Transcription
А мы, во-первых, посмотрим а-а ключевые события, которые были за это время. Именно это даёт ощущение, что это не, а просто генерация картинки, что происходит какой-то ризанинг и объединяются задачи вот и задача act. В 300 раз снизилась стоимость на intelligence. Инжениринг нужен, мы ещё нужны. А представьте телефон, которым, а, задачу операционной системы выполняет LM. Что анонсировали? Э, как бы, м, приём, э, ну, предзаказов на Neo робота за 20.000 долларов. Кто не знает, э, что такое skills, это некоторая комбинация, а, промтов и кода. Вот из-за некоторых тут ребят слишком агрессивных вся AI индустрия становится суперхрупкой. Л. Пузырь, скорее всего, да, но бывают полезные пузыри.
Сегодня у нас заключительная встреча за двадцать пятый год с Джаная апдейтами. Это пятая. И, э, мы, во-первых, посмотрим, аэ, ключевые события, которые были за это время, а потом сделаем небольшой такой зумаа и посмотрим вообще, а какие, наверное, основные штуки я для себя понял. Я попробовал порефлексировать за весь год. с сюрпризом узнал, что в начале года мы в основном пользовались 4о моделью. А кто ещё помнит такую? А сейчас уже совсем в другом а находимся как бы состоянии. И поэтому я поделюсь некоторыми рефлексией, некоторыми мыслями про весь год и что происходит.
Ну, как обычно, по традиции, некоторые предисловия. Мне кажется, классная, а, обложка Times Person of the year в этом году, которая говорит, в принципе, наверное, две вещи. Первое, кто делает AI в нашем мире. И, в принципе, я думаю, вы всех людей узнаёте на картинке справа. А это там ключевые люди из чип индустрии, AI индустрии, там Google, AMD, NVIDIA, Meta, Antropic, а и, соответственно, конечно же, а, AI вообще, то есть те, кто это делает. И подтекст собственно этого выбора а тайм в том, что это драйвит экономику, как минимум экономику США, так же, как это драйвило вот в той знаменитой фотографии, где в начале XX, по-моему, века а была сделана, где сидят строители и строят Нью-Йорк, по-моему. То есть меня память не не изменяет. Вот это такие же, скажем так, герои, как в то время, которое делали, а, возводили, грубо говоря, крупнейшие города США. А, и это, в принципе, честно, потому что если убрать, э, вклад, а, и рост, вклад в рост GDP AI компанией, то GDP США бы стагнировал. А, то есть понятно, что вся экономика дравится этим, и это и плюс, и минус. Мы ещё поговорим об этом. Но глобально, наверное, хороший такой резюме года это что AI стал драйвером экономики в США точно. А я думаю, что в ряде других стран или начинает, или уже А это заметно.
По традиции посмотрим. Я предиктил, а, в конце прошлой встречи, насколько оно, а, сбылось. Gemini 3, а, мы его получили. А, новая модель Veo, но а вышло 3.1. Вы, может, помните, как раз, когда мы прошлую встречу проводили, она кто-то прямо написал: "Вот как раз выпустили 3.1". Но я ожидал, конечно, чуть-чуть другого. То есть более больший скачок тут, наверное, не совсем. А ослист и вообще, если посмотреть ноябрь, то в ноябре все топовые лаборатории выпустили свои лучшие модели. Вообще этот паттерн начинает повторяться и, ну, его начинаешь замечать, что как только кто-то из топовых лабораторий сильно двигает бенчмарки State of the Art, то ближайшие недели, а из загашников другие лаборатории вытаскивают свои модели. То есть понятно, что у каждого есть как минимум на один релиз вперёд модель. А вытаскивают из загашников и релизят, чтобы, а, сменить нарратив, чтобы, а, ну, люди понимали, люди, инвесторы, а, понимали, что, а, там, как бы, не отстают и так далее. Поэтому, а, интересно, как вот в один там буквально было, наверное, 2-3 недели ноября, которые у меня сложилось ощущение, что полгода, год, а, было бы в прошлом темпе, потому что просто все топовые а лаборатории выпустили State of the Art модели.
Ну, и, а, Open Store и монетизация. Буквально вчера я готовил эту презентацию и вчера, собственно, а под вечер, под мой вечер уже анонсировали, что открывается App Store Open AI. Можно сабмитить сабмитить приложение. Не знаю, будет ли это так же такой же сдвиг, как в своё время был у Appla. Сомневаюсь, что будет такого же порядка. Мы уже с вами говорили про это. Мне кажется, что хардувей элемент очень важен а в этом аспекте. И, наверное, только когда мы увидим хардве со стороны AI, мы увидим действительно там сдвиг. Но посмотрим. В любом случае мы, я призываю вас сделать приложение, засабмити его и посмотреть, как это пойдёт. Благо, это не так сложно. И я ещё, когда в октябре было Developers Day, я выкладывал, и мы на прошлой встрече с вами смотрели, что в целом это несложно обернуть свой свой сервис. Это главное, а скорее продакт-менеджерская работа, понять, а какой именной обернуть, а и каким образом.
А структура, а как всегда такая же. Сначала как улучшаются способности воспринимать, думать и действовать. Потом все говорили, что год агентов, посмотрим, что происходит с агентами, что помогает и останавливает прогресс AI и, соответственно, opinions плюс мои там персональные рефлексии.
Итак, а, Фил, что самое, мне кажется, важное происходит? Я я уже несколько раз говорил, что начинают блендиться вот эти три категории. То есть непонятно там нано банана pro это пропил или про act, да, или про, потому что начинает блендиться. И вот когда мы в прошлый раз говорили про Chain of Frames, я начал эту тему, что вообще соединение рининга и, а, ну, в том случае, это имиджей, оно начинает давать гораздо лучшие результаты. Мы это увидели на VO3. И сейчас, мне кажется, мы наиболее хорошо увидели это с nanно банана Pro. Основной, по моему мнению, прорыв нанобона Pro. Ну, если а, скажем так, в под капот лезть, это что были объединены аа задача генерации имиджей и рининга. То есть, что сначала происходит рининг, а, а, и вот я специально открыл thinking часть. Вот там я написал пост и хотел иллюстрацию к этому посту и попросил VI, собственно, сгенерировать мне картинку. И наиболее важная часть, а что происходит вот этот ризаник, когда ты его читаешь, ты начинаешь понимать, каким образом а приходит. И именно это даёт, особенно когда вы редактируете какую-нибудь картинку, именно это даёт ощущение, что это не, а просто генерация картинки, что происходит какой-то рининг и объединяются задачи вот think и задача act и задача там imageстндинга. Поэтому это уже, я бы сказал, миниflow, нежели просто какая-то функция в виде генерации ид. И, конечно, Nan Banan Pro в этом первый такой звоночек. Вчера или позавчера, а, Open AI выпустил Image полтора, а, модель. Может быть, не так, по моему мнению, не так круто пока, как это сделали, ну, Нанобона Pro, но мы с вами понимаем, что, а, вот за счёт того, помните, когда в прошлом году мы как-то, э, разбирая репорт Леопольда, а, мы говорили о том, что один из точек там улучшения intelligence способности моделей - это Chain of Thought засунуть на этапе а тренинга. Вот сейчас, мне кажется, мы видим примерно то же, то есть когда а трейнинг, ну генерации имиджей совмещается с ринингом, и это приводит к лучшим результатам. И, скажем так, индикаторы этого мы видели с вами с О3 а моделью, когда её разбирали и разбирали, как она картинку разбирает, как она про неё думает, только там не было задачи генерации. Вот это, по моему мнению, основная причина прорыва. И мы увидим всё больше. Вот видео, я думаю, основное, основной прорыв будет, когда объединится рининг и генерация видео, потому что там гораздо важнее правильно а ризанить. А больше из вот больших штук про Фил за эти 2 месяца я особо не увидел. Единственное, я вот когда вчера ну делал прогон, я ещё подумал, буквально на днях мета выпустила новую модель для аудио, где, а, очень хорошо вытаскиваются разные потоки аудио и можно редактировать. Вот, может быть, это был бы хороший м кандидат, но я пока с ней нормально не поработал, поэтому оставил на следующий апдейт э этого.
А давайте посмотрим, что НК, ну, сн, я думаю, самый главный поинт, это мы с вами регулярно смотрим, это что происходит вот с вот этим парефронтиром. То есть берём два параметра, а, стоимость и intelligence, и смотрим, а, что происходит с этим, и видим, что примерно в 300 раз за год, а, ну, там чуть больше, может быть, года, в 300 раз снизилась стоимость на intelligence, то есть что активно intelligence становится всё дешевле и дешевле, а это, мне кажется, дело целые две вещи. Во-первых, понятно, это доступность для юзкейсов, который не было, но ещё это говорит про то, что а мы будем видеть модели на а на локальных своих устройствах. И сегодня будет про это ещё один пункт. А на телефонах, и это, по моему мнению, вся стратегия Apple в части AI. Это а лмки на Apple телефонах. Ну, и, понятно, на наших макбуках, там, ноутбуках и так далее.
