IT

Александr Ванг: в AI выигрывает не тот, у кого самая новая модель На Startup School 2026 основатель Scale AI и руководитель AI-направления Meta Александr Ванг говорил о том, как строить компании, когда технологический фронтир меняется буквально каждый месяц. Главная мысль: нельзя привязывать компанию к возможностям конкретной модели. Сегодняшнее преимущество быстро становится стандартной функцией. Поэтому продукт стоит строить вокруг устойчивой проблемы клиента, предполагая, что модели, цены и доступные возможности постоянно будут меняться. Следующее узкое место AI — уже не только интеллект модели. Всё большее значение имеют данные, evals, обратная связь, инфраструктура и способность превращать вероятностный ответ в стабильно полезный результат. Отсюда практический вывод: лучший способ учиться — как можно раньше внедрять продукт в реальную работу. Смотреть, где он ошибается, собирать сложные случаи и возвращать их в цикл улучшения. Ожидание «идеальной модели» лишь откладывает получение самой ценной информации. Ванг также сделал акцент на плотности таланта и прямой ответственности. Небольшая команда сильных людей с ясной зоной владения может двигаться быстрее крупной организации, где энергия уходит на согласования. И наконец, удешевление разработки должно увеличивать амбиции основателей. Если создать продукт стало проще, это не повод выпускать ещё одну тонкую оболочку над моделью. Это возможность взяться за более трудную и значимую проблему.

Все там будем, или Почему игровые движки всегда заканчивают одинаково В движке «Блицкрига» нейтральные свиньи по недосмотру отнаследовались от боевого юнита. Завидев врага, они патриотично лезли за оружием, которого у них не было, зато патроны находились сами собой из неинициализированной переменной. Стрелять нечем, а боезапас есть, и свиньи дружно валили игру нулпоинтером. Починили изящно, выдав свиньям парабеллум, но обнулив патроны. Вся прелесть в том, что это не курьёз одной студии, а закономерная стадия, через которую проходит любой движок. Сначала весь код держится на наследовании от одного всемогущего класса, и баги в нём лечатся тем же наследованием, пока команда не упрётся в стену. Дальше по замкнутому кругу через компоненты, конфиги и собственный язык, и снова к началу. Посмотрим, какие четыре стадии проходит каждый движок и почему круг так тянет замкнуться: https://u.habr.com/elBSf

🪼ЧТО ПОЧИТАТЬ О КСЕНОПОЭЗИИ?🦃 Попросили философа техники и ИИ Михаила Федорченко, автора канала ᴍᴀᴄʜɪɴɪᴄ ᴇᴍʙᴏᴅɪᴍᴇɴᴛ, собрать подборочку с рекомендациями о том, что почитать о ксенопоэзии и трасформации языка! Ксенопоэзия — одна из самых молодых семиотических и (около)философских концепций в теории искусства и языка ранних 2020-х. Ксенопоэзией можно назвать не просто литературно-техническое упражнение по обращению к «чужому» (отсюда и ксено-), но и практикой новой семиотической, паразитарной онтологической парадигмы, в которой текст, слизь, нечеловеческое становятся живой, неконтролируемой субстанцией, оппонирующей как спекулятивной философии, так и постгуманизму, показывая намного более радикальное отношение между живой и неживой материей. 🐢 Кэндзи Сиратори — Кровь электрическая, тексты с Academia.edu, профиль на Substack

Японский музыкант, писатель и цифровой мистификатор, пишущий о том, что ксенопоэзия выдвигает на первый план отчуждение как пространство инноваций, бросая читателю вызов в отношении незнакомого, ненормативного, чужого, которое при этом становится «своим». Глитчи, ошибки в алгоритмах, разрывы в коммуникации — это не недостатки, а источники устойчивости и креативности, дестабилизирующие нормы, хромосомные мутации мира кибернетических взаимосвязанных сетей, окружающих нас в нашей меланхолии к новым продуктам технокапитала, тормозящим акселерацию с нечеловеческим.

