С языками кстати интересная штука Я вообще сторонник того, чтобы все в мире говорили на одном языке, желательно, конечно, на русском английском Но кажется, что благодаря нейронкам будет происходить ровно обратное Текст нейронки уже легко переводят на любой язык практически налету. Аудио/видео пока еще похуже, но можно сказать что это уже решенный вопрос Получается, что в онлайне барьеров уже нет. Уже сейчас вы можете выйти на звонок с китайцем, каждый будет говорить на своем языке, и вы отлично друг друга поймете Вживую пока еще сложнее, но в целом, думаю, уже понятно, что рано или поздно у всех в AirPods будет синхронный перевод с любого языка Получается, через какое-то время мы придем в мир, где каждый может говорить на своем языке и при этом все равно будут друг друга понимать В этом смысле иностранные языки можно и не учить При этом я думаю, что личные тесные связи все равно еще долго будут строиться между людьми, говорящими на одном языке. Поэтому при прочих равных я считаю, что знание языков все равно будет оставаться конкурентным преимуществом в мире еще долго

#Нейропрожарка 🔦 Сторож маяка. Серия 1 — «3:17» Автор: Микола Сторчеус (@kolianchik84) Идея: мини-сериал-мистика на Чёрном море, на украинском. Ярина приезжает на маяк, где 30 лет служил её дед. Неделю назад его похоронили, а маяк всё равно кто-то зажигает — каждую ночь в 3:17. Хотелось сделать не нарезку красивых кадров, а серию с завязкой, правилами мира и обрывом на вопросе. Рыбака играю я сам. 🛠 Производство 1. Сценарий и раскадровка. Сначала написал серию целиком (8 сцен, ~90 с) — кто где стоит, что делает и что говорит в каждом плане. Писал «тело, а не чувства»: не «она испугана», а «отдёргивает руку, задерживает дыхание». 2. Персонажи — Nano Banana. Для каждого героя карточка на белом фоне: полный рост с 4 сторон + лицо крупно. Рыбак — по моему фото. Отдельно локации: маяк, ночной луч, три интерьера (комната смотрителя, низ маяка, комната лампы). Всего ~12 картинок с правками. 3. Проверка раскадровкой — главный лайфхак. До видео отдал Nano все карточки + сценарий и попросил нарисовать сетку из 8 кадров. Вылезли ошибки, которые иначе я бы нашёл только за деньги в видео: луч бил не из маяка, а из фонаря рыбака; рыбак стоял рядом с героиней, а не в дверях за её спиной; часы показывали 5:17. Поправил текст — сэкономил 3 перегенерации. 4. Видео — Vidu Q4 reference-to-video, 540p, 16:9, 8 сцен по 10–12 с. В каждую сцену — только рефы тех, кто в кадре (персонаж + локация), до 4 штук. Промпт: шапка камеры (ARRI Alexa 35, Kodak Vision3 500T, «NOT CGI, NOT glossy», зерно), блок «кто есть кто» с реальными расстояниями, дальше SHOT 1/2/3 по секундам и блок звука. Против пластиковой кожи отдельный блок: поры, веснушки, «no beauty filter, no airbrushing» — Vidu реально держит живую кожу. Косяки Vidu: героиня в одном плане стоит лицом к двери, а в следующем «оборачивается» — вырезал поворот на монтаже, вышло даже резче. 5. Звук и липсинк. Vidu генерит звук сам (море, ветер, скрип двери, стуки) — его оставил. Но украинскую речь он произносит с сильным акцентом, поэтому все реплики переозвучил живыми голосами (мужской — мой, женский — живая озвучка) и вручную поставил под движение губ Vidu, длинные фразы ускорил на 15–18%. Отдельный липсинк не делал: пробовал Volcengine lite на крупных планах — на щеках вылезают скачки, на среднем плане заметно лучше. 6. Монтаж — ffmpeg: склейка, затемнения, переходы через туман, сайдчейн-приглушение моря под голос, титр. Хук в начале — 3,5 с самого страшного из финала («Його поховали тиждень тому. Але щоночі о 3:17 хтось запалює маяк»), потом серия. Вертикальная версия — с размытым фоном и субтитрами. ⏱️ Время: 2–3 часа на всю серию — от сценария до монтажа. 💰 Деньги (себестоимость API): Vidu ~100 с × $0.036 ≈ $3.6, картинки Nano ≈ $0.7 — около $4–5 на серию с перегенерациями. ⚖️ Сравнение: Seedance лучше даёт сложное движение камеры и экшен, но для диалоговых сцен с крупными лицами Vidu вышел дешевле (примерно в 1,5–2 раза в 540p) и с более живой кожей. Минус Vidu — язык: украинский/русский только переозвучкой. @cgevent

