ИИ

Несколько наблюдений за последнее время • Гипотеза: дело не только в мощнейшей прокачке harness-составляющей кодинг-агентов (ultracode, /goal, системных промптов, поиска по актуальной документации в инете и всего остального). Нынешние frontier-модели Opus 5, GPT-5.5 Sol уже обучались на данных, появившихся после начала распространения вайбкодинга в прошлом году и успели вобрать в себя всю накопленную мудрость работы с LLM-разработкой (включая, конечно же, мою статью на Хабре) — поэтому они уже сами достаточно хорошо понимают, как двигаться по задаче, и сейчас их нужно заметно меньше направлять. • Если ещё в конце прошлого года можно было поразить клиента, собрав сразу после первого брифинга рабочий прототип личного кабинета, то сейчас клиенты всё чаще сами приносят завайбкоженные прототипы как часть ТЗ. И всё чаще просят сделать возможность управлять данными на сайте через агентов. То есть теперь продуктам нужна не столько админка, сколько API или MCP. • Code First подход к веб-разработке — сейчас основной в моей студии. Это когда проект начинается не с попытки полностью спроектировать продукт в Figma с воображаемыми данными, а с того, что мы как можно раньше собираем его рабочую версию: со всей логикой, интеграциями и полноценным интерфейсом. Главное преимущество — сразу начинаешь работать с реальными данными: каталогом товаров из 1С, пользователями из CRM, контентом страниц и т.д. И уже на этом этапе становится понятно, как продукт на самом деле должен выглядеть и работать. На этапе красивого дизайна на макетах очень редко получается учесть все особенности реальных данных. Поэтому, когда дело доходит до интеграции настоящего контента, зачастую всё начинает разваливаться. Поэтому мы сначала делаем работающий продукт, а дизайн и UX докручиваем уже в процессе — поверх реальности, а не предположений. Ну и в целом проект быстрее движется, когда уже с первого дня нужно доставать все данные из источников, а не на последних этапах интеграции вёрстки.

Что будет, когда ИИ-пузырь лопнет? У The Hustle вышла именно такая статья. Про термин "ИИ-пузырь" можно бесконечно спорить, но сам материал любопытный, и его считаю нужным разобрать. Итак, начинают с велосипедной метафоры. В 1897 году в Бирмингеме изобрели безопасный велосипед с пневматическими шинами, и город сошёл с ума. Около 400 местных вело-мастерских тут же вышли на биржу, их акции разогнались в 100500 раз, но уже через год 3/4 из них сдохла, потому что велосипеды не заменили весь транспорт планеты Земля. Хотя сам велик, как вид транспорта, прекрасно закрепился, и все мы на нём иногда катаемся. Так вот, авторы утверждают, что слово "пузырь" - плохая метафора для таких штук. Ну, потому что пурызь делает бум-бах и исчезает полностью. Исследователи фин пузырей Куинн и Тёрнер предлагают заменить его на огонь. Огонь может всегда гореть, но сегодня он небольшой язычок пламени, завтра - порядочный костёр, а послезавтра - гигантский пожар. Его размер зависит от количества и качества дров (= дешёвого кредита и других типов финансирования, рынка, хайпа, возможностей спекулировать и шортить и т.д.). Ну и чтобы его изначально зажечь - нужна искра (= новая технология, после которой уже не будет как раньше). ИМХО, это действительно более подходящая аналогия. Так что, если встретите свидетелей ИИ-пузыря - расскажите им, что на самом деле они веруют в костёр, вот. Далее статья разбирает, что будет, если дровишки всё-таки оскудеют. Причём разбирают 4 разных зоны, которые почувствуют эффект: 1. Рынок акций. Гиперскейлеры собираются потратить $1,4 трлн к 2028 (прогноз Morgan Stanley) или $1,1 трлн к 2027 (Wells Fargo), а Anthropic и OpenAI оценены так, будто каждая из них станет победителем всей гонки, хотя так не бывает. Когда костёр ослабеет, частные инвесторы, понятное дело, обломятся - но хрен бы с ними. Хуже, если институционалы будут ставить на ИИ-бум заёмные средства. Вообще считается, что в отличие от той же недвиги в 2008, на ИИ ставят в основном собственные средства. Но кейс Ашенбреннера явно показывает, что это... ну.... не совсем так. Я не знаю общий объём плеча на ИИ-индустрию, но если он большой, то это системный риск. Банки и фонды могут допнуть и потянуть за собой других участников. 2. Рынок труда. Сейчас все строят гигантские ЦОДов и дают временные рабочие места, но чтбы обслуживать готовый дата-центр - нужно всего 50–200 человек. Это вряд ли компенсирует замещение людей ИИ-агентами (тут я бы поспорил, что вообще есть какое-то замещение, но да ладно). Но тут общий прогноз в целом оптимистичный. Раз интернет породил кучу индустрий с кучей вакансий, то и от ИИ стоит ждать подобного креативного всплеска. И это всё окупит, даже если дата-центры сдуются, а агенты продолжат выкидывать джунов. 3. Пенсионные накопления. Сейчас обычный человек [американский - речь в основном про США] человек привязан через ETF к пузырю сильнее, чем во времена доткомов. В том же индексной фонде S&P 500 1/3 идёт на "Семёрку" (Nvidia, Google, Microsoft, Amazon, Apple, Tesla и экстремисты). В момент икс может сработать "эффект богатства в обратную сторону". Если портфели начнут усыхать - люди будут резать реальные траты на квартиары, машину, отпуска и т.д., и это надавит на всю экономику. После тех же доткомов S&P 500 восстанавливался около 5 лет. Поколению X придётся сложнее всего - у них только 14% имеют традиционную пенсию против 56% у тех же бумеров (миллениалы и зумеры, видимо, ничего не почувствуют - у них и так нет денег 😈). 4. Повседневная жизнь. Хотя плечо и используется, сейчас всё-таки финансируют в основном через акционерный капитал (ну, если сравнивать с той же недвижкой в 2008). Именно поэтому после "лопания" последствия должны быть менее разрушительными для экономики в целом. Ну и плюс в том, что технологические пузыри, в отличие от долговых, оставляют после себя что-то осязаемое, на чём можно строить продукты и генерить новые кусочки ВВП. Интересно, что об этом начинают предметно задумываться в паблике. Гои сами себя не прогреют, как говорится. Дизраптор

