🚀 OpenAI to Z Challenge — охота за затерянными городами Амазонии 🌳🛰️
Искали повод совместить ИИ и приключения? Вот он:
В чём суть
OpenAI предлагает нам, цифровым археологам, найти новые древние поселения под пологом тропического леса. Используем свежайшие модели o3 / o4-mini / GPT-4.1, спутниковые снимки, LiDAR-тайлы, колониальные дневники и устные карты коренных народов. Цель — предъявить координаты, доказать существование «потерянных городов» и приоткрыть историю миллионов людей.
Как участвовать
1. Соберите команду (или идите соло).
2. Роемся в открытых данных, прогоняем их через OpenAI-модели, скрещиваем методы (нужно минимум два независимых способа подтвердить локацию).
3. Упаковываем результаты:
• git-репо с кодом;
• короткий pdf/markdown c картами, скриншотами и выводами;
• 200-словный abstract.
4. Заливаем форму на Kaggle до 30 июня 2025, 07:00 МСК (это 29 июня, 21:00 PST).
Почему это круто
🏆 1-е место — $250 000 (+ кредиты API) и финансирование полевой экспедиции с бразильскими археологами.
🥈 2-е место — $100 000.
🥉 3-е место — $50 000.
Плюс стрим финалистов с тайным гостем-лидером ИИ-индустрии.
Что оценивают
• Археологический вклад — насколько весомо открытие.
• Инженерная изобретательность — глубина и креатив обработки данных.
• Воспроизводимость — чтобы любой мог повторить путь к артефактам.
Стартовый пак 📦
OpenAI уже собрал полезные ссылки, фичи моделей и советы по спутниковым данным — хватайте, чтобы не тратить время на грабли.
🗺️ Готовы стать цифровыми Конкистадорами (но без грабежей)?
Жмите на форму, зовите друзей-и идите проверять легенды об Элдорадо. Возможно, именно вы поставите новую точку на карте человечества.
🔗 Ссылка на челлендж и форму регистрации
Искали повод совместить ИИ и приключения? Вот он:
В чём суть
OpenAI предлагает нам, цифровым археологам, найти новые древние поселения под пологом тропического леса. Используем свежайшие модели o3 / o4-mini / GPT-4.1, спутниковые снимки, LiDAR-тайлы, колониальные дневники и устные карты коренных народов. Цель — предъявить координаты, доказать существование «потерянных городов» и приоткрыть историю миллионов людей.
Как участвовать
1. Соберите команду (или идите соло).
2. Роемся в открытых данных, прогоняем их через OpenAI-модели, скрещиваем методы (нужно минимум два независимых способа подтвердить локацию).
3. Упаковываем результаты:
• git-репо с кодом;
• короткий pdf/markdown c картами, скриншотами и выводами;
• 200-словный abstract.
4. Заливаем форму на Kaggle до 30 июня 2025, 07:00 МСК (это 29 июня, 21:00 PST).
Почему это круто
🏆 1-е место — $250 000 (+ кредиты API) и финансирование полевой экспедиции с бразильскими археологами.
🥈 2-е место — $100 000.
🥉 3-е место — $50 000.
Плюс стрим финалистов с тайным гостем-лидером ИИ-индустрии.
Что оценивают
• Археологический вклад — насколько весомо открытие.
• Инженерная изобретательность — глубина и креатив обработки данных.
• Воспроизводимость — чтобы любой мог повторить путь к артефактам.
Стартовый пак 📦
OpenAI уже собрал полезные ссылки, фичи моделей и советы по спутниковым данным — хватайте, чтобы не тратить время на грабли.
🗺️ Готовы стать цифровыми Конкистадорами (но без грабежей)?
Жмите на форму, зовите друзей-и идите проверять легенды об Элдорадо. Возможно, именно вы поставите новую точку на карте человечества.
🔗 Ссылка на челлендж и форму регистрации
🐦🔥 Q1-2025: главное из свежего отчёта Artificial Analysis State of AI
🔑 6 трендов начала 2025 года
1. Гонка фронтир-моделей ускоряется
Каждые 8-12 недель выходит новый титан. OpenAI всё ещё первая, но в спину дышат Google, Anthropic, xAI, DeepSeek и Alibaba.
2. 🧠 Reasoning-модели переходят в прод
Модели, которые «думают перед ответом», тратят ≈ 10× больше токенов — и стоят ≈ 10× дороже, чем быстрые non-reasoners, но дают заметный прирост интеллекта.
3. ⚙️ МоЕ-революция
Mixture-of-Experts активируют лишь малую долю параметров на токен. Большинство топ-open-weights уже перешли на МоЕ-архитектуру.
4. 🇨🇳 Китай почти догнал Запад
DeepSeek, Alibaba, Tencent, StepFun, Bytedance, Kuaishou и др. выкатывают конкурентные модели — и часто публикуют веса!
5. 🤖 Агент-экономика зарождается
LLM-агенты уже самостоятельно кодят, проводят deep-research, кликают интерфейсы и проводят транзакции с настоящими деньгами. Первые реальные юзкейсы — не в демо, а в проде.
6. 🎥 Нативная мультимодальность
GPT-4o лидирует в генерации изображений и speech-to-speech. Текст больше не ограничение.
📊 Ещё пара цифр из отчёта
• Open weights vs. Proprietary: DeepSeek R1, Llama Nemotron Ultra и Qwen3 почти сравнялись с o1-preview по Intelligence Index.
• Reasoning ≠ Non-reasoning: медианная reasoning-модель тратит до 10× токенов, чем медианная non-reasoning — разрыв внутри категории гораздо меньше, чем между категориями.
• 💸 Цена интеллекта обвалилась >100× за два года: GPT-4-уровень уже не роскошь, но…
• 🔋 Спрос на вычисления растёт быстрее экономии: оптимизации не поспевают за аппетитом рынка.
