What Telegram channels wrote about Artificial intelligence in May 2026: 245 posts from 149 channels, collected automatically from public Telegram channels.
В сеть слили все характеристики будущего прорывного чипа N1X от Nvidia.
Что нас ждёт: • CPU на 20 ARM-ядер; • GPU на 6144 CUDA-ядер (сравнимо с GeForce RTX 5070); • 128 ГБ памяти LPDDR5X; • Энергопотребление 48-80 Вт.
Главный упор сделали на нейросети и их доступность — ноутбуки с N1X смогут запускать самые тяжелые модели, которые не осилит даже RTX 5090.
Официально анонсировать шедевр должны уже завтра на выставке Computex 2026.
🗣️ Айтишник
Клонируем любой сайт за пару кликов: забираем сервис, который превращает веб-ресурсы в готовые промпты для нейросетей.
Работает предельно просто: • Закидываете ссылку — сервис сканирует страницу и вытаскивает всё ценное: цвета, шрифты, иконки, анимации, структуру страниц, интерфейсные фишки и логику работы сайта; • После этого собирает полноценное досье на сайт вместе со скриншотом; • Полученный файл можно скормить ИИ и получить максимально похожий результат; • Можно использовать как референс для собственного проекта или быстро перенести понравившиеся решения; • Исходный код открыт, а сам инструмент можно поднять прямо у себя на компьютере.
Сохраняем и пользуемся — здесь.
КиберГик
В 1953 г. великий визионер Филип К. Дик написал научно-фантастический рассказ «Вторая модель» (в 1995 г. он достаточно вольно экранизирован под названием Screamers — и это тот редкий случай, когда переработанное произведение получилось ничуть не слабее первоисточника). В рассказе идет речь о ближайшем будущем и великой войне между Советским блоком и ООН, в которой воюющие стороны прибегли к машинному оружию: противопехотным дронам небольшого размера, охотящимся на солдат противника. Под землей были построены огромные автоматические заводы, непрерывно производящие волны дронов, они были оснащены самообучающимся ИИ и возможностью создавать новые модификации машин.
Конец что у книги, что у фильма, закономерно антиутопичный; про саму идею же, как и про рассказ, все благополучно забыли на семьдесят с лишним лет и только недавно концепция простых и дешевых роботов-убийц, которых можно штамповать тысячами и сбрасывать на врага, получила первую полноценную реализацию. Нет, речь идет не о фронтовых квадрокоптерах с ручным управлением, сбрасывающих на врага «морковки» и «лимонки». Речь о первом полноценном автономном барражирующем оружии среднего радиуса действия — дронах Hornet, которые с недавних пор стали бичом логистики ВС РФ. Hornet — крайне интересная разработка, в которой создатели ближе всего (по крайней мере, сегодня) подошли к концепции летающего оружия, которое самостоятельно выбирает себе цели и само их атакует. И наиболее интересно то, что это не потребовало ни миллиардов долларов, ни десятилетий НИОКР, ни мощного ВПК — это не потребовало даже доступа к каким-то уникальным засекреченным военным технологиям и программным продуктам.
Hornet — оружие нового поколения: дешевое, собранное из гражданских компонентов, которые можно достать на десятках производств по всей планете, не требующее специального оборудования и сверх-квалификации для сборки и применения. При этом внутри него находится полноценная нейросеть, обученная и способная самостоятельно искать цели в заданном квадрате и атаковать их. Разумеется, для финального подтверждения требуется участие оператора — только вот это этическое ограничение, а не технологическое. Нейросеть вполне может отлично справиться с поставленной задачей сама, но в парадигме западного мышления недопустима сама мысль о том, что машина может сама убить человека без участия другого Homo Sapiens. В любом случае, между принятием решения о ударе и уничтожением цели должен находится живой оператор: тот, кто в явном и недвусмысленном виде примет решение и возьмет на себя ответственность.
Интересно здесь следующее. Поскольку ограничение это не носит технического характера, то никто не мешает его не обойти, а попросту игнорировать, ибо установить доподлинно, самостоятельно Hornet атаковал цель или по нажатию кнопки, никоим образом невозможно. Более того, ВСУ вполне может использовать операторов для подтверждения цели, но лишь для того, чтобы как можно лучше научить нейросеть распознавать объекты для поражения. И уже после этого никто не мешает наконец-то воплотить апокалиптический сценарий Дика с тысячами автономных дешевых и автоматически же собираемых машин-убийц, волнами направляемых в сторону врага. Скорее всего, мы стоим на пороге настоящей революции в военном деле и будем с нетерпением следить за тем, как она проходит.
Предлагаем вам подробный разбор новейшего дрона Hornet, включающий фото- и видеоматериалы, историю его появления, тактику применения и её текущие итоги, анализ технических характеристик, возможности и грядущие перспективы такого рода оружия.
