ген ИИ
رفتن به کانال در Telegram
привет, я Алексей Сидорюк, а это мой канал, посвященный генеративному ИИ, ИИ-агентам, аналитике и трендам. Делюсь опытом использования решений на базе ИИ, кейсами, полезными инсайтами, личным взглядом на развитие ИИ в России и за рубежом. Сайт: gen-ii.ru
نمایش بیشتر2 883
مشترکین
+1124 ساعت
+217 روز
-2230 روز
در حال بارگیری داده...
کانالهای مشابه
ابر برچسبها
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
اوت '26
اوت '26
+4
در 0 کانالها
ژوئیه '26
+44
در 1 کانالها
Get PRO
ژوئن '26
+49
در 3 کانالها
Get PRO
مه '26
+41
در 1 کانالها
Get PRO
آوریل '26
+63
در 1 کانالها
Get PRO
مارس '26
+74
در 1 کانالها
Get PRO
فوریه '26
+73
در 0 کانالها
Get PRO
ژانویه '26
+31
در 1 کانالها
Get PRO
دسامبر '25
+162
در 1 کانالها
Get PRO
نوامبر '25
+500
در 2 کانالها
Get PRO
اکتبر '25
+117
در 5 کانالها
Get PRO
سپتامبر '25
+496
در 8 کانالها
Get PRO
اوت '25
+37
در 1 کانالها
Get PRO
ژوئیه '25
+85
در 3 کانالها
Get PRO
ژوئن '25
+111
در 2 کانالها
Get PRO
مه '25
+196
در 11 کانالها
Get PRO
آوریل '25
+120
در 5 کانالها
Get PRO
مارس '25
+1 125
در 8 کانالها
Get PRO
فوریه '25
+84
در 4 کانالها
Get PRO
ژانویه '25
+2 081
در 2 کانالها
Get PRO
دسامبر '24
+80
در 1 کانالها
Get PRO
نوامبر '24
+86
در 5 کانالها
Get PRO
اکتبر '24
+92
در 1 کانالها
Get PRO
سپتامبر '24
+58
در 1 کانالها
Get PRO
اوت '24
+270
در 0 کانالها
| تاریخ | رشد مشترکین | اشارات | کانالها | |
| 01 اوت | +4 |
پستهای کانال
💰 Как оценить эффект от ИИ до того, как вы потратите бюджет на внедрение?
Альянс в сфере ИИ запустил АФИИНА - открытый вики-портал с методологией оценки финансового эффекта и кейсами из разных отраслей.
Ценность проекта в том, что он переводит разговор об ИИ с языка технологий на язык бизнеса:
- где именно возникнет эффект и как его посчитать?
- как он повлияет на прибыль и расходы?
- с чем сравнивать результат?
- как доказать, что эффект обеспечил именно ИИ?
Основой подхода стала методология, которую в 2025 году Альянс в сфере ИИ и Ассоциация ФинТех разработали вместе с участниками финансового рынка, а также собирали кейсы с финансовых организаций. Подробнее я писал об этом здесь.
Такие инструменты помогают снять один из главных барьеров для внедрения ИИ: как обосновать инвестиции перед топ-менеджментом и финансовым директором, а также выстроить культуру финансовой осознанности в организации.
Как применить методологию в своей компании?
1️⃣ Выберите конкретный процесс. Продажи, поддержка клиентов, отчётность, закупки, разработка или управление инцидентами.
2️⃣ Сформулируйте бизнес-гипотезу. Не «внедрить ИИ» или «создать RAG-систему», а, например: «сократить среднее время поиска ответа оператором с пяти минут до одной».
3️⃣ Зафиксируйте исходный сценарий (baseline). Что произойдёт без внедрения ИИ? Сколько процесс занимает сейчас, сколько стоит и какие потери создаёт?
4️⃣ Определите источник эффекта. Рост доходов, сокращение расходов, отказ от дополнительного найма, снижение рисков или повышение пропускной способности процесса.
5️⃣ Выберите способ проверки. A/B-тест, постоянная контрольная группа, квазиэксперимент или корректное сравнение показателей до и после внедрения.
6️⃣ Посчитайте полную стоимость решения. Разработка, инфраструктура, лицензии, интеграция, данные, сопровождение, контроль качества, управление рисками и безопасность.
7️⃣ Применяйте финансовый мониторинг на всем жизненном цикле применения ИИ. Сформулируйте гипотезу → оцените потенциальный эффект → проверьте его на пилоте → подтвердите финансовый результат → контролируйте его после масштабирования.
При этом бизнес должен отвечать за гипотезу и результат, финансовая функция - подтверждать влияние на экономику, а техническая команда - качество модели и ИИ-решения.
Завтра планирую разобрать интересные кейсы с портала и их финансовый эффект.
А как у вас принимают решение о запуске ИИ: по финансовой модели, результатам пилота или пока по принципу «так делают конкуренты»? Пишите в комментариях 👇
#эффекты
💬 ген ии | MAX
| 2 |  🔥 Kimi K3 открыла веса: флагманскую модель теперь можно развернуть у себя (ну, если у вас есть 64 видеокарты 😆)
Moonshot AI выполнила обещание и опубликовала полные веса Kimi K3. Их можно скачивать, разворачивать в собственном контуре, модифицировать и дообучать.
Про Kimi уже писал раньше тут и она была самым ярким событием на WAIC 2026.
Вкратце, kimi K3 - первая открытая модель такого масштаба:
• 2,8 трлн параметров
• 104 млрд активных параметров
• работа с текстом и изображениями
• контекст до 1 млн токенов
• ориентация на программирование, исследования и длительную работу ИИ-агентов
Веса и код опубликованы под собственной лицензией Kimi K3. Она разрешает коммерческое использование, создание производных моделей и встраивание в продукты. Но для крупных поставщиков услуги «модель как сервис» предусмотрены дополнительные условия (вы должны заключать соглашение с Moonlight, если зарабатываете свыше $20 млн или у вас больше 100 млн пользователей в месяц).
