Air ~ AI

Антибанальность: два сильных скилла из личной коллекции для Codex ▫️Verbalized Sampling для диагностики и неопределенности ▫️Creative Ideation для идей и новых решений первый: Verbalized Sampling обещанный из этого поста Он раскладывает список всех вариантов (и типичных и хвостовых) в таблицу. Показывает типичность версии, ее практическую пользу, риск ошибки и что нужно проверить. Предлагает, по его мнению, лучший вариант и какой следующий шаг. Количество вариантов можно указать самому, по умолчанию в районе 11-12 *Можно использовать как промпт, если нет агента или адаптировать для Clod Coda второй: Creative Ideation с anti-slop подходом Был позаимствован у Hermes Agent и адаптирован для Codex Подходит для генерации идей и решений, новых подходов к проектам и т.д. Смотрит на задачу, учитывает этап проработки и после выбирает подходящий метод из своей библиотеки креативных и инженерных подходов —— 📎Оба файла в комментариях к этому посту —— Пробуйте и делитесь впечатлением ❤️

Что изменилось в законопроекте об ИИ *если кто пропустил, сегодня выложили на сайте В первой версии законопроект был широким: он пытался регулировать почти все применение ИИ. Сейчас намного уже, теперь про большие фундаментальные модели искусственного интеллекта (надо запомнить)

БФМ ИИ это модель с числом параметров не менее 1 млрд, которая используется как основа для разных программных решений и большого количества задач, на которой строятся продукты

❕из проекта убрали много прямого регулирования бизнеса и пользователей Суверенные модели Это модели с максимальным российским контролем: разработка, изменение, обучение и воспроизводимость цикла должны быть под контролем российского юридического лица Национальные модели Это более гибкая категория. Российская компания управляет ключевыми характеристиками модели, но может использовать открытые иностранные компоненты или open-source модели ❗️❗️Для национальных моделей законопроект вводит важное лицензионное ограничение: компоненты, использованные при разработке модели, должны быть доступны по открытой лицензии. Если разработчик хочет получить официальный статус национальной модели, ему придется подтвердить, что база модели и ключевые компоненты лицензионно открыты. Это может отсечь часть сильных зарубежных open-weight и проприетарных решений, если их лицензии не будут признаны подходящими * в российском праве понятие открытой лицензии в статья 1286.1 ГК РФ. Но применительно к ИИ-моделям остается неясность: какие именно лицензии будут считаться открытыми для целей этого закона. Например, custom-лицензии вроде Llama Community License могут вызвать вопросы ❕Сам законопроект рамочный. Самое важное будет в постановлениях Правительства ❕Для статуса суверенной или национальной модели важно не только место регистрации компании, но и структура контроля ❕Открывается путь к использованию государственных наборов данных для обучения национальных и суверенных моделей

✂️Корпоративные клиенты режут бюджет из-за офисных вайбкодеров Офисные сотрудники сами создают рабочие инструменты. Иногда эти решения идут в продакшн, но все еще с помощью IT отдела *Налоговые консультанты KPMG без технического бэкграунда за 6 недель в командах с инженерами навайбкодили программу для автоматизации налоговых проверок и внедрили в клиентские платформы Два уровня зрелости офисного сотрудника вайбкодера: Прототипы (быстрые инструменты) доступны любому офисному сотруднику со знанием ИИ. Большая часть повседневных задач бизнеса: отчёты, обработка документов, дашборды и т.д. сейчас решаются с помощью прототипов, создаваемых в реальном времени.

