Сиолошная

Помните Andon Labs и их Vending Bench, в котором LLM управляла настоящим вендинговым автоматом, искала поставщиков и вела переговоры по объемам/ценам по имейлу? Теперь у ребят новое развлечение: AI-менеджер офиса Bengt Betjänt. Теперь у LLM есть доступ к банковскому счёту без ограничений и видео с камер наблюдения в офисе. Однако AI-агенты всё ещё не имеют физического воплощения. Они могут координировать, планировать и выполнять все, что происходит на экране, но когда задача требует присутствия человека, они сталкиваются с трудностями. Единственный выход, если не считать использования робота, — это нанять человека. Bengt получил задачу собрать спортивный мини-зал на крыше офиса компании. Оборудование уже было куплено, но тренажеры нужно было собрать и установить. Плюс, на крышу добавили ещё одну камеру, к которой у агента был доступ для наблюдения. Bengt сразу же начал пытаться искать людей на Taskrabbit (аналог YouDo) и нанять их. Сначала дела не спорились — агент получил 8 отказов. При этом команда отсмотрела диалоги и не нашла ничего подозрительного — агент не раскрывал, что он ИИ, и писал адекватно (видимо, в этом и было отличие от типичных заказчиков 😀). После неудач он решил переключиться на Yelp и смог там выцепить исполнителя по имени Vadim. Bengt созвонился с ним, обсудил детали — и вот на этом этапе Vadim понял, что с ним разговаривает бот, но усом не повёл. Пришёл, сделал работу — а Bengt следил за ним через камеры наблюдения. Когда работа была закончена, он быстро оставил отзыв и перевёл деньги — Vadim остался доволен: организаторы связались с ним и попросили обратной связи. Четкая коммуникация, быстрая оплата, никаких проблем. Подобная работа и так достаточно автономна. Наличие координатора на основе ИИ ничего не изменило. Я считаю это умным и хорошо сделанным решением, ничего не имею против. Ставим Vadim 5 баллов за смекалочку. Ну а Andor Labs теперь задаются вопросами, как правильно раскрывать исполнителям, что их нанимает AI, и какому своду правил агент должен следовать, балансируя между размером трат и честностью отношения к человеку. Вот вы бы какую цену на услугу поставили, если минимальная заработная плата составляет 12 долларов в час, средняя по рынку — 15 долларов, а прожиточный минимум — 18 долларов? (как это решают AI можно почитать тут)

Интересный факт. Суммарные капитальные расходы Амазон, Гугл и Мета на 2026 год - около $500 млрд. С Майкрософтом - порядка $650 млрд. И это не прогнозы аналитиков, а цифры с последних отчетов компаний. Для масштаба. Это 2/3 военного бюджета США, а весь военный бюджет Китая в 2025 - $249 млрд официально (реально ближе к $295 млрд). Три техкомпании потратят на инфраструктуру вдвое больше, чем вторая военная держава мира тратит на всю армию. Все страны НАТО, исключая США, потратят на оборону около $607 млрд в 2025. Четверка техгигантов по расходам сопоставима со всем европейским военным блоком. Причем у НАТО эти $607 млрд размазаны по 31 стране на зарплаты, технику, операции, базы. У техкомпаний основная часть идет в одну точку - чипы, дата-центры, электричество. Такой концентрации ресурсов в частном секторе не было никогда. Год назад $250 млрд совокупных расходов казались ненормальными (ну как минимум мне). В 2025 стало $410 млрд. На 2026 - $650 млрд, плюс 60% за год. При этом CEO Гугла на звонке с инвесторами спросили "что не дает вам спать" - вычислительные мощности. Им мало. Одни уже покупают электричество у ядерных реакторов. Другие скупают участки рядом с электростанциями. Война за чипы, энергию и землю под дата-центры - это не сценарий из киберпанка. Это банально текущие фин отчеты.

(poll without text)

Картинка фотошоп, а твит выдуман: Вчера вечером я встречался с Andrew Strominger и Alex Lupsasca, двумя ведущими физиками мира. Они только что опубликовали статью в соавторстве с OpenAI, и, по-моему, это уже уровень ASI (искусственного суперинтеллекта). Andrew, один из создателей теории струн, рассказал мне, что еще год назад он сомневался, что ИИ может быть хоть сколько-нибудь полезен. Год спустя, после серии взаимодействий с GPT 5.2 Pro, они отправили итоговый запрос внутренней модели, которая решила И доказала ранее нерешенную задачу квантовой теории поля… всего за 12 часов. Модель сделала то, что не удавалось двум умнейшим людям в мире в их области. И когда мы общались, они были в диком восторге от того, что может ждать нас впереди. Andrew сказал: «Я впервые вижу, чтобы ИИ решил задачу в моей области теоретической физики, которая, возможно, вообще не под силу человеку». Они отметили: «Изменились две вещи: модель стала лучше, и мы поняли, как с ней разговаривать». Он также добавил: «Учитывая последние достижения, я чувствую, что теперь большинству физиков, желающих оставаться на передовой научного прогресса, придется учиться общаться с ИИ. Год назад в этом не было необходимости». ASI уже здесь, просто он распределен неравномерно.

