📗 Нейронный Прорыв: Часть II. Цена мечты

Кемерово, 1995

Двенадцатилетняя Катя сидела у больничной кровати и держала маму за холодную руку. Рак молочной железы, четвёртая стадия. Врачи разводили руками — в девяностые онкология была приговором, особенно в провинции.

— Катенька, — прошептала мама, — обещай мне... учись. Стань учёным. Сделай так, чтобы другие дети... не теряли своих мам.

Через неделю её не стало. Отец запил. Катю взяла бабушка.

В школе она была странной. Пока одноклассницы обсуждали мальчиков, Катя читала медицинские энциклопедии из районной библиотеки. Искала ответ на вопрос, который мучил её каждую ночь: почему медицина не смогла спасти маму?

Новосибирск, 2005

Красный диплом НГУ по биофизике. Катерине двадцать два, и она уже понимает: традиционная медицина движется слишком медленно. Клинические испытания, бюрократия, консервативность. Разработка нового лекарства — десять-пятнадцать лет.

Её мама умерла десять лет назад. За это время появились новые препараты, но миллионы всё ещё умирают. Слишком медленно. Слишком дорого.

На защите диссертации профессор Громов спросил:

— Зачем вы занялись нейроинтерфейсами? Это же не онкология.

— Потому что будущее медицины — в вычислениях, — ответила Катя. — Чтобы моделировать молекулы, предсказывать мутации, персонализировать лечение, нужны колоссальные вычислительные мощности. Искусственный интеллект может сократить разработку лекарства с пятнадцати лет до пятнадцати месяцев. Но для этого нужно научить ИИ думать быстрее.

Громов улыбнулся:

— Амбициозно. Безумно. Мне нравится.

Академгородок, 2019

Грант закончился. Третий за год. Катерине тридцать шесть, седая прядь в тёмных волосах, хроническое недосыпание. Лаборатория на грани закрытия.

Максим, её лучший аспирант, принёс кофе:

— Катерина Владимировна, может, пора остановиться? Вы четырнадцать лет пытаетесь научить компьютеры читать мозг парализованных. Это тупик.

Она посмотрела на него усталыми глазами:

— Мой отец умер пять лет назад. Знаешь, что он сказал перед смертью? «Прости, что не смог». Он не смог справиться с потерей мамы. Я не смогла спасти её. Но я смогу сделать так, чтобы миллионы других не умирали, потому что наука слишком медленная.

— Но нейроинтерфейсы...

— Это ключ! — она вскочила, глаза загорелись. — Мозг — самая совершенная вычислительная машина во Вселенной. Сто миллиардов нейронов, триллион связей. Nvidia строит суперкомпьютеры за миллиарды долларов, а у каждого человека есть биокомпьютер, который работает на двадцати ваттах! Нужно только научиться его использовать.

Ночь открытия, 2025

Эксперимент № 1247. Катерина сама легла в капсулу. Добровольцы закончились, деньги кончились, но она не могла остановиться.

Максим подключил электроды к её голове. Новый протокол: не считывание сигналов мозга, а использование нейронных сетей для параллельных вычислений во время фазы медленного сна.

— Если что-то пойдёт не так...

— Максим, мне сорок два. Я потратила двадцать лет на эту идею. Запускай.

Она закрыла глаза. Провалилась в темноту. И вдруг — вспышка. Нет света, но понимание. Она чувствовала, как её мозг стал частью чего-то большего. Нейроны синхронизировались с квантовым процессором, создавая гибридную систему. Не человек управляет машиной. Не машина управляет человеком. Симбиоз.

Проснулась через восемь часов. Монитор показывал результаты: нейросеть обучилась в 180 тысяч раз быстрее, чем на обычном железе.

Максим плакал от счастья.

Катерина смотрела на цифры и впервые за тридцать лет позволила себе подумать: «Мама, я сделала это».

Продолжение в коментариях >>>
---
Предыдущая часть


#neuroscifi
@pavlenkodev

Сейчас отличное время, чтобы начать изучать программирование и создавать собственные проекты.
Попробуйте обучающий режим в Claude Code: откройте CC, выполните команду /config, затем выберите Output Style > Learning.
В этом режиме Claude Code будет объяснять свои действия, а вы сможете учиться прямо в процессе разработки.