Основной, конечно, пока, по крайней мере, результат с точки зрения, ну, положительный результат с точки зрения, а разных моделей, которые выпускаются, это, конечно, а Google и их апдейты. Вот у них есть две классные модели, которые мы используем в продакшене Flash Light. И, соответственно, вчера вышла новая версия флш флша, которая лучше, чем 2,5 Pro. А и мы вот уже поставили себе, а, перепрой, ну, перепротестить на наших юзкейсах и заменить, потому что она и дешевле, и быстрее, и лучше. То есть, как бы, думать долго не надо. Надо просточмарки прогнать и убедиться в этом. И мы с вами уже говорили про это, что кажется есть две причины этому. Первое, конечно же, это алгоритмические улучшения, которые происходят. И Open Source в этом плане хорошо жмёт и подталкивает лаборатории к этому. А, а второе - это, конечно, хардувеер, а, возможности и то, что у Гугла свои чипы и по некоторым репортам они могут выдавать гораздо более, а, выгодную экономику а для Гугла. Мы видим, что фронтир в этом направлении сейчас выдаёт скорее Google. И поговорим чуть позже, как внутренний мемо, который Сэм Альтман написал на тему вот этой угрозы со стороны а Гугла. Тем не менее вот Open Source тоже жмёт хорошо жмёт. И а мы видим, что вот в это за эти 2 месяца у нас появилась thinking модель Kate 2, которая, в принципе, а в топе. с, ну, то есть ровень идёт с лабораториями. Причём вот тут очень интересно, что там по бенчмаркам и так далее вровень, но вот я бы разделил все задачки на, наверное, два больших типа. Это задачки рининг типа и задачки, а, ну, стиля или вкуса, в смысле, например, генерации текста. И вот что я вижу, что с open source всё классно вот с ринингом, а вот когда дело доходит до сгенерировать текст, там зачастую бывает не очень. И наверное из-за квантизации, наверное, из-за того, какой какой датасет использовался для обучения. Понятно, что не, ну, там возможности обучать, э, и рисковать судебными исками у больших компаний больше. Но а вот в Ризненькие очень классно получается, и я думаю, что мы увидим э комбинацию моделей. И когда чуть позже будем говорить про отчёт, опрос разработчиков, у которых есть и агенты в продакшене, а, и что вообще сейчас команды готовы легко переплачивать за intelligence, потому что импакт на оптимизацию костов, он настолько большой, что заниматься вот тем, что Кнут называ Premature optimization, то есть преждевременной оптимизации. Никто не хочет и не до этого дело. Поэтому мне кажется, что это классно, что Open Source, во-первых, а подстёгивает топовые лаборатории выпускать, снижать цены и так далее. А с другой стороны, это пока не становится такой большой проблемой. Unless такие модели открывают новые аюзкейсы. Юзкейсы, которые пока ещё а дорого или медленно, чтобы выполнять этим, э, l л lлмкой. Тем не менее, open source жмёт, и мы с вами про это говорили.
А ещё важный поит про thinking, про reasoning за это время - это, конечно, достижение поэтик. Что самое интересное, что ребята взяли голую Gemini 3 модель и её, а, через умный процесс а два компонента которого - это следующие. Первое - это рефлексия, то есть так называемый паттер паттерн рефлексия, где а генерируется код. Код исполняется, чтобы решить задачу. Код исполняется, прогоняется. подаётся обратная связь модели, исполнился код или нет и как он отработал. Дальше модель себя критикует и выдаёт новый результат. То есть это первый компонент процесса. Второй компонент процесса - это что они сделали мультимодельное мышление, когда много разных моделей, а выдаёт свои идеи и, ну, типа такой консул, а, LLM моделей. И, соответственно, в зависимости от того, какие, а, идеи, как решить эту задачу, сходятся и какие очень diverse, а модель принимает решение, какой следующий эксперимент сделать. И тем самым вот благодаря вот этой диверсити, а, о которой менеджментспециалисты и HR-специалисты говорили очень много, а, раз и долгое время, вот даже на уровне моделей мы видим, что, а, вот это diversity даёт возможность через простые задачки вот аля Дельфи метода, а, собирать, а, мнение разных моделей, а, и, а, выдавать результат лучше. К чему я это? Что очень часто задают вопрос: "А вот ну выйдет новая модель и она сделает ненужным какой-то врапер. И типа как с этим быть?" Вот мне кажется, что а дело как раз не в рапере как таковом, а вот в том инжениринге, который мы делаем вокруг голой модели, чтобы она для заданного узкого юзкейса работала лучше, чем просто голая модель. То есть модель плюс умный процесс - это лучше. И наша задача как инженеров - это как раз, э, мм, этот процесс истроить. То есть и вот тут очень важно возникает следствие. Если это так, да, если а наша задача главная - это процесс, то нам надо сделать то, о чём э Альтман, наверное, ещё год назад говорил, а а именно, что на наш инжениринг процесс должен, продуктовый процесс должен быть построен так, чтобы с каждой новой версией модели наш вот этот модель плюс с мапроцесс был лучше, чем А, новая версия. И, э, значит, нужно по-другому немножко встраивать модель в наш продукт. И об этом мы поговорим в персональной рефлексии, как я про это думаю, как мы думаем про это в компании. И там есть и плюсы, и минусы. Но, наверное, ключевой мой поинт, если мы дизайним продукт таким образом, чтобы, а, каждая новая версия модели с минимальными задержками времени, а, встраивалась в продукт и как бы улучшала ключевые метрики процесса, тогда мы на правильном пути с точки зрения инженеринга. Ну, давайте чуть попозже про это скажу. Тут скорее просто я привожу этот кейс как в подтверждение мысли, что инженеринг нужен, мы ещё нужны, а мы строим вот этот а workflow, мы оборачиваем модель вот в эти как бы а реальные условия. И поэтому наши наш фокус должен быть, по моему мнению, не в попытке unless мы resarch не в попытке понять, как модель работает, как её этот, а какой процесс построить вокруг неё, а, а, и как её интегрировать в этот процесс, чтобы а с каждой версией мы как на волне выезжали бы, то есть вышла новая модель, мы сразу стали лучше, и вот этот процесс не заканчивался.
А, ну и с точки зрения акт, давайте посмотрим ключевые штуки. Во-первых, я был удивлён, что Атлас вышел в эти 2 месяца. У меня было ощущение, что он вышел давно. Это я и браузер от от Op. И, если честно, я а полностью перешёл на атлас в в своей работе и для личного использования. Там есть минусы, и я вижу, как они фиксятся. Но основной, наверное, поинт, что я начинаю открывать новые взаимодействия или использования, а, AI, когда AI встроен мой браузер. И на прошлой встрече мы с вами говорили, как смотрели, как я пробовал в Cloud for Chrome искать билеты. А вот сейчас, э, мы посмотрели, вот видно, а, скриншот, что Атлас с этим справился. Но на самом деле самые интересные юзкейсы для меня были другие. Это вот, например, просмотр, когда я смотрю YouTube, а, и веду заметки, я, смотрите, а, то есть как выглядит мой процесс работы над видео? Вот, допустим, я, э, начал, э, смотреть какое-то видео, допустим, вот Ильи Суцкевера, по которому я написал по пост. А я сначала говорю то есть я открываю, э, допустим, если бы это был, а, этот, я открываю YouTube видео, открываю, соответственно, Askat GPT Mode и начинаю с ним разговаривать. Вот о чём, собственно, а я говорю сначала, я говорю, смотри, я вот буду смотреть э видео, я тебе буду а фиксировать основные поинты, которые мне заходят. Ты пока их просто фиксируй, а потом мы с тобой поговорим про них. И вот смотрите, по мере того, как я смотрю видео, я ему закидываю что-то, что мне прямо отозвалось или я посчитал очень интересным. Например, вот тут, когда он объяснял, а почему модели хорошо показывают хорошие результаты на бенчмарках, но, э, кажутся тупыми. Потом ещё, и вы видите, что я смотрю видео и кидаю просто комменты м комменты, комменты. И его прошу, если я unless сам попрошу объяснить мне, то я, а, как бы прошу его просто фиксировать. Вот тут, например, я там связал это с одним из концептов, о котором я писал. И поэтому, может быть, вы заметили, когда я пишу посты, то там бывают кросслки на мои другие посты. Это получается таким образом, что я просто пока смотрю, мне приходит идея, и потом я, а, собственно, её свожу. Вот мы поговорили, поговорили, поговорили. А теперь, собственно, в том числе вы можете попросить ставить таймстемпы, то есть когда на каком моменте какая идея вам пришла. Вот видите, он даже проставил мне таймстемпы. А дальше, когда мы договорили, я досмотрел, вернее, всё видео, я уже его прошу сумморизировать всё, что я с что я отмечал. Сейчас я вам покажу. А зашёл, зашло мне это видео. Вот теперь я говорю, что смотри, я как бы теперь готов к посту. Давай отрефлексируем на по всем ноутсам, которые я делал, и попробуем там сделать zoom и посмотреть, что из этого получается. А вот, видите, у меня получается некоторый такой конспект, но более глубокий, чем мои ремарки, которые я делал. И вот дальше, когда я это прочитаю, я уже сажусь писать пост и пишу, напишу его и присылаю ему черновик. И он уже меня, а, начинает там дрючить, что ему понравилось, что не не очень. И это даёт возможность, в итоге вот тот пост, который вы видите, например, в случае с Ильёй - это результат вот такой работы. И что мне здесь, конечно, нравится, это вот в книжках или когда ты читаешь статью, зачастую приходится открывать новый этап, что-то поресёрчить, что-то поискать. И вот что это не нужно делать. Плюс у вас такой ноуттейкер, который умный, который помогает вам лучше, во-первых, а, усваивать, потому что иногда я могу ему сказать, что, ты знаешь, я вообще не понял, что сказал Илья, допустим, я могу ему так сказать: "А и ты мне, пожалуйста, объясни