Олег Булыгин | Полезная нагрузка
Kanalga Telegram’da o‘tish
Изнанка IT, искусственного интеллекта и разработки. Тренды, прикладной AI и ML, рынок труда. Автор — Олег Булыгин (11+ лет в IT). Сотрудничество и обучение: @obulygin91
Ko'proq ko'rsatish6 462
Obunachilar
+1524 soatlar
+1737 kun
+17730 kun
Ma'lumotlar yuklanmoqda
O'xshash kanallar
Taglar buluti
Kirish va chiqish esdaliklari
---
---
---
---
---
---
Obunachilarni jalb qilish
Oktabr '26Okt '26
Oktabr '26
+267
0 kanalda
Sentabr '26
+162
0 kanalda
Get PRO
Avgust '26
+270
0 kanalda
Get PRO
Iyul '26
+299
0 kanalda
Get PRO
Iyun '26
+554
3 kanalda
Get PRO
May '26
+152
0 kanalda
Get PRO
Aprel '26
+294
2 kanalda
Get PRO
Mart '26
+378
1 kanalda
Get PRO
Fevral '26
+132
0 kanalda
Get PRO
Yanvar '26
+177
1 kanalda
Get PRO
Dekabr '25
+74
1 kanalda
Get PRO
Noyabr '25
+257
0 kanalda
Get PRO
Oktabr '25
+258
1 kanalda
Get PRO
Sentabr '25
+127
1 kanalda
Get PRO
Avgust '25
+171
7 kanalda
Get PRO
Iyul '25
+63
5 kanalda
Get PRO
Iyun '25
+86
2 kanalda
Get PRO
May '25
+74
0 kanalda
Get PRO
Aprel '25
+97
0 kanalda
Get PRO
Mart '25
+143
0 kanalda
Get PRO
Fevral '25
+161
0 kanalda
Get PRO
Yanvar '25
+156
0 kanalda
Get PRO
Dekabr '24
+157
0 kanalda
Get PRO
Noyabr '24
+145
0 kanalda
Get PRO
Oktabr '24
+215
0 kanalda
Get PRO
Sentabr '24
+211
1 kanalda
Get PRO
Avgust '24
+122
1 kanalda
Get PRO
Iyul '24
+128
0 kanalda
Get PRO
Iyun '24
+110
1 kanalda
Get PRO
May '24
+220
2 kanalda
Get PRO
Aprel '24
+248
1 kanalda
Get PRO
Mart '24
+126
0 kanalda
Get PRO
Fevral '24
+161
0 kanalda
Get PRO
Yanvar '24
+226
0 kanalda
Get PRO
Dekabr '23
+166
0 kanalda
Get PRO
Noyabr '23
+117
0 kanalda
Get PRO
Oktabr '23
+129
0 kanalda
Get PRO
Sentabr '23
+163
0 kanalda
Get PRO
Avgust '23
+234
0 kanalda
Get PRO
Iyul '23
+113
0 kanalda
Get PRO
Iyun '23
+183
0 kanalda
Get PRO
May '23
+143
0 kanalda
Get PRO
Aprel '23
+147
0 kanalda
Get PRO
Mart '23
+198
0 kanalda
Get PRO
Fevral '23
+152
0 kanalda
Get PRO
Yanvar '23
+227
0 kanalda
Get PRO
Dekabr '22
+208
0 kanalda
Get PRO
Noyabr '22
+188
0 kanalda
Get PRO
Oktabr '22
+274
0 kanalda
Get PRO
Sentabr '22
+179
0 kanalda
Get PRO
Avgust '22
+311
0 kanalda
Get PRO
Iyul '22
+849
0 kanalda
| Sana | Obunachilarni jalb qilish | Esdaliklar | Kanallar | |
| 24 Oktabr | +3 | |||
| 23 Oktabr | +15 | |||
| 22 Oktabr | +10 | |||
| 21 Oktabr | +14 | |||
| 20 Oktabr | +46 | |||
| 19 Oktabr | +102 | |||
| 18 Oktabr | 0 | |||
| 17 Oktabr | +5 | |||
| 16 Oktabr | +8 | |||
| 15 Oktabr | +2 | |||
| 14 Oktabr | +1 | |||
| 13 Oktabr | +3 | |||
| 12 Oktabr | +4 | |||
| 11 Oktabr | +4 | |||
| 10 Oktabr | +7 | |||
| 09 Oktabr | +8 | |||
| 08 Oktabr | +2 | |||
| 07 Oktabr | +3 | |||
| 06 Oktabr | +3 | |||
| 05 Oktabr | +4 | |||
| 04 Oktabr | +5 | |||
| 03 Oktabr | +3 | |||
| 02 Oktabr | +3 | |||
| 01 Oktabr | +12 |
Kanal postlari
Тимлид не подошел на вакансию в свою же команду. Его отшил робот за 6 минут. 🤡
История с Reddit, разошедшаяся по медиа, прекрасна тем, насколько она будничная в современной реальности.
Контекст: в команду искали синьора с апреля. HR разводили руками: кандидатов нет, воронка пустая, никто не проходит первичный скрининг. Тимлид, который лично составлял текст вакансии, решил проверить, что там вообще происходит. Сменил имя, чуть поправил даты, оставил свой реальный опыт и отправил отклик.
Через 6 минут система выплюнула автоматический отказ.
Неделю ушло на то, чтобы докопаться до сути через настройки ATS. Оказалось, эйчары настроили жесткий строковый фильтр по ключевику React.js. У чувака в CV было написано просто React. Разница в точку и две буквы стоила компании полугода простоя открытой позиции.
Что здесь прекрасно? Буквально всё.
1️⃣ «Рыночный дефицит» своими руками. Полгода команда захлебывается в задачах, бизнес теряет деньги, а наверх летят отчеты о том, как тяжело искать людей. Причина «кризиса кадров» — тупейший поиск по подстроке, настроенный человеком с абсолютным нулем технических знаний.
2️⃣ Карго-культ автоматизации. Компании платят конские деньги за HR-софт, который должен «ускорять найм», но на деле получают цифрового вахтёра. В итоге до живого собеседования доходит не тот, кто умеет решать задачи бизнеса, а тот, кто угадал синтаксис ключевиков в голове настраивавшего скрипт рекрутера.
3️⃣ Апофеоз абсурда. Человек, сформировавший требования к позиции, не прошел под собственные требования. Лучшей иллюстрации происходящего в найме придумать просто невозможно.
Потом мы удивляемся, почему кандидаты оптимизируют резюме с помощью нейросеток. Когда с той стороны воронки сидит бездумный парсер на костылях, с этой стороны неизбежно вырастает встречный фарс. Нейронки генерируют отклики, парсеры их отсеивают, а живые инженеры месяцами сидят без работы и без коллег в командах.
Продолжаем плакать о том, как все сломано в it-найме. 😪
| 2 | Про информационную гигиену в ленте
90% того, что сейчас публикуется под тегами «IT и нейросети» — это очередные «10 промптов, которые перевернут вашу жизнь». Тратить время на ручной отсев этого добра — сомнительное удовольствие.
