ИИ

Как я с Клодом собрал команде личный кабинет Собирался написать этот пост недели две: идея внутри горела, а я всё равно тянул — ровно потому, что фигачил как раз то, о чём хочу рассказать. Но пора перестать размышлять о вайб-кодинге и показать, что из него всё-таки удалось собрать, а то первая волна эйфории уже схлынула и вымываются те, кто ушёл в мертворождённые продукты. Но начну с контекста. У нас в Overgear, как у любой модной и прогрессивной компании, в начале года случился мощный FOMO: либо оседлаем волну AI-изации, либо из лидера тихо сползём в отстающие, потому что утонем в рутине с её нищим КПД. Поэтому наметили несколько стратегических проектов под автоматизацию и раздали инструменты всей команде — чтобы набивала шишки. На один из таких проектов позвали стороннего интегратора. Он озвучил нехилую сумму за внедрение, и у меня сразу внутри: «wtf, да я сам сделаю лучше» — и сел разбираться с Клодом. Первые потуги были неуклюжие: я только осваивал дисциплину и завалил папку проекта десятками сборок на localhost, по сути мусором. Но уже через неделю почти без усилий поднял свой VPN-сервер ускоритель интернета, который не блокируется: вся семья и друзья на нём сидят, вроде даже без перебоев и жалоб. Тут внутренний авантюрист завёлся сильнее и завёл меня в точку, где я решил замахнуться сразу на рабочий инструмент для всей команды — чтобы люди меньше времени тратили на отчётность и сбор данных, а нужные цифры вытягивали через MCP (это коннекторы нейронок с внешними сервисами вроде Google Ads, GA4, CRM) почти без ручной возни. Проще говоря, свой личный кабинет для команды. Он на скрине — цифры только замазал, так как NDA, все дела. Дальше меня затянуло как в воронку: стал по модулям собирать функцию за функцией и закрывать не только отчётность, но и рутину, которая порой съедала до 30% времени человека. Теперь у ребят вроде как больше места для творчества — мозг не выгорает на операционке. И работают тут ровно те же правила, что для любого продукта: смотришь метрики (MAU, DAU и прочие), проверяешь, даёт продукт больше пользы или больше отъедает ресурса. И где-то здесь я поймал настоящую маниакальную зависимость: пилить и пилить эту ценность, а потом проверять — стала она ценностью или ты просто потешил своё эго очередным инструментом. Побочки, как у любой зависимости, тоже налицо: меньше спишь, уходишь в это с головой и забываешь уделять время родным (Анисия, каюсь!). Спасает, кажется, одно — привычка на каждой собранной штуке спрашивать себя: пользуется ли ей вообще хоть кто-то. Кто на этот вопрос забивает, тот и клепает продукт за продуктом в стол — так и пополняется кладбище мертворождённых. Стала ли это в итоге ценностью для команды — пока честно сказать не могу, ребята только тестируют. Но одно скажу точно: нам удалось проскочить «долину смерти» и распробовать потенциал и вайб-кодинга, и более глубокой работы с данными. Так что Viva la AI лично от себя подпишу, а как с этим быть каждому — это уже сами посмотрите. А у вас как сложилось с вайб-кодингом? Удалось собрать что-то реально рабочее — или пока всё живёт на localhost? Константин Сухачев

#Нейропрожарка THE MYSTERIOUS ISLAND — тизер по «Таинственному острову» Жюля Верна Автор: Janky Mess «Таинственный остров» — моя любимая книга детства. Пятеро беглецов на воздушном шаре, остров без карты, кто-то невидимый, кто не даёт им погибнуть. Нормального фильма по ней так и не сняли, вот и собрал тизер сам — таким, каким этот мир всегда жил у меня в голове. Инструменты: — Nano Banana — генерация кадров (стиллы персонажей и сцен) — Seedance — оживление кадров в видео (через Higgsfield) — Higgsfield — площадка, где всё генерил. Годовая подписка, 6000 кредитов в месяц, на тизер сжёг около 70% — Topaz Video AI — апскейл до 4K (модель Proteus) — DaVinci Resolve — монтаж, цвет, грейд, зерно — Suno — музыка Времени ушло 4 дня. @cgevent

