Искусственный интеллект

ChatGPT помнит меня. И это пугает

Недавно поймал себя на одном нехорошем ощущении.

ChatGPT теперь помнит не только содержание текущего чата. Он помнит мою машину, разговоры с врачами, проекты, над которыми я работаю, статьи, которые писал. Иногда достаточно намекнуть: «мы это уже обсуждали», — и он действительно продолжает разговор с того места, где мы остановились.

И вот тут становится не по себе.

ИИ знает обо мне уже очень много. Слишком много!

Где же приватность, конфиденциальность?

Не разговаривать с ним на эти темы? Шифроваться? Как вариант да. Но и комфортность общения пропадает, разговоры с оглядкой, конспирация…

А что будет через несколько лет? Не окажется ли так, что он будет помнить обо мне больше, чем я сам?

И сразу вспоминаются посты ИИ-энтузиастов, которые строят сложные системы из агентов, моделей, циклов, внешней памяти… А потом неожиданно начинают говорить о создании собственной цифровой копии.

Еще недавно это звучало как фантастика.

Но ведь подобные идеи появляются уже не впервые.

Когда вышел iPod, многие сравнивали плейлисты известных людей и пытались по ним делать выводы об их характере и привычках.

Потом журналисты называли iPhone «вторым Я», потому что в нем оказалась значительная часть жизни человека.

Однажды мой знакомый попросил помочь с компьютером. Больше всего он переживал за жесткий диск. Там были фотографии, музыка, письма — часть его жизни. Потерять диск означало потерять часть самого себя. И что останется без этой части?

Тогда мне пришла на ум еще одна ассоциация. Космонавты перед стартом идут к ракете, а в руках у каждого небольшой чемоданчик, соединенный со скафандром. В нем находится система жизнеобеспечения.

Похоже, человечество постепенно носит такой «чемоданчик» уже много лет. Сначала фотографии и документы. Потом смартфон. Теперь — ИИ, который начинает помнить не только наши файлы, но и наши мысли, проекты, привычки и историю общения.

Возможно, это просто очередной этап развития технологий.

А возможно — начало совсем другой эпохи, в которой цифровая память станет продолжением человеческой личности.

В общем, ассоциаций много, а вопрос один - неужели мы действительно движемся в эту сторону?

«Скажите спасибо, что с хлебом останетесь»: почему авторы ИИ-гайдов переходят к снобизму в комментариях?

Знаете ощущение когда сказать, что я "****л" это ничего не сказать?
Такое ощущение у меня возникло от статьи https://habr.com/ru/articles/1064580/ и комментариев автора @Alexey_Begin

При прочтении статьи и комментариев видно как автор унижает разработчиков в ключе "вы ещё не доросли до вайбкодинга". Почему это остатёся на хабре?

Жалоба в саппорт подана. Но удивляет равнодушие и не способность ответить агрессивному инфоцигану. Всем добра и справедливости.

С structural уязвимостью оберточного AI-бизнеса: почему следующий уровень — это агрегаторы

Сейчас на рынке AI происходит массовое явление, которое можно описать мемом про «волка в бикини». Один видит успешный продукт, другие начинают слепо копировать его форму, не меняя суть.

Но в случае с ИИ это явление приобрело масштаб эпидемии не из-за человеческой глупости, а из-за падения стоимости разработки до нуля. Давайте разберем, как это меняет структуру рынка и где здесь возникает бизнес-уязвимость.

Шаг 1. Что скопировали все (базовая архитектура)

Посмотрите на 90% AI-сервисов, появившихся за последний год. Их бизнес-модель выглядит максимально просто:

Пользователь → Чат-бот (обертка) → Одна модель (GPT / Claude / DeepSeek)

Предприниматель не строит инфраструктуру. Он делает удобную оболочку, берет API и продает доступ.

Шаг 2. Почему это произошло именно сейчас

Раньше создание такого сервиса требовало денег на разработчиков. Сегодня сам ИИ (тот же Claude) пишет фронтенд, бэкенд и дизайн за неделю. UX паттерны чат-ботов стандартизированы, их легко скомпилировать.

В результате на рынок вылилось переизбыток абсолютно идентичных продуктов. Стоимость входа упала, барьеры исчезли.

Шаг 3. Появление структурной уязвимости

Когда рынок перенасыщен идентичными одноуровневыми продуктами, всегда открывается структурная уязвимость. Она заключается в том, что становится выгодным создать следующий уровень абстракции.

Архитектура меняется с этой:

Пользователь → Чат-бот → (GPT или Claude)

На эту:

Пользователь → Чат-агрегатор → Множество чат-ботов/моделей → (GPT, Claude, DeepSeek, Gemini)

Шаг 4. Почему агрегатор забирает рынок

Пользователю в 2026 году уже в большинстве случаев плевать, какая именно модель работает под капотом. Ему не нужен «доступ к Claude» или «доступ к GPT». Ему нужно решить задачу: написать код, перевести текст, сделать анализ.

Агрегатор снимает с пользователя необходимость выбирать. Он работает по принципу ИИ-агента (то, что сейчас продвигает Microsoft): пользователь не открывает разные программы, он отдает команду, а система сама решает, куда ее направить:

Запрос на код → уходит в Claude.

Поиск и анализ → уходит в Gemini.

Локальная быстрая задача → уходит в локальный DeepSeek.

Пользователь сидит за одним столом и заказывает всё что угодно из всей отрасли.

Шаг 5. Аналогия с парком аттракционов

Представьте парк развлечений.

Текущие оберточные боты — это люди, которые стоят у каждого аттракциона и продают отдельный билет: на колесо обозрения, на тир, на карусель.

Агрегатор — это единое приложение парка. Вы покупаете абонемент, заходите и просто говорите: «Хочу покататься». Система сама ведет вас на свободный аттракцион.

Когда на входе в парк стоит 500 продавцов отдельных билетов (оберточных ботов), спрос на них падает, потому что появился один человек у входа, продающий удобство выбора.

Итог

Бизнес-уязвимость «волка в бикини» на рынке AI не в том, что клоны делают плохой продукт. А в том, что массово копируя устаревающую одноуровневую архитектуру Пользователь-Бот-Модель, они сами подготавливают почву для своего собственного поглощения агрегаторами нового типа.

Строить еще одну обертку под одну модель — это продавать билет на карусель, когда напротив уже открывается касса всего парка. Пишите что не умеет ИИ в 2026 - году).

Апдейт карты AI safety грантов и программ (1 августа)

Прилетел свежий апдейт.

Живой документ.

Что горит в августе

• 2 авг - FASR: fully funded резиденция в Cambridge, security + hardware verification

• 6 авг - FAST (SASH): 5 дней в Сингапуре, AI control и open-weight security

• 8 авг - DeepMind x Schmidt x CAIF x ARIA: пул до $10M на multi-agent safety

• 8 авг - TARA: бесплатно, ARENA-курс, APAC

• 9 авг - Better Futures Fellowship: удаленка, AGI preparedness

• 9 авг - Sentient Futures Incubator: welfare / digital minds

• 16 авг - Longitude DC Intensive: техническая safety в policy

• 16 авг - GovAI Research Scholars: открылась, London / DC, 1 год

• 17 авг - AIAF Fellowship: $12k + компьют, удаленка, техническая alignment

• 18 авг - SPAR (менти): part-time, удаленка

• 23 авг - Lightcone Commons и Corrigibility Research Fund

Что добавилось нового

Программы и феллоушипы: AIXI Labs, AIAF Fellowship, FASR, FAST, Syntony, TARA, Sentient Futures, Longitude, Iliad Intensive, AISB, Better Futures, Frame, Generator, BASE, Atlas Computing.

Фонды и гранты: Iliad RFP, AIAF grant, Paradigm 3, Halcyon Futures, Lightcone Commons, IFP Launch Sequence, AI Safety Research Fund, Corrigibility Research Fund, микрогранты Leo Gao, CLR Fund.

Суммы и дедлайны меняются, так что перед подачей всегда проверяйте официальную страницу.

---

Mrs Wallbreaker or: How I Learned to Stop Worrying and Love the AGI. 
About AI Risk, AI Alignment, AI Safety, AI Ethics
https://t.me/MrsWallbreaker

Как кусок ламината помогает не сжечь насос

Продолжаю делиться небольшими решениями для умного дома, которые спасают не столько время, сколько технику и нервы.

