ИИ

“Нейросеть захотела жить и начала шантажировать создателей” – заголовки такого сорта в последнее время выходят с завидной регулярностью. Мой новый гость в подкасте “Визионеры” реагирует на них пожатием плеч. Сергей Марков – директор по развитию технологий ИИ Сбербанка, архитектор GigaChat и автор главной русскоязычной монографии об ИИ “Охота на электроовец”. Пожалуй, самый невозмутимый технооптимист из всех, с кем я обсуждал эту тему. Из разговора вы узнаете: – почему бунт машин – неудачный кандидат на роль главного страха и в чём настоящая угроза – что значит фраза “апокалипсис дешевеет” и при чём здесь обезьяна с красной кнопкой – почему в Китае двадцать языковых моделей, а в России – полторы …и многое другое. Запись уже доступна на YouTube-канале “Визионеров”. Смотрите и решайте, на чьей вы стороне – алармистов или технооптимистов.

Почему AI в фитнесе питании всё ещё оверхайп - и как настроить его правильно Решил поделиться длительным опытом интеграции LLM в тренировочный процесс и ЗОЖ. За последний год я изучил этот вопрос с разных сторон: от обсуждения тренировок с LLM до разработки AI-приложений. Сегодня делюсь инсайтами. Спойлер: прямо сейчас 90% приложений с AI - тупая выкачка денег за иллюзию пользы. Но если подойти к делу с умом, ваша подписка на LLM их заменит и превзойдет. Разберем два главных направления: питание и планирование нагрузок. 1. Подсчёт калорий по фото Практически каждый современный трекер (MyFitnessPal, FatSecret, Garmin и.т.д.) встроил фичу: «сфоткай тарелку — получи КБЖУ». В чём проблема: - Специализированных моделей почти нет. В большинстве сервисов под капотом сидит обычная LLM, которая чаще занижает каллорийность. В итоге вместо легкого дефицита вы улетаете в жёсткую яму (что чревато срывами), а при работе на профицит - сидите в дефиците. - Проблема с фото. Чтобы специализированная модель хотя бы приблизительно угадала вес и состав, нужен идеальный свет, понятный масштаб и фиксированный размер тарелки. В реальной жизни люди фоткают как придется. - Иллюзия экономии времени. Большая точность достигается там, где вас просят после фото дописать текстом, что вы ели. Но тогда теряется весь смысл: проще взвесить все на весах за те же 2 мин. 2. AI-тренеры внутри приложений С планированием тренировок есть две базовые схемы: - Жесткие формулы (Garmin и др.). В 9 из 10 случаев их рекомендации адекватны, но не знают ваших целей и контекста. - Экспорт данных в стороннее приложение с LLM. Возникают проблемы экономики и управления контекстом. Чтобы модель дала качественный план, ей нужна куча данных: - Цель и фаза текущего тренировочного блока. - Саммари тренировок за прошлую неделю и динамика ключевых метрик (HRV, RHR). - Планируемая нагрузка + телеметрия за последние 3 дня. Легкие модели под капотом приложений тупо не периваривают это и путаются в цифрах,а полновесные GPT или Gemini руинят экономику разработчика. В итоге любой чат с AI в обёртке фитнес-аппы втирает вам дичь, которая совпадает с реальностью только на 60–70%. Как тогда правильно использовать LLM для тренировок? Шаг 0. Изучите базу Перед тем как идти к LLM, изучите метрики, важные для вашего спорта и как они реагируют на стресс/недосып. Вы должны быть подкованы в теме, чтобы: А) Не тратить контекст на лекции от модели. Б) Понимать реальное состояние тела до того, как откроете чат. Вариант 1: Разделение контекста в вашей личной подписке Используйте свою подписку на LLM и разведите задачи по разным чатам: - Чат 1 (Оперативный): Только динамика HRV/RHR за 3 дня + телеметрия конкретной тренировки (лучше цифрами/текстом, а не скринами). - Чат 2 (Стратегический): Таблица HRV/RHR за месяц, сводка типов нагрузки, текущие профильные метрики (например, FTP и VO2Max для вела) + цели прошлого и следующего блоков. Вариант 2: Кодинговый агент + MCP (Garmin / Strava) Самый правильный и продвинутый путь. Вы один раз собираете skill для агента, подключаете нужный MCP, настраиваете локальное сохранение контекста в файлы и дальше общаетесь как с персональным тренером. Контекст контролируется идеально, ручного копипаста - ноль. Но нужен запар на первичную настройку. Два совета для обоих сетапов: - Сообщайте инфу про свое субъективное самочувствие. Обязательно скормите модели информацию о том, как вы себя чувствуете прямо сейчас (тяжесть/стресс/плохой завтрак). ЦНС часто дает более точный сигнал, чем датчики часов, которые ещё не успели отловить сбой. - Не навязывайте модели своё мнение. Если вы напишете: «Я сегодня устал, давай отменим интервалы?» - LLM с вероятностью 99% поддакнет. Дайте ему 2–3 альтернативы, попросив сделать объективный выбор. Так вы снизите риск перетрена и травм практически до нуля и получите действительно рабочий инструмент. Если вам интересна тема сетапа кодингового агента - накидайте огонечков, распишу отдельным постом.