Все обсуждают, как ИИ ускоряет разработку лекарств, а Китай тем временем сделал ставку менее заметную, но, возможно, более важную - он начал ускорять самого регулятора. Исторически конкурентным преимуществом фармы были деньги, учёные и доступ к данным. Теперь к этому добавился ещё один фактор - скорость принятия регуляторных решений. В мае 2026 года китайский регулятор NMPA запустил программу AI + Drug Regulation. К 2030 году они хотят использовать ИИ и специализированных агентов практически на всех этапах работы, от проверки регистрационных досье до постмаркетингового надзора. Требования к безопасности при этом не снижают, убирают бюрократическое трение. Та же философия видна и в существующих процессах. Для инновационных препаратов уже действует ускоренный 30-дневный канал рассмотрения, а IND-заявки работают по принципу implicit approval: если в течение 60 дней регулятор не выдвинул возражений, испытания можно начинать. В результате путь от подачи документов до первых испытаний на людях сократился примерно до 87 дней. Ещё десять лет назад это занимало больше 500. Неудивительно, что Китай становится одним из мировых центров AI-биотеха. По последним оценкам, китайские компании подают около 70% мировых патентных заявок в области AI-driven drug discovery, а их доля в глобальных лицензионных сделках выросла с 8% в 2021 году примерно до 32%. Западные регуляторы тоже умеют работать быстро, но обычно в экстренных ситуациях. Во время пандемии COVID-19, когда появилась реальная необходимость, FDA и EMA перестроили процессы буквально за несколько месяцев. FDA запустила механизм Emergency Use Authorization, EMA - rolling review, при котором данные анализировались по мере поступления, а не только после полного пакета исследований. Сроки одобрения сократились в несколько раз, и требования к безопасности при этом никто не отменял. Тогда же регуляторы фактически легитимизировали виртуальные клинические испытания: удалённые визиты, электронное согласие пациентов и дистанционный мониторинг стали частью нормальной практики. Мы в Customertimes как раз разрабатывали для одного из клиентов платформу для таких виртуальных исследований. На ней тестировали основные вакцины, которые дошли до рынка в рекордные сроки. Хороший пример того, как изменения в регулировании за пару месяцев открывают дорогу новым продуктам и целому классу цифровых решений. Самое интересное, что сейчас США снова начинают ускоряться. В июне американские регуляторы объявили о планах сократить сроки ранних этапов исследований на 6–12 месяцев. То есть соревнуются уже не только биотех-компании, но и сами регуляторные системы. Мне кажется, это и есть главный тренд: AI добрался до государственных институтов и выигрывать будут страны, которые быстрее перестроят под него свои регуляторные процессы, а не просто компании с лучшими моделями для поиска молекул. Так что скорость государства оказывается таким же ресурсом, как вычислительные мощности, данные и таланты. @maxvotek | linkedin | substack

