ИИ

Токен ↔ Человек: параллели между работой ИИ-агентов и людей 1. «Токенмаксинг» (tokenmaxxing) — это попытка решить проблему простым наращиванием объёмов и заваливанием задачи ресурсами. Но реальная проблема заключалась вовсе не в количестве потраченных токенов.

Сотрудники тратят так много токенов, потому что не умеют ими пользоваться

Лишь 1/100 сотрудников знает, как обеспечить ИИ необходимым контекстом. Редко встретишь того, кто способен чётко описать процесс и обладающего терпением, чтобы разобраться в контексте (и понимающего, что это значит). Всё это – следствие неспособности людей изначально правильно понять задачу. В итоге, мы тратим токены на то, чтобы тратить токены. 3. Бесполезная трата токенов – это новый раздутый штат в эпоху ИИ Подавляющее большинство сотрудников вообще не оказывают существенного влияния на бизнес, они лишь винтики в механизме: штампуют согласования на каждом уровне и нанимают новых винтиков, чтобы поддерживать работу машины, существующей ради самого существования. 80% сотрудников ничего не делают = 80% токенов расходуются впустую.

Люди плодят новых людей. Токены плодят новые токены. Живые люди тоже ходят по кругу.

4. Токены с эффективностью «х100» – это новые сотрудники уровня «х10» Главное обещание ПО состояло в том, что мы создадим его один раз, будем запускать вечно с минимальными затратами и нам никогда не придется его контролировать. ИИ нарушил это обещание. Как только ИИ-ПО научилось выполнять задачи, оно перестало делать что-либо с предсказуемым результатом. Токены ведут себя как рабочая сила, стоит начать воспринимать их как сотрудников, но все радужные ожидания рушатся: – Токены точнее людей, но только при правильном промпте. – Токены быстрее людей, но скорость теряет смысл, если приходится повторять попытку 100 раз. – Токены не участвуют в корпоративных войнах за бюджет, но они выстраивают империи, пожирающие бюджеты на токены. – Токенам можно доверять, но они могут с уверенным видом выдавать неверный результат, идеально соблюдая при этом форматирование. Единственная сфера, где ИИ действительно превосходит людей — это масштабируемость Масштабирование человеческих ресурсов требует огромных затрат энергии на найм, адаптацию и борьбу с текучестью кадров. Масштабирование же токенов происходит мгновенно. Именно поэтому ошибки в управлении ими обходятся так дорого, и именно поэтому нужно найти и масштабировать токен со стократной отдачей.

Сотрудники уровня х10 создали компании прошлой эпохи Токены уровня х100 создадут компании будущего

Подобно тому, как горстка сотрудников может поднять продуктивность остальных в 10 раз, определённый объём контекста, переданный токенам, способен на порядки сократить усилия, затрачиваемые ИИ на выполнение задач. 5. Накопление такого контекста — новая тактика сохранения рабочего места. И внутри компаний, внедряющих ИИ, назревает серьёзная проблема. Сотрудники не хотят обучать ИИ-системы своим уникальным профессиональным секретам, потому что на протяжении веков владение уникальными профессиональными знаниями служило гарантией занятости. ИИ — это первая технология, требующая от работников разом передать все эти знания. И у владельцев знаний-токенов, способных обеспечить рост х100, меньше всего стимулов с ними расставаться. Поэтому средневековые гильдии держали свои методы в секрете. 6. Оценка результатов ИИ – новые OKR Лучший способ управления рабочей силой, использующей ИИ-инструменты, ничем не отличается от управления обычными сотрудниками – нужно чётко определить, что именно считается качественным результатом. Пора провести ревизию в масштабах компании и продукта и выявить х100 токенов и инструментов, закрепить работающие процессы и направить в нужное русло интеллектуальный потенциал, который сейчас расходуется впустую в огромных масштабах. Люди управляют ИИ, ИИ управляет людьми. Но кто-то всё равно должен говорить и тем, и другим, что именно нужно делать.

