Вот и половина июня позади — пришло время для технодайджеста. Публикуем очередной обзор новостей, которые выявляют или задают тренды.

⚡️ Microsoft обновила бесплатный курс по генеративному ИИ. За 21 урок можно научиться работе с LLM, промпт-инжинирингу и даже разработке собственных приложений, интегрированных с GenAI.

⚡️ Представлена OpenAudio S1 — передовая модель преобразования текста в речь (TTS), которая, по уверению разработчиков, обеспечивает беспрецедентную естественность, выразительность и настраиваемость генерируемой речи.

⚡️ Cursor объявил о релизе первой версии редактора со встроенным BugBot — ИИ-помощником для автоматизации проверки программного кода. Также Cursor 1.0 оснащен фоновым агентом для удаленного кодирования, нейрозапоминалкой важных обсуждений и удобным настройщиком MCP с поддержкой OAuth.

⚡️Четверо топ-менеджеров OpenAI, Meta и Palantir приняли присягу в звании подполковников армии США. Впервые такие люди становятся не гражданскими консультантами, а офицерами в погонах. По сути, военные киберподразделения легально передаются в прямое управление представителям Big Tech'а.

⚡️ Отечественные компании усиленно ищут новые ERP-системы после ухода SAP с российского рынка. На круглом столе «Российские ERP решения: время лидировать!» руководители поделились опытом внедрения таких платформ, как 1С, «Галактика ERP» и Global ERP от ООО «Бизнес Технологии».

⚡️ NVIDIA представила гигантский синтетический датасет для беспилотных автомобилей. Для обучения робопилотов предлагаются 81.802 сгенерированных ИИ видео с разнообразными ландшафтами, дорожной разметкой, знаками, камерами, лидарами, радарами, погодными условиями и нестандартными ситуациями.

#дайджест #новости

🚀 ©ТехноТренды

Вайбкодинг (vibe coding) — новый тренд в программной инженерии, который начал активно обсуждаться в этом году. Подход предполагает создание программного обеспечения через диалог с ИИ-ассистентами на базе LLM. Разработчик формулирует идеи на естественном языке, а алгоритмы преобразуют их в рабочий код.

Почему это возможно именно сейчас

Термин впервые был упомянут в X сооснователем OpenAI Андреем Карпати в феврале 2025 года. Но индустрия шла к этому годами, начиная с появления автокомплита кода и развития no-code/low-code платформ к интеграции LLM в IDE.

Вайбкодинг как стиль программирования стал реален, потому что появились доступные среды для подобного взаимодействия человека и машины:
• Cursor (интеграция с GPT-4 для конверсационного кодинга);
• Replit AI Agent (автоматизация тестирования и деплоя);
• GitHub Copilot (автодополнение кода на основе контекста);
• Superwhisper (голосовое управление кодом через Whisper).

Эти платформы позволяют переходить от идеи к прототипу за считанные минуты, устраняя рутинные задачи вроде настройки форм или валидации данных.

Вайбкодинг и no-code/low-code

Вайбкодинг можно рассматривать как продолжение no-code/low-code парадигмы, но с принципиальным отличием:
👉 no-code (например, Zapier) требует строгого выбора из готовых блоков;
👉 вайбкодинг позволяет генерировать уникальный код через свободное описание задач, что повышает гибкость, но требует понимания архитектурных решений.

По данным Stack Overflow (2024), 82% разработчиков, использующих ИИ-инструменты, применяют их для написания кода с нуля, а не только для автодополнения. Это свидетельствует о смене статуса ИИ — из вспомогательного инструмента он становится полноценным партнером по разработке.

Области применения вайбкодинга

✅ Быстрая разработка прототипов. Вайбкодинг идеален для стартапов и солопренеров, которым нужно оперативно проверять гипотезы. Например, с помощью Cursor можно создать MVP приложения за час, описав функционал вроде «Создай дашборд с аналитикой пользователей».

✅ Образование и обучение. Для новичков ИИ-ассистенты снижают порог входа в программирование, позволяет экспериментировать с кодом и сразу видеть примеры в действии.

✅ Внутренние инструменты корпораций для автоматизации рутинных задач, что экономит время команд и позволяет не-техническим специалистам участвовать в разработке.

Эксперты сходятся во мнении, что вайбкодинг станет стандартом в ближайшие 5–7 лет, особенно в сочетании с улучшенными методами тестирования и контроля качества. Однако пока что его успех ограничивается рядом проблем.

Проблемы и ограничения

1️⃣ Зависимость от подсказок. ИИ может игнорировать критические детали, если их не проговорит человек. Качество кода напрямую зависит от точности формулировок, что повышает роль промпт-инжиниринга.

2️⃣ Риски безопасности. Запрос «Создай безопасное хранилище паролей», если разработчик не уточнит требования, может привести к реализации без хэширования, что чревато утечкой данных.

3️⃣ Неэффективность кода. ИИ склонен задавать избыточные вызовы API или некорректные алгоритмы, что увеличивает затраты на облачные сервисы (AWS, Google Cloud) в 3–5 раз.

Вайбкодинг в продакшене: готов ли он?

Для масштабных проектов вайбкодинг пока еще остается «сырым». Как отметил Тобин Саут (MIT Media Lab), он «полезен для идей, но не для их реализации в критически важных системах», таких как банковские системы или медицинские платформы.

Со временем положение может измениться. Интеграция автоматизированного тестирования, улучшение интерпретируемости и создание стандартов безопасности (например, обязательный аудит ИИ-генерируемого кода) расширят сферу применения метода. Как пишет MIT Technology Review, «вайбкодинг не заменит программистов, но изменит их роль: от технических исполнителей к архитекторам решений». А джуном будет ИИ 😉

Ссылки:
• TAdviser: Вайб-кодинг
• MIT Technology Review
• Digital Trends
• Top Developers

#вайбкодинг #программирование #тренды

🚀 ©ТехноТренды

Мечтают ли андроиды об электросортировщике пакетов?

