ИИ

Любопытная работа от Университета Мэриленда и Google DeepMind (pdf), где сравнили человеческие и AI-сгенерированные истории по структуре сюжета, и смогли отличать AI-тексты почти в 93% случаев. Наверное многие это интуитивно чувствовали, особенно в лонгридах, что проблема AI не только и не столько в AI формулировках. Главные наблюдения: 1️⃣ AI объясняет детально, а человек нередко использует не утверждения в лоб, а отсылки, недосказывания, междустрочный смысл и т.д. Еще AI придерживается линейного сюжета/развития мысли, а человек использует флэшбеки, тупиковые линии сюжета, перепрыгивания таймлайна. И человек чаще просто говорит про эмоции, и читателю все сразу ясно. А AI приводит аналогии и метафоры, чтобы объяснить. Человек чаще вплетает внешний мир (упоминает актуальные книги, фильмы, бренды, места). И люди чаще ломают четвертую стены, обращаясь к читателям. 2️⃣ При этом все модели больше похоже друг на друга, чем на человека (см. картинку). То есть все далеки от умения человека рассказать историю. Клод чуууть-чуть ближе к человеку, и при этом самый отличающийся от других LLM. А "голос" GPT многие наверное уже быстро отличают, потому что несколько лет это самые популярные модели нейрослопа. 3️⃣ В работе тексты датасета переписали, убрав стилистические признаки нейрослопа. Но все равно по сюжетам и структуре слоп легко определялся. Кажется не так-то просто будет заменить хороших текстовых авторов. И наверняка будут более важными другие аспекты "человечности" текстов, например личность самого автора, его бэкграунд и уровень эмпатии и симпатии, который испытывает читатель. 4️⃣ По другим работам мы знаем, что уже пару лет уровень генерации текстов почти не приближается к человеческому. И кажется, что в этом мире нейрослопа хорошие тексты и эссе будут цениться еще больше. А как это повлияет на нас, написал Пол Грэм, почти три года назад в эссе Writes and Write-Nots. tldr: AI может резко разделить людей на тех, кто умеет писать, и тех, кто почти совсем разучится, а средний уровень уйдет. А мы помним, что writing is thinking, и навык письма (в т.ч. хороших имейлов) тренирует ясное мышление. AI уберает принуждение, которое раньше заставляло людей учиться ясно думать. Поэтому умение писать станет чем-то вроде интеллектуального фитнеса: им будут обладать только те, кто специально занимается. @kyrillic

Pico Claw. Настройка за 15 минут Примерно с мая этого года использую Pico Claw для агентских сценариев. Меня спрашивали что это и как его настроить — записал на эту тему ролик. PicoClaw — AI-агент, который ест <10 МБ RAM и работает на любом железе. Я сам лично его использую для проверки разных гипотез применения ИИ-агентов в моих задачах. Ничем не хуже опенкло и гермеса для моих задач, но весит в десятки-сотни раз меньше. В ролике — полная установка на пустой VPS: безопасность (SSH, fail2ban), установка одной командой, подключение к ИИ-мозгам (без VPN), веб-интерфейс, Telegram-бот и ограничение доступа по IP. Ссылки на ролик на всех площадках: 📹 YouTube | VK | Rutube | Dzen 📹

Почему ИИ на самом деле не научился «видеть» так, как видим мы Профессор Стэнфорда Джуди Фан выступила на сцене MIT и объяснила, почему люди так хорошо умеют делать невидимое видимым. 1. Природа никогда не давала нам прямых линий или острых углов. Числовая прямая, координатная плоскость, основы геометрии — всё это изобретения человека. Мы создали инструменты, которых не существует в природе, просто потому, что нам нужен был способ мыслить яснее. 2. Система координат, изобретенная Декартом, решила проблему, которая веками ставила математиков в тупик — удвоение объема куба. После изобретения этот инструмент стал настолько незаменимым, что практически каждая математическая программа на Земле до сих пор зависит от него. 4. Каждый крупный научный прорыв опирался на визуальный инструмент, который делал невидимое видимым. Дарвину нужны были изображения зябликов, расположенные рядом, чтобы увидеть вариации, которые иначе были бы слишком незначительными, чтобы их заметить. Кахалю нужны были подробные рисунки нейронов под микроскопом, чтобы составить карту строения нервной системы.