⏹️ Барражирующий боеприпас Hornet: анатомия оружия эпохи глобализации
Boosty: https://boosty.to/atomiccherry/posts/b9a83b24-6802-460a-9df9-eb5edc7e38fb
Patreon: https://www.patreon.com/posts/barrazhiruiushch-159588412
@atomiccherry 💯
Почему новые Gemini 3.5 не знают про 2026 год, если это самые последние модели?
После добавления Gemini 3.5 многие начали нас спрашивать:
«Если модель новая, почему она не в курсе событий 2026 года?»
Разбираемся 👇
📆 Каковы реальные базы знаний моделей на сегодня:
- Gemini 2.5 / 3 – обучены на данных примерно до января 2024 года. - Gemini 3.5 – примерно до января 2025 года.
Да, Gemini 3.5 на данный момент – это самая последняя модель.
⏳ Но почему, если модель самая последняя, она не знает про 2026 год?
Создание и обучение больших нейросетей – это колоссальный и долгий процесс:
1. Сначала разработчики месяцами собирают и фильтруют гигантские объёмы данных. 2. Затем модель долго обучается, тестируется и дорабатывается.
Поэтому даже у самого свежего ИИ база знаний всегда будет немного «отставать» от реальности. Модели, которые будут полноценно владеть информацией о событиях 2025-2026 годов, появятся только в следующих поколениях – возможно, уже в следующем году.
И это абсолютно нормально: сейчас ни одна популярная модель в мире не имеет глубокой базы знаний, актуальной позже 2025 года.
«Но почему тогда новая Gemini 3.5 иногда сама пишет, что сейчас 2026-й?»
Всё просто: текущая дата передаётся в настройках. Она знает, какой сейчас год, но её база знаний от этого глубже не становится. Если начать расспрашивать её о деталях или последних событиях, быстро станет очевидно, что её фактическая база ограничена началом 2025-го.
«А почему некоторые приложения "знают" всё актуальное?»
Потому что у них подключен простой веб-поиск (интернет).
Но на практике это часто не улучшает качество работы модели, а, наоборот, ухудшает его – особенно в длинных диалогах.
Многие думают, что если подключить интернет, модель сразу станет намного умнее, начнёт «знать всё актуальное», лучше писать код или добавлять современные детали.
На самом деле модель не становится «умнее» – она просто выдергивает небольшие куски текста из поисковой выдачи и вставляет их в ответ. То есть у таких моделей всё ещё нет полноценной актуальной базы знаний (база данных, на которой модель обучалась, – это одно, а короткий фрагмент текста из интернета – совсем другое).
Модели узнают о текущих событиях только из этих небольших отрывков, и это иногда делает только хуже: ИИ начинает делать предположения там, где ему не хватает данных, или чрезмерно опираться на найденные материалы при формировании новых ответов.
Именно по этим причинам мы пока не подключаем веб-поиск. Но в будущих обновлениях добавим его как отдельную функцию.
Для глубокого общения и качественных диалогов гораздо важнее хороший контекст, чем умение гуглить.
Надеемся, этот разбор был полезен и вы получили ответы на свои вопросы ❤️
На этой неделе выступала в Сколково на программе Светланы Миронюк. Говорили о том, как ИИ влияет сейчас на коммуникацию и к каким новым сложностям между людьми приводит. На семинаре были ребята из Авито, из нефтянки, то есть не только медицина, и это было особенно интересно.
Я, если честно, стопроцентный технооптимист. Нейросети уже сейчас сильно упрощают жизнь. И да, я правда верю, что постепенно мы отдадим им всю нелюбимую работу (те же истории болезни) и будем больше времени проводить с пациентами.
Но вот что я услышала от других спикеров и за что зацепилась.
Активное пользование ИИ, оказывается, довольно быстро приводит к выгоранию сотрудников. Потому что резко вырастает скорость. И прозрачность. Ничего не теряется, не забывается, не «ой, я не увидел». Всё зафиксировано, стоит в календаре, напомнит, догонит, вынесет в общий чат. Человек устает и не успевает, а машина нет.
И тут у меня, как у руководителя, странное ощущение. Потому что для меня это… скорее облегчение. Я по своему человекоцентричному типу склонна к пониманию, принятию (и как следствие попустительству). И там, где раньше я могла что-то забыть, не дожать или «ладно, потом», — теперь есть система, которая просто фиксирует договоренности. И мне напоминает. И второй стороне тоже.
В общем, для тех, кто раньше был и так дисциплинирован - это восторг, а тем, кто «сливался» с задач, - что ж, вызов его продуктивности.