В доме у меня стоит накопитель для воды. Вода сначала поступает в него, а уже потом распределяется по системе. Это помогает пережить отключения: даже если подачу временно перекрыли, в запасе остаётся некоторый объём.

После накопителя установлена насосная система, которая поддерживает нормальное давление в доме.

Я столкнулся с проблемой: если воды долго нет, запас в накопителе постепенно заканчивается. Насос при этом продолжает гонять воздух и работать всухую. Соответственно, возникает риск: насос перегревается и в какой-то момент может просто напросто сгореть.

Чтобы не следить за уровнем воды вручную, я поставил на накопитель датчик. А насос подключил через умную розетку.

Получился довольно простой сценарий:

– датчик следит за уровнем воды; 
– когда вода опускается ниже минимальной отметки, система получает сигнал; 
– умная розетка отключает насос; 
– когда вода возвращается, насос можно снова включить.

Правда, без небольшого креатива не обошлось.. Закрепить датчик прямо на накопителе не получилось, потому что крышка была неровной. В итоге установил его на кусок ламината и уже эту конструкцию разместил сверху.

Выглядит, конечно, не как заводское решение, но зато работает)

Больше интересных постов можно найти в моём телеграм-канале. Там я пишу про управление знаниями и делюсь разными ИИ-находками для дома и не только. Подписывайтесь, чтобы не пропустить новые тексты.

В конце июля 2026 года Google выкатила возможность генерировать по промпту с помощью ИИ для генерации изображений Nano Banana разные объекты на картах Google Earth. Инструмент позволял приблизить любую точку на карте и создать там новый снимок по текстовому запросу. В Google предлагали использовать эту опцию для визуализации исторических событий, инфографики, архитектуры и планирования строительства. Инструмент был доступен пользователям по всему миру.

Пользователи сразу начали создавать на картах взрывы ядерных бомб в разных местах и различные разрушения. После этого в Google через пару часов поняли, что натворили и быстро убрали опцию из общего доступа.

В Google подчеркнули, что сгенерированные изображения были помечены как созданные ИИ и не отображались в основной версии Google Earth для других пользователей. Однако после волны критики компания решила временно полностью отключить эту функцию.

Появилась возможность получить доступ к Google AI Plus на 1 год в рамках партнёрской программы Internshala для работы, учебы и других задач.

После регистрации получите БЕСПЛАТНУЮ подписку на Gemini, NotebookLM, Flow и 400 ГБ облачного хранилища.

Что нужно сделать:

• зайти по адресу https://internshala.com/;

• создать учётную запись;

• найти предложение Google AI Plus для аккаунта;

• нажать на предложение и активировать план;

• Прикрепить карту. С карты ничего не спишут, а дадут подписку бесплатно на целый год. Изначально акцию сделали для студентов, но пользователи утверждают, что она активируется и на обычных аккаунтах.

Мы выпускаем образовательный ресурс open-explainable-ai.  

Котятки, образовательный ресурс open-xai. 

Ресурс построен как единая точка, где можно учиться просто всему, что есть в интерпретируемости. От классических методов, до геометрии и математики в моделях.

Сейчас в нем:
 ⁃ 2 трека. XAI Practitioner — объяснять поведение моделей руками, от классики до LLM. Math of LLMs — математика и mechanistic interpretability изнутри модели, на уровне весов и схем.
 ⁃ 17 тематических блоков — сквозняком от линейной регрессии до Sparse Autoencoders.
 ⁃ 50+ методов интерпретируемости в одной программе.

Мы (t.me/MrsWallbreaker и t.me/jdata_blog, спасибо ей еще и за этот текст) открываем ресурс и открываем первые два (часть ресурса будет бесплатной и такие блоки будут открываться первыми сейчас). 

Открытые с сегодня блоки погружают в термины и мир интерпретируемых моделей. После модулей вы никогда больше не сможете смотреть на них прежними глазами)  

Это только начало галактики — и новые модули будем докатывать. Для понимания апдейтов можно завести аккаунт: https://open-xai-platform.web.app/register (письмо-подтверждение может упасть в спам — гляньте туда, если не пришло).

Тыкать, пробовать и делать баг-репорты (мы надеемся, что последнего будет мало) сюда: https://open-xai-platform.web.app

Сколько на самом деле стоит локальная LLM?

Привет, Хабр! Я Дмитрий Емец, тимлид отельного поиска в Островке.

Как и многие, до какого-то момента я воспринимал локальные LLM как «свои»: модель скачана, компьютер уже куплен, API-ключ не нужен. Запустил — и работаешь.

Но с чем я сравниваю локальный запуск — с API или с нулём?

Решил прикинуть: привести оба варианта к одной метрике — стоимости 1 млн выходных токенов. 

Сразу оговорюсь: это не сравнение качества моделей. Одинаковый объём генерации не означает одинаковое число решённых задач.

Розетка — не главное

Для расчёта беру домашнюю сборку с RTX 5080. Заявленное потребление видеокарты — 360 Вт, поэтому для грубой оценки закладываю 500 Вт на всю систему под нагрузкой.

Тариф — 10,4 ₽ за кВт·ч, верхняя граница из моих московских тарифов.

0,5 кВт × 10,4 ₽/кВт·ч = 5,2 ₽ в час.

Электричество стоит меньше шести рублей в час. Но API продаёт токены, поэтому важна скорость генерации. 

Возьмём три условных сценария: 10, 20 и 40 токенов в секунду. Конкретная скорость зависит от модели, квантизации, размера контекста и движка.

Один миллион токенов при таких скоростях генерируется примерно за 28, 14 и 7 часов. Значит, электричество обойдётся в:

• 145 ₽ при 10 ток/с;

• 72 ₽ при 20 ток/с;

• 36 ₽ при 40 ток/с.

И это всё ещё не основная статья расходов.

Железо меняет картину

Моя сборка стоит около 370 тыс. ₽. Чтобы оценить её стоимость, предположим, что она куплена преимущественно ради локального инференса и амортизируется три года без учёта остаточной стоимости: 250 рабочих дней в году по восемь часов.

370 000 / 3 / 250 / 8 ≈ 62 ₽ в час.

При полной полезной загрузке амортизация на 1 млн выходных токенов составит:

• около 1710 ₽ при 10 ток/с;

• около 860 ₽ при 20 ток/с;

• около 430 ₽ при 40 ток/с.

С учётом электричества получаем примерно 1860, 930 и 460 ₽ соответственно.

Расчёт предполагает, что все учтённые часы GPU действительно генерирует полезные токены. Если система простаивает, фактическая цена токена растёт. Если компьютер уже был куплен для других задач, наоборот, полную стоимость сборки относить на LLM некорректно: тогда имеет смысл считать только дополнительные расходы и стоимость занятого GPU-времени.

С чем сравнивать API

У провайдеров входные и выходные токены обычно оплачиваются отдельно. Для сопоставимости я беру только выходные токены. Время обработки входного контекста локально тоже не учитываю, поэтому для длинных запросов этот расчёт будет нижней оценкой.

По открытым тарифам порядок цен такой: 

• бюджетный сегмент (GPT-5.4 nano, Gemini 3.1 Flash-Lite) — 50–150 ₽ за 1 млн выходных токенов;

• средний сегмент (GPT-5.6 Terra, Gemini 3.5 Flash) — 450–1000 ₽;

• верхний сегмент (Claude Opus 5, GPT-5.6 Sol) — 1500–3000 ₽.

Цены округлены по официальным тарифам и курсу на 31 июля 2026 года. 

Получается:

• при 10 ток/с локальный запуск по цене попадает в верхний сегмент API — 1860 ₽;

• при 20 ток/с он сопоставим со средним — 930 ₽;

• при 40 ток/с начинает выглядеть конкурентно — 460 ₽, но только при высокой загрузке и без учёта различий в качестве моделей.

Когда локальный запуск оправдан

Локальная LLM не становится бесплатной только потому, что счёт за API не приходит. Главные параметры — стоимость железа, скорость генерации и загрузка.

Экономика может сойтись, если GPU уже куплен, регулярно используется и локальная модель решает нужную задачу не хуже доступной альтернативы. Если железо приобретено специально и большую часть времени простаивает, «свои токены» просто скрывают расходы внутри покупки.

