ИИ

Снова о генеративном искусстве. Статья Generative AI as a Philosophical Mirror: Machine Hallucination and the Aesthetics of Algorithmic Representation анализирует серию иммерсивных инсталляций Рефика Анадола «Machine Hallucination» как философское зеркало, отражающее трансформацию понятий репрезентации, авторства, восприятия и этики в эпоху генеративного искусственного интеллекта. Пдф в комментариях. В центре внимания — серия мультимедийных работ Анадола (Machine Hallucination: NYC, Coral, ISS), созданных с помощью нейросетей на основе массивов данных из сотен миллионов изображений (архивы, соцсети, данные NASA). Исследование рассматривает ИИ как соавтора, генерирующего динамические визуальные галлюцинации. Инсталляции разрушают оптику классического мимесиса, создавая «гиперреальность», синтезируя гигантские объёмы данных в непрерывно меняющиеся формы, превращая репрезентацию из статичного объекта в изменчивый процесс. Проект также размывает традиционную концепцию единого художника-творца: агентность распределяется между человеком-куратором, алгоритмом и коллективным опытом людей, чьи фотографии попали в обучающую выборку. Масштабные проекции (разрешением 8K–16K) и пространственный звук вовлекают периферийное зрение и слух, создавая синестетический опыт. С опорой на феноменологию Мориса Мерло-Понти и понятие durée (чистая длительность) Анри Бергсона, работы вызывают у зрителей апофению (поиск знакомых образов в хаосе), когнитивную перегрузку и фрейдовского чувство «зловещего». В основе ранних работ серии используются модели StyleGAN2 и DCGAN, а в более поздних — диффузионные модели и архитектуры CLIP. Для обучения задействованы кластеры из сотен GPU NVIDIA. Среди ключевых проблем авторы выделяют высокую углеродную ёмкость (до 50 МВт·ч на крупный проект) и закрытость алгоритмов. Модели наследуют социальные и культурные предвзятости обучающих выборок (например, перепредставленность популярных объектов и игнорирование маргинализированных групп). В отличие от художников Тревора Паглена или Анны Ридлер, критикующих ошибки ИИ, Анадол склонен давать им некоторую агентность, эстетизировать эти данные, что требует, по мнению авторов, внедрения прозрачных паспортов данных (т.н. datasheets for datasets). Так, Сугвен Чун использует роборуку для исследования телесного и физического сотворчества с ИИ. Мемо Актен открыто демонстрирует сбои и предвзятость машинного зрения. Рефик Анадол делает акцент на эмоциональном погружении, масштабе и эстетическом восторге. Авторы подчёркивают необходимость перехода генеративного искусства от экспериментов к структурированной ответственности. Этому, по их мнению, способствуют международные инициативы, такие как Акт ЕС об искусственном интеллекте (EU AI Act) и рекомендации ЮНЕСКО по этике ИИ, требующие прозрачности происхождения обучающих данных и (ну куда же без защиты копирайта, правда?) защиты авторских прав.

На этой неделе Яндекс опенсорснул Alice AI‑T5-35B‑A0.6B. Это обученная с нуля претрейн модель, которая отвечает за быстрые ответы на Поиске. Только что на Practical ML Conf мы слушали про этот релиз из первых рук: Артур Петросян, CTO Alice AI Search, рассказал о том, как команда обучила систему, которая дала +0.34% к продуктовой метрике Sessions Per User и в 56.7% случаев выигрывает в попарных сравнениях против Google AI Overview. — Одна из главных интересных особенностей этой модели – ее архитектура. Это Encoder‑Decoder + MoE. Последние такие модели выходили в 2021–2023 годах (не считая недавнего DeepSeek-V4.1-Flash, который вышел почти в один день с Alice AI‑T5), так что выбирать такую архитектуру было довольно необычным и рискованным решением. Не обошлось без сложностей при разработке: например, на претрейне сколлапсировал роутинг в энкодере, и пришлось сменить схему балансировки экспертов. Зато архитектура себя оправдала. Энкодер один раз читает длинный контекст из документов, а легкий декодер быстро пишет короткий ответ, что идеально для задачи «много на входе, мало на выходе». MoE при этом дает знания уровня 35B параметров при вычислениях как у 0.6B. — После претрейна с моделью также колдовали с помощью SFT и RLHF. На этих этапах модель училась писать ответ так, чтобы он был максимально полезен для живого пользователя. Интересно, что при этом команда обошлась без эталонных ответов, написанных людьми: на запрос генерировалось много ответов от разных систем, лучший отбирался автоматически по набору сигналов качества, а на этапе RL модель дополнительно училась на сигналах реального поведения пользователей Поиска. — Еще одна интересная деталь пайплайна – сжатие контекста. Чтобы не гонять через LLM огромные пачки документов, команда с нуля обучила маленькую BERT‑подобную модель на 80 млн параметров, которая занимается тем, что определяет релевантность каждого токена запросу. Далее поверх этого накладывается метод под названием Cross‑Entropy RL, и в итоге получается экстрактор, который понимает, какую именно информацию модель уже знает из весов, и какой минимальный контекст ей нужен для хорошего ответа. И да, все это – только некоторые детали работы. Про остальные нюансы обучения и строения системы можно почитать вот в этой статье на Хабр. Поздравляем команду с релизом!

