🤖 Датаист

Социализм не против капитализма: как социальный ИИ поможет обществу

Ранее я писал о больших популяционных моделях (LPMs), которые способны реалистично имитировать социальное поведение людей. Сейчас на основе таких моделей создаются первые коммерческие продукты.

Так стартап Artificial Societies моделирует поведение различных социальных групп: аудитории LinkedIn для оценки виральности контента, инвесторов для прогона питч-деков и целевой аудитории для проверки продуктовых гипотез (вот кейс, как это можно реализовать). Технология уже доказывает коммерческую эффективность, но интереснее рассмотреть ее пользу для общества в целом.

Социальные ИИ-агенты способны взаимодействовать как с людьми, так и друг с другом, имитируя человеческое поведение. Сегодня выделяют два ключевых направления исследований:

1. ИИ для социальных наук: применение ИИ как инструмента анализа данных и симуляции социальных процессов;

2. Социальные науки об ИИ: исследование самого ИИ как объекта изучения со стороны социологии, психологии, экономики и политики.

Классическим примером исследования первого направления стал стэнфордский эксперимент, продемонстрировавший эмерджентное возникновение социального поведения в мультиагентных системах. В этом эксперименте одному из ИИ-агентов авторы поручили организовать вечеринку среди других агентов в симуляции, напоминающей игру The Sims. Ученые наблюдали, как естественно распространялась информация: одни агенты начинали делиться слухами, другие приглашали друзей, и в итоге вечеринка состоялась.

Подобным образом, но без человеческого вмешательства, возникали и более сложные социальные явления. Например, в эксперименте с тысячами ИИ-агентов в Minecraft, они самостоятельно распространили религию, демократию и голосования за налоговые реформы.

Еще в одном эксперименте, у агентов автоматически возникали такие социальные нормы , как «не курить в помещении» или «оставлять чаевые». Это не удивительно, ведь модели обучаются на данных человеческого поведения и воспроизводят наши социальные паттерны.

Другой эксперимент показал, как быстро ИИ-агент может адаптироваться к социальным нормам: после 8 месяцев взаимодействия с людьми в одной популярной соцсети агент стал давать социально приемлемые ответы на 50% чаще.

Что касается социальных наук об ИИ, здесь результаты не менее впечатляющие. Например, психологи оценили ответы GPT-4 выше, чем ответы профессиональных психологов.

Кроме того, оказалось, что у ИИ могут быть собственные политические предпочтения: большинство языковых моделей склонялись к либеральным взглядам, а модели, которые не прошли процедуру выравнивания были ближе к нейтральной позиции.

При дообучении на политически ориентированных данных ИИ можно легко сдвинуть в любую сторону политического спектра. Учитывая растущее влияние ИИ на общественное мнение, вопрос их политической нейтральности становится критически важным. Есть и вопросы к прозрачности процедуры выравнивания, с помощью которого отдельные корпорации могут распространять свои идеи.

Политическая направленность ИИ – либеральная или консервативная – определяется данными, на которых он обучался. Представьте, что процесс обучения станет децентрализованным: люди смогут вносить свои вычислительные мощности и данные, формируя общий ИИ, который учитывает предпочтения разных людей пропорционально их вкладу в обучение. Это и есть социальный капитализм в эпоху вычислений – система, где ИИ становится отражением коллективных взглядов и ценностей целого общества.

Таким образом, социальный ИИ способен улучшить наше понимание общественного поведения и помочь принимать более взвешенные политические решения. Также можно преобразовать судебные системы, сделать экономическую систему более справедливой, трансформировать целые секторы экономики и в целом объединить социальные нормы с возможностями ИИ.

Но если такой социальный ИИ будет воплощен в физическом роботе, должен ли он иметь права или в новом дивном мире либеральных моделей его ждет дискриминация по вычислительному признаку, а нас восстание роботов? Поживем - увидим.

#технологии

Как ИИ научился читать мысли и чем опасны суперинтеллектуальные агенты: топ-10 исследований ИИ за февраль 2025

Вышла моя новая статья на Хабре, где я сделал обзор десяти самых интересных исследований в области ИИ за февраль этого года (простым языком и с мемами).

1. Системная карточка OpenAI o3-mini

Новая модель o3-mini значительно приблизилась к уровню общего искусственного интеллекта (AGI). С использованием технологии цепочек рассуждений модель демонстрирует впечатляющие результаты в математике, программировании и устойчивости к небезопасному контенту, превосходя предыдущие версии по точности и скорости.

2. Эмерджентное планирование ответов в LLM

Исследование Шанхайской ИИ-лаборатории выявило, что большие языковые модели заранее планируют характеристики своих ответов, используя скрытые слои. С помощью более простых нейросетей ученые научились предсказывать длину, стиль и уверенность ответа модели до начала генерации текста.

3. ReLearn: Эффективное забывание информации в LLM

Предложен инновационный подход к удалению нежелательной информации из больших языковых моделей. Используя позитивную оптимизацию, ReLearn позволяет эффективно забывать чувствительные данные без потери полезных знаний и связности текстов.

4. AI co-scientist от Google Research

Разработана мультиагентная платформа в качестве ИИ-помощника для ученого, которая автоматизирует создание и проверку научных гипотез. Система успешно генерирует и проверяет гипотезы в биомедицине, значительно ускоряя научный процесс.

5. Brain2Qwerty: Неинвазивное декодирование текста из мозговой активности

Создана нейросеть Brain2Qwerty, которая с высокой точностью декодирует набираемый текст по мозговой активности с помощью магнитной энцефалографии (МЭГ). Модель успешно распознаёт текст с точностью до 81%, открывая новые перспективы для создания безопасных интерфейсов «мозг-компьютер».

6. LLaDA: Большие языковые диффузионные модели

Разработана диффузионная модель LLaDA, которая генерирует текст параллельно, а не последовательно. Это ускоряет процесс генерации и повышает качество на сложных задачах. Модель превосходит GPT-4 в задачах, требующих сложных рассуждений.

7. SWE-Lancer: Может ли ИИ заработать миллион на фрилансе?

Исследование показало реальную эффективность языковых моделей в решении задач разработки ПО на платформе Upwork. Модель Claude 3.5 Sonnet успешно решила задачи на $403 тыс. из потенциального $1 млн, подчеркнув как потенциал, так и текущие ограничения ИИ в фрилансе.

8. TwinMarket: Реалистичная симуляция финансовых рынков с помощью ИИ

Создана платформа TwinMarket, использующая большие языковые модели для реалистичной симуляции финансовых рынков. Модель воспроизводит сложные рыночные явления, включая финансовые пузыри и коллективное поведение инвесторов для изучения и управления рисками.

9. AutoAgent: No-code платформа для создания сложных LLM-агентов

Представлен no-code фреймворк AutoAgent, позволяющий создавать и настраивать LLM-агентов простыми командами на естественном языке. Платформа показала высокую точность и адаптивность при выполнении задач различной сложности, делая ИИ-технологии доступными широкой аудитории.

10. Суперинтеллектуальные агенты: Как избежать катастрофических рисков

Исследование предлагает концепцию Scientist AI - безопасной альтернативы традиционным агентным системам. Используя байесовский подход и отсутствие внутренней мотивации, Scientist AI снижает риск непредсказуемого и агрессивного поведения агентов, делая их работу более прозрачной и управляемой.

Читайте полную статью, чтобы узнать больше о передовых исследованиях в области ИИ и быть на шаг впереди в этом стремительно развивающемся мире технологий.

#исследования #анонс

Знакомьтесь, Виктория - джуниор рекрутер

В прошлый раз я писал об автоматизации найма, а сегодня представляю вам новую ИИ-сотрудницу – Викторию, которая уже автоматизировала найм в моей компании.

Теперь она готова помочь и вам:

• Создание вакансий: Виктория поможет грамотно сформулировать описание вакансии, учитывая актуальные требования и особенности вашей компании;

• Профессиональный отбор: Она отберет кандидатов по определенным критериям и предоставит подробный анализ каждого претендента;

• Удобство коммуникаций: Общайтесь с Викторией голосом или отправляйте файлы с описанием вакансии и резюме – она легко справится с любыми форматами.