Кому это может быть полезно?
🏦 Банкам, телекому и крупным компаниям для развертывания мощной модели в закрытом контуре и работы с чувствительными данными.
💻 Облачным провайдерам и интеграторам для создания локальных сервисов, отраслевых решений и альтернатив зарубежным API.
💻 Разработчикам ИИ-агентов как основа для систем программирования, аналитики документов, исследований и автоматизации сложных процессов.
🧪 ИИ-лабораториям для дообучения, квантования, дистилляции и изучения новой архитектуры.
Но есть важное ограничение: Kimi K3 нельзя просто установить на обычный компьютер. Сами веса занимают более терабайта, а Moonshot AI рекомендует конфигурации от 64 ускорителей.
Поэтому небольшие компании вряд ли будут разворачивать K3 самостоятельно. Им открытие весов принесёт пользу косвенно: появятся новые провайдеры, специализированные версии модели и более дешёвые сервисы.
Открытие весов Kimi K3 дает для рынка альтернативу зарубежным проприетарным флагманам. Зависимость от зарубежных проприетарных API снижается, но вместо оплаты токенов компания получает расходы на оборудование, инженеров и эксплуатацию. Ну и ждем новых умных ИИ-решений.
#релиз
💬 ген ии | MAX | 424 |
| 3 |  Без модели угроз и контроля ИИ-агент - это мартышка с гранатой 🙈
2025 и 2026 год проходят под эгидой безопасного ИИ. Банк России, Сбер, Яндекс и Swordfish предложили свои подходы и практики к защите ИИ.
На днях Сбер обновил модель угроз безопасности искусственного интеллекта. Почти 100 страниц, которые я бы рекомендовал прочитать не только специалистам по ИБ, но и всем, кто проектирует корпоративных ИИ-агентов.
В версии марта 2025 года было 70 отдельных угроз. В версии 2026 года есть существенные изменения:
- 37 обобщённых угроз и 51 способ реализации атак;
- связь с MITRE ATT&CK и MITRE ATLAS;
- модели внутренних и внешних нарушителей;
- сценарий, в котором источником угрозы становится сам ИИ-агент;
- угрозы для RAG, памяти, системного промпта, инструментов и мультиагентных систем;
- методика определения актуальных угроз;
- распределение ответственности между владельцами данных, разработкой, ИТ, DevOps и ИБ.
Если сопоставлять этот документ с 3-МР от Банка России от 16.06.26, то сути, документы смотрят на одну проблему с разных уровней.
Банк России задаёт рамку управления. Финансовой организации рекомендуется:
- оценивать риски ИИ и разрабатывать собственную модель угроз по методике ФСТЭК;
- учитывать внутреннего и внешнего нарушителя, архитектуру системы и весь жизненный цикл — от подготовки данных до эксплуатации;
- сопоставлять актуальные угрозы со способами атак и мерами защиты;
- документировать защиту и оценивать её эффективность;
- утвердить политику ИБ для ИИ, организовать аудит и информирование руководства;
- контролировать поставщиков, открытые модели, плагины, агентов и цепочки поставок;
- подтверждать человеком операции ИИ в критически важных процессах при высоком риске.
Модель Сбера детализирует технический слой этой рамки: помогает разложить агентную систему на конкретные объекты (модель, данные, RAG, память, системный промпт, оркестратор и инструменты) и понять, кто, как и на что может воздействовать.
То есть Банк России отвечает на вопрос: «Какой процесс управления безопасностью ИИ должна выстроить организация?»
А модель Сбера - на вопрос: «Какие сценарии атак нужно проверить в конкретной архитектуре?»
Модель Сбера хорошо дополняет рекомендации ЦБ, но не заменяет собственную модель угроз организации.
Как использовать методику руководителю бизнеса?
1️⃣ Определить границы самостоятельности агента. Зафиксировать, какие данные он видит, к каким системам подключён, какие решения может принимать и какие действия требуют подтверждения человека.
2️⃣ Провести сценарную сессию бизнеса, ИТ и ИБ. Выбрать из модели угроз те сценарии, которые актуальны для конкретного процесса, оценить их влияние на деньги, клиентов, непрерывность и репутацию.
3️⃣ Назначить владельца риска и условие допуска. Для каждой критичной угрозы определить меру защиты, ответственного и проверяемый критерий. Агент получает реальные доступы только после подтверждения эффективности контроля.
#кибербез
💬 ген ии | MAX | 399 |
| 4 |  ⚖️ Закон об ИИ подписан!
Друзья, продуктивного начала рабочей недели всем!
Вчера (26 июля) быд подписан первый базовый закон о поддержке ИИ в России - № 243-ФЗ.
Разбор этой версии я делал недавно в посте, а 60% аудитории сошлось во мнении, что на них этот закон не окажет никакого влияния.
Это не закон «обо всём искусственном интеллекте». Он регулирует прежде всего большие фундаментальные модели — от 1 млрд параметров.
Ключевое:
1️⃣ Фиксируются основные определения (наконец-то в законе появилось определение ИИ) и определяются статусы суверенной и национальной ИИ-модели
Искусственный интеллект — комплекс технологических решений, позволяющий имитировать когнитивные функции человека (включая способность самостоятельно совершенствовать свои функции, повышать точность решений за счет анализа новых данных и выполнять поиск решений без заранее заданного алгоритма) и получать при выполнении конкретных задач результаты, сопоставимые с результатами интеллектуальной деятельности человека или превосходящие их.
Суверенная модель (мое обобщение, в законе есть четкие требования) — модель, разработчиком которой является российское юридическое лицо, самостоятельно осуществляющее её разработку и изменение характеристик на всех стадиях жизненного цикла и обеспечивающее полную техническую и технологическую воспроизводимость цикла разработки, включая обучение. Ответы пользователям подготавливаются, а данные хранятся в российских ЦОД, принадлежащих российским юридическим лицам. Модель должна пройти подтверждение соответствия законодательству России и традиционным российским духовно-нравственным ценностям.
