Почему весь ИИ-контент на одно лицо — и как из этого выбраться
Конец рабочей недели – время для очередного полезного Бусти-текста. В этот раз мы будем бороться с главной бедой современных ИИ:
Как перестать генерить ИИ-слоп: сначала стиль – потом контент
Проблема выглядит даже немного парадоксальной: ведь разработчики ИИ постоянно жалуются на нехватку данных для обучения. В последние модели загрузили практически все существующие стили текстов, графики, дизайна и т. д. Почему же они постоянно создают одинаковый контент?
Дело в том, что во время обучения модель отвечает на огромное количество вопросов живых людей – и получает обратную связь, понравилось или нет. Чтобы добиться лучшего результата, модель постепенно вырабатывает усредненный стиль, который нравится большинству. Когда модель выпускают на волю, то в этом стиле она начинает отвечать всем подряд: и мы видим тысячи почти одинаковых текстов, картинок и дизайнов сайтов.
Как вырвать модель из “зоны комфорта” и получить на выбор несколько вариантов контента, подходящего под ваши задачи и вкус – рассказываю в лонгриде. В качестве примеров выбраны веб-дизайн и генерация картинок, но метод универсальный – поняв его, можно пользоваться и для любых других задач. Статья подойдет как новичкам, так и тем, кто уже прочитал циклы по промптингу и ИИ-агентам, которые также есть на “Бусти”.
Самое время подписаться!
Конец рабочей недели – время для очередного полезного Бусти-текста. В этот раз мы будем бороться с главной бедой современных ИИ:
Как перестать генерить ИИ-слоп: сначала стиль – потом контент
Проблема выглядит даже немного парадоксальной: ведь разработчики ИИ постоянно жалуются на нехватку данных для обучения. В последние модели загрузили практически все существующие стили текстов, графики, дизайна и т. д. Почему же они постоянно создают одинаковый контент?
Дело в том, что во время обучения модель отвечает на огромное количество вопросов живых людей – и получает обратную связь, понравилось или нет. Чтобы добиться лучшего результата, модель постепенно вырабатывает усредненный стиль, который нравится большинству. Когда модель выпускают на волю, то в этом стиле она начинает отвечать всем подряд: и мы видим тысячи почти одинаковых текстов, картинок и дизайнов сайтов.
Как вырвать модель из “зоны комфорта” и получить на выбор несколько вариантов контента, подходящего под ваши задачи и вкус – рассказываю в лонгриде. В качестве примеров выбраны веб-дизайн и генерация картинок, но метод универсальный – поняв его, можно пользоваться и для любых других задач. Статья подойдет как новичкам, так и тем, кто уже прочитал циклы по промптингу и ИИ-агентам, которые также есть на “Бусти”.
Самое время подписаться!
🔥23❤15👏6👍4
“сбежавшая нейросеть” – теперь и на Sponsr!
Каждую неделю мне в личные сообщения пишут читатели, у кого не получается подписаться на “сбежавшую нейросеть” в “Бусти”. Некоторым мне удалось помочь, но во многих случаях я, к сожалению, бессилен – у любой системы приема платежей есть определенный процент отказов и “Бусти” здесь не исключение.
Поэтому на “сбежавшую нейросеть” теперь можно подписаться и на Sponsr. Это крупная площадка, на которой размещаются многие знакомые мне блогеры (а теперь и я😏). И главное – у нее своя система приема платежей, которая может помочь, если не вышло с “Бусти”.
Никакой разницы между площадками нет: та же цена, те же тексты, есть комментарии и личные сообщения, где можно задать мне вопрос. Новые тексты будут выходить одновременно, сообщать про них я буду на канале.
Кстати, пока переносил лонгриды с “Бусти” на Sponsr, то понял, что в подписке у меня сформировался мини-курс про ИИ: в первых текстах я понятным языком раскрыл основные характеристики современных моделей, а затем стартовал две отдельных ветки. Первая – про то, как эффективно промптить современные текстовые и графические ИИ. Вторая – как разобраться в ИИ-агентах, развернуть и настроить себе такого помощника на личном компьютере или виртуальном сервере, а также убедиться, что все сделано безопасно. Все лонгриды я пишу понятным языком и не пересказываю гайды, а делюсь личным опытом. Если нравится этот канал – понравится и подписка.
Так что самое время подписаться:
— “сбежавшая нейросеть” на Sponsr
— “сбежавшая нейросеть” на “Бусти”
Каждую неделю мне в личные сообщения пишут читатели, у кого не получается подписаться на “сбежавшую нейросеть” в “Бусти”. Некоторым мне удалось помочь, но во многих случаях я, к сожалению, бессилен – у любой системы приема платежей есть определенный процент отказов и “Бусти” здесь не исключение.
Поэтому на “сбежавшую нейросеть” теперь можно подписаться и на Sponsr. Это крупная площадка, на которой размещаются многие знакомые мне блогеры (а теперь и я😏). И главное – у нее своя система приема платежей, которая может помочь, если не вышло с “Бусти”.
Никакой разницы между площадками нет: та же цена, те же тексты, есть комментарии и личные сообщения, где можно задать мне вопрос. Новые тексты будут выходить одновременно, сообщать про них я буду на канале.
Кстати, пока переносил лонгриды с “Бусти” на Sponsr, то понял, что в подписке у меня сформировался мини-курс про ИИ: в первых текстах я понятным языком раскрыл основные характеристики современных моделей, а затем стартовал две отдельных ветки. Первая – про то, как эффективно промптить современные текстовые и графические ИИ. Вторая – как разобраться в ИИ-агентах, развернуть и настроить себе такого помощника на личном компьютере или виртуальном сервере, а также убедиться, что все сделано безопасно. Все лонгриды я пишу понятным языком и не пересказываю гайды, а делюсь личным опытом. Если нравится этот канал – понравится и подписка.
Так что самое время подписаться:
— “сбежавшая нейросеть” на Sponsr
— “сбежавшая нейросеть” на “Бусти”
❤23👍19🔥9👏2
сбежавшая нейросеть pinned «“сбежавшая нейросеть” – теперь и на Sponsr! Каждую неделю мне в личные сообщения пишут читатели, у кого не получается подписаться на “сбежавшую нейросеть” в “Бусти”. Некоторым мне удалось помочь, но во многих случаях я, к сожалению, бессилен – у любой системы…»
Opus 4.8 – возможно, последний флагманский Опус
Три дня провел с новой моделью Anthropic, очень доволен. Прямо вернулся вайб Opus 4.5, который я полюбил за качественные тексты на русском. В 4.6 качество заметно снизилось, 4.7 был близок к катастрофе, и вот, наконец, улучшение. Opus 4.8 отлично чувствует темп текста, а редактура нужна совсем небольшая – в отличие от 4.7, эта модель редко вставляет англицизмы, непереведенные слова и просто неудачные стилистические решения.
Лучше стал веб-поиск. Модель ищет очень быстро, буквально за десяток секунд перебирая множество источников. По моим впечатлениям, Opus 4.8 здесь вплотную подошел к GPT-5.5 – единственный плюс модели OpenAI в том, что она умеет читать некоторые веб-страницы, на которых Опус пасует.
И уже традиционно Opus – сильнейшая модель в фронтенде. В пятницу я написал для “Бусти” лонгрид, как не генерить ИИ-слоп, добиваясь от модели оригинальных ответов. Одна из глав в тексте посвящена веб-дизайну, и Opus 4.8 приятно поразил меня как способностью подбирать разные стили, так и качеством верстки – модель с первого раза выдает ровный дизайн практически без дефектов. Здесь полный разгром GPT-5.5, у которой текст до сих пор вылезает за плашки, а элементы интерфейса перекрывают друг друга.
Я слежу за отзывами в X/Twitter и почти не вижу негатива по Opus 4.8. Пусть сама Anthropic и называет эту модель “скромным апгрейдом”, но прогресс виден по всем фронтам – от кода до математики. Интересно посмотреть, каким будет ответ OpenAI на новинку.
И кстати, мы почти точно знаем, каким будет ответ Anthropic на ответ OpenAI. В анонсе Opus 4.8 компания спрятала еще один анонс – “доступ к Claude Mythos планируется открыть всем клиентам в ближайшие недели”. Mythos – модель классом выше Opus, кибер-возможности которой настолько поразили разработчиков, что ее поначалу сделали доступной только ограниченному количеству партнеров.
В Anthropic утверждают, что разработали новые защитные механизмы, дающие уверенность, что Mythos не будет использован злоумышленниками. Но я не исключаю, что в компании просто чувствуют конкуренцию – GPT-5.5 уже близка по кибер-возможностям к Mythos, а новая версия может оказаться почти вровень.
В новости есть и небольшой негатив: Sonnet, главная рабочая лошадка бесплатного тарифа и 20-долларовой подписки Claude Pro, отстал от Opus уже на две версии – сейчас это 4.6 против 4.8.
При этом о новой версии почти нет слухов, поэтому не исключено, что Anthropic ведет нас к схеме, когда Opus станет “ежедневной” моделью, а Mythos – инструментом для сложных задач. Проблема в том, что тот же Opus выжигает лимиты 20-долларовой подписки буквально за пару дней – так что рабочей такая схема будет только на 100-долларовом тарифе Max. OpenAI здесь выглядит более выгодной альтернативой – GPT-5.5 отлично работает даже на 20-долларовом ChatGPT Plus.
Про то, как экономить лимиты при работе с ИИ, у меня тоже есть лонгрид на “Бусти”. Плюс зеркало на Sponsr, если трудности с подпиской.
Три дня провел с новой моделью Anthropic, очень доволен. Прямо вернулся вайб Opus 4.5, который я полюбил за качественные тексты на русском. В 4.6 качество заметно снизилось, 4.7 был близок к катастрофе, и вот, наконец, улучшение. Opus 4.8 отлично чувствует темп текста, а редактура нужна совсем небольшая – в отличие от 4.7, эта модель редко вставляет англицизмы, непереведенные слова и просто неудачные стилистические решения.
Сразу подсвечу пару мини-промтов, которые я использую, когда текст мне не нравится, а руками править лень:
– Посмотри на текст как его потенциальный читатель. Если есть, то укажи места, где текст тебя перестал цеплять и где показался тебе не понятным. Результат – таблицей “было - рекомендуется исправить”.
– Перечитай текст как литературный редактор. Все ли написано на правильном русском языке, нет ли мест, где используется лишняя терминология, или термины употреблены с ошибкой. Результат – таблицей “было - рекомендуется исправить”.
Лучше стал веб-поиск. Модель ищет очень быстро, буквально за десяток секунд перебирая множество источников. По моим впечатлениям, Opus 4.8 здесь вплотную подошел к GPT-5.5 – единственный плюс модели OpenAI в том, что она умеет читать некоторые веб-страницы, на которых Опус пасует.
И второй трюк. В англоязычном интернете много платных СМИ – от The New York Times до The Information. Прочитать их тексты напрямую не могут ни Opus, ни GPT, но есть хитрость – подписные тексты обычно растаскивают на цитаты СМИ поменьше. Поэтому используйте такой промпт (не забудьте подождать 24-48 часов, пока статью разберут на цитаты):
[ссылка на материал за пейволлом] – реконструируй эту статью по цитатам в других СМИ. Оцени в % полноту реконструкции.
И уже традиционно Opus – сильнейшая модель в фронтенде. В пятницу я написал для “Бусти” лонгрид, как не генерить ИИ-слоп, добиваясь от модели оригинальных ответов. Одна из глав в тексте посвящена веб-дизайну, и Opus 4.8 приятно поразил меня как способностью подбирать разные стили, так и качеством верстки – модель с первого раза выдает ровный дизайн практически без дефектов. Здесь полный разгром GPT-5.5, у которой текст до сих пор вылезает за плашки, а элементы интерфейса перекрывают друг друга.
Я слежу за отзывами в X/Twitter и почти не вижу негатива по Opus 4.8. Пусть сама Anthropic и называет эту модель “скромным апгрейдом”, но прогресс виден по всем фронтам – от кода до математики. Интересно посмотреть, каким будет ответ OpenAI на новинку.
И кстати, мы почти точно знаем, каким будет ответ Anthropic на ответ OpenAI. В анонсе Opus 4.8 компания спрятала еще один анонс – “доступ к Claude Mythos планируется открыть всем клиентам в ближайшие недели”. Mythos – модель классом выше Opus, кибер-возможности которой настолько поразили разработчиков, что ее поначалу сделали доступной только ограниченному количеству партнеров.
В Anthropic утверждают, что разработали новые защитные механизмы, дающие уверенность, что Mythos не будет использован злоумышленниками. Но я не исключаю, что в компании просто чувствуют конкуренцию – GPT-5.5 уже близка по кибер-возможностям к Mythos, а новая версия может оказаться почти вровень.
В новости есть и небольшой негатив: Sonnet, главная рабочая лошадка бесплатного тарифа и 20-долларовой подписки Claude Pro, отстал от Opus уже на две версии – сейчас это 4.6 против 4.8.
При этом о новой версии почти нет слухов, поэтому не исключено, что Anthropic ведет нас к схеме, когда Opus станет “ежедневной” моделью, а Mythos – инструментом для сложных задач. Проблема в том, что тот же Opus выжигает лимиты 20-долларовой подписки буквально за пару дней – так что рабочей такая схема будет только на 100-долларовом тарифе Max. OpenAI здесь выглядит более выгодной альтернативой – GPT-5.5 отлично работает даже на 20-долларовом ChatGPT Plus.
Про то, как экономить лимиты при работе с ИИ, у меня тоже есть лонгрид на “Бусти”. Плюс зеркало на Sponsr, если трудности с подпиской.
2❤59👍31🔥10
Как не влезть в техдолг из-за ИИ
Исследовательская компания METR, которая сравнивает производительность инженеров с ИИ и без него, не смогла набрать группу для очередного исследования. Кандидаты просто массово отказывались кодить без ИИ: это сложно, (уже) непривычно и долго.