---------
#claudecode #aicode
@pavlenkodev

Посмотрел свежее видео с руководителем GitHub Next. Вот что он думает о будущем разработки:

- TypeScript в 2025 году впервые обогнал Python и JavaScript по популярности на GitHub. Это объясняется тем, что платформы типа WebAssembly делают языки вроде TypeScript универсальными для фронта и бэка, а Python сохраняет ключевую роль в ИИ, благодаря богатой экосистеме библиотек и фреймворков.
- Рост и распространение ИИ (Copilot, агенты и автокомплиты) меняет культуру программирования: теперь разработчикам все чаще приходится фокусироваться не на написании кода, а на оценке его корректности и смысла решений, предложенных ИИ.
- AI лучше работает с популярными языками и фреймворками (например, TypeScript, React), что создает позитивный замкнутый цикл: популярность — больше данных для ИИ — ещё лучше поддержка — новое усиление популярности.
- Статически типизированные языки становятся более востребованными, так как для ИИ проще генерировать корректный код, имея возможность сделать проверку типов при компиляции.
- Новым или нишевым языкам и фреймворкам становится сложнее конкурировать — ИИ всегда “лучше” работает с популярными языками, так как примеров кода на этих языках больше.
- ИИ-средства, такие как Copilot, резко снижают порог входа для изучения даже сложных языков.
- На развивающихся рынках разработчики намного быстрее адаптируют ИИ-инструменты, что дает им преимущество.
- Для компаний основные выгоды — ускорение работы младших разработчиков и снижение рутины для сеньоров, что позволяет сосредоточиться на архитектурных задачах.

Какие можно сделать выводы: ИИ-инструменты меняют сам подход к выбору языков и архитектуры ПО, закрепляя успех тех стэков, с которыми ИИ работает особенно эффективно — сейчас это TypeScript, Python и ведущие популярные фреймворки.


#aicode
@pavlenkodev

Скачал себе Antigravity. Вечером буду пробовать.

Кто еще не в курсе - вчера Google презентовали новую модель Gemini 3 и вместе с ней свою IDE Antigravity. В бенчах новая модель рвет всех – интересно проверить, насколько она хороша в коде.

Почему стоит хотя бы попробовать: Antigravity пока что доступна со всем своим функционалом абсолютно бесплатно на MacOS, Windows и Linux. Дают 50 запросов каждые 5 часов. Google знают, как привлечь внимание.

Функционал:

– Есть привычный editor и тут в целом ничего нового: можно вручную писать и править код, включать автокомплит, общаться с агентом и тд. Хорошо прокачано планирование и работа с артефактами.

– Что интересно, так это режим асинхронного программирования Inbox. Это панель оркестрации агентов. Выглядит реально как почта, в которой вы ставите задачи разным агентам и можете отслеживать результат в рамках единого окна коммуникации, за рамками основного кода.

Таким образом можно работать даже с несколькими проектами одновременно. А задачи можно назначать как параллельно, так и упорядочить в очередь.

– Еще одна приятная фича: интеграция с Chrome. Это расширение, в котором агент начинает работать в режиме computer use. Он может запустить приложение локально, поднять сервер, автоматически пройтись по страницам, проверить наличие элементов, что-то потестить, сделать скриншоты и тд.

UPD: Под моим Google-аккаунтом не дает доступ. Пишет, что не доступно в моей локации под этим аккаунтом. Ну ок, будем юзать в Cursor.

Нашел способ как изменить страну Google-аккаунта, чтобы Antigravity не ругался, что в вашей стране этот продукт не доступен.

Способ
Заходите по ссылке и меняете страну https://policies.google.com/country-association-form
Я указал в причинах I work or study in a different region from where I live

Вечером подал заявку - утром уже сменили. Менял с включенным VPN.
Входил в Antigravity с включенным VPN.

Пользуйтесь, ваш @pavlenkodev 🙂

Я тут обычно не публикую новости, связанные с Giga.Chat, но сегодня они порадовали - молодцы ребята!
Яндекс, твой ход!

