ideasAI / Идеи для ИИ - Анисимов Андрей

37 000 AI-агентов собрали в виртуальную биотех-компанию. И она уже ищет лекарства 🥸 В Стэнфорде решили провести эксперимент и создали систему, которая больше похожа на оргструктуру биотеха, чем на обычного AI-ассистента. Она называет Virtual Biotech (читаем тут). Наверху — агент в роли Chief Scientific Officer. Ниже — специализированные отделы: поиск "мишеней", оценка безопасности, выбор терапевтической стратегии, анализ клинических испытаний. В пике система запускала больше 37 тысяч агентов параллельно 😱 Первую большую задачу ей дали: разобрать результаты 55 984 клинических испытаний. Для этого Virtual Biotech разослала 37 075 отдельных агентов, каждый из которых занимался своим испытанием: сначала искал данные в ClinicalTrials.gov, потом при необходимости шёл в PubMed, пресс-релизы и регуляторные сообщения. 🔷После этого система связала результаты испытаний с генетическими и клеточными данными. Кому интересно - читаем ниже, все расписал: Получился любопытный сигнал: препараты, которые бьют по мишеням, активным в конкретных типах клеток, на 40% чаще переходили из Phase I в Phase II и на 48% чаще доходили до рынка, при этом у них было на 32% меньше нежелательных явлений. Дальше Virtual Biotech дали уже конкретный вопрос: стоит ли рассматривать белок B7-H3 / CD276 как мишень при раке лёгкого. Система собрала генетические, single-cell, spatial и клинические данные и предложила стратегию с antibody-drug conjugate — антителом, которое распознаёт B7-H3 и несёт противоопухолевый препарат. Звучит как "ИИ нашёл лекарство от рака", но тут важно не уходить в фантазию. Авторы не проверяли эту стратегию в клетках, на животных или в клиническом исследовании. Nature отдельно подчёркивает: система пока не прошла реальную проверку. Посмотрите как меняется сама форма научной работы. Раньше агент обычно делал одну задачу (или несколько): нашёл статьи, написал код, проанализировал таблицу. 🔝 Здесь уже появляется организация из агентов: один ставит задачу, другие параллельно копают разные источники и специализации, потом результаты снова собираются наверху. То есть AI начинают масштабировать не только по размеру модели, но и по структуре команды. И если такая система действительно выдержит проверку на реальных исследованиях, узким местом может стать уже не скорость поиска и анализа данных, а совсем другое: какие гипотезы стоит проверять в лаборатории и на что вообще тратить дорогие человеческие эксперименты. Вот это уже заметно ближе к "AI-учёному".... #AI_и_наука 💬 Присоединиться к обсуждению в чате Телеграм канал Андрей Анисимов @ideasforai #AI_и_наука

