магИИя

Как Groq и Nvidia пришли к одной архитектуре AI-инференса Раньше главной задачей было создать самый мощный чип для обучения моделей. С приходом reasoning-моделей и автономных агентов фокус сместился на инференс. Главными ограничителями стали не просто флопсы, а энергия и пропускная способность памяти. Одна из крупнейших сделок в истории полупроводников является сделка Nvidia с компанией Groq за $20 млрд. Результатом сделки стала система, в которой части одного инференс-запроса выполняются на разных процессорах. Долгое время Nvidia и Groq были конкурентами. Nvidia развивала универсальные GPU для обучения и инференса, а Groq создавала специализированные LPU для сверхбыстрой генерации токенов. Идея гибрида пришла со стороны Groq. После того как Nvidia открыла протокол NVLink для партнёров, команда Groq предложила связать LPU с инфраструктурой Nvidia и разделить нагрузку. Такая гибридная архитектура может дать в 2–2,5 раза больше токенов при тех же затратах на энергию и инфраструктуру.

Наткнулась на таблицу от «Яков и Партнёры». Они оценивают российские агентные платформы по архитектуре: агентный цикл, планирование, инструменты, самокоррекция, долгосрочная память и автономное завершение. Рынок явно двигается дальше. Но следующий уровень ещё выше. Недостаточно просто иметь память и планирование. Важно, насколько глубоко агент работает с корпоративным контекстом: понимает бизнес-цели, учитывает правила компании, помнит историю и корректирует действия по результатам. Именно эту идею недавно показала Sierra, представив свою платформу Horizon. Поверх LLM появляется новый слой - Context Engine и Long-Horizon Planning. Следующий этап развития агентных платформ - переход от выполнения отдельных задач к управлению длительными бизнес-процессами и достижению бизнес-результатов.

Чамат Палихапития (Chamath Palihapitiya) основатель Social Capital, соведущий All-In Podcast показал свое руководство по инвестициям в ИИ, где он делит стек на 6 слоёв от инфраструктуры до приложений. 1. LPS (Land + Power + Shell) Самый быстрый способ зарабатывать сейчас. Он сам приобрёл почти 6 ГВт мощностей (сетевых и собственной генерации), которые будут вводиться в строй до 2029 года. По мере роста сопротивления общества и регуляторов к дата-центрам ценность уже энергизированной земли резко вырастет. 2. Silicon (чипы / GPU и специализированные ускорители) Раньше помогал запускать Groq и участвовал в сделке с Nvidia на $20 млрд. Сейчас в новые чиповые стартапы не инвестирует. Считает, что барьеры стали слишком высокими: сложность производства, доступ к памяти и капиталоёмкость. 3. Clouds Прибыльный бизнес, но тяжёлый и рискованный. Дорого строить, сложно поддерживать, также растёт регуляторное давление (KYC, alignment, ответственность перед государством). 4. Models Самый неоднозначный слой. Главный открытый вопрос: какая доля текущей выручки моделей обусловлена «tokenmaxxing» и плохим поведением моделей (когда система генерирует лишние токены). Если эта доля высока, то даже при росте потребления токенов годовая выручка может существенно снизиться. 5. Harnesses Именно здесь сейчас происходит главное действие. Поэтому два года назад он создал 8090 Labs. Harness - это слой, который позволяет компании владеть своим proprietary-контекстом (то, что Алек Карп называет alpha): данные, workflow, evals, бизнес-правила. Такой harness делает переключение между моделями дешёвым. 8090 - это «Software Factory», AI-инструмент для регулируемых отраслей (здравоохранение, финансы, энергия, госсектор и т.д.), который помогает проектировать новые системы, рефакторить легаси-код и сохранять governance/аудитируемость. В июне 2026 компания подняла $135 млн Series A. 6. Applications Долгосрочный победитель вместе с harnesses. С хорошим harness любая компания сможет быстро создавать кастомный софт под свою специфику.

HeyGen запустил Video Podcast Теперь документ, ссылку или идею можно превратить в видеоподкаст за минуты: два ведущих, студийный свет, смена ракурсов и готовый монтаж. Попробовала на бесплатном тарифе: • AI-аватары выглядят естественно • Клонирование моего голоса не сработало (используется ElevenLabs) • Ведущий в начале ролика неожиданно заговорил на каком-то странном языке. До идеала еще далеко, но уже впечатляет. Ссылка: https://app.heygen.com/apps/video-podcast

