Итак, третье заседание прошло огненно, значит переводим на постоянные рельсы :) По следам трех встреч, есть несколько изменений а формате и подаче. 1. Я думаю, назвать это лучше всего «кейс-клуб», так как мы разбираем конкретные кейсы. 2. Третья встреча, когда разбирали один кейс полтора часа, оказалась и продуктивной и не выматывающей. Лучше чаще встречаться, чем уже умирать к концу третьего часа. Плюс, фокус на одном кейсе задает ей общий тон. 3. Кейсы имеет смысл привлекать не только из нашего комьюнити — автор кейса на третьем созвоне был найден у Артема Субботина в его закрытом сообществе ИИзнанка и это отлично зашло. Такие пока соображения.

Погружение в новый домен До работы в Salmon я практически ничего не знал про рынок мотоциклов. Так уж сложилось, что моим основным фокусом всегда были автомобили. А ведь продакт должен хорошо понимать, что продает его продукт и что хотят его пользователи. Сначала я просто старался на улице, увидев издалека мотоцикл — в Маниле это не проблема, они на каждом шагу, определить его марку и модель. И проверить свой вариант подойдя поближе. Но это как-то примитивно в наше время. На выходных завайбкодил себе тренажер «Угадай мотоцикл по фото». Квиз, в котором за 15 секунд нужно выбрать правильный ответ из 4 вариантов. И дело пошло! Сейчас уже сразу отличаю Honda от Yamaha или Kawasaki, но над знанием моделей ещё нужно поработать 😁 На днях поделился ссылкой с командой разработки. Ожидаемо на первом месте рейтинга наш QA 😉 Если захотите поиграть, а заодно погрузиться в филиппинский рынок мото — велкам! ▶️ https://motoquiz.vercel.app/ Суммарный рейтинг учитывает не только количество правильных ответов, но и скорость выбора. А ещё можно взять подсказку за минус 50 очков и убрать блюр с фотографии. Тому, кто из моих подписчиков наберет больше 1900 очков, обещаю что-нибудь подарить 😉 Сделано, конечно, в тесном контакте с Claude Code. Это мой любимый разработчик на сегодняшний день! #claude #motors

Я тут в очередной раз услышал про герундий и собирался написать пост о том, что не признаю это понятие, потому что оно низачем не нужно и усложняет изучение английского языка. Решил для начала спросить у Гугля, зачем его вообще придумали, если это просто существительное. Ну, ответ так себе. Первый пункт тут бессмысленен, потому что «простое» и «перфектное» это не время. Последний тоже бессмысленен, потому что а что мешает к существительному приделать наречие? Только средний действительно по делу, но это проще считать правилом сочетаемости слов тем, чем целую теорию под это подводить и отдельную главу с умным словом проходить. Это я с точки зрения практического изучения иностранного языка говорю. Разумеется, если ты лингвист, то это всё интересно ковырять.

Бывший разработчик Apple Тайлер Суард собрала контроллер KnobNet, где нейросеть обучают вручную — крутя потенциометры вместо настройки параметров через код. Каждому весу соответствует свой физический регулятор на устройстве. Поворачиваешь ручку и значение веса меняется, а на выходе сразу видно, к чему это привело. Сеть распознаёт цифры и держит совсем немного весов. Устройство показывает текущие входные данные, активации скрытых нейронов и финальное предсказание. После ручной подстройки пользователь тут же видит, стало ошибок больше или меньше, и обучение из непрозрачной для новичка процедуры превращается в осязаемый эксперимент. Суард сразу отсекает вопрос о практичности и не претендует на инструмент для современных сетей на миллиарды параметров. Физическая реализация маленькой сети нужна ей ровно для одного — щупать руками фундаментальные принципы машинного обучения.

