Industrial Ai | Stanislav Dmitriyev

💡AI не меняет бизнес. И это уже становится проблемой.

HBR фиксирует тревожный тренд:
компании массово инвестируют в AI — но не получают системного эффекта.

Не потому что AI слабый. А потому что они застряли на “последней миле”.

📊 Что происходит на практике:

— сотни пилотов → но нет масштабирования
— рост личной продуктивности → но нет роста прибыли
— AI внедрён → бизнес остаётся прежним

💡 Главный разрыв:

AI усиливает людей, но не трансформирует организацию.

А значит — деньги тратятся,
а конкурентное преимущество не появляется.

🤔 Ключевая ошибка: Компании пытаются “добавить AI”
в существующие процессы.

Но:

старые процессы + AI = быстрее неэффективность

❗️ Реальный сдвиг начинается только здесь:

➡️пересборка процессов под AI
➡️изменение ролей и ответственности
➡️перенос знаний из людей в системы

AI — это не технологическая инициатива. Это операционная трансформация.

И главный риск сейчас —
не “отстать в AI”, а вложиться в AI — и не изменить ничего.

🚀 NVIDIA делает важный шаг: AI становится переносимой средой

Launchables — это не просто “запуск по ссылке”.
Это возможность открыть ссылку и получить полностью готовую AI-инфраструктуру:

— GPU
— окружение
— зависимости
— модель и код

💡 Суть сдвига:

AI перестаёт быть
➡️ либо сложной инфраструктурой
➡️ либо закрытым API

И становится воспроизводимой средой, которую можно передать ссылкой.

Как Docker когда-то изменил разработку —
такой подход может изменить AI.

Не модель как продукт.
А среда + модель как единица распространения.

И это уже про другое будущее:

— быстрее эксперименты
— проще масштабирование
— меньше зависимости от конкретных платформ

AI начинает распространяться как код.

ИИ-агенты меняют экономику рынка: заработают интеграторы, а не создатели моделей
💡 “Нейро Ковальский” пересказал колонку Бена Томпсона: прорыв не в архитектуре LLM, а в «обвязке» — системах-harness, которые позволяют агентам сами планировать действия, проверять ответы и вызывать инструменты. В такой картине мира растет спрос на вычисления и сервисы вокруг моделей, а прибыль уходит тем, кто собирает рабочие решения, а не тем, кто просто продает API к нейросети.

Платформа Cua учит ИИ «тыкать по кнопкам» за нас — от CLI до десктопных интерфейсов.
💡 “Константин Доронин” описывает Cua как песочницу и SDK для UI‑агентов: там есть виртуалки Windows, MacOS и Linux, бенчмарки и защита. GPT‑5.4 сумел освоить работу в консоли с одного промпта, что намекает, как скоро агентов пустят в реальные корпоративные системы.

💡 Разработчики «подсели» на ИИ-кодинг и не хотят возвращаться назад

По данным исследования METR, о котором рассказывает “Сбежавшая Нейросеть”, программисты, привыкшие к ассистентам вроде Copilot, продолжают ими пользоваться, даже если ускорение спорное. ИИ становится не «фичей для избранных», а новым дефолтом в индустрии — маркетинговые обещания частично сбываются.

💡Claude перестал быть чат-ботом. Он стал рабочим инструментом.

Anthropic тихо выкатила обновления — но это на самом деле большой сдвиг.

Что изменилось:

📊 Claude теперь сам создаёт графики, диаграммы и визуализации прямо в чате

📈 работает внутри Excel — анализирует данные, строит отчёты

📑 делает презентации в PowerPoint, понимая весь контекст

🔗 и главное — помнит всё между приложениями (Excel ↔ PowerPoint)

💡OpenAI резко меняет стратегию

Компания, которая пыталась делать всё — от видео (Sora) до браузера и устройств — теперь признаёт: это была ошибка.

По данным The Wall Street Journal, внутри OpenAI сейчас режим почти “code red”.

Главное решение:

➡️ свернуть часть side-проектов
➡️ сфокусироваться на одном — продукты для бизнеса

Причина проста:

— ресурсы распыляются
— продукты конкурируют друг с другом
— а конкуренты (особенно Anthropic) начинают забирать рынок, особенно в coding AI

💡 Главная проблема AI сегодня — не технологии. А то, что люди используют лишь малую часть их возможностей.

OpenAI выпустила новую концепцию — AI for Self-Empowerment.

Её ключевая идея:
между тем, что AI уже умеет, и тем, как люди реально его используют, существует огромный разрыв.
OpenAI называет это “capability overhang” — скрытый потенциал технологий, который пока почти не раскрыт.

Интересный факт: power-users используют возможности AI примерно в 7 раз больше, чем обычные пользователи.

То есть разница уже сейчас не столько в технологиях, сколько в уровне AI-грамотности людей.

И главный вывод:

🤖 Следующее большое неравенство будет не между странами, а между людьми, которые умеют работать с AI — и теми, кто нет.

💡 В эпоху AI самый важный навык — уметь усиливать себя технологиями

💡Самая дорогая ошибка в AI сейчас — использовать слишком большие модели.

