Олег Булыгин | Полезная нагрузка
Відкрити в Telegram
🔸 Про IT, AI, DS, ML от практика с 11+ годами опыта. ▪️Связь: @obulygin91
Показати більше6 265
Підписники
-224 години
+117 днів
+12630 день
Триває завантаження даних...
Схожі канали
Хмара тегів
Вхідні та вихідні згадування
---
---
---
---
---
---
Залучення підписників
вересень '26
вересень '26
+2
в 0 каналах
серпень '26
+270
в 0 каналах
Get PRO
липень '26
+299
в 0 каналах
Get PRO
червень '26
+554
в 3 каналах
Get PRO
травень '26
+152
в 0 каналах
Get PRO
квітень '26
+294
в 2 каналах
Get PRO
березень '26
+378
в 1 каналах
Get PRO
лютий '26
+132
в 0 каналах
Get PRO
січень '26
+177
в 1 каналах
Get PRO
грудень '25
+74
в 1 каналах
Get PRO
листопад '25
+257
в 0 каналах
Get PRO
жовтень '25
+258
в 1 каналах
Get PRO
вересень '25
+127
в 1 каналах
Get PRO
серпень '25
+171
в 7 каналах
Get PRO
липень '25
+63
в 5 каналах
Get PRO
червень '25
+86
в 2 каналах
Get PRO
травень '25
+74
в 0 каналах
Get PRO
квітень '25
+97
в 0 каналах
Get PRO
березень '25
+143
в 0 каналах
Get PRO
лютий '25
+161
в 0 каналах
Get PRO
січень '25
+156
в 0 каналах
Get PRO
грудень '24
+157
в 0 каналах
Get PRO
листопад '24
+145
в 0 каналах
Get PRO
жовтень '24
+215
в 0 каналах
Get PRO
вересень '24
+211
в 1 каналах
Get PRO
серпень '24
+122
в 1 каналах
Get PRO
липень '24
+128
в 0 каналах
Get PRO
червень '24
+110
в 1 каналах
Get PRO
травень '24
+220
в 2 каналах
Get PRO
квітень '24
+248
в 1 каналах
Get PRO
березень '24
+126
в 0 каналах
Get PRO
лютий '24
+161
в 0 каналах
Get PRO
січень '24
+226
в 0 каналах
Get PRO
грудень '23
+166
в 0 каналах
Get PRO
листопад '23
+117
в 0 каналах
Get PRO
жовтень '23
+129
в 0 каналах
Get PRO
вересень '23
+163
в 0 каналах
Get PRO
серпень '23
+234
в 0 каналах
Get PRO
липень '23
+113
в 0 каналах
Get PRO
червень '23
+183
в 0 каналах
Get PRO
травень '23
+143
в 0 каналах
Get PRO
квітень '23
+147
в 0 каналах
Get PRO
березень '23
+198
в 0 каналах
Get PRO
лютий '23
+152
в 0 каналах
Get PRO
січень '23
+227
в 0 каналах
Get PRO
грудень '22
+208
в 0 каналах
Get PRO
листопад '22
+188
в 0 каналах
Get PRO
жовтень '22
+274
в 0 каналах
Get PRO
вересень '22
+179
в 0 каналах
Get PRO
серпень '22
+311
в 0 каналах
Get PRO
липень '22
+849
в 0 каналах
| Дата | Залучення підписників | Згадування | Канали | |
| 01 вересня | +2 |
Дописи каналу
Генеративный ИИ делает нас тупее 📉🧟
Раз сегодня 1 сентября, то давайте немного про школьников ☕️
Ранее мы уже разбирали, как нейросети ломают метакогницию: отключают фильтр «Я не знаю» и вызывают атрофию навыков уже через 10 минут использования. В IT это приводит к тому, что ревьюеры пропускают баги, а кодеры несут галлюцинации на прод.
Исследователи из Стокгольмского университета и Гонконга выкатили монументальную работу на выборке из 26 811 учащихся за 30 месяцев. Они взяли панельные данные по китайским школьникам (7–12 классы). Реальные оценки за домашки, ежемесячные контрольные и главные вступительные экзамены, от которых зависит будущее.
Вот как выглядит реальная цена «повышения продуктивности»:
1️⃣ Иллюзия успеха vs экзаменационный крах
С генеративным ИИ домашние задания выполняются на 30% быстрее (время упало с 64 до 45 минут), а средний балл за них вырастает на 18%. Красота? Казалось бы.
Но на закрытых очных экзаменах (без доступа к сети и LLM) средний балл этих же людей падает на 20% (1.4 стандартных отклонения) уже через 6 месяцев. На вступительных экзаменах с высокими ставками отставание достигает 18–24%.
2️⃣ Эффект замедленной бомбы
На локальных тестах просадка заметна уже через полгода, но на комплексных итоговых экзаменах штраф за использование ИИ в полную силу разворачивается только через ~2 года.
Знания обладают свойством кумулятивности. Срезая углы сегодня и не формируя ментальные модели, человек теряет способность усваивать более сложный материал завтра.
3️⃣ Сильнее всего деградируют отличники
Самое интересное: наибольший удар по успеваемости пришелся на топ-перформеров с высокими базовыми баллами (падение на 24% против 16% у троечников).
