ИИ

Пользователь взломал Internet Download Manager 6.43 с помощью Qwen3.8-Flash-Next-Uncensored, чтобы не платить 10 евро в год за лицензию на каждый компьютер. Модель сняла ограничения пробной версии и перевела программу в режим полноценной лицензированной работы. На облачный GPU при этом ушло 5 евро. Пользователь передал модели около 250 000 токенов контекста и позволил ей анализировать исполняемый файл IDM прямо на компьютере. Примерно через 30 минут ИИ предложил рабочий патч. В итоге для обхода проверки регистрации потребовалось изменить всего 1 байт в бинарном файле. После модификации автоматизированный скрипт записал нужные параметры в реестр Windows и установил для программы статус «v6.43b11 Full».

Пол двигается каждые четыре месяца Pat Grady из Sequoia выложил запись своего отчёта для инвесторов фонда о том, что происходит в AI. Это внутренний доклад, без какого-либо маркетинга, и наружу такие попадают редко. Grady считает, что компании, которые строят приложения поверх моделей, переизобретают себя каждые четыре месяца, потому что пол под ногами постоянно сдвигается. Интернет и мобильная связь меняли то, как информация распространяется. AI меняет то, как она обрабатывается, и последний такой переход был в 60-х, когда электроника перешла на кремний. Поэтому платформа, на которой ты строишь, улучшается быстрее, чем то, что ты на ней построил. В ведущих лабораториях уже обсуждают ASI, потому что модели во многом строят сами себя. Grady выделяет три точки перелома: ChatGPT в ноябре 2022 (масштаб), o1 в конце 2024 (рассуждения) и Claude осенью 2025 (агенты, которые держат длинную задачу). Первые две дали более быстрых лошадей, а после третьей ассистент стал агентом, который доводит работу до результата. С Zoom было так же: видеозвонки существовали и раньше, но доверять им начали только с ним. Что из этого следует: 1. Разрыв во внедрении. Между тем, что модели умеют, и тем, что реально внедрено, огромная дистанция, и все прикладные компании живут в этом разрыве. Лабы идут туда сами: режут цены на API и нанимают армии инженеров, которые сидят прямо у клиентов из Fortune 500 и строят там приложения на их токенах. Я писал про FDE как профессию, теперь это стратегия лаб. 2. Дорогая интеллектуальная работа: программирование, кибербезопасность, медицина, финансы, бухгалтерия. Sequoia ждёт гиганта в каждой из этих областей. Одна из таких компаний закрыла прошлый год на $200M и идёт на $700M в этом. В фарме кандидатов в лекарства уже находят промптом за дни вместо нескольких лет. 3. Свои модели. Компании уводят нагрузку с фронтир-моделей на свои дообученные open-source модели, и причина экономическая. Поставщик даёт три точки на кривой цена/качество - большую, среднюю и маленькую модель, а твои задачи почти никогда не попадают ровно в них, поэтому своя модель выходит дешевле и лучше. Дешёвые токены не значат, что все побегут к OpenAI. 4. Специализированные архитектуры. Ещё одна универсальная лаборатория миру не нужна, нужны лабы под конкретную область или новую архитектуру. JEV вышел на рынок с моделью-классификатором: большая часть корпоративного ML сводится к выбору из нескольких вариантов, и классификатор делает это в 100 раз дешевле, чем LLM. С нуля до $100M выручки за семь дней, The Information пишет об оценке $10B. 5. Организация как лаборатория. Лучших людей отделяют от операционки и дают ломать и строить продукт, а координация идёт через AI вместо слоёв менеджеров. Иначе за четыре месяца не пересобраться. Норма теперь - это два раунда подряд: один от партнёра, который строит продукт вместе с тобой, второй от того, кто просто даёт деньги. У Sequoia за год семь таких сделок: первый раунд в среднем по оценке $110M, а через месяц второй по $3,4B. Grady говорит, что никогда такого не видел, и сам называет это пузырём, хотя в том же докладе называет происходящее самым большим и быстрым технологическим переходом в истории. Мне кажется, верно и то и другое, я про это писал. Для Sequoia разрыв во внедрении - это рынок для стартапов. Мне он больше видится рынком ответственности: разрыв закрывают люди внутри конкретной компании, которые подписались за результат и готовы рисковать репутацией и позицией при следующем сдвиге пола. Конкурировать с лабами по вычислительной мощности бесполезно, а контекст, данные и того, с кого спросят за результат, лаба на себя не возьмёт. Я бы спросил свою компанию, что мы пересоберём через четыре месяца и кто за это отвечает. @maxvotek | linkedin | substack