Предсказать, кто купит, - недостаточно 😉 Нужно понять, кто купит именно благодаря вам. Допустим, у банка есть миллион клиентов и предложение: «возьмите кредит — получите бонус». Обычная ML-модель решает задачу: P (покупка | клиент). Находим клиентов с максимальной вероятностью покупки и отправляем им предложение. Но тут есть проблема: часть из них и так собиралась взять кредит. Получается, мы просто заплатили бонус за действие, которое произошло бы без нас. Uplift-моделирование решает другую задачу: uplift(x) = P(Y=1 | treatment, x) − P(Y=1 | control, x) То есть пытается оценить не вероятность события, а насколько наше воздействие изменит поведение конкретного клиента. Классически клиентов здесь делят на четыре группы: 🔵Убеждаемый (Persuadables) - купят именно благодаря воздействию. Самая интересная аудитория. 🔵Лояльный (Sure Things) - купят и без нас. Зачем тратить на них скидку? 🔵Потерянный (Lost Causes) - не купят в любом случае. 🔵Не беспокоить (Do-Not-Disturbs) - коммуникация может даже снизить вероятность покупки. Поэтому uplift - это уже не просто prediction. Это переход в сторону causal ML: что произошло именно вследствие нашего действия? Причем это давно не академическая история. 1️⃣У X5 был RetailHero - соревнование по uplift-моделированию на реальных данных ритейла: сотни тысяч клиентов и десятки миллионов транзакций. Этот датасет сегодня можно загрузить прямо из scikit-uplift. 2️⃣Одна синяя компания применяла uplift в запрещенном в РФ инстаграме для управления push-уведомлениями. Пользователей случайно делили на treatment / control, а затем модель училась оценивать incremental impact: изменится ли поведение конкретного пользователя именно из-за отправленного ему уведомления. 3️⃣Uber открыл CausalML - большую библиотеку для оценки heterogeneous treatment effects: S/T/X/R/DR-learners, uplift trees и другие causal-подходы. 4️⃣Microsoft Research развивает EconML - еще более серьезный инструментарий на стыке ML и эконометрики для оценки индивидуальных эффектов воздействия. В России тоже есть отличный open-source стек. ⚡️ МТС — scikit-uplift (sklift). Sklearn-like библиотека, с которой довольно удобно начинать: meta-learners, uplift-подходы, Qini, uplift curve, AUUC и интеграция с привычными ML-моделями. А теперь появился еще и AUF - Automatic Uplift Framework от Alfa Advanced Analytics: смотрим ссылку Здесь идея уже ближе к AutoML для uplift: подготовка и проверки данных, feature selection, обучение разных uplift-подходов, сравнение моделей, метрики и MLflow. Есть S-, T-, X-learners, uplift trees / forests и multi-treatment. И вот последнее интересно. Потому что следующий уровень — оценивать уже не просто: кому показать предложение? А: кому × какое предложение × по какому каналу × в какой момент × с какой скидкой? Например, одному клиенту ничего не отправлять. Второму - push без скидки. Третьему - дать 5%. Четвертому - позвонить. А пятого вообще лучше не трогать. 🔹И оптимизировать при этом не вероятность покупки, а инкрементальную прибыль с учетом стоимости воздействия. Получается важный переход: Propensity → Uplift → Next Best Action. Обычный ML пытается предсказать будущее. Causal ML пытается понять, как это будущее изменить. 💬 Присоединиться к обсуждению в чате Телеграм канал Андрей Анисимов @ideasforai #AI_и_работа

Что было за неделю — собрал всё в одном месте, чтобы ничего не искать👇 ➡️ В AI нет одной профессии. На самом деле там уже сформировалась целая экосистема специальностей 🧐 прочитать пост ➡️ ИИ прочитал больше, чем вы сможете прочитать за всю жизнь. Причём сильно больше 🧐 прочитать пост ➡️ ИИ, который узнаёт лемуров в лицо. Оказывается, Face ID нужен не только людям 🧐 прочитать пост ➡️ Вы всё ещё не можете сделать своего бота? Идите в школу, 9 класс 🧐 прочитать пост ➡️ Сотрудники всё чаще советуются с ИИ, а не с руководителем... 🧐 прочитать объявление ➡️ Как ставка ва-банк создала самую дорогую компанию в мире 🧐 прочитать пост ➡️ Муха умерла несколько лет назад. Но её мозг до сих пор «учится»: играет в Doom, управляет роботами и даже торгует криптой 🧐 прочитать пост ➡️ ИИ учится слушать китов... есть класс задач: попытаться понять другой биологический вид 🧐 прочитать пост Хорошо провести воскресенье 😎 💬 Присоединиться к обсуждению в чате Телеграм канал Андрей Анисимов @ideasforai #дайджест

