ИИ

🔥 OpenAI строит вертикально-интегрированную компанию на всем ландшафте ИИ - от создания чипов и генерации энергии до AI-устройств. И чтобы сразу не вставать, давайте еще одну важную новость про клозедов. Вертикально-интегрированная компания - тот самый "ров", который строит компания. Новая стратегия компании — единый full stack: дата-центры → энергия → чипы → сети → модели → API → ChatGPT → AI-устройства. Причём OpenAI не собирается делать всё сама: Microsoft, NVIDIA, AWS, AMD, Oracle, CoreWeave и другие остаются частью этой системы. Главная ставка — контролировать экономику интеллекта: получать больше полезной работы с каждого доллара и ватта. Показательный пример: GPT-5.6 Sol достиг нового максимума в Coding Agent Index, используя на 54% меньше выходных токенов, чем другая ведущая модель. Похоже, новая гонка Big Tech — уже не за лучшую модель. А за лучший AI-стек целиком. 🚀 #OpenAI #роботыгрядут

Крупные игроки внедряют ИИ в разработку на 35% реже и другие результаты исследования Совкомбанк Технологии расспросили 317 разработчиков, тимлидов и руководителей о том, как искусственный интеллект прижился у них в работе, и всплыла обидная для гигантов вещь: чем крупнее контора, тем чаще он так и остаётся игрушкой отдельного разработчика, которую тот открывает для себя и больше ни с кем не делит. При всех козырях больших — бюджете, инфраструктуре, вертикали управления — до сквозного внедрения от идеи до релиза они дотягивают на 35% реже, чем маленькие команды. И упирается всё совсем не в модель, которую можно погонять за день и понять, тянет она или нет. Затык прячется там, где его меньше всего ждёшь, и этот же затык объясняет, почему у гигантов лишний вес оборачивается гирей на ногах. Разберёмся, какой скучный на вид барьер решает больше, чем бюджет и вычислительные мощности.

🚦 Поймать списывающего или наконец нормально дать задание? В частной школе Cheshire Academy придумали простой способ объяснять ученикам, когда в домашней работе можно использовать ИИ. Каждое задание получает цвет светофора. 🟢 Зелёный. Тут ИИ разрешён 🟡 Жёлтый. Разрешены только конкретные действия. Например, проверить орфографию можно, а попросить чат-бота написать ответ — уже нельзя 🔴 Красный. Всю работу нужно выполнить самостоятельно, без ИИ. И вот жёлтый здесь важнее остальных цветов. Он заставляет учителя заранее определить, какую часть мышления нельзя отдавать модели. Не абстрактное «пользуйтесь ответственно», а понятная граница для конкретного задания. На уроках французского пошли ещё интереснее — ученики дают модели отредактировать свою работу, а затем разбирают каждую правку. Где ИИ действительно исправил ошибку? Где предложил спорный вариант? Где вместе с шероховатостью аккуратно стёр голос автора? И т.д. и т.п. Так ученик не прячет использование ИИ, а показывает, способен ли он оценить его работу. Это выглядит полезнее бесконечной игры киберполицию: «Признавайся, чьи тут тире?», "А почему длиные тире, а почему короткие, а почему кавычки ёлочки, а почему лапки?" Но пока это именно практика одной частной школы примерно на 400 старшеклассников. Данных о том, улучшились ли знания, самостоятельность или качество работ я не нашёл.... Делать из этого светофора доказанную универсальную методику рано, но как по мне это хоть что-то и выглядит достаточно логичным и убедительным. Особенно когда ученики сами разбирают правки от ИИ — это в обучении будет ультраполезно. Короче система интересная, хоть и держится на честном слове ученика пока что... здесь статья MIT (если интересно подробнее) Что вы внедрили бы в образовательные процессы нового времени, чтобы обучение успевало за технологиями?