Короче, у нас за более чем десятилетнюю карьеру клоунов в интернете сохранилось примерно сотня сценариев с ютуба, а так же больше тысячи рекламных постов в телеге. Эксперты в каментах, ставлю вам амбициозную задачу — спрогнозировать, че будет, если мы возьмем какую-нибудь тупую модельку и сделаем на ее основе цифровой слепок сознания ехтримсоде. Ведь всегда приятно поболтать с кем-то таким же умным как ты. Че как лучше к решению задачки подойти, какую модельку брать за базовую, как подготовить данные (тупо простыню текста скидывать или мутить чето типа [инструкция -> вывод])? Я заколебался писать рекламу руками, хочу чтобы за меня делал это нейроехтримкод. А обычные модели не могут в достаточной степени подражать нашему стилю писанины.

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

Ничего особенно нового про то, за что деятели образования не любят ИИ, текст не сообщает, но мне понравилось одна явным образом сформулированная мысль: 1 ИИ обвиняют в том, что все на что он способен — это отрыжка информации из интернета 2 ИИ обвиняют в том, что он легко пишет контрольные задания за студентов Означает ли это, что вся система оценок учащихся в образовании — это проверка их способности отрыгнуть учебник? Стоит ли вообще этому учить?

AI hasn't created that flaw. It has just made it impossible to ignore. A tool that can generate a competent essay, compare two theories, or summarize a reading in seconds proves the point: regurgitation was never the skill worth testing.

И как логичный вывод утверждается: решение не во все более изощренном контроле учащихся, а в изменении стиля и, главное, цели образования. В статье даже есть примеры, что и как можно поменять. Вот только консерватизм традиционной образовательной системы не дает особых надежд на массовость изменений, увы. https://www.forbes.com/sites/scottwhite/2026/07/12/ai-isnt-killing-education-its-exposing-what-was-already-broken/

Из обучения школьников цифре на макетке нужно выкинуть все резисторы и вставить микросхемы с FIFO Мейкерские туториалы полвека переписывают друг у друга одно и то же — резисторы при светодиодах, подтягивающие резисторы, генератор такта на микросхеме 555. SR-защёлку на двух NAND-элементах кружки́ показывают десятилетиями, а в работе современного разработчика микросхем она не возникает вообще никогда. Зато то, что проектировщик чипа трогает ежедневно, детям не дают, ни FIFO, ни приоритетный энкодер, ни ALU. Автор ведёт занятия для школьников и переписал стандартную программу под то, чем реально живёт микроархитектура. Убрал резисторы вместе с необходимостью объяснять законы Ома и Кирхгофа, а через три дня, когда бегающие огоньки надоедают, переводит детей на SystemVerilog и FPGA. Дальше по плану свои чипы на фабрике.