Нейросети проверили на логику в «Поле чудес», «Данетках» и «Городах» — это исследование специалистов Яндекса и ШАД с международной конференции EMNLP 2026. Речь о MTGBench — тесте из семи текстовых игр. С его помощью оценили, насколько хорошо ИИ умеет рассуждать, использовать новые данные и планировать действия. Тестили 16 моделей: от компактной Qwen до крупных Gemini и GPT. Выяснилось, что режим рассуждений хорошо работает в играх, где нужно разбирать подсказки и отсекать неверные варианты. Например, в Wordle он заметно повышает качество. В задачах на знания и понимание смысла, вроде «Элиаса», эффект зависит от конкретной модели. В итоге исследование поможет инженерам точнее понимать, где рассуждения приносят больше всего пользы, и выбирать модели под конкретные задачи 👍

Учим ZX Spectrum сочинять нейросказки Когда у компьютера 128 КБ памяти, процессор на 3,5 МГц и нет даже аппаратного умножения, поручить ему сочинять сказки — идея сомнительная. Но на ZX Spectrum 128K удалось запустить HippoGPT — крошечную языковую модель, обученную в том числе на историях про Dizzy, кассеты и ошибки загрузки. Одно слово появляется примерно раз в восемь секунд. Связная сказка получается примерно в одном случае из десяти. В остальных модель путает героев, ходит по кругу и теряет нить повествования. А за этим скромным результатом — борьба за каждый байт, необычная арифметика и даже проблемы с клавишей BREAK. Что ж, не очень умный нейросказочник — зато работает. И попробовать его можно прямо в браузере.

/Как не раствориться в океане нейрослопа/ Полтора-два года назад делать базовый контент с ИИ было вау, сейчас нууу такое, норм, но все уже умеют и видят, что это он. При этом я знаю, что многих это даже демотивирует - когда стоимость производства контента приблизилась к нулю [не считая стоимости месячной подписки на нейросеть], стало казаться, что произвести новый контент - только еще больше создать шума, хотя и так у всех вокруг в головах гул. Я продолжаю создавать контент [много и разного], будучи уверенной, что это работает не совсем так, и что ценность авторского контента все еще высока [а может быть даже и выше, чем два-три года назад] Но чтобы люди хотели читать ваши тексты и смотреть ваши видео хорошо бы не оказаться каплей океана одинаковых сгенерированных постов. Для этого, во-первых, хорошо бы научиться думать контентными единицами, про них писала в этом посте - так в основе вашего контент будет ваш уникальный набор тем и кейсов. Во-вторых, читайте других авторов, которые пишут сами, а еще читайте книжки [выпущенные до 2024 года - современные и новенькие тоже грешат гигантскими ИИ-текстами] И в-третьих, и самое главное - хотя бы (!!!) раз в неделю создавайте контент сами, от и до без капельки ИИ - пишите посты в заметках, придумывайте хуки, монтируйте видео и карусели сами - даже если это выглядит сейчас глупо и неэффективно, и даже если в будущем так не будет делать вообще никто, я уверена - в текущем рынке вас это выделит и поможет сохранить и усилить контакт с вашей аудиторией! А это ценно! 😊

Нейросети запустили внутри DOOM — да, вы все верно прочли.🧐 Энтузиаст собрал DOOMFORMER — это проект, где ИИ считается прямо через игровые механики шутера. То есть числа тут — куклы вуду на конвейерах, ReLU — лестницы, а за умножение матриц отвечает бег по лаве. И это реально работает! Разработчик уже так запустил нейросеть, которая распознаёт рукописные цифры с точностью 96,6%, генератор названий уровней и даже ИИ, который самостоятельно играет в DOOM. Причём все вычисления происходят внутри игрового движка, без внешних нейросетевых библиотек. Из минусов — это в 70 000 раз медленнее NumPy. Осталось запустить DOOM внутри DOOM внутри DOOM 🤣

Почему агент делает не то, что вы просили Недавно с учениками мы делали телеграмм-бота с локальной нейросетью. Спецификацию я написал заранее и в прямом эфире отдал её двум агентам: Antigravity с Gemini Flash и OpenCode с GLM. Antigravity справился за 2 минуты. Лимиты почти не потратил, субагентов не запускал, тесты не написал. Запускаю npm run dev - и всё падает на импорте. Ещё и файлы он правил через git-команды. Я, когда первый раз увидел, прям офигел: "алло, братан, а что это такое?" 😁 Он ответил, что так легче всё трекать. OpenCode пошёл долгим путём. Сначала задал 5 вопросов: 1 агент или 4 этапа, какой test runner, нужны ли моки. Сам предложил тесты. Потратил 45 тысяч токенов и заметно больше времени. Зато с тестами и планом. Спецификация одна и та же, а результат совсем разный. Можно сказать, что Flash просто слабее. Но в другие дни этот же агент у меня отлично работает - когда запускаю его через свой скилл. В этот раз он скилл не подхватил и пошёл делать по-своему.