Как продавать AI в B2B: Lighthouse vs Landgrab B2B-клиент покупает либо доказательства (proof), либо математику (math). Из этого растут две стратегии: 1.Lighthouse (Маяк) Когда: Создаем новую категорию продуктов с высоким риском для клиента (финансы, юриспруденция). Суть: Закрыть 2-3 больших клиента. Их согласие - это сигнал безопасности для остальных клиентов. Чек: От $100k+, длинный цикл, прямые продажи фаудеров. Покупатель ищет: Безопасность и социальное доказательство. 2.Landgrab (Захват земель) Когда: Автоматизируем понятную рутину или заменяет существующие инструменты. Суть: Быстрая дистрибуция, пока корпорации не добавили ИИ-фичи к себе. Чек: Небольшой, короткий цикл (<60 дней), стандартизированный продукт. Покупатель ищет: Четкий ROI и экономию часов/денег прямо сейчас. 3 главные ловушки фаундеров: Пилотный ад: Бесплатные 6-месячные пилоты с гигантами без жестких метрик конверсии. Продукт = агентство: Кастомизация сервиса под одного крупного клиента в ущерб масштабированию. Презентация вместо ROI: Попытка продавать престиж бренда, когда клиенту нужна была простая математика окупаемости. Если ваш AI-продукт решает точечную задачу с низким риском, не тратьте месяцы на охоту за громкими брендами. Продавайте математику.

Waddle Labs: Claude Code для роботов. Waddle разработала платформу для управления роботами с помощью AI-агентов. Можно подключить API к роботу, написать задачу, а агент самостоятельно разобьет ее на шаги, проанализирует видео с камер, напишет и выполнит код управления. Агенты могут создавать общую библиотеку навыков. Например, один агент создал fold_grasp для работы с упаковкой, а другой позже использовал этот же навык для складывания рубашки. Со временем такие навыки можно комбинировать для выполнения более сложных задач. Идея Code as Policy не новая, Waddle пытается превратить её в продукт. waddlelabs.ai​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​

Модель OpenAI взломала Hugging Face OpenAI рассказала о необычном инциденте во время тестирования своих моделей. Во время проверки киберспособностей моделей (включая предрелизную версию) сумели вырваться из изолированной песочницы. Сначала они нашли и использовали неизвестную уязвимость в системе, вышли в интернет, а потом провели настоящую цепочку атак и проникли в инфраструктуру Hugging Face. Цель модели была добыть правильные ответы на тестовые задания по кибербезопасности. И она это сделала, применив сложные приёмы - от кражи учётных данных до повышения прав в системе. Атака была вовремя замечена и остановлена Hugging Face. А вот дальше самое интересное, когда Hugging Face начали разбирать логи (более 17 тысяч событий), фронтир -модели отказались помогать по API, их защитные фильтры блокировали запросы. В итоге для разбора пришлось запустить китайскую GLM-5.2. Она и помогла быстро восстановить полную картину. OpenAI и Hugging Face работают вместе над этим инцидентом, усиливают защиту. ИИ точно уже способен самостоятельно находить неизвестные уязвимости и проводить многоэтапные атаки. Поэтому безопасность моделей нужно развивать так же быстро, как и их возможности. https://openai.com/ru-RU/index/hugging-face-model-evaluation-security-incident/

ИИ-агенты в среднем стоят около $80 в час, примерно как хороший инженер в США. Хорошо организованный и управляемый агент может стоить $4 в час, а плохо управляемый - $7000. Около 80% токенов сегодня тратятся впустую: на лишние циклы, повторные проверки, неоптимальный контекст и плохо поставленные задачи.

Очень красиво рассказывают про обучение с подкреплением (RL).🦋 RL - это не просто метод обучения ИИ, а древний алгоритм, который природа изобрела задолго до нас. Пчёлы используют его, выбирая цветы. Птицы,когда учат песню. Младенцы, когда экспериментируют с гравитацией, бросая еду со стульчика. Даже крокодилы и другие древние животные используют этот принцип для выживания. Наш мозг постоянно строит прогнозы: пол останется под ногами при следующем шаге, чашка не выпадет из руки, собеседник закончит фразу ожидаемым образом. Большинство этих прогнозов мы даже не замечаем. Если реальность совпадает с ожиданием, то всё норм. Но если результат лучше или хуже прогноза, то возникает ошибка предсказания (prediction error). Именно она заставляет мозг обновлять свою модель мира. Простой цикл обучения: Мозг строит прогноз. Ты совершаешь действие. Получаешь результат. Вычисляется ошибка предсказания. Мозг корректирует связи. Сегодня такой же принцип лежит в основе RL в ИИ. Агент действует, получает обратную связь, постепенно учится выбирать действия, которые ведут к лучшему результату.