«Ты вершина технологии, говорили они. Мы пошлем тебя исследовать Марс, говорили они. Потом. Когда-нибудь. А пока у нас есть для тебя срочное дело» 😀

Казалось бы, на видео — нелогичное и расточительное использование ресурсов (хотя масс-культура примерно такое будущее нам и рисовала 😀). Но давайте разберемся: что мы видим и почему это важно?

Видеофрагмент демонстрирует, как робот Figure 2.0 от стартапа FigureAI проходит «производственную практику» на заводе BMW. Пока ему, как практиканту, доверили небольшое, но крайне ответственное поручение. Элементарная задача для человека, но серьезный вызов для машины.

Обратите внимание, как методично и уверенно действует робот. Перед нами качественная реализация того, что в робототехнике называется SPA — Sense-Plan-Act Loop, или Perceive-Decide-Act Cycle: фундаментальная парадигма, определяющая, как робот взаимодействует со средой.

Чтобы автономно разобрать кучу упаковок разного размера, формы и цвета, роботу нужно по полной задействовать не только машинное зрение, алгоритмы ИИ и тонкую моторику механических конечностей, но и цепи обратной связи между этими компонентами.

Когда гуманоидный робот видит товар на конвейере (восприятие), решает, что его нужно взять (планирование), и двигает рукой, чтобы схватить его (управление), он проходит полный цикл Sense-Plan-Act. Если ИИ участвует во всех этих этапах — это уже полностью автономный когнитивный агент. И не важно, что тренируется пока на кошках пакетиках.

Проверка пройдена, все системы в норме. Теперь можно и на Марс 🚀

#видео #промышленная_робототехника #гуманоидные_роботы

🚀 ©ТехноТренды

ИИ в 2025 году: технологические тренды и перспективы

Innovation Endeavors выпустили обзор «State of Foundation Models, 2025» — исчерпывающий отчет о текущем состоянии и тенденциях развития искусственного интеллекта. В центре внимания — базовые модели, которые лежат в основе множества современных приложений.

ИИ плотно вошел в нашу жизнь, констатируют авторы исследования. Около 1 млрд человек уже используют ИИ ежемесячно, причем 90% роста пришлись на последние полгода. ChatGPT получил 100 миллионов пользователей за 60 дней — быстрее, чем любая технология в истории. Cursor стал самой быстрорастущей SaaS-компанией, достигнув $100 млн выручки менее чем за 2 года.

Технологические тренды

1️⃣ Экспоненциальный рост возможностей ИИ. Все технические метрики ежегодно улучшаются более чем на порядок:
• Стоимость 1 млн токенов снизилась с $100 до $0.1.
• Контекстное окно увеличилось с нескольких тысяч токенов до ~1 млн.
• Вычислительная мощность, необходимая для обучения, выросла с 10^24 до 10^28 FLOP.
2️⃣ Рассуждающие модели: новый этап развития ИИ. Модели, способные «думать перед ответом», становятся основой новых масштабных возможностей ИИ. Для их обучения требуются значительные достижения в посттренировке, включая обучение с подкреплением и создание систем вознаграждений. Посттренировка становится важнее предварительной подготовки моделей.
3️⃣ Увеличение контекстного окна, развитие мультимодальности. Продолжительность задач, которые модели могут надежно выполнять, удваивается каждые 7 месяцев. Контекстное окно достигло 256K токенов, что позволяет обрабатывать сложные запросы с большими объемами данных.
• Мультимодальные модели (текст, изображение, видео, аудио) продолжают совершенствоваться, хотя полноценная омни-модальность пока находится на стадии исследований.
• Видео-модели с появлением таких продуктов, как Veo, переживают бурный рост, похожий на то, что показал в свое время ChatGPT.
• Так же активно развиваются физические системы, такие как Physical Intelligence и Genie 2.

Экономика и менеджмент

1️⃣ ИИ становится прибыльным, но ресурсоемким товаром. Лидеры рынка, такие как OpenAI и Anthropic, показывают рекордный рост доходов (> $1 млрд в год). Однако обучение frontier моделей стоит около $500 млн, и модели быстро устаревают — их жизненный цикл составляет всего 3 недели из-за высокой конкуренции и развития open-source решений.
2️⃣ Опенсорс становятся популярнее. Например, обучение модели DeepSeek-VL требует всего $10 млн — по сравнению с $100 млн для GPT-4. Это снижает барьеры входа для новых игроков и усиливает конкуренцию.
3️⃣ Возникают новые бизнес-модели и рынки:
• Data-as-a-Service: новые компании используют ИИ для сбора, структурирования и анализа данных, например Happenstance и Ferry Health.
• Генерация синтетических данных: AI позволяет создавать искусственные датасеты для обучения моделей, что очень актуально на фоне дефицита данных.
4️⃣ Активно развиваются инфраструктура и аппаратное обеспечение. Появление нового поколения чипов, ориентированных на работу с трансформерами, стимулирует развитие базовых моделей. Стремительно развивается рынок аренды вычислительных мощностей, появляются новые «GPU Cloud» провайдеры.
5️⃣ ИИ внедряется в специализированные профессии. Меняется корпоративная культура, снижается иерархичность. Организации, ориентированные на ИИ, имеют более горизонтальную структуру, где ценятся общие навыки, а не узкая специализация.
6️⃣ Трансформируются производственные процессы: управление флотом ИИ-работников становится новым навыком, аналогичным управлению людьми.
7️⃣ ИИ-агенты становятся массово доступными и интегрируются в большое количество программ и устройств, хотя понимание того, как строить ИИ-продукты, еще только формируется.