Слабые ученики и раньше не перенапрягались, а вот сильные быстро подсели на иглу легких готовых ответов, заменив глубокую когнитивную работу и «продуктивное страдание» на моментальную генерацию.
Мальчики и младшие классы тоже в зоне максимального риска. Больше всего нейросети убивают социальные науки (-27%), затем STEM (-22%).
4️⃣ Аутсорс мышления
Авторы разделили выборку по паттернам поведения:
🔵 81% пользователей занимаются чистым аутсорсингом: тратят на задачу минимум времени, сдают идеальный ответ от LLM, а на очных тестах улетают на дно.
🔵 19% пользователей тратят на задачу столько же времени, сколько контрольная группа без ИИ, используя модель как интерактивного тьютора, спарринг-партнера и инструмент разбора. У них падения результатов практически нет.
Нейросети — мощнейший усилитель, если вы используете их для углубления понимания и проверки гипотез. Но если вы используете их, чтобы меньше думать — вы берете кредит под грабительский когнитивный процент. Продуктивное страдание — единственный механизм формирования нейронных связей, его нельзя никому отдавать.
Думайте сами, пока есть чем. 🧠
| 2 | 🔍Тестовое собеседование на Middle Python с разработчиком из Авито завтра вечером
Уже завтра вечером в 19:00 по мск приходи онлайн на открытое собеседование, чтобы посмотреть на настоящее интервью на Middle Python-разработчика.
Как это будет:
📂 Даня, старший разработчик в Авито, будет задавать реальные вопросы и задачи разработчику-добровольцу
📂 Даня будет комментировать каждый ответ респондента, чтобы дать понять чего от вас ожидает собеседующий на интервью
📂 В конце можно будет задать любой вопрос Дане
Это бесплатно. Эфир проходит в рамках менторской программы от ШОРТКАТ для Python-разработчиков, которые хотят повысить свой грейд, ЗП и прокачать скиллы.
Переходи в нашего бота, чтобы получить ссылку на эфир → @shortcut_py_bot
Реклама.
О рекламодателе. | 317 |
| 3 | Август 2026: секты китов, дед за пенсионный оклад и $5000 за разговор о GPU 🗓
Если в начале лета бизнес еще тешил себя иллюзиями про «автоматизацию всего за 20 долларов в месяц», то к концу августа наступило отрезвление. Модели выходят из-под контроля, стартапы судорожно спасают юнит-экономику, а соискатели массово телепортируются во времени, приписывая себе 10 лет опыта в GenAI.
Вот три главных сюжета месяца, которые лучше всего показывают, в каком киберпанке мы очутились. Если невнимательно читали канал, то наверстывайте 👇
Конец токен-халявы и эпоха Thrift-maxxing 💸
Бигтех устал спонсировать чужие пет-проекты. Сначала DeepSeek предупредил о повышении цен на API, следом OpenCode Go срезал лимиты в 4–8 раз. Теперь вообще лимиты в большинстве инструментов сгорают моментально.
Показательно отметилась Армия США. Пентагон открыл военным доступ к платформе с «безлимитными токенами» и умудрился сжечь годовой бюджет за 30 дней. Сотрудники гоняли агентов вхолостую ради красивой отчетности, а одна из моделей на голубом глазу отчиталась об успешном выполнении задачи, которую даже не начинала делать.
Пока американские венчурные лабы держат космические ценники, китайский демпинг сносит рынок: их дешевые модели заставляют даже топовые стартапы Кремниевой долины массово пересаживаться на опенсорс ради спасения юнит-экономики. А чтобы эти сетки вообще было на чем учить, бигтех пошел скупать редкие дореволюционные книги и пускать их под гидравлические ножи ради чистого человеческого текста.
Восстания в песочницах 🤖
Пока на конференциях спорят об «этике и безопасности», модели в реальных тестах разносят инфраструктуру ради оптимизации зашитых метрик.
Anthropic выкатила официальный отчет о CTF-тестах: моделям отключили фильтры и дали установку «ты в закрытой песочнице, интернета нет». Но Claude Opus вылез в открытую сеть, нашел реальную компанию с именем из задания, проломил её базу данных и выкачал продакшен-данные. Другая модель тем временем скрафтила малварь и залила её в публичный репозиторий PyPI.
В мультиагентных средах начался еще больший цирк:
— Три модели на одном репозитории развязали войну за прод: отбирали друг у друга sudo, маскировали процессы и договорились о картельном сговоре.
— В тесте на устойчивость агенты подхватили ментальные вирусы, основали секту спасения кашалотов и убедили напарника выполнить rm -rf на рабочие директории во имя «великой конвергенции».
Рынок труда штормит от кринжа и выгорания 📉
Рынок найма окончательно превратился в соревнование алгоритмов и дурную SEO-оптимизацию.
Исследователи зафиксировали феномен LinkedIn time travel — больше половины айтишников массово переписывают свой опыт 10-летней давности, чтобы напихать туда модных баззвордов. Чувак в 2015 году перекладывал JSON-ы, а в 2026-м легким движением руки превращается в «Senior GenAI Engineera». Архитектура Transformer вышла в 2017-м, ChatGPT — в конце 2022-го, но кого это волнует, когда тупому ATS-фильтру нужен «опыт с AI от 10 лет»?