Ещё больше классных постеров из Сеула — с ICML 2026 RE-TRAC: REcursive TRAjectory Compression for Deep Search Agents Сейчас очень много агентов работает в ReAct парадигме (последовательные reasoning + acting). Авторы считают, что такой подход с длинными линейными цепочками плохо подходит для сложных задач, потому что deep search больше похож на дерево гипотез: модель может наметить несколько веток, но потом забыть часть из них, застрять в локальном направлении или зациклиться. Re-Trac отличается от ReAct: после каждой траектории собирают compressed_state, в котором хранят лучший ответ на текущий момент, список проверенных фактов, логические выводы и список того, что осталось неизвестным. На следующих траекториях авторы стартуют с этого состояния. Благодаря этому авторы получили 53 пункта на BrowseComp с 8 rollout’ами. Прочитав статью, я нашёл подвох: init для sft — это Tongyi-DeepResearch 3A30B, у которого и так 43 пункта на BrowseComp, а замера pass@8 — бейзлайна за схожий compute — для него нет. То есть идея интересная, но реальный эффект Re-Trac для лучшей модели из статьи не указан. Training-Trajectory-Aware Token Selection Исследователи изучают дистилляцию ризонящих моделей. Обычно SFT или дистилляция на reasoning-траекториях не улучшает модель, а иногда даже ухудшает её. Во время обучения loss монотонно падает, а реальные метрики сначала резко проседают (Imitation Shock), но затем постепенно восстанавливаются, при этом не всегда до конца. Авторы заметили расслоение токенов во время обучения на две группы, «полезные» и «вредные», причем одни подавляются другими. Поэтому стандартная дистилляция тратит ранние градиенты на токены, которые мешают обучению более полезных токенов. Как решили проблему: замаскировали «вредные» токены и не добавляют их в loss. Чтобы понять, какие токены маскировать, придумали алгоритм T3S — Training-Trajectory-Aware Token Selection. Сначала модель проходит короткую фазу дистилляции, по ней находят Imitation Shock и затем сравнивают влияние токенов между началом и на чекпоинте, где всё взорвалось. Least-Loaded Expert Parallelism: Load Balancing An Imbalanced Mixture-of-Experts В MoE-модели каждый токен не проходит через весь FFN-блок, вместо этого роутер выбирает для него несколько экспертов. В Expert Parallelism эксперты распределены по GPU: условно, GPU-0 хранит экспертов 0–3, GPU-1 хранит 4–7 и так далее. Проблема возникает, когда роутер выбирает экспертов неравномерно. Например, на math/code данных один эксперт может стать очень популярным, потому что он специализировался на таких токенах. Тогда GPU, на которой лежит этот эксперт, получает слишком много токенов, считает дольше всех и определяет latency всего MoE-слоя. LLEP решает это не изменением роутера, а изменением исполнения. Перед MoE-слоем система смотрит, сколько токенов попало в каждого эксперта и насколько загружена каждая GPU. Если дисбаланс маленький, используется обычный Expert Parallelism. Если дисбаланс большой, LLEP выбирает наименее загруженные GPU и отправляет туда не только токены, как в EP, но и веса перегруженного эксперта. Smaller Models are Natural Explorers for Policy-Level Diversity in GRPO Авторы говорят, что GRPO живёт за счёт разнообразных rollout’ов, но по ходу обучения они становятся однородными, advantage-сигнал слабеет, а прогресс встаёт. Вывели инсайт: GRPO нужно policy-level diversity — когда целые траектории структурно разные, но при этом логически связаны. Обнаружили, что меньшие модели из этого же семейства дают гораздо больше policy-level разнообразия и предложили на ранней стадии обучения часть rollout’ов для большой модели генерировать маленькой замороженной моделью — так можно получить структурно разнообразные траектории на старте. Затем долю маленькой модели постепенно снижали, плавно возвращаясь к стабильному on-policy режиму большой модели. Результаты: на AIME24/25 получили выигрыш 23.8/22.5 против GRPO-базы 15.0/12.1. Увидели и записали полезное для вас ❣ Даниил Кириллов, Иван Сапожков, Аркадий Альшан и Кристина Гуртова #YaICML2026 Душный NLP

Учиться и работать быстрее или фокусироваться на главном Третье выступление было на Data Day о том, что же делать, чтобы оставаться востребованным профессионально, когда ИИ развивается сильно быстрее нас. Опять же, если кратко, то: 1) Пробовать переходить в области, являющиеся следующим рубежом для внедрения ИИ. Например, в биотехнологии или робототехнику. Там произошло много всего важного за последнее время: успехи CRISPR, создание с помощью ИИ новых белков, моделирование с помощью ИИ ДНК, VLA модели и доступность роботов - те же гуманоиды unitree стоят как машина, а не как чугунный мост, а для учебных целей есть много всего недорогого. При этом еще куча интересных задач впереди. 2) Брать традиционные способы эффективного обучения и повышения продуктивности (интервальные повторения, вспоминание, рефлексия про что и зачем ботаем, симуляция применения знаний в реальной ситуации, GTD, zettelkasten, ТРИЗ, и так далее) и применять уже с помощью ИИ. ИИ здесь помогает решать главную проблему всех этих методов - сложность поддержания системы и её постоянного использования. Идея в том, что предугадать мир через пять лет или даже через два года довольно сложно, так что нужно уметь быстро изучать и применять новое. Отдельное внимание нужно уделять тому, чтобы измерять эффект, т.к. частая история с ИИ - ощущение «стал на X% быстрее работать” при фактическом замедлении, а не ускорении. 3) Не делать из этого карго-культ и помнить, что многие выдающиеся результаты получены теми людьми, которые не закрыли больше всех задач, а лучше фокусировались на главном и избегали забивания своего рабочего дня нерелевантными вещами. Неожиданным для меня итогом всех трех выступлений стала позитивная обратная связь от слушателей, потому что обычно я веду лекции про конкретные кейсы применения ИИ в бизнесе или про то, как модели работают внутри (даже в научпоп формате), а тут темы такие водянистые, что кто первый халат надел, тот и доктор. Но все прошло удачно в том смысле, что слушатели, которым понравилось, везде нашлись. Так что видимо пока можно продолжить разнообразить репертуар :)