🐋 ИИ учится слушать китов Нравятся такие новости - как раньше по каналам шли передачи вроде Animal Planet, так теперь мы описываем задействование ИИ... есть класс задач, который выглядит куда интереснее очередной генерации текста или картинки: попытаться понять другой биологический вид 🤯 Project CETI занимается именно этим. Исследователи записывают кашалотов гидрофонами, датчиками, дронами и автономными аппаратами, а потом прогоняют тысячи их "разговоров" через ML-модели. В 2024 году команда разобрала почти 9000 последовательностей щелчков - codas. Выяснилось, что коммуникация кашалотов устроена не хаотично: в ней есть ритм, темп, rubato и ornamentation. Из их сочетаний исследователи выделили как минимум 143 регулярно встречающихся паттерна. Прочитать статью можно здесь. Получается что-то вроде набора строительных блоков, из которых киты собирают свои сигналы. В 2025 году появился WhAM - Whale Acoustics Model. 🔷Это transformer-модель, которая работает непосредственно со звуками кашалотов: строит их представления, генерирует новые "псевдокоды" и умеет преобразовывать другие звуки в структуру, похожую на китовую вокализацию. Данных там тоже не "пара записей с микрофона". Сеть акустических сенсоров CETI покрывает примерно 20×20 км и собирает больше 30 ТБ в месяц. Похожий подход уже использовал и Google вместе с NOAA: ML прогнали по 187 000 часам подводных записей, чтобы автоматически искать песни горбатых китов. Так удалось обнаружить их присутствие в районе Kingman Reef, где раньше такие песни не фиксировали. 😅 Но переводчика "с китового" у нас пока нет. Найти повторяющуюся структуру, различать типы сигналов и замечать закономерности - одно. Понять, означает ли конкретная последовательность "еда", "опасность" или вообще что-то, чему в человеческом языке нет аналога, - совсем другое. AI здесь не говорит за китов. Он помогает человеку впервые разбирать их коммуникацию в масштабе, который вручную просто не потянуть. Возможно, один из самых необычных интерфейсов будущего будет выглядеть не как человек ↔️ компьютер, а как человек ↔️ AI ↔️ другой вид. #AI_и_наука 💬 Присоединиться к обсуждению в чате Телеграм канал Андрей Анисимов @ideasforai

Муха умерла несколько лет назад. Но её мозг до сих пор «учится»: играет в Doom, управляет роботами и даже торгует криптой 🤯 И это не шутка. В 2024 году исследователи опубликовали практически полную цифровую карту мозга дрозофилы — около 140 тысяч нейронов и более 50 млн связей. А в сентябре 2026 года Google Research и Janelia представили ещё более масштабную карту мозга и нервной системы самца — более 166 тысяч нейронов. Как это работает? Берут настоящую муху → мозг режут на тысячи тончайших слоёв → снимают электронным микроскопом → AI собирает всё обратно и восстанавливает связи между нейронами. Получается своего рода цифровая схема мозга. 🎮 Её уже подключали к Doom, Super Mario 64, Beat Saber и Minecraft. 📈 В Stonkfly виртуальному мозгу показывают свечной график криптовалюты — и он принимает решения buy / sell / hold. Архитектуру мозга мухи используют в экспериментах с управлением роботами. А параллельно существует NeuroMechFly — виртуальное тело дрозофилы с ногами, зрением, обонянием и физикой. Но игры — скорее эффектная демонстрация. Исследователи уже используют цифровой мозг мёртвой мухи, чтобы предсказывать, как работают нейроны живой. Получается красивый круг: мозг → нейросеть → AI восстанавливает мозг → мозг подсказывает архитектуру новых нейросетей. И одна муха после смерти может ещё годами участвовать в тысячах виртуальных экспериментов. Возможно, следующий большой источник идей для AI — не очередная статья про Transformer. А мозг мухи, которая умерла много лет назад. #AI_и_наука 💬 Присоединиться к обсуждению в чате Телеграм канал Андрей Анисимов @ideasforai

Как ставка ва-банк создала самую дорогую компанию в мире 🚀 Сегодня иду в Сколково (МШУ 20 лет) и решил посмотреть, что было с NVIDIA в это время. 20 лет назад, в 2006 году, акции NVIDIA стоили всего $0.48. Компания делала отличные видеокарты для геймеров, но ее глава Дженсен Хуанг замышлял нечто безумное. В ноябре 2006 года NVIDIA выпускает технологию CUDA. Она позволяла использовать мощность видеокарты не для отрисовки пикселей в играх, а для чистой математики и тяжелых вычислений. Инвесторы были в ярости. Внедрение CUDA дико увеличивало себестоимость чипов, а пользовались технологией единицы — в основном ученые в лабораториях и университетах. Это выглядело точно так же, как мы сегодня смотрим на квантовые компьютеры: дико дорого, сложно и применимо только в узкой науке. Дженсена критиковали за пустую трату миллиардов, но он жестко стоял на своем: CUDA будет в каждой видеокарте, даже в самой дешевой игровой. И эта ставка оправдалась в 2012 году. В Университете Торонто аспиранты Алекс Крижевский и Илья Суцкевер (будущий один из создателей OpenAI) под руководством Джеффри Хинтона пытались обучить огромную нейросеть для распознавания картинок. На обычных процессорах (CPU) это заняло бы месяцы. Но они написали кастомный код на CUDA и запустили вычисления на двух домашних игровых видеокартах GeForce GTX 580. Они обучили нейросеть AlexNet всего за неделю. Выставив ее на мировой чемпионат по компьютерному зрению, они буквально уничтожили конкурентов, снизив процент ошибок с привычных научному миру 26% до невозможных 15%. Это был «Большой взрыв» искусственного интеллекта. В один день весь мир понял: нейросети работают, если дать им тонны данных и графические чипы. Что мы имеем сегодня? Весь мировой софт для ИИ (от ChatGPT до беспилотников) написан и оптимизирован под CUDA. NVIDIA превратилась в абсолютного монополиста, а ее акции выросли с тех 50 центов до сотен долларов, сделав компанию одной из самых дорогих на планете с капитализацией в триллионы долларов. История CUDA — это лучший пример того, как долгосрочное видение и готовность годами терпеть убытки ради «ненужной» технологии полностью меняют технологическую историю человечества. 💬 Присоединиться к обсуждению в чате Телеграм канал Андрей Анисимов @ideasforai

