STARTOBUS

Anthropic выпустила свой ответ OpenClaw. Буквально вчера у меня в телефоне и десктоп-версии Claude появилась новая вкладка - Dispatch. Пока только внутри раздела Cowork.

Всю ночь вайбкодил, не подходя к ноуту, а сегодня вообще его в офисе оставлю.

Вот как это работает:
— Связывает ваш телефон с непрерывной сессией Claude на компьютере.
— Вы отправляете задачи сообщениями на ходу и возвращаетесь к уже выполненной работе.
— Выполняет код в безопасной локальной песочнице.
— Ваши файлы остаются на 100% локальными и конфиденциальными, а Claude запрашивает ваше разрешение, прежде чем что-либо трогать.

Да, компьютер должен оставаться включенным, но гибкость просто невероятна. Уже доступно для пользователей тарифа Max (скоро появится и для Pro).

Только что в АppStore появился Comet

Я скачал.

Незаметно для себя я начал пользоваться агентом в браузере на ежедневной основе. Обожаю Comet и ассистента внутри, регулярно сгружаю ему ресерчи, заполнение заявок, поиск мест, промокодов, ставлю повторяющиеся задачи, прошу помогать с настройкой серверов, работать в апи-консолях и многое другое.

Теперь и на смартфоне буду его гонять. Ссылка на приложение вот.

Кстати, как там Atlas, кто-нибудь использует?

Nvidia анонсировала «безопасный OpenClaw»

Платформа для запуска AI-агентов от Nvidia называется NemoClaw. По сути, это доработанный OpenClaw с упором на безопасную работу для бизнеса.

Можно подключать любых агентов, облачные и локальные модели. Привязки к чипам Nvidia нет — можно использовать любое оборудование.

Уже доступна альфа-версия: https://brev.nvidia.com/launchable/deploy?launchableID=env-3Azt0aYgVNFEuz7opyx3gscmowS&ncid=no-ncid

Как запустить рандомную модель на своем железе?

Можно повторить то, что сделал Dan Woods, когда ему захотелось самому запустить Qwen3.5-397B на своем M3 Max 48GB (tweet).

Он взял Claude Code, ткнул пальцем в autoresearch репу от Andrej Karpathy, скормил статью Apple "LLM in a Flash" и сказал, что хочет себе так же.

Спустя 5 часов, система запустилась и выдала 1 tok/sec. Еще спустя 3 часа оптимизаций - 4.74 tok/sec и использует 5.9GB RAM. Причем, там еще далеко не все оптимизации реализованы.

Как нынче говорят - стоит испытать огромную благодарность к людям, которые раньше реализовывали подобные оптимизации вручную.

Ваш, @llm_under_hood 🤗

Manus теперь есть еще и в десктоп-вариации

Тут все как у всех (например, как в Co-Work от Антропик):

Можно разбирать файлы, запускать агента в папки и проекты, делать автоматизации, прокачивать навыки агента, писать с ним код и многое другое. Ну и все это в простом интерфейсе, без терминалов и сотен команд.

Скачивать тут.

⚡️ В LLM-индустрии наметился исторический сдвиг. Нейросети физически научились вычислять.

Стартап Percepta опубликовал исследование (пока Proof of Concept), от которого гудит всё AI-комьюнити. Они впаяли виртуальную машину (WASM-интерпретатор) прямо в матрицу весов Трансформера.

В чем фундаментальная проблема?
Обычные ChatGPT и Claude не вычисляют математику, они её угадывают (отсюда галлюцинации в точных задачах). Сейчас это чинят костылями: заставляют ИИ писать Python-код и гонять его во внешней песочнице.

Percepta доказали: Трансформер способен исполнять сложнейший машинный код прямо внутри себя со 100% точностью🤯

Как это выглядит (чистый киберпанк):
Вместо генерации текста по экрану со скоростью 30 000+ токенов в секунду летит машинный код - нейросеть жонглирует регистрами и ветвлениями. Авторы скормили в веса самое сложное в мире судоку. Трансформер физически исполняет алгоритм поиска: подставляет цифру, ловит противоречие, делает откат (backtracking) и находит ответ. Никаких галлюцинаций, чистая логика.

Как они сломали ограничения?
Раньше так не делали из-за Attention Bottleneck. Классическая нейросеть на каждом шаге вынуждена перечитывать всю свою историю генерации. На миллионном шаге вычислений она бы просто сожрала всю память и умерла.
Авторы изобрели Exponentially Fast Attention - поиск данных в прошлом за логарифмическое время. Трансформер перестал тупить и начал прогонять миллионы шагов за секунды.

Прямой путь к AGI?🤖
В комменты под статьей уже пришел Андрей Карпаты выразить респект. И суть тут далеко не в создании быстрого калькулятора.

Современные LLM - это наше интуитивное, "быстрое" мышление (System 1). Программный код - это жесткая, детерминированная логика (System 2). То, что сделали Percepta - это чертеж того, как слить их воедино в одном «мозгу».