Но всегда ли хорош ИИ, который ускоряет работу? Инженер Джеймс Шор написал виральный пост, в котором напомнил: продуктивность IT-команды определяется не скоростью написания кода, а стоимостью его сопровождения после выпуска. Те, кто связан с разработкой, поняли, что речь о техдолге.
Шор использовал следующую оценку: на месяц написания кода требуется 10 дней сопровождения в первый год и по 5 дней в каждый следующий. Тогда при обычных издержках команда через 10 лет будет заниматься только техдолгом.
По мнению Шора, ИИ должен не просто писать код в два раза быстрее, но и выпускать такой код, который потребует в два раза меньше обслуживания. Иначе момент, когда команда занимается только обслуживанием техдолга, настанет уже через пять лет.
С Шором можно спорить: траектория развития ИИ настолько крутая, что если она сохранится, то через пять лет модели будут писать код на принципиально другом уровне. Но сейчас это работает скорее в другую сторону: актуальные модели генерируют больше техдолга, чем инженеры (исследование Faros-2026 говорит о +54% багов на разработчика и росте инцидентов в ×3,4). А сверху наслаивается недостаток опыта в использовании, когда на рынке почти отсутствуют специалисты, способные грамотно провести черту между “здесь мы используем ИИ” и “здесь работает человек”.
Шор говорит о разработке – в ней с техдолгом знакомы уже десятки лет, есть понимание, зачем этот долг создавать, и как с ним работать. ИИ меняет темпы накопления техдолга, но не приносит в разработку чего-то нового.
Но важно понимать, что свой “техдолг” из-за ИИ-ускорения может начать копиться и в любой другой интеллектуальной сфере – в том числе, в вашей. Расскажу на примере того, с чем знаком сам – редакционной работы.
ИИ можно отдать написание текстов – и получить больший объем контента за меньшие деньги. Но информационный поток у СМИ примерно одинаковый, а читатели идут за авторским мнением – и его ИИ не создаст никогда.
Можно сгрузить на ИИ поиск информации – он соберет ее быстро и с качественным фактчеком. Но лучшие поводы добываются “руками”, с помощью уже существующих контактов или невероятно редкого навыка находить нужные контакты в нужное время. С ИИ есть риск потерять и контакты, и навык.
С помощью ИИ можно генерировать идеи для статей/постов и целые контент-планы. Риск здесь даже не в том, что рано или поздно ИИ придумает ерунду, а в том, что вы рискуете разучиться эту ерунду замечать.
Но и полностью отказаться от ИИ нельзя – вы отстанете, причем быстро. Что же делать?
В разработке с техдолгом живут десятилетия. И создали ряд приемов, как с ним работать. Я изучил их и нашел те, которые переносятся на другие сферы:
— “бойскаутское правило”. Гасить долг постоянно, пусть и маленькими порциями. Так же и с ИИ-контентом надо работать регулярно, пусть и понемногу.
— выделенный бюджет на работу с долгом. Выделите себе определенное время (час в день, день в неделю – зависит от задач), когда вы не производите новые единицы ИИ-контента, а улучшаете сам процесс: анализируете сделанные материалы, улучшаете промпты и скиллы, экспериментируете с новыми подходами/моделями.
— переписывать невозвратный долг. Если ИИ плохо справился с задачей – лучше выкинуть результат и сделать его еще раз. Возможно, своими руками.
— честно помечать техдолг. В разработке это делает senior-программист, полагаясь на опыт и даже интуицию. В любой другой сфере можно помечать, что ИИ делает плохо, где срезает углы – для этого нужны те же опыт и интуиция, которые нарабатываются по мере работы с ИИ.
Своим опытом использования ИИ я стараюсь делиться на “Бусти” – в том числе, рассказываю, как правильно искать информацию, генерировать идеи и получать результат, а не ИИ-слоп.
Самое время подписаться!
Исследовательская компания METR, которая сравнивает производительность инженеров с ИИ и без него, не смогла набрать группу для очередного исследования. Кандидаты просто массово отказывались кодить без ИИ: это сложно, (уже) непривычно и долго.
Но всегда ли хорош ИИ, который ускоряет работу? Инженер Джеймс Шор написал виральный пост, в котором напомнил: продуктивность IT-команды определяется не скоростью написания кода, а стоимостью его сопровождения после выпуска. Те, кто связан с разработкой, поняли, что речь о техдолге.
Шор использовал следующую оценку: на месяц написания кода требуется 10 дней сопровождения в первый год и по 5 дней в каждый следующий. Тогда при обычных издержках команда через 10 лет будет заниматься только техдолгом.
По мнению Шора, ИИ должен не просто писать код в два раза быстрее, но и выпускать такой код, который потребует в два раза меньше обслуживания. Иначе момент, когда команда занимается только обслуживанием техдолга, настанет уже через пять лет.
С Шором можно спорить: траектория развития ИИ настолько крутая, что если она сохранится, то через пять лет модели будут писать код на принципиально другом уровне. Но сейчас это работает скорее в другую сторону: актуальные модели генерируют больше техдолга, чем инженеры (исследование Faros-2026 говорит о +54% багов на разработчика и росте инцидентов в ×3,4). А сверху наслаивается недостаток опыта в использовании, когда на рынке почти отсутствуют специалисты, способные грамотно провести черту между “здесь мы используем ИИ” и “здесь работает человек”.
Шор говорит о разработке – в ней с техдолгом знакомы уже десятки лет, есть понимание, зачем этот долг создавать, и как с ним работать. ИИ меняет темпы накопления техдолга, но не приносит в разработку чего-то нового.
Но важно понимать, что свой “техдолг” из-за ИИ-ускорения может начать копиться и в любой другой интеллектуальной сфере – в том числе, в вашей. Расскажу на примере того, с чем знаком сам – редакционной работы.
ИИ можно отдать написание текстов – и получить больший объем контента за меньшие деньги. Но информационный поток у СМИ примерно одинаковый, а читатели идут за авторским мнением – и его ИИ не создаст никогда.
Можно сгрузить на ИИ поиск информации – он соберет ее быстро и с качественным фактчеком. Но лучшие поводы добываются “руками”, с помощью уже существующих контактов или невероятно редкого навыка находить нужные контакты в нужное время. С ИИ есть риск потерять и контакты, и навык.
С помощью ИИ можно генерировать идеи для статей/постов и целые контент-планы. Риск здесь даже не в том, что рано или поздно ИИ придумает ерунду, а в том, что вы рискуете разучиться эту ерунду замечать.
Но и полностью отказаться от ИИ нельзя – вы отстанете, причем быстро. Что же делать?
В разработке с техдолгом живут десятилетия. И создали ряд приемов, как с ним работать. Я изучил их и нашел те, которые переносятся на другие сферы:
— “бойскаутское правило”. Гасить долг постоянно, пусть и маленькими порциями. Так же и с ИИ-контентом надо работать регулярно, пусть и понемногу.
— выделенный бюджет на работу с долгом. Выделите себе определенное время (час в день, день в неделю – зависит от задач), когда вы не производите новые единицы ИИ-контента, а улучшаете сам процесс: анализируете сделанные материалы, улучшаете промпты и скиллы, экспериментируете с новыми подходами/моделями.
— переписывать невозвратный долг. Если ИИ плохо справился с задачей – лучше выкинуть результат и сделать его еще раз. Возможно, своими руками.
— честно помечать техдолг. В разработке это делает senior-программист, полагаясь на опыт и даже интуицию. В любой другой сфере можно помечать, что ИИ делает плохо, где срезает углы – для этого нужны те же опыт и интуиция, которые нарабатываются по мере работы с ИИ.
Своим опытом использования ИИ я стараюсь делиться на “Бусти” – в том числе, рассказываю, как правильно искать информацию, генерировать идеи и получать результат, а не ИИ-слоп.
Самое время подписаться!
2🔥35👍29❤21
Perplexity показала Search as Code – новую технологию веб-поиска. А у меня с ней случилась персональная интересная история...
Но по порядку. Поначалу ИИ-поиск сталкивался с той же проблемой, что и человеческий. Мы задавали модели вопрос, она пишет запрос в поисковик – и получает в ответ классический “экран с 10 ссылками”.
Если нужно найти адрес ближайшего отделения банка – этого достаточно. Если задача более сложная, то модель пишет второй запрос, третий, четвертый. На каждый она получает новый набор ссылок, в котором обязательно будет мусор. С ростом количества запросов контекстное окно разбухает, увеличивается расход токенов или лимитов, падает скорость, а вероятность ошибки – растет.
Разработчики ИИ придумывают, как оптимизировать поиск, чтобы в модель приходили уже оптимизированные результаты. Но этого мало: представьте, что вы, например, ищите Audi Q7 2019–2022 года, 200 км от Петербурга или Москва, в определенный бюджет. ИИ здесь нужно перелопатить сразу несколько площадок, выставив на каждой нужные критерии, отрезать или пометить варианты из-за границы, отрезать варианты с проблемной историей владения и так далее.
Perplexity Search as Code под такие задачи пишет программу на Python: она правильно формулирует запросы, проставляет ограничения и отправляет запросы “веером”, а не один за другим. При этом ИИ получает не всю поисковую выборку подряд, а выжимку под указанные ограничения – благодаря этому достигается скорость и экономия токенов.
Забегу немного вперед: написав первые строчки этого поста, я взял ссылку с пресс-релизом Perplexity и закинул ее в Claude Code с одним вопросом – “а слабо написать такую же штуку?”
Opus 4.8 попыхтел несколько минут и честно ответил, чтона слабо иди GPT-5.5 бери, мешок с костями сделать можно, вот несколько вариантов реализации MVP, вот как тестировать и развивать дальше, но есть и пара честных ограничений.
Первое – Perplexity взяли собственный поисковый движок и разобрали его на части, доступ к которым открыли Search as Code. Грубо говоря, модель видит внутреннее устройство: ранжирование, фильтры, механизм извлечения нужного куска страницы. Это повышает эффективность.
И второе. Search as Code постоянно дорабатывается на основе огромного количества поисковых запросов, проходящих через Perplexity. У решения, которое на коленке соберет Claude Code, такого объема не будет – хотя также можно заложить простенькое самообучение на существующих запросах.
В собственных замерах Perplexity не увидели заметного роста эффективности Search as Code на простых запросах. А вот на сложных расход токенов упал на 85% при той же точности – значит, система ответила быстрее и потратила меньше кредитов.
А теперь самое интересное. Пока я писал пост, Claude Code написал прототип аналогичной системы, прогнал тесты и поделился наблюдениями:
– webfetch у Claude Code работает на основе мини-ИИ, который отдает основной модели не сырой результат, а обработанный. Это тоже позволяет экономить токены и показывает как другие команды работают над улучшением поиска.
– скорость действительно выросла за счет параллельных запросов.
– после первых тестов Claude Code нашел вариант, как экономить токены, и обогнал свой webfetch.
То есть концепция рабочая. У Perplexity она пока доступна в Search API и агенте Perplexity Computer. У меня похожая штука за час появилась на VPS благодаря Claude Code. Понятно, что эффективность ниже, но для экспериментов хватит: сейчас Claude работает над подключением ее к Hermes, который у меня каждое утро собирает подборку ИИ-новостей – буду тестировать на живых задачах и смотреть, как работает.
Таким вот опытом использования ИИ-агентов я делюсь на “Бусти”, где рассказываю, с чего начать работу, как сделать ее безопасной и эффективной, как правильно промптить агентов и чат-ботов.
Самое время подписаться!
Но по порядку. Поначалу ИИ-поиск сталкивался с той же проблемой, что и человеческий. Мы задавали модели вопрос, она пишет запрос в поисковик – и получает в ответ классический “экран с 10 ссылками”.
Если нужно найти адрес ближайшего отделения банка – этого достаточно. Если задача более сложная, то модель пишет второй запрос, третий, четвертый. На каждый она получает новый набор ссылок, в котором обязательно будет мусор. С ростом количества запросов контекстное окно разбухает, увеличивается расход токенов или лимитов, падает скорость, а вероятность ошибки – растет.
Разработчики ИИ придумывают, как оптимизировать поиск, чтобы в модель приходили уже оптимизированные результаты. Но этого мало: представьте, что вы, например, ищите Audi Q7 2019–2022 года, 200 км от Петербурга или Москва, в определенный бюджет. ИИ здесь нужно перелопатить сразу несколько площадок, выставив на каждой нужные критерии, отрезать или пометить варианты из-за границы, отрезать варианты с проблемной историей владения и так далее.
Perplexity Search as Code под такие задачи пишет программу на Python: она правильно формулирует запросы, проставляет ограничения и отправляет запросы “веером”, а не один за другим. При этом ИИ получает не всю поисковую выборку подряд, а выжимку под указанные ограничения – благодаря этому достигается скорость и экономия токенов.
Забегу немного вперед: написав первые строчки этого поста, я взял ссылку с пресс-релизом Perplexity и закинул ее в Claude Code с одним вопросом – “а слабо написать такую же штуку?”
Opus 4.8 попыхтел несколько минут и честно ответил, что
Первое – Perplexity взяли собственный поисковый движок и разобрали его на части, доступ к которым открыли Search as Code. Грубо говоря, модель видит внутреннее устройство: ранжирование, фильтры, механизм извлечения нужного куска страницы. Это повышает эффективность.
И второе. Search as Code постоянно дорабатывается на основе огромного количества поисковых запросов, проходящих через Perplexity. У решения, которое на коленке соберет Claude Code, такого объема не будет – хотя также можно заложить простенькое самообучение на существующих запросах.
В собственных замерах Perplexity не увидели заметного роста эффективности Search as Code на простых запросах. А вот на сложных расход токенов упал на 85% при той же точности – значит, система ответила быстрее и потратила меньше кредитов.