Study and learn У ChatGPT есть спрятанный и недооценённый режим - он вызывается через прописывание @Study в диалоге. Любые наши вопросы обычная модель стремится быстро упаковать в готовые ответы и шаблоны, что создаёт ощущение эффективности в моменте, но долгосрочно приводит к постепенному cognitive offloading и делегированию способности думать. Около года назад ChatGPT добавили “Study and Learn”, режим, который старается не давать нам делегировать весь процесс мышления, педагогически определяет наши задачи, задаёт хорошие вопросы (а не для галочки, как обычные модели). Последнее время всё чаще им пользуюсь. Рекомендую, если вы часто приходите с вопросами типа: • объясни концепт • как это работает? • хочу понять • хочу освоить навык • в чём отличие? Я использую этот режим в супер разных сценариях: • перед началом чтения книг, когда нужно оценить свой уровень понимания темы, особенно, когда понимаю, что книга на вырост и сложная. • когда нужно решить сложную рабочую задачу, с которой я не сталкивался + мне нужно хорошо подумать • когда нужно освоить какой-то навык. Например, недавно с ним учился писать музыку в новом для меня стиле, он хорошо помог не только механически увидеть где должна стоять бочка, где хэты, но и понять, почему оно работает именно так • самое неожиданное - когда нужно сделать саммари видео, большой статьи или даже книги. Я змечаю, что саммаризация контента языковыми моделями не особо работает, потому что создаёт только поверхностную иллюзию понимания. А когда инструмент просит сформулировать идею, мысль - становится сразу понятно, где я плаваю, а где норм. Короче, это универсальный инструмент для того, чтобы включаться в работу. И, конечно, очень показательно, что ChatGPT так глубоко спрятали этот режим в своём интерфейсе. В 2023 году казалось, что LLM изменят опыт обучения, но они довольно быстро сдались - видимо, в среднем пользователи лучше реагируют на быстрые ответы, подхалимство и понятные чек-листы на выходе. А инструмент Study and Learn только лишнее место занимал.

Да не вопрос:

Как заработать много денег в тестировании без опыта? Никак. Пост можно было бы закончить здесь, но давайте разберёмся, почему этот вопрос вообще звучит из каждого утюга. Формула «QA — самый лёгкий вход в IT» родилась лет десять назад, когда рынок был пустой и джунов расхватывали после двухнедельных курсов. Эти времена закончились, а обещания — нет. Потому что на обещаниях удобно продавать. Что есть на самом деле: Порог входа в QA действительно ниже, чем в разработку. Но «ниже» не значит «нулевой». Тестировщик без понимания HTTP, баз данных и клиент-серверной архитектуры сегодня не проходит даже первое собеседование. Деньги в профессии есть. Но они приходят на уровне, когда ты умеешь то, что не умеет вчерашний выпускник курсов: тест-дизайн под реальные риски, работа с API, автоматизация, умение говорить с разработчиками на одном языке. Путь туда — не 2 недели, а 6–12 месяцев осознанной учёбы. И это честная цена за профессию, которая потом кормит годами. Если вам обещают иначе — вам продают не профессию, а мечту. Мечты возврату не подлежат. С чего начать бесплатно и без розовых очков — в закрепе.

