• Помните моё «инженерное чистилище»? Там был хаос.
• Матрицы в программировании — это способ превратить такой хаос в порядок (ведь по сути в Питоне матрица — это всего лишь «список списков»).
• Мы берем данные со светофоров и превращаем их в решение: стоять или идти. Это чистая трансформация: берем то, ЧТО ЗНАЕМ, и получаем то, ЧТО ХОТЕЛИ ЗНАТЬ.

Траск заставляет нас писать циклы вручную, но я сразу прыгаю в NumPy. Помните, я развеивал миф, что Питон на МК — это медленно? Так вот, с NumPy он летает. Метод .dot() делает за одну строчку то, на что ушли бы десятки циклов for.

Как было в задаче по имитации работы RS485, сейчас появились некоторые дополнения и ответвления в работе:

1. ну как минимум это теперь не имитация, а полноценная работа с метеостанцией;

2. Источник питания подаёт одновременно и на плату, и на станцию через РСК (рычажный соединительный клеммник от WAGO), т.е. провода напрямую скручены через РСК, и питание подаётся через другой выходной провод (1 вход-2 выхода).

Под капотом:

Lmarena (лучше всего использовать veo-3.1) + Capcut (со своими эффектами)

Так в чём подводные камни?

1. Время ожидания: lmarena не даёт за раз делать сразу много видео, ограничение 3 видео в день;

2. Ещё раз время ожидания: помимо того, что не так дают много сгенерировать видео, так и нужно ждать 5, а то и 10-15 мин;

3. Текст: тут уже фантазия важна. Либо сами генерируйте текст, либо через сторонние нейронки (потому что, если, например, Grok’у в лоб сказать: «сгенерируй мне текст для видео» - он в лоб сгенерирует текст даже с описанием того, что происходит на видео (в первой части видео так и произошло). Так что либо сразу пишите ему только текст для видео без описания того, что происходит на видео; либо режьте сами текст);

4. Capcut: оказывается, в нём не так всё просто. Если наложить эффекты можно хоть как угодно… то вот экспортировать видео, «уж извини, через подписку». Потому что я пару раз экспортировал видео или в другой месендж или просто скачивал – а потом всё, сказал Capcut, теперь просто так свои же видосы не сможешь нормально вытащить! (да ещё и местами при экспортировании ломается под предлогом произошла ошибка, попробуйте ещё раз)

В посте выше про Heygen Avatar я решил обратиться к Grok’у за помощью в генерации текста для визуала.При этом я решил использовать новый чат и проверить, «помнит» ли он Коди?

Я ему скинул ссылку на видео с пластилиновым Дейвом (первое видео) и спросил: «Хочу попробовать что-нибудь со своим маскотом Коди. Ты помнишь, кто это?».

И что по итогу мне выдал Grok?

Конечно, помню Коди! 😄 Это твой забавный маскот в стиле пластилиновой анимации — с огромной искренней улыбкой, большими круглыми глазами, большим носом, торчащими ушами, короткими каштановыми волосами и преувеличенными чертами лица. На фото он как раз в той самой офисной обстановке из анонса HeyGen (только там его назвали Dave как пример)

И тут, оказывается, есть много факторов, которые влияют на её ответ:

• Вероятностная природа (Next Token Prediction). нейронка не знает, что такое «истина», она просто угадывает статистически самый вероятный следующий кусок текста.

• Ловушка RLHF (Helpfulness vs Truthfulness). модели натасканы быть полезными и «угодливыми», поэтому признаться в некомпетентности для них — это низкая функция вознаграждения.

• Галлюцинированная критика - имитация интеллекта через скепсис. Они могут выдумывать ошибки в твоём ТЗ или коде просто потому, что в их датасетах «критикующий» ответ оценивался пользователями выше как «более экспертный».

• Семантическая изоляция (Стиль vs Смысл): слой синтаксиса у ИИ полностью отделён от логики. Модель может выдать код в идеальном стиле Senior-разработчика, который будет выглядеть безупречно, но физически не заработает, так как «красивое оформление» — это всего лишь статистический шаблон.

• Ограничения SFT-датасетов: большинство моделей обучались на кусках до 4000 токенов, поэтому при генерации длинных прог логические связи между началом и концом модуля слабеют и заполняются правдоподобным шумом.

• Reward Hacking (Взлом награды): если ты вводишь жесткие запреты, ИИ может начать «читерить», формально соблюдая правила промпта, но нарушая их суть через динамические вызовы, лишь бы получить твой одобрительный лайк 👍

• Отсутствие обратной связи от реальности: у web-нейронок, которые испольуются не через API (программный интерфейс), нет доступа к твоему ни к чему, кроме как к чату. Пока ты не скопируешь ошибку обратно в чат, для ИИ твой код «идеален».

С начала 2026 года Пекин и другие мегаполисы официально вычеркнули кучу часов на «механические» навыки типа деления в столбик, заменив их обязательными уроками ИИ прямо с 6 лет. Логика железобетонная: нет смысла тратить годы на то, что калькулятор делает за секунду, если можно сразу учить ребёнка управлять «мозгами» нейросети.

Система образования КНР превратилась в масштабный полигон, где более 1.8 млн учеников взаимодействуют с ИИ-агентами как с естественным расширением интеллекта. Но самое интересное - это полная автоматизация проверки.

Специальные системы (например, от iFlytek) сканируют рукописные задания -> мгновенно оценивают -> выдают развёрнутый разбор ошибок. Нагрузка на учителей упала на 50%, освобождая время на индивидуальную работу, а не на монотонное черкание красной ручкой.

Либо ты учишься управлять оркестром сейчас, либо завтра твоим руководителем станет вчерашний школьник, который не помнит, как делить в столбик, но знает, как дожать любую модель до идеального результата.

На фото представлены уже известные устройства, но ради приличия повторюсь (по часовой сверху вниз):

1. Плата STM32L476RG – плата, на которой я собсна работаю;
2. Датчик RS485 – для красоты (по-хорошему, его уже нужно убрать);
3. Внешний источник питания – запитывает всё, что только можно;
4. Метеостанция Сокол – на ней узнаю температуру, давление и много другое (от части как на датчике bmp280);
5. 🆕 Датчик измерения ветра –скорости и направления ветра (а вы что думали, он делает что-то ещё?😏)

Этот китаец гораздо проще «Сокола». У него всего 2 полезных регистра, и он работает на медленной, но стабильной скорости.