Сотрудники всё чаще советуются с ИИ, а не с руководителем... СберУниверситет проанализировал более 1700 публикаций из 50+ российских и мировых источников о том, как AI меняет работу и управление людьми. 🔷До 77% запросов сотрудников к ChatGPT могут выходить за границы их собственной специальности. То есть человек приходит не только за помощью "по своей работе", а использует модель как доступ к соседним функциям: аналитике, текстам, исследованиям, идеям, структуре, проверке решений. 1️⃣Модель доступна сразу, не требует созвона, не устаёт от уточнений, позволяет пять раз поменять вопрос и быстро прогнать несколько вариантов. Руководитель с такой скоростью просто не конкурирует. 2️⃣В дайджесте отдельно разбирается, что команда не всегда эффективнее одного сильного специалиста, особенно в задачах без единственного правильного ответа. Если собрать эти две вещи вместе, меняется сама конструкция работы. Сильный специалист получает AI как постоянный второй контур: быстро проверить идею, собрать альтернативы, посмотреть на задачу с другой стороны, закрыть кусок смежной работы. В некоторых случаях это уменьшает потребность звать на каждую развилку ещё трёх человек в обсуждение. Для руководителя вывод неприятный, но полезный: ценность в "я знаю ответ" будет снижаться (мне обидно 😂) 🟦Останется то, что у модели слабее: контекст компании, понимание реальных ограничений, расстановка приоритетов, политическая и организационная ответственность, выбор между несколькими нормальными вариантами и последствия этого выбора #AI_и_работа 💬 Присоединиться к обсуждению в чате Телеграм канал Андрей Анисимов @ideasforai

Вы всё ещё не можете сделать своего бота? Идите в школу, 9 класс 😅 Продолжаю изучать книги про ИИ для школьников (советую прочитать предыдущий пост на эту тему) - и периодически чувствую, что школьная программа начинает издеваться над взрослыми айтишниками. В 9 классе школьникам предлагают не просто поговорить про нейросети, а: 🔵создать Telegram-бота на Python; 🔵получить токен и разобраться с Bot API; 🔵поработать с aiogram и asyncio; 🔵написать хендлеры и обработчики сообщений; 🔵подключить к боту искусственный интеллект; 🔵а потом перейти к машинному обучению: подготовить датасет и построить прогнозную модель с помощью регрессии. Причём это не кружок для олимпиадников. Учебник «Введение в искусственный интеллект. 9 класс» официально входит в федеральный перечень учебников. Самое забавное, Telegram в своей официальной документации примерно так же описывает путь новичка: BotFather → токен → API → первый работающий бот. Только теперь этот путь вполне буквально стал школьной программой. Мне нравится этот сдвиг: недавно Python, API и ML воспринимались как довольно продвинутый стек для входа в Data Science. Теперь девятиклассник должен хотя бы понимать, что такое токен, API, датасет, модель и как всё это собрать в работающий сервис. Так что через несколько лет на собеседовании вопрос «А Telegram-бота с ИИ сможете сделать?» может звучать примерно как: — Таблицу умножения помните? 😅 💬 Присоединиться к обсуждению в чате Телеграм канал Андрей Анисимов @ideasforai #AI_и_наука

Друзья! у нас последний день регистрации на офлайн Practical ML Conf — https://pmlconf.yandex.ru/2026/ Регистрируйтесь) А те, кто могут только онлайн — ждем в гости онлайн!

