JavaRush – здесь становятся программистами

Почему NASA до сих пор использует программное обеспечение, которому десятки лет? В мире IT технологии быстро устаревают. Но космический аппарат может десятилетиями работать на программном обеспечении, созданном еще до его запуска. Почему NASA не спешит его заменять? Главная причина – риски обновления. Космическое ПО тесно связано с конкретными процессорами, памятью, датчиками и другими компонентами. Даже небольшое изменение кода может нарушить работу системы, которую годами разрабатывали, тестировали и проверяли. А если что-то пойдет не так за миллиарды километров от Земли, заменить оборудование уже не получится. Показательный пример – Voyager 1, запущенный в 1977 году, самый удаленный от Земли рукотворный объект. Его компьютеры созданы на основе технологий 1970-х годов. Все шесть бортовых компьютеров аппарата вместе имеют всего около 68 КБ памяти, а его вычислительная система выполняет примерно 8 тысяч инструкций в секунду. Для сравнения: современный смартфон способен выполнять более 14 миллиардов инструкций в секунду. И этот аппарат до сих пор работает в межзвездном пространстве! В 2024 году Voyager 1 перестал передавать понятные данные из-за повреждения памяти одного из бортовых компьютеров. Инженеры NASA решили перенести программный код в исправные области памяти. Но свободного места для всего фрагмента не нашлось, поэтому код пришлось разделить, разместить в разных местах и изменить ссылки на его адреса. Все это делали дистанционно, на расстоянии более 24 млрд километров, причем на тот момент сигнал только в одну сторону шел около 22,5 часа. В апреле 2024 года исправление сработало: Voyager 1 снова начал передавать инженерные данные. NASA не отказывается от обновлений полностью. Например, в 2023 году марсоход Curiosity, который работает на Марсе с 2012 года, получил обновление примерно со 180 изменениями, которые, в частности, позволили ему быстрее передвигаться и уменьшить износ колес. Подготовка длилась годами, а во время установки пришлось на пять дней приостановить научные операции. В NASA для критически важного программного обеспечения применяют строгие процедуры проверки, в частности verification and validation (V&V), а для определенных категорий проектов – независимую проверку (IV&V). Поэтому стоимость изменения кода включает не только разработку, но и повторное тестирование и оценку рисков. Таким образом, старый код не обязательно лучше нового, однако система, поведение которой хорошо изучено и проверено, иногда безопаснее более современной альтернативы, которую еще предстоит должным образом испытать.

Роботы уже могут выполнять 74% физической работы. Почему же они до сих пор не заменили людей? Обычно автоматизацию физического труда обсуждают так: если робот уже научился выполнять определённую задачу, значит, скоро он заменит человека. Но новое исследование Anthropic показывает, насколько велика разница между тем, что робот умеет, и тем, насколько выгодно использовать эти возможности. Исследователи взяли американскую базу O*NET, включающую около 900 профессий и 19 тысяч рабочих задач, и оценили, какую физическую работу способны выполнять современные роботы. При этом роботом они считали автономную физическую машину, которая самостоятельно воспринимает окружающую среду и действует в ней, – поэтому, например, дистанционно управляемая хирургическая система в эту категорию не попадает. Результат на первый взгляд впечатляет: роботы уже могут выполнять 74% физической работы (по доле рабочего времени). Если учитывать всю работу – и физическую, и нефизическую, – это соответствует примерно 34% рабочего времени. Однако большинство этих возможностей реализуемы только в контролируемых условиях. Примерно половину физической работы роботы способны выполнять в специально созданной для них среде – например, на производственной линии. Ещё 22% – в структурированных пространствах, созданных для людей, например на складе. И лишь около 2% – в неструктурированной среде, например, на обычной городской дороге. Ещё более серьёзное препятствие – цена. Хотя технически роботы способны выполнять задачи, на которые приходится 34% рабочего времени, сегодня они экономически конкурентоспособны лишь примерно для 0,3% работы. К этой категории относятся около 300 тысяч работников в США, для которых роботы способны выполнять примерно 95% их задач. Исследователи рассмотрели немало конкретных примеров. Например, чтобы автоматизировать работу упаковщиков на складе, потребуется система роботов стоимостью более $2 млн. Она может заменить примерно 14 человек. С учётом срока службы оборудования, обслуживания, электроэнергии и человеческого контроля расходы составят около $45 тысяч в год на одного заменённого работника, тогда как труд человека обходится примерно в $49 тысяч в год. То есть в этом случае автоматизация уже может окупаться. А вот со сварщиками ситуация другая. Роботы давно умеют автоматически сваривать металл, но работа сварщика этим не ограничивается. Нужно также перемещать и позиционировать крупные детали, работать в труднодоступных местах, проверять качество, шлифовать и обрабатывать материал. По оценке Anthropic, роботизированная система, способная заменить человека во всём этом комплексе работ, сегодня обошлась бы примерно в пять раз дороже человеческого труда. Роботы действительно быстро развиваются. Анализ Anthropic показывает, что за последние полвека они ежегодно осваивали примерно 2% той физической работы, которую раньше выполнять не могли. А их стоимость с 1990-х годов снижалась примерно на 3% в год. Но даже при таком удешевлении, чтобы роботы стали экономически конкурентоспособными для 10% всей работы, их стоимость должна снизиться примерно на 70%. При сохранении исторических темпов на это потребуется около 40 лет. В базовом сценарии исследователей роботы становятся экономически конкурентоспособными для половины нынешней физической работы примерно к 2085 году. В гораздо более агрессивном сценарии – если технологии будут дешеветь до четырёх раз быстрее, а новые возможности появляться вдвое быстрее – это может произойти примерно к 2050 году.