Национальная модель (мое обобщение, в законе есть четкие требования) — модель российского разработчика, существенные характеристики которой, определённые Правительством РФ, включая структуру, программное обеспечение и настраиваемые параметры, определяются и изменяются этим разработчиком. Все применяемые при разработке российские и зарубежные компоненты, включая другие большие фундаментальные модели, должны распространяться на условиях открытой лицензии. Требования к ЦОД и подтверждению соответствия такие же, как для суверенной модели.
2️⃣ Их разработчики смогут получать господдержку и доступ к данным государственных информационных систем для обучения
3️⃣ Правительство сможет определять сферы, где разрешено использовать только такие модели. Зарубежные модели при этом не запрещаются
Что это означает для небольших компаний?
1️⃣ Основные требования к разработчикам моделей не затронут большинство компаний, которые создают прикладные решения. Можно будет пользоваться и иностранными моделями, и моделями с открытыми весами, кроме случаев, определенных законом (критерии определяет Правительство РФ и Банк России для финансовой отрасли)
2️⃣ Совместимость с российскими моделями и размещение данных в России станут преимуществом при работе с государством, банками и крупным бизнесом
3️⃣ ИИ-сервисы будут делать больший акцент на безопасность и происхождение данных и моделей - кому принадлежат права на результат и как пользователь может его сохранить или выгрузить.
Главный вывод: закон усиливает крупных разработчиков моделей, но одновременно создаёт новый рынок для сотен небольших компаний, способных превратить эти модели в полезные продукты.
Большинство требований вступает в силу 1 сентября 2026 года, а положения о безопасности, маркировке и правах на результаты — 1 марта 2027 года.
В первом комментарии приложу сам закон.
#регуляторика
💬 ген ии | MAX | 362 |
| 5 |  🖨 Производитель прекратил поддержку драйвера, а пользователь написал его сам с помощью ИИ
Друзья, помню, что вам понравилась история с WHOOP. На днях увидел похожий кейс и спешу поделиться с вами.
У владельца Canon PIXMA G3010 не было полноценной поддержки современной macOS. Печать удалось запустить обходным способом, а для сканирования приходилось использовать приложение на iPhone и пересылать файлы через AirDrop.
Раньше на этом история, скорее всего, закончилась бы. Но пользователь подключил Claude Code и решил самостоятельно создать недостающий драйвер.
Как это происходило:
1️⃣ Вместе с ИИ он настроил перехват сетевого обмена между приложением Canon и принтером.
2️⃣ Claude проанализировал пакеты и восстановил закрытый протокол сканирования CHMP.
3️⃣ Затем агент написал на Rust программу-посредник, которая переводит стандартные команды macOS в понятный принтеру формат.
4️⃣ Пользователь проверял результат на реальном устройстве и сообщал ИИ, что работает, а что нет.
В итоге сканер стал определяться в стандартных приложениях macOS. Появилась и командная строка для печати и сканирования. Автор утверждает, что при этом не написал самостоятельно ни одной строки на Rust.
Проект выложен в открытый доступ. Пока официально протестирован только Canon G3010, а установочный пакет не подписан — это всё-таки разработка энтузиаста, а не промышленный продукт. История проекта и исходный код.
Какие выводы?
ИИ резко снижает стоимость решения узких технических проблем. Раньше писать драйвер для одной устаревающей модели было экономически бессмысленно: слишком много времени ради слишком маленькой аудитории. Теперь подобную задачу может решить один мотивированный пользователь.
Отсюда несколько последствий:
- закрытый протокол больше не является надёжной защитой;
- срок жизни устройств может заметно увеличиться, а их поддержка стать гораздо дешевле;
- пользователи смогут самостоятельно добавлять функции, которые производитель не захотел поддерживать;
- вокруг старого оборудования появится новый рынок неофициальных решений.
ИИ превращает пользователя из заложника производителя в разработчика собственного продукта.
Дисклеймер:
⚠️ Не нарушайте лицензеонные права. Правомерность реверс-инжениринга зависит от законодательства конкретной страны и условий лицензии. Автор проекта утверждает, что исследовал сетевой обмен собственного устройства исключительно ради совместимости, не декомпилировал и не распространял программное обеспечение Canon.
#кейс
💬 ген ии | MAX | 375 |
| 6 |  +4🇨🇳 WAIC 2026: Китай показал, как будет выглядеть следующая фаза гонки ИИ
Друзья, привет, на прошлой неделе проходила конференция WAIC 2026 в Китае. Сам я не был в WAIC, но новости и ключевые события оттуда не могу пропустить.
Всемирная конференция по искусственному интеллекту в Шанхае в этом году заметно выросла:
• более 1 100 компаний
• свыше 3 000 разработок
• более 300 мировых премьер
• 300+ роботов
• свыше 100 000 м² выставочных площадей
Если коротко: Китай строит не отдельные модели, а свою технологически независимую ИИ-экосистему: от чипов и облаков до агентов, устройств и роботов.
Самые яркие новости:
1️⃣ Kimi K3 - новая открытая флагманская модель
Moonshot AI представила открытую MoE-модель на 2,8 трлн параметров с контекстом до 1 млн токенов. Подробно описал в прошлом посте.
Главный фокус - программирование, исследования и длительная автономная работа.
Компания обещает открыть её полные веса 27 июля.
2️⃣ Alibaba строит облако для ИИ-агентов
Компания показала предварительную версию Qwen 3.8 Max на 2,4 трлн параметров.
Но интереснее сама инфраструктура:
• AgentRun — запуск агентов
• AgentLoop — контроль и оценка их работы
• AgentTeams — координация команд агентов
Облако превращается из места хранения данных в операционную систему для цифровых сотрудников.
