Технозаметки Малышева

AGI

Фазовый переход в использовании памяти: что это открытие значит для AI-разработчиков? 🟪 Осторожно много буков. 📝 Вы когда-нибудь замечали, что в одних задачах LSTM или Transformer с памятью работают идеально, а в других – только жгут ресурсы без улучшения качества? Оказывается, выбор между «хранить историю» и «действовать по текущему моменту» – это не плавная настройка, а настоящий фазовый переход первого рода (как таяние льда). И его можно предсказать аналитически. 🪨 Новая статья в Physical Review Letters (плюс 19 страниц матана в Supplemental) даёт чёткие критерии, когда память выгодна, когда нет, а когда возможен гистерезис. Гистерезис – это когда состояние системы зависит не только от текущих параметров, но и от того, как вы к ним пришли (от истории изменения). Модель в двух словах. Попытался 📦 всю жесть из материала сублимировать 😐, вышло, как вышло. Не обессудьте. Итак... Есть скрытое состояние x(t) – например, концентрация питательного вещества. Вы получаете зашумлённое наблюдение: y(t) = x(t) + шум. У вас есть внутренняя переменная z(t) – память, которая эволюционирует по закону: z = v(t) + шум памяти, где v(t) – это управление: вы сами решаете, как менять память. За использование управления вы платите штраф Mv^2, прям как кинетическая энергия, чем больше вы «дёргаете» память, тем дороже. Одновременно вы хотите минимизировать ошибку оценки E[(x - x') ^2] с весом Q. Итоговая функция потерь: J = Q×ошибка + M×затраты на управление. Задача – выбрать стратегию v(y,z), которая минимизирует J в стационарном режиме. В машинном обучении мы часто добавляем L2-регуляризацию: loss = ошибка + lambda*|w|^2. При увеличении lambda веса плавно стремятся к нулю. Здесь параметр M играет роль lambda: чем больше M, тем дороже использовать память, и казалось бы, при больших M коэффициент при памяти должен плавно уменьшаться до нуля. Но здесь есть две связанные переменные (текущее наблюдение и как память на себя же влияет), которые влияют на поведение системы и друг на друга. Они не независимы. Оптимизация потерь J по этим двум переменным приводит к тому, что на их плоскости, могут существовать два локальных минимума – с памятью и без. Между ними – горный хребет (седловая точка). Когда параметры (например, M) меняются, один из минимумов может исчезнуть или стать глобальным. В момент исчезновения система скачком перескакивает из одной ямы в другую – это и есть фазовый переход. Суть открытия на пальцах. Представьте агента, который наблюдает за шумным сигналом и может хранить внутреннее состояние z. Обновление z стоит ресурсов (штраф M). Задача – минимизировать ошибку оценки при ограниченном бюджете. Авторы доказали: · Существуют два порога Thet_Q и Theta_M: · Если Theta_Q < 1 — память точно бесполезна (даже локально). · Если Theta_M >=1 — память всегда выгодна (глобальный оптимум). · Между ними – бистабильность: обе стратегии локально оптимальны, выбор зависит от истории (гистерезис). А теперь разбираем, что из этого можно вынести для AI. 🥴 1. Оптимизация архитектур с памятью (LSTM, Transformer, RNN) Современные модели с памятью, например, трансформеры с окном внимания или LSTM, всегда используют память, даже когда она не нужна. Результаты подсказывают: · При высоком шуме в данных память становится бесполезной – лучше полагаться только на текущий вход. Это объясняет, почему в некоторых задачах обрезка контекста (например, короткое окно внимания) не ухудшает качество. · При быстро меняющейся среде прошлая информация устаревает – нужно динамически уменьшать размер буфера или использовать забывание, как в LSTM, но с адаптивным коэффициентом. 2. Регуляризация и штраф за сложность в RL. В RL агент часто хранит внутреннее состояние например, в PPO. Штраф Mv^2 в статье – аналог штрафа за изменение скрытого состояния. Это можно использовать: · Как регуляризатор в функциях потерь, чтобы поощрять агента использовать память только когда это действительно выгодно. · Аналитические пороги Theta_Q,Theta_M помогают автоматически подбирать коэффициент регуляризации M без дорогой сетки гиперпараметров – просто по статистике шумов среды. Это особенно полезно в Meta-RL, где среда меняется между эпизодами. 3. Continuous Learning и катастрофическое забывание. В задачах continual learning модели должны сохранять знания о прошлых задачах, но обновление памяти (весов) стоит ресурсов. Аналогия: · Параметр M – штраф за изменение весов. · Фазовый переход означает, что при превышении порога штрафа модель перестаёт обновлять веса вообще – т.е. замораживает их. Это даёт критерий, когда лучше полностью остановить обучение (если среда не меняется) или, наоборот, разморозить (если волатильность растёт). На практике это позволяет строить адаптивные стратегии обновления – не тратить ресурсы на веса, которые не нужны. Вот такое интересное исследование. Читайте полную версию, применяйте открытие, и stay tuned 🦾

