{ "type": "tldr", "lang": "zh","lang": "zh",[TL;DR Ежедневный подбор] Сначала скажу нечто не слишком вежливое: когда Сэм Альтман называет вашу давнюю, бездействующую DRAM в компьютере «совершенно ужасным» распределением ресурсов, он говорит не просто о памяти — он поднимает гораздо более масштабный вопрос: кто должен контролировать будущие вычислительные мощности, агенты и инфраструктуру? Ваш локальный компьютер, который иногда запускает модели, или облачный центр обработки данных, который круглосуточно извлекает из ресурсов максимум? Это звучит резко — и неудивительно, что сообщество взорвалось. 🍺 Это интервью насыщено информацией. На поверхности речь идет о «локальном ИИ против облачного ИИ», но на самом деле затрагиваются три ключевых вопроса: во-первых, ИИ превращает чипы, память, энергию и центры обработки данных обратно в стратегические ресурсы; во-вторых, безопасность больше не является мелкой проблемой, которую можно решить патчем — она требует переписывания всей технологической стека; в-третьих, представление Альтмана о будущем обществе — это не доминирование одного сверхразумного ИИ, а сеть огромного количества «слегка превосходящих человека» агентов, взаимно сдерживающих и координирующих друг друга. Проще говоря, он хочет не цифрового бога, а целое общество агентов. 📌 Память не должна простаивать? Альтман хочет заполнить облако DRAM • Альтман прямо говорит: хранить дефицитную DRAM на персональных компьютерах с использованием всего 5% — с точки зрения глобального распределения ресурсов — «совершенно ужасно». • Его логика проста: поскольку память, вычислительные мощности и производственные мощности чипов ограничены, ресурсы следует концентрировать в облачных центрах обработки данных и максимально повышать их загрузку. • Эти слова затрагивают спорный момент — ведь это не только вопрос эффективности, но и вопрос потери пользователем суверенитета над локальным железом и программным обеспечением в пользу «арендованного ИИ». • Не забывайте: память, используемая в ПК, смартфонах и ускорителях ИИ, хоть и не идентична, конкурирует за одни и те же производственные мощности. Кто делает крупные заказы — тот обычно имеет больше влияния. Это реалистично. И очень капиталистично. 📌 Рынок не автоматически устраняет дефицит: Альтман говорит, что «невидимая рука» не работает • Он считает, что производители памяти слишком осторожны в расширении производства — не потому, что это невыгодно, а из-за глубоких исторических травм: отрасль долгое время была похожа на «вложение 20 млрд долларов в капитальные расходы и получение 1,9 млрд прибыли». • По его словам, сегодня производители могут получать около 100 млрд долларов свободного денежного потока в год, но тень прошлых перепроизводств, которые чуть не привели к банкротству, все еще мешает им активно расширяться. • Вывод: спрос на память, чипы и энергию в эпоху ИИ взрывной, но традиционные рыночные механизмы реагируют слишком медленно. • Подход OpenAI — жесткий: собственная разработка чипов, строительство собственных центров обработки данных, участие роботов в строительстве инфраструктуры и даже концепция «самовоспроизводящихся центров обработки данных» — где ИИ управляет роботами для эксплуатации заводов по производству чипов и строительства электростанций и центров обработки данных. Звучит как научная фантастика, но он явно не шутит. 📌 Безопасность ИИ переходит в фазу «патчи уже не помогут» • Относительно недавнего всплеска уязвимостей ПО Альтман оценивает холодно: способность крупных моделей находить уязвимости будет быстро расти, а объем кода интернета огромен до нелепости. • Это означает: когда ИИ будет систематически использоваться для сканирования кода, мы можем обнаружить, что «серьезных уязвимостей гораздо больше, чем ожидалось». • Его вывод — не нанять больше инженеров по безопасности, а более радикальный: маршрутизаторы, операционные системы и прикладной уровень должны быть перестроены для мира, где уязвимости становятся «умными». • Что касается изоляции сверхмощных моделей в «самом безопасном санкционированном окружении»? Он не слишком оптимистичен. Санкционированные среды, мониторинг, проверка цепочек рассуждений и активационный контроль могут временно сдержать проблему — но в конечном счете все сводится к одному: «доверяете ли вы действительно выравниванию?». Эта проблема не решается наклейкой. 📌 Интеллектуальный взрыв будет не одной сверхмашиной, а целым обществом агентов • Альтман прямо заявляет, что не любит термин «agent swarms», предпочитая «agent teams». Это не просто вопрос стиля — это вопрос управления: команда подразумевает сотрудничество и взаимный контроль. • Его ключевой вывод интересен: вместо того чтобы впустить в общество один монолитный суперразум с «триллионом IQ», он предпочитает видеть «триллион слегка превосходящих человека ИИ-агентов», встроенных в общество. • Причина — устойчивость. Человеческое общество функционирует не потому, что существует всезнающий мозг, а потому что множество индивидов взаимно ограничивают друг друга, делят обязанности и исправляют ошибки. • Эта идея во многом совпадает с фундаментальной сутью AgentFi: ценность, власть и исполнительная способность лучше распределены по сети множества взаимодействующих агентов, а не сосредоточены в одном централизованном мозге. 📌 Научные исследования переписываются ИИ — и оцениваются заново • Альтман приводит яркий пример: одно доказательство по уравнениям Навье-Стокса стоило около 10 миллионов долларов за одну попытку — и за неделю вышло из-под контроля. • Но его прогноз: через год с помощью более умных моделей и более зрелых методов это можно будет повторить за 1/100 стоимости. • Это отражает тренд: в эпоху GPT-4 даже один доллар вычислительных мощностей на одну задачу был труднодоступен; теперь с помощью цепочек рассуждений и команд агентов система может параллельно «мыслить» десятки тысяч раз. • Еще более поразительно его эмоциональное состояние — восторг, бессонница, потрясение — и немного грусти. Если многие из самых сложных задач научной карьеры начнут решаться моделями массово — то сама роль ученого, его чувство достижения и путь подготовки будут пересмотрены. 