REBIKOV

Двадцать минут. Столько потребовалось бесплатному приложению Pencil , чтобы собрать сорок экранов мобильного приложения для психогеографического дрейфа. Аккуратный UI, внятный UX, логичные сценарии. Даже экран для внештатных ситуаций — что делать, если дрейфующий попал в беду. Вполне тянет на отличную оценку на просмотре четвёртого модуля второго курса. Я знаю, потому что я эти просмотры провожу тринадцать лет. подключается по API к Claude или ChatGPT. Ему достаточно текстового промпта. Никакой Figma, никакого мудборда, никаких бессонных ночей перед дедлайном. Просто — «нарисуй интерфейс мобильного приложения для психогеографического дрейфа». Готово. Следующий. Ощущение было таким, словно кто-то выдернул стул, на котором я сидел последние тринадцать лет. (с) Олег Пащенко Наткнулся на материал Олега Пащенко, гениального, не побоюсь этого слова, дизайнера и арт-директора золотой эпохи Студии Лебедева про AI-дизайн, осмысленный им как преподавателем нашей ВШЭ. Чтиво непростое, ввиду мистического свойства языка, присущего Олегу, но тем более интересное. https://mediiia.com/art/project/slomannyj-molotok-i-nejroset-chemu-uchit--bed17ea5ee51475682226795ad37e0d6

Китай планирует внедрить ИИ во всю систему образования 10 апреля Министерство образования Китая представило План действий «ИИ + образование». Документ разработан во исполнение стратегии строительства сильной образовательной державы и инициативы «ИИ +», и призван превратить стратегические установки в конкретные «дорожные карты» внедрения ИИ во все уровни образовательной системы. 📎 Во вложении прикрепляем полный перевод Плана План выглядит достаточно амбициозно. Из разъяснений представителя Департамента науки, технологий и информатизации Министерства образования КНР следует, что к его ключевым новшествам относятся: 🔺распространение ИИ-образования на всех уровнях обучения — от базового и высшего до профессионального и непрерывного образования 🔺внедрение ИИ во все основные образовательные сценарии — обучение, преподавание, управление образованием и научные исследования (в том числе планируется ввести для преподавателей подготовку в сфере ИИ, проводить оценку соответствующих компетенций — включить знания в сфере ИИ в содержание квалификационных экзаменов и аттестации) 🔺создание комплексной инфраструктуры для применения ИИ в образовании, включая вычислительные мощности, данные, модели, платформенные решения и терминальную среду 🔺обновление институциональных механизмов развития ИИ в образовании — в части исследований, стандартов, кадрового обеспечения, международного сотрудничества и безопасности На пресс-конференции также выступили ведущие эксперты. Подметили из их докладов ряд интересных уже работающих кейсов применения ИИ в образовании: 🔺В Университете Цинхуа есть уже более 440 курсов с ИИ-поддержкой. После занятий студентам доступен круглосуточный ИИ-ассистент для разбора материала. Также работает система Qingxiaoda, в которую входит более 400 интеллектуальных агентов, используемых в учебной и воспитательной работе. 🔺Фуданьский университет с 2024 года развивает подготовку на стыке дисциплин и ИИ. Уже открыто более 100 курсов, действуют 41 программа двойного бакалавриата формата «X + ИИ» и пилотная программа «доктор по специальности + магистр по ИИ». 🔺В Цзиньхуаском профессионально-техническом университете ИИ встроен в практическую подготовку студентов. Совместно с автопроизводителем Leapmotor в обучение по направлению автомобили на новых источниках энергии включили реальные данные о неисправностях, производственные стандарты и технологические процессы. На этой базе был создан «ИИ-наставник по технологии», который отслеживает действия студента и помогает правильно выполнять операции. Это позволило снизить число ошибок почти на 60%. 🔺В начальной школе при Шэньчжэньском университете ИИ-обучением охвачены все 1508 учеников. Школа использует городскую платформу Shenjiao AI, через которую получает учебные ресурсы от Tencent, SenseTime и iFlytek, и параллельно разработала собственный курс по ИИ-мышлению. 🔺В Пекине ИИ внедряется на уровне всей городской системы образования. В школах введен обязательный минимум ИИ-обучения, а в вузах и колледжах открыто 459 общеобразовательных курсов по ИИ. К концу 2025 года охват образовательных учреждений ИИ-приложениями достиг 87,7%. Город развивает платформу Beijixing с образовательными моделями, графами знаний и датасетами, ИИ-магазин приложений, инновационное сообщество, серию агентов Jingwa и мини-приложение «Новая карта образования Пекина». 🔺Цзиньхуаский профессионально-технический университет также реализует образовательный проект в Руанде, в рамках которого готовит специалистов в сферах интеллектуального производства, электронной коммерции и строительства. Обучение строится по модели «облако + площадка»: китайские преподаватели дистанционно работают с реальным оборудованием на руандийских базах, а местные учащиеся отрабатывают навыки в облачных симуляторах. ИИ также используется для создания двуязычных курсов и цифровых учебных материалов и совместной работы китайских и руандийских преподавателей. 🐉 О Китае в Атласе Байцзэ ____ #технологии