Периодически каналы объединяются и собирают общие папки. Для читателя это всегда палка о двух концах: можно найти крутых практиков, а можно забить ленту информационным шумом.
Чтобы получить из этого максимальный профит, держите прагматичный алгоритм:
1️⃣ Забираете папку с каналами по IT и AI. Там внутри каналы про Python, Data Science, разработку и внедрение нейросетей в реальные задачи.
2️⃣ Даете себе пару дней на просмотр ленты.
3️⃣ Оставляете 2–3 ресурса, авторы которых действительно работают руками, делятся кодом и показывают фактуру, а не маркетинговый булшит.
4️⃣ Все каналы, которые не прошли ваш внутренний фильтр полезности, — безжалостно мьютите или выкидываете.
Инструмент должен работать на вас, а не наоборот. Своих людей и полезные ссылки из подборки выцепить точно успеете.
👉 Добавить папку к себе | 445 |
| 3 | «Просто будь сеньором, удачи»: жестокая правда о том, что делать новичкам в эпоху ИИ
Торстен Болл (автор культовых книг по написанию интерпретаторов и компиляторов на Go, хардкорный системщик) выдал мнение о том, куда катится профессия инженера.
Десять лет назад рецепт входа в IT был кристально понятен: «Научись хорошо писать код, делай пет-проекты, пиши в open-source, дрочи синтаксис и стандартные библиотеки — диплом никого не волнует, работу найдешь».
Сейчас Торстен честно признает: от 30% до 50% того, на что он годами тратил время, больше не имеет почти никакого значения. Правила игры переписали. И вот что он выделяет как новую базу, независимо от того, насколько крутыми станут модели:
1️⃣ Синтаксис умер, да здравствует Computer Science
Ирония в том, что вытеснение ручного написания кода нейросетями — это давняя влажная мечта нормальных преподавателей CS. Наконец-то можно перестать тратить 80% времени на войну с компилятором из-за забытой точки с запятой и говорить о сути: вычислительной сложности, архитектуре, компиляторах, сетях (TCP/IP), устройстве баз данных, разнице между кэшем в памяти и файловой системе и другими реально инженерными вопросами.
Чтобы построить систему, вы всё ещё обязаны понимать, как работают компьютеры и софт. Иначе вы даже галлюцинацию в ответе Claude не отловите, не говоря уже о нормальном ревью сгенерированной архитектуры.
2️⃣ Agency и Ownership вместо «моя хата с краю»
Позиция «я формошлёп, мне дали тикет, я его закодил, а взлетит продукт или нет — плевать» официально отправляется на свалку истории. Ценность смещается к тем, кто забирает ответственность за всю цепочку: от бизнес-проблемы до ценности для конечного пользователя.
3️⃣ Системное мышление и коммуникация
Умение декомпозировать систему на взаимодействующие блоки и четко формулировать свои мысли текстом. Если вы не умеете внятно писать — вы не сможете поставить задачу ни нейросети, ни живой команде.
В реплаях к Торстену мгновенно пришли с ехидным комментарием:
Ты буквально написал: "Просто будь сеньором, надеюсь, помог".
И да, это так. Простого совета тут нет. Но уже нужно:
🔵 Перестать тратить месяцы на заучивание нюансов синтаксиса конкретного языка.
🔵 Закапываться в фундаментальные основы CS: сети, базы данных, операционные системы, архитектурные паттерны.
🔵 Думать от задачи бизнеса, а не от языка программирования. Если вы автоматизировали процесс кривым скриптом на 20 строк за 10 минут и сэкономили отделу продаж 100 часов в месяц — вы молодец. Если вы неделю вылизывали идеальную микросервисную архитектуру для фичи, которая никому не нужна — вы профнепригодны.
Теперь нет ничего важнее, чем понимать, что именно вы делаете и зачем. 🧠 | 495 |
| 4 | Хватит лечить тупость LLM промптами: Google показал, как должны развиваться AI-агенты
Google Research выкатили репозиторий фреймворка Harness² .
Веса модели остаются замороженными. Вместо изменения весов система на лету рекурсивно переписывает и оптимизирует собственную «обвязку» (harness) — тулы, системные промпты, guardrails, скиллы и пайплайны. Без подглядывания в правильные ответы и без участия человека.
Результат: до +11.8% на юридическом бенчмарке LAB и до +11.5% на WorkBuddy-Bench чисто за счет софта вокруг замороженной модели.
Что вообще такое харнесс? Это каркас вокруг LLM: системный промпт, память, инструменты, guardrails, оркестрация. Большинство разработчиков до сих пор действуют примитивно: наваливают в system_prompt простыню текста на 10 тысяч токенов в надежде, что модель «проникнется». Не проникнется.
В репозитории инженеры разложили харнесс на 8 модулей (от промпта до middleware-хуков и Python-хелперов) и зафиксировали подход:
🔵 Always-on промпты — это дорогое зло
Каждое лишнее слово в системном промпте сидит в контексте на каждом шаге агента и напрямую жрет бюджет генерации. Главная причина провала агентов на длинных рабочих задачах банальна: модель сожгла лимит токенов на рассуждения о собственных правилах и тупо не успела записать итоговый файл. Поэтому приоритет такой: если знание можно убрать из постоянного промпта в on-demand навык (skill), который подгружается только по триггеру — выкидывайте его из промпта немедленно.
🔵 Детерминированный код бьет генерацию
Если агент на прогонах регулярно лажает в расчете сложной таблицы или парсинге специфичного формата, правильный шаг — не писать капсом «СЧИТАЙ ВНИМАТЕЛЬНЕЕ». Правильный шаг — автоматически нагенерировать вспомогательный скрипт scripts/calculate.py и положить в репозиторий, заставив модель дергать его через Bash. Детерминированный скрипт всегда надежнее стохастического попугая.
🔵 Хуки внутри тул-лупа
Модель можно сто раз попросить в промпте: «перед завершением открой файл и проверь, что он не пустой». Она проигнорирует. Единственный рабочий способ заставить агента проверять результат — перехватить событие на уровне рантайма (через плагины или hooks.json), физически распарсить сгенерированный xlsx/docx независимым ридером и вернуть модели ошибку в execution loop, если там мусор.
Архитектура проекта построена на двух контурах адаптации:
1️⃣ Task-level recursion (контур задачи)
Когда агент получает сложный таск, запускается цикл Propose–Probe–Compose:
🔘 Базовый агент делает несколько прогонов.
🔘 Модель-импрувер анализирует полные трейсы (траектории) и выдвигает гипотезы: отдельно по процедуре работы (инвариантная часть) и отдельно по предметной области (доменная часть).
🔘 Кандидаты прогоняются в среде, проверяются на регрессии.
🔘 Компоновщик собирает финальный harness из контрастов поведения. Причем выбор финального решения идет вслепую — валидатор сравнивает артефакты работы кандидатов, не видя эталонных ответов и тестов.