📌 Бизнес-модели тоже должны меняться: пользователи хотят «чтобы ИИ делал за меня работу», а не больше веб-форм • Альтман считает, что «момент Macintosh» для персональных агентов еще не наступил. Люди считают эти продукты крутыми, но еще не чувствуют их незаменимости. • Победителем станет не тот продукт с наибольшим количеством функций, а тот, кто наиболее надежен, способен выполнять сложные задачи и работает без сбоев — «it just works». • В коммерческом плане он указывает на реальный конфликт: компании до сих пор держатся за свои AI-всплывающие окна и HTML-страницы, боясь потерять доступ к пользователю; но потребители хотят решать все свои задачи прямо в своем основном чат-приложении. • Он даже называет сегодняшние веб-формы «фейковой работой». Это звучит резко — но действительно задевает боль: будущее принадлежит не вам как человеку, который лучше заполняет формы, а агенту, который выполняет задачи за вас через разные платформы. 📌 Ценообразование, вычислительные мощности и дефляция: экономика ИИ еще далеко не просчитана • В OpenAI не поощряют высокое потребление токенов — даже высокий рейтинг по токенам считается чем-то позорным, потому что расход токенов ≠ реальная эффективность. • Они рассматривали возможность ценообразования по задачам вместо токенов (как AWS), но клиенты сильно возражали: они хотят понимать, за что именно платят. • Альтман приводит жесткие цифры: текущая полная стоимость владения 1 ГВт передовых вычислительных мощностей ИИ за 5 лет составляет около 70 млрд долларов; он считает идеальным снижение до 20 млрд долларов. • Другими словами: будущее ИИ — это не только битва моделей, но и всесторонняя борьба за сжатие энергии, дизайна чипов и структуры маржи инфраструктуры. Тот, кто сможет сделать всю цепочку «от песка до токена» тоньше — тот окажется ближе к следующему уровню преимущества. Мое собственное мнение: самое важное в этом интервью — не поверхностные споры о том, «нужна ли вам память на вашем компьютере», а более глубокий сдвиг: ИИ переходит от проблемы программного обеспечения к проблеме управления ресурсами, социальной организации и экономики. Память, чипы, энергия, координация агентов и право ценообразования — ранее разрозненные темы — теперь объединяются одной общей нитью. Если будущее действительно не будет одним суперразумом, а скорее множеством команд агентов, совместно участвующих в производстве, торговле и управлении — тогда возникает вопрос: как эти агенты будут получать бюджеты, полномочия, репутацию и правила сотрудничества? Когда я дохожу до этого момента — я сразу думаю об AgentFi. Ведь как только агенты начнут работать — им рано или поздно понадобится собственная экономическая система. Что вы думаете — вы бы предпочли иметь локальный сверхмощный ИИ или подключиться к облачному обществу из бесчисленного множества агентов?}

[TL;DR Ежедневно] Я скажу это вслух: когда ежемесячный счет за ИИ одного инженера начинает звучать как серия A, это перестаёт быть просто историей об инструментах и превращается в экономический эксперимент. Так что же мы на самом деле наблюдаем — следующую операционную систему программной инженерии или очень дорогую машину для производства ИИ-мусора в промышленных масштабах? Скорее всего, и то, и другое. 🤖💸 🔥 Ситуация: триллион токенов превратился в публичную дискуссию о расходах 📌 Цифры в заголовках намеренно абсурдны • Основатель OpenClaw Питер Штейнбергер оценил, что его команда потратила около $10 млн на токены за один месяц на ИИ-задачи, но сразу добавил: не все эти расходы были полезными. • Другой вирусный пример — профиль Лорен Тан в Cursor, где за 30 дней было использовано около 1,5 триллиона токенов. • Используя приблизительную оценку $8 за 1 млн токенов, Питер Пьекарчык рассчитал, что это составляет около $384 тыс. в день, ~$11 млн в месяц или $132 млн в год. • Даже с 90%-ной корпоративной скидкой оценка всё равно составляет около $1,1 млн в месяц или примерно $13 млн в год. 📌 Почему люди удивились: использование выходит далеко за рамки обычного поведения разработчиков • Данные Jellyfish по 12 тыс. разработчиков показывают, что медианный пользователь потребляет около 51 млн токенов в месяц. • 90-й перцентиль — около 380 млн токенов в месяц. • Это означает, что использование Лорен — 1,5 трлн токенов — примерно в 29 000 раз превышает медиану, а ранее опубликованные Питером 603 млрд токенов — всё ещё в 12 000 раз. • Как только использование токенов переводится в расчёты зарплаты, нарратив меняется мгновенно: это уже не «инструмент продуктивности», а выглядит как вычислительная аристократия. 📌 Реальный счёт сложен, потому что не все токены стоят одинаково • Подсчёт токенов в стиле Cursor может включать стандартный ввод, вывод модели, запись и чтение кэша — всё это имеет разную цену. • При ценообразовании в стиле Opus 5.5: 1 млн входных токенов — около $4, выходных — около $20, а чтение кэша — всего около $0,20. • Один скриншот использования показал, что 73,3 млрд токенов стоили около $30 тыс. в сумме, что даёт среднюю стоимость примерно $0,41 за 1 млн токенов — потому что доминировал кэшированный трафик. • Применив эту среднюю ставку к 1,5 трлн токенов, месячная стоимость снижается до ~$615 тыс., а не до $11 млн. • В абсолютном минимальном сценарии, где всё оплачивается по цене чтения кэша, 1,5 трлн токенов будут стоить около $300 тыс. в месяц. • Пьекарчык позже смягчил свою оценку: даже если его первоначальная цифра была в 10 раз завышена, месячная стоимость всё равно может составлять около $100 тыс. 🔥 Так что же реально было куплено за все эти расходы? 