ИИ

OpenAI утверждает, что разработать свой чип в сжатые сроки компании помог ИИ OpenAI заявила, что с помощью ИИ разработала цифровой проект собственного чипа Jalapeno всего за девять месяцев. Компания также делает ставку на чипы, бионауки и финансовые сервисы, а цены хочет привязывать к пользе для клиентов, а не к объёму использования. После снижения цены модели Luna на 80% её использование выросло в десять раз, а инструмент Codex привлёк 25 млн пользователей. Выручка OpenAI в корпоративном сегменте с июня по июль увеличилась на 32%, а доли корпоративных и потребительских продаж сравнялись раньше плана. #openai #иичип #ии #иимодель 📎Подробнее 🔖 3DNews в TG | MAX | VK

🤖 новые AI-роли и откуда они появились за последние 2-3 года AI стал отдельной частью продукта, разработки, аналитики и go-to-market, а вместе с этим начали меняться и сами роли. по данным PwC, навыки в профессиях, сильнее затронутых AI, сейчас меняются более чем в 2 раза быстрее, а вакансии с AI skills растут почти в 8 раз быстрее общего рынка поэтому если вы смотрите для себя на новые AI-вакансии, я бы сначала сравнивала задачи: что из этого вы уже делаете сейчас, где AI уже появился в вашей работе и какой опыт можно перенести в новую роль. глобально видны такие направления новых позиций: 1. AI Engineer чаще всего сюда переходят из Backend, ML Engineer, Data Scientist или Software Engineer. если вы уже интегрировали модели в продукт, работали с inference или запускали AI-features, часть опыта под такую роль у вас уже есть.

что из вашего опыта сейчас уже релевантно: • Python • APIs и backend • ML или data pipelines • LLM integrations • RAG, evals, agents • production monitoring

2. Product Engineer сюда часто переходят Frontend, Full-stack и Software Engineers, которым уже близка продуктовая часть работы. в такой роли от инженера ждут способности быстро пройти путь от customer problem до работающего решения и принимать больше продуктовых решений самостоятельно.

важнее всего опыт, где вы: • общались с пользователями • быстро делали prototypes • принимали product decisions • запускали features end-to-end • работали с AI coding tools и agents

3. AI Product Manager или же Product AI самый понятный переход здесь: из Product Manager, Growth PM или Data Product Manager.

важен прошлый опыт в: • запуск AI-функций • работа с ML или data teams • определение use cases • выбор между build и buy • работа с quality metrics, latency и cost • тестирование влияния AI на пользовательский сценарий

если вы уже отвечали за продуктовые решения вокруг AI, вам важно показать не факт использования технологии, а то, какую проблему пользователя или бизнеса вы через неё решали 4. DevRel в AI частые исходные роли: Developer Advocate, Engineer, Solutions Engineer, Technical Content.

релевантный опыт: • workshops и выступления • документация и tutorials • demos • developer community • помощь разработчикам с API и интеграциями

здесь особенно ценится сочетание технического понимания и способности объяснить сложный продукт так, чтобы разработчики могли начать им пользоваться. 5. Business и BI AI Analyst сюда ближе всего переходить из Business Analyst, BI Analyst или Data Analyst. если вы уже используете AI для анализа, автоматизации или подготовки insights, это тоже может стать частью опыта под новую роль.

что уже может быть релевантно: • SQL и BI • автоматизация отчётности • анализ больших массивов данных • AI-assisted research • внутренние workflows • перевод бизнес-запроса в аналитику и решения

такие переходы начинаются внутри текущих ролей, с того, что AI становится новой частью уже знакомой вам работы #роли #карьера #позиционирование

Во Флориде внезапно для самого себя увлёкся стендовой стрельбой. На самом деле Макс меня втянул. Стреляем практически каждую субботу. С недавних пор стал брать с собой сына, ему 11. Прогресс у него какойто не реальный. В эти выходные он попадал уже совсем далеко, мишени почти не различимы на видео: тёмная точка среди облаков, десяток пикселей. Сейчас попросил Claude разобрать съёмку по кадрам и обвести летящую тарелку. Чтобы было видно, во что он вообще попадает. К удивлению получилось с первого раза. Он сам нашёл мишень в кадре, повёл её прицелом до попадания и определил кадр, на котором она разлетается. Дальше сверил его со звуком выстрела: между хлопком и разрушением четыре кадра, ровно столько дробь летит до цели. Сергей Булаев AI 🤖 - об AI и не только

«Создание приложений с ИИ-агентами» Майкла Альбады Ох и давно у нас не было обзоров книжек и вот, кажется, что появилась, реально топовая по ИИшке для менеджеров. Прямо так аккуратненько тебя ведут от базовых основ - делаю что-то через чат, к сложным многопотоковым агентам и все это по правлено типичным Энтерпрайзом: создаем правила, ограничения для агентов и прочее. Ну и забавно, что даже научный редактор русского издания отдельно предупреждает:

пока книжка ехала в печать, часть фреймворков и API уже успела поменяться.