На рабочем столе вместо свалки Excel - свалка Кода

Зрелость вайбкодера наступает тогда, когда руководство позаботилось о безопасности и снабдила эксперта «Песочницами». Сейчас многие компании, разработчики ПО и не только, смотрят в эту сторону. В песочнице легче поддерживать корпоративный стандарт безопасности. У каждого он свой, но может включать, например: доступ только к копиям или обезличенным данным, fвтоматическое сканирование уязвимостей, контроль версий и полный аудит изменений 🗞 Финансистам и разработчикам советую ознакомится с материалом BCG vibe coding в финансах от июня 2026 - 📈А тем временем Интеграторы теряют маржу на типовых задачах, но открывают новые направления: - Постановка песочниц, платформ или сервисов с частичным или полным контролем - Сложные интеграции, миграции ERP, промышленная кибербезопасность - Обучение команд Новый слоган: "Мы сделаем так, чтобы вы могли делать сами" Прогноз по выручке пока все равно падает, т.к корпоративные клиенты сокращают внешние бюджеты на разработку, но новые направления могут стабилизировать этот процесс. Биржевые сводки сейчас таковы, что Accenture потерял 18% капитализации за день. Capgemini упал на 8%, IBM тоже попал под давление При этом отчетность сильная, но акций обвалились, потому что инвесторы смотрят в будущее. Даже не смотря на то, что Accenture заключил три сделки в кибербезопасности промышленной инфраструктуры на $4,18 млрд Все как-то адаптируются...

от AGI к ASI так назвали свой новый отчет исследователи из Google DeepMind AGI только промежуточная стадией на пути к искусственному сверхинтеллекту и в целом не так-то мы от него далеки. Если AGI это система, которая примерно сопоставима с человеком по большинству когнитивных задач, то ASI это уже другой масштаб...

ASI - система, которая превосходит не отдельного человека, а большие, хорошо организованные группы экспертов почти во всех важных областях человеческой деятельности

🚶КАКОЙ ПУТЬ НУЖНО ПРОЙТИ: 1. масштабирование. Больше вычислений, больше данных, моделей, инфраструктуры. Индустрия уже идет по нему, но у него есть ограничения: энергия, чипы, дата-центры, стоимость, данные и пределы текущей архитектуры 2. новые AI. Нынешние LLM не финальная форма интеллекта. Следующие скачки могут прийти через новые архитектуры, более длинную память, модель мира, обучение через взаимодействие со средой, более сильное планирование и другие способы мышления, которые не сводятся к предсказанию текста 3. рекурсивное самоулучшение. Это самый фантастический сценарий, но и он уже не выглядит таким. Если AI начинает ускорять AI-исследования, получается петля: AI помогает создавать более сильные AI-системы, те еще сильнее ускоряют исследования, и цикл повторяется 4. мультиагентные коллективы. Даже если один AI не станет сверхразумом, миллионы AI-агентов, работающих вместе, могут образовать систему, которая окажется умнее и продуктивнее человеческих институтов. Они смогут делить задачи, специализироваться, обмениваться опытом и работать на скорости машин (не спать, не есть, не отдыхать) *Цифровой интеллект принципиально отличается от биологического. У ИИ есть преимущества, которые усиливаются вместе с ростом вычислительных мощностей: скорость , рабочая память и хранение знаний, независимость от конкретного носителя: одну систему можно перенести на другое оборудование, копирование без потерь: можно скопировать не только программу, но и сохраненное состояние системы, обмен опытом: разные экземпляры ИИ могут делиться данными, результатами, траекториями решений и сигналами обучения 🚜 РАЗБОР ТОРМОЗОВ - Качественные человеческие данные конечны. Возможно, для дальнейшего роста придется использовать синтетические данные, симуляции, self-play и данные из взаимодействия с миром. - Масштабирование требует чипов, энергии, дата-центров, цепочек поставок и гигантских инвестиций - Не то что ASI, а даже до AGI не дотянем - Низко висящие плоды уже собраны, а следующий прогресс может требовать все больше экспериментов, ресурсов и теоретических прорывов - Барьер абстракций. Современные модели в основном учатся на человеческих понятиях. Неясно, смогут ли они самостоятельно создавать принципиально новые концепции из сырого опыта, как это делает наука - Риски, аварии, войны, регулирование или общественная реакция могут ограничить развитие *** От исследования ощущение, что полноценный ASI пока фантастика, пока даже не ясно дотянем ли до полноценного AGI 😁 Нет системы, которая стабильно превосходит большие коллективы экспертов во всех областях. Но инфраструктура, которая может вести к ASI, реальна: масштабирование моделей, рост дата-центров, AI-агенты, автоматизация кода, test-time reasoning, синтетические данные, AI для исследований и эксперименты с коллективами агентов

