Искусственный интеллект

Человекоподобный робот Optimus должен освободить людей от монотонного и опасного труда.

Системы солнечной энергетики с накопителями обеспечат доступное электроснабжение.

Это четвертая итерация стратегического плана Tesla — предыдущие версии были опубликованы в 2006, 2016 и 2023 годах.

По идее, этот документ демонстрирует эволюцию видения компании от производителя электромобилей к создателю комплексной технологической экосистемы. Где каждый продукт направлен на решение конкретных практических задач.

В целом - все круто. Но где там роль Grok?

--

Мой тг-канал: ИИ by AIvengo, пишу ежедневно про искусственный интеллект

Ученые на Большом адронном коллайдере (БАК) в ЦЕРНе начали охоту, которую многие считали невозможной. Их цель — доказать, что бозон Хиггса распадается на пару "очарованных" кварков. Проблема в том, что определить это событие — как найти одну конкретную иголку даже не в стоге, а в целой горе иголок, которые выглядят почти так же.

Почему это так сложно?

Каждую секунду в коллайдере происходит около миллиарда протон-протонных столкновений. И лишь в ничтожной доле из них рождается бозон Хиггса. А его распад на "очарованные" кварки — событие еще более редкое. Но главная проблема даже не в этом. Распад на эти кварки генерирует сигнал, который практически неотличим от гигантского "фона" — триллионов других частиц, рождающихся в коллайдере. Традиционные методы анализа здесь практически бессильны.

Решение: "ИИ-ищейка" последнего поколения

Чтобы решить эту задачу, физики из ЦЕРНа развернули передовую систему искусственного интеллекта. Они обучили нейросеть анализировать данные столкновений и вычленять из триллионов событий те самые, которые имеют признаки распада Хиггса на очарованные кварки.

И это сработало. Анализ данных позволил ученым увидеть сигнал с достоверностью в 3.1 сигма. В физике частиц это считается первым серьезным "свидетельством" (evidence) существования процесса. Это еще не стопроцентное "открытие" (для которого нужен стандарт в 5 сигма), но это первая и самая убедительная улика, которую удалось найти за все время поисков. ИИ научился видеть тончайшие различия в данных, которые ранее были скрыты в гигантском объеме "шума".

Зачем это нужно?

Подтверждение этого распада — важнейший шаг для физики. Это поможет проверить, верна ли Стандартная модель (наша главная теория о том, как устроен мир), или же в данных скрывается "новая физика", намекающая на существование еще не открытых частиц и сил.

P.S. Поддержать меня можно подпиской на канал "сбежавшая нейросеть", где я рассказываю про ИИ с творческой стороны

--

Мой тг-канал: ИИ by AIvengo, пишу ежедневно про искусственный интеллект

Пока одни предрекают появление сверхразума (AGI) в ближайшие пару лет, а другие ждут восстания машин, один из главных людей в мире ИИ, научный руководитель Google DeepMind Джефф Дин, решил остудить пыл. В недавнем интервью он объяснил, почему разговоры о скором появлении AGI — это пустая трата времени.

Почему он избегает самого термина AGI?

По словам Дина, у термина "AGI" (сильный искусственный интеллект) нет четкого научного определения. Для одного это ИИ, который умнее среднего человека, для другого — сверхразум, превосходящий лучших экспертов во всех областях. Разница в сложности этих задач, как говорит Дин, может отличаться "в триллион раз". Поэтому он предпочитает говорить о конкретных достижениях, а не о туманных концепциях.

ИИ уже умнее среднего человека? Да, но есть нюанс.

Дин считает, что современные нейросети уже превосходят среднего человека в большинстве задач, не связанных с физическим миром. "Большинство людей не очень хороши в случайной задаче, которую они никогда не делали", — говорит он, отмечая, что ИИ с такими вещами справляется "довольно разумно".

Но это не делает его сверхинтеллектом. Дин подчеркивает, что ИИ все еще часто ошибается, не дотягивает до уровня настоящего эксперта во многих сферах и абсолютно беспомощен в задачах, требующих взаимодействия с реальным миром (например, он не научится водить машину за несколько десятков часов, как человек).