Так что проблема не в LLM, а в харнесе, который вокруг написан.

Харнес - это всё, что вокруг модели: агент, скиллы, AGENTS.md, правила, то, как он проверяет свою работу. И это не единичный случай. Когда я разбирал домашки потока, около 40 работ, размер спецификации почти не влиял на результат. Влияли модель и агент. С Claude Opus люди в среднем справлялись за 1 промпт, с Sonnet - за 3. А самописный оркестратор одного ученика потребовал 31 промпт. Сейчас многие уже работают с агентами: Cursor, Claude Code, OpenCode. И часто жалуются, что агент делает не то, всё приходится переделывать, а токены улетают за день. Обычно в этот момент человек идёт менять модель. Хотя чинить чаще нужно то, что вокруг неё. Что у меня в этой обвязке есть всегда: 1. AGENTS.md в каждом проекте: что делаем, стек, где какие файлы лежат. Чтобы агент не читал весь репозиторий. 2. Скиллы под конкретные задачи. Часто достаточно написать "используй TDD", и современная модель сама знает порядок: сначала тесты, потом код. 3. На больших правках сначала план, и я его утверждаю глазами. Antigravity я, кстати, не выкинул. Для текстов и документов он у меня отличный. — Давайте наберём много 👍, буду чаще разбирать такие кейсы из своей работы #нейросети · yt · tg · ig

Нейросети полезли в рекламу у блогеров. Есть такой чувак Дима Беседа: в юности бросил универ ради World of Warcraft, к 27 годам стал долларовым миллионером, а один из его стартапов купила Xsolla. Казалось бы, живи и радуйся, но нет. Сейчас он пилит Spiry, AI-платформу, которая к 2027 году должна сама находить блогера, писать ему, брифовать, проверять вышедшую рекламу и платить. Без всяких кожаных маркетологов. Пока инфлюенсеров для клиентов вручную ищут живые спецы, а разработчики каждый день допиливают систему по их фидбеку и потихоньку пересаживают на неё всю команду. Короче, люди сами обучают свою замену. Заодно Дима размышляет, как нанимать людей в эпоху нейронок и нужны ли сейчас вообще сеньоры. Подписывайтесь — @dimabeseda

🤖 Почему гуманойды до сих пор с трудом справляются с обычными бытовыми действиями. Не мое, но согласен 👍 🦾 1. Простое для человека — сложное для робота. Нейросеть может обыграть гроссмейстера, или доказать гипотезу Пуанкаре но взять незнакомый предмет или пройти по неровной поверхности ей гораздо сложнее. Это называется парадокс Маравика. Эволюция оттачивала нашу моторику сотни миллионов лет. 🧠 2. Движение требует огромных вычислительных ресурсов. Мозжечок содержит около 80% нейронов человеческого мозга. Координация движений — колоссальная работа, которую мы даже не замечаем. 📊 3. Роботам не хватает данных. Языковые модели обучаются на огромных массивах текстов из интернета. А данные о физических взаимодействиях с окружающим миром приходится собирать на реальных роботах. Это долго и дорого. ⚠️ 4. Цена ошибки гораздо выше. Если ChatGPT ошибся в тексте, его можно исправить. Если робот или беспилот ошибся при движении, это мб фатально. ⚡ 5. Всё должно работать прямо на роботе и в реальном времени. Нельзя постоянно полагаться на облако, когда нужно мгновенно реагировать на препятствия. А вычислительные мощности ограничены размерами, батареей и тепловыделением. Ждать несколько минут пока робот возьмет что-то с полки, как это делает ChatGPT, никто не будет. Но есть и хорошая новость: симуляторы, синтетические данные, тактильные датчики и новые нейросетевые модели постепенно решают эти проблемы. В общем, ждем когда робот пройдет тест Возняка и будет нам счастье 💚