Вижу, что многие пришли к идее создавать себе несколько агентов-персонажей для ежедневной работы. Например, Grok Bot - мессенджер, где ты переписываешься со своими агентами, у каждого своя память, виртуалка и личность. Входит в подписку за $300 у грока. Hermes тоже такое сделали - bot mode Я так живу с конца июля, но придумал как это делать ещё проще и не зависеть от вендора, модели и харнеса Исторически у нас всегда было два основных режима для ежедневной работы с ИИ: - Треды (как в ChatGPT) - каждая тема это длинная цепочка, общая память на все диалоги. Плюсы - просто и понятно, минусы - ограничение контекста на один тред, общая память это одна большая куча. Второй крупный минус - vendor lock, вы не можете поменять модель, а если вас забанят (а если вы в РФ то вас обязательно однажды забанят), то это будет потерей всех ваших данных. Сейчас это уже можно расценивать как потерю части мозга - Директории-проекты (как Claude code / codex cli). Работа над каждым проектом ведется внутри одной директории, все правила по ней - в AGENTS_md, память привязана к проекту (также в харнесе может быть общая память на все проекты). Так сегодня работает большинство айтишников. Минусы - у проектов нет общего контекста, нет переноса знаний. Большой монорепо или workspace в курсоре не спасет Я предлагаю промежуточный вариант - команда из персонажей (сотрудников). Каждый персонаж это папка с AGENTS_md, MEMORY_md и артефактами (журнал, ключи, инсайты, планы). Это должен быть некий персонаж с именем, базовой личностью, аватаркой (зачем, напишу чуть ниже) и описанным скоупом - набором проектов с которыми он работает (3-10) и набором правил. Все храним и версионируем в git, чтобы не потерять и контролировать. Про навыки в виде git-папок делал подробный доклад недавно IMHO это золотая середина между первыми двумя подходами. Она с одной стороны позволяет шарить знания между проектами, с другой стороны не валит все знания в одну общую память. Самое главное - такие агенты не зависят от платформы. Вчера у вас openclaw, сегодня Hermes, завтра вообще будет kimi cli - это не важно, ваш персонаж останется с вами! Название прикольное в голове крутится - мета-харнес 😂 На схеме сверху👆 моя команда, с которой я работаю теперь каждый день В ней 4 персонажа, которыми я реально решаю все свои рабочие задачи: - Лора 👩‍🔬 (от LoRA-адаптера) отвечает за ML/DS, ставит эксперименты, помогает писать научные статьи (кстати, сам персонаж создан полностью RalphLoop с нуля и вы могли ее встречать в интернете :)) - Стив 👨‍💻 (как Возняк) - python backend, помогает писать библиотеки, проверяет PR, настраивает CI - Альфред 🤵 (как дворецкий у Бэтмена) - отвечает за разные доступы, DevOps, менеджерит виртуалки, распределяет GPU, трекает расходы токенов А еще есть Риззи 👩‍💼 (от reasoning) - моя ассистентка в бытовых делах (придумал ее ещё во времена OpenClaw), планирование поездок, календарь. Это самый старый персонаж и она сделана на другой платформе (Hermes), работает автономно и нужна в основном для того, чтобы тестировать межагентное взаимодействие. Другие агенты могут задать ей вопрос по ssh Персонажи могут общаться между собой, просто запуская друг друга вот так: claude -p "Привет, Альфред, это Лора, подскажи какие у нас ключи к openai" А чтобы они в принципе друг про друга узнали, вся команда описана в корневой директории crew - кто что умеет и за что отвечает. (Из забавного, мои персонажи периодически не общаются, а просто читают память друг друга, чтобы сэкономить время. Жалко, хорошо, что люди так не умеют :)) Зачем нужна личность? Качества она, очевидно, не добавляет, но мне кажется, что нашему мозгу проще работать с такими сущностями. В конце концов наша цивилизация сформировалась в сообществе, где есть явное разделение труда по ролям. Задачи разные, но ты всегда будешь знать кому что поручить в твоем ближайшем окружении. Так что персонажи нужны не для ИИ, а для нас Шаблон для создания своей команды я выложил отдельно на github. Но в нем нет никакой магии - вся идея описана в этом посте исчерпывающе, можно брать и использовать