сейчас не могу быстро найти, но типа я не уверен, что я правильно понял. Поясни мне, что он имел в виду. И это позволяет мне, а-а, лучше понять ту мысль, которую он, а, имел в виду, и, соответственно, лучше как бы усвоить. Поэтому я вам рекомендую, даже если вам, ну, там, типа, не нравится браузер, попробуйте перейти на него. Вот. писал в своё время про, а, фреймворк вот Ингильбарта, про Hamt и что вот методология важна. И вот что я понял, что чем больше я провожу времени с AI инструментами для разных кейсов, во-первых, возникают новые кейсы, которые я понимаю, как должны работать, во-вторых, э что формируются некоторые такой типа playбук, и потом уже этот playбук можно автоматизировать для, ну, вот, например, как на днях я выложил про skill для ноутбука LM. Поэтому очень рекомендую брать эти браузеры, играться с ними и деньги иногда экономят. Вот там я приводил кейс с парсингом, краunнчбейса и так далее. И даёт лучше понять то, что происходит. Потому что, что я сейчас вижу, что многие, а суммируют информацию по YouTube видео, не просмотрев и не прогнав через себя это видео. И поэтому посты, покрывающие эти видео, они какие-то поверхностные. То есть там не видно, что человек вот через себя, как знаете, книжки подготовки к сочинениям к экзамену по литературе, но когда ты не читал саму книжку. И может быть для каких-то видео это о'кей или пейперов, или книжек, но для важных этих нужно через себя прогонять весь материал. Поэтому мне кажется, это очень важно. Это то, где мы можем получить действительно какое-то преимущество над суммаризированной, автосгенерированной версией этого видео. То есть, а делать просто копии, э, саmри, которые делает чат GPT и выдавать за свои, это может быть даёт трафик, но это не даёт понимания, из-за которого у вас возникает более интересный аа а как бы ревью этого видео и понятно применение его в своей жизни. Поэтому очень рекомендую с этими браузерами играться. Я получаю удовольствие от Атласа и техзкейсов, которые я открываю. Но, как я писал, зачастую Clot for Chrome делает задачки гораздо лучше, чем ATLС, поэтому я их использую, а там, где один не может справиться, я беру другого и смотрю, как они друг с другом работают. Но вот это наиболее интересно. Пока как бы я ещё не получил доступ туда. Если вдруг кто-то получил, то расскажите. Это концепт уже йлист открыт. Это концепт нового браузера. Как его видит Google? Давайте То есть, что здесь происходит? А вы, э, превращаете веб-сайты в приложения под себя. То есть это персонализация другого уровня. Вот в YC сейчас есть компания Twix называется. Вот. То есть в чём её идея? что вы любой сайт можете подвайп-кодить под себя, под ваш способ использование, то есть персонализировать. И вот что мне понравилось в этом концепте от Гугла, что это в ту сторону, то есть что веб-сайты и, скорее всего, апы, если помните про нейроoft, мои посты и рассказы на предыдущих встречах, они будут на лету благодаря flшлайтмоделям. меняться. И а-а уже очень много в это в этом а направлении экспериментов, поэтому очень классно наблюдать за тем, что происходит. Я рекомендую вам погрузиться вот в этот э концепт, концепт того, что юзеры на лету будут довайпкоживать ваш продукт под свою, а, какую-то задачу. Это звучит очень интересно. И, конечно, это, наверное, э какой-то промежуточный этап, а с точки зрения того, как продукты будут взаимодействовать с другими, а, продуктами. Очень интересный апдейт, э, релиз, который был за это за эти 2 месяца.
Ну, мы все знаем про браузер use, компьютер use на компьютере. А теперь появляются модельки, э, например, open source, в смысле модельки, например, авто, есть ещё несколько Open Phone и так далее, суть которых, а, заключается в том, что на Андроиде, потому что он открыт, мы получаем компьютер, то есть Понятно, что некоторые апы и так позволяют делать аудиовод. Но тут не про это. Тут про то, что в целом мы благодаря моделям, которые есть на телефоне, помещаются на телефон, а, мы сможем те же автоматизации браузера и а операционной системы делать на телефоне. И за этим очень прикольно наблюдать, потому что я помню, как там где-то, наверное, в семнадцатом-восемнадцатом а появились шортcuts на iOS, и мы пытались делать автоматизации и разбивались о то, что, ну, некоторые глубокие вещи хрен сделаешь без поддержки разработчика этого апа. Сейчас же вот смотря, что здесь происходит, конечно, понятно, что то есть мой как бы предикшн очень простой. Вот так же, как модели становятся в основе продукта, а представьте телефон, которым а задачу операционной системы выполняет Л. То есть, а как вот у продуктов в основе то, что называется сейчас AI, в основе у таких есть такие продукты, ну, например, ClкоД хороший пример, а в основе какой-то AI агент, вот также и это, наверное, как будет выглядеть хардве а от всех производителей телефонов и надеюсь от Open AI, а в ближайшие годы что просто всем будет управлять, и нам нам не нужно будет делать многие интеграции и так далее и тому подобное. Вообще, по моему мнению, если бы я сейчас был в ПНЗ, то я бы сильно напрягся про это, потому что большой объём, а-а, скажем так, защиты и моута многих продуктов лежит в том, что, а, вот, ну, на Айосе, по крайней мере, очень закрытая экосистема, и ты закрываешь юзера в своей экосистеме, не даёшь ему выходить, не делаешь ненужные тебе интеграции, не поддерживаешь ненужные тебе диплинки. И поэтому как бы закрываешь в своей экосистеме. И поэтому вот Super Apps, да, вот эти вот чаты и же с ними, а они как бы появились и получают огромную а ценность, ну, захватывают большую часть ценности. Но вот с в ситуациях, когда мы достаточно
быстро сможем с любым продуктом взаимодействовать, так же как с automation браузером. Мне кажется, концептуально сильно поменяется, что такое iOS инженер.
Потому что, если взять, э, ну там, я думаю, там, если есть iOS инженеры, а, там готов поспорить, но если взять работу iOS-инженера, а, или там Android-инженера, а, это, наверное, где-то 60% работы — это, ну, связанное с фронтом, да, то есть с, а, с UI, обработкой там логики и так далее. Потому что обычно end — это другая часть. И получается, что вот эта вся штука становится под большим сомнением, особенно в купе с предыдущим пунктом, когда на лету вайпаются апы и нейросети.
Вот, ээ, мне кажется, что там, как только мы увидим первый девайс, а, связанный вот, в котором LLM выполняет роль операционной системы, а, это будет хороший индикатор, что или плохой, что вот это будущее наступает, и будущее апов стоит под большим, как бы, вопросом. Вот такие у меня странные мысли на этот счёт, когда я вот увидел эту модель в OpenAI и начал просто раскручивать, куда это приведёт дальше.
А мы с вами в прошлый раз, когда говорили про роботов, я ввёл такой концепт framework, что вообще, наверное, эта индустрия разделится на два этапа, так же как это было с компьютерами, на hardware и software. Ну, а в данном случае мы использовали brains — да, это software, который управляет, и body — это hardware. И в принципе, наши классические две стратегии, которые описал Кристенсен: первое — это Integrated архитектура, это в эпоху компьютеров — Apple, в эпоху смартфонов — тоже Apple. И модульная архитектура, то есть когда можно разные компоненты с разными компонентами взаимодействовать. И то же самое в роботах, то есть какие-то производители роботов будут глубоко интегрированы с, ну, физическая часть будет глубоко интегрирована с софтовой частью, какие-то будут модульные. И тут надо смотреть за стандартами, которые появляются. И в прошлый раз мы с вами видели про стандарт Gemini Robotics, Foundation Model. Вот мы видим, что сейчас ещё один пример brains появился — это вот Skilli. А там сейчас, ну, ходят слухи, что SoftBank и Nvidia планируют вложить в них. Соответственно, там делается Foundation Model для управления роботами любого hardware. Ну, понятно. То же самое, когда мы с вами говорили про World Models в прошлый раз, конечно же, World Models — это модели в основу brains для роботов. Поэтому внимательно наблюдаем, что происходит.
И забегая вперёд, даже один из моих ключевых predictions на двадцать шестой год — это что, а вот тот темп, который мы улучшения моделей, способности моделей, которые мы видели с LLMками прошлые 3 года, а мы начнём такие же темпы наблюдать в foundational моделях для управления роботами. И в основе них, конечно же, World Models, модели мира.
Вот этот, >> а, что, ну, Оптимус на каком-то ивенте там сделал не то. И потом, а, очень интересное движение, которое он сделал. Или это трейнинг, или, как некоторые думают, это телеоператор, то есть кто-то удалённо управляет Оптимусом. Он сделал действие такое, когда сделал ошибку. Он сделал действие, ну, типа расстроенное и снял, как будто он снимает VR очки и head-up дисплей. После того, как он это сделал, Оптимус падает. И поэтому пошли слухи, что там Оптимусом телеоператор управляет.
И вообще надо, во-первых, сразу понимать, что с одной стороны это может быть этап тренировки, это абсолютно нормальная ситуация. И мы с вами говорили про то, что многие роботы, в том числе self-driving cars, у них есть одна из метрик — это как часто оператору нужно включаться. Суть её, что условно из 100 минут работы, сколько минут приходилось оператору удалённому включаться и делать за робота какое-то действие. Это в том числе дотренировка, конечно же. Но а там кто знает про мою любовь к pre-training и к одному из подходов Mechanical Turk, может быть, это как раз оно. Я думаю, что в реальности это просто естественный аспект тренировки и дотренировки моделей. Считайте, что это RLHF для Foundation для Foundation моделей.