А теперь самое интересное. Пока я писал пост, Claude Code написал прототип аналогичной системы, прогнал тесты и поделился наблюдениями:
– webfetch у Claude Code работает на основе мини-ИИ, который отдает основной модели не сырой результат, а обработанный. Это тоже позволяет экономить токены и показывает как другие команды работают над улучшением поиска.
– скорость действительно выросла за счет параллельных запросов.
– после первых тестов Claude Code нашел вариант, как экономить токены, и обогнал свой webfetch.
То есть концепция рабочая. У Perplexity она пока доступна в Search API и агенте Perplexity Computer. У меня похожая штука за час появилась на VPS благодаря Claude Code. Понятно, что эффективность ниже, но для экспериментов хватит: сейчас Claude работает над подключением ее к Hermes, который у меня каждое утро собирает подборку ИИ-новостей – буду тестировать на живых задачах и смотреть, как работает.
Таким вот опытом использования ИИ-агентов я делюсь на “Бусти”, где рассказываю, с чего начать работу, как сделать ее безопасной и эффективной, как правильно промптить агентов и чат-ботов.
Самое время подписаться!
2🔥47❤30👍21😁4👏2
RTX Spark – для кого именно Nvidia “переизобрела PC”?
Nvidia и Microsoft на днях представили RTX Spark – новую мощную платформу для ПК и ноутбуков, заточенных под гейминг, творечество и локальный запуск моделей. Разберемся, что это за штука и кому она может быть полезна.
У платформы будет до 20 ядер Grace CPU (на Arm-архитектуре, что редко для Windows) и 6144 ядра RTX Blackwell GPU – это примерно уровень мобильной RTX 5070. На фоне RTX 5090 и даже 4090, на которых обычно гоняют локальный ИИ, звучит скромно – но сила в другом.
На RTX 5090 модель влезает только в 32 ГБ видеопамяти карты. У RTX Spark же обещан единый пул памяти на 128 ГБ – правда, значительно более медленной. Пропускная способность оценивается в ~273 ГБ/с против 1.79 ТБ/с у RTX 5090.
Это осознанный компромисс. Если RTX 5090 с огромной скоростью запускает небольшие модели, то RTX Spark, пусть и с меньшей скоростью, но куда более приличные – сама Nvidia заявляет модели на 120 млрд параметров с контекстом 1M токенов. При этом чуть раньше, в блоге про ИИ-агента Hermes, Nvidia хвалила Qwen 3.6 на 35 миллиардов параметров, который требует 20ГБ памяти, но обходит 120-миллиардные модели.
Дело в быстром алгоритмическом прогрессе: модель того же размера, но на год новее, обходит предшественницу по бенчмаркам. И второй момент: память нужна не только под саму модель, но и под контекстное окно – историю диалога. Для чат-ботов в режиме “вопрос – ответ” это не так важно, а вот для агентов с их многошаговой работой – критично.
Третий момент – память нужна для дообучения моделей под свои задачи. Раньше для этого требовалось арендовать облачные ускорители, теперь можно справиться на локальном железе.
И все же RTX Spark даст опыт слабее облачной подписки. В том же Claude Opus 4.8 более триллиона параметров и контекстное окно в тот же самый 1M. Экспертами RTX Spark оценивается в 3 тысячи долларов (официальных цифр еще нет) – получается, можно взять стартовый Mac Mini M4 и профессиональную подписку Claude Max x5 почти на два года.
Кому же в таком случае нужен RTX Spark?
В первую очередь – ИИ-энтузиастам. Писать промты, кодить с помощью моделей, строить ИИ-агентов – классный опыт, который уже ставит пользователя на ступеньку выше остальных. Но дообучение моделей, их тонкая настройка – это уже следующий шаг.
Второе вытекает из первого. Есть критические области, где локальный ИИ важен и без всякой утечки данных: медицина, юриспруденция, корпоративный контур. В этих областях часто ограниченный список задач, под которые можно дообучить локальную модель, получив ничуть не худший результат.
Плюс не забываем про такую важную вещь, как дрейф модели. Anthropic выпустила Opus 4.8 всего через 6 недель после Opus 4.7 – новинка лучше по бенчмаркам, но ведет себя совершенно иначе и в моем случае потребовала переделки множества промптов и скиллов. При этом старые модели живут недолго: из подписок Claude уже убрали Opus 4.5, в API модели держат подольше, но тоже не бесконечно.
Параллельно дрейфует и сама подписка: недавно Anthropic запретила использовать модели из подписок Claude в OpenClaw и других агентах. Это прямо затронуло меня: пришлось пробовать GPT-5.3-Codex, чей стиль ответов меня не устроил, поэтому я надолг прекратил пользоваться OpenClaw и только недавно вернулся на другого агента с Hermes на GPT-5.5, которая работает заметно лучше.
Для ИИ-энтузиаста вроде меня подобные “скачки” не так страшны – я люблю пробовать все новое, так что быстро привыкаю. Но в случае с настроенными процессами есть ситуации, когда лучше подобрать локальную модель.
И не забываем, что RTX Spark – это многофункциональный компьютер. Nvidia обещает приличную производительность в видеоиграх и софте вроде Adobe Photoshop, где ИИ-функции тоже могут пригодиться – например, в тех же играх экспериментируют с искусственным интеллектом соперников на основе небольших нейросетей.
На "Бусти" я делюсь опытом использования ИИ: есть курсы для начинающих, по промптингу и построению ИИ-агентов.
Самое время подписаться!
Nvidia и Microsoft на днях представили RTX Spark – новую мощную платформу для ПК и ноутбуков, заточенных под гейминг, творечество и локальный запуск моделей. Разберемся, что это за штука и кому она может быть полезна.
У платформы будет до 20 ядер Grace CPU (на Arm-архитектуре, что редко для Windows) и 6144 ядра RTX Blackwell GPU – это примерно уровень мобильной RTX 5070. На фоне RTX 5090 и даже 4090, на которых обычно гоняют локальный ИИ, звучит скромно – но сила в другом.
На RTX 5090 модель влезает только в 32 ГБ видеопамяти карты. У RTX Spark же обещан единый пул памяти на 128 ГБ – правда, значительно более медленной. Пропускная способность оценивается в ~273 ГБ/с против 1.79 ТБ/с у RTX 5090.
Это осознанный компромисс. Если RTX 5090 с огромной скоростью запускает небольшие модели, то RTX Spark, пусть и с меньшей скоростью, но куда более приличные – сама Nvidia заявляет модели на 120 млрд параметров с контекстом 1M токенов. При этом чуть раньше, в блоге про ИИ-агента Hermes, Nvidia хвалила Qwen 3.6 на 35 миллиардов параметров, который требует 20ГБ памяти, но обходит 120-миллиардные модели.
Дело в быстром алгоритмическом прогрессе: модель того же размера, но на год новее, обходит предшественницу по бенчмаркам. И второй момент: память нужна не только под саму модель, но и под контекстное окно – историю диалога. Для чат-ботов в режиме “вопрос – ответ” это не так важно, а вот для агентов с их многошаговой работой – критично.
Третий момент – память нужна для дообучения моделей под свои задачи. Раньше для этого требовалось арендовать облачные ускорители, теперь можно справиться на локальном железе.
И все же RTX Spark даст опыт слабее облачной подписки. В том же Claude Opus 4.8 более триллиона параметров и контекстное окно в тот же самый 1M. Экспертами RTX Spark оценивается в 3 тысячи долларов (официальных цифр еще нет) – получается, можно взять стартовый Mac Mini M4 и профессиональную подписку Claude Max x5 почти на два года.
Кому же в таком случае нужен RTX Spark?
В первую очередь – ИИ-энтузиастам. Писать промты, кодить с помощью моделей, строить ИИ-агентов – классный опыт, который уже ставит пользователя на ступеньку выше остальных. Но дообучение моделей, их тонкая настройка – это уже следующий шаг.
Второе вытекает из первого. Есть критические области, где локальный ИИ важен и без всякой утечки данных: медицина, юриспруденция, корпоративный контур. В этих областях часто ограниченный список задач, под которые можно дообучить локальную модель, получив ничуть не худший результат.
Плюс не забываем про такую важную вещь, как дрейф модели. Anthropic выпустила Opus 4.8 всего через 6 недель после Opus 4.7 – новинка лучше по бенчмаркам, но ведет себя совершенно иначе и в моем случае потребовала переделки множества промптов и скиллов. При этом старые модели живут недолго: из подписок Claude уже убрали Opus 4.5, в API модели держат подольше, но тоже не бесконечно.
Параллельно дрейфует и сама подписка: недавно Anthropic запретила использовать модели из подписок Claude в OpenClaw и других агентах. Это прямо затронуло меня: пришлось пробовать GPT-5.3-Codex, чей стиль ответов меня не устроил, поэтому я надолг прекратил пользоваться OpenClaw и только недавно вернулся на другого агента с Hermes на GPT-5.5, которая работает заметно лучше.
Для ИИ-энтузиаста вроде меня подобные “скачки” не так страшны – я люблю пробовать все новое, так что быстро привыкаю. Но в случае с настроенными процессами есть ситуации, когда лучше подобрать локальную модель.
И не забываем, что RTX Spark – это многофункциональный компьютер. Nvidia обещает приличную производительность в видеоиграх и софте вроде Adobe Photoshop, где ИИ-функции тоже могут пригодиться – например, в тех же играх экспериментируют с искусственным интеллектом соперников на основе небольших нейросетей.
На "Бусти" я делюсь опытом использования ИИ: есть курсы для начинающих, по промптингу и построению ИИ-агентов.
Самое время подписаться!
4👍34🔥23❤18
Anthropic: ИИ уже ускоряет разработку ИИ, а люди – бутылочное горлышко
Anthropic Institute опубликовал доклад о том, как последние версии Claude Opus и Mythos изменили разработку внутри компании – в том числе, повлияли на создание новых версий ИИ. Цифры впечатляют настолько, что Anthropic почти открытым текстом предлагает себе и коллегам “притормозить” – редкое заявление от компании, чей бизнес построен вокруг ИИ.
К маю 2026 года более 80% кода, влитого в кодовую базу Anthropic написал Claude. Перелом – запуск агента Claude Code в феврале 2025: до него ИИ писал лишь несколько процентов кода.
Сейчас это "автономные агенты": Claude Code сам запускает и проверяет код, берёт задачи на часы и раздаёт их субагентам. И если еще в конце 2025 года написанный Claude код был хуже человеческого, то теперь в компании не видят разницы на большинстве задач.
Пара интересных тестов, которые проводят в Anthropic. Первый – берут момент, где инженер сам признавал, что мог выбрать шаг лучше, и сравнивают его решение с подсказкой модели. Opus 4.5 оказывался сильнее человека в 51% случаев, Mythos Preview – уже в 64%.
Второй – это процент успешных задач, которые модель доводит до конца. Сейчас он выше 80% для тривиальных, рутинных и серьезных задач и выше 70% для “открытых задач” – то есть тех, где модели нужно найти решение самой.
Все это позволило поднять количество кода, который пишет один инженер, в 8 раз в сравнении с 2024 годом – впрочем, в Anthropic сразу оговариваются, что метрика не идеальна. Казалось бы, самое время завести песню про “люди больше не нужны”, но в Anthropic жалуются на совершенно иное: люди сейчас стали основным “бутылочным горлышком.
То, с чем столкнулись в компании, называют законом Амдала: когда ускорение происходит на одном этапе, то нагрузка перекладывается на соседний. Например, в апреле Claude выпустил 800+ фиксов и снизил класс API-ошибок в тысячу раз: по оценке специалистов компании, у людей заняло бы 4 года. А теперь представьте, сколько контекста должен удержать ревьюер всего этого – и сколько взять на себя ответственности.
В случае с Anthropic этим этапом стало ревью кода – люди просто не успевают принимать и оценивать все, что пишет ИИ. Частично эту проблему решили с помощью ИИ-ревьювера – тесты показали, что он бы отловил до трети багов, которые привели к уже случившимся инцидентам на Claude.ai.
Этот объем будет расти и дальше, а роль человека, по мнению Anthropic, будет и дальше смещаться в сторону “творческого вкуса”. Если раньше инженеры писали код руками, то теперь они все реже будут решать даже “как делаем”, вместо этого указывая модели направление – “что делаем” и “тот ли это результат, что хотели”. Уровень престижнее, но и тяжелее: больше ответственности – а для психики это серьёзное испытание.
Далее Anthropic видит три сценария. Первый – тренд замедляется (предпосылок к этому в компании пока не видят); тогда нынешние возможности ИИ просто разойдутся по другим секторам.
Второй и самый вероятный – тренд продолжается, лаборатории получают ускорение от моделей, а компании из 100 человек начинают делать работу, которую ранее делали 10 тыс. Но направления этой работы все еще задают люди.
Третий – пресловутое рекурсивное улучшение. ИИ создает новые версии ИИ в почти автоматическом цикле, роль людей сводится к надзору. Здесь риск в выравнивании моделей – если в ИИ заложить неправильные ценности, то на каждом цикле улучшения они будут усиливаться. В Anthropic считают, что неплохо бы иметь “стоп-кран” на случай, если ускорение выйдет из-под контроля, но делать это нужно не на уровне одной компании, а на уровне государств.
Спор про стоп-краны – уровень государств, тут от нас мало что зависит. А вот вывод для нас с вами в наших руках: ценным становится умение направлять ИИ, а не делать руками. Этому я и учу на Бусти – промптинг, агенты, основы без хайпа.
Самое время подписаться!
Anthropic Institute опубликовал доклад о том, как последние версии Claude Opus и Mythos изменили разработку внутри компании – в том числе, повлияли на создание новых версий ИИ. Цифры впечатляют настолько, что Anthropic почти открытым текстом предлагает себе и коллегам “притормозить” – редкое заявление от компании, чей бизнес построен вокруг ИИ.
