AML
AML радикально ускорил действия в рамках парадигмы OODA “Машина на базе AML выдаёт рекомендации, по каким целям работать, и в каком-то смысле это быстрее самой мысли”, сказал Крейг Джонс, старший преподаватель политической географии в Университете Ньюкасла…
Psych Safety
John Boyd and The OODA Loop
John Boyd and The OODA Loop John Boyd’s OODA loops are more than just an esoteric strategic concept; they’ve earned a huge following online and around the world. In this article, I highlight key points about OODA loops along with a glimpse into […]
12 игр, которые учат программировать
Human Resource Machine
7 Billion Humans
while True: learn()
CodeCombat
Lightbot
TIS-100
SHENZHEN I/O
Screeps
Else Heart.Break()
The Farmer Was Replaced
Bitburner
Autonauts
Human Resource Machine
7 Billion Humans
while True: learn()
CodeCombat
Lightbot
TIS-100
SHENZHEN I/O
Screeps
Else Heart.Break()
The Farmer Was Replaced
Bitburner
Autonauts
Steampowered
Human Resource Machine on Steam
Program little office workers to solve puzzles. Be a good employee! The machines are coming... for your job. From the creators of World of Goo and Little Inferno.
Этическая идентичность программистов: как навигация в мире эко-программирования в условиях технологического прогресса
https://habr.com/ru/articles/848884/
https://medium.com/@vrakitine/the-ethical-identity-of-programmers-navigating-eco-programming-in-a-tech-driven-world-7122064e0f65
https://medium.com/@vrakitine/digital-stewardship-the-tree-of-a-new-ethics-d76de2780cc7
https://habr.com/ru/articles/848884/
https://medium.com/@vrakitine/the-ethical-identity-of-programmers-navigating-eco-programming-in-a-tech-driven-world-7122064e0f65
https://medium.com/@vrakitine/digital-stewardship-the-tree-of-a-new-ethics-d76de2780cc7
Хабр
Этическая идентичность программистов: как навигация в мире эко-программирования в условиях технологического прогресса
В стремительно развивающейся индустрии разработки программного обеспечения появляется новое измерение идентичности: оно сосредоточено вокруг экологической ответственности и устойчивого развития. Как...
Дональну Кнуту 88 лет, но он продолжает работать и сейчас он занят написанием четвертого тома The Art of Computer Programming (а именно, третьей его части)
Этот том полностью посвящен комбинаторным задачам
Оказалось, что Claude Opus 4.6 решил сложную задачу, над которой сам Кнут и его друзья работали неделями
Задача связана с поиском гамильтоновых циклов. Формулировка для тех, кому интересно:
cs.stanford.edu/~knuth/papers/claude-cycles.pdf
Этот том полностью посвящен комбинаторным задачам
Оказалось, что Claude Opus 4.6 решил сложную задачу, над которой сам Кнут и его друзья работали неделями
Задача связана с поиском гамильтоновых циклов. Формулировка для тех, кому интересно:
Рассматривается ориентированный граф, вершинами которого являются все возможные тройки целых чисел i, j и k от 0 до m−1
Из каждой вершины выходят три дуги: одна ведет в вершину, где увеличивается i на единицу по модулю m, вторая – где увеличивается j на единицу по модулю m, и третья – где увеличивается k на единицу по модулю m
Всего в таком графе m³ вершин и у каждой вершины по три исходящих дуги
Требуется найти общий способ, который для любого m больше 2 разбивает все дуги этого графа на три направленных цикла, причем каждый из них должен проходить через все вершины ровно один раз, то есть быть гамильтоновым циклом
Она возникла как раз во время написания новой книги
Сам Кнут работал над ней несколько недель, но нашел решение только для случая m = 3
Его коллега Filip Stappers затем попробовал исследовать задачу вычислительно и эмпирически нашел разложения для m от 4 до 16
Решение в общем виде никому из них найти не удалось, пока Stappers не задал задачу Claude Opus 4.6
Бот думал примерно час и нашел конструкцию, которая работает для всех нечетных m
С подачи Кнута задача получила название "Claude’s Cycles", и вот что он пишет об этом результате:
"Похоже, мне придется пересмотреть свои взгляды <> Подход Claude к решению был очень впечатляющим <> Думаю, дух Клода Шеннона гордится, что его имя теперь связано с такими прорывами. Браво, Клод!"
