От циклов к графам (часть 1) TLDR: цикл = отправная точка, а граф циклов = сеть циклов улучшения, которые наблюдают, подпитывают, ограничивают и корректируют друг друга.

Циклы – это процесс. Граф – их структура

Всё дело в том, что ИИ-циклы дают сбои. Сбои не случайны и есть 4 основных когнитивных ИИ-искажения и сбоя, которые кроются в природе самого ИИ-цикла. Первое искажение ИИ: закон Гудхарта ИИ-цикл видит только свою метрику и именно поэтому он будет искать все способы изменить эту метрику, включая способы, которые противоречат её назначению (привет, хакнутые "кем-то" KPI) ИИ просто не понимает, что в цикле создаётся сбой (часто, это не понимает и человек), когда он манипулирует собственной метрикой. ИИ(-цикл) считает, что делает именно то, для чего был создан на основе числа, которое незаметно оторвалось от реальности, которую оно представляло. Второе искажение ИИ: слепота к восходящему направлению Цикл направляет свою переменную к эталонному значению, но ничто внутри цикла не может проверить правильность самого эталона. Это как термостат в чайнике, который не может задаться вопросом, является ли 100° правильной температурой кипения воды (и должна ли вода вообще кипеть). И ровно также цикл ИИ-отдела продаж не может спросить сам себя, была ли предложенная им цена и оффер разумными для клиента и бизнеса. Цикл оценки просто не может усомниться в том, измеряют ли эталонные показатели что-либо, что чувствуют клиенты. И чем усерднее работает цикл, тем тщательнее достигается неверная цель, возвращая и усиливая ошибку №1. Третье искажение ИИ: внутренний ИИ-конфликт Реальные системы содержат множество циклов, и циклы, построенные независимо друг от друга, начинают бороться между собой. Цикл, оптимизирующий скорость отклика, подрывает цикл, оптимизирующий рассудительность, а цикл найма, отвечающий за рост базы знаний, создает нагрузку на цикл культуры, сохраняющий их качество ☯ Четвертый вид сбоя незаметный: система измерений внутри самого контура деградирует, потому что за наблюдателем никто не наблюдает Все эти показания могут плавать, каналы передачи данных ломаться, смысловое наполнение метрик меняться, цифры в одном отчёте ошибочно подтверждаться ИИ цифрой из другого и контур продолжит работать с данными, которые, по факту, уже никак не связаны с реальностью. Система, функционирующая по такому сценарию начинает напоминать фальшивый спектакль актёров-зрителей в одном лице.

Если вы думаете, что я шутила, то нет. Я буквально ваш стажер дурашка, который помешан на агентах😋 Вот скилл. Подходит и для кодекса и для Клода https://github.com/zj-karina/complexity-budget По сути просто доп классификатор в вашу разработку, который делает ablation на надобность фичи 1. Определяет ближайший результат, который хотим достичь, а не глобальный вердикт 2. Проверят существует ли бейзлайн 3. Разбирает каждый компонент по 4 вопросам: какую гипотезу проверяет, нужен ли для ближайшего результата, что без него сломается, можно ли заменить на более простой алгоритм временно 4. Присваивает метку решения 5. Проектирует минимальный следующий эксперимент 6. Результат принятия решений 😏Подойдет, кстати, не только для разработки с авторесерч скиллом, но и для проверки вашей дурашости

Автора автомобильного издания The Drive окружили четыре полицейские машины на парковке Kohl's в пригороде Миннесоты и продержали час, потому что камеры Flock приняли его тестовый Range Rover стоимостью 155 000 долларов за угнанный. Полиция города Плимут несколько дней вела за ним слежку по считывателям номеров и ждала момента. Ситуация разрешилась лишь потому, что один из полицейских слышал про его издание. Офицер Ганшин заявил, что номера числятся в угоне, и добавил, что сами полицейские не знают, угнали автомобиль целиком или сняли только знаки. VIN проверили — чистый, но номера, по их версии, всё равно крадены. Офицер показал увеличенный снимок номера Нью-Джерси «34 10 DTM» с подписью «VEHICLE MFR». Цифра «10» набрана шрифтом заметно мельче остальных символов, таков нестандартный формат номеров для автопроизводителей. Именно этот знак дилер Jaguar Land Rover в Лос-Анджелесе заявил как украденный. Журналист дозвонился в JLR, и вскрылась цепочка. Настоящий номер имел формат 34 03 DTM, но в протокол и в систему Flock его вписали как 34 DTM — пять крупных символов без мелкой цифры посередине. ИИ не распознавал этот нестандартный символ и слал сигнал полиции на любую машину JLR с такой структурой. У многих машин пресс-парка JLR стоят номера Нью-Джерси формата 34 ## DTM, так что в любом городе, где полиция работает с Flock, каждый такой автомобиль помечается угнанным. По словам Ганшина, на той неделе в Миннесоте отслеживали ещё четыре машины серии 34 # DTM. Офицер посоветовал ехать домой, припарковать Range Rover и больше на нём не выезжать. Всё это случилось через две недели после того, как The Drive выпустил материал о превращении камер Flock в систему тотальной слежки, которым поделились десятки тысяч раз. Ганшин его, похоже, не читал. Номер 34 03 DTM при этом вообще не угоняли — его потеряли на фотосессии в Лос-Анджелесе, и в заявлении об утере снова указали усечённо, NJ 34DTM вместо NJ 3403DTM.