Да, кстати по вышеизложенным причинам не будет никакого единорога из одного человека (вернее может парочка и будет, но это не будет системным явлением), а многие проекты с ИИ-агентами передохнут.  Ну и самое интересное, что крупные LLM на самом деле не имеют такого большого барьера на вход, как всем кажется сейчас, потому что через 2-3 года будет много достаточно дешевых моделей с вполне приемлемым качеством для большинства задач. Эти модели будут развернуты компаниями или в собственном облаке, или локально на компьютерах. Производителям LLM останется только ниша, в которой клиентам нужны будут самые качественные и продвинутые модели. Вообщем я изложил свою точку зрения. А вы сами решайте, слушать меня или нет. #economicsforstartups

Весьма разумное и убедительное мнение.

ИИ и роботы должны сделать внутри машины то, что глобализация раньше делала через Китай. Но есть нюанс. Чтобы построить эту дефляционную машину, сначала придется пережить очень инфляционный инвестиционный цикл. Нужны дата-центры, электростанции, сети, подстанции, чипы, медь, охлаждение, роботы и новые заводы. Все это требует триллионов долларов и конкурирует за те же самые дефицитные ресурсы. Поэтому на этапе строительства ИИ не снижает инфляцию, а, наоборот, разгонятет спрос на энергию, металлы, оборудование и строительные мощности. Дефляционным он станет потом - когда инфраструктура уже построена, а стоимость дополнительной единицы вычислений и автоматизированного труда начнет устойчиво снижаться. Собственно говоря, поэтому нынешний ИИ-бум может одновременно быть и инфраструктурной революцией, и финансовым пузырем. Одно другому совершенно не мешает.

https://t.me/moi_misli_vslukh/6285

Вслед за своими собратьями-бигтехами, Anthropic тоже озаботился специальным продуктом для школьных учителей — и вообще их доступом к современному ИИ. Объявленая программа Claude for Teachers дает верифицированным (на принадлежность к системе школьного образования) пользователям бесплатный доступ не просто к моделям Клода, но и к обвязке, заточенной именно под потребности школьного педагога: библиотеки соответствующих скиллов, коннекторы к академическим стандартам всех 50 штатов, возможность работать внутри Клода с проверенными образовательными ресурсами. Короче, готовая ИИ-экосистема для учителя с очень понятной мотивацией для учителя:

Claude for Teachers is designed to close the gap between educational best practices and what a teacher's week allows.

Смысл для самой компании, помимо чисто гуманитарного, тоже понятен: то, что нравится учителю, так или иначе в итоге доводится до сведения учеников, а лояльность будущих пользователей надо завоевывать как можно раньше: никакие запреты не удержат детишек от новой блестящей игрушки ИИ 🙂 https://www.anthropic.com/news/claude-for-teachers

Не выбирайте между профессией и ИИ Недавно внучка попросила помочь ей выбрать магистерскую программу после бакалавриата. Родители убеждают: сейчас нужно максимально погружаться в ИИ – там будущее, возможности, конкурентное преимущество. Сама она это понимает, но душа лежит к другим профессиональным занятиям. Мне кажется, сама постановка вопроса – либо интересная тебе профессия, либо ИИ – уже устарела. Современный агентный ИИ, а тем более тот, который будет доступен через два-три года, – новый интеллектуальный супер-гаджет человека, а не еще один инструмент для выполнения интеллектуальных задач. Примерно как письменность, компьютер или интернет, только гораздо более персональный: он не столько дает доступ к знаниям, сколько помогает превращать профессиональную интуицию в работающие решения. Вот четыре истории только этого года. Электрик из Кентукки, не имевший образования в computer science, с помощью ИИ создал сервис расчета электрической нагрузки. Теперь он продается за $12,99 и во многих случаях заменяет вызов специалиста стоимостью в несколько сотен долларов. Владелец сантехнической компании за один вечер с OpenClaw продвинулся дальше, чем консультанты обещали продвинуться за несколько недель, и отказался от контракта на $40 тысяч. Фермер с Хоккайдо с помощью ChatGPT и Codex самостоятельно создал спутниковый мониторинг полей и систему дистанционного управления теплицами, а ИИ использует для диагностики проблем с растениями и оборудованием. Программистом вместо фермера он не стал – получил возможность изобретать собственное земледелие. Отдельный случай – дорожный инженер из Уганды. Он попал в хакатон Anthropic, куда компания отобрала пятьсот человек из тринадцати тысяч заявок, и за неделю построил систему, которая превращает запись с автомобильного регистратора в оценку состояния дороги и обоснование инфраструктурных инвестиций. Показательно другое: из пяти финалистов профессиональным программистом оказался только один. Первое место досталось юристу, третье – кардиологу. Хакатон был постановочным, тезис – нет. Во всех четырех историях главное не экономия времени и денег. Главное – переход преимущества от тех, кто умеет реализовывать чужие идеи, к тем, кто благодаря своей профессии способен замечать еще не существующие решения. Поэтому мой совет молодым на профессиональном перепутье таков.