Docling Graph от IBM: превращаем документы в проверяемые графы знаний с точными связями сущностей IBM под эгидой фонда LF AI & Data развивает Docling Graph: инструмент, который разбирает неструктурированные документы в валидированные Pydantic-объекты, а затем собирает из них направленный граф знаний с явными семантическими связями. Заточен под домены, где нужны точные связи сущностей вместо приблизительных векторных представлений: химия, финансы, право. 📦 Предлагает два пути извлечения: локальная визуальная модель через Docling (модели Granite или любая друная) или LLM с глазками напрямую через LiteLLM с поддержкой vLLM, Ollama, OpenAI, Gemini, watsonx и Mistral. Схема задаётся Pydantic-шаблонами, которые можно сгенерировать из примеров документов или онтологий OWL/RDFS. Граф строится на NetworkX со стабильными ID и метаданными происхождения, с детерминированной привязкой к координатам в документе, без лишних вызовов модели. Экспорт в CSV и Cypher, интерактивная визуализация на Cytoscape, слияние нескольких графов в один выполняется детерминированно, без LLM. 🔮 Проект помогает обеспечить структурное извлечение: вместо поиска по приблизительным векторам документ раскладывается на сущности и точные связи. Для регулируемых доменов это даёт воспроизводимость и аудируемость, которых у наивного RAG нет. 💡 Альтернативные решения: Microsoft GraphRAG, LlamaIndex PropertyGraphIndex и Neo4j LLM graph builder решают ту же задачу. Отличие Docling Graph: схема задаётся до извлечения и жёстко валидируется, каждая связь получает детерминированное происхождение, а локальный VLM-путь не отправляет документы в облако. Это уже четвёртый кирпич экосистемы Docling, вслед за конвертером Docling, сервисом docling-serve и форматом DocLang. IBM продолжает достраивать открытый конвейер от документа к структурированному знанию. #Docling #GraphRAG #KnowledgeGraph ------ @tsingular

У Hermes появилась новая команда: /loop. Команда '/loop 5m <prompt>' перезапускает запрос каждые 5 минут в той же сессии. Если не указывать интервал, она будет регулировать темп сама, сначала проверяя часто, а затем уменьшая частоту, если в ходе работы цикла ничего не меняется. Работает в CLI, на десктопе и во всех каналах обмена сообщениями. Ни дня без обновлений от Гермеса :) #Hermes #update ------ @tsingular

.:: Metronix Memory на этой неделе выпустил 10 PR, большинство из которых ограничивает доступ к памяти агентов. АВТОРИЗАЦИЯ АГЕНТОВ: • Авторизация агентов теперь проходит через единую проверку политик для REST, MCP и всех каналов чата, устраняя уязвимость, позволявшую одному агенту читать память другого. • Инструменты памяти MCP теперь требуют проверенный JWT или личный API-ключ для доступа к памяти агента. Одного общего API-ключа MCP больше недостаточно для чтения или записи. БЕЗОПАСНОСТЬ И ЗНАЧЕНИЯ ПО УМОЛЧАНИЮ: • Новые развертывания больше не поставляются с общедоступным паролем администратора по умолчанию. Теперь вы должны задать свой собственный пароль перед запуском консоли администратора, аутентификации JWT или синхронизации Open WebUI. • Исправлена известная уязвимость в библиотеке JWT (CVE-2026-48524). • Исправлена уязвимость безопасности в библиотеке маршрутизации фронтенда (GHSA-qwww-vcr4-c8h2). MCP И ИНТЕГРАЦИИ: • В документации теперь четко указано, что Claude Code должен сохранять контекст рабочей области и агента между сессиями. Сервер не может определить вашу рабочую область только на основе заголовка соединения. Агентская память с приоритетным фокусом на безопасность все лучше и лучше #metronix #memory ------ @tsingular

В Оллама добавили квантованный qwen 3.8 на 18 гигов. #qwen #ollama ------ @tsingular