Если этот безошибочный математический сопроцессор смогут бесшовно скрестить с речевыми моделями, мы получим ИИ, который навсегда перестанет галлюцинировать в логике. Агентам больше не понадобятся внешние скрипты - тяжелейшие симуляции будут крутиться прямо внутри весов. И это уже не просто улучшение чат-ботов, это прямой, технически осязаемый мост к AGI.

Будем следить👀👀

Обсуждение тут https://x.com/ChristosTzamos/status/2031845134577406426

Привет, друзья! HeyGen представили новую функцию для создания вирусных роликов

Нейросеть сама смонтирует видео, которое наберёт просмотры в соцсетях. ИИ добавит красивые титры, плавные переходы и сделает всё визуально привлекательно.

Самое интересное — снимать ничего не придётся. Всю работу выполнит виртуальный аватар, можно даже использовать готовый.

#heygen

Нейросети: Волшебство ИИ

Игорь Гурович прислал статью a16z про Institutional AI vs Individual AI.
Очень в точку.

Это про то, почему у людей уже x10 productivity, а у компаний до сих пор не x10 результат.

1) Исторический паттерн
Сначала приходит новая технология (в статье — аналогия с электричеством).
Первые внедрения обычно выглядят как “вставили новый мотор в старую фабрику”.
Реальный эффект приходит позже — когда меняют не только инструмент, а саму конструкцию организации.

2) Главная мысль
Individual AI делает конкретного человека быстрее.
Institutional AI делает компанию как систему сильнее.
Это не одно и то же.

3) Где ломается большинство внедрений
— у каждого сотрудника свой стиль использования AI, свои промпты, свои артефакты;
— эти артефакты не связаны в единый поток решений;
— много “контента” и “активности”, но мало проверяемого бизнес-эффекта;
— команды тонут в AI-slop: генерить стало легко, отбирать сигнал стало сложнее;
— руководство часто видит локальные улучшения, но не видит системного роста выручки/скорости/качества на уровне всей организации.

Итог: продуктивные люди внутри непродуктивной системы.

4) Что отличает Institutional AI
— coordination layer: кто с кем синхронизируется, как передаётся контекст, где единая правда;
— детерминированные процессы: checkpoints, правила, audit trail, воспроизводимость;
— фокус на signal extraction: не “сгенерировать ещё 20 вариантов”, а найти 1 правильный ход;
— оптимизация на edge и outcome, а не на “время, сэкономленное сотруднику”;
— и важный момент: ответы AI будут оптимизированы не под то, чтобы соглашаться с пользователем, а под то, чтобы двигать компанию вперёд — подсвечивать риски, ломать слабую логику, удерживать стандарт.

То есть не yes-man, а рабочая управленческая функция.

5) Почему это важно прямо сейчас
Рынок сдвигается вверх по слоям:
foundation models → app layer → solution layer.
И основная ценность будет собираться там, где AI встроен в оргдизайн, процессы и ответственность — а не просто в личные чатики сотрудников.

Вывод (и статьи, и мой):
У нас уже есть “электричество”. Теперь пересобираем фабрику.

У меня недавно кликнул следующий такт понимания новой оргструктуры и процессов вокруг ai. Попозже расскажу.

Ночью пришло уведомление от GitHub, что Андрей Карпати опубликовал у себя проект «Job» - утром захожу, а там пусто. Видимо, снёс, но то, что попало в интернет, остаётся там навсегда, и люди уже наделали форков. Полез изучать.
Это оказался инструмент для оценки влияния ИИ на профессии:
— Скрейпит 342 профессии с сайта Бюро статистики труда США
— Оценивает каждую профессию через LLM (Gemini Flash через OpenRouter) по шкале 0–10 - насколько ИИ угрожает этой работе
— Визуализирует результат в виде интерактивной treemap-карты

Если посмотреть на оригинальный дашборд, то видно, что средний балл составил 5,3. Чем выше балл - тем выше вероятность, что профессию вытеснит ИИ.

Разработчики ПО — 9/10
Юристы — 8/10
Офисные клерки — 9/10

По сути, любая работа, связанная с экраном, находится под угрозой.
Ну и я решил загрузить туда данные с HH, получилось вот так: https://ai.apigpt.ru/jobs/

Google выпустил мультимодальную embedding-модель

Gemini Embedding 2 работает с текстом, изображениями, видео, аудио и PDF.

В бенчмарках обходит всех конкурентов. При этом других моделей, покрывающих такой спектр задач, похоже, пока нет.

https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-embedding-2/

А мне нравится, как NVIDIA просто описала рынок искусственного интеллекта в формате пятислойного пирога:

1) Энергия - каждый токен - это электроны и теплоотвод. Нет энергии - нет интеллекта.

2) Чипы - параллельные вычисления, HBM, интерконнекты. Эффективность определяет стоимость.

3) Инфраструктура - это уже не дата-центры, а целые вычислительные фабрики. Каждый ответ ИИ рассчитывается в реальном времени.

4) Модели - не только LLM. Белковый ИИ, химический ИИ, физическое моделирование, робототехника.

5) Приложения - ИИ-агенты, создание лекарств, юридические копилоты.

Каждое тянет за собой все слои под ним.