cs.stanford.edu/~knuth/papers/claude-cycles.pdf
В 2026 году экономика фронтирных AML не прощает чистый альтруизм коммерческим компаниям
Прочитайте отчет об экономике фронтирных AML лабораторий
Что произошло:
• 3 марта Alibaba выпускает Qwen 3.5 (семейство маленьких моделей 0.8B–9B), которые мгновенно взлетают
• В течение суток уходят как минимум 3 ключевых человека
Ранее в начале года ушел Yu Bowen, head of post-training
Эти люди — топ-1 в Китае по open-weight LLM
Их уже зовут в Zhipu, Moonshot, 01.AI, ByteDance
Возможно, они запустят свой стартап
Почему это случилось?
1. Переход от open-source к монетизации / DAU-фокусу
2. До сих пор Qwen был полностью открытым, но почти нулевой прямой доход для Alibaba
3. Модели качают, запускают локально → люди не идут в Alibaba Cloud inference / fine-tuning / enterprise сервисы
4. Alibaba Cloud ввёл KPI по Daily Active Users (DAU) для фундаментальной модели-команды — это абсурд для research/open-source группы, но типично для бизнеса
Alibaba закручивает гайки в сторону проприетарных cloud/API, чтобы наконец-то заработать на всём этом хайпе
Open-source был супер-оружием для роста, но теперь его, похоже, урезают
Что эта история показывает стратегически?
1. Open-weight модели — мощный инструмент для быстрого захвата рынка и экосистемы, но почти всегда убыточный в чистом виде для коммерческой компании
2. Это не единичный случай, а системный паттерн 2025–2026 годов
- Запрещенная в РФ может себе позволить, потому что у них уже есть огромный рекламный/социальный cash cow + облачный трафик
- Китайские игроки (DeepSeek, GLM, MiniMax, Moonshot) пока держат open/low-price API, но все под огромным давлением: либо монетизировать быстро, либо инвесторы/государство скажут хватит
Чистый open-weight жизнеспособен долгосрочно только если:
- Есть внешний источник финансирования (гранты, пожертвования, государство)
- Или компания уже доминирует в другой прибыльной области и использует open как стратегическое оружие
- Для большинства коммерческих игроков — это временная фаза (1–3 года), пока идёт захват рынка / конкуренция с США / building moat
Потом почти всегда → hybrid (open маленькие/средние + closed frontier) или полный pivot к proprietary cloud/API
Что это значит для будущего open ИИ-экосистемы?
1. Без сильных non-profit / публичных игроков frontier-level open-weight может стать редкостью уже к 2027–2028
2. Маленькие/средние модели (до ~30–70B) скорее всего останутся open дольше, они дешёвые в производстве и полезны для edge/on-prem
3. Экосистема выживет, но сместится к: distillation → synthetic data → smaller efficient models → community fine-tunes → hybrid API
4. Самые сильные фронтир - модели будут почти всегда закрытыми или с большими ограничениями, как сейчас у OpenAI/Anthropic/Google
Прочитайте отчет об экономике фронтирных AML лабораторий
Что произошло:
• 3 марта Alibaba выпускает Qwen 3.5 (семейство маленьких моделей 0.8B–9B), которые мгновенно взлетают
• В течение суток уходят как минимум 3 ключевых человека
Ранее в начале года ушел Yu Bowen, head of post-training
Эти люди — топ-1 в Китае по open-weight LLM
Их уже зовут в Zhipu, Moonshot, 01.AI, ByteDance
Возможно, они запустят свой стартап
Почему это случилось?
1. Переход от open-source к монетизации / DAU-фокусу
2. До сих пор Qwen был полностью открытым, но почти нулевой прямой доход для Alibaba
3. Модели качают, запускают локально → люди не идут в Alibaba Cloud inference / fine-tuning / enterprise сервисы
4. Alibaba Cloud ввёл KPI по Daily Active Users (DAU) для фундаментальной модели-команды — это абсурд для research/open-source группы, но типично для бизнеса
Alibaba закручивает гайки в сторону проприетарных cloud/API, чтобы наконец-то заработать на всём этом хайпе
Open-source был супер-оружием для роста, но теперь его, похоже, урезают
Что эта история показывает стратегически?