Но цена — не единственный критерий. Приватность, офлайн-работа, предсказуемость и полный контроль могут оправдать локальный запуск даже без выигрыша в рублях.

Для ряда моих задач локальные LLM пока не выстрелили. В сложной разработке с большим контекстом быстро упираешься в объём памяти, а подходящее железо стоит несопоставимо дороже подписки за условные $20 в месяц. 

А для вас локальная LLM уже стала рабочим инструментом — или пока остаётся дорогим хобби? Расскажите в комментариях.

Какую ИИ модель вы хотите улучшить без переобучения для своих задач или просто локального запуска ?

Подключайся к онлайн-митапу MWS — эксперты поделятся опытом организации стабильных Go-сервисов ⚙️

MTC Web Services (MWS) приглашает на митап для Go-разработчиков. Подключайтесь онлайн к встрече 11 августа в 15:00, чтобы узнать, как эксперты из MWS и Cloud.ru строят высоконагруженные системы. Спикеры разберут три ключевых слоя Go-сервисов на реальных кейсах и продакшн-опыте.

Вас ждет три технических доклада:

1. «Построение агентов на A2A с изолированным исполнением на Go»

Go-разработчик Вера Касьяненко из MWS расскажет, как построить ИИ-агентов  с выполнением потенциально опасных действий в изолированной среде, используя A2A и Client-go, и какие ограничения необходимы для этой изоляции. Она разберет модель угроз, жизненный цикл задачи и ограничения для безопасного исполнения.

2. «Как разрабатывать эффективные и экономичные Kubernetes-операторы на Go»

Алексей Ковалев из Cloud.ru на примере реального cluster-wide оператора покажет, как снизить потребление памяти с 7,5 ГБ до 400 МБ, а P95 цикла согласования —- со 150 до 40 мс. Он расскажет о кешировании, индексации и балансе между производительностью и стоимостью.

3. «Точный Rate Limiting на API Gateway в мульти-ЦОД инфраструктуре»

Андрей Пушкарев из MWS Octapi расскажет, почему готовые решения Redis, In-Memory Data Grid и Gossip-протокол — не выдерживают требований по нагрузке и латентности в их инфраструктуре, и как они написали собственную систему шеринга состояния и алгоритм ограничения нагрузки на бэкенд.

📅 Когда: 11 августа (вторник) в 15:00, онлайн

👉 Регистрируйся, чтобы послушать про опыт инженеров, задать вопросы и обсудить собственные кейсы.

Увольте дизайнера, избавьтесь от Figma

10+ лет я просил дизайнеров делать clickable prototype, чтобы потом, спустя спринт или два, не переделывать. Но им было некогда.

Теперь дизайнер не нужен: любой Front любой сложности LLM собирает за минуты, и если нужны два варианта — посветлее и потемнее, — то это еще 2 минуты.

Но самое главное — мысль, которая возникла в голове у Product Owner, сразу материализуется. 

И это не просто clickable prototype, это рабочий продукт, который можно наживую править. 

Первая версия всегда говно. Я так за один день сделал 30+ изменений и наконец увидел то, что было у меня в голове. 

И самое главное: мысль в голову Product Owner может прийти в 6 утра, и не надо ждать, пока все проснутся и заведут свою Figma. 

К 8 утра ты уже получаешь материализованную мысль, которая выглядит отлично и работает, остается только докрутить Backend до идеала.

Как вы поняли, аналитиков в этом loop тоже нет — они тоже не нужны 🙂

Больше по теме тут.

Как подключить брокерский счёт к ChatGPT и другим ИИ-сервисам?

«Финам» интегрировал платформу FinamTrade с искусственным интеллектом через стандарт MCP (Model Context Protocol). Теперь любой пользователь может “подружить” свой брокерский счёт с ИИ-ассистентом — ChatGPT, Claude или любым другим сервисом, который поддерживает MCP. Всё настраивается за пару минут через веб-версию FinamTrade: выпускаете токен, подключаете — и можно получать аналитику и ответы на свои инвестиционные вопросы обычными текстовыми запросами, прямо в чате.

Что умеет Finam MCP уже сейчас:

• Моментально показывает состояние всех счетов, баланс, актуальные котировки, структуру портфеля.

• Принимает текстовые запросы вроде «Покажи список моих позиций», «Какая сейчас цена GAZP?» или «Что у меня в секторе “Технологии”?».

• Помогает анализировать портфель: выделяет риски, концентрацию, динамику изменений.

• Поддерживает работу с несколькими токенами и ИИ одновременно, всё под контролем пользователя.

• Интеграция возможна не только с популярными чат-ботами, но и с любыми приложениями, работающие со стандартом MCP.

На данный момент сервис предоставляет быстрый и удобный доступ ко всей ключевой информации по инвестициям, а также позволяет работать со списками избранного и заметками через ИИ-интерфейс. В ближайших обновлениях команда планирует добавить возможность просмотра истории операций и расширить инструменты для управления алертами.

Где узнать больше?

30 июля в 18:00 (мск) состоится бесплатный вебинар, на котором команда FinamTrade продемонстрирует:

• Как быстро получать аналитику по счёту, позициям и котировкам через обычные текстовые запросы.

• Как вести списки наблюдения и делать персональные заметки, не тратя время на рутину.

• Как формулировать запросы к ИИ и получать мгновенные, понятные ответы.

• Как использовать фильтры по портфелю, искать прибыльные и убыточные бумаги, сравнивать результаты, управлять наблюдением за инструментами.

• Ответят на вопросы в прямом эфире.

Участие бесплатное по регистрации

Будем рады видеть всех, кто интересуется современными инструментами для эффективной работы с инвестициями!

AI-Иллюзия: Фейковый успех в NYT и надувающийся пузырь на Уолл-стрит

Мы живем в эпоху AI-помешательства. С одной стороны, СМИ рисуют сказки о миллиардных империях, построенных одним человеком за ночь. С другой крупнейшие аналитики бьют тревогу: индустрия превратилась в финансовый пузырь, обреченный на коллапс. Две стороны одной медали: отсутствие проверок ради хайпа.

Сказка про $1.8 миллиарда

В апреле The New York Times опубликовала вдохновляющий текст о MEDVi: телехелс-стартап с двумя сотрудниками и кучей нейросетей якобы сделал $401 млн выручки с прогнозом в $1.8 млрд. Подача живое подтверждение слов Сэма Альтмана про «компанию на миллиард от одного основателя».

Проблема в том, что NYT забыла погуглить факты. За шесть недель до публикации FDA пригрозило MEDVi конфискацией за незаконный маркетинг лекарств. За 13 дней подали коллективный иск за спам-рассылки. А тысячи рекламных объявлений компании велись от имени вымышленных врачей (включая «Professor Dongledore»).

Более того, $1.8 млрд — это не оценка компании (valuation), а самозваный прогноз выручки без единого аудита. NYT намеренно утопила эту оговорку в конце текста ради кликабельного заголовка.

Опасный миф «один человек заменил команду»

История MEDVi идеальная иллюстрация того, как СМИ не понимают суть технологий. ИИ это мультипликатор. В MEDVi он умножил не эффективность, а хаос: чатбот выдумывал цены на лекарства, нейросети генерировали фейковых врачей, автоматизация стала спам-машиной.

Галлахер не заменил врачей или юристов он просто отключил контроль качества. Это не новая бизнес-модель, а классический обман, масштабированный ИИ. Точно так же, как "вайб-кодинг" дает приложение без тестов, которое развалится при первых ста пользователях.

От микро-обмана к макро-пузырю

Эта микро-история симптоматична для макро-рынка. Goldman Sachs, McKinsey и Gartner уже признают: AI-пузырь — надвигающаяся катастрофа.

Факты сухи: по данным BCG, лишь 5% компаний получают от ИИ реальную выгоду, половина GenAI-проектов проваливается. Возникла круговая схема: инвесторы дают деньги Big Tech те инвестируют в стартапы (OpenAI) стартапы покупают мощности у Big Tech акции растут. Конечного потребителя, готового окупить эти триллионы, в цепочке нет.

Индустрия села на иглу долгов. Oracle влезла в дата-центры на сотни миллиардов и потеряла половину капитализации. OpenAI рапортует о $20 млрд выручки, но скрывает хроническую убыточность. Участники гонки не могут остановиться: чтобы оплачивать старые долги, нужно брать новые, убеждая инвесторов, что «завтра всё окупится». Аналитики открыто сравнивают это с ипотечным кризисом 2008 года.

