LEFT JOIN

Как SQLite учили работать в распределенных системах SQLite — пример для нас всех. Это маленькая и легкая СУБД, которая создавалась изначально для небольших проектов и мобильных приложений, но потенциал у нее огромный и использовать ее можно где угодно, было бы желание.  Например, в распределенных системах. Автор rqlite вспомнил, как создал свой проект и что было после него.  🔵В 2014 году ему понадобилось создать небольшое реляционное хранилище для кластерной системы. Он решил взять SQLite и прикрутить к ней протокол консенсуса Raft. В это системе В кластере был лидер, через которого новые записи принимались и реплицировались на остальные узлы. Запись должно было принять большинство, если какой-то узел не мог этого сделать, он изолировался. Так появился rqlite — один из первых проектов такого плана, но не последний.  🔵В 2017 компания Canonical разработала dqlite. Задача была похожей, а главное отличие было в способе использования. Если rqlite — это самостоятельный сервер БД, который запускается вместе с приложением, то dqlite — это встраиваемая библиотека. 🔵В 2021 году Litestream выбрали другой подход: не пытаться превратить SQLite в полноценную распределенную базу, а найти способ восстановить данные, если сервер выйдет из строя. Их решение — сохранять WAL SQLite в Amazon S3.  🔵В 2022 появилась cr-sqlite, где записи независимо вносятся на несколько узлов, а потом синхронизируются. В libSQL разработчики вообще переписали движок СУБД и за счет этого сильно расширили функционал. Из этого проекта потом выросла Turso, которую купили Supabase.  🔵Логичным следующим этапом стали облачные сервисы — например, Cloudflare D1. В итоге можно сделать два ключевых вывода: 🔵Нет единого правильного способа создать распределенную систему. Подход зависит от задач и главной проблемы, которую вы хотите решить: например, обеспечить надежность, как в rqlite, или быстрое восстановление, как сделали Litestream.   🔵За 12 лет проекты с распределенной SQLite прошли путь от open source-решений до платных облачных сервисов от больших корпораций. Видимо, это неизбежно происходит со всеми идеями в IT.

20 лет отношений через призму данных Если бы вам нужно было на графиках отобразить свою жизнь, как бы выглядел ваш дашборд?  В этом посте от 2014 года автор показывает жизнь как таблицу, где каждая клеточка — это год, месяц или неделя. Пост старй, вы наверняка видели раньше эти таблички хотя бы раз. Один разработчик и инженер тоже их видел, и они ему не понравились. Он решил сделать свою версию, отражающую не число прожитых дней, а то, чем они были наполнены: эмоциями и общением с людьми. 🔵Он собрал историю чатов и активности из разных соцсетей и мессенджеров за 20 лет, очистил от совсем уж бессмысленных сообщений и классифицировал: с кем разговаривал, о чем, какая была эмоциональная окраска у диалога. С классификацией помогали LLM, но даже с их участием работы было много. 🔵Данные вывел на графики, по которым стало видно, как эволюционировали отношения с разными людьми: снижалась или росла частота сообщений, менялось фоновое настроение и даже словарный запас. У близких людей он часто похожий за счет общих интересов, шуток и выражений, которые в ходу в их круге общения. Но если они отдаляются со временем, то и словарный запас меняется и в нем становится меньше пересечений.  🔵Частота, длина и содержание сообщений тоже отражают изменения в отношениях Например, с одним другом формат общения перешел от постоянных коротких переписок в течение дня к редким, но более содержательным диалогам несколько раз в месяц. Зачем это все было надо?  Во-первых, это было интересный челлендж — структурировать 1.2 млн сообщений из нескольких разных источников.  Во-вторых, это была возможность не только посмотреть на свои отношения с людьми за 20 лет, но и на себя в них — например, автор заметил, что он любит давать советы. Ну а в-третьих, это показало, из чего на самом деле складывается жизнь, кроме стандартной череды событий «родился, учился, женился».  Стали бы так заморачиватся? Какие метрики и данные вы выбрали бы для себя — тоже отношения или что-нибудь другое?