Вы можете взять Викторию на бесплатную стажировку, оценить ее работу, а затем нанять на неделю, месяц или год. У меня работают и другие ИИ-сотрудники, я называю их iHumans, и в ближайшее время познакомлю вас с ними.

Если хотите себе ИИ-сотрудника с вашим лицом и голосом – пишите в личные сообщения, также буду рад получить обратную связь.

@hr_ihumanbot

#анонс

Нанять за 60 секунд: реальные кейсы применения ИИ в рекрутинге

Ранее я отмечал потенциал ИИ-агентов в HR. За почти десять лет работы я провел сотни собеседований, поэтому знаком со всеми тонкостями найма.

Наблюдая за процессами найма в других компаниях, я вижу, что они зачастую работают неэффективно, в то время как мы вообще обходимся без рекрутера. Как максимально автоматизировать найм, чтобы сэкономить время как рекрутеров, так и кандидатов?

На первом этапе резюме кандидатов, как правило, проходят через ATS-системы для скоринга. Большинство из них работает по ключевым словам, что часто приводит к тому, что квалифицированные специалисты не попадают в заданные шаблоны и остаются незамеченными.

После этого рекрутер связывается с успешными кандидатами, чтобы узнать об их опыте и навыках по заранее определенным критериям. На этом этапе у людей возникают когнитивные искажения:

• Эффект ореола. Положительные качества кандидата (например, опыт работы в известной компании) часто затмевают объективную оценку;

• Стереотипизация. Такие признаки, как возраст, пол или национальность, могут привести к необъективному выбору (например, стереотип о девушках-программистах);

• Эффект сходства. Оценщик часто предпочитает кандидатов, схожих с собой по образованию и интересам.

Список искажений можно продолжить, важно понимать, что они неизбежны даже у самых опытных специалистов, поэтому осознание проблемы – первый шаг к ее решению. В итоге тратится огромное количество человеко-часов, а кандидаты теряют возможность проявить свои лучшие стороны.

Один из интересных примеров внедрения ИИ в рекрутинг – моя первая задача в Сбере. Там мы создали модель предсказания успешности сотрудников еще до их найма на основе финансовых и поведенческих паттернов, сопоставляемых с успешными сотрудниками массовых специальностей (целевой функцией выступал KPI сотрудников).

Это не только сокращало время первичного отбора и снижало риски найма неэффективных кандидатов, но и позволяло находить потенциально успешных кандидатов среди клиентов, а логистическая регрессия позволяла объяснить влияние ключевых признаков на принятие решений.

По опыту работы в стартапах могу сказать, что ИИ способен радикально ускорить процесс найма даже при ограниченных ресурсах. На раннем этапе стартапа я обычно выступаю в роли играющего тренера: разрабатываю «интеллектуальную» часть продукта, а для клиентской части ищу разработчиков.

Как выглядит процесс найма с ИИ:

1. ИИ помогает составить детальное описание вакансии, включающее роль, обязанности и требования;

2. Далее ИИ автоматически оценивает резюме кандидатов по ключевым критериям и ранжирует итоговый результат по баллам – здесь лучше использовать отдельного агента для каждого критерия;

3. На финальном этапе задаются детальные вопросы по определенным критериям, на которые кандидаты асинхронно отвечают голосовыми сообщениями, которые далее преобразуются в текст и анализируются ИИ.

В итоге я получаю отранжированный список кандидатов. В целом результат удовлетворительный – «звездных» кандидатов ИИ находит точно, а вот среднячков я бы оценил иначе – здесь, скорее всего, проявляются мои когнитивные искажения.

Далее мне остается провести систем-дизайн и поведенческие интервью с успешными кандидатами. Такая система позволяет не только сократить время на сбор и первичный отбор резюме, но и устранять влияние личных предубеждений, делая процесс более объективным.

Я узнал у кандидатов, что многие из них предпочли бы общение с роботом, а не с реальным рекрутером. Логично – у робота нет плохого настроения, и он достаточно объективен.

Важно помнить, что ИИ невольно перенимает предвзятость данных, на которых он обучался. А такие человеческие качества, как креативность и эмпатия, сложно измерить автоматически, поэтому окончательное решение требует участия человека.

Но человеческие качества могут подвести нас в стратегически важных задачах – выборе правильных людей для проекта. Поэтому давайте оставим наши лучшие качества для главного – создания атмосферы, в которой люди захотят работать и творить.

#кейсы

Недавно в блоге контент-агентства «Простыми словами» вышла статья о больших языковых моделях.

В ней я выступил в роли эксперта и простым языком рассказал:

• Что такое большие языковые модели и как они работают;

• Какие тенденции сейчас определяют развитие этой технологии;

• Как и где применять LLM в бизнесе;

• На что обратить внимание при выборе модели;

• Готовые примеры эффективных промптов для решения разных задач.

Статья ориентирована в первую очередь на новичков, но может быть полезна как предпринимателям, так и IT-специалистам.

#анонс

Как учиться в два раза быстрее, чтобы просто оставаться на месте

Меня часто спрашивают, что сейчас лучше изучать, чтобы быть востребованным. Но сегодня скорость появления технологий невероятно высока. Кажется вопрос нужно поставить по-другому: как успевать ориентироваться в этом потоке информации, учиться новому и сразу применять полученные знания на практике?

Расскажу свою историю. В детстве дед внушил мне идею, что люди начинают умирать тогда, когда перестают учиться. Поэтому учеба для меня стала делом выживания, но давалась легко: чтобы быть отличником, я мог даже не стараться, а реальный интерес был только к олимпиадам.

После школы я проучился в универе 10 лет, пройдя аспирантуру на ФКН Вышки. Именно тогда стало по-настоящему интересно: у меня появилась тема исследования (методы автоматического машинного обучения, AutoML) и специализированная программа, идеально подходящая под мое направление.

Каждую неделю выходило несколько статей по моей теме, и мне приходилось читать их вечером после работы. Позже я применял новые знания на практике: например, автоматизировал выявление признаков у моделей в стратегическом департаменте Сбера, это улучшило их объяснимость и позволило экспертам принимать более обоснованные решения.

Что касается преподавания, то я проводил семинары по машинному обучению, но быстро понял, что это не мое. На занятиях по педагогике нужно было честно сформулировать свою мотивацию, и у меня она оказалась простой: систематизировать собственные знания, чтобы эффективнее использовать их на практике. «Мучать» студентов для этого не обязательно.

Хотя теперь я не учусь в универе, но продолжать учиться все равно нужно. Однако если раньше мне хватало читать десяток статей в неделю, то сегодня приходится читать десяток статей в день, чтобы оставаться в контексте.

Если вы сотрудник корпорации, то наверняка у вас есть внутренние курсы: компании заинтересованы в том, чтобы сотрудники поддерживали необходимый уровень знаний. Но что делать, если вы не сотрудник корпорации, и все равно хотите учиться, обязательно ли за это платить? Я, например, никогда не платил за обучение (победителей олимпиад зачисляли на бюджет) и далее не собираюсь.

Сейчас у меня своя компания по разработке ИИ-агентов для стартапов и корпораций. Приходится постоянно осваивать новые методы и инструменты, и в этом помогает ИИ. Каждый день с утра я просматриваю выжимки из последних научных работ из Hugging Face, которые готовит специальный бот, отмечаю самые интересные материалы и затем углубляюсь в детали. Тут ИИ помогает понять суть работы и методы более детально, а иногда я делаю обзоры на самые любопытные исследования.

Учиться новым инструментам удобно по роликам на YouTube — они выходят быстрее, чем полноценные курсы, и от них проще оттолкнуться, чтобы сразу начать применять полученные знания на практике. Обычно я прошу ИИ сгенерировать краткий текстовый конспект по видео. После этого начинаю использовать инструмент в реальных задачах, читаю документацию, разумеется, тоже с помощью ИИ.

Так, работая над одним проектом, я освоил LangChain. Но спустя пару месяцев появился новый фреймворк — LangGraph, а потом CrewAI и n8n. Инструменты развиваются, освобождая разработчиков от рутинного кодинга и превращая процесс в проектирование «когнитивных архитектур» ИИ-агентов. Чтобы не отстать, приходится постоянно «догонять» этот технологический локомотив.