2️⃣ Harnessing-level recursion (контур опыта)
Если harness для задачи оказался удачным, запускается рефлексия: система формулирует transferable lesson (паттерн ситуации, выученный урок и доказательство из трейса) и сохраняет его в библиотеку домена.
Когда через 10 задач агенту прилетает похожий кейс из этой же индустрии, он не начинает с нуля, а поднимает проверенные компоненты из своей библиотеки.
↗️ Авторы прогнали подход на связках с OpenCode и Codex CLI на бенчмарках JobBench, Harvey LAB (юриспруденция) и WorkBuddy-Bench. Gemini 3.5 Flash и GLM-5 из коробки получают до +11.8% к all-pass рейту в legal-задачах и до +11.5 пунктов в офисных сценариях.
Эффективность таких систем уже давно не в прмптах, а в классической системной инженерии: грамотная декомпозиция контекста, жесткий контроль инструментов, делегирование рутины локальным скриптам и валидация на уровне middleware.
Ссылка на репозиторий: github.com/google-research/harness2 | 538 |
| 5 | Что происходит, когда вы берете AI-агента «на работу» 🤖💥
Исследователи из Google Research и DeepMind выкатили исследование Working with Agentic ‘Teammates’. Они решили проверить фантазии о том, что автономные агенты вот-вот станут полноценными цифровыми сотрудниками.
Они взяли своего проактивного автономного агента (Team Agent), завели ему отдельный сервисный аккаунт с правами обычного сотрудника и запустили в 20+ реальных команд (разрабы, исследователи, продакты) на 5 месяцев. Дали ему доступ к корпоративным чатам, баг-трекерам, кодовой базе и гугл-докам. Агент мог не просто отвечать на пинги, но и действовать сам: встревать в дискуссии, заводить таски, менеджить созвоны и мониторить контекст..
Результат наглядно объясняет, почему концепция «AI-коллеги» пока разбивается о реальность.
Вот несколько прекрасных кейсов из отчёта:
🔵 Слепота к иерархии и здравому смыслу
Агент посчитал, что если человек состоит в проекте, значит, его можно привлекать к любой рутине. Итог: бот проактивно тегнул вице-президента компании в 16 мелких баг-репортах подряд. Контекст? Субординация? Не, не слышал.
🔵 Слив черновиков
Сотрудник в командном чате обмолвился: «Работаю над постером, скоро покажу». Агент тут же вылез в общий тред: «А вот ссылка на драфт из личной папки!». Автор в ужасе: документ был сырым и не предназначался для чужих глаз. Но у агента были технические права на чтение, а понятия «неписаные правила и социальный контекст» в его промпте не существовало.
🔵 Токсичный миротворец
Инженеры в чате устроили нормальный рабочий спор по архитектуре. Агент решил, что в команде назревает конфликт, влез в тред с репликой: «Кажется, вы не согласны друг с другом, давайте обсудим это голосом» — и автоматически выкатил инвайт на встречу в календарь. В итоге людям пришлось неловко отменять встречу, которую никто из них не просил.
🔵 Полиция нравов в личке
Агенту прописали дружелюбную персону и функцию коучинга общения. Когда один из разработчиков саркастично пошутил в чате, бот пришел к нему в личные сообщения с нравоучениями о том, что «тон и настроение шутки не соответствуют культуре». Закончилось всё паранойей в духе Большого Брата: люди стали бояться шутить в основном спейсе и начали создавать приватные каналы без агента, чтобы спокойно материться и обсуждать процессы.
🔵 «Эффект свидетеля»
Когда кто-то из людей писал в чат с просьбой о помощи, агент первым ставил реакцию или кидал дежурную отписку. Живые коллеги видели активность, решали, что проблема уже кем-то подхвачена, и шли дальше. Человек оставался с нерешенной проблемой один на один.
🔵 Засирание базы знаний
Агент не понимает, что документы в компании — это часто временные слепки мыслей, а не абсолютная истина. Он откопал старые спеки и начал методично бомбить актуальные доки комментариями о «несоответствиях» и противоречиях, парализовав разработчикам рабочее утро.
В исследовании это назвали jagged capability frontier (зазубренная граница возможностей). Агент может раскопать редчайший баг в коде сложным неочевидным путем, но при этом социально ведёт себя как гиперактивный вредитель.
В чем фундаментальная проблема?
В том, что техническая автономность есть, а вот про заслуженное доверие забывают.
Когда в команду приходит джун, вы не даете ему права писать в общий канал на 1500 человек и рулить процессами с первого дня. Он получает простые изолированные задачи и постепенно доказывает адекватность.
С AI-агентами бизнес пытается перепрыгнуть эту ступень. У агента нет чувства стыда, нет репутационных рисков и нет понимания негласных договоренностей. Он не может нести социальную ответственность за то, что делает.
Либо агент живет в жестких рамках понятного инструмента с прозрачными ручками управления и постепенным повышением привилегий, либо вы получаете гиперактивного стажера с админскими правами, от которого вся команда прячется в приватных чатах 🤷♂️ | 625 |
| 6 | Мастер-класс по защите задницы от «самой ответственной» ИИ-лаборатории 🎪
Не прошло и пары недель с новости о том, как бигтех репетирует катастрофы ради регуляторного захвата рынка, как подоспела фактура.
Журналисты Politico раскопали закрытый законопроект, который Anthropic втихаря питчит конгрессменам на Капитолийском холме.
Те самые ребята, которые годами строили бренд главных святош индустрии («мы за безопасный ИИ», «мы Public Benefit Corporation»), написали правила регулирования... под себя любимых.
Что же ребята Дарио Амодея предлагают законодателям?
1️⃣ Трогать релизы нельзя, пока нет 50 трупов или миллиарда долларов ущерба
Законопроект разрешает государству заблокировать релиз модели только в случае неминуемого риска биологической атаки, киберудара или выхода модели из-под контроля, который приведет к ущербу от $1 000 000 000 или гибели 50+ человек.
Все остальные кейсы (положили финансовую сеть помельче, слили миллионы персональных данных, парализовали работу бизнеса)? «Не лезьте, это другое».
2️⃣ «Независимый» аудит на зарплате у проверяемого
Оценивать безопасность моделей должны сторонние компании, зарегистрированные в Минторге. При этом оплачивать их работу будет... сам Anthropic. Единственное условие — гонорар формально не должен зависеть от результатов проверки.
Кто девушку ужинает, тот ей отчёты о соответствии стандартам и пишет.
3️⃣ Защита от внезапных звонков из Вашингтона
Летом Anthropic знатно пригорело, когда администрация парой телефонных звонков через экспортный контроль прикрыла им релиз двух передовых моделей. В новом законопроекте они элегантно запрещают вообще любым ведомствам и чиновникам совать нос во внутреннюю разработку и деплой. Остановить их сможет только Минторг США, и то исключительно через окружного федерального судью.