Разложить прототип на макеты Когда-то рисовать макеты было легко, а делать прототипы — сложно, но постепенно все научились делать и прототипы. Недавно я писал, что не люблю прототипы и хочу видеть макеты: прототипы скрывают внутреннюю логику, а при проектировании меня интересует именно она. Даже то, как разложены макеты по холсту, уже многое говорит о том, чем он думал: https://ilyabirman.ru/meanwhile/all/designing-and-creating-explanations/ Сейчас благодаря нейросетям делать прототипы даже проще, чем рисовать макеты. Нейросеть просто выдаёт готовый кликабельный прототип; макетов в этом процессе в принципе не было и нет. Но что толку, что она его выдаёт? Как ты поймёшь, что там всё действительно по уму сделано? Я всё равно хочу видеть систему целиком, а не одно её измерение, поэтому всегда прошу нейросеть разложить мне все состояния по полочкам, показать связи между ними. Да, наглядно показать всю внутреннюю логику системы стало сложнее, чем просто сгенерировать что-то кликабельное. Но если ты хочешь сделать не просто «что-то», а сделать чётко, то без этого никак.

Очень красивая статья про то, куда движется программирование в целом! (и как следствие, предсказание, получится ли достичь RSI и сверхинтеллекта) Одним абзацем для опытных техдиров: разработка больших систем — это моделирование реальности, важна когерентность моделей между собой, наша главная задача — управление сложностью. Нейросети хорошо оптимизируют замкнутые задачи с быстрыми петлями обратной связи и бессмысленны, когда нужно дожидаться ответа из реального мира, а большинство настоящего софта — второго типа. Примененяя модели для изменения больших систем, мы прямо сейчас идем в ловушку, из которой потом будем мучительно выбираться. ❧ Автор умудрился объяснить суть разработки больших систем на пальцах, так что перескажу некоторые тезисы. Рекомендую почитать первоисточник. ❧ IT-системы моделируют реальный мир. В хороших программах, разные модели говорят на одном языке, автор называет это когерентностью системы. В плохих — каждая отдельная модель корректна, но они несовместимы между собой и из-за этого для каждого изменения приходится кучу всего переделывать. Вообще, софт постоянно нужно менять из-за меняющихся требований. Поэтому, скорость и стоимость внесения изменений — это один ключевых параметров качества софта. Обычно, с добавлением фичей, с ростом системы, её качество падает. Чем ниже когерентность — тем больше сил нужно тратить на поддержание работоспособности и тем ниже скорость доставки новых бизнес-фич. Автор предполагает, что есть переломная точка, после которой скорость доставки фичей уходит в ноль. Все, кто работал с легаси большими системами, знают эту ловушку. В статье очень красивая иллюстрация кода как графа и гениальная анимация того, как если с каждой фичей уделять достаточно сил на улучшение системы, то со временем она становится всё более стройной, а если чуть-чуть оставлять мусора — как уже через 100 коммитов всё превращается в клубок спагетти.

В продолжение того, кто востребован в современном мире, а кто нет. Выше писал про угасание ценности инструментального навыка. Вместе с тем — вижу явный спрос на способность быстро врубаться в темы, учиться и то самое системное мышление. Только на практике, а не то, что вы под этим словом привыкли слышать. Системное мышление — это способность прочитать учебник по незнакомой дисциплине. и через три дня сдать по нему экзамен на отлично. Как это вообще возможно? Зазубрить факты с такой скоростью не выйдет. Но если ты знаешь по каким принципам живет мир, и включишь логику, то до большинства вещей быстро догадаешься, даже если они скрыты под трехэтажным слоем местечкового снобизма и аббревиатур. Так вот, как я вижу, люди с такими способностями сейчас получают x1000% буста от нейросетей. А значит — в принципе в любом рабочем интеллектуальном аспекте (использовать только свой мозг уже де-факто является анахронизмом и даже несерьезно к рассмотрению) Раньше они от своих навыков скорее страдали, задерживаясь в редких ролях типа продактов или аналитиков — тяжело применить кругозор и скорость мышления в мире специалитета. Сейчас же те из них, кто отвергли свою выученную беспомощность, выходят на невероятный перфоманс. Против них играет обратный даннинг-крюгер. Если ты умный и способный, то тебе и все окружающие кажутся такими. Но правда в том, что "что тут сложного?" для тебя, на практике является невероятно сложным для 95% вокруг и никакой клод им в этом не поможет. Потому что нейронка — усилитель/резонатор способа и качества твоего мышления, сформированного десятилетиями до этого. И если это есть, то эти способности востребованы. Кратно демпингуй тех, кто делает работу по старинке. Делай в 10 раз больше и одновременно, в 10 раз быстрее. И у тебя и сейчас будут и заказчики и хлеб с маслом. Да, будет трещать башка и ты будешь ныть, что выгораешь. И будешь считать, что все вокруг несправедливо — ты же работаешь больше чем раньше, а на круг выходит столько же! Но кто тебе вообще обещал, что будет легко? Кстати, уровень протекания кукухи от нагрузки сейчас тоже — один из факторов конкуренции. Все привыкли к медовым рекам растущего рынка. На падающем задача либо сбежать, либо держаться дольше остальных и быстро-быстро шевелить для этого лапками.