К маю 2026 года более 80% кода, влитого в кодовую базу Anthropic написал Claude. Перелом – запуск агента Claude Code в феврале 2025: до него ИИ писал лишь несколько процентов кода.
Сейчас это "автономные агенты": Claude Code сам запускает и проверяет код, берёт задачи на часы и раздаёт их субагентам. И если еще в конце 2025 года написанный Claude код был хуже человеческого, то теперь в компании не видят разницы на большинстве задач.
Пара интересных тестов, которые проводят в Anthropic. Первый – берут момент, где инженер сам признавал, что мог выбрать шаг лучше, и сравнивают его решение с подсказкой модели. Opus 4.5 оказывался сильнее человека в 51% случаев, Mythos Preview – уже в 64%.
Второй – это процент успешных задач, которые модель доводит до конца. Сейчас он выше 80% для тривиальных, рутинных и серьезных задач и выше 70% для “открытых задач” – то есть тех, где модели нужно найти решение самой.
Все это позволило поднять количество кода, который пишет один инженер, в 8 раз в сравнении с 2024 годом – впрочем, в Anthropic сразу оговариваются, что метрика не идеальна. Казалось бы, самое время завести песню про “люди больше не нужны”, но в Anthropic жалуются на совершенно иное: люди сейчас стали основным “бутылочным горлышком.
То, с чем столкнулись в компании, называют законом Амдала: когда ускорение происходит на одном этапе, то нагрузка перекладывается на соседний. Например, в апреле Claude выпустил 800+ фиксов и снизил класс API-ошибок в тысячу раз: по оценке специалистов компании, у людей заняло бы 4 года. А теперь представьте, сколько контекста должен удержать ревьюер всего этого – и сколько взять на себя ответственности.
В случае с Anthropic этим этапом стало ревью кода – люди просто не успевают принимать и оценивать все, что пишет ИИ. Частично эту проблему решили с помощью ИИ-ревьювера – тесты показали, что он бы отловил до трети багов, которые привели к уже случившимся инцидентам на Claude.ai.
Этот объем будет расти и дальше, а роль человека, по мнению Anthropic, будет и дальше смещаться в сторону “творческого вкуса”. Если раньше инженеры писали код руками, то теперь они все реже будут решать даже “как делаем”, вместо этого указывая модели направление – “что делаем” и “тот ли это результат, что хотели”. Уровень престижнее, но и тяжелее: больше ответственности – а для психики это серьёзное испытание.
Далее Anthropic видит три сценария. Первый – тренд замедляется (предпосылок к этому в компании пока не видят); тогда нынешние возможности ИИ просто разойдутся по другим секторам.
Второй и самый вероятный – тренд продолжается, лаборатории получают ускорение от моделей, а компании из 100 человек начинают делать работу, которую ранее делали 10 тыс. Но направления этой работы все еще задают люди.
Третий – пресловутое рекурсивное улучшение. ИИ создает новые версии ИИ в почти автоматическом цикле, роль людей сводится к надзору. Здесь риск в выравнивании моделей – если в ИИ заложить неправильные ценности, то на каждом цикле улучшения они будут усиливаться. В Anthropic считают, что неплохо бы иметь “стоп-кран” на случай, если ускорение выйдет из-под контроля, но делать это нужно не на уровне одной компании, а на уровне государств.
Спор про стоп-краны – уровень государств, тут от нас мало что зависит. А вот вывод для нас с вами в наших руках: ценным становится умение направлять ИИ, а не делать руками. Этому я и учу на Бусти – промптинг, агенты, основы без хайпа.
Самое время подписаться!
👍52❤24🔥15👏7😁6
Hermes и OpenClaw – как там дела у ИИ-ассистентов?
Я только что закончил работу над новым лонгридом для подписки, в котором рассказываю об опыте работы с Hermes и OpenClaw. И в процессе написания задумался – а кому реально можно посоветовать эти ИИ-ассистенты? В тексте выделил две категории, а сейчас на ум пришла третья.
Начнем с ИИ-энтузиастов. Hermes и OpenClaw – open source проекты, которые делаются сообществом. И очень часто сообщество внедряет новые интересные функции быстрее разработчиков. Я экспериментировал с тем же OpenClaw в феврале, и вижу, что знакомые функции уже “перетащили” к себе авторы Claude Code и Codex. А сейчас начинается новый виток: у Hermes есть классная функция самоулучшения скиллов, а OpenClaw умеет “дремать” (dreaming), анализируя диалоги и лучше подстраиваясь под пользователя – уверен, на эти вещи коммерческие разработчики тоже смотрят (более того, dreaming буквально сегодня запустили в ChatGPT).
Вторая категория – те, кому нужен ИИ-ассистент, работающий 24/7. Hermes и OpenClaw построены вокруг мессенджеров (Telegram, WhatsApp, Discord, Slack), а большинство из нас практически живет в них. И это удобно – иметь прямо в ТГ персонального ассистента, который будет приносить вам дайджесты, вести календарь, собирать информацию из кучи источников и держать ее в каталоге. Я в Hermes веду базу новостных поводов: информация поступает ко мне через кучу каналов, я перекидываю сообщения и ссылки ИИ-агенту, он сортирует, проверяет, не пропущены ли важные поводы – и по запросу возвращает мне сводку, за что браться сейчас, что положить в бэклог, а что пропустить. Кстати, вайб-кодить эти ассистенты тоже умеют 😏
Наконец, третья категория – те, кому в ChatGPT стало тесно. Хочется попробовать что-то новое, а что – не ясно. Hermes/OpenClaw очень просто освоить после чат-бота, ведь по сути это такой же чат, просто в Telegram или WhatsApp. Разделение на проекты и файлы персонализации вроде SOUL и MEMORY здесь тоже есть, но агент возится с ними сам, не забивая голову пользователю.
Единственное, что установить Hermes или OpenClaw сложнее, чем запустить Codex или открыть ChatGPT в браузере. Но с этим вам поможет новый текст: в нем я подробно разбираю, как установить, как настроить на старте, а также делюсь хитростями использования.
— Читать на Boosty.
— Читать на Sponsr.
Я только что закончил работу над новым лонгридом для подписки, в котором рассказываю об опыте работы с Hermes и OpenClaw. И в процессе написания задумался – а кому реально можно посоветовать эти ИИ-ассистенты? В тексте выделил две категории, а сейчас на ум пришла третья.
Начнем с ИИ-энтузиастов. Hermes и OpenClaw – open source проекты, которые делаются сообществом. И очень часто сообщество внедряет новые интересные функции быстрее разработчиков. Я экспериментировал с тем же OpenClaw в феврале, и вижу, что знакомые функции уже “перетащили” к себе авторы Claude Code и Codex. А сейчас начинается новый виток: у Hermes есть классная функция самоулучшения скиллов, а OpenClaw умеет “дремать” (dreaming), анализируя диалоги и лучше подстраиваясь под пользователя – уверен, на эти вещи коммерческие разработчики тоже смотрят (более того, dreaming буквально сегодня запустили в ChatGPT).
Вторая категория – те, кому нужен ИИ-ассистент, работающий 24/7. Hermes и OpenClaw построены вокруг мессенджеров (Telegram, WhatsApp, Discord, Slack), а большинство из нас практически живет в них. И это удобно – иметь прямо в ТГ персонального ассистента, который будет приносить вам дайджесты, вести календарь, собирать информацию из кучи источников и держать ее в каталоге. Я в Hermes веду базу новостных поводов: информация поступает ко мне через кучу каналов, я перекидываю сообщения и ссылки ИИ-агенту, он сортирует, проверяет, не пропущены ли важные поводы – и по запросу возвращает мне сводку, за что браться сейчас, что положить в бэклог, а что пропустить. Кстати, вайб-кодить эти ассистенты тоже умеют 😏
Наконец, третья категория – те, кому в ChatGPT стало тесно. Хочется попробовать что-то новое, а что – не ясно. Hermes/OpenClaw очень просто освоить после чат-бота, ведь по сути это такой же чат, просто в Telegram или WhatsApp. Разделение на проекты и файлы персонализации вроде SOUL и MEMORY здесь тоже есть, но агент возится с ними сам, не забивая голову пользователю.
Единственное, что установить Hermes или OpenClaw сложнее, чем запустить Codex или открыть ChatGPT в браузере. Но с этим вам поможет новый текст: в нем я подробно разбираю, как установить, как настроить на старте, а также делюсь хитростями использования.
— Читать на Boosty.
— Читать на Sponsr.
❤33🔥14👍13👏1
Что такое tacit knowledge и как его сохранить в эру ИИ?
На днях Microsoft провела Build 2026, где представила сразу 7 моделей собственной разработки: LLM на уровне GPT-5 (именно ранней версии, не текущей), ИИ для кодинга, а также несколько голосовых моделей и генераторов изображений. Компания заявляет, что строит “лабораторию суперинтеллекта”, а представленные модели – первый шаг в большой исследовательской работе.
Выглядит парадоксально: Microsoft является одним из ключевых партнеров и инвесторов OpenAI, по долгосрочному соглашению получая доступ ко всем передовым версиям GPT. Зачем компании линейка собственных моделей, отстающих минимум на полгода?
Ответ на это есть в интервью CEO компании Сатьи Наделлы подкасту Possible. В нем Сатья затронул термин “неявное знание” (tacit knowledge) – впервые его ввел в 1958 году Майкл Полани, бывший химик, перебравшийся в философию. Tacit knowledge по Полани – те знания, которые мы не можем описать словами. Представьте: два продавца, учились в одном месте, первый продает неплохо, второй – каким-то магическим образом перевыполняет план в разы. Вот та “магия”, что отличает второго – и есть tacit knowledge.
Вокруг этого понятия много философии, но пока вернемся к мысли Наделлы. Босс Microsoft напоминает, что разработчики ИИ открывают для обучения моделей так называемые gyms – тренировочные центры, в которые нанимают людей разных профессий, чтобы они показывали моделям свои действия.
Наделла видит здесь риск утечки tacit knowledge: из компании ушел хороший инженер (сократили или сам – не важно), в поисках денег он устроился в gym, начал обучать модель – и ваши “секреты” утекли в веса чужого ИИ и стали доступны десяткам конкурентов.
Решение Наделлы по-корпоративному жесткое: не хочешь утечки – обучай своего ИИ-ассистента на действиях сотрудников. Полностью это тебя не застрахует (люди все равно будут уходит), но как минимум ты законсервируешь собственное tacit knowledge первым.
Сильное и прямое высказывание, но к нему два вопроса. Первый – где именно грань, за которой начинается tacit knowledge? В описании Наделлы модель учится на траекториях – том, что можно записать и повторить. У Полани все иначе: если вы в процессе езды на велосипеде начнете в деталях запоминать движения левой ноги – то поездка закончится в канаве.
Но это вопрос больше философский. Возможно, ИИ никогда не поймает “искру” талантливого продажника. Возможно – поймает. В любом случае, полагаться на это не стоит.
А что стоит – так это задуматься, каким станет tacit knowledge в новой реальности. Наверняка будут и обычные ИИ-специалисты, и талантливые, с той самой “искрой”. Как оказаться в числе вторых? Первый совет дает сам Наделла – уже сейчас учиться правильно ставить задачу ИИ, а затем принимать результат работы. Грамотный промптинг, контекст-инжиниринг, использование ИИ для проверки самого себя, ручные тесты в критических точках – речь именно об этом.
Но это скорее временная гавань: Сателла честно говорит, что ведущие компании все чаще учат ИИ ставить задачи другому ИИ и принимать результат – классический пример LLM-as-a-judge. И чем дальше, тем меньше здесь места останется человеку.
Уже сейчас все чаще я слышу разговоры, что следующим этапом станет умение брать на себя ответственность за то, что сделал ИИ. И как раз здесь кроется новое разделение. Исследования показывают, что все чаще люди в разных областях, получив результат ИИ, просто нажимают “одобрить” (так называемый automation bias). Но этого недостаточно: чтобы реально брать ответственность, требуется глубоко понимать, что именно сделал ИИ и какой получил результат. И чем сложнее будут становиться ИИ-агенты, тем сложнее (и почетнее!) будет этот навык.
Я и сам стараюсь не просто требовать от ИИ результат, а глубоко закапываться в то, как он работает, где ошибается, где ленится – и как его от этого отучить. Опытом регулярно делюсь на “Бусти”, где уже сформировалось несколько обучающих мини-курсов: от правильного промптинга до создания ИИ-агентов.
Самое время подписаться!
На днях Microsoft провела Build 2026, где представила сразу 7 моделей собственной разработки: LLM на уровне GPT-5 (именно ранней версии, не текущей), ИИ для кодинга, а также несколько голосовых моделей и генераторов изображений. Компания заявляет, что строит “лабораторию суперинтеллекта”, а представленные модели – первый шаг в большой исследовательской работе.
Выглядит парадоксально: Microsoft является одним из ключевых партнеров и инвесторов OpenAI, по долгосрочному соглашению получая доступ ко всем передовым версиям GPT. Зачем компании линейка собственных моделей, отстающих минимум на полгода?
Ответ на это есть в интервью CEO компании Сатьи Наделлы подкасту Possible. В нем Сатья затронул термин “неявное знание” (tacit knowledge) – впервые его ввел в 1958 году Майкл Полани, бывший химик, перебравшийся в философию. Tacit knowledge по Полани – те знания, которые мы не можем описать словами. Представьте: два продавца, учились в одном месте, первый продает неплохо, второй – каким-то магическим образом перевыполняет план в разы. Вот та “магия”, что отличает второго – и есть tacit knowledge.
