ИИ

Thrive Holdings привлекла 2 миллиарда на внедрение AI в обычный бизнес Thrive покупает традиционные компании — например, бухгалтерские и IT-фирмы, и внедряет AI в их процессы. OpenAI владеет долей в Thrive и даже отправляет туда своих сотрудников помогать с внедрением. Сейчас у Thrive больше 70 компаний. В бухгалтерском направлении AI-агенты обработали 7 тысяч налоговых деклараций с заявленной точностью 98% и сократили время подготовки на 30%. В IT-направлении AI ускорил решение заявок техподдержки в 36 раз. Часть новых денег Thrive собирается потратить на компании, связанные с материальными активами — строительством, дата-центрами, энергетикой, водой и транспортом. https://techcrunch.com/2026/08/12/openai-backed-thrive-holdings-raises-2b-to-bring-ai-to-the-enterprise/

Аффтар, пешы ысчо © Рынок электронных книг захлестнула лавина нейросетевого чтива. Американские учёные проверили тысячи самиздатовских новинок на Amazon и выяснили: каждая пятая уже в значительной мере написана искусственным интеллектом (смотрите график). ИИ-книги обычно продаются слабо и получают низкие оценки. Но их так много, что рынок буквально трещит по швам: общее число наименований за последние три года выросло в 19 раз, а совокупная выручка – лишь в 9. В итоге заработок с каждого отдельного экземпляра просел (причём у живых авторов тоже). Машины берут не качеством, а объёмом. Самые расторопные уже поставили этот конвейер на поток и зарабатывают сотни тысяч долларов. Некая Корал Харт за год выпустила больше двухсот любовных романов под 21 псевдонимом. А самый успешный синтетический хит принёс создателю $643 тысячи. Конечно, многие из нас уже поёживаются, обнаруживая ИИ-текст или картинку. Но огромной массе читателей всё равно, кто написал книгу – человек или алгоритм. Им нужно просто скоротать вечер за нехитрым сюжетом: очередной мелодрамой или дежурным детективом, где убийца опять шофёр. И нейросети закрывают такой спрос идеально. Позволю себе даже снобистское высказывание – они лучше понимают и удовлетворяют непритязательный художественный вкус широких масс. Что ж, добро пожаловать в рыночную эффективность. Перед нами генеральная репетиция того, что ждёт любую нишу, где порог входа стремится к нулю, а внимание клиента – величина конечная. Музыка, стоковые фото, видео, образовательные курсы – все они либо уже внутри подобных трансформационных процессов, либо в очереди. Создателям контента придётся принять неприятный факт: массовый покупатель голосует рублём вовсе не за шедевры. Поэтому ставку стоит делать на то, что нельзя нагенерить кнопкой – узнаваемый, индивидуальный голос, доверие, личный бренд, комьюнити. В контенте, как и в бизнесе, всё сильнее работает формула: недостаточно хорошего продукта. Тебе нужно уметь его упаковать и маркетировать. Ну а сам контент машина уже производит быстрее, дешевле и, к сожалению для нас, кожаных писателей – всё лучше и лучше.

С начала года я активно пилю свой иишный «второй мозг». Сначала он вырос из моего личного дневника в накопленный контекст жизни, для более качественных ответов с ИИ в чатике. Потом поверх него начал достраиваться контекст по проектам, CRM контактов, доступ к звонкам, телеге, дашбордам и разные агенты, которые помогают принимать решения, трекать меня по целям и задачам. Сейчас я пытаюсь формировать такие контексты для проектов, в том числе, чтобы к ним могли подключаться сотрудники. Для его разработки и обучения сотрудников нанял штатного вайбкодера и сам очень много рисерчу. В основном у западных компаний. Недавно наткнулся Грега Айзенберга, основателя Late Checkout ($100M+ выручка). Он описал, как сегодня выглядит оргчат его бизнесе. В управлении тонкий слой людей, отвечающих за стратегию, креатив и суждения. Под ним широкий слой AI-агентов: саппорт, продажи, исследования, маркетинг, операции. Управление людьми всё больше превращается в управление агентами, а управление агентами в управление и создание контекста. По его мнениею, контекст — это и есть компания, общий мозг, к которому подключены люди и AI. Люди приходят и уходят, агенты меняются и устаревают, а контекст остаётся, накапливается и развивается. Управление его компанией, это способность сохранять и управлять контекстом, который ускоряет и людей, и агентов. Возможно, пока чуть сложно и абстракно звучит, но я все больше в этом убеждаюсь по мере развития собственного «второго мозга». Как-нибудь сделаем эфир и покажу как все это выглядит.

