - уже то, чего мне очень не хватало. Как сделала? 🚀 в Клоде у меня настроена система анализа - получая задание на рисеч он запускает кучу субагентов, смотрит все аналоги, а также все, что пишут про плюсы и минусы похожих приложений во всех известных соцсетях 🚀 порисечил - исходя из моего запроса и сбора идей предложил конфигурацию и план сборки моего приложения (я сидела на уроке, напомню, поэтому почти не вчитываясь ткнула «окей») 🚀 дальше примерно час он фурычил (модель Fable, использую на максималках пока открыта). Потом сам себя проверил через Codex. 🚀 и в финале дал мне ссылку на моего личного ИИ-тренера по португальскому. Я уже второй раз такой фокус проворачиваю за неделю. В первый - построила себе умный транскрибатор. И теперь вопрос - какова судьба всех приложений, которые выложены в AppStore, если полный чайник может теперь за пару часов полностью их скопировать, дотюнив под себя? Будущее наступило)) С вами был ваш карманный Ии-популяризатор. Ухожу учить глаголы и предлоги… Любовь на удаленке | Оля Сохнева #ии_наудаленке

изучаю / смотрю, но это надо под переобучение моделей. Я хочу найти там новые SOTA слитые. (с) https://huggingbay.xyz/

Наткнулся на любопытную штуку: кто-то собрал аналог «Пиратской бухты» для ИИ-моделей. Торрент-трекер, где вместо фильмов и музыки лежат нейросети. Называется huggingbay-xyz Идея простая. В одном месте собраны открытые и слитые модели: для кода, поиска и перевода. Готовые к скачиванию ИИ-агенты. OCR-модели, которые вытаскивают текст из фотографий и документов. Всё ставится локально и работает у вас на компьютере, без облака и без подписок. «Пиратская бухта» для нейросетей — это сигнал, что модель превратилась в обычный файл, который можно скачать, положить к себе и запустить. Ещё год назад доступ к сильной модели означал аккаунт, тариф и постоянную зависимость от чужого сервера. Сейчас всё чаще модель просто живёт у вас на диске. Для нас с вами тема особенно живая. Когда половина удобных сервисов то отваливается, то требует зарубежную карту, локальная модель на своём железе выглядит уже как рабочая страховка, а не гиковская забава. Пара оговорок, прежде чем бросаться качать. Слово «слитые» в описании стоит читать буквально: это чужие веса, часто выложенные в обход лицензии, и никто не гарантирует, что внутри не спрятано лишнее. Я бы ставил такое только в изолированном окружении и точно не тащил в рабочий контур с настоящими данными. А сам факт, что подобные площадки вообще появляются, мне нравится. Это про свободу собрать свой ИИ-стек так, как удобно вам. Без оглядки на то, что решил владелец очередной подписки.