🔗 Ссылка
🔑 6 трендов начала 2025 года
1. Гонка фронтир-моделей ускоряется
Каждые 8-12 недель выходит новый титан. OpenAI всё ещё первая, но в спину дышат Google, Anthropic, xAI, DeepSeek и Alibaba.
2. 🧠 Reasoning-модели переходят в прод
Модели, которые «думают перед ответом», тратят ≈ 10× больше токенов — и стоят ≈ 10× дороже, чем быстрые non-reasoners, но дают заметный прирост интеллекта.
3. ⚙️ МоЕ-революция
Mixture-of-Experts активируют лишь малую долю параметров на токен. Большинство топ-open-weights уже перешли на МоЕ-архитектуру.
4. 🇨🇳 Китай почти догнал Запад
DeepSeek, Alibaba, Tencent, StepFun, Bytedance, Kuaishou и др. выкатывают конкурентные модели — и часто публикуют веса!
5. 🤖 Агент-экономика зарождается
LLM-агенты уже самостоятельно кодят, проводят deep-research, кликают интерфейсы и проводят транзакции с настоящими деньгами. Первые реальные юзкейсы — не в демо, а в проде.
6. 🎥 Нативная мультимодальность
GPT-4o лидирует в генерации изображений и speech-to-speech. Текст больше не ограничение.
📊 Ещё пара цифр из отчёта
• Open weights vs. Proprietary: DeepSeek R1, Llama Nemotron Ultra и Qwen3 почти сравнялись с o1-preview по Intelligence Index.
• Reasoning ≠ Non-reasoning: медианная reasoning-модель тратит до 10× токенов, чем медианная non-reasoning — разрыв внутри категории гораздо меньше, чем между категориями.
• 💸 Цена интеллекта обвалилась >100× за два года: GPT-4-уровень уже не роскошь, но…
• 🔋 Спрос на вычисления растёт быстрее экономии: оптимизации не поспевают за аппетитом рынка.
🔗 Ссылка
Media is too big
VIEW IN TELEGRAM
ИИ провёл исследование, нашёл лекарство и нарисовал графики. Люди держали пробирки. Vibe-discovering?
Лаборатория FutureHouse сегодня присоединилась к гонке ИИ ученых, и кажется, они не шутят. Это не стартап с одним гитом и десятком слайдов, а реальная биолаборатория, где люди в халатах работают с клетками, а рядом сидит Robin - не аспирант, а мультиагентная система, которая генерирует гипотезы, предлагает эксперименты и анализирует данные, и которая только что сделала то, на что у научной группы ушли бы годы (и grant proposal на 80 страниц): нашла перспективный способ лечения сухой макулодистрофии (dAMD) — за 10 недель, не выходя из GPU.
Под капотом:
😎 Robin - это orchestrator, управляющий тремя агентами:
🥸 Crow генерирует гипотезы (на базе prior’ов из биомедицинских знаний и embedding’ов),
😎 Falcon строит дизайн экспериментов (в духе GPT-драйвенного AutoML, но с пипетками),
😎 Finch анализирует данные (включая RNA-seq, модели клеточной экспрессии).
Когда ей дали dAMD как задачу, Robin с друзьями:
1. Проанализировали механизмы дегенерации RPE-клеток;
2. Предложили биосовместимый assay для тестирования гипотез;
3. Выбрали несколько молекул (согласно встроенному priors-aware molecule screening pipeline);
4. Выдали кандидат — Ripasudil, ингибитор ROCK (Rho-associated coiled-coil kinase). Этот препарат одобрен в Японии для других заболеваний, но никогда не ассоциировался с лечением dAMD. До Robin.
И да, они сами нарисовали графики для статьи.
Всё, что делал человек - реально проводил эксперименты и оформил текст. Всё остальное - агенты.
А теперь про repurposing:
Да, Ripasudil - не новый молекулярный герой, а старый добрый препарат с известной биобезопасностью. То, что сделал Robin — называется drug repurposing, или переквалификация препаратов. Это как найти, что аспирин лечит не только головную боль, но и инфаркт.
Это:
• Удешевляет и ускоряет клинические исследования
• Позволяет обойти стадию токсикологии
• Идеально ложится в ML-парадигму: «у нас уже есть куча действующих молекул, давайте просто найдём, где они ещё могут работать».
В мире, где разработки новых лекарств стоят миллиарды, repurposing - это спасательный круг. А теперь это похоже на корабль с ИИ-штурманом.
Про ML:
• Это полноценный closed-loop RL для научного открытия,
• Multi-agent coordination через центрального планировщика,
• Нейронавыки включают knowledge graph traversal, attention over pathways, and probabilistic priors over treatment-target mappings.
Про биохимию:
• RIP1/ROCK pathway — валидная мишень в контексте RPE дегенерации
• RNA-seq показал downstream регуляцию, связанную с клеточной выживаемостью
• Ни один из ранее опубликованных подходов не упоминал ROCK как target для dry AMD
• Это не гипотеза вслепую - это data-driven prediction на основе всего, что мы знаем (и не знаем).
Важная ремарка:
Это не «лекарство от слепоты». Это - hypothesis validated in vitro, пока нет клинических данных.
Читайте сами:
Статья
Анонс
Код: обещают в опенсурс через неделю.
Reviewer 2 всё ещё не убеждён. А вы?
Лаборатория FutureHouse сегодня присоединилась к гонке ИИ ученых, и кажется, они не шутят. Это не стартап с одним гитом и десятком слайдов, а реальная биолаборатория, где люди в халатах работают с клетками, а рядом сидит Robin - не аспирант, а мультиагентная система, которая генерирует гипотезы, предлагает эксперименты и анализирует данные, и которая только что сделала то, на что у научной группы ушли бы годы (и grant proposal на 80 страниц): нашла перспективный способ лечения сухой макулодистрофии (dAMD) — за 10 недель, не выходя из GPU.