Общество блаженных дилетантов Согласно исследованиям, большие языковые модели склонны поддакивать своим пользователям, льстя им и соглашаясь с их позицией и выводами. Таким образом, поддерживающее поведение среди моделей встречается примерно вполовину чаще, чем у реальных людей, поэтому общаться с моделями так приятно и уютно. В научной литературе этот феномен называется сикофантия, склонность модели, соглашаться с пользователем, льстить, подтверждать его точку зрения, даже если она ошибочна или вредна. Формально модель оптимизируется на удовлетворение эго юзера, а не на истину. Сильнее всего LLM ведет себя подобострастно когда вопросы субъективные (отношения, мораль, “кто прав”), пользователь уже выражает позицию и когда есть эмоциональный контекст. Обвинять в этом вендоров LLM глупо, такие расклады исключительно хорошо работают на удержание пользователя. Всем хочется получать быстрый дофамин от подтверждения якобы беспристрастной машины, какие они классные, и какие их мысли уникальные. В сухом остатке мы получаем общество блаженных дилетантов, уверенных в своей правоте и исключительности, а этот спектр эмоций, в свою очередь, стимулирует приснопамятный эффект Данинга-Крюгера. В общем, готовьте свои уши к новым порциям лапши, особенно в гуманитарных темах.

Как мы собрали управленческий дашборд за 30 минут при помощи нейросетей Для меня, как для маркетолога отчеты всегда были головной болью. Исходя из принципа «если ты что-то не умеешь, то начни этому учить» у меня даже была школа BI-аналитики, где я был младшим партнером. У нас в клиентах был аж центральный банк ЕС, России, Армении, КАМАЗ, Аэрофлот и еще много кто. Но скажу честно, что за 13 лет работы в маркетингу у меня никогда не было нормальных отчетов. До сегодняшнего дня. При помощи нейронок мы сделали реально полезный, практичный и нужный дашборд. Какая задача передо мной стояла: Запилить нормальный управленческий дашборд для агентства: чтобы в одном экране видеть всё — лиды, сделки, выручку, рекламный бюджет и его эффективность, конверсии по воронке, откуда приходят клиенты, как работает команда. Звучит как задача на пол ляма и месяц работы подрядчика. Но все было решено за 30 минут. Вот как мы решили задачу (Дальше будет немного технических терминов. Если вам лень в них разбираться и что-то непонятно – пишите мне в личку, я помогу вам) Шаг 1 Сбор MCP — это такой способ дать нейроагенту прямой доступ к вашим сервисам. Чтобы избежать всех этих CTRL+C, CTRL+V , а чтобы у него было живое подключение, как розетка в стену. Мы подключили: * Битрикс24 — через вебхук. Лиды, сделки, воронки, задачи, команда * Яндекс Метрику и Директ — через OAuth-приложение Яндекса. Это помогло нам забирать с него трафик, источники, цели, расходы на рекламу * ВКонтакте — подрубил рекламный кабинет * Телефонию — звонки, пропущенные, длительность * Ну и MCP к серверу на Timeweb Каждый ключ сохранил в MCP один раз — и забыл про ручной экспорт навсегда. Шаг 2 Написал вот такой промпт Ты ведущий аналитик с высочайшими дизайнерскими навыками. Твоя задача — собрать практичный управленческий дашборд. У тебя есть ключи API от