У меня в ChatGPT прописан кастомный системный промпт и один из нюансов, что в начале он должен сымитировать лучшего специалиста в конкретной предметной области. И каждый раз это шедевр 😆😆😆

Промпт подсмотрел у Ширяева

Пока корпорации меряются закрытыми "черными ящиками", Allen Institute for AI (Ai2) пошли другим путем. Они выкатили Olmo 3 — и это, пожалуй, самый прозрачный релиз за последнее время.

В паблик выложили абсолютно всё "мясо":
1. Веса и чекпоинты (само собой).
2. Датасеты (Dolma — микс из кода, книг и статей).
3. Логи и инструменты (вплоть до утилит очистки данных Paloma).

Сама модель "тащит" программирование и математику, умеет работать с длинным контекстом. Для энтузиастов подготовили легкую версию на 7B, а для сложных задач — модель с chain-of-thought рассуждениями.

Если хотели посмотреть, как на самом деле выглядят внутренности современной LLM — это оно.

👉 Ссылка на проект: https://allenai.org/olmo

#Ai2 #Olmo #Dev #TechNews
@pavlenkodev

24 ноября администрация Дональда Трампа запустила инициативу Genesis Mission — по сути «манхэттенский проект» в области искусственного интеллекта для науки и технологий США. Ее цель — радикально ускорить научные открытия с помощью больших моделей и ИИ‑агентов, работающих на объединённых федеральных датасетах и суперкомпьютерах Министерства энергетики (DOE).

Genesis Mission должна одновременно усилить научный прогресс, военную и экономическую мощь США, энергетическое лидерство и отдачу от многолетних вложений в НИОКР.

Ключевая инфраструктура: American Science and Security Platform

В центре инициативы — American Science and Security Platform: единая национальная платформа, на которой собираются вычисления, данные и модели для всего проекта.
Платформа включает суперкомпьютеры национальных лабораторий DOE, закрытые облачные окружения для тренировки и инференса, библиотеки ИИ‑агентов, симуляционные и оптимизационные инструменты, а также доменные foundation‑модели по разным областям науки.

Особый акцент делается на безопасном доступе к данным: от закрытых федеральных наборов до открытых и синтетических датасетов, с соблюдением требований по секретности, приватности, IP и кибербезопасности.

Сроки и организационная структура

За реализацию отвечает министр энергетики США, который должен собрать все ресурсы DOE в единую защищённую платформу и может назначить отдельного политического куратора для операционного управления.
В течение первых 90–270 дней DOE обязан инвентаризировать вычислительные ресурсы, собрать стартовый пул данных и моделей, описать планы интеграции внешних датасетов и показать хотя бы одну «инициальную работоспособность» платформы по одному из приоритетных челленджей.

Общим политическим руководством занимается помощник президента по науке и технологиям (APST) через Национальный совет по науке и технологиям (NSTC), который обеспечивает выравнивание Genesis Mission с общенациональными приоритетами.

Приоритетные научные задачи

В течение 60 дней министр энергетики должен предложить минимум 20 научно‑технологических задач национального уровня, которые потенциально можно решать через Genesis Mission.
Базовые домены уже заданы: передовое производство, биотехнологии, критические материалы, ядерная энергия (деление и синтез), квантовые технологии, полупроводники и микроэлектроника.

Далее APST и NSTC расширяют и финализируют этот список, после чего все вовлечённые агентства обязаны использовать платформу для R&D по этим челленджам, регулярно пересматривая перечень задач раз в год.

Экосистема партнёрств и кадровый контур

Genesis Mission предполагает плотную координацию федеральных агентств, выравнивание их ИИ‑программ и датасетов, запуск совместных грантов и призовых конкурсов для привлечения бизнеса к ИИ‑ускоренным исследованиям.
Параллельно создаются программы стажировок, стипендий и apprenticeship в национальных лабораториях, чтобы выращивать новое поколение исследователей, умеющих работать с ИИ‑платформой.

DOE вместе с Белым домом формирует типовые рамки сотрудничества с частными компаниями и университетами: договоры по совместным разработкам, обмену данными и моделями, лицензированию и защите коммерческой тайны, плюс жёсткие требования к кибербезопасности и проверке партнёров.