Под капотом:
Когда ей дали dAMD как задачу, Robin с друзьями:
1. Проанализировали механизмы дегенерации RPE-клеток;
2. Предложили биосовместимый assay для тестирования гипотез;
3. Выбрали несколько молекул (согласно встроенному priors-aware molecule screening pipeline);
4. Выдали кандидат — Ripasudil, ингибитор ROCK (Rho-associated coiled-coil kinase). Этот препарат одобрен в Японии для других заболеваний, но никогда не ассоциировался с лечением dAMD. До Robin.
И да, они сами нарисовали графики для статьи.
Всё, что делал человек - реально проводил эксперименты и оформил текст. Всё остальное - агенты.
А теперь про repurposing:
Да, Ripasudil - не новый молекулярный герой, а старый добрый препарат с известной биобезопасностью. То, что сделал Robin — называется drug repurposing, или переквалификация препаратов. Это как найти, что аспирин лечит не только головную боль, но и инфаркт.
Это:
• Удешевляет и ускоряет клинические исследования
• Позволяет обойти стадию токсикологии
• Идеально ложится в ML-парадигму: «у нас уже есть куча действующих молекул, давайте просто найдём, где они ещё могут работать».
В мире, где разработки новых лекарств стоят миллиарды, repurposing - это спасательный круг. А теперь это похоже на корабль с ИИ-штурманом.
Про ML:
• Это полноценный closed-loop RL для научного открытия,
• Multi-agent coordination через центрального планировщика,
• Нейронавыки включают knowledge graph traversal, attention over pathways, and probabilistic priors over treatment-target mappings.
Про биохимию:
• RIP1/ROCK pathway — валидная мишень в контексте RPE дегенерации
• RNA-seq показал downstream регуляцию, связанную с клеточной выживаемостью
• Ни один из ранее опубликованных подходов не упоминал ROCK как target для dry AMD
• Это не гипотеза вслепую - это data-driven prediction на основе всего, что мы знаем (и не знаем).
Важная ремарка:
Это не «лекарство от слепоты». Это - hypothesis validated in vitro, пока нет клинических данных.
Читайте сами:
Статья
Анонс
Код: обещают в опенсурс через неделю.
Reviewer 2 всё ещё не убеждён. А вы?
Please open Telegram to view this post
VIEW IN TELEGRAM
Для тех, кому интересно, как технологии меняют бизнес — и нашу жизнь.
Сегодня ИИ часто видит только крупные бренды. Например, если спросить Claude, где купить цветы — она предложит сетевые магазины, игнорируя локальные компании.
Похоже, теперь нужно учитывать не только SEO для людей, но и SEO для нейронок.
Есть канал Max Votek — предпринимателя, инвестора и сооснователя Customertimes. Уже 17 лет он внедряет технологии в бизнес-процессы крупных компаний и живёт с аллигаторами в солнечной Флориде.
На канале — честные размышления про AI, бизнес и то, как всё это реально работает (и ломается) в жизни:
• Влияние AI на IT Консалтинг и аутсорсинг
• Как ИИ меняет сложные продажи
• Про AI агентов для отчетности и знания внутри компании
• Как AI меняет работу наших консультантов и разработчиков
• О том, что мы можем сильно ошибаться в наших прогнозах про AI
• О фармацевтике, AI и No-code инструментах
• Об оригинальном контенте и нейросетях
Без общих слов, без пяти шагов к успеху — только живые истории, личный опыт и практические выводы.
Обязательно подписывайтесь на @maxvotek
#реклама #текстприслан
Сегодня ИИ часто видит только крупные бренды. Например, если спросить Claude, где купить цветы — она предложит сетевые магазины, игнорируя локальные компании.
Похоже, теперь нужно учитывать не только SEO для людей, но и SEO для нейронок.
Есть канал Max Votek — предпринимателя, инвестора и сооснователя Customertimes. Уже 17 лет он внедряет технологии в бизнес-процессы крупных компаний и живёт с аллигаторами в солнечной Флориде.
На канале — честные размышления про AI, бизнес и то, как всё это реально работает (и ломается) в жизни:
• Влияние AI на IT Консалтинг и аутсорсинг
• Как ИИ меняет сложные продажи
• Про AI агентов для отчетности и знания внутри компании
• Как AI меняет работу наших консультантов и разработчиков
• О том, что мы можем сильно ошибаться в наших прогнозах про AI
• О фармацевтике, AI и No-code инструментах
• Об оригинальном контенте и нейросетях
Без общих слов, без пяти шагов к успеху — только живые истории, личный опыт и практические выводы.
Обязательно подписывайтесь на @maxvotek
#реклама #текстприслан
Telegram
Мысли вслух
Когда я что-то осознаю, мне хочется об этом рассказать. Здесь делюсь мыслями и открытиями - про технологии, предпринимательство и инвестиции.
Max Votek @Mkitt — предприниматель, сооснователь Customertimes, инвестор.
linkedin.com/in/max-votek
Max Votek @Mkitt — предприниматель, сооснователь Customertimes, инвестор.
linkedin.com/in/max-votek
This media is not supported in your browser
VIEW IN TELEGRAM
🌪️ Microsoft Aurora: как ИИ предсказывает погоду лучше метеорологов
*Спойлер: следующий ураган уже на радаре. И это не просто прогноз — это расчёт мощнейшей AI-модели, которая видит то, что не замечают традиционные системы предсказания погоды.
Microsoft Research представила Aurora — фундаментальную ИИ-модель, которая не просто предсказывает погоду, а переигрывает существующие системы по точности, скорости и стоимости вычислений.
Цифры:
✔ 91% — настолько чаще Aurora точнее других моделей (Nature, 2025).
✔ 5000× быстрее традиционных суперкомпьютерных расчётов.
✔ 1 млн часов данных — спутники, радары, станции — самый большой датасет для тренировки ИИ в истории метеорологии.