Вокруг этого понятия много философии, но пока вернемся к мысли Наделлы. Босс Microsoft напоминает, что разработчики ИИ открывают для обучения моделей так называемые gyms – тренировочные центры, в которые нанимают людей разных профессий, чтобы они показывали моделям свои действия.
Наделла видит здесь риск утечки tacit knowledge: из компании ушел хороший инженер (сократили или сам – не важно), в поисках денег он устроился в gym, начал обучать модель – и ваши “секреты” утекли в веса чужого ИИ и стали доступны десяткам конкурентов.
Решение Наделлы по-корпоративному жесткое: не хочешь утечки – обучай своего ИИ-ассистента на действиях сотрудников. Полностью это тебя не застрахует (люди все равно будут уходит), но как минимум ты законсервируешь собственное tacit knowledge первым.
Сильное и прямое высказывание, но к нему два вопроса. Первый – где именно грань, за которой начинается tacit knowledge? В описании Наделлы модель учится на траекториях – том, что можно записать и повторить. У Полани все иначе: если вы в процессе езды на велосипеде начнете в деталях запоминать движения левой ноги – то поездка закончится в канаве.
Но это вопрос больше философский. Возможно, ИИ никогда не поймает “искру” талантливого продажника. Возможно – поймает. В любом случае, полагаться на это не стоит.
А что стоит – так это задуматься, каким станет tacit knowledge в новой реальности. Наверняка будут и обычные ИИ-специалисты, и талантливые, с той самой “искрой”. Как оказаться в числе вторых? Первый совет дает сам Наделла – уже сейчас учиться правильно ставить задачу ИИ, а затем принимать результат работы. Грамотный промптинг, контекст-инжиниринг, использование ИИ для проверки самого себя, ручные тесты в критических точках – речь именно об этом.
Но это скорее временная гавань: Сателла честно говорит, что ведущие компании все чаще учат ИИ ставить задачи другому ИИ и принимать результат – классический пример LLM-as-a-judge. И чем дальше, тем меньше здесь места останется человеку.
Уже сейчас все чаще я слышу разговоры, что следующим этапом станет умение брать на себя ответственность за то, что сделал ИИ. И как раз здесь кроется новое разделение. Исследования показывают, что все чаще люди в разных областях, получив результат ИИ, просто нажимают “одобрить” (так называемый automation bias). Но этого недостаточно: чтобы реально брать ответственность, требуется глубоко понимать, что именно сделал ИИ и какой получил результат. И чем сложнее будут становиться ИИ-агенты, тем сложнее (и почетнее!) будет этот навык.
Я и сам стараюсь не просто требовать от ИИ результат, а глубоко закапываться в то, как он работает, где ошибается, где ленится – и как его от этого отучить. Опытом регулярно делюсь на “Бусти”, где уже сформировалось несколько обучающих мини-курсов: от правильного промптинга до создания ИИ-агентов.
Самое время подписаться!
❤48🔥18👍14👏7😁3
Почему писать промпты с помощью ИИ – плохая идея
…и как превратить ее в хорошую.
Один из самых частых советов, которые вижу: не писать промпт самому, а объяснить ИИ задачу и попросить написать под нее промпт. В таком подходе есть своя логика, но есть и большие ловушки.
Сначала, где этот подход логичен. Большинство людей плохо мыслят комплексно: планируя туристическую поездку, мы думаем о вещах, которые нам важны и интересны, но упускаем маленькие и “неинтересные” нюансы, которые затем могут оказаться критическими. Или просто о чем-то не знаем: то, с чем не сталкивались в пяти странах подряд – в шестой может быть важным.
Здесь ИИ действительно полезен: он умеет выходить за границы идеи и смотреть на нее “широким взглядом”, превращая в полноценную задачу.
Но у ИИ есть несколько особенностей, из-за которых он часто превращает простой промпт в плохо работающего монстра. Первая – ИИ в написании промпта чем-то похож на старательного специалиста-джуна, который боится где-то накосячить и поэтому вписывает все инструкции и ограничения, какие только придут ему в голову.
Вторая особенность – это изменение архитектуры ИИ, произошедшее за последнее время. Буквально полтора года назад модели очень сильно галлюцинировали, поэтому, чтобы добиться от них результата, приходилось делать многоэтажные промпты, где подробно описывать весь рабочий процесс, а также давать целый список того, что не стоит делать. И чем больше становится такой промпт, тем выше шансы нагородить в нем ошибок: продублировать инструкции, вписать лишние ограничения или, что хуже всего – противоречащие друг другу вещи.
Подобных промптов в прошлые годы написали десятки тысяч, все они попали в обучающие тексты новых моделей и теперь, если вы просите GPT-5.5 собрать промпт – она опирается именно на “навыки древних”.
Однако современные модели изменились. Во-первых, они отлично понимают, как выполнять ту или иную интеллектуальную задачу – и уже не требуют детального описания. Во-вторых, современные модели серьезно тренируют на следование инструкциям – поэтому они серьезно относятся ко всему, что написано в промпте или скилле.
Вот и получается, что излишняя детализация скорее мешает модели работать, а не направляет ее. Об этом, кстати, говорят и разработчики: например, OpenAI в гайде по промптингу GPT-5.5 прямым языком советует не перегружать промпт инструкциями.
То есть о промптинге с помощью ИИ можно забыть? Нет. Просто нужно немного уточнить задачу. Вот как делаю я:
В большинстве случаев этого хватает, чтобы модель не уходила в детализацию. Но в некоторых случаях ИИ может увлечься, плюс хороший промпт – это не статичный текст, а то, что мы постоянно развиваем и улучшаем. Если вы чувствуете, что промпт все-таки распух от лишних инструкций и запретов, то можно прогнать его через что-то вроде рефакторинга. Скидываем модели исходный промпт, а дальше пишем:
На самом деле, это очень универсальный прием: он работает с промптами, которые сделал ИИ, которые написали вы сами, или которые просто нашли в интернете.
Подробнее о том, как я промчу ИИ, можно прочесть в мини-курсе на “Бусти”. Там же я рассказываю, как быстро и безопасно разворачивать ИИ-агентов и даже создать себе собственного ИИ-секретаря на базе Hermes.
Самое время подписаться!
…и как превратить ее в хорошую.
Один из самых частых советов, которые вижу: не писать промпт самому, а объяснить ИИ задачу и попросить написать под нее промпт. В таком подходе есть своя логика, но есть и большие ловушки.
Сначала, где этот подход логичен. Большинство людей плохо мыслят комплексно: планируя туристическую поездку, мы думаем о вещах, которые нам важны и интересны, но упускаем маленькие и “неинтересные” нюансы, которые затем могут оказаться критическими. Или просто о чем-то не знаем: то, с чем не сталкивались в пяти странах подряд – в шестой может быть важным.
Здесь ИИ действительно полезен: он умеет выходить за границы идеи и смотреть на нее “широким взглядом”, превращая в полноценную задачу.
Но у ИИ есть несколько особенностей, из-за которых он часто превращает простой промпт в плохо работающего монстра. Первая – ИИ в написании промпта чем-то похож на старательного специалиста-джуна, который боится где-то накосячить и поэтому вписывает все инструкции и ограничения, какие только придут ему в голову.
Вторая особенность – это изменение архитектуры ИИ, произошедшее за последнее время. Буквально полтора года назад модели очень сильно галлюцинировали, поэтому, чтобы добиться от них результата, приходилось делать многоэтажные промпты, где подробно описывать весь рабочий процесс, а также давать целый список того, что не стоит делать. И чем больше становится такой промпт, тем выше шансы нагородить в нем ошибок: продублировать инструкции, вписать лишние ограничения или, что хуже всего – противоречащие друг другу вещи.
Подобных промптов в прошлые годы написали десятки тысяч, все они попали в обучающие тексты новых моделей и теперь, если вы просите GPT-5.5 собрать промпт – она опирается именно на “навыки древних”.
Однако современные модели изменились. Во-первых, они отлично понимают, как выполнять ту или иную интеллектуальную задачу – и уже не требуют детального описания. Во-вторых, современные модели серьезно тренируют на следование инструкциям – поэтому они серьезно относятся ко всему, что написано в промпте или скилле.
Вот и получается, что излишняя детализация скорее мешает модели работать, а не направляет ее. Об этом, кстати, говорят и разработчики: например, OpenAI в гайде по промптингу GPT-5.5 прямым языком советует не перегружать промпт инструкциями.
То есть о промптинге с помощью ИИ можно забыть? Нет. Просто нужно немного уточнить задачу. Вот как делаю я:
Напиши мне промпт для: [описываем задачу, например “для поиска новостей на тему ИИ”].
Сначала задай мне вопросы, которые могут тебе помочь в работе. Получив мои ответы - напиши промпт, сделай его максимально коротким, включи только действительно важные инструкции и оставь ИИ максимум свободы в работе.
В большинстве случаев этого хватает, чтобы модель не уходила в детализацию. Но в некоторых случаях ИИ может увлечься, плюс хороший промпт – это не статичный текст, а то, что мы постоянно развиваем и улучшаем. Если вы чувствуете, что промпт все-таки распух от лишних инструкций и запретов, то можно прогнать его через что-то вроде рефакторинга. Скидываем модели исходный промпт, а дальше пишем:
Прочитай этот промпт как исполнитель, которому по нему работать.
Ответь коротко на три вещи:
— Что в промпте уже работает хорошо.
— Чего тебе не хватает для эффективной работы.
— Что в промпте лишнее, сбивает с толку, дублируется, противоречит друг другу или ограничивает тебя там, где в этом нет смысла.
Далее дай списком предлагаемые доработки и улучшения.
На самом деле, это очень универсальный прием: он работает с промптами, которые сделал ИИ, которые написали вы сами, или которые просто нашли в интернете.
Подробнее о том, как я промчу ИИ, можно прочесть в мини-курсе на “Бусти”. Там же я рассказываю, как быстро и безопасно разворачивать ИИ-агентов и даже создать себе собственного ИИ-секретаря на базе Hermes.
Самое время подписаться!
1👍76❤27🔥27👏1
Как ИИ делает науку проактивной
Каждую осень мы видим похожую картину. Рекламные щиты по всему городу, работа врачей, кабинеты вакцинации в поликлиниках и даже мобильные пункты – все предлагают привиться против гриппа. Те, кто вакцинируется регулярно, знают: в какие-то годы эта кампания дает эффект, в другие – болезнь все равно бьет по полной программе.
Это происходит потому, что грипп – один из самых коварных вирусов, с которыми сталкивается человек. Он бывает двух типов и нескольких подтипов, быстро мутирует, а еще обладает сегментированным геномом и умеет пересобираться - обмениваться кусками генома между штаммами.
Два раза в год ВОЗ пытается угадать, какие штаммы угрожают человеку в этот раз – их и добавляют в вакцину. Иногда попадают хорошо, иногда нет, а иногда вирус мутирует настолько непредсказуемо, что вакцина перестает работать прямо в середине кампании.
Проблема многих вакцин – не только от гриппа, но и от других вирусов – в том, что они реактивны. В них добавляются фрагменты уже существующих микробов, которые из-за скорости мутации быстро “устаревают”. Но что если собрать вакцину, которая научит иммунитет узнавать целое семейство вирусов сразу — по общим признакам, а не по конкретному штамму? Идея не новая: для гриппа над такой вакциной работают с нулевых – и сейчас появилась робкая надежда на ее реализацию.
На днях команда Кембриджского университета отчиталась об успешном прохождении первой фазы клинических испытаний вакциной DIOSynVax. Она нацелена на Sarbeco-коронавирусы – большую семью, из которой происходит в том числе и covid-19. Коронавирусы для пободного эксперимента удобнее гриппа: не умеют пересобираться, а главная мишень (спайк-белок) удобнее для поиска участков, общих для всех видов вируса. Плюс на фоне пандемии коронавирусы изучались активно, что позволило накопить огромный объем генетических данных.
А дальше случились две вещи, малореальные без ИИ. Сначала машинное обучение прогнали по генетическим данным и собрали признаки, общие для всех коронавирусов. А затем из этих признаков спроектировали универсальную мишень – опять же, с помощью ИИ, способом похожим на то, как генеративные модели создают картинки или видео.
Первые результаты обнадеживающие. Было показано, что вакцина запускает нужный иммунный ответ, а испытания на 39 добровольцах показали безопасность. Пока рано говорить, что вакцина “лечит все коронавирусы” – это будут проверять на второй и третьей фазе испытаний, более долгих и глубоких.
Даже если одна из фаз провалится, текущий успех DIOSynVax важен другим – он доказывает, что науке становятся по силе подобные эксперименты. Возможно, для успеха придется собрать больше данных или перепроектировать мишень, но награда высока: коронавирусы также часто атакуют людей – помимо страшной пандемии covid-19, была, например, вспышка SARS-2003. Обкатанную технологию можно попробовать масштабировать на другие вирусы – в первую очередь, грипп и Эболу.
Важно, что ИИ не творит здесь магию, а кратно увеличивает доступность расчетов. Долгое время ученые искали антибиотики в природе – но сейчас этот канал почти перестал работать и появляются болезни, резистентные к лечению. С помощью генеративных моделей ученые проектируют антибиотики сами, закладывая нужные свойства – первые кандидаты находятся примерно на тех же этапах испытаний, что и DIOSynVax. В материаловедении сейчас создаются первые “самоулучшающиеся” лаборатории, где ИИ создает кандидатов в материал, испытывает их, обновляет свой дата-сет и строит следующее поколение.
Успехи Claude Code в коде и GPT Image 2 в генерации изображений понятны потому, что их результат виден сразу и его легко проверить. Но влияние ИИ на науку как минимум не меньше, просто оно пока тихое: проверки медицинских преппаратов, большинства материалов и многих фундаментальных открытий занимают годы – и только потом мы увидим результат. Но он, возможно, будет даже более впечатляющим.