на примере Excel-агента от ChatGPT хочу показать, как быстро можно подготовить "первый слой" Надстройка устанавливается через магазин Майкрософт. У меня заработало только после обновления Офиса до 2024 года. В отличии от Claude надстройки, для которой не требовалась свежая версия Офиса. в Excel-агенте три режима работы: Быстрый, Стандартный, Интенсивный. Нет возможности выбора модели как в Codex. Можно подключить Skill для лучшей работы. Например как на видео skill по ФМ В книге fагент он делает меньше ошибок, чем тот же Codex, так как работает через инструменты надстройки поверх Office.js / Excel API В примере на видео: публичная отчетность X5 + Excel-агент ChatGPT + встроенный Skill+ Промпт ⬇️

Проанализируй отчетность компании. 
Создай новый лист "Финансовая диагностика" и оформи его как готовый отчет для финансового директора. Дай профессиональный комментарий по результату финансовой диагностики

* подписка chatGPT plus , но проверьте, может надстройка доступна и на free тарифе. Codex же доступен...

Намечается новый спор между исполнителем и заказчиком: кто заберет себе профит от внедрения ИИ Недавно в переговорах заказчик уже откровенно попросил скидку на основании того, что: «Ну теперь же всё стало проще с первичным анализом, меньше человеко-часов, рутина автоматизирована...». Клиент хочет скидку на основании того, что ИИ упростил жизнь исполнителя, но не учитывает затраты времени и денег на внедрение этого ускорения 🧱Но, что есть, то есть - дорогой «первый слой» работы дешевеет, и клиенты будут отказываться платить за него как раньше. Кто-то уловил эту тенденцию и уже бесплатно или условно бесплатно предлагает первичный анализ. Например, платформа от консалтинговой компании WestMonroe.ai с бесплатными ИИ-агентами. Руководство пошло на такой шаг, так как сами признают, что стратегический анализ, стоивший миллионы, теперь имеет стоимость близкую к нулю Такая откровенность подкупает клиентов. На этом фоне теневой ИИ в отношении клиентов становится опасным путем и может подорвать доверие и долгосрочное сотрудничество Спасибо "Вайбкодингу" часть клиентов уже приходят подготовленные и им уже не нужно с нуля , а важнее - доведение до ума, проверка, усиление, безопасность, одним словом довести их сырой продукт до совершенства 👤Типы Заказчиков (можно назвать по своему) Запрещающие: ИИ под запретом из-за безопасности или регуляторики. Только закрытый контур. Экономные: сразу ждут дисконт, так как «рутина стала быстрее» Контролирующие: им важен процесс - какие инструменты применяли, кто проверял и кто утвердил финальную версию ____ Ценообразование будет строиться по принципу: рутина уйдет в фикс или станет бесплатной. Проверка и сложные действия (суды, переговоры, внедрение) подорожают. Суждение, критическое мышление и опыт как и прежде в цене ❗️Не рискуйте доверием клиентов, лучше описать клиенту, что сделала модель, что проверил человек и почему цена именно такая. Скоро будем в договоре это прописывать. Прецеденты уже есть. Есть тендеры, где одним из критериев выбора для заказчика выступает описание исполнителем связки ИИ с экспертами Эпоха дорогой продажи «первого слоя» работы уходит. Деньги смещаются в опыт, доверие и способность довести решение до результата. Остальное клиент попытается забрать себе в виде скидки —

🦎Как получить нетипичные решения для сложных задач: стратегия, креатив, диагностика, архитектура, генерация гипотез... из хвоста распределения