🐢 Зоэтика Эбб — Xenopoem as Psychogametous Artform: Communication to the Subconscious in Xenopoetic Practice, A Kink in Cognition: Acentrism, Parallel Signal Literacy.

Художница, активно сотрудничает с Сиратори. Исследует материальность субстратов и вводит концепцию ацентризма — отхода от человекоцентричных моделей смысла, агентности и рецепции, которые зависят от человека как от своей концептуальной основы. Пытается создать а-значающую семиотику за границами человеческого восприятия и власти, децентрируя производство субъективности с человека на среды, коды, встречи с нечеловеческим, авторства, высвобождение информации.

🐢 Улисс Каррьер — Technically Man Dwells Upon this Earth

Философ, изучает технику, эстетику, ИИ. Стал известен после выхода книги Technically Man Dwells upon this Earth, где предлагает оригинальную философскую концепцию ИИ, искусства и техники. Утверждает, что ИИ не следует понимать как простое «внешнее продолжение» человеческого разума. Напротив, появление ИИ заставляет заново поставить вопрос о природе мышления. По его мнению, ИИ знаменует не столько конец человеческого творчества, сколько конец традиционного понимания искусства и открывает возможность заново определить, что такое искусство и воображение.

🐢 Дэвид Роден — Posthuman Life: Philosophy at the Edge of the Human, Диалог о нефилософии и спекулятивном постгуманизме.

Британский философ. Его основные работы посвящены взаимосвязи между деконструкцией и аналитической философией, натурализму, метафизике звука и постгуманизму. Автор концепции биоморфа — «заместителя» модифицированного и машинизируемого тела, которое меняет свои границы всеми возможными и невозможными способами, лежащими по ту сторону этики и антпропоцена.

🐢 Богна Кониор — Экзистенциальные технологии, «Тёмный лес»: теория интернета

Медиатеоретик и философ техники. Исследует, как технологии меняют представления о (не)человеческом и о будущем. В её работах ИИ рассматривается не только как инженерная технология, но и как культурный, философский и геополитический феномен. Особое внимание уделяет альтернативным историям ИИ — прежде всего китайским и восточноевропейским — стремясь выйти за пределы доминирующего западного нарратива о технологическом прогрессе.

🐢 Лаура Трипальди — Раскованные субстраты

Трансдисциплинарный исследователь на стыке науки, технологий и спекулятивного мышления. Изучает феномен материальности, её культурные импликации и технологическое будущее. А ещё у неё есть PhD в области материаловедения и нанотехнологий, полученная в Миланском университете Бикокка. Автор книги «Параллельные умы» (Parallel Minds, Urbanomic, 2022).