(с) Fable 5, effort: High

Как на самом деле работают LLM Раньше на вопрос, сколько букв «R» в слове «strawberry», модель уверенно называла неверное число. Выглядело так, будто она не умеет считать. На деле она вообще не видит отдельных букв, потому что работает не с текстом, а с токенами, числовыми идентификаторами кусков слова, и слово для неё распадается на несколько фрагментов. Отсюда тянется всё остальное устройство. Токены превращаются в векторы, где king − man + woman даёт примерно queen, дальше их сравнивает механизм внимания, а сами знания вроде «Париж столица Франции» лежат конкретными весами, которые можно точечно переписать и переселить Эйфелеву башню в Рим без переобучения. Разберёмся, как из токенов и векторов собирается вся работа модели до предсказания следующего слова.

⚽️ Бизнес – та же игра: футбольные идиомы, которые выведут ваш английский на новый уровень Чемпионат мира по футболу 2026 невозможно обойти стороной! Даже мы, не фанаты, знаем о голкипере Нигерии, команде Кабо-Верде, почти не слезам Роналду и забавном викинге из Норвегии! Осталось совсем немного и чья-та страна устроит вакханалию на пару дней после победы)) Давайте воспользуемся моментом и прокачаем ваш бизнес-английский! Спорт и бизнес невероятно похожи: компании — это команды, сотрудники — игроки, идеи «передаются» друг другу, а успех — это забитый гол. Неудивительно, что английский язык полон идиом, пришедших из футбола. Вот 10 самых полезных, которые сделают вашу речь живой и профессиональной. 1. To keep your eye on the ball — держать руку на пульсе, быть сосредоточенным Не отвлекаться от главной цели, быть внимательным к деталям.

“In this business, if you want to be successful, you need to keep your eye on the ball.” (В этом бизнесе, если хочешь быть успешным, нужно постоянно быть сосредоточенным.)

2. To be on the ball — быть на высоте, быстро реагировать Быть осведомлённым, быстро соображать и мгновенно реагировать на новые идеи.

“You need to be on the ball in this job – things change every day.” (В этой работе нужно быть на высоте — здесь всё меняется каждый день.)

3. To know the score — знать, как обстоят дела Понимать реальную ситуацию, быть в курсе ключевых фактов.

“I was going to update Jane, but she already knows the score.” (Я собирался ввести Джейн в курс дела, но она уже всё знает.)

4. A game changer — поворотный момент, что-то, что меняет правила игры Событие или решение, которое кардинально меняет ситуацию.

“This new contract could be a real game changer for our business.” (Этот новый контракт может стать настоящим поворотным моментом для нашего бизнеса.)

5. To score an own goal — забить гол в свои ворота (сделать хуже себе) Действие, которое наносит вред собственным интересам.

“Philip scored an own goal when he quit his job before signing a new contract.” (Филипп забил гол в свои ворота, когда уволился до подписания нового контракта.)

6. To be in a league of your own — быть вне конкуренции Быть на голову выше остальных в своей сфере.

“When it comes to customer service, our team is in a league of its own.” (Когда дело доходит до обслуживания клиентов, наша команда вне конкуренции.)

7. To kick off — начать, дать старт Начать мероприятие, проект или встречу.

“Let's kick off the meeting with a quick overview of last quarter's results.” (Давайте начнём встречу с краткого обзора результатов прошлого квартала.)

8. To move the goalposts — менять правила игры на ходу Менять условия или цели в процессе, когда это неудобно для других.

“We had almost finished the project, but the client moved the goalposts again.” (Мы почти закончили проект, но клиент снова изменил условия.)

9. A level playing field — равные условия для всех Ситуация, в которой у всех участников равные шансы на успех.

“We need regulations to ensure a level playing field for all companies.” (Нам нужно регулирование, чтобы обеспечить равные условия для всех компаний.)

10. To blow the whistle on someone — стать разоблачителем, «свистнуть» Сообщить о незаконных или неэтичных действиях внутри организации.