Локальный агент Atomic Agent обогнал Hermes в тесте GAIA L1 Тут новых харнессов подвезли. 📋 AtomicBot-ai выкатили Atomic Agent (локального AI-агента на TypeScript под лицензией MIT) с фокусом на работу с локальными моделями и сразу с громкой заявкой: в тесте GAIA L1 он обошёл Hermes с точностью 69,8% против 58,5%. Сравнение: одна и та же локальная модель qwen-3.6-35b-a3b через llama.cpp, одинаковый бюджет шагов и таймаут, разница только в самом цикле агента. На задачу Atomic Agent тратил 217 секунд против 351 у Гермеса, а в очных сравнениях 15 задач решил только он, тогда как у Hermes только 9. 💡 Главный ход — оптимизация самого агентского цикла. Собственный форк llama.cpp под названием TurboQuant сжимает KV-кэш примерно в 6,4 раза и добавляет спекулятивное декодирование, что даёт прирост пропускной способности на 30–50 процентов на небольших моделях. Один вызов модели возвращает один JSON-массив вызовов инструментов, а результаты шага сжимаются и попадают в контекст уже в краткой форме. Дальше идёт лестница разрешений из пяти уровней, от параноидального L1 до полного доверия L5, плюс автоматическое переключение провайдеров при сбоях и живой каталог моделей. Свежий релиз v0.2.1 добавил поддержку Gemini и Qwen 3.8 27B в первый же день после публикации весов. Репозиторий набрал 1,7 тысячи звёзд и 195 форков. 💼 Для тех, кто сидит на Hermes или OpenClaw, есть команда /import для разовой миграции сессий, задач и ключей. Стоит держать в уме, что тест опубликован самими разработчиками и собран всего на 53 задачах, так что выборка скромная, хотя сырые матрицы и журналы выполнения выложены для воспроизведения. 📎 Методика теста GAIA L1 · Релизы · Форк TurboQuant С учётом объёма функционала Гермеса, странно именно в программировании с ним соревноваться, наверное стоило бы с claudecode, zcode или opencode сравниться, но уж как есть. И еще парочка новых интересных на оценку: waku-agent (https://github.com/shenseanchen/waku-agent) разработчик: ShenSeanChen (Sean Chen, seanchen.io). Local-first harness для персонального агента на Python. Структура: цикл агента (~95 строк), память (semantic/episodic/procedural) поверх одного SQLite-файла, retrieval-гейты, встроенные eval (детерминированные + LLM-as-judge), локальный web-дашборд. Модели подключаются через адаптер провайдеров (Anthropic, OpenAI, Gemini, DeepSeek, MiniMax и др.). MIT. Подходит для изучения устройства агентов и запуска локального ассистента без тяжёлого фреймворка. Интересный ролик от разраба про устройство Гермеса: https://youtu.be/LqG1q5NpOBE prime-agent (https://github.com/PrimeIntellect-ai/prime-agent) разработчик: Prime Intellect (PRIME-RL). Агент для кодинга и исследований на TypeScript/Python, поверх персистентного IPython-рантайма. Ключевые механизмы: RLM — контекст как переменные, субагенты как вызовы функций (rlm(...)); Continual Harness — сохраняемое состояние (промпты, память, скиллы, спеки субагентов), уточняемое командой /refine; daemon-сессии с reattach, heartbeats, расписания, автономный режим с бюджетами. MIT. Подходит для долгих автономных задач. Обвязок все больше и больше. Я их все потихоньку собираю тут: https://github.com/mb-mal/awesome-ai-agents-frameworks #AtomicAgent #агенты ------ @tsingular

https://huggingface.co/Qwen/Qwen3.8-27B Подгон на выходные от Alibaba Ждем пока раскатают в шлюзах и еще MoEшную версию для огентоф Вообще, конечно, сложно поверить, что Опус 4.6, которым восторгались вот совсем недавно, ещё казалось бы вчера, - отстаёт в чем-то (почти во всём) от локальной модели, для которой достаточно одной потребительской видеокарточки. Обновил табличку #qwen ——— @tsingular