В чем главная проблема на пути к AGI?

По мнению руководства Google DeepMind, одна из ключевых преград — нестабильность и непоследовательность ИИ. Нейросеть может решить сложнейшую научную задачу, а в следующую минуту допустить глупую арифметическую ошибку, которую заметит и школьник. Эту проблему называют "рваным интеллектом" (jagged intelligence).

Вывод от одного из создателей современного ИИ прост: да, нейросети — невероятно мощный инструмент, который уже меняет мир. Но до создания настоящего мыслящего разума, способного стабильно и надежно работать на уровне эксперта во всех областях, еще очень далеко.

P.S. Поддержать меня можно подпиской на канал "сбежавшая нейросеть", где я рассказываю про ИИ с творческой стороны.

Три кита AI‑driven разработки

Наш подход держится на трёх опорах:

1. LLM. Мы используем языковую модель (например, Claude Sonnet) для генерации решений.

2. Контекст. Это структура знаний о проекте, которая превращает идеи в понятные инструкции. AI должен «понимать», о чём речь, иначе будет гадать на кофейной гуще.

3. Соглашения. Чёткие правила взаимодействия с моделью и средой разработки. Наши документы – это «договорённости» о том, как вести проект, какие инструменты использовать, чего избегать и что делать в первую очередь

Шаг 1. Фиксация идеи

Любой проект начинается с идеи: «хочу умного ассистента на базе LLM, оформленного как Telegram‑бот». Вместо того чтобы хранить это в голове, пишем в файл idea.md и просим AI структурировать мысль. Модель превращает хаотичное желание в чёткую формулировку: цель, функции, взаимодействие с пользователем

Промпт 1. Фиксация идеи - idea.md

Зафиксируй мою идею по разработке LLM-ассистента в файле.

LLM-ассистент должен быть выполнен в виде Telegram-бота.

Основной задачей бота является вести диалог с пользователем и отвечать на его вопросы.

Шаг 2. Проектирование: vision.md

Следующий шаг – документ vision.md, где мы вместе с AI разрабатываем техническое видение проекта: определяем стек (Python, Telegram SDK, API для LLM), принципы разработки (KISS, MVP, YAGNI), структуру кода, архитектуру, модель данных, способы интеграции и мониторинга LLM, сценарии работы, подход к деплою и конфигурации. Главное – избегать оверинжиниринга: минимальный набор компонентов для проверки гипотезы, всё лишнее – потом.

# Промпт 2. Генерация видения - vision.md

Давай создадим файл vision.md

В нем мы отразим техническое видение проекта @idea.md:

- технологии

- принцип разработки

- структуру проекта

- архитектуру проекта

- модель данных

- работа с LLM

- мониторинг LLM

- сценарии работы

- деплой

- подход к конфигурированию

- подход к логгированию

Данный документ будет служить нашей отправной точкой и техническим проектом для последующей разработки.

Давай создавать последовательно.

Проанализируй состав документа.

Иди последовательно по разделам.

Задавай мне вопросы, предлагай итоговое видение, после согласования со мной фиксируй в документе.

После переходи к следующему разделу.

Самое главное:

Нам нужно создать максимально простое решение для проверки своей идеи, по принципам KISS.

Никакого оверинжиниринга.

Только самое необходимое и простое во всех разделах!

Шаг 3. Соглашения и запреты

Мы заключаем с AI «контракт» в файле conventions.md. Тут описываем, как писать код (простые функции, одна ответственность на файл), как структурировать проект, и – что особенно важно – что не делать. Эти правила отражают наши ценности: KISS, YAGNI, модульность. Они помогают модели понимать, чего мы от неё ждём.

ПРОМПТ 3. Генерация соглашения по разработке - conventions.md

Создай файл conventions.md c правилами для разработки кода для передачи их code ассистенту, который будет генерировать код

Правила должны отражать все главные наши принципы разработки из документа vision.md и ссылаться на сам документ vision.md, не дублируя информацию из него.