А вот, что на самом деле захлопывает нас в ловушке скорости, так это культура nexting. Нам некогда радоваться победам, осмыслять опыт. Быть в покое - преступно. За одной главой, которую второпях прочли и думали, перелистаем на досуге, идет следующая глава. А потом следующая книга. Следующий вызов, задача, год. И всё, что дальше, должно быть мощнее, эффективнее, выше предыдущего. Выручка должна расти, эффективность должна расти, стрессоустойчивость должна расти! Несмотря ни на что!
Такие правила придумал не робот, а человек. Он нам тут покорный помощник. А всё остальное — в наших с вами белокурых и не только головах ❤️
@PhotoAttentionBot
🎯 PhotoAttention — проверь свою внимательность!
📸 Ведущий кидает фото в чат ➜ нейросеть придумывает вопрос и проверяет ответы 🏆 Кто первый ответит правильно — получает +1 очко 📊 Таблица лидеров и личная статистика 🔄 Можно перегенерировать вопрос, если что-то пошло не так
👉 Добавляй бота в группу и начинай игру: @PhotoAttentionBot
🔥 Устрой битву внимательности прямо сейчас!
#для_группы
@grupiks |⚡️Поддержать бустом⚡️
📘Y. Zeng et al., "GNSS Jamming and Spoofing Threats in UAV Navigation: Countermeasure Status and Challenges," in IEEE Communications Surveys & Tutorials, vol. 28, pp. 5909-5948, 2026.
К ранее выложенной статье авторов из Китая и США выкладываю их новейший обзор, посвященный помехозащищенности навигационных приемников БПЛА с переводом на русский язык.
Беспилотные летательные аппараты (БПЛА) стали незаменимыми как в гражданских, так и в военных целях. Однако их зависимость от глобальной навигационной спутниковой системы (GNSS) делает их уязвимыми для возрастающих угроз со стороны сложных атак с использованием помех и спуфинга. Эти угрозы серьезно ставят под угрозу безопасность полетов и выполнение задач, что требует разработки эффективных контрмер. Данный обзор предоставляет всесторонний анализ угроз помех GNSS, специфичных для навигации БПЛА, с акцентом на анализ атак с использованием помех и спуфинга, а также обобщает современные методы обнаружения и защиты от помех. Сначала мы рассматриваем принципы спутниковой навигации для БПЛА и определяем присущую сигналам GNSS уязвимость к помехам. Затем мы систематически исследуем существующие контрмеры, включая подходы, основанные на обработке сигналов, на антенных решетках и на искусственном интеллекте, подчеркивая их эффективность против помех и спуфинга. Несмотря на эти достижения, остаются значительные проблемы в обеспечении надежной навигации БПЛА в неблагоприятных условиях, особенно те, которые возникают из-за ограниченности ресурсов, ограниченной гибкости алгоритмов и отсутствия контрмер, специфичных для БПЛА. Для решения этих проблем мы предлагаем иерархическую структуру, которая объединяет надежный прием сигнала, интеллектуальную оптимизацию алгоритмов и взаимодействие на системном уровне. Эта структура предоставляет практические стратегии для повышения устойчивости навигационных систем БПЛА следующего поколения к сложным помехам.
#радионавигация #радиоуправление #РЭБ #нейросети
Всем привет, мои Чеширские котики 🐈⬛🌟 Я решила написать небольшую шпаргалку о том, как работают генеративные модели вроде GPT 🧬
Думаю важно уточнить❗️: в этой шпаргалке я почти не буду затрагивать обучение нейросети. Больше внимания уделю именно тому, как она генерирует ответы.
Для начала как вообще нейросеть воспринимает наш вопрос? Конечно же, она не видит просто слова, которые мы ей написали. Сначала текст разбивается на токены (кусочки слов или целые слова). Каждому токену присваивается вектор чисел🎲. Изначально эти векторы случайные, но во время обучения они сильно меняются и по итогу фиксируются.
Во время обучения модель смотрит на огромные объёмы текста и учится предсказывать следующий токен, находя закономерности между ними. После обучения у неё уже есть наборы весов(готовые "правила", по которым распределяются вероятности)⚖️
А теперь самое главное: что происходит, когда модель получает сообщение и готовится ответить? Получив сообщение, модель анализирует весь контекст целиком и текущее сообщение, и историю чата, если она есть.
Как происходит анализ? Для каждого токена строятся три основные вещи: запрос, ключ и значение. Если говорить понятнее, то: "что я хочу узнать от других токенов"🔎, "как меня можно найти"🗝 и "какую информацию я предлагаю"🧩
Далее каждый токен сравнивает свой запрос с ключами остальных токенов. Это сравнение происходит через скалярное произведение модель измеряет, насколько хорошо запрос одного токена совпадает с ключом другого👥.
Например: в предложении "мама ела кашу" токен "ела" сильнее всего обратит внимание на "мама" (кто выполняет действие) и на "кашу" (что является объектом). В этом процессе каждый токен обновляет своё состояние, становясь смесью информации от остальных токенов с учётом их важности.