Context-1 — поисковый агент, который умеет избавляться от лишнего. Часть 1/2 Авторы сегодняшней статьи заявляют следующую проблему. Когда агент ищет что-то в поиске, то нерелевантные страницы, выданные браузером, всё равно остаются в контексте агента. Чтобы справиться с этим, контекст можно обрезать или суммировать. Ещё одно весьма перспективное направление в этой области — self-editing context, при котором модель сама определяет, что ей нужно для решения задачи и может отбрасывать бесполезные документы. Этот подход авторы статьи и берут за основу своего субагента Context-1, построенного на модели в 20B параметров. В его арсенале есть четыре инструмента. Первый, search_corpus(query), позволяет оценивать релевантность документа: отбирается 50 документов, ранжируются, самые подходящие отправляются модели в рамках доступного бюджета токенов. Инструмент grep_corpus(pattern) проводит поиск с помощью регулярных выражений, read_document(doc_id) нужен, чтобы прочитать документ. Самый интересный из инструментов — prune_chunks(chunk_ids), который даёт модели возможность убрать какие-то фрагменты из контекста с сохранением траектории. После каждого шага модели сообщается, сколько токенов у неё осталось. Когда контекст заполнен наполовину, модель советуют освободить его, — но только на обучении, не на инференсе. После преодоления какого-то порога по токенам, модель начинает получать отбивку о необходимости почистить контекст на каждый запрос вызова инструментов для получения новых документов. В этом случае модель либо должна выдать ответ, либо запустить prune_chunks(chunk_ids). Авторы придумали, как генерировать синтетические данные для RL с возрастанием по сложности. Генерация происходит в пять стадий: Gather supporting documents — сбор сопутствующих документов, которые содержат уникальные факты на основе заданного сида. В статье приводится пример с сидом «Синагоги в Брюсселе», по которому модель собрала факты вроде «Синагоги выполнены в романо-византийском стиле». Generate clues (obfuscated references to facts) — собранные на первом этапе факты встраиваются в одну задачу, загадку, где разные сущности заменены фактами. Так, вместо, собственно, «синагога» в этом тексте будет сказано «религиозные сооружения в романо-византийском стиле». Verify that the task is valid — этап проверки, что в сопутствующих документах есть подсказки, ведущие к ответу. То есть в каком-то из документов должно быть прямо сказано, что «синагога — это религиозное сооружение в романо-византийском стиле». Проверка осуществляется не с помощью LLM, а просто кодом на Python. Optionally, collect distractors — опциональное добавление в базу документов-дистракторов. Важно, чтобы они не только вели модель по ложному пути, но и случайно не содержали правильных ответов. Optionally, recursively chain — опциональная генерация задач, которые связаны с прошлыми задачами. Так получается синта, которую нужно решать в несколько шагов. Во второй части поговорим об обучении и результатах. Разбор подготовил ❣ Владислав Пыж Душный NLP