Метрики успеха и политический контекст

Министр энергетики обязан раз в год отчитываться перед президентом о статусе платформы, уровне интеграции лабораторий, вовлечённости пользователей, научных результатах, прототипах технологий и коммерциализации, а также о состоянии публично‑частных партнёрств.
Юридически указ подчёркивает, что не создаёт новых прав для частных лиц и реализуется только в рамках существующих законов и доступных бюджетных ассигнований; расходы на публикацию документа напрямую возлагаются на DOE.

В сухом остатке Genesis Mission — это попытка централизованно собрать все вычисления, данные и ИИ‑компетенции федерального уровня в одну «операционную систему науки», заточенную под ускоренный прогресс в стратегических отраслях и сохранение технологического лидерства США.

#ai #гонкавооружений
@pavlenkodev

🤖 Magentic-UI: открытый человеко-центричный веб-агент от Microsoft

Microsoft Research выпустила Magentic-UI — исследовательский прототип многоагентной системы для автоматизации сложных веб-задач с обязательным участием человека. Проект open-source под MIT-лицензией.

🎯 Что это умеет

Веб-автоматизация: навигация по сайтам, заполнение форм, скрэйпинг данных — всё как в других web-агентах, но с философией *человек в центре*.

Анализ данных & код: генерирует и запускает Python/shell-код в Docker, строит графики, обрабатывает файлы.

Долгие мониторинговые задачи: новая фишка — SentinelStep ("Tell me when"). Агент может мониторить событие часами/днями, автоматически подстраивая частоту запросов и не сжигая токены на пустые проверки. Например: ждёт, когда цена на билет упадёт ниже X, звезды на GitHub достигнут N, или придёт срочное сообщение.

MCP-интеграции: подключайте специализированные MCP-сервера (AirBnB, GitHub и т.п.) прямо в UI.

👥 Главное отличие: Human-in-the-Loop

В отличие от чёрных ящиков вроде Devin AI, Magentic-UI делает ставку на прозрачность и контроль:

Co-Planning: агент строит пошаговый план, вы его редактируете и одобряете.

Co-Tasking: во время выполнения видите каждый шаг, можете приостановить или взять управление браузером.

Action Guards: опасные действия требуют явного подтверждения.

Plan Learning: сохраняет успешные планы и переиспользует для похожих задач.

GitHub проекта: https://github.com/microsoft/magentic-ui

Anthropic объявила о покупке JavaScript‑рантайма Bun.sh, чтобы ускорить развитие своего агентного инструмента для разработчиков Claude Code и улучшить его производительность и стабильность.

В рамках сделки Bun, сочетающий рантайм, пакетный менеджер, бандлер и тест‑раннер, остаётся открытым и распространяется по лицензии MIT, а Anthropic планирует дальше инвестировать в него как в основной инструмент для JavaScript‑ и TypeScript‑разработчиков. Claude Code за шесть месяцев с момента общей доступности в мае 2025 года вышел на годовую выручку в 1 млрд долларов и уже используется такими компаниями, как Netflix, Spotify, KPMG, L’Oreal и Salesforce. В Anthropic подчёркивают, что интеграция команды Bun позволит строить инфраструктуру для следующего поколения ИИ‑помощников и закрепить позиции компании как лидера в enterprise‑AI, а разработчики получат более быстрые, надёжные и удобные инструменты для создания и тестирования приложений с активным использованием ИИ.


Что такое Bun.sh

Bun — это быстрая среда выполнения JavaScript/TypeScript, написанная на Zig, которая заменяет Node.js и объединяет рантайм, пакетный менеджер, бандлер и тест-раннер в одном бинарнике.

Где использовать

• Запуск серверов (HTTP/WebSocket) с  Bun.serve()  — быстрее Node.js в 4 раза по throughput.
• Установка пакетов ( bun install ) — до 33 раз быстрее npm/yarn за счёт глобального кэша и системных вызовов.
• Тестирование ( bun test ) — аналог Jest/Vitest, но быстрее.
• Сборка и транспиляция TS/JSX нативно, без доп. шагов.
• Работа с файлами/SQLite — чтение в 10 раз, запись в 3 раза быстрее Node.js.
Идеален для стартапов, AI-инструментов (как Claude Code) и dev-сред.