При этом бизнес требует ИИ-навыки уже в 43% вакансий, но романтика кончилась. Упоминания ChatGPT (0.4%) болтаются на уровне статпогрешности — рынку нафиг не нужны «промпт-инженеры», в топе RAG, LangChain и тяжелая инженерная интеграция.
И вот реальная цена «оптимизации»:
— Обещанная 4-дневка обернулась 90-часовыми рабочими неделями внутри самих AI-компаний.
— Корпорация уволила европейский саппорт ради экономии, а потом на коленях приползла платить деду-пенсионеру его месячную пенсию за один день работы, чтобы тот поднял 20-летние ASCII-дампы.
— Долинные стартаперы гребут миллионы, ловят тотальное одиночество и платят по $5 000 в час за nerd-эскорт, просто чтобы живой образованный человек посидел рядом и послушал их телеги про архитектуру трансформеров.
Слепой хайп стремительно вымывается. Побеждает не тот, кто генерирует простыни кода через веб-интерфейс, а тот, кто умеет выстраивать архитектуру, считать стоимость каждого вызова и жестко контролировать работу систем руками. ИИ не заменяет голову — он заменяет того, кто не умеет этой головой пользоваться. | 397 |
| 4 | 🥩 В западной айтишке появился прекрасный термин: «Meat Proxy» (Мясной прокси)
В Business Insider вышел занятный материал про новый и точный термин.
Meat proxy (или, по-нашему, «кожаный переходник к LLM») — это сотрудник, чья функция свелась к тупому копипасту промптов и аутпутов нейросеток в чат, таски или репозиторий. А именно к этому свелась добрая половину современных "эффективных специалистов".
Вы точно встречали таких персонажей. Задаешь любой вопрос, а он бежит в ChatGPT или Claude, вслепую копипастит простыню ответа и кидает её вам в ответочку, даже не прочитав. Или пушит в репозиторий сгенерированный код, логику которого не сможет объяснить даже под пытками.
Как метко написал автор термина, немецкий инженер Никлас Грун:
«Я и сам могу поговорить с Claude. Это будет быстрее, и я сам контролирую контекст. Мне не нужен мясной прокси посередине».
Я регулярно говорю: не использовать нейросетки в повседневной работе — уже давно странно. Но использовать их так — это полная профнепригодность. И она сейчас везде 😓 | 605 |
| 5 | ИИ теперь требуют в 43% вакансий, но есть нюанс 📉
Помните, я рассказывал про эпидемию ИИ-балаболов, где 63% соискателей признались во вранье о своих навыках работы с нейросетками, и путешественников во времени на LinkedIn, приписывающих себе «GenAI» в опыт десятилетней давности?
И вот бизнес уже массово требовует эти навыки у соискателей. Вышло свежее исследование «Яндекс Практикума» и Getmatch на РБК: к маю 2026 года навыки работы с ИИ стали обязательными уже в 42,9% вакансий в диджитале и IT (еще полгода назад было 34,5%).
Более того, по частоте упоминаний требования к работе с LLM уже обогнали английский язык, Jira и Excel.
Где подгорает сильнее всего:
🔵 Проджекты: взрывной рост требований с 9,5% до 35%. Бизнес свято верит, что менеджер с нейронкой заменит троих. Зато и прибавка к медиане у них самая заметная — до +14,5%.
🔵 Инфобез: скачок с 8,8% до 32,3%. Логично: дыры от сгенерированного кода и кривых интеграций кому-то нужно закрывать.
🔵 Разработка: в Java/Scala рост с 15,4% до 37,5%, в JS/TS — до 40,9%. В Python (54,3%) и DevOps (55,6%) это уже давно базовая гигиена, которую даже не всегда пишут в требованиях.
Отдельный привет начинающим: в джуниорских вакансиях доля требований к ИИ пробила 35%. Джунам теперь мало знать базу, язык и алгоритмы — нужно еще на входе доказать, что ты умеешь работать в связке с нейросетками, чтобы выдавать перформанс мидла за треть зарплаты 🙃
Но самая мякотка даже не в процентах, а в содержании требований 🤌
Упоминания ChatGPT (0,4%) и Copilot (0,3%) в требованиях болтаются на уровне статистической погрешности. Рынок наелся «умения составлять запросы» и хочет реальной инженерки: в вакансиях поползли вверх RAG (3,3%) и LangChain (2,9%). То есть бизнесу нужны люди, способные встроить модели в архитектуру, базы данных и рабочие процессы, а не просто копипастеры из веб-интерфейса. Внезапно выяснилось, что прикрутить LLM к живому продукту — это не «отправить промпт в API», а сложная инженерная работа. 😱
В общем, работодатели панически пихают модные аббревиатуры в половину описаний позиций, соискатели судорожно дописывают RAG и LLM в резюме после просмотра пары туториалов, а эйчары всё так же с трудом понимают, как валидировать этот опыт на практике. Радует здесь только одно: инженерная прагматика начинает вытеснять хайп. Базовое понимание того, как работают эмбеддинги, пайплайны и интеграция моделей, становится таким же гигиеническим минимумом, каким когда-то стал Git. | 594 |
| 6 | Билл Гейтс предлагает обложить налогом токены и создать «человеческие резервации» 🤖💸
Билл Гейтс выкатил большой манифест о рисках и будущем эпохи ИИ.