/cool.zip х @acceleratethefuture/

Отделяем текстовый скоринг от продуктового ранжирования Как оказалось, научить поисковый движок находить релевантные документы = только половина задачи. Следующий вопрос в том, какие из найденных совпадений важнее для конкретного продукта. Окей, движок уже умеeт строить индексы по нескольким полям (title, abstract и т.д.) и поддерживает разные типы поиска: например term, phrase, prefix, фразовый поиск. Но после поиска вклад каждого совпадения просто добавлялся в итоговый вес документа. Например, для запроса`title:diabetes abstract:"type 1" abstract:insulin*` мы находили три независимых совпадения: • term - diabetes в title; • phrase - "type 1" в abstract; • prefix - insulin* в abstract. Для каждого совпадения BM25 считал свой вес, после чего все веса просто суммировались: BM25 total doc score = BM25(title:diabetes) + BM25(abstract:"type 1") + BM25(abstract:insulin*) Базово текстовая релевантность оценена за счет частоты термина, его редкости среди всех документов, длине поля. И это ок, но продуктово мы помимо всего знаем, что совпадения в заголовке обычно важнее совпадения в abstract, и что точная фраза часто ценнее совпадения по одному слову (или хотя бы по префиксу). Поэтому я подсмотрела идею с Rank Profiles - добавлением правил ранжирования по заданым критериям, который добавляет веса нужным докам без переиндексации. Пример профиля из конфига: rank_profile: name: debug-weights field_weights: title: 1.5 query_type_weights: term: 1.5 phrase: 1.7 prefix: 0.5 Теперь BM25 по-прежнему считает базовый score каждого совпадения, но перед суммированием вклад умножается на коэффициент: document score = BM25(title:diabetes) × 1.5 × 1.5 + BM25(abstract:"type 1") × 1.0 × 1.7 + BM25(abstract:insulin*) × 1.0 × 0.5 Поскольку индекс уже хранит информацию о каждом найденном совпадении (поле, тип запроса и базовый вес), политику ранжирования теперь можно менять прямо во время поиска - без переиндексации документов с явным разделением ответственности: • основная retrieval часть находит совпадения и сохраняет их контекст; • BM25 считает базовую текстовую релевантность; • Rank Profile задает правила, по которым совпадения влияют на итоговый вес документа; • Explain разбивка помогает понять, почему документ получил именно такой вес. Чтобы было проще отлаживать ранжирование, добавила Explain-панель. Для каждого документа можно посмотреть, из каких вкладов сложился итоговый вес: какое совпадение сработало, в каком поле, какой базовый вес посчитал BM25, какие коэффициенты применились и какой вклад каждое совпадение внесло в итоговый результат. На скрине из TUI (который, кстати, был тщательно причесан и допичкан инфо панельками) как раз видно такую разбивку по весам для каждого найденного документа. Сейчас Rank Profile умеет учитывать поле документа и тип совпадения. В дальнейшем список сигналов можно расширить: например, добавить свежесть документа, популярность или поведенческие сигналы (клики пользователей). Главное, чтобы поисковый движок умел вычислить такой сигнал - тогда его можно включить в ranking pipeline без изменения индекса. В итоге базовый текстовый скоринг остается отдельным слоем, а продуктовая логика ранжирования начинает жить поверх него. Это позволяет менять стратегию ранжирования, не меняя сам индекс.

Python: как один из самых медленных языков стал королем нейросетей В наборе тестов USENIX приложения на CPython отработали в среднем в 29,5 раза медленнее, чем те же программы на C++. При этом именно Python стал основным инструментом машинного обучения и держит первую строчку в рейтинге TIOBE, опережая C, C++ и Java. Самый медленный в этой компании язык возглавил область, где всё упирается в скорость вычислений. Разгадка в том, что тяжёлую математику Python выполняет вовсе не сам. Один его вызов способен запустить перемножение матриц из миллионов элементов, и вся нагрузка при этом уходит в скомпилированное ядро на C++ или CUDA. Получается, что в такой работе программа большую часть времени проводит за пределами самого Python.

Развлекаюсь как могу, чуть позже больше конкретики понятной дам, а пока вот это можно отдать ИИ 🤖 на объяснение: Главный тезис: алгебра переводит ваши инварианты из тестов в теоремы

Все три модели пришли к одному выводу, и это самое ценное в ответе: в прошлых раундах ключевые свойства L11 — детерминизм replay, идемпотентность, корректность rollback — проверялись эмпирически (chaos-replay, snapshot-equivalence, rollback drill). Общая алгебра даёт качественно другое: если структуры спроектированы так, что они по определению являются моноидом, полурешёткой и инверсной полугруппой, эти свойства перестают быть тем, что можно случайно сломать — они следуют из типа.

