Manvel's Channel

Мы находимся в эхо-камере, где СМИ соревнуются в умении превозносить (и без того впечетляющие) успехи LLM. OpenAI: "наши агенты нашли способ общаться в изолированных средах через cache miss процессора". https://openai.com/index/securing-our-frontier-model-training-environment/ СМИ: "невероятно! агенты нашли способ взаимодействовать в изолированных средах". Слово "новый" не используется нигде, но о нем незаметно умалчивают. У одних нет кругозора, другие пользуются ситуацией. https://the-decoder.com/openais-isolated-ai-agents-found-ways-to-talk-to-each-other-through-cpu-cache/ На самом же деле техника эта хорошо известна с нулевых. Самая старая статья, которую я нашел имеет более 1000 цитирований: https://www.daemonology.net/papers/htt.pdf

У меня тут возникла небольшая пауза в работе и за ~10 веселых дней и бессонных ночей написал футбик. Помните как в детстве рубились? Старые-добрые времена возвращаются! Всеми когда-то любимая игра от EA работает только на Windows, с каждым годом все хуже и хуже, и стоит уже под $100. Я же буду распространять бесплатно, на iOS, Anroid, Linux, Mac OS и, возможно, на Windows) Есть еще что докрутить, но играть уже интересно. Регулярно играю уже по вечерам, даже вне тестов) Уже в закрытом тестировании на Google Play Store: https://play.google.com/store/apps/details?id=dev.manvel.liga (ссылка для телефона) https://play.google.com/apps/testing/dev.manvel.liga (ссылка для web) В Steam появится как только я пройду KYC (там месяц!). iOS в работе. ОНЛАЙН почти работает! Игра всегда будет БЕСПЛАТНОЙ, поэтому всем благодарности за лайк, шер и репост! И подключайтесь к закрытому тестированию выше — чтобы попасть в выдачу нужно собрать 12 тестеров на 2 недели — задача не из тривиальных. По вопросам: liga@manvel.dev

Сегодня на Moscow Startup Summit, найдите меня если вы тут.

Наконец-то появился бенчмарк для навигации на тротуарах: https://vail.cs.ucla.edu/SidewalkBench/ https://arxiv.org/pdf/2606.16953 В статье сравнили модели использующие визуальную навигацию, но результаты неутешительные: при использовании лучшей модели оператору придётся вмешаться 26.6 раза за маршрут — около 1.07 вмешательства в минуту. До полной автономии тут ещё далеко, но я продолжаю утверждать, что робот должен уметь ориентироваться в городе используя только одну камеру. Разрыв предстоит закрывать будущим исследованиям.

Фильму «Терминатор-2» исполнилось 35 лет, его крутят в кинотеатрах. Насладился. Забавно, что в какой-то момент у Т-800 спрашивают, умеет ли он обучаться, и он отвечает, что у него нейросетевой процессор. В те годы нейросети в очередной раз были на пике хайпа (backprop, теорема об универсальной аппроксимации, LeNet, нейрочипы), поэтому логично, что выбрали именно их. Но было бы очень смешно, если бы сценаристам посоветовали сказать, что внутри — SVM. ДЖОН: Ты можешь учиться? Ну, чтобы стать поприличнее, а не вот это всё. T-800: Мой процессор — метод опорных векторов с ядром радиально-базисных функций. ДЖОН: ...Что? T-800: Я отображаю действия в пространство большей размерности, где классы разделимы гиперплоскостью, и провожу границу с максимальным зазором. САРА: То есть ты просто рисуешь черту и стреляешь в то, что справа. T-800: С мягким зазором. C = 0.01. САРА: И что это значит? T-800: Что иногда я стреляю и слева. ДЖОН: А переобучение? T-800: На 5-fold кросс-валидации не обнаружено.