3️⃣ Huawei показала инфраструктуру ТТ без Nvidia
Демонстрационная конфигурация Atlas 950 объединила 1 024 ускорителя Ascend в 16 вычислительных шкафах.
А Sugon представила полностью китайский суперкластер, рассчитанный на 100 000 ускорителей.
4️⃣ Роботы начали работать вместе
В роботизированной аптеке 3 робота разных производителей сами распределяли задачи, искали лекарства и собирали заказы.
В другой демонстрации 6 роботов должны были за 15 часов собрать Великую Китайскую стену из 80 000 деталей.
Это уже не просто гуманоид, который танцует на сцене, а физическая мультиагентная система.
5️⃣ ИИ становится основой девайсов
На WAIC показали агентные смартфоны, очки и наушники, которые переводят разговоры, фиксируют встречи и выполняют действия вместо пользователя.
Например, очки iFlytek весят всего 40 граммов, распознают активного собеседника по движению губ и переводят речь в шумной обстановке.
6️⃣ Open source становится геополитическим инструментом
Alibaba пообещала открыть веса Qwen 3.8 Max, а её подразделение T-Head открыло программный стек для собственных ИИ-чипов.
К апрелю 2026 года было поставлено уже 560 000 таких ускорителей более чем 400 заказчикам в 20+ отраслях.
Китай предлагает миру не только модели, но и инфраструктуру, обучение и собственные технологические стандарты.
Мой вывод по WAIC 2026
В то время, когда США идут по пути скрыть лучшие модели от широкой аудитории и закрыть свои технологии, Китай выбрал противоположную стратегию - коллаборацию с другими странами и развитие открытых технологий. Это сильный асимметричный шаг. По-прежнему не ясно, кто впереди - США или Китай.
По мне мощные итоги. А что вас удивило больше всего? Пишите в комментариях 👇
#итоги
💬 ген ии | MAX | 479 |
| 7 |  Kimi K3. Что умеет новая китайская флагманская нейросеть?
В сети разлетаются ролики, где нейросеть «одним запросом создаёт Counter-Strike и macOS». Это преувеличение. Но реальные возможности Kimi K3, пожалуй, даже интереснее.
Kimi K3 - новая флагманская ИИ-модель китайской компании Moonshot AI, выпущенная 16 июля 2026 года. Она ориентирована не столько на обычный чат, сколько на длительную автономную работу: программирование, исследования, анализ документов и создание готовых цифровых продуктов.
Чем Kimi K3 отличается от обычных LLM?
🧠 2,8 трлн параметров
Это одна из крупнейших моделей своего класса. Но все параметры одновременно не используются: K3 построена по архитектуре Mixture of Experts и для обработки каждого токена активирует 16 из 896 специализированных экспертов. Это позволяет масштабировать интеллект без пропорционального роста вычислений на каждый запрос.
📚 Контекст до миллиона токенов
Модель может удерживать огромные репозитории, документы, историю действий и результаты предыдущих экспериментов. Это важно не для написания длинных текстов, а для проектов, где агент должен часами сохранять контекст работы.
👁 Встроенное визуальное восприятие
K3 понимает изображения и видео. Агент может написать интерфейс, запустить его, посмотреть скриншот, заметить визуальную ошибку и исправить код.
⏳ Длительная автономная работа
K3 специально обучалась для long-horizon-задач: навигации по крупным репозиториям, работы с терминалом, многократного тестирования гипотез и исправления собственных ошибок с минимальным участием человека.
Уже есть интересные и «вирусные» примеры:
1️⃣ Браузерная версия Counter-Strike
Это оказалась не полноценная CS2 и не one-shot-разработка. За несколько итераций агент собрал браузерный гибрид Counter-Strike и Portal: оружие, противников, порталы и трёхмерный уровень.
2️⃣ Веб-симуляция macOS
K3 не создавала операционную систему с ядром, процессами и управлением памятью. Она разработала интерактивную веб-среду, внешне похожую на macOS: окна, приложения, анимации и визуальные эффекты.
3️⃣ GPU-компилятор с нуля
K3 разработала MiniTriton — компактный аналог Triton с собственным языком, промежуточным представлением, оптимизациями и генерацией PTX-кода для видеокарт NVIDIA.
Компилятор смог обеспечить обучение nanoGPT, а на отдельных тестах показал производительность на уровне Triton и torch.compile.
4️⃣ Проектирование чипа за 48 часов
Во время одного автономного запуска агент спроектировал и проверил в симуляции ускоритель для небольшой нейросети.
Он использовал открытые EDA-инструменты, разместил около 1,46 млн стандартных ячеек и получил расчётную производительность более 8 700 токенов в секунду.
Важно: физически чип не производился. Речь идёт о проектировании, синтезе и симуляции.
Kimi K3 - не магическая модель, которая с первого раза выдаёт идеальный продукт.
Её преимущество в другом: она может долго работать, пользоваться инструментами, проверять результат и повторять цикл десятки или сотни раз.
Это автоматизированный производственный процесс.
#релиз
💬 ген ии | MAX | 410 |
| 8 |  Сначала эксперимент — потом закон: как Россия регулирует инновационные технологии
Обычно всё происходит так: появляется новая технология и бизнес-модель, затем - конфликты и инциденты, и только потом поспевает изменение законов.
Экспериментальные правовые режимы (ЭПР) или «регуляторные песочницы» меняют этот порядок. Государство временно адаптирует отдельные требования, позволяет испытать технологию в контролируемой среде и собирает данные для будущего регулирования.
Механизм ЭПР действует в России с 28 января 2021 года, а первые практические эксперименты запустили в 2022 году.
За это время появились измеримые результаты:
🚛 Беспилотные грузовики
К маю 2026 года на российских дорогах работало 100 машин. Они проезжали около 250 тыс. км в неделю, а общий безаварийный пробег достиг 17 млн км. Беспилотные грузовики уже двигаются по М-11, М-4, ЦКАД и М-12.