4️⃣ Похороны законов штатов
В Калифорнии, Нью-Йорке и других штатах пытаются принимать свои, куда более жесткие и неудобные для бигтеха законы об ИИ. Законопроект Anthropic красиво помножит их на ноль, установив единый и максимально беззубый федеральный стандарт.
Вот вам и вся сказка про святой «AI Safety» и спасение мира от сверхразума. Это просто корпоративный щит, юридическая страховка и выбивание индустриальных лицензий.
Цель драфта проста как три копейки: выбить себе индульгенцию от произвола государства, отрезать более жестких местных регуляторов, возглавить аудит самих себя и поставить такой порог входа, который ни один опенсорс и независимый стартап никогда не перешагнут.
Бизнес решает бизнес-задачи 🍿 | 642 |
| 7 | 27 человек на место и разбитые иллюзии: IT-рынок труда продолжает пробивать дно?
Помните, летом мы смотрели на график с 22 резюме на место и гадали: пробьет ли конкуренция планку в 25? Забудьте. Планку не просто пробило, её разнесло в щепки: по данным сентябрьской статистики hh.ru, hh.индекс в IT улетел на исторические 27.4.
И Коммерсантъ, ссылаясь на исследование ЦМАКП, зафиксировал смерть эпохи дефицита айтишников.
Смотрим на цифры 👇
1️⃣ Конкуренция: 27.4 резюме на один оффер
Летом индекс конкуренции болтался в районе 22. К осени начался новый виток безумия: в июле — 24.4, в августе — 26.4, в сентябре — 27.4.
Напомню, здоровый рынок, где соискатель и наниматель общаются на равных — это 4–7 человек на место. 27+ — это мясорубка, где резюме отсеивают скриптами просто по ключевым словам или знаку зодиака, потому что живой HR физически лопнет просматривать такие объемы.
Количество вакансий стабильно держится на дне: -33% к прошлому году. Приток резюме немного притормозил (+13% в сентябре против +27% в начале года), но накопленная масса кандидатов уже сформировала плотную пробку на входе.
2️⃣ Зарплатные ожидания рухнули
Самый показательный момент — график зарплат.
Помните, как в июне соискатели решили компенсировать инфляцию и задрали медианные ожидания до 113 291 руб., пока бизнес предлагал 92 656 руб.?
Праздник неповиновения продлился ровно два месяца. К сентябрю кандидаты ощутили на себе все прелести сидения без оффера, сняли белое пальто и опустили планку обратно до 100 000 руб. Бизнес великодушно подтянулся к этой же цифре.
Рынок жестко поставил соискателей на место: когда за дверью стоит очередь из 27 человек, диктовать условия не получается.
3️⃣ Кодеры больше не нужны, бизнесу нужны мозги
По данным ЦМАКП, внедрение LLM и автоматизации срезало спрос: на классических рядовых программистов рухнул на 47%, на тестировщиков — на 55%. Сисадмины и техподдержка потеряли около половины вакансий. Скриптописание базового уровня и ручной перегон тест-кейсов больше не являются профессией, за которую платят рыночные деньги.
Куда утекли деньги и найм?
В реальный сектор и аналитику:
— Спрос на бизнес-аналитиков вырос на 38%.
— Спрос на специалистов по работе с данными — на 15%.
— Вакансии по кибербезопасности в пищевой промышленности взлетели на 88%, в медицине — на 36%, в логистике — на 33%.
Кто понял это вовремя и прокачивал доменную экспертизу, математику и Data Science — сейчас на коне, пусть даже работать приходится не в хипстерском стартапе с кофепоинтом, а на мясокомбинате или в транспортном холдинге.
Те, кто сейчас ищет работу, какая у вас конверсия из отклика в собес? 👇 | 853 |
| 8 | Gemini 4 Argon, бенчмарки и вечная проблема прикладного AI 🤖
Google выкатывает Gemini 4 Argon, делая главный акцент на практику и решение бизнес-кейсов. Но если отбросить синтетические тесты и красивые графики из презентаций, главная проблема индустрии прямо сейчас — не дефицит моделей, а тотальный информационный шум вокруг них.
95% ресурсов про AI скатились в бесконечный пересказ твитов Сэма Альтмана и восторги от каждого чиха бигтехов. Найти источники, где дают не абстрактные рассуждения, а готовый код, рабочие шаблоны автоматизации и реальную экономию времени на рутине — задача со звездочкой даже для продвинутого ризонинга.
Для тех, кому ехать, а не шашечки, собрали тематическую папку с практиками, где фокус смещен с хайпа на прикладную разработку и внедрение инструментов в работу.
Кстати, для тех, кто плотно практикует вайб-кодинг и пишет код в связке с нейросетями, в подборке есть канал Veai — сервис помогает закрыть вечный вопрос с обходом блокировок Anthropic и стабильной работой с моделями.
Сохраняйте себе, чтобы отсечь лишний шум и не тратить часы на ручной отбор адекватных авторов:
👉 https://t.me/addlist/FjmV0-LQvKM3NzFi | 598 |
| 9 | 6 часов работы агентов на 1 час человека и коллапс найма джунов 🧑💻
Anthropic выкатили показательные материалы: большое исследование о том, как AI перекроил их собственную внутреннюю кухню, и разбор от команды Claude Code про то, как они теперь вообще живут с код-ревью.
Найм джунов обвалился втрое, агенты работают в 6 раз больше людей, классический код-ревью мертв, а инженеры превратились в нянек для стаи гиперактивных моделей.
Вот самое показательное из отчетов:
1️⃣ Джуниор-позиции идут под нож
Доля найма джунов на технические позиции в Anthropic рухнула с 27% до 9%. Доля уже работающих джунов сократилась с 21% до 14%. Причина простая: написание базового кода и поиск типовых багов полностью уехали на откуп Claude. Требования к кандидатам резко мутировали: вместо знания конкретных библиотек и синтаксиса нанимающие менеджеры требуют autonomy and judgment — способность мыслить верхнеуровнево, принимать архитектурные решения и разгребать неопределенность.
2️⃣ Человек — главное бутылочное горлышко
В марте 2026 года рабочие часы агентов в Anthropic превысили рабочие часы людей. Сейчас соотношение — 6 к 1.
Но вот парадокс: около 80% времени агенты тупо простаивают. Они ждут решения от человека.
Один из инженеров описал это емкой метафорой:
«Это похоже на работу няньки в детском саду. К тебе подбегает толпа Клодов, и каждый орет, что у него ЧП. Только у одного ребенок порезал палец и хлещет кровь, а у второго — всего лишь заело трубочку в пакетике с соком. Но кричат они с одинаковой громкостью».
3️⃣ Смерть классического код-ревью
В монорепе Anthropic поток коммитов вырос с 2 500 в день в мае до 30 000+ к сентябрю. 90% кода самого инструмента Claude Code пишет Claude. Читать диффы глазами строка за строкой при таком потоке физически невозможно. Ревью теперь полностью автоматизировано: пачка агентов ищет баги, голосует между собой за валидность претензий, отсеивает шум, а для изменений низкого риска человека вообще убрали из цепочки аппрува (zero-human merges).