🐡 Еще одна интересная работа от Sakana AI, они представила работу Learning Multi-Agent Coordination via Sheaf-ADMM, которая будет показана на ICML 2026. Авторы рассматривают интеллект как распределённую систему: сложная задача делится на пересекающиеся фрагменты, а каждый агент работает только со своей частью. Затем агенты согласуют решения с соседями на границах, где их области пересекаются. В Sheaf-ADMM координация строится в несколько раундов. Сначала агент предлагает локальное решение. Потом он сверяется с соседями и сглаживает конфликтующие части. Если согласия нет, конфликт сохраняется в памяти и влияет на следующий раунд переговоров. Подход проверили на задачах, где одному агенту не хватает всей информации. В Multi-Agent Sudoku каждый агент видел только строку, столбец или блок 3×3. Sheaf-ADMM решил 93% задач, тогда как сопоставимый message-passing baseline набрал 11%. В image classification при domain shift по размеру canvas обычная CNN падала до 11% accuracy на MNIST, а метод Sakana AI сохранял 86%. В maze pathfinding Sheaf-ADMM достиг точности message-passing baseline, но использовал 5-мерный канал коммуникации вместо 42-мерного. Координация агентов полностью прозрачная. Можно видеть, как локальные агенты спорят, корректируют решения и приходят к общему результату, вместо того чтобы прятать всё в hidden states. Метод опирается на ADMM из distributed optimization и sheaves из applied topology. Метод помогает нескольким агентам решать одну сложную задачу по частям, договариваться на пересечениях и собирать итоговое решение без постоянного обмена всей информацией. Paper: https://arxiv.org/abs/2605.31005 Code: https://github.com/SakanaAI/sheaf-admm Blog: https://pub.sakana.ai/sheaf-admm/ @ai_machinelearning_big_data #ai #ml #sakana

Увидел новый опенсурс проект, который решает для агентов проблему подключений внешних сервисов через MCP и API Например вам нужно поработать с Notion через агента, и он начитает искать, есть ли у сервиса MCP, какой API, как авторизоваться. Так вот integrations.sh собирает в себе кучу сайтов и разные способы подключения к ним: 1/ MCP 2/ API и их спецификации 3/ GraphQL ендпоинты 4/ CLI утилиты 5/ Auth инструкции Всего в каталоге около 6000 интеграций У них есть свой MCP:

mcp add --transport http integrations https://integrations.sh/mcp

Или по API:

curl https://integrations.sh/api/[ДОМЕН]/detect

В итоге меньше слитых токенов, агент сразу знает как подцепиться к нужному сервису. @tips_ai #tools

Thinking Machines Миры Мурати превратила закрытую экспертную оценку Bridgewater в обучаемый навык и обошла frontier-модели, снизив число ошибок на 29.8%. В ии подавали финансовые статьи, отчёты, документы центробанков, письма. ИИ должен был определить что аналитик должен прочитать первым. Для LLM это оказалось тяжёлой задачей. При обычных промптах модели держались на уровне 46–50% accuracy, почти как угадывание. Экспертные промпты поднимали качество до 74–78%, но лучший результат дала разметка от опытных инвесторов Bridgewater. Неэкспертные метки провалились: здесь важны рыночный контекст, приоритеты и профессиональное чутьё. Один заголовок про тарифы может быть сильным сигналом, другой громкий геополитический инфоповод останется шумом. Bridgewater чистила датасет через спорные рейсы. Если модель расходилась с разметкой, пример возвращали экспертам на повторную проверку. Так в обучение попали паттерны принятия решений, которые эксперты видят интуитивно, но редко могут описать полноценной инструкцией. В обучении использовали три приёма. Во-первых, смешивали разные типы задач, чтобы модель училась применять экспертную оценку в похожих сценариях, а не запоминала один узкий шаблон. Во-вторых, аккуратно ограничивали обновления при обучении. Это снижало риск, что модель зацепится за случайные признаки в данных и начнёт уверенно ошибаться. В-третьих, модель дообучали на ответах более сильных версий. Так лучшие checkpoints постепенно становились учителями для следующих итераций. Результат: на 29.8% меньше ошибок, чем у лучшей frontier-модели, и в 13.8 раза ниже inference cost. Заметное преимущество, благодаря качеству экспертных решений. Такой датасет конкурент не скачает с Hugging Face. https://thinkingmachines.ai/news/learning-to-replicate-expert-judgment-in-financial-tasks/