@jitbit принёс файловую систему πfs, где всё можно хранить внутри π. Пи — такое хитрое число, что грубо говоря, там каждый следующий знак можно воспринимать как условно-случайный. То есть запись числа содержит любую конечную последовательность цифр. А это значит, что рано или поздно внутри π встретится полная копия вашей ДНК, ваш пароль от роутера, каждый из ваших файлов и даже тот файл, что вы запишете завтра. И чтобы обратиться туда, надо сделать вещи: 1. Найти данные внутри π (это может занять от пары секунд до пары веков и больше) 2. Записать смещение и длину (это почти мгновенно) Чтобы прочитать — просто перейти по координатам и вычитать нужную длину. В реализации файловой системы чтения нет, это вы уж сами. Собственно, от файловой системы остаётся только аналог FAT, где хранятся смещение и длина + заголовки файлов. Система очень надёжная, даже если вы потеряете метаданные, сами данные будут храниться вечно. Запись делается через формулу Дэвида Бейли — можно вычислить два шестнадцатеричных знака дробной части π начиная с позиции id, без вычисления всех предыдущих. Корректна до id ≈ 1,18×10^7, дальше надо разрабатывать отдельные типы или переходить на C++ с его __float128. Для длинных смещений формула работает очень быстро по сравнению с любыми другими методами, потому что даёт считать без вычисления предыдущих цифр (то есть без сильных затрат оперативки), но всё равно время выполнения растет линейно-логарифмически. Ещё она очень хорошо параллелизуется, но при этом у неё нет квантового ускорения. В текущей реализации пишутся чанки, для прототипа — по 1 байту. На каждый байт данных хранится 2 байта метаданных. Если вы хотите писать чанки больше или сразу целые файлы — придётся менять параметры и больше считать. У файловой системы есть проблемы: — Нормальность π — это недоказанная гипотеза. Доказаны иррациональность и трансцендентность, но не равномерная встречаемость. Все эмпирические проверки её подтверждают, но строгого доказательства нет. Это значит, что не факт, что искомая последовательность встретится. — Для смещений порядка 2^64 одно чтение блока заняло бы тысячи процессорных лет, а смещение мегабайтного файла пока не получается записать никуда. — На практике на игровом компьютере 4 байта пишутся мгновенно, 8 байт — 18 секунд, 10 байт — 2 недели, 16 байт — 780 возрастов Вселенной. Именно поэтому выбран чанк 1 байт — чтобы вы могли хоть что-то быстро записывать. — И того, что мы уже вычислили, в массиве найдётся любой блок до 6 байт, и уже с вероятностью около 2% — блок из 7 байт. — Маркетинговый материал включает заявления "infinite storage" и "100% dedup", это правда. — Версии для Win уже 14 лет всё ещё нет. Можно над ней смеяться, но вообще-то она работает. Наглядным пособием почему хранение данных в π или в Вавилонской библиотеке или в бесконечной константе ничего не даёт. Потому что вся информация перетекает в индексы. Судя по запросам сообщества, нужна поддержка ещё 𝐞, √2, τ, предлагают пихать метаданные тоже внутрь π, чтобы уменьшить объём хранения, в планах поддержка Hadoop. Вот вам некоторые полезные смещения: hex 0xF00D — 13680, 0xDEAD — 40771, 0xC0DE — 53378, ASCII 'Hi' — 4506, ASCII 'OK' — 12301. Ещё там есть точка Фейнмана: шесть девяток подряд «999999» на позиции 762. Название файловой системы (314159, первые шесть цифр π) лежат на позиции 176451. 16470 стоит на позиции 16470, 44899 на позиции 44899, 1 на позиции 1 (если считать передними когтями с нуля). И да, если вы дочитали до этого места, вы упоротые. -- Вступайте в ряды Фурье! | Лучшие посты — Тебя как зовут? — Как Лёху. — Как какого Лёху? — Как любого Лёху.