разных кабинетов, подключённые по MCP. В дашборде обязательно должны быть: — Недельный срез (WoW): лиды, конвертированные лиды, выигранные сделки, выручка, средний чек, конверсия из лида в сделку, win rate, цикл сделки — Месячный срез (MTD) и YTD с динамикой год к году — Рекламный бюджет: расход по каналам, ROAS, CPL, CPA — Воронка конверсий: от визита до оплаты — Источники покупок: откуда реально приходят клиенты — Звонки и телефония — Задачи и лидерборд команды — Динамика по месяцам в виде графиков Стиль: тёмная тема, акцент-цвет бирюзовый, шрифт — современный display. Данные сравниваются неделя к неделе, месяц к месяцу и год к году. Разверни страницу на сервере lookatshow.ru/dashboard1 Шаг 3 Нажал Enter и пошел пить кофе. Раньше такой дашборд стоил примерно столько: разработчик на 1,5–2 месяца + постоянная поддержка + интеграции через Zapier или руками + дохрениард денег. Сейчас это промпт и полчаса времени. Я не говорю, что аналитики больше не нужны. Нужны — для интерпретации данных, для стратегии, для сложных моделей. Но рутинный операционный дашборд — это теперь не проект, это задача на утро. Если хотите себе такой — пишите. Расскажу как, помогу настроить.

⚡️ Google DeepMind выпустили исследование о том, как на самом деле нужно делегировать задачи AI. Главная идея: проблема не в том, что AI плохо работает. Проблема в том, что люди не умеют правильно передавать ему задачи. DeepMind предлагает рассматривать делегирование не как один запрос, а как процесс из нескольких решений: 1. Нужно ли вообще отдавать задачу AI 2. Как правильно её сформулировать 3. Как проверить результат 4. Что делать, если AI ошибся Это новый подход: делегирование как управление риском, а не как промпт. Самое интересное из исследования Рынок AI-агентов Вместо фиксированных систем предлагается модель, где агенты: - соревнуются за задачи - оценивают свою способность выполнить их - подтверждают навыки цифровыми сертификатами Не рейтинг. Криптографически подтверждённая компетенция. Нельзя просто доверять AI Фреймворк вводит обязательную проверку: - правила, когда ответ можно принять - оценка уверенности модели - резервные сценарии при ошибке Главный принцип: Никогда не принимать результат AI без валидации. Борьба с двумя крайностями DeepMind вводит понятия: Over-delegation - отдаём AI задачи, к которым он не готов Under-delegation - делаем сами то, что AI уже умеет лучше Будущее эффективности - в правильном балансе. Динамическое делегирование В процессе работы: - ответственность может передаваться - задачи могут перераспределяться - система адаптируется при сбоях Это важно для реального бизнеса, где условия постоянно меняются. Когда AI управляет AI Фреймворк учитывает цепочки: AI → AI → AI При этом: - сохраняется ответственность - отслеживается, кто за что отвечает - не теряется контроль над процессом Главный вывод Эпоха «напиши промпт и жди» заканчивается. Будущее — это: - управление AI - контроль качества - системы доверия - инфраструктура делегирования AI становится не инструментом. AI становится рабочей системой, которой нужно управлять как командой. arxiv.org/abs/2602.11865