Скучное будущее

Первая волна любой революции токсична. Pets.com обанкротилась, но пришел Amazon. Настоящие успешные AI-компании не попадут на обложки NYT. Они будут скучными: с жестким комплаенсом, кросс-модельными проверками, тестами и независимым аудитом.

Итог один: авось не стратегия. AI мощный инструмент, но без контроля он становится не магией, а ускорителем катастрофы. Проверяйте факты, даже если источник — The New York Times.

Открытый ИИ-проект JCode запускается намного быстрее Claude Code и может работать в 100 сессиях одновременно: 

• одна сессия весит всего 28 МБ оперативной памяти.

• можно запустить целый рой ИИ‑агентов — они будут делать проект вместе, распределять обязанности и критиковать работу друг друга.

• есть глобальная память между сессиями, чтобы не потерять ни единой строки кода.

• работает с API Claude, OpenAI/ChatGPT/Codex, Gemini, GitHub Copilot, Azure, Alibaba Coding Plan и другими сервисами.

• поддерживает запуск локальных моделей через Ollama и LM Studio.

• редактирует, перезагружает, дебажит код, чтобы довести задачу до идеала.

• можно импортировать сессии из Claude Code, Codex, OpenCode и Cursor.

• также строит диаграммы для любой кодовой базы, чтобы вы могли быстрее и тщательнее вникнуть в проект.

Инференс трансформеров на чистой Java без Python и JNI

Запуск нейросетей на Java часто воспринимается как компромисс: либо JNI-обвязки, либо Python-стек, либо готовые рантаймы. Но современные JDK уже позволяют строить полноценный пайплайн инференса внутри JVM — без Python, без JNI-слоя и без лишней магии.

Хочу провести технический вебинар и показать, как на чистой Java реализовать инференс трансформеров и оптимизировать его под CPU, используя:

• Foreign Function & Memory API (FFM) — для безопасной работы с нативной памятью и маппинга весов моделей без лишнего оверхеда и давления на GC;

• Vector API — для SIMD-ускорения матричных операций на CPU.

И это не только про LLM.

На вебинаре разберём, как на Java можно запускать и оптимизировать разные классы трансформеров (encoder-only, encoder-decoder, decoder-only):

• RoBERTa — для классификации и NLP-задач;

• MiniLM — для эмбеддингов и семантического поиска;

• T5 — для seq2seq-сценариев и генерации;

• Qwen — для современных LLM-сценариев и практического инференса.

То есть цель вебинара — не показать ещё один способ вызвать llama.cpp по API, а разобраться, как устроен сам Java-слой инференса для трансформеров и где он реально полезен.

Если тема вам интересна — оставьте контакты по ссылке.

Если наберём 20+ заинтересованных, я подготовлю программу и разошлю приглашения с датой.

UPD: Всем, кто заполнит форму предрегистрации, я сразу после вебинара (или даже чуть раньше) скину ссылку на приватный репозиторий с базовым PoC/бенчмарком инференса Qwen на Vector API, чтобы вы могли покрутить код сами.

Время тупых и смелых пришло, остальное сделает chatGPT

Суммарная производительность всех GPU в AI-датацентрах достигла некоторой оценки FLOPS человеческого мозга. То есть AI-вычисления сейчас = мозговым вычислениям всех людей на планете.

Почему тогда мировой ВВП не вырос в два раза? Он вырос на 10–15%, что по сути 0% с учетом инфляции с 2022 года.

Раньше определенный bottleneck был в анализе/сборе данных и создании продукта. Сейчас это стоит копейки. Bottleneck сместился в область принятия решения и действия. И если помочь выбрать из 100 вариантов, сгенерированных AI, сам же AI тоже может, то вот реально действовать пока не везде.

Поэтому приходит время полностью автономных ИИ-агентов, где единственным ограничением будет бюджет, выданный агенту под мета-задачу.

Тут есть несколько проблем:

👉 Люди боятся выдать ИИ-агенту полные права на действия (я сам боюсь — а вдруг че?)

👉 Доступ к реальному миру ограничен, хотя и уже решается (роботы и meat layer)

👉 Ответственность — тут единственный вариант это ментальное списание бюджета при передаче ИИ-агенту (то есть, по сути, бизнес-ангельский подход) и страховка рисков в рельном мире.

Первое поколение ИИ продавало интеллект 🧠, второе уже начинает продавать выполнение задач ✅

Мультиагентность — эффективный подход или просто красивый фантик?

Каждый, кто гонял задачи через субагентов, знает: это дольше, чем работа в одной сессии. Субагент сперва въезжает в контекст — заново собирает картину, что у основной сессии уже в голове. Плюс оркестрация. Работник ценный, да всякий раз с чистого листа.

Вопрос закономерный: оправдано ли это?

У нас есть приём, обычно зашитый прямо в claude.md: никакого «сам написал — сам и проверил».

Агент, проверяющий собственный код, находит лишь те баги, которые готов за собой признать: он смотрит на задачу из того же замысла, в котором её решал. Оно и понятно — всё равно что просить студента перепроверить контрольную по своему же решению. Спишет у самого себя, да ещё и уверенно.

Поэтому без независимого аудита мёрдж не предлагаем. После любой нетривиальной доработки запускается отдельный агент, не видевший хода решения. Ему на вход — только код диффа и явный чек-лист:

1. Полнота — покрыты все места вызова, а не одно.

2. Нерегрессия — не сломаны ли смежные пути.

3. Тесты — есть ли проверка на изменение и проходит ли.

4. Скрытые баги — edge-кейсы, null, гонки, ошибки внешних сервисов.

5. Слои — не уехала ли логика не туда.

6. Секреты — не утекли ли ключи в код или логи.

Ключевое: аудитору не показывают авторскую версию событий — он судит по коду, а не по рассказу о нём. Нашёл проблему — возвращает автору; чинит автор, аудитор перепроверяет.

И тут «потеря контекста», что обычно мешает, оборачивается главной ценностью: аудитор дорог именно тем, что не видел решения и не заражён замыслом. Он и ловит то, чего у автора глаз уже не берёт: замылен.

Аудитом дело не ограничивается. Та же логика — когда нужно независимое мнение на архитектурной развилке или когда объёмную побочную задачу (длинный лог, незнакомая библиотека) уводишь в отдельную сессию, чтоб не сорить в основном контексте. Словом, субагент хорош там, где отдельный контекст или свежий взгляд дают то, чего одна сессия не может.

Даже там, где субагент оправдан, не обязательно брать самую сильную модель. Механические проверки из чек-листа — не утёк ли ключ, есть ли тест, не уехал ли слой — прекрасно закрывает Sonnet: вопрос узкий, ответ проверяемый. А поймать то, чего не заметил автор, — гонку, хитрый edge-кейс, неочевидное архитектурное последствие — лучше попросить Opus: чтобы увидеть то, что упустил умный, нужен как минимум не менее умный. Дешёвой модели при этом ставим планку приёма: уверена — принимаем, сомневается — поднимает флаг и отдаёт выше.

Отсюда и ответ: мультиагентность — не фантик тогда, когда второго агента поднимают не «чтобы было», а там, где его независимость работает на результат. Иначе — красивая обёртка, а под ней, как водится, пусто.

Продолжение постов один и два

Я же лучше собаки? Именно этот метафорический вопрос встал передо мной, когда я, будучи тимлидом команды ИИ, решил впустить (разумеется, в разумных пределах) в свою рабочую деятельность популярные модели.

Вместе с искусственным интеллектом мы активно планировали, рассчитывали загрузку ресурсов, анализировали работу команды и т.д. и т.п. С виду, конечно, все весело, учитывая ориентацию моделей на позитивные и заумные ответы, которые должны удовлетворить пытливые умы юзеров. На какой-то момент я даже подумал, что все - конец карьеры руководителей не только неизбежен, но и невероятно близок. На практике же все оказалось куда менее прозаично.

Оказалось, что модели всегда выдают что-то новенькое. На одну и ту же задачу сначала рекомендует 20 часов занятости топового сеньора команды, при точно таком же запросе далее - уже 10. Разницу чувствуете? Бюджет команды - несомненно ощутил бы эффект. Еще интересней, что на практике на ту таску он потратил бы часов 8.