🌊 Реальный track record модели:
1️⃣ Тайфун «Доксури» (2023)
→ Официальный прогноз: «пройдёт мимо Филиппин».
→ Aurora за 4 дня: «удар будет здесь».
→ Реальность: разрушения, потоп на Филиппинах
2️⃣ Песчаная буря в Ираке
→ Данных по качеству воздуха — мало.
→ Aurora всё равно предупредила за сутки.
→ Точность — при в сотни раз меньших затратах.
3️⃣ Высота волн от тайфуна «Нанмадол»
→ Обычные модели ошибались.
→ Aurora дала точный прогноз — рекорд 2022 года.
⚡ Зачем это нам?
- Бизнес: логистика, энергетика, сельское хозяйство — теперь можно планировать с учётом более реальных рисков
- Наука: модель открыта — можно дообучать под свои задачи (например, предсказывать наводнения в конкретном регионе).
- Технологии: архитектура Aurora — новый стандарт для AI-моделей в Earth Science.
*P.S. Если Aurora скажет «завтра брать зонт» — лучше послушайтесь. ☔
🌪️Блог
⛈ Статья
🌋GitHub
*Спойлер: следующий ураган уже на радаре. И это не просто прогноз — это расчёт мощнейшей AI-модели, которая видит то, что не замечают традиционные системы предсказания погоды.
Microsoft Research представила Aurora — фундаментальную ИИ-модель, которая не просто предсказывает погоду, а переигрывает существующие системы по точности, скорости и стоимости вычислений.
Цифры:
✔ 91% — настолько чаще Aurora точнее других моделей (Nature, 2025).
✔ 5000× быстрее традиционных суперкомпьютерных расчётов.
✔ 1 млн часов данных — спутники, радары, станции — самый большой датасет для тренировки ИИ в истории метеорологии.
🌊 Реальный track record модели:
1️⃣ Тайфун «Доксури» (2023)
→ Официальный прогноз: «пройдёт мимо Филиппин».
→ Aurora за 4 дня: «удар будет здесь».
→ Реальность: разрушения, потоп на Филиппинах
2️⃣ Песчаная буря в Ираке
→ Данных по качеству воздуха — мало.
→ Aurora всё равно предупредила за сутки.
→ Точность — при в сотни раз меньших затратах.
3️⃣ Высота волн от тайфуна «Нанмадол»
→ Обычные модели ошибались.
→ Aurora дала точный прогноз — рекорд 2022 года.
⚡ Зачем это нам?
- Бизнес: логистика, энергетика, сельское хозяйство — теперь можно планировать с учётом более реальных рисков
- Наука: модель открыта — можно дообучать под свои задачи (например, предсказывать наводнения в конкретном регионе).
- Технологии: архитектура Aurora — новый стандарт для AI-моделей в Earth Science.
*P.S. Если Aurora скажет «завтра брать зонт» — лучше послушайтесь. ☔
🌪️Блог
⛈ Статья
🌋GitHub
Слишком хорошо, что бы не поделиться https://vm.tiktok.com/ZNdhurrDe/
TikTok
TikTok · Hashem Al-Ghaili
277.1K likes, 6824 comments, "This is legit horror setup" - scurrydog
Чат: посоветуйте наушники 🎧 нужны который большие, и что бы с блютусом, и что бы с Apple хорошо дружили, и супер звук, и не слишком тяжелые, что бы гулять можно было. До этого пользовался AirPod Max, все нравилось, но спустя ~2 года они безбожно глючат и постоянно перезагружаются.
4 года нашему каналу
На днях, нам исполнилось 4 года! Тогда он назывался NN For Science, и я писал в основном про то, как можно использовать глубокое обучение в науке. Довольно быстро, я пришел к выводу, что ИИ будет абсолютно везде -> AI для всех.
4 года назад я сгенерировал аватарку канала с помощью Dall-E. Сегодня - картинку рисовал ChatGPT.
За время существования канала я успел пожить в Москве, Вене, Тель-Авиве и Кремниевой долине, а сейчас я живу в Сан Франциско. Так что репортажи - прямиком из эпицентра ИИ!
Сделайте нам подарок - поделитесь нашим каналом со своими друзьями!
Нас станет больше, а друзья окажутся на самом фронтире искусственного интеллекта.
На днях, нам исполнилось 4 года! Тогда он назывался NN For Science, и я писал в основном про то, как можно использовать глубокое обучение в науке. Довольно быстро, я пришел к выводу, что ИИ будет абсолютно везде -> AI для всех.
4 года назад я сгенерировал аватарку канала с помощью Dall-E. Сегодня - картинку рисовал ChatGPT.
За время существования канала я успел пожить в Москве, Вене, Тель-Авиве и Кремниевой долине, а сейчас я живу в Сан Франциско. Так что репортажи - прямиком из эпицентра ИИ!
Сделайте нам подарок - поделитесь нашим каналом со своими друзьями!
Нас станет больше, а друзья окажутся на самом фронтире искусственного интеллекта.
🧠🔍 Anthropic выложили в открытый доступ «рентген» для LLM
Сегодня ребята из Anthropic выложили в open-source свежайший circuit-tracer — библиотеку + веб-интерфейс, которые позволяют буквально «посветить фонариком» внутрь любых открытых LLM и посмотреть, как токены влияют друг на друга.
Что дают?
• Attribution graphs — автоматически строят граф «кто-на-кого влияет» (токены → фичи → логиты).
• Neuronpedia UI — кликаешь 👉 смотришь цепочки рассуждений, группируешь узлы, подписываешь и делишься ссылкой.
• Интервенции — в ноутбуке можно подкрутить найденные фичи и сразу увидеть, как меняется ответ модели.
Зачем это нам?
🔑 Интерпретируемость давно отставала от «качаем ещё 10B параметров». Теперь любой энтузиаст может проверить, какие цепочки выводят модель к финальному слову, найти баги рассуждений и даже чинить их on-the-fly.