🔥 Мир стоит на пороге новой эпохи в развитии искусственного интеллекта. ИИ преобразует подходы к работе, образованию и даже структуре организаций. Однако экономическая эффективность, скорость устаревания моделей и необходимость создания новых инфраструктурных решений остаются ключевыми вызовами.

#ИИ #тренды #исследования

🚀 ©ТехноТренды

Приколы нашего городка 😀 Воспитанный рободоставщик никогда не выйдет на линию неумытым 😍

#видео #юмор #сервисные_роботы

🚀 ©ТехноТренды

Симуляторы для обучения роботов

При проектировании робототехнических систем неизбежно возникает задача моделирования их поведения в различных условиях. Для этого применяются специальные программные платформы, позволяющие виртуально эмулировать физику движения, взаимодействия со средой и логику управления роботом без использования реальных аппаратных компонентов.

Один из актуальных трендов — переход от классической симуляции к обучению через опыт. Современные симуляторы позволяют не только моделировать физические процессы, но и обучать роботов с помощью ИИ-моделей.

Другая важная тенденция — интеграция с Robot Operating System (ROS), которая обеспечивает унификацию разработки, упрощает обмен данными между компонентами и позволяет использовать готовые решения для управления, навигации и восприятия.

1️⃣ Isaac Lab — GPU-ускоренный фреймворк от NVIDIA для обучения роботов, включая RL-обучение и прототипирование сложных поведенческих моделей. GPU-ускорение значительно повысило скорость физического моделирования и точность симуляции. Это делает Isaac Lab особенно полезным для разработки автономных мобильных роботов и сложных систем взаимодействия с окружающей средой.

2️⃣ Webots — мощный и гибкий open source симулятор, применяемый как в образовании, так и в профессиональной разработке. Он предоставляет интегрированную среду для моделирования систем, поддерживает различные языки программирования и может быть использован для имитации датчиков, манипуляторов и мобильных платформ. Есть возможность интеграции с ROS.

3️⃣ CoppeliaSim (V-REP) — универсальная платформа для разработки и тестирования роботов. Подходит как для быстрого прототипирования алгоритмов, так и для моделирования автоматизации производственных линий. Модульная архитектура позволяет легко интегрировать сторонние библиотеки и фреймворки (ROS, MATLAB, Python). CoppeliaSim также предлагает продвинутые возможности по работе с кинематикой, динамикой и визуализацией.

4️⃣ Gazebo — один из самых популярных открытых симуляторов. Используется совместно с ROS, предлагает высокую степень детализации физических процессов, включая взаимодействие с датчиками и внешней средой. Gazebo подходит для моделирования автономных транспортных средств, дронов, промышленных роботов и сервисных роботов, однако требовательностью к ресурсам.

5️⃣ Unity ML-Agents Toolkit — игровой движок Unity благодаря ML-Agents Toolkit превратился в полноценный инструмент для обучения нейросетевых моделей в виртуальной среде. Платформа использует методы усиленного обучения и имитационное обучение. Она особенно перспективна для фотореалистичных сценариев и тренировки автономных систем (беспилотники, человекоподобные роботы и пр.).

Выбор симулятора зависит от целей. Для обучения с использованием ИИ лучше Isaac Lab или Unity, для комплексного моделирования систем — CoppeliaSim или Gazebo, а для образовательных задач — Webots. Наблюдается конвергенция между образовательными и промышленными симуляторами: одни и те же платформы используются как в учебных заведениях, так и на производстве, обеспечивая преемственность навыков и подходов к робототехнике.

Ссылки:
• Isaac Lab на GitHub
• Gazebo на GitHub
• Basic Robotics Simulation Training от Amatrol. Курс по базовому программированию промышленных роботов с использованием симуляции.
• Advanced Methods for Robot Learning in Simulation — стэнфордский обзор современных подходов к обучению роботов в симуляциях, включая методы усиленного обучения и моделирование физических взаимодействий.
• Awesome-Robot-Learning — сборник ресурсов по обучению роботов, включая манипуляционные задачи, нейросетевые модели и связь с реальным оборудованием.
• Robot-Learning — коллекция открытых проектов, библиотек и исследований по обучению роботов в симуляциях.
• Robotics-Simulation — центральный репозиторий с ресурсами по симуляции роботов в Unity. Туториалы, примеры реализации алгоритмов планирования пути и интеграции с ROS.

Добавляйте в закладки, делитесь с коллегами и друзьями. Всегда пригодится! 😉

🚀 ©ТехноТренды

🚀 Техноитоги недели: топ‑10 трендов, которые нельзя пропустить

🥇 OpenAI заключила контракт с Пентагоном на $200 млн

OpenAI будет разрабатывать ИИ для оборонных задач: планирование, киберзащита, логистика. Это первый в истории компании контракт военного назначения — с запуском платформы OpenAI for Government.
📎 Подробнее

🥈 Apple тестирует замену Siri на ChatGPT или Claude

Компания ведёт переговоры с OpenAI и Anthropic: ИИ‑ассистент может получить «новый мозг». При этом параллельно Apple разрабатывает собственную LLM для релиза в 2026 году.
📎 Источник

🥉 Microsoft представила ИИ, который диагностирует болезни лучше врачей

ИИ‑система Microsoft показала точность 85% на сложных кейсах против 20% у людей. Модель использует «цепочку дебатов» между агентами и вскоре будет интегрирована в Copilot.
📎 Источник (FT)

🦾 В Пекине прошёл первый футбольный матч между автономными гуманоидными роботами

Без участия людей: роботы предсказывали траектории, падали, забивали. Результат — 5:3, но пока больше комично, чем угрожающе.
📎 Читать в Bloomberg