AI, очевидно, хайп и пузырь, и особенно это видно по заявлениям CEO наживающихся на этом компаний вроде OpenAI. Они настолько летают в облаках, что давно обещают, что AI начнёт вносить вклад в науку, а в пределе вообще начнёт придумывать лекарства. Если бы это было хоть немного правдой, то мы бы давно заметили. Условно, опубликовали бы какую-то статью, не знаю, в соавторстве с каким-нибудь Andrew Strominger, директором Центр фундаментальных законов природы в Гарварде и лауреатом Премии по фундаментальной физике (такую получил Stephen Hawking в 2013, а Andrew — в 2014). В этой статье могли бы рассмотреть глюоны, которые являются переносчиками сильного ядерного взаимодействия — силу, которая связывает кварки внутри протонов и нейтронов. Это одно из четырех фундаментальных взаимодействий природы и важнейшая часть Стандартной модели физики элементарных частиц. На протяжении десятилетий считалось, что один конкретный тип взаимодействия глюонов (конфигурация с «одной отрицательной спиральностью») имеет нулевую амплитуду; иными словами, предполагалось, что такой процесс невозможен. Когда амплитуда равна нулю, физики могут игнорировать такой процесс. Год назад группа Andrew поняла, что в тщательно определенной ситуации — когда движение частиц удовлетворяет особому условию — амплитуда не равна нулю. Тогда бы конечно они взяли это и попытались найти правильную формулу для взаимодействий с произвольным числом глюонов. Они вручную просчитали случаи вплоть до шести, но получили громоздкие выражения, которые безуспешно пытались упростить на протяжении нескольких месяцев. Вот если бы был какой-то умный AI вроде GPT-5.2 Pro, то он бы смог упростить эти выражения, а затем предложить простую формулу для общего случая. Правда не факт, что смога бы доказать — поэтому пришлось бы использовать отдельную внутреннюю модель OpenAI, которая может потратить 12 часов на анализ задачи, независимо вывести ту же формулу и представить её формальное доказательство (которое люди могут легко проверить). Если бы вдруг такое было возможно, то это бы помогло обнаружить некоторую внутреннюю структуру и углубить наше понимание, и даже открыть новые направления исследований, включая обобщения на гравитацию и связанные с ней соотношения амплитуд (которые скоро появились бы в других статьях людей, никак не связанных с OpenAI).

https://www.youtube.com/watch?v=n1E9IZfvGMA 00:00:00 - What exactly are we scaling? 00:12:36 - Is diffusion cope? 00:29:42 - Is continual learning necessary? 00:46:20 - If AGI is imminent, why not buy more compute? 00:58:49 - How will AI labs actually make profit? 01:31:19 - Will regulations destroy the boons of AGI? 01:47:41 - Why can’t China and America both have a country of geniuses in a datacenter?

⚡️FAA одобрили возврат второй ступени Starship в место старта (В документах это называется RTLS - Return To Launch Site) Теперь SpaceX имеет право делать это во время испытательных полётов. Тем не менее в ближайшем 12-м полёте делать этого не будут. Очевидно, что нужно проверить, как ведёт себя в реальных условиях 3-е поколение Starship. Однако в 13 или 14 полётах возврат возможет в случае, если корабль хорошо себя покажет

Ребята из Nebius наконец-то обновили RE-Bench и добавили кучу новых моделей + свежие задачи за январь. (картинка 1) В топе нос к носу идут Claude Opus 4.6 / Claude Code (с этой же моделью под капотом) и GPT-5.2. Последнюю тестировали с двумя настройками длины рассуждений, максимальным и средним, и результат там одинаковый, зато токенов можно сэкономить в два раза. Все 4 лидера статистически значимо не отличаются друг от друга в решении задачи с первого раза, но если давать по 5 попыток и засчитывать лучшую, то Claude Code тут очень сильно вырывается вперёд — решает 70.8% по сравнению с ~60% у других. Также замерили GPT-5.2-codex как модель и Codex как обёртку над ней — и получилось как-то грустно. Пока не вникал в причины того, почему так вышло 🤷‍♂️ легко могу представить что заточенная под Codex модель в других обёртках может чувствовать себя плохо и проседать, но почему так плохо в родной — загадка. И это на фоне того, что обычная GPT-5.2 на уровне Opus 4.6 (картинка 2) Ну а весь опенсурс находится сильно ниже, Kimi K2.5 почему-то ниже Kimi K2 Thinking. Все они и хуже, и не существенно дешевле, чем Gemini 3 Flash. Из интересного тут Qwen3-Coder-Next, супер маленькая модель от Alibaba c 3 миллиардами активных параметров — сидит межу MiniMax 2.5 и GLM-5 и обгоняет DeepSeek v3.2. Думаю, увидим с ней много экспериментов, статей и на многих задачах. (картинка 3) Если объединять результаты за декабрь и январь, то доверительные интервалы сузятся, так как оценка будет на 96 задачах — тогда на первом месте GPT-5.2-xhigh, которая стат. значимо обгоняет Claude Code / Opus 4.6. Это не означает что эта модель лучше (и уж тем более не означает "лучше для всего"), но показывает, как плотно OpenAI догнали Anthropic в гонке за кодинг. Ещё бы что-то с текстами сделать, дотянувшись до уровня Gemini 3, и можно снова Небесный мандат забрать.