Последняя перед отпуском колонка в Forbes родилась из странной ассоциации и воспоминания, которые меня начали посещать по ходу чтения всяких материалов о внедрении ИИ в разных компаниях и бизнес-процессах. Воспоминания были из давней поры моих занятий экспериментальной физикой лазерной плазмы, где в разных обличьях проявлялась неустойчивость Кельвина-Гельмгольца (ее красивое формальное название — неустойчивость тангенциального разрыва). Граница потоков, движущихся с разной скоростью, не может оставаться гладкой и ровной: на ней обязательно возникнут волны, вихри, турбулентность. Каким тут боком внедрение ИИ — читайте по ссылке:) https://www.forbes.ru/tekhnologii/565896-ne-tol-ko-skorost-kak-tehnologii-rasslaivaut-processy-v-biznese

Продолжаю обрастать автоматизациями. Я могу написать как «эксперты по нейросетям» что на меня работает 20 ИИ сотрудников. Но это все брехня. Я много еще чего делаю руками, но в основном - это задачи по постановке задач дейву😅 Из последних вещей что реализовал: 1) RSS радар для моего блога статейника. собирает с 30 самых крупных зарубежных сайтов по нейронкам интересныем темы за прошлый день. Оценивает, насколько они будут интересны нашей аудитории и предлагает под каким соусом их подать. 2) Ассистент в тг который присылает мне план задач на день для меня и для дейва, а так же статус по вчерашним задачам. Про тред ферму уже рассказывал. И вот переодически что то может отлетать, ломаться. В IT есть такие ребята - тестировщики. Которые проверяют продукт перед запуском на баги, и во время пользования. И если чтото работает не правильно - дают команду программистам починить. Я сделал автмоатизацию, которая сама проводит каждый день 11 тестов моих автоматизаций. Проверяет все ли работает как надо. ( например переодически мой рсс радар лагает и не пишет мне под каким соусом подать статью). И если гдето обнаружена ошибка, этот отдел определяет что именно не работает. Сверяет с тем как должно быть и устраняет ее сам. А потом мне в тг просто присылает отчет. Было сломано - это, починил так-то. Стал еще чуточку ближе к цели по созданию компании которая приносит более 100.000$ в месяц и в которой не работает ни одного живого человека)

В этом месяце мы путешествуем. Поэтому время наедине с лаптопом ограничено. Поэтому я и завел codex демонов на linux сервере. Самое главное, наконец, доделал новую версию full-stack event-driven BDD фреймворка, про который обсуждали на вебинарах по AI Coding. Про подход к BDD спекам в продуктах (еще в эру до LLM) я рассказывал в этой истории. Сейчас получилось сделать их full-stack, привязать к UI компонентам (например, через go templ) и свалить работу по написанию и поддержанию на Codex. Скорость я сильно не оптимизировал, спеки запускаются на одном ядре, поэтому получается прогонять "всего" тысячу спеков в секунду). Когда спеков будет больше тесячи - добавлю параллелизм, ибо дольше секунды гонять все базовые бизнес-тесты - для меня недопустимо. И когда есть такие спеки, давать с мобилики задачи кодексу на "напиши спеки под такую фичу" и "а теперь реализуй эти спеки" - одно удовольствие! Даже когда спеки про такие заунывные вещи, как GDPR-compliant email opt-in. А сам код в проекте на скриншоте - от будущей платформы для AI Coding коммьюнити. Ваш, @llm_under_hood 🤗