Для этого модель сначала превращает оценки схожести в веса внимания☝️ Затем с помощью специальной нормализации делает так, чтобы все веса в сумме давали единицу и были положительными. И только после этого вычисляет итоговую взвешенную сумму значений от других токенов.
В итоге: "мама" узнаёт возможные действия и объекты, "каша" кто её ест, а "ела" кто участвует в процессе и что именно происходит. То есть нейросеть будто видит общее значение фразы, но "с разных ракурсов"📷
Естественно, всё это происходит параллельно в нескольких потоках🧠 обычно от 8 до 128. Если бы вычисления шли строго по очереди, генерация ответа занимала бы слишком много времени.
Как модель определяет близкий контекст? После обучения для каждого токена формируются массивы чисел (из запросов и ключей). Близость считается по схожести этих массивов: чем они более похожи, тем сильнее токены связаны🪢 в текущем контексте.
Как генерируется ответ? ✒️ Когда представление сформировано, нейросеть не перебирает всю свою базу знаний. Вместо этого она вычисляет наиболее вероятный следующий токен в рамках представления которое сформировала ранее.
Сам ответ создаётся по одному токену: новый токен добавляется в контекст, весь контекст пересчитывается заново, и процесс повторяется. Проще говоря, при каждом сообщении модель получает историю диалога📖 и строит ответ с учётом всей этой истории📝
Именно поэтому новые модели работают с контекстом гораздо лучше старых, до появления трансформеров🤔 Они просто могут улавливать связи между словами на гораздо большем расстоянии.
Ещё это объясняет, почему джейлбрейкнутый чат😈 продолжает работать даже после долгого общения с моделью. Однако если ввести тот же самый джейлбрейк в новом чате, он, скорее всего, будет сразу заблокирован цензурой.
И конечно, возможности модели не безграничны. У неё есть ограничение на размер контекстного окна сколько токенов она может одновременно обрабатывать. Когда новые модели только появлялись, с этим было получше. Но сейчас из-за экономии компании сокращают количество доступных токенов💲(особенно в бесплатных версиях, в платных с этим гораздо лучше). Поэтому контекстное окно становится всё меньше...😥
#ai #llm #transformers #GPT #attention_mechanism #neural_networks #tokenization
Hello everyone, my Cheshire cats 🐈⬛🌟 I decided to write a little cheat sheet about how generative models like GPT work.
I think it's important to clarify❗️: I will hardly touch on neural network learning. I'll pay more attention to exactly how it generates responses.
How does the neural network perceive our question? Of course, she doesn't see the words we wrote to her. Text is divided into tokens (pieces words or whole words). Each token is assigned a vector of numbers🎲. Initially, these vectors are random, but during training they change a lot and are eventually fixed.
During training, the model learns from lot of text to predict the next token by finding patterns between them. After training, she already has sets of weights (ready-made "rules" according to which probabilities are distributed)⚖️
What happens when a model receives a message and prepares to respond? After receiving the message, the model analyzes the entire context, both the current message and the chat history, if any.
How does the analysis work? Three basic things are built for each token: query, key, and value. To put it more clearly, "what do I want to learn from other tokens"🔎, "how can I be found"🗝, and "what information do I offer"🧩
Next, each token compares its request with the keys of other tokens. This comparison takes place through a scalar product. The model measures how well a query for one token matches the key of another👥
For example: in the sentence "mom ate porridge" the "ate" token will most strongly pay attention to "mom" (who performs the action) and "porridge" (what is the object). Each token updates its state, becoming a mixture of information from the rest of the tokens, taking into account their importance.
To do this, the model first turns similarity scores into attention weights☝️ Then, using softmax, it makes sure that all the weights add up to one and are positive. And only after that it calculates the total weighted sum of values from other tokens.
As a result: "mom" learns possible actions and objects, "porridge" who eats it, and "ate" who participates in the process and what exactly happens. In other words, the neural network seems to see the general meaning of the phrase, but "from different angles"📷
Naturally, all this happens in parallel in several threads🧠, usually from 8 to 128. If the calculations were done strictly in turn, it would take too long to generate the answer.
How does the model determine the close context? After training, numbers arrays (from queries and keys) are generated for each token. Proximity is calculated based on the similarity of these arrays: the more similar they are, the more closely the tokens are connected🪢 in the current context.
How is the response generated? ✒️ When the representation is formed, the ai does not go through its entire knowledge base. Instead, it calculates the next token within the representation.
The response itself is created using a single token: a new token is added to the context, the entire context is recalculated, and the process repeats. Simply put, with each message, the model receives the history📖 of the dialog and builds a response based on this entire history📝
That's why the new models work with context much better than the old ones, before the advent of transformers🤔 They can just pick up the connections between words at a much greater distance.
