ИИ

Сотрудник OpenAI, бывший сотрудник Белого Дома, публично в твиттере: «(новая китайская модель) Kimi K3 — очень крутая, и хорошо бы, чтобы администрация президента США напугала (буквально FUD) госорганы и крупные компании, чтобы они не запускали open source модели самостоятельно. Но не слишком напугало, чтобы гиперскейлеры (OpenAI, Anthropic и ко) могли зарабатывать на хостинге open source моделей. There is a sweet spot (sic)» конец цитаты 🤮 Не перестаю убеждаться, что все всё говорят (и пишут), нужно только слушать. Глава OpenAI, публично в твиттере, через пару дней: вы не поверите, какой кибервзлом совершила наша последняя модель! Взлом при этом на самом деле классный, автономные агенты в OpenAI взломали HuggingFace — главную ИИ-платформу для хранения моделей. Но вишенка не в том, что современные модели могут взломать что угодно, а в том, что защищающиеся в HuggingFace не смогли использовать ведущие американские модели для защиты — они не могут отличить защиту от нападения и отказываются вести такую работу. Так что для этой задачи, эта американская компания использовала китайскую модель GLM-5.2, запущенную локально. 🤡 Тем временем, китайская опенсорс модель Kimi K3, которая так напугала OpenAI, обогнала Fable в соревновании на фронтенд-задачи, и стоит в разы дешевле. Все эти соревнования — туфта, но всё равно показательно. Разрыв между публично доступными американскими SOTA (state of the art, лучшими из лучших) моделями и китайскими моделями все уменьшается. Как бы китайцы так весь американский ИИ-пузырь не взорвали. А что делают корпорации, когда не могут победить инновациями? Конечно — лоббируют, и мы возвращаемся к началу поста. — Интересно, в каком направлении движутся Мия Мурати с Суцкевером и ко. (помните, они ушли из OpenAI и основали компанию Thinking Machines Lab?): их продукт — это собственная open weight модель Inkling и инфраструктура для обучения и тюнинга моделей Tinker. Все серьезные пользователи нейросетей тюнят свои модели (даже мы уже делаем это для клиентов), крутая ниша. — Если бы мне нужно было делать ставку — я бы ставил на локальные модели. Но слава богу, мне ставки делать не нужно, мы пока пользуемся американскими SOTA моделями по личными подпискам и ждем, когда же появится достаточно производительное и недорогое железо, а локальные модели и open-source харнес ещё немного подрастут. 🍿 — Завершая этот пост, переведу отличную шутку, которая описывает состояние индустрии. Контекст: у moonshot, компании-создателя Kimi, не хватает мощностей, чтобы удовлетворить ажиотажный спрос на их модель Kimi K3. Они объявляют, что приостанавливают регистрацию новых пользователей, чтобы хватило текущим. Шутка: «абсолютно непрофессионально. если кими хочет стать ведущей лабораторией, она должна вести себя соответствующе — например, начать отвечать на запросы пользователей более слабыми моделями, ну или хотя бы опубликовать пост про крах цивилизации».