Выходит, что за государствами остаётся самый первый "корж" - энергия, себе они (NVIDIA) забрали второй, корпорациям достался третий и четвёртый, а вот на пятом слое, видимо, будут резвиться те, кто рискнёт запустить свой продукт.

В закрепе перевод лонгрида

ИИ Anthropic мог выбрать иранскую школу как цель для удара — армия США расследует

Удар по иранской начальной школе унёс жизни 175 человек — в основном детей. Теперь армия США выясняет, не участвовал ли ИИ Anthropic в выборе этой цели.

Claude от Anthropic работает с разведывательной системой Maven для «определения объектов военного интереса». Спутниковые снимки показывают, что школа была отделена от военного объекта ещё в 2013–2016 годах — данные могли быть устаревшими на десяток лет. Пентагон отказался говорить о роли ИИ, официально называя произошедшее «человеческой ошибкой».

🔗 Читать: https://mltimes.ai/ii-anthropic-mog-vybrat-iranskuyu-shkolu-kak-tsel-dlya-udara/

YouTube заработал на рекламе $40,4 млрд. Это больше, чем Disney, NBC, Paramount и Warner Bros. вместе взятые. И может стать крупнейшей в мире медиакомпанией.

Это очень интересно с точки зрения того, куда сдвигается индустрия потребления контента.

@lobushkin

Ладно, извините, это слишком хорошо 😁

a16z выдали шестой выпуск своего рейтинга топ-100 генеративных ИИ-приложений.

Это такой полугодовой срез того, чем люди реально пользуются (замеряют по трафику на вебе и по активным юзерам на мобилках).

И вот что интересного:
ChatGPT все еще в отрыве. 900 миллионов еженедельных пользователей - это больше 10% населения планеты.

Sora слилась. OpenAI запустили Sora 2.0 как отдельное приложение в сентябре, оно 20 дней провисело на первом месте в App Store и набрало миллион скачиваний быстрее, чем ChatGPT. А потом... тишина. Скачивания упали настолько, что в мобильный рейтинг Sora даже не попала. Зато китайские модели для видео - Kling AI, Hailuo, Pixverse - стабильно растут и по качеству обгоняют всех. Первая американская модель, которая реально с ними конкурирует - Veo 3 от Google.

Горизонтальные агенты - новая категория. В рейтинг вошли Manus и Genspark. Кстати, Manus уже второй раз в рейтинге, и с прошлого выпуска его купил Цукерберг за $2 миллиарда. А OpenClaw за пару недель набрал 68 000 звезд на GitHub, обогнал React и Linux по звездам и, считай, тоже был куплен OpenAI.

Вайб-кодинг растет, но в стратосферу еще не улетел. Replit, Lovable, Claude Code - все в рейтинге. Те, кто подсел - пользуются активно, но массовый юзер пока не дотянулся (опять мы с вами в пузыре). Выручка при этом растет, то есть кто пришел - платит.

Рекомендую полистать отчет, очень занятно.

Янн ЛеКун собрал $1 млрд на «модели мира» — ИИ, который учится у реальности, а не у текста

AMI Labs Янна ЛеКуна закрыл раунд на $1,03 млрд при оценке $3,5 млрд. Стартап строит «модели мира» — ИИ, который понимает реальность через пространство и причинно-следственные связи, а не через предсказание текста. Основа — архитектура JEPA, которую ЛеКун предложил ещё в 2022 году.

Среди инвесторов — NVIDIA, Samsung, Bezos Expeditions, Эрик Шмидт и Тим Бернерс-Ли. CEO Александр ЛеБрун честно предупреждает: термин «world model» скоро превратится в маркетинговый штамп. Продукта пока нет и в ближайшие годы не будет — только фундаментальные исследования и открытый код.

🔗 Читать: https://mltimes.ai/yann-lekun-sobral-1-mlrd-na-modeli-mira-ii-kotoryy-uchitsya/

👛 Шопинг через промпт

В свежем Harvard Business Review вышел отличный разбор того, как генеративный ИИ перестраивает ритейл.

Пишут, что целевая аудитория брендов фундаментально меняется: нужно уметь продавать не только людям, а их персональным ИИ-ассистентам.

Механика покупок становится алгоритмической. Пользователи все чаще просят нейросеть сравнить товары, почитать отзывы или даже напрямую совершить покупку. Причем такому агенту доверяют больше, чем корпоративному боту, потому что ожидают от нейросети непредвзятости.

Ритейлу нужно учитывать: если ИИ не видит товар в своих базах или ошибочно классифицирует его характеристики, есть риск потерять лид еще до того, как человек вообще о нем узнает. Нужно оптимизировать каталоги под жесткую машинную логику.

Топ-менеджеры советуются с AI

Опрос 200 владельцев бизнеса и CEO в Великобритании показал, что большинство активно использует чат-ботов как основной источник второго мнения.

62% говорят, что AI помогает им принимать большинство решений. 140 человек признались, что начинают сомневаться в своей идее, если бот её не одобряет. А 46% доверяют советам AI больше, чем коллегам.

Есть ещё 38% и 54%, получается. Ждем-с.

https://futurism.com/artificial-intelligence/ai-executive-thinking-survey