Под хвостом распределения подразумеваются редкие, но потенциально полезные ответы, которые обычный промпт часто не достает или не отделяет от типичных вариантов

Модели часто дают наиболее ожидаемые ответы. После RLHF (обучения с подкреплением на основе человеческих предпочтений), могут начать вести себя так, будто "типичное = лучшее": чаще выбирать знакомые, ожидаемые формулировки и схлопываться к одному доминирующему ответу, отсекая менее очевидные варианты Исследование Verbalized Sampling показывает, что вытащить ответы из хвоста можно через грамотно составленный запрос. Для этого не обязательно дообучать модель или иметь доступ к ее внутренним весам ❕На простых, хорошо покрытых темах разница будет небольшой, но для сложных задач это может быть особенно полезно *Промпт «Дай 10 альтернативных вариантов» не покажет какие ответы типичные, а какие редкие. Все пункты будут выглядеть одинаково весомыми и есть риск получить типичные ответы в похожих формулировках Если спросить через метод VS, в сильно упрощенном варианте это может звучать так: «Дай 10 вариантов и probability (вероятность/типичность) каждого», мы получим доступ к ответам из хвоста распределения до которых обычные запросы часто не добираются или не показывают их как отдельную область распределения. ➕ Это хороший способ сравнивать модели, например сопоставляя ответы GPT и Opus. На слабых моделях проявит себя слабее 🍒 Метод VS можно упаковать в skill и использовать как рабочий инструмент. У меня он состоит из 4 шагов. Выложу его отдельным постом и покажу на примере отчетности X5, как использовать его для управленческой диагностики ~~~ realtimeforai

Когда с утра не выпил кофе

Заменить молодого специалиста ИИ или полностью отказаться от найма джунов - самый простой, но малоэффективный путь. Через 3-5 лет мидлов и сеньоров на всех не хватит Российским коллегам на заметку лучшие практики нового подхода в обучении, которые уже внедряют компании и университеты В IT это заметно сильнее всего. Модели закрывают большую часть задач стажёров, поэтому теперь джунов почти не проверяют на написание кода. Акцент сместился на ревью кода, проектирование систем и безопасность кода Техлиды намеренно генерируют архитектурно нестабильный код и заставляют стажёров искать причины сбоев. Джун должен прокачивать навык поиска неисправности

«Понимаешь ли ты, почему агент выбрал именно эту библиотеку? Какие альтернативы отверг? Защити эту архитектуру передо мной»

Еще их отправляют на реверс-инжиниринг legacy с задачей - с помощью ИИ разобраться в бизнес-логике и покрыть всё тестами. Выглядит это как превращение джуна в техлида агента. Вручая ему ответственность за сгенерированный моделью код 🎓Юриспруденция В ведущих школах права студентам на экзаменах дают ответ нейросети. Задача оценить, найти галлюцинации, выдуманные прецеденты, слабую аргументацию, пропущенные риски и объяснить, как улучшить стратегию Юридический гигант Seyfarth Shaw полностью переписал летнюю программу стажировок. Главный принцип все то же профессиональное суждение. Особое внимание управлению рисками и микро-нюансам, которые ИИ обычно сглаживает или слишком аккуратно преподносит 💶Аудит и финансы В Big 4 та же история: первичный анализ уже у агента ( мы в чате вчера за 15 минут проанализировали отчетность Самолета и сделали прогноз ликвидности на 2026 год, который в точности повторился) Выбор- путь ускоренного развития специалистов. 3 года вместо 5-7 лет.