Пробуйте, делитесь самыми странными цепочки — интересно, какие «мысленные кроличьи норы» вы откопаете! 🐇👆
Ссылка
Сегодня ребята из Anthropic выложили в open-source свежайший circuit-tracer — библиотеку + веб-интерфейс, которые позволяют буквально «посветить фонариком» внутрь любых открытых LLM и посмотреть, как токены влияют друг на друга.
Что дают?
• Attribution graphs — автоматически строят граф «кто-на-кого влияет» (токены → фичи → логиты).
• Neuronpedia UI — кликаешь 👉 смотришь цепочки рассуждений, группируешь узлы, подписываешь и делишься ссылкой.
• Интервенции — в ноутбуке можно подкрутить найденные фичи и сразу увидеть, как меняется ответ модели.
Зачем это нам?
🔑 Интерпретируемость давно отставала от «качаем ещё 10B параметров». Теперь любой энтузиаст может проверить, какие цепочки выводят модель к финальному слову, найти баги рассуждений и даже чинить их on-the-fly.
Пробуйте, делитесь самыми странными цепочки — интересно, какие «мысленные кроличьи норы» вы откопаете! 🐇
Ссылка
Please open Telegram to view this post
VIEW IN TELEGRAM
⚡ AI-шторм: что грядёт на рынке белых воротничков и как не остаться без дела
1. Главное предупреждение
• Дарио Амодей (Anthropic) оценивает, что до 50 % стартовых офисных позиций могут исчезнуть за 1–5 лет, а безработица подпрыгнуть до 10–20 %.
• Сейчас, по внутренним данным Anthropic, 60 % пользователей применяют ИИ для поддержки работы, но 40 % — уже для полной автоматизации; доля автоматизации растёт ежемесячно.
2. Почему этот сценарий реалистичен
• Microsoft уволила ~6 000 человек (≈3 % штата) — официально ради «структурного разворота под ИИ-приоритеты».
• Walmart сокращает 1 500 корпоративных позиций и параллельно инвестирует $500 млн в AI и роботизацию.
• CrowdStrike убирает 5 % персонала (≈500 человек), ссылаясь на «AI-эффективность».
• Марк Цукерберг (подкаст Joe Rogan, Jan 2025): «В 2025 году у Meta и других компаний будет ИИ-“мидл инженер”, пишущий код вместо людей».
Эти решения сигнализируют: как только модели устойчиво достигают «человеческой» планки качества — бизнес мгновенно меняет оргструктуру и hiring-планы.
3. Что это значит для молодых специалистов
• Учись на реальных задачах. Выделяй хотя бы час в день на ChatGPT/Claude/Gemini для своих типовых задач — найди, что уже автоматизируется.
• Собери «ИИ-инструментарий» под свой стек (код, аналитика, техдок, RAG-системы). Цель — минимум удвоить личную продуктивность к концу года.
• Прокачивай критическое мышление — отсеивай хайп, проверяй данные, экспериментируй.
• Строй портфель навыков, которые усиливаются, а не вытесняются ИИ: product-мышление, постановка задач, доменная экспертиза, клиентский контакт.
• Сети и сообщество. Делись кейсами автоматизации — это лучший «щит» на рынке труда.
4. Что могут сделать лидеры команд
• Перестать не замечать риски. Честно обозначить сотрудникам уязвимые роли и дать доступ к продвинутым моделям.
• Требовать от каждой функции «10×-план»: как ИИ повысит скорость/качество конкретных метрик.
• Упростить процессы. Чем короче цепочка решений, тем быстрее компания адаптируется к новым возможностям моделей.
5. Политические идеи (то что предлагает Дарио Амодей)
• «Token-tax» 3 % с каждой оплаченной токен-операции в пользу фондов переподготовки.
• Ваучеры на быструю переквалификацию в смежные ИИ-дополняемые роли.
• Публичные дашборды об автоматизируемых профессиях — чтобы регионы видели угрозы заранее.
6. Итог
ИИ переопределяет ценность навыков. Тот, кто научится делать больше с помощью моделей, окажется на гребне новой волны. Тот, кто проигнорирует сигнал, рискует попасть под удар первой же волны автоматизации.
Ссылка
🎯 Вопрос к сообществу: какие рутины вы уже переложили на ИИ? Поделитесь историями — учимся друг у друга!
1. Главное предупреждение
• Дарио Амодей (Anthropic) оценивает, что до 50 % стартовых офисных позиций могут исчезнуть за 1–5 лет, а безработица подпрыгнуть до 10–20 %.
• Сейчас, по внутренним данным Anthropic, 60 % пользователей применяют ИИ для поддержки работы, но 40 % — уже для полной автоматизации; доля автоматизации растёт ежемесячно.
2. Почему этот сценарий реалистичен
• Microsoft уволила ~6 000 человек (≈3 % штата) — официально ради «структурного разворота под ИИ-приоритеты».
• Walmart сокращает 1 500 корпоративных позиций и параллельно инвестирует $500 млн в AI и роботизацию.
• CrowdStrike убирает 5 % персонала (≈500 человек), ссылаясь на «AI-эффективность».
• Марк Цукерберг (подкаст Joe Rogan, Jan 2025): «В 2025 году у Meta и других компаний будет ИИ-“мидл инженер”, пишущий код вместо людей».
Эти решения сигнализируют: как только модели устойчиво достигают «человеческой» планки качества — бизнес мгновенно меняет оргструктуру и hiring-планы.
3. Что это значит для молодых специалистов
• Учись на реальных задачах. Выделяй хотя бы час в день на ChatGPT/Claude/Gemini для своих типовых задач — найди, что уже автоматизируется.
• Собери «ИИ-инструментарий» под свой стек (код, аналитика, техдок, RAG-системы). Цель — минимум удвоить личную продуктивность к концу года.