It also explains why jailbroken chat😈 continues to work even after a long conversation the chat. However, if you enter the same jailbreak in a new chat, it will most likely be immediately blocked by censorship.
The possibilities of the model are not unlimited. It has limit on the size of the context window, how many tokens it can process at the same time. When the new models first appeared, it was better. But now, due to savings, companies are reducing the number tokens💲 available (especially in the free versions, it's much better in the paid versions). Therefore, the context window is getting smaller...😥
#ai #llm #transformers #GPT #attention_mechanism #neural_networks #tokenization
Выгоревший айтишник окончательно ушел работать на стройку и стал счастлив — история обычного парня завирусилась в сети.
Работая в айти, он понял, что устает от попыток заставить себя работать — он ненавидел кодить и из-за прокрастинации приходилось доделывать задачи по выходным. Ещё скучнее ему стало, когда появились нейросети.
Сейчас он работает кровельщиком, попав на работу с первого собеседования. Он чинит крыши и наслаждается физическим трудом без выгорания.
При этом его часовая ставка даже выросла.
@investingcorp
Прежде чем активно погрузиться в запрашиваемые темы, поделюсь занятным наблюдением: поймала себя на мысли, что последние месяцы регулярно общаюсь в основном с нейросетями, коллегами по трудовому цеху и просто интересующимися, которые могут 40 минут обсуждать A/B тест и считать это хорошим вечером 😌
И пусть внешний мир уже почти безнадёжно со мной попрощался, я вам, в свою очередь, категорически рекомендую периодически вылезать из своих табличек, созвонов и бесконечных обсуждений того, почему метрика опять не сходится.
И у меня таки есть подходящий вариант - Product Camp 🏕️ : судя по описанию, там обещают собрать приличную концентрацию людей, которые добровольно выбрали себе карьеру в продуктах, аналитике и прочих формах цифрового мазохизма.
В темах заявлены AI и его друзья, продуктовые кейсы, карьерные истории и многое другое, что обычно вызывает самые жаркие дискуссии как в рабочих чатах, так и за их пределами.
Так что ежели давно хотелось проветрить голову, познакомиться с коллегами по цеху и ненадолго выйти из режима «посмотрю запись на х2 и хватит», то выглядит как очень достойный вариант 😌
Подавляющее число айтишников Циана полностью перешли на нейросети — Директор по информационным технологиям Максим Радюков рассказал на Tadviser SummIT, что 75% разработчиков юзают ИИ. Более того, уже 35% всего кода для них пишут нейронки. ИИ в Циане используют…
AI-анализ внешности с Exine AI
Теперь можно не гадать подойдет стрижка или нет. Нейросеть анализирует ваше фото и показывает, какие причёски лучше подчеркнут образ.
Просто откройте Exine AI: → выберите раздел для генерации изображений → GPT Image 2 → загрузите фото
Промпт:
Сделай инфографику «Анализ внешности и рекомендации» для девушки с этого фото. Используй реальное портретное фото как основной элемент, без рисованной схемы. Добавь блок с анализом внешности: форма лица, глаза, лоб, скулы, линия челюсти, волосы и другие ключевые черты. Добавь блок «Вам подходит» с рекомендациями по длине волос, укладкам, пробору, текстуре и другим подходящим решениям. Покажи блок «Самые выигрышные прически» — 6 вариантов с натуральной визуализацией этой же девушки и коротким пояснением, почему каждая подходит. Всё лаконично, профессионально, только на русском языке. Дизайн — светлый, минималистичный, в стиле бьюти-борда
🔗 Mini-App Exine AI
Я наконец собрал то, что два года считал невозможным!
Нормальный автоматический аудит кабинета Wildberries с ИИ!🔥
Не “спросить у ChatGPT, что не так с кабинетом”. С этим как раз ничего не изменилось: через обычный чат нормальный аудит WB сделать нельзя.
Но теперь это стало возможно другим способом.
Не через магию. Не через один супер-промпт. И не через “нейронка сама всё решит”.
А через управляемую ИИ-систему: с файлами, этапами, проверками, доказательной базой и итоговыми отчётами. И это не сложно!
Я открываю первый доступ к этой системе.
Это не разовый аудит от меня. Не облачный сервис. Не подписка. Не мастер-класс по промптам.
Система ставится на ваш компьютер. Вы учитесь её запускать и дальше можете использовать на своих кабинетах или на кабинетах клиентов.
Аудиты, сделанные с помощью системы, продавать можно. Саму систему передавать, копировать, перепродавать или отдавать другим людям нельзя.
Что она помогает делать:
- разбирать воронку; - смотреть остатки и дефициты; - проверять рекламу; - собирать отзывы и вопросы; - анализировать карточки и конкурентов; - находить слабые места первого фото; - готовить ТЗ дизайнеру; - собирать гипотезы для обложек; - формировать доказательную базу; - делать итоговые отчёты.