Вышло видео с разбором проектов подписчиков Мы с Николаем Андрюхиным выбрали из ваших заявок 5 проектов: от учёта активов из разных брокеров до агента, который сам пишет код. Я смотрел на технику, Николай на продукт. 👀 Видео стоит посмотреть, если вы: - делаете свой проект и не знаете, нужен ли он людям. Николай объясняет, почему «классная идея, я бы купил» ничего не доказывает и как проверять по-другому. - хотите продавать продукт компаниям. Разбираем, чем это сложнее, в отличии от продаж обычным людям. - пишете код с помощью ИИ. Я рассказываю, почему такой код стоит обкладывать тестами. - хотите увидеть, как опытный разработчик смотрит на чужой проект и что бы он там поменял. Если хоть один пункт совпал — советую к просмотру. — Видео уже на уже ютуб. Переходите по ссылке и смотрите. Если хотите ещё такие разборы, ставьте лайк и пишите об этом в комментариях. И мы проведем подобное еще раз 🙃 #разное · yt · tg · ig

Ну и на закуску: **Anthropic призывает притормозить гонку AI. Поэтому срочно готовит новую frontier-модель.** Дарио красавчик, конечно. Reuters со ссылкой сразу на трёх источников пишет, что Anthropic готовит новую модель, она уже проходит safety evaluation, а релиз рассматривается в ближайшее время - как ответочка OpenAI и Астрачке. Две утечки. Перва: Opus 5.2, который уже тихонько A/B-тестируют в Claude Code. Пользователи рассказывают примерно одно и то же: Claude стал меньше заниматься словоблудием, еще(!) лучше кодит, плотнее проверяет результат, замечает собственные ошибки и чинит их как рекс. Вторая: Anthropic якобы закончила новый большой pretrain Fable. И если утечки верны, это уже не «подкрутили 5.1 на три процента с бенчах», а следующее поколение. Чего ждем: * сильнее coding и self-debugging; * лучше computer use и браузерные агенты; * намного более длинные автономные задачи; * research через множество источников и tool calls; * лучшее удержание цели на огромном контексте; * multi-agent orchestration; * более мощное reasoning с дополнительным compute. В общем, гонку определённо пора замедлять. Но сначала надо обогнать OpenAI. Дарио - царь! https://www.reuters.com/business/anthropic-considers-releasing-new-ai-model-ahead-ipo-sources-say-2026-09-19/ @cgevent

Маленькая радость для пуристов открытых стандартов — с версии 2.1.277, вышедшей вчера, Claude Code поддерживает AGENTS.md. Агент читает этот файл в качестве инструкций, если в проекте отсутствует CLAUDE.md. Я, на самом деле, не очень понимаю, в чем практический смысл этих требований, чтобы все агенты и модели читали один и тот же файл инструкций, если сами инструкции надо перерабатывать не только для каждого семейства моделей и даже не только для каждой модели, но в идеале для каждой версии одной и той же модели. Ну, наверное, можно соорудить обезличенный AGENTS.md, который будет одинаково читаться всеми моделями, но получится, скорее всего, как с кроссплатформенностью — все модели будут работать с этими инструкциями одинаково плохо. https://code.claude.com/docs/en/changelog#2-1-277