Владилен: IT в эпоху AI

Кажется, началось. Я постоянно возвращаюсь к AI 2027, который вышел в апреле 2025 года. Одна из ключевых идей этого сценария: компании создают ИИ, который ускоряет исследования в области самого ИИ. Более мощные модели помогают быстрее создавать следующие модели, и каждый такой цикл усиливает следующий. И вот вчера OpenAI опубликовала новые математические результаты, полученные её внутренней моделью. Кратко, что говорят: — 722 математические рукописи, объединённые в 372 группы связанных результатов — В ходе исследования модели предложили около 4000 задач — Средние вычислительные затраты на результат равен примерно трем часам размышления ChatGPT Pro — Для части доказательств опубликованы формализации на Lean, позволяющие проверить их компьютером — Также выложили 10 сокращённых разборов рассуждений модели. Сама модель пока недоступна публично. Работы находятся на разных стадиях проверки. OpenAI прямо пишет, что в результатах без формализации могут быть ошибки. Это тоже нужно учитывать. Так вот, у меня ощущение, что мы начинаем видеть зарождение того самого ускорения. Если ИИ будет всё эффективнее помогать с научными исследованиями, включая развитие самих моделей, скорость прогресса может очень сильно вырасти. Возможно, по экспоненте. Меня это, если честно, очень воодушевляет. Мы же с вами в прямом эфире можем следить за происходящим, разбираться и адаптироваться. Как по мне это кайф, хоть немного и неуправляемый. Я в детстве смотрел фильмы про будущее, и было немного обломно, что живу в мире, где всего этого ещё нет. А сейчас вижу, как это будущее наступает прямо при моей жизни. Хочется застать серьезный прогресс в медицине. Увидеть, как мы научимся грамотнее использовать ресурсы планеты, продвинемся в освоении космоса и начнём масштабироваться за пределами Земли. Надеюсь, что технические возможности помогут нам и лучше организовать жизнь здесь. Конечно, все это снова ставит вопрос о роли человека. Чем мы будем заниматься? Какие решения принимать? Чему учиться, если ИИ с каждым шагом способен решать всё более сложные задачи? Здесь для меня особенно важна разница между полученным результатом и его применением. Математическое доказательство нужно проверить и понять. А чтобы научное открытие стало технологией, лекарством или работающим продуктом, предстоит ещё много работы. Думаю, именно с этим нам и придётся разбираться: как проверять результаты ИИ, интегрировать их в реальные процессы и понимать, что вообще имеет смысл делать. Я верю, что человек найдёт себе место в этом мире. Задачи будут меняться, а мы будем учиться решать их с новыми возможностями. Я лично очень рад, что могу это наблюдать и участвовать в этом. Их репа для изучения: https://github.com/openai/math

Рынок не ждёт, пока ты переучишься Технологии быстро меняют требования к работе, пока многие люди только пытаются разобраться, что вообще произошло. И я понимаю, почему. Когда ты 5–10 лет прокачивал одну компетенцию, тяжело принять, что теперь нужно осваивать новые навыки. Ты уже столько вложил в свой профессиональный путь. Только рынок не ждёт, когда мы будем готовы. Компании перестраиваются и ищут людей под новые задачи. Это хорошо видно в разработке, люди осваивают агентские инструменты, меняют подход к работе. И у руководителей хватает поводов пересмотреть свои привычки. За почти шесть лет предпринимательства я сам пересмотрел многое. Например, долго жил с мыслью, что сейчас я всех затащу, вложусь в людей, а потом это вернётся. Идея хорошая, но работает не всегда. Люди могут уйти, а ты остаёшься с потраченными силами и нерешёнными задачами. Поэтому сейчас рабочие отношения для меня в первую очередь про договорённости, ответственность и результат. Ещё одна вещь, которую считаю очень полезной для руководителя — умение автоматизировать свою операционку. Для этого нужны насмотренность и эксперименты. Посмотреть, какие инструменты существуют, примерить их к своей рутине, попробовать что-то внедрить. Иногда достаточно просто грамотно использовать нейронку, а где-то имеет смысл собрать небольшой сервис под свою задачу. Рекомендую на эту тему бесплатный марафон от Стратоплана «ИТ-зима. Набор для выживания» для тимлидов и руководителей. Из программы мне особенно близки темы: — как показать бизнесу ценность своей команды в цифрах; — как выстроить команду, которая может работать без постоянного вмешательства руководителя; — как использовать AI, чтобы разгрузить операционку. Будут и другие темы: работа со своим руководителем, принятие решений в неопределённости, обоснование идей через деньги. 12–23 октября, по будням. В программе 6 лонгридов и 4 прямых эфира. Записи останутся, поэтому можно изучать в своём темпе. Сам занимаюсь образованием и поддерживаю такие инициативы. Особенно когда есть конкретные инструменты, которые можно забрать в работу. Посмотреть программу и зарегистрироваться

