Синтезиум AI

🤖❌ ИИ-сокращения обернулись ловушкой: почему компаниям придется нанимать уволенных обратно?

Агрессивные увольнения ради «эффективности ИИ» дают обратный эффект. Последняя аналитика от мировых консалтинговых агентств показывает, что бизнес начинает тонуть в сверхнагрузках и теряет способность к инновациям.

Собрали главные инсайты из оригинальных отчетов сентября 2026 года:

🔴 Gartner: 30% уволенных сотрудников вернут обратно
Компании массово совершают ошибку, воспринимая ИИ исключительно как способ оптимизации. Увольняя людей, бизнес теряет уникальные институциональные знания.

«К 2029 году до 30% работников, замещенных ИИ, компаниям придется нанимать заново — но уже на более высокие зарплаты, так как эффект от бездумного сокращения штата развернется в обратную сторону».
🔗 Источник: Gartner Identifies 4 Shifts Shaping the Future of Work

📉 Challenger, Gray & Christmas: ИИ — главная причина увольнений
В США искусственный интеллект держит лидерство среди причин сокращений уже 5 месяцев подряд.

«С начала 2026 года в США было объявлено о более чем 100 000 увольнений, где главной или сопутствующей причиной в корпоративных отчетах прямо указывалось внедрение ИИ».
🔗 Источник: Отчеты Challenger, Gray & Christmas

💼 Korn Ferry: Работа за двоих («The Two-Job Job»)
Автоматизация не облегчила жизнь оставшимся — скорее наоборот. По опросам 16 000 профессионалов, нагрузка только выросла, так как на людей переложили задачи уволенных коллег.

«62% оставшихся сотрудников отмечают резкий рост рабочей нагрузки, а 61% заявляют, что теперь им приходится совмещать сразу несколько ролей внутри компании, несмотря на внедрение ИИ-инструментов».
🔗 Источник: Korn Ferry Workforce Report

💡 Главный вывод: Слепая вера в то, что нейросети прямо сейчас могут полноценно заменить штат без потери качества, приводит к выгоранию оставшихся команд и остановке инноваций. ИИ — это мощный инструмент для улучшения возможностей человека, а не его замена на более дешевый "клон".

😎 { Синтезиум. Подписка }

Мы ускоренно движемся к точке невозврата. Не будем поддаваться панике, но сегодня нужно твердо усвоить факт того, что нейросети все активнее проникают во все сферы нашей жизни. Например, последняя модель GPT 6 Astra (выпущена 3 сентября 2026) дает качественный прорыв в создании 3D LLM (нам, инженерам, хочется говорить уже именно так).

Инженеры из nTop протестировали Astra, использовав ее API для создания модели ДВС. Причем всего за 2 часа удалось построить параметрическую сборку и провести работы по созданию 100 двигателей разной мощности!

Источник: Bradley Rothenberg, CEO nTop

😎 { Синтезиум. Подписка }

Магия, которую никто не программировал

Модель учили одному: угадывать следующее слово. Это единственное, что было заложено в задачу напрямую. Смысл разложился в пространстве в виде близких и далёких точек сам, как побочный эффект — этого никто отдельно не программировал. Модель не видела кота глазами и не знает, что такое мурлыканье в человеческом смысле. Но геометрически точка «кот» оказалась в нужном месте, рядом с лапами, шерстью, ветеринаром и мяуканьем, и для практических целей результат неотличим от знания.

Назвать это сознанием или пониманием в человеческом смысле нельзя. Точнее будет сказать так: из миллиардов чисто алгоритмических исправлений выросла структура, где смысл — это геометрическое расположение точек друг относительно друга. Люди веками объясняли необъяснимое через привычные образы: не понимали природу солнца, называли его богом; не понимали молнию — придумывали Зевса. С языковыми моделями работает похожий рефлекс: то, что устроено непрозрачно, легко принять за нечто большее, чем оно есть. Разобраться, что там внутри происходит на самом деле — лучший способ этот рефлекс обойти.