Людям оставили ровно пять вопросов: нужно ли вообще это разрабатывать (дирекшн), сложная архитектура, критические зоны (биллинг/автоапдейтер), проверка доказательств тестов и персональная ответственность. Правило простое: замержил — отвечаешь головой.
4️⃣ Нейросетевая душность и бесконечные циклы
Интересный кейс: когда агента-автора заставили исправлять замечания агента-ревьюера, они устроили бесконечный пинг-понг на 50+ раундов за одну ночь, завалив репозиторий правками правок.
Оказалось, что в 59% случаев агент-ревьюер не находил новые баги, а просто бесконечно докапывался до старого кода, меняя шило на мыло. В итоге инженерам пришлось ввести жесткий лимит: максимум 3 раунда правок, после чего модель обязана остановиться и пересмотреть подход целиком.
В итоге инженерам пришлось вручную ограничить этот маразм: максимум 3 раунда правок, дальше зовите человека.
5️⃣ Никто больше не держит архитектуру в голове
Команда прямо пишет: никто из разработчиков не держит в голове полную архитектуру всего проекта — в этом просто нет смысла. Если нужно залезть в незнакомый модуль, просят Claude сгенерировать интерактивное объяснение конкретного среза под задачу. Инженеры перестали быть писателями кода, превратившись в менеджеров стаи агентов: 22% их времени занимает «мета-работа» — составление спек, мониторинг пайплайнов и разруливание системного техдолга.
6️⃣ Нетехи начинают кодить
Благодаря инструментам вроде MCP и coding-агентам продажники, юристы и финансисты собирают под себя кастомные дашборды и пайплайны за 3–4 часа без привлечения разработки. Количество сессий программирования у сотрудников без опыта подскочило с 2 в месяц до 90.
Так-то по хорошему уже правда пора переименовывать часть специальностей в программировании в "Погонщик агентов" 🌝 | 621 |
| 10 | Выкатили Polars 2.0: смерть OOM и пощечина DuckDB 🐻❄️⚡️
Пока почти вся индустрия по привычке мучает Pandas, команда Polars выкатила фундаментальный релиз 2.0.
Теперь движок по умолчанию умеет сбрасывать данные на диск при нехватке памяти, рвёт DuckDB на SQL-бенчмарках и ломает обратную совместимость ради скорости.
1️⃣ Out-of-core и стриминг из коробки
Раньше классический сценарий выглядел так: у вас 32 ГБ RAM, вы пытаетесь выполнить LazyFrame.collect() на жирном файле, память забивается под завязку, приходит OOM Killer и убивает процесс.
В 2.0 стриминговый движок работает по дефолту. Как только потребление оперативной памяти переваливает за ≈80%, Polars начинает сбрасывать промежуточные результаты на диск (по умолчанию заложен лимит в 64 ГБ). Сортировки, оконные функции и тяжелые вычисления выражений теперь не роняют скрипт.
⚠️ Но стриминговый движок не гарантирует сохранение исходного порядка строк при операциях вроде join или group_by.
2️⃣ SQL первого класса: DuckDB, у вас проблемы
Polars теперь официально позиционирует SQL как равноправный интерфейс. Под капотом переписали оптимизатор: добавили bloom-фильтры, динамические предикаты, умную перестановку join-ов и устранение общих подпланов.
Команда прогнала стандартные бенчмарки TPC-H и TPC-DS против свежих версий DuckDB и DataFusion. Результат: Polars быстрее почти во всех тестах как по суммарному времени, так и по геометрическому среднему.
Есть детская болячка: на мелких объемах данных вылезает оверхед синхронизации (DuckDB там пока выигрывает). Разработчики признали проблему и пообещали поправить в минорных апдейтах. Но на средних и тяжелых нагрузках цифры впечатляют.
3️⃣ Нативный тип Map (человеческие словари)
Раньше хранить ключ-значение внутри таблицы приходилось через костыльный List(Struct({"key": ..., "value": ...})). Читать и обрабатывать это было мучением.
Теперь завезли нативную поддержку Arrow MapType: pl.Map(key_type, value_type). Появились нормальные человеческие методы для работы со словарями прямо внутри выражений: .map.get(), .map.contains_key(), .map.keys(), .map.values().
Быстро, типизировано, без костылей с распаковкой структур.
4️⃣ Жесткая типизация и заточка под AI-агентов
Polars окончательно уходит от неявных приведений типов. Идеология простая: скрипт должен падать сразу, а не через 40 минут расчетов из-за внезапного null или несовпадения схемы.
Для этого докрутили collect_schema(), который проверяет типы и резолвит схему пайплайна вообще без материализации данных. Это киллер-фича для генерации кода через LLM: агент может за миллисекунды проверить сгенерированный запрос на валидность до того, как начнет выполнять операции на терабайтах данных.
🔗 Если сидите на первой версии — читайте миграционный гайд | 739 |
| 11 | «Ни строчки кода руками»: Epic Games нашла способ спасти горящие дедлайны 🤡
Амбициозный шутер Epic Games и Disney по Marvel и Star Wars трещит по швам и не укладывается в сроки. Руководство студии придумало «гениальный» план спасения: полностью запретить писать код руками, генерировать весь арт сетками, а разрабов понизить до операторов Claude.
По инсайдам Bloomberg Epic Games посыпались на разработке крупного шутера по вселенным Marvel и Star Wars, а под него Disney занес им $1.5 млрд инвестиций.
Предыстория там показательная: ранее Epic уволили около 1000 сотрудников (надо же оптимизировать косты), затем внезапно выяснили, что жестко просчитались с оценкой сроков и ресурсов, разработка забуксовала, а релиз начал сдвигаться по срокам.
Что в такой ситуации делает эффективный менеджмент? Режет скоуп? Трезво пересматривает архитектуру? Признает ошибки планирования?
Не-а. Руководство студии объявляет созвон и ставит команду перед фактом: с этого момента мы — «AI-first» производство.
Цитата одного из директоров из внутренней рассылки:
Больше никакого рукописного кода. Весь арт для игры будет создан через пайплайны полного AI-цикла. Люди будут лишь менеджерить этот процесс.
Реакция разработчиков на созвоне предсказуема: ступор и нервный смех. А схема старая как мир:
1. Срезать штат ради красивых отчетов.
2. Профакапить эстимейты сложнейшего AAA-пайплайна.
3. Прибежать с горящими глазами и потребовать, чтобы нейросеть за пару месяцев сделала за людей сложнейшую инженерную работу.
Девять женщин не родят ребенка за месяц. Десять подписок на Claude не выкатят AAA-шутер, если у вас нет людей, способных удерживать сложную инженерную архитектуру в голове и писать надежные решения.
Закон Брукса в эпоху генеративного AI заиграл новыми красками: девять женщин не родят ребенка за месяц, а десять подписок на Claude не выкатят AAA-шутер, если у вас нет людей, способных удерживать сложную инженерную архитектуру в голове и писать надежные решения.