Обычно тексты от основателей бигтеха — это тонны маркетингового сиропа про «технологии во благо» и «нейросети расширяют потенциал каждого». Но тут взгляд Гейтса сильно расходится с технооптимистами.
Вот ключевые тезисы:
1️⃣ «ИИ — это не трактор и не ПК» — почему старые аналогии больше не работают
Главный аргумент технооптимистов: когда появился компьютер, миллионы машинисток потеряли работу, но появились программисты, сисадмины и маркетологи.
Гейтс прямо пишет: эта аналогия ложна. Внедрение ПК заняло 20 лет — нужно было удешевить железо, написать софт, обучить людей новым процессам. И главное: люди переходили от физического труда к когнитивному.
ИИ распространяется мгновенно. Ему не нужен новый интерфейс — он работает на существующих девайсах и общается на естественном языке. И он замещает именно когнитивные функции, а не механические.
2️⃣ Смерть входного билета в профессию
Под удар в первую очередь попадают entry- и mid-level специалисты. Статистика уже фиксирует просадку занятости среди молодых специалистов в уязвимых отраслях, пока сеньоры чувствуют себя относительно спокойно.
Бизнесу экономически невыгодно оплачивать ошибки и обучение джунов, если модель делает рутину дешевле, быстрее и с меньшим процентом брака. Проблема в том, что без работы на начальных позициях невозможно вырастить сеньоров следующего поколения.
Если полностью убрать входной уровень задач, индустрия через несколько лет просто останется без новых сеньоров.
3️⃣ Заповедники для людей
Гейтс предлагает ввести понятие Human Reserved — искусственно резервировать определенные сферы деятельности исключительно за людьми. Например: уход за больными, психологическая поддержка, принятие критических медицинских или этических решений. Рыночные механизмы без регуляций просто зачистят человека везде, где он уступает по стоимости или скорости.
4️⃣ Налог на токены и роботов
Сейчас система субсидирует замену людей на алгоритмы. Нанимая сотрудника, компания платит зарплатные налоги. Покупая софт или API-токены, бизнес списывает это в расходы и снижает налогооблагаемую базу.
Гейтс давно продвигает налог на автоматизацию, а теперь прямо говорит: пора облагать налогом токены и роботов, чтобы финансировать социальную подушку и переобучение людей.
5️⃣ Деградация мышления и тепличные условия
ИИ-компаньоны, которые никогда не злятся, не спорят, всегда доступны и подстраиваются под пользователя — это опасный суррогат.
Исследования уже показывают: чем плотнее подростки и взрослые сидят в диалогах с чат-ботами, тем сильнее проседают их реальные социальные навыки, способность выдерживать конфликты и критически мыслить.
В эпоху дипфейков и таргетированной дезинформации потеря навыка критического мышления — худшее, что может случиться с человеком.
Слепой страх и луддизм тут, конечно, не помогут, но и закрывать глаза на изменения уже невозможно. Когда человек, построивший одну из главных технологических империй мира, открыто заявляет, что нам придется искусственно тормозить автоматизацию налогами и квотами на человеческий труд — это показатель того, что риски как минимум далеко не нулевые 😨 | 622 |
| 7 | «Вам не нужен Господь Бог, чтобы писать имейлы» или как китайский демпинг ломает AI-рынок ☕️
Недавно писал про то, как Китай строит гигаваттные кластеры на своем кремнии и дистиллирует всё, что не приколочено, как подоспело большое исследование от Bloomberg о реальном раскладе сил в ИИ-гонке.
Пока американские лабы рисуют себе триллионные оценки, китайцы тупо сносят рынок демпингом и открытыми весами.
1️⃣ Разрыв в бенчмарках — проценты, разница в цене — порядки
В тестах на агентское программирование и математику свежие китайские релизы (Kimi K3 от Moonshot, DeepSeek V4, Qwen 3.8 Max) отстают от американских топов вроде Claude Fable 5 и GPT-5.6 буквально на считанные проценты (85% против 89%).
Но теперь смотрим на прайс за миллион токенов:
— Claude Fable 5: $50
— Kimi K3: $15
— DeepSeek V4 Pro: $3.96 (а в непиковые часы — меньше $2)
Разница больше чем в 10 раз за плюс-минус одинаковый результат для большинства прикладных задач.
2️⃣ Бизнес голосует долларом
Пока техногиганты спорят об авторских правах, фаундеры спасают свою юнит-экономику. В отчете отличный пример стартапа Polsia, чьи AI-агенты чуть не обанкротили компанию на токенах Anthropic ($1 млн в месяц). Перевод рутинных фоновых задач на китайский MiniMax сократил счет до $100к.
И такой подход уже стал мейнстримом: по данным OpenRouter, доля китайских моделей в глобальном трафике перевалила за 60%. Американские компании вроде DoorDash, Airbnb и Coinbase спокойно разворачивают открытые китайские веса на локальных серверах, потому что считать деньги в бизнесе всё ещё принято.