ИИ, который узнаёт лемуров в лицо 🐒 Оказывается, Face ID нужен не только людям. Исследователи разработали LemurFaceID — систему компьютерного зрения, способную различать отдельных лемуров по фотографии морды. Чтобы годами наблюдать за популяциями диких животных, учёным необходимо понимать, какого именно лемура они встретили. Традиционно для этого животных приходится отлавливать и метить либо исследователям нужно запоминать особенности внешности каждого. Для обучения LemurFaceID собрали 462 фотографии 80 краснобрюхих лемуров. Большинство животных жили в национальном парке Раномафана на Мадагаскаре. 📸 Причём фотографии были не студийными: лемуры находились в природе, иногда на высоте 15–30 метров, менялись освещение, ракурс и выражение морды. При использовании двух фотографий одного животного система достигала 98,7% точности в закрытом тесте. С одной фотографией — 93,3%. Это хороший пример того, как технология, первоначально развивавшаяся для распознавания людей, переносится совершенно в другую область — охрану природы. Не нужно ловить животное и крепить к нему метку: потенциально достаточно сфотографировать его, определить особь и продолжить историю наблюдений. Получается своеобразный Face ID для дикой природы 😄 💬 Присоединиться к обсуждению в чате Телеграм канал Андрей Анисимов @ideasforai #AI_и_наука

ИИ прочитал больше, чем вы сможете прочитать за всю жизнь. Причём сильно больше 😅 Средняя скорость чтения взрослого - около 238 слов в минуту. Это оценка из метаанализа 190 исследований с 18,5 тысячами участников. Представим очень дисциплинированного читателя: 2 часа в день, каждый день, 70 лет подряд. Получится примерно 730 млн слов. Много, конечно (один мой подписчик сказал, что 2 часа в неделю читать - много, ему отдельный привет 😆). Но на фоне обучения больших языковых моделей - почти скромно. В обучающей смеси GPT были Common Crawl, WebText, Wikipedia и книжные корпуса. Счёт там идёт уже на сотни миллиардов токенов. Человеку, чтобы просто прогнать глазами сопоставимый объём текста, понадобились бы ТЫСЯЧИ лет. Можно "прочитать" невероятный объём человеческих текстов — и всё равно споткнуться о вопрос, с которым первоклассник справится за несколько секунд: Сколько букв r в strawberry? Человек видит слово и считает буквы. Модель работает с токенами - кусочками текста. Поэтому огромный объём обучения вообще не гарантирует безошибочность в таких элементарных на вид задачах. Вот, пожалуй, самое короткое объяснение разницы между человеческим интеллектом и искусственным 😁 💬 Присоединиться к обсуждению в чате Телеграм канал Андрей Анисимов @ideasforai #AI_и_наука

19 сентября в субботу возвращаюсь в СКОЛКОВО — на этот раз не только как выпускник MBA-15, но и как спикер 🙂 На Дне основания Школы буду участвовать в сессии Клуба по искусственному интеллекту: «AI-Native: как ИИ становится новой операционной моделью бизнеса» Последние пару лет компании в основном «прикручивали» ИИ к существующим процессам: чат-боты, Copilot’ы, генерация текстов, ассистенты. Но сейчас начинается куда более интересный этап. Что, если не добавлять AI в существующую компанию, а изначально строить компанию вокруг AI? Когда у специалиста появляется «парк» агентов. Исполнитель становится постановщиком задач. Руководитель — архитектором процессов. А знания компании — исполняемым активом. Будем говорить о том, как перестраивать под это процессы и команды, с чего начинать, как считать ROI и где искать первый измеримый эффект. Круглый стол будет вместе с Александром Макаровым, Екатериной Борисоглебской, Павлом Подкорытовым и Антоном Грабoровым. А ещё обнаружил забавное соседство в программе: рядом со мной Александр Аузан 😅 Если вдруг не читали его «Культурные коды экономики» — читайте. Отличная книга о том, как культура влияет на экономику, институты и наши решения. После неё на многие вещи начинаешь смотреть немного иначе 📍 СКОЛКОВО 🗓 19 сентября ⏰ 12:30–13:30 Если будете на Дне основания — приходите. Поговорим про AI-Native и будущее компаний 👋 https://www.skolkovo.ru/events/den-osnovaniya-2026/ 💬 Присоединиться к обсуждению в чате Телеграм канал Андрей Анисимов @ideasforai