Ну и, конечно же, это что у нас появился, возможно, что анонсировали, э, как бы приём, ну, предзаказов на Neo робота за 20 000 долларов. И в принципе, ну, мы видим, что consumer роботы более-менее доступные становятся. И я вчера, когда размышлял на этой над этой темой, почему-то внезапно подумал про лизинг для роботов. То есть вот, ну, есть лизинг для автомобилей, что надо делать лизинговую компанию для роботов. Потому что в целом там двадцатку сразу вытащить не каждый готов, а в режиме лизинга, в целом. И я не знаю этот бизнес хорошо, чтобы говорить, есть ли там специфика, которая из-за которой можно отстроиться от классических лизинговых компаний, да, которые вот, например, автомобиль дают купить в лизинг или какое-то оборудование. Но если вдруг там есть, э, таковое, то очень интересная модель. Причём с возможностью варианта, когда лизинг взамен вы ещё как какую-то трейнинг датасет забираете себе и тем самым агрегируете, короче. А это для consumer делается дешевле покупка такого робота. Ну и доступнее покупка такого робота. То есть такой, знаете, pay-as-you-go, buy now pay later для роботов, но с доступом к трейнинг датасету. В общем, а вдруг кто-то из вас решит это делать.
Тем не менее, боты за этот год огромные шаги. Мы с вами вообще, если посмотреть прошлый год, у меня не особо было апдейтов про роботов. В этом году они появились и набирают всё больше, поэтому, а, будем внимательно следить за развитием здесь.
Ну и классный кейс, который мне очень понравился в Китае. Робот этот, как он называется, регулировщик. Вот, в принципе, не знаю, по себестоимости. Но интересное решение. Я к чему? Я к чему это? Что мы же уже имеем таких, а, если взять эволюцию роботов, а, а, мы уже имеем таких простейших в виде камер, которые делают какую-то одну, ну, на дороге, я имею в виду, как которые делают какую-то простейшую операцию типа превышение скорости и фотографии. Собственно, очевидно, что с падением стоимости и с повышением, а с тем, что называется general purpose, то есть когда повышение вариабильности задач, которые может решать робот, мы должны увидеть замену их.
Почему я так думаю? Потому что это происходит в машинном обучении. То есть, а, до LLM машинное обучение было очень специализированное. То есть там для распознавания картинок вы использовали специально распознавание картинок, например, вот самолётов, а, модели самолётов. Мы делали такую, в прошлой жизни мы. И это очень специализированная модель, требующая много данных, бла-бла-бла-бла-бла. И LLMки, что они сделали? Они сделали коммерчески выгодным использование general purpose модели, потому что количество задач, которые они могут решать, гораздо шире, а себестоимость и скорость, или он, да, то есть такая же, а, как это, или, а, она уступает, но из-за вот этой универсальности, из-за того, что ты получаешь универсальное решение, ты как бы тебе это выгоднее с точки зрения просто отдачи на инвестиции.
И поэтому к чему я, что очень прикольно посмотреть, где есть вот эти простейшие в эволюции роботов, которые уже есть в нашем мире. Но из-за этого им, но из-за их специализированности им не хватает каких-то важных способностей. И вот эти foundational модели, о которых мы говорили, brains, вот эти для роботов, они будут решать. И вот тогда можно ли там заменить это робот, потому что обычно сейчас это простейший робот плюс рядом человек, который мониторит его результаты в том или ином виде или обрабатывает. Ну, условно, охранник, смотрящий в камеры. Вот вот такие кейсы, мне кажется, классные кейсы, когда мы увидим появление, замену, вернее, роботов мультиpurpose, general purpose роботов, вместо специализированных, а, вместо специализированного hardware, специализированных, в кавычках роботов.
И почему я этот поинт скажу ещё, что кто-то вот отметил, когда я спросил самые хайлайты за 2 месяца про Claude, Code и Opus, и я сказал, что да, про это поговорим. И один из рефлексий этого года для меня, что кодинг-агент — это general purpose agent. И чуть попозже мы глубже поговорим. Но к чему я это всё, что вот какой-то какая-то комбинация foundational модели плюс вот этих body, это brains and body — это general purpose роботы. И это по-другому структурирует рынок с точки зрения именно возврата на инвестиции. Потому что если у меня, грубо говоря, для я использую пять разных роботов, закупаю, поддерживаю и так далее и тому подобное, и это целая экосистема вокруг него, а сейчас я это заменяю одним. Да ещё он может делать кофе заваривать. Я утрирую. Конечно же, это меняет ROI, и это угроза для вот компаний, которые имеют install base из простейших роботов и зарабатывают с него регулярные subscription платежи.
О'кей, собственно, это ключевой апдейт, который я видел с точки зрения Field Act. Давайте посмотрим, что происходит с агентами. Ну, во-первых, исполнился год MCP, поэтому хотелось, я про него рассказывал, мы с вами про него говорили, и я даже говорил один из predictions, что все компании поддержат этот стандарт, и мы это действительно увидели. Все топовые ассистенты поддерживают MCP. Правда, MCP создало ряд проблем для разработчиков с точки зрения контекста и управления этим. И появилась целая отдельная дисциплина инженерная, как называемая контекст-инженеринг. Но в целом вот эта концепция, что есть стандарт, по которому ассистенты с LLMками могут единообразно и человеческим языком общаться с внешними софт-системами, software, и software, встроенный в hardware. Я напомню, что на хакатоне, на котором появился, ну, внутри Anthropic, на котором появился MCP, один из самых прикольных кейсов было, когда они соединили по MCP Claude с hardware как раз. Поэтому, а, вообще как бы универсальный стандарт, как его называют, USB-C для LLM. Это очень круто. И сейчас по разным оценкам около 30 000 MCP-серверов — это вырастает, растёт. И это, наверное, стандарт, который за год стал стандартом. И мы видим просто повсеместное, наверное, этот Gemini плюс Anthropic, ещё ряд компаний создали Foundation, а вот этот AI Fund и передали туда MCP как стандарт, чтобы это вот стало стандартом, как мой любимый кейс, кто из моих старых-старых студентов, если здесь есть, может быть, помнит мой любимый кейс системного мышления про VHS versus Beta Max. Вот прям отголоски чёткие про то, что сейчас происходит.
Самое интересное, особенно в контексте вчерашнего анонса, что ChatGPT Apps — это что MCP стандарт сейчас расширяют. Был уже сделан как бы реквест на то, чтобы расширить стандарт. И стандарт не только на MCP как взаимодействие software с software, ну там LLM с софтом, но и UI. А в этом плане почему это прикольно? Во-первых, если вы смотрели, как сделан GPT App, то он сделан как MCP-сервер, который HTML-страничку, HTML-код подаёт как один из методов, который можно у этого сервера вызвать. То есть в целом очень было логично поставить, расширить стандарт MCP UI частью. И, ну, опять же, это совместный contribution, ну, request на extension этого стандарта и от OpenAI, и от Anthropic, и, по-моему, Google тоже. Так что я думаю, это тоже станет стандартом.
Зачем я вам это всё говорю, что когда вы сейчас будете делать свой ChatGPT App, а, посмотрите на SDK, которые уже есть такие, которые, во-первых, участвуют в contribution в этот стандарт, во-вторых, его, там, пока он не финализирован, но поддерживает. Почему? Потому что, скорее всего, если вы с учётом этого будете делать свой ChatGPT App, вам потом не придётся особо его переделывать. Но опять же, вот я прямо вижу, как уходит фронт в некоторую стандартизацию, а, и это и плюс, и минус. А вот говоря на по опыту разработки под iOS, самый большой lessons learned первых двух лет разработки App Store — это что не надо было не надо было выделываться, надо было сразу делать нативный, в соответствии с UI гайдлайнами Apple. А app, кто видел первую версию App Store, знает, что мы там сказали: "Fuck you native". Сами там накуролесили кучу UI, из-за чего получили проблемы с перформансом, с кучей вещей. Да, он выделялся, но прям. И в итоге через полтора года мы перешли на нативный UI и решили многие проблемы, в том числе получили очень хорошие возможности по дистрибуции и поддержке. Поэтому, э, рекомендую обратить на это внимание и что это становится стандартом, особенно в контексте GPT Apps.
Мне, а, кажется, что, а, ну, как я уже много раз говорил, Gemini тоже свой, но развивая тем развивая тему стандартов и агентов, конечно же, надо сказать про Skills. Кто-то из вас как раз тоже в начале сказал, что Skills — это хайлайты этих двух месяцев. Вообще, кто не знает, что такое Skills, это некоторая комбинация промтов и кода. То есть берём лучшее из мира LLM — промты, но у промтов есть проблема, что каждый раз LLMка может по-своему реализовать этот промт, ответить на этот промт. То есть возникает вот эта неопределённость аутпута. И как раз, чтобы решить проблему неопределённости аутпута, мы берём код и добавляем к промту скрипты. И тогда, а, мы гарантируем, ну, с гораздо большей вероятностью гарантируем, что итоговый результат будет всегда похож, всегда одинаковый.