Не хотелось бы уходить в какие дебри, а спросить именно у вас, дорогие товарищи, как вы считаете, способна ли ИИ-шка полностью заменить руководителей на местах, забрав на себя всю управленческую рутину или все-таки это направление по-прежнему будет нуждаться в грамотных специалистах, которые пусть и не будут всегда правы в своих решениях, но все же будут решать вопросы с присущей человеку логикой?

Vision AI в БКС

Привет, Хабр! Меня зовут Никита Устриков. В марте я присоединился к команде БКС в роли Head of AI. За это время мы с командой разработали стратегию развития ИИ в компании при поддержке руководства, и я хочу поделиться с вами главным.

🎯 Цель

Амбициозная, но конкретная: снизить операционные расходы на 30% к 2027 году. Не абстрактное «внедрить ИИ», а измеримая цифра с понятным механизмом достижения. Главная ставка — агентизация: там, где сегодня задачу выполняет человек по повторяемому алгоритму, завтра это делает агент — быстрее и дешевле.

🧩 Методы

Агентизация в масштабах большой компании — это не технологический вопрос. Технология — лишь один из слоёв, которые нужно выстроить одновременно.

Первый — технологическая и продуктовая платформа. Единая среда для разработки и запуска агентов, которая даёт командам возможность работать быстро, не изобретая колесо каждый раз.

Второй — R&D и обучение. Рынок меняется каждый день, и мы хотим успевать. Отдельная команда мониторит новые решения, проводит эксперименты и быстро переносит работающее в платформу.

Плюс Data Science внутри: файн-тюнинг, бенчмарки, качество моделей.

Плюс образование — от базовой грамотности для всех до умения считать ROI для руководителей. Потому что хайповать на ИИ легко, а получать от него эффект — нет.

Третий — внедрение. Центры компетенций, инженеры агентизации и специально спроектированная роль AI Business Partner — человек, который работает внутри бизнес-подразделения и является живым мостом между тем, чего хочет бизнес, и тем, что реально умеет ИИ.

Четвёртый — управление. Единые политики и стандарты работы с ИИ по всей компании. Без этого слоя трансформация быстро превращается в набор несвязанных экспериментов.

Недавно разгорелась жаркая дискуссия про развитие open-source в сфере ИИ:

• Выступлени Си Цзиньпиня

• Открытое письмо группы западных компаний

• Ответ Anthropic

Я внимательно это всё прочитал и кажется, что риторически Китай выигрывает:

1. Китай предлагает поставить ИИ на пользу всего человечества, а Запад - на пользу США. Оба эти утверждения встречаются в тексте многократно (удивительно, что европейские компании тоже подписывают американское заявление).

2. Китай предлагает открытую международную коллаборацию, США - игнорирует остальной мир.

3. Все топят за модели с открытыми весами, но только Китай их действительно открывает. Как понимать подпись OpenAI под письмом - не понятно. Они собираются открыть веса GPT-5?

4. Ни одна из сторон даже не заикается об открытых моделях по стандарту OSAID (т.е. с кодом для обучения, датасетом и всем таким). Насколько мне известно, самая сильная модель по такому стандарту вообще немецкая Soofi на 30B параметров. Но это очень слабо.

Мне конечно возразят, что Китаю верить нельзя. А OpenAI точно можно? Или может быть американскому президенту?

Мне одному кажется, что Китайская позиция намного более последовательная и жизнеспособная?

Представлен исследовательский проект STOLEN COMPUTE. Это каталог обнаруженных в сети открытых ИИ-серверов, часть из которых по разным причинам оказалась оставлена без защиты, включая ресурсы с ИИ-моделями Kimi 1T и DeepSeek V4.

А кто может объяснить почему ЛЛМ, агенты и тд не заменят программистов и прочих? С одной стороны, я смотрю на сверхуверенных в себе экспертов, которые говорят что агенты это просто инструмент, изобретение уровня IDE. Но с другой стороны, все буквально идет по сценарию ai2027.

Ловушка ИИ: первые 80% — быстро.

🤖 Первые 80% с ИИ делаются пугающе быстро. И именно поэтому велик соблазн поверить, что и последние 20% будут такими же.

Но увы. Нет!

Почти любой текст, презентация, ТЗ, письмо или отчёт сначала выглядят почти готовыми. ИИ действительно снимает самый психологически дорогой барьер: пустой лист.

Но потом начинается то, чего модель пока не умеет делать:

• проверить логику;

• найти противоречия;

• сверить нормы и ограничения;

• проверить привязки и цифры;

• учесть ответственность конкретных людей;

• адаптировать под реальную ситуацию, а не среднюю по интернету.

Именно здесь заканчивается магия и начинается профессия.

Получить черновик можно за 20% времени. Довести его до документа, за который не стыдно отвечать: оставшимеся 80%.

Поэтому главный навык ближайших лет, скорее всего, будет не «уметь пользоваться ИИ», а уметь профессионально проверять, дорабатывать и принимать его результат.

Но и в последнем случае стоимость ошибки никто не отменял. Именно там обычно и живут репутация, деньги и судебные иски.

P.S. в комментариях идеальная иллюстрация этого тезиса: черновики графика показанного выше.

Пародийный проект OverpAId предлагает заменить гендиректоров с помощью ИИ, а также распределить их зарплату между сотрудниками. Команда решения утверждает, что ИИ способен выполнять всю работу современного CEO, например, разрабатывать стратегию, формулировать «видение» компании и писать мотивационные письма для общих собраний. При этом ИИ-руководитель не требует повышения зарплаты, бонусов и нового корпоративного самолёта.

OverpAId предлагает калькулятор, который показывает, сколько получил бы каждый сотрудник, если бы вознаграждение CEO распределили между остальным штатом. В проекте также обращают внимание на разрыв между доходами руководителей и рядовых работников. Например, в крупных публичных компаниях генеральный директор в среднем получает примерно в 290 раз больше обычного сотрудника.

"Слащавый он какой-то"

Развитие искусственного интеллекта продолжает набирать обороты, появляются новые модели, внедряются свежие подходы, даже соответствующие законодательные акты принимаются на государственном уровне.

Сегодня хотелось бы немного поразмышлять насчет того, куда же все же мы идем с этими новомодными технологиями и... Причем не как айтишник, а как обычный человек. В рабочих моментах ИИ-шечка все же отрабатывает на все 100%.

Сейчас из каждого утюга идут рассуждения, касаемые перспективности развития нейросетевых технологий, важно понимать, что на местах рядовые граждане все чаще прибегают к их помощи. Углубляться в тонкости хрупкого баланса интеллекта искусственного и естественного не буду. Отмечу, что хотелось бы надеяться, что человечество (или хотя бы его подавляющее большинство) будет тяготеть к последнему. Сегодня же ситуация следующая.

Генерируем все: тексты, музыку, картинки, презентации и так далее. Лично у меня идет какое-то отторжение к творениям ИИ-креаторов, которых, по данным статистики, на одном из популярных стриминговых сервисов уже больше (вдумайтесь) 140 тысяч. Все как у героя Балабанова: "мне не нравится. Слащавый он какой-то, подкрашенный весь..."

Несмотря на лично мое отношение ко всему происходящему, лагерь современников из ИТ-сообщества и не только (мы не сказали про угрозу замены кодеров) разбивается на две когорты. В правом углу ринга - любители нового - зумеры, а в синих трусах - консерваторы, рожденные в прошлом веке.

И все же интересно, сколько нас таких здесь? Кто за кого? С удовольствием посмотрю ваши комментарии.

Инфраструктура для ИИ-ассистента

Снаружи ИИ-ассистент выглядит как окно чата. Но внутри — инференс, векторный поиск, база знаний, RAG-пайплайн, мониторинг и контроль доступа. От того, как всё это собрано, зависит, за сколько секунд приходит ответ, во что обходится каждый запрос и переживет ли сервис наплыв пользователей.

В статье разобрали инфраструктуру по слоям: где держать данные и контекст, каким задачам нужен GPU, а каким хватит CPU, и зачем связке из модели, хранилища и интерфейса контейнеры и Kubernetes. Плюс разница между MVP и production-архитектурой и типичные ошибки при проектировании.