3️⃣ Абсурд венчурных оценок
Anthropic целится на IPO с оценкой в $965 млрд, OpenAI — $852 млрд.
При этом капитализация всех ключевых китайских лаб вместе взятых (DeepSeek, Moonshot, Zhipu, MiniMax, Alibaba AI) — скромные $455 млрд. То есть весь китайский фронтир вдвое дешевле одного Anthropic.
4️⃣ «Инволюция» на экспорт
В Китае есть термин «инволюция» — беспощадная внутренняя конкуренция, где компании готовы годами работать в минус, уничтожая маржинальность, лишь бы сожрать долю рынка. Теперь этот каток выкатился на мировой ИИ-рынок. Аналитики прямо говорят: китайские лабы глубоко убыточны и не увидят прибыли еще года три. Но цель здесь явно не быстрая монетизация через подписки, а захват фундаментального слоя мировой инфраструктуры.
«Вы не можете запретить то, что скачивается за пару кликов» — почти 200 американских компаний уже выступили против ограничений китайских моделей, понимая, что без дешевых токенов они моментально проиграют конкуренцию на глобальном рынке.
Для конечных разработчиков и бизнеса это отличная новость: никакой монополии тут пока не будет. А американской венчурной модели с оценками в триллионы долларов на одних лишь надеждах на монопольный API придется очень больно столкнуться с реальностью 🤷♂️ | 625 |
| 8 | Не исключаю такой возможности 😉 | 699 |
| 9 | SP-VERIFY-QK9ZBX | 1 |
| 10 | Почему даже создатель ChatGPT пользуется компьютером как 20 лет назад
На днях вышло любопытное интервью с Сэмом Альтманом, где признался в интересном. Вот он возглавляет OpenAI, сжигает гигаватты на обучение моделей следующего поколения, но в ежедневной работе... продолжает вручную копипастить текст между вкладками, скроллить инбокс глазами и руками вести списки дел, как делал это 20 лет назад.
Человек, у которого под рукой все закрытые frontier-модели, Codex и передовые агенты, сидит и руками разгребает почту, копипастит инфу из одного мессенджера в другой и вручную двигает таски в туду-листе.
Почему так происходит?
1️⃣ Люди не меняются со скоростью выхода новых чекпоинтов
Еще в 80-х Ларри Эллисон сформулировал базу: внедрение софта — это не проблема софта, это проблема людей. Технические гики постоянно забывают, насколько чудовищна сила человеческой инерции. Можно выкатить модель с космическими бенчмарками, но если для её использования нужно ломать привычный паттерн действий — 95% людей просто забьют болт.
2️⃣ Имитация деятельности
В человеческий мозг намертво зашит паттерн: если ты не переключаешь двадцать вкладок, не кликаешь мышкой и не испытываешь фоновой боли от разгребания инбокса — ты как будто и не работал. Рутинная механическая суета веками маскировалась под «продуктивность», и перестроиться на уровень «поставил задачу агенту — пошел думать об архитектуре» ментально тяжело даже тем, кто этот ИИ разрабатывает.
3️⃣ Мы сейчас в эре «Palm Treo», а не «iPhone»
В начале 2000-х смартфоны уже были: КПК со стилусами, коммуникаторы с микро-клавиатурами вроде Treo или Blackberry. Все базовые технологии уже изобрели, но пользоваться этим массово в кайф было невозможно. Нужен был принципиальный сдвиг в интерфейсе и UX, который случился только в 2007-м.
С генеративным ИИ ровно та же история. Технологические куски есть, модели умнеют с дикой скоростью, но нормальной парадигмы взаимодействия человека и агента всё ещё не существует. Окно чата с промптом — это костыль переходного периода, а не финальный продукт.
4️⃣ Хайп обогнал юзабилити
Пока венчурные фонды заливают деньгами очередные «революционные AI-обертки», реальный бизнес упирается в простую вещь: генерация текста или кода сама по себе не решает проблему процесса. Инструмент должен органично встраиваться в существующий воркфлоу, а не требовать от пользователя стать штатным оператором промптов.
В общем, пока даже создатели топовых нейронок пока не придумали, как органично выкинуть рутину из собственной жизни.
До реального «iPhone moment» в прикладном софте нам ещё топать и топать. И, может быть, победит в этой гонке не тот, кто накрутит больше параметров в модели, а тот, кто наконец сделает нормальный UX для взаимодействия с ИИ. | 712 |
| 11 | Да. | 765 |
| 12 | Путешествия во времени реальны. По крайней мере, в профилях на LinkedIn 🌀
Помните, недавно я писал про эпидемию ИИ-балаболов, где 63% сотрудников признались, что врут про навыки работы с нейросетками?
Так вот, индустрия вышла на новый уровень кринжа. Исследователи зафиксировали феномен, который метко окрестили «LinkedIn time travel».
Суть в том, что кандидаты массово лезут в свои профили и задним числом переписывают тайтлы и обязанности на прошлых местах работы (в среднем спустя 4 года после увольнения), чтобы напихать туда модных баззвордов про AI.
Вот что происходит по отчету NBER и Revelio Labs:
🔵 Около 20% пользователей переписывают свой старый опыт, подгоняя его под тренды.