Добро пожаловать в AI engineering 😁 Главная мысль книги: сделать агента, который один раз красиво отработал в демке, легко. Сделать агента, который стабильно работает в проде, сильно сложнее. 1. Возможно, вам вообще не нужен агент Автор предлагает примерно такую иерархию: детерминированная задача → обычный код; известный набор ветвлений → workflow; нужно отвечать по документам → RAG; непредсказуемый ввод + динамическое планирование + действия → вот теперь можно доставать агента. А то сейчас у нас иногда архитектура примерно такая: «if можно было написать за 20 минут, поэтому мы сделали мультиагентную систему». 2. Агент - это далеко не только LLM Нормальная агентная система состоит примерно из: • модели; • инструментов; • памяти; • знаний; • оркестрации; • механизмов обучения; • инфраструктуры вокруг всего этого. Чем больше автономности мы даем системе, тем больше инженерии появляется вокруг самой LLM. 3. Больше агентов != лучше Отдельная глава посвящена переходу от одного агента к нескольким. И тут тоже неожиданно никакого «роя агентов, который завтра заменит корпорацию». Мультиагентность имеет смысл, когда нужна специализация, параллельное выполнение или реально сложная координация. Во всех остальных случаях вы получаете: больше коммуникаций → больше контекста → больше токенов → больше задержки → больше способов все сломать. То есть агентная версия нашего любимого: микросервисы нужны не потому, что их можно сделать. 4. Evals становятся новой частью SDLC Вот это, пожалуй, одна из самых полезных частей книги. Для обычного приложения мы примерно понимаем: написали → протестировали → выкатили. С агентами этого мало. Нужно отдельно проверять: • правильно ли выбран инструмент; • правильно ли переданы параметры; • нормально ли агент спланировал действия; • правильную ли память достал; • не галлюцинирует ли; • справляется ли с неожиданным вводом; • достигает ли вообще конечной цели пользователя. Автор довольно прямо формулирует: непротестированный агент = ненадежный агент. И evals предлагается встраивать непосредственно в жизненный цикл разработки, а не устраивать большой экзамен перед релизом. 5. А после прода начинается еще веселее Отдельные главы посвящены эксплуатации. OpenTelemetry, traces, Langfuse, Grafana, shadow mode, canary, поиск регрессий. Вплоть до самовосстанавливающихся агентов. То есть AI engineering постепенно становится удивительно похож на обычный software engineering. Только теперь у нас внутри системы сидит вероятностный компонент, который иногда внезапно решает сделать что-то творческое. ❤️ - если забрал в бэклог 🔥 - если читал и зашло 💅 - если читал и не зашло