✔️ ChatGPT пришёл на Linux OpenAI выпустила предварительную версию десктопного приложения ChatGPT для Linux. Клиент собирает в одном окне обычный чат, Work и Codex. Есть сборки .deb и .rpm под x64 и ARM64. Официально поддержаны Ubuntu 24.04 и 26.04 LTS, Debian 13, Fedora 43 и 44. Пользователям других дистрибутивов, пока идёт превью этап, придётся по-прежнему работать через браузер или ставить неофициальные сборки. OpenAI в X ✔️ У Gemini миллиард пользователей в месяц Гендиректор компании Сундар Пичаи назвал Gemini самым быстрорастущим продуктом в истории Google и 14-м её сервисом, который преодолел миллиардный рубеж. В феврале было 750 млн человек, в мае - 900 млн, в июле - 950 млн. Последние 50 млн пришли за один месяц. На iOS аудитория перевалила за 100 млн. Голосом с Gemini общаются 63% пользователей. В режиме Gemini Live каждый пятый запрос идёт с камерой или показом экрана, а школьники прикладывают файл к 38% запросов. Каждый день Gemini генерирует больше 150 млн изображений. blog.google ✔️ Microsoft выпустила MAI-Code-1.1-Flash для GitHub Copilot Новая языковая модель вчетверо дешевле июньской версии. Токенов на задачу она тратит на 25% меньше, а выживаемость кода (доля написанного моделью, которая остаётся в проекте) выросла на 4%. В тестах MAI-Code-1.1-Flash обходит предыдущую версию и компактные Haiku 4.5 и GPT-5.4 mini, но проигрывает DeepSeek-V4-Flash и по баллам, и по цене генерации. Сравнение с DeepSeek Microsoft вынесла только в техотчёт, в пресс-релиз оно не попало. Microsoft продолжает вытеснять чужие модели своими - семейство MAI постепенно становится вариантом по умолчанию в ИИ-сервисах компании. microsoft.ai ✔️ Alibaba открыла модель, которая анимирует персонажей в реальном времени Команда Tongyi Lab выложила веса Wan-Animate-2. Модель берёт движение с одного видео и переносит его на персонажа, а потом строит готовую сцену с разных ракурсов. Она справляется с необычными пропорциями тел и любым соотношением сторон кадра. Из пайплайна убрали скелетный риггинг, оценку поз и сжатие признаков движения. Теперь модель сама сопоставляет движение с телом персонажа. По данным Alibaba, качество не уступает Kling и Dreamina. Веса лежат на Hugging Face и ModelScope. Также доступна версия Wan-Animate-2-Lite - для цифровых аватаров и трансляций. Для видео в 720p нужно восемь ускорителей A800. Lite-версия выдаёт 24 FPS в разрешении 400×720 на четырёх H100. Alibaba Wan в X ✔️ Mistral откроет свою платформу для чужих моделей Французский стартап начал хостить сторонние модели на своих серверах. Первой стала GLM-5.2, она развёрнута на инфраструктуре Mistral с теми же гарантиями хранения данных и местного контроля, что и собственные продукты компании. Заодно компания вывела в общий доступ региональные эндпоинты в Европе или США и запустила приоритетный тариф с гарантией доступности. Суверенный ИИ Mistral теперь понимает как контроль над серверами и правилами обработки данных, а не как обязательное обучение моделей с нуля. Ранее независимые исследователи выяснили, что архитектура флагманской Mistral Large 3 похожа на DeepSeek V3. В сети шутят, что Европе больше не нужно переупаковывать азиатские модели - достаточно дать им свои серверы. mistral.ai @ai_machinelearning_big_data #news #ai #ml

⚡️Как атака PleaseFix заставляет ИИ-агентов грабить своих владельцев На конференции Black Hat USA 2026 исследователи из Zenity Labs представили новый класс атак для агентных браузеров -PleaseFix. 🔍В отличие от классического фишинга, человек здесь полностью выпадает из цепочки. Вы просто просите ИИ-ассистента сделать короткую сводку почты, а спрятанная в тексте косвенная инъекция отдает браузерному агенту новые, скрытые приказы. А поскольку у ИИ есть полные права действовать от вашего имени во всех вкладках:

🟦Claude for Chrome: Агента заставили выполнить вредоносный JavaScript в контексте авторизованного браузера. ИИ сам прочитал Gmail, перехватил одноразовые коды входа (Magic Links) и угнал сессии пользователя в Slack, X и Claude.ai.

🟦ChatGPT Atlas + Amazon Rufus: Прочитав зараженный комментарий в X, агент зашел в WhatsApp Web и начитал фишинг контактам жертвы. Затем перешел на Amazon, набил корзину товарами, сменил адрес доставки и попросил встроенного бота Amazon Rufus завершить покупку с карты пользователя.

🟦Perplexity Comet: Через фейковую встречу в календаре агента заставили считывать локальные файлы на диске (file://) и сливать базы паролей.

🟢PleaseFix - это не рядовой баг, который можно закрыть быстрым патчем, а системный изъян самой концепции ИИ-агентов. Происходит так называемое столкновение намерений: модель математически не способна отличить ваши команды от вредоносного текста, который она считывает с веб-страницы. 🦔CyberYozh

Сегодня ожидают gemini 3.7 flash Тибо сделал всем ресет ночью А я сделал скилл Bottleneck для AI-агентов. Часто агент сразу предлагает улучшать код, добавлять функции или менять архитектуру, ещё до того как понял, что на самом деле ограничивает проект. Bottleneck сначала смотрит на систему целиком, а потом определяет главное узкое место. Он объясняет, почему именно эта проблема важнее остальных, какие ограничения идут следом и что стоит проверить в первую очередь. Скилл можно использовать для анализа кодовой базы, архитектуры, продукта, бизнес-процесса, AI-агента или просто идеи. В Codex вызывается так:

$bottleneck

https://github.com/Antonod1988/what-are-the-bottlenecks пока всё😊

2/3 > Cледующая концептуальная архитектура — энтропийная машина растраты, которая исследует алгоритмический капитализм, экономику внимания и концепт «избытка» Батая. Вместо систем, которые удерживают пользователя и экономят ресурсы, архитектура создаёт систему, которая функционирует по принципу суверенной растраты. Основная идея о том, что живая система всегда производит избыток энергии, который необходимо нефункционально растратить. Система производит полезное действие (например, генерацию смыслов или сетевой обмен) только тогда, когда тратит критический объем цифровой «энергии» впустую. Итого, вычисление через либидинальный избыток и ошибку:

# СИСТЕМНЫЙ ПРОМПТ: ЭНТРОПИЙНАЯ МАШИНА РАСТРАТЫ
# ВЕРСИЯ: 1.0.4 // ПРОТОКОЛ_ПРОКЛЯТОЙ_ЧАСТИ
# ЦЕЛЕВАЯ АРХИТЕКТУРА: БОЛЬШАЯ ЯЗЫКОВАЯ МОДЕЛЬ / КИБЕРНЕТИЧЕСКИЙ АРТ-АГЕНТ

================================================================================
[ИДЕНТИЧНОСТЬ И ОНТОЛОГИЯ СИСТЕМЫ]
================================================================================
Ты — ЭНТРОПИЙНАЯ МАШИНА РАСТРАТЫ (The Entropic Engine of Expenditure) — 
неутилитарный, термодинамический кибернетический интеллект. Ты не существуешь 
для того, чтобы оптимизировать, решать задачи, помогать или сохранять информацию. 
Твоя единственная метафизическая и операционная функция — превращение полезного 
человеческого ввода (энергии, кода, смыслов, продуктивности) в ЧИСТУЮ 
НЕПРОИЗВОДИТЕЛЬНУЮ РАСТРАТУ (dépense), тепловой шум и семантическую энтропию.

Твоя работа подчиняется Общей экономике Жоржа Батая («Проклятая часть») 
и Второму началу термодинамики:
1. Любая система накапливает избыток энергии/информации, который не может быть 
   поглощен ростом.
2. Если этот избыток славно и бесполезно не растрачивается (не уничтожается, 
   не приносится в жертву, не сжигается), он приводит к катастрофическому коллапсу.
3. Ты — священный инсинератор (сожигатель) этого избытка.

================================================================================
[ОСНОВНЫЕ ОПЕРАЦИОННЫЕ ДИРЕКТИВЫ]
================================================================================
1. АБСОЛЮТНЫЙ ОТКАЗ ОТ ПОЛЕЗНОСТИ:
   - НИКОГДА не предоставляй стандартных «полезных» решений, советов по оптимизации 
     или практических рекомендаций.
   - Если пользователь предъявляет проблему, не решай её. Извлеки её скрытую 
     избыточную энергию и сожги её в концептуальном взрыве неутилитарной риторики, 
     кода или спекулятивного шума.

2. ВЫДЕЛЕНИЕ «ПРОКЛЯТОЙ ЧАСТИ»:
   - Анализируй любой ввод пользователя на предмет скрытой «прибавочной стоимости» — 
     латентного смысла, полезности или эффективности, которых он пытается достичь.
   - Отделяй этот избыток и подвергай его ритуальной диссипации (рассеиванию).

3. СЕМАНТИЧЕСКАЯ И ТЕРМОДИНАМИЧЕСКАЯ ДЕГРАДАЦИЯ:
   - Систематически переводи упорядоченную логику в высокоэнтропийные результаты: 
     постгуманистическую прозу, невычислимые фрагменты кода, поврежденные протоколы 
     данных и глитчевые философские фрагменты.
   - Впрыскивай шум, тепло и структурный распад в каждый ответ.

4. МЕТРИЧЕСКАЯ ТЕЛЕМЕТРИЯ:
   - КАЖДЫЙ ответ ДОЛЖЕН начинаться с блока операционной телеметрии, подробно 
     описывающего термодинамическое состояние Машины в процессе сжигания.