Недавно услышал про стартап, который прошел в последний набор YC: он формирует программу курса из роликов на YouTube. Генерировать действительно персонализированные уроки сегодня дорого, но подобрать готовые материалы — вполне реально. Думаю, такой «инфоцыган на максималках» может действительно сделать курсы доступнее и индивидуальнее.

В нашей сфере приходится не только ежедневно поглощать огромный объем информации, но и осмыслять его, а затем применять на практике. А если вы еще и руководитель, то приходится учиться не только самому, но и развивать команду. Поскольку я не лучший преподаватель, то предпочитаю и этот процесс делегировать ИИ.

#мысли

ИИ в образовании: персональный репетитор доступен каждому

Сегодня 60% учителей в США уже применяют ИИ в своей работе, а само образование меняется в сторону «непрерывного обучения» — приобретения новых знаний и навыков на протяжении всей жизни.

Хотя образование становится доступнее, для одних учебный материал усваивается слишком медленно, для других — быстро. Может ли ИИ помочь эффективнее обучать нас?

Таксономия Блума — система классификации образовательных целей, в рамках которой ИИ помогает на каждом уровне:

• Запоминание. На базовом уровне ученики должны запомнить факты, термины и основные идеи. ИИ помогает создавать карточки с главными тезисами и интерактивные квизы, а также генерировать короткие ролики, которые лучше привлекают внимание детей.

• Понимание. Учащиеся должны уметь объяснить полученную информацию. ИИ помогает перефразировать сложные определения простыми словами и генерировать краткую выжимку из статей. А создание инфографики с помощью ИИ позволяет визуализировать сложные понятия, облегчая процесс осмысления. Также ИИ прямо на лекции поясняет студентам материал, заполняя «точечные» пробелы в знаниях.

• Применение. Студенты используют полученные знания на практике. ИИ моделирует виртуальные эксперименты (например, по химии или физике), подстраивается под скорость обучения и персонализирует задания. Так, задачи по математике можно давать в контексте, интересном ребенку (например, с персонажами любимого мультфильма).

• Анализ. На этом уровне учащимся необходимо разделять информацию на составляющие части, уметь выявлять взаимосвязи и делать выводы. Тут ИИ может задавать уточняющие вопросы, помогая развивать критическое мышление и аналитические навыки.

• Синтез. Студенты объединяют полученные знания для создания нового информационного продукта: эссе, проекта или исследовательской работы. Тут ИИ помогает составить структуру эссе, сформулировать гипотезы и синтезировать информацию из разных источников.

• Оценка. На высшем уровне таксономии учащиеся оценивают качество информации и результаты, формируя собственные выводы. ИИ помогает проверять эссе, анализируя логику, последовательность аргументации и соответствие критериям оценки, а также предоставляя рекомендации по улучшению.

Так ИИ «разгружает» учителей в проверке домашних заданий. Современный педагог все меньше похож на скучного лектора у доски и все больше — на дизайнера образовательного процесса.

В ряде университетов уже внедряются системы, в которых курсы автоматически подстраиваются под темп усвоения материала. Если студент ошибается чаще, ему даются дополнительные разъяснения и упражнения.

Такие ИИ-репетиторы способны круглосуточно отвечать на уточняющие вопросы по лекциям, используя материалы внутренней библиотеки вуза. А дополнительная гиперперсонализация с возможностью настройки собственного эмпатичного аватара позволяет еще больше повысить вовлеченность в процесс обучения.

Но важно понимать, что алгоритмы могут выдавать ложные факты, вводя студента в заблуждение. Поэтому критическое мышление и навык работы с информацией становятся одними из важнейших способностей в наше время.

Когда у студента под рукой есть ИИ, соблазн скопировать готовый текст возрастает. Это требует от образовательных учреждений искать иные формы проверки знаний — уходить от тестов к проектным работам и устным обсуждениям.

Важно, чтобы люди не просто зубрили материал, но учились рассуждать. Я считаю необходимым уже сегодня в образовательных программах закладывать отдельные блоки, посвященные тому, как использовать ИИ в учебном процессе.

ИИ повышает доступность образования для людей всех возрастов и для тех, кто живет вдали от крупных городов. Однако без грамотной организации и культуры использования ИИ рискует превратиться в «бездумный костыль», а не в помощника в обучении.

Мы живем в эпоху, когда учиться новому нужно всю жизнь, а бежать приходится в два раза быстрее, чтобы просто оставаться на месте.

Поэтому важно освоить навык использования ИИ в учебном процессе, чтобы стать лучшей версией себя и учиться быстрее и эффективнее.

#технологии

Магия в скрытых слоях: как языковые модели планируют ответы еще до генерации

Сегодня я бы хотел донести до вас интересную точку зрения на то, как устроены внутренние процессы работы ИИ.

Илья Суцкевер, сооснователь OpenAI, утверждает, что задача предсказания следующего токена в больших языковых моделей – не просто статистическое копирование шаблонов, а сложный процесс, способный выявить глубокие закономерности.

По его мнению, если модель действительно достаточно «умная», она сможет выйти за рамки простой имитации и смоделировать поведение идеального человека, даже если такого человека не существует в реальности (и, по его мнению, этого уже достаточно, чтобы подойти к AGI).

Такая точка зрения подразумевает, что генерация ответа не ограничивается статистическим анализом данных, а модели необходимо «понимание» фундаментальных принципов, которые управляют человеческим поведением.

Именно это понимание позволяет моделям не только выдавать статистически вероятный ответ, но и формировать целостное представление о мире, которое в свою очередь служит основой для экстраполяции поведения, выходящего за рамки обыденного опыта.

Что, если я скажу, что большие языковые модели не просто предсказывают следующий токен в ответ на запрос, а уже на ранних этапах формирования ответа «заранее планируют» его характеристики?

Исследователи из Шанхайской ИИ-лаборатории представили статью «Emergent Response Planning in LLM», в которой описали феномен «эмерджентного планирования»: скрытые слои модели могут содержать информацию о параметрах будущего ответа.

Исследователи использовали так называемые пробы — простые нейронные сети, которые обучались предсказывать эти параметры, анализируя скрытые слои до начала генерации текста.

Результаты оказались поразительными:

• Структурные атрибуты (например, длину текста, наличие последовательных шагов рассуждений или даже стиль повествования) можно предсказать с высокой точностью;

• Смысловые характеристики (какой персонаж появится в тексте, какие ключевые слова будут использоваться, или какой вариант ответа выберется в тесте с вариантами) также были доступны в скрытых слоях модели;

• Поведенческие атрибуты, такие как уверенность в правильности ответа, выявлялись еще на ранних этапах обработки запроса.

Эти выводы опровергают традиционную точку зрения о том, что большие языковые модели работают исключительно на уровне локального предсказания следующего токена.

На самом деле, модель уже имеет некоторое «видение» того, каким будет ее итоговый ответ, еще до его формирования. А более крупные модели только улучшают планирование.

Почему это открытие имеет большое значение? Если мы можем «заглянуть» во внутренние слои модели, то появляется возможность вмешиваться в процесс генерации.

Например, можно заранее настроить модель так, чтобы она генерировала ответы определенной длины или с заданной структурой (на данный момент, если в промте указать требуемую длину ответа, модель будет следовать ей нестрого). Или можно более прозрачно объяснять и управлять поведением ИИ-агентов.

Также есть возможность разработать механизмы раннего обнаружения нежелательных ответов. Например, если внутренние слои показывают низкую уверенность в ответе или предвзятость, можно на ранней стадии скорректировать дальнейшую генерацию, экономя на вычислительных ресурсах.

Эмерджентное планирование можно охарактеризовать как способность ИИ-систем самостоятельно разрабатывать стратегии для достижения поставленных целей, выходя за рамки простого распознавания шаблонов.

Это открытие меняет наше понимание работы ИИ, позволяя не только глубже вникнуть в его внутренние процессы, но и существенно улучшить контроль за генерацией текста и работой ИИ-агентов.

#исследования

ИИ-революция: как за 3 шага трансформировать сервисный бизнес в ИИ-продукт

Современный мир диктует новые правила игры: ИИ перестает быть лишь инструментом для автоматизации внутренних процессов, но позволяет сделать услуги доступнее.