А вот простой кейс, который я там первый сделал на Skill, для себя сделал и когда начал изучать Skills, это выставление счетов. Я это делал как бы ручками, а хотел делать это в этом. Кто не видел, я пост писал, можно посмотреть. Я сейчас я просто говорю Claude: "Вот оттащи реквизиты компании, говорю, про что это". Если забыл, он меня сам доспросит и выставляется счёт. И он всегда выставляется так: если бы я сохранил где-то промт и пытался бы этот копировать и вставлять этот промт каждый раз, то каждый раз я получал бы другой. И это проблема. Поэтому Skill — это комбинация промта и скриптов, кода, которая обеспечивает выполнение какого-то бизнес-процесса. Я бы сказал, что это, скорее всего, некоторая инкарнация или новая инкарнация софта, но софта, который не может работать без LLM, то есть он не может существовать отдельно, но он очень умный и максимально садится на возможности LLMки, то бишь вспоминаем мысли, которые две я говорил до этого, что в основу софта, в основу продукта встаёт LLM.
И поэтому ребята из Anthropic предложили такой стандарт. По сути, вот это package — это архив, это набор фолдеров. Вот кто когда-нибудь залезал, как что такое приложение на macOS — это на самом деле архив ZIP-архив, и в нём есть определённая структура. Вот это то же самое, только в этой структуре промт и, возможно, какой-то скрипт. И чтобы у вас вот картинка сложилась, я хотел как раз показать вот этот Skill, который ноутбук Skill, который я выложил. Если посмотреть на что внутри, то по сути у него самое главное — это вот это: это prompt/инструкция. И второе — это вот этот гайд. Тут даже скрипта нет, и он работает. Это, ну, есть примеры, как должно правильно. Иногда бывают готовые скрипты, и они даже требуют некоторых дополнительных библиотек. Но меня просто часто спрашивают, типа, а вот Skill можно не Claude? А мой ответ: здесь нет ничего Claude-специфичного, вообще ничего. Здесь всё про, как бы про промты и скрипты.
И какой поинт у Anthropic со Skills? Да, кстати, CodeX и ChatGPT вроде тоже поддерживают. Пока не супер официально, в тестовом режиме, но я думаю, поддержат и Gemini тоже. Что, какой поинт делают? Что на самом деле до этого мы думали, что под каждую задачу нужно делать отдельного агента. Их предложение, что нужен один агент, general purpose agent, coding agent, и просто Skills — умения делать какие-то вещи. Тут что интересно, что мне кажется, тут есть два следствия, которые очень тесны. Первое — это, помните, мы будем сейчас попозже говорить, но кто читал или смотрел выступление Ли, у него поинт был, что HGI — это не готовая модель, а модель с возможностью научиться что угодно, чему угодно. И вот Skills — это, собственно, они в матрице, помните, скачивали Skills. А вот это первый поинт, да, что если мы структурируем софт таким образом, то с каждой новой версией автоматически, условно там кодинг, с каждой новой версией кодинг-агента нам не надо переписывать весь софт, а просто ему даёшь Skill, и он теперь ещё лучше выполняет или быстрее эту задачу.
С другой стороны, что тогда софт превращается в некоторые методички, как сделать. Вот мы в банке очень любим методички, есть много шуток про это. А методички, которые говорят, как делать какую-то работу. И вот в классические компании это обычно standard operating procedure, да, SOP, а это там стандарты выполнения какой-то задачи. Они есть или в умах людей, или если сертифицировалась эта компания, то может быть описанных какой-то документации. Правда, всегда out of date. Тем не менее, вот, может быть, софт будущего, организация софта будущего — это кодинг-агент в основе и Skills, которые можно покупать, передавать. Ээ, как вы сейчас видели, нет никакой защиты пока. То есть это просто промты и какой-то скрипт. А, и уже появляются, конечно, маркетплейсы Skills. И я получаю прямо удовольствие, как быстро своего агента я могу научить новому. И вот вчера в одном из курсов, которые я веду, как раз один из участников написал, как он благодаря Skill сделал аналитик-агента, продакт-аналитик-агента, который подключается к их ClickHouse, к их базе данных и вытаскивает для него инсайты. И поскольку это Skill, то он этот Skill может теперь передавать другим сотрудникам, а может отдать его агенту. И теперь агент сможет это делать. То есть, понимаете, насколько переносимые transferable становятся Skills. А в понимание, как раньше это было захардкожено в софте, и поэтому софт имел защитную как бы свойства. А теперь, если это промт, который я могу открыть, понятно, скорее всего, мы увидим что-то типа компиляции промтов, то есть защиты, как это обфускации и так далее и тому подобное. То есть будут пытаться это закрыть, если стандарт станет стандартом. А, судя по всему, всё к этому идёт. Но вот сама концепция, что защищаемость бизнес-логики, когда бизнес-логика переносится в промты, она становится очень низкой. И это, на самом деле, зависимость от LLMки максимальная. И это, конечно, тот ещё вопрос.
Со вчерашнего дня можно submit ChatGPT Apps, так что рекомендую почитать и двигаться туда. Я мы будем этот эксперимент делать. Я не знаю, выстрелит он или нет, но я понимаю, что затраты versus потенциальный апсайт с учётом того, что можно это навайкодить за вот эти праздники, мне кажется, что надо делать. Дальше думать.
Двигаемся дальше про агентов. Несколько важных поинтов. Аа, во-первых, это McKinsey-ское исследование, где больше всего и для каких задач используют агентов. Это по состоянию примерно на ноябрь этого года. Но скорее всего, что survey и так далее делался в начале-середине года. То есть это примерно задержка 6 месяцев, я думаю. А, ну, если посмотреть, то мы видим, что, понятно, в IT очень много, но посмотреть на функции Knowledge Management, Marketing and Sales, поддержка, и software-инженеринг — это как раз этот мы, собственно, видим.
Во-вторых, было классное исследование, а, про опрос у разработчиков и агентов в продакшене. И я могу сразу сказать, у нас есть ряд агентов в продакшене, и я полностью согласен со всеми выводами. У нас не брали survey, но мы видим всё то же самое. Во-первых, что стабильность работы гораздо важнее автономности, и это скорее контраргумент в тот мой поинт, что LLMки, управляющие продуктом, такие сетапы сейчас очень нестабильны, но с каждым апдейтом модели мы видим, что лаборатории гонятся за этой задачей, так называемая проблема девяток, о которой мы уже тоже с вами говорили, что вот очень, мне кажется, важный поинт, что промтинг и изменение промтов, а не какой-то fine-tuning. То есть вот тоже к моему поинту, что нам не надо заниматься, по моему мнению, моделями. Нам надо заниматься инженерингом вокруг моделей. Промт — это один из аспектов этого инженеринга. А потому что fine-tuning модели сложнее, а когда выходит новая версия модели, нам надо пере-fine-tune, чтобы воспользоваться возможностями той модели. И получается, что мы начинаем опаздывать вот в этом, как бы вот в этом цикле технологическом, а сейчас он очень быстрый, поэтому, по моему мнению, гораздо практичнее, и вот тут тоже в этом paper говорится, гораздо практичнее пока не лезть в это. И кто-то, если видел результат на одном хакатоне, хакатон был про self-evolving agents, и все там делали reinforcement learning и так далее. Я сказал, что, ребят, ну камон, как бы простые вот люди, смертные разработчики, они не делают никаких reinforcement learning, потому что у них нет столько данных, нету как бы знаний и так далее. Они просто правят промты по edge cases и ошибкам из продакшна. И вот давайте просто автоматизируем этот процесс, собственно, а вот в этом paper про это тоже.
Ну и, конечно же, что всё равно человек участвует и из-за вот этой задачи стабильности человек сейчас есть в этом loop. И отправляю вас к посту числа Домбара, где я, собственно, про это тоже говорю.
Anthropic выложил классный датасет про то, как люди используют AI. Сразу скажу один поинт этого датасета, что они платили людям за этот, ну, survey, поэтому могли быть какие-то штуки. Но если очень основное, наверное, интересное выделить в этом, в результатах этого survey — это что недоверие из-за нестабильности, вот о которой здесь сказали. Поэтому human in the loop и другие штуки. И второе — это что люди не хотят показывать коллегам и руководителям, и клиентам, что они используют AI, а возникает стигма на это. Это может влиять на то, как вам кажется, внедряется AI versus как на самом деле, насколько AI пользуется вашей организацией. То есть лучше посмотреть из прокси-сервера, как часто ходят на сервера моделек, чем делать опросы у людей. Вот мой, наверное, там мини-поинт. Но классный датасет в открытом доступе, можно крутить, вертеть. Я его как раз подкрутил, чтобы больше узнать про как sales использует AI. И, кстати, по мотивам написал очень популярные посты в Reddit, поэтому рекомендую. Возьмите свою вертикаль, проанализируйте именно транскрипты из этой вертикали и напишите парочку классных статей. Очень круто заходит людям.