Исследовательская группа Фан изучает нечто обманчиво простое: как люди решают, что включить в рисунок, а что опустить

Когда два человека играли в игру с рисованием, участники использовали гораздо больше деталей, когда у целевого объекта были близкие конкуренты, чем когда он стоял один, вплоть до использования меньшего количества штрихов и меньшего времени, когда более подробная информация не требовалась. 6. Люди не просто копируют то, что видят. Они постоянно принимают решения о том, какой уровень детализации действительно служит цели коммуникации, и делают это естественно, никогда не обучаясь теории, лежащей в основе этого. 7. Существует реальная разница между изображением чего-либо таким образом, чтобы кто-то мог это идентифицировать И изображением чего-либо таким образом, чтобы кто-то мог понять, как это работает. В одном исследовании участники рисовали пояснительные диаграммы, которые подчеркивали движущиеся, причинно-следственные части машины, в то время как изобразительные рисунки акцентировали внимание на фоне и общем внешнем виде, хотя оба варианта изображали один и тот же объект. Пояснительные рисунки действительно лучше помогали кому-то понять, как управлять машиной, но хуже помогали определить, какая именно это машина.

Нельзя оптимизировать один рисунок для достижения обеих целей одновременно. Визуальная коммуникация всегда предполагает компромиссы

И остается большой, измеримый разрыв между тем, насколько уверенно модели ИИ распознают эскизы, и тем, насколько уверенно это делают люди, даже когда обе группы отвечают на одни и те же вопросы об одних и тех же изображениях. 11. Когда исследователи сравнивали эскизы, созданные людьми, с эскизами, сгенерированными ИИ, при ограниченном количестве штрихов, оба варианта были одинаково узнаваемы при большем количестве штрихов, но резко расходились по мере сокращения лимита штрихов.

Люди и системы ИИ упрощают рисунки принципиально разными способами, когда ресурсы становятся дефицитными.

12. Чтение графика — навык, который включает в себя восприятие, знание, куда смотреть, сопоставление этой визуальной информации с фактическим задаваемым вопросом, а затем преобразование этого сопоставления в ответ. При непосредственном сравнении с людьми в задачах чтения графиков, модели ИИ показали существенный разрыв в производительности. И даже когда общая точность модели приближалась к человеческому уровню, модель ошибок ИИ совершенно не походила на то, как на самом деле ошибаются люди. 13. Люди выбирают совершенно разные типы диаграмм в зависимости от того, на какой конкретный вопрос они пытаются ответить, а не из-за общего предпочтения столбчатых диаграмм или диаграмм рассеивания. Наш выбор диаграмм тесно коррелирует с тем, какая визуализация действительно поможет человеку интуитивно и правильно ответить на конкретный запрос.

Верховный суд Японии окончательно отклонил жалобу американского инженера, который требовал признать AI изобретателем в патентной заявке. Решение Второй малой коллегии, датированное средой, оставило в силе вердикты Токийского окружного суда и Высокого суда по интеллектуальной собственности: изобретателем по патентному законодательству может быть только физическое лицо. Заявка касалась пищевых контейнеров, которые, по утверждению истца, автономно придумала созданная им система DABUS — именно её он вписал в качестве изобретателя в 2020 году. Суды не признали изобретения, созданные AI, непатентоспособными в принципе — заявку отклонили по формальной причине: истец отказался указать человека, когда Патентное ведомство этого потребовало. Высокий суд в решении указал, что закон не предвидел быстрого развития AI, а вопрос о патентных правах на такие изобретения требует общественной дискуссии из-за масштаба последствий. Короче, примут закон — тогда и приходите. https://japannews.yomiuri.co.jp/science-nature/technology/20260306-314930/

Американский ИИ-стартап Manifest OS Даниэля Мишина привлек $60 млн от Menlo Ventures, Kleiner Perkins, First Round Capital и Quiet Capital. Сделка была закрыта в апреле этого года. Оценка стартапа составила $750 млн. Manifest OS в 2024 году основал серийный предприниматель Даниэль Мишин. Ранее он запускал в США маркетплейс аренды жилья June Homes [в 2025 году было объявлено о слиянии компании и нью-йоркского оператора коливингов Outpost]. Manifest OS - это платформа, предоставляющая ПО на базе искусственного интеллекта для юристов. Как рассказал сам Мишин в подкасте Оскара Хартманна, В США в 3 раза больше юристов, чем в любой европейской стране, и в 10 раз больше, чем в Китае на душу насления Европе или Китае. При этом американский юридический рынок предприниматель назвал “очень закрытым и очень зарегулированным”, участники которого тратят на неюридическую работу ⅔ времени. Manifest OS решает эту проблему, взяв на себя ту часть работы специалистов, которая не требует лицензирования. Речь идет о закрытой экосистеме для специалистов, позволяющую вести календарь, обрабатывать входящие заявки, составлять документы и выставлять счета. Кроме того, компания предлагает централизованный бэк-офис для предоставления фирмам помощников юристов и административного персонала. По словам Мишина, решение позволяет в 3-4 раза увеличить продуктивность каждого юриста. В Manifest OS открыты для сотрудничества с юристами, начинающими практику во всех 50 штатах США. Также СМИ пишут, что компания будет поощрять аффилированные фирмы к внедрению фиксированной платы и результатов, для чего она готова предоставлять рекомендации по ценообразованию на основе анализа рынка. @rusven