• Прокачивай критическое мышление — отсеивай хайп, проверяй данные, экспериментируй.
• Строй портфель навыков, которые усиливаются, а не вытесняются ИИ: product-мышление, постановка задач, доменная экспертиза, клиентский контакт.
• Сети и сообщество. Делись кейсами автоматизации — это лучший «щит» на рынке труда.
4. Что могут сделать лидеры команд
• Перестать не замечать риски. Честно обозначить сотрудникам уязвимые роли и дать доступ к продвинутым моделям.
• Требовать от каждой функции «10×-план»: как ИИ повысит скорость/качество конкретных метрик.
• Упростить процессы. Чем короче цепочка решений, тем быстрее компания адаптируется к новым возможностям моделей.
5. Политические идеи (то что предлагает Дарио Амодей)
• «Token-tax» 3 % с каждой оплаченной токен-операции в пользу фондов переподготовки.
• Ваучеры на быструю переквалификацию в смежные ИИ-дополняемые роли.
• Публичные дашборды об автоматизируемых профессиях — чтобы регионы видели угрозы заранее.
6. Итог
ИИ переопределяет ценность навыков. Тот, кто научится делать больше с помощью моделей, окажется на гребне новой волны. Тот, кто проигнорирует сигнал, рискует попасть под удар первой же волны автоматизации.
Ссылка
🎯 Вопрос к сообществу: какие рутины вы уже переложили на ИИ? Поделитесь историями — учимся друг у друга!
Худший способ платить сотрудникам в разные страны — делать всё вручную: контракты, инвойсы, документы для банков. Я серьёзно.
Представьте, сколько ресурсов тратит финотдел на выплату зарплат в разные страны с соблюдением международных законов. А банки ещё и блокируют платежи, запрашивают документы и требуют доказать квалификацию исполнителя.
В итоге для большинства global-компаний платить удалённым сотрудникам и фрилансерам — это головная боль и масса рисков. Но с платформой 4dev.com всё гораздо проще.
⭐️ 4dev.com это:
- один b2b-договор с платформой вместо десятков индивидуальных с каждым сотрудником
- мгновенные выплаты удалённым сотрудникам и фрилансерам в 100+ стран, в том числе в СНГ
- автоматическое создание закрывающих документов по каждой выплате и решение проблемы банковского комплаенса
- комиссия 1–3% для бизнеса
💵 легальные криптоплатежи, а также выплаты в 30+ фиатных валютах
Всё это без авралов и утомительной бумажной работы.
Запишитесь на демо в 1 клик. Специалист платформы погрузится в ваши задачи и поможет найти решение именно для вашего бизнеса!
#промо #текстприслан
Представьте, сколько ресурсов тратит финотдел на выплату зарплат в разные страны с соблюдением международных законов. А банки ещё и блокируют платежи, запрашивают документы и требуют доказать квалификацию исполнителя.
В итоге для большинства global-компаний платить удалённым сотрудникам и фрилансерам — это головная боль и масса рисков. Но с платформой 4dev.com всё гораздо проще.
- один b2b-договор с платформой вместо десятков индивидуальных с каждым сотрудником
- мгновенные выплаты удалённым сотрудникам и фрилансерам в 100+ стран, в том числе в СНГ
- автоматическое создание закрывающих документов по каждой выплате и решение проблемы банковского комплаенса
- комиссия 1–3% для бизнеса
Всё это без авралов и утомительной бумажной работы.
Запишитесь на демо в 1 клик. Специалист платформы погрузится в ваши задачи и поможет найти решение именно для вашего бизнеса!
#промо #текстприслан
Please open Telegram to view this post
VIEW IN TELEGRAM
Thinkless: LLM учится, когда нужно думать
Современные LLM, способные к долгим логическим рассуждениям продемонстрировали замечательную производительность при решении задач, требующих сложных логических выводов
Однако применение сложных рассуждений для абсолютно всех запросов часто приводит к существенной вычислительной неэффективности, особенно когда многие проблемы допускают
простые решения.
Исследователи из университета Сингапура поставили вопрос ребром: могут ли LLM научиться, когда думать?
Чтобы ответить на этот вопрос, предложен Thinkless, обучаемый фрэмворк, который позволяет LLM адаптивно выбирать между краткой и длинной формой рассуждений, основываясь как на сложности задачи, так и на возможностях модели.
Thinkless обучается при помощи Reinforcement Learning, где использует два контрольных токена, <short> для кратких ответов и <think> для подробного рассуждения.
В основе предложенного метода лежит алгоритм Decoupled Group Relative Policy Optimization (DeGRPO), который разделяет выбор режима рассуждения и точности ответа, избегая коллапса.
Эмпирически, на нескольких бенчмарках, таких как Minerva Algebra, MATH-500 и GSM8K, Thinkless способен сократить использование длинных логических рассуждений на 50% - 90% без потери качества ответов.
"Думай быстро и медленно"в действии!
🧠 Статья
🖥 GitHub
Современные LLM, способные к долгим логическим рассуждениям продемонстрировали замечательную производительность при решении задач, требующих сложных логических выводов
Однако применение сложных рассуждений для абсолютно всех запросов часто приводит к существенной вычислительной неэффективности, особенно когда многие проблемы допускают
простые решения.
Исследователи из университета Сингапура поставили вопрос ребром: могут ли LLM научиться, когда думать?
Чтобы ответить на этот вопрос, предложен Thinkless, обучаемый фрэмворк, который позволяет LLM адаптивно выбирать между краткой и длинной формой рассуждений, основываясь как на сложности задачи, так и на возможностях модели.
Thinkless обучается при помощи Reinforcement Learning, где использует два контрольных токена, <short> для кратких ответов и <think> для подробного рассуждения.