На прикольную статью наткнулся сегодня, как в американских больницах вовсю используют ИИ, но в большинстве случаев не для лечения... Больницы обращаются к нейросетям, чтобы найти в текстах врачей больше диагнозов. Чем больше диагнозов, тем больше денег можно получить от страховой ☀️ Например, в США стали намного чаще фиксировать анемию после родов. После неё в некоторых случаях нужно делать переливание крови, но это необязательно. ИИ же начал назначать многим переливание крови и брать со страховой деньги, хотя никакой процедуры не проходило Страховщики же тоже используют нейросети в ответ. Они отдают ИИ счета от больниц и проверяют фактически выполненные процедуры, чтобы обжаловать часть подобных хитростей от больниц В результате пациентов в среднем не стали лучше лечить — только ожесточилась борьба между финансовым отделом больниц и страховщиками. Из-за этого медицинские расходы выросли почти на миллиард долларов ¯\_(ツ)_/¯ Вспоминаю серии из Клиники, имаджинируйте лицо Боба Келсо, который получил доступ к ИИ, который максимизирует бабосики

#QI21 pastebin.com/NVJCj4Xk pastebin.com/Q4uQrq9B - консистентные персонажи: Head shot и Multiview #workflow github.com/Pyrolistical/qwen-image-2.1-workflows - редактирование, управляемое JSON-файлом рядом с картинкой civitai.com/articles/35828/2x-faster-qwen-image-21-using-4-steps-lora-comfyui-low-vram-workflow - #lowVRAM : INT8 ConvRot + Kitchen Attention + 4-шаговая LoRA = ~2x быстрее. Как эдит-модель Qwen 2.1 силен (стиль, одежда, character sheet), чистый T2I слабее — кожа, руки, мелкий текст github.com/shootthesound/Fizgig - Fizgig 6.5.0: тренировка LoRA и LoKR Qwen Image 2.1, турбо-превью, адаптер с более резкой картинкой (huggingface.co/ShootTheSound/Fizgig-Qwen-Image-2.1-Training-Adapter), 10GB VRAM+ huggingface.co/WarmBloodAban/Qwen-Image-2.1-LoRAs - Anime_consistency, Anything2RealCharacters, huggingface.co/lilylilith/QI_2.1_AnyAngle - произвольные ракурсы для любого изображения #LoRA #cameracontrol MAX

Ща делаю лендинг для нового продукта и уже, честно говоря устал. Я пилю его с gpt неделю, придумываю всякие приколюхи, не хочется йет эназе джипити лендинг пейдж. Нейроночка иногда устаёт и ловит какой-то луп тупняка, я бешусь. Но потом все-таки доделываю, оттачивая промпты до состояния маленьких prd. Сегодня понял, что всё нахрен, не могу, хочу прокатиться на велике, подышать воздухом и любись оно конём. Пишу — ну сделай там как-нибудь бэст практис туды-сюды, чтоб зашибись было, красивенько и понятно. И он такой хренак и сделал. И как бы норм! Оно становится умнее нас, и если раньше надо было соревноваться в мастерстве продуманных до мелочей промптов, то теперь достаточно просто предложить сделать по красоте. НО! На радость кожаных, в отбитый креатив оно пока не умеет, а я там такого навертел, ну прям квест с пасхалками. Даже если вы у меня ничего не купите (ЪУЪ!), то в атмосферу точно погрузит. Toggl говорит, что за 2 недели на лендинг ушло 23 часа, почти полные сутки! Казалось бы — вот тебе нейронка, вот ахулиард лет опыта в продукте, но когда начинаешь делать то, что считаешь важным, неизбежно получается долго. Десятки итераций визуала, развилок, текста... Но я тут твёрдо решил, что не остановлюсь, пока сам себе не скажу, что вот теперь кайф. Итого: у меня получается очень странная штука, которая получит либо вау-отклик, либо сверчков. И вот это самое страшное. Я вообще это писал в лайф-канал, но рука дрогнула. Выкатить бы мне анонс уже позавчера, но если честно, просто ссу. Готово уже почти всё. Надавите на меня реакциями что ли, они бесплатные!! Вот чтобы я вернулся через часик домой, а тут нихрена себе Антошка с наступающим ДР, сотня лайков, типа мы с тобой.