Вместо работы в Excel учат профессиональному скептицизму и жёстким переговорам с клиентами

Стажёров сразу выводят на реальные проекты, без передержки в бэкофисе. Но и требования повысили- сильно усложнили внутренние экзамены на аналитику, чтобы компенсировать отсутствие «набивки руки» Кто-то использует AI-Тренажёры Молодым устраивают стрессовую ситуацию, где ИИ играет роль агрессивного оппонента в суде, жёсткого налоговика или недовольного клиента. Нарабатывают стратегический опыт без риска для реальных контрактов Рынок становится конкурентным уже на моменте входа в профессию, требования тоже меняются... сл. пост сделаю о клиентах с ии-паранойей 😁

Самый желанный работодатель в технической сфере - Anthropic Людям нравится философия компании. Это первый случай за долгое время, когда этика и ценности стали мощнейшим конкурентным преимуществом на рынке труда и бизнеса (по капитализации они уже обогнали Open ai) Если решите туда устроиться…. *Среди вакансий много предложений для философов и лингвистов. Они нужны, чтобы переводить сложные алгоритмы на человеческий язык и следить за этическими границами ИИ Во-первых, забудьте про ИИ. На живом собеседовании вам категорически не дадут им пользоваться. В компании хотят проверить человеческое мышление: способность рассуждать вслух, строить логические цепочки и исправлять собственные ошибки без подсказок модели Во-вторых, вас ждет «культурное интервью». Помимо жесткого технического отбора, компании важно понять ваше мировоззрение, приготовьтесь обсудить сложные этические дилеммы. Обязательно спросят: 

«Каких необычных убеждений вы придерживаетесь и как вы их защищали в дискомфортных для себя ситуациях?»

А еще модно нанять карьерного консультанта (бывшего или действующего сотрудника Антропик), час консультации обойдется от $170 до $500. У некоторых кандидатов чек на подготовку к собеседованию доходит до $4600 ————— Статистика сейчас такая: • Инженеры перебегают из OpenAI в Anthropic в 8 раз чаще, чем в обратном направлении. • Удержание сотрудников на уровне 80% , что феномен для Кремниевой долины Можно ругать Дарио за тарифы, блокировки и тающие лимиты. Но Anthropic показывает: бизнес-модель, построенная на этике и умении отстаивать свои принципы, жизнеспособна. ❗️Но есть нюанс: такую бескомпромиссность проявить может только тот, у кого есть реально крутой и ценный продукт в США

#пятничныйфлешмоб

#meme, спасибо @eprogrammist

Экономика потребления AI или "Токеномика" как новая дисциплина для CFO В начале опишу как обстоят дела сейчас, а в конце - три ключевых тренда на ближайшие год-два 👾Даже такие богатые компании, как Microsoft и Amazon, заметили проблемы с потреблением и стоимостью облачного ИИ. Особенно, когда оно начинает конкурировать с ФОТ Причин несколько: 1. нелинейный рост расходов при использовании внешних API. Резкий скачок затрат связан с агентным ИИ Реальный кейс: проект OpenClaw зафиксировал расходы в размере 1,3 млн долларов всего за 30 дней работы в облаке OpenAI 2. «токенмаксинг» - нецелевое использование ресурсов сотрудниками: когда из пушки стреляют по воробьям желая продемонстрировать высокую активность перед менеджментом, персонал начал применять нейросети для задач, которые проще и дешевле решать традиционными методами. 🧮 Токеномика новый термин для учета затрат связанных с потреблением токенов Компания Deloitte в отчете «AI Tokenomics» указывает, что ИИ стал одной из самых быстрорастущих статей расходов в корпоративном секторе. Где-то уже составляет до 50% всего ИТ-бюджета 🔋ТРЕНД: Протоколы «умной усеченности» Разработчики начинают внедрять жесткие лимиты на длину контекста и количество итераций для агентов. Вводится понятие «бюджета на задачу»: если агент не решил проблему за условные 50 000 токенов, процесс останавливается для вмешательства человека 🔋ТРЕНД: Мониторинг в реальном времени + SLM потому что один сложный агентный процесс может «сжечь» месячный бюджет за часы. Выбирать локальную или гибридную инфраструктуру, для 80% офисных задач подойдет и Small Language Models. Дорогие облачные API только для критически важных задач 🔋ТРЕНД: CapEx вместо OpEx лучше один раз основательно потратиться на оборудование, чем ежемесячно нести неконтролируемые операционные расходы. Вкладывать в собственную инфраструктуру выгоднее и с точки зрения налогообложения и - долгосрочного планирования _____ Настал период прагматизма: Растет значение навыков настройки процессов, работы со скиллами, memory, агентными сценариями и другими инструментами оптимизации