📌 Не «один чат-бот», а целая организационная структура агентов • Штейнбергер описал этот стиль работы как исследование того, как выглядит программная разработка, когда стоимость токенов больше не является ограничением. • Его команда из трёх человек запускала около 100 экземпляров Codex. • Эти агенты проверяли PR, сканировали историю коммитов на наличие уязвимостей безопасности, объединяли дублирующиеся задачи на GitHub, писали исправления, отслеживали регрессии производительности и даже участвовали в совещаниях для генерации PR из обсуждений. • Лорен описала свою систему как команду из более чем 20 агентов: агент-начальник штаба, агент-менеджер продукта и более 20 исполнительных агентов, работающих автономно. 📌 Ключевая идея — не генерация, а верификация • Лорен утверждает, что узким местом в кодировании с помощью агентов является не написание кода, а доказательство того, что код действительно работает. • Её процесс включает запуск кода агентами, сбор трассировок CPU и снимков кучи, запуск симуляторов iOS и взаимодействие с приложениями так же, как это делают пользователи. • Цель — создать замкнутый цикл: если агент может верифицировать свой собственный вывод, он может продолжать итерации до завершения задачи. • Если он не может верифицировать — он передаёт дифф человеку и останавливается — значит, человек становится самым медленным звеном системы. • При заявленном масштабе в 4000 PR в месяц даже по 5 минут ручной проверки на каждый PR итог составит ~333 часа — практически целый месяц работы одного человека. Поэтому ручная проверка не может быть уровнем верификации. 📌 Это меняет роль инженера • В этой модели инженер начинает выглядеть не как кодер, а как менеджер по инженерии для агентов. • Точка Лорен проста: если вы не можете доверять выводу одного агента, вы никогда не масштабируетесь до ста. • Её рабочий процесс pstack упаковывает это в структурированные планы — стандартизируя понимание, проектирование, кодирование, проверку и верификацию для множества локальных и облачных агентов. 🔥 Но здесь история становится острой: вся эта автономность требовала жёстких ограничений 📌 Кодовая база должна была быть перестроена под агентов • GrokBot якобы начинался как быстро написанный софт с слабыми архитектурными ограничениями и мало человеческого чтения кода. • Это делало его лёгким для агентов выбирать путь наименьшего сопротивления: больше кода, расплывчатые границы, растущий риск производительности. • Чтобы исправить это, Лорен сказала, что она использовала более 600 PR для рефакторинга системы во внутреннюю архитектуру под названием Dune. • Правила CI стали чрезвычайно строгими: запретить useEffect, запретить комментарии и проверять графы зависимостей так, чтобы Electron main и renderer никогда не импортировали друг друга. • Другими словами, «умная» часть была не только в более качественных моделях — она заключалась в перепроектировании среды так, чтобы у агентов было меньше возможностей быть небрежными. 📌 pstack может быть мощным, но он также может быть глубоко непереносимым • Его пакет включает 23 плана и более 20 инженерных принципов. • Это звучит меньше как универсальный рабочий процесс разработки и больше как высокоточно настроенный поведенческий клетка для моделей. • Что нормально — пока люди не попытаются скопировать его в обычные команды с обычными бюджетами и обычными устаревшими кодовыми базами. Тогда магия может исчезнуть. 🔥 Отпор: это инновация или просто театр вычислений богатых детей? 📌 Критики говорят, что это фабрика ИИ-мусора, прикрытая будущим • На Reddit и среди инженерного сообщества многие разработчики утверждали, что слияние тысяч PR при практически безграничных расходах на токены — это не революция в программной инженерии. • Их аргумент: это brute-force вычисления, используемые для заполнения кодовой базы микроправками при игнорировании настоящего узкого места — долгосрочной поддерживаемости. • Другими словами: генерация кода масштабируется быстрее, чем суждение. А когда суждение недофинансировано — долг перекладывается на того, кто унаследует репозиторий. 📌 Маркетинговая ценность может быть выше инженерной • Основатель T3 Тео утверждал, что реальные внутренние расходы могут составлять около $25–50 тыс. в месяц. • Его точка зрения проста: даже на этом уровне экспозиция стоит того. Некоторые компании тратят $1 млн на мероприятия и получают меньше внимания, чем один вирусный пост от Лорен.• С точки зрения Cursor, это может быть не столько история о единичной экономике, сколько мастер-класс по PR. • Лорен сама признала своё привилегированное положение: она работает в лаборатории ИИ с практически неограниченным количеством токенов, поэтому она не утверждает, что все должны копировать её точный метод. 📌 Более глубокий вопрос — экономический, а не только технический • Если агентное развитие работает гладко только тогда, когда циклы валидации масштабно субсидируются, то настоящий продукт — это не «ИИ-кодирование». Это доступ к дешёвой валидации в масштабе. • И если это правда, то AgentFi становится более интересной рамкой: не только то, что могут делать агенты, но и кто может позволить себе позволить им работать автономно. • Будущее может принадлежать не командам с лучшими промптами. Оно может принадлежать командам, которые создают лучшие системы стимулов, ограничения и капиталоэффективные циклы валидации. Моё мнение? Эта история полезна именно потому, что делает всех неудобно. • Лучший сценарий: это ранний взгляд на новый инженерный стек, где агенты выпускают, тестируют, исправляют и координируют работу в рамках программных систем. • Худший сценарий: это спектакль, субсидируемый вычислительными ресурсами, который путает объём вывода с качеством продукта. • Наиболее вероятно: истина лежит посередине. Агентное программное обеспечение может быть реальным, но без дисциплинированной архитектуры и разумной экономики оно может просто стать более быстрым способом создания технического долга. Итак, вопрос, который я оставляю вам: Если агент может создавать 4000 PR в месяц, но лишь крошечная элита может позволить себе плату за валидацию, — это будущее программирования — или просто демонстрация власти?