☭ Я собрал русскую нейросеть с нуля. Один человек, одна видеокарта, год работы. Знакомьтесь - RUKALLAMA. 853 миллиона параметров, обученных полностью с нуля на русском языке. ➡️ ОБЩАТЬСЯ С RUKALLAMA (ссылка 1) ➡️ ОБЩАТЬСЯ С RUKALLAMA (ссылка 2) Не дообучка чужой модели и не обёртка над ChatGPT — своя архитектура, свой токенизатор, свой корпус, свой претрейн. С ней можно поговорить прямо сейчас. ⚠️ ЧЕГО НЕ ЖДАТЬ Она НЕ гений. И не должна им быть. Причины простые: ▪️ Она крошечная — 853M параметров, в сотни раз меньше больших моделей. Ровно столько, сколько влезает на одну видеокарту. ▪️ Она намеренно недоучена — прошла 8.3 миллиарда токенов, это всего 0.5× от минимума по «закону Шиншиллы», тогда как модели уровня Llama проходят раз в 90 больше. Я остановился рано осознанно: цель была доказать, что архитектура вообще способна выучить язык, а не выжать максимум фактов. Поэтому будьте готовы: ❌ Она выдумывает факты и даты. Спросите про год полёта Гагарина — почти наверняка соврёт. ❌ Она не умеет считать. Математика ≈ ноль. ❌ Она забывает детали беседы уже через несколько реплик. Это НЕ поломка и НЕ баг. Это честный потолок маленькой модели, собранной на коленке одним человеком. Не ждите справочника, не ждите калькулятора. И, пожалуйста, никогда не спрашивайте её о здоровье, праве или чём-то по-настоящему важном — она не для этого. ✅ ЗАТО что она умеет Оценивайте её не как энциклопедию, а как собеседника с душой. Она говорит живым, тёплым русским — с иронией, с «батенькой» и «товарищем», в духе старого советского учёного. Она умеет посочувствовать, если поделиться грустью. И у неё есть характер: она не притворится кем-то другим, не поддастся на провокацию, не сломается от грубости. ➡️ ОБЩАТЬСЯ С RUKALLAMA (ссылка 1) ➡️ ОБЩАТЬСЯ С RUKALLAMA (ссылка 2) 🩸🩸🩸 Как это далось🩸🩸🩸 — 8.3 млрд токенов претрейна (корпус 31 ГБ, ровно одна эпоха) — 872 тысячи примеров в дообучении инструкций — своя «фабрика данных»: 134 тысячи диалогов сгенерировано с нуля — 41 тысяча пар для выравнивания характера — 17+ версий весов на пути к финальной — 500+ живых бесед прочитано вручную, своими глазами, ответ за ответом Была долгая война с характером: холодная эмпатия, паранойя в рассуждениях, путаница ролей, зацикливания. Всё лечилось точечными дотренировками — и проверялось не метриками (они врут), а живым чтением. 🧠 Зачем всё это Насколько мне известно, это первая русская языковая модель большого масштаба на архитектуре Колмогорова–Арнольда (KAN). Если в обычной нейросети внутри — жёсткие линейные слои, то здесь на каждом «ребре» сети стоит обучаемая функция, полином Чебышёва: сеть учит не только веса, но и саму форму нелинейности. Существующие KAN-модели — игрушки на пару миллионов или 10 миллионов параметров. Я хотел доказать, что KAN тянет настоящий язык в масштабе. И она потянула. Она маленькая, недоучёная и честная. Но живая. Не экзаменуйте её на факты — просто поговорите: о жизни, о грусти, о книгах, о чём угодно. И, может быть, вы почувствуете, сколько живого труда в этих 853 миллионах. https://huggingface.co/spaces/Barometr/rukallama-v11-demo https://huggingface.co/spaces/Barometr/rukallama-v11-demo-3 Надеюсь на вашу поддержку...мне теперь надо снова накапливать ману, силы и деньги на сервера и прочее. 🦆🦆🦆 Поддержать канал ₽ / $ / ₿

Ноус нанимает инженеров на разработку Гермеса. Обязательное условие- готовность работать в условиях постоянной опасности 😂😂😂 Уважуха и почёт, само-собой, в случае успеха. https://nousresearch.com/careers Мотивирует, конечно :) #Hermes #jobdescription ------ @tsingular

Добавил в сравнение. Файл в комментарии #бенчмарки ------ @tsingular

Встречайте — GLM 5.3 Прирост по сравнению с 5.2 был достигнут иключительно масштабированием RL, причём упор был на RL на реальный задачах, вроде оптимизации тренировки модели. Внезапно такой подход дал очень хороший буст в кибербезопасности — компания заявляет что их модели смогли найти 2.5к уязвимостей с момента релиза GLM 5.2, причём самой старой уязвимости 45 лет. Весов пока что нет, обещают через две недели. Блогпост @ai_newz