Некоторые наблюдения за тем, как ИИ по-разному коснётся карьеры мужчин и женщин. Заметили ли вы, что в ИИ-публикациях, да и в ИИ-сообществах довольно мало девушек? Это легко объясняется. Хотя средний IQ мужчин и женщин одинаковый — 100, но стандартное отклонение разное: σ ≈ 13.2 у женщин vs ≈ 16.2 у мужчин. Поэтому у женщин чаще встречается средний интеллект, чем у мужчин. У мужчин больше очень глупых и очень умных в популяции. На первый взгляд разница распределения небольшая — всего ~23%. Но именно она даёт очень сильный эффект на хвостах распределения (особенно в правом — высоком IQ). На уровне IQ ~130 (верхние ~2–3%): мужчин примерно в 1.5–2 раза больше. На уровне IQ ~145+ (эксперты, топ-0.1%): мужчин уже в 2–3+ раза больше. На уровне IQ ~160+ (экстремально высокий, необходимый для breakthrough research): разница может быть порядка 7 раз. Среди ИИ-исследователей женщины составляют примерно 12%. Однако тут важный момент: негативное социальное влияние на женщин от ИИ будет намного выше. Мужчины в левой части распределения (невысоким интеллектом) обычно заняты ручным трудом, и на них ИИ скажется меньше. Мужчины в правой части распределения скорее всего превратятся в «ИИ-ботоводов», то есть ИИ им не только не угроза, а скорее источник сказочного обогащения и творческого развития. Однако женщины в середине распределения и есть ядро офисного персонала, на которое как раз и нападут ИИ-боты, причём боты с более высоким IQ. На мой взгляд, эта проблема крайне недооценённая, и женщинам намного важнее профессиональная подготовка к работе с ИИ, чем мужчинам. Мужчины больше имеют математическое и визуально-пространственное мышление, более любопытны в части «устройства вещей» и ИИ в частности. Это приводит к тому, что мужчины ещё сами имеют больше мотивации заниматься ИИ. Женщины сильны в эмпатии и социальных взаимодействиях. Однако «работа с людьми» подвергается сильной эрозии, когда коллеги — ИИ-боты, а не люди. В итоге это приводит к тому, что мужчины сами втягиваются в ИИ-экономику, а женщины чаще её игнорируют. Последнее определённо ошибка и может закончиться карьерной трагедией. В реальности женщинам надо заниматься ИИ больше, чем мужчинам, т.к. мужикам это проще даётся в силу просто физиологических причин.