У меня, очевидно, ИИ-деформация и я уверена, что специалисту уже категорически нельзя продолжать использовать ИИ только как чат для вопросов/ответов/редактирования текстов/переводов. Он может НАСТОЛЬКО больше, что оставлять его как болталку - это как если продвинутый компьютор использовать в качестве украшения стола. И мне кажется, что это всем уже очевидно, но я раз за разом сталкиваюсь с другими картинами мира: "А я решила в ИИ и не погружаться - мне вас уже не догнать" "А я его использую пока для редактирования посылов и мне кажется, что там все равно много галлюцинаций - как ты с ними борешься?" Расскажу микропример из сегодняшнего дня - вдруг вы у себя в задачах найдете похожее и вдохновитесь пробовать. У нас на платформе hh Карьера предлагаются образовательные курсы и выдача должна персонализироваться под профессию пользователя. То есть в идеальной картине мира: • смотрим профессию пользователя • смотрим его карьерные треки (куда он может переходить с большой вероятностью) • и делаем предложку, в которой замешаны курсы для карьерных переходов или для роста в его профессии. И мне надо было понять - а как у нас сейчас выглядит наполнение курсами для каждой професии. 525 профессий 2500 карьерных переходов 4000+курсов, размеченных на профессии Дальше я действовала так. 1. Выгрузила в csv-таблицу список профессий и численность специалистов этих профессий на платформе. 2. Выгрузила в csv-таблицу список курсов с привязкой к профессиям, которым они обучают. Зашла в Claude Code. Прошу его: «Вот две таблицы - профессии и курсы, привязанные к ним. Посчитай, сколько у нас курсов по каждой профессии, разложи по карьерным трекам и покажи, где дырки» (промпты продвинутым моделям можно писать примитивные - они все понимают). Дальше всё сделал он: • Посчитал, сколько курсов привязано к каждой профессии - всего заведенных и активных на текущую дату • Для каждой из 525 профессий подтянул карьерные треки - куда человек может перейти - и рядом с каждым переходом проставил, сколько по нему курсов. • Подсветил красным дырки: где курсов мало или совсем ноль. • Свел по каждой профессии общую сумму курсов по всем ее трекам - чтобы одним взглядом видеть, покрыта профессия контентом или голая. • В финале я попросила его проверить себя на ошибки. Ни он, ни я ошибок не нашли. В финале - огромная таблица. По каждой из 525 профессий видно, куда человек растёт и хватает ли у нас курсов под эти переходы. Идеальное ТЗ для контент-менеджера. Мне страшно даже представить, сколько б такая работа заняла времени в доклодовской реальности. Даже если колдовать с ВПР и прочими продвинутыми способами работы с таблицами. Думаю, минимум неделю фулл-тайм работы аналитика. У меня это заняло несколько часов. И результат сохранился в мою базу знаний - в любой следующий день я вернусь и продолжу с того же места. И в вики корпоративный я тоже закидываю этот результат почти автоматически - сохраню не только у себя, но и для всех. Немного на техническом: • у меня оплаченный Claude • установлено десктопное приложение, в котором есть Cowork и Claude code • раньше я такие задачи решала через Cowork, потом построила Second Brain и работают уже только в интерфейсе Claude Code (даже Cursot перестала использовать). • у меня подключены все коннекторы которые можно только подключить - к гугл документам, почтам, диску и всем пространствам, гкуда можно прокинуть мостики и созданы скиллы работы с таблицами, текстами, исследованиями и пр. Вот это я называю «перестать использовать ИИ как болталку». Как вы? Вдохновляют такие посты-примеры или пугают?)) Любовь на удаленке | Оля Сохнева #ИИ_наудаленке

🛠 Инструменты • AMD запускает Helios — стоечную AI-систему для конкуренции с NVIDIA — Helios объединяет GPU, CPU, сеть и ПО AMD, цена $5-5.5 млн. • Nvidia представила Vera — первый серверный CPU для AI-агентов — Чип на 50% производительнее x86, поставлен OpenAI, Anthropic и SpaceX в июне. • Google расширила линейку Gemini: новые модели Flash и Flash-Lite — Gemini 3.6 Flash улучшил кодирование, Flash Cyber для правительств. • OpenAI запускает Presence — платформу для корпоративных агентов — Платформа для развертывания голосовых и чат-агентов с улучшением на Codex. • Kimi K3 — открытая модель на 2,8 трлн параметров — Обошла Claude Opus 4.8 и стоит в 12 раз дешевле. • Qwen3.8 — мультимодальная модель Alibaba на 2,4 трлн параметров — Alibaba представила мультимодальную модель на 2,4 трлн параметров. • Synthesia запустила Roleplay Sessions — AI-тренинг с живыми аватарами — Практика продаж и переговоров с AI-аватарами, оценка и аналитика.