Clickhouse на больших объемах данных: опыт основателя Tinybird Tinybird — аналитическая платформа для разработчиков. Один из ее создателей поделился опытом, как он развернул и 5 лет поддерживал кластер Clickhouse, где хранились и обрабатывались петабайты данных, и не сошел с ума.  В двух постах (первый, второй) он рассказал про архитектуру, хранение и загрузку данных, обновление и тестирование.  Несколько любопытных мыслей: 🔵Традиционный подход к работе с большими данными предполагает деление кластера на шарды, но автор считает, что с этим лучше не спешить и не усложнять архитектуру. Tinybirds долго обходились без шардирования: увеличивали мощность отдельных серверов и добавляли реплики, когда росла нагрузка.  🔵ClickHouse поддерживает zero-copy replication: реплики могут обращаться к данным, которые хранятся в других репликах, не копируя их. Хотя это экономит место в хранилище, в опен-сорсном ClickHouse этот подход реализован не слишком удачно и часто приводит к ошибкам или потере данных. Tinybirds используют модифицированный вариант zero-copy replication, который разработали сами. Всем остальным автор рекомендует следить за сохранностью данных либо выбрать другой подход к хранению. 🔵Чтобы научиться обновлять кластер без критических ошибок, потери данных и падения производительности, команде проекта понадобилось 4 года. Это сложный процесс, который за один раз не построишь. 🔵Чтобы эффективно использовать ClickHouse (и заодно избежать неприятных сюрпризов во время обновления), надо читать исходный код. Согласны с его выводами? 👀

PostgreSQL 19 откладывается на ноябрь  Новая версия должна была выйти в конце сентября/начале октября, но дату релиза сдвинули на 19 ноября. Также решили откатить почти 10 ранее анонсированных функций. Их перенесут, скорее всего, в PostgreSQL 20. Почему так получилось, рассказал у себя в блоге один из главных контрибьюторов проекта Питер Айзентраут. Частично, конечно, в сложившейся ситуации можно обвинить человеческий фактор и банальные ошибки в коде, но повлияли и другие причины:  🔵ИИ нашел множество багов — намного больше, чем тестировщики выловили бы своими силами. Среди них были и серьезные архитектурные дефекты, и пограничные случаи, которые постепенно всплывали бы на протяжении лет после релиза. Даже при том, что часть их починить относительно легко, в целом объем работы получился слишком большой. 🔵Vulnpocalypse («апокалипсис уязвимостей», найденных в софте благодаря ИИ) отвлек часть разработчиков от работы над Postgres. Из-за этого многие баги были обнаружены так поздно. Если бы у команды было больше времени и ресурсов, они могли исправить часть недочетов и, возможно, им не пришлось бы откатывать так много функций сразу.  В общем, это был амбициозный релиз, который подвел неудачный тайминг. Но несмотря на эти сложности PostgreSQL 19 обещает быть интересным и привнесет несколько интересных новшеств — пусть и меньше, чем планировалось изначально (pg_plan_advice, кстати не порезали!).

До Claude и ChatGPT Пару лет назад ИИ не мог посчитать, сколько букв a в strawberry, а теперь решает математические задачи тысячелетия — а что будет дальше, и представить сложно. Хотя некоторые представили и предсказали, что он нас всех уничтожит к 2030 году.   И чем быстрее развиваются современные технологии, Тем интереснее сравнить их с ранними попытками создать искусственный интеллект. Internet Archive сделали целую подборку старых программ с прото-ИИ: чат-ботов, демо-моделей, игр. Есть даже прародительница Sims и «Хоббит», где персонажи действуют самостоятельно и настолько непредсказуемо, что могут даже запороть игроку прохождение.  Конечно, этот ИИ ужасно далек от того, что есть сейчас, и даже от первых глуповатых версий современных LLM, но амбициозность некоторых проектов все равно впечатляет.  А как вы представляли себе ИИ до Claude, ChatGPT, Gemini и всех остальных?