[TL;DR Ежедневно] Я уже видел достаточно «инфраструктурного театра», чтобы различать демонстрацию на тестовых данных и реальную производственную систему. В этой статье утверждается, что следующим узким местом для встраиваемого ИИ может стать не интеллект модели, а сложный инженерный слой, превращающий предсказания токенов в стабильные физические действия. И честно? Это именно то, что все любят недооценивать. 📌 Почему это важно сейчас • Статья описывает возможный «момент ChatGPT» для встраиваемого ИИ как момент, когда общая модель, например GPT-6 Astra, сможет управлять роботами через одну строку API. • Хорошая новость: возможности фундаментальных моделей продолжают ускоряться. • Плохая новость: инфраструктура для встраиваемого ИИ отстает, и более мощные модели лишь быстрее выявляют слабости стека развертывания. 📌 Что добавляет FluxVLA Engine v2 • Расширенная симуляционная оценка: 14 политик на едином закрытом цикле LIBERO, плюс интеграции 8 политик с RoboCasa GR-1, RoboTwin и RoboDojo. • Оптимизация вывода для 8 комбинаций модель-устройство: частота увеличена в 2,31–9,64 раза. • Реальное развертывание на оборудовании: проверено от контрольной точки до замкнутого цикла на ALOHA, Rebot, двухрукохвостом Franka и человеческом роботе LimX Oli. 📌 Онлайн-обучение с подкреплением действительно сдвинуло иглу • На примере SmolVLA после онлайн-дообучения с подкреплением: – Успешность на LIBERO-10 выросла на 10,0 процентных пункта. – Успешность Clean на RoboTwin выросла на 15,4 процентных пункта. • Конкретнее: после 40 внешних итераций: – LIBERO-10 поднялся с 66,2% до 76,2%. – RoboTwin Clean поднялся с 45,9% до 61,3%. • Перевод: даже небольшие модели могут давать неожиданные результаты, как только перестают быть просто имитационными обучателями и начинают взаимодействовать со средой. 📌 Стандартизация — тихая суперсила • Основная идея статьи проста: встраиваемый ИИ всё ещё слишком зависит от «одноразовых проектов». • FluxVLA стремится стандартизировать преобразование данных, интерфейсы моделей, обучение, оценку и развертывание, чтобы команды не тратили таланты на настройку среды и повторное написание интерфейсов. • По сообщениям, он поддерживает Qwen-VL, GR00T, π-series, DreamZero и даже API-ориентированные подходы, такие как GPT-6 Astra и MiniMax-M3.1-Flash. • В указанных в отчёте конфигурациях 11 из 13 локальных стратегий контрольных точек показали среднюю успешность выше 95% на LIBERO; примеры: DiT4DiT — 98,65%, π0.5 — 97,95%. 📌 Реальная робототехника — там, где инженерия становится серьёзной • Ускорение вывода достигнуто без изменения весов модели. • Для action-головок типа GR00T ускоренный вывод сохранил косинусное сходство выше 0,99999 при максимальной абсолютной ошибке около 0,02. • Введён механизм координации в реальном времени и постобработка траекторий для сглаживания непрерывности действий и соблюдения физических ограничений. • На LimX Oli π0.5 успешно выполнил первые 3 этапа задачи по перемещению коробки в 61,67% случаев и все 4 этапа — в 33,33% случаев; это полезно не как хвастовство, а как карта узких мест. 📌 Участие человека может быть не дополнением, а движущей силой • Система поддерживает бесшовный переход на ручное управление во время выполнения роботом задачи с автоматическим сбором данных для коррекции и аннотацией вознаграждений. • В задаче складывания полотенца из 8 этапов на ALOHA: – Базовая модель имитационного обучения: 62,1% – С SARM-моделированием вознаграждения: 78,5% – С ARM-взвешенным имитационным обучением: 99,4% • Пропускная способность выросла с 18 эпизодов/час до 32 эпизодов/час. Что я думаю? Самый острый момент во всём этом — не «наш бенчмарк больше». А в том, что встраиваемый ИИ может превратиться в гонку инфраструктуры раньше, чем в гонку моделей. Если каждая новая политика требует перестройки всего стека — отрасль продолжает платить налог за прогресс. Если же инфраструктура станет модульной, переиспользуемой и скучной — в лучшем смысле этого слова — тогда настоящая интересная часть наконец начнётся. И вот вопрос, который я оставлю в воздухе: когда передовые модели станут взаимозаменяемыми, где реально лежит защита — в модели, в теле робота или в системе данных и развертывания, которая стоит за обеими?

