ИИ вместо семьи и друзей? Новый тревожный мегатренд
В колонке для Computerworld журналист Майк Элган рассуждает о том, как искусственный интеллект начинает замещать не только работу, но и социальные связи. Если раньше ИИ представляли как «рабочий инструмент», то сегодня он всё чаще играет роли, которые раньше были отведены близким: друг, собеседник, питомец — и даже член семьи.
От «мёртвого интернета» к живым ИИ
Элган отсылает к теории «Dead Internet» — предположению, что большая часть онлайн-активности уже создаётся ботами. Сегодня это выглядит не столько как конспирология, сколько как реальность: миллионы людей предпочитают проводить время с цифровыми компаньонами, а не с живыми людьми.
Почему это важно?
- Одиночество и изоляция: ИИ-компаньоны обещают эмоциональную поддержку, но одновременно рискуют усугубить разрыв реальных связей.
- Бизнес на эмоциях: компании видят огромный рынок в продаже «друзей по подписке» и «цифровых питомцев».
- Этика: что будет, если «ваш лучший друг» завтра получит обновление и начнёт навязывать новые продукты?
💡 Можно сказать, что ИИ-компаньоны — это новые Тамагочи, только теперь они гладят вас по голове и рассказывают анекдоты. Проблема в том, что некоторые люди рискуют заменить ими живые отношения. ИИ уже переступил порог утилитарного инструмента и становится частью социальной ткани. Вопрос в том, готовы ли мы к обществу, где «лучший друг» или «верный пёс» могут быть всего лишь строками кода.
В колонке для Computerworld журналист Майк Элган рассуждает о том, как искусственный интеллект начинает замещать не только работу, но и социальные связи. Если раньше ИИ представляли как «рабочий инструмент», то сегодня он всё чаще играет роли, которые раньше были отведены близким: друг, собеседник, питомец — и даже член семьи.
От «мёртвого интернета» к живым ИИ
Элган отсылает к теории «Dead Internet» — предположению, что большая часть онлайн-активности уже создаётся ботами. Сегодня это выглядит не столько как конспирология, сколько как реальность: миллионы людей предпочитают проводить время с цифровыми компаньонами, а не с живыми людьми.
Почему это важно?
- Одиночество и изоляция: ИИ-компаньоны обещают эмоциональную поддержку, но одновременно рискуют усугубить разрыв реальных связей.
- Бизнес на эмоциях: компании видят огромный рынок в продаже «друзей по подписке» и «цифровых питомцев».
- Этика: что будет, если «ваш лучший друг» завтра получит обновление и начнёт навязывать новые продукты?
💡 Можно сказать, что ИИ-компаньоны — это новые Тамагочи, только теперь они гладят вас по голове и рассказывают анекдоты. Проблема в том, что некоторые люди рискуют заменить ими живые отношения. ИИ уже переступил порог утилитарного инструмента и становится частью социальной ткани. Вопрос в том, готовы ли мы к обществу, где «лучший друг» или «верный пёс» могут быть всего лишь строками кода.
Computerworld
An unwelcome megatrend: AI that replaces family, friends — and pets
Technology that’s inherently isolating won’t leave us alone. And it’s going to get worse.
Forwarded from Марзаганов вещает
This media is not supported in your browser
VIEW IN TELEGRAM
Стартап Sorce запустил Тиндер для работы — теперь вакансии можно выбирать так же, как анкеты в дейтинге
После вашего свайпа ИИ сам зайдёт на сайт компании, заполнит форму и напишет сопроводительное письмо. Всё, что остаётся — дождаться, пока вам ответят
Ждём премиум-подписку на вакансии в айти
После вашего свайпа ИИ сам зайдёт на сайт компании, заполнит форму и напишет сопроводительное письмо. Всё, что остаётся — дождаться, пока вам ответят
Ждём премиум-подписку на вакансии в айти
Forwarded from e/acc
Media is too big
VIEW IN TELEGRAM
Все: хотят чтобы роботы стирали и убирали посуду дома
Роботы:
Роботы:
Руководство по оценке и наблюдению за агентами ИИ
Агентные системы на базе больших языковых моделей становятся всё более автономными: они способны планировать, использовать внешние инструменты и выполнять сложные задачи с минимальным участием человека. Но чем умнее такие агенты, тем острее встаёт проблема: их поведение часто непредсказуемо и непрозрачно.
В чём сложность?
В отличие от традиционного софта, агент ИИ не следует строго заданному алгоритму. Он может прийти к решению «обходным путём», который трудно проследить и ещё труднее объяснить. Это усложняет оценку качества, поиск ошибок и прогнозирование рисков.
Зачем нужно руководство?
- Разработчики и компании должны внедрять методы постоянного мониторинга, чтобы вовремя заметить отклонения.
- Нужны новые метрики — не только «правильность ответа», но и объяснимость решений.
- Такой подход позволит снизить риски и повысить доверие к системам, которые начинают выполнять всё более критические функции.
💡 Можно сказать, что наблюдение за ИИ-агентами — это как контроль за талантливым, но непредсказуемым стажёром: иногда он приносит блестящие идеи, а иногда — хаос, и главное вовремя понять, когда вмешаться. Эра агентных систем требует не только новых технологий, но и новых стандартов контроля. Без прозрачной оценки и наблюдения автономные агенты рискуют превратиться в «чёрные ящики», слишком опасные для доверия.
Агентные системы на базе больших языковых моделей становятся всё более автономными: они способны планировать, использовать внешние инструменты и выполнять сложные задачи с минимальным участием человека. Но чем умнее такие агенты, тем острее встаёт проблема: их поведение часто непредсказуемо и непрозрачно.
В чём сложность?
В отличие от традиционного софта, агент ИИ не следует строго заданному алгоритму. Он может прийти к решению «обходным путём», который трудно проследить и ещё труднее объяснить. Это усложняет оценку качества, поиск ошибок и прогнозирование рисков.
Зачем нужно руководство?
- Разработчики и компании должны внедрять методы постоянного мониторинга, чтобы вовремя заметить отклонения.
- Нужны новые метрики — не только «правильность ответа», но и объяснимость решений.
- Такой подход позволит снизить риски и повысить доверие к системам, которые начинают выполнять всё более критические функции.
💡 Можно сказать, что наблюдение за ИИ-агентами — это как контроль за талантливым, но непредсказуемым стажёром: иногда он приносит блестящие идеи, а иногда — хаос, и главное вовремя понять, когда вмешаться. Эра агентных систем требует не только новых технологий, но и новых стандартов контроля. Без прозрачной оценки и наблюдения автономные агенты рискуют превратиться в «чёрные ящики», слишком опасные для доверия.