От радиоуправления до искусственного интеллекта: как марсоходы учились ездить самостоятельно Sojourner в 1997 году полз к цели короткими отрезками. Проедет примерно один оборот колеса, остановится, посветит перед собой пятью лазерами, посмотрит двумя камерами, не сместились ли полосы света на камне или яме, и только потом двинется дальше. Восьмибитный процессор на 2 МГц сложнее не потянул бы, так что маршрут ему по-прежнему задавали с Земли, а сам он умел лишь объехать булыжник прямо под колёсами. Дальше роверы «учились». Spirit и Opportunity строили трёхмерную карту и выбирали дугу из полусотни вариантов, Curiosity замирал на обработку снимков почти на минуту. А Perseverance едет и в это же время считает, куда свернуть дальше, режим этот в NASA зовут thinking while driving. К концу 2025 года больше 90% пути он прошёл сам, а в декабре маршрут ему впервые размечал генеративный ИИ. Проследим, как за 24 года ровер дорос от остановки через каждый оборот колеса до мысли на ходу.

Я не очень люблю использовать готовые библиотеки для решения специфичных задач [1], т.к. они обычно представляют из себя комбайны с кучей ненужных фич и странных нюансов. А подстраивать их под себя бывает сложнее, чем написать нужный минимум. То ли дело stack flattening - убираем лишний слой абстракции и прямо в коде проекта реализуем ровно те 5% функциональности, которые нам нужны. Без сторонних зависимостей и уязвимостей. А потом, если что-то нужно поправить - поправляем. Особенно это удобно стало с современными coding агентами. Скажем, мне не нравилось, что у меня BDD спеки проекта запускаются последовательно, используя только одно ядро ноутбука. Это же не эффективно. Но “запускатор” - это всего несколько файлов внутри проекта, поэтому я просто попросил Codex распараллелить выполнение. И он реализовал это в режиме piecemeal growth за счет добавления 55 строчек кода. Скорость сразу подросла до более приятных глазу значений:

specs:  77 passed, 26 failed at 2532.9/sec
checks: 451 at 11090.7/sec

На таком объёме экономия десятков миллисекунд погоды пока не делает. Зато теперь тот же паттерн перенести без изменений в другие проектах, где спеков может быть намного больше. Ваш, @llm_under_hood 🤗 — [1] речь не о том, чтобы заменить все зависимости, а только хвост мелких второстепенных.

Модель даёт понимание. Цифра даёт опору. Продолжаю собирать свой виртуальный хедж-фонд, где решения по сделкам принимают AI-агенты. Торгую по стратегии колеса опционов, а я в этой конструкции одновременно и директор, и главный инвестор. Один из агентов автоматически читает транскрипты квартальных звонков компаний с инвесторами (earnings calls). Вопрос простой: стал ли менеджмент говорить осторожнее, чем квартал назад? Логика такая, что сначала меняется язык, потом режут прогноз, потом акция падает на 20%. Сначала оценку тональности делала LLM. Она хорошо понимает контекст, но есть большая проблема: LLM недетерминированы. Завтра на том же тексте модель поставит другую оценку. Другая модель даст третью. Через месяц провайдер обновит модель и результат снова изменится. Для финансов это плохо. Если оценка риска выросла с 1.0 до 2.0, я хочу понимать, что компания правда заговорила тревожнее, или просто поменялась модель? Оказалось, эту задачу в академических финансах начали решать ещё в 2011 году. Есть специальный словарь для финансовых текстов - Loughran-McDonald. Внутри 2355 негативных слов, 297 слов, выражающих неопределённость, 903 юридических. Так почему нужен именно финансовый словарь, а не обычный анализ тональности? Обычный алгоритм считает liability или cost негативными, а в отчётности это просто "обязательства" и "затраты", нейтральные термины. Метод простой до примитивности, мы считаем количество негативных и неопределённых слов на тысячу слов текста. В этой простоте и вся сила. Было 8 слов неопределённости на тысячу, стало 14? Это факт. Через год на том же тексте будет ровно то же число. Можно сравнивать кварталы, компании, руками перечитать какое хочешь слово. Теперь у меня работают оба подхода параллельно. LLM понимает смысл и контекст. Словарь даёт цифру, которая не меняется. Если LLM говорит, что риск резко вырос, а словарные показатели стоят на месте - это сигнал, что стоит перечитать транскрипт самому. Для себя я понял, там, где AI участвует в решении о деньгах, рядом с его оценкой должна быть цифра, которую можно проверить руками. @maxvotek | linkedin | substack