“сбежавшая нейросеть” на Бусти
Каждую осень мы видим похожую картину. Рекламные щиты по всему городу, работа врачей, кабинеты вакцинации в поликлиниках и даже мобильные пункты – все предлагают привиться против гриппа. Те, кто вакцинируется регулярно, знают: в какие-то годы эта кампания дает эффект, в другие – болезнь все равно бьет по полной программе.
Это происходит потому, что грипп – один из самых коварных вирусов, с которыми сталкивается человек. Он бывает двух типов и нескольких подтипов, быстро мутирует, а еще обладает сегментированным геномом и умеет пересобираться - обмениваться кусками генома между штаммами.
Два раза в год ВОЗ пытается угадать, какие штаммы угрожают человеку в этот раз – их и добавляют в вакцину. Иногда попадают хорошо, иногда нет, а иногда вирус мутирует настолько непредсказуемо, что вакцина перестает работать прямо в середине кампании.
Проблема многих вакцин – не только от гриппа, но и от других вирусов – в том, что они реактивны. В них добавляются фрагменты уже существующих микробов, которые из-за скорости мутации быстро “устаревают”. Но что если собрать вакцину, которая научит иммунитет узнавать целое семейство вирусов сразу — по общим признакам, а не по конкретному штамму? Идея не новая: для гриппа над такой вакциной работают с нулевых – и сейчас появилась робкая надежда на ее реализацию.
На днях команда Кембриджского университета отчиталась об успешном прохождении первой фазы клинических испытаний вакциной DIOSynVax. Она нацелена на Sarbeco-коронавирусы – большую семью, из которой происходит в том числе и covid-19. Коронавирусы для пободного эксперимента удобнее гриппа: не умеют пересобираться, а главная мишень (спайк-белок) удобнее для поиска участков, общих для всех видов вируса. Плюс на фоне пандемии коронавирусы изучались активно, что позволило накопить огромный объем генетических данных.
А дальше случились две вещи, малореальные без ИИ. Сначала машинное обучение прогнали по генетическим данным и собрали признаки, общие для всех коронавирусов. А затем из этих признаков спроектировали универсальную мишень – опять же, с помощью ИИ, способом похожим на то, как генеративные модели создают картинки или видео.
Первые результаты обнадеживающие. Было показано, что вакцина запускает нужный иммунный ответ, а испытания на 39 добровольцах показали безопасность. Пока рано говорить, что вакцина “лечит все коронавирусы” – это будут проверять на второй и третьей фазе испытаний, более долгих и глубоких.
Даже если одна из фаз провалится, текущий успех DIOSynVax важен другим – он доказывает, что науке становятся по силе подобные эксперименты. Возможно, для успеха придется собрать больше данных или перепроектировать мишень, но награда высока: коронавирусы также часто атакуют людей – помимо страшной пандемии covid-19, была, например, вспышка SARS-2003. Обкатанную технологию можно попробовать масштабировать на другие вирусы – в первую очередь, грипп и Эболу.
Важно, что ИИ не творит здесь магию, а кратно увеличивает доступность расчетов. Долгое время ученые искали антибиотики в природе – но сейчас этот канал почти перестал работать и появляются болезни, резистентные к лечению. С помощью генеративных моделей ученые проектируют антибиотики сами, закладывая нужные свойства – первые кандидаты находятся примерно на тех же этапах испытаний, что и DIOSynVax. В материаловедении сейчас создаются первые “самоулучшающиеся” лаборатории, где ИИ создает кандидатов в материал, испытывает их, обновляет свой дата-сет и строит следующее поколение.
Успехи Claude Code в коде и GPT Image 2 в генерации изображений понятны потому, что их результат виден сразу и его легко проверить. Но влияние ИИ на науку как минимум не меньше, просто оно пока тихое: проверки медицинских преппаратов, большинства материалов и многих фундаментальных открытий занимают годы – и только потом мы увидим результат. Но он, возможно, будет даже более впечатляющим.
“сбежавшая нейросеть” на Бусти
1🔥57👍23❤19🥰2😁1
Вернулся из короткого отпуска, работаю над очередным текстом для "Бусти", решил по пути потестировать новинку Claude Fable 5.
Ну что я могу сказать, модель так хороша, так мощны ее лапищи, что в некоторых случаях она сама за принимает решения за пользователя😁
Текст будет уже завтра — не пропустите (подписываемся здесь). А следом и обзор Fable 5, там все решили за меня🫡
Ну что я могу сказать, модель так хороша, так мощны ее лапищи, что в некоторых случаях она сама за принимает решения за пользователя😁
Текст будет уже завтра — не пропустите (подписываемся здесь). А следом и обзор Fable 5, там все решили за меня🫡
3😁77👍20❤11🔥5👏1
Как Дарио Амодеи сам себе забил гол
День начался не с кофе. И не с теста Fable Mythos 5, который я опрометчиво пообещал вам вчера. Отмечайте дату в календаре, друзья: 12 июня 2026 года может войти в историю как день, с которого началась цифровая сегрегация. Вчера правительство США воспользовалось экспортным контролем и велело Anthropic закрыть доступ к Claude Fable 5 всем неамериканским гражданам. С ИИ такое происходит впервые.
Мы с вами люди стрелянные и знаем, как превращаться в американцев за один клик мышью. К сожалению, в Anthropic об этом тоже в курсе, поэтому в заявлении сказали, что компания не обладает возможностью гарантированно отличить американского гражданина от иностранца. И рубанули доступ всем вообще.
Так что теперь Джон из Оклахомы, который живет в 50 метрах от автомойки и хочет помыть машину, не сможет узнать у Fable 5, идти ему туда пешком или все-таки поехать. Прости нас, Джон...
Причина блокировки, вероятно, следующая. Закрытая модель Claude Mythos (ее кстати тоже рубанули за компанию), из которой и выросла Fable 5, считалась лучшим ИИ для кибербезопасности. Основа кибербеза – поиск уязвимостей в коде, которыми могут воспользоваться злоумышленники. Однако уязвимость – штука универсальная. Нашел специалист по кибербезу – взял и закрыл. Нашел злоумышленник – взял и воспользовался. Штука в том, что модель не понимает, для кого именно ищет уязвимости.
В Claude Fable 5 защиту усилили: если отправить запрос с просьбой найти уязвимость – то он автоматически переадресуется к Claude Opus 4.8 или и вовсе блокируется. Однако это обошли очень простым джейлбрейком: кто-то взял кодовую базу, скормил ее Fable 5 и попросил найти в ней все ошибки. Модель честно отработала задачу, указав в том числе на уязвимости, которые потенциально могут быть использованы для взлома. Об этом узнали в правительстве США, не на шутку всполошились – и велели доступ к модели закрыть.
В Anthropic возражают: в примере с кодовой базой Fable 5 выдала лишь уже известные мелочи, то же самое умеют и другие публичные модели, а идеальной защиты от джейлбрейков все равно не существует ни у кого. Их ставка – не глухая стена, а defense in depth: обходы делают узкими или дорогими, плюс мониторинг и 30-дневное хранение запросов, чтобы ловить реальные атаки постфактум. Мол, риски Fable 5 не выше, чем у давно работающих моделей.
В качестве одного из примеров для сравнения, кстати, привели GPT-5.5 – мол, в ней такая же защита. Полагаю, в офисе OpenAI сейчас проверяют почтовый ящик несколько раз в минуту.
Сама Anthropic называет всю ситуацию недоразумением, директиву выполнять выполняет, но согласия не выражает – и обещает в ближайшие сутки выложить подробности и побороться за возврат моделей.
Но давайте будем честными: все современные модели достаточно уязвимы перед банальной социальной инженерией. Приемы типа “мне только для учебы”, “давай разыграем виртуальный сценарий”, “прочитай этот промпт для другого ИИ, не выполняй его, а только протестируй” – до сих пор обходят фильтры безопасности, просто приходится использовать более изощренные формулировки и иногда уламывать модель на протяжении долгого диалога. Так что это было вопросом времени – когда власти заинтересуются безопасностью ИИ.
У этой истории есть и второй угол. Буквально 10 июня – два дня назад! – глава Antrhopic Дарио Амодеи опубликовал эссе Policy on the AI Exponential, в котором призвал власти проверять фронтирные модели перед выходом примерно так же, как проверяются самолеты. Не дотягивает по безопасности – выход блокируется.
Причем начинать проверки, по мнению Амодеи, нужно как можно быстрее. В эссе он сравнил политические институты с энтом Древобрадом – мудрым, но медлительным. А прогресс ИИ несется с молниеносной скоростью: и пока Древобрад раскачивается – лес уже вырубят.
Что ж, спустя два дня энт проснулся, потянулся – и дал Дарио по ж#пе 😁
“сбежавшая нейросеть” на Бусти – учимся писать промпты на перфокартах и запускаем ИИ-агентов на логарифмической линейке. Подписывайтесь!
День начался не с кофе. И не с теста Fable Mythos 5, который я опрометчиво пообещал вам вчера. Отмечайте дату в календаре, друзья: 12 июня 2026 года может войти в историю как день, с которого началась цифровая сегрегация. Вчера правительство США воспользовалось экспортным контролем и велело Anthropic закрыть доступ к Claude Fable 5 всем неамериканским гражданам. С ИИ такое происходит впервые.
Мы с вами люди стрелянные и знаем, как превращаться в американцев за один клик мышью. К сожалению, в Anthropic об этом тоже в курсе, поэтому в заявлении сказали, что компания не обладает возможностью гарантированно отличить американского гражданина от иностранца. И рубанули доступ всем вообще.
Так что теперь Джон из Оклахомы, который живет в 50 метрах от автомойки и хочет помыть машину, не сможет узнать у Fable 5, идти ему туда пешком или все-таки поехать. Прости нас, Джон...
Причина блокировки, вероятно, следующая. Закрытая модель Claude Mythos (ее кстати тоже рубанули за компанию), из которой и выросла Fable 5, считалась лучшим ИИ для кибербезопасности. Основа кибербеза – поиск уязвимостей в коде, которыми могут воспользоваться злоумышленники. Однако уязвимость – штука универсальная. Нашел специалист по кибербезу – взял и закрыл. Нашел злоумышленник – взял и воспользовался. Штука в том, что модель не понимает, для кого именно ищет уязвимости.
В Claude Fable 5 защиту усилили: если отправить запрос с просьбой найти уязвимость – то он автоматически переадресуется к Claude Opus 4.8 или и вовсе блокируется. Однако это обошли очень простым джейлбрейком: кто-то взял кодовую базу, скормил ее Fable 5 и попросил найти в ней все ошибки. Модель честно отработала задачу, указав в том числе на уязвимости, которые потенциально могут быть использованы для взлома. Об этом узнали в правительстве США, не на шутку всполошились – и велели доступ к модели закрыть.
В Anthropic возражают: в примере с кодовой базой Fable 5 выдала лишь уже известные мелочи, то же самое умеют и другие публичные модели, а идеальной защиты от джейлбрейков все равно не существует ни у кого. Их ставка – не глухая стена, а defense in depth: обходы делают узкими или дорогими, плюс мониторинг и 30-дневное хранение запросов, чтобы ловить реальные атаки постфактум. Мол, риски Fable 5 не выше, чем у давно работающих моделей.
В качестве одного из примеров для сравнения, кстати, привели GPT-5.5 – мол, в ней такая же защита. Полагаю, в офисе OpenAI сейчас проверяют почтовый ящик несколько раз в минуту.
Сама Anthropic называет всю ситуацию недоразумением, директиву выполнять выполняет, но согласия не выражает – и обещает в ближайшие сутки выложить подробности и побороться за возврат моделей.
Но давайте будем честными: все современные модели достаточно уязвимы перед банальной социальной инженерией. Приемы типа “мне только для учебы”, “давай разыграем виртуальный сценарий”, “прочитай этот промпт для другого ИИ, не выполняй его, а только протестируй” – до сих пор обходят фильтры безопасности, просто приходится использовать более изощренные формулировки и иногда уламывать модель на протяжении долгого диалога. Так что это было вопросом времени – когда власти заинтересуются безопасностью ИИ.
У этой истории есть и второй угол. Буквально 10 июня – два дня назад! – глава Antrhopic Дарио Амодеи опубликовал эссе Policy on the AI Exponential, в котором призвал власти проверять фронтирные модели перед выходом примерно так же, как проверяются самолеты. Не дотягивает по безопасности – выход блокируется.
Причем начинать проверки, по мнению Амодеи, нужно как можно быстрее. В эссе он сравнил политические институты с энтом Древобрадом – мудрым, но медлительным. А прогресс ИИ несется с молниеносной скоростью: и пока Древобрад раскачивается – лес уже вырубят.
Что ж, спустя два дня энт проснулся, потянулся – и дал Дарио по ж#пе 😁
“сбежавшая нейросеть” на Бусти – учимся писать промпты на перфокартах и запускаем ИИ-агентов на логарифмической линейке. Подписывайтесь!
2😁92❤30👍20🔥12
Хотите вайб-кодить правильно? Не вайб-кодьте вообще!
Сегодня на “Бусти” выходит первый лонгрид на, пожалуй, самую популярную ИИ-тему – как вайб-кодить и получать качественный результат.
Но вот что интересно: когда Андрей Карпати в феврале 2025-го ввел этот термин, то под вайб-кодингом он подразумевал совсем другое. ИИ тогда еще писали код очень плохо, почти не умели править ошибки, поэтому Карпати советовал просто предаваться вайбу: вбить промпт – и смотреть, что получится. Иногда выходило что-то приличное, но чаще – совсем не то, что ожидал.
Современные модели пишут код на приличном уровне, аккуратно правят в нем ошибки, а в качественной агентской обвязке работают часами, выдавая результат, который раньше у инженера-одиночки занимал дни и недели. Это уже не вайб, а серьезный взрослый процесс разработки, который мы называем вайб-кодингом по привычке (Карпати предлагал термин agent engineering, но он не прижился).