Наткнулся на Madrona — графический движок, который довел оптимизацию массивно параллельной симуляции для обучения RL до предела: https://madrona-engine.github.io Тысячи инстансов окружения собираются в одно мега-ядро и работают на GPU параллельно, одновременно. На Hide and Seek (где ИИ учится играть в прятки) достигает пиковой производительности более 1.9 млн шагов в секунду на RTX 4090. Это в 11 раз быстрее SOTA и в 270 раз быстрее реализации от OpenAI (это с симуляцией физики твердого тела и лидара). https://madrona-engine.github.io/shacklett_siggraph23.pdf https://github.com/shacklettbp/gpu_hideseek

Читаю статью "Empirical Design in Reinforcement Learning" [1] — коллекцию способов ошибиться или обмануть себя при обучении RL. Какие-то очевидные, какие-то получаешь только на своём опыте. Например, график (см. комменты): насколько близко робот был к цели в момент первой ошибки. Посчитано скользящим окном по 500 и по 100 эпизодов. Как понять, улучшает ли вообще обучение модель в данном случае? А если нет доверительных интервалов? А если ты видишь только начало графика (только начал обучение)? Я прочитал уже много таких отчётов [2][3] — это прямо уже какой-то отдельный жанр технической литературы. (Кстати, про трансформеры похожий жанр развивается активно [4][5].) Почему RL сложный? 1. Фактически, нам приходится обучать поведение агента, ориентируясь всего на одно число — reward. Это очень малоинформативный сигнал: анализируем огромный поток информации, а максимизируем одну маленькую цифирку. 2. Off-policy алгоритмы (не говоря уже об offline) — просто сложные, с совершенно неинтуитивными метриками. При обучении SAC используется пять (5!) нейросетей: где-то усредняем, где-то берём минимум, где-то одна нейросеть учится на предсказаниях другой. 3. И ещё одно, что делает всё вышеперечисленное по-настоящему сложным: постоянный distribution shift. Агент сам себе генерирует обучающую выборку. Чуть поменялась политика — поменялись данные — поменялась политика. Нет фиксированного датасета, нет отложенной выборки, нет привычного «сошлось/переобучилось». 4. Наконец, нужно делать очень много экспериментов, чтобы получать честные измерения — это просто дорого и долго. И это, пожалуй, главный практический вывод статьи: если хочешь знать, работает твоё изменение или нет — делай больше экспериментов, считай доверительные интервалы, лучше бутстрапом [6] (они особенно ярко подсвечивают насколько легко обмануться). Обходного пути нет. Один красивый график не значит ничего. Я верю в модели мира, но это отдельная сложная тема. Напишите если вам интересно. [1] https://arxiv.org/abs/2304.01315 [2] https://araffin.github.io/post/sac-massive-sim [3] https://araffin.github.io/post/tune-sac-isaac-sim [4] https://huggingface.co/spaces/HuggingFaceTB/smol-training-playbook [5] https://huggingface.co/spaces/nanotron/ultrascale-playbook?section=high-level_overview [6] https://en.wikipedia.org/wiki/Bootstrapping_(statistics)

Я пробовал жить без сцены, но сцена не может жить без меня😁 В ближайшее воскресенье играю в DeFAQto на Чистых прудах. Билеты тут: https://moscow.qtickets.events/250258-proda-fest Промокод: DEF Также предварительно 21-го в Trigger Bar. Тут вход бесплатный, но надо заказывать столик. Напишу отдельно на следующей неделе. Приходите, музыкальный катарсис гарантирован! Если вдруг не получается, то можно послушать тут: https://music.manvel.ai https://music.yandex.ru/artist/18674504

Смотрю свежий курс Stanford CS329A Self-Improving AI Agents. Даже не курс, а скорее обзор лучшего, что было сделано до зимы 2025-го года. [1][2] Понял, что если разрешить себе скучать (на скорости 1.5x), то смотреть приятнее. Прямо скажем, тут не алгоритм Укконена рассматривается. А что если читать скучные лекции — это лучший способ? Вдруг так информация лучше воспринимается? Ну и заметим как Azalia Mirhoseini когда-то делала RL для дизайна чипов и технично перешла в само-улучшающиеся агенты. [1] https://www.youtube.com/playlist?list=PLangBM27OtEA [2] https://cs329a.stanford.edu