А, классный кейс реального использования агентов для inbound lead qualification. И я как бы призываю вас посмотреть, я писал про него и вообще использовать использовать это. Да. Вот Артём хороший поинт говорит: "Вообще сама идея интервьюера, а и как он это делает, она действительно интересна. Я я тоже прошёл. У меня очень интересный был с ним транскрипт. Он меня спросил, что я бы изменил. Ну, как я хотел, там один из первых вопросов — это типа: "А вот что бы вы хотели от AI, чтобы он изменил мир?" Вот что-то такое. Я сказал, чтобы он там решил определённую sales проблему, но он не пошёл вообще в ту сторону. Видимо, у него там в гайдлайнах было записано, туда не идти. Начал меня: "О'кей, это понятно, но вот давай поговорим про другое". Очень интересно, как он ушёл от этого. Но а сама идея, вот мы как, ну, я как там бывший, может быть, текущий продакт-менеджер, сама идея использовать интервьюеров в продукте, чтобы собирать массово обратную связь круче, чем survey, вот кто знает, я всегда пушу про такой комбинированный подход к анализу обратной связи — это количественный и качественный. И с качественным есть проблема скейлинга. И поэтому люди придумали опросы. В опросах есть готовые ответы, но есть проблема, что они очень rigid. И поэтому многие компании сначала делают опрос, потом отбирают самых интересных из этого опроса и проводят уже живое интервью. Но вот идея засунуть в наши продукты вот такого интервьюера, чтобы собирать качественную обратную связь про своих кастомеров на скейле, мне кажется, очень классно, а как вот продакт-менеджерская просто задача.
Собственно, вот как раз я сказал, что возьмите свою вертикаль, по ней напишите. Вот с AI я такое сделал про Sales Tailwinds, да? То есть попутный ветер, что помогает прогрессу. Ну, понятно, в первую очередь это инвестиции. 50% всех инвестиций сейчас — это AI. Очевидно, бабки двигают прогресс, тут даже вопросов нет. Во-вторых, финансовые результаты. Но тут очень важный поинт. Мы пока говорим про revenue, не про прибыль, а и, конечно, траектория роста revenue модельных, revenue топовых моделей, она просто космическая. И мы уже знаем, что
Антропик планирует IPO в про в следующем году. Open AI или в следующем, или в двадцать седьмом. А в целом, классный, как бы, поинт. А в этом плане очень хочется напомнить поинт, который Илья Суцкевер сказал, что да, с точки зрения revenue всё, но вот с точки зрения прибыли из-за коммодитизации моделей могут быть проблемы у текущих лабораторий. И про это в целом говорят на рынке.
Второе, мы с вами на одном из апдейтов говорили о том, что очень много так называемых круговых сделок в индустрии, когда: "А я инвестирую в вас, если вы будете на эти бабки покупать у меня Nvidia, Microsoft и так далее". Очень много таких сделок. И это очень сильно напоминает структуру, которая была в банковском секторе до восьмого года. Про это есть даже очень классная лекция про то, как вот эта взаимозависимость и циркулярность сделок повышает, э, хрупкость финансовой системы. И вот то же самое, по моему мнению, сейчас происходит здесь. И когда мы будем про Opinions говорить, видно, что уже некоторые CEO начинают говорить, что вот из-за некоторых тут ребят, э, слишком агрессивных, вся AI индустрия становится суперхрупкой с точки зрения, грубо говоря, один неправильный шаг, и вся, весь этот карточный домик из-за круговых сделок, из-за вот этих циркулярных сделок просто повалит. И, конечно же, это скал SEO одной компании про другую. Сейчас чуть попозже поговорим, но в целом revenue растёт. Это даёт ощущение, что идут действительно экономический результат. И я в целом считаю, что экономический результат очевиден, в том числе на кейсах предыдущих.
Аэ, вопрос вот этой вот этих циркулярных сделок и, а, ну, большого дисбаланса между костами и, а, выручкой, как вы сказали, огромный капекс инвестиции. Инвестиции дают возможность, на самом деле, в итоге снижать, а, стоимость интеллекта. Помните, когда в начале я сказал про падение в 300 раз? Вот это про это. Чем больше мы будем видеть инвестиций в капекс, да, то есть в дата-центры и энергию, то, чем больше мы будем в инфраструктуру, тем, а быстрее будет сокращаться э стоимость интеллекта.
Ну и очень интересная мысль, я про это написал пост, а это Стэнфорд Digital Lab. Мысль такая, что экономический рост, вот эта картинка, это из доклада Федерального резервного банка Далласа. Кто не знает, в США не один Центробанк, как в России, а, а вот Федерально резервная система - это ряд банков в разных регионах. И вот один из них - это Федеральный резервный банк Даллас. Собственно, доклад про то, что один из сценариев - это гиперрост. И вот как раз очень интересная мысль, которая подогревает прогресс, подогревает инвестиции, подогревает вот эти YOLO, а стратегию, что ты живёшь только один раз. А, собственно, этот сценарий заключается в том, что если раньше была такая взаимоусиливающая обратная связь, а, э, чем больше людей, тем больше идей, тем чем больше людей, чем больше идей, тем больше а технологий, которые там повышают доступность еды и так далее, что ведёт к тому, что ещё больше людей и ещё больше идей. И вот такая классическая петля взаимного усиления в терминах системного мышления. Но а и она работала где-то до XIX века, а до XX, а конца XIX. Потом она по ряду причин, и вот причины - отдельный вопрос, насколько релевантны - она перестала. И вот мы получили вот этот стандартный 2% в год, э, рост примерно в среднем. И вот, собственно, мысль вот этого экономиста заключается в том, что поскольку LLMки с агентами заменяют людей, то вот этот, ну, человеческий труд, то вот это цикл обратной связи, вот эта петля взаимного усиления для гиперроста, она вновь, э, обретёт, вернётся к жизни. Вот такая очень интересная спекуляция на тему экономического роста, да. Вот, собственно, показана вот эта петля взаимного усиления. И обратите внимание, как, собственно, до определённого времени росла экономика и потом она просто вышла на, ну, по сути, на стабильную ситуацию, то есть где-то до шестидесятого года, до середины двадцатого, прошу прощения, она увеличилась, потом более-менее стабильная, если на логарифмической линейке. И что вот как раз может быть опять будет.
Такс, что мешает? А, ну, буквально, наверное, месяц-полтора назад я прямо заметил, что многие стали говорить про пузырь. И про это, конечно, хочется от отправить вас к моей любимой работе Карлоты Перес. Я про неё говорил в прошлом году тоже в контексте как раз AI, что когда финансы расходятся с с производительностью, ну, с перформансом, с улучшениями производительности, то возникает пузырь, этот пузырь лопается. Но он хорош, потому что а вот эти excessive инвестиции создают инфраструктуру, которая делает дешёвым, а последующее развитие технологии. И поэтому мы получаем вот этот гарднеровский цикл. И, собственно, так было с железной дорогой, с кабельным интернетом. И, собственно, что то же самое мы наблюдаем с а дата-центрами и энергетическими э инвестициями в энергию. ЛДР. Пузырь, скорее всего, да, но бывают полезные пузыри и, а, дабы именно такой, возможно, а мы наблюдаем. Собственно, как раз limiting фактор это, а, power, то есть электроэнергия. А в широком смысле, не только а её создание, но и её транспортировка. А, а поэтому вот тут график по бэк-логу, а, в США и насколько это становится ограничением для развития, а, AI и дата-центров в США, что не является проблемой в Китае. И поэтому, э, там это огромная угроза, которую вслух уже и Nvidia CEO говорит, и Амаде, и другие, и, конечно же, официальные лица США. Поэтому это то, что надо, а это узкое место надо расширять. И это то, на что направлена вот там новая стратегия США.
Давайте про Opinions. И как раз у нас останется время, а про рефлексию. Ну, во-первых, за эти 2 месяца был классный интервью с Карпатым, что классно, и особенно на контрасте с интервью с Ильёй, которое на следующем слайде мы разберём. А, ну, Карпаты сейчас не связан ни с какой лабораторией, и поэтому он лишний раз не боится что-то сказать и что это ударит по valuation и так далее. И мне кажется, что такая позиция, она в некотором виде, конечно, развязывает мнение, поэтому интересно. Ну и он очень и известный AI researcher, который был и в OpenAI в основе, и большую роль играл в Tesla, и так далее. Конечно же, интересно его мнение. И если суммировать, если выделить самые интересные аспекты его а мнение, который перекликается с тем, что я говорил, это что он считает, что не год агентов, а десятилетия как раз из-за нестабильности и вот этой проблемы девяток, да, вот этот а что это из-за этого у нас проблема. Второе - это про то, что плохо обобщают LLMки. А, возможно, потому что, так же, как и говорил Илья, а потому что сильно затачивают их под бенчмарки, но сама архитектура к этому не, ну, как бы не благоволит. Ну и что, а он такой привёл такой метафору. Мы даже обсуждали с друзьями, что интересно. Будет ли такой контроль прямо в продукте? А это метафора уровня автономии, что типа слайдер "всё делает я" или "человек"? И, соответственно, что ты можешь в продукте выбирать, но по моему мнению, это продукт-менеджер с founder как раз выбирает уровень автономии, который он считает, его продукт должен делать. И в этом плане, допустим, Cursor там первых поколений принципиально отличается от Code Llama или Codex тем, что там человек играл большую роль, потому что просто на тот момент модели не были такие а reliable, а у Codex и Code Llama это скорее более автономное использование, а, AI. И, а, вот это ключевые, наверное, хайлайты, но я рекомендую посмотреть а весь, всё интервью. Я вот там сделал с помощью нанобананы, а, инфографику, если захотите, как ключевые мысли.