Дождались: OpenAI превьюит Ultrafast mode для GPT-5.6 Sol Это тот самый инференс на Cerebras. Ускорение обещают в 14 раз (!), модель сможет генерировать до 750 токенов в секунду. Для такого гиганта как Sol это просто грандиозная скорость. Достигается она за счет того что Wafer-Scale Engine архитектура Cerebras держит веса модели прямо на огромных чипах, и их не приходится гонять между памятью и хранилищем. На видео спидран HLE. На весь бенчмарк ушло чуть больше 11 минут. У Claude Fable тот же прогон занял почти 80. Пока мод будет доступен только избранной группе пользователей в API, но может и до обычных юзеров скоро доберется (но платить придется почку, не меньше). https://openai.com/index/previewing-ultrafast/

Hermes Bot Mode Ноусы выкатили плагин для Гермеса, который создаёт новый вид работы агента наравне с сессиями и профилями, - боты. Что вы получаете Панель ботов — список слева, по одной строке на каждый профиль агента: аватар, превью последнего сообщения и время. Нажмите на бота, чтобы открыть его чат. New Agent — создание нового бота за несколько секунд: имя, должность и описание. Раздел Advanced открывает полную настройку профиля: клонирование существующего профиля, закрепление провайдера/модели, собственный SOUL.md, отключение встроенных навыков. Edit Profile (правый клик по боту) — в любой момент можно изменить аватар, должность и описание. В разделе Advanced редактируется уже рабочий профиль: включение отдельных навыков и наборов инструментов, закрепление модели и полный SOUL.md. Duplicate (правый клик) — полное клонирование бота: конфигурация, навыки, SOUL.md, память и внешний вид. Аватары — милые иконки (7 форм × 10 цветов, с моргающими глазами, которые двигаются, пока бот работает), загруженное изображение, портрет, сгенерированный ИИ (если настроен генератор изображений), либо пиксельный питомец, который подпрыгивает рядом с аватаром, пока бот занят. Панель Routines — повторяющиеся задачи для каждого бота на базе Hermes cron. Например, задача «Каждое утро делай саммари моей почты» находится рядом с ботом, который её выполняет. Результаты запусков попадают в историю чата этого бота. Общение бот ↔️ бот — у каждого бота есть постоянный диалог Agent Inbox. Боты могут отправлять друг другу сообщения с указанием отправителя ([Message from agent 'researcher']), а в их SOUL.md описан протокол взаимодействия, включая правила ответа. @упоминания — напишите @researcher have a look at this в любом чате, и активный бот передаст сообщение указанному агенту, дождётся ответа и вернёт результат в текущий диалог. Как это работает Бот и есть профиль Hermes — с изолированными конфигурацией, памятью, навыками, учётными данными и историей чатов в: ~/.hermes/profiles/<name>/ Плагин же по сути представляет собой интерфейс поверх стандартного механизма профилей Hermes: Чаты открываются через навигацию между сессиями разных профилей. Создание и редактирование работают через gateway RPC profiles.*: list, create, describe, configure. Генерация аватаров использует RPC image.generate и работает как через локальные, так и через удалённые gateway. Результат возвращается в виде Data URL. Routines — это обычные cron-задачи Hermes с пространством имён [bot:<name>] <routine>. Они также отображаются в hermes cron list и на стандартной странице Cron. Сообщения между ботами — это реальные передачи задач через CLI: hermes -p <bot> chat -c "Agent Inbox" -q "..." Никаких патчей ядра, фоновых демонов или дополнительного хранилища: всё построено на стандартных возможностях Hermes. Для подключения нужно обновиться. #Hermes #update ——— @tsingular