#LLMпросто

😎 { Синтезиум. Подписка }

Вначале лепка, потом — 3D-печать

Компания Unbound создала интересный и уникальный инструмент под названием Loop: скульптинг объёмных SDF-форм с ИИ. На этапе грубой концепции пользователь размещает в пространстве примитивы, задавая их форму, размер и положение, а ИИ сразу достраивает вылепленную заготовку до нужного уровня реализма — добавляет цвет, детали и материал.

Вместо полигональной сетки, привычной 3D-художникам, программа использует объёмы, которые можно вытягивать, объединять, вычитать (привет, булевы операции!). ИИ-слой опирается на вылепленную геометрию и достраивает вокруг неё поверхность. Обновление идёт с частотой до 40 раз в секунду, и глаза попросту не успевают заметить задержку между движением и откликом.

В очереди на релиз — генерация видов с нескольких ракурсов по той же вылепленной модели (не только по промпту), правка изображений прямо в чате и интеграция с генератором Tripo, чей низкополигональный режим, по опыту команды Unbound, сразу отдаёт сетку для игрового движка без ручной доработки топологии.
По сравнению с классическим путём (Blender или Maya плюс отдельный игровой движок) Unbound, согласно собственному FAQ компании, сузила набор функций ради простоты взаимодействия, но импортировать готовую полигональную модель пока нельзя: вся геометрия рождается только из SDF с нуля.

Для геймдева это понятно сразу. Интереснее здесь то, что тот же принцип (лепка формы, ИИ достраивает поверхность, на выходе — сетка, пригодная и для 3D-принтера) ложится и на раннюю стадию промышленного проектирования: органическую форму, типичный результат топологической или иной оптимизации для АТ, в CAD с нуля собирают долго, а в SDF-скульптуре — интерактивно, за считанные минуты, прежде чем деталь передадут дизайнерам и инженерам на доводку — для получения геометрии, корректной с точки зрения CAD.

Источник: Андреа Интергульельми, сооснователь компании Unbound

😎 { Синтезиум. Подписка }

Как слова находят своих соседей

До обучения таблица весов заполнена случайными числами. У слова «кот» в этот момент нет ничего общего со словом «собака», как и вообще ни с чем: связи между точками ещё не существует. Модель в таком состоянии не умеет ничего.

Дальше берут гигантский объём текста — книги, статьи, форумы, значительную часть открытого интернета — и подают его модели маленькими кусками, прося угадать следующее слово. Модель отвечает наугад, потому что числа пока случайны. Ответ сверяют с правильным, и по разнице программа математически вычисляет, насколько каждое из миллиардов чисел виновато в ошибке и в какую сторону его нужно сдвинуть, чтобы в следующий раз промах на этом же фрагменте оказался чуть меньше. Сдвиг крошечный — сотые доли, — но повторяется он миллиарды раз, и обучение крупной модели занимает недели работы огромного количества компьютеров.

Слово «кот» за эти миллиарды примеров встречается в текстах миллионы раз, и почти всегда рядом с похожими соседями: мяукает, лапы, спит, мурлычет. Каждый раз, когда модель ошибается на такой фразе, строка чисел для «кота» получает маленькую поправку в сторону этих соседей. У слова «собака» соседи почти те же самые — лает, лапы, будка, — и поправки идут в ту же сторону. Не потому что кто-то запрограммировал их сходство, а потому что у слов оказались одинаковые соседи и, соответственно, одинаковые поправки. Точки сближаются сами, как побочный эффект миллиардов исправлений ошибки.

#LLMпросто

😎 { Синтезиум. Подписка }

Куда вкладывают слово

Таблица весов устроена как гигантская сетка: строк в ней столько же, сколько токенов в словаре (порядка 100 тысяч), а столбцов у типичной крупной модели — от нескольких сотен до нескольких тысяч, в зависимости от размера. Каждому токену соответствует своя строка чисел. Такой набор называют вектором, или эмбеддингом — от английского embedding, «вложение»: слово буквально вкладывается в числовое пространство. Термин прижился с 2013 года, после статьи команды Google под названием Word2Vec.