Как на самом деле выглядит AI внутри больших EU компаний (и что теперь ждут от людей) 😮 Со стороны кажется, что в бигтехах уже агенты выполняют почти всю работу, а люди просто создают видимость работы. Изнутри картинка одновременно и скучнее, и интереснее. Расскажу, что я наблюдаю сейчас изнутри на самом деле: 0) в разных компаниях все еще довольно большой разброс по уровню внедрения AI - это процесс, который затрагивает много устоявшихся систем, поэтому требует время и понимания, как не навредить этим системам. 1) Вокруг рутины сейчас много мелких автоматизаций, которые ускоряют часть работы, но не делают её от и до. Я сама активно использую AI в написании и ревью кода, документации, мониторинге - и, судя по разбору наших инженеров, так же работает почти вся тех-команда. Но весь критичный код я всё еще перепроверяю полностью. 2) AI давно вышел за пределы инженеров, и это, по-моему, самое важное для тех, кто не пишет код. Примеры: • В Zalando уже около 90% маркетингового контента на сайте сгенерировано AI, а цикл продакшена кампаний упал с 6-8 недель до 3-4 дней • Аналитики и продакты гоняют через AI первичный разбор данных, черновики дашбордов и проверку гипотез • Менеджеры записывают встречи, а потом на основе расшифровки просят AI собрать тикеты и заметки Вывод: Почти в каждой роли часть рутины уходит под AI. 3) AI ускоряет отдельные шаги, но bottleneck-ом стали сами люди - ревью, согласования, коммуникация. Отсюда и разрыв между ощущением, что все стали в эффективнее, но это пока что не привело к кратному росту в результатах. 4) От тебя, как от сотрудника уже базово ожидают, что ты начал встраивать ai в свою работу. Например, Meta уже добавила AI-Enabled Coding Interview. Но, что важно, там оценивают не умение писать промпты, а именно твою голову: как ты решаешь, проверяешь и объясняешь. За использование AI "как костыль" наоборот снижают оценку. 5) Причем сотрудники, которые используют AI не на уровне промтов в чате, а четко понимают, как и какие AI-инструменты нужно применять в своей работе все еще выигрывают на фоне остальных. ✨ Что со всем этим конкретно делать? ⭐️Изучайте каждый день по чуть-чуть и относитесь к этому как к игре, а не как к очередной обязаловке. Тут, как мне кажется, важна регулярность ⭐️Учитесь сразу с разных сторон: следите за амбассадорами в своем домене, спрашивайте коллег, делитесь опытом со знакомыми, ходите на внутренние обучения на работе, если они есть ⭐️Качайте умение критически оценивать то, что выдаёт модель, и не выпускайте из рук ответственность за результат. Модель может набросать, ускорить, подкинуть идею, но спрашивать будут с вас ⭐️Показывайте, что вы уже работаете с AI в своей роли, и подкрепляйте это понятными и полезными результатами. Я уверена, что появление AI не отменяет профессионализм, а, наоборот, его переупаковывает и усиливает. Поэтому сейчас идеальное время, чтобы прокачивать себя, как специалиста и выделяться на фоне остальных. — А у вас в компаниях обстоят дела? И если используете AI, то на каких задачах он реально экономит вам время? Поделитесь, интересно собрать живые кейсы ❤️