Не обязательно выбирать профессию под ИИ. Выбирайте область, в которой вам действительно интересно видеть то, чего пока не видят другие. Становитесь в ней глубоким специалистом – и одновременно учитесь думать и действовать вместе с ИИ.

Потому что ценнейшей квалификацией ближайшего будущего будет не умение выполнять известные задачи быстрее всех. А способность в любимой профессии играть с новизной – и превращать эту игру в реальность. #РынокТруда

📌Google воссоздала утерянный гол Пеле 1959 года Для музея Пеле в Сантусе специалисты DeepMind сняли мини-документалку о знаменитом голе, который ни разу не попал на плёнку. Видеозаписей матча просто не существует, поэтому историки собрали точную раскадровку по архивам - в дело пошли 2000 документов и 3600 фотографий.

Сантус для этой истории место не случайное. Пеле пришёл в местный клуб в 15 лет и играл за него с 1956 по 1974 год - там забил большинство своих голов, включая тот самый, незаснятый. Для этого города он легенда, поэтому музей открыли именно здесь.

Полностью доверить сцену ИИ не получилось - генеративные модели до сих пор путаются в сложной спортивной биомеханике. Поэтому команда сначала сняла живого дублёра на футбольном поле, а затем функция Performance Control в видеогенераторе Veo 3 взяла с этой записи 3D-геометрию и траектории движения актёра - так получился жёсткий физический каркас, за пределы которого генерация выйти не могла. Поверх каркаса модели Gemini Omni и Nano Banana Pro дорисовали исторический облик стадиона, погоду, толпу на трибунах и лицо самого Пеле, заменив им дублёра. Финал делали по-киношному. Мяч добавили классическими визуальными эффектами, а готовый цифровой файл прогнали через аппаратный фильм-рекордер - устройство, которое переносит цифровое видео на настоящую плёнку. Отсюда зерно и цветопередача кино пятидесятых - их не имитировали фильтром, а получили честным аналоговым способом. @ai_machinelearning_big_data #news #ai #ml

Бывший разработчик Apple Тайлер Суард собрала контроллер KnobNet, где нейросеть обучают вручную — крутя потенциометры вместо настройки параметров через код. Каждому весу соответствует свой физический регулятор на устройстве. Поворачиваешь ручку и значение веса меняется, а на выходе сразу видно, к чему это привело. Сеть распознаёт цифры и держит совсем немного весов. Устройство показывает текущие входные данные, активации скрытых нейронов и финальное предсказание. После ручной подстройки пользователь тут же видит, стало ошибок больше или меньше, и обучение из непрозрачной для новичка процедуры превращается в осязаемый эксперимент. Суард сразу отсекает вопрос о практичности и не претендует на инструмент для современных сетей на миллиарды параметров. Физическая реализация маленькой сети нужна ей ровно для одного — щупать руками фундаментальные принципы машинного обучения.

У меня вчера была запись на подачу документов на визу. И я, конечно же, вконец обнаглела, просто закинула все скриншоты паспортов и прочих документов в chatgpt codex, попросила найти и заполнить анкеты, подготовить папку с документами к печати. Написать список, чего не хватает. Если нужны справки, составить их темплейты, чтобы потом только подписать. Все сделал, я только распечатала, проверила бегло и расписалась. Документы приняли. Задумалась, что сервисы по обработке документов на визу должны именно так их и принимать. Ведь сейчас столько ненужной бюрократии в процессе. Сбросил все скриншоты, фото и документы, их агент разобрался, собрал папку, вернул список чего не хватает. А человек только проверяет и подписывает. @wealldesigners