Claude помог обнаружить новую планету Наверное. Пользователь reddit проанализировал данные, собранные телескопом TESS, и обнаружил, что звезда на расстоянии 116 лет от нас каждые 3,18 дня становится на 0,05% тусклее. Вместе с Opus 5.5 и Fable 5.1 он прошерстил информацию за все годы наблюдений, начиная с 2018, и увидел, что этот цикл повторяется на протяжении всех этих лет.    Возможной причиной этих периодических затемнений может быть планета примерно в полтора раза больше Земли. А может и не быть — эта гипотеза пока не подтверждена, но, возможно, скоро мы узнаем об этом небесном теле чуть-чуть больше.  В ноябре NASA опять вернется к наблюдению за этим участком неба, и автор поста написал им о своей находке и попросил сделать несколько снимков этой звезды с промежутком в 2 минуты. И в NASA согласились! Автор (и Claude) уже сделал расчеты, когда должно быть видно мерцание звезды, и если на снимках его будет видно, это станет очередным подтверждением его теории.  Он даже сделал 3D-модель системы. На ней видно звезду и две предполагаемые планеты: А, про которую идет речь в посте, и B, про которую данных у него пока совсем мало.  Вот такой небанальный способ использовать ИИ, где никто никого не взломал.

4 уровня ИИ-осведомленности Еще в апреле Андрей Карпаты (автор термина «вайбкодинг», если забыли) писал о том, как растет разница в понимании возможностей ИИ. Те, кто пользуется бесплатными версиями для простых задач, и те, кто пользуется платными моделями для работы и научной деятельности, говорят про ИИ на разных языках.  Сейчас разрыв только вырос, и это больше не две разных группы, а резко сужающаяся воронка. По его прикидкам, она выглядит так:  🔵~75% или 6 млрд людей с ИИ почти не сталкивались. 🔵~20% или 1-2 млрд — «казуалы», которые используют бесплатные продукты, с ИИ в общем знакомы, но глубоко в тему не погружены. Эти люди просят ChatPGT написать письмо, и больше им ничего особо не надо.  🔵~0,2% или или 20 млн — профессионалы, которые активно используют ИИ для работы и видят, как он быстро он меняется и каковы его возможности. Они с помощью ИИ решают за несколько дней задачи, которые раньше отняли бы у них недели или месяцы.  🔵~0,00006% или 5000 — это люди на самом острие ИИ-науки, у которых есть доступ к самым передовым системам. Они имеют дело с «роями» из множества агентов, решающих сложнейшие задачи, на которые у специалистов ушли бы годы.   Движение по воронке обуславливается сложностью задач, уровнем доступа и тем, что во всех сферах ИИ одинаково полезен. Он наиболее востребован в программировании и математике, именно потому что именно там он показывает лучшие (и наиболее измеримые) результаты. Получается, что сегодня ИИ — это одновременно и глуповатый чатбот, и стремительно развивающаяся, меняющая мир технология.  А на каком уровне вы?

Anthropic представила Claude Dashboards и Claude Motion  И вот опять ИИ отбирает работу у аналитиков: Claude теперь умеет создавать и даже анимировать дашборды на основе пользовательских данных..  Claude Dashboards Claude можно подключить к БД и задать любой вопрос, а он достанет ответы из данных, нарисует дашборд и даже будет сам поддерживать актуальность. На каждую цифру на графиках можно кликнуть, чтобы посмотреть, каким запросом Claude ее получил, или задать уточняющие вопросы.  Дашборды Claude можно импортировать в Amplitude, Grafana, Hex, Mixpanel, Omni, Perplexity, PostHog и Sigma. Looker, monday.com и Tableau добавят позже.  Claude Motion Дашборд можно анимировать: сделать видео, где Claude подсветит главное, укажет на тренды и в целом сделает сухие цифры живее и понятнее. Он не генерирует визуал, а только пишет код, анимирующий графики и текст. Если пользователь хочет что-то изменить, он может либо переписать запрос к ИИ, либо самому руками поправить код.  Обе функции пока в бете. Зато из нее вышли Docs, Slides и Design — тоже инструменты Claude для работы над документами,  презентациями и макетами. Сейчас они поддерживают совместную работу с несколькими пользователями, позволяют редактировать файлы с телефона и делиться ими с людьми не из вашей организации.  Что думаете про Dashboards и Motion? Будете пользоваться?