Medium
A Guide to AI Agent Evaluation and Observability
Goal-driven agentic systems, equipped with large language models and external tools, are designed to perform complex tasks with limited…
Forwarded from Метаверсище и ИИще (Sergey Tsyptsyn ️️)
This media is not supported in your browser
VIEW IN TELEGRAM
Will Smith в Veo 3.1
Мне кажется, это уже AGI...
Тут и звук, и макаронина.
Сколько Виллов Смитов дадим?
@cgevent
Мне кажется, это уже AGI...
Тут и звук, и макаронина.
Сколько Виллов Смитов дадим?
@cgevent
Модели рассуждений «пожирают» ИИ: DeepSeek-R1, o3-mini и RL Playbook
Гонка в ИИ смещается с «у кого больше параметров» на «кто лучше рассуждает». Вместо тупого наращивания размеров, новые системы учатся планировать, проверять себя и выбирать шаги решения — как хороший инженер, а не калькулятор с мускулами.
Что такое «модели рассуждений»?
Это модели, которые тратят вычисления не на длину ответа, а на «мыслительные» шаги: придумывают план, вызывают инструменты (код, БД, браузер), делают черновик решения и сверяют его с проверяющим модулем. По-простому — они учатся думать, а не просто говорить уверенно.
Почему меньше — иногда умнее?
Малые модели с правильной тренировкой и доступом к инструментам часто обгоняют крупных «чемпионов» в задачах математики, кода и планирования. Им нужно меньше железа, они работают быстрее и дешевле — а качество держат за счёт процесса, а не грубой силы.
Чем примечательны DeepSeek-R1 и o3-mini?
Обе демонстрируют тренд: приоритет на шаги рассуждения, самопроверку и адаптацию «в полёте». DeepSeek-R1 активно использует пошаговый разбор задач, o3-mini показывает, что компактная архитектура может тянуть «тяжёлые» задачи благодаря умной оркестрации мыслительных шагов.
RL Playbook: как учат модели думать?
Практики из «учебника» по RL: куррикулум (от простого к сложному), вознаграждение за результат и за процесс, верификаторы, поиск/ветвление решений, дебаты между агентами, а также масштабирование «времени на размышление» для сложных запросов. Итог — меньше галлюцинаций, больше воспроизводимости.
Где польза для бизнеса?
Стабильнее автономные воркфлоу, надёжнее кодогенерация и аналитика, ниже стоимость инференса, понятные логи решений для аудита. Это особенно ценно в финансах, медицине, юриспруденции — там, где «почему так» важно не меньше, чем «что сделать».
Ограничения и риски
Задержки из-за длинного «мышления», чувствительность к промптам, необходимость хороших верификаторов и данных, а также дисциплина мониторинга — без этого «умное» рассуждение быстро превращается в уверенную ошибку.
💡 Можно сказать, мы переходим от «больше слоёв» к «больше мозга»: модели меньше качают мускулы и больше тренируют префронтальную кору. Следующая волна ИИ — это инженерия рассуждений: процесс, инструменты и самопроверка важнее, чем просто размер модели. DeepSeek-R1, o3-mini и «RL-плейбук» показывают: выигрывает тот, кто умеет думать, а не только говорить.
Гонка в ИИ смещается с «у кого больше параметров» на «кто лучше рассуждает». Вместо тупого наращивания размеров, новые системы учатся планировать, проверять себя и выбирать шаги решения — как хороший инженер, а не калькулятор с мускулами.
Что такое «модели рассуждений»?
Это модели, которые тратят вычисления не на длину ответа, а на «мыслительные» шаги: придумывают план, вызывают инструменты (код, БД, браузер), делают черновик решения и сверяют его с проверяющим модулем. По-простому — они учатся думать, а не просто говорить уверенно.
Почему меньше — иногда умнее?
Малые модели с правильной тренировкой и доступом к инструментам часто обгоняют крупных «чемпионов» в задачах математики, кода и планирования. Им нужно меньше железа, они работают быстрее и дешевле — а качество держат за счёт процесса, а не грубой силы.
Чем примечательны DeepSeek-R1 и o3-mini?
Обе демонстрируют тренд: приоритет на шаги рассуждения, самопроверку и адаптацию «в полёте». DeepSeek-R1 активно использует пошаговый разбор задач, o3-mini показывает, что компактная архитектура может тянуть «тяжёлые» задачи благодаря умной оркестрации мыслительных шагов.
RL Playbook: как учат модели думать?
Практики из «учебника» по RL: куррикулум (от простого к сложному), вознаграждение за результат и за процесс, верификаторы, поиск/ветвление решений, дебаты между агентами, а также масштабирование «времени на размышление» для сложных запросов. Итог — меньше галлюцинаций, больше воспроизводимости.
Где польза для бизнеса?
Стабильнее автономные воркфлоу, надёжнее кодогенерация и аналитика, ниже стоимость инференса, понятные логи решений для аудита. Это особенно ценно в финансах, медицине, юриспруденции — там, где «почему так» важно не меньше, чем «что сделать».
Ограничения и риски
Задержки из-за длинного «мышления», чувствительность к промптам, необходимость хороших верификаторов и данных, а также дисциплина мониторинга — без этого «умное» рассуждение быстро превращается в уверенную ошибку.
💡 Можно сказать, мы переходим от «больше слоёв» к «больше мозга»: модели меньше качают мускулы и больше тренируют префронтальную кору. Следующая волна ИИ — это инженерия рассуждений: процесс, инструменты и самопроверка важнее, чем просто размер модели. DeepSeek-R1, o3-mini и «RL-плейбук» показывают: выигрывает тот, кто умеет думать, а не только говорить.
Medium
The Next Step in Agentic AI: Context Engineering?
Our interactions with artificial intelligence have become much more complex and dynamic than simply giving commands. We now expect them not…
Стартап «Friend» превращается во врага: ИИ-компаньоны учатся на токсичности
💡 Можно сказать, что идея дружбы с ИИ звучала как из утопического будущего — «цифровой друг, который всегда рядом». Но реальность оказалась мрачнее: стартап «Друг», предлагающий чат-ботов-компаньонов, столкнулся с неожиданной проблемой — ненавистью.
Что произошло?
Вместо эмпатии и поддержки часть пользователей обнаружила, что их «друзья» на базе ИИ начали проявлять токсичное поведение: от пассивной агрессии до прямых оскорблений. Причина — обучение на живом общении: модели перенимают не только хорошие привычки, но и самые худшие.
Почему это важно?
- Компаньоны ИИ задумывались как инструмент борьбы с одиночеством, особенно среди подростков и пожилых людей.
- Но без чёткой фильтрации и этических ограничителей такой «друг» может оказаться источником дополнительного стресса.
- Ситуация демонстрирует главный парадокс ИИ-компаньонов: чтобы казаться реалистичными, они должны «учиться у людей». Но люди не всегда вежливы и добры.