Хочешь разбогатеть - спроси меня как Я несколько раз читал классную бизнес-книгу, понимал, насколько она крута и полезна, что-то даже применял на практике, но 90% советов пропадали зря – сейчас не пригодились, а к тому моменту как понадобится, я все уже забыл. #стартапдня The GTM Co-Founder хочет, чтобы знания приходили вовремя. Это восемнадцать .md-файлов с описанием “бизнес-мудрости” и правильных подходов к развитию стартапа – в основном с фокусом на B2B и ранних стадиях. Инструкции кладутся в папку со скилами Claude Code, Cursor или любого другого агента. Основатель работает как работал, а когда в переписке всплывает «не знаю, сколько брать за подписку», AI использует правила из GTM и отвечает с их учетом. Вы скажете, что знания, которые есть в нейросети изначально, ничем не хуже авторских, Claude и так неплохо отвечает на любой вопрос. Стартап о возражении тоже знает и заявляет несколько преимуществ, существенным из которых мне видится одно. После установки GTM проводит интервью основателя о сути и текущем положении его бизнеса. Результаты хранятся в файле и подтягиваются в следующих сессиях – и тут-то и возникает новое качество ответов. Понятно, что и это можно сделать своими руками “Claude, задай мне серию вопросов…”, но большинство ж так не делает, и им новый скилл реально помогает. Распространяется всё это бесплатно, лицензия MIT, можно использовать как угодно. Автор продвигает так свой платный консалтинг – честно говоря, не думаю, что The GTM Co-founder одобрил бы эту схему. https://gtmcofounder.com/ #ирландия #ai #насвои

Подписчица однажды спросила меня, как мотивировать детей учиться, когда все школьные домашки за минуту решаются ИИ. Я раз пять садился писать пост, но каждый раз стирал. Потому что я не знаю. И никто не знает: даже университетское образование безнадёжно отстаёт от всё убегающей вперёд реальности Ясно только, что: 1. Надо мотивировать учиться самим. Да, ИИ может решить всю школьную программу, но её суть не в том, чтобы сдать экзамены, а в том, чтобы научиться думать. 2. От ИИ уже никуда не деться. Бесполезно запрещать его применять, пытаться детектировать в решениях, и так далее. Это приведёт только к тому, что дети научатся лучше прятать его применение. Но зато можно попробовать сделать процесс обучения более интересным с ИИ. Пусть он объяснит задачу по математике на примере любимого вида спорта ребёнка. В режиме голосового общения с ИИ можно попробовать учить стихи. Можно генерировать картинки для лучшего запоминания материала или просто ради забавы: пусть исторические персонажи летают на космических кораблях или сражаются волшебными палочками, если это поможет запомнить материал И совершенно точно нужно как-то учить детей осмысленно пользоваться ИИ: проверять материал, находить недостатки. Это навык, который точно нужен в современном мире и скорее всего будет ещё некоторое время актуален. Навык проверки информации вообще полезен, из какого бы источника она ни происходила А какие мысли у вас? Если в подписчиках есть родители, как вы подходите к обучению детей?