Подробности — в блоге Рег.облака.

Что такое GeoRA? Рассказывают сотрудники лаборатории искусственного интеллекта компании «Криптонит».

В этом году группа китайских исследователей представила новый подход для эффективной настройки больших языковых моделей (LLM) в режиме обучения с подкреплением и проверяемыми наградами (RLVR).

Авторы показывают, что обычные методы параметрической тонкой настройки (PEFT), включая низкоранговую адаптацию (LoRA), не всегда эффективны в RLVR. Они не учитывают геометрию скрытого пространства (LSC), из-за чего обучение становится менее эффективным.

Метод GeoRA (Geometry-Aware Low-Rank Adaptation) призван устранить этот недостаток. Его ключевая идея в том, чтобы учитывать геометрическую структуру модели. RLVR-обновления часто лежат в анизотропном и сжимаемом подпространстве весов. Работа с ним не должна ломать основные признаки, уже выученные моделью.

Напомним, что LoRA обучает лишь небольшие низкоранговые матрицы вместо всех весов модели, поэтому она популярна в задачах экономного дообучения. GeoRA сохраняет эту идею, но добавляет сингулярное разложение (SVD, Singular Value Decomposition) и строит адаптер не прямо из исходной матрицы, а из геометрически ограниченного подпространства весов.

В GeoRA используется SVD для получения сингулярных компонент, которые и позволяют выделить главные направления обновления. Поэтому GeoRA одновременно обучает компактный адаптер и замораживает остаточные компоненты, что делает оптимизацию более устойчивой.

В результате достигается баланс между размером обновляемой части модели и стабильностью оптимизации. Вдобавок, GeoRA требует меньше вычислений, так как затрагивает мало параметров при обучении, а модель сходится быстрее.

Авторы проверили GeoRA на моделях Qwen и Llama с 1,5 – 32 млрд параметров, используя групповую относительную оптимизацию политики (GRPO) как основной RLVR-алгоритм. На математических бенчмарках GeoRA стабильно обошёл LoRA, PiSSA и MiLoRA, а также показал хорошие результаты на задачах по медицине и программированию.

Превращаем свой почерк в устанавливаемый шрифт. Вышел открытый навык draw-your-font для Claude Code, который собирает полноценный TTF по фотографии. Достаточно написать алфавит на листе бумаги, сфотографировать его и загрузить снимок в Claude. Нейросеть сама распознает буквы, очистит изображение и соберет готовый шрифт. Если какая-то буква получилась неудачно, Claude заметит это и предложит переписать символ перед финальной сборкой.

Представлен открытый проект ODS (Osmantic Deployment System). Это проект, который превращает ПК в приватный ИИ‑сервер. Решение само определяет характеристики ПК, подберёт под них подходящую модель, скачает её и запустит локальный инференс:

• все локально и приватно: можно работать с документами, кодом и другими важными данными;

• через одну панель можно подключить голосовых помощников, агентов вроде Hermes, RAG, поиск, генерацию изображений и десятки других инструментов;

• без облачного сервиса. Без подписки.

У хабра нет способа поиска спамных комментариев.

Посмотрите на этот профиль: https://habr.com/ru/users/simonidis/comments/

Каждый комментарий этого пользователя написан нейросетью. В каждом комментарии ссылка на youtube видео.

По новым правилам хабра запрещён ИИ слоп. Но у хабра нет никаких алгоритмов поиска этого нейрослопа.

Хабр существует 20 лет. За 20 лет они не сделали простой скрипт, который бы находил такие подозрительные профили, где в каждом комментарии одинаковая ссылка.

Если я нашёл профиль, который распространяет спам, нет даже кнопки, чтобы пожаловаться на этот профиль.

Почему так?

Anthropic обновила свой базовый курс Claude Code:

• добавлены новые уроки, теперь их 10 шт и итоговые видео;

• в курсе появился финальный экзамен, чтобы проверить полученные знания.
  

Совет от Андрея Карпаты для всех пользователей ИИ, которые работают над идеальными промптами: расслабьтесь. Вместо этого просто начните нести что-нибудь — долго, нудно и без остановки. «Иногда LLM просто нужно больше деталей, чтобы понять, чего именно вы хотите добиться», — написал Карпаты. По его словам, такой подход помогает разделить задачи между человеком и ботом. Человек сгружает в модель любые сырые мысли о проекте, а чат-бот уже преобразует сбивчивый монолог во что-то чистое и структурированное.

Карпатый добавил, что часто начинает такие сессии с предупреждения для нейросети — что его ход мыслей может быть путаным, а в распознанном тексте будут опечатки. В итоге модель настраивается на волну пользователя, и ему приходится гораздо меньше поправлять её.

Slopsquatting: ИИ в тандеме со злоумышленником

Интересно смотреть, как ИИ меняет разные сферы - и кибербезу тоже досталось. Недавно наткнулся на термин slopsquatting и удивился: он живёт уже больше года, просто прошёл мимо меня - придумал его в 2025 Сет Ларсон из Python Software Foundation. Разбираемся, что это и почему это не страшилка ради красивых заголовков.

Начнём издалека - с более старого трюка, typosquatting (опечатка + захват). Атакующий регистрирует в PyPI, npm или другом репозитории пакет с именем, почти неотличимым от популярного - на одну букву, на дефис, на порядок слов. Классика: в декабре 2019 в PyPI нашли jeIlyfish - настоящий jellyfish, только строчная l заменена на заглавную I, визуально похожую в большинстве шрифтов. Пакет воровал SSH- и GPG-ключи. Рядом ехал python3-dateutil под python-dateutil; в npm похожая история - crossenv вместо cross-env (2017).

Внутри - вредоносный код, который срабатывает в момент установки, ещё до того, как вы обратились к пакету. Достаточно опечататься при установке зависимости - и всё, попался, голубчик.

Дальше - расчёт на человеческий фактор: кто-то опечатался вручную, кто-то скопировал команду из туториала с опечаткой. Охотиться за конкретной жертвой не нужно - зарегистрировал похожие имена под топовые пакеты и жди, кто ошибётся.

Slopsquatting - тот же трюк с апгрейдом под эпоху AI-кодинга. Когда LLM пишет вам код, она время от времени советует import библиотеки или pip install, которой на самом деле не существует - модель её выдумала, потому что название звучит правдоподобно.

Раньше на это смотрели как на безобидный баг: заметишь, попросишь исправить, и всё. Но в 2025-м исследователи UTSA опубликовали работу на USENIX Security: 16 моделей, 576 тыс. сэмплов на Python и JS. Результат - 19,7% рекомендованных пакетов не существовало.

Результаты правда относятся к моделям предыдущего поколения, актуальных метрик пока нет. Но нам интересно другое: 500 галлюцинирующих промптов прогнали по десять раз каждый. 43% выдуманных имён повторялись во всех десяти прогонах, ещё 58% - больше одного раза. Список фейковых имён воспроизводимый, а не случайный.

А воспроизводимость - подарок для атакующего. Не нужно брутфорсить: достаточно позадавать модели типичные вопросы вроде «напиши скрипт парсинга CSV», собрать частые несуществующие названия и зарегистрировать их с вредоносной начинкой. Дальше сценарий тот же: разработчик видит незнакомую библиотеку, не всегда успевает загуглить - и ставит то, что подсунула модель.

Это не теория. В 2024-м Бар Ланьядо из Lasso Security зарегистрировал пакет-пустышку huggingface-cli, который модели упорно советовали. За три месяца - больше 15 тысяч загрузок, а pip install huggingface-cli заехал в README репозитория Alibaba GraphTranslator. Никакого взлома - люди просто ставили то, что продиктовал ИИ.

Второй случай свежее и неприятнее: в январе 2026-го Чарли Эриксен (Aikido Security) заметил, что LLM склеила jscodeshift и react-codemod в несуществующий react-codeshift. Имя попало в коммит с 47 сгенерированными Agent Skills и через форки разошлось по 237 репозиториям - никто не вычитывал. Эриксен зарегистрировал пакет превентивно и сразу увидел загрузки. По его словам, вектором атаки это не стало только потому, что он успел первым.