Что с рынком внедрения ai в России? ЦИПР-2026 показывает, что активно движемся в прикладном корпоративном ИИ, но отстаем в промышленном (высокая стоимость + старая инфраструктура + кадровый дефицит) 1. Промышленный ИИ это про управление оборудованием, прогноз поломки, работу с материалами, чертежами, 3D-моделями и пр. 2. Корпоративный ИИ ближе офисным сотрудникам: договоры, ERP, сметы, закупки, согласования, отчетности, базы знаний, HR, клиентские сервисы. *Яндекс становится одним из ключевых технологических партнеров для крупной промышленности Крупные компании, например Норникель активно внедряет и то и другое. Компания уже получает около 10 млрд. руб. эффекта в год от ИИ, а к 2030 году рассчитывает минимум на 50 млрд. руб. ЦПС Газпром показал интересный блок по капитальному строительству. Продукт КРОСС - система для работы со сметами. И АФИДА для строительной документации, где используются ИИ и машинное зрение, чтобы оцифровывать, каталогизировать и управлять документами в строительстве. Цифровой двойник стройплощадки: данные с дронов и лазерного сканирования сопоставляются с проектной документацией, календарным планом и BIM-моделью. Помогает отслеживать стройку, сопоставлять план-факт ФосАгро меняет Oracle ERP на отечественную Global ERP, уже ввела модули производства, сбыта и расчета себестоимости. Говорят, что расчет себестоимости в новой системе происходит в 8 раз быстрее, плюс есть ИИ помощник с интеграцией LLM ФосАгро ЕвроХим внедрили предиктивную диагностику, что помогает управлять производственным процессом, заранее замечать возможные сбои, давать рекомендации операторам Полипластик показывал цифровое управление строительством: графики работ, освоение финансирования, согласования, ЭДО, исполнительную документацию 🤖🤖🤖 И немного о роботах По данным Kept плотность роботизации в России в 2025 году выросла до 40 роботов на 10 000 работников. Не хватает инженеров по автоматизации, конструкторов, электронщиков и программистов роботов (теперь вы знаете на кого идти учиться) Ростелеком на ЦИПР показал робота-сварщика с компьютерным зрением, а у Северстали есть роботы, которые выводят людей из опасных зон *многие отмечают, что нужны люди умеющие переводить бизнес-задачи на язык AI решений ~~~~ 🔁 realtimeforai

Переход от текса к визуалу Когда агент разбирает архитектуру, план рефакторинга или состояние проекта, иногда удобнее использовать HTML чем Markdown

Markdown это текстовый ответ агента. HTML визуальный ответа

Сложную систему удобнее рассматривать, а не читать. Ответ может выглядеть как страница: со схемами, таблицами, навигацией, карточками, сравнением “до / после”, интерактивными элементами Идея подробно описана у Тарика из команды Claude Code в статье об эффективности HTML с примерами страниц *Актуально не только для coding agents. В любом большом проекте (финансовом, юридическом, маркетинговом и т.д) есть похожая проблема: много документов, версий, решений, зависимостей и людей, которым надо быстро войти в контекст ⚡Идея нашла практическую реализацию в плагине «visual-explainer» для Claude Code (8.4k ⭐ ). Это набор slash-команд, которые генерируют самостоятельные HTML страницы и, при необходимости, слайды для команд В нем есть команды, которые умеют: /project-recap - собирать карту проекта: что делает проект, как устроен, что менялось /diff-review - визуально разбирать изменения в коде: какие файлы затронуты, где поменялось поведение, какие риски появились /plan-review - сверять план с реальной кодовой базой /generate-web-diagram - делать HTML-схему вместо ASCII-арта Похоже, что постепенно переходим от текса к визуалу, как напророчил Андрея Карпати. Следующий интерфейс для LLM будет визуальным, так как картинки, схемы, графики и анимации передают смысл быстрее, чем текст ~~~

Из нашего чата лайфхак

💆‍♀️Терапевтический эффект premortem промпта Вы замечали, что смирившись с возможным наихудшим сценарием, в реальности он часто не реализуется? Я уже успела применить его в двух случаях и заметила этот эффект сработало несколько эффектов мозг не отличает воображение от реальности - Амигдала, отвечающая за эмоции и страх, с трудом отличает яркое воображение от реального опыта. Когда вы детально представляете негативный исход, мозг реагирует так, будто это происходит на самом деле. ❕А если это описывает хорошая модель, то от реальности происходящего почти неотличимо - Неопределенность главный враг мозга и даже хуже плохого результата, т.к активирует стресс - Смирение через симуляцию. Проживая негативный сценарий как «уже свершившийся факт» мозг получает определенность.