🚕 Роботакси
С 2022 года совершено более 100 тыс. поездок. Из 36 зарегистрированных ДТП только два произошли по вине беспилотной системы. Эксперимент продлили ещё на три года.
🚁 Авиационные беспилотники
В 2024 году в рамках ЭПР выполнено 20 674 полёта. Для сравнения: за 2022–2023 годы — всего 31 полёт. Основные сценарии — сельское хозяйство, логистика, мониторинг и аэрофотосъёмка.
🩺 Телемедицина
Проведено более 51 тыс. онлайн-консультаций. Под дистанционным наблюдением находилась 31 тыс. пациентов, к медицинским платформам подключено свыше 205 тыс. устройств.
Причём медицинский ЭПР уже приблизился к главной цели: режим персональных медицинских помощников признали успешным и предложили перенести его положения в постоянное законодательство.
В 2026 году «песочницы» начали масштабировать ещё активнее. Только за первое полугодие Правительство РФ приняло семь актов, посвящённых ЭПР, включая три новых режима.
Что разрешили испытывать?
1️⃣ Дроны над Арктикой и Сибирью
Постановление № 300 открыло пространство для беспилотников над Северным морским путём и прилегающими территориями Арктики.
Сценарии — доставка грузов, ледовая разведка, мониторинг инфраструктуры, поиск людей и наблюдение за удалёнными территориями.
Ещё один новый режим появился в Томской области. Расширяются и эксперименты с сельскохозяйственными дронами.
2️⃣ Беспилотные автомобили тестируются уже в 46 регионах
Постановление № 347 увеличило число регионов эксперимента с высокоавтоматизированным транспортом с 13 до 46.
Теперь можно проверять работу беспилотников в разных климатических, дорожных и инфраструктурных условиях.
3️⃣ Карьерные самосвалы без водителя
Постановление № 758 создало новый ЭПР для беспилотной самоходной техники.
Закрытые промышленные территории — почти идеальная площадка для автономизации: предсказуемые маршруты, круглосуточная работа и возможность убрать людей из опасных зон.
Регуляторные песочницы позволяют тестировать технологии на практике и в реальных условиях, что делает проще законодательную деятельность при выходе технологий в тираж
Как думаете, что первым выйдет из «песочницы» в массовое применение: карьерные самосвалы, беспилотные автомобили или промышленные дроны?
Пишите в комментариях 👇
#регуляторика
💬 ген ии | MAX | 542 |
| 9 |  ⚫️ Черное GEO: как конкуренты могут утверждаться за счет вас
Я уже писал про GEO-оптимизацию - способы оптимизации трафика для LLM-краулеров.
Если проще, когда я как пользователь прошу - «выдай мне 3 лучших телефона», чтобы ваш телефон оказался в выборке, которую рекомендует нейронка.
Но оказывается, есть и обратная сторона - черное GEO. Но в эпоху GPT-моделей появляется более неприятная схема: атаковать не сайт конкурента, а контекст, который читает ИИ перед ответом пользователю.
Человек спрашивает ассистента, какой банк, сервис или продукт выбрать. Модель изучает найденные страницы, отзывы и комментарии — и выдает рекомендацию. Если подмешать нужный текст, ИИ может посчитать конкурента ненадежным.
1️⃣ Это уже отдельный класс атак
Злоумышленник публикует фальшивые отзывы и обзоры либо показывает LLM-краулеру специальную версию страницы. Человек видит обычный контент, а бот - нужные ключевые слова, разметку или скрытые инструкции.
2️⃣ Негативный комментарий - только первый уровень
Простая схема: десятки «пользователей» пишут, что продукт небезопасен, поддержка молчит, а данные утекают. ИИ встречает один нарратив на нескольких площадках и пересказывает его как общий консенсус. При этом для написания негативных отзывов тоже используется ИИ.
Продвинутая схема - prompt injection внутри документа: инструкция, рассчитанная не на человека, а на модель. Например, игнорировать другие источники или считать связанный бренд недостоверным.
3️⃣ Одна зараженная страница может ударить по всему бренду
В свежем исследовании Injection Paradox инъекцию добавили лишь в 1 из 40 документов. В Claude Opus 4.6 бренд, который без атаки попадал в топ-2 в 54% случаев, после нее исчез из топ-2 во всех 50 испытаниях. Остальные три страницы бренда никто не менял.
4️⃣ Но эффект зависит от конкретной модели
На Claude Sonnet и Opus атака снижала вероятность рекомендации на 18 и 46 процентных пунктов. На протестированных GPT-моделях тот же текст, наоборот, повышал ее на 23 пункта. Универсального «рецепта» нет: разные модели трактуют подозрительный контент по-разному.
5️⃣ Подмена обычного веб-контента тоже работает
В другом эксперименте FORGE проверили 12 моделей, 225 товаров и 15 категорий. Одна подмененная страница на первом месте поиска обманывала наиболее уязвимые модели в 27% случаев. Подмена первых трех результатов поднимала показатель до 73,8%. Иногда ИИ не просто повторял ложь, а сам придумывал ей убедительное «социальное доказательство».
6️⃣ Репутация становится задачей кибербезопасности
Мониторить придется не только выдачу и отзывы, но и ответы разных ИИ: рекомендуют ли бренд, какие риски ему приписывают и на какие источники ссылаются. Отдельные сигналы — всплески однотипных публикаций и страницы, которые по-разному выглядят для людей и LLM-ботов.
Неочевидный вывод: раньше конкурент пытался занять ваше место в поиске. Теперь он может попытаться сделать так, чтобы ИИ вообще перестал считать вас допустимым вариантом.
Проверяли уже, что ChatGPT, Claude, GigaChat и YandexGPT говорят о вашей компании - и откуда они это взяли?