Почему это стало проблемой именно сейчас:

• AI-агенты стали привычным способом писать рутинный код, и вопрос «а точно ли существует эта библиотека?» многие перестали задавать в принципе;

• галлюцинации разных моделей пересекаются - есть 127 имён пакетов (109 в PyPI, 18 в npm), которые независимо выдумывают сразу несколько ведущих моделей. Один зарегистрированный пакет ловит пользователей всех сразу;

• репозитории пакетов по-прежнему пускают регистрировать что угодно и от кого угодно, никак не проверяя, зачем вам это имя.

Короче: slopsquatting - история про то, как одна безобидная особенность модели превращается в готовый вектор атаки. Старый как мир supply-chain риск получил новый, куда более дешёвый вход.

Пользуясь случаем, пришлашаю в мой Telegram-канал.

Anthropic выпустила бета‑версию плагина Claude Security для Claude Code. Инструмент запускает многоагентную проверку репозитория, составляет отчёт об уязвимостях и предлагает исправления в виде патчей. Инструмент поддерживает четыре уровня глубины проверки. Чем выше выбранный уровень, тем больше агентов участвует в анализе и тем шире охват репозитория. При этом сканирование расходует токены в рамках тарифа пользователя.

Плагин работает внутри обычной сессии Claude Code и запускается командой /claude‑security. Пользователю доступны три основных сценария: проверка всего репозитория или отдельной его части; анализ изменений в ветке, pull request или коммите; создание патчей для выбранных уязвимостей.

Claude Security ищет ошибки, связанные с обработкой входных данных, управлением доступом, небезопасной работой с памятью, криптографией и секретами. Для проектов на языках с безопасным управлением памятью соответствующая категория автоматически исключается.

Для установки необходимо подключить плагин из официального каталога Anthropic. Для работы требуется платная подписка, Claude Code версии не ниже 2.1.154, Python 3.9.6 или новее и Git. Поддерживаются Linux, macOS и Windows.

Anthropic предупреждает, что плагин не создаёт отдельной изолированной среды и запускается с правами текущей сессии. Поэтому незнакомые и потенциально вредоносные репозитории рекомендуется проверять в песочнице. В команде проекта напомнили, что Claude Security не заменяет статические анализаторы, проверку зависимостей и ручной аудит кода.

ИИ-актриса впервые снимется в кино. Технологии отправят в утиль ещё одну профессию?

Компания Particle 6 анонсировала фильм Misaligned («Сдвинутая» или «Нестандартная» — как вам больше нравится). Впервые в полнометражном фильме главную роль сыграет актриса Тилли Норвуд, сгенерированная ИИ-моделью. Некоторые актёры протестуют, опасаясь, что нарисованные модели отнимут у них работу. Похоронит ли ИИ ещё одну профессию, как когда-то автоматика убила специальность лифтёра?

Многие визионеры пытаются успокоить, утверждая, что ИИ породит больше рабочих мест, чем заберёт. Они напоминают, что ткацкие станки, автоматические лифты и АТС оставили без работы тысячи человек, но не породили массовую безработицу. Только не стоит надеяться, что история будет повторяться всегда — всё случается в первый раз. И новые рабочие места в других профессиях вряд ли успокоили потерявших работу высокопрофессиональных ткачей, опытных лифтёров и выучивших сотни схем телефонисток.

Правда, и победу ИИ никто не гарантирует. Актёры не первый раз беспокоятся за свою работу — например, двадцать лет назад Джет Ли отказался сниматься в культовой «Матрице», чтобы не отдать свою цифровую копию Голливуду. Прошло четверть века — мы видели образы умерших актёров в фильмах, но они не стали трендом. Цифровой актёр не устроит скандал, не уйдёт в запой, не будет устраивать демарши из-за гонорара. (Хотя после историй о хакерских атаках на ИИ-модели и диких галлюцинациях уже сложно быть уверенным, что модель будет работать хорошо.)

С другой стороны, уже есть ИИ-певицы, ИИ-блогеры и т. п., собирающие миллионы поклонников. С технологической точки зрения ИИ научились генерировать красивое видео, в которое можно добавить реальных людей. Такой уровень вполне позволит сделать полнометражный фильм. Но не гарантирует его успеха. Единицы актёров остаются популярными на протяжении десятков лет. Обычно аудитория находит новых кумиров, возводит их на пьедестал, а потом переключается на новых героев.

Мы не можем представить, смогут ли ИИ-актёры отнять главные роли у живых актёров или провалятся в прокате. Но кто точно пострадает — актёры массовки. Компьютерная графика уже давно позволяет дорисовывать пейзажи, толпы народа и даже доводить живых актёров до нужного образа. ИИ сможет превратить актёров второго плана из статистов в полноценных действующих лиц со своими характером, походкой, мимикой. Зритель меньше внимания уделяет актёрам второго плана, а тем более массовке, поэтому здесь у ИИ есть право на ошибку и возможность реализовать свои преимущества. Как победить ИИ? Ответ прежний — быть лучшим в своей профессии, потому что ИИ-моделям требуется обучающая база. А учиться надо у лучших.

Вебинар: ИИ в бизнесе — работает или только обещает?

Привет, Хабр! Мы тут уже не раз писали про ИИ: где он помогает бизнесу, где пока не очень, как вообще влияет на IT-индустрию. Тема горячая, бюджеты растут, пилоты запускаются один за другим. Но есть интересный момент: больше 90% компаний пробуют внедрять ИИ, а до полноценного запуска проектов доходят всего 7–10% (исследования легко найти у ICT Moscow и не только).

Мы в OXYGEN уже накопили опыт внедрений GPU-инфраструктуры, работы с нейросетями и языковыми моделями. И хотим поделиться тем, что выяснили на практике, вместе с коллегами из Aston, которые занимаются непосредственно запуском ИИ-проектов.

Поэтому приглашаем на вебинар:

Тема: «ИИ в бизнесе — работает или только обещает?»

Дата: 28 июля, вторник

Время: 11:00 мск

Формат: онлайн

Регистрация по ссылке, бесплатная.

Не будем рассказывать, какой ИИ замечательный и как скоро он изменит вообще все. Вместо этого разберем прикладные вопросы:

• почему многие ИИ-проекты останавливаются сразу после пилота;

• как выбрать сценарий внедрения с учетом реальных задач и бюджета;

• какая инфраструктура нужна для разных типов нагрузок;

• как подобрать конфигурацию серверов с GPU и не переплатить;

• какие инструменты могут приносить пользу уже с первых дней;

• где чаще всего ошибаются команды;

• как оценить бизнес-эффект;

• и как честно определить ту точку, в которой стоит задать вопрос: а нужно ли вообще продолжать проект?

Коллеги из Aston покажут реальные кейсы: что внедряли у клиентов, с какими сложностями столкнулись и к каким результатам пришли. Упомянем и о случаях, когда ожидаемой бизнес-выгоды получить не удалось, — потому что такие примеры зачастую полезнее историй успеха.

Основной фокус — инфраструктура, практические сценарии и измеримый результат. Вебинар будет интересен в первую очередь IT-директорам и руководителям отделов. Если вы отвечаете за IT-инфраструктуру, цифровизацию или внедрение новых технологий и пытаетесь понять, как довести ИИ-пилот до промышленного решения, приходите. Если просто интересно, тоже приходите!

Кто будет рассказывать:

Александр Будкин, IT-директор OXYGEN

Отвечает за технологическую стратегию нашей компании. Специализируется на построении отказоустойчивой IT-инфраструктуры и внедрении новых технологических решений для бизнеса. Расскажет, какая инфраструктура нужна для ИИ-нагрузок, как выбирать серверы с GPU под задачи.

Руслан Мельников, директор по развитию Aston Development

Отвечает за рост бизнеса и развитие продуктовых направлений компании. Расскажет, как ИИ-инструменты меняют работу команд изнутри и какие результаты получают заказчики.

И напоследок о нас (об организаторах):

OXYGEN — дата-центр и интегратор облачных решений, входит в ТОП-5 провайдеров ЦОД в России. С 2011 года обеспечивает бизнесу отказоустойчивую инфраструктуру с гарантией 100% uptime. Специализируется на гибридных и приватных облаках, при этом в портфеле у нас более 40 облачных сервисов.

Aston — разработчик корпоративного программного обеспечения для крупных заказчиков. Aston помогает бизнесу расти через качественную разработку, поддержку и облачные технологии.