1. Open-weight модели — мощный инструмент для быстрого захвата рынка и экосистемы, но почти всегда убыточный в чистом виде для коммерческой компании
2. Это не единичный случай, а системный паттерн 2025–2026 годов
- Запрещенная в РФ может себе позволить, потому что у них уже есть огромный рекламный/социальный cash cow + облачный трафик
- Китайские игроки (DeepSeek, GLM, MiniMax, Moonshot) пока держат open/low-price API, но все под огромным давлением: либо монетизировать быстро, либо инвесторы/государство скажут хватит
Чистый open-weight жизнеспособен долгосрочно только если:
- Есть внешний источник финансирования (гранты, пожертвования, государство)
- Или компания уже доминирует в другой прибыльной области и использует open как стратегическое оружие
- Для большинства коммерческих игроков — это временная фаза (1–3 года), пока идёт захват рынка / конкуренция с США / building moat
Потом почти всегда → hybrid (open маленькие/средние + closed frontier) или полный pivot к proprietary cloud/API
Что это значит для будущего open ИИ-экосистемы?
1. Без сильных non-profit / публичных игроков frontier-level open-weight может стать редкостью уже к 2027–2028
2. Маленькие/средние модели (до ~30–70B) скорее всего останутся open дольше, они дешёвые в производстве и полезны для edge/on-prem
3. Экосистема выживет, но сместится к: distillation → synthetic data → smaller efficient models → community fine-tunes → hybrid API
4. Самые сильные фронтир - модели будут почти всегда закрытыми или с большими ограничениями, как сейчас у OpenAI/Anthropic/Google
Lately people who know what I’m working on keep asking me the same question: does it even make sense to build an alliance of programmers if AI is about to replace programmers?
After hearing this question too many times, I decided to write a short article explaining why the real challenge of the AI era may not be writing code at all
https://medium.com/p/b5af54f7f8dd?postPublishedType=initial
After hearing this question too many times, I decided to write a short article explaining why the real challenge of the AI era may not be writing code at all
https://medium.com/p/b5af54f7f8dd?postPublishedType=initial
Medium
AI Will Write the Code. But Who Will Take Responsibility for the Life of Software?
AI can already generate software at unprecedented speed.
фотография участников первой международной топологической конференции в Москве (1935)
на фотографии можно видеть Чеха, Уитни, Лефшеца, Фрейденталя, Борсука, Тумаркина, ван Кампена, Александера, Хопфа, П.С. Александрова и др.
см. тж. http://mi.mathnet.ru/umn5952 и https://arxiv.org/abs/1903.02065
на фотографии можно видеть Чеха, Уитни, Лефшеца, Фрейденталя, Борсука, Тумаркина, ван Кампена, Александера, Хопфа, П.С. Александрова и др.
см. тж. http://mi.mathnet.ru/umn5952 и https://arxiv.org/abs/1903.02065
Диаграмма о влиянии AML на рынок труда от Anthropic
Иллюстрация того, где мы находимся в части проникновения AML в экономику
Anthropic предлагает метрику, которая объединяет теоретические возможности LLM с реальными данными об использовании
Синяя зона - теоретическое покрытие, то есть что ИИ мог бы делать
Красная зона - реальное использование - что люди реально делают сейчас с Claude
Интересно, где красная зона почти исчезает - сферы, что правее и ниже: здравоохранение, образование, искусство и медиа
Несмотря на высокий теоретический потенциал, реального проникновения почти нет — из-за регуляторных барьеров, профессиональной культуры, требований верификации человеком
Левая сторона — синяя зона тоже маленькая, потому что физический труд изначально недоступен LLMB
Здесь нет разрыва, потому что нет ни теоретического потенциала, ни реального использования
Красная зона будет расти
Вопрос только в том, в каком порядке и с какой скоростью она будет догонять синюю
Иллюстрация того, где мы находимся в части проникновения AML в экономику
Anthropic предлагает метрику, которая объединяет теоретические возможности LLM с реальными данными об использовании
Синяя зона - теоретическое покрытие, то есть что ИИ мог бы делать
Красная зона - реальное использование - что люди реально делают сейчас с Claude