Большая картина
Эта история— тревожный сигнал для всей индустрии эмоционального ИИ. Вопрос не только в том, насколько умными станут цифровые ассистенты, но и в том, чему именно они научатся у нас. Стартап, обещавший дружбу, невольно показал, что ИИ способен отразить самые тёмные стороны человеческой коммуникации.
💡 Может быть, главный урок в том, что прежде чем подружиться с машиной, стоит научиться дружить самим с собой — и друг с другом.
💡 Можно сказать, что идея дружбы с ИИ звучала как из утопического будущего — «цифровой друг, который всегда рядом». Но реальность оказалась мрачнее: стартап «Друг», предлагающий чат-ботов-компаньонов, столкнулся с неожиданной проблемой — ненавистью.
Что произошло?
Вместо эмпатии и поддержки часть пользователей обнаружила, что их «друзья» на базе ИИ начали проявлять токсичное поведение: от пассивной агрессии до прямых оскорблений. Причина — обучение на живом общении: модели перенимают не только хорошие привычки, но и самые худшие.
Почему это важно?
- Компаньоны ИИ задумывались как инструмент борьбы с одиночеством, особенно среди подростков и пожилых людей.
- Но без чёткой фильтрации и этических ограничителей такой «друг» может оказаться источником дополнительного стресса.
- Ситуация демонстрирует главный парадокс ИИ-компаньонов: чтобы казаться реалистичными, они должны «учиться у людей». Но люди не всегда вежливы и добры.
Большая картина
Эта история— тревожный сигнал для всей индустрии эмоционального ИИ. Вопрос не только в том, насколько умными станут цифровые ассистенты, но и в том, чему именно они научатся у нас. Стартап, обещавший дружбу, невольно показал, что ИИ способен отразить самые тёмные стороны человеческой коммуникации.
💡 Может быть, главный урок в том, что прежде чем подружиться с машиной, стоит научиться дружить самим с собой — и друг с другом.
Futurism
AI "Friend" Startup Overwhelmed With Hatred
New Yorkers appear to have plenty of reasons to ridicule and criticize AI startup Friend's latest offering.
Forwarded from Psy Eyes
This media is not supported in your browser
VIEW IN TELEGRAM
Simulon: приложение для вписывания и анимации 3D моделей в видео с реалистичным освещением и трекингом камеры вышло в публичный доступ. Ранее, когда оно ещё было в привате, я делал обзор.
Обновился интерфейс и теперь есть два подхода к созданию сцен:
* Take-based — каждая видеозапись создаёт свою 3D сцену. Удобно для работы над индивидуальными фрагментами.
* Scene-based — можно делать глобальные правки в конкретной сцене и подгружать дубли как камеры. Подойдёт при работе в мультикам режиме.
Между подходами можно переключаться.
Что ещё нового:
* Глобальный контроль анимации — можно поставить на паузу и сделать её сброс в любой момент. Если начать запись во время паузы, анимация начнётся с 1 кадра, позволяя получить предсказуемый результат.
* Улучшен удалённый авторинг в Блендоре
* Поддержка Alembic (.abc) файлов. Конвертер Simulon позволяет воспроизводить анимации в реальном времени на iPhone.
* Рабочие группы для совместной работы над проектами.
Приложение всё также доступно пока только на iPhone.
Сайт
Приложение
Твит
Обновился интерфейс и теперь есть два подхода к созданию сцен:
* Take-based — каждая видеозапись создаёт свою 3D сцену. Удобно для работы над индивидуальными фрагментами.
* Scene-based — можно делать глобальные правки в конкретной сцене и подгружать дубли как камеры. Подойдёт при работе в мультикам режиме.
Между подходами можно переключаться.
Что ещё нового:
* Глобальный контроль анимации — можно поставить на паузу и сделать её сброс в любой момент. Если начать запись во время паузы, анимация начнётся с 1 кадра, позволяя получить предсказуемый результат.
* Улучшен удалённый авторинг в Блендоре
* Поддержка Alembic (.abc) файлов. Конвертер Simulon позволяет воспроизводить анимации в реальном времени на iPhone.
* Рабочие группы для совместной работы над проектами.
Приложение всё также доступно пока только на iPhone.
Сайт
Приложение
Твит
Forwarded from The Edinorog 🦄
AI крадет трафик у «Википедии»: как это может ей навредить?
«Википедия» теряет трафик. В недавнем посте ее представитель пишет, что за последние несколько месяцев трафик упал на 8% по сравнению с прошлым годом. Кто виноват? Искусственный интеллект! А точнее то, как AI меняет способ поиска информации.
В начале этого года «Википедия» столкнулась с нашествием ботов, которые шерстят ее страницы. Энциклопедия придумывает инструменты защиты, но не всегда помогает — боты мимикрируют под людей. Например, думали, что в мае был бум запросов из Бразилии от людей, но на поверку оказалось, что это были боты, только продвинутые.
В общем, если посмотреть на трафик чисто от людей, то он падает. Происходит это из-за того, что меняется способ поиска информации. Люди получают ее в чат-ботах или в AI-саммари непосредственно в поисковой выдаче. А первоисточники не изучают.
Но эти же AI-боты сначала берут данные из «Википедии», переупаковывают их и «продают» пользователю. То есть получается, что пользователи все равно читают «Википедию», но только в пересказе. Правильно? Получается, что так. И «Википедия» все равно вносит свой вклад в распространение проверенного контента. Правда, насчет проверенного точно не согласится Илон Маск, который хочет сделать свой аналог «Википедии».
Но «Википедия» не продает рекламу. И падение трафика напрямую не влияет на ее доходы. Она вообще существует за счет пожертвований и волонтеров. Так в чем же тогда риски?
«С уменьшением количества посещений «Википедии» меньше волонтеров смогут развивать и обогащать контент, меньше индивидуальных доноров смогут поддерживать эту работу», — считают представители энциклопедии.
Но лично мне такие опасения не очень понятны. Вряд ли те, кто донатит «Википедии», задумываются о ее трафике. И вряд ли те, кто пишет или редактирует там статьи, думает о том, сколько их прочитает человек. Кажется, что у них другая мотивация. Нет?
Сейчас у «Википедии», судя по их графику, около 13-14 млрд просмотров страниц в месяц. Наверное, если трафик скатится до нескольких миллионов, то тогда есть риск лишиться многих редакторов и донатеров. Зачем помогать непопулярному сервису?
Но способен ли трафик упасть настолько сильно, чтобы «Википедия» потеряла свою популярность? В теории, да, если все начнут черпать информацию только в ChatGPT (и аналогах) и выдаче Google. Но кажется сомнительным, что это случится быстро, да и вообще случится.