Исследование Distil Labs показало неожиданную вещь.
Маленькие fine-tuned модели (0.6B–8B) могут решать многие задачи не хуже frontier-LLM.

Но стоят они совершенно по-другому.

Пример стоимости на 1 млн запросов:

• Fine-tuned SLM → $3
• Claude Opus → $6 241

🤔 Разница — более чем в 2000×.

Почему так происходит?

Большие модели — это универсальный интеллект. Но в реальных продуктах задачи обычно узкие и повторяемые.

И там маленькие специализированные модели часто работают быстрее, дешевле и стабильнее.

Поэтому новая архитектура AI-сервисов выглядит так:

⚙ маленькие модели → для массовых задач
💡 большие LLM → для сложного reasoning

Не один огромный AI. А система из десятков специализированных.

Похоже, именно так будет выглядеть следующее поколение AI-продуктов.

💡На Reddit обсуждают интересный эксперимент: маленькие fine-tuned модели Qwen3 (0.6–8B) смогли обойти frontier-LLM на ряде узких задач.

Самое удивительное — размер.
0.6B параметров — это в сотни раз меньше, чем у топовых моделей вроде GPT-класса.

Но после тонкой настройки такие модели:

📈 занимают 1-е место в 4 из 8 тестов
📈 обгоняют более дорогие frontier-модели
📈 требуют в разы меньше вычислений

Вывод, который сейчас обсуждают разработчики:

❗️ Будущее AI — не обязательно в огромных моделях. А в маленьких, специализированных и дообученных под конкретную задачу.

SLM (Small Language Models) могут оказаться в 10–100× дешевле в инференсе, но достаточно умными для реальных продуктов.

И это может полностью поменять архитектуру AI-сервисов.

Anthropic опубликовала большое исследование влияния AI на рынок труда. Кому лень читать много букв — посмотрите хотя бы картинку, прикреплённую к посту.

В синей области — задачи, которые ИИ теоретически может выполнять прямо сейчас.

Красным — то, для чего люди фактически используют ИИ.

В настоящее время как минимум четверть задач, выполняемых работниками в США, доступны для искусственного интеллекта — и это 49% рабочих мест. Что на 36% больше, чем год назад.

В реальных условиях применение ИИ пока составляет лишь малую часть от того, что уже возможно. Каждый месяц красная зона немного увеличивается.

Как говорится, думойте ☝🏻

🤖 Мы все используем AI.
Но умеем ли мы им пользоваться?

Anthropic опубликовала интересное исследование — AI Fluency Index.
Это первая попытка измерить не то, сколько люди используют AI, а насколько хорошо они с ним работают.

Исследователи проанализировали почти 10 000 реальных диалогов с Claude и выделили 11 поведенческих паттернов, которые показывают уровень «AI-грамотности» пользователя:
- уточняет ли он ответы
- проверяет ли факты
- задаёт ли уточняющие вопросы
- или просто принимает результат как есть.

И самый неожиданный вывод:

❗️ Чем красивее и увереннее выглядит ответ AI, тем реже люди его проверяют.

То есть мы начинаем доверять машине именно тогда, когда нужно сомневаться сильнее всего.

В мире, где AI становится частью работы, бизнеса и образования, появляется новая компетенция:

💡 AI-fluency - умение думать вместе с AI, а не просто получать ответы.

https://www.anthropic.com/research/AI-fluency-index

ИИ стал главным оружием киберпреступников 💻

Хакеры начали использовать ИИ на всех этапах кибератак — от подготовки до сокрытия следов.

— об этом говорится в новом отчёте экспертов Microsoft Threat Intelligence

«Злоумышленники задействуют генеративный ИИ для составления фишинговых приманок, перевода контента, обобщения украденных данных, создания и отладки вредоносного ПО, а также написания скриптов и настройки инфраструктуры», — говорится в сообщении Microsoft.

ИИ ускоряет атаки и снижает порог входа — теперь сложные операции могут выполнять даже менее опытные хакеры 🙂

Хакеры vs. Специалисты по кибербезопасности – кто кого?

🌟 ByteDance перезапустила DeerFlow.

DeerFlow 2.0 - проект, переписанный с нуля, который не имеет ничего общего с первой версией. Там был фреймворк для глубокого ресерча, а здесь полноценный рантайм для агентов.

🟡В основе лежит связка LangGraph и LangChain.

Главный агент получает задачу, разбивает ее на подзадачи и порождает суб-агентов на лету. Каждый из них работает в изолированном контексте: не видит данные других агентов и главного процесса.

Суб-агенты запускаются параллельно, когда это возможно, и возвращают структурированные результаты, а главный агент собирает из них финальный вывод.

Сессия живет в изолированном Docker-контейнере с полноценной файловой системой, главный агент и суб-агенты работают в ней совместно.

Агент читает и пишет файлы, выполняет bash-команды, работает с изображениями. Между сессиями нет никакой взаимной путаницы.