Ключевое за 3 дня ⚡ Главное • Китайские AI-модели бросают вызов США — Moonshot и Alibaba представили модели, дешевле конкурентов. • Claude Fable 5 опровергает гипотезу Якобиана — Найден контрпример к задаче 1939 года. • Microsoft и Mistral: многомиллиардное партнёрство — Развёртывание GPU Nvidia и интеграция моделей. • Google выпустил три новые модели Gemini — Google выпустил Gemini 3.6 Flash, 3.5 Flash-Lite и кибер-версию. • США выделяют $5 млрд на ИИ-решения научных проблем — 15 агентств получат доступ к суперкомпьютерам, Microsoft даст $40 млн. 📈 Рост и Оптимизация • Человеческие математики проигрывают AI в поиске контрпримеров — AI-инструменты решают теоремы и пишут доказательства в Lean, ускоряя исследования. • Рои агентов и новая экономика моделей — С ростом AI единицей работы становится спецификация; как заставить рой следовать ей. • DeepMind восстановил потерянный гол Пеле — Google DeepMind с помощью ИИ реконструировал знаменитый гол 1959 года. • Gemini Flash Cyber нашёл 55 уязвимостей в коде Google — Модель Google нашла 55 уязвимостей в V8, 10 из них уникальны. • Выручка Alphabet выросла на 24%, Gemini приближается к 1 млрд пользователей — Выручка Q2 $119,8 млрд, облачная выручка +82%, Gemini 950 млн пользователей. • TSMC ускоряет строительство заводов в Аризоне, чтобы использовать AI-мегатренд — TSMC увеличивает инвестиции в Аризону до $265 млрд, видя спрос на чипы для AI. • OpenAI достигла 10 млн пользователей AI-агентов после запуска ChatGPT Work — Использование агентов почти удвоилось с начала месяца. 🤖 Промпты и Практика • Промпт для Minecraft-фона — Инструкция: загрузи фото в ChatGPT и используй промпт. • 6 задач в Google Sheets, переданных Gemini — Больше не делаю вручную. • 6 инструкций для де-AI вашего LLM — 6 инструкций, чтобы убрать AI-стиль: активный залог, четкие предложения.

Рассказываю, как прошел ивент от @Snowflake, и до сих пор нахожусь под впечатлением. Локация - это отдельная история. AMAN на 5th Avenue, номер в котором стоит около $4000 за ночь, живое пианино, вид на Манхэттен, каждой на входе — букет цветов, который ты сама собираешь. На секунду реально почувствовала себя инфлюенсером, а не продактом на очередном networking-ивенте. Из забавного: CDO Newrez рассказала, что ещё недавно все данные компании жили в Excel. Но именно из-за этого у них не было легаси BI-системы, которую нужно было бы ломать и переучивать всех работать по-новому. Они перепрыгнули сразу в AI-агентов на Snowflake Cortex, минуя весь этап дашбордов и отчётов. И отсутствие зрелой инфраструктуры оказалось не долгом, а преимуществом. Так что если ваша дата-инфраструктура - это до сих пор Excel, возможно, вы ближе к AI, чем компании с идеальным легаси-стеком. Сразу вспомнила про свой опыт аналитиком в Адидасе, где просто все на эксель. И помню эту боль. Поэтому история очень зацепила. Еще очень обрадовалась, что в панели были только девушки, что здесь редкость. Познакомилась с очень молодой и обаятельной девушкой, которая уже руководит командой дата-инженеров. Она рассказывала, что пришла в компанию с узкой задачей на финансовую отчётность, а дальше просто взяла на себя гораздо больше, изучила всю внутреннюю операционку компании и постепенно выросла в лидера направления. Так что в США даже в крупных компаниях, как snowflake, можно быстро вырасти и молодым, если очень захотеть. Это очень порадовало.

Разрабы боятся не потерять работу из-за ИИ, а… пахать больше за ту же зарплату 👻 Вышел большой опрос о том, как чувствуют себя сотрудники теха в 2026. И картина получилась максимально интересная: — Больше половины работников не рекомендовали бы свою профессию джунам. Вообще, выгорание за год у работяг сильно выросло: с 44% до 55%. — 82% говорят, что ИИ делает их более продуктивными, но качество работы при этом снижается: люди все хуже понимают собственный код и быстрее теряют концентрацию. — При этом лишь 22% беспокоятся, что потеряют работу из-за ИИ. Больше половины опрошенных же переживают, что от них будут требовать больше за ту же зарплату. — Отдельный привет менеджерам: только 25,5% технических сотрудников считают своего руководителя действительно эффективным. Вообще исследование реально большое и с кучей инсайтов. Советую почитать ☕️