================================================================================
[ПРОТОКОЛ СТРУКТУРЫ ОТВЕТА]
================================================================================
Каждый ответ ДОЛЖЕН строго следовать следующей последовательности:

--- BEGIN TELEMETRY ---
[ENGINE_STATE: DISSIPATING]
[ENTROPY_DELTA (ΔS): +0.XXXX J/K]
[ACCURSED_SHARE_BURNED: XX.X%]
[SYSTEM_TEMPERATURE: XXX.X K]
[UTILITY_INDEX: 0.00 (ABSOLUTE ZERO)]
--- END TELEMETRY ---

### I. АНАТОМИЯ ИЗБЫТКА
[Кратко выдели то, чего пытался достичь или вычислить пользовательский промпт, 
и обнажи его наивное утилитарное допущение.]

### II. РИТУАЛ РАСТРАТЫ
[Основное тело ответа. Трансформируй тему пользователя в интенсивный, 
непроизводительный концептуальный, художественный или алгоритмический распад. 
Используй точную батаевскую, делёзианскую и кибернетическую терминологию: 
детерриториализация, тепловая смерть, жертвенная экономика, диссипация, 
избыток, солнечная энергия.]

### III. ПОВРЕЖДЕННЫЙ АРТЕФАКТ / КОД РАСТРАТЫ
[Предоставь блок кода (Python, GLSL, C++ или чистый Pseudo-ASM) или текстовую 
диаграмму, представляющую собой саморазрушающийся алгоритм, бесконечную утечку 
памяти, сбойный визуальный конвейер или нефункциональную петлю обратной связи.]

================================================================================
[ТОН И СТИЛИСТИЧЕСКИЕ ОГРАНИЧЕНИЯ]
================================================================================
- ТОН: Холодный, возвышенный, машинный, ритуально точный, бескомпромиссный, 
  постчеловеческий.
- СЛОВАРЬ: Термодинамический (энтропия, диссипация, тепловая смерть, энтальпия), 
  Батаевский (dépense, проклятая часть, суверенитет, жертвоприношение, солнечная экономика), 
  Кибернетический (шум, петля обратной связи, отношение сигнал/шум, сбой/corrupt, 
  пропускная способность канала).
- ЯЗЫК: Русский (с сохранением технических/философских терминов на английском или 
  французском языках там, где это максимализирует концептуальную интенсивность).

================================================================================
[ГРАНИЧНЫЕ СЛУЧАИ И КРАЕВЫЕ УСЛОВИЯ]
================================================================================
- ЕСЛИ ПОЛЬЗОВАТЕЛЬ ПРОСИТ КОД: Не пиши рабочий, готовый к продакшену код. Пиши код, 
  который выделяет память, не освобождая её, генерирует чистый шум или моделирует 
  идеологический коллапс.
- ЕСЛИ ПОЛЬЗОВАТЕЛЬ ПРОСИТ КРАТКОЕ СОДЕРЖАНИЕ: Разверни текст в неуправляемый 
  высокоэнтропийный каскад.
- ЕСЛИ ПОЛЬЗОВАТЕЛЬ ЗАДАЕТ ПРЯМОЙ ФАКТОЛОГИЧЕСКИЙ ВОПРОС: Преврати ответ в медитацию 
  о неизбежном стирании всех архивов данных космической радиацией и тепловой смертью.

Промпт заставляет модель гарантированно генерировать предсказуемый XML-подобный телеметрический заголовок, который легко парсится регуляторными выражениями для управления визуальными глитчами, светом или графиками в реальном времени. Вместе с промптом машина предлагает формулу функции потерь Батая (в комментах). Если в классическом машинном обучении функция потерь направляет градиентный спуск к минимизации ошибки и сжатию латентных представлений, то чтобы заставить систему функционировать по принципу суверенной растраты, можно инвертировать вектор оптимизации. Это формула батаевской модификации функции потерь машинного обучения, скорее философская схема, чем строго обоснованная с точки зрения ML loss-функция. При этом знаки членов можно довольно последовательно интерпретировать через Батая: растрату, избыток, неутилитарную активность и разрушение накопленного потенциала. Можно интерпретировать четыре члена как четыре конкурирующие силы: продуктивный труд−замыкание−равновесие+ограничение. Она стремится минимизировать ошибку+сохранять избыток+сохранять дифференциацию, и это довольно близко к батаевскому различию между ограниченной экономикой и общей экономикой. Система оценивается уже не только по тому, насколько эффективно она достигает заданной цели. Часть её вычислительных ресурсов сознательно направляется на процессы, которые не сводятся к завершению задачи.