🟡Навыки и инструменты

Возможности агента определяются через Skills. Из коробки есть исследование, генерация отчетов, создание слайдов, веб-страниц, изображений и видео. Навыки загружаются по мере необходимости, только когда задача их требует. Это снижает нагрузку на контекстное окно и позволяет работать с моделями, чувствительными к расходу токенов.

Инструменты - по той же логике: базовый набор (веб-поиск, fetch, работа с файлами, bash), плюс поддержка MCP-серверов и произвольных Python-функций. Все можно заменить или расширить.

🟡Память и контекст

DeerFlow помнит пользователя между сессиями. Накапливается профиль: стиль письма, технический стек, повторяющиеся сценарии. Данные хранятся локально.

Внутри длинной сессии система сама управляет контекстом: завершенные подзадачи суммируются, промежуточные результаты уходят на диск. Контекстное окно не раздувается.

🟡Интеграции

Поддерживаются Telegram, Slack и Feishu. Из Claude Code можно взаимодействовать с запущенным инстансом DeerFlow напрямую через специальный skill: отправлять задачи, управлять тредами и выбирать режим выполнения.

🟡Модели и деплой

Система работает с любой моделью через OpenAI API, включая локальные через Ollama. ByteDance рекомендует использовать модели, которые поддерживают длинный контекст (100k+ токенов), ризонинг, мультимодальность и надежный tool-use.

DeerFlow также встраивается как Python-библиотека без запуска HTTP-сервисов:

from src.client import DeerFlowClient
client = DeerFlowClient()
response = client.chat("Analyze this paper", thread_id="my-thread")

📌Лицензирование: MIT License.


🟡Demo
🖥GitHub


@ai_machinelearning_big_data

#AI #ML #Agents #DeerFlow #ByteDance

TADA

Говорилка от Hume AI с естественным звучанием.

Основная фишка - синхронизирует текст и аудио, благодаря чему работает впятеро быстрее и надёжнее аналогов

Работает по точному соответствию между текстовыми токенами и векторами аудио

Генерирует полный речевой сегмент для текстового токена за один шаг, без привязки к фиксированной частоте

Не «придумывает» лишних слов и не пропускает текст

2B и 4B параметров - может работать прямо на телефоне или других устройствах без подключения к облаку

Хорошо справляется с длинными текстами


Гитхаб
HF
Демо

Спасибо @Endorpheen

#tts

Нейронавт в MAX

OpenAI превращает ИИ в полноценную dev-команду с системой Symphony
🤖 По данным “Neural Brain”, Symphony — это автономный ассистент-разработчик, который подключается к вашим таск-трекерам и репозиториям, сам ведёт задачи, пишет код, тестирует и собирает отчёты. Пользователь задаёт цели и приоритеты, а дальше агент крутит весь цикл разработки без постоянного участия человека — как будто у вас появился невидимый тимлид и несколько мидлов сразу.

🤖 Perplexity превращает Mac mini в AI-сотрудника за $200 в месяц

Perplexity представил Personal Computer (уже был анонс) на своей первой конференции Ask 2026 в Сан-Франциско. Софт ставится на Mac mini и работает 24/7. Агент получает доступ к файлам, Gmail, Slack, GitHub, Notion, Salesforce и действует самостоятельно: мониторит триггеры, выполняет задачи, готовит утренние брифы.

❗️ Вычисления происходят на серверах Perplexity, но все данные остаются локально. Чувствительные действия требуют подтверждения пользователя, есть логирование и кнопка экстренного отключения.

❗️ Под капотом можно выбрать модель: Claude, Gemini или Grok. Можно запустить несколько моделей одновременно и дать им общаться друг с другом.

❗️ Доступ пока по вейтлисту, только для подписчиков Perplexity Max ($200/мес, 10000 compute-кредитов). Отдельно анонсировали Enterprise-версию с SSO и compliance-контролями.

💡 Большинство компаний до сих пор думают об ИИ как о инструменте.
Но новая реальность — это агенты, которые сами выполняют работу.

В новом отчёте Accenture “The New Rules of Platform Strategy in the Age of Agentic AI” говорится, что это меняет саму логику платформ.

Раньше платформы соединяли людей, приложения и данные.
Теперь они начинают соединять людей, данные и… автономных AI-агентов, которые могут принимать решения и выполнять задачи.

Из-за этого меняются правила:

➡️ архитектура компаний становится иерархией AI-агентов
➡️ платформы превращаются в системы координации работы людей и ИИ
➡️ стратегия компании всё меньше про IT-системы и всё больше про организацию интеллекта внутри бизнеса.

Фактически появляется новый тип компании — agentic enterprise, где сотрудники работают вместе с десятками цифровых коллег.

❗️ Коротко: следующая платформа — это не софт. Это экосистема из людей и AI-агентов.

Вышел отчет по безработице США, при прогнозах 58K показал -92K, это очень сильное падение, и внушительная часть увольнений похоже связана с автоматизацией.
Information Services -11K
Ai related cuts. 🧐

Получается парадокс. Экономика охлаждается, работники теряют работу НО компании становятся прибыльнее. Значит Ai начал приносить пользу 🙂