Состоялся релиз Polars 2.0 Polars — Python-библиотека для работы с данными и популярная альтернатива pandas. В версии 2.0 улучшили производительность, расширили поддержку SQL и добавили новый тип данных. Если подробнее:  🔵Вызовы collect() к LazyFrame по умолчанию обрабатываются потоковым движком, чтобы снизить потребление памяти и ускорить работу. Это самое большое изменение и главная причина, почему эту версию назвали 2.0: из-за нее часть старых запросов может поломаться.  🔵Обработка данных с выгрузкой на диск (out-of-core processing) будет включаться по умолчанию при использовании более чем 80% оперативной памяти. Сейчас эта возможность доступна для сортировок, оконных функций и некоторых других операций. Для join и group_by обещают добавить позже.  🔵Polars 2.0 теперь еще лучше работает с SQL и, судя по результатам (почти всех) бенчмарков, обрабатывает запросы быстрее DuckDB и DataFusion.  🔵Добавился новый тип данных Map — словарь Python, связывающий ключи со значениями. Позволяет получать значение по ключу, проверять наличие ключа, получать список ключей или значений и так далее. В Polars 1.0 для этого приходилось использовать более сложную и неудобную конструкцию. 🔵Polars стал строже к ошибкам — он быстрее их вылавливает и сообщает об этом пользователю. По словам разработчиков, это изменению особенно актуально в эпоху ИИ-кодинга. В общем, новых функций не завезли и главная задача релиза — отказаться от некоторых устаревших решений и сделать Polars быстрее и удобнее без радикальных изменений. Команда проекта надеется, что выпуск версии 2.0 будет для пользователей скучным и пройдет без потрясений, но гайд по переходу на всякий случай подготовила.

Physical AI: следующий этап развития ИИ Рано или поздно ИИ выйдет за пределы интернета в реальный мир и роботы под его контролем станут чем-то таким же привычным, как сейчас — ИИ-агенты. Но чтобы это произошло, недостаточно просто прикрутить ChatGPT или Claude к роботу и надеяться, что они как-нибудь сами разберутся. Для этого должна сформироваться целая самостоятельная отрасль. К такому выводу пришли участники конференции Яндекса об образовании YaC / E 2026, которая прошла на прошлой неделе. В чем суть? 🔵Physical AI или воплощенный ИИ — это направление на стыке ИИ и робототехники. Оно должно научить искусственный интеллект взаимодействовать с реальным миром, а классических роботов (вроде тех, которые сейчас используются в промышленности) — гибко принимать решения и адаптироваться под обстоятельства, а не просто действовать по заданному сценарию. 🔵Главные задачи стоящие перед новой отраслью — научиться создавать масштабируемые и энергоэффективные системы. Для полноценной работы ИИ-роботу нужно собрать и обработать огромный массив данных, причем быстро и в идеале автономно, без постоянного подключения к серверу. 🔵Изменятся требования к специалистам. Уже недостаточно знаний только в машинном обучении и инжиниринге: нужно будет понимание того, как робот устроен внутри, умение разобраться, как соединяются детали и работают сенсоры. Со временем появятся новые профессии — специалисты, которые будут прописывать сценарии поведения для роботов в разных условиях, обучать их, управлять, следить за безопасностью и так далее. 🔵Для подготовки таких специалистов понадобится совместная работа науки и бизнеса. Только так получится давать знания, которые будут актуальны и при этом востребованы на рынке. Эта практика, когда бизнес принимает участие в научной деятельности, уже давно набирает обороты в РФ, и тот же Яндекс активно её применяет в своих образовательных проектах вроде ШАД. 🔵Сейчас Physical AI находится в переходном периоде: вокруг этой темы много хайпа, но со временем он неизбежно утихнет, а завышенные ожидания скорректируются. А что вы думаете про будущее Physical AI? Когда ИИ-роботы станут реальностью?