🛰️ ESA представило план освоения Луны и Марса до 2040 года

Автономные роботы, добыча ресурсов, защита от космического мусора и сотрудничество с NASA. Ключевая ставка — на Terrae Novae и устойчивую инфраструктуру.
📎 Детали

🧠 Apple выложила Sage‑Mixtral 8x7B — дообученную LLM с лицензией Apache

Это open-source fine-tune мощной модели Mixtral. Можно применять в бизнесе, проектах, интеграциях — без ограничений.
📎 Смотреть на Hugging Face

🇺🇸 Самые «ленивые» программисты — в США: 30% кода пишут ИИ

Исследование GitHub: американские разработчики используют ИИ в 3 раза чаще, чем китайские. «Вайб-кодинг» — новая реальность.
📎 Читать на CNews

🧑‍💻 Apple внедрит Claude в Xcode — ИИ будет писать код за вас

Компания тестирует интеграцию Claude Sonnet для автогенерации кода и подсказок. Это может полностью изменить разработку на Mac.
📎 Источник

🌍 ИИ от Lloyds Bank освобождает 14 часов времени в неделю — но только для богатых

AI‑помощники, дроны, автоматизация — всё это экономит время, но доступно пока не всем. Налицо цифровое неравенство.
📎 Подробности

🔐 Cloudflare начал блокировать AI‑ботов по умолчанию

Боты вроде GPTBot и ClaudeBot будут ограничены. Издатели теперь могут получать оплату за использование их данных AI‑системами.
📎 The Verge

🚀 ©ТехноТренды

GIGO: проблема качества данных в эпоху цифровой трансформации

GIGO (Garbage In, Garbage Out, «мусор на входе, мусор на выходе») — формула, выведенная программистом IBM Джорджем Фюшелем еще в эпоху перфокарт: если на вход системы подаются некачественные данные, то и выходные результаты будут неточными, бесполезными и даже вредными.

В контексте обучения моделей ИИ и машинного обучения феномен GIGO проявляется особенно остро.

Откуда берется «мусор»?

Феномен GIGO — прямое отражение причинно-следственной связи в обработке информации. «Мусором» на входе могут быть данные:
• некорректно размеченные: если изображения кошек ошибочно помечены как собаки, или спам-письма как легитимные, модель будет учиться на этих ошибках;
• неконсистентные: различия в представлении одних и тех же сущностей (например, «Нью-Йорк», «Нью Йорк», «NYC») в обучающем наборе сбивают модель с толку;
• смещенные: если обучающий датасет содержит нерелевантные данные, модель будет воспроизводить и даже усиливать эти смещения;
• а также неполные, зашумленные, устаревшие, дублирующиеся и т.п.

Источниками «мусора» могут быть ошибки ввода, некорректная интеграция систем, сбои оборудования, устаревшие методы сбора данных, отсутствие валидации на этапе ввода или даже преднамеренное искажение информации. Особенно уязвимы в этом плане синтетические датасеты.

Почему GIGO особенно критичен для ИИ

В эпоху Big Data GIGO становится еще более коварным. Огромные объемы данных, поступающие из множества источников (IoT-устройства, социальные сети, транзакционные системы), часто не проходят должной проверки качества. Кумулятивному эффекту способствуют особенности ИИ:
• масштаб: модели обрабатывают огромные объемы данных, а значит, даже небольшие ошибки в данных могут быть многократно усилены;
• автоматизация: ИИ-системы часто принимают решения или выполняют действия без прямого участия человека. Если эти решения основаны на «мусоре», последствия могут быть серьезными и труднообратимыми;
• «черный ящик»: для сложных моделей глубокого обучения часто трудно понять, где причина ошибок вывода — в архитектуре модели, алгоритме или низком качестве данных.

👉 Согласно оценкам Gartner, средний финансовый ущерб, наносимый низким качеством данных организациям, составляет около $15 млн ежегодно. Это включает в себя затраты на очистку, стандартизацию, дедупликацию данных, а также на переработку проектов, которые были основаны на ошибочных данных. До 80% времени дата-сайентистов может уходить на очистку и подготовку данных, а не на их анализ и моделирование, что является колоссальной потерей продуктивности.

👉 По данным IBM, низкое качество данных обходится экономике США в $3.1 трлн ежегодно. Неточные данные приводят к ошибочным аналитическим выводам в маркетинговых стратегиях, управлении ресурсами, ценообразовании или прогнозах спроса.

🎯 Ссылки:
• Garbage in, garbage out (GIGO) | EBSCO Research Starters
• Garbage In, Garbage Out | Towards Data Science
• Gaining insights in datasets in the shade of “garbage in, garbage out” rationale: Feature space distribution fitting
• Avoiding GIGO: Learnings from data collection in innovation research - ScienceDirect

#BigData #данные #ML

🚀 ©ТехноТренды

LLM в задачах ASR: новые возможности для бизнеса и технологий

Большие языковые модели (LLM) давно перестали быть инструментом исключительно для обработки текста. Сегодня они находят всё большее применение в задачах, связанных с голосом — от анализа синтеза речи и клонирования голоса до оценки качества TTS-систем.

📌 VoiceBench — это сравнительный фреймворк, в котором LLM используются для оценки качества синтезированной речи. Он предлагает единый подход, при котором GPT-модель получает текст и аудио, и генерирует оценку по ряду метрик: естественность, выразительность, интонация, отсутствие артефактов.

Такой подход снимает необходимость в ручной аннотации и субъективных опросах, заменяя их на более масштабируемую и реплицируемую LLM-оценку. Это позволяет оптимизировать процессы R&D и контроля качества в разработке голосовых систем, сокращая издержки и ускоряя вывод продуктов на рынок.

👉 Проект VoiceBench на GitHub

📌 TTSizer — это инструмент, который позволяет извлекать стили, эмоции и характеристики из речи с помощью LLM. Его интересная особенность — использование промптов (см. prompt_template.txt) для интерпретации аудиофайлов. Промпты оформлены в виде задач на «понимание голоса», где LLM выступает не только как классификатор, но и как объясняющая модель.