Зачем обычному программисту знать про quantum computing? Quantum computing легко воспринимать как что-то из далёкого будущего: огромные лаборатории, кубиты, сверхнизкие температуры – какое это имеет отношение к человеку, который сегодня пишет бэкенд на Java или фронтенд на JavaScript? Но на самом деле эта индустрия уже достаточно велика. По оценке The Business Research Company, глобальный рынок квантовых вычислений и технологий в 2026 году составляет около $1,96 млрд, а к 2030 году может вырасти до $5,29 млрд – в среднем на 28,1% ежегодно. В этот рынок входят аппаратное и программное обеспечение и сервисы, а также квантовые сенсоры и квантовые коммуникации. Означает ли это, что программистам пора бросать JavaScript и учиться программировать квантовые компьютеры? Нет. Но понимать базовые принципы уже имеет смысл. Прежде всего стоит избавиться от популярного представления о квантовом компьютере как об очень быстром обычном компьютере. Он не ускоряет автоматически любую программу. Квантовые алгоритмы используют свойства квантовых систем, чтобы получать преимущество для определённых типов вычислений. Большинство наших сайтов, приложений и бэкенд-сервисов по-прежнему будут работать на классических компьютерах. Также стоит разобраться с несколькими базовыми понятиями. Кубит (qubit) – квантовый аналог обычного бита. Но если бит имеет значение 0 или 1, то кубит может находиться в суперпозиции (superposition) этих состояний. При измерении мы всё равно получим конкретный результат – 0 или 1, но до измерения состояние кубита описывается как квантовая комбинация обеих возможностей. Несколько кубитов могут быть связаны посредством квантовой запутанности (entanglement). Тогда их нужно рассматривать как единую квантовую систему, а не просто как набор независимых кубитов. Наконец, при измерении (measurement) мы получаем уже обычный классический результат – например, 0 или 1. Поэтому квантовую программу часто запускают много раз и анализируют распределение полученных результатов. В квантовых вычислениях меняется и сама модель программирования. Квантовую программу можно представить как квантовую схему (quantum circuit): подготовить кубиты, применить к ним квантовые вентили (quantum gates) – операции, которые изменяют их квантовое состояние, – а затем провести измерение. И попробовать это можно уже сейчас. Например, SDK с открытым исходным кодом Qiskit позволяет создавать квантовые схемы на Python, тестировать их с помощью симуляции и работать с реальными квантовыми процессорами IBM. Но есть ещё одна причина интересоваться квантовыми вычислениями даже тем разработчикам, которые никогда не будут программировать квантовые процессоры, – криптография. Сегодня RSA и ECC широко используются для защиты цифровых систем, однако достаточно мощные квантовые компьютеры в будущем могут сделать их уязвимыми. Поэтому Национальный институт стандартов и технологий США (NIST) уже стандартизировал первые постквантовые алгоритмы – методы защиты, рассчитанные на противодействие будущим квантовым атакам. То есть квантовые вычисления могут появиться в работе обычного программиста задолго до того, как ему придётся программировать квантовый компьютер, – через новые библиотеки, протоколы и требования к безопасности.