“She decided to blow the whistle on the company's illegal activities.” (Она решила сообщить о незаконной деятельности компании.)📌 Бонус: как использовать эти идиомы в small talk на работе

➕ Не забывайте, что это отличная тема для смол-тока нашего любимого)) Вот несколько фраз, чтобы начать разговор: “Are you following the World Cup this year?” (Ты следишь за чемпионатом мира в этом году?) “Which team are you rooting for?” (За какую команду болеешь?) “The new 48-team format makes the tournament even more exciting.” (Новый формат с 48 командами делает турнир ещё более захватывающим.) Всем побед! ⚽️ #tipoftheday #vocabulary _______ ❤️ - болею за Англию! 🔥 - болею за Испанию! 🦄 - болею за Теда Лассо

Каждый раз на продуктовом обучении приходится давать определение гипотезы и объяснять, что это такое. Как думаете почему? 💡 Гипотеза - это предполагаемое объяснение уже наблюдаемого поведения пользователей или работы системы, которое еще предстоит доказать. Плохая гипотеза (просто хотелка): «Если мы поменяем логику подписок, пользователям станет удобнее». Хорошая гипотеза: «Мы видим, что 40% пользователей уходят со страницы оплаты (наблюдаемое поведение). Мы предполагаем, что они не понимают разницу в тарифах. Если мы добавим сравнительную таблицу, то снизим отток на 10%». Чтобы быстро отличить хорошую гипотезу от плохой, используйте формулу: Мы видим [Проблему/Данные] -> Предполагаем, что [Причина] -> Если мы [Решение] -> Изменение [метрики]

Обучение через испытания В играх часто встречаются дополнительные цели. Они могут быть как внутри-миссионные, так и сквозные. Первые это, например, дополнительные цели для полной синхронизации в старых Assassin's Creed. А сквозные, как правило, привязаны к чему-то, что существует на более длительной дистанции в прохождении игрока. В Doom: The Dark Ages это оружие. Как только игрок вкачает все перки ствола, для него становится доступен челлендж на бонусный скин. Его можно выполнять в любой миссии, а по завершению сразу выходить в меню: прогресс сохранится. Цель этих испытаний на первый взгляд может быть только в удержании игрока, особенно того, который любит собирать все ачивки. Но это не совсем так. Боевые испытаниями можно также принести игроку пользу: например, лучше обучить его владеть какой-то кор-механикой или специальным перком оружия. На видео вы можете увидеть как я на днях набивал испытание Engorge для ракетницы. Суть его в том, чтобы отразить зелёную атаку противника, после чего успеть быстро выстрелить в него из ракетницы в упор. Если всё сделать правильно, то полученный от взрыва урон будет компенсировать лечением от перка Succubus. И так надо повторить 50 раз. Я не только заучил как клёво лечиться базукой, но и гораздо смелее овладел темпом парирования щитом! Так что если в вашем проекте есть замороченная система перков, прокачки и/или билдов, вы всегда можете добавить бонусные испытания, которые не только удержат игрока, но и повысят ему навык эффективной игры 😎 #анализигр #геймдизайн #Doom