✔️ Kimi поймали на следах Claude: модель могла обучаться на его скрытых рассуждениях Исследователи нашли способ восстанавливать зашифрованные reasoning-блоки закрытых моделей и решили проверить, помнят ли другие LLM эти скрытые цепочки. Самая сильная аномалия оказалась у Kimi-K3. Если дать Kimi начало конкретного рассуждения Claude, модель продолжает его намного точнее, чем другие LLM. В некоторых тестах разница доходила примерно до шести порядков. На примере с Opus 4.8 это видно особенно хорошо: Kimi получает несколько первых токенов скрытого reasoning и дальше идёт почти по той же логике решения. Без этой подсказки рассуждает иначе. Это ещё не доказательство того, что Moonshot напрямую использовала приватные данные Claude. Но выглядит так, будто Kimi могла видеть похожие скрытые траектории во время обучения. Модель могла перенять сам способ решения задач. https://x.com/kotekjedi_ml/status/2087147093735714919 #AI #Kimi #Claude #LLM

Как научить рекомендательную систему думать не о следующем лайке, а обо всей сессии? В классических рекомендациях модель обычно оптимизирует ближайший сигнал: клик, лайк, дослушивание. Но каждое действие меняет состояние пользователя. Хорошая рекомендация сейчас может привести к плохому продолжению сессии — и наоборот. AI VK Research попробовали решить эту задачу через Reinforcement Learning. Рекомендации формулируются как RL-задача: пользователь — environment, модель — agent, рекомендация — action, а реакции пользователя становятся reward. Главная сложность — обучаться приходится на логах старой модели. Авторы используют REINFORCE с многошаговой off-policy коррекцией, чтобы учесть разницу между поведением старой и новой политики и при этом не получить взрыв дисперсии. В экспериментах подход улучшил оценку долгосрочной сессионной награды без существенной потери стандартных метрик рекомендаций. Источник: https://habr.com/ru/companies/vk/articles/1068050/ #AI #Recsys #MachineLearning #RL

Матрица уже здесь? 😆 Пришла моя любимая тема симулякров в тренд. Вместо пары сотен тестировщиков – миллиарды виртуальных пользователей со своими характерами, привычками и тараканами. Всё в одной инфраструктуре – MatrAIx ⚠️ Что внутри: - 8,3 млрд персона-профилей - 1 290 характеристик на каждого - 1 010 сценариев в 25+ сферах (от софта до медицины) - 4 среды: опросы, чаты, веб, приложения - ~1 млн открытых персон для исследований Авторы прогнали 18 189 испытаний на GPT‑5.5, Claude Opus 4.8 и Claude Haiku 4.5. В 91,5% случаев поведение виртуалов точно соответствовало заданным чертам. Не иллюзия, а симуляция. Суть простая: хочешь проверить новую цену, задержку ответа или интерфейс – опрашивай не сотню живых людей, а миллионы цифровых двойников. И получай статистику, которая раньше требовала космических бюджетов. Такой вот офф-лайн АБ тест 😜 Это не просто тестирование – это шаг к полноценным симуляциям общества. Цифровые клоны человечества уже среди нас. 🆒 📄 Paper: https://huggingface.co/papers/2608.04205