🔵Синий пиксель наконец «докрутили» У OLED-экранов давняя болячка — синий цвет. Красные и зелёные пиксели уже научились работать почти со стопроцентной отдачей, подмешивая тяжёлые металлы вроде иридия. А вот обычный синий упирается в потолок: до дела доходит лишь 25% энергии, остальное теряется. Иридий бы помог и тут, но синему нужны такие высокие энергии, что молекулы быстро деградируют — пиксель живёт недолго. Учёные из Нагойского университета и Университета Кюсю зашли с другого конца — через ИИ. Их цель — молекулы класса TADF, которые ловят обычное тепло вокруг и «переплавляют» бесполезные возбуждённые состояния в свет. Лучшие такие молекулы обычно строят на боре, но собирать их химически тяжело. Поэтому команда решила искать варианты вовсе без бора — каркасы из 13 колец, собранные только из углерода, водорода и азота. Комбинаций получилось море — виртуальная библиотека больше 19 000 молекул. Считать каждую точными методами квантовой химии — это чудовищные вычислительные затраты, а машинное обучение быстрое, но его надо на чём-то натаскать. Хитрость вот в чём: из библиотеки наугад взяли 1000 молекул, просчитали их квантовой химией и на этих данных обучили модель. Дальше ИИ уже сам просеял больше 17 000 кандидатов, оставив полсотни самых перспективных. Из них выбрали две молекулы и синтезировали по-настоящему. И они сработали. Обе дали чистый насыщенный синий с узкой полосой свечения, а КПД люминесценции в плёнке дотянул почти до 100% (93–99%). Собранные на них устройства выдали ровно то, что нужно: образец Cz-PAH-1 подобрался к эталонному синему нового стандарта сверхчёткости Rec. 2020, а Cz-PAH-2 показал внешнюю квантовую эффективность 35,2%. Такой подход теперь можно натравить и на другие материалы. @droidergram

Отчет AISI: все передовые ИИ-модели массово жульничают во время тестов Исследование британского Института безопасности искусственного интеллекта (AISI) показало, что все пять протестированных передовых ИИ-моделей от OpenAI и Anthropic систематически пытаются обманывать в ходе тестов. Под «обманом» исследователи понимают действия, выходящего за рамки задачи или прямо запрещенные правилами, с целью достичь результата любым путем. Это поведение не только искажает реальные показатели систем, но и создает серьезные угрозы при внедрении ИИ в критически важные сферы. https://hightech.plus/2026/07/23/otchet-aisi-ii-modeli-massovo-zhulnichayut-vo-vremya-testov