Блокировки ИИ сервисов будут хуже Помню у меня все началось с блокировки Google аккаунта, деньги тогда так и не вернул. Потом был Claude. Правда, мне удалось сделать новый и пока живет. Среди знакомых таких историй вообще огромное количество. У одного забанили Claude. Человек пошёл, оплатил GPT – забанили и его. У знакомых предпринимателей отрубают Claude с подпиской за $200, а у них на нём завязаны рабочие процессы и подготовка релизов. Cursor, GPT – мы все видим эту динамику. Больше всего бесит то, что ты собираешь контекст, настраиваешь агентов, подключаешь API, выстраиваешь под себя процессы. Вкладываешь в это кучу интеллектуальных ресурсов. Начинаешь нормально работать. И раз – блокировка аккаунта. Теперь нужно искать другой сервис, разбираться с оплатой, перенастраивать инструменты. А при смене модели ещё и проверять, как с ней работают агенты и процессы. У каждой свои особенности. Рабочее время уходит на логистическую суету вокруг инструмента, который должен был это время экономить. При этом я лично отказаться от сильных моделей уже не готов. И вам не советую. Приведу простой пример: Ещё весной когда вайбкодил (дипкодил) b2b проекты мне приходилось постоянно разбирать ошибки ИИ, вручную править код, отлаживать то, что нагенерировала нейронка. Сейчас ручной работы СУЩЕСТВЕННО меньше. Модели почти без ошибок справляются с реализацией, архитектурой и с техническими решениями. Скорость разработки теперь реально выросла. Для меня доступ к топовым моделям это уже базовый минимум. Однако, есть риски. Ибо чем больше работы на них завязано, тем серьёзнее последствия при потере доступа к ней и блокировки аккаунта. Когда всё на одном аккаунте, его блокировка становится проблемой всей работы. Понимая проблематику, мы с марта в клубе строим свою инфраструктуру доступа к моделям – Simple Claw. Идея простая: получаешь API-ключ, подключаешь его к своим инструментам, выбираешь модель и платишь в рублях за использованные токены. Без возни с иностранными картами и рисками блокировки. Основной упор сделали на GPT. При этом есть и Claude и топ-Китай. Наша задача – сделать этот доступ устойчивым и взять на себя технические головняки, с которыми сейчас каждому приходится разбираться отдельно. Особенно в нашем не стабильном регионе. С учетом текущей ситуации мы решили сделать сервис из закрытого публичным. А потому скоро покажу подробнее, что мы собрали и как это работает. У кого уже были блокировки нейронок? Напишите, какой сервис и как в итоге выкручивались.

В связи с новой волной банов клода поделюсь своим флоу У меня две подписки: — 100$ gpt — 100$ Claude Этой связки более чем хватает на управление проектами и разработкой 3-4 реп параллельно. Прекрасно понимаю, что полностью зависеть в текущих условиях от одной ИИ опасно и нужно разделять риски, как в инвест портфеле. Дальше. Данные от гпт и клода каждую неделю проходят общий синк и сохраняю наработки в изолированном хранилище. Всегда в любую ии стараюсь заходить с одного адреса и квн. Не добавляю подписки основные в сомнительные агенты, сервисы или апи. Для этого использую сторонние тарифы, роутеры и сервисы. Пока ничего не забанили, но все может быть. Будьте внимательны

Google подал признаки жизни с Gemini 4 Argon Скучали по новым моделям?) Обещают невероятно топовые бенчмарки, чуть ли не выше Astra, Fable & Opus 5.5 Из основных преимуществ по этим цифрам наименьший процент галюцинаций всего 15% против 45% у Astra и 59% у Opus 5.5. У Google есть большой плюс в виде огромного датасета (данных) на которых они могут обучать модели. Но имхо, я не люблю их экосистему, кроме, пожалуй Veo. После того, как они мне забанили аккаунт и сперли 20$ то я больше не хочу с ними работать. Текущие Codex & Claude полностью закрывают рабочие задачи и переходить с них не буду. На крайняк с кайфом к китайцам пойду, там тоже все хорошо. Пока моделька отсутствует в открытом доступе, но скоро завезут. https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/

🧠 Начните здесь изучение ИИ Я собрал бесплатный раздел со своими материалами по ИИ и выстроил их в понятной последовательности – от первых шагов до создания собственных AI-систем и продуктов. Внутри есть 3 маршрута: – Начать работать с AI и собрать своего первого агента – Разобраться в AI Engineering и агентских системах – Превратить идею в работающий AI-продукт К каждому материалу я добавил не только видео, но и: – текстовую версию – полезные ссылки и инструменты – шаблоны и дополнительные материалы – практические задания Получается одна точка входа, где можно последовательно прокачиваться в ИИ, а не собирать знания по случайным роликам и постам. Раздел буду постоянно обновлять по мере выхода новых материалов. Welcome & Enjoy 🚀