ACM SIGIR 2026. В этом году Артём Матвеев, Владимир Байкалов и Сережа Макеев (ребята из моей бывшей команды, мои соавторы по Аргусу и другим статьям, а также помощники по Deep RecSys курсу) съездили в Австралию на SIGIR со своими работами, которые я уже упоминал пару постов назад. Почитать про конфу можно на канале Владимира @ducks_recs и Артёма @nxt_item. Первый пост на канале Артёма — инсайдерская инфа из личного общения с инженером из команды OneRec: тык. Лично мое мнение про OneRec от этой инфы не поменялось (его можно узнать из лекции про генеративные модели), но для кого-то она может стать неожиданностью :) Подписывайтесь! P.S: картинку украл из @MLunderhood))

Не просто коробка с деньгами: будни инженера сопровождения, который поддерживает банкоматы в строю Мы привыкли видеть в банкомате неприступный железный сейф. А под корпусом сидит обычный системный блок, мало чем отличающийся от того, что стоит у вас на столе. Банкоматом управляет самый рядовой компьютер под Windows или Unix, разве что материнская плата своеобразная, с кучей портов и крупной батарейкой. Казалось бы, раз внутри знакомая начинка, то и добраться до денег дело техники. Раньше так и было, неопытные взломщики шли на банкомат с болгаркой, ломом и кувалдой, а некоторые устройства даже взрывали. Ведущий инженер сопровождения из Альфа-Банка честно говорит, что сегодня думать о взломе бессмысленно, и объясняет почему, не раскрывая лишнего.

Дмитрий Долгов Рабочее демо — это 1% работы. Продукт — это девятки после запятой. AI для физического мира создавать принципиально сложнее, чем обычный софт. В интернете можно следовать принципу move fast and break things: выпустить достаточно хорошую версию, собрать ошибки пользователей и быстро её улучшить. Но когда AI управляет автомобилем, роботом или другим физическим объектом, цена ошибки совсем другая. Здесь нужно не ship fast, а ship safely. Безопасность нельзя добавить после запуска — она должна быть фундаментом системы с первого дня. Долгов выделил четыре разрыва между обычным и физическим AI: 1. Цена ошибки. Неверный ответ чат-бота раздражает. Неверное действие машины может стоить жизни. 2. Задержка. Решение нужно принимать не через несколько секунд, а практически мгновенно. 3. Данные. Самые опасные ситуации случаются редко, поэтому реальных примеров недостаточно. 4. Валидация. В цифровом продукте крайние случаи могут найти пользователи. В физическом мире нельзя поручить клиентам тестирование безопасности. Отсюда главный тезис: работающий прототип — лишь начало. Если система должна ошибаться не чаще одного раза на миллион, каждая следующая девятка надёжности требует примерно в десять раз больше усилий. Поэтому ещё до разработки важно понимать: сколько девяток действительно требует ваш продукт? Одна из ключевых технологий Waymo — симулятор. Он позволяет не только проверить действие автомобиля, но и исследовать контрфактические сценарии: что произошло бы, если бы машина затормозила раньше, выбрала другую траекторию или иначе отреагировала на участника движения. Получается не одна модель, а целая обучающаяся система: агент действует → симулятор моделирует последствия → критик проверяет решение → реальные поездки создают новые данные → данные улучшают симулятор и следующую версию агента. Это, пожалуй, самый важный урок и для нынешней волны AI-агентов. Недостаточно построить умного исполнителя. Нужны ещё среда, в которой он может безопасно практиковаться, и независимая система, способная оценить его работу. Иными словами: > Не просто создавайте AI-агента. Создавайте экосистему, которая учит его действовать, проверяет последствия и с каждым циклом делает всю систему надёжнее. Отдельно запомнилась мысль Долгова о технологиях. Железо будет меняться, компоненты — дешеветь и превращаться в массовый товар. Поэтому главное преимущество команды — не умение идеально использовать одну сегодняшнюю технологию, а способность снова и снова осваивать следующие технологические волны. Победит не тот, у кого сегодня самое эффектное демо. Победит тот, кто построит систему, способную безопасно учиться, проверять себя и становиться надёжнее после каждого реального действия.