В основе предложенного метода лежит алгоритм Decoupled Group Relative Policy Optimization (DeGRPO), который разделяет выбор режима рассуждения и точности ответа, избегая коллапса.
Эмпирически, на нескольких бенчмарках, таких как Minerva Algebra, MATH-500 и GSM8K, Thinkless способен сократить использование длинных логических рассуждений на 50% - 90% без потери качества ответов.
"Думай быстро и медленно"в действии!
🧠 Статья
Please open Telegram to view this post
VIEW IN TELEGRAM
Краткий пересказ нового эссе Сэма Алтмана - Благодатная Сингулярность
TLDR: Алтман утверждает, что мы уже вступили в эпоху стремительно развивающегося сверхинтеллекта, способного взорвать прогресс и требующего безопасного, справедливого распределения его преимуществ.
Человечество уже пересекло «событийный горизонт» цифрового сверхинтеллекта, и процесс ощущается удивительно буднично.
Несмотря на успехи ИИ, по улицам не ходят роботы, мы всё ещё не летаем в космос и многие тайны Вселенной остаются неразгаданными.
Системы уровня GPT-4 и О3 уже превосходят людей во многих задачах, и самые трудные научные прорывы (в AI) позади.
Быстрейшие инновации и рост продуктивности благодаря ИИ обещают огромный скачок качества жизни.
Масштаб ChatGPT таков, что крошечные улучшения — или ошибки — могут (и будут) умножаться на сотни миллионов пользователей.
В 2025-2027 годах агенты перейдут от помощников-кодеров к создателям инсайтов и роботам, работающим в реальном мире.
К 2030 году один человек сможет делать несравнимо больше, резко вырастут творческие и технические возможности.
При этом в 2030-х люди всё так же будут любить семьи, творить, играть и плавать в озёрах.
Но в то же время нас ждут беспрецедентные перемены, поскольку интеллект вырвется далеко за пределы человеческого.
Изобилие интеллекта и дешёвая энергия снимут давние ограничители прогресса при условии грамотного управления.
Чудеса ИИ быстро становятся обыденностью: от абзацев — к романам, от диагнозов — к лекарствам, от кода — к целым компаниям.
Учёные уже сообщают о 2–3-кратном росте продуктивности; сжатие десятилетия исследований в месяцы изменит темпы открытий.
ИИ уже на пути рекурсивного самоулучшения, ускоряя создание ещё лучшего ИИ.
Экономическая выгода запустила маховик инвестиций в вычислительную инфраструктуру и само-строящиеся технологии.
Когда гуманоидные роботы полностью возьмут на себя цепочки поставок, прогресс ускорится ещё сильнее.
Автоматизация сведёт предельную стоимость интеллекта почти к цене электроэнергии и капле воды.
Быстрый прогресс уничтожит целые профессии, но растущие богатства позволят смелые социальные нововведения и плавную адаптацию.
Как и раньше в индустриальные эпохи, общество придумает новые желания и роли, сохраняя человеческий фокус на людях, а не машинах.
Работы далёкого будущего покажутся нам «нелепыми», но будут важны и увлекательны для тех, кто ими занят.
Прорывы будут каскадировать: сегодня — физика, завтра — колонизация космоса или интерфейсы мозг-компьютер.
Жить в эпоху сингулярности, вероятно, окажется впечатляюще, но вполне по силам: экспонента гладка, хоть и крута.
Нужно решить вопросы безопасности ИИ и обеспечить широкий доступ к сверхинтеллекту для максимальной пользы и минимизации рисков.
- Шаг 1: надёжный алаймент, чтобы ИИ служил долгосрочным интересам человечества, а не сиюминутным импульсам.
- Шаг 2: сделать сверхинтеллект дешёвым и доступным всем, установив общественные рамки коллективного согласия.
Индустрия фактически строит персональный «мозг мира», где дефицитом станут идеи, а не исполнение.
Миссия OpenAI — исследование сверхинтеллекта; путь впереди уже освещён, и тьма быстро отступает.
«Интеллект дешевле воды» теперь звучит правдоподобно, так же как сегодняшняя реальность казалась фантастикой в 2020-м.
Пусть наше восхождение к сверхинтеллекту будет плавным, экспоненциальным и мирным.
Эссе в оригинале
TLDR: Алтман утверждает, что мы уже вступили в эпоху стремительно развивающегося сверхинтеллекта, способного взорвать прогресс и требующего безопасного, справедливого распределения его преимуществ.
Человечество уже пересекло «событийный горизонт» цифрового сверхинтеллекта, и процесс ощущается удивительно буднично.
Несмотря на успехи ИИ, по улицам не ходят роботы, мы всё ещё не летаем в космос и многие тайны Вселенной остаются неразгаданными.
Системы уровня GPT-4 и О3 уже превосходят людей во многих задачах, и самые трудные научные прорывы (в AI) позади.
Быстрейшие инновации и рост продуктивности благодаря ИИ обещают огромный скачок качества жизни.
Масштаб ChatGPT таков, что крошечные улучшения — или ошибки — могут (и будут) умножаться на сотни миллионов пользователей.
В 2025-2027 годах агенты перейдут от помощников-кодеров к создателям инсайтов и роботам, работающим в реальном мире.
К 2030 году один человек сможет делать несравнимо больше, резко вырастут творческие и технические возможности.
При этом в 2030-х люди всё так же будут любить семьи, творить, играть и плавать в озёрах.
Но в то же время нас ждут беспрецедентные перемены, поскольку интеллект вырвется далеко за пределы человеческого.
Изобилие интеллекта и дешёвая энергия снимут давние ограничители прогресса при условии грамотного управления.
Чудеса ИИ быстро становятся обыденностью: от абзацев — к романам, от диагнозов — к лекарствам, от кода — к целым компаниям.
Учёные уже сообщают о 2–3-кратном росте продуктивности; сжатие десятилетия исследований в месяцы изменит темпы открытий.