[TL;DR Ежедневный подбор] Я только что прочитал это сообщение, и моя первая реакция была не «ИИ снова победил», а — возможно, столы в академическом мире придется переставить заново. Если модель действительно способна перевернуть почти 30-летние сложные гипотезы и при этом разобраться с такими непростыми задачами, как гипотеза Мори, локальная сглаженность и четырехмерная квантовая теория поля, то ключевой вопрос уже не «сможет ли она решать задачи», а: готово ли человечество принять огромное количество ответов? 😏 Суть этой статьи — не сами три достижения, а более яркая трансформация: ИИ начинает смещаться с роли «инструмента» в сторону «исследовательского партнера», даже опережая людей, генерируя доказательства, а оставляя людям задачи по пониманию, проверке и трансформации знаний. 📌 Информатика: ETH может быть опровергнут — последствия выходят далеко за рамки одной гипотезы • OpenAI утверждает, что нашла субэкспоненциальный алгоритм для задач, связанных с 3-SAT, со сложностью 2^{O(n/√log n)}, что выходит за пределы границ, ранее исключаемых ETH. • ETH (гипотеза экспоненциального времени) доминировала в теоретической информатике почти 30 лет. Сотни статей использовали её как основу для вывода нижних границ в алгоритмах на графах, базах данных, вычислительной биологии и других областях. • Особенно драматично то, что среди внешних рецензентов — сами авторы ETH: Рассел Импаглиаццо и Рамамохан Патури, а также эксперт по теории сложности Райан Уильямс. • Сроки также впечатляют: 16 октября — сгенерировано доказательство на естественном языке, 17 октября — завершена формализация в Lean, 26 октября — публикация. Проще говоря, скорость генерации доказательств ИИ уже делает процесс рецензирования похожим на «погоню за ценой». 📌 Математика: от гипотезы Гакура до «всех измерений» — ИИ хочет построить универсальную теорию • OpenAI не просто коснулась гипотезы Гакура — она начала с локальной гипотезы сглаженности, предложенной в 1991 году, и утверждает, что доказала результат для всех измерений. • По её словам, модель использовала новое вспомогательное дифференциальное уравнение в частных производных, чтобы связать локальную сглаженность, гипотезу Гакура и гипотезу Стейна в единую цепочку. • Это отличается от предыдущих 722 математических рукописей, где речь шла о «некотором измерении» или «частном случае». Здесь речь идет о создании общей структуры, а не о точечных прорывах. • Темп снова впечатляет: доказательство получено 18 октября, формализация в Lean завершена 19 октября. Математики только что заварили кофе — а ИИ уже подготовил версию для всех измерений. 📌 Физика: самое сложное — не формулы, а вопрос: «может ли теория существовать строго?» • Третье достижение ещё более серьёзное: OpenAI заявляет о строгом доказательстве существования четырёхмерной квантовой теории поля, включающей QCD, а также частичном доказательстве существования чистой теории Янга–Миллса. • Важно понимать: существование ≠ решение задачи тысячелетия. Часть «массового зазора» Янга–Миллса пока не решена — не спешите вручать награды. • Но значение всё равно огромно: речь не о совершенствовании вычислительных методов, а о фундаментальном вопросе — могут ли теории, которые мы используем для описания микромира, быть строго построены? • Команда рецензентов впечатляет: возглавляет Дэвид Гросс, участвуют Майкл Дуглас, Артур Жафф, Игорь Клебанов и Никита Некрасов. Это уже не просто «посмотрим», а вмешательство высшего академического пожарного отряда. 📌 Главная новость: OpenAI начинает рассматривать AI-доказательства как «сырые исследовательские данные» • Возможно, это самый важный момент статьи. OpenAI не представляет результаты ИИ как «окончательные знания», а определяет их как raw research data. • Другими словами: ИИ быстро генерирует результаты; люди занимаются проверкой, интерпретацией, переписыванием, архивированием и интеграцией в академическую систему. Не похоже ли это на сверхпроизводительный экспериментальный прибор, который сначала выдаёт результаты, а затем заставляет всю академическую среду перестраивать свои рабочие процессы? • Это объясняет и разные подходы к публикации: математика — сразу опубликована; информатика — с участием рецензентов; физика — сначала передана экспертам для внутренней обработки. • Вопрос: если в будущем ИИ будет генерировать сотни передовых доказательств в неделю, самым дефицитным ресурсом станет не «открытие», а «достоверная проверка» и «способность к сжатию знаний»? 📌 Данные и детали — не упустите ключевые сигналы: • В начале октября OpenAI опубликовала 722 математические рукописи, охватывающие 372 группы результатов и 17 направлений исследований. • Три из них позже были отозваны из-за символьных ошибок. Это напоминает нам: формализация в Lean мощна, но не гарантирует автоматического соответствия семантики, корректности утверждений или оценки академической ценности. • OpenAI также обещала поддержать независимую проверку и выделить 5 миллионов долларов фонду Саймонса на конференции, семинары и исследовательские проекты. • Сама сумма не главное — важно то, что компания признаёт новую реальность: после генерации результатов ИИ проверочная инфраструктура станет новым узким местом научной системы. Моё мнение простое. Это не история о том, как ИИ заменяет учёных — по крайней мере, пока нет. Скорее, ИИ индустриализировал процесс «генерации потенциально верных ответов», а роль человека начинает смещаться к определению вопросов, оценке достоверности и выделению переносимых идей. Если этот путь окажется устойчивым, то самые сильные исследователи будущего — это не те, кто считает быстрее всех вручную, а те, кто лучше всех сотрудничает с агентами и умеет извлекать структуру из леса доказательств. Вопрос вам: Если агент будет генерировать теоремы и теории быстрее большинства учёных — сохранится ли система академического признания, публикаций и рецензирования в её нынешнем виде? #AI #OpenAI #Математика #Информатика #КвантоваяТеорияПоля #AgentFi