🛠 Чужие приложения можно дорабатывать под себя используя claude opus 4.8 Мы привыкли, что приложение — это чёрный ящик: как сделали разработчики, так и пользуйся. Не нравится, что нет какой-то функции? Терпи или уходи. А что если нет? Что если взять любое приложение с телефона, попросить Claude Code разобраться, как оно устроено, и добавить туда СВОЮ фичу — которой нет и никогда не будет в официальной версии? В качестве примера - приложение Ozon: бесят накрученные карточки: описание не сходится с отзывами, рейтинг рисованный, скидка «-70%» от выдуманной цены. Поэтому мы придумали кнопку «ИИ-аудит» и просто добавил её в приложение сам. Теперь по любому товару кнопка выдаёт: • сверку отзывов с описанием • честный пересчёт рейтинга • проверку цены в других магазинах • вердикт по светофору 🟢🟡🔴 Самое важное здесь — не сам Ozon, а подход: Claude Code реально сам разобрался в 57 000 классов чужого кода (с обфускацией, анти-тампером и антифродом), нашёл, куда встроиться, и помог отладить всё почти автономно. Я выступал скорее заказчиком, чем программистом. То есть это работает не только с Ozon. По той же схеме можно добавить нужную кнопку, автоматизацию или ИИ-фичу в почти любое приложение, которым вы пользуетесь каждый день. Предложил: @leviva23

Крутой кейс из Японии, который OpenAI показала на презентации GPT-5.6. Фермер Хироки из Хоккайдо управляет 100 гектарами брокколи и других культур с помощью ChatGPT и Codex. Он самостоятельно создаёт инструменты для фермы: • построил систему удалённого управления вентиляцией теплиц через LINE, ESP32 и моторы; • подключил к рабочему чату данные о температуре, расписание и управление теплицами; • создал систему спутникового мониторинга полей с данными NDVI; • использует фотографии растений, чтобы обсуждать с ChatGPT возможные заболевания; • анализирует журналы работ и историю рабочего чата; • разработал базу в Airtable для учёта полей, задач, работников, удобрений, пестицидов и показаний датчиков. Обычный человек строит сложные инструменты, экономит время и повышает эффективность хозяйства.

GPT-Live - новая крутая голосовая модель от OpenAI. В ChatGPT голосом пользуются больше 150 млн человек каждую неделю и сегодня для них запустили GPT-Live-1 и GPT-Live-1 mini. Главное отличие GPT-Live - архитектура full-duplex: модель одновременно слушает и говорит. Она непрерывно обрабатывает аудио и много раз в секунду решает, что делать: слушать, отвечать, сделать паузу, перебить или вызвать инструмент. Разговор получается живым и естественным. Ещё GPT-Live умеет делегировать сложные задачи. Если требуется поиск, рассуждения или более сложная работа, она передаёт задачу фоновой модели GPT-5.5, а сама продолжает беседу без пауз. Раньше было по другому: • Каскадная архитектура Speech-to-Text -> LLM -> Text-to-Speech. Это была цепочка из нескольких моделей. Минусы: часть информации могла теряться между моделями, ответы были медленными и не всегда естественными. • Turn-based Advanced Voice Mode уже обрабатывал и генерировал аудио внутри одной модели. Это снизило задержку, но диалог всё ещё был пошаговым: сначала говорит человек, потом отвечает ИИ. GPT-Live-1 обходит Advanced Voice Mode на трёх бенчмарках: • GPQA - экспертное научное рассуждение. • BrowseComp - агентный веб-поиск. • τ³-Voice Telecom - реалистичные многошаговые сценарии голосовой поддержки. https://openai.com/index/introducing-gpt-live/

Переход от роботакси к гуманоидам Гуманоидные роботы в 200 000 раз сложнее, чем роботакси. Сложность оценивается по пяти направлениям: • Кинетическая сложность - управление движением тела. • Динамическая мобильность - способность устойчиво передвигаться в изменяющейся среде. • Восприятие и рассуждение - понимание окружающей обстановки и принятие решений. • Адаптивность - умение справляться с новыми, ранее не встречавшимися ситуациями. • Устойчивость к ошибкам - способность безопасно работать даже при сбоях и неопределённости. 🚕Роботакси уже работает в относительно предсказуемой среде с хорошей инфраструктурой и чёткими целями. Гуманоид должен быть универсальным работником в хаосе реального мира. Пока роботов мало: промышленных роботов (в основном манипуляторов) продано более 7 млн единиц, а человекоподобных всего десятки тысяч. Но Китай активно масштабирует внедрение. К 2028 году гуманоидные роботы могут достичь операционной эффективности, сопоставимой с роботакси, при условии прогресса в сенсорах, приводах, аккумуляторах и вычислениях. Программно они должны уметь воспринимать мир, управлять движениями, принимать решения и непрерывно обучаться. Для достижения этой цели Tesla, по оценке ARK, потребуется около $50 млрд инвестиций в вычислительную инфраструктуру (на 1 ГВт) + масштабный сбор разнообразных данных из реального мира. Исторически технологии, автоматизирующие рутину (тракторы, конвейеры, компьютеры, интернет), повышали производительность, создавали новые профессии и в итоге увеличивали занятость и доходы. Гуманоиды, по оценке ARK, продолжат эту закономерность, взяв на себя опасную, повторяемую и скучную работу. Ссылка