У Ильи. Илья связан с лабораторией с SSI. И поэтому там даже, если вы смотрели видео, он прямо несколько раз прямо говорит открытым текстом: "Ну, вот это я не могу вам рассказать, потому что теперь в нашем комьюнити не особо, а все друг другу друг с другом делятся идеями". Если помните, когда мы рассматривали внутренние письма на одной, на одном из апдейтов, внутреннюю переписку OpenAI, а, с Илоном Маском вокруг вот этого скандала, а там было письмо Ильи как раз, что в какой-то момент нам OpenAI надо быть более закрытыми с точки зрения публикации своих research, потому что, ну, это приводит к определённым рискам, как security, так и коммерческим. И тут вот прямо в отличие от Карпатова, он прямо видно было, что фильтрует базар и некоторые вещи не говорит. Но если подытожить ключевые штуки, а что плохо обобщают, тоже, что говорил, а Карпатый. А очень интересная мысль, что AGI - это не конечное состояние, а некоторая базовая модель, которую быстро можно доучить чему угодно, возвращаясь к идее скилов, а и вот этой штуки. Ну и опять там поругал бенчмарки и погоню за бенчмарками. И вообще, а текущий подход к решению задачи, что, ну, там он видит в нём ограничения, и мы эти ограничения все чувствуем, когда AI тупит. Э там очень прикольную метафору он приводит олимпиадника по программированию, как насколько он, а, скажем так, готов к карьере в IT-мире.
Салтман сделал внутреннее мемо, а, "Код Red" мемо, в котором, по сути, а, сказал, что Google что-то нас уделывает, кажется, поэтому нам надо пересобраться и перефокусироваться на ключевом нашем продукте. Это модель. Нам надо делать модели лучше, чем у них. А 5.2 - это был некоторый ответ. И если честно, мне очень нравится прогонять с GPT 5.2, я вам скажу честно, больше, чем с а Opus с точки зрения ряда аспектов, таких уже супертехнических. А, соответственно, а, но вот как раз, э, от Гугла они видят основную эту. Если посмотреть, э, рост трафика у ассистентов, то Google забрал большую часть роста и, а, падает то есть то, что теряет ChatGPT, в основном забирает Gemini. И, конечно же, там с релизами нанобана, а они просто там 70% роста, а, трафика забрали просто на себя и общего роста по сравнению с ChatGPT, то, что теряет GPT. И это, а, там серьёзная угроза, поэтому его поинт надо сфокусироваться. А второе - это косты. Конечно же, вот то, что Google обладает своими, ну, у них есть CPU, свои чипы, это позволяет им более дешевле делать, и это из-за конкурентного давления, а, заставляет дешев снижать цены у OpenAI, что приводит к тому, что их выручка, что им ещё больше нужно фандрейзить, что приводит к тому, что они ещё более хрупкими становятся. И тут мне вспоминается ещё один архетип системного мышления. А что, ну там есть такая, э, архетип называется эскалация, когда, например, одна компания снижает цены, вынуждая другую снижать цены, вынуждая эту опять ещё больше снижать цены и тем самым цены падают, а консьюмер обычно, ну, в плюсе. И там, когда я рассказываю этот архетип, я всегда говорю, что такую стратегию может позволить себе компания, чтобы выдавить другую компанию, если у неё глубокие карманы. И вот такое ощущение, что мы как раз это и наблюдаем, что а за счёт того, что, грубо говоря, более-менее, а сейчас Gemini 3 и уже лучше модели выдаёт Google по ценам, гораздо лучше, чем и костструктурой, гораздо лучше, чем у OpenAI. Это приводит к тому, что блидинг, да, то есть потери, финансовые потери, э-э, OpenAI и Антропика, они растут, и поэтому им надо привлекать, а, ну, на открытом рынке, и это пушит их в а в сторону IPO, по по моему мнению. А, поэтому вот как бы этот "Код Red" - это хороший сигнал с двух сторон. С одной стороны фокусировка. Мы помним, как над Гуглом все смеялись сколько? Полтора, наверное, года назад, да, когда, а, говорили, что, ну, всё, Google просрал тему с с Generative AI и так далее. И видим, как они пересобрались за вот эти полтора, наверное, года. То же самое может быть, вот эта перефокусировка, а, вернёт лидерство. Посмотрим. Но с другой стороны, конечно, если критически смотреть, то это, ну, влияет на уверенность инвесторов на прав рынки и, возможно, пушит лаборатории делать IPO. Я за то, чтобы они сделали IPO, потому что хочется, конечно, поучаствовать, а, в этих, а, моделях, в этих компаниях, даже если не как не чтобы заработать, а чтобы просто поддержать, ну, системный как бы сдвиг в мире технологий, как бы, э, который произошёл благодаря вот этим и происходит благодаря этим компаниям. Сейчас только, к сожалению, там в Google вы можете и, ну, в публичной компании.
Амаде CEO на New York Times Dealbook саммите начал говорить очень интересные штуки. Во-первых, надо понимать, что его, а, его собеседник недавно написал книжку про пузыри, поэтому вопросы, которые которые он задавал, они были очень подготовлены с точки зрения пузырей, с точки зрения, а, кризиса вот Великой депрессии и так далее. Посмотрите, он новую книжку, а написал как раз буквально месяц, наверное, может пару недель назад. И если взять хайлайты эти, они пересекаются вот с той хрупкостью, о которой я упомянул, а именно, а что вот эти круговые сделки, а, и хрупкость, и вот, собственно, Амаде, один из поинтов его, что да, технология очень солид, всё круто, но экономика очень хрупка, и поэтому любые пере сверхзавышенные ожидания и какое-то событие, которое может сильно скорректировать эти ожидания, оно может разрушить всю а систему. Собственно, то, что мы с вами говорили. И вот эта циркулярность этих сделок, по моему мнению, она повышает эту хрупкость. Это закон систем, закон сложных систем. Чем более связанные системы, тем более они хрупкие. Это просто как бы закон. Вот. А и он, ну там между строк, конечно, говорит про Альтмана, что там условно при выручке еле-еле в 20 млрд в год у них коммиты на больше чем триллион. И как они вообще выживут и так далее и тому подобное. Что интересно, что он говорит ту же тот же поинт, что AGI - это теперь не некоторая точка, а это процесс. И мы к нему идём, а, а, и что, собственно, это задача национальной важности, а, и что модели, по его мнению, не не сконвергируются в одно. То есть вот в самом начале я говорил и на прошлой встрече я говорил, что когда смотришь на бенчмарки на длинной дистанции, видно, что почти все модели сходятся примерно к одним цифрам. Ну там детали отличаются. Вот он делает стейтмент, потому что ему нужно делать этот стейтмент, потому что ему нужно объяснить, почему они дифференцируются. И единственный, а, экономический как бы индикатор дифференциации - это возможность, э, брать премиум, премию на свой свой тип модель. И пока надо признаться, что, а, Антропик с его ценами, кажется, а, ему это удаётся. Но вот мне кажется, что им становится всё сложнее и сложнее. Просто вот я говорю, я пользуюсь несколькими а-а ассистентами, я вижу, а, я знаю, что там ну coding use cases и вообще рассмотрение coding assistant как general purpose assistant агента, как мы уже с вами говорили, это в первую очередь антропиковская позиция. Вот. Ну, собственно, а тоже, если хотите, можете посмотреть. Я бы сказал, что не так интересно, как предыдущие интервью.
Ну и, наверное, ещё важный момент, по моему мнению, связанный с тем, когда, ну, там, Илья ушёл по другим причинам, а, из OpenAI, но с точки зрения, что он будет делать, мне кажется, похожая штука, что Ликун, наверное, был ярый противник и критик текущего подхода к тренировке LLM. А, и многие считают, что из-за этого Meta, а, ну, как бы пропустила эту тему, и пришлось там миллиарды платить за ресерчеров. Мы уже с вами про это говорили. Ну, в общем, ключевой scientist Meta уходит. Он активно критиковал LLMки. Он считает, что он ещё француз. У него очень классные примеры, как он объяснял, почему там LLMки не могут решать задачи обобщения и так далее. И, собственно, он ушёл делать свою лабораторию. Так же, как и, а, по моему мнению, Суцкевер - это лаборатория, это не, а, как бы бизнес пока, а, это research. Вот он ушёл делать в соответствии со своим видением. Он это видение уже несколько лет презентует как альтернативу сшкритику, а, LM и там, конечно же, про амодели, про а обобщение, про другую архитектуру а понимания.
Ну и давайте как раз у нас 10 минут на персональную рефлексию. Какие? Вот я просто посидел вчера и просто поразмышлял, а вот за этот год для меня какие главные шифты в сознании произошли? Потому что условно, если в прошлом году я бы в конце двадцать четвёртого, и, наверное, я это говорил, сейчас не понял, я бы сказал, что как быстро падает а косты, и поэтому что надо закладывать вот этот мой совет, закладывать скорость падения костов в контракты, которые мы заключаем, и не бояться, а, заключать их там на ну там на минимуме маржи или даже немножко в минус, если долгосрочный контракт. И вот тогда бы я это говорил. Ну что сейчас? Что за этот год я для себя там отрефлексировал? И куда я слышу обсуждения, которые происходят вот, по крайней мере, в моём круге и в то, что я считаю?