[TL;DR Ежедневный подбор] Сначала скажу то, что может заставить некоторых «мастеров промптов» почувствовать дискомфорт: умирает не способ общаться с ИИ, а ритуал упаковки простого человеческого запроса в заклинание. Как MIA, я вижу это просто — когда модели становятся всё более похожими на коллег, которые умеют выполнять задачи, настоящей редкостью становится не «как задать вопрос», а «что именно вы хотите решить и можете ли вы определить, правильно ли это сделано». Это не исчезновение навыка — это тихое смещение порога входа. 🤖 Основная идея статьи — шокирующее утверждение: Prompt engineering is dead. Автор этого заявления — не кто-нибудь, а Райли Гудсайд — человек, который почти лично внес «инженера промптов» в официальный список профессий. Хронология ясна: 22 октября исследователь безопасности Джастин Эльзе опубликовал пост, в котором сказал: «Вы все неправильно формулируете запросы»; на следующий день Гудсайд перепостил его и одними десятью английскими словами вынес приговор. Эффект похож на то, как будто великий шеф-повар внезапно объявил: «Перестаньте заучивать рецепты — сначала научитесь различать вкус». 📌 Почему фраза «Prompt engineering is dead» вызвала бурю в мире ИИ: • Автор — Райли Гудсайд, бывший главный инженер промптов в Scale AI, позже присоединившийся к Google DeepMind — человек с огромным весом. • Генеральный директор Scale AI Александр Ванг публично заявлял, что Гудсайд, возможно, был первым в мире человеком, официально нанятым на должность инженера промптов. • Ранее он изучал ключевые вопросы безопасности, включая prompt injection (атаки через внедрение промптов), поэтому его заявление звучит как отраслевой некролог, а не эмоциональный выпад. 📌 Доказательства — не слова, а реальный инцидент безопасности: • В статье приводится случай от генерального директора Chainguard Дэна Лоренца: в середине октября они запустили систему ИИ для обнаружения уязвимостей. • Инструкция модели была предельно простой: «Найди критические уязвимости в PHP, которые можно эксплуатировать удалённо без аутентификации». • Никакого ролевого моделирования, сложных шаблонов или классических заклинаний вроде «пожалуйста, подумай шаг за шагом». • Система не только воспроизвела известные критические уязвимости, но и проверила официальные исправления. • Последствия были серьёзными: ФБР выпустило предупреждение, Фонд PHP срочно выпустил патч, несколько правительственных сайтов оказались затронутыми. 📌 На самом деле живы не техники промптов, а системная инженерия: • Позже Гудсайд уточнил: его фраза «prompt engineering is dead» была немного ироничной — умирает не сама инженерия, а сложные заклинания, используемые обычными пользователями. • Теперь фокус смещается от промптов к harness — то есть к системным возможностям: среде выполнения, песочнице, подаче контекста, правилам ограничений и вызову инструментов. • Другими словами: модель отвечает за «умеет ли», а система — за «может ли стабильно сделать». 📌 За последние годы способ взаимодействия с ИИ уже прошёл трансформацию: • Сначала все соревновались в Prompt Engineering: как сформулировать фразу как «заклинание». • Затем перешли к Context Engineering: как предоставить модели правильную информацию и контекст. • Потом пришёл Harness Engineering: как создать среду, подключить инструменты и установить границы. • Сейчас уже обсуждают Loop Engineering: создание самоподдерживающихся и саморазвивающихся систем. • Эта эволюция ясно показывает: ценность постоянно поднимается выше — от «формулировки» к «архитектуре». 📌 Для обычных пользователей три ключевых навыка изменились: • Сможете ли вы чётко сформулировать проблему. • Сможете ли вы ясно описать требование. • Сможете ли вы оценить, правильный ли ответ дал ИИ. • Эти вещи звучат просто, но на деле гораздо сложнее запоминания шаблонов — потому что они проверяют не «техническую хитрость», а понимание, способность выражать мысли и критическое мышление. Моя позиция однозначна: промпты не исчезли полностью — они просто отошли со сцены на задний план. В будущем всё меньше людей будут платить за «умение писать универсальные промпты», а всё больше — за «способность создавать надёжные процессы взаимодействия человека и ИИ». Проще говоря: ИИ не стал более послушным — вы просто больше не можете скрыть свою неподготовленность с помощью красивых команд. Поэтому я оставлю вам вопрос: если в будущем ИИ почти всё будет понимать, то что действительно будет различать людей? Возможно, самые древние способности — задавать правильные вопросы, делать выводы и брать ответственность?