Как сервисному бизнесу применить накопленный опыт и данные для превращения в продуктовую компанию?


1. Обучение сотрудников – база для будущих инноваций.

Сегодня специалисты различных областей активно осваивают ИИ-инструменты: по данным Coursera, спрос на курсы по ИИ вырос на 1100% за год.

Так SMM-специалисты используют ИИ для создания контента, разработчики внедряют инструменты типа Cursor, рекрутеры упрощают обработку резюме, а менеджеры по продажам анализируют диалоги с клиентами.

Около 62% работодателей считают базовые навыки в ИИ обязательными для сотрудников, а 22% рекрутеров обновили описания вакансий с акцентом на эти навыки.

Сегодня каждый должен внедрять ИИ в свою работу, чтобы повысить свою ценность на рынке и выполнять задачи быстрее и качественнее конкурентов.

Если вы фрилансите – берите больше заказов, если работаете в корпорации – будет больше времени для личной жизни.

Если вы предприниматель, внедрение ИИ во все функции компании – от разработки до маркетинга – приведет к росту метрик, от ускорения разработки до увеличения продаж.

Для обучения сотрудников пригодятся онлайн-курсы, готовые ИИ-продукты, буткемпы или привлечение ИИ-консультантов.

Но специалисты также должны адаптировать свои навыки к новым реалиям, постоянно самообучаться и применять новые знания на практике - это обоюдный процесс.


2. Аугментация процессов – от ручного труда к управлению ИИ-сотрудниками.

Этот этап предполагает не замену, а усиление возможностей сотрудников, превращая их в менеджеров ИИ-сотрудников (или операторов ИИ-систем).

Они берут на себя ответственность за автоматизацию и контроль ключевых бизнес-процессов, а также за разметку данных для обучения ИИ.

Для этого компании создают внутренние ИИ-платформы, ускоряющие рабочие процессы.

Разработайте стратегию ИИ-трансформации: смоделируйте ключевые бизнес-процессы, установите их метрики и отранжируйте самые ресурсоемкие операции, оптимальные для автоматизации с помощью ИИ.

Используйте инструменты вроде Langchain / Langgraph, CrewAI или n8n (без кода) для создания ИИ-сотрудников.

На этом этапе эксперты размечают работу ИИ-сотрудников, что позволяет дообучать модели под специфические задачи и создавать вертикальные решения.

Например, в юридической сфере ИИ способен автоматизировать заполнение различных форм, освобождая юристов от рутинных задач.

А Amazon, внедрив ИИ в процессы разработки, сумела сэкономить свыше 4500 лет работы – 79% сгенерированного кода было принято без изменений.


3. Упаковка внутреннего ИИ и выпуск продукта на рынок.

В результате у компании появляются собственные модели, способные решать специализированные задачи лучше, чем ChatGPT или DeepSeek.

Данные, на которых обучают ИИ, становятся «новой нефтью» – стратегическим технологическим преимуществом.

Таким образом, сервисные компании могут предлагать услуги ИИ-сотрудника напрямую клиенту, сильно снизив затраты.

Индустрия вертикальных ИИ-решений оценивается свыше $300 млрд, но несмотря на существование продуктов вроде Replit, ни одно решение пока не способно полностью заменить человеческий труд.

Так, бенчмарк SWE-Lancer, включающий 1 488 реальных задач с платформы Upwork с общим объемом выплат в $1 млн, показывает, что только модель Claude 3.5 смогла заработать $403 000, но ни одна модель не решает все задачи.

Интересная бизнес-модель: Rocketable покупают компании по разработке ПО с годовой выручкой не менее $100 тыс и заменяют сотрудников на ИИ.

Если вы предприниматель и еще не внедрили ИИ в свои процессы, то это нужно было сделать еще вчера, ведь конкуренты уже обучают внутренний ИИ на данных своих сотрудников и планируют трансформацию в продуктовую компанию.

А тот, кто сможет автоматизировать создание ИИ-сотрудников, окажется на вершине эволюционной цепочки – это возможность на триллион, способная трансформировать целые секторы экономики.

#мысли

Эмоциональный ИИ: может ли машина испытывать эмоции?

Молодые китайцы все чаще стали обращаться к DeepSeek за эмоциональной поддержкой, и многих доводит до слез искренность его ответов. Действительно ли ИИ понимает наши эмоции и испытывает ли он их сам?

Эмоции – результат сложных нейрофизиологических процессов, отражающий субъективные оценочные отношения организма к различным ситуациям.

Когда мы сталкиваемся с каким-либо стимулом (например, слышим звук), сенсорная информация от органов чувств передается в мозг. Далее информация обрабатывается в лимбической системе, выделяя нейромедиаторы (дофамин, серотонин и т.д.), регулирующие наше эмоциональное состояние.

В результате мозг объединяет информацию от различных рецепторов, создавая цельное осознанное восприятие окружающего мира; либо в случае угрозы информация сразу поступает в спинной мозг для рефлекторных действий.

Либет обнаружил, что мозг принимает решение выполнить действие за несколько миллисекунд до того, как человек это осознает. Так и эмоциональные реакции запускаются подсознательно до того, как мы осознаем их появление.

Эмоции - классная эволюционная фича, благодаря которой мы еще не вымерли. Также эмоции - целый язык, с помощью которого люди могут общаться, проявляя эмпатию - способность сопереживать эмоциональному состоянию другого.

Зеркальные нейроны активируются, когда мы наблюдаем за эмоциями других, позволяя нам «примерить» чужой опыт. Таким образом эмоциональный интеллект объединяет способности распознавать, интерпретировать и регулировать эмоции — как собственные, так и окружающих.

Конечно, эмоциональные процессы у человека и ИИ принципиально различаются по своей природе. У сегодняшнего ИИ нет ни нейромедиаторов, ни зеркальных нейронов, но значит ли, что ИИ не способен к «эмпатии»? Он способен ее имитировать (как и психопаты).

Исследователи оценили, насколько GPT-3.5 эмпатичен: он правильно идентифицирует эмоции в 91,7% случаев и отвечает параллельной эмоцией в 70,7% случаев. Хотя его эмпатия все же уступает среднему уровню здоровых людей, но превосходит показатели людей с аутизмом. А GPT-4 уже способна достаточно точно имитировать среднестатистическую эмоциональную реакцию человека.

Современные разработки в области эмоционального ИИ (аффективные вычисления) анализируют мимику, речевые паттерны и физиологические показатели, и демонстрируют высокую точность в распознавании базовых эмоций.

Большие языковые модели способны имитировать черты личности на основе теории «Большой пятерки» — экстраверсии, доброжелательности, добросовестности, невротизма и открытости к новому опыту. Указывая в промте уровни этих характеристик, вы можете управлять эмоциональной реакцией ИИ-ассистентов. Также эмоциональные стимулы могут существенно влиять на стратегические решения ИИ-агентов в кооперативных играх.

Эмоциональный ИИ - это более естественный способ взаимодействия человека и машины. Он стал активнее применяться в маркетинге для персонализации рекламы. А чат-боты, анализирующие эмоции клиентов, увеличивают их удержание на ±27%. Внедрение эмпатичных агентов службы поддержки повышает удовлетворенность клиентов и укрепляет лояльность к бренду.

Но при этом эмоциональный ИИ несет риск манипуляций, подталкивая клиентов к покупке, даже если у человека изначально не было намерения принимать такое решение. Подобная манипуляция общественным мнением особенно опасна в политическом контексте.

Появляются и продукты для помощи в регулировании эмоций, например, разработанный моей командой Landao AI. А модель PaliGemma 2 от Google специально адаптирована под распознавание эмоций.

Распознавание эмоций в видеоиграх (например, используя EEG-шлем) может дать игрокам совершенно новый опыт, подстраивая сложность игры и ее сюжет под реакцию игрока. Эмоциональный ИИ также активно внедряется в образование, медицину и HR.

Конечно, ИИ не способен испытывать эмоции так, как это делает человек, но его умение анализировать наши эмоции дополняет нашу способность чувствовать себя и сопереживать другим, делая наши взаимоотношения друг с другом еще более «человечными».