#Нейропрожарка AI-клип на трек «Нажми на кнопку» группы Технология Автор: Корнеев Андрей https://t.me/AndrewNeuroArt https://www.instagram.com/andrewneuroart тг @kornand79 ⏱️ Срок: ~2 недели (ночами, в свободное время) 💡 Как всё началось: Текст песни «Нажми на кнопку» группы Технология неожиданно проассоциировался у меня с историей нейрокреатора, который как раз делает клип на эту песню. Мета в квадрате — главный герой ночью генерирует нейроклип на этот трек. Плюс расцвет группы пришёлся на мой подростковый возраст — эта песня, как и другие треки Технологии, ложатся фоном моей юности. 🎬 Концепция: Главный герой ночью в комнате генерирует клип → сканирует лица солистов Романа Рябцева и Владимира Нечитайло → нажимает Enter → через архивные ч/б кадры 1991 года «влетаем в экран» → AI-версии солистов исполняют хореографию в абстрактном цифровом пространстве под кульминацию трека. Танец солистов разбавил нарезкой реального концерта группы в Лужниках — чтобы связать эпохи и чтобы не было долгих планов и не так заметно, что lip-sync не совпадает. 🔎 Что использовал: • Генерация сцен: Seedance 2.0 (через агрегатор Syntx) • Картинки для референсов: Nano Banana Pro (там же) • Монтаж: CapCut • Всего 7 сцен сгенерировано, но в монтаже резал их и даже использовал те, которые изначально забраковал — они подошли для нарезки танца солистов в пространстве • От 3 до 6 попыток на сцену 🚧 Главные геморрои: 1️⃣ Похожесть солистов: Сгенерированные участники получились не очень похожи — в интернете нашёл только фото плохого качества того времени. Пришлось повозиться, чтобы хоть как-то попасть в образ. 2️⃣ Lip-sync: Чтобы не заморачиваться, разбил танец солистов на мелкие кусочки, наложил на них эффекты сдвига и помех, разбавил реальными кадрами с концерта в Лужниках 91 года. 3️⃣ Вставка оригинального клипа в монитор: Пришлось повозиться с хромакеем в CapCut — ещё и монитор приближался, пришлось слой с оригинальным клипом ещё и масштабировать в движении. В один момент заметно, что прокеились шторы, оставил так. 4️⃣ Монтаж: Плохо знаю CapCut, разбирался на ходу и принципов построения грамотного монтажа не знаю — делал интуитивно. В итоге клип получился на 59 секунд — первый куплет и припев. 📌 Итог: Клип готов, смонтирован, выложен в TG, Instagram, YouTube, TikTok. Хотел, чтобы участники группы заценили, но пока без результата ))) 💸 Бюджет: Сложно посчитать точно — всё делал в агрегаторе Syntx, 7 сцен (одна на 15 сек, остальные по 6 сек) в Seedance 2.0, от 3 до 6 попыток на сцену. Кто знает тарифы — прикинет сам. Nano Banana — копейки, не считаем. Жду прожарку! 🔥 @cgevent

Ars Technica разобрала пожар на строящемся ИИ-дата-центре Lake Mariner в Сомерсете, штат Нью-Йорк. Сюжет там не столько про пожар, сколько про то, как в этой отрасли устроена ответственность. В начале июня загорелось недостроенное здание кампуса. Пожарные из Баркера приехали и обнаружили неработающую сигнализацию, отсутствие системы пожаротушения и три неисправных гидранта. Паспорта безопасности материалов сгорели вместе со зданием, так что расчёт шёл в дым, не зная состава горящей химии. Начальник части Стив Матиш описал это как работу вслепую. Пострадавших нет. Теперь про структуру. Кампус — 3,2 млрд долларов и до 500 МВт на площадке выведенной из эксплуатации угольной станции, строится в режиме "speed to power". TeraWulf владеет инфраструктурой и эксплуатирует её, а землю арендует у Somerset Operating Company LLC — конторы, на 99,9% принадлежащей собственному гендиректору. Британская Fluidstack сидит на долгосрочной аренде и будет крутить вычисления. Google подпирает её арендные обязательства бэкстопом примерно на 3,2 млрд и держит варранты почти на 14% акций TeraWulf. Спрос на мощности создают Anthropic и другие ИИ-компании. Железо, деньги, вычисления и репутация лежат в разных карманах, хотя объект один. TeraWulf на запрос журналистов ответила, что операционная безопасность и готовность к ЧС — её зона ответственности, и что после разбора появились Knox-боксы, дополнительные гидранты и аварийные комплекты с паспортами безопасности. Начальник пожарной части в августе сказал, что гидранты, насколько ему известно, так и не работают. Отдельный сюжет — обещания. В 2019-м при заявке на льготный тариф от New York Power Authority проект заявлял 165 постоянных рабочих мест, в презентации 2024-го фигурируют 35–40. Это, впрочем, обычная физика отрасли: стройка даёт занятость на пару лет, а эксплуатация сотен мегаватт требует смены операторов и нескольких электриков. Жителям достаются грузовой трафик, разбитые дороги, шум и пыль. Регуляторных проверок после пожара публично не зафиксировано. Собственно, к этому всё и сводится. Когда владение, аренда, кредитная поддержка и спрос разложены по разным юрлицам, каждый формально отвечает за свой кусок — и никто не отвечает за объект целиком. Механика при этом не американская, а вполне универсальная. https://arstechnica.com/features/2026/09/the-ai-data-center-boom-is-causing-new-accountability-problems/