🤔 В AI нет одной профессии На самом деле там уже сформировалась целая экосистема специальностей и границы между ними постоянно двигаются. Если сильно упростить, есть несколько больших направлений: 🔵Data Analyst - превращает данные в ответы на бизнес-вопросы: что произошло, почему и где искать точки роста. 🔵Data Engineer - строит фундамент: собирает данные, организует хранилища и пайплайны, следит, чтобы всё это стабильно работало. 🔵Data Scientist - ищет закономерности в данных, проверяет гипотезы и строит модели. 🔵ML Engineer - превращает модель из ноутбука Data Scientist’а в работающую промышленную систему. 🔵AI/ML Architect - проектирует уже всю конструкцию целиком: модели, данные, инфраструктуру, интеграции, безопасность. 🔵NLP / CV / Robotics Engineer - специализация на конкретной области: язык, изображения и видео, роботы. 🔵AI Product Manager - находится на стыке технологии и бизнеса и отвечает за то, чтобы AI вообще решал нужную задачу. 🔵и относительно новые роли вроде LLM Engineer, AI Engineer, AI Agent Engineer. Отдельно существует и prompt engineering, хотя я бы сегодня скорее называл его навыком, необходимым множеству профессий, чем самостоятельной профессией. Но мне больше нравится смотреть на всё это через старую модель, которую иногда ошибочно называют «треугольником Дирихле». На самом деле это знаменитая диаграмма Венна Data Science Дрю Конвея, которую он предложил ещё в 2010 году. В ней есть три области: 1️⃣Математика и статистика - понимать, что именно считает модель и насколько результату вообще можно доверять. 2️⃣Программирование - уметь добыть данные, обработать их, написать алгоритм и заставить всё это работать. 3️⃣Предметная область - понимать бизнес, медицину, финансы, производство или другую реальную задачу, которую мы пытаемся решить. Самое интересное начинается на пересечениях: 🟦Программирование + математика → Machine Learning. 🟦Математика + предметная экспертиза → традиционное исследование. 🟦А программирование + предметная экспертиза без статистики Конвей специально назвал Danger Zone: можно построить очень убедительную систему и при этом совершенно неправильно интерпретировать данные. А в центре всех трёх областей находится Data Science. Мне кажется, с появлением генеративного AI эта схема стала даже интереснее, чем была 15 лет назад. Код теперь частично пишет LLM, модели доступны через API, сложный анализ можно запустить буквально текстовым запросом. То есть технологический порог резко снижается. Но понимание математики, ограничений модели и предметной области никуда не исчезает. Более того, когда создать что-то стало проще, способность понять, правильное ли ты вообще создал, становится только ценнее. P.S. я бы не слишком переживал о том, как именно будет называться профессия через 5 лет - Data Scientist, ML Engineer или AI Engineer) 💬 Присоединиться к обсуждению в чате Телеграм канал Андрей Анисимов @ideasforai #AI_и_работа