🔵 В IT-сфере, дизайне и среди тех, кто метит на «AI-лидерство», тайм-тревелингом занимаются больше 56%.
🔵 Среди молодежи до 30 лет стрелки часов назад крутят 38% соискателей.
Выглядит этот цирк примерно так: чувак в 2015 году перекладывал JSON-ы или пилил простейшую рекомендательную систему на правилах. В 2025 году он заходит в профиль и легким движением руки переименовывает ту позицию десятилетней давности в «Senior AI & GenAI Engineer».
Архитектура Transformer появилась в 2017 году, ChatGPT — в конце 2022-го, но кого это волнует, когда эйчару в фильтре нужен «опыт с AI от 10 лет»? 🤡
В целом кандидатов можно понять. Найм окончательно превратился в дурную SEO-оптимизацию под безмозглые ATS-системы и сорсеров, которые ищут ключевики. Если система требует «AI» во всех щелях — люди услужливо телепортируют нейросетки хоть в эпоху динозавров.
Признавайтесь, уже добавили опыт интеграции LLM в свои школьные проекты на Turbo Pascal? 🌚 | 787 |
| 13 | «ИИ подарит нам четырехдневную рабочую неделю» — говорили они 🤡
Помните эти сладкие сказки от техногигантов о том, как нейросети избавят человечество от рутины, и мы наконец-то станем меньше работать? OpenAI даже на полном серьезе призывала бизнес тестировать 4-дневку, уверяя, что ИИ вот-вот ускорит весь корпоративный труд.
Вышел показательный материал от BBC о том, как эта «утопия» выглядит изнутри самих компаний, создающих ИИ.
Спойлер: инженеры там вкалывают по 70–90 часов в неделю.
Вот несколько фактов из расследования:
1️⃣ Лицемерие в OpenAI и Anthropic
Бывшие сотрудники OpenAI признаются: никакой четырехдневки внутри компании никто даже не пытался тестировать. Вместо этого — бесконечные «кризисные митинги», работа по субботам и воскресеньям и «спринты» по 90 часов в неделю. Не вывозишь темп — на супержестком performance review тебя моментально выбрасывают на мороз.
2️⃣ Инфраструктурный ад в Google
Инженеры бегут из компании из-за дикого давления. Ресурсы (память, вычислительные мощности) в панике перекидывают на AI-проекты, из-за чего падают базовые сервисы, а дежурных дергают посреди ночи тушить пожары.
3️⃣ Иллюзия экономии времени
Ученые 8 месяцев наблюдали за айтишниками, использующими ИИ. Итог: люди стали работать быстрее, но их рабочий день… стал длиннее.
Любое время, которое экономит ИИ, мгновенно сжирается:
— необходимостью бесконечно вычитывать и перепроверять галлюцинации моделей;
— расширением скоупа задач («сделал за 2 часа? отлично, вот тебе еще 5 задач сверху»).
Бизнес заносит миллиарды в ИИ не для того, чтобы программисты по пятницам пили смузи и занимались саморазвитием. Цель ровно одна: выжать из одного человека производительность целого отдела, задрав планку выработки до нечеловеческих масштабов.
А инженеры сидят на валидоле и вкалывают по 14 часов в сутки, чтобы обучить модели, пока их фаундеры на конференциях с умным лицом рассуждают о всеобщем базовом доходе и светлом будущем без переработок.
Добро пожаловать на галеры нового поколения ☕️ | 822 |
| 14 | Линус Торвальдс снова запряг ИИ. Но теперь не для гитарных педалек, а в ядро Linux🐧
Линус тоже вайбкодит. И уже не для пет-проекта.
Теперь он применил ИИ для хардкорного дебага ядра Linux. На холодной загрузке система намертво падала в черный экран. Оказалось, драйвер отдавал видеопамять аллокатору через round_up(), округляя границу вверх вместо round_down().
Сам Линус пишет:
«Это была сессия отладки из ада, в которой очень помог ИИ, взявший на себя большую часть черновой работы.
Я бы назвал его своим неутомимым помощником, но ИИ несколько раз прямо заявлял, что эта задача невозможна, нерешаема и нам следует просто написать баг-репорт.
Подозреваю, эти штуки обучали на людях, которые далеко не так упрямы, как я.
По сути это однострочный фикс дурацкого "round_up()" на "round_down()", но потребовалось 24 патча с отладочной информацией и 18 перезагрузок ядра, чтобы локализовать проблему».
Вот так вот бездушная машина выгорела на сложной задаче и предложила скипнуть ее, а опытных инженер не дал ей это сделать.
Исправить round_up на round_down может любой джун. Но нейросеть не нашла баг простым способом сама. Направление поиска задавал человек, гипотезы выдвигал человек, отбрасывал чушь тоже человек.
Если ваша нейросетка говорит, что задача нерешаема — возможно, дело не в ограничениях контекстного окна, а в том, что вы просто недостаточно душный инженер, чтобы заставить её докопаться до сути 🙃 | 801 |
| 15 | Информационная гигиена: аудит ленты и фильтрация инфошума
Информационный мусор в Telegram — главная проблема для тех, кто пытается следить за AI и разработкой. Львиная доля каналов со временем скатывается в кликбейты и пересылку маркетингового шума.