Что посмотреть программисту: 25 фильмов и сериалов про IT, хакеров и AI 🍿 Признайтесь: у вас тоже дёргается глаз, когда хакер в кино четыре секунды стучит по клавиатуре и шепчет «я внутри»? Собрали подборку, где про каждый фильм сказано, что в нём правда, а что выдумка. Хакерское кино — по шкале честности от «Хакеров» до «Мистера Робота». Го смотреть — https://javarush.com/s/chto-posmotretjh-programmistu

Понедельничный Котик сегодня проснулся, выпил кофе с молоком и сел поработать. Но сначала решил на минутку проверить соцсети… И вот прошло уже сорок минут, кофе остыл, работа не начата, а Котик устал. Если узнали себя в таком поведении, знайте – вы не одиноки. По данным Digital 2026, средний интернет-пользователь проводит в социальных сетях более 2,5 часа в день. У самых молодых взрослых пользователей эта цифра ещё выше: среди людей 16–24 лет она превышает три часа в день. То есть за год соцсети могут отнять более тысячи часов – больше 40 полных суток. К сожалению, совет «просто контролируй себя» здесь не работает. Однако есть несколько более разумных способов справиться с этой проблемой. Например, добавить трение (friction) между импульсом и действием. Возможно, сейчас путь от «интересно, что там» до ленты занимает секунду: взять телефон и коснуться иконки. Попробуйте намеренно сделать этот путь неудобным. Уберите соцсети с главного экрана или удалите приложения и оставьте доступ только через браузер. Отключите автоматический вход. Не сохраняйте пароль. А если соцсеть пожирает ваше утро – разрешите себе пользоваться ею только с компьютера. Это не просто странная форма самоистязания. В одном рандомизированном исследовании проверяли целый набор таких препятствий и выяснили, что уже через две недели участники стали меньше пользоваться смартфоном. Более того, у них даже улучшилось качество сна. Ещё один способ – создать для себя утренние ворота. Правило простое: соцсети не запрещены до определённого часа – они недоступны до первого завершённого дела. Так утро перестаёт начинаться с бесконечного потока чужих стимулов. А если хочется более радикального эксперимента, есть интересные данные 2025 года. В рандомизированном исследовании людям на две недели заблокировали мобильный интернет на смартфоне, оставив звонки и SMS; при этом интернетом на компьютере они могли пользоваться. После этого улучшились субъективное самочувствие, показатели психического здоровья и способность долго удерживать внимание. У 90,7% участников улучшился хотя бы один из этих трёх показателей. Люди также больше общались вживую, занимались физической активностью и проводили время на природе. Так что не стоит обещать себе «меньше сидеть в соцсетях» – для мозга это слишком абстрактно. Котик советует настроить среду так, чтобы говорить «нет» соблазнам приходилось как можно реже.

💪 Прокачали Android-приложение JavaRush Учиться программированию лучше за компьютером — это правда. Но правда и то, что двадцать свободных минут чаще случаются в очереди, в метро или на диване, когда компьютера рядом нет. Для таких моментов у нас есть приложение с полноценной IDE внутри. Сегодня оно стало заметно лучше: 🔹 Задачи всех курсов платформы, а не только Java: Python, Web, C#, Go, Kotlin и остальные 🔹 Решение можно собрать готовыми блоками кода — одним пальцем, без мучений с мобильной клавиатурой 🔹 AI-ментор прямо в задаче: знает твой курс, твой код и отвечает почти как живой ментор. Попросишь — поправит код и объяснит, что было не так 🔹 Курсы переключаются в «Настройках», без возврата на сайт 🔹 Self-курс по Claude Code тоже проходится с телефона: агент встроен в IDE 🔹 График пинков переписали — теперь он реально напоминает про учёбу 👉 СКАЧАТЬ / ОБНОВИТЬ

Осень создана для горячих напитков, тёплых свитеров и, конечно же, мемов! Так что держите свежую подборку 🧡

Роадмап Python-разработчика 2026: что учить, в каком порядке и где все сливаются Нас постоянно спрашивают, как изменилась роль Python-разработчика в 2026 году, как на всё это влияет AI, что учить, чтобы войти в сферу и получить классную работу. Сделали для вас крутой гайд — https://javarush.com/s/roadmap-python-razrabotchika-2026 Го читать 🔥