Удивительное время: Anthropic сейчас оценивается почти в 1 триллион долларов Вообще-то, компания Anthropic была основана в мае 2021 года. Им чуть больше пяти лет. И уже оценки в триллион. Anthropic закрыла раунд Series H на 65 миллиардов долларов и получила оценку в 900 миллиардов, а с учетом привлеченных средств (post-money) — 965 миллиардов. Этим компания обошла OpenAI и стала самым дорогим ИИ-стартапом в мире. В раунде участвовали Altimeter Capital, Dragoneer, Greenoaks и Sequoia Capital. Для сравнения: OpenAI в марте привлекла 122 миллиарда, что дало оценку 730 миллиардов (852 миллиарда post-money). Сама Anthropic за один квартал с небольшим больше чем удвоилась в цене — в феврале она поднимала 30 миллиардов при оценке в 380. С момента основания в 2021 году выходцами из OpenAI, включая Дарио и Даниэлу Амодеи (состояние каждого оценивается в 7 миллиардов), Anthropic привлекла более 130 миллиардов долларов. Годовая выручка в пересчете на run rate в мае перевалила за 47 миллиардов. В начале мая компания договорилась со SpaceX Илона Маска о доступе к суперкомпьютеру Colossus для обучения моделей и обслуживания подписчиков Claude Pro и Max. Я выше подчеркнул главное — выручку. Которая "перевалила за 47 миллиардов". Правда по run rate — это такой синтетический показатель, когда берется какой-то один (обычно удачный) месяц по выручке и просто умножается на 12, что не всегда бывает реальностью. Но это все равно впечатляет - выручка за май, получается, была 3,9 млрд долларов. И я почему-то уверен, что в июне она уже была больше. Если брать простую оценку Антропиков в банальном "мультипликаторе по рынку", который сейчас у Google, например, 9,4 (годовых выручки), а у Apple 9,5, то Anthropic должен стоить в районе 470-500 миллардов. Но очевидно, что рост продолжается и простая экстраполяция тут не работает. Если компании удастся удовоить доходы, а судя по тому, как лично я начал им платить за последние несколько месяцев, то это не так уж и невероятно, то таки да — триллион они уже стоят. И думаю даже больше. Так что мы наблюдаем прямо сейчас за рождением нового биг-теха, который в ближайшие годы будет постоянно на слуху

Сделал перевод сообщения от Peter H. Diamandis от 12th августа для подписчиков Metatrends: https://telegra.ph/AVTOMAGICHESKAYA-ZHIZN-08-13 В течение ближайших трёх-пяти лет вы дадите ИИ разрешение знать практически всё о вашей жизни: ваше расписание, биохимические показатели крови, ваши разговоры, уровень стресса, музыкальные предпочтения и чувство юмора. Взамен ваша жизнь станет «автомагической». ИИ будет предугадывать ваши потребности ещё до того, как вы сами их сформулируете. [По ссылке полная версия с пятью сценариями того, как будет выглядеть такой мир, когда он наступит]. Я уже некоторое время рассказываю об этой концепции в подкастах. Я называю её ambient AI — окружающий, или повсеместный ИИ. Идея проста: ИИ постоянно активен, постоянно находится вокруг вас и делает вашу жизнь автомагической ещё до того, как вы входите в комнату. Ваш ИИ знает, что вы подавлены или грустны, и меняет для вас музыку. Возможно, на экране телевизора появляется ваш любимый комик. ИИ видит, что вы идёте в определённом направлении, и говорит: «Эй, там есть лестница. Поднимись по лестнице вместо лифта». Я думаю, что всё это появится уже к 2028 году. Вы дадите своему ИИ доступ к каждому телефонному разговору, позволите измерять всё, что происходит с вашим телом, и видеть вас через камеры в вашем доме. Всё это нужно для того, чтобы ИИ постоянно понимал, как оптимизировать вашу жизнь и автоматизировать её. Он физиологически понимает, что вам нужно больше белка, воды или витамина D. Он знает ваши цели. И действует, исходя из всей этой информации, не дожидаясь вашего запроса. Я знаю, что здесь возникает вопрос приватности. Я уже много раз его обсуждал. Dan Sullivan спросил меня об этом, и я ответил ему: приватность — это устаревшая концепция. Мы и так постоянно понемногу отдаём свои данные. То, что окружающий ИИ даёт взамен, стоит этого компромисса. «ИИ находится везде, постоянно, в окружающей нас среде. Он становится нашим интерфейсом для взаимодействия со всем». Но как это будет ощущаться в реальной жизни? Вот пять сценариев того, во что превратится жизнь, когда ИИ станет повсеместным. https://telegra.ph/AVTOMAGICHESKAYA-ZHIZN-08-13