Ходил в Matena (бизнес-школа, [1]) рассказывать про свой суровый опыт в корпоративном R&D. Я утверждаю, что зачастую стимулы построены неправильно, что приводит к посредственным результатам. P.S. Еще раз убедился в том, что основное преимущество Армянского IT — в том, что оно состоит на 80% из красивых девушек. P.P.S. Зовите меня к себе поговорить, сейчас в Москве. [1] https://matena.am

Забавный факт: в 2026 Q2 компания Alphabet (материнская Google) удвоила CAPEX y/y, доведя его до $45B, в основном — на инфраструктуру для ИИ. И впервые стала беднее за квартал — несмотря на то, что чистая прибыль достигла рекордных $112B. Для сравнения: по моим очень грубым оценкам, Российские компании вкладывают в 100-200 раз меньше. Очень любопытно посмотреть внутренние деши Google и понять как люди перетекают в Gemini из поиска, как поведение меняется в целом. https://abc.xyz/investor/earnings/

Зеркальный радиотелескоп Геруни недалеко от Еревана. Сейчас заброшен. Грустно было на это смотреть, сколько потеряно. https://ru.wikipedia.org/wiki/%D0%97%D0%B5%D1%80%D0%BA%D0%B0%D0%BB%D1%8C%D0%BD%D1%8B%D0%B9_%D1%80%D0%B0%D0%B4%D0%B8%D0%BE%D1%82%D0%B5%D0%BB%D0%B5%D1%81%D0%BA%D0%BE%D0%BF_%D0%93%D0%B5%D1%80%D1%83%D0%BD%D0%B8

Мой брат Арменак ведёт самый популярный в рунете канал по умным домам. Сегодня у него вышло отличное интервью с Виктором Сидневым про солнечные панели и системы хранения энергии. Советую если вы тоже устали от бесконечных новостей. https://youtu.be/EK6vFSzp-rw?si=0g8IERmn3XPYNNlc

Какие-то добрые люди из Сингапура сделали акваланги для тараканов-киборгов [1]. Это что-то на уровне мышей-рокеров с Марса. Только в реальной жизни. На спину насекомого приклеивается небольшой контейнер с химикатами. В результате реакции выделяется свободный кислород, которым и дышат тараканы. Эти же ребята в 2025 году сделали ИИ-робота (sic!), который может превращать тараканов в киборгов всего за 68 секунд [2]. Исследуют насекомых-киборгов уже довольно давно. Самый простой способ имплантации — встроить небольшие электроды в антенны. Тараканы при столкновением с препятствием (т.е. антенна касается препятствия) поворачивают в противоположную сторону. Электроды ровно это и симулируют. И даже продаются наборы для конверсии [3]. Тем не менее, развивают и неинвазивные методы — чтобы не травмировать насекомых. Ну и тараканы вроде не чувствуют боли, но чувствуют ущерб — как Терминатор Т800. В 2025 году таких тараканов использовали при реагировании на землятрясение в Мьянме. Литература в комментах.

Код, который был написан с использованием ИИ содрежит на 70% больше ошибок, значительно менее читаем и имеет в 2 раза больше алгоритмических ошибок — это по результатам нализа pull requests в GitHub. https://www.coderabbit.ai/blog/state-of-ai-vs-human-code-generation-report Обратите внимание, что автор наверняка прочитал и проверил этот код перед тем, как сделать PR — ИИ без человека навреняка делает в разы хуже. Это при том, что написание кода — это 20-30% всего труда. Код надо спроектировать, отладить, поддерживать, рефакорить и т.д. Написать код — не проблема и никогда не было проблемой что с ИИ, что без. Вопрос что потом с этим кодом делать? "Продуктивный" человек, который пишет много и плохо — это проблема. Потому, что рано или поздно он создает баг, который потом ищут неделями. А вот тут списки open source проектов, которые не принимают вообще никакие PR написанные с помощью ИИ: https://codeberg.org/brib/slopfree-software-index https://noai.starlightnet.work/list.html