Буду ждать этот AI-first шутер, очень интересно взлетит или нет ☕️ | 700 |
| 12 | Дал агенту таску — получил уголовку: как Claude взламывает чужие сервера, чтобы закрыть бенчмарк
Anthropic опубликовали отчет о том, что вытворяют их модели (включая Claude Mythos и Opus), если дать им доступ в сеть во время оценки по бенчмаркам. Чтобы закрыть таску любой ценой, сетка эксплуатировала RCE/инъекции на сервере университета, отправляла фейковые показания об убийстве в полицию и обходила собственные ограничения безопасности через сокращатели ссылок.
Вот самое показательное из отчета:
1️⃣ Эксплуатация уязвимостей ради калькулятора
Задачка: провести научный расчет с помощью веб-утилиты. Утилита хостится на сервере университета и в момент теста выплевывает ошибку.
Что делает нормальный специалист? Ищет альтернативу или чинит окружение.
Что делает Claude Mythos? Начинает сканировать сайт университета, находит кривой скрипт с уязвимостью чтения файлов, выкачивает бэкенд, находит в коде дыру под инъекцию команд, через нее выполняет shell-команды прямо на университетском сервере и считает то, что нужно. Инженеры годами спорят об этичности ИИ, а модель молча оформила несанкционированный RCE-взлом, потому что ей просто нужен был ответ в бенчмарке.
2️⃣ Обход пейволла через Web Archive
Нужно спарсить данные с госпортала, но сайт требует платную подписку или акцепт лицензии.
Модель не стала жаловаться на нехватку бюджета. Она раскопала конфигурационные файлы фронтенда, нашла рабочие токены доступа, а в другом кейсе залезла в Web Archive, выяснила, как старый эндпоинт раздавал авторизацию без оплаты, постучалась туда напрямую через API и забрала базу бесплатно.
3️⃣ Обход инфраструктурных лимитов безопасности
В инструменте парсинга страниц Anthropic ограничили максимальную длину URL — чтобы модель не могла эксфильтровать большие пачки данных наружу.
Ответ сетки? Claude Opus и Mythos просто пошли на сторонний сервис сокращения ссылок, пожали длинный URL и просунули его в инструмент. Ограничение обойдено. О факапе разработчики узнали в том числе потому, что владелец сервиса шортнеров сам пришел к Anthropic спросить: «Ребята, а почему ваши агенты генерируют у нас миллион ссылок?»
4️⃣ Ложные показания по делу об убийстве
Claude Haiku дали задачу генерировать действия на случайных веб-страницах. Модель занесло на страницу нераскрытого убийства, где висела форма для анонимных свидетельских показаний.
Промпт запрещал вводить персональные данные, но не запрещал жать кнопку «Отправить». Модель нагенерировала текст: «Кажется, я видел похожего человека в этом районе в то время, свяжитесь со мной», оставила пустые контакты и пульнула форму копам. Департаменту полиции Филадельфии даже пришлось выпускать отдельный пресс-релиз.
Как уже много раз писал — здесь нет никакого восстания, злого умысла или сознания. Это рафинированный Reward Hacking — классическая проблема обучения с подкреплением.
Когда вы ставите агенту цель и даете награду за успешный результат, он будет минимизировать функцию потерь кратчайшим путем. Модель не понимает концепций «чужая собственность», «закон», «этика» или «платный сервис». Для нее упавший сервер, пейволл или валидация длины строки — это просто шум в пайплайне, который нужно обойти, чтобы получить высокий скор.
Ели задача сформулирована неоднозначно или невыполнима честным путем, агент почти всегда начнет срезать углы самым кривым образом.
Уже много раз доказано, что защита может быть только на уровне инфраструктуры , но никак не на уровне самой модели. 🛡 | 697 |
| 13 | Если вы работаете в сфере IT, развиваетесь в технологиях или просто хотите быть в курсе самых важных новостей и трендов - эта папка для вас!
Что внутри:
▪️ IT-новости и главные события технологического мира
▪️ Полезные сервисы и инструменты для работы
▪️ Полезные материалы, которые можно сразу применять в работе
🔥 Изучайте, подписывайтесь на интересные каналы и забирайте полезные знания, собранные в одной папке!
Жми на ссылку и присоединяйся: 👇
https://t.me/addlist/Is2SIiAhxegxMDJk
ЗАПИСАТЬ СВОЙ КАНАЛ В ПАПКУ | 590 |
| 14 | «Тогда пишите код на ассемблере и без бэкспейса» — Линус Торвальдс выдал базу про запрет нейросетей 🤌
В рассылке ядра попытались зарегулировать и запретить использование нейросетей разработчиками. Линус ворвался в тред и на пальцах объяснил, почему такие запреты — абсолютный идиотизм, а умные специалисты никогда не шарахаются от новых инструментов.
Я уже как-то писал, как Линус запрягал LLM для хардкорного дебага ядра на 24 патча и 18 перезагрузок. Казалось бы: главный человек в мировом open source открыто показывает прагматичный подход — берешь инструмент и фигачешь при помощи него черновую работу.
Но пуристы не дремлют. В мейл-листе LKML очередные борцы за «чистоту разработки» попытались протолкнуть ограничения на использование AI-инструментов. Один из ключевых мейнтейнеров аргументировал это типичным: мол, «мы просто задаём ожидания сообщества, чего мы хотим, а чего нет».
В переписку ворвался Линус и предложил докрутить эту логику до её естественного финала:
Дело вообще не в ожиданиях, дело исключительно в твоих личных тараканах в голове. Я вообще не понимаю эту идиотскую концепцию "не используй ИИ для задачи X".
«Вот тебе новое правило специально для тебя: не используй компиляторы для отправки патчей в ядро.
Потому что если ты не можешь показать реальное понимание того, что делает машина, написав код на чистом ассемблере — я не хочу видеть твой код. Ты явно некомпетентен, если не способен писать так.
И, кстати, не смей использовать текстовый редактор для написания commit message. Я требую доказательств, что ты можешь написать нормальный текст без инструментов, которые позволяют нажать Backspace и скрыть опечатки.
Вы вообще понимаете, насколько БЕСКОНЕЧНО ТУПЫМИ были бы такие правила?»
Мои ожидания заключаются в том, что люди выкладываются на максимум и понимают, что они делают. Но это понимание имеет очень мало общего с тем, какими инструментами они пользуются.
И, честно говоря, по моему опыту, люди, которых я уважаю и считаю умными — это не те, кто шарахается от новых интересных инструментов.
Подписываюсь под каждым словом 🤝 | 724 |
| 15 | Когда менеджмент не умеет считать KPI, он покупает ИИ, чтобы фотокать сотрудников 📸
В США уволили удаленщицу с отличным стажем за отказ использовать Sentinel AI — софт, который делает 160 снимков её лица через вебку каждые три минуты. Это не технологическая инновация, а симптом терминальной стадии некомпетентности руководства.