🧘‍♀️Снижается активность амигдалы. Все уже «произошло» в воображении, высвобождаются когнитивные ресурсы

Получается, что выгода у метода двойная: 1. Аналитическая: помогает выявить скрытые риски и потенциальные проблемы 2. Психологическая: страх и тревога снижаются, и вы подходите к реальным действиям более спокойно и рационально ✨это часто приводит к успешному исходу ——

Мозг,мыши и путь к сыру AGI✌️👋 Вышла интересная статья в Nature Communications, которая описывает, как в процессе развития мозг мышей меняет архитектуру нейронных связей: от локальной, плотной и случайной к распределённой, разреженной и структурированной. По сути, мозг переходит от жёсткой и энергозатратной сети к более гибкой и эффективной. Проведем параллели между этим биологическим процессом и обучением LLM. Можно выделить несколько основных направлений: 🧠 Этапы развития в жизни, как путь от переобучения к обобщению в LLM. В статьей рассказано, что в раннем возрасте у мышей связи между нейронами гиппокампа были локальными, плотными и случайными. При этом сила отдельных синапсов была настолько высокой, что одного события было достаточно для активации нейрона. Это напоминает состояние переобучения у нейросетей: модель буквально запоминает каждый факт и не умеет видеть общие закономерности. Даже к 18–25 дням связи всё ещё были случайными и сильными, но сеть уже начинала реорганизовываться, подготовливая почву для следующего этапа. У взрослых особей архитектура кардинально меняется: плотность связей снижается, они становятся разреженными и структурированными, обеспечивая надёжное и точное хранение информации. Синапсы слабеют, и для активации нейрона требуется суммация сигналов от нескольких входов. Тут возникает аналогия с LLM. В процессе обобщения модель учится выявлять закономерности и абстрагироваться от конкретных примеров, что позволяет ей гибко реагировать на новые данные, а не просто вспоминать заученное. Снижение силы отдельных связей можно сравнить с регуляризацией, которая предотвращает запоминание шума и улучшает способность модели к обобщению. 🎯 Память, точность и контроль галлюцинаций в LLM Разреженная, структурированная сеть взрослого гиппокампа идеально подходит для хранения множества различных воспоминаний без взаимных помех (низкая интерференция). Случайная, плотная сеть ребёнка, напротив, была бы плохим хранилищем, так как новые данные быстро перезаписывали бы старые. Это может стать аналогией с проблемой катастрофического забывания, которая стоит перед LLM при дообучении на новых данных. Кроме того, разреженная архитектура снижает риск создания ложных ассоциаций - аналог галлюцинаций LLM, когда модель генерирует правдоподобную, но неверную информацию. Для LLM это означает, что более структурированное и разреженное внутреннее представление знаний потенциально может сделать её более надёжной и точной. ⚡️ Экономия ресурсов мышления и вычислений Переход к разреженной сети значительно энергоэффективнее, тк активируется лишь малая часть нейронов, необходимая для обработки конкретного сигнала. Это критически важно для биологического мозга, работающего в условиях ограниченных ресурсов. Для LLM мы наблюдаем то же самое. Вспомним разреженные вычисления, такие как MoE, sparse attention и тп. В таких моделях для каждого запроса активируется только небольшая часть экспертов, что позволяет достигать высокой производительности с меньшими вычислительными затратами, чем у плотных моделей аналогичного размера. Однако, мы храним все веса модели в памяти gpu. Но давайте будем честны, мы и весь вес мозга носим на себе, хотя активируем отдельные области 🧠 Ну а что делать-то? 🙄 Как мы видим по статье, что для мышей, что для LLM - путь к эффективности общая стратегия. Природа за миллионы лет эволюции пришла к разреженности не потому, что лень, а потому что плотная сеть не масштабируется 😱 LLM на 100B параметров в плотном виде — это мышь на P8: шумная, жадная до энергии и неспособная к сложной ассоциативной памяти. Разреженность - не фича, а база. Получается, что LLM должна эволюционировать от плотной детской фазы к структурированной взрослой. Правда, эволюция сделала это без градиентного спуска и H100 👍 А сможете ли Вы? 🤔