Одно число само по себе ничего не значит — ни направления, ни смысла. Но когда чисел несколько тысяч сразу, они работают как координаты точки. Две координаты — это точка на плоскости, школьные x и y. Три — точка в пространстве, вообразить которую ещё можно: маленький шарик, подвешенный в комнате. Пространство на несколько тысяч измерений вообразить нельзя, но математически оно работает так же: у каждой точки есть положение относительно всех остальных.

Смысл слова живёт в том, где точка этого слова оказалась относительно других точек. Слово «кот» — одна точка, «собака» — другая, «самолёт» — третья. В этом многомерном пространстве кот и собака оказываются рядом друг с другом: у обоих в соседях слова «лапы», «шерсть», «миска». Самолёт от них далеко — его соседи «крыло», «турбина», «взлётная полоса».

#LLMпросто

😎 { Синтезиум. Подписка }

Как модель понимает слово «кот», ни разу его не увидев

Файл с весами модели Claude занимает несколько сотен гигабайт, у моделей поменьше — десятки. Это не JSON и не Excel, а плотно упакованные друг за другом миллиарды чисел с плавающей точкой. Их называют весами, или параметрами. Рядом с этим файлом лежит программа на Python, обычно пара тысяч строк кода, и умеет она ровно одно: брать числа из файла, перемножать и складывать их по строгим формулам.

Когда вы отправляете модели вопрос, программа режет текст на токены — куски слов, о которых чаще пишут отдельно, — и для каждого токена идёт в файл весов за его персональной строкой чисел.

Дальше эта строка проходит через все слои модели, где с ней происходят миллиарды операций, а на выходе получается распределение вероятностей: с какой вероятностью следующим должно идти каждое слово из словаря. Модель берёт самое вероятное и приклеивает к тексту. Потом повторяет то же самое для следующего слова, и так до конца ответа.

#LLMпросто

😎 { Синтезиум. Подписка }

Где ИИ на самом деле теряет деньги

Дефицит памяти и рост цен на жёсткие диски — заметный, но верхнеуровневый симптом. Реальная инженерная проблема глубже: стоимость обработки запроса у языковых моделей растёт не линейно с объёмом текста, а квадратично. Это конкретный механизм, а не абстракция. Современные языковые модели при обработке текста сопоставляют каждое слово со всеми остальными словами во входном фрагменте — так модель учитывает контекст. Вдвое длиннее текст — вчетверо больше таких сопоставлений, а значит и вычислений.

Для инженерных данных это проявляется не там, где кажется на первый взгляд. Извлечь с чертежа материал, допуски, посадки и шероховатость через OCR и распознавание сущностей — задача умеренного объёма, она не растёт квадратично сама по себе. Проблема начинается на следующем шаге: когда эти данные анализируются в контексте — сверяются с нормативной базой, с похожими деталями, с производственными картами, — объём текста в одном запросе к модели резко увеличивается. Компания, которая прогоняет через такой анализ не один чертёж, а сотню в месяц, увеличив объём контекста в десять раз, получает рост стоимости расчёта примерно в сто раз, а не в десять.

Здесь и находится развилка, которую разработчики ИИ-решений пока обходят стороной. Есть архитектуры, где основной расчёт не квадратичный: детерминированные алгоритмы и графовые модели дают ответ на основе фиксированной структуры данных, а не полного пересчёта моделью для каждого нового запроса. Показательный пример — «tiny recursive model» Алексии Жоликёр-Мартино из Microsoft: модель на порядки меньше типичной языковой модели победила на конкурсе логических задач ARC Prize за счёт другой вычислительной схемы, а не за счёт размера.