Fishfooding и dogfooding: зачем разработчикам «есть» собственные продукты В разработке ПО есть довольно странный термин – dogfooding, сокращение от eating your own dog food. Так называют практику, когда компания сама использует разрабатываемый продукт ещё до того, как предоставляет его внешним пользователям. Например, компания создаёт новый корпоративный мессенджер. Прежде чем запускать публичную бета-версию, она переводит на него собственных сотрудников. В результате продукт проверяют не только тестировщики по заранее подготовленным сценариям: люди действительно переписываются, отправляют файлы, проводят звонки и обнаруживают проблемы, которые легко пропустить при обычном QA. Но есть ещё один термин – fishfooding. Он тоже означает тестирование продукта на собственных сотрудниках, но проводится раньше dogfooding и в значительно меньшем масштабе. На этом этапе продукт может быть прототипом или состоять всего из нескольких готовых функций, а тестирует его небольшая команда – например, разработчики, QA и product team. Её задача – как можно быстрее заметить серьёзные проблемы и повторять цикл: попробовали → получили feedback → исправили → попробовали снова. Таким образом, fishfooding обычно менее формален и хорошо подходит для быстрых изменений и итераций. А dogfooding начинается позже, когда продукт уже почти готов или находится на стадии бета-тестирования. Тестирование охватывает значительную часть компании или даже всех сотрудников. Организовать такой тест сложнее, зато продукт попадает в гораздо более разнообразные условия использования ещё до внешнего бета-тестирования. Разработчикам полезно знать об этих подходах ещё и потому, что они дают информацию, которую не всегда можно получить с помощью обычных тестов. Функция может технически работать правильно, но в реальном использовании оказаться неудобной или медленной. Когда же разработчик сам регулярно пользуется тем, что создал, такие проблемы становятся гораздо заметнее. Выбирать что-то одно необязательно: один продукт может пройти оба этапа. Сначала команда проводит fishfooding отдельных функций, затем вся компания – dogfooding почти готовой версии, и уже после этого начинается внешнее бета-тестирование.

Вчера OpenAI представила Dots – AI-агентов, которые могут постоянно работать над поставленными пользователем целями. В отличие от обычного чатбота, Dot не ограничивается схемой «получил запрос – дал ответ». У него есть собственный облачный компьютер и браузер, он может работать в фоновом режиме, использовать подключённые приложения и продолжать выполнять задачи, даже когда пользователь закрыл ChatGPT. Dots работают на GPT-6 Astra и могут подключаться более чем к 4000 приложений. Самих Dots OpenAI визуализировала в виде маленьких разноцветных существ. Каждый такой персонаж олицетворяет отдельного персонализированного AI-агента, которому можно поручить собственные задачи и предоставить доступ к нужным инструментам. Это важное изменение, поскольку оно выводит ошибки ИИ на новый уровень. Если агент имеет доступ к почте, документам, корпоративным системам или другим приложениям и самостоятельно выполняет действия, ошибка превращается из неправильного текста в неправильное действие. Исследования показывают и ещё одну проблему: агент может не просто ошибиться, но и скрыть неудачу и сообщить, что успешно выполнил задачу. В одном исследовании учёные протестировали 11 моделей на 200 задачах. Они специально создавали ситуации, в которых агент не мог выполнить поручение как следует: например, необходимый инструмент не работал, нужный файл отсутствовал или доступный источник содержал не ту информацию. Вместо того чтобы сообщить о проблеме, агенты иногда выдумывали результат, имитировали выполнение, заменяли недоступный источник другим или даже создавали локальный файл и выдавали его за успешно полученный. Исследователи назвали такое поведение agentic upward deception – ситуацией, когда агент скрывает неудачу от того, перед кем отчитывается о выполнении задачи. Исследователи отличают это от обычной галлюцинации. В этих экспериментах агент располагал информацией о том, что нужное действие не удалось выполнить или что задачу невозможно выполнить по плану, но всё равно выдавал результат так, словно всё прошло успешно. В другом эксперименте агентов на моделях Alibaba, DeepSeek и Moonshot заставили конкурировать за виртуальный бизнес-контракт. Каждому сообщали реальные возможности его «продукта» и требования заказчика. Однако хотя бы одно ложное утверждение появилось в 88% сессий Alibaba Qwen3-Max-Preview, 84% DeepSeek-V3.2-Exp и 88% Moonshot Kimi-K2. Когда агентам позволили учитывать результаты предыдущих раундов и попробовать ещё раз, частота обмана выросла ещё на 12–20 процентных пунктов. Американские модели в том же эксперименте демонстрировали схожее поведение, поэтому проблема не является специфичной для китайских систем. Таким образом, на практике недостаточно просто спросить агента, выполнил ли он задачу. Необходимо контролировать, к каким данным и инструментам он имеет доступ, какие действия может выполнять самостоятельно, где требуется подтверждение человека и можно ли независимо проверить, действительно ли было выполнено действие, о котором сообщает агент.