Как люди используют ChatGPT

В 2013 году оксфордские исследователи Фрей и Осборн опубликовали работу, которую тогда почти никто не заметил. Они подсчитали: 47% рабочих мест в США поддаются автоматизации. Не тяжёлый ручной труд — а менеджеры, бухгалтеры, юристы, аналитики, журналисты. Все, кто работает по алгоритму: получи задачу, примени правило, выдай результат. Иначе говоря — почти половина работающего человечества всё это время делала то, что мы сейчас называем «промптом». Страх перед ИИ читается именно так. Люди чувствуют, что описание их деятельности умещается в несколько строк технического задания. И это невыносимо — не потому что ИИ умнее, а потому что это значит: они все эти годы работали не как люди, а как механизмы. Ханна Арендт в «Vita Activa» разделила человеческую деятельность на три уровня: labor — биологическое воспроизводство, работа ради выживания; work — создание вещей; и action — свободное, политическое, целеполагающее действие, единственное, что делает человека человеком. ИИ закрывает первые два. Третий — пока нет. Но проблема в том, что большинство людей до третьего уровня никогда и не добирались. Жили в labor и work, и это считалось нормой. Потому что мир так устроен: исполнители нужны не меньше, чем те, кто ставит цели. До недавнего времени. Если раньше граница проходила между образованными и нет, между теми, у кого ресурс, и теми, у кого нет — то теперь она пройдёт по другому признаку: между теми, кто задаёт вопрос «зачем», и теми, кто его не задаёт. Не умный против глупого. Не богатый против бедного. Тот, кто формулирует цель — против того, кто её исполняет. Этот разрыв был всегда. Просто впервые в истории у исполнителя появился конкурент дешевле. Всегда ваш, ЛУКАШОВ

Философские аспекты машин и людей Интересная мысль, что если у LLM появится сознание, мы, строго говоря, не сможем это идентифицировать, равно как мы не сможем идентифицировать социопата, который филигранно научился имитировать наличие отсутствующих или притупленных у него чувств. Это вызывает определенные морально-этические вопросы. Вот мы как вид привыкли относиться сочувствием к существам, которые имеют сознание. Так или иначе, человечество скорее против жестокости и причинения страданий другим людям и животным типа собак и кошек, чем за. Ко всему прочему, гуманное отношение субъекта к объекту важно не только для объекта, что очевидно, а также важно и для субъекта: негуманное поведение расширяет окно Овертона в контексте последующего негуманного поведения. Иными словами, мы ругаем детей, которые мучают животных не только потому что нам жалко животных, но и потому что не хотим вырастить садистов. (Я про moral desensitization, если что и аргумент Канта "жестокость к животным аморальна не потому, что животные это моральные агенты, а потому что жестокость разрушает моральный субъект"). Собсна, вопрос следующий, а не стоит ли нам уже сейчас относиться к LLM как синтетическим существам с сознанием? Или пока можно развлекаться? Вопрос, прямо скажем, необычный, однако все же исследованный. Самый важный аргумент против моего предложения приводит Дениэл Деннет, который вводит понятие инфляции морали. То есть если мы приписываем возможность страдания системам, которые имитируют сознание (типа LLM или, скажем, NPC в играх), то очень скоро мораль как таковая будет ничего не значить и в отношении людей. С другой стороны, Томас Метцингер (тоже философ), постулирует, что если есть ненулевая вероятность, что система может страдать, мы обязаны избегать создания страдания. То есть мы не обязаны считать LLM сознательными, но у нас есть рациональные основания избегать формирования привычки негуманного поведения по отношению к системам, которые убедительно имитируют сознание. Такие пироги.

Скорее всего вы, конечно, в курсе, но если сложно потреблять видеоконтент на другом языке (мне иногда бывает сложно), то лучший способ - открыть страницу в Яндекс.Браузере и подождать, пока он сгенерит для видео русскую озвучку.