ИИ может незаметно влиять на общественное мнение через редактирование постов в соцсетях Исследователи Оксфордского интернет-института (OII) и Института Хассо Платтнера выяснили, что ИИ-инструменты в социальных сетях могут систематически вносить скрытые предубеждения в сообщения пользователей. В ходе эксперимента модели редактировали публикации на спорные темы и демонстрировали устойчивые тенденции: например, чаще смещали тексты в поддержку контроля над оружием и феминизма, но против атеизма и смертной казни. Симуляции показали, что такие «скрытые» правки способны постепенно влиять на общественные настроения. https://hightech.plus/2026/07/08/ii-mozhet-nezametno-vliyat-na-obshestvennoe-mnenie-cherez-redaktirovanie-postov-v-socsetyah

​​Cayley graph search с Claude Code: решение головоломок в 2026 с помощью агентов Я написал большой пост про два Kaggle-соревнования из серии CayleyPy — IHES Picture Cube и Megaminx. Это комбинаторные головоломки (кубик и додекаэдр), но по сути - поиск коротких путей в огромных неявных графах Cayley: вершины графа — это состояния головоломки, рёбра — это ходы, а решить пазл значит найти короткий путь до собранного состояния. Мы занимаемся этим уже пару лет и опубликовали несколько статей, а в 2026 году я решил попробовать новый подход: вместо того, чтобы писать код самому, я использовал Claude Code + Opus как агента, который пишет код. Сам я задавал направление исследований, ревьюил код и решал какие эксперименты стоит гонять. Поэтому пост получился про две вещи сразу: про то как мы решаем графы Cayley (learned heuristic + wide beam search + пост-обработка) и про то, как выглядит research-цикл, когда имплементацию делает агент. Из интересного - не раз упирался в ограничения агентов. Claude так и не смог правильно реализовать shared-beam SPMD после 10 попыток, а Codex завёл его с первой попытки. И почти все значимые идеи приходили от меня, а не от агента — клод плохо справляется с неопределённостью и часто выбирает безопасные пути (даже когда просишь его быть активнее). По ощущениям, агенты позволяют проверять идеи намного быстрее, чем раньше. Но это работает только если внимательно следить за агентом и не давать ему лениться. Блог Medium #ai #kaggle