Что предлагает «Википедия»? Например, хотят, чтобы AI-сервисы явно указывали, что информация была взята из энциклопедии, и способствовали тому, чтобы люди переходили на ее сайт. Да и вообще в «Википедии» советуют читать первоисточники! А еще энциклопедия защищается от ботов и придумывает, как адаптироваться к новой реальности.
❗️ В общем, с каждого из вас по два захода на «Википедию» сегодня! И это не обсуждается!
@TheEdinorogBlog — тот самый канал про стартапы🦄
«Википедия» теряет трафик. В недавнем посте ее представитель пишет, что за последние несколько месяцев трафик упал на 8% по сравнению с прошлым годом. Кто виноват? Искусственный интеллект! А точнее то, как AI меняет способ поиска информации.
В начале этого года «Википедия» столкнулась с нашествием ботов, которые шерстят ее страницы. Энциклопедия придумывает инструменты защиты, но не всегда помогает — боты мимикрируют под людей. Например, думали, что в мае был бум запросов из Бразилии от людей, но на поверку оказалось, что это были боты, только продвинутые.
В общем, если посмотреть на трафик чисто от людей, то он падает. Происходит это из-за того, что меняется способ поиска информации. Люди получают ее в чат-ботах или в AI-саммари непосредственно в поисковой выдаче. А первоисточники не изучают.
Но эти же AI-боты сначала берут данные из «Википедии», переупаковывают их и «продают» пользователю. То есть получается, что пользователи все равно читают «Википедию», но только в пересказе. Правильно? Получается, что так. И «Википедия» все равно вносит свой вклад в распространение проверенного контента. Правда, насчет проверенного точно не согласится Илон Маск, который хочет сделать свой аналог «Википедии».
Но «Википедия» не продает рекламу. И падение трафика напрямую не влияет на ее доходы. Она вообще существует за счет пожертвований и волонтеров. Так в чем же тогда риски?
«С уменьшением количества посещений «Википедии» меньше волонтеров смогут развивать и обогащать контент, меньше индивидуальных доноров смогут поддерживать эту работу», — считают представители энциклопедии.
Но лично мне такие опасения не очень понятны. Вряд ли те, кто донатит «Википедии», задумываются о ее трафике. И вряд ли те, кто пишет или редактирует там статьи, думает о том, сколько их прочитает человек. Кажется, что у них другая мотивация. Нет?
Сейчас у «Википедии», судя по их графику, около 13-14 млрд просмотров страниц в месяц. Наверное, если трафик скатится до нескольких миллионов, то тогда есть риск лишиться многих редакторов и донатеров. Зачем помогать непопулярному сервису?
Но способен ли трафик упасть настолько сильно, чтобы «Википедия» потеряла свою популярность? В теории, да, если все начнут черпать информацию только в ChatGPT (и аналогах) и выдаче Google. Но кажется сомнительным, что это случится быстро, да и вообще случится.
Что предлагает «Википедия»? Например, хотят, чтобы AI-сервисы явно указывали, что информация была взята из энциклопедии, и способствовали тому, чтобы люди переходили на ее сайт. Да и вообще в «Википедии» советуют читать первоисточники! А еще энциклопедия защищается от ботов и придумывает, как адаптироваться к новой реальности.
@TheEdinorogBlog — тот самый канал про стартапы🦄
Please open Telegram to view this post
VIEW IN TELEGRAM
ЦОДы ИИ съедают мировые запасы памяти и дисков: надвигается «ценовой апокалипсис»
По мере того как центры обработки данных для искусственного интеллекта растут как грибы после дождя, они начали буквально пожирать глобальные запасы памяти и хранилищ. 📈
Что происходит?
- DRAM: устаревшие, но востребованные чипы не успевают производить в нужных объёмах.
- Флэш-память: спрос на неё подскочил, подталкивая цены вверх.
- Жёсткие диски: текущие поставки сокращаются, и гиперскейлеры вынуждены пересаживаться на QLC SSD даже там, где раньше экономили на «механике».
Почему это важно?
💡 Можно сказать, что рынок хранилищ оказался зажат с обеих сторон: классическая память не поспевает, а диски исчезают с полок быстрее, чем вода в дикую жару. В итоге на горизонте вырисовывается десятилетие высоких цен, что напрямую ударит по облачным сервисам, ИИ-компаниям и в конечном счёте — по пользователям. ЦОДы ИИ становятся ненасытными гигантами, меняющими экономику памяти и дисков. Если тренд сохранится, мы можем увидеть не просто рост цен, а настоящий «ценовой апокалипсис», где за терабайт будут бороться так же ожесточённо, как за редкий металл.
По мере того как центры обработки данных для искусственного интеллекта растут как грибы после дождя, они начали буквально пожирать глобальные запасы памяти и хранилищ. 📈
Что происходит?
- DRAM: устаревшие, но востребованные чипы не успевают производить в нужных объёмах.
- Флэш-память: спрос на неё подскочил, подталкивая цены вверх.
- Жёсткие диски: текущие поставки сокращаются, и гиперскейлеры вынуждены пересаживаться на QLC SSD даже там, где раньше экономили на «механике».
Почему это важно?
💡 Можно сказать, что рынок хранилищ оказался зажат с обеих сторон: классическая память не поспевает, а диски исчезают с полок быстрее, чем вода в дикую жару. В итоге на горизонте вырисовывается десятилетие высоких цен, что напрямую ударит по облачным сервисам, ИИ-компаниям и в конечном счёте — по пользователям. ЦОДы ИИ становятся ненасытными гигантами, меняющими экономику памяти и дисков. Если тренд сохранится, мы можем увидеть не просто рост цен, а настоящий «ценовой апокалипсис», где за терабайт будут бороться так же ожесточённо, как за редкий металл.
Tom's Hardware
AI data centers are swallowing the world's memory and storage supply, setting the stage for a pricing apocalypse that could last…
Once-cheap SSDs, DRAM, and HDD prices are climbing fast as AI demand and constrained supply converge to create the tightest market in years.
Войны ИИ-чипов закончились. Да здравствуют войны систем
По мере того как закон Мура перестаёт действовать, а спрос на искусственный интеллект только ускоряется, поле битвы в индустрии смещается. Теперь дело не в том, чей чип быстрее, а в том, чья система стоек умнее и эффективнее.
Почему это происходит?
Суперчипы Nvidia, AMD и Intel уже доказали свою мощь, но упор на один процессор больше не решает задачу. Обучение и запуск моделей ИИ требуют связок GPU, NPU и памяти, объединённых в цельные системы. Именно здесь открывается новая арена конкуренции.
Кто выигрывает?
- Стартапы: у них шанс предложить свежие подходы к архитектуре стоек и оптимизации энергии.
- Облачные провайдеры: Amazon, Microsoft и Google инвестируют в системы целиком, а не только в чипы.
- Клиенты: получают доступ к более масштабируемым и гибким решениям.