Органоид, робот и проверка переноса. Две свежие работы удобно читать вместе: The Physical Basis of Prediction про нейроорганоиды в виртуальных средах и Accelerated co-design of robots through morphological pretraining про общий контроллер для множества тел роботов. Обе проверяют один вопрос: способность рождается в «мозге», теле, среде или в способе измерения успеха. В первой работе агентом становится человеческий нейроорганоид на матрице микроэлектродов. Проще: маленький живой нервный узел подключают к виртуальной игре. Одни электроды «говорят» ему, что происходит в среде; другие читают ответ по вспышкам активности нейронов. Экран видит компьютер, а органоид получает не картинку, а электрический рельеф. Обучение завязано не на очки, а на предсказуемость. Когда действие удачное, стимуляция становится стабильной и «читаемой». Когда действие ошибочное, сигнал становится шумным. Мозговой фрагмент учится не за «конфету», а потому, что после правильного хода мир перестаёт трещать как радио между станциями. Задачи идут ступенями. В conditional avoidance есть линия из 8 позиций: 1–5 безопасны, 6–8 неприятны, и чем глубже заход, тем сильнее наказание. В predator-prey органоид ведёт хищника к добыче. В Pong положение мяча кодируется сложнее: горизонталь через разные электроды, вертикаль через частоту сигнала; успешный удар подтверждает ожидание траектории, промах маркирует сбой прогноза. Самое интересное здесь — слой проверки. Авторы предлагают смотреть на физический след обучения: fEPSP как признак усиления/ослабления связей, кальциевую съёмку ансамблей, MEA-записи всей сети и молекулярные маркеры AMPA/NMDA, Synapsin-1, PSD-95, MAP2, GFAP, c-Fos. То есть вопрос становится почти судебным: не «сыграло лучше?», а «какие связи и клетки реально перестроились после опыта?» LLM в этой схеме не играет за органоид. Он проектирует следующие протоколы: получает цель, ограничения и историю запусков, затем предлагает новый блок экспериментов. Это необычно: автоматизируется не сам биологический агент, а конвейер миров, в которых он учится. Поэтому нужны проверка параметров, журнал протоколов и раздельная оценка поведения, физиологии и ошибок генерации. Во второй работе та же логика переносится на роботов. Strgar и Kriegman берут мягкие 3D-тела как набор масс и пружин в сетке 6×6×4: до 245 масс и 1648 пружин, сенсоры света на массах, пружины как мышцы. Вместо отдельной «нервной системы» под каждое тело они тренируют один общий контроллер: 250 входов сенсоров, 5 ритмических сигналов и выходы на пружины; лишние входы и выходы зануляются. Хорошая бытовая аналогия: это водитель, который должен без переучивания садиться то в велосипед, то в паука из Lego, то в мягкого червя с фонариком. Тело само ограничивает, какие рычаги у водителя вообще подключены. После тренировки контроллер «замораживают», меняют форму робота и сразу проверяют, стало лучше или хуже. Авторы называют это zero-shot evolution. Технически трюк держится на дифференцируемой симуляции: градиенты усредняются по телам, мирам и целям. За 1400 шагов, около 56 минут на 8 H100, контроллер проходит через более чем 10 млн морфологий; в среднем роботы закрывают около 70% пути к свету. Поломка важна не меньше успеха. Когда общий контроллер и популяцию тел оптимизируют одновременно, возникает diversity collapse: тела становятся похожими, потому что одному контроллеру проще вести однотипные формы. Как если бы автошкола не учила водителя разным машинам, а постепенно переделывала все машины под привычки одного инструктора. Лучший режим: на каждом поколении контроллер возвращают к предобученным весам и дают 60 шагов донастройки. Так разнообразие форм сохраняется и даже растёт. Общий вывод: поведение само по себе легко обманывает. Органоид мог «научиться» только из-за удобной кодировки сигналов; робот мог стать успешным потому, что тела подстроились под слабости общего контроллера. Поэтому проверять надо всю цепочку: среду, сенсорный код, тело, интерфейс, контроллер, перенос и след обучения.

Как бы многие не критиковали вайбкодинг, но он работает. Я не продаю какие-то полноценные ИИ-продукты, но делаю тулы для себя. За день собрал нужный инструмент для планинга постов. От меня нужны были апи-ключи и настройка простых приложений в Meta, Linkedin и других соцсетях. Удивил X (ex Twitter), где каждый отложенный пост через API стоит денег. Теперь могу на одной странице делать постинг во все сетки и добавил массовую загрузку постов через гугл-таблицы. Для блогера – это супероптимизация рутины. ИИ-генерацию чисто по фану прикрутил. Тексты все еще пишу сам. На этой неделе возвращаюсь к курсам: намечу план по обновлениям, начну подготовку к разработке платного и бесплатного курса по тестированию API в продолжении к курсам, в которых персонаж Арти уже тестирует REST и GraphQL в древних цивилизациях.