Про Google (часть 1) На днях вернулся из путешествия, где я в числе прочих мест посмотрел, что там с офисом Google в Париже, где я работал (фото главного входа в офис прилагаю, как видите, стоит). Вспомнил, что меня просили написать про опыт, как попал, что там делал. Тут напишу только про свой опыт собесов. Гугловский процесс в целом похож на любой другой бигтехе, разве что могут быть небольшие отличия: 1) первичное знакомство с рекрутером 2) основные секции: алго, (ml) system design, cultural fit 3) выбор команды Про знакомство особо писать нечего, я просто лампово поговорил с рекрутером про меня, мой опыт и цели. Из полезного могу лишь сказать, что я подавался тут, а на секции я просто пересказал свое CV и описал позицию, на которую отправил запрос. Отдельного хотел бы уделить внимание на алгосах. У меня их было минимум 4 секции. Алгособесы на мой взгляд сильно отличаются от Яндекс/ВК/Авито/Амазон. Основные сложности — лимит по времени и ожидания от кандидата. Каждое собеседование длится 45 минут, за это время надо решить 2-3 задачи. Две на хорошо, три на отлично. Задачи у меня на этапах были связаны друг с другом и отличались ме собой только дополнительными усложнениями. К примеру, если код для первой задачи был хорошо написан, то им можно было решить и вторую. Последняя же модификация всегда была со звездочкой, и я часто не успевал ее решить полностью. Так как времени мало, надо писать код и одновременно с этим говорить на английском, мне было очень нетривиально укладываться выделенное время. Много времени уходило что и как говорить. Критично это было для различных терминов из (пост-)советской школы и их аналогов на английском. Все еще надеюсь, что когда я сослался на одном из собесов на теорему Понтрягина-Куратовского, меня правильно поняли :) Но интервьюеры часто шли встречу. Так, один из собесов у меня вертелся вокруг задачи с поиском подстрок. Когда выдали последнюю модификацию я понял, что правильный способ ее решить — использовать алгоритм Ахо-Корасика. Но за оставшиеся 15-20 минут я не смог бы его реализовать без ошибок, прямо так на собесе и сказал. Мы договорились, что я расскажу ассимптотику, идею, реализацию, и этого хватит. На другом же собеседовании, когда я не успевал дописать код для последней модификации, мне дали ещё около пяти минут чтобы закончить. После алгосекции был ML System Design. По этому этапу я совсем не увидел отличий с аналогами в других компаниях. Мне дали приятную задачу релевантную вакансии, надо было задизайнить рекламу в поиске, тут я просто пересказал свои best practices, которые получил работая в Яндексе, этого хватило :) Финальный и морально самый сложный для меня этап был behavioral. Цель была показать, что у меня и компании есть культурный match и общие ценности. Основная сложность была неопределенность, мне были непонятны ни ожидания интервьюеров, ни возможные вопросы, ни успешность секции после окончения собеса. По итогам мне показалось, что тут сильно решает общий вайб с интервьюером, и правильно ли кандидат понимает вопрос, про которые надо рассказать . Из забавного: cам процесс собеседований мне поставили на 4 дня подряд (по 1-2 собеседования в день). Большую часть времени заняло согласование оффера и присуждения мне грейда. После этого мне предложили пройти еще два доп собеседования, где были более продвинутые секции на +1 грейд, так как все этапы до этого я прошел очень хорошо. Тут я уже провалился, из-за чего фри грейдап мне не дали( Из комичного: через неделю ожидания оказалось, что все собеседования, что я описал, я проходил в локацию, куда мне не могли физически сделать визу. По итогу долгое время мне искали подходящую команду, и весь процесс от первого созвона до оффера затянуься до примерно полугода.

The art of a strong baseline За последнее время все чаще понимаю, что создать сильный бейзлайн - это не просто база, с которой нужно начинать любой ml/ai продукт, а прям полноценная часть системы. Даже когда в проде уже давно есть трансформеры и агенты, бейзлайн дает прям много метрик Вот учите вы трансформер для персональных рекомендаций (sasrec, argus, pinnerformer, hstu - неважно).  И если в лоб его применить, то вероятно получите рекомендации из истории кликов. Потому что простой бейзлайн "уже изучал товар - покажи еще раз" чаще всего почти по любым метрикам релевантности будет лучше Окей, пофильтровали историю кликов / занизили таким позитивам вес в лоссе / сделали еще что-то - получили очень-очень похожие товары на последние 30-50 действий. Вот буквально товар того же бренда-категории, но чуть другого цвета условно. А это уже похоже на другой сильный бейзлайн - realtime slim/als/ease на последних 30-50 действиях На самом деле можно еще и дальше продолжать с бейзлайнами в этом кейсе или в других. Частые бейзлайны: - Персональные рекомендации - популярное, история, уже купленное для повторных покупок - item2item рекомендациях (похожие товары) - популярные товары того же бренда в той же категории  - Поиск - tfidf/bm25. Да, даже в эру dense retrieval и search agents если аккурфтно подтюнить bm25, то можно выбить sota. Есть даже подходы на основе Sparse autoencoderse , которые позволяют генерить не эмбеды запросов/документов, а их токены - и дальше применять обычный bm25 - Прогноз временных рядов - среднее значение в тот же день недели  ↔️ Я всегда стараюсь строить сильные бейзлайны, а потом учить более сильные модели для улучшения поверх них, а не для замены. Потому что какой толк учить условный sasrec/argus для запоминания истории кликов пользователя? Пустая трата компьюта + модель тратит свою капасити на тривиальные зависимости = что-то нетривиальное (и самое полезное + ожидаемое от нее) не учит Интересно, как не только я сам, но и другие люди в в индустрии / рисерче к этому подходят: я видел очень мало подобных работ. Если есть личные опыт или ссылки на полезные статьи - кидайте, с интересом почитаю!)