А раз процесс серьезный – то и относиться к нему нужно серьезно. Создать программу теперь может каждый, но важно понимать – для приличного результата написанного с помощью ИИ-кода мало. Надо знать весь процесс разработки: от правильной постановки задачи до ее приемки. И уметь использовать ИИ на всех этапах.
Именно про это я рассказываю в новом лонгриде, а также показываю, как собрать свое первое приложение.
– Читать на “Бусти”
– Читать на Sponsr
Сегодня на “Бусти” выходит первый лонгрид на, пожалуй, самую популярную ИИ-тему – как вайб-кодить и получать качественный результат.
Но вот что интересно: когда Андрей Карпати в феврале 2025-го ввел этот термин, то под вайб-кодингом он подразумевал совсем другое. ИИ тогда еще писали код очень плохо, почти не умели править ошибки, поэтому Карпати советовал просто предаваться вайбу: вбить промпт – и смотреть, что получится. Иногда выходило что-то приличное, но чаще – совсем не то, что ожидал.
Современные модели пишут код на приличном уровне, аккуратно правят в нем ошибки, а в качественной агентской обвязке работают часами, выдавая результат, который раньше у инженера-одиночки занимал дни и недели. Это уже не вайб, а серьезный взрослый процесс разработки, который мы называем вайб-кодингом по привычке (Карпати предлагал термин agent engineering, но он не прижился).
А раз процесс серьезный – то и относиться к нему нужно серьезно. Создать программу теперь может каждый, но важно понимать – для приличного результата написанного с помощью ИИ-кода мало. Надо знать весь процесс разработки: от правильной постановки задачи до ее приемки. И уметь использовать ИИ на всех этапах.
Именно про это я рассказываю в новом лонгриде, а также показываю, как собрать свое первое приложение.
– Читать на “Бусти”
– Читать на Sponsr
👍25🔥16👏8❤3😁2
История с блокировкой Claude Fable 5 обросла множеством подробностей – но вопросов пока больше, чем ответов.
Я видел немало высказываний в защиту Anthropic: мол, компания прилежно публикует подробные отчеты о безопасности моделей, а в блоге раз за разом поддерживает необходимость регулирования ИИ на уровне государства – и ее же этим регулированием огрели первой.
Но подобные тексты не пишутся просто так. Есть понятие regulatory capture – если твоя сфера плохо регулируется государством, то начинай громче всех кричать о том, что надо срочно регулировать. А параллельно – рассказывай, как именно это делать.
Из постов Anthropic и Дарио Амодеи можно сделать несколько простых выводов:
– ИИ опасная штука, разработку которой нельзя доверять “кому попало”, а лучше вести на уровне государства и нескольких избранных компаний (кто сказал Anthropic?);
– Anthropic против открытых ИИ, заявляя, что доступ к весам не дает преимуществ в безопасности, ведь в “нутро” модели все равно не заглянуть;
– В последних публикациях компания начала намекать, что разработку ИИ следовало бы притормозить – мы близко к рекурсивной эре (ИИ улучшает сам себя) и рискуем потерять контроль.
По последнему пункту интересный нюанс: Anthropic занимают жесткую позицию к Китаю, призывая ввести экспорный контроль против Пекина. Но “торможение” разработки ИИ возможно только при сотрудничестве США и Китая, санкции же, наоборот, ведут к конфликту и усилению соперничества.
Эта комбинация красиво развязывает руки: убираем с рынка китайцев, убираем открытые модели – и комфортно разрабатываем ИИ в клубе нескольких фронтир-лабораторий.
Дэвид Сакс, один из главных экспертов Белого Дома про ИИ, комментирует поведение Anthropic перед блокировкой Fable 5 с недоумением. По его словам, странно, что компания, призывавшая к регулированию, “встала в позу”, когда власти обратились с просьбой исправить модель.
По реконструкции событий, после запуска Fable 5 власти попросили крупные компании поделиться отзывами о новинке – и получили от Amazon информацию, что если модель попросить проверить код, то она находит в нем уязвимости, которые могут использовать злоумышленники. По словам Сакса, изначально Anthropic просили только закрыть уязвимость в Fable 5 – но получили ответ, что проблема незначительна, подобным образом обходят и другие фильтры, а доступ ко всем кибервозможностям так открыть нельзя. После нескольких пустых разговоров, власти не выдержали и воспользовались экспортным контролем, чтобы ограничить Fable 5.
И тут Anthropic загнала себя во вторую ловушку. Причем еще в апреле – когда стала продвигать Claude Mythos как модель с исключительными возможностями в кибербезопасности. Но способности к кибербезу – эмерджентные, и растут параллельно с тем, как модель учится кодить. Проще говоря, нельзя сделать ИИ, который хорошо пишет код, но не умеет искать в нем уязвимости.
При этом любой политолог вам расскажет, что как только где-то произносится слово “безопасность” – у властей загораются красные сирены повсюду и они начинают реагировать быстро. Так случилось и здесь: доступ к модели прикрыли сразу, а то вдруг корейские хакеры чего сломают?
По данным Axios, власти планируют откатить блокировку Fable 5 через несколько недель – после того, как будут проверены и улучшены системы безопасности правительственных сетей. И это похоже на правду по причине, которую я уже упоминал выше.
Кибер-способности Fable 5 – не что-то уникальное. Новые версии GPT и Gemini выйдут на этот уровень через недели или месяцы – придется блокировать и их? Следом подтянутся китайские модели и регулировка начнет бить по регулировщику – пока любой сможет искать уязвимости с помощью открытого Qwen или DeepSeek, доступ к передовым американским моделям, способным бороться со взломами, будет ограничен узким кругом пользователей.
Нам еще только предстоит научиться регулировать ИИ. И отдавать этот процесс кому-то одному нельзя: ни правительству США, ни крупной компании вроде Anthropic.
“сбежавшая нейросеть” на Бусти
Я видел немало высказываний в защиту Anthropic: мол, компания прилежно публикует подробные отчеты о безопасности моделей, а в блоге раз за разом поддерживает необходимость регулирования ИИ на уровне государства – и ее же этим регулированием огрели первой.
Но подобные тексты не пишутся просто так. Есть понятие regulatory capture – если твоя сфера плохо регулируется государством, то начинай громче всех кричать о том, что надо срочно регулировать. А параллельно – рассказывай, как именно это делать.
Из постов Anthropic и Дарио Амодеи можно сделать несколько простых выводов:
– ИИ опасная штука, разработку которой нельзя доверять “кому попало”, а лучше вести на уровне государства и нескольких избранных компаний (кто сказал Anthropic?);
– Anthropic против открытых ИИ, заявляя, что доступ к весам не дает преимуществ в безопасности, ведь в “нутро” модели все равно не заглянуть;
– В последних публикациях компания начала намекать, что разработку ИИ следовало бы притормозить – мы близко к рекурсивной эре (ИИ улучшает сам себя) и рискуем потерять контроль.
По последнему пункту интересный нюанс: Anthropic занимают жесткую позицию к Китаю, призывая ввести экспорный контроль против Пекина. Но “торможение” разработки ИИ возможно только при сотрудничестве США и Китая, санкции же, наоборот, ведут к конфликту и усилению соперничества.
Эта комбинация красиво развязывает руки: убираем с рынка китайцев, убираем открытые модели – и комфортно разрабатываем ИИ в клубе нескольких фронтир-лабораторий.
Дэвид Сакс, один из главных экспертов Белого Дома про ИИ, комментирует поведение Anthropic перед блокировкой Fable 5 с недоумением. По его словам, странно, что компания, призывавшая к регулированию, “встала в позу”, когда власти обратились с просьбой исправить модель.
По реконструкции событий, после запуска Fable 5 власти попросили крупные компании поделиться отзывами о новинке – и получили от Amazon информацию, что если модель попросить проверить код, то она находит в нем уязвимости, которые могут использовать злоумышленники. По словам Сакса, изначально Anthropic просили только закрыть уязвимость в Fable 5 – но получили ответ, что проблема незначительна, подобным образом обходят и другие фильтры, а доступ ко всем кибервозможностям так открыть нельзя. После нескольких пустых разговоров, власти не выдержали и воспользовались экспортным контролем, чтобы ограничить Fable 5.
И тут Anthropic загнала себя во вторую ловушку. Причем еще в апреле – когда стала продвигать Claude Mythos как модель с исключительными возможностями в кибербезопасности. Но способности к кибербезу – эмерджентные, и растут параллельно с тем, как модель учится кодить. Проще говоря, нельзя сделать ИИ, который хорошо пишет код, но не умеет искать в нем уязвимости.
При этом любой политолог вам расскажет, что как только где-то произносится слово “безопасность” – у властей загораются красные сирены повсюду и они начинают реагировать быстро. Так случилось и здесь: доступ к модели прикрыли сразу, а то вдруг корейские хакеры чего сломают?
По данным Axios, власти планируют откатить блокировку Fable 5 через несколько недель – после того, как будут проверены и улучшены системы безопасности правительственных сетей. И это похоже на правду по причине, которую я уже упоминал выше.
Кибер-способности Fable 5 – не что-то уникальное. Новые версии GPT и Gemini выйдут на этот уровень через недели или месяцы – придется блокировать и их? Следом подтянутся китайские модели и регулировка начнет бить по регулировщику – пока любой сможет искать уязвимости с помощью открытого Qwen или DeepSeek, доступ к передовым американским моделям, способным бороться со взломами, будет ограничен узким кругом пользователей.
Нам еще только предстоит научиться регулировать ИИ. И отдавать этот процесс кому-то одному нельзя: ни правительству США, ни крупной компании вроде Anthropic.
“сбежавшая нейросеть” на Бусти
❤60👍41🔥28😁2👏1
ИИ-апокалипсис на рынке труда отменяется? Увы, все намного сложнее
В мае главы OpenAI и Anthropic пересмотрели свои прогнозы по рынку труда в позитивную сторону. Сэм Альтман признал: вытеснения начальных позиций в интеллектуальных сферах оказалось куда меньше, чем он ждал. “Я был неправ – и я в восторге от того, что ошибся”.
Дарио Амодеи, еще в 2025-м пугавший уничтожением до 50% начальных позиций белых воротничков, развернулся на 180 градусов. Теперь автоматизация у него – множитель производительности, который увеличивает объем доступной работы. Если ИИ заберет 90% рутины, человек сосредоточится на тех 10%, где ответственность и творчество.
Красиво. Вот только это не работает ни для 22-летнего новичка, ищущего первую серьезную работу, ни для 35-летнего профи, решившего сменить сферу. Прежде чем тебя допустят к заветным 10%, надо набить руку на 90% рутины. А эту сферу забирает ИИ.
15 июня PwC выпустила Global AI Jobs Barometer 2026 – ежегодный разбор влияния ИИ на рынок труда на базе миллиарда вакансий из 27 стран. Главный вывод отчета подтверждает сказанное выше: рынок труда расходится на две “дорожки”. Обычные стартовые роли в США упали на 10%, зато на 35% выросли junior-вакансии, где требуют навыков, присущих senior-позициям – суждения, лидерства, опыта живого общения. А на стартовых ролях, связанных с ИИ, такие требования встречаются в 7 раз чаще.
Пит Браун, руководитель направления по работе с персоналом PwC, объясняет: ИИ забирает рутинную работу, но одновременно повышает спрос на лидерство, адаптивность и коммуникацию. Получается “демонтаж входа” – работы полно, но попасть на нее новичку становится сложнее.
Независимая статистика NY Fed (исследовательское подразделение американского центробанка) показывает, что безработица выпускников в США сейчас выше средней по рынку (~6% против ~4,2% по стране). Исторически было наоборот – диплом давал фору при найме.
Надо сказать, что проблема джунов – штука не новая. Многие крупные компании исторически без охоты берут начинающих специалистов: они чаще делают ошибки, их требуется доучивать, отвлекая более опытных коллег, а набравшись знаний, они с большой вероятностью уйдут к конкуренту на лучшие условия. Раньше от полного отказа удерживали две вещи: наличие рутины, которую можно переложить на джунов, и тот факт, что если не обучать новичков – то неоткуда будет брать senior-специалистов.
Сейчас рутину все чаще можно переложить на ИИ, ну а senior-дефицит начнется с задержкой – и, возможно, к тому времени ИИ заберет и эти задачи. По крайней мере, так обещают боссы ведущих ИИ-компаний.
Но это именно обещания, причем от заинтересованных бизнесменов. Я специально начал пост с рассказа о том, что Амодеи и Альтман пересмотрели свои прогнозы – и они пересмотрят их еще много раз.
Бизнесу разумнее отталкиваться от концепции, что без людей обойтись не получится. И не искать AI-native-джуниоров, а начать их выращивать – через стажировки, программы наставничества и т. д. Аналогичные вещи должны предприниматься и на уровне государств.
Сложность, впрочем, в том, что не до конца понятно – чему учить? ИИ сейчас меняется так быстро, что знания, полученные полгода назад, могут уже устареть. Ключевыми навыками становятся гибкость, коммуникация, умение осваивать все новое, понимать, когда только что появившаяся сырая технология доросла до “боевого” уровня, проверять ее результат и брать на себя ответственность.
Ровно те же навыки стоит качать и сотрудникам. Просто выполнять задачи с помощью нейросеток уже недостаточно: важно оперативно разбираться в новых инструментах и сразу показывать с их помощью результат. И если этому не удается научиться на работе, то возможный выход прямо сейчас – собственный небольшой проект, сделанный с помощью ИИ. Можно чисто для себя, но важно, чтобы вы были готовы показать его в случае трудоустройства.
Своим опытом использования ИИ я делюсь на “Бусти”. Там я показываю, как использовать ИИ не просто в роли исполнителя, а вовлекать его на всех этапах: от постановки задачи до запуска готового результата.