💡 Можно сказать, что индустрия переходит от «гонки болидов» к «гонке целых автопарков». Теперь важно не только, какой двигатель у машины, но и как работает вся команда: механики, логистика и стратегия. Эпоха «чиповых войн» подходит к концу. На смену приходит новая гонка — войны систем, где побеждают не отдельные процессоры, а экосистемы, способные масштабировать ИИ в промышленных масштабах.
По мере того как закон Мура перестаёт действовать, а спрос на искусственный интеллект только ускоряется, поле битвы в индустрии смещается. Теперь дело не в том, чей чип быстрее, а в том, чья система стоек умнее и эффективнее.
Почему это происходит?
Суперчипы Nvidia, AMD и Intel уже доказали свою мощь, но упор на один процессор больше не решает задачу. Обучение и запуск моделей ИИ требуют связок GPU, NPU и памяти, объединённых в цельные системы. Именно здесь открывается новая арена конкуренции.
Кто выигрывает?
- Стартапы: у них шанс предложить свежие подходы к архитектуре стоек и оптимизации энергии.
- Облачные провайдеры: Amazon, Microsoft и Google инвестируют в системы целиком, а не только в чипы.
- Клиенты: получают доступ к более масштабируемым и гибким решениям.
💡 Можно сказать, что индустрия переходит от «гонки болидов» к «гонке целых автопарков». Теперь важно не только, какой двигатель у машины, но и как работает вся команда: механики, логистика и стратегия. Эпоха «чиповых войн» подходит к концу. На смену приходит новая гонка — войны систем, где побеждают не отдельные процессоры, а экосистемы, способные масштабировать ИИ в промышленных масштабах.
DataCenterKnowledge
The AI Chip Wars Are Dead. Long Live the System Wars
As Moore’s Law ends and AI demands explode, the compute battleground shifts from single chips to rack-scale systems – creating new startup opportunities.
Фотоника: ключ к новой эре дата-центров ИИ
Рост ИИ-моделей превращает центры обработки данных в настоящие энергетические «чёрные дыры». Современные GPU-кластеры требуют не только больше мощности, но и молниеносного обмена данными. И вот тут на сцену выходит фотоника.
Что это вообще такое?
💡 Фотоника — это наука и технология работы с фотонами (квантами света). Проще говоря, это использование света вместо электричества для передачи и обработки информации. Если медь — это «провода», то фотоника — это «оптические магистрали».
Что меняется?
- Медные соединения больше не справляются: они ограничивают скорость и «съедают» энергию.
- Оптические каналы (фотоника) позволяют передавать данные в разы быстрее и дальше, с минимальными потерями.
- По оценкам экспертов, энергопотребление снижается до 90%, а скорость передачи растёт в десятки раз.
Почему это важно?
💡 Можно сказать, фотоника — это не просто апгрейд, а переписывание правил игры. Она даёт дата-центрам шанс справиться с лавинообразным ростом моделей ИИ, не обрушив мировые энергосети и не превратив обучение GPT-6 в «плавильный котёл». Фотоника становится нервной системой будущих дата-центров. Без неё обучение и работа ИИ уровня GPT-5+ рискуют превратиться в гонку на старых проводах — громоздко, дорого и медленно.
Рост ИИ-моделей превращает центры обработки данных в настоящие энергетические «чёрные дыры». Современные GPU-кластеры требуют не только больше мощности, но и молниеносного обмена данными. И вот тут на сцену выходит фотоника.
Что это вообще такое?
💡 Фотоника — это наука и технология работы с фотонами (квантами света). Проще говоря, это использование света вместо электричества для передачи и обработки информации. Если медь — это «провода», то фотоника — это «оптические магистрали».
Что меняется?
- Медные соединения больше не справляются: они ограничивают скорость и «съедают» энергию.
- Оптические каналы (фотоника) позволяют передавать данные в разы быстрее и дальше, с минимальными потерями.
- По оценкам экспертов, энергопотребление снижается до 90%, а скорость передачи растёт в десятки раз.
Почему это важно?
💡 Можно сказать, фотоника — это не просто апгрейд, а переписывание правил игры. Она даёт дата-центрам шанс справиться с лавинообразным ростом моделей ИИ, не обрушив мировые энергосети и не превратив обучение GPT-6 в «плавильный котёл». Фотоника становится нервной системой будущих дата-центров. Без неё обучение и работа ИИ уровня GPT-5+ рискуют превратиться в гонку на старых проводах — громоздко, дорого и медленно.
SiliconANGLE
Photonics emerges as the key to powering the next generation of AI data centers
The data center is undergoing its most dramatic reinvention in decades, driven by the insatiable growth of artificial intelligence models that demand more power, scale and efficiency than ever before.
Агент-предприниматель: как ИИ переписывает правила стартап-игры
В новом выпуске подкаста GeekWire партнёр Pioneer Square Labs Т.А. Макканн раскладывает по полочкам, как агенты ИИ становятся не просто инструментами, а полноценными «кофаундерами» для стартапов.
Что меняется?
💡 Можно сказать, привычная логика «сначала продукт — потом дистрибуция» уходит в прошлое. В мире ИИ важнее оказались данные и каналы распространения, потому что именно они позволяют агентам быстро учиться, тестировать гипотезы и захватывать рынок.
Взаимодействие между агентами
Новый тренд — это не один умный бот, а экосистема агентов, которые могут общаться, обмениваться задачами и даже «договариваться» о совместных действиях. В бизнесе это означает автоматизацию процессов целых отделов: от маркетинга до юрсопровождения.
Почему это важно для стартапов?
Многие фаундеры мечтают о команде «как в Кремниевой долине». С агентами это становится дешевле: виртуальный аналитик, маркетолог и даже юрист теперь можно «нанять» за цену подписки на API.
И немного иронии
Получается, в ближайшем будущем на питчах венчурным капиталистам придётся спрашивать не только «кто в вашей команде?», но и «какие агенты у вас уже работают». Агенты ИИ ломают привычную стартап-модель, где успех зависел от продукта и команды. Теперь в центре игры — дистрибуция, данные и оркестрация агентных систем. Стартапы будущего могут запускаться не в гараже, а в облаке.
В новом выпуске подкаста GeekWire партнёр Pioneer Square Labs Т.А. Макканн раскладывает по полочкам, как агенты ИИ становятся не просто инструментами, а полноценными «кофаундерами» для стартапов.
Что меняется?
💡 Можно сказать, привычная логика «сначала продукт — потом дистрибуция» уходит в прошлое. В мире ИИ важнее оказались данные и каналы распространения, потому что именно они позволяют агентам быстро учиться, тестировать гипотезы и захватывать рынок.