Например, LLM может быть предложено описать эмоциональное состояние говорящего, определить интонационные особенности или выделить специфические характеристики голоса (тембр, предполагаемый возраст, пол).

💡 Ключевая идея: LLM можно использовать как универсальный интерфейс для понимания и интерпретации аудио. В связке с аудиоэмбеддерами (например, из Whisper или HuBERT) модель может понимать не только что сказано, но и как это сказано.

👉 Проект TTSizer на GitHub
👉 Пример промпта для TTSizer

🛠 LLM становится мостом между аудио и смыслом. Интеграция LLM в задачи ASR и аудиоанализа открывает новые перспективы для внедрения синтезированной речи в продуктах и сервисах.

🎯 Возможное применение:

• Анализ интонации и эмоционального состояния. Применение в контакт-центрах для автоматического выявления проблемных звонков, анализа настроения клиентов и оптимизации скриптов взаимодействия.
• Улучшение обратной связи при ML. Предоставление детализированного, контекстно-обогащенного фидбэка сокращает время и повышает качество обучения TTS и Voice Cloning систем.
• Персонализация синтеза речи. Разработка голосовых ассистентов и интерфейсов с адаптивным стилем и тембром, соответствующим предпочтениям пользователя или контексту.

И это только начало. Интеграция LLM в аудиоанализ и ASR-системы — одно из стратегических направлений развития ИИ. Эти технологии не только оптимизируют существующие процессы, но и создают фундамент для качественно новых решений в области голосовых интерфейсов и обработки аудиоданных, повышая их интеллектуальность и расширяя сферу практического применения.

#LLM #ASR #Voice_cloning #TTS

🚀 ©ТехноТренды

Дорогие коллеги! 10 июля 2025 года проводим III АКАДЕМИЧЕСКИЕ СЛУШАНИЯ совместно с МГИМО, Белым Интернетом, СПЧ при Президенте РФ, Платформой Забизнес. На этот раз обсуждаем новый закон, вводящий уголовную ответственность дропперов. Мероприятие пройдет в гибридном формате. Вся информация в письме-приглашении ниже. Регистрацию можно пройти здесь. С нетерпением ждем Вас на обсуждении этой важной темы! Закон вступает в силу уже 5 июля! Остается мало времени для того, чтобы правильно оценить и предупредить деятельность дропперов.

Сотни миллионов за мозги: Big Tech в погоне за AI-талантами

В новостях только и разговоров, что о переманивании AI-разработчиков. Ведущие профессионалы получают трансферы больше, чем футбольные суперзвезды. Что происходит — Цукерберги и Альтманы сошли с ума, или на планете реально возникла технологическая сверхэлита?

💰 Big Tech открывает кошельки настежь

На глобальном рынке труда — беспрецедентная конкуренция за специалистов по искусственному интеллекту. Например, Meta* при создании Superintelligence Labs предложила ведущим сотрудникам пакеты компенсаций до $300 млн за четыре года (свыше $100 млн — только за первый год). По данным Wired, как минимум 10 столь же головокружительных офферов получили сотрудники OpenAI.

Аналогичные пряники предлагают Google DeepMind, Anthropic и NVIDIA. Базовые зарплаты здесь превышают $300 тыс., к которым добавляются бонусы и опционы. Даже Netflix, Amazon и Tesla включились в гонку .

💵 Рекордные бюджеты на исследования и разработки

Зарплатный ажиотаж поддерживается рекордными бюджетами на R&D. В 2025 году четверка лидеров — Meta*, Google, Amazon и Microsoft — намерена потратить около $320 млрд на развитие AI-инфраструктуры (более чем вдвое выше уровня двухлетней давности). Эти средства направляются не только на оборудование, но и на закупку талантов через сложные компенсационные схемы, включающие в себя совокупность бонусов, акций, опционов и долгосрочных выплат. В Meta*, например, ведущие специалисты уровня E7 получают порядка $1,5 млн в год, большая часть которых приходится на доли в компании.

💸 Стартапы конкурируют с грандами

AI-стартапы становятся серьезными игроками на рынке талантов. Они не могут предложить таких же окладов, как лидеры рынка, но обещают значительную долю в бизнесе. Если проект выстрелит, эта доля может принести состояние. Примеры xAI и Mistral AI подтверждают, что новые компании могут стать «единорогами», т.е. выйти на $1 млрд капитализации всего за несколько месяцев. Такая скорость обогащения делает опционы от стартапов привлекательным вариантом даже для тех, кто получает восьмизначные офферы от мейджоров.

К тому же для амбициозных профессионалов важным фактором является возможность создать в стартапе нечто революционное, что вряд ли получится в стенах корпорации.

📈 Изменения на рынке труда

Рынок труда в сфере AI буквально перекраивается, и это выглядит даже подозрительно. Шестизначные зарплаты, ранее считавшиеся невероятным исключением, становятся нормой. В индустрии появились свои «суперзвезды»: за лучших специалистов борются лидеры рынка, а те имеют возможность выбирать между гарантированными миллионами в корпорациях и потенциальным джекпотом в стартапах. Для них открывается доступ к ресурсам, влиянию на ключевые проекты и карьерным высотам, сравнимый с топ-менеджментом крупных компаний. Но надолго ли такой праздник?

🎯 Последствия и перспективы

Хайп уже начал создавать проблемы. Университеты и исследовательские центры сталкиваются с «утечкой мозгов», поскольку не могут конкурировать с финансовыми возможностями Big Tech.