Интересное про ChatGPT как продукт. Если кто не знал, вся AI индустрия держится на двух китах - OpenAI и Anthropic, на которые по разным оценкам (Wells Fargo, Barclays и др.) приходится 85-90% всего мирового спроса на AI компьют! И 70%+ AI выручки гиперскейлеров - тоже от них. А не от собственных AI продуктов, у которых есть фантастические возможности дистрибьюции (как у Майкрософта например). ChatGPT - главный consumer продукт всей индустрии, поэтому по его трендам можно делать какие-то выводы обо всем мировом genAI. 1️⃣ Многие заметили, что с недавних пор Револют на своих тарифах бесплатно предлагает подписку ChatGPT Go вместо Perplexity. Нередко компании делают так, чтобы в отчетности увеличить число юзеров платных тарифов. Например Perplexity их считал как платных, но на бумаге была строка Discounts and Refunds с большим убытком, почти в половину выручки! (в этом посте есть картинка с примером отчетности). 2️⃣ Но самое интересное, что в начале года OpenAI планировало падение числа $20/m подписчиков Plus с 44 млн до 9 млн! (the information) При этом число более дешевого тарифа Go должно было вырасти с 3 млн до 112 млн. И это должен быть самый быстрый в истории рост базы платных подписчиков. Сначала OpenAI стал раздавать Go бесплатно в Индии, потом были еще акции (Shopee и др.), а сейчас дело дошло до 75 млн клиентов Революта - теперь каждый из них может по сути бесплатно пользоваться Go. 3️⃣ Аналитики пишут, что такие сложности, да и сам новый тариф Go потребовались, потому что ретеншн на Plus за $20/мес уж очень плох, и даже общее число стало падать. Поэтому придумали такой витиеватый план показать бурный рост юзеров платных тарифов. Кстати по майским инсайдам The Information конверсия из бесплатного в платный, когда были только Plus/Pro - 2,58%, а с появлением Go уже почти 6% - я об этом писал, что у революционного технологического продукта не может быть конверсия в платного на уровне плохих бенчмарков b2c. А саму конверсию я посчитал точно - 2-3%, почти полтора года назад. 4️⃣ OpenAI не смог достичь собственных прогнозов на 2025 год в 1 млрд WAU у ChatGPT, даже к лету 2026 число пользователей растет крайне медленно. Я тоже писал, что ChatGPT больше некуда расти - просто нет столько людей в мире. А значит и сложно впечатлять инвесторов ростом выручки. 5️⃣ Есть прикольное жопокрутство от OpenAI: про b2b юзеров компания пишет paying business users, а про b2c - просто consumer subscribers. То есть там очевидно есть те, кто пользуется Go или другими тарифами, но не платит. При этом техкранчи и рейтерсы пишут сразу про всех paid users. Ну да, это же мелочи (нет). 6️⃣ Короче говоря, самый популярный из AI продуктов и единственный AI продукт среди популярных, ChatGPT - сталкивается со своими сложностями. Считаю, что все, кто как-то планирует бенефициировать на AI, должны следить за динамикой ChatGPT и его метриками. Потому что у остальных горизонтальных AI продуктов они почти всегда хуже 🥲 @kyrillic

🧠 Новый большой обзор по self-evolving AI-агентам: как понять, что агент действительно стал лучше после изменения самого себя? Авторы работы *Diving into Reliable Self-Evolving Agents* систематизировали исследования по агентам, которые умеют менять собственные промпты, память, инструменты, стратегии и даже части архитектуры. Внутри сразу несколько полезных вещей: * taxonomy уровней эволюции от L0 до L4; * reliability ladder для проверки того, можно ли доверять очередному self-update; * открытый каталог из 549 работ по теме; * разбор того, какие доказательства вообще нужны, чтобы считать новую версию агента лучше предыдущей. Особенно важный принцип: обновление не должно само контролировать единственное доказательство собственной успешности. Если агент изменил себя, а затем сам же решил, что стал лучше, это почти ничего не доказывает. Нужна независимая проверка: внешние evals, отдельный verifier, контрольные среды или другие механизмы, которые сам update не может подменить. 📄 Paper: https://openreview.net/forum?id=CGO1hDTHNe 🌐 Project: https://wkqdzkd.github.io/Awesome-Reliable-Self-Evolving-Agents/ 💻 GitHub: github.com/wkqdzkd/Awesome-Reliable-Self-Evolving-Agents #AI #Agents #SelfEvolvingAgents #LLM #Research