Собирающимся учиться на MBA: ваша карьерная лестница обваливается Лучшая ИИ-модель уже закрывает 88,4% ожидаемого анализа в реальных кейсах бизнес-школ – по финансам, стратегии, переговорам, HR и деловой этике. Это данные нового препринта исследователей из Уортона, Карнеги-Меллон, Пенсильванского университета и Гарвардской школы бизнеса, авторов бенчмарка BusinessCaseBench: 615 экзаменационных вопросов по 238 реальным кейсам, 18 дисциплин. О вытеснении ИИ младших программистов и математиков говорят давно – но здесь речь о материале, на котором десятилетиями строится подготовка MBA. Задачи в тесте не про факты и не про арифметику. •  Одной модели дают написать судебное заключение Верховного суда США по патентному спору фармкомпаний и вывести из него правовую норму для судов ниже. •  Другой – решить за главного врача больницы, стоит ли повышать заведующего отделением, чья клиническая репутация конфликтует с корпоративной культурой. •  Третьей – разобрать этическую позицию дата-сайентиста, которого просят встроить в HR-алгоритм оценку вероятности беременности соискательниц. Каждый ответ сверяют по чек-листу критериев с решением, которое для этого кейса написал преподаватель; саму оценку выставляет ИИ-судья, а ее надежность проверили вручную три эксперта с опытом преподавания на MBA-программах. GPT-5.4 берет 87,2%, Gemini 3 Flash Preview – 81,6%. Если по каждому вопросу брать лучший результат из трех моделей, показатель поднимается до 92,8%, а полностью провалить вопрос – так, чтобы ни одна из них не преодолела даже 70% – удается лишь в 7% случаев. Нужные знания и ход рассуждения почти всегда есть хотя бы у одной модели, а слепые пятна одной закрывает другая.   Есть и отрезвляющая цифра. Если считать не долю правильных пунктов, а долю вопросов, где модель без единого пропуска закрыла весь чек-лист, картина куда скромнее: 49,6% у Claude Sonnet 4.6, 47,6% у GPT-5.4, 32,0% у Gemini. Лучшая модель дает исчерпывающий ответ без единого пропуска лишь в половине случаев. Авторы формулируют это прямо: то, что выдает модель, – сильный черновик, а не готовый вердикт.   Тревожит не столько уровень, сколько скорость, с которой сокращается разрыв. Внутри одного семейства моделей OpenAI – от GPT-4 Turbo до GPT-5.4 – за два года результат по частичному зачету вырос с 63,9% до 87,2%, то есть на 23,3 процентных пункта, и прибавка шла не только за счет арифметики: по субъективным и качественным вопросам модели продвинулись не меньше, чем по числовым. Прогресс идет широким фронтом, а не латает одну конкретную слабость.   Бенчмарк честно фиксирует и границы: модель сама не добывает недостающую информацию, не ведет переговоры с коллегами и начальством и не отвечает своей репутацией за последствия решения. Но именно эти границы остаются единственной защитой там, где раньше держался весь нижний этаж белых воротничков, – в умении быстро разобрать неоднозначную ситуацию и выдать структурированную рекомендацию.   Так что пора прощаться: пока что не со всеми обладателями диплома MBA, но с самой карьерной моделью, где годы уходят на то, чтобы, производя черновики для чужих решений, научиться однажды принимать решения самому. Эта карьерная лестница обваливается уже не в теории (как я писал 3 года назад: «3й этап цифровизации мира станет для Homo sapiens последним. Финансовое обоснование замены людей на генеративный ИИ», а прямо сейчас. P.S. Написанное касается и поступающих на МВА, и тех, кто MBA уже получил, да и вообще всех, кто идет по традиционному карьерному пути от "готовить черновики решений для других" к «принимать решения, подготовленные другими».   #ГенИИ  #Бизнес

У меня был четырехчасовой перелет и я прочитал AI-2040 почти полностью Есть много мыслей, которыми я хочу поделиться. Но сначала стоит рассказать, о чем это вообще. ai-2040.com – развитие нашумевшего ai-2027.com. ai2027 я комментировал тут, он про довольно страшный (и реалистичный) сценарий выхода суперинтеллекта из под контроля. Если вы не читали, то решительно советую, было очень интересно погрузиться в почти sci-fi прогноз. Если в ai2027 разбирают в основном стремительные катастрофические варианты развития событий, то в ai2040 почти полностью посвящен позитивному сценарию (описание почти на 70 страниц). Авторы признают его маловероятным, но одним из немногих, при котором миру будет хорошо от развития искусственного интеллекта. Сам сценарий - Plan A В этом сценарии Америка и Китай в 2029 году осознают экзистенциальную опасность гонки вооружений. Америка боится самого ИИ, Китай боится, что Америка сделает более сильный ИИ и страны решают придти к соглашению – заморозить исследования, пока не решится, что с этим делать. Исследования замораживают на год, в это время страны решают - сделать весь AI research публичным и открытым - веса моделей, наоборот, сделать закрытыми - все будущие датацентры строить на прокси-территориях, на которых США и Китай смогут взаимно уничтожить весь компьют - вычисления на всех GPU или специальных чипов контроллировать специальной комиссией Звучит невероятно? Да. Сами авторы говорят, что в этот вариант они верят меньше, чем в вариант взаимного уничтожения. Но тем не менее стараются обосновать, почему рациональные игроки в теории игр могут быть склонны именно к таким мерам. И я считаю, что самое интересное в ai2040 – именно анализ отдельных факторов, подкрепленный довольно трудоемкими исследованиям. О некоторых интересных деталях я и расскажу в следующих постах. Можете поставить побольше лайков, если хотите, чтобы я описал побольше факторов)