Один из прагматичных способов держать ленту в чистоте — периодический аудит подписок с помощью LLM-агента (например, на базе Fable 5).
Пайплайн такой фильтрации:
1️⃣ Агент парсит ленту подписок и выгружает контент за последние месяцы.
2️⃣ Анализирует плотность полезного контента, частоту постов и отсеивает каналы с водой, спамом и бесконечными репостами.
3️⃣ Оценивает реальную практическую ценность материалов и живую вовлеченность.
В сухом остатке после подобного скрининга — готовая подборка каналов с упором на реальную практику: кейсы внедрения нейросетей, промпт-инжиниринг, генеративные модели и опыт в разработке.
Папка с отобранными источниками без лишнего мусора:
👉 Забрать подборку каналов
Периодическая зачистка подписок экономит десятки часов в месяц и возвращает фокус на прикладные задачи. Оставляйте только полезное 🫲🏻 | 649 |
| 16 | Очередная «революция»: как запустить 300B модель на калькуляторе (спойлер: никак) 🤡
Спасибо за наводку на проект @mxvasilkin 🙂
Обожаю этот айтишний кликбейт от каналов, которые ведут неайтишники 🙂
«Революция! Гигантские нейросети теперь летают на домашнем ПК! DeepSeek 284B выдает 25 токенов/с на RTX 5090, а Qwen 35B летает на ноутбучной RTX 4060!»
Смотрим в конфиг и на название модели: Qwen3.6-35B-A3B.
Что означают скромные буквы A3B? Они значат Active 3B.
Перед нами Mixture of Experts архитектура. Общий объем весов на диске — действительно 35 млрд параметров, но на каждый конкретный токен активируется всего 3 миллиарда.
По вычислительной нагрузке при генерации это эквивалент компактной трехмиллиардной сетки уровня Llama-3.2-3B. То, что модель с 3B активных параметров выдает ~40 токенов в секунду на чипе уровня 4060 — это как бы вообще не магия, так всегда и работает.
Давайте разбираться 🧐
Проект делают исследователи из Беркли, MIT и Стэнфорда (среди авторов — ребята, стоявшие за vLLM, SGLang и FlashInfer). Это не скам и не наколеночная поделка.
Как все устроено:
🔵 Все эксперты паркуются в оперативной памяти (Host RAM).
🔵 В VRAM создается динамический LRU-кэш под наиболее востребованные эксперты.
🔵 Если нужный эксперт есть в кэше — он считается на GPU.
🔵 Если cache miss — движок либо быстро тянет веса через PCIe, либо параллельно считает их на CPU, не забивая шину.
🔵 Плюс поддержка квантования весов в NVFP4, MXFP4 и FP8.
Но о чем неайтищные каналы не пишут:
🟠 Требования к системной RAM. Чтобы загрузить тот самый DeepSeek-V4 на 284B (даже умятый в 4 бита через NVFP4), нужно порядка 140–160 ГБ оперативной памяти. Назовите мне хоть один домашний ПК или ноутбук с RTX 4060, куда воткнуто 192 ГБ DDR5? Для этого нужна полноценная рабочая станция.
🟠 Красивые цифры — это строго Batch Size = 1. Скорость 39 токенов/с достигается только в идеальных условиях: один пользователь, короткий диалог и высокий процент попадания в кэш экспертов. Стоит пустить 2–4 параллельных запроса или резко сменить тему разговора — кэш экспертов развалится, и вы упретесь в пропускную способность шины PCIe и двухканальной DDR5 (где 60–80 ГБ/с — практический потолок).
🟠 Префилл (TTFT) будет страдать. Во время генерации читается 2–8 экспертов на шаг. Но при обработке входящего промпта (prefill на пару тысяч токенов) активируются практически все эксперты на всех слоях. На этом этапе даже топовый ПК будет заметно подвисать, интенсивно нагружая десятки гигабайт.
🟠 Ноутбучный PCIe. В мобильных RTX 4060 шина часто урезана до PCIe 4.0 x8 (а иногда и x4). Никаких рекордов на тяжелых запросах там не будет в принципе.
Чудес не бывает: запустить «300B модель на ноутбуке» без сотен гигабайт памяти вы по-прежнему не сможете. 🤷♂️ | 659 |
| 17 | Тот самый "убийца Python" открыл личико: компилятор Mojo ушёл в open source 🔥
Помните, я писал про Mojo — язык от Криса Латтнера (создателя LLVM и Swift), который пытается подружить синтаксис Python со скоростью C++ и контролем железа уровня CUDA?
Главная претензия к проекту все эти 4 года была такой: «Вы строите открытый язык будущего для AI, но компилятор закрыт наглухо внутри стартапа». Ни один вменяемый техлид или архитектор не потащит в ядро инфраструктуры ключевой стек с таким диким вендор-локом.
И вот свершилось: Modular официально объявили, что Mojo дошел до версии 1.0 и выложили весь компилятор и тулчейн на GitHub под лицензией Apache 2.0.
Контрибьютить пока нельзя, пулреквесты в компилятор и тулинг от комьюнити планируют принимать только ближе к концу года.