И главное: это уже не уровень “нейросеть что-то красиво сказала”.
Хороший аудит WB должен показывать, откуда взялся вывод.
Если данных мало — система не должна выдумывать. Если нет маржинальности — не должна делать вид, что знает прибыльность рекламы. Если кабинет большой — не должна притворяться, что глубоко разобрала 300 карточек подряд.
Сначала данные. Потом этапы. Потом ограничения. Потом выводы.
И только после этого — решения.
Доступ и обучение открываю 3 июня 2026 года.
После входа будут инструкции, записи, живой созвон, чат поддержки и окно разумных доработок по логике аудита Wildberries до 3 июля.
Если хотите зайти в первый запуск — напишите мне в личку слово «система». Вот здесь писать 👉 @barminov_oleg В личке отправлю подробности, цены, условия оплаты и что вы получите после входа.
Главная особенность 99% специалистов в сфере услуг (а значит, и бизнесов) в том, что они способны решать только простые проблемы.
Например, к большинству врачей со сложной проблемой идти бесполезно - не смогут ничем помочь и будут стараться избавиться от такого клиента. Потому что простой клиент им принесёт столько же денег при меньших личных затратах энергии. Специалист по ремонту ТВ не будет сидеть 4 часа и кумекать, как решить ту или иную проблему. Ему проще пойти и за это время обслужить два простых заказа. И денег получит он при этом вдвое больше. И это я говорю про "востребованных" специалистов, которым маркетолог льёт много лидов, или которые могут решать хотя бы простые проблемы и потому к ним идут / их вызывают. Про остальных можно не говорить.
К чему это приведет? Все простые случаи / проблемы - повторяемы регулярно, сильно изучены, "лечатся" по стандартным протоколам. Что это означает? Это означает, что все такие проблемы конкретно и подробно описаны, как и способ их решения - а значит, легко будут "автоматизированы" через ИИ.
Да, некоторые регионы сейчас уже пытаются это запретить (например, то же лечение или психотерапию через ИИ), но уже сегодня многие люди предпочтут "спросить у ChatGPT". Да, это отрегламентируют государства, но это уже не остановить.
Все простые функции, решающие простые (массовые) проблемы населения и компаний, будут выполнять нейросети / ИИ.
Прежде всего это коснется медиков, психологов, юристов, бухгалтеров, маркетологов, обычных репетиторов и так далее. Но самый массовый сегмент, который в итоге "закроет" ИИ, это чиновники - государственные служащие, чьи функции описаны от и до, которые выполняют работу "по шаблону".
Тут сокращение государственного аппарата составит в будущем до 90% от общей численности. Это уже будущее ближайших 10-20 лет.
Технически это можно сделать прямо завтра, но будут делать постепенно. Чтобы не повышать безработицу слишком резко и самым приятным / верным электоратом.
Наши внуки уже будут наблюдать следующую волну ИИ-низации: сокращение и замена на роботов силовой части государственного аппарата - которая не предаст, не ослушается и не будет ждать постоянного роста зарплат, чтобы сохранять "верность".
Специалистов же среди медиков, юристов ... заменят уже в ближайшие годы.
Кто сохранит работу и бизнес? Какой бизнес не умрёт, составив конкуренцию ИИ?
Тот, который будет решать сложные проблемы клиентов. Ключевое - будет решать (а не как сейчас: просто время клиента тратить и хлопать глазами в конце, прося деньги "за диагностику" и нерешенную проблему).
Ну, и руки. Руки будут нужны те, которые смогут залезть под нестандартно установленный унитаз, кухонный гарнтирур или кондиционер.
Всё "стандартное", "обычное", массовое заменят очень быстро. Если энергии хватит.
| подписывайтесь на @ecworldai | нейросети (AI)
Реальные потребности и ожидания от искусственного интеллекта.
Когда мы начали заниматься нейросетями два с половиной года назад, мы быстро увидели результат. Ускорили работу команды, увеличили объёмы, освободили время и поняли важную вещь: искусственный интеллект помогает ускорять рост. 🚀
Можно расти без увеличения штата, повышать прибыль, быстрее двигаться вперёд и открывать для себя новые возможности.
Сегодня у меня завершается корпоративное обучение в одной компании, после которого будет интеграция искусственного интеллекта в рабочие процессы. И по итогам этой работы я могу зафиксировать следующее наблюдение.
Мы все видим текущую экономическую ситуацию. И если раньше на первом месте стояла идея ускорения роста и увеличения прибыли с помощью ИИ, то сейчас на первый план выходит другая задача.
Сокращение издержек и оптимизация работы.