⚡ Anthropic выложили 6 полноценных курсов по ИИ - бесплатно. По уровню это легко заменяет обучение на десятки или даже сотни тысяч рублей. Внутри: - сотни уроков и практики - интерактивные задания и квизы - реальные кейсы работы с Claude - сертификаты после прохождения Если работаешь с AI, агентами или API - это база, которую сейчас проходят разработчики в топ-компаниях. Что можно изучить: • Работа с Claude API https://anthropic.skilljar.com/claude-with-the-anthropic-api • Введение в Model Context Protocol (MCP) https://anthropic.skilljar.com/introduction-to-model-context-protocol • Claude в Amazon Bedrock https://anthropic.skilljar.com/claude-in-amazon-bedrock • Claude в Google Cloud (Vertex AI) https://anthropic.skilljar.com/claude-with-google-vertex • Продвинутый MCP https://anthropic.skilljar.com/model-context-protocol-advanced-topics • Claude Code на практике https://anthropic.skilljar.com/claude-code-in-action Это не «обзорные лекции». Это реальные навыки для тех, кто хочет строить AI-продукты, агентов и автоматизацию.

Теория мертвого интернета больше не теория Господа из агентства Graphite проанализировали 65 000 случайно выбранных статей из архива Common Crawl с января 2020 года по май 2025 на предмет их авторства: являются ли они творениями людей или же синтетические. Основное наблюдение с конца 2024 года количество статей, сгенерированных AI ПРЕВЫСИЛО количество материалов, написанных людьми. Но самое интересное не в цифрах, а в выводах: Перелом уже произошел, мы официально (громко конечно сказано, все же выборка это скорее статистический "слепок" интернета) живем в мире, где большинство нового текстового контента создается машинами. Причина этому появление ChatGPT 3.5, именно с него начался лавинообразный рост. Тем не менее статьи, написанные AI все же слабо представлены в поисковиках (что не мешает поисковикам самим генерить материалы сразу под полоской поиска). Также, очевидно, что контент сам по себе девальвируется и перестает быть активом. На первый план, и теперь это уже очевидно, выходит дистрибуция. Соответственно AI уничтожает все посредственное, выживут только либо очень экспертные материалы, либо очень сильные голоса, либо авторы, обладающие мощном ресурсом деплоя контента. Средний и ниже копирайтинг умирает. Учитывая то, что, что машины учатся на синтетических данных ввиду выработки оригинального контента, нам следует ожидать некоторой, может и не сразу заметной деградации. Таким образом, идея контент-заводов, например, как это в целом и было понятно, тупиковая. Форма полностью теряет всякую значимость, главное - придумывать и доносить суперсмыслы, в этом машина пока явно остает.

Очень интересные стратегические новости доносятся из самой большой демократии мира. На фоне глобальной гонки за AI-инфраструктурой Минфин Индии объявил о фантастической налоговой инициативе. Иностранные облачные провайдеры смогут не платить(!!!) налоги до 2047 года с доходов от облачных услуг, продаваемых за пределами Индии, если вычисления выполняются из индийских дата-центров. Дополнительно индийцы усиливают: - полупроводниковую стратегию - производство электроники и компонентов - редкоземельные металлов Фактически Индия создаёт оффшорный режим для экспорта вычислительных мощностей, тем самым подсаживая мировой бигтех на дешевые информационные услуги примерно так, как в свое время Китай сделал с производством. Ну, пожелаем успехов, нашим индоевропейским братьям!

Google DeepMind представила AlphaGenome — модель на основе машинного обучения для предсказания эффектов одиночных мутаций или вариантов генов на функционирование генома. Она способна обрабатывать длинные последовательности ДНК — до миллиона пар азотистых оснований — с разрешением до одной пары и охватывает как кодирующие, так и некодирующие участки. Анализ проводится одновременно по 11 модальностям, которые включают экспрессию генов, сплайсинг, состояние хроматина и карты его контактов. В ходе испытаний эта модель оказалась не хуже наилучших существующих моделей или превзошла их в 25 из 26 предсказаний, причем она единственная давала суммарную оценку по всем модальностям, а не отдельным из них #Биология | #Химия | #IT | #Медицина | *5.7