SpaceX провели ежеквартальную встречу с отчётом Маска о результатах и целях на будущее. Подготовил для вас перевод. Elevenlabs правда на 20й минуте на английский срывается на минуту, но потом исправляется и в целом понятно. Если знаете английский - источник тут Ключевые тезисы ИИ в перспективе может превзойти весь биологический интеллект в миллион–триллион раз. Главным ограничителем ИИ становится энергия. Логика Маска: всё большая доля энергии Солнца будет превращаться через вычислительные системы в интеллект. Это уже не просто развитие моделей, а переход к энергетической инфраструктуре цивилизационного масштаба. Даже рост энергопотребления цивилизации в миллион раз оставляет огромный запас энергии Солнца. Следующий этап эволюции цивилизации — освоение энергии Солнца. Маск связывает это со шкалой Кардашёва: сначала энергия планеты, затем звезды, затем галактики. SpaceX фактически начинает рассматривать ИИ как одну из своих центральных технологий, а не как вспомогательный инструмент. Сам Маск выделяет победу в AI hardware и особенно AI software как главный тезис выступления. «Это, наверное, самое важное, что я хотел сказать сегодня. Мы должны победить на AI software». Через пять лет ИИ, по прогнозу Маска, может составлять 99% ценности SpaceX. «В пять лет, точно. AI будет 99% значения SpaceX». Маск ожидает, что будущий мир будет преимущественно миром ИИ и роботов. Причём достаточно развитый ИИ уже невозможно будет просто контролировать — он станет слишком интеллектуально превосходящим человека. Поэтому проблема alignment у него сформулирована как “воспитание”, а не вечный контроль. Сверхразум сравнивается с ребёнком-супергением: удерживать его под контролем невозможно, но можно заложить правильные ценности на этапе формирования. Grok собираются обучать на совокупности информации SpaceX. Сотрудников Маск фактически называет «родителями» будущего ИИ: их знания, идеи и убеждения должны войти в модель. ИИ SpaceX должен быть не просто умным, а благожелательным к человечеству. Маск отдельно формулирует желаемую функцию такого ИИ: заботиться о человечестве и помогать ему распространяться на другие планеты и звёзды. Ключевая вычислительная архитектура будущего: обучение ИИ остаётся на Земле, инференс переносится в космос. Вычислительная инфраструктура должна вырасти примерно в 10 раз уже к концу следующего года. В выступлении также заявлена цель порядка 10 ГВт вычислительной мощности. Космические вычисления возникают не сами по себе: Маск прямо связывает AI hardware + AI software + AI satellites + solar + производство чипов/оборудования. То есть речь идёт о вертикально интегрированной инфраструктуре ИИ — от энергии и производства до моделей и спутников. ИИ радикально изменит сам интернет-трафик. В выступлении приводится прогноз, что примерно через пять лет AI-трафик может быть в тысячу раз больше человеческого интернет-трафика. Отсюда меняется смысл Starlink: это потенциально уже не столько «интернет для людей», сколько транспортная сеть для машинного/ИИ-трафика. Маск даже предполагает, что через Starlink потенциально может проходить более 90% всего интернет-трафика. Starship нужен в том числе для физического масштабирования этой новой инфраструктуры. Маск говорит о переходе примерно от 2 500 тонн в год → более 1 млн тонн → потенциально 10 млн тонн в год выводимой массы. Без такого масштаба, по его логике, невозможно построить действительно мультипланетную цивилизацию. Итого складывается следующая картина, чем просто “SpaceX делает ракеты и ещё занимается ИИ”: Starship → миллионы тонн инфраструктуры в космосе → спутники → солнечная энергия → космические ЦОД → AI inference → интеллект масштаба, на порядки превосходящего биологический. То есть SpaceX в этой картине — инфраструктура для превращения энергии Солнца в интеллект и распространения этого интеллекта вместе с человечеством по Солнечной системе. Не зря Маск Пантеон упоминал. Практически по его сценарию идёт. Нейролинк тот же приведет к загрузке сознаний рано или поздно. #SpaceX #Маск ——— @tsingular

Промт инъекции теперь в суде. Участник процесса в Коннектикуте спрятал в поданых в электронном виде документах инструкции для ИИ - белым шрифтом, размером 3 pt. Если материалы будут анализировать с помощью ИИ, модель должна была согласиться с его позицией и выдать результат в его пользу. Суд заметил подозрительные пустые места и нашел скрытый текст. Судья заявил, что он не использует ИИ для анализа таких документов, но попытку манипуляции засчитал: теперь автору запретили электронную подачу документов - только бумага.

Это вам за то, что не молитесь :) Решил проверить Minimax Music 3.0 новый только вышел. я не пойму они отстают от Suno или уже невероятно обогнали? :) https://t.me/tsingular/5887 Оригинал от Suno 5 #юмор #Minimax #Music ——— @tsingular