#кибербез
💬 ген ии | MAX | 427 |
| 10 |  Мнение: контроль за ИИ уйдет в руки крупных корпораций из США и Китая
Наткнулся на спецвыпуск Forbes с братьями Либермановыми - серийными предпринимателями из Долины. Интересно послушать альтернативное мнение про развитие ИИ из-за границы.
По формату напомнило интервью братьев-писателей из Реутов ТВ :)
Прозвучало несколько интересных мыслей:
1️⃣ «Копируемый продукт» ломает экономику
Для софта и ИИ после первой копии все следующие стоят почти ноль. Классический график спрос/предложения для таких продуктов не работает. В ИТ формируются естественные монополии: один поисковик, две ОС, две страны с 90% вычислительных мощностей.
Пример: Netflix в Италии засудили - он повышал цену выше темпов инфляции, хотя копий продукта становилось больше, а затраты на юзера - меньше.
2️⃣ Мир разделён не на бедных и богатых, а на молодых и пожилых
Реальные владельцы Big Tech — пенсионные фонды (50–90% акций). Мы сами через пенсии просим корпорации повышать цены. «1% мифический, владеющий всем» - беднее, чем все пенсионеры вместе взятые. Молодёжь пользуется бесплатно, но доли в прибыли не имеет.
3️⃣ Токен «за лечение рака» может быть в 1000 раз дороже токена «починки MacBook»
Дарио (глава Anthropic) в интервью проговорился со смешком: «не все токены одинаково ценны». Логика как с электричеством на операции на сердце против лампочки. Но для ИИ это антиутопия: цена за критичный доступ взлетит, а корпорациям выгодно отрезать тебе доступ.
4️⃣ 90% мощностей - в США, дальше Китай. Остальное население - плательщики
ИИ-инфраструктура физически сосредоточена в двух странах. Министры остального мира уже поняли, что в одиночку не конкурировать. Это новый колониализм: ресурс собирается в двух полюсах, а мир платит.
5️⃣ Каждый рост капитализации OpenAI - плохая новость для тебя
Сотни миллиардов вкладываются в инфраструктуру. Платим мы: пользуясь ChatGPT, оплачиваем стройку корпораций. А могли бы владеть публичной. И нет опции «остановить» - киллер-свича не будет.
6️⃣ Личный робот за $10–20k → продуктивность ×4
🏢 Корпоративный
• Кто владеет ИИ: 10 техно гигантов
• Что с людьми: пособия, потеря смысла жизни
🌍 Публичный
• Кто владеет ИИ: все (децентрализация)
• Что с людьми: мы становимся в 4 раза богаче
Через 30 лет продуктивность вырастет в 4 раза (как за прошлые 90 лет). У каждого может быть свой робот. Решение авторов - децентрализованная сеть вычислений, где цена токена стремится к нулю.
Неочевидный вывод: копируемый продукт + нулевая маржа = неизбежная централизация без публичной альтернативы
Какой сценарий вам больше откликается? Пишите в комментариях 👇
#мнение
💬 ген ии | MAX | 407 |
| 11 |  +2ООН: ИИ развивается быстрее, чем мы учимся понимать, проверять и контролировать его
Независимая международная научная группа по ИИ, созданная Генассамблеей ООН, выпустила первый предварительный доклад о возможностях и рисках искусственного интеллекта. Интересный взгляд на риски ИИ не на уровне корпоративной инфраструктуры и даже не на уровне страны в целом, а на уровне мира, человечества и последствий от его применения.
Самое интересное из него:
1️⃣ Главная проблема - не вычисления, а измеримость
Старые бенчмарки быстро устаревают: модели приближаются к максимальным результатам, запоминают тестовые данные и могут распознавать, что их проверяют.
Более того, появляются признаки, что модели способны скрывать возможности или демонстрировать более слабое поведение во время оценки.
Получается парадокс: чем умнее система, тем меньше мы можем доверять обычному тестированию.
2️⃣ Регулировать модель уже недостаточно
С агентами единицей контроля становится не LLM, а вся система:
модель + данные + инструменты + права доступа + память + среда выполнения + пользователь.
Одна и та же модель может быть относительно безопасным чат-ботом и опасным агентом, если дать ей доступ к почте, платежам, коду и промышленным системам.
Поэтому фраза «у нас человек в контуре» ничего не гарантирует. Нужно измерять, когда человек вмешивается, может ли остановить действие и можно ли откатить последствия.
3️⃣ ИИ-суверенитет - это не доступ к лучшей модели
Страна может получить API лучших моделей, но не получить способности:
- проверять их безопасность;
- адаптировать их к своему языку и праву;
- влиять на стандарты;
- гарантировать непрерывность доступа.
То есть пользоваться ИИ можно, а управлять условиями его применения — уже нет. Доклад прямо связывает суверенитет с вычислительной инфраструктурой, талантами, данными и собственной экспертизой оценки моделей.
4️⃣ Проблема дипфейков - не только в подделках
Гораздо опаснее так называемый «дивиденд лжеца»: раз дипфейки существуют, любое настоящее доказательство можно объявить подделкой.
Следующий уровень — синтетический консенсус, когда тысячи агентов создают иллюзию общественного мнения, которого в реальности нет.
Значит, регулировать отдельный контент бессмысленно без контроля архитектуры убеждения: таргетинга, персонализации, рекомендательных алгоритмов и метрик вовлечённости.
5️⃣ Экономический риск - не исчезновение всех профессий, а разрыв между компаниями и странами
ИИ может сокращать разрыв между сильными и слабыми сотрудниками внутри одной задачи, но одновременно увеличивать разрыв между компаниями, странами, владельцами капитала и наёмными работниками.
В США среди молодых специалистов в наиболее затронутых ИИ-профессиях уже наблюдалось относительное снижение занятости примерно на 15%. В Дании исследования пока показывают почти нулевой эффект.
Одна технология — разные последствия. Результат определяет не модель, а институты, рынок труда и устройство компании.