Правила должны быть лаконичными, по принципу KISS, не содержать лишнего, только главное влияющее на качество

Шаг 4. План работы: tasklist.md

Разбиваем проект на небольшие итерации и фиксируем в tasklist.md. Каждая задача снабжена чек‑боксом, датой начала и завершения, есть поле для отчёта о прогрессе. Такой формат помогает модели работать по шагам: сначала сделать echo‑бот, затем подключить LLM, потом добавить память и обработку ошибок, далее – логирование, контейнеризацию и т.д. Чем меньше задач в одном запросе, тем легче модели удержать контекст и тем точнее она работает.

ПРОМПТ 4. План работы - tasklist.md

Создай пошаговый итерационный план разработки: doc/tasklist.md

Каждый шаг должен позволять протестировать работу бота.

Каждая итерация добавляет новый функционал.

Сверху отведи место для отчета по прогрессу, который будет обновляться после каждой итерации.

Отчет красивый в таблице, со статусами, иконками.

Каждая задача должна быть отмечена чекбоксом для наглядного отслеживания прогресса

План тоже должен быть лаконичным, содержать только главное и следовать принципу KISS

Шаг 5. Workflow.md: правила игры

Теперь нужно установить, как именно мы работаем вместе. В workflow.md описываем процесс: планируем итерацию, согласовываем с AI предложенный код, тестируем, вносим правки, отмечаем прогресс, делаем коммит, только потом переходим к следующей итерации. Модель учится «есть слона по кусочкам»: сначала думать, потом обсуждать, потом кодировать, и всегда ждать подтверждения перед следующими шагами.

ПРОМПТ 5. Соглашение по процессу работы - workflow.md

Создай файл doc/workflow.md с правилами выполнения работ по тасклисту tasklist.md,

чтобы проинструктировать кодового ассистента о разработке нашего бота по vision.md

Важно:

- выполнять работу строго по плану

- перед каждой итерацией вначале согласовывать предполагаемое решение с отрезками кода

- после согласования реализовывать

- после чего ожидать подтверждения

- обновлять прогресс в тасклисте

- отмечать выполненные задачи

- согласовывать переход к следующей итерации

- делать коммит в репозиторий

Workflow должен быть лаконичным, содержать только главное и следовать принципу KISS

Шаг 6. Cursor Rules: настройка IDE

В редакторе Cursor есть механизм «правил» (.mdc), который позволяет автоматически подмешивать нужные документы в контекст модели. Мы копируем conventions.md и workflow.md в каталог .cursor/rules и отмечаем режим Always – AI всегда будет помнить наши договорённости.

Шаг 7. Генерация кода и эволюция проекта

Теперь всё готово для практики. Мы начинаем с простого: структура репозитория, echo‑бот, конфигурация. AI анализирует план, предлагает код, мы согласовываем и получаем первый рабочий бот. Далее итерации добавляют интеллект (интеграция LLM), память (хранение контекста), обработку ошибок, мониторинг и логирование, контейнеризацию через Docker и автоматизацию Makefile. После каждой итерации у нас на руках минимально работоспособный продукт (MVP), который можно протестировать.

ПРОМПТ 6. Начинаем разработку по плану

Начинаем работу над проектом vision.md строго по тасклисту tasklist.md

Шаг 8. Onboarding‑документация

В финале мы просим AI написать документацию для новых разработчиков: как развернуть проект, как получить ключи API, какие есть сценарии и где что находится. Так мы получаем не только рабочий код, но и понятный для человека пакет: doc/intro.md, диаграммы, инструкции.

ПРОМПТ 7. Создание технической документации

Создай техническое описание разработанного проекта для быстрого ознакомления с проектом новому разработчику

Используй не только текст, но и примеры кода, ссылки на файлы, диаграммы и другую визуализацию

Сохрани описание в файл doc/intro.md

Выводы

Всё, что мы делаем, – это применяем хорошие старые практики Software Engineering в новой реальности AI‑кодинга. Структура, документация, итеративная разработка – никаких чудес, просто системный подход. AI‑driven подход превращает разработчика в архитектора, который управляет процессом на высоком уровне и делегирует рутинные операции ИИ.

Почему это работает?