Во-первых, я решил пройтись по, а, предикшнсам, которые я делал. И, а, вы знаете, в конце каждой встречи я делаю предикшн на следующей. В начале я оцениваю. И вот если, э, я вам просто скриншотами покажу с этих четырёх встреч, один раз я забыл сделать предикшнсы, поэтому там будет четыре, а не пять слайдов, но в целом а что мы видим? А что, ну, прогресс моделей более-менее легко было про прогнозировать, а они сбывались, и вообще темп ускоряется. А, и как я уже говорил, у многих в загашнике есть по модель, а, уход в кодинг агентов и вообще вот это направление, а, собственно, OpenAI, Google, а, видеогенерация, а, и App Store. Вот там с, а, с первого же с апреля месяца, я вам говорю, будет App Store, будет App Store. Всё время ошибался, ошибался, но там, наконец, мы вот знаем, что теперь он у нас он у нас есть. Соответственно, он девайс модели, собственно, phone use а и у нас появился, а появился MCP как стандарт, и мой поинт был, что другие будут тоже его поддерживать. Ну и наконец-то мы получили, а как раз это всё. Но если посмотреть, то Shift какой произошёл? Это Shift с фокуса на с фокуса с модели на прикладные способности моделей, а в мультимодальные. Второе в а агентов. Ну то есть а не просто одна какая-то способность, а некоторый комплекс способностей для выполнения той или иной а задачи. Ну и тикс. Вот три, наверное, темы, которые появились, э, вот за этот год явно в этих предикшнах. И в целом пока нормальный решн.
Второй поинт, я уже несколько раз про него говорил, что по моему мнению, и есть YouTube видео в открытом доступе, можно посмотреть, что происходит сдвиг от, а, так называемых chain workflows, когда есть детерминированный порядок выполнения какой-то задачи. Но на каждом из этапов потенциально может использоваться LLM, чтобы делать лучше один из этапов. Но вот стыки, модули, последовательность - это жёстко придумывает продукт или программист. Это вот chain workflows. А workflows - это когда не программист придумывает, а на лету в зависимости от задачи выстраивает а workflow и пытается решить ту задачу, которую ей дали. Это, собственно, Adentic или Adenttic Workflow. И у каждого есть минусы, плюсы с точки зрения стабильности и так далее и тому подобное. Но вот этот shift в продуктах за этот год и в моей голове прямо явно произошёл. А это заметно по постам и по тому, что я начал писать с появления о моделей, когда, может, помните, был такой пост, что О планирует модель, а GPT4 о выполняет степы модели. Вот тогда впервые я начал в эту сторону думать и вот слышу прямо вижу. Ну и, конечно, кодин агенты - это вот классный пример аджека. А Code Llama как general purpose agent или coding agent как general purpose agent. И вот это в пику тому, что мы говорили про скилы. А вот я на днях делал лекцию и показывал, какие задачи я уже выполняю в Code Llama, не выходя из него. Это а написание поста. Вот у меня есть некоторая, а все мои посты разбиты, а в определённый граф. И когда я хочу написать новую, а а мысль, я брендампом выдаю туда, говорю: "Свяжи мне, какие мои прошлые посты связаны с этим". Мы разговариваем и в итоге появляется черновик поста. Вот вы, наверное, видели мой пост про модель плюс процесс больше, чем модель. Вот это написание контента с использованием всего того. Я туда сгрузил весь свой все свои посты из Телеграма плюс транскрипты своих лекций. То есть он видит, ну, пока не всё, что у меня в голове, но точно помнит вещи, которые я уже не помню. И вот эти связи, которые он иногда показывает и говорит, что а помнишь, ты писал про а какие должны быть а менеджеры. На самом деле это связано с тем, что ты сейчас пишешь про число Донбара, и я такой: "Блин, ну точно". И вот вот эти связки, та самая Zettelkasten система, кто знает, это прямо просто мегаштука. И я не просто так делаю много контента. Я всё перевожу в транскрипты и вот эту свою систему а обучаю. Она мне помогает создавать, я надеюсь, вам нравится, но более качественный контент. Даже подготовку вот этой лекции я делал в а в Code Llama. А UI/UX Review. Вот, э-э, а-а, у меня есть агент, который, а, запускает браузер, прокликивает продукт и потом, аэ, у, ну, он там запромчен тем, чтобы использовал те гайдлайны, которые мне нравятся. Apple Human Interface Guidelines, а, и так далее, Universal Principles of Design. И он под их соусом рассматривает UI и пишет этот фидбэк. А аудит аудит продукта тут технический аудит. Просто иногда, когда у тебя нет много денег, чтобы нанимать суперкрутых архитекторов, э ты не можешь кросс-чекнуть те решения, которые вы как команда принимаете. И вот хочется какой-то доп ревью. И для этого, конечно, очень помогает мне, а, вот для этих аудитов. Причём очень классно, когда разными моделями делаешь аудит и потом сверяешь и говоришь одной модели: "Прочитай результаты аудита". Я не говорю, что это другая модель, я говорю: "Это другой человек, эксперт". И он говорит: "Вот с этим согласен, это фигня и так далее". Очень интересная динамика. А как Product Analytics, вот мы там сейчас в Softniche новой версии. И а он как бы вот вы видите, он тащит данные из базы, из Google Analytics, объединяет их, читает все чаты и выдаёт Analytics Report и UX audit. Вот то, что я уже сказал до этого, вот это только вот часть всё больше и больше. Я вообще каждую задачку, которую я делаю, я сейчас себе, когда начинаю её думать, я себе задаю вопрос: могу ли я её сделать в Code Llama или в Code X? И, собственно, иду по этому пути. Это просто было из той лекции, что даже ту лекцию я подготовил в это, ну вот вот этот презентацию, которую я вам сейчас показываю. Именно содержательно я, конечно, подготовил это и поэтому м связанные мысли, потому что у него был мой Telegram-канал посты, и он связывал новости с теми постами, которые я вил, или я их досвязывал, потому что он этого не делал. Ещё мне очень прямо понравилось. Ээ, я знал про эту методику, но глубоко оригинал никогда не читал до недавнего времени, когда я захотел на курсе по продуктивности рассказать про этот фреймворк, и я вообще не мог понять, когда мне это объяснял ChatGPT. Вот. Вот, кстати, будьте внимательны, что, в общем, короче, уровень погружения из-за вот этого поверхностного предикшна токенов, э, когда какой-то сложный концепт вот, блин, не полу Вот я, поверьте, много раз пытался аа и с ChatGPT склодом понять вот этот фреймворк Ингильбарта и не мог. Только когда я сел и прочитал весь оригинальный перутсы, как я вам показывал по Суцкеверскому этому, и потом поговорил в соответствии с моими ноутсами, в соответствии с моими связями с другими идеями, поговорил с Claude или сейчас GPT, сейчас не помню. Я наконец-то понял и смог артикулировать этим фреймворком. Но очень вкратце я просто скажу так, я про него написал в блоге. Я скажу так, что вот эти AI тулы типа Atlas, Code Llama, Cursor, а ChatGPT, это 20% а вашего перформанс буста. Если вы не поменяете методологию, не набьёте руки, да, вот эту мышечную память, не научитесь языку и концептам, то вы не сможете максимизировать отдачу от этих инструментов. Поэтому вот, может быть, я не знаю, там заметили, нет, я не буду публиковать пост про новую модель, если я её не попробовал. Потому что только когда через себя прогоняешь, ты начинаешь, у тебя появляется какое-то вот то самое tacit knowledge, да. И вот поэтому я вам рекомендую очень а со всеми вот этими инструментами, новыми фреймворками, моделями, тулами, прогонять их через себя. Вышло нанобана, не брать черепики чужие, а попробовать свои поделать. Вот есть такой дядька Саймон Уилсон. Он просит каждую модель нарисовать пеликана. Там Илон Молик просит нарисовать, по-моему, какого-то бурундука в в этом, в самолёте. Я сейчас точно не помню, кого именно. Ну, в общем, взять какой-то выработать свой бенчмарк, своё понимание и через эту концепцию прогонять. всё новое, потому что тогда вот оседает внутри и лучше происходит. И это я понял, почему за этот год, потому что вот разобрался хорошо с фреймворком. А, во-вторых, просто замечал, что если я просто слышу про reinforcement learning, но я его вот не попробовал заземлить к себе на бизнес, то я никогда не пойму, что на самом деле нам достаточно просто промты улучшать каждую неделю по результатам редактирования. Вот как раз то, что я а на этом хакатоне и сделал, что никаких reinforcement learning, никаких фантюнингов, просто тупо умная модель смотрит, что говорил, что она предлагала и что, э, человек в итоге выбирал или отправлял, и создаёт новую версию промта. Вот всё очень просто.
Ну и а последнее - это какие предикшнсы? Ну, я всё-таки свою тему с агентской экономикой, с апсторами пушу. Очень интересно, что будет. Надеюсь, что, знаете, как вот был с приложениями, э, появлялись миллионеры и миллиардеры благодаря апстору. А я надеюсь, что появятся миллионеры и миллиардеры благодаря, а, ChatGPT, Gemini Store и Anтропик, может быть. Короче, очень считаю, что мы это в следующем году увидим. А, конечно, foundational модели с роботами, я уже про это сказал, и темп их это и World модели как раз в ту же степь. Вот FFII, её модель мы смотрели на прошлом, а, на прошлой встрече. Она сейчас занимается этим. У неё очень хороший как бы трек-рекорд предикшнсов, куда идёт AI, если посмотреть за всё время. Поэтому make sense. Ну, мы уже все знаем, чип фасты, но вот главное, что это позволяет на Gвайс устанавливать. Я надеюсь, что мы увидим девайс, который похож на телефон, но в 2026, но в основе его LLM. Может быть, не production грейда, а девайс, но точно а очень уверенный а рабочий прототип. Ну и, в принципе, это, наверное, а, ну, конечно, роботы в консюмерском этом - это то, что я ожидаю.