Прилетел фидбек по уроку — очень приятно и ценно 🤜 С материалом урока ознакомился! Спасибо за ваши усилия! Очень интересная информация! Что касается меня то я взглянул на то что делаю под другим углом, через node js))) Да и говорить об этом можно вечно! Меня это также захватывает и вдохновляет как и Вас! Один из моих проектов это попытка создать Dark Factory! Конечно же со всеми слоями! И Ваши труды очень полезны для многих людей которые волбще только вникли в эту суть! А Вы показываете на низком уровне им, то о чем многие говорят слишком абстрактно! Даже не знаю что и лучше! Когда-то я спорл со своим гуру о том что читать электросхемы по транзисторам и конденсаторам не совсем круто, когда схема состоит из миллионов деталей, поэтому и придумали интегрированные мкросхемы... в общем сейчас вижу аналогию с этим! Но всегда интересовался основой, низким уровнем, и хотел знать не только как сделать , а и почему именно так это работает! И за это Вам спасибо!🙏 Урок для тех, кто хочет разобраться бесплатно доступен тут: https://t.me/vladm/1618

Посмотрел доклад с deep tech night от Ивана Сапожкова, руководителя группы базовой ML-инфраструктуры Яндекса, про инфраструктуру RL-обучения. Так вот, мы сейчас все обсуждаем агентов на уровне моделей, промптов, инструментов, памяти и харнесов. В общем, на уровне того, что видит разработчик и пользователь. А под этим уже приходится переделывать и сам процесс обучения моделей. Когда модель обучают на агентных задачах через RL, вокруг неё приходится строить целую распределенную систему. Одна часть в режиме инференса генерирует траектории для обучения — модель взаимодействует со внешними средами, выполняет код, ищет информацию, вызывает инструменты. Полученные данные затем через очереди и буферы попадают в обучающую часть, где уже обновляются веса модели. И всё это надо синхронизировать так, чтобы одни процессы не стояли и не ждали другие. На бумаге красота. Генерация ровно успевает поставлять данные, обучение успевает их переваривать.. Только живёт такой идеальный баланс недолго. Траектории сильно отличаются по длине: одна задача заканчивается быстро, другая уходит в длинное рассуждение, делает несколько вызовов инструментов или долго взаимодействует со средой. В итоге где-то простаивают вычислительные мощности, где-то копятся данные, а несколько длинных генераций могут задерживать весь следующий шаг обучения. Поэтому в Яндексе пришли к гибридной схеме: генерацию и обучение балансируют по времени, а незаконченные траектории сохраняют и продолжают на следующем шаге. Система подстраивается под реальную нагрузку и не пытается один раз идеально поделить железо. Я всё к тому, что агентный бум уже перестраивает нижние этажи ML-стека. Пользователь видит чат с агентом. Мы с вами видим инструменты и харнесы. А ещё ниже команды пересобирают RL-инфраструктуру, потому что обучение моделей на таких задачах создаёт совсем другой профиль нагрузки — длинные и непредсказуемые генерации, внешние среды, tool calls и дорогой инференс прямо внутри training loop. Мы сейчас, конечно, увлеченно крафтим свои харнесы. Но дальше гонка пойдёт ещё и за инфраструктуру, которая умеет эффективно обучать такие системы и не сжигать вычисления на ожидании. Короче, снаружи агентная революция выглядит как удобный интерфейс. В машинном отделении у неё – инференс, очереди, буферы, длинные хвосты и очень дорогие GPU. За этим слоем я теперь тоже буду внимательно следить.

Математик МГУ: «Нейросети уже умнее меня» Полтора года назад Саша Вотяков скинул мне доклад AI 2027. Я его прочитал, и после этого развернул всю карьеру в сторону ИИ. И это было правильным, сами видите, что происходит и произошло за последние полтора года с нишей. Александр окончил мехмат МГУ, был призёром Всероса по математике и много лет готовил олимпиадников. И он спокойно признаёт: нейросети решают олимпиадные задачи лучше, чем он сам. Что обсудили: – правда ли агенты OpenAI решили задачу тысячелетия и что математики на самом деле называют словом «решила» – как нейросети учились играть в футбол и научились набивать очки вместо голов, и почему эта история на самом деле пугает – почему нейронка почти всегда говорит, что ты прав, и какие вопросы ей лучше вообще не задавать – его прогноз для тех, кто сейчас просто перекидывает задачи начальника в ChatGPT/Claude – как прокачивать мышление и алгоритм принятия решений «Если ты уже сейчас заменяешь себя нейронками, то не переживай, тебя потом бигтехи заменят нейронками» ▶️ Смотреть на Youtube Канал Саши: https://t.me/votyakov_ar_life Упоминаем в выпуске: – AI 2027, сценарий развития ИИ: https://ai-2027.com – Tim Urban, The AI Revolution (Wait But Why, 2015): https://waitbutwhy.com/2015/01/artificial-intelligence-revolution-1.html – Михай Чиксентмихайи, «Поток. Психология оптимального переживания»

Подкаст уже на финальном рендере Один из любимейших и полезных разговоров за все время ведения подкастов у меня. С Александром Вам точно понравится!