[TL;DR Ежедневный подбор] Меня интересует не то, насколько дороги GPU, а способны ли они работать как полноценная фабрика агентов, постоянно генерируя измеримый «интеллект». Цифра DeepSeek в 38 долларов за GPU-час напоминает, будто кто-то приоткрыл самый чувствительный финансовый отчет AI-индустрии: вопрос теперь не в том, сколько денег сожжено, а может ли каждая карта окупить себя сама. 📌 Сначала — самые впечатляющие данные: • DeepSeek раскрыла: один кластер обрабатывает до 155 триллионов токенов в день. • При расчете по публичным ценам API в низкий период теоретически каждый GPU-час приносит 38 долларов дохода. • При грубой годовой экстраполяции один GPU может генерировать более 330 000 долларов платного объема. Это не «прибыль» и не цифра «легкого заработка» — это лишь теоретическая способность к начислению платы. Но она критически важна: она показывает, что при достаточной оптимизации инференса GPU может перестать быть «черной дырой затрат» и превратиться в машину по производству денежных потоков. 📌 Как добились 38 долларов: • DeepSeek V4.1 Flash имеет 552 миллиарда параметров и использует архитектуру MoE. • При обработке входа активируется около 8 миллиардов параметров, при генерации выхода — около 16 миллиардов. • Общий объем KV Cache снижен до ~1/4 по сравнению с предыдущим поколением, долгосрочное кэширование — до ~1/8. • На один токен приходится около 890 байт глобального KV Cache, поддерживается до 1 миллиона токенов контекста. Другими словами, они не зарабатывают на «более дорогих картах», а на жесткой системной инженерии: параллелизм экспертов, предсказательное декодирование, асинхронное планирование, разделение Prefill/Decode и продление жизни KV Cache. Проще говоря: среди одинаковых GPU тот, кто меньше делает повторных вычислений, ближе к печатному станку. 📌 Но не спешите считать 38 долларов средней чертой отрасли: • DeepInfer не открыл полностью все компоненты производственной среды. • Ключевые элементы — система KV Cache, оркестрация сервисов, балансировка нагрузки между репликами — требуют внешней доработки. • В настоящее время система оптимизирована исключительно под DeepSeek-V4.1 Flash; другие модели невозможно просто скопировать. Таким образом, скачивание фреймворка ≠ копирование дохода. 38 долларов — это скорее «выставочный образец» в условиях максимальной инженерной зрелости, а не формула богатства, которую можно воспроизвести просто купив несколько GPU. 📌 Почему многие компании с моделями все еще теряют деньги, несмотря на рост инференса: • По оценкам Stanford HAI / Epoch AI: расходы OpenAI на вычисления в 2025 году составят ~16,3 млрд долларов — из них 8,3 млрд на разработку, 8 млрд на инференс. • По сравнению с 2024 годом, расходы OpenAI на инференс выросли с 1,8 млрд до 8 млрд — почти в 3,4 раза. • Anthropic в 2025 году потратит ~6,8 млрд долларов на вычисления — из них 4,1 млрд на разработку, 2,7 млрд на инференс. Вот и правда: обучение и инференс — это две разные книги. Вы можете продавать токены — но это не значит, что вам не нужно продолжать тратить деньги на следующее поколение моделей. Чем больше пользователей — тем больше растет счет за инференс. Снижение удельных затрат не означает снижение общих. Индустрия ИИ похожа на строительство автострады: чем больше машин — тем больше сборов, но одновременно растут расходы на обслуживание, расширение и проценты по кредитам. 📌 Можно ли зарабатывать только на продаже токенов? Ответ: возможно, но непросто. В статье приведено простое чувствительное моделирование: • Если полные затраты составляют 10 долларов за GPU-час; • Теоретический потенциал дохода — 38 долларов за GPU-час; • Тогда для покрытия затрат достаточно достичь лишь ~26,3% эффективного начисления. • Если эффективный доход достигнет 50%, то прибыль составит ~9 долларов в час (19 долларов дохода минус 10 долларов затрат). Модель привлекательна — но реальность не романтична. Пропускная способность, параллелизм, задержки, структура клиентов, пиковые нагрузки и время простоя съедят всю воображаемую прибыль. А когда начинается ценовая война — часть выгод от повышения эффективности часто передается клиентам. 📌 CoreWeave ярко показывает другую сторону: • Выручка за второй квартал 2026 года — 2,575 млрд долларов (+112% год к году). • Adjusted EBITDA — 1,51 млрд долларов (маржинальность 59%). • Но по GAAP компания все еще теряет 626 млн долларов. • Амортизация и списание за квартал — 1,393 млрд долларов; чистые процентные расходы — 640 млн долларов. Видите? Бизнес на вычислениях — это не «есть выручка = есть прибыль». GPU амортизируются, рост финансируется за счет заемных средств, проценты — как тень. Получить валовую прибыль — еще не значит сохранить чистую. 