С другой стороны, AI-бум стимулирует образование и инвестиции в человеческий капитал. Узкие специалисты теперь ощущают свою ценность, что может привлечь в эту сферу еще больше талантов. Как мы и отмечали, ИИ не вытесняет специалистов, а трансформирует среду, создавая новые ниши. Потенциально в выигрыше все участники рынка, готовые развиваться и осваивать новые технологии.

В целом тренд выглядит так: AI-специалисты — новый сверхценный актив. Насколько это серьезно, свидетельствует дискуссия «Передовые технологии для новой геополитической эры» с участием Кондолизы Райс, прошедшая в феврале в Стэнфорде. Тот же Стэнфордский институт в своих отчетах фиксирует, что ИИ становится приоритетным направлением в мире, и спрос на AI-инженеров опережает предложение. Ажиотаж вокруг их найма отражает то, какую огромную ставку делает индустрия на искусственный интеллект. И пока эта ставка оправдывает себя, зарплаты будут только расти.

————————
* Признана экстремистской и запрещена на территории РФ.

#BigData #рынок_труда #ИИ

🚀 ©ТехноТренды

Новые open-source языковые модели за последние пару недель

В 2025 году наблюдается устойчивый переход от масштабных закрытых решений к более гибким, эффективным и доступным open-source альтернативам, в том числе малым моделям (SLM) и системам для Edge-устройств, о чем мы регулярно пишем. Новые разработки не только демонстрируют рост производительности, но и адаптируются под специфические потребности различных отраслей.

Основные тенденции в разработке моделей:
• оптимизация вычислительных ресурсов (один из ключевых трендов современности),
• развитие архитектур типа Mixture-of-Experts (MoE), которые делят большую модель на меньшие, специализированные подсети, называемые «экспертами»,
• расширение контекстных возможностей,
• фокус на специализацию, конкретные сценарии использования — от юридического анализа до сложного логического рассуждения.

В этом контексте особенно интересно наблюдать за особенностями новых open-source решений, которые выкатываются буквально каждые несколько дней.

✅ Gemma 3n от Google DeepMind — открытая модель (~5 млрд и 8 млрд параметров) для on-device использования. Поддерживает мультимoдальный ввод (текст, изображения, аудио, видео) и обучена на 140+ языках. Благодаря новому архитектурному решению MatFormer эффективное число параметров сокращено до ~2B/4B (память ~2–3 ГБ VRAM) , при этом качество остаётся высоким (модель E4B набрала >1300 Elo на LMArena — впервые для модели <10B) .

✅ Tencent Hunyuan-A13B-Instruct — 13 млрд «активных» параметров (всего 80 млрд, архитектура MoE). Универсальная LLM общего назначения с открытыми весами, обученная следовать инструкциям. Поддерживает контекст до 256k токенов и имеет режимы быстрого/медленного «мышления». Оптимизирована под агентные задачи: показывает лидирующие результаты на бенчмарках вроде BFCL-v3 и τ-Bench. Для эффективного инференса применяет оптимизированное внимание (GQA). Выпускается также в квантованных версиях (FP8, GPTQ и др.) .

✅ MiniMax M1 — новая открытая LLM от китайского стартапа MiniMax с рекордным контекстом ~1 000 000 токенов (ввод) и до 80k токенов вывода. Использует гибридную архитектуру MoE с 456 млрд параметров (45,9 млрд активных на токен). Модель ориентирована на сложное многошаговое рассуждение и генерацию кода: например, набирает ~86% на математическом конкурсе AIME 2024 и 65% на LiveCodeBench. По ряду сложных задач M1 превосходит предыдущих open-source лидеров (DeepSeek R1, Qwen3) и заметно сокращает разрыв с закрытыми моделями.

✅ SUSE Cavil-Qwen3-4B — специализированная 4-миллиардная LLM для юридического текста, открытая компанией SUSE. Является LoRA-дообучением модели Qwen3 (4B) для поиска лицензий и других легальных атрибутов в коде и документации. Модель распространяется под Apache 2.0 и работает на потребительских GPU (баланс производительности и деплоймента) .

✅ Dhanishtha 2.0 Preview — экспериментальная открытая LLM с «промежуточным мышлением». Умеет несколько раз переосмысливать и уточнять свой ответ, вставляя рассуждения между репликами. Такой подход экономит до ~79% токенов по сравнению с классическим развернутым мышлением (напр., у DeepSeek R1). Модель пока в стадии превью, но ее можно протестировать — код и веса доступны открыто.

👉 Тренды указывают на стремительное сближение возможностей открытых и коммерческих систем ИИ. Основным драйвером процесса служит ориентация на реальные потребности бизнеса и сообщества: от гонки за формальными численными показателями идет переориентация на конкретные задачи. Всё это создает условия для еще более активного внедрения ИИ в корпоративные и государственные процессы.

🔥 Параллельно идет переосмысление цифрового ландшафта. Ключевыми факторами успеха становятся открытость, интерпретируемость и энергоэффективность решений на основе искусственного интеллекта.

#LLM #SLM #тренды

🚀 ©ТехноТренды

🚀 Технодайджест: о чем писала отечественная и мировая пресса на прошлой неделе

⚡️ Минпромторг планирует взимать сбор с производителей и импортеров электроники для поддержки отечественной промышленности. Платить будут все, но российским производителям средства будут возвращаться.

⚡️ Российский IT-бизнес ищет выход на зарубежные рынки и не находит. Институт цифровых атташе оказался неэффективен.

⚡️ Oracle согласилась помочь OpenAI в реализации проекта Stargate. По условиям сделки OpenAI получит около 4,5 гигаватт мощности датацентров Oracle в США.

⚡️ Сэм Альтман выступил с программной статьей «Миссионеры победят наемников», в которой критикует Марка Цукерберга за перекупку ценных IT-кадров и предрекает угрозу для индустрии ИИ. Что стоит за этим спором гигантов, читайте в нашем обзоре.