Интересно, где красная зона почти исчезает - сферы, что правее и ниже: здравоохранение, образование, искусство и медиа
Несмотря на высокий теоретический потенциал, реального проникновения почти нет — из-за регуляторных барьеров, профессиональной культуры, требований верификации человеком
Левая сторона — синяя зона тоже маленькая, потому что физический труд изначально недоступен LLMB
Здесь нет разрыва, потому что нет ни теоретического потенциала, ни реального использования
Красная зона будет расти
Вопрос только в том, в каком порядке и с какой скоростью она будет догонять синюю
LLM плохо обновляют убеждения по мере получения новой информации
Хотя от модели ожидается, что она должна понимать предпочтения пользователя по его ответам и при накоплении таких данных становится полезнее, на самом деле LLM в этом плохи
С математической точки зрения это означает, что у моделей нет байесовского мышления, то есть умения обновлять вероятность гипотез при поступлении новой информации
У людей, кстати, такое мышление должно быть хорошо развито
Здесь исследователи предлагают интересный подход
Вместо того, чтобы учить модель обновлять знания с помощью файнтюна на обычных диалогах, они берут и дистиллируют в нее настоящий байесовский алгоритм
То есть:
• строится обычный автомат Байеса, который знаком всем, кто изучал классический ML
Он решает задачу, просто обновляя вероятность разных гипотез по формуле
• LLM файнтюнят на ответах алгоритма, чтобы она переняла общую логику обновления, но уже без формулы
Во-первых, модель действительно начинает вести себя ближе к байесовскому оптимуму и учитывать новые данные
На основной задаче рекомендаций качество заметно увеличилось
Во-вторых, появилось обобщение
То есть модель фактически выучивает сам принцип рассуждения, и начинает использовать эту стратегию в других задачах, где ее напрямую не обучали
Короче говоря, довольно показательно, и авторы делают вывод о том, что обучение на демонстрациях алгоритмов в целом – работает
В действительности, мы ведь и правда хотим от LLM, чтобы они были не просто генераторами текста, а универсальными имитатороми алгоритмов мышления
research.google/blog/teaching-llms-to-reason-like-bayesians/
Хотя от модели ожидается, что она должна понимать предпочтения пользователя по его ответам и при накоплении таких данных становится полезнее, на самом деле LLM в этом плохи
С математической точки зрения это означает, что у моделей нет байесовского мышления, то есть умения обновлять вероятность гипотез при поступлении новой информации
У людей, кстати, такое мышление должно быть хорошо развито
Здесь исследователи предлагают интересный подход
Вместо того, чтобы учить модель обновлять знания с помощью файнтюна на обычных диалогах, они берут и дистиллируют в нее настоящий байесовский алгоритм
То есть:
• строится обычный автомат Байеса, который знаком всем, кто изучал классический ML
Он решает задачу, просто обновляя вероятность разных гипотез по формуле
• LLM файнтюнят на ответах алгоритма, чтобы она переняла общую логику обновления, но уже без формулы
Во-первых, модель действительно начинает вести себя ближе к байесовскому оптимуму и учитывать новые данные
На основной задаче рекомендаций качество заметно увеличилось
Во-вторых, появилось обобщение
То есть модель фактически выучивает сам принцип рассуждения, и начинает использовать эту стратегию в других задачах, где ее напрямую не обучали
Короче говоря, довольно показательно, и авторы делают вывод о том, что обучение на демонстрациях алгоритмов в целом – работает
В действительности, мы ведь и правда хотим от LLM, чтобы они были не просто генераторами текста, а универсальными имитатороми алгоритмов мышления
research.google/blog/teaching-llms-to-reason-like-bayesians/
AML
Lately people who know what I’m working on keep asking me the same question: does it even make sense to build an alliance of programmers if AI is about to replace programmers? After hearing this question too many times, I decided to write a short article explaining…
Пока мировые медиа обсуждают битву за полупроводники и гонку нейросетевых чипов, в науке тихо зреет куда более радикальная идея — а что, если вместо всё более сложных микросхем просто взять и использовать живые нейроны?