Признаюсь, это не совсем совпадает с тем, как я всегда смотрел на искусственный интеллект. Для меня он был инструментом расширения горизонтов, способом увидеть больше возможностей, шире смотреть на управление и развитие бизнеса. Но реальность подсказывает другое.
Как бы я ни говорил о том, что искусственный интеллект помогает создавать новое, искать нестандартные решения и выходить на следующий уровень, сегодня первой задачей для большинства компаний становится именно оптимизация рутины и сокращение издержек⚙️
Автоматизировать процессы, убрать лишние действия, сократить потери времени, снизить нагрузку на сотрудников.
И только часть компаний после этого сможет перейти на следующий уровень. Туда, где искусственный интеллект уже становится инструментом роста, развития и создания новых возможностей.
Я не унываю. Просто стараюсь честно передавать свой опыт и наблюдения.
Наверное, сейчас я уже не с таким рвением готов говорить: «Давайте расти с помощью искусственного интеллекта». Теперь я бы сказал иначе:
Сначала давайте оптимизируем рутину. Давайте поймём, как это работает, увидим результат. А потом сразу сделаем следующий шаг и начнём использовать искусственный интеллект для развития и движения вперёд. 💡
Потому что в непростые времена выживают те, кто действует.
Действуйте, друзья!
⚡️ Machine Learning Roadmap 2026: большая карта входа в ML без сказок про “нейросети за месяц
Большой русскоязычный roadmap по машинному обучению: от первого import numpy до LLM, RAG, fine-tuning, AI-агентов и MLOps и даже вабкодинга.
Внутри нормальная структура: что учить, в каком порядке, зачем это нужно и что должно получиться на практике после каждого этапа.
Roadmap разбит на 7 треков:
1. Фундамент: Python, математика, статистика, инструменты 2. Классический ML: scikit-learn, табличные данные, метрики, валидация 3. Deep Learning: PyTorch, CNN, RNN, training loop 4. LLM и трансформеры: attention, KV-cache, RAG, LoRA, агенты 5. Generative AI: изображения, видео, аудио, мультимодальность 6. MLOps и прод: Docker, Kubernetes, CI/CD, monitoring, serving 7. Специализация: CV, NLP, RecSys, RL, Safety
Roadmap не продаёт иллюзию “обучил модель - стал ML-инженером”.
В реальной работе много времени уходит на данные, метрики, деплой, мониторинг, воспроизводимость и разбор ошибок. Модель - только часть системы.
Хорошая мысль из roadmap: LLM не делает джуна сеньором. Она ускоряет того, кто уже понимает базу. Без базы человек просто становится оператором Copilot, который не может объяснить, почему всё сломалось.
По времени тоже без сказок:
1. 0-3 месяца: математика, классический ML 2. 3-6 месяцев: Deep Learning и PyTorch 3. 6-12 месяцев: LLM, RAG, fine-tuning, AI-агенты 4. 12+ месяцев: MLOps, прод, масштабирование, специализация
Тут же собрано 7 болших бесплатных курсов по машинному обучению, математике и вайбкодингу!
Если давно хотели зайти в ML системно, а не прыгать между роликами про ChatGPT, Stable Diffusion и “топ-10 библиотек”, это хороший ориентир.
https://github.com/justxor/MachineLearningRoadmap
Применительно к юриспруденции есть и другие важные вопросы: а как ваша нейросеть будет говорить комплименты помощникам судьи или пить с клиентами пиво?
Компании урезают ИИ-бюджеты из-за резкого роста незапланированных трат
Крупный бизнес начал массово пересматривать расходы на внедрение искусственного интеллекта из-за отсутствия реальной финансовой отдачи. Об этом со ссылкой на опрошенных ИТ-консультантов и руководителей технологических компаний сообщает издание Axios. Бизнес столкнулся с резким ростом счетов за ИТ-инфраструктуру на фоне минимального роста производительности труда сотрудников.
Microsoft отменила большую часть корпоративных лицензий на ИИ-инструмент Claude Code из-за высоких расходов, а в Uber назвали затраты на нейросети труднообъяснимыми. По данным источников, один из клиентов консалтинговых фирм потратил полмиллиарда долларов за один месяц, так как руководство не установило лимиты на запросы сотрудников. Часто работники тратят дорогие ИИ-токены на бытовые задачи вроде проверки погоды.
Что почитать на выходных? Подборка полезных статей
Обучение должно быть не формальностью, а рабочим инструментом. Поэтому в блоге ЦППК мы регулярно разбираем темы, которые помогают специалистам, руководителям и компаниям лучше ориентироваться в требованиях, технологиях и практиках безопасности.
На нашем сайте уже более 200 полезных материалов - от охраны труда и первой помощи до искусственного интеллекта и защиты информации.