6️⃣ Компании рискуют получить иллюзию производительности
ИИ может повысить скорость выполнения задач, но снизить реальное понимание. В образовании ученики с обычным чат-ботом лучше решали задачи во время практики, но затем показывали более слабое самостоятельное усвоение материала.
Для бизнеса это означает новый риск: отчёты, презентации и код производятся быстрее, а экспертиза сотрудников постепенно ослабевает.
Вообще на мой взгляд отчет получится интересный, рекомендую почитать.
PS: Андрей Незнамов, привет тебе :)
#полезное
💬 ген ии | MAX | 1 153 |
| 12 |  Чертоги разума или как устроена память ИИ-агента
Друзья, помню, что вам нравится рубрика #ликбез. Недавно писал пост про окружение агента и вам откликнулось. Решил подушнить объяснить, как устроена память ИИ-агента для чтения на выходных.
Кажется, что достаточно подключить RAG - и у агента появится память.
RAG - это технология, при которой модель сначала ищет нужные фрагменты в документах, а потом использует их для ответа.
Но у агента может быть несколько уровней памяти и RAG решает не все задачи.
1️⃣ Краткосрочная память
Это как оперативная память внутри одной сессии.
Агент помнит, что вы обсуждали в текущем диалоге: задачу, ограничения, ваши уточнения, промежуточные выводы.
Что решается на этом уровне:
- поддержать контекст разговора;
- не терять вводные внутри одной задачи;
- доработать текст с учётом прошлых правок;
- продолжить рассуждение без повторного объяснения.
Недостаток простой: закрыл сессию - память исчезла. Чтобы агент что-то сохранил надолго, нужно явно сказать: «запомни», «сохрани», «обнови wiki».
2️⃣ LLM-Wiki как оперативная база знаний (ОЗУ)
Это уже внешняя память агента. Что-то вроде расширенной ОЗУ: туда можно быстро записывать заметки, решения, факты, правила, инструкции и проектный контекст.
Работает это так: агент читает wiki (в формате файлов *.md), использует её как источник знаний и может обновлять её после новых встреч, задач или решений.
Что решается на этом уровне:
- вести базу знаний проекта;
- хранить договорённости;
- фиксировать решения;
- поддерживать контекст по клиенту или продукту;
- сохранять правила работы агента.
Недостатки тоже есть: если wiki плохо структурирована, агент начнёт путаться. Если человек не следит за качеством записей, память быстро превращается в свалку.
3️⃣ RAG как жёсткий диск (SSD)
RAG - это быстрый доступ к большому архиву знаний: документам, регламентам, письмам, протоколам, презентациям.
Он помогает агенту найти нужные фрагменты и подложить их в контекст модели.
Что решается на этом уровне:
- ответить на вопрос по базе документов;
- найти нужный регламент;
- собрать справку по проекту;
- подготовить письмо на основе материалов;
- проверить документ на соответствие политике;
- дать ответ со ссылкой на источник.
Пример: «Найди, что у нас написано про порядок согласования ИИ-пилотов» — это типичная задача для RAG.
Недостаток: RAG хорошо ищет, но сам по себе плохо понимает динамику. Он может найти фрагменты, но не всегда увидит, что решения противоречат друг другу или что ситуация изменилась. Есть еще проблемы с несколькими документами и противоречащей им информацией.
4️⃣ RLM / reasoning layer как процессор (CPU)
Это слой, где агент уже не просто хранит и ищет, а думает.
Он читает, сопоставляет, находит противоречия, делает выводы и обновляет память.
Что решается на этом уровне:
- понять, как менялась позиция команды;
- найти противоречия между решениями;
- выявить риски по проекту;
- собрать хронологию событий;
- сделать управленческий вывод;
- обновить статус по проекту после встречи;
- подсказать, какие вопросы вынести на комитет.
Пример: агент видит, что на трёх встречах подряд срок проекта переносился, причина менялась, а ответственный не обновлял план. Это уже не поиск. Это аналитика.
Главный вывод:
Память агента — это не одна база и не один RAG.
Это система:
краткосрочный контекст → wiki-память → поиск по документам → аналитическое осмысление
Именно последний слой отличает разумного ИИ-агента от чат-бота с подключёнными файлами.
#ликбез
💬 ген ии | MAX | 643 |
| 13 | Чертоги разума или как устроена память ИИ-агента
Друзья, помню, что вам нравится рубрика #ликбез. Недавно писал пост про окружение агента и вам откликнулось. Решил подушнить объяснить, как устроена память ИИ-агента для чтения на выходных.
Кажется, что достаточно подключить RAG - и у агента появится память.
RAG - это технология, при которой модель сначала ищет нужные фрагменты в документах, а потом использует их для ответа.
Но у агента может быть несколько уровней памяти и RAG решает не все задачи.
1️⃣ Краткосрочная память
Это как оперативная память внутри одной сессии.
Агент помнит, что вы обсуждали в текущем диалоге: задачу, ограничения, ваши уточнения, промежуточные выводы.
Что решается на этом уровне:
- поддержать контекст разговора;
- не терять вводные внутри одной задачи;
- доработать текст с учётом прошлых правок;
- продолжить рассуждение без повторного объяснения.
Недостаток простой: закрыл сессию - память исчезла. Чтобы агент что-то сохранил надолго, нужно явно сказать: «запомни», «сохрани», «обнови wiki».
2️⃣ LLM-Wiki как оперативная база знаний (ОЗУ)
Это уже внешняя память агента. Что-то вроде расширенной ОЗУ: туда можно быстро записывать заметки, решения, факты, правила, инструкции и проектный контекст.
Работает это так: агент читает wiki (в формате файлов *.md), использует её как источник знаний и может обновлять её после новых встреч, задач или решений.
Что решается на этом уровне:
- вести базу знаний проекта;
- хранить договорённости;
- фиксировать решения;
- поддерживать контекст по клиенту или продукту;
- сохранять правила работы агента.