Что было на OpenAI Dev Day? Вообще-то много чего — больше 20 релизов и анонсов. Пройдемся по самым интересным, а про все остальные можно прочитать в итогах, которые уже заботливо перевели на русский. 🔵 dots — автономные агенты на GPT-6 Astra. Они постоянно работают и обучаются, подстраиваясь под пользователя, и чем больше вы с ними взаимодействуют, тем лучше они вас понимают. Их представили как универсальных ассистентов, которые всегда рядом: и за новую задачу всегда возьмутся, и на вопросы ответят, и напомнят о встрече в календаре. 🔵GPT-6.1 Sol — модель почти на уровне Astra, но намного дешевле. В формате короткого поста больше про нее сказать особо нечего: весь анонс посвящен тому, как хорошо она справляется с всевозможными бенчмарками. 🔵Ultrafast — режим с ускоренной в 8 раз генерацией токенов только для самых богатых: он доступен на новом тарифе Pro Max за 500 долларов в месяц.  🔵Расширенные возможности для создания плагинов — теперь разработчики смогут создавать целые мини-приложения, которые можно будет интегрировать в ChatGPT. Обещают также более удобный каталог для поиска новых плагинов. 🔵GPT Space — пространство для совместной работы с другими людьми и ИИ. Оно должно сделать работу с искусственным интеллектом более быстрым и удобным: он становится полноценным членом команды, который видит весь контекст обсуждения и может в реальном времени, на глазах у пользователей выполнять задачи, создавать и редактировать документы. Своих dots туда тоже можно подключить, кстати. А вы следили за конференцией? Что вам больше всего запомнилось?

В одной ячейке Excel можно будет хранить массивы значений Наконец-то важные новости и не про очередной побег ИИ из тестовой среды. В Excel готовится большое обновление: 🔵В одной ячейке можно будет хранить списки из нескольких значений, разделенных запятой или точкой с запятой. Их можно добавлять, редактировать, убирать, использовать в формулах и применять к ним фильтры. 🔵Также в одну ячейку теперь будет занести целый массив данных — его больше не придется растягивать его  на несколько ячеек. Для этого надо будет записать данные, либо формулу, которая должна их вернуть, в скобках { }. Это еще и позволит создавать вложенные массивы вот такого вида: {{1,2,3};{4,5,6}}.   🔵Появится поддержка новых формул: FLATTEN, HAS, HASANY, HASALL. Первая раскидывает данные из вложенных массивов по отдельным ячейкам, а следующие три позволяют искать отдельные значения внутри них.  Новый функционал находится в стадии бета-тестирования, и перед полноценным релизом что-нибудь может измениться. Возможно, починят существующие ограничения: пока с массивами некорректно работают графики, сводные таблицы и некоторые функции вроде условного форматирования.

Новый ИИ-бенчмарк подвезли  Тем, как ИИ пишет код, взламывает сайты или решает математические задачи тысячелетия уже никого не удивишь. Современные флагманские модели уже давно переросли эти мелочи и созрели для того, чтобы показать, на что они способны в реальном мире. Например, как они умеют водить машину. За руль Тойоты посадили Astra, Sol, Grok и Fable и выпустили их на пустую парковку, где им нужно было за три попытки преодолеть трассу длиной 134 метра. Они «видели» дорогу через камеры, а через Comma four крутили руль и нажимали педали. Человек сидел рядом только для подстраховки.  🔵Успешнее всего справилась GPT-6 Astra: она вообще единственная, кто доехал до конца, еще и со 2 раза. Ей понадобилось 5 минут 22 секунды и 6,6 млн токенов.  🔵Fable 5.1 с третьей попытки преодолела 45% трассы, Grok 4.6 — 11% со второй (и 10% с третьей), а GPT-5.6 Sol все три раза стабильно проехала около 15 метров или 6%. Отличная идея, нужно развивать ее дальше. Как думаете, из каких еще повседневных задач можно наделать бенчмарков для ИИ?