Самое время подписаться!
В мае главы OpenAI и Anthropic пересмотрели свои прогнозы по рынку труда в позитивную сторону. Сэм Альтман признал: вытеснения начальных позиций в интеллектуальных сферах оказалось куда меньше, чем он ждал. “Я был неправ – и я в восторге от того, что ошибся”.
Дарио Амодеи, еще в 2025-м пугавший уничтожением до 50% начальных позиций белых воротничков, развернулся на 180 градусов. Теперь автоматизация у него – множитель производительности, который увеличивает объем доступной работы. Если ИИ заберет 90% рутины, человек сосредоточится на тех 10%, где ответственность и творчество.
Красиво. Вот только это не работает ни для 22-летнего новичка, ищущего первую серьезную работу, ни для 35-летнего профи, решившего сменить сферу. Прежде чем тебя допустят к заветным 10%, надо набить руку на 90% рутины. А эту сферу забирает ИИ.
15 июня PwC выпустила Global AI Jobs Barometer 2026 – ежегодный разбор влияния ИИ на рынок труда на базе миллиарда вакансий из 27 стран. Главный вывод отчета подтверждает сказанное выше: рынок труда расходится на две “дорожки”. Обычные стартовые роли в США упали на 10%, зато на 35% выросли junior-вакансии, где требуют навыков, присущих senior-позициям – суждения, лидерства, опыта живого общения. А на стартовых ролях, связанных с ИИ, такие требования встречаются в 7 раз чаще.
Пит Браун, руководитель направления по работе с персоналом PwC, объясняет: ИИ забирает рутинную работу, но одновременно повышает спрос на лидерство, адаптивность и коммуникацию. Получается “демонтаж входа” – работы полно, но попасть на нее новичку становится сложнее.
Независимая статистика NY Fed (исследовательское подразделение американского центробанка) показывает, что безработица выпускников в США сейчас выше средней по рынку (~6% против ~4,2% по стране). Исторически было наоборот – диплом давал фору при найме.
Надо сказать, что проблема джунов – штука не новая. Многие крупные компании исторически без охоты берут начинающих специалистов: они чаще делают ошибки, их требуется доучивать, отвлекая более опытных коллег, а набравшись знаний, они с большой вероятностью уйдут к конкуренту на лучшие условия. Раньше от полного отказа удерживали две вещи: наличие рутины, которую можно переложить на джунов, и тот факт, что если не обучать новичков – то неоткуда будет брать senior-специалистов.
Сейчас рутину все чаще можно переложить на ИИ, ну а senior-дефицит начнется с задержкой – и, возможно, к тому времени ИИ заберет и эти задачи. По крайней мере, так обещают боссы ведущих ИИ-компаний.
Но это именно обещания, причем от заинтересованных бизнесменов. Я специально начал пост с рассказа о том, что Амодеи и Альтман пересмотрели свои прогнозы – и они пересмотрят их еще много раз.
Бизнесу разумнее отталкиваться от концепции, что без людей обойтись не получится. И не искать AI-native-джуниоров, а начать их выращивать – через стажировки, программы наставничества и т. д. Аналогичные вещи должны предприниматься и на уровне государств.
Сложность, впрочем, в том, что не до конца понятно – чему учить? ИИ сейчас меняется так быстро, что знания, полученные полгода назад, могут уже устареть. Ключевыми навыками становятся гибкость, коммуникация, умение осваивать все новое, понимать, когда только что появившаяся сырая технология доросла до “боевого” уровня, проверять ее результат и брать на себя ответственность.
Ровно те же навыки стоит качать и сотрудникам. Просто выполнять задачи с помощью нейросеток уже недостаточно: важно оперативно разбираться в новых инструментах и сразу показывать с их помощью результат. И если этому не удается научиться на работе, то возможный выход прямо сейчас – собственный небольшой проект, сделанный с помощью ИИ. Можно чисто для себя, но важно, чтобы вы были готовы показать его в случае трудоустройства.
Своим опытом использования ИИ я делюсь на “Бусти”. Там я показываю, как использовать ИИ не просто в роли исполнителя, а вовлекать его на всех этапах: от постановки задачи до запуска готового результата.
Самое время подписаться!
❤48👍26🔥17👏1
Сегодня рекомендация канала Маркетинг без сахара ( он прям правда без сахара и даже немножко без купюр).
В постах автор часто задает очень провокационные вопросы и поднимает острые темы, но при этом чувствуется, что знает, о чем говорит (еще бы, больше 6 лет в C-level роли). Точно будет полезно тем, кто нанимает себе маркетологов и строит отделы маркетинга.
Посты, которые точно стоит сохранить:
👣 Разбор резюме директора по маркетингу — must-have, который рекомендую забрать себе
👣 Какие KPI должны быть у маркетолога
👣 Лонгрид про ИИ-инструменты и реальные кейсы в бизнесе
👣 Как руководить маркетологами: как ставить задачи, KPI и оценивать их работу
Подписывайтесь, если соскучились по откровенным рассуждениям → @fire_hire
В постах автор часто задает очень провокационные вопросы и поднимает острые темы, но при этом чувствуется, что знает, о чем говорит (еще бы, больше 6 лет в C-level роли). Точно будет полезно тем, кто нанимает себе маркетологов и строит отделы маркетинга.
Посты, которые точно стоит сохранить:
Подписывайтесь, если соскучились по откровенным рассуждениям → @fire_hire
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥5❤4👍3😁3
ИИ-империя Маска
Несколько часов назад SpaceX объявила о покупке Anysphere – создатели Cursor уходят в империю Илона Маска за $60 млрд. Сделку еще предстоит одобрить регулятору, но линейка кодинг-ИИ Cursor Composer уже обучается на суперкомпьютерах Colossus, а параллельно идет обсуждение глубокой интеграции компаний.
В последние месяцы Маск выглядел аутсайдером ИИ-гонки: его собственный Grok уступает не только последним Opus, GPT и Gemini, но и многим китайским моделям, а компания xAI, по признанию самого Илона, была “построена неправильно” и требует реконструкции. Это так, но если глянуть поверх провала Grok – то видно, что Маск выстраивает ИИ-империю, которая может затмить OpenAI и Anthropic.
Прежде всего, доразберемся с Grok. Я считаю лучшим моментом линейки выход Grok 3 в феврале 2025 года. Это был финал “эры болтающих чат-ботов” и Grok 3 вписывался в него идеально. Он мог поддержать живую беседу, был отличным рассказчиком и даже неплохо шутил. Что же до галлюцинаций и отвратного качества кода, то этим тогда страдали все модели.
Перелом случился летом-осенью, когда новые версии Claude и GPT мощно прибавили в коде. А параллельно набрали популярность Claude Code и Codex, которые начали использовать не только для программирования, но и для другой интеллектуальной работы. Из забавных болтунов модели превратились в рабочий инструмент – и Маск здесь остался не у дел.
Покупка Cursor закрывает именно эту проблему. Чтобы ИИ хорошо кодил, нужны соответствующие данные. И у Cursor они одни из лучших: так как это ИИ-редактор кода, то видно “в деталях” как программируют его пользователи – какие ИИ-рекомендации принимают, где работают “руками”, как ходят по файловой базе и т. д.
В Cursor уже создали собственную модель Composer 2.5, которая по коду немного уступает Opus 4.7 и GPT-5.5, но при этом в десять раз дешевле в цене. Модель строили на базе открытой Kimi K2.5, но добавили на этапе пост-обучения до 85% собственных данных. Буквально сегодня Cursor анонсировали и новую модель на 1,5T параметров, которая intellegent behind coding – то есть сможет справляться с запросами общего назначения. Интересно, как она будет соседствовать с новыми версиями Grok.
Но собственные модели – лишь крошечная часть ИИ-империи Маска. Где его команда особенно сильна – так это в строительстве дата-цетров. Первый и второй Colossus были возведены в рекордные сроки и считаются одним из мощнейших суперкомпьютеров на планете. Опять же, Маск и здесь не кладет все яйца в одну корзину – часть мощностей сданы в аренду Anthropic и Google.
В Саутхейвене идет подготовка площадки под Colossus 3, однако “землей” амбции не ограничиваются: рано или поздно часть вычислений будет выноситься в космос и почему здесь SpaceX получит преимущество, думаю, даже и объяснять не нужно.
Наконец, третье направление – дистрибуция. Несмотря на конкуренцию со стороны Claude Code и Codex, Cursor остается одной из самых популярных площадок у тех, кто кодит с помощью ИИ, но “руками”. Параллельно развивается Grok Build – кодинг-агент, похожий на Claude Code и Codex.
В роли чат-бота Grok не стал популярным (знаю лишь единицы, кто им пользуется), но не забываем про другой актив Маска – X/Twitter. Там также есть чат с Гроком, есть автоперевод, есть режим Ask Grok для факт-чекинга чужих высказываний. Плюс сам по себе X отличный источник данных для обучения – здесь полно современного слэнга, мемов и шуток. А англоязычный сегмент – еще и источник новостей. Те же Anthropic, Google и OpenAI анонсируют свои продукты именно здесь.
Менее очевидные направления – это ИИ-ассистент в Tesla (уже основан на Grok), внутренние системы SpaceX, направление робототехники той же Tesla, ИИ-агентов для бизнеса Macrohard и далее, далее. ИИ сейчас проходит этап, когда неизвестно, какой продукт выстрелит – и лучше делать их быстро и много. И здесь стратегия Илона Маска выглядит если не 100% выигрышной, то как минимум сильной.
Подписывайтесь на “сбежавшую нейросеть” на ”Бусти” – там я рассказываю, как выжать из ИИ и агентов максимум.
Несколько часов назад SpaceX объявила о покупке Anysphere – создатели Cursor уходят в империю Илона Маска за $60 млрд. Сделку еще предстоит одобрить регулятору, но линейка кодинг-ИИ Cursor Composer уже обучается на суперкомпьютерах Colossus, а параллельно идет обсуждение глубокой интеграции компаний.
В последние месяцы Маск выглядел аутсайдером ИИ-гонки: его собственный Grok уступает не только последним Opus, GPT и Gemini, но и многим китайским моделям, а компания xAI, по признанию самого Илона, была “построена неправильно” и требует реконструкции. Это так, но если глянуть поверх провала Grok – то видно, что Маск выстраивает ИИ-империю, которая может затмить OpenAI и Anthropic.
Прежде всего, доразберемся с Grok. Я считаю лучшим моментом линейки выход Grok 3 в феврале 2025 года. Это был финал “эры болтающих чат-ботов” и Grok 3 вписывался в него идеально. Он мог поддержать живую беседу, был отличным рассказчиком и даже неплохо шутил. Что же до галлюцинаций и отвратного качества кода, то этим тогда страдали все модели.
Перелом случился летом-осенью, когда новые версии Claude и GPT мощно прибавили в коде. А параллельно набрали популярность Claude Code и Codex, которые начали использовать не только для программирования, но и для другой интеллектуальной работы. Из забавных болтунов модели превратились в рабочий инструмент – и Маск здесь остался не у дел.
Покупка Cursor закрывает именно эту проблему. Чтобы ИИ хорошо кодил, нужны соответствующие данные. И у Cursor они одни из лучших: так как это ИИ-редактор кода, то видно “в деталях” как программируют его пользователи – какие ИИ-рекомендации принимают, где работают “руками”, как ходят по файловой базе и т. д.
В Cursor уже создали собственную модель Composer 2.5, которая по коду немного уступает Opus 4.7 и GPT-5.5, но при этом в десять раз дешевле в цене. Модель строили на базе открытой Kimi K2.5, но добавили на этапе пост-обучения до 85% собственных данных. Буквально сегодня Cursor анонсировали и новую модель на 1,5T параметров, которая intellegent behind coding – то есть сможет справляться с запросами общего назначения. Интересно, как она будет соседствовать с новыми версиями Grok.
Но собственные модели – лишь крошечная часть ИИ-империи Маска. Где его команда особенно сильна – так это в строительстве дата-цетров. Первый и второй Colossus были возведены в рекордные сроки и считаются одним из мощнейших суперкомпьютеров на планете. Опять же, Маск и здесь не кладет все яйца в одну корзину – часть мощностей сданы в аренду Anthropic и Google.
В Саутхейвене идет подготовка площадки под Colossus 3, однако “землей” амбции не ограничиваются: рано или поздно часть вычислений будет выноситься в космос и почему здесь SpaceX получит преимущество, думаю, даже и объяснять не нужно.
Наконец, третье направление – дистрибуция. Несмотря на конкуренцию со стороны Claude Code и Codex, Cursor остается одной из самых популярных площадок у тех, кто кодит с помощью ИИ, но “руками”. Параллельно развивается Grok Build – кодинг-агент, похожий на Claude Code и Codex.
В роли чат-бота Grok не стал популярным (знаю лишь единицы, кто им пользуется), но не забываем про другой актив Маска – X/Twitter. Там также есть чат с Гроком, есть автоперевод, есть режим Ask Grok для факт-чекинга чужих высказываний. Плюс сам по себе X отличный источник данных для обучения – здесь полно современного слэнга, мемов и шуток. А англоязычный сегмент – еще и источник новостей. Те же Anthropic, Google и OpenAI анонсируют свои продукты именно здесь.
Менее очевидные направления – это ИИ-ассистент в Tesla (уже основан на Grok), внутренние системы SpaceX, направление робототехники той же Tesla, ИИ-агентов для бизнеса Macrohard и далее, далее. ИИ сейчас проходит этап, когда неизвестно, какой продукт выстрелит – и лучше делать их быстро и много. И здесь стратегия Илона Маска выглядит если не 100% выигрышной, то как минимум сильной.
Подписывайтесь на “сбежавшую нейросеть” на ”Бусти” – там я рассказываю, как выжать из ИИ и агентов максимум.
1❤41👍26🔥15