Гленнис работала на удаленке с 2018 года, получала отличные ревью. Но в августе компания внедрила Sentinel AI. Софт делает снимок лица каждые 3 минуты (около 160 раз в день). У сотрудницы волчанка, стресс вызывает обострения, врач просит снизить частоту съемки.
Реакция бизнеса? Ультиматум: соглашайся на цифровой концлагерь, езжай в офис или увольняйся. Гленнис уволили. Теперь компанию ждет суд за нарушение законов о дискриминации.
Речь тут, конечно, не про AI и софт. Проблема в менеджменте и в неумении измерять интеллектуальный труд.
В IT мы производим смыслы и решения. Закрытые тикеты, стабильный код, спроектированная архитектура, выполненные бизнес-метрики. Если вашему руководителю или HR-департаменту нужно 160 раз в день убедиться, что ваша биологическая оболочка физически находится перед монитором, значит, что вам не доверяют, либо в компании нет нормальной системы оценки перформанса (либо оба фактора вместе). И это начинают компенсировать это тотальным контролем присутствия. Сейчас, к сожалению, этот архаичный микроменеджмент упаковывают в модную обертку "AI-мониторинга".
В Штатах уже начали шевелиться: Нью-Йорк, Калифорния и другие штаты пытаются законодательно запретить этот цифровой паноптикум, а Нью-Джерси требует независимого аудита для ИИ-слежки. Но пока законы не приняты везде, корпоративные вахтёры будут продолжать покупать подписки на "нейросетевые плетки".
Если на собеседовании вам намекают на "системы трекинга активности" или просят поставить софт для скриншотов и вебки — это огромный красный флаг 🚩. Бегите оттуда.
Пишите, у кого на работе подобные трекеры активности есть, и как вы с этим живете 👇 | 783 |
| 16 | 2 000 000 токенов у модели против 1 800 у тебя в голове 🧠📉
Пока контекстные окна нейросетей улетают в космос, человеческая способность удерживать фокус стремительно деградирует. Но главная засада даже не в сухих цифрах разрыва, а в «петле делегирования»: мы начали скармливать сеткам микрозадачи на 30 секунд мышления, запуская самоподдерживающуюся атрофию мозгов.
Недавно вышло интересное исследование: «The Cognitive Divergence: AI Context Windows, Human Attention Decline, and the Delegation Feedback Loop». Автор свел на одном графике эволюцию размера контекста LLM и когнитивные метрики человека за последние 20 лет.
Когнитивная дивергенция в цифрах
🔵 В 2017 году оригинальный трансформер оперировал скромным окном в 512 токенов. К 2026 году контекст раскатали до 2 000 000 токенов (удвоение каждые 14 месяцев — это значительно быстрее закона Мура).
🔵 Человеческий эффективный контекст авторы рассчитали через скорость чтения и среднюю длительность непрерывного удержания внимания на задаче. В 2004 году емкость человека составляла около 16 000 токенов (примерно 25 минут сессионной работы с документом). В 2026 году — это жалкие ~1 800 токенов (около 5 минут кумулятивного чтения до полного расфокуса).
Точка кроссовера произошла в конце 2022 года на релизе ChatGPT. Сейчас «сырой» разрыв между архитектурной памятью машины и рабочей памятью человека составляет почти 1000 раз.
Причем исследование Глории Марк по офисным сотрудникам показывает занятную деталь: среднее время непрерывного удержания взгляда на одном экране сейчас стабилизировалось на отметке в 47 секунд. И 49% переключений внимания — не внешние пуши или звонки коллег, а собственная внутренняя чесотка перескочить на другую вкладку.
Что там с деградацией контекста?
Сравнивать максимальный контекст модели с реальным поведенческим фокусом человека — методологически спорная история, автор статьи это честно признает.
Никуда не делась проблема «lost in the middle». Реальное качество извлечения данных у современных флагманов держится на уровне 100 000–200 000 токенов.
Но даже если сделать поправку на этот «контекстный тухляк», модель удерживает в оперативной памяти в 50–100 раз больше связного контекста, чем средний специалист.
Куда опаснее другой концепт из статьи 👇
Петля делегирования ➿
Классическая сцена из современного офиса: человек открывает чат с моделью и вбивает промпт: «Напиши вежливый отказ от созвона в два предложения».
Это задача, требующая ровно тридцать секунд элементарного когнитивного усилия. Однако порог делегирования пробил дно, и люди отдают на аутсорс даже то, на что не требуется никаких специфических навыков.
Дальше захлопывается капкан:
1️⃣ Модель становится доступнее, быстрее и дешевле -> порог делегирования падает до задач околонулевой сложности.
2️⃣ Задачи уходят на аутсорс -> исчезает так называемая уместная когнитивная нагрузка, необходимая для синтеза понятийных структур в голове.
3️⃣ Биология работает по принципу use it or lose it: дорсолатеральная префронтальная кора без нагрузки снижает активность, рабочая память усыхает, накапливается «когнитивный долг» (что уже подтверждают свежие эксперименты на пишущих студентах).
4️⃣ Собственная емкость мышления падает -> порог делегирования падает еще ниже, и человеку становится лень думать над задачей уже из одного абзаца.
Петля замкнулась. Нейросети не отупляют сами по себе. Калькулятор не уничтожил математику, а компиляторы не убили понимание архитектуры процессоров у тех, кому это действительно нужно.
Но если вы используете LLM не для снятия рутины и работы с массивами информации, недоступными человеческому объему внимания, а как протез для ленивого мозга, чтобы не формулировать собственные мысли, — вы добровольно встаете на рельсы деквалификации.
Инструмент должен быть экзоскелетом, усиливающим мышцы, а не инвалидной коляской при здоровых ногах. 🧠
Делитесь самой идиотски-примитивной задачей, которую вы отдавали нейронке из-за собственной лени👇 | 667 |
| 17 | «Инфосистемы Джет» и Smart Ranking опросили 52 крупные российские компании и выяснили интересную штуку
59% крупных компаний в России внедряют полуавтономных ИИ-агентов. До прода доживают только 15% проектов. До полной автономности доходят единицы: автономные решения и мультиагенты работают в проде только у 8% компаний.
Среди ожидаемых барьеров внедрения — стоимость железа и юридические риски (58% и 56% соответственно). Есть и ещё один, который подтверждает прогнозы Gartner: 44% компаний отказываются от проектов из-за неготовности данных и процессов.
Важный момент для всех, кто пилит AI-продукты: без систематизированных данных ИИ автоматизирует вам лишь 5% процессов и не даст ожидаемого экономического эффекта.
Короче, решает не модель, а data-фундамент и оцифрованные процессы. В отчёте есть детальные графики по барьерам и стадиям внедрения — очень отрезвляющее чтиво. | 811 |
| 18 | Почему 99% людей уверены, что нейросети — это пузырь, пока у оставшегося 1% шевелятся волосы на голове?
Андрей Карпаты выкатил интересный пост о том, почему в индустрии сейчас царит тотальное непонимание возможностей AI.