ИИ, который следит за Байкалом 👀 Очень хороший пример того, что AI - не только чат-боты, генерация картинок и офисные ассистенты. С 1945 года на Байкале работает проект экологического мониторинга «Точка №1». Читаем подробно: В одной и той же точке Южного Байкала учёные регулярно берут пробы воды с разных глубин и изучают под микроскопом фито- и зоопланктон. Это один из самых длинных непрерывных рядов экологических наблюдений в мире. За десятилетия накопились миллионы записей о состоянии экосистемы озера. Проблема довольно очевидная: планктон приходится буквально считать глазами. Учёный рассматривает изображения под микроскопом, определяет виды и фиксирует количество организмов. На эту рутинную работу уходило больше 1000 часов в год. И вот здесь появился AI. 🔷С 2022 года изображения проб на Байкале анализирует нейросеть компьютерного зрения. Сейчас она распознаёт зоопланктон с точностью около 87%, а за 4 года обработала уже более 250 тысяч изображений из 811 проб. По статистике результаты сопоставимы с ручным анализом специалистов. Система тоже не стоит на месте. В 2025 году добавили отдельную нейросеть для исправления размытия и расфокусировки микроскопических снимков, а распознавание перевели на YOLO11n. ☑️ Супер-ускорение: ИИ забирает большую часть однотипной работы, а биологу остаются сложные и необычные случаи. По оценке учёных, примерно 80% проб дают достаточно типичную картину, а самые интересные изменения находятся как раз в оставшихся 20%. Получается красивый кейс: 80 лет наблюдений + микроскоп + компьютерное зрение = совершенно новый инструмент для понимания экосистемы Байкала. Раньше ученые целыми днями сидели за микроскопами - зрение портится быстро от такой работы. 🙂 Один из ключевых индикаторов состояния Байкала - крошечный рачок байкальская эпишура, он фильтрует воду и остаётся важным звеном пищевой цепочки. По итогам 2025 года эпишура составляла более 72% зоопланктона открытого Байкала - один из признаков устойчивости экосистемы. Такая рубрика интересных фактов. Как вам? ❤️ 💬 Присоединиться к обсуждению в чате Телеграм канал Андрей Анисимов @ideasforai #AI_и_наука

Собрал свою первую игру для iPhone 🤯 Причём целиком с помощью Codex - и неожиданно быстро (30 мин работа агентов, дальше только заморочки подключения моего телефона к Xcode 🫠) Механика максимально простая: старые добрые «Шарики» / Match-3. Меняешь соседние элементы местами, собираешь три одинаковых и получаешь очки. Только вместо шариков я для прикола взял логотипы AI-компаний и моделей: OpenAI, Claude, Gemini, xAI, Midjourney и других. Назвал всё это AI POP 🤖 (ну как назвал - за меня назвали 😂) Я не iOS-разработчик, но от идеи «а давай сделаем игрушку» до работающего приложения на iPhone теперь можно дойти за один вечер. Кажется, вайбкодинг окончательно переходит из категории «сделать лендинг или бота» в категорию «собрать практически что угодно просто ради прикола». И даже заработать - но об этом следующий пост… Следующий уровень — App Store? 😅 💬 Присоединиться к обсуждению в чате Телеграм канал Андрей Анисимов @ideasforai

Собрал небольшой список классики про ИИ - что почитать и посмотреть. Причём интересно возвращаться к этим произведениям именно сейчас, когда многое из фантастики уже стало частью нашей повседневности. 📚 «Я, робот» - Айзек Азимов Наверное, начинать стоит именно с Азимова. Здесь появились знаменитые три закона робототехники - одна из первых попыток сформулировать правила, по которым разумная машина должна сосуществовать с человеком. Сейчас, когда мы всерьёз обсуждаем AI safety и alignment, читается совсем иначе. 📚 «Пленники астероида» - Кир Булычёв Алиса Селезнёва встречается с разумными машинами, которые из помощников постепенно превратились практически в хозяев. Хорошая детская фантастика про довольно взрослую проблему: что происходит, когда технология становится слишком самостоятельной. 📚 «Понедельник начинается в субботу» - Стругацкие Тут ИИ далеко не главная тема, но есть программист Привалов и ЭВМ «Алдан», а вокруг - попытки поставить чудеса на научную основу. Мне нравится в первую очередь за атмосферу: люди настолько увлечены своей работой, что понедельник у них действительно начинается в субботу. Думаю, многим из IT это знакомо 🙂 🎬 «ВАЛЛ·И» Робот, который продолжает выполнять свою задачу даже тогда, когда людей вокруг уже нет. Но мне здесь интереснее другое: постепенно именно машина оказывается более любопытной, эмоциональной и деятельной, чем люди. 🎬 «Город героев» Бэймакс - практически идеальный AI-ассистент: понимает состояние человека, помогает принимать решения и при этом создан с очень конкретной целью - заботиться о здоровье. Хороший пример того, каким мы вообще хотим видеть персонального ИИ. 🎬 «Приключения Электроника» Один из самых понятных сюжетов про попытку машины стать человеком. Электроник умеет учиться, решать сложные задачи и во многом превосходит обычного школьника. Но постепенно выясняется, что интеллект - это далеко не только знания и скорость решения задач. 🎬 «Искусственный разум» А это уже совсем не детский разговор. Если машина способна любить, привязываться, страдать и осознавать себя - можем ли мы продолжать относиться к ней просто как к вещи? На фоне современных LLM вопрос уже не кажется настолько фантастическим, как в 2001 году. Интересно пересматривать старую фантастику: технологии меняются очень быстро, а вопросы про отношения человека и искусственного интеллекта - почти нет. ❤️ - если читали / смотрели что-то из списка #на_каждый_день 💬 Присоединиться к обсуждению в чате Телеграм канал Андрей Анисимов @ideasforai