#ai #anthropic #claudecode
@pavlenkodev

Apple представила CLaRa-7B-Instruct — модель на базе Mistral-7B, которая объединяет поиск (retrieval) и генерацию текста в единую систему с встроенной семантической компрессией документов до 16× или даже 128× без потери точности. Вместо классического RAG (Retrieval-Augmented Generation), где сначала извлекаются большие куски текста, а потом модель их перечитывает, CLaRa переводит документы в компактные латентные представления (continuous latent space), оптимизируя всё одной функцией потерь.

Как это работает

Модель сжимает текст в семантически богатые векторы с помощью Semantic Compression Pipeline (SCP), что позволяет хранить огромные базы знаний компактно. При запросе она извлекает и генерирует ответ напрямую из этих сжатых данных, без дискретного top-k отбора, пропуская градиенты между retrieval и generation. Код и модели открыты на GitHub (apple/ml-clara) и Hugging Face.

Преимущества над RAG

- Эффективность: Снижает память и задержки в 16 раз, идеально для GPU с малым объёмом VRAM или мобильных устройств; обходит PISCO и LLMLingua-2 по сжатию и качеству поиска.
- Точность: Лучше базовых RAG на QA-бенчмарках (single/multi-hop), превосходит даже full-text fine-tuned модели на Mistral-7B и Phi-4B.
- Единая оптимизация: Устраняет разрыв между retriever (cosine similarity) и generator (log-likelihood), повышая общую производительность.

Где применять

- RAG-системы для чат-ботов, QA над большими корпусами (Wikipedia, docs) с низкими ресурсами.
- On-device AI на смартфонах/ноутбуках (Apple Silicon), где важны приватность и скорость.
- Масштабные базы знаний: overlanding-гиды, техдокументы по авто, ML-туториалы — сжимайте в 128× и отвечайте мгновенно.

#ai #apple #rag #llm
@pavlenkodev

Google запустил Advent of Agents 2025 — 25-дневный адвент-календарь с туториалами по разработке AI-агентов. Каждый день до 25 декабря на https://adventofagents.com/ выходит короткий гайд (5 минут чтения) с примерами на Gemini 3, Agent Development Kit (ADK) на Python и Vertex AI.

Первая "карточка" уже вышла: агент на Gemini за 5 строк YAML — просто и красиво, можно повторить локально без Google Cloud. В программе контекстная инженерия, Computer Use и деплой до production-ready. ADK работает независимо, но курс заточен под экосистему Google (Vertex AI может быть недоступен в РФ).

Идеально для быстрой прокачки скиллов в разработке агентов.

#Gemini #ADK #AIагенты #aiagents
@pavlenkodev

🔬 Прочитал свежий whitepaper от Google "Introduction to Agents" (ноябрь 2025) — делюсь главным

Google выкатили 54-страничный гайд по агентным системам. Не маркетинг, а архитектурный документ для тех, кто строит production-решения. Разобрал — рассказываю, что важно.

Что такое агент по версии Google

Формула простая: Модель + Инструменты + Оркестрация + Деплой = Агент.

Ключевое отличие от обычного ChatGPT: агент сам определяет следующий шаг. Не ждёт, пока ты напишешь "а теперь сделай вот это". Получил цель → спланировал → выполнил → проверил результат → повторил.

Цикл работы: Think → Act → Observe. И так по кругу, пока задача не решена.

5 уровней зрелости агентов

Google предлагает таксономию — полезно для понимания, что вы реально строите:

🔹 Level 0 — голая LLM, никаких инструментов
🔹 Level 1 — LLM + инструменты (поиск, API, базы)
🔹 Level 2 — многошаговое планирование, контекстная инженерия
🔹 Level 3 — команда агентов с делегированием задач
🔹 Level 4 — агент сам создаёт новые инструменты и агентов

Большинство текущих решений на рынке — Level 1, максимум Level 2. До Level 3-4 дошли единицы.

Архитектура: три кита

1️⃣ Model ("Мозг") — выбирайте не по бенчмаркам, а по задаче. Можно комбинировать: мощная модель для планирования, дешёвая для рутины.

2️⃣ Tools ("Руки") — RAG, API, генерация кода, Human-in-the-Loop. Подключение через OpenAPI или новый стандарт MCP.