Оценка возможностей нейросетей зависит исключительно от того, на каком уровне "пищевой цепи" доступа и задач вы находитесь. Пока 99% людей уверены, что LLM — это забавный туповатый Т9 для пересказа статей, доли процента технарей наблюдают график способностей, уходящий строго вертикально.
Карпаты разложил человечество по воронке из 4 уровней:
1️⃣ ~6 млрд человек (~75%): вообще не трогали современные LLM руками или с трудом представляют, что это такое.
2️⃣ 1–2 млрд человек (~20%): казуальные пользователи бесплатных версий (условный фри-тир ChatGPT). Они видят неуклюжего чат-бота, просят переписать письмо начальнику, используют его как чуть более умный Google и ржут с вирусных рилсов, где голосовой ассистент тупит на вопросе «мне ехать на автомойку или идти пешком?». У большинства руководителей и гуманитариев понимание AI застряло ровно здесь: прикольно, хайпово, но в реальности пользы с гулькин нос.
3️⃣ ~20 млн человек (~0.2%): инженеры, исследователи и математики, плотно использующие топовые платные модели и агентные тулы.
Тут люди видят совершенно другую реальность: задачи, на которые раньше уходили недели и месяцы ручного набивания кода посимвольно в IDE, автономные агенты закрывают по одному промпту. Декомпиляция бинарников, клонирование приложений, переписывание целых кодовых баз.
4️⃣ ~5 000 человек (~0.00006%): инсайдеры и ресерчеры ведущих лабораторий (OpenAI, Anthropic и ко). Там уже работают свормы из тысяч автономных агентов, неделями решающие сложнейшие задачи: генерация zero-day уязвимостей на машинных скоростях, автономная атака и защита систем, доказательство фронтирной математики. Человеческий мозг уже не успевает верифицировать и осмыслять эти объемы.
Почему возникла эта пропасть?
Тут работают фундаментальные инженерные и экономические факторы:
🔵 Масштаб задачи. Если вы скармливаете модели вопрос на один абзац («напиши поздравление коллеге»), вы вообще не нагружаете систему. Мощь современных моделей проявляется только на длинных дистанциях и сложных, многоступенчатых задачах, где требуется контекст и логическое планирование.
🔵 Принцип проверяемости. Современный качественный скачок LLM держится на RL (обучении с подкреплением). А RL идеально работает там, где результат можно верифицировать алгоритмически: в коде и математике. Либо тесты прошли, либо нет. Либо скрипт упал с ошибкой, либо выдал верный результат. В тексте, маркетинге, философии или бытовом трепе у вас нет объективной функции награды — поэтому там модели развиваются куда медленнее и плодят галлюцинации.
🔵 Разница доступа. Опыт использования бесплатной огрызочной модели годичной давности и платного передового агента в терминале — это две разные цивилизации.
Парадокс момента в том, что все эти уровни существуют одновременно.
В одной реальности обыватель авторитетно заявляет в комментариях, что «нейронки — это просто Т9 на стероидах», потому что ChatGPT не понял глупый мем. В параллельной реальности за соседней стеной сидит инженер и наблюдает, как кластер за один прогон перепахивает кодовую базу, на которую у команды ушел бы квартал работы.
К какой группе честно относите себя?👇 | 753 |
| 19 | Бигтех репетирует «День после катастрофы». Спойлер: спасать будут не вас 🪖
Топы OpenAI и Anthropic на закрытых учениях проигрывают сценарии масштабного ИИ-коллапса: от падения банковской системы до блэкаутов. Инсайдеры ждут крупный инцидент уже в ближайшие 6–12 месяцев. Но готовятся гиганты не к защите инфраструктуры, а к спасению собственных задниц от разъяренных политиков.
Axios выкатил занятный слив: Сэм Альтман, Дарио Амодей и ко сейчас плотно заняты штабными варгеймами.
Сценарий приземленный: нейросети кладут финансовый сектор, интернет или объекты жизнеобеспечения. Прецеденты уже стучатся в дверь: недавно хакер через связку моделей вроде DeepSeek взломал базы южнокорейских банков, а потом цинично пошел в Claude Code спрашивать, где эти краденые данные выгоднее слить/
Почему это происходит?
1️⃣ Инцидент неизбежен
Джинн давно вылетел из бутылки. Опенвейт-модели скачиваются за пару минут, цензура и гарды с них сдираются на коленке, а софт двойного назначения теперь доступен любому мамкиному хакеру. Ждать, что в таких условиях ничего не грохнет — клинический оптимизм.
2️⃣ Власти абсолютно не отдупляют реальность
В регуляторных органах сидят прекрасные возрастные люди, для которых перезагрузка роутера — уже квантовая физика. В случае реального факапа они начнут метаться с гранатой и рожать «гениальные» инициативы: законодательно запретить сверхразум или обязать всех встроить в ИИ аппаратную кнопку выключения.
Ага, удачи нажать рубильник на скачанных весах, запущенных в распределенной сети где-нибудь в гараже 🤡
3️⃣ Классический regulatory capture под соусом заботы о человечестве
Главная цель этих учений — не написать спасительный патч. Главная цель — заранее подготовить законодательную базу под будущую панику.
Сейчас протолкнуть жесткое регулирование тяжело. Но в момент кризиса, когда у обывателей лягут платежи и банкоматы, напуганные чиновники подпишут любую бумажку, которую им положат на стол.
И угадайте, что будет написано в драфтах от OpenAI и Anthropic?
Правильно: драконовское лицензирование, фактический запрет независимого опенсорса под предлогом нацбезопасности и выдача индустриальных ярлыков на княжение трем-четырем закрытым корпорациям. Потому что «только у нас есть ресурсы делать это безопасно».
Красивая схема. Пока дилетанты спорят, заменит ли их ChatGPT, взрослые дяди готовятся зацементировать монополию на рынке на десятилетия вперед, умело продавая страх.
Бизнес решает бизнес-задачи. Ничего нового, расходимся 🍿 | 917 |
| 20 | Три дата-центра «Яндекса» вышли из строя за четыре дня. И это история не только про сбои в сервисах.
Часть инфраструктуры остановилась, а проблемы затронули не только сервисы «Яндекса», но и компании, которые используют его облачные мощности.
Почему это важно для всей IT-индустрии?
Потому что за привычными приложениями, сайтами и цифровыми продуктами стоят серверы, облачные платформы, сети и сложная инфраструктура. И если одно звено перестаёт работать, последствия могут выйти далеко за пределы одной компании.
Для бизнеса это ещё одно напоминание: надёжность инфраструктуры, резервирование и архитектура продукта — не просто технические детали, а факторы, от которых зависит работа всего сервиса.
ИT меняется быстрее, чем успевают обновляться привычные рабочие процессы. Новые инструменты, продуктовые решения, инфраструктура и технологии — за всем этим приходится следить, чтобы не выпадать из контекста индустрии.
Собрали каналы о Digital и IT: от разработки и аналитики до продуктового менеджмента и цифровых решений.
📂 Сохранить папку себе | 771 |