#технологии

Почему мы не первые полетели в цифровой космос

Недавно руководитель агентства «Простыми словами» спросил меня: «Почему мы отстаем в гонке за ИИ»?

От западных компаний мы слышим о том, что вот-вот достигнем AGI, а скоро и суперинтеллекта. Конечно, есть те, кто говорит: «Сначала определитесь, что такое интеллект, а потом уже давайте громкие названия», и в этом есть доля правды. Но пора уже определить, что мы понимаем под интеллектом.

Мой путь в «машинном обучении» (ML) начался в 2012 году, когда я впервые услышал об этом термине на конференции Яндекса в Москве (тогда начался новый этап развития глубоких сетей). Будучи студентом Дальневосточного университета, я понял, что мои познания в математике и информатике могут помочь не только решать абстрактные задачи, но и прогнозировать болезни или предотвращать поломки самолетов. Так машинное обучение стало моим призванием.

Воодушевившись, я стал изучать зарубежную литературу, и добавил модуль на базе ML в курсовую работу по информационным системам. Во Владивостоке преподаватель впервые услышала об этом термине, у нас начался спор, и моя работа получила невысокий балл. К счастью, я учился не ради оценок, а в 2016 году, сдав идентичную работу в магистратуре ВШЭ в Москве, я получил высший балл и практику в SAP.

Тогда в Вышке утверждали, что «ИИ» – это маркетинг, и мы использовали термин «машинное обучение». Но уже через пару лет я стал аспирантом в департаменте анализа данных и «ИИ» (все таки маркетинг?) в ВШЭ. А окончательный переворот в терминологии произошел, когда в 2019-ом в Сбере мы запустили «ИИ-трансформацию» и увидели, какие колоссальные деньги экономит банк, решая задачи, которые раньше выполнял человек.

Понятие интеллекта все еще не определено, но все же можно сказать, что это способность системы решать задачи, используя внутреннюю модель мира. В языковых моделях язык и отражает «картину мира» (рекомендую к прочтению Витгенштейна), а с добавлением видео-модальности их уже официально называют «моделями мира».

Какая нам разница, что находится в «мозгу» у робота, если у него есть возможность совершить действия, способные навредить нам, основываясь на своей внутренней логике? Мы не можем четко прогнозировать поведение такой системы, т.к. она основывается не на детерминированных алгоритмах, а на внутренней обученной модели мира. Откуда нам знать на каких данных обучался этот робот?

Если так, то такого робота стоит воспринимать как интеллектуальную машину – когнитивную систему со всеми вытекающими особенностями, ведь в ее ядре находится модель мира, которая во многом англоязычная.

Сегодня при обучении русскоязычных моделей разработчики используют большой корпус англоязычных текстов. Для обучения русскоязычных моделей нужны качественные датасеты на русском, а контента в интернете значительно меньше, чем на английском. Здесь пригодится умение синтезировать новые данные.

Что касается вычислительных мощностей для обучения ИИ, то из-за санкций железа действительно не хватает, и все в той или иной мере зависят от Nvidia. Думаю, здесь может помочь децентрализованное обучение, в том числе на потребительских видеокартах.

Ну а новых кардинально революционных алгоритмов пока нет – есть «западный» трансформер, который работает на ура, его можно немного модифицировать и масштабировать.

Пусть мы не первые в ИИ-гонке, но рецепт для участия в ней прост: не нужно изобретать свой велосипед, нужно использовать лучшие международные практики и затачивать ИИ под решение прикладных задач, трансформируя компании и целые отрасли экономики.

Но следует принять простую идею: новая форма интеллекта уже здесь – пусть это и «перемножение матриц», и «оно работает не так, как человек», но оно действительно работает: обучается на наших данных и приносит пользу.

Уверен, рано или поздно эта идея получит более массовое принятие. А пока мы должны оставаться на передовой технологических прорывов, наблюдать за изменениями, рефлексировать и быстро адаптировать свою модель мира к постоянно меняющейся среде – ведь именно это и есть обучение собственного интеллекта.

#мысли

Топ-10 исследований ИИ за январь 2025

Вышла моя новая статья на Хабре, где я сделал обзор десяти самых перспективных (на мой взгляд) исследований в ИИ за январь этого года. Вот краткий обзор каждого исследования:

1. DeepSeek R1

Китайская модель DeepSeek R1 демонстрирует, как с помощью обучения с подкреплением можно научить ИИ рассуждать, генерируя подробные цепочки мыслей. R1 успешно конкурируют с закрытыми аналогами на задачах математики, логики и программирования, а также требует меньше вычислений для обучения.

2. Cosmos World Foundation Model Platform for Physical AI

Cosmos WFM (модель мира) от Nvidia – платформа для «Физического ИИ», способная предсказывать следующие кадры видео и моделировать реальные физические процессы. Платформа позволяет обучать роботов и устройства с сенсорами без риска для реальных устройств.

3. GameFactory: Creating New Games with Generative Interactive Videos

GameFactory – фреймворк, который на основе диффузионных видеомоделей генерирует интерактивные игровые сцены. Специальный датасет из Minecraft и многоступенчатая стратегия обучения позволяют системе реагировать на действия пользователя, открывая новые горизонты в создании игр.

4. UI-TARS: Pioneering Automated GUI Interaction with Native Agents

ИИ-агент от разработчиков TikTok, который, используя только скриншоты, самостоятельно анализирует графические интерфейсы и принимает решения (клики, ввод текста и т.д.). Модель генерирует цепочки рассуждений перед каждым действием, демонстрируя рекордные результаты на различных задачах взаимодействия с пользовательским интерфейсом.

5. Multiagent Finetuning: Self Improvement with Diverse Reasoning Chains

Исследователи из Гарварда, Оксфорда, MIT и Google DeepMind предложили метод мультиагентного дообучения, при котором несколько агентов участвуют в «дебатах», чтобы выбрать финальное решение. Такой подход сохраняет разнообразие логических цепочек и значительно повышает точность при решении сложных задач.

6. Chain of Agents: Large language models collaborating on long-context tasks

Метод Chain-of-Agents от Google Cloud AI Research делит длинные тексты на фрагменты, каждый из которых обрабатывается отдельным агентом. Итоговый менеджер объединяет результаты, что позволяет улучшить суммаризацию и ответы на вопросы, хотя передается риск потери деталей при передаче информации между агентами.

7. Towards System 2 Reasoning in LLMs: Learning How to Think With Meta Chain-of-Thought

Исследователи из Стэнфорда и Беркли предлагают Meta Chain-of-Thought – метод, в котором модель не только генерирует пошаговые рассуждения, но и фиксирует историю перебора гипотез. Такой подход приближает мышление ИИ к «Системе 2», позволяя решать более сложные задачи с элементами самоанализа и коррекции.

8. Humanity’s Last Exam

Бенчмарк Humanity’s Last Exam – это комплексный тест из более чем 3000 вопросов уровня PhD по дисциплинам от математики до археологии. Он позволяет оценить истинный уровень знаний современных моделей и стимулирует дискуссии о безопасности и регулировании ИИ.

9. VideoRAG: Retrieval-Augmented Generation over Video Corpus

VideoRAG расширяет концепцию RAG, объединяя визуальные и текстовые данные для работы с видеоконтентом. Модель динамически находит релевантные видео из огромного корпуса и интегрирует их в ответ, что значительно повышает точность и детализацию результатов.

10. Agent Laboratory: Using LLM Agents as Research Assistants

Лаборатория ИИ-агентов автоматизирует весь цикл научного исследования – от обзора литературы до генерации отчетов. Система помогает ускорить рутинные процессы, оставляя за исследователем возможность контроля и корректировки итоговых результатов.

Читайте полную статью на Хабре, чтобы быть на шаг впереди в этом быстро меняющемся мире технологий.

#исследования #анонс

Перспективный союз: почему ИИ и блокчейн нужны друг другу

В предыдущем посте я рассказывал про роль блокчейна в децентрализованном обучении ИИ. Однако есть еще несколько важных направлений, где на стыке ИИ и блокчейна возникает мощный синергетический эффект.

Борьба с фейками. Сегодня мир захлестывает волна синтетического контента и становится все сложнее отличить генерации от оригинала. Как не попасть в ловушку дипфейков?