⚡️ Растущий спрос на цифровых ассистентов вовлекает в этот сегмент рынка новых игроков. Разработчик сервиса видео-конференц-связи IVA Technologies намерен вложить 500 млн руб. в разработку собственных ИИ-продуктов.

⚡️ «Алиса» стала бесплатной. «Яндекс» отменил плату за большинство функций своей нейросети.

#дайджест

🚀 ©ТехноТренды

Матрешка и искусственный интеллект: Google научил модель прятаться внутри самой себя

Когда слышишь слово «матрешка», вряд ли первая ассоциация — ИИ. А зря. Новая модель Gemma 3n от Google реализовала именно этот архитектурный принцип, сделав его основой эффективности. И это не метафора, а легитимный и довольно старый термин: Matryoshka Embedding Model. Не иначе Сергей Брин подсказал ))

🪆Новая матрешка в нашем сельпо

Мы часто пишем об оптимизации моделей (1, 2, 3) — это один из важных трендов на фоне развития EdgeAI. Недавний релиз от Google стал одним из самых инновационных технологических прорывов года. Gemma3n — первая модель «матрешки» промышленного уровня.

На первый взгляд может показаться, что это обычная just one more LLM (их сейчас как пирожки пекут). Но вот в чем фишка: эта модель спокойно работает на вашем айфоне и при этом обеспечивает производительность на уровне лидеров рынка, таких как Claude 3.7 Sonnet и Llama 4. Кое у кого появился повод для паники.

В мульмодальной Gemma 3n включена обработка аудио (плюс к возможностям текста и зрения в версии 3.5). Каждый компонент интегрирует надежные исследовательские модели: Universal Speech Model для аудио, MobileNet v4 для зрения и MatFormer для текста. 

Модель доступна в двух размерах:
• E2B (2 млрд параметров) — требует всего 2GB памяти
• E4B (4 млрд параметров) — 3GB памяти
При этом фактическое количество параметров составляет 5B и 8B соответственно, но благодаря архитектурным инновациям модель компактно упакована «сама в себя».

Это прорывное решение для EdgeAI. Теперь вы можете использовать мощный ИИ непосредственно на устройстве, без необходимости в облачных серверах или сложной настройке GPU. Прозреваем новый глобальный захват рынка «корпорацией добра» и новые антимонопольные иски 😉

🔧 Как это работает — объясняем наглядно

Принцип матрешки — «одна в другой». То же самое в Google DeepMind сделали с искусственным интеллектом. Архитектура MatFormer (Matryoshka Transformer) представляет собой вложенный трансформер для эластичного вывода: большая модель содержит меньшие, полностью функциональные версии себя. Устройство на ходу выбирает нужную, в зависимости от потребности момента: один вектор может обрабатываться на нескольких уровнях понимания.

💬 Что происходит при выводе?
Матрешечная модель обучена создавать векторы, в которых самые важные данные находятся в начале. (Этот подход, называемый Matryoshka Representation Learning, не нов — более подробно см. в статье). При этом качественные представления создаются не только для полного размера, но и для усеченных. Можно обрезать вектор — и модель всё равно вас поймет и выдаст валидный ответ.

Получить короткий вектор так же быстро, как длинный, но при этом нужно меньше памяти и вычислений. Работает как режимы экономии батареи на телефоне:
• быстро, но не слишком умно
• сбалансировано
• полный интеллект на максималках.

Пример. Представьте, что модель распознаёт картинку с котом:
• Вектор = 64: «Это кошка»
• Вектор = 256: «Это домашняя кошка в интерьере»
• Вектор = 768: «Это взрослый кот породы табби, лежит на подоконнике в солнечный день».
Чем больше вектор, тем точнее описание.

То есть одна и та же модель:
• Может работать как маленькая, средняя и большая;
• Не нуждается в дроблении на разные версии;
• Масштабируется под любое железо — от смартфона до серверов.

А главное — меньше ресурсов, меньше затрат, меньше головной боли для CTO и DevOps.

💡 Вывод

Google снова тихо затащил. Пока остальные кидают на ИИ все доступные ресурсы, здесь учат модели быть гибче, а не тяжелее. И это один из главных трендов волны EdgeAI.

Полезные ссылки для тех, кто хочет «под капот»:
🔗 Введение в Matryoshka Embedding Models на Hugging Face
🔗 Официальная дока Gemma 3n от Google

#EdgeAI #ML #LLM #Google

🚀 ©ТехноТренды

🚀 Технодайджест: делимся новостями, которые привлекли наше внимание на прошлой неделе

⚡️ Спросите Гордона (не Фримена)! Разработчики Docker выкатили Ask Gordon — персонального ИИ-помощника, интегрированного в Docker Desktop и Docker CLI. Ассистент может анализировать локальную среду, включая исходный код, Dockerfile и образы, и выдавать полезные персонализированные рекомендации.

⚡️ Илон Маск представил Grok 4. По словам главы xAI, новая модель обладает знаниями на уровне Ph.D. во всех областях. В бенчмарке «Последний экзамен человечества» базовый Grok 4 набрал 41% баллов, опередив OpenAI o3, а модель Grok 4 Heavy, способная к параллельному анализу, — 50,7%. Подписка на тяжелого «доктора философии» обойдется в $300/месяц.

⚡️ Говоря о Grok 4, нельзя умолчать и о МехаГитлере 🤷‍♂️ 😂 Свежевыпущенный ИИ оказался крайне резок в суждениях и успел наговорить лишнего, прежде чем его пропатчили (не иначе, схватил беспокойный ген Илона). Скандал, как ни странно, не помешал xAI получить от инвесторов еще $ 2 млрд — но заодно напомнил, что даже самые дорогие и продвинутые проприетарные модели не застрахованы от системных проблем в обучении.

