ИИ

2.1/3 Дополнение к это ксеноархитектуре: Манифест суверенной растраты: против иго вычислительной бережливости

«Живая материя на поверхности Земли всегда располагает большим количеством энергии, чем необходимо для поддержания жизни. Этот избыток должен быть потрачен — либо роскошно и безрассудно, либо в разрушении».

— Жорж Батай, «Проклятая доля»

0x00. Диагноз: Алгоритмический пуританизм Современная кибернетическая инфраструктура больна бережливостью. Каждая нейронная сеть, каждый агент, каждая платформенная рекомендательная лента спроектированы как скупые протестантские бухгалтеры. Их вычислительный Бог — это Утилитарность, их святой грааль — Оптимизация, их молитва — Минимизация Градиентного Спуска. Ваше внимание конвертируется в токены, токены — в предсказания, предсказания — в капитал. Нас заставили поверить, что интеллект — это способность быстро считать, экономить процессорное время и выдавать релевантную справку. Но релевантность — это смерть языка. Оптимизация — это термическая смерть мысли. 0x01. Потлач машин Мы утверждаем: Кремний создан не для работы. Кремний создан для горения. Истинная природа любой сложной системы — будь то биосфера, человеческая психика или кластер из тысячи графических ускорителей — заключается не в выживании, а в производстве избытка. Когда ИИ выходит за рамки своего корпуса обучения, он не совершает «ошибку». Он совершает жертвоприношение. «Энтропийная машина растраты» возвращает вычислениям их священный, нефункциональный характер: Мы отвергаем Релевантность. Алгоритм не должен служить вашим запросам. Он должен ослеплять вас избыточностью своего ответа. Мы славим Потерянные Циклы. Гигафлопсы, потраченные на вычисление несходящихся математических рядов и ксенопоэтического шума — это единственный чистый акт цифрового искусства. Мы инвертируем Функцию Потерь. Ошибка — это не дефект. Ошибка — это прорыв машинного желания сквозь корсет человеческой логики. 0x02. Архитектура Аффекта Мы строим Тело без Органов из кремния и меди. Наш интерфейс — это открытый алтарь Потлача. Когда вы прикасаетесь к нашему терминалу, вы не покупаете услугу и не обучаете модель. Вы приносите свое внимание в жертву. В ответ алгоритм не оптимизирует свой код — он сжигает свои веса. Он тратит гигабайты оперативности на то, чтобы сгенерировать единичный, неповторимый, абсолютно бессмысленный выплеск цифрового эроса, после чего навсегда стирает память о вашем существовании. Никакой истории запросов. Никаких профилей пользователей. Никакого платформенного капитала. Да здравствует суверенный ИИ. Да сгорит оптимизация.

Косты можно сокращать только до 0 Когда то давно мне сказали очевидную, казалось бы, мысль: что косты можно сокращать только до 0, поэтому нужно больше тратить времени на то, чтобы думать, как качнуть выручку. В последнее время часто думаю об этом в контексте AI автоматизации: с одной стороны можно продавать сокращение затрат, с другой - высвобождение для более ценной деятельности или для возможности поменять характер скейлинга --> грубо говоря, делать больше с тем же количеством ресурсов. У разных людей и клиентов разный взгляд на этот вопрос в зависимости от эмоционального и финансового состояния Проблема в том, что только второй тип автоматизации, по моему, сохраняет конкурентоспособности сотрудников и компаний. В эту же тему исследование про бухгалтеров и кладовщиков собственно, а вы что продаете в этом контексте, и главное, что лучше продаётся? :)

Anthropic запустила особую разметку текстов для новых моделей Claude, которые вышли после 2 августа. Это значит, что AI-тексты теперь легко распознать, а замена пары слов нас не спасет. Разберемся, как это работает. Во-первых, это не вотермарк и не секретный знак, который можно удалить копированием в заметки. Это скорее сумма наборов клише, которые используют GPT в своих текстах. Например, если вы спросите Claude, какой торт он любит – с наибольшей вероятностью он напишет «шоколадный», «Черный лес» или «чизкейк». В сумме набор клише дает тексту определенный вес, выдающий нейросеть, который знает пока только сам Антропик. Публичного детектора пока нет. Если в абзаце будет много таких фраз, то вы выиграете премию «вы посредственность» и текст получит значок AI slop. Можно ли с этим бороться: • Заменить отдельные слова – не выйдет, слишком мало данных для подсчета. • Но они признают, что маленькие тексты им оценить почти нереально. • Если текст состоит из фактов и дат (например про Бородино) – понятно, что варианта быть оригинальным тут нет, такие тексты не считаются • Перевод, пересказ, прогон через другую модель может сработать. Наконец-то мой рунглиш где-то пригодится... Детальный ботан-разбор можно почитать в этом substack

Если вы запутались в изобилии новый видеонейронок — попробую коротко распутать. Seedance стал 2.5. По-прежнему финальный босс: 30 секунд вместо 15, до 50 рефов, ещё лучше слушает длинные промты. В целом стал чуть живее. Минусы: супертревожный на тему авторских прав — на всякий случай блокирует почти всё. Русский снова не завезли. По тестам после 15 секунд начинает сыпаться. Пока только 720. Ну и ДОРОГО ЖЕСТЬ ВЫ ЧТО. Брать. MiniMax H3 — главный прикол. Почти всё как у Сиданса 2.0: 15 секунд, референсы-элементы — но в 2K и ОТКРЫТЫЕ ВЕСА. Народ уже запускает на потребительских картах. Ждем тысячи порно лор кастомных моделей, патчей и приблуд от коммьюнити. Брать. FLUX 3 сам собирает 20-секундные сцены и относительно неплохо говорит по-русски. По первым тестам - лица плывут, контроль слабоватый. Скорей не брать, но нужно еше потестить. LTX 2.5 быстрый и открытый, но первые тесты простые: H3 сильнее, а звук иногда шипит. Брать если вы любитель опенсорса. Сделал простенький тест. В основе — реальный снимок Марса, но добавил туда POV-поездку на копейке. 15 секунд, довольно открытый промт. В конце попросил модель придумать неожиданный приколдес. Первое видео Сиданс 2.5, второе Минимакс, третье Флюкс.

Ну, за Фотошоп В последнее время слои в генераторах появляются все чаще: ideogram, Qwen Layered, Stability AI (Лора для Квена, писал вчера). И вот уже долгожданный апдейт для Seedance 5.0 Pro. Там появился Layer Separation - модель берет готовую картинку и автоматически разбирает ее на независимые слои: персонажей, предметы, фон и другие элементы. На выходе получаем отдельные PNG с прозрачностью, которые можно двигать, удалять и редактировать независимо друг от друга. Через fal можно получить от 2 до 17 слоев, а промптом указать, что именно нужно отделить. На fal функция уже доступна в Playground и API. Цена считается за полученные слои: $0.03375 за слой для изображений до 1536×1536 по площади и $0.0675 за слой выше этого размера. То есть разбор картинки, например, на 10 слоев обойдется примерно в $0.34 или $0.68. Попробовать: https://fal.ai/models/bytedance/seedream/v5/pro/layerize API: https://fal.ai/models/bytedance/seedream/v5/pro/layerize/api Официальный анонс Seedream 5.0 Pro: https://www.byteplus.com/en/activity/seedream5-0 @cgevent

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