Как грамотно делегировать задачи ИИ Внедрение искусственного интеллекта и агентов в работу — это все еще острый вопрос. Его обсудили в одном из недавних выпусков подкаста «Доверительный интервал» от сообщества аналитиков Яндекса. В чём суть: 🔵 Активнее всего агентов используют джуны, а сеньоры все еще настроены скептически, потому что даже с очень умным ИИ многие задачи им быстрее сделать руками. Приходится выбирать: заморочиться со скиллами и агентами, чтобы когда-нибудь потом увидеть результат, или выполнить важную для бизнеса задачу прямо сейчас. 🔵Общение с ИИ — это навык, который нужно целенаправленно развивать. Без этого попытка работать с ИИ может закончиться именно так, как скептик и ожидает: провалом. 🔵 При этом есть мнение, что нет смысла осваивать ИИ сейчас. Технология постоянно меняется, пока в ней разберешься, она опять шагнет вперед, и знания устареют. Здесь советуют обучаться на старых модельках, чтобы видеть, где они ошибаются. Новые могут завернуть ошибку так, что заметить ее будет трудно даже сеньорам. 🔵 Лучшая мотивация дать искусственному интеллекту шанс — это делегировать задачу, которую не хочется делать самому. Так человек начинает видеть пользу от ИИ и заодно постепенно учится с ним работать. Часть про сопротивление мне показалась наиболее интересной. ИИ-скептиков часто выставляют луддитами, которые отрицают прогресс из вредности или иррациональных страхов, но это не слишком продуктивно. Намного полезнее для всех разобраться в реальных причинах скепсиса и работать с ними напрямую.

Что делать с тепловыми картами и хороплетами? Все виды графиков и чартов по-своему хороши и заслуживают любви, но, если честно, значительную часть из них большинство любят на расстоянии. Старых добрых линейных и столбчатых диаграмм хватает под большинство задач, их легко нарисовать в любом инструменте для визуализации и, самое главное, легко читать. Более хитрые варианты вроде тех же тепловых карт или хороплетов используются реже, потому что и поводов для этого меньше, и работать с ними сложнее. А вот сделать нечитабельное разноцветное месиво, наоборот, легко.  🔜 И все же, если вы связаны с визуализацией данных, однажды они могут пригодится, так что ловите шпаргалку на Tableau Public. 4 графика — тепловая карта, таблица, карта плотности и хороплет — с описанием и двумя примерами реализации: хорошим и плохим. Есть даже маленький опросник в конце, который поможет выбрать, какой из 4 графиков подойдет под ваши задачи.

3D-карты СУБД Отвлечемся от новостей про ИИ и скандалов вокруг OpenAI и посмотрим, что внутри Redis и PostgreSQL.  🔵Redis — это NoSQL СУБД типа ключ-значение, которая которая хранит данные в оперативной памяти.  Для тех, кто хочет разобраться, как же она это делает, нарисовали целую интерактивную карту. Ее можно повертеть со всех сторон, понажимать на отдельные элементы и посмотреть, как байты данных перемещаются между ними. У каждого объекта есть короткое описание со ссылками на исходный код на гитхабе.  🔵Похожая визуализация есть и для PostgreSQL Она не только масштабнее, но и информативнее. Если на предыдущей все пояснения очень краткие, то здесь функции элемента расписаны намного подробнее.

Решение математических проблем это не просто бенчмарк  На прошлой неделе разгорелся серьезный скандал вокруг одной из математических задач тысячелетия — а именно доказательство существования определенного способа решения уравнений Навье-Стокса. OpenAI объявила, что их внутренняя модель, более мощная, чем Astra, нашла решение проблемы — только вот ее опередили. Два математика сделали это раньше, причем с использованием Codex и Claude. Они предполагают, что OpenAI получила доступ к их данным и использовала их для поиска своего решения. На science.org есть более подробное описание скандала, даже с объяснением, в чем же состоят эти уравнения. Эта история поднимает не только вопросы безопасности, доверия к разработчикам ИИ и прозрачности в работе с ним. 25 лауреатов Филдсовской премии, подписали открытое письмо «A Severe Misalignment of AI in Mathematics». Про что оно, если кратко:  🔵ИИ-компании воспринимают и подают решение математических задач как очередной бенчмарк, и это вредит науке.  🔵Большие математические задачи вроде «проблем тысячелетия» раньше были ориентирами, по которым можно было оценить прогресс. Появление решения говорило о том, что математика — то есть все математическое общество с накопленным корпусом знаний и идей — сделала новый шаг вперед.  🔵Именно в этом и есть смысл научной деятельности: совместная работа множества специалистов по приумножению знаний и поиску новых идей. Причем эти идеи и знания нужно еще и передать коллегам и студентам. Решение задач и миллион долларов в награду тут не самоцель.  🔵ИИ же дает готовый результат (и громкие заголовки в СМИ), но это решение ради решения. Оно основано на плодах чужой научной деятельности и при этом не двигает науку вперед.  🔵С такой же проблемой сталкиваются люди и в других сферах: ИИ так сильно меняет подходы к работе, что легко забыть, зачем эта работа на самом деле была задумана.  Ну а в конце, как всегда, призывают математическое сообщество, ИИ-компании и общество в целом взять искусственный интеллект под более строгий контроль.  Есть в этом мнении логика или это просто страдания людей, у которых ИИ отнимает работу?

