Токсичный Джон

Светлое будущее:

https://abcnews.com/amp/Politics/pentagon-breach-exposed-sensitive-data-3-million-people/story?id=136832909

Если вы весь такой военный, это не значит, что умный.

Вот зачем им полные имена и даты рождения? Псевдонима, телефона и адреса для доставки пиццы мало? НУЖНО БОЛЬШЕ ДАННЫХ! чтобы их проебать

И даже не спрашиваю, зачем их хранить в открытом виде.

Умудрился вызвать kernel panic на M1 от перегрева.

В Яндексе (с опозданием на год) обнаружили ещё и то, что код теперь пишет ИИ, а задачи разработчика сместились на постановку задачи и контроль. Статьи об этом выпускают. Могу со стопроцентной вероятностью предсказать, что парни откроют через год.

Складывается впечатление, что огромное количество людей застряло то ли в шестнадцатом, то ли в двадцатом веке с железным занавесом: тащат заграничную диковинку, переводят на русский и водят вокруг хоровод. Прям как русский плагиат-рок восьмидесятых.

Ранее по теме:
https://t.me/tmjohn/6526

AI не поможет с наймом. Если его неправильно использовать.

Последний месяц я довольно много времени провёл в LinkedIn. Изучал, как компании нанимают руководителей в продукт, технологии и AI.

Вакансии стали длиннее, к процессу прикрутили алгоритмы, но сам найм до сих пор устроен примитивно.

Компания ищет человека, который должен определить стратегию, собрать команду, перестроить процессы и отвечать за результат. При этом из вакансии часто невозможно понять, кому он будет подчиняться, чем сможет распоряжаться самостоятельно, есть ли у него бюджет и кто вправе отменять его решения. Иногда не называют даже саму компанию.

От кандидата сразу хотят резюме, телефон, зарплатные ожидания и подробную историю работы. То есть кандидат должен раскрыться ещё до того, как сможет понять, существует ли в компании та работа, которую ему предлагают.

И дело не только в том, что это невежливо. Без описания полномочий сама вакансия толком ничего не означает. Один Head of AI получает бюджет, команду и право выбирать, что строить. Другой ходит по департаментам, собирает пожелания и отвечает за внедрение решений, которые не может ни выбрать, ни остановить. Название должности одинаковое, а работа совершенно разная.

Когда содержание роли туманно, найм превращается в трату времени обеих сторон.

О, вы работали в Google DeepMind? Отлично, нам как раз нужен VP of Applied AI.

Камон.

Человек пять лет оптимизировал исполнение кода для обучения моделей на специфичной облачной инфраструктуре. Это серьёзная инженерная работа. Возможно, выдающаяся. Но она ничего не говорит о том, умеет ли он находить применение AI в бизнесе, считать экономический эффект, менять существующие процессы, работать с пользователями, compliance и legacy. И уж тем более из неё не следует, что он сможет собрать applied AI-команду, которая будет выпускать работающие продукты, а не технические документы.

Нанимать его руководить прикладным AI только из-за DeepMind — примерно то же самое, что поручить инженеру Formula 1 управление городской службой такси. Он действительно разбирается в автомобилях. Просто перед ним будет совсем другая задача.

Модель прочитает тысячу резюме, найдёт знакомые названия компаний, сопоставит термины и объяснит, почему один кандидат подходит лучше другого. Если ей поручили искать биографию, похожую на заранее выбранный образец, она честно найдёт самую похожую.

Но она не спросит, правильно ли описана роль. Почему человек отвечает за adoption, не управляя бюджетом? Почему результат Head of Product зависит от нескольких департаментов, которые ему не подчиняются? Почему работа в исследовательской лаборатории считается доказательством способности построить коммерческий продукт?

Эти вопросы должен был задать тот, кто создавал вакансию и процесс отбора. Если он этого не сделал, AI ничего не исправит. Ошибки останутся прежними — просто совершать их теперь можно быстрее.

Сначала всё-таки придётся нормально описать работу. После этого модели действительно пригодятся: они смогут исследовать опыт кандидатов, проверять факты и замечать связи, которые человек мог пропустить.

Рекрутеры, которые это понимают, ищут не через размещение вакансии, а сарафаном и охотой за головами.

Перешёл на Opus 5.5 xhigh + gpt-6-sol high.

Opus — оркестрирует. Sol — занимается визуальной приёмкой, верификацией и для разрешения сложных конфликтов дёргает Astra.

Сколько бы игрушек ни было у ребёнка, мало что может соперничать с большой коробкой.

Cтолько не живут

Реальность упёрлась в условный рефлекс на бело-голубую иконку Mail.app. А потому и здесь снова гексагон…

Сегодня вместо сказки был рассказ про развитие операционных систем. О разнице между обычным вычислением и операциями. Об определяющей роли Unix в становлении современных файловых операционных систем. О заимствованиях в MS DOS. Об интерфейсах, гонке за производительностью, и о нескольких слоях подсистем.

О разнице между привычными файловыми операционными системами и большими языковыми моделями. О поисках интерфейсов для взаимодействия между ними на уровне состояний. О legacy-интерфейсе в виде чата, изобретённым для наблюдения за вводом и выводом. Об оптимизме по тесной интеграции языковых моделей с операционной системой и последовавшей панихидой по Software. И о разочаровании, породившем два параллельных способа интеграции языковых моделей в процессы, и воскресившем Software. О дороговизне верификации и методах проверки. И о том, что интеграции «состояний» и «файлов» хоть и являются костылём, дают сейчас лучший результат с точки зрения роста производительности труда.

Уже где-то на «воскрешении» слушало меня только тусклое свечение очистителя воздуха.

Хроники Чебурнета

Крупные хостеры начали предупреждать клиентов, что если их ноды недоступны из России — это не проблема хостера, а вопрос связанности сети, которую нарушают российские провайдеры и гении с ТСПУ.

Запуск Helldivers II (его античит) перестал убивать claude code.

Оказывается, в химии такая же революция благодаря ML происходит, что и в биологии.

Вместе со сколтеховским USPEX Артёма Оганова творит историю новых материалов.

Лучшую предсказательную модель сделали парни из китайского подразделения, которое Microsoft разогнала.

Теперь все они в китайских научных институтах.

Чревато сверхпроводимостью при комнатной температуре и очень крутыми материалами. Не далёкое, как у всех, а то самое близкое и которое можно потрогать будущее.

Если всегда хотели в химию, то теперь туда можно через ML. А всю известную комбинаторику и нюансы, накопленные наукой, умеет делать модель.