Австралийская компания Cortical Labs уже сделала это: подключила лабораторно выращенные клетки к биокомпьютеру и заставила их пройти трёхмерный шутер DOOM
Причём речь не о клетках мыши или дрозофилы — нейроны были получены методом репрограммирования из клеток кожи и крови обычных взрослых людей
Этот крошечный сгусток человеческой ткани в чашке Петри превзошёл GPT-4 по скорости реакции
То, на что у кремниевого AML уходят мегаватты энергии, кусочек чьего-то бывшего эпидермиса делает мгновенно
Пентагон тоже решил этим заняться
DARPA объявило о будущей программе O-CIRCUIT по созданию «биологических процессоров» для боевых дронов
Цель — создать принципиально новый класс боевых систем
Логика у американских стратегов проста: дрон-убийца на передовой требует мощного процессора, тот требует тяжёлых аккумуляторов, те убивают автономность
Замкнутый круг
Решение — выбросить кремний и вырастить вместо него живые нейронные сгустки из нервных, глиальных и иммунных клеток
В качестве эталона эффективности DARPA приводит мозг плодовой мушки: 140.000 нейронов, всего 6 милливатт-часов в сутки, маневрирует лучше любого квадрокоптера
Программа разбита на две задачи:
Первая — вырастить биопроцессор, который будет играть в «Ms. Pac-Man» на уровне человека и удерживать этот навык сутками
Pac-Man по своей математической сути — это навигация в замкнутом лабиринте, непрерывный поиск целей и уклонение от угроз. Переведите это на язык войны — и получите автономный живой контроллер для зачистки подземных тоннелей, траншейных сетей, городских кварталов
Вторая — скрестить живой мозг с биологическим обонятельным сенсором и встроить его в дрон
Цель — идти по химическому следу
Электронный нос уступает собачьему в чувствительности на порядки, никакой кремниевый газоанализатор не сравнится с живой обонятельной тканью. Но главное нечувствительность
Дрон, идущий на запах взрывчатки, пороховых газов или человеческого метаболизма — пота, выдыхаемого CO₂, адреналина — физически невозможно заглушить радиопомехами
Американцы десятилетиями продавали миру культ кремния — чипы, процессоры, цифровое превосходство
А потом пришли к тому, что природа придумала лучше
Только это открытие они сделали в военной лаборатории, а не в философской
Австралийская компания Cortical Labs уже сделала это: подключила лабораторно выращенные клетки к биокомпьютеру и заставила их пройти трёхмерный шутер DOOM
Причём речь не о клетках мыши или дрозофилы — нейроны были получены методом репрограммирования из клеток кожи и крови обычных взрослых людей
Этот крошечный сгусток человеческой ткани в чашке Петри превзошёл GPT-4 по скорости реакции
То, на что у кремниевого AML уходят мегаватты энергии, кусочек чьего-то бывшего эпидермиса делает мгновенно
Пентагон тоже решил этим заняться
DARPA объявило о будущей программе O-CIRCUIT по созданию «биологических процессоров» для боевых дронов
Цель — создать принципиально новый класс боевых систем
Логика у американских стратегов проста: дрон-убийца на передовой требует мощного процессора, тот требует тяжёлых аккумуляторов, те убивают автономность
Замкнутый круг
Решение — выбросить кремний и вырастить вместо него живые нейронные сгустки из нервных, глиальных и иммунных клеток
В качестве эталона эффективности DARPA приводит мозг плодовой мушки: 140.000 нейронов, всего 6 милливатт-часов в сутки, маневрирует лучше любого квадрокоптера
Программа разбита на две задачи:
Первая — вырастить биопроцессор, который будет играть в «Ms. Pac-Man» на уровне человека и удерживать этот навык сутками
Pac-Man по своей математической сути — это навигация в замкнутом лабиринте, непрерывный поиск целей и уклонение от угроз. Переведите это на язык войны — и получите автономный живой контроллер для зачистки подземных тоннелей, траншейных сетей, городских кварталов
Вторая — скрестить живой мозг с биологическим обонятельным сенсором и встроить его в дрон
Цель — идти по химическому следу
Электронный нос уступает собачьему в чувствительности на порядки, никакой кремниевый газоанализатор не сравнится с живой обонятельной тканью. Но главное нечувствительность
Дрон, идущий на запах взрывчатки, пороховых газов или человеческого метаболизма — пота, выдыхаемого CO₂, адреналина — физически невозможно заглушить радиопомехами
Американцы десятилетиями продавали миру культ кремния — чипы, процессоры, цифровое превосходство
А потом пришли к тому, что природа придумала лучше
Только это открытие они сделали в военной лаборатории, а не в философской
Corticallabs
Cortical Labs
We've combined lab-grown neurons with silicon chips and made it available to anyone, for first time ever.