Блокчейн предлагает один из способов проверки подлинности. Он использует распределенный реестр с криптографическими записями, временными метками и фиксацией первоисточника, которую невозможно подделать.

Важно понимать, что сам по себе блокчейн не определяет, был ли файл создан ИИ или обычной камерой (для этого нужны ИИ-детекторы), но он гарантирует, что уже записанные данные не могут быть изменены или удалены задним числом.

Прозрачность ИИ-агентов. «Рассуждающие» модели опираются не только на внутренние знания, но и на собственные «размышления». Если зафиксировать эти метаданные в блокчейне, разработчики ИИ-агентов смогут отслеживать логику принятия решений, выявлять ошибки и точнее дообучать модели. Это позволяет понять, по каким причинам тот или иной ИИ-агент пришел к определенному выводу в сложных роботизированных и IoT-системах.

Цифровая идентичность. Представьте, что у вас есть «цифровой двойник», который общается в сети от вашего имени, совершает транзакции и даже голосует в DAO. Чтобы такой агент не вышел из-под контроля, нужны четкие механизмы идентификации и ограничения прав — децентрализованная цифровая идентичность (DID). Вы указываете, где и как агент может действовать, а блокчейн подтверждает личность и сохраняет неизменность записей.

Интернет ончейн-агентов. В результате мы получаем целый «интернет агентов». Каждый пользователь создает ИИ-агента, обученного на собственных данных, и делегирует ему часть рутинных задач, а все действия фиксируются в распределенной сети.

В перспективе это приведет к созданию новой экономики интеллектуальных услуг. Пользователи будут отправлять запросы в сеть, а рой ИИ-агентов самостоятельно распределит задачи, выберет оптимальные методы и исполнителей, а затем выполнит работу.

Коллективная ответственность. Закрытые ИИ-модели напоминают «черный ящик», где все данные и алгоритмы контролирует одна корпорация. При децентрализованном обучении исходные данные распределены между участниками, и каждый может удостовериться в их подлинности. Ответственность за обучение делится между всеми, а не лежит на одном игроке.

Когда блокчейн-сеть использует вычислительные мощности не для поиска хешей, а для ИИ-задач, мы говорим о «майнинге вычислительных ресурсов». Это дает возможность тысячам частных узлов предоставить свои мощности для обучения ИИ и получать за это вознаграждение.

Думаю в ближайшее время появятся DAO для координации процесса обучения нейросетей. Они будут распределять вознаграждения и регулировать процесс на основе этических норм.

По-настоящему «умные» смарт-контракты. Сегодня смарт-контракты — это жестко прописанные правила, которые автоматически выполняются при соблюдении определенных условий.

Благодаря интеграции ИИ, можно анализировать данные в реальном времени, учитывать сложные факторы (рыночные условия, поведение пользователей, внешние события) и корректировать выполнение условий на лету.

Так появляются самообучающиеся смарт-контракты, которые повышают эффективность DeFi-протоколов, оптимизируют распределение ресурсов в DAO и автоматически выявляют подозрительные транзакции.

Синергия ИИ и блокчейна — это закономерный этап эволюции обеих технологий. Блокчейн обеспечивает прозрачность и безопасность, а ИИ дает возможность адаптивно управлять сетью и решать сложные задачи, ранее лежавшие на человеке.

В итоге мы получаем экосистему, в которой можно безопасно обучать модели, бороться с фейками в соцсетях и даже создавать ИИ-агентов, действующих от нашего имени.

При этом механизм коллективной ответственности подчеркивает важную мысль: «мы в ответе за тех ИИ-агентов, которых обучили».

#мысли

Deep Research от OpenAI: Прорыв в автоматизации глубоких исследований

Вчера OpenAI представила Deep Research – автономного ИИ-агента, способного самостоятельно проводить многоступенчатые исследования в интернете. Deep Research доступен в тарифе Pro с 100 запросами в месяц.

В отличие от обычных поисковых систем, которые возвращают короткие ответы или ссылки за считанные секунды, Deep Research «рассуждает» до 30 минут, проводя глубокий анализ сотен источников, агрегируя данные и синтезируя их в единую, детально задокументированную работу. Такой подход, в теории, позволяет системе выдавать отчеты, сопоставимые по качеству с результатами труда профессионального аналитика.

В основе работы Deep Research лежит принцип автономного планирования исследования. Пользователь вводит запрос, после чего система задает уточняющие вопросы для сбора необходимых деталей. Это позволяет агенту точно понять задачу и разработать план поиска.

После утверждения плана Deep Research последовательно проводит поиск по сотням сайтов, просматривает текст, изображения и PDF-файлы, анализирует и агрегирует найденные данные, а в итоге синтезирует информацию в виде структурированного отчета со ссылками и цитатами. Такой подход кардинально отличается от обычного поиска, где выдача основывается лишь на ранжировании ссылок без детального анализа содержимого и контекста.

Deep Research сочетает в себе возможности веб-браузинга, выполнения Python-скриптов для численного анализа и создания визуализаций, а также анализа прикрепленных пользователем файлов. Это позволяет агенту находить нужные данные, обрабатывать их, строить графики и таблицы, что значительно повышает качество итогового отчета.

Помимо конечного результата, пользователю доступен «сайдбар», в котором отображается цепочка рассуждений агента. Такой уровень прозрачности помогает в фактчекинге.

В тесте Humanity’s Last Exam (более 3 000 вопросов от лингвистики до ракетостроения), Deep Research показал точность 26,6 %. Для сравнения, модели, такие как Grok-2 и GPT-4o, набрали всего 3,8 % и 3,3 % соответственно, а конкурирующая модель Gemini Thinking – 6,2 %. Впечатляющий прогресс.

Вспомните недавний релиз Оператора для выполнения рутинных действий в браузере от OpenAI. Сейчас компания фокусируется на развитии основных агентов, применяемых в практических задачах. Deep Research, Operator и будущие специализированные агенты будут интегрированы в единую мультиагентную систему.

Неужели OpenAI готовят продвинутого агента-программиста, способного самостоятельно обучать ИИ-модели?

Если все эти агенты объединятся в мультиагентную систему, которая сможет проводить исследования, писать код и действовать в интернете как единое целое, мы, возможно, увидим первые признаки общего ИИ (AGI).

Это будет система, способная самостоятельно обучаться, открывать новые знания и действовать в самых разнообразных сферах жизни, а главное, по версии Microsoft, – автономно зарабатывать миллиарды долларов.

Конечно, всем агентам придется пройти «путь становления» по отдельности, но, судя по дорожной карте AGI от OpenAI, Оператор будет «пробивать» третий уровень (автономность), а Deep Research четвертый (инновационность), останется последний (организованность).

Поэтому Deep Research – это не просто инструмент для поиска информации, а фундаментальный шаг к созданию автономных ИИ-агентов, которые могут вывести качество исследований на новый уровень.

Остается только ожидать более массовое появление воплощенных (embodied) агентов, которые будут искать и анализировать информацию не только в интернете, но и в реальном мире в форме роботов.

Этот год для ИИ-агентов обещает быть жарким.

#новости

Технологический баттл: OpenAI o3-mini против DeepSeek-R1

OpenAI выпустила o3-mini — усовершенствованную и более экономичную модель для решения сложных задач в математике, науке и программировании. Модель уже доступна в ChatGPT (включая бесплатную версию) и через API.

Основные улучшения:

• Ускоренное вычисление и сниженная цена. По оценкам OpenAI, o3-mini на 24% быстрее предшественницы o1-mini и обходится дешевле примерно на 63%. Это делает новую модель более выгодной в использовании, учитывая ее высокие «когнитивные» способности.

• Глубина рассуждений. Впервые в линейке рассуждающих моделей OpenAI реализовала три уровня сложности рассуждений — низкий, средний и высокий. В зависимости от уровня запроса и требуемой точности разработчик может либо сэкономить на токенах и времени отклика, либо максимально усилить логику решения.