В общем, приходите — будет интересно: Регистрация на вебинар

Русскоговорящий хакер использовал Gemini для контроля ботнета из восьми компьютеров стоматологических клиник

Именно такими заголовками пестрили новостные ленты на этой неделе в западных СМИ. Давайте разберемся, что произошло и действительно ли данная новость достойна звания новости.

В понедельник, 20 июля, на известном новостном агрегаторе thehackernews.com вышла одноименная статья, основанная на исследовании японо-американской компании в сфере кибербезопасности Trend Micro. Как утверждают авторы статьи, исследователи обнаружили русскоязычного злоумышленника под псевдонимом bandcampro, который использовал Google Gemini CLI как полноценного помощника при проведении реальных атак. Анализ основан на более чем 200 логах сессий Gemini CLI за период с 19 марта по 21 апреля 2026 года.

Специалисты называют это одним из первых документированных случаев, когда LLM понимает существующую инфраструктуру атаки, самостоятельно пишет код, исправляет собственные ошибки и помогает администрировать действующий ботнет. По оценке Trend Micro, во время миграции инфраструктуры сам злоумышленник выполнил лишь около 11% действий, остальное сделал ИИ: во время подготовки инфраструктуры возникли ошибки (502 Bad Gateway, блокировка Cloudflare, проблемы с HTTP-заголовками), однако Gemini сам диагностировал проблемы, предлагал добавить нужные заголовки, определял необходимость User-Agent и корректировал запросы. По мнению исследователей, ИИ использовался уже не как генератор кода, а как инженер по эксплуатации инфраструктуры.

Ну и как вишенка на торте, все инструкции (ради чего и была, наверно, написана статья) были на русском языке.

Однако, если детально проанализировать текст исследования и написанной на его основе статьи, мы не увидим ничего нового. Обход, злоупотребление и эксплуатация цензуры ИИ уже существует достаточно давно и компании-разработчики пытаются активно защититься от данного вида атаки. В данном случае, несмотря на громкое имя, Google оказался существенно уязвим, раз в течении нескольких месяцев ее детище активно использовалось для описанных в статье действиях.

С моей точки зрения, само по себе исследование интересно не потому, что найден новый джейлбрейк, а потому что появился хорошо задокументированный кейс: опубликованы реальные логи злоумышленника, показано длительное использование ИИ-агента в живой атакующей инфраструктуре и количественно оценена доля работы, выполненной AI. Исследование помогает понять как думает злоумышленник, последовательность его шагов и, самое главное, цели. В принципе можно сказать, что из Gemini получился симбиоз Honeypot и SIEM, который записал подробные действия хакера.

п.с. Вопрос: насколько быстро удалось бы обнаружить активность bandcampro, если бы среди исследователей не оказалось специалистов, свободно читающих русскоязычные логи? ;)

🧠 Обязательно поделись с теми, кому это может быть полезно 💬 Телеграм | 💬 Max | 📝 Хабр | 💙 ВКонтакте

Монитор CAN из Отладочной Платы JZ-F407VET6 и TFT экрана.

Реализовав на этой отладочной плате функционал PCAN, можно получить мощный инструмент анализа CAN-шины на компьютере. Но иногда удобнее использовать автономный монитор расшифровывая пакеты в контроллере и выводя их на экран.

Экран подлючается по SPI, а на плате единственный порт выведенный на разъём SPI2. Также на разъёме платы P3 присуствует питание 3.3В, а кроме SCK и MOSI выведено еще 4 сигнала, задействуем их для CS, DC, RST экрана и на оставшийся сенсорную кнопку для отправки управляющей команды.

Проверяемое ЭБУ передаёт значения напряжения и тока АКБ, следовательно расшифровав их, можно вывести на экран значения в виде стрелочных приборов. Остальные параметры выводятся в окне статуса. В нижней части экрана выводятся принятые пакеты в шестнадцатиричном виде и общий счетчик пакетов.

В качестве основы проекта использовался pcan_pro_x, упомянутый в одной из публикаций Александра посвящённых этой плате, код инициализации и отрисовки экрана любезно предоставил Google Gemini.

Ссылки на матерьялы:

Обзор учебно-тренировочной платы JZ-F407VET6 (или электронная парта)

Переходник с USB на CAN из Отладочной Платы JZ-F407VET6

Как мы закрываем задачу: тесты, диптрак, аудит и ещё пара рубежей

Продолжение серии про работу с ИИ-агентом. В прошлый раз разбирали, где живёт задача. Теперь — что с ней происходит, прежде чем она станет done.

«Готово» у агента наступает подозрительно рано — примерно в ту секунду, когда дописана последняя строчка кода. Поэтому между «я закончил писать» и «задача закрыта» у нас стоит несколько рубежей. Часть из них — детерминированные хуки: их агент физически не обойдёт, они возвращают ошибку и не дают закрыть ход. Часть — процедуры-скиллы, которые агент обязан прогнать сам. По порядку.

1. Автоформат — молча и сразу. После каждого Edit/Write срабатывает хук: Pint для PHP, Prettier для JS/TS правят изменённый файл. Не блокирует, ничего не спрашивает. Форматирование просто снято с повестки — про пробелы и переносы мы не спорим никогда.

2. Приёмка «прогнал — работает» (скилл verify-task). Финал задачи — не «по идее работает», а таблица. Перечитываем Definition of Done, по каждому пункту: как проверено → PASS/FAIL. Внутри:

• прогон тестов затронутой области (Pest/PHPUnit) — зелёные, а не «вроде есть»;

• smoke живого сценария через tinker или artisan-команду;

• корнер-кейсы: пусто, граница, null, таймаут внешнего сервиса;

• в diff нет ключей и .env.

Любой FAIL — задача не закрыта. Без «ну это мелочь, потом починим».

3. Deptrac — границы слоёв (Stop-хук). На попытке закрыть ход прогоняется анализатор архитектуры. Уехала логика из сервиса в контроллер, модель полезла напрямую во внешний API — exit 2, ход не закрывается, пока не переложишь код в правильный слой. Тот же гейт стоит в CI, а легаси-долг зафиксирован baseline’ом, чтобы старые грехи не блокировали новую работу. Правило в конфиге кажется неверным? Правь конфиг явно и объясняй — обходить молча нельзя.

4. Секреты не текут (guard-secrets). Отдельный хук стережёт, чтобы содержимое .env, ключей и дампов не улетело в чат: cat/grep по секретному файлу блокируются, Read на него — тоже. Править такие файлы можно (Edit/scp), а вываливать в переписку — нет.

5. Рефлексия — иначе не закрыть (guard-discipline). Код менялся, а записи в task/history за сегодня нет? Снова exit 2. Хук требует короткий разбор: что ставили, как решал, решено да/нет/частично, что можно было лучше. Следующая сессия начнёт с этих заметок и не наступит на те же грабли.

6. Независимый аудит — по коду, а не по рассказу. После нетривиальной доработки запускается отдельный агент, который не видел, как ты решал. Ему дают diff и чек-лист: все ли call-сайты покрыты, нет ли регрессий, есть ли тесты, скрытые баги, не уехали ли слои, не утекли ли секреты. Вердикт — APPROVE или CHANGES NEEDED со списком «файл:строка — почему». Нашёл проблему — не чинит молча, возвращает автору. Без аудита мёрдж не предлагаем.

7. И только теперь — в done и на мёрдж. Задача переезжает в task/done до открытия MR, в той же ветке. Прямой push в main закрыт хуком — только через merge request. А прод-pull делает человек: guard-prod fail-closed не пускает агента мутировать боевой сервер, агент лишь готовит команды.

Тут важно, кто есть кто. Автоформат, Deptrac, защита секретов, рефлексия, запрет пуша в main и защита прода — это хуки. Они срабатывают автоматически на события (после правки файла, при попытке закрыть ход, перед bash-командой) и возвращают exit 2, если что-то не так. Их нельзя «забыть» или уговорить — они не читают промпт, они перехватывают действие. А приёмка и аудит — это скиллы, процедуры, которые агент запускает сам: тут уже нужна голова, а не только стенка. Стенки ловят механику, скиллы — смысл.

Звучит как гора бюрократии — но пять рубежей из семи срабатывают сами и молча. Человека дёргают только там, где цена ошибки настоящая: на аудите и на проде.

«Готово» — не когда агент дописал код, а когда код прошёл все рубежи.