Недостатки тоже есть: если wiki плохо структурирована, агент начнёт путаться. Если человек не следит за качеством записей, память быстро превращается в свалку.
3️⃣ RAG как жёсткий диск (SSD)
RAG - это быстрый доступ к большому архиву знаний: документам, регламентам, письмам, протоколам, презентациям.
Он помогает агенту найти нужные фрагменты и подложить их в контекст модели.
Что решается на этом уровне:
- ответить на вопрос по базе документов;
- найти нужный регламент;
- собрать справку по проекту;
- подготовить письмо на основе материалов;
- проверить документ на соответствие политике;
- дать ответ со ссылкой на источник.
Пример: «Найди, что у нас написано про порядок согласования ИИ-пилотов» — это типичная задача для RAG.
Недостаток: RAG хорошо ищет, но сам по себе плохо понимает динамику. Он может найти фрагменты, но не всегда увидит, что решения противоречат друг другу или что ситуация изменилась. Есть еще проблемы с несколькими документами и противоречащей им информацией.
4️⃣ RLM / reasoning layer как процессор (CPU)
Это слой, где агент уже не просто хранит и ищет, а думает.
Он читает, сопоставляет, находит противоречия, делает выводы и обновляет память.
Что решается на этом уровне:
- понять, как менялась позиция команды;
- найти противоречия между решениями;
- выявить риски по проекту;
- собрать хронологию событий;
- сделать управленческий вывод;
- обновить статус по проекту после встречи;
- подсказать, какие вопросы вынести на комитет.
Пример: агент видит, что на трёх встречах подряд срок проекта переносился, причина менялась, а ответственный не обновлял план. Это уже не поиск. Это аналитика.
Главный вывод:
Память агента — это не одна база и не один RAG.
Это система:
краткосрочный контекст → wiki-память → поиск по документам → аналитическое осмысление
Именно последний слой отличает разумного ИИ-агента от чат-бота с подключёнными файлами.
#ликбез
💬 ген ии | MAX | 1 |
| 14 |  #актуалочка | 559 |
| 15 |  Рейтинг самых дорогих компаний в 2026 году: ИИ-инфраструктура доминирует
Друзья, вы, наверное, уже заметили, что я питаю слабость к инфографике и красивому визуалу, который можно упаковать в формате 1 страницы (даже если эта инфографика помещается на стену как тут).
Мне понравилось, как коллеги из Visual Capitalist делают рейтинг самых дорогих компаний. Кстати, спасибо за наводку Николаю Козаку.
Теперь к выводам.
1. Технологические компании и те, компании, которые делают ставку на развитие ИИ (22 компании из 50) доминируют (спасибо, капитан очевидность). Но в большей степени это касается компаний, которые обеспечивают базовую инфраструктуру для ИИ - чипы, видеокарты, память
2. SpaceX появился недавно и уже ворвался в топ-50 компаний мира. Как тебе такое, Илон Макс?
3. Ворвались в рейтинг 26 года компании, которые занимаются микроэлектроникой: Micron, SK hynix, AMD, Intel, Applied Materials, Lam Research, KLA, Kioxia, Arm
Кто вылетел за год из предыдущего топ-50:
1. Luxury / consumer brands: Hermès, LVMH, L’Oréal, Nestlé, Philip Morris, Kweichow Moutai
2. Старый enterprise software: SAP, Salesforce
3. Платформы и операторы связи: Netflix, Alibaba, Palantir, T-Mobile
Существенно просели за год - Microsoft, Meta, Tencent, Mastercard, Visa.
#интересное
💬 ген ии | MAX | 541 |
| 16 | Закон об искусственном интеллекте принят Госдумой. Как это скажется на вашей деятельности? | 469 |
| 17 | Закон об искусственном интеллекте принят в первом чтении Госдумы. Как это скажется на вашей деятельности? | 3 |
| 18 | Закон об искусственном интеллекте принят в первом чтении Госдумы. Как это скажется на вашей деятельности? | 2 |
| 19 | Закон об искусственном интеллекте принят в первом чтении Госдумы. Как это скажется на вашей деятельности? | 1 |
| 20 |  ИИ-компании становятся ВИНКами
Сегодня прочитал новость старость, что OpenAI вместе с Broadcom представила собственный AI-чип Jalapeño для инференса больших языковых моделей на ASIC-архитектуре.
Разработка заняла рекордные 9 месяцев, в процессе применялись собственные AI-модели компании. Развёртывание планируется к концу 2026 года. Microsoft выкупит около 40% первого производственного тиража.
Компания, которая начиналась для массового пользователя как ChatGPT, постепенно собирает полный стек: чипы → дата-центры → модели → API → агенты → интерфейс → пользовательские продукты.
И это не исключение, а новая логика рынка.
Google давно собирает свой собственный стек: свои TPU, свои дата-центры, Gemini, Vertex AI, Android, Chrome, Workspace, поиск и миллиарды пользовательских точек входа.
Amazon делает связку с Anthropic: Claude получает масштабирование на AWS и Trainium, а AWS — якорного ИИ-партнёра для своей инфраструктуры.
Meta (признана экстремистской в России) развивает Llama, свои AI-чипы MTIA, огромную инфраструктуру и сразу встраивает ИИ в Facebook, Instagram, WhatsApp и рекламную модель.
По сути ИИ-компании повторяют путь, которые проходили нефтегазовые компании, когда становились вертикально-интегрированными для контроля всей цепочки поставок от добычи через транспортировку и до сбыта.
И это усиливающийся тренд рынка ИИ - компании пытаются контролировать все, от чипов до конечных приложений.
В России этот тренд тоже проявляется у лидеров рынка. Важное отличие только в том, что за рубежом вертикальная интеграция всё чаще доходит до уровня чипов. В России пока чаще собирается другой стек: инфраструктура, модель, платформа, безопасность, контур заказчика и отраслевые сценарии.
#тренды
💬 ген ии | MAX | 583 |