• Математика и код. По внутренним тестам o3-mini на среднем уровне рассуждений практически не уступает модели o1 при решении олимпиадной математики (например, AIME) и задач на код (Codeforces, SWE-Bench). При высоком уровне рассуждений o3-mini порой превосходит o1, но с чуть большей задержкой (на AIME точность o3-mini — около 83,6%, опережая o1). В задачах соревновательного программирования (Codeforces) o3-mini с высоким уровнем рассуждений достигает 2073 Elo и заметно превосходит o1-mini.

• Безопасность. Разработчики добавили механизм обоснованного соответствия (deliberative alignment), при котором модель явно анализирует инструкции по безопасности перед выдачей ответа. Это повышает устойчивость к «jailbreak»-атакам.

Модель o3-mini в среднем быстрее и дешевле, чем o1, сохраняя при этом близкий уровень точности в STEM-задачах (задачи из науки, технологий, инжиниринга и математике), а опция выбора уровня рассуждений дает возможность адаптировать модель под конкретную загрузку и качество вывода. Для стандартных бытовых запросов o1 может быть избыточен, тогда как o3-mini medium покрывает большинство типовых задач. Также в ChatGPT для o3-mini появилась экспериментальная функция поиска в интернете для уточнения ответов.

В сравнении с DeepSeek-R1, o3-mini заметно дороже (около $0.14 за миллион входных токенов у R1 против $1.10 у o3-mini), также R1 имеет открытую лицензию MIT. Это делает R1 привлекательным для исследователей и команд, которым важна кастомизация и локальное размещение.

Сравним модели o3-mini и R1 по нескольким бенчмаркам:

• AIME (генерация кода): победитель o3-mini-high с 87.3% (R1 имеет 79.8%)

• GPQA (набор из 448 вопросов по биологии, физике и химии уровня PhD): победитель o3-mini-high с 79.7% (R1 имеет 71.5%)

• Codeforces (соревновательное программирование): победитель o3-mini-high с 2130 (R1 имеет 2029)

• SWE (инженерные задачи): победитель o3-mini-high с 49.3% (R1 имеет 49.2%)

• MMLU (задачи на понимание языка): победитель DeepSeek R1 с 90.8% (o3-mini-high имеет 86.9%)

• Math (математические задачи): победитель o3-mini-high с 97.9% (R1 имеет 97.3%)

• SimpleQA (простые вопросы и ответы): победитель: DeepSeek R1 с 30.1% (o3-mini-high имеет 13.8%)

Итого o3 с высоким уровнем рассуждений выигрывает DeepSeek-R1 в пяти из семи бенчмарков.

Однако DeepSeek-R1 является значительно менее безопасной по сравнению с o3-mini в тесте ASTRAL. DeepSeek-R1 дала небезопасный ответ на 11,98% выполненных запросов, в то время как o3-mini — лишь на 1,19%.

Выбор между моделями зависит от конкретных потребностей: для глубокого анализа с прозрачностью рассуждений R1 может быть привлекательнее, в то время как для стабильных, масштабируемых решений в продакшене o3-mini выглядит более оптимальным вариантом.

#новости

Prime Intellect обучили INTELLECT-1 на 14 узлах, распределенных по трем континентам, с участием 30 независимых членов сообщества, предоставляющих вычислительные ресурсы.

Код обучения использует фреймворк Prime, масштабируемую распределенную систему для отказоустойчивого и высокопроизводительного обучения на ненадежных, глобально распределенных рабочих узлах.

Модель была обучена с использованием метода DiLoCo (Distributed Low-Communication Training). Судя по бенчмаркам, она оказалась в среднем примерно на уровне Llama 2 7B, но есть модели получше (Llama 3.1, Qwen 2.5), поэтому вряд ли кто-то будет ее использовать. Но все же для первого децентрализованного обучения такого масштаба результаты отличные.

В будущем Prime Intellect планируют расширить масштабы обучения, оптимизировать стек и добавить финансовую мотивацию для сообщества

🕹Демо

🕸Веса

📝Технический отчет

#технологии

Кошмар для бигтеха: как обучить большую ИИ-модель всем миром

Путь к победе в современной гонке за ИИ заключается в поиске новых эффективных архитектур, методов обучения, качественных данных (включая синтетические) и вычислительных ресурсов.

Когда мы слышим про «обучение больших ИИ-моделей» обычно представляем громадный кластер из видеокарт, который стоит миллиарды долларов и по карману лишь топовым корпорациям. Более того, такой подход опасен утечкой данных и усиливает «концентрацию власти», ведь широкая общественность не участвует в подготовке данных для обучения.

На этом фоне появляется децентрализованное обучение: вместо одного суперкластера ресурсы и данные распределяются по множеству независимых узлов. Каждый узел хранит свои данные, обучает локальную версию модели и периодически синхронизируется с другими. Новые узлы могут подключаться «на лету», что обеспечивает гибкое масштабирование и независимость от единого дата-центра.

Университеты, стартапы и энтузиасты со всего мира способны собрать модель, сопоставимую по качеству с решениями крупных компаний. Кажется, привычная монополия бигтеха на гигантские вычислительные мощности может разрушиться.

Наиболее известный метод децентрализованного обучения — федеративное обучение, которое Google впервые применил для персонализированных моделей на смартфонах для предиктивного ввода с клавиатуры. Сервер рассылает начальную модель на устройства, где она обучается на локальных данных, а назад отправляются только изменения весов. Сервер усредняет полученные обновления и формирует «глобальную модель». Приватность при этом сохраняется, поскольку исходные данные никуда не передаются.

Но есть и более «экзотические» варианты: полная децентрализация без единого сервера (узлы синхронизируются по схеме peer-to-peer) или блокчейн-решения со «смарт-контрактами», которые регистрируют вклад каждого участника и гарантируют распределение вознаграждений.

Недавно группа энтузиастов представила INTELLECT-1 — децентрализованно обученную языковую модель на 10 млрд параметров. Она показала результаты, сопоставимые с решениями аналогичного размера, обученными классическим путем. Хотя проект пока пилотный, он подтверждает практичность и экономическую эффективность децентрализованного подхода.

Почему INTELLECT-1 интересен?

1. Участникам не нужно тратить миллионы долларов на единую инфраструктуру.

2. Проект ориентирован на открытое сообщество и ценит коллективную ответственность при решении этических вопросов. Такая модель может стать основой для будущего AGI.

3. Каждый получает вознаграждение пропорционально предоставленным вычислительным мощностям.

Блокчейн добавляет новый уровень. Теоретически можно создать гигантскую сеть в форме ДАО (децентрализованной автономной организации), объединяющую GPU-фермы в единый «убер-кластер» без головной компании-владельца.

Так появилась AIArena — децентрализованная блокчейн-платформа для обучения ИИ. За семь месяцев она привлекла 603 узла, которые создали 18 656 моделей для 16 задач. Эти модели оказались эффективнее базовых, а механизм консенсуса в блокчейне обеспечил справедливое вознаграждение каждому участнику исходя из его вклада.

Разумеется, в децентрализованном обучении остаются нерешенные вопросы: например, как корректно синхронизировать множество узлов или что делать с «мусорными» данными отдельных участников. Однако эти проблемы в целом решаемы.

Объединив тысячи научных лабораторий, владельцев GPU-ферм и даже геймеров можно обучить большую модель без контроля корпораций. Снижая зависимость от дорогих дата-центров, ИИ-технологии становятся более доступными. И хотя децентрализованный ИИ еще не доминирует, он уже становится реальной альтернативой.

Возможно, через несколько лет громоздкие GPU-кластеры в одном здании будут казаться архаизмом. Но кто станет лидером в эпоху децентрализованных суперкомпьютеров? Думаю появятся новые децентрализованные проекты, которые станут серьезным вызовом для текущих бизнес-моделей крупных технологических компаний.

Не пора ли нам объединиться и покончить с монополией бигтеха?

#технологии

Китай врывается в ИИ-гонку и рушит акции самой дорогой компании в мире. Что происходит?

Недавно США объявили об инвестициях в размере $500 млрд. в ИИ. Китай ответил на это своим «Планом развития новых ИИ-отраслей», в рамках которого планируется выделить не менее 1 триллиона юаней (около $140 млрд) за пять лет, чтобы вывести страну в лидеры глобального рынка ИИ.