🤖 Google хочет, чтобы телефон работал за вас Вышло большое интервью с главой команды Android Самиром Саматом, и главная мысль там любопытная. Последние сорок лет мы, по сути, работаем нянькой при своих устройствах: есть цель, а дальше сам разбей её на десяток шагов и вручную “протыкай” каждый. Так было с командной строкой, потом с иконками и меню. Google хочет это сломать и превратить операционную систему в «интеллектуальную»: ты называешь цель, а телефон сам соображает, как её достичь. Сердце их идеи — функция App Automation. Голосом говоришь Gemini, что нужно, и он сам начинает тапать по экрану: смотрит на интерфейс глазами, как человек, и жмёт нужные кнопки. Всё крутится в изолированном окне, которое можно свернуть, а выйти за его пределы агент не вправе. В демо он собрал корзину продуктов для барбекю, сам смекнув, что булок для хот-догов нужно больше, чем сосисок. Но перед оплатой тормозит — кнопку «купить» жмёте вы. Плюсом есть и другие функции, которые работают на эту идею. Rambler даёт наговорить мысль как попало и выжимает из потока ровно то, что вы правда хотели сказать. А Superfill работает с документами: с вашего разрешения вытащит номер паспорта или машины прямо из Google-аккаунта и сам подставит в поле. Агенты будут крутить задачи в фоне и отчитываться в отдельном уголке статус-бара, который назвали Android Halo, а интерфейс сместится от кликов к намерениям. Самир утверждает, что прямо сейчас телефон из инструмента превращается в исполнителя. Как вам такое будущее? @droidergram

Первый в США частный модульный ядерный реактор готов давать энергию ИИ-ЦОДам Калифорнийский стартап Valar Atomics впервые запитал компьютер с новейшей видеокартой Nvidia от портативного модульного атомного реактора. Работая на 37% от номинальной мощности, реактор Ward 250 обеспечил достаточно энергии деления, чтобы полученный в итоге сложного преобразования электрический ток поддерживал стабильную работу ИИ-чипа. Презентация показала, что реакторы Valar Atomics готовы подключиться к решению проблемы критической нехватки энергии для десятков строящихся в США под ИИ новых ЦОД. https://hightech.plus/2026/07/03/pervii-v-ssha-chastnii-modulnii-yadernii-reaktor-gotov-davat-energiyu-ii-codam

AI или не AI? С 2022 года кавычки-ёлочки, длинные тире и «правило трёх» — не просто хорошая редактура, а улики против ИИ-текста. Люди хотят знать, читают они какую-то ерунду, которую нейросеть нагенерила, или Качественные Человеческие Мысли. На мой вкус, это желание сродни узнать, калькулятором 37x42=1554(*) получено или в уме вычислено, но людям не прикажешь. Спрос есть. Интуитивно кажется, что спрос этот должен удовлетворяться запросом к тому же самому AI. Скажи мне, чатик, кто это написал, человек или бот? И, в принципе, в простых случаях ChatGPT справляется. Проверил кавычки, оценил драматургию, прикинул, похожи ли ошибки на намеренные или на натуральные опечатки – и вынес вердикт. Но – война щита и меча. На той стороне тоже можно повозиться: елочки зачистить, “не X, но Y” убрать, драматургию подпортить, ошибки расставить по правильному списку. Обычный чатик признает текст настоящим. Американский #стартапдня Pangram обещает поймать ИИ и в этом случае. Он обучил на поиск нейрослопа отдельную нейросеть, и ищет не несколько общеизвестных признаков, а какую-то внутреннюю суть, определяемую миллионами параметров. Причины словами объяснить невозможно, но вот эта фраза – точно ИИ, а эта – точно человек. Платят за сервис в основном университеты, им студентов как-то проверять надо. Качество продукта рекламируется как очень хорошее. Есть более-менее независимые отчеты, подтверждающие точность порядка 99%. Впрочем, мое непрофессиональное тестирование показало результат гораздо хуже. Уже на третьем тестовом примере Pangram уверенно поделил чистый AI-текст на куски, один из которых якобы человек писал. https://www.pangram.com/ (*) я посчитал в уме, а потом проверил. #seed #сша #ai #технология