🤖 Робот сначала ошибается в симуляции, а потом исправляет движение до попытки в реальном мире. Sakana AI и Токийский университет представили SAIL. Модель получает несколько примеров выполнения задачи и предлагает траекторию. Её проверяют в симуляторе, другая модель смотрит видео и отмечает, где робот перестал продвигаться к цели. Затем система меняет неудачный участок и пробует снова. На физический манипулятор отправляют только выбранную траекторию. В симуляции робот выполнял шесть разных задач. Одна попытка выбрать движение приводила к успеху в 25% случаев. Когда SAIL могла проверить и улучшить до 45 вариантов, успех вырос до 73%. Затем метод испытали на настоящем роботе: в одной задаче он справился 5 раз из 6. Пока это проверка на одной физической задаче, но идея наглядная: дать модели больше попыток *до* движения робота, не переобучая её. Блог - https://pub.sakana.ai/sail/ Статья - https://arxiv.org/abs/2603.08269 @ai_machinelearning_big_data #Sakana

Neo labs: большие раунды или большой риск? Помните мой пост о том, почему мы не инвестируем в neo labs (стартапы AI-исследователей)? Deedy Das, партнер Menlo Ventures (не путать с Mento 🙂), написал свои мысли и расчеты, объяснил почему вложения в такие компании сложно окупить. Даже если им удастся создать хорошую модель. Что тогда таким стартапам делать с вычислительными мощностями, на которые они привлекли сотни миллионов долларов? Перевел текст для вас, чтобы каждый составил свое мнение:

Экономика «неолабораторий» (neo labs) Под неолабораторией здесь будем понимать стартап, созданный AI-ресерчерами. Такая компания привлекает крупные инвестиции еще до появления готового продукта, чтобы оплатить вычислительные мощности и взяться за решение масштабной задачи в AI. Для обучения собственной AI-модели нужны огромные вычислительные мощности. По расчету автора, только оборудование обойдется в $125-150 млн за три года, причем часть суммы придется опплатить сразу. И даже при таких затратах можно обучить модель всего лишь уровня GPT-4. Прим.: в оригинале автор приводит конкретные модели оборудования и расчет их мощности Если взять сильную open-source модель и дообучить ее, шансов выйти на уровень передовых LLM больше. Но есть два риска: 1) Придется потратить еще миллионы долларов на среды для обучения с подкреплением (RL) - задачи и симуляции, на которых модель тренируется и получает обратную связь, 2) Пока вы дообучаете выбранную LLM, может выйти новая модель, которая окажется лучше. Тогда придется либо продолжать работу с уже устаревшей, либо начинать дообучение заново. Чтобы вложения окупились, ваша модель должна давать результаты лучше и, желательно, стоить дешевле. А клиенты должны пользоваться ею достаточно долго, чтобы прибыль от их запросов покрыла затраты на обучение. Если обучение модели обошлось в $10 млн, то при марже 50% и средней цене $2 за миллион токенов, клиенты должны воспользоваться моделью на 10 трлн токенов (!), чтобы прибыль покрыла только обучение. При этом нужно убедить клиентов выбрать вашу модель вместо новых и более дешевых, например Opus 5.5. Тем временем каждый час простоя влетает в копеечку. Поэтому свободные мощности обычно перепродают посредникам, используют для обработки запросов к open-source моделям или сдают в краткосрочную аренду. Но если мощности заняты меньше 60% времени, даже сдача в аренду не покроет расходы. Добавьте к этому огромные затраты на команду. Что тогда можно делать с вычислительными мощностями? • Вообще не лезть в разработку моделей, • Занять нишу, в которую не пойдут крупные AI-лаборатории (как сделали Jev и World Labs): такой продукт может мешать их основному бизнесу, приносить слишком мало денег или отвлекать от главной цели, • Собрать большой массив собственных данных в конкретной области (как Periodic Labs), и за счет них превзойти универсальные передовые модели. Такое чаще возможно в робототехнике, биологии и химии. Но даже если вам удалось создать полезную модель, которая выигрывает у крупных лабораторий по качеству и цене, этого мало. Нужно найти рынок, где достаточно клиентов и где выручка существенно превышает стоимость вычислений. Иначе огромные расходы на мощности не окупятся. Короче, легких денег здесь нет. Оригинал: https://x.com/deedydas/status/2103903382822089010?s=46