От лаборатории к умным часам: как измерить кортизол Я всё больше убеждаюсь, что одна из самых интересных областей технологий сегодня находится на стыке инженерии, медицины и ИИ. Пока мы обсуждаем новые модели нейросетей, инженеры пытаются решить другую задачу: научить маленький носимый датчик непрерывно измерять гормон стресса прямо на теле человека. Сегодня уровень кортизола определяют по крови, слюне или моче. Для этого нужно сдать анализ, дождаться результата и получить всего одну цифру - показатель в конкретный момент времени. Но кортизол постоянно меняется. На него влияют сон, тренировки, питание, болезни, время суток, эмоциональная нагрузка и даже конкретная рабочая встреча. Поэтому один лабораторный анализ не показывает всей картины. И инженеры создают аналог непрерывного монитора глюкозы, только для кортизола. Самое интересное здесь не только результат, но и то, как именно они пытаются его получить. Кортизол хотят измерять не через обычный забор крови, а через пот или межклеточную жидкость. Для этого разрабатывают: — микроиглы, которые почти не ощущаются кожей; — электрохимические сенсоры; — аптамеры - молекулы, способные распознавать конкретные вещества; — новые полимерные материалы; — миниатюрные системы, которые могут работать на теле несколько дней подряд. То есть инженерам нужно одновременно решить десятки задач. Как получить достаточное количество жидкости? Как отличить кортизол от других молекул? Как сделать сенсор точным, стабильным и безопасным? Как защитить его от пота, движения, температуры и внешней среды? Как передать данные на смартфон? Как откалибровать устройство так, чтобы его показаниям можно было доверять? И это уже не просто красивые концепты из лабораторий. Появляются первые испытания на людях. Например, стартап Adaptyx показал многосуточное измерение свободного кортизола с фиксацией его естественного суточного ритма и сопоставимостью с анализами венозной крови. Но дальше начинается ещё более сложная инженерная задача. Одного сенсора недостаточно. Нужно научиться правильно интерпретировать полученные данные. Высокий кортизол после тренировки - это нормально. Высокий кортизол утром тоже может быть нормой. А вот изменившийся суточный ритм, отсутствие восстановления или необычная реакция на нагрузку уже могут говорить о проблеме. Поэтому вокруг одного маленького датчика постепенно формируется целая система: сенсор → передача данных → алгоритмы обработки → персональная модель организма → рекомендации для человека или врача. И здесь появляется ИИ. Сегодня умные часы пытаются угадать стресс по косвенным признакам: пульсу, дыханию, температуре кожи и движениям. А прямое измерение кортизола может дать инженерам данные, на которых будут обучаться гораздо более точные модели. Тогда устройство сможет не просто сообщать: «У вас высокий уровень стресса». Оно сможет понимать, как именно ваш организм реагирует на недосып, кофе, перелёты, спорт, рабочие встречи или хроническую нагрузку. Когда-то инженеры сделали возможным непрерывное измерение глюкозы и изменили подход к лечению диабета. Теперь они пытаются сделать то же самое с кортизолом. И мне кажется, что главный технологический прорыв здесь не в том, что часы научатся показывать ещё одну цифру. А в том, что инженеры постепенно создают новый интерфейс между человеком и его собственным организмом. Ссылки на источники: spectrum Stanford https://t.me/kruasanova_as Всё ещё пишет сама и ищет новые способы взаимодействия

Команда Антона Конушина и лаборатория Fusion Brain вместе с  ребятами Сергея Маркова и Игоря Пасечника из SberAI опубликовали крутое обновление в нашей линейке моделей для реверс-инжиниринга! CADENA: Stepwise CAD Reverse Engineering Перешли на пошаговое предсказание — модель стала гибче, качество выросло, и чем сложнее датасет, тем больше отрыв. Плюс собрали CADENA-Bench: 3396 реальных механических деталей, разбитых по категориям ЕСКД, чтобы можно было оценивать готовность к практике для отдельных типов деталей. О постановке задачи для тех, кто пока про нее не слышал: по скану физической детали восстановить её CAD-модель — дерево построений, которое инженер может править и по которому деталь можно произвести. Последовательность CAD-операций пишется питоновским кодом, так что фактически это mesh2code. Наши прошлые модели предсказывали всю последовательность разом и потому наследовали статистику трейна: если операция B в обучении всегда стоит между A и C, на инференсе она встанет туда же. На сложных и редких деталях это ломалось. В CADENA мы предсказываем по одной операции за раз — модель исполняет то, что уже написала, смотрит на разницу с целью и решает, что делать дальше. Плюс новый генератор, дающий длинные последовательности операций. Результат: заметный отрыв на всех датасетах, где мы замеряемся. На CADENA-Bench мы лучше в 5 категориях из 6 и в среднем. На BenchCAD, где свои модели меряет в том числе Claude, восстановление объёма 91% против 71% у фронтирных моделей и 75% у специализированных. На гифке — как модель собирает деталь по операциям. Paper: https://arxiv.org/abs/2608.00799 · https://huggingface.co/papers/2608.00799 GitHub: https://github.com/zhemdi/cadena Dataset: https://huggingface.co/datasets/kulibinai/cadena-bench Model: https://huggingface.co/kulibinai/cadena Заапвоутить: https://huggingface.co/papers/2608.00799