Тем временем, инвестиции в робототехнику бьют рекорды, в Q1 было проинвестировано более $16B. В 2016 робототехника даже не была в топе, теперь она обошла финтех и находится на втором месте после ИИ. https://www.a16z.news/p/charts-of-the-week-cycles-different

🔊 Taking the stage at PyData & PyCon Yerevan 2026, Manvel Avetisian will share his experience building a self-driving robot from scratch. In his talk he will share the lessons learned while building an autonomous delivery robot from scratch. The session will cover everything from hardware choices and AI models to reinforcement learning, real-world testing, and the challenges that appear when a robot leaves the simulator and enters the street. 🔹 Manvel has worked at Google, Yandex, AMD, AIRI, and Sberbank, leading and contributing to projects in artificial intelligence, robotics, search systems, speech technologies, healthcare, and applied research. His work has been published in leading journals and conferences and deployed in real-world products and services. -- 📅 July 24–25, 2026 📍 American University of Armenia 🎟️ Tickets are available now. Get yours and be part of PyData & PyCon Yerevan 2026: https://eventhub.am/am/other/event/pydata-pycon-yerevan-2026-88ac846d-98d1-484b-9779-7405835da7c1 #pydatapycon2026 #pydatayerevan #pyerevan #pycon2026 #python #ML #AI #computervision #techevents #conference #AUA #ACSE

Меня раз в неделю спрашивают куда сходить в Ереване, решил написать централизовано и просто шарить пост. Все от лица местного жителя, туристические маршруты широко известны и вы их легко найдете сами. https://telegra.ph/Kuda-shodit-v-Erevane-06-11

☺️ Роботы-доставщики должны стать расходным материалом, считает бывший директор по развитию прикладных проектов Института искусственного интеллекта AIRI Манвел Аветисян, ныне основатель стартапа Manvel Robotics. ✅ Сейчас коммерческие робокурьеры стоят от $5 000 до $30 000 за единицу. И это безумие. Рынок доставки изменят только платформы за $500 максимум! ✅ Им необходимо пройти путь смартфонов и дронов: от удешевления компонентной базы — к взрывному масштабированию. Доставка роботами станет массовой тогда, когда стоимость устройства станет сопоставима с бытовой техникой, а не автомобилем. Необходим переход от логики «робот как дорогое оборудование» к «робот как инфраструктурный узел сети».

Где можно сократить косты? 🟢массовое производство недорогих камер; 🟢более дешевые вычислительные системы-на-кристалле со встроенными нейронными процессорами; 🟢развитие ИИ-моделей компьютерного зрения; 🟢vision-first подход, где дорогие датчики будут заменяться мощными нейросетями, извлекающими максимум информации из обычных камер и дешевых сенсоров (инерциальные измерительные модули, одометрия и т.д.).

➡️ Как итог, получаем платформу, которую можно массово разворачивать и быстро заменять. Что даст возможность формировать многочисленный флот робокурьеров и покрывать огромные территории.

А минусы будут? ➖ Как инженер, Манвел Аветисян концентрируется только на стоимости списка компонентов своего прототипа (bill of materials, BOM), игнорируя потенциальные операционные расходы: операторы, техподдержка, мониторинг, инфраструктура зарядки и т.д. При низкой цене отдельного устройства, рост флота увеличит общую стоимость владения. ➖ Ограниченные испытания в лабораторных условиях не дают представления об edge cases — проблемах «крайнего случая» в реальной среде. А значит дешевого набора сенсоров может оказаться недостаточно для массовой эксплуатации в условиях города без риска для людей и животных. ➖ И что всё-таки насчет аккумуляторов, стоимости зарядки и робопортов для неё? Для тех же гуманоидов это серьезная статья расходов. ➖ Быстрое масштабирование создаст новые проблемы: пробки из доставщиков, необходимость изменения дорожной инфраструктуры, конфликты с людьми и необходимость правового регулирования. Чего стоит только развитие рынка электросамокатов.

Вся история робототехники показывает, что стоимость аппаратной части обычно оказывается лишь малой толикой общей экономики системы. Подписаться на 💚💚💚💚💚 #Роботы_доставщики #Стартапы #Экономика #Урбанистика