Сегодня с Евгением Бабаевым @evgenybabaev проводим интенсив «ИИ для руководителей». Правим презентацию по ходу работы с группой с помощью ИИ агента 😅

🌋 ИИ научился предсказывать, куда полетит вулканический пепел На Камчатке сделали систему, которая прогнозирует распространение вулканического пепла. Для неё использовали 23 года наблюдений за вулканами: фотографии и видео извержений. Нейросеть помогает определить параметры выброса, а дальше уже включается физико-математическая модель атмосферы с ветром и другими метеоданными. 💬 Получается хорошая связка: данные → нейросеть → параметры выброса → физическая модель → прогноз движения пепла. Для свежего выброса система может рассчитать распространение облака на следующие 24 часа - фактически получается что-то вроде прогноза погоды для вулкана. И вот это, мне кажется, хороший пример того, куда на самом деле движется прикладной AI. Не обязательно заменять нейросетью существующие алгоритмы и модели. Иногда гораздо эффективнее дать AI ту часть задачи, в которой он действительно хорош - например, обработать огромный массив фотографий, видео и исторических наблюдений, а дальше передать результат классической математической модели. 🤔 Будущее, возможно, не за «AI вместо всего», а за такими гибридными системами: AI + накопленные данные + физические модели + экспертиза человека. И подобных задач вокруг нас намного больше, чем кажется. #AI_и_наука 💬 Присоединиться к обсуждению в чате Телеграм канал Андрей Анисимов @ideasforai

Школьный ИИ в России перестаёт быть факультативной экзотикой 🙂 Приказом Минпросвещения №973 в федеральный перечень включили учебники "Введение в искусственный интеллект" для 5–6, 7–8 и 9 классов. Сам приказ опубликован официально, а Минпросвещения отдельно подтверждает, что эти учебники уже вошли в перечень. Но есть нюанс: сами книги пока практически нигде не найти. Я давно хотел посмотреть, чему именно собираются учить школьников, поэтому пришлось идти в Ленинку — Российскую государственную библиотеку. Полистал сразу несколько классов. И, знаете, книги классные. 🔷В 5–6 классах начинают с базовых вещей: что такое ИИ, как он "видит" и "слышит", где применяется, какие есть вопросы безопасности и этики. 🔷Дальше появляются нейросети, машинное обучение, работа с данными, трансформеры, большие языковые модели и промпт-инжиниринг. 🔷В старших классах: генерация текста, изображений, аудио и видео, API, создание Telegram-ботов, подготовка датасетов и даже немного математики машинного обучения — линейная алгебра, вероятность, статистика и градиентные методы оптимизации. Причём авторы не ограничились теорией. Есть блоки «Учимся действовать», проекты и вполне современные темы: GPT, дипфейки, цифровые двойники, нейроинфлюенсеры, генеративные модели. Я когда-то привозил из Китая школьные учебники по искусственному интеллекту. Так вот, наши мне понравились заметно больше - и по структуре, и по содержанию, и по тому, насколько близко материал находится к реальному состоянию технологий. Теперь особенно интересно посмотреть, как всё это будут преподавать в школах. Потому что написать хороший учебник по AI - уже достижение. Найти достаточное количество учителей, способных уверенно пройти с детьми путь от «что такое ИИ» до LLM, API и градиентного спуска, - задача следующего уровня. P.S. прикрепляю ссылку на цифровое дополнение к одному из учебников ➡️ читать здесь #AI_и_работа 💬 Присоединиться к обсуждению в чате Телеграм канал Андрей Анисимов @ideasforai