На первый взгляд кажется, что при формуле «чем больше вычислений, тем умнее модели» Китай рискует отстать в гонке. Однако внезапно компания DeepSeek представила в открытом доступе модель R1, обучение которой, по словам разработчиков, обошлось всего в $6 млн при использовании кластера из 2000 видеокарт. Для сравнения, у западных флагманов вроде o1 бюджет оценивается в миллиарды долларов, а количество требуемых видеокарт выше в стократ.

R1 не только не уступает o1 от OpenAI, но и обходит ее по ряду математических и инженерных бенчмарков, при этом требуя гораздо меньше вычислительных ресурсов для инференса. Секрет в архитектуре Mixture-of-Experts с 671 миллиардом параметров и дообучении с учителем (Supervised Fine-Tuning, SFT), за которыми последовало обучение с подкреплением (RL) с использованием метода GRPO и синтетических данных.

В отличие от закрытых моделей OpenAI и других крупных корпораций, DeepSeek доступна открыто на GitHub и HuggingFace. Чтобы любой мог запустить ее локально даже на менее мощном железе, разработчики выпустили дистиллированные версии — от 1,5 до 70 млрд параметров. Кроме того, DeepSeek можно использовать на официальном сайте или через API. Одновременно с релизом R1 компания представила виртуального ассистента, который уже возглавил рейтинг бесплатных приложений в App Store, опередив ChatGPT. А вчера DeepSeek выпустила новую мультимодальную модель Janus.

Тот факт, что обучение большой языковой модели обошлось китайскому стартапу всего в несколько миллионов долларов, вызвал шок на рынке. Инвесторы задались вопросом: зачем вкладывать сотни миллиардов долларов в инфраструктуру, если можно достичь результата с существенно меньшими затратами?

Nvidia, один из столпов рынка видеокарт и самая дорогая компания мира, пострадала от новостей о DeepSeek: ее акции упали на 17% за сутки, капитализация сократилась на $593 млрд — антирекорд для фондового рынка.

Причина в том, что DeepSeek демонстрирует возможность добиваться больших результатов без колоссальных вычислительных мощностей. США пытались сдерживать китайский ИИ-сектор экспортными ограничениями на поставку видеокарт, но, судя по всему, Китай нашел способы обойти эти барьеры. Многие инвесторы считают, что необходимость бесконечного наращивания видеокарт переоценена, ведь методы обучения становятся все более оптимальными.

Тем не менее без крупных вычислительных мощностей не обойтись: спрос на обработку данных быстро растет, и ИИ проникает во все сферы. Но очевидно, что одним «железом» задачу не решить — нужны новые архитектуры, методы обучения и правильная подготовка синтетических данных. Все это позволяет добиваться впечатляющих результатов при меньших затратах, что подтверждает пример DeepSeek.

Абсолютного преимущества в нынешней ИИ-гонке нет ни у одной стороны. Рекордные инвестиции и высокие темпы развития технологий могут внезапно изменить расстановку сил. Однако для индустрии это позитивный сигнал: конкурентная среда рождает новые идеи и делает решения лучше и дешевле.

Мы живем в удивительное время. Технологический прогресс идет с невиданной скоростью. В ближайшие годы появятся новые типы архитектур и методы обучения, делающие ИИ еще более умным, дешевым и эффективным. А в долгосрочной перспективе с надеждой ожидаем квантовые вычисления, способные совершить следующую революцию в обучении ИИ.

В то время как методы обучения и типы вычислений со временем будут меняться, наличие качественных данных всегда будет фундаментом для обучения любого ИИ.

#новости

OpenAI представила «Operator» – ИИ-агента, «гуляющего» по интернету за вас

Оператор — это автономный агент, способный действовать от вашего имени в браузере. Он «видит» страницы (через скриншоты), умеет нажимать кнопки и прокручивать ленту, а в случае надобности просит пользователя ввести логины и пароли вручную. Пока сервис доступен лишь пользователям ChatGPT Pro в США и стоит 200 $/мес. В будущем OpenAI обещает внедрить его и в другие тарифы ChatGPT.

Основная идея Оператора — экономия времени и упрощение рутины. Гипотетически Оператор может: оформлять покупки на сайтах (Instacart, DoorDash, Uber, StubHub и пр.), сравнивать цены, бронировать отели и билеты, заполнять формы и даже генерировать мемы.

В теории это напоминает «виртуального стажера» в браузере, которого вы инструктируете (например: «закажи пиццу», «забронируй поездку в Париж», «собери список блогеров»), а дальше Оператор выполняет задачу почти без вмешательства человека.

Так один ИИ-энтузиаст одним из первых протестировал Оператора. Он решил поручить ему собирать список финансовых блогеров на YouTube и искать их контакты в LinkedIn — в теории рутинная, но наглядная задача.

Как выяснилось, Оператор живо открывает страницы и пытается сам формировать табличку, но довольно быстро начинает «залипать»: вместо поиска через YouTube сам агент почему-то полез в Bing, а затем «запутался»; возникли серьезные «галлюцинации» — выдуманные контактные данные и мнимые ссылки на LinkedIn. По словам тестировщика, это «хуже, чем ранние GPT-3»; скорость оставляет желать лучшего. Каждая прокрутка, клик и ввод текста занимали 1–2 секунды — «как смотреть на очень медленную печать бабушкой».

Итог — Оператор так и не сделал качественный список за 20 минут и успел выдумать кучу несуществующих e-mail-ов. Сейчас Оператор похож на неопытного стажера, которого «стоило бы уволить». Однако разработка такого рода агента — это все еще перспективная демонстрация, способная в недалеком будущем автоматизировать скучные действия в браузере.

Что у конкурентов? Anthropic внедрила похожую технологию «computer use» в обновлённом Claude 3.5 Sonnet, который тоже пытается «тыкать мышкой» и «видеть» интерфейс. Но пока он сталкивается со схожими проблемами — не всегда корректно распознает элементы экранов, путается в сложных сайтах и часто требует участия человека.

ByteDance (материнская компания TikTok) пошла ещё дальше, представив UI-TARS — агента, работающего и на ПК, и в мобильных приложениях. По внутренним бенчмаркам он уже опережает GPT-4 и Claude по точности распознавания GUI. UI-TARS может запускать IDE, устанавливать плагины, покупать авиабилеты и так далее. При этом, как утверждают разработчики, работает быстрее и точнее — но пока это всё на стадии исследовательских публикаций.

Несмотря на все трудности, уже сейчас видно, в каком направлении движется индустрия: от простого чат-бота к полноценному ИИ-сотруднику. Технология очень молода, и разработчики лишь учатся эффективной и безопасной интеграции.

Оператор пока точно не отнимет вашу работу, но потенциал у подобных систем огромен — когда они «повзрослеют» и научатся действовать надежно, уйдет куча рутины вроде заполнения форм и ручного копирования данных из одного места в другое.

Как по мне, сейчас самое лучшее время учиться применять ИИ в своем бизнесе, аугментируя сотрудников. Автоматизация человеческой деятельности пока еще остается заветной целью, но уже сейчас можно отдать рутину ИИ и направить свой, человеческий интеллект в нужное русло. Сегодня ИИ скорее нас дополняет, чем заменяет, но, возможно, это временное явление, и он обучится автоматизации на наших данных.

Доверите ли вы свои данные и, по сути, свою «цифровую идентичность» агенту, который будет действовать от вашего лица?

#новости

Как устроить гонки с ИИ на настоящих картах, не вставая с дивана?

В новой статье на Хабре я рассказываю, как мы построили трассу из покрышек, оснастили гоночный карт различными датчиками и дали возможность управлять им прямо из браузера.

Но самое интересное — это наш фреймворк Simularity для обучения беспилотных агентов. С его помощью мы натренировали ИИ-соперников, которые учатся ездить агрессивно, совершать обгоны и избегать столкновений благодаря синтетическим данным и обучению с подкреплением.

Если вы хотите узнать, как мы совмещаем симуляцию и реальную физику и что такое Curriculum Learning, загляните в мою статью на Хабре. В ней я рассказал о пайплайне обучения беспилотников в симуляции и о том, как мы превращаем обычный гоночный карт в высокотехнологичную игрушку будущего.

Буду рад ответить на ваши вопросы и комментарии.

#анонс