Взаимодействие между агентами
Новый тренд — это не один умный бот, а экосистема агентов, которые могут общаться, обмениваться задачами и даже «договариваться» о совместных действиях. В бизнесе это означает автоматизацию процессов целых отделов: от маркетинга до юрсопровождения.
Почему это важно для стартапов?
Многие фаундеры мечтают о команде «как в Кремниевой долине». С агентами это становится дешевле: виртуальный аналитик, маркетолог и даже юрист теперь можно «нанять» за цену подписки на API.
И немного иронии
Получается, в ближайшем будущем на питчах венчурным капиталистам придётся спрашивать не только «кто в вашей команде?», но и «какие агенты у вас уже работают». Агенты ИИ ломают привычную стартап-модель, где успех зависел от продукта и команды. Теперь в центре игры — дистрибуция, данные и оркестрация агентных систем. Стартапы будущего могут запускаться не в гараже, а в облаке.
GeekWire
The Agentic Entrepreneur: How the next wave of AI is changing the startup playbook
This week on the GeekWire Podcast, T.A. McCann of Pioneer Square Labs explains how AI agents are changing company creation, why distribution and data now matter more than product, and what agent-to-agent interactions mean for the future of business.
🚀 Прокачайте свои знания: лучшие EDU + TECH каналы
Устали бесконечно листать ленту в поисках по-настоящему полезного образовательного контента? Знакомо. Пора вылезать из информационной кроличьей норы 🐇
Мы нашли для вас лучшие Telegram-каналы, где технологии встречаются с образованием. Здесь вас ждет не просто новостной дайджест, а структурированные материалы, которые помогут учиться и расти:
• Глубокие образовательные гайды и туториалы
• Аналитические обзоры трендов EdTech
• Советы по изучению языков программирования
• Бесплатные курсы, вебинары и материалы
• Образовательные вакансии и стажировки
Превратите свой смартфон в мощный инструмент для обучения! 📚✨
Переходите по ссылке и добавьте себе в закладки умную подборку:
👉 https://xn--r1a.website/addlist/n120Q-Yep4lmYzdi
Теперь у вас есть личный образовательный хаб всегда под рукой.
Устали бесконечно листать ленту в поисках по-настоящему полезного образовательного контента? Знакомо. Пора вылезать из информационной кроличьей норы 🐇
Мы нашли для вас лучшие Telegram-каналы, где технологии встречаются с образованием. Здесь вас ждет не просто новостной дайджест, а структурированные материалы, которые помогут учиться и расти:
• Глубокие образовательные гайды и туториалы
• Аналитические обзоры трендов EdTech
• Советы по изучению языков программирования
• Бесплатные курсы, вебинары и материалы
• Образовательные вакансии и стажировки
Превратите свой смартфон в мощный инструмент для обучения! 📚✨
Переходите по ссылке и добавьте себе в закладки умную подборку:
👉 https://xn--r1a.website/addlist/n120Q-Yep4lmYzdi
Теперь у вас есть личный образовательный хаб всегда под рукой.
Технологические тренды 2025 года: от ИИ до квантовых скачков
💡 Можно сказать, что 2025 год стал переломным моментом для технологий: он принес не только новые возможности, но и новые вопросы.
Что в тренде?
- ИИ-инфраструктура: облачные гиганты наращивают мощности, превращая дата-центры в фабрики будущего.
- Агентный ИИ: умные системы начинают работать автономно, формируя целые экосистемы — от бизнеса до медицины.
- Робототехника: машины всё чаще выходят из цехов на «передовую» — в здравоохранение, логистику и даже в быт.
- Квантовые вычисления: уже не абстрактная теория, а практический инструмент для сложных симуляций и оптимизаций.
- Цифровые двойники: интеграция с датчиками позволяет моделировать заводы, города и даже человеческое тело в реальном времени.
- Этика и регуляции: вместе с ростом технологий усиливается контроль, чтобы не допустить перекосов — от дискриминации до злоупотребления данными.
Почему это важно?
Технологический прогресс не просто ускоряет процессы — он меняет правила игры. Но вместе с этим возникает вопрос: как использовать новые инструменты так, чтобы они работали на благо, а не во вред? 2025 год можно описать как год больших возможностей и больших испытаний. Мир балансирует между эффективностью и ответственностью — и от того, как этот баланс будет найден, зависит будущее экономики, бизнеса и общества.
💡 Можно сказать, что 2025 год стал переломным моментом для технологий: он принес не только новые возможности, но и новые вопросы.
Что в тренде?
- ИИ-инфраструктура: облачные гиганты наращивают мощности, превращая дата-центры в фабрики будущего.
- Агентный ИИ: умные системы начинают работать автономно, формируя целые экосистемы — от бизнеса до медицины.
- Робототехника: машины всё чаще выходят из цехов на «передовую» — в здравоохранение, логистику и даже в быт.
- Квантовые вычисления: уже не абстрактная теория, а практический инструмент для сложных симуляций и оптимизаций.
- Цифровые двойники: интеграция с датчиками позволяет моделировать заводы, города и даже человеческое тело в реальном времени.
- Этика и регуляции: вместе с ростом технологий усиливается контроль, чтобы не допустить перекосов — от дискриминации до злоупотребления данными.
Почему это важно?
Технологический прогресс не просто ускоряет процессы — он меняет правила игры. Но вместе с этим возникает вопрос: как использовать новые инструменты так, чтобы они работали на благо, а не во вред? 2025 год можно описать как год больших возможностей и больших испытаний. Мир балансирует между эффективностью и ответственностью — и от того, как этот баланс будет найден, зависит будущее экономики, бизнеса и общества.
WebProNews
2025 Tech Trends: AI Surge, Robotics Growth, and Ethical Challenges
In 2025, tech trends spotlight surging AI infrastructure investments by cloud giants, agentic AI for autonomous ecosystems, robotics and quantum computing growth, digital twins with sensor integration, and rising regulatory scrutiny. These advancements promise…
Мультимодальный ИИ: когда машины начинают «видеть, слышать и понимать»
Представьте себе ассистента, который может одновременно посмотреть видео, прочитать статью о нём, послушать подкаст с обсуждением и потом связать всё это в единое объяснение. Звучит как научная фантастика? На самом деле — это новая волна развития искусственного интеллекта.
Что такое мультимодальность?
💡 Можно сказать, ИИ перестаёт быть «чисто текстовым болтуном». Мультимодальные модели объединяют работу сразу с несколькими типами данных: текст, изображения, видео, аудио, сенсорные данные. В результате они способны анализировать ситуацию ближе к тому, как это делает человек.
Почему это важно?
- Упрощение поиска: можно задать вопрос текстом и получить ответ из видео или картинки.
- Новый UX: от умных презентаций до персонализированных обучающих материалов.
- Сильный рывок в медицине, робототехнике и образовании, где данные всегда разнородны.
Что нас ждёт в будущем?