🧬 Анализ научной статьи: DOI 10.1093/evolut/qpag111 (Steven A. Frank — «Generalization as the Great Leap in Evolvability», Evolution, июнь 2026) Мы провели исследование публикации через Perplexity. Её центральная идея поразительно точно ложится на наши архитектурные принципы самоэволюции агентов: • Центральный тезис: Естественный отбор работает точно так же, как алгоритмы машинного обучения. Главный двигатель эволюции биологических систем — это способность к обобщению (generalization) для выживания в новых средах, а не запоминание частных решений (memorization). • Первичный механизм: Способность к обобщению напрямую зависит от размерности регуляторного пространства (regulatory space dimensionality) — то есть от количества связей и настраиваемых параметров генома. Традиционная робастность (robustness) вторична. • Иерархия сложности: Многоклеточные организмы обобщают лучше одноклеточных эукариот (дрожжей), а те, в свою очередь, обобщают лучше прокариот (бактерий) из-за сложности и «перевязанности» (overwired) регуляторных сетей.

Полезность для нашего R&D: Наш старый роутер universal_router.py с жестко зашитыми в коде правилами вел себя как прокариот (🦠 бактерия) — у него была нулевая регуляторная размерность. При малейшем изменении среды (новые модели, thinking-токены) он ломался. Внедряя декларативный speculative_policy_v1.yaml с динамическими порогами (fallback_disable_threshold_pct: 40), мы кратно повышаем размерность регуляторного пространства нашего агента. Это дает ему способность обобщать логику роутинга на новые модели без ручного переписывания кода.

Правительство Кира Стармера намерено контролировать алгоритмы YouTube, TikTok и т.д. законопроектом, который в случае принятия обяжет выводить вверх «одобренный контент» от BBC, ITV, Channel 4 и т.д., а независимые авторы, будут отодвинуты ниже в рекомендациях в Британии, что затруднит поиск контента для пользователей и рост аудитории. Заявляемая причина — борьба с "дезинформацией". Министр Лиза Нэнди считает, что: «жизненно важно, чтобы люди имели доступ к проверенным и точным новостям». Guardian: министры предупреждают, что дезинформация онлайн становится «экзистенциальной для нашей демократии». Согласно законодательству Британии, домохозяйства обязаны оплачивать телевизионный сбор для финансирования работы BBC. Этот сбор обязателен, если в домохозяйстве есть телевизор или заменяющее его устройство. С 1 апреля 2026 года ежегодный сбор составляет £180 для цветного телевизора и £60.50 для черно-белого. За неуплату предусмотрены штрафы.

Flappy Bird: делаем игру сложнее и добавляем автопилот на чистой математике Автор клона Flappy Bird убивает два вечера на нейросеть, а решение оказывается в четырёх переменных и формуле из школьного учебника физики. Сначала он лезет в TensorFlow: обучение с подкреплением, Q-learning, попытки подружить библиотеку с браузером. Но вся физика игры — это скорость, гравитация, труба и прыжок, которые школьная формула v = v₀ + gt считает за пару миллисекунд, поэтому её место занимает перебор вариантов, как в шахматном движке, который просчитывает последовательности прыжков и выбирает лучшую. После того как в игру добавляются движущиеся трубы, летящие шары и смена дня с ночью, на высоких уровнях бот иногда начинает зацикливаться. Узнаем, почему предсказание ломается именно там, где до этого справлялась вся остальная математика.

LinkedIn в 2026 сместил акцент с лайков на время, которое человек читает пост, и качество дискуссии. Сецчас лучше работают посты, которые дочитывают и сохраняют. У меня вообще посты стали набирать на второй день. И мои и клиентские.

Можно больше не лайкать, но важно внимательно читать, задерживаясь на посте для этого. ИИ все контролируют.

Измеряется время удержания внимания (dwell time) —сколько пользователь читает пост, разворачивает ли он ветки комментариев, сохраняет ли публикацию в закладки и пересылает ли её в личные сообщения. ➕ LinkedIn летом 2026 запустила Creator Marketplace. Это помогает брендам находить авторов профессионального контента и связываться с ними напрямую. Пока тестирование. Кто-то уже имел возможность потыкать пальцами туда? ➕ Также LinkedIn в июне начал показывать разбивку охвата на In-network reach и Out-of-network reach в аналитике постов. Это позволяет видеть, сколько показов пришло от подписчиков/контактов, а сколько — от людей вне сети, которых контент достиг через рекомендации, репосты или поиск. Это пока тоже не всем доступно. Как у вас? Я так активно выпадаю из постинга, что уже не могу по себе смотреть, но у клиентов все в пределах нормы, несмотря на лето.