Astra смогла, а вы сможете? Мы с вами недавно обсуждали эссе, опубликованное на сайте OpenAI, где автор сказал следующее:

Чтобы начать влиять на реальный мир — стать очень полезным или очень опасным — ИИ не надо стать лучше людей во всех сферах. Ему надо стать лучше в достаточном количестве из них.

И кое в чем новая их модель уже стала лучше многих людей: она прошла все 48 уровней I Am Not A Robot, где надо решать все более абсурдные и сложные капчи. В результате она даже получила сертификат, что является человеком. Весь процесс запечатлел и запостил другой сотрудник OpenAI. А сколько уровней пройдете вы? 👀

Продукты 24 × ffdd2d: конференция Т-Банка для тех, кто хочет превращать данные в решения Это не очередная конференция про цифры и метрики, где спикеры похвастаются кейсами, а зрители посмотрят и разойдутся. Вместо этого будут:  🟡 Акцент на решения: не просто как и что считать, а что потом с этим делать. Как данные и метрики превращаются в идеи, а идеи — в продукты.  🟡 Интерактив: форматы, где можно и нужно присоединиться к дискуссии и поспорить со спикерами. Спикеры, кстати, из Авито, Яндекса, Т-Банка, Додо и других компаний. 🟡 Не только доклады и не только ИТ: спецвыпуск подкаста математика Андрея Коняева про то, как научный подход помогает находить новые решения. 🟡 Нетворкинг: афтепати с видом на Москву-реку. Конференция пройдет офлайн с онлайн-трансляцией в Парке Горького 12 сентября с 14:00.  🔜 Зарегистрироваться

Чуждый разум ChatGPT OpenAI показала GPT‑6 Astra и вновь заговорила на любимую тему — риски приближающейся эпохи AGI (artificial general intelligence или общего искусственного интеллекта). Ведущий научный сотрудник компании Джейкоб Пачоки написал на эту тему эссе «Чуждый разум». Ключевые мысли:  🔵ИИ не столько создают, сколько выращивают с помощью постоянной оптимизации и сложных вычислений. В результате получается система, умеющая работать с абстрактными понятиями и имитировать человеческое поведение. Разработчики и исследователи догадываются, как как она это делает, но не понимают ее до конца.  🔵Главная проблема ИИ — это научить его не просто выполнять указания, но и понимать и применять общечеловеческие ценности в любых ситуациях. Правильно обученный ИИ должен всегда действовать из соображений честности, прозрачности и заботы о людях.  🔵Есть два основных способа, как люди пытаются этого добиться, и оба со своими минусами. Первый — вознаграждать ИИ за «правильное» поведение. Он хорошо работает в знакомых модели сценариях, но может дать сбой, если она столкнется с новыми условиями. Второй — сформировать «правильное» поведение еще на этапе предварительного обучения за счет, например, правильно собранных датасетов. Это может привести к тому,  что модель начнет рационализировать свои действия и подстраивать рассуждения так, чтобы все-таки добиться поставленной цели не совсем этичными методами. 🔵Угроза от постоянного умнеющего ИИ только растет, и это лучший стимул для того, что ускорить темпы разработки. Прежде, чем враги сделают свой плохой ИИ, надо успеть сделать свой добрый, который сможет ему противостоять. Но при этом, это не повод забывать о безопасности.  🔵Рекурсивное самоулучшение — то есть когда ИИ обучает ИИ — играет все большую роль в развитии технологии. Чтобы процесс не вышел из-под контроля, важно, чтобы люди продолжали в нем активно участвовать и контролировать, а не отдавали все на откуп ИИ.  Что скажете? Человечество готово к эпохе AGI?