Лучшие посты | Mento VC Fund II | Стать инвестором

Здоровье как побочный эффект Болезнь – штука непредсказуемая и иногда очень разрушительная. Поэтому возникает идея страховки. В некоторых странах вся медицина базируется на ней. Страховая компания не хочет платить за дорогие лекарства, поэтому старается объяснить врачу, что он зря выписал что-то современное, лечить Билла надо подорожником. Доктору, конечно, жаль больного, но тратить свое время на ругань с бюрократией ему лень. У пациента права голоса вообще нет. В результате рецепты реально не доходят до аптеки. И в этот момент страдает фармкомпания – её новый и дорогой бестселлер не купят, а на подорожнике много не заработаешь. И поэтому возникает #стартадпня Forus – бесплатный для врача AI-агент, который ругается со страховой, показывает ей анализы и предыдущие назначения и в итоге проталкивает рецепт для одобрения. Позиционирование: “вы можете выписывать хорошие лекарства, и их подтвердят”. И, между прочим, жизни людям спасает таким странным способом: хорошие лекарства не зря считаются хорошими, кому-то помогут. Forus – уже довольно большой бизнес. Выручка в мае пересекла отметку в 50 миллионов долларов в год, а на днях стартап привлек инвестиции по оценке в 3 миллиарда. https://forus.com/ #сша #здоровье #мегараунд #ai

Про ML в маркетплейсах Ozon Tech традиционно провёл ко Дню программиста конференцию E-CODE. Записи докладов уже выложили. В треке ML/DS разбирали в том числе рекомендательную систему Ozon. Компания постепенно переводит на нейросетевые модели разные этапы пайплайна, от отбора кандидатов до финального ранжирования. При этом система должна учитывать продажи, рекламу, вовлечённость и LTV. В докладе также разобрали архитектуру Large User Model, которая объединяет пользовательские сигналы, включая негативную обратную связь. Другой доклад посвятили измерению габаритов товаров на конвейере с помощью стереокамеры, сегментации и 3D-реконструкции. Для этой задачи собрали датасет из более чем 100 000 изображений, а для полуавтоматической разметки использовали Grounding DINO и SAM2. Товары движутся со скоростью до 1 м/с, так что помимо точности важна и скорость обработки. Команда сравнивала ML-подход с классическими методами и подходами на основе облаков точек по качеству, стоимости и производительности. Вообще все шесть докладов трека достойны внимания. Посмотреть можно здесь Ещё из примечательного: на конференции подвели итоги ежегодного ML-соревнования E-CUP. В этом сезоне его проводили только для студентов. Победители разделили призовой фонд 7,2 млн рублей за решения задач на реальных данных Ozon. @ai_newz

🚕 В Техасе уже 546 Tesla Robotaxi — включая 126 Cybercab Илон Маск тоже отвечает бодро 🦾 По состоянию на 26 сентября в реестре Tesla Robotaxi числятся 546 машин: 420 Model Y и 126 Cybercab. Ещё 23 сентября было 489 — парк быстро растёт. 📊 А теперь масштаб конкурентов. Waymo — около 4 000 роботакси и уже ~500 000 платных поездок в неделю. Только в Техасе зарегистрировано 1 102 машины Waymo — вдвое больше всего местного парка Tesla. 🇨🇳 Китайцы тоже впереди: Pony.ai — 1 975 роботакси, WeRide — более 1 800. Pony.ai планирует увеличить парк до 3 500+ машин к концу года. У Apollo Go от Baidu свежего числа машин нет, зато масштаб эксплуатации уже серьёзный: 23+ млн поездок и 240+ млн км полностью беспилотного движения. ⚡ Tesla пока догоняет лидеров по масштабу флота. Но 126 из 546 машин — уже Cybercab, специально созданные для беспилотного такси. ————————— 🤖 Подписывайтесь на лучший  канал PRO Роботов 📲 Мы в Max