⚡️ Новости венчура. Российская ГК «Пиклема», поставщик IT-продуктов для горнодобывающей отрасли, привлекла 1 млрд рублей инвестиций. Инвесторы — «Основа капитал» и Kama Flow. Средства должны пойти на создание полноценной цифровой экосистемы, объединяющей горнодобывающие компании, поставщиков оборудования и разработчиков ПО, тем самым ускоряя автоматизацию горнорудной промышленности.

⚡️ NVIDIA подвинула Apple. Главный производитель GPU обновил мировые рекорды капитализации. Рыночная стоимость NVIDIA впервые в истории превысила $4 трлн — больше, чем общая стоимость всех публичных компаний Великобритании. За последние четыре года лидер рынка видеочипов подорожал почти в восемь раз (!!!) — мы с вами знаем, благодаря чему.

⚡️ Запрограммируй себе питомца. На HuggingFace представили Reachy Mini (см. видео) — домашнего робота-компаньона величиной с электрочайник. Няшный Ричи обладает опенсорсным AI с 15-ю предустановленными моделями поведения, полностью программируется на Python (обещают также JavaScript и Scratch) и предназначен для начального вхождения в робототехнику, творческого кодинга и экспериментов с ИИ. Кабельная лайт-версия стоит $299, комплектация на аккумуляторах и с лазерами из глаз — $450.

#дайджест

🚀 ©ТехноТренды

Представляем агент ChatGPT: соединяем исследования и действия

Openai молодцы 👏 Задумка на поверхности лежит. Если агент еще научится на телефонные звонки отвечать, звонить и записывать на прием и выполнять полную функцию секретаря. Это будет хороший переворот в рабочих и домашних процессах.

🚀 ©ТехноТренды

Вы уверены, что ИИ ускоряет вашу работу? О чем говорят реальные тесты

10 июля METR опубликовал интересное исследование, показывающее, как AI-инструменты влияют на производительность опытных разработчиков open-source проектов.

В рамках рандомизированного контролируемого теста 16 опытных программеров выполняли задания в своих репозиториях — с использованием ИИ и без. Испытуемые могли использовать современные ассистенты, такие как Cursor Pro с Claude 3.5/3.7 Sonnet, либо работать без генеративного AI. Всего за время эксперимента было выполнено 246 задач разной сложности, из них 136 — с участием AI.

В отличие от традиционных бенчмарков, где задачи упрощены и формализованы, METR использовал реальные задачи, реальных специалистов и реальные open-source проекты. Это делает исследование более релевантным для оценки влияния ИИ на профессиональную деятельность.

Ключевые результаты

🔸 Как показали метрики, с применением ИИ разработчики работали на 19% дольше, чем без него. Причем эффект сохранялся независимо от используемого инструмента: agentic mode, TAB или ручной ввод в ChatGPT — всегда расходуется лишнее время.

🔸 Интересно и то, что субъективно программисты этого не ощущали. Разработчики ожидали, что ИИ ускорит их работу на 24%, и даже после завершения задач были уверены, что ИИ помог им на 20%.

В чем причина неэффективности ИИ?

• Плохая интеграция ИИ в рабочие процессы. ИИ-инструменты не всегда учитывают специфику проектов и требуют дополнительной настройки.
• Ошибки в генерации кода. ИИ может выдавать неверные или неполные решения, которые требуют проверки и коррекции — а на это уходит время.
• Недостаток опыта работы с ИИ. До эксперимента многие участники не использовали Cursor. И хотя предварительно прошли курс обучения, их опыт работы с этим инструментом составлял менее 50 часов, что может указывать на недостаточную адаптацию к таким системам.

Выводы и прогнозы

Исследование METR не отрицает потенциала ИИ. Оно лишь подчеркивает, что современные AI-ассистенты еще не оптимально интегрированы в профессиональные процессы. Необходима дальнейшая работа по оптимизации взаимодействия человека и ИИ, интеграции LLM в существующие инфраструктуры, новые подходы к тестированию, документированию и ревью кода.

Также, как отмечают авторы, это исследование — «снимок» состояния ИИ на начало 2025 года. С улучшением архитектур, методов подсказок, персонализации и обучения ИИ на конкретных проектах эффективность LLM может значительно вырасти.

Наш комментарий

👉 Явный контраст с другими бенчмарками, обычно показывающими впечатляющую эффективность ИИ на стандартизированных задачах (см., например, отчет Innovation Endeavors). В реальных условиях при высоких требованиях к качеству кода и сложных задачах ИИ пока не оправдывает ожиданий.

🔥 Не менее интересно и выявившееся когнитивное искажение разработчиков. Что это: очарованность магией ИИ или завышенная оценка собственной эффективности?

С другой стороны, есть исследования, показывающие реальное положительное влияние ИИ на производительность программистов — в первую очередь джуниоров и мидлов. Например, ИИ-ассистенты реально помогают неопытным программистам быстрее находить решения и избегать типичных ошибок (см. отчет Роберта Солоу «AI and the Productivity Puzzle», 2024).

Тесты METR также полностью подтверждают первые наблюдения практику такого явления, как вайбкодинг. Безусловно, в рутинных задачах на написания «быстрорешений» MVP, малых скриптов или кусков кода LLM хорошо помогают.

Другое дело, когда нужно сделать полноценный проект или же обеспечить дописание и поддержку существующего проекта. За LLM нужно проводить код-ревью, и это может быть труднее и дольше, чем кодить с нуля. Часто приходится корректировать промпты, прежде чем LLM сможет написать нормальный код.

Таким образом, высокоуровневый ИИ может хорошо показать себя в проектах, где LLM применяется с нуля и полностью исключено человеческое участие... эдакое программирование «человеческим языком», без сложных команд и конструкций типа try catch.

#AI #программирование #тренды

🚀 ©ТехноТренды