Потому что контекст – основа качества генерации: чем лучше мы сформулируем задачу, тем меньше сюрпризов получим на выходе. Соглашения и правила – наш щит от «вайб‑кодинга», когда модель творит произвольные штуки. А поэтапный план помогает не потеряться и не перегружать LLM.

Пусть ИИ остаётся вашим ассистентом, а не конкурентом. Семь раз отмерьте: подумайте об архитектуре, подготовьте контекст, договоритесь с моделью. И только потом один раз сгенерируйте – результат вас приятно удивит.

Больше полезной, ценной и практической информации об ИИ мы публикуем в нашем Telegram-канале AI.Dialogs. Там же мы рассказываем о наших обучающих программах AI-кодингу ИИ-агентов, кейсах и опыте в консалтинге и разработке ИИ-решений! Присоединяйтесь. По любым вопросам и предложениям пишите мне в Telegram smirnoff_ai.

--

Мой тг-канал: ИИ by AIvengo, пишу ежедневно про искусственный интеллект

Но давай не будем уходить так далеко. Первые звоночки мы слышим уже сегодня. Твои рекомендации в "Яндекс.Музыке", ВК или Spotify — это не просто "твои вкусы". Это результат тысячи микро-выборов, которые закрепил алгоритм. Ты сам замечал, что начинаешь слушать новый жанр только потому, что тебе его подсовывают в подборках? TikTok ещё честнее — он учит тебя любить то, на что ты задержал взгляд лишние три секунды. А дальше цепочка: ты "хочешь" — но это желание уже создано для тебя.

Технически всё просто. Алгоритмы знают, что ты смотришь, лайкаешь, покупаешь. Сколько раз задержался на фото с едой. Сколько времени читаешь комментарии под скандальным постом. Они видят не только твои действия, но и паттерны поведения: когда ты чаще голоден, когда у тебя упадок настроения, когда ты импульсивно тратишь деньги. Это уже сейчас работает у рекламных систем Google, Facebook, TikTok. И это ещё "детский сад" по сравнению с тем, что нас ждёт.

Возьмём реальный кейс. Amazon лет пять назад запатентовал систему "предиктивной доставки": товар выезжает со склада до того, как ты его купил. Потому что модель уверена — ты купишь. Не "может быть", а с вероятностью выше 90%. Пока это только тесты, но сам факт говорит: твои желания становятся настолько предсказуемыми, что бизнесу можно рисковать миллионами долларов.

Теперь умножь это на будущее. В 2050 у тебя будет личный ИИ-демон, подключённый напрямую к твоим биометрическим данным. Он знает твой пульс, уровень сахара в крови, гормональный фон. Он считывает микро-выражения лица и понимает, что ты нервничаешь, ещё до того, как ты сам это осознаешь. И если в этот момент на твоём пути окажется кофейня, которая "слегка подмазала" твоего демона, твоя рука автоматически потянется за латте. Ты даже не заметишь момента выбора.

Есть ли выход? Формально — да. Можно отключить всё к чертям, выбросить очки, жить как амиши. Садить картошку, читать бумажные книги, самому искать информацию в архивах. Но это будет как ходить по Москве в 2050-м в лаптях и с деревянной лопатой. Никто не запрещает, но выглядишь ты идиотом.

Реальный выход только один — научиться играть в эту игру на шаг впереди. Прокачивать своего демона, чтобы он не только сливал твои данные корпорациям, но и реально защищал тебя. Уже сейчас айтишники тестируют "персональные фильтры": нейросети, которые стоят между тобой и рекламой и блокируют попытки манипуляции. Например, проекты вроде AdGuard, Pi-hole или даже кастомные LLM-фильтры — это первые зачатки будущих "антидемонов".

Людей, кто этим воспользуется будет меньше процента. Остальные будут думать, что сами принимают решения, хотя на самом деле их желания спроектированы вчера в чьём-то дата-центре.

И вот тут главный вопрос — у тебя хватит мозгов и воли приручить своего демона? Или ты просто улыбнёшься, примешь таблетку счастья, посмотришь персональный сериал и ляжешь спать с ощущением, что всё под контролем. Хотя давно уже нет.

Да ладно, расслабься!
Это я пошутил!
Всё случится гораздо раньше...

Телеграм: @seosmmaiui