В какой-то момент обучения кажется, что в любой области – бесконечное количество тем и их никогда все не изучить. При работе же иногда возникает ощущение, что достаточно хорошо понять лишь с пару десятков фундаментальных вещей и они закроют 95% всех задач, которые вам встретятся. А многие прорывные работы – просто умное использование или расширение этих тем. Вот то, что встречается постоянно в вычислительной биологии: 🤘 Линейная регрессия. Разберитесь в этой теме и вы поймёте огромное количество статистических методов. Кроме того, линрегом можно решить удивительное количество задач и без всяких нейросетей. Ну и логистическую регрессию туда же. Чисто AGI на минималках 🤘 Principal component analysis (PCA, он же метод главных компонент). Этот придуманный 100 лет назад метод до сих пор рвёт многие foundational large scale general purpose gluten free organic модели. Не шутка 🤘 p-value. Это далеко не идеальная штука, но уж очень распространённая. Просто разберитесь один раз как она на самом деле работает и что означает, посчитайте руками на разных примерах. И вам этот мир станет сильно более понятен 🤘 Разбиение на тренировочную, валидационную и тестовую выборки. Почти в любой области вот прямо сейчас можно написать хорошую работу, найдя примеры дурацких разбиений в популярных статьях 🤘 Основные задачи машинного обучения – регрессия, классификация, representation learning, генеративный ИИ. Хотя бы что это такое, лучше – с метриками для оценки, их особенностями и недостатками 🤘 Хотя бы на пальцах (если вы не разрабатываете методы) – что такое полносвязные и свёрточные нейросети, а также трансформеры. Если вы ML-разработчик, нужно уметь написать их все руками с как можно меньшим использованием библиотек. Смотрите Карпатого для эталонных примеров 🤘 Байесовский подход. В зависимости от личных предпочтений, можно как ознакомиться с основами, так и закопаться в него на всю жизнь. Но хотя бы в общих чертах понимать надо А если вы разрабатываете новые методы машинного обучения, в дополнение к предыдущим постоянно встречаются следующие темы: 🤘 Метрики. Вы должны понимать метрики из вашей области как вашего родного брата. Если брата у вас нет, можно будет представить, что у вас он появится со странным именем Рокаук. Не берите метрики просто так из книги, курса или другой статьи. Знайте как они ведут себя на ваших данных, что они показывают, а что пропускают. Посмотрите на данные глазами и заметьте паттерны, а затем превратите их в метрику. Часто подбор правильной метрики – это как минимум пол пути к разработке нового метода 🤘 KL divergence. Просто удивительно часто встречающаяся штука 🤘 Singular Value Decomposition. Лучше разбираться вместе с PCA. Постоянно встречается в математических выводах 🤘 Неравенство Йенсена туда же. Я лично никогда не применял в работе, но в выводах читаю постоянно 🤘 Градиентные методы оптимизации. Хотя бы прочитайте раздел в книге Deep Learning и оригинальную статью по Adam, посмотрите пару лекций и напишите всё руками 🤘 Основные лосс-функции – хотя бы MSE и кросс-энтропия вам должны быть знакомы как мама родная. Если двух родителей вам мало, посмотрите ещё статью по InfoNCE 🤘 Преобразование Фурье. Не во всех областях встречается часто, но тоже очень фундаментальная вещь, которую нужно понимать Мне нравится изучать темы через применение, понимание, а затем их поломку. Сперва разберитесь, зачем что-то нужно на практике, используя как чёрный ящик. Потом поймите как это работает. И наконец найдите случаи, когда это не работает. Для относительно новых методов лучше всего начать с чтения оригинальных статей, там часто всё очень хорошо написано. Скормите это сообщение любимому чат-боту, он придумает вам подробный план Базу для этого – матан, линал – тоже, конечно, знать нужно. Заботайте эти темы, дополируйте парой практических проектов и будет вам счастье в карьере и жизни (но это не точно). И не надо думать, что учиться бессмсленно, потому что ИИ всё знает лучше. Понимание этих тем выведет ваше общение с ИИ на совсем другой уровень. И как бонус – позволит проходить собеседования Что пропустил? Пишите в комментариях! А если вы ведёте телеграм-канал, напишите такой же список по вашей области, буду рад собрать их в подборку