Какие все-таки быстрые времена, что целая технологическая эпоха спокойно укладывается не просто в одну человеческую жизнь — а в одну активную профессиональную жизнь, причем много чего определившую в мире, где мы в итоге живем. Винт Серф, в 1970-е один из разработчиков стека TCP/IP, сооснователь Internet Society и один из руководителей ICANN, человек, проработавший в Гугле с 2005 года, — сейчас в свои 83 решил выйти на пенсию с прекрасной должности chief internet evangelist. Не потому, что не тянет, а просто решил, что можно немного расслабиться. При этом он недавно вполне убедительно спорил с более юными экспертами на тему агентов: пока поклонники универсальности человеческого языка, якобы достигнутой с помощью ИИ, говорили, что нашего языка хватит и для общения агентов между собой, Серф утверждал, что ИИ, наоборот, порождает необходимость новых стандартизированных протоколов. И, как подтверждает его немаленький опыт, именно компании, вносящие активный вклад в разработку новых стандартов и протоколов, получат в итоге непропорционально большое влияние на развитие агентной экономики.

“I don’t think English is going to be the best choice. There’s a flexibility in it, but there’s ambiguity, and I think precision for interagent interaction is going to be very, very important. An agent really needs to be sure the other agent understands what it is that they just agreed to do together”

Можно только поздравить Серфа с новым интересным этапом его насыщенной жизни. https://techcrunch.com/2026/06/30/the-father-of-the-internet-is-finally-retiring/

🌞 Июньский дайджест звучен Солнцем – Продакт-менеджмент не профессия – Продакты будущего – Про пессимизм менеджера – Эра нулевого клика – Foundational Mental Models & Skills – 5 когнитивных искажений конверсии – Мотиваторы, потребности и ценность – Как готовить ИИ-фичи: вводный гайд – Когда работа перестаёт учить – Стратегия ≠ План – Целевой клиент ≠ Целевая аудитория – Защитные метрики – Почему вам не нужна ИИ – Отмена – самая дешёвая точка роста – Откуда берутся «источники» в ответах ИИ – 10 причин провала ИИ-трансформации – Не складывайте слабости – Гант маминой подруги – Не весь фидбэк нужно принимать – Команды галлюцинируют о клиенте – Метод Дельфи для брейншторма – Output vs Outcome – Продуктовые собесы с ИИ – Проблемы продукта из вакансий – STAR на собесе: структура ответа – 2026 Product Hiring Trends Report – Чего не хватает ИИ в аналитике – Особенности синтетических фокус-групп – Твой лендинг теперь читают двое – Путь за рамками интерфейса – Как снизить усталость в интерфейсах – What Designers Struggle with on Product – Какие бывают дизайнеры – Путь к ИИ в модели мира – Я выпустил нейросеть в реальный мир – Спасет ли нас Human-in-the-loop – Гравитации как силы нет Вы мантру пропеть могли бы под гул водопроводных труб?

🌟 TabFM: модель для работы с табличными данными от Google Google Research опубликовала модель машинного обучения для классификации и регрессии на табличных данных. TabFM делает прогнозы на ранее не встречавшихся таблицах без отдельной тренировки под каждый набор данных.

Табличные данные лежат в основе множества прикладных задач - от прогноза оттока клиентов до выявления финансового мошенничества. Десятилетиями здесь доминировали алгоритмы на основе деревьев решений, которые требуют долгого подбора параметров и выстраивания признаков под каждую новую задачу.

TabFM использует подход, заимствованный у LLM - обучение в контексте. Модель получает всю таблицу целиком как единый запрос и определяет связи между столбцами и строками прямо в момент прогноза, не меняя своих внутренних параметров. Эту архитектуру Гугл описывает как гибрид двух ранее опубликованных решений TabPFN и TabICL. TabFM обучалась на сотнях миллионов сгенерированных таблиц, построенных с помощью структурных причинных моделей. Разработку проверили на бенчмарке TabArena, который ранжирует системы по итогам прямых сравнений между собой. Тестирование включало 38 наборов для классификации и 13 для регрессии, размером от 700 до 150 000 строк. По результатам TabFM обошла тщательно настроенные отраслевые решения TabPFN-3, AutoGluon и RealMLP. В ближайшие недели TabFM будет встроена в сервис Google BigQuery, там классификацию и регрессию можно будет запускать одной SQL-командой, без специальных знаний в области ML. 📌Лицензирование: Tabfm Non-commercial 🟡Блогпост 🟡Модель 🖥GitHub @ai_machinelearning_big_data #AI #ML #TabFM #Google