🔹 Требования к операторам персональных данных в 2026 году 🔹 Игровые методы в обучении по охране труда: андрагогика, МАК-карты и пр. 🔹 Искусственный интеллект и беспилотники 🔹 Как внедрить культуру безопасности на предприятии 🔹 7 главных ошибок при оказании первой помощи 🔹 Qwen: полный гид по универсальной нейросети 2025–2026 года 🔹 Обучение по работе с документами ДСП и паспортом безопасности
🔗Полная база материалов доступна на нашем сайте
Читайте, сохраняйте и делитесь с коллегами - полезные знания должны работать на практике.
Отбой классическим дипломным работам
Глава Минобрнауки Фальков допустил их полную отмену в вузах. Причина — тотальное засилье нейросетей. За три года доля текстов от ИИ в дипломах выросла с 9% до 42%, а на IT-специальностях доходит до 60% и выше.
Выяснилось, что нейросети научились писать лучше студентов, а их тексты зачастую выигрывают призовые места в научных конкурсах, оставляя работы реальных людей позади.
Фальков предлагает вернуться к проверенному веками формату — устным экзаменам.
Федерация помогающих профессий принимает подобное решение, но считает его слишком поспешным, так как сама инициатива выглядит не как смелый шаг в будущее, а как отступление.
Логичнее научить студентов пользоваться мощным новым инструментом, вместо ограничений в его применении. Это напоминает борьбу с калькуляторами на экзаменах по математике в 70-е годы прошлого века, только в гораздо более масштабных масштабах.
Как считаете - ИИ бич времени или спасение для образования?
👉 Федерация помогающих профессий в МАХ
Apple превратит Siri в полноценного чат-бота
Инсайдеры Bloomberg раскрыли детали крупнейшего за 15 лет обновления голосового помощника Siri накануне июньской конференции WWDC. В новой операционной системе iOS 27 ассистент получит полный визуальный редизайн. Сервис глубоко интегрируют в панель Dynamic Island. Пользователи смогут вызывать его новым жестом — свайпом вниз от центра верхней границы экрана.
Новая Siri сможет отвечать на сложные вопросы, работать с файлами и фотографиями, а также сохранять историю чатов. В основе обновленного помощника лежит технология Gemini от Google. При этом пользователи получат возможность перенаправлять свои запросы в другие популярные нейросети — ChatGPT и Claude — через простое выпадающее меню.
Тестирование бета-версии начнется сразу после презентации, а официальный релиз запланирован на сентябрь этого года вместе с выходом iPhone 18 Pro.
🔥 Вышел новый Opus 4.8.
Выход опус 4.5 в ноябре 2025 сильно повлиял на мои рабочие процессы. Примерно с этого момента я ушел в "рабочий запой", который продолжается до сих пор. И вот каждое обновление модели дополнительно бустит все мои процессы.
Сейчас у меня 2 подписки Max Pro и я выгребаю их за месяц полностью, упираясь в сессионные, недельные и месячные лимиты. Надеюсь 4.8 будет как то экономнее думать. Сейчас всю работу перебросил Claude Code и немного GTP Codex и я там почти не пишу никаких скриптов. Контент, аналитика, исследования ниш и т.д. - все только там.
За последние пол года поменялась вся механика работы с нейросетями. Серьезно что то делать внутри чата - это устаревший подход. Тот же опус никогда не раскроется в чате так круто как на десктопе в Claude Code.
Планирую через пару недель запилить видос с моим текущим подходом к работе с нейронками и почему чатовая работа устарела.
Вы этого очень ждали 👀
И я наконец-то могу выложить этот пост, в понедельник стартует новое обучение по генерациям через ноды⚡️
Старт: 01 июня Стоимость этого потока: 19.000₽ → 11.900₽
Что внутри:
• 18 уроков • AI-фото и видео • коммерческие генерации • AI-аватары • работа с брендами и товарами • сериальный контент • ноды и контент-системы • JSON-промпты • стабильные серии изображений и видео • как и где искать клиентов в 2026 году _____ Все подробности и программа тут➡ https://www.artways.ru/2026
Самое главное:
➡️это обучение не про сделать одну красивую генерацию
Оно про то, как в 2026 году делать: ➡️стабильный результат ➡️коммерческий AI-контент ➡️ серии изображений ➡️ системные генерации ➡️ визуал, который не выглядит “нейросетевым”
🎁 И да — у всех учеников этого потока БОНУС:
10.000 токенов для генераций внутри платформы Nodefy (включая Nano Banana, Seedream, Kling, Veo и другие нейросети)
Чтобы во время обучения можно было спокойно делать все практические домашки, а не просто смотреть уроки в теории.
Если ты давно чувствуешь, что хочешь наконец спокойно разобраться в ИИ без хаоса и бесконечных перегенераций — сейчас очень идеальный момент.
Все подробности и программа тут➡️ https://www.artways.ru/2026
➡️Вопросы по обучению можно задать тут: @artwayssupport