3️⃣ Orchestration ("Нервная система") — управление циклом, память (короткая и длинная), системный промпт как "конституция" агента.

Что меня зацепило

📌 Смена парадигмы разработки. Цитата: "Разработчик агентов — уже не каменщик, а режиссёр". Ты не пишешь код для каждого шага. Ты задаёшь сцену, выбираешь актёров (инструменты), обеспечиваешь контекст. И направляешь автономного исполнителя.

📌 Agent Ops как новая дисциплина. Классические unit-тесты не работают — assert output == expected бессмысленно для генеративного AI. Нужны: LLM-as-Judge, golden datasets, метрики бизнес-влияния, трейсы через OpenTelemetry.

📌 Безопасность переосмыслена. Агент — это не пользователь и не сервис. Это третий тип principal с делегированными полномочиями. Требует отдельной модели identity, политик доступа, guardrails в коде.

📌 A2A протокол. Agent-to-Agent — открытый стандарт для взаимодействия агентов между собой. Agent Card как "визитка" с описанием возможностей. Это заявка на экосистему.

Мои выводы для практики

1. Начинать с Level 1-2 — подключить инструменты к LLM, отработать цикл Think-Act-Observe. Не прыгать сразу в мультиагентность.

2. Инвестировать в оценку — без автоматизированных eval-датасетов вы слепы. Каждый баг от пользователя = новый тест-кейс.

3. Думать про governance сразу — когда агентов станет много, нужен централизованный gateway. Иначе получите "agent sprawl" — хаос из несвязанных ботов.

4. Следить за MCP и A2A — это становится стандартом. Anthropic, Google, OpenAI движутся в одном направлении.

Что дальше

Google обещает ещё 4 whitepaper в серии: по инструментам, памяти, качеству и безопасности агентов. Буду разбирать по мере выхода.

Документ рекомендую всем, кто серьёзно занимается агентами — не хайпом, а инженерией. Это не "5 промптов для ChatGPT", это архитектурный фреймворк.

Ссылка на PDF

P.S. Сейчас на очереди ресёрч похожего по тематике whitepaper от ByteDance, объёмом в 300 страниц.

#ai #AIагенты #aiagents
@pavlenkodev

Сегодня потратил 4 часа работы в Cursor, пытаясь внести правки в проект и добавить новые фичи. Использовал бесплатную (до 11 декабря) модель GPT-5-Codex-Max-High (с неймингом у ребят в OpenAI явно проблемки). Также иногда Курсор незаметно переключался в режим Auto. Другие платные модели в Курсоре мне не доступны, так как исчерпал свои лимиты. И по ощущениям модели в Курсоре вели себя как очень очень тупые: плодили лишний код, не проверяли текущее состояние проекта, плохо следовали промпту, ленились в буквальном смысле слова (например модель составляла себе план на 5 шагов, а делала 1 шаг и про остальные забывала).

В итоге я плюнул и открыл проект в Claude Code. Он нашел проблему и все поправил за 20 минут.
У меня всё.

🚀 Только я собрался отказаться от подписки на Cursor (в очередной раз), как они завезли визуальный редактор для Browser — теперь можно править интерфейс прямо на живом приложении, а код за вас дописывает агент.

Что умеет новый режим:
- Перетаскивать элементы по DOM как в конструкторе: менять порядок блоков, крутить секции, играться с гридом и флексами — а потом одним действием применить изменения к коду.
- Легко редактировать React-компоненты: в сайдбаре доступны пропсы и состояния, можно быстро щёлкать варианты одного и того же компонента.
- Тонко настраивать стили: цвета, типографика, сетки, флекс — всё через визуальные контролы, с живым превью.
- Point & prompt: кликаете по элементу и пишете «сделай больше», «покрась в красный», «поменяй местами» — несколько агентов параллельно вносят правки в UI и код.

Cursor явно двигается к миру, где дизайн и код сливаются в один слой, а интерфейс становится главным способом объяснить агентам, что вы хотите от продукта.

Ссылка на анонс и детали: https://cursor.com/blog/browser-visual-editor

На Хабре вышел перевод статьи от OpenAI, как они за месяц навайбкодили приложение Sora для Android