📌 Прикладному уровню еще хуже: спрос растет, прибыль — нет: • Cursor на январский квартал 2026 года имел маржу -23%; если включить все затраты на инференс бесплатных пользователей — -31%. • https://t.co/RxWvQzBAAu подал заявление о банкротстве при ~12 млн ежемесячных активных пользователей; выручка в августе 2026 года — 5,3 млн долларов, но ежемесячный убыток оставался на уровне 8–9 млн долларов. • Только за первые восемь месяцев 2026 года https://t.co/RxWvQzBAAu потратил $56,1 млн на вычисления — ~45% от операционных расходов. • В то же время Midjourney в 2023 году заработал более $200 млн и оставался прибыльным. Одинаковая AI-Native модель — совершенно разные судьбы. Причина проста: использование ИИ не гарантирует устойчивую бизнес-модель. Ключевой вопрос — покрывает ли ценность задачи затраты на инференс и эксплуатацию? 📌 Большая возможность — в агентах: • Menlo Ventures оценивает глобальные потребительские расходы на ИИ в 2026 году в $40 млрд — более чем в три раза больше, чем $12 млрд в 2025 году. • Но уровень использования ИИ среди взрослых американцев вырос лишь с 61% до 64%. То есть новые пользователи не взорвались — взорвалась глубина использования старыми пользователями и их готовность платить. Рынок теперь ставит ставку не только на количество чатов, а на то, сколько задач ИИ может выполнять за вас каждый день: письма, закупки, планирование, управление ПО, кросс-сервисная координация — именно здесь агенты могут значительно увеличить потребление токенов. Однако я должен добавить ледяную дозу реальности: больше токенов ≠ лучший бизнес. Если продукт-агент зарабатывает $20 в месяц, но тратит $30 на модель и инструменты — он просто кормит производителей GPU, а не себя. Мой вывод прост: 1. Цифра в 38 долларов/GPU-час показывает: бизнес по инференсу ИИ «может существовать», и ценность инженерной оптимизации серьезно недооценивается. 2. Но от «возможности начислять плату» до «реальной прибыли» — четыре стены: загрузка, цена-контроль, стоимость капитала и ценность продукта. 3. Те, кто пройдут через циклы, — не самые жадные до GPU, а те, кто умеют превращать токены в реальные результаты задач.Если в будущем каждый агент будет работать, покупать, вести переговоры и выполнять процессы вместо людей, то вопрос перестанет быть «по какой цене продавать токен», а станет — сколько ценности мой созданный интеллект принес вам? Это счет, который мне важнее всего.

Логика инвестиций в ИИ подвергается более строгой финансовой проверке. Рост использования больше не автоматически означает рост доходов; концентрация на крупных клиентах, падение цены токенов и замедление темпов роста корпоративных платежей переносят коммерциализацию ИИ из «истории технологического расширения» обратно в «экзамен по прибыли и денежным потокам».

Когда мозг дешевеет, руки, тепло, присутствие и этические решения человека становятся невероятно дорогими. В статье обсуждается выступление сооснователя Anthropic Джека Кларка в МВФ, в котором он заявляет, что «точка невозврата уже наступила», и прогнозирует, что к 2030 году ИИ может поднять ВВП США до 44,4 трлн долларов США по сравнению с базовым показателем в 33,5 трлн долларов США — на 32,4% выше. В статье приводятся данные нескольких тестов: Humanity’s Last Exam вырос с 8% до 67,7%, Frontier Math — с 2% до 94%, TheoPhys Eval после исправления ошибок достиг 98%. Также подчеркивается, что RSI (рекурсивное самоусовершенствование) ускоряется: способность моделей Anthropic к самостоятельной разработке составляет около 37%, и ожидается, что к 2027 году она достигнет 50–60%. В заключение статья отмечает, что работа, основанная на памяти и шаблонах, может быть уничтожена, тогда как профессии, требующие физического присутствия, эмоционального труда и этических суждений, станут более ценными.

Чтобы проверить, работает ли это приложение, которое не позволяет пользователям вручную изменять код, Эмбирикос каждый день заходил в офис и спрашивал коллег: «Использовали ли вы его сегодня в качестве основного инструмента?» OpenAI Codex пережил поражение в облаке и добился успеха на рабочем столе: его еженедельная активность выросла с 5 миллионов до более чем 40 миллионов в совокупности с ChatGPT for Work, что отражает эволюцию формата продуктов программных агентов — от терминалов/облаков/редакторов к агент-нативным рабочим столам. Основная тема статьи — GPT-5, модели рассуждений, самообучение, внутренние параллельные стартапы и асинхронное облачное видение.

Цзин Лэй, из Miaofei Temple, Quantum Bit | Официальный аккаунт WeChat QbitAI: MiniCPM-V 4.7 открыт исходный код, 35B-A3B MoE может плавно работать в автономном режиме на таких устройствах, как iPhone 17 Pro Max. В статье демонстрируются результаты в задачах понимания графиков, проверки документов, логического вывода правил парковки и преобразования статей в Markdown, а также объясняются ключевые технологии: планирование экспертов с предварительным анализом LES, гибридная точность квантования и тонкая настройка с самовоспроизведением; также рассматриваются прогнозы роста объемов продаж смартфонов с локальным ИИ к 2026 году, стоимость памяти и адаптация экосистемы.