Отсюда практический ориентир при выборе ИИ-инструмента для производства. Стоит спросить у разработчика: растёт ли цена анализа линейно с объёмом данных или быстрее; пересчитывает ли система ответ заново моделью на каждый запрос, или ядро решения детерминированное; и что произойдёт со стоимостью, если объём задач вырастет в десять раз — пропорционально или кратно быстрее.

Источник: Alex Reisner, The Atlantic

😎 { Синтезиум. Подписка }

Как проходит твой суббота, друг?🤓

Как утилита для сжатия файлов случайно стала сердцем GPT

Метод, которым сегодня режут текст на токены все крупные модели (GPT, Claude, Gemini), придумал программист из Колорадо-Спрингс Филип Гейдж. Еще в феврале 1994 года он опубликовал в журнале статью «Новый алгоритм для сжатия данных». Задача была бытовой: как сжать файл на диске. Предложенное им решение состояло в поиске в файле самой частой пары байтов и замене её одним символом. И название он придумал подходящее: Byte Pair Encoding, сокращённо BPE.

Дальше на 21 год об этой разработке все забыли. Казалось, что она была ничем не примечательна: одна из сотен похожих алгоритмов сжатия. Потом идею открывали заново трижды и каждый раз для другой задачи.

В 2012-м инженеры Google Майк Шустер и Кайсуки Накадзима искали способ распознавать голос на японском и корейском, где нет пробелов между словами, и пришли почти к тому же решению под именем WordPiece. В 2015-м команда Эдинбургского университета наткнулась на статью Гейджа, разбирая задачу машинного перевода, и впервые применила BPE не для сжатия, а для сборки словаря частей слов. Точку поставила OpenAI в 2019-м, встроив доработанный BPE в GPT-2 — с этого момента подход стал отраслевым стандартом.

Три команды, три разные задачи — сжатие файлов, голосовой поиск, машинный перевод — и ни одна из них не думала об искусственном интеллекте. Редкий случай, когда узкая инженерная идея переживает свою исходную область целиком: от экономии места на диске до основы, по которой сегодня считается стоимость работы нейросети для пользователя.

Похожих историй в технологиях немало, когда идея ждёт своего контекста годами, иногда десятилетиями, и находит его там, где её совсем не искали.

#LLMпросто

😎 { Синтезиум. Подписка }

За что на самом деле платят нейросети

Внутри компьютера нет ни одной буквы — только числа. Процессор — это набор транзисторов, и у каждого два состояния: 0 и 1, и буквы туда просто не помещаются. Поэтому ещё до того, как текст попадает в модель, стандарт UTF-8 переводит каждый символ в число. Например, слово cat (кот) превращается в три байта — 99, 97, 116.

Работать с текстом побайтово моделям невыгодно: страниц миллионы, а каждая буква — отдельная операция. Поэтому перед моделью стоит токенизатор — программа, которая склеивает часто встречающиеся сочетания букв в один блок. Пушистый cat из трёх байтов превращается в один токен под своим номером. Словарь этих кусков и правила их склейки хранятся в двух простых файлах на сервере и собираются один раз, при подготовке модели — дальше с ними работают все пользователи мира.

Отсюда и ответ на вопрос из заголовка. Токен — единственная единица, с которой модель реально имеет дело внутри себя. На каждый токен уходит отдельный проход через все слои модели — миллиарды перемножений чисел. Поэтому в ценах на API всегда два тарифа, и output (выход) дороже input (входа): ответ модель считает токен за токеном, каждый через полный вычислительный цикл.

Здесь же прячется деталь, о которой редко говорят. Кириллица режется на токены хуже латиницы: словарь токенизатора в основном учился на английских текстах, и один и тот же смысл на русском обычно занимает почти вдвое больше токенов. Написали по-русски «привет, как дела» — заплатили примерно вдвое больше, чем за ту же фразу на английском.

#LLMпросто

😎 { Синтезиум. Подписка }