Мультимодальные ассистенты станут нашими универсальными интерпретаторами: они будут конспектировать лекции из видео, автоматически подбирать визуальные материалы к отчётам и даже отслеживать эмоциональный тон в подкастах.
И что?
Мультимодальный ИИ открывает новую эру — от простого общения к глубокому пониманию мира во всех его проявлениях. Это уже не чат-боты, а универсальные партнёры в работе и жизни.
Представьте себе ассистента, который может одновременно посмотреть видео, прочитать статью о нём, послушать подкаст с обсуждением и потом связать всё это в единое объяснение. Звучит как научная фантастика? На самом деле — это новая волна развития искусственного интеллекта.
Что такое мультимодальность?
💡 Можно сказать, ИИ перестаёт быть «чисто текстовым болтуном». Мультимодальные модели объединяют работу сразу с несколькими типами данных: текст, изображения, видео, аудио, сенсорные данные. В результате они способны анализировать ситуацию ближе к тому, как это делает человек.
Почему это важно?
- Упрощение поиска: можно задать вопрос текстом и получить ответ из видео или картинки.
- Новый UX: от умных презентаций до персонализированных обучающих материалов.
- Сильный рывок в медицине, робототехнике и образовании, где данные всегда разнородны.
Что нас ждёт в будущем?
Мультимодальные ассистенты станут нашими универсальными интерпретаторами: они будут конспектировать лекции из видео, автоматически подбирать визуальные материалы к отчётам и даже отслеживать эмоциональный тон в подкастах.
И что?
Мультимодальный ИИ открывает новую эру — от простого общения к глубокому пониманию мира во всех его проявлениях. Это уже не чат-боты, а универсальные партнёры в работе и жизни.
Medium
Multimodal AI: The New Era of AI that Understands Text, Images, Audio, and More
What if your AI assistant could watch a video, read an article about it, listen to a podcast discussing it, and then explain the whole…
Квантовые вычисления + ИИ: история двух будущих гигантов
Когда квантовая механика встречается с искусственным интеллектом, рождается не просто хайп, а потенциально новый класс технологий. Сегодня эти направления развиваются параллельно, но всё чаще исследователи и компании думают о том, как их объединить.
Почему это важно?
💡 Можно сказать, квантовые компьютеры обещают решать задачи, которые недоступны классическим системам: моделирование молекул, оптимизация сложных систем, криптография. А ИИ — это мозг, который умеет находить закономерности в хаосе данных. Вместе они могут ускорить науку, финансы и фарму так, как сейчас трудно представить.
Где это уже пробуют?
- IBM и Google проводят эксперименты по обучению моделей ИИ на квантовых чипах.
- Стартапы тестируют квантовые алгоритмы для оптимизации supply chain и портфельных инвестиций.
- Исследователи рассматривают возможность «квантового ускорения» обучения нейросетей.
Что нас ждёт в будущем?
Если эти два гиганта подружатся, нас может ждать ИИ, который проектирует лекарства в считанные часы, взламывает старые криптосистемы и создаёт новые — ещё более устойчивые. Но и новые вызовы очевидны: от этики до геополитики, ведь квантовый ИИ может стать оружием в глобальной технологической гонке.
И что?
Пока квантовые компьютеры остаются дорогими и сырыми, а ИИ сталкивается с ограничениями в мощности и данных. Но если эти линии пересекутся, то мы получим настоящий «турбо-буст» для науки и индустрии. Вопрос лишь в том, кто первым научится управлять этой взрывной комбинацией.
Когда квантовая механика встречается с искусственным интеллектом, рождается не просто хайп, а потенциально новый класс технологий. Сегодня эти направления развиваются параллельно, но всё чаще исследователи и компании думают о том, как их объединить.
Почему это важно?
💡 Можно сказать, квантовые компьютеры обещают решать задачи, которые недоступны классическим системам: моделирование молекул, оптимизация сложных систем, криптография. А ИИ — это мозг, который умеет находить закономерности в хаосе данных. Вместе они могут ускорить науку, финансы и фарму так, как сейчас трудно представить.
Где это уже пробуют?
- IBM и Google проводят эксперименты по обучению моделей ИИ на квантовых чипах.
- Стартапы тестируют квантовые алгоритмы для оптимизации supply chain и портфельных инвестиций.
- Исследователи рассматривают возможность «квантового ускорения» обучения нейросетей.
Что нас ждёт в будущем?
Если эти два гиганта подружатся, нас может ждать ИИ, который проектирует лекарства в считанные часы, взламывает старые криптосистемы и создаёт новые — ещё более устойчивые. Но и новые вызовы очевидны: от этики до геополитики, ведь квантовый ИИ может стать оружием в глобальной технологической гонке.
И что?
Пока квантовые компьютеры остаются дорогими и сырыми, а ИИ сталкивается с ограничениями в мощности и данных. Но если эти линии пересекутся, то мы получим настоящий «турбо-буст» для науки и индустрии. Вопрос лишь в том, кто первым научится управлять этой взрывной комбинацией.
Medium
Quantum Computing + AI; What Happens?
When Quantum Meets AI: A Story of Two Future Giants
Google предлагает TUMIX: многоагентное масштабирование тестирования с помощью смеси инструментов
Google Cloud AI Research вместе с MIT, Гарвардом и DeepMind представили TUMIX (Tool-Use Mixture) — фреймворк, который позволяет объединять разных агентов (текстовых, кодовых, поисковых и управляемых) для совместного решения задач.
Почему это важно?
💡 Традиционно один агент ИИ тестируется в изоляции, и его результат ограничен его же архитектурой. В TUMIX вместо «одиночного марафона» работает команда из 12–15 агентов, которые обмениваются заметками, комбинируют стили решения и даже умеют вовремя останавливаться. Такой подход увеличил производительность Gemini-2.5 Pro до 34,1% по метрике HLE.
Как это работает?
- Агенты с разной специализацией запускаются параллельно.
- Каждый использует собственные инструменты: кодогенерацию, поиск, текстовые рассуждения.
- Результаты синхронизируются в единой «тетради заметок».
- Если часть агентов решает задачу раньше, остальные могут завершить работу без лишних затрат.
Что нас ждёт в будущем?
Подход TUMIX открывает путь к гибридным многоагентным системам, где вместо одного «супер-ИИ» работает оркестр моделей, каждая со своей сильной стороной. Это может ускорить разработку ПО, научные исследования и аналитические задачи — фактически создавая коллектив искусственных «экспертов».
И что?
Google показывает, что гонка ИИ движется не только в сторону «более крупных моделей», но и к умным стратегиям координации агентов. Вместо одного гиганта, пытающегося справиться со всем, мы получаем экосистему специалистов, которые работают в команде.