ИИ уже на пути рекурсивного самоулучшения, ускоряя создание ещё лучшего ИИ.
Экономическая выгода запустила маховик инвестиций в вычислительную инфраструктуру и само-строящиеся технологии.
Когда гуманоидные роботы полностью возьмут на себя цепочки поставок, прогресс ускорится ещё сильнее.
Автоматизация сведёт предельную стоимость интеллекта почти к цене электроэнергии и капле воды.
Быстрый прогресс уничтожит целые профессии, но растущие богатства позволят смелые социальные нововведения и плавную адаптацию.
Как и раньше в индустриальные эпохи, общество придумает новые желания и роли, сохраняя человеческий фокус на людях, а не машинах.
Работы далёкого будущего покажутся нам «нелепыми», но будут важны и увлекательны для тех, кто ими занят.
Прорывы будут каскадировать: сегодня — физика, завтра — колонизация космоса или интерфейсы мозг-компьютер.
Жить в эпоху сингулярности, вероятно, окажется впечатляюще, но вполне по силам: экспонента гладка, хоть и крута.
Нужно решить вопросы безопасности ИИ и обеспечить широкий доступ к сверхинтеллекту для максимальной пользы и минимизации рисков.
- Шаг 1: надёжный алаймент, чтобы ИИ служил долгосрочным интересам человечества, а не сиюминутным импульсам.
- Шаг 2: сделать сверхинтеллект дешёвым и доступным всем, установив общественные рамки коллективного согласия.
Индустрия фактически строит персональный «мозг мира», где дефицитом станут идеи, а не исполнение.
Миссия OpenAI — исследование сверхинтеллекта; путь впереди уже освещён, и тьма быстро отступает.
«Интеллект дешевле воды» теперь звучит правдоподобно, так же как сегодняшняя реальность казалась фантастикой в 2020-м.
Пусть наше восхождение к сверхинтеллекту будет плавным, экспоненциальным и мирным.
Эссе в оригинале
🚗 Scaling Laws в беспилотном транспорте
О чём вообще речь?
Waymo опубликовала исследование: взяла 500 000 часов реальных поездок, обучила трансформеры до 30 М параметров на задаче «предскажи всех участников трафика + спланируй свою траекторию» — и построила лог-лог кривые. Они оказались почти прямыми: качество растёт как Compute^-0.27. То есть больше GPU → меньше аварий.
Почему так происходит?
1. Переизбыточность данных. Чем разнообразнее поездки, тем выше шанс встретить редкий «поворот на красный в тумане».
2. Масштаб модели ↔ сложность среды. Шире сеть — больше «места» запомнить длинный хвост редких сценариев.
3. Инференс-семплы для улучшения предсказаний. Monte-Carlo-планирование с 100-200 вариантом хода позволяет маленькой сети догнать большую.
Как Waymo проверяла гипотезу?
• Данные: 0.5 млн часов поездок (крупнейший приватный датасет в AV).
• Модели: трансформеры 1 М → 30 М параметров.
• Метрики:
• Open-loop — MSE/NLL на фиксированных сценариях.
• Closed-loop — симуляция, где ошибка ведёт к столкновению.
• Вычисления: масштабировали и обучение, и число сэмплов при планировании.
Что из этого следует?
• Open ≈ Closed. Улучшения на статическом датасете почти линейно переходят в симуляцию — можно быстро итераировать без дорогих полевых испытаний.
• Бюджет предсказуем. Команды робототехники могут планировать апгрейды так же, как NLP-команды: знаешь FLOPs → знаешь будущую точность.
• Шанс для стартапов. При умном инференсе компактные сети догоняют 30-миллионную — открывая путь к поколению «лайт-роботакси».
• Барьеры остались. Сенсоры, лицензии на данные и суперредкие кейсы никто не отменял.
Практическая интуиция
Думайте о беспилотнике как о GPT на колёсах: хотите безопаснее — покупайте ещё миллионы часов трафика и горки GPU.
Блог-пост
О чём вообще речь?
Waymo опубликовала исследование: взяла 500 000 часов реальных поездок, обучила трансформеры до 30 М параметров на задаче «предскажи всех участников трафика + спланируй свою траекторию» — и построила лог-лог кривые. Они оказались почти прямыми: качество растёт как Compute^-0.27. То есть больше GPU → меньше аварий.
Почему так происходит?
1. Переизбыточность данных. Чем разнообразнее поездки, тем выше шанс встретить редкий «поворот на красный в тумане».
2. Масштаб модели ↔ сложность среды. Шире сеть — больше «места» запомнить длинный хвост редких сценариев.
3. Инференс-семплы для улучшения предсказаний. Monte-Carlo-планирование с 100-200 вариантом хода позволяет маленькой сети догнать большую.
Как Waymo проверяла гипотезу?
• Данные: 0.5 млн часов поездок (крупнейший приватный датасет в AV).
• Модели: трансформеры 1 М → 30 М параметров.
• Метрики:
• Open-loop — MSE/NLL на фиксированных сценариях.
• Closed-loop — симуляция, где ошибка ведёт к столкновению.
• Вычисления: масштабировали и обучение, и число сэмплов при планировании.
Что из этого следует?
• Open ≈ Closed. Улучшения на статическом датасете почти линейно переходят в симуляцию — можно быстро итераировать без дорогих полевых испытаний.
• Бюджет предсказуем. Команды робототехники могут планировать апгрейды так же, как NLP-команды: знаешь FLOPs → знаешь будущую точность.
• Шанс для стартапов. При умном инференсе компактные сети догоняют 30-миллионную — открывая путь к поколению «лайт-роботакси».
• Барьеры остались. Сенсоры, лицензии на данные и суперредкие кейсы никто не отменял.
Практическая интуиция
Думайте о беспилотнике как о GPT на колёсах: хотите безопаснее — покупайте ещё миллионы часов трафика и горки GPU.
Блог-пост