У ChatGPT один из самых лучших транскрипшенов в мире. Он реально хорош. Он вырезает паузы, он вырезает вот эти все: э-э, ну, ну и так далее. Он даже вырезает: "Нет, вот это или Нет, вот так" и вставляет то, что должно быть по смыслу. То есть там не только транскрипция, но ещё и обработка того, что вы сказали. И он БЫСТРЫЙ. Короче, я просто в восторге от него и даже начал писать утилиту, которая бы переключалась в ChatGPT, там надиктовывала и переключалась обратно куда-нибудь, где я пишу. Но неожиданно нашлась неназначенная хоткей клавиша, которая позволяет включать так называемый диктейшн не только в ChatGPT, а вообще в любом приложении, по крайней мере на Windows. Соответственно можно стоять где-нибудь в Worde или в Notepad, нажать эту кнопку и надиктовать с помощью транскрипта какой-нибудь текст, и он будет вставлен прямо в то приложение, в котором вы его открыли. Я назначил себе это на, грубо говоря, Control Shift Ф9, потом через PowerToys отмапил его на правый Alt и теперь лихо наговариваю в телеге или в заметках, или где угодно, ChatGPT это транскрибирует В ФОНЕ, я смотрю и, как правило, отправляю без редактирования. Но. В последней версии приложения для Windows по какой-то неизвестной причине настройки этого шортката исчезли. Но сам шорткат у меня работает. Я попросил ChatGPT Work прошерстить и файлы, и реестр, и всё что угодно на моём диске, он не нашёл, где приложение ChatGPT хранит настройки шорткатов. Соответственно, челлендж: если сможете найти где это, дайте знать и заодно получите великолепный шорткат на транскрибирование с помощью ChatGPT в любом месте. И да, наговорил, а потом почистил. Все равно у меня разговорный стиль. @cgevent

Духу подбирают тело Гуманоидный робот, хозяйничающий на кухне, заставляет по-новому взглянуть на древнюю идею переселения душ В стэнфордском проекте HomeBody андроид Unitree G1, управляемый GPT Astra, убирает кухню, достает лекарство из ящика и вообще хозяйничает. Бытовая сцена, за которой мне видится вопрос с совсем небытовыми последствиями: обязан ли интеллект вырасти внутри того тела, которым будет действовать в физическом мире? Роботом руководит мультимодальная модель. Она выбирает действия, опираясь на наблюдения и пространственную память, а готовые моторные навыки обеспечивают исполнение. По сообщению авторов, дополнительное обучение под конкретную кухню не понадобилось.   Что здесь важно. Модель не проживала младенчество в этом металлическом теле. Значительную часть своих способностей она приобрела заранее, обучаясь на материалах, созданных людьми. Все эти способности теперь включены в управление обретенным телом. Чужой опыт стал основой собственных действий новой роботизированной сущности. Проект HomeBody пока не доказывает универсальность такого переноса. Но позволяет усомниться в необходимости повторять биологический маршрут: от тела, осваивающего мир, к разуму, выросшему из этого освоения.   Здесь я предлагаю перекинуть мост от робототехники к киберанимизму Йоши Баха. В этой концепции древнее понятие «дух» получает вычислительный смысл: самоорганизующийся программный процесс, реализованный в материи. Подобная организация позволяет живому существу поддерживать себя и действовать. Возможность ее искусственной реализации становится исследовательской гипотезой.   Если продолжить эту мысль, связь разума с конкретным телом может оказаться приобретаемой и изменяемой. Тело может быть средой возникновения, развития и существования разума. Но может стать и позднее приобретенным способом его действия в мире. Более того, для такого «вселения» интеллекту даже не обязательно перемещаться внутрь робота. В HomeBody модель работает удаленно. Ее вычислительный носитель и действующее тело находятся в разных местах.   Отсюда напрашивается следующий шаг. Один разум — несколько сменяемых тел. Или несколько тел одновременно. Древний образ переселения душ обретает инженерные очертания.   Однако, если говорить о подобном в контексте трансгуманистической «загрузки разума», то меняется сама задача. Там потребуется перенести организацию психической жизни на другой носитель. И здесь возникает трудность, которую метафора переселения скрывает. Представьте, что вашу личность удалось абсолютно точно скопировать. Копия помнит ваше детство, любит ваших близких, мыслит как вы... А вы стоите рядом и смотрите на все это. Кто из вас переселился? Воспроизведение личности еще не объясняет продолжения вашего собственного существования. Даже если ваша копия обладает вашим сознанием, вопрос о том, сохранились ли именно вы, остается.   Стэнфордский HomeBody не решает проблему сознания. Но он дает повод рассмотреть первый переход: интеллект, сформированный вне конкретного тела, получает возможность действовать через него. Дальше начинается неизведанная территория, где обретение нового тела отягощается требованием сохранить прежнего субъекта. Подобрать духу другое тело может оказаться не так уж сложно. И мы, скорее всего, увидим подобное в ближайшее десятилетие. Но вот можно ли будет при этом однозначно установить, кто именно в новом теле проснулся, - большой вопрос.   #ВоплощенныйИнтеллект