Google Cloud AI Research вместе с MIT, Гарвардом и DeepMind представили TUMIX (Tool-Use Mixture) — фреймворк, который позволяет объединять разных агентов (текстовых, кодовых, поисковых и управляемых) для совместного решения задач.
Почему это важно?
💡 Традиционно один агент ИИ тестируется в изоляции, и его результат ограничен его же архитектурой. В TUMIX вместо «одиночного марафона» работает команда из 12–15 агентов, которые обмениваются заметками, комбинируют стили решения и даже умеют вовремя останавливаться. Такой подход увеличил производительность Gemini-2.5 Pro до 34,1% по метрике HLE.
Как это работает?
- Агенты с разной специализацией запускаются параллельно.
- Каждый использует собственные инструменты: кодогенерацию, поиск, текстовые рассуждения.
- Результаты синхронизируются в единой «тетради заметок».
- Если часть агентов решает задачу раньше, остальные могут завершить работу без лишних затрат.
Что нас ждёт в будущем?
Подход TUMIX открывает путь к гибридным многоагентным системам, где вместо одного «супер-ИИ» работает оркестр моделей, каждая со своей сильной стороной. Это может ускорить разработку ПО, научные исследования и аналитические задачи — фактически создавая коллектив искусственных «экспертов».
И что?
Google показывает, что гонка ИИ движется не только в сторону «более крупных моделей», но и к умным стратегиям координации агентов. Вместо одного гиганта, пытающегося справиться со всем, мы получаем экосистему специалистов, которые работают в команде.
MarkTechPost
Google Proposes TUMIX: Multi-Agent Test-Time Scaling With Tool-Use Mixture
Google AI Proposes TUMIX (Tool-Use Mixture): Multi-Agent Test-Time Scaling framework With Tool-Use Mixture.
Forwarded from Силиконовый Мешок
Интересный сабреддит завирусился несколько дней назад на Реддите. Люди, которые потеряли работу из-за ИИ, делятся своими историями. Сначала я просто почитывал их, а потом решил расчехлить Cursor, спарсить RSS-поток с комментариями и подсчитать, в каких областях замещение «кожаных» на «силиконовых» идет особенно бурно. Результат вы можете посмотреть на графике, а самые интересные истории я перевел и их можно почитать тут: https://teletype.in/@prompt_design/people-who-lost-their-jobs-to-AI
Forwarded from ТАБУИИРОВАNNЫЙ
🗂 Навигация по каналу: лучшее за последнее время
Собрал для вас базу знаний, чтобы важные материалы всегда были под рукой.
🔥 Фундаментальные гайды (Must Read):
🔹 Гайды от OpenAI, Google и Anthropic — база для старта.
🔹 Учебник по ML от профессора Гарварда — 2000 страниц базы.
🔹 Гайд по Sora 2 от OpenAI — как писать инструкции на языке кино.
🔹 Гайд по Nano Banana Pro от Google.
🔹 Слитый внутренний гайд Perplexity — как сотрудники компании используют ИИ в работе.
🎓 Бесплатное обучение и курсы:
🔸 50+ бесплатных курсов в OpenAI Academy
🔸 9 курсов по ИИ от Google — от основ до генеративных моделей.
🔸 Коллекция курсов от Hugging Face — NLP, робототехника, агенты.
🔸 Новый курс Эндрю Ына — глубокое обучение, RAG и агенты.
🔸 Материалы курсов Стэнфорда — свежие лекции по LLM и NLP.
✍️ Промпт-инжиниринг:
🔹 Промпт улучшайзер — превращаем любой запрос в идеальный.
🔹 Метод Фейнмана в ChatGPT — как понять любую сложную тему.
🔹 Учим английский по видео — персональные уроки из YouTube.
🔹 Где брать лучшие промпты — подборка библиотек и агрегаторов.
🔹 Prompt Cannon — сравнение ответов 20+ моделей одной кнопкой.
🤖 AI-агенты и автоматизация:
🔸 3500+ шаблонов для n8n — готовые воркфлоу для любых задач.
🔸 Гайды по агентам от Google — архитектура, память и инструменты.
🔸 Курс по AI-агентам от LangChain — строим агентов на Python/JS.
🔸 Nanochat от Андрея Карпаты — гайд, как собрать свой ChatGPT с нуля.
🛠 Инструменты и подборки:
🔹 50 AI-инструментов, на которые тратят деньги стартапы.
🔹 12 сервисов для учебы и исследований.
🔹 4 GitHub-репозитория для разработчиков — мастхэв закладки.
🔹 Thunderbit— AI-скрапер данных с сайтов без кода.
Сохраняйте себе, здесь контента на несколько месяцев изучения.
Собрал для вас базу знаний, чтобы важные материалы всегда были под рукой.
🔥 Фундаментальные гайды (Must Read):
🔹 Гайды от OpenAI, Google и Anthropic — база для старта.
🔹 Учебник по ML от профессора Гарварда — 2000 страниц базы.
🔹 Гайд по Sora 2 от OpenAI — как писать инструкции на языке кино.
🔹 Гайд по Nano Banana Pro от Google.
🔹 Слитый внутренний гайд Perplexity — как сотрудники компании используют ИИ в работе.
🎓 Бесплатное обучение и курсы:
🔸 50+ бесплатных курсов в OpenAI Academy
🔸 9 курсов по ИИ от Google — от основ до генеративных моделей.
🔸 Коллекция курсов от Hugging Face — NLP, робототехника, агенты.
🔸 Новый курс Эндрю Ына — глубокое обучение, RAG и агенты.
🔸 Материалы курсов Стэнфорда — свежие лекции по LLM и NLP.
✍️ Промпт-инжиниринг:
🔹 Промпт улучшайзер — превращаем любой запрос в идеальный.
🔹 Метод Фейнмана в ChatGPT — как понять любую сложную тему.
🔹 Учим английский по видео — персональные уроки из YouTube.
🔹 Где брать лучшие промпты — подборка библиотек и агрегаторов.
🔹 Prompt Cannon — сравнение ответов 20+ моделей одной кнопкой.
🤖 AI-агенты и автоматизация:
🔸 3500+ шаблонов для n8n — готовые воркфлоу для любых задач.
🔸 Гайды по агентам от Google — архитектура, память и инструменты.
🔸 Курс по AI-агентам от LangChain — строим агентов на Python/JS.
🔸 Nanochat от Андрея Карпаты — гайд, как собрать свой ChatGPT с нуля.
🛠 Инструменты и подборки:
🔹 50 AI-инструментов, на которые тратят деньги стартапы.
🔹 12 сервисов для учебы и исследований.
🔹 4 GitHub-репозитория для разработчиков — мастхэв закладки.
🔹 Thunderbit— AI-скрапер данных с сайтов без кода.
Сохраняйте себе, здесь контента на несколько месяцев изучения.