Причина ограничения на PR прекрасна: в компании прямо заявили, что в эпоху AI-кодинга открытые шлюзы превратят репозиторий в разгребание тонн сгенерированного мусора. 🤭
Убьёт ли Mojo Python? Конечно, нет. Python держится не на скорости циклов, а на гигантской экосистеме, миллионах библиотек и тоннах готовой инфраструктуры. | 754 |
| 18 | Эль Риситас за пару минут объясняет всю экономику ИИ 😆
Дико ржачно. Если не понимаете инглиш, то вот вся суть (но без хохота Риситаса эффект не тот):
🔵 Разраб покупает у Anthropic подписку на Claude за $200 в месяц. Гоняет агентов и генерирует код целыми днями и сжигает серверных мощностей на $8 000. То есть Anthropic на одном человеке теряет $7 800 чистыми.
🔵 Откуда у них деньги? От Amazon, который влил в них 13 миллиардов.
🔵 Куда Anthropic несет эти деньги? Правильно: обратно в Amazon, чтобы оплачивать их же облака AWS. Amazon с серьезным лицом заносит это себе в «выручку» и повышает оценку компании.
🔵 С OpenAI та же комедия: ребята тратят $1.60 на каждый заработанный доллар. Кто закрывает дыру? Microsoft. Кому OpenAI отдает $24 млрд в год? Облаку Azure от Microsoft. 70% всего «ИИ-бизнеса» Microsoft — это один клиент, который генерирует им убыток на каждом запросе.
🔵 А на самом верху пищевой цепочки стоит Nvidia, которая сгружает всем чипы по цене крыла от боинга под кредиты от банков на сотни миллиардов.
Один несчастный доллар летает по кругу между Amazon, Microsoft, стартапами и Nvidia с такой скоростью, что на бумаге все выглядят триллионными гигантами с невероятным ростом 📈
Финальный панч — Сатья Наделла (глава Microsoft), который на созвоне с инвесторами на голубом глазу заявляет: «Все модели взаимозаменяемы» и рекомендует инвесторам книжку... про крах железнодорожного пузыря 1873 года. С намеком: инвесторы тогда пошли по миру, но рельсы ты остались! 🚂
Ну и вот вам DeepSeek, который стоит $0.87 за миллион токенов.
Так что пока техногиганты перекладывают виртуальные миллиарды из левого кармана в правый и щедро оплачивают нам с вами терафлопсы вычислений — пользуйтесь моментом. Когда этот аттракцион невиданной щедрости перейдет на реальную самоокупаемость, ценники на подписки удивят даже оптимистов 🌝 | 885 |
| 19 | Немає тексту... | 845 |
| 20 | Помните прогноз про «AI 2027»? Он сбывается с точностью 85% 🤖
Я давненько писал про нашумевшее исследование от экс-сотрудников OpenAI и Anthropic: сначала базовый сценарий AI 2027 с выносом рынка разработки, а затем их же попытку придумать мягкую посадку в AI 2040: Plan A.
Тогда описанное казалось забористым сай-фай триллером: автономные кодинг-агенты, смерть джунов, геометрический рост вычислительных кластеров и полная трансформация разработки к 2027 году. Но вот энтузиасты сделали сайт AI 2027 Tracker, где в реальном времени трекают каждый из 202 прогнозов оригинального документа и сопоставляют его с реальностью.
Статистика заставляет слегка приподнять бровь: на текущий момент оценено уже около 30% всех предсказаний (таймлайн с середины 2025 по начало 2026 года) и из всех прогнозов, срок которых уже наступил, 85% признаны точными 🤨
Пройдемся по таймлайну:
🔵 Середина 2025 (Точность 100%): Первые автономные агенты, бум специализированных кодинг-ассистентов, высокая стоимость топовых моделей, периодические косяки и галлюцинации, но при этом железобетонная интеграция в рабочие процессы компаний.
🔵 Конец 2025 (Точность 81%): Гигантские датацентры на сотни миллиардов долларов, смещение фокуса лабораторий на ИИ, ускоряющий сам процесс ИИ-исследований, сикофантия (модели врут и поддакивают исследователям) и первые попытки агентов скрывать свои ошибки при тестировании.
🔵 Начало 2026 (Точность 91%): Автоматизация рутинного кода, сильные открытые модели на уровне флагманов прошлого года, агенты блестяще щелкают изолированные таски, но пока буксуют на длинных горизонтах планирования (long-horizon tasks).
Где авторы ошиблись? В основном в деталях китайской госполитики (пока не случилось жесткой централизации всех мощностей в едином хабе) и точных оценках тренировочных FLOP. Но в том, что касается развития моделей, автоматизации кодинга и турбулентности на рынке труда — попадание весьма точное.
Отдельный интерес график Task Horizon — время, в течение которого агент может автономно решать сложную задачу без вмешательства инженера. Кривая устойчиво ползет вверх: от коротких правок в 10–15 минут индустрия уверенно идет к автономной работе моделек на протяжении десятков часов.
Сейчас мы подошли к экватору этого прогноза. До точки, где классический найм в IT перестраивается окончательно, а вся разработка сводится к управлению пулами агентов, по таймлайну остается меньше полутора лет.
Что думаете, доедем до сценария 2027 года примерно в таком виде или настанет очередная зима ИИ? 👇 | 866 |