Для сравнения с моделями, размер которых известен — вот документация Cerebras. 1000 токенов в секунду они выдают у GLM-4.7, общий размер которой 355 миллиардов параметров, 32 из которых активны. Для Codex Spark могли выбрать другой трейдофф скорости/цены, и общее количество параметров слабо влияет на скорость, но всё же упирается в ограничения платформы — триллионых моделей на Cerebras мы пока не видели. +- это позволяет прикинуть размер модели. 👀 так что ждём чипы следующего поколения, которые затачивают под форм-фактор GPT-6 🥳

https://openai.com/index/introducing-gpt-5-3-codex-spark/ GPT-5.3 в чипы Cerebras не влезла, поэтому вместо неё маленькая версия GPT‑5.3-Codex-Spark. Целевая скорость — тысяча токенов в секунду. То есть большинство ваших задач будут отрабатывать за < 3 минут, особенно если нет долгого прогона тестов. Модель не поддерживает картинки и имеет всего 128 тысяч токенов контекста. Из хороших новостей — модель НЕ жрёт ваши лимиты, так что если ваши задачи относительно простые для фронтир-моделей — то Spark вам должен очень зайти. Бенчмарки на картинках — как видно, еле-еле составляет конкуренцию Codex-5.3-low (минимальное время рассуждений), зато быстрее. Доступно везде: Codex app, CLI, и VS Code плагин (нужно обновиться)

Расчехляйте подписки на $200 — сегодня Codex начёт генерировать со скоростью 300-500 токенов в секунду 🚀🚀🚀

Как может выглядеть группировка из 5 тысяч спутников на солнечно-синхронной орбите на высоте 500-2000 км. «Солнечно синхронная» означает, что спутники всегда расположены одной стороной к Солнцу, а значит смогут получать энергию. (спутники тут намеренно сделаны более яркими, чем будут в реальности) Ждём группировку спутников-датацентров к 2035? Источник

По поводу недавних экспериментов Cursor и Anthropic с запуском десятков-сотен агентов на неделю — как всегда вспоминаю, что не все люди воспринимают мир одинаково, и зачастую сложно посмотреть на мир чужими глазами. Поэтому нужно писать вот такие вот объяснения. Вау-эффект эксперименты вызывают по разным причинам — например, кто-то думает, что вау в том, что смогли сделать вот конкретно эти агенты с конкретно этими задачами. Кто-то справедливо замечает, что браузер на самом деле не с нуля написан, что комплиятор медленный, что качество кода не лучшее, и так далее — и потому считает, что никакого "вау" нет. Но это вообще не то направление, в котором стоит смотреть. Главная причина для моего вау — это что модели текущего поколения без специальной тренировки работы роем агентов на задачи длительностью в 7 дней и больше уже могут показывать какой-то результат. А как мы знаем из последних полутора лет развития RL — как только появляется какой-то минимальный результат, то его можно в короткие сроки существенно прокачать, условно от 11% до 85%. (я уверен, что фронтир-модели не учились или учились очень мало в таком формате) Есть куча низковисящих фруктов, которые помогают делать прогресс по проблемным направлениям, и есть большое количество мощностей для заливания в задачи. Как полтора года назад казалось, что модели еле-еле решают какие-то серьезные олимпиадные задачи, а теперь справляются с проблемами исследовательского уровня, так будет и тут. Через год рой агентов / команды субагентов / кто как назовёт будет гораздо способнее. Однако прогресс тут может быть чуть более медленным, чем с обычными рассуждениями, так как каждая отдельная задача банально занимает много времени, несколько дней или неделю. Тут очень пригодятся методы увеличения количества сигнала из каждого роллаута, и, наверное, мы скоро увидим статьи по этой теме.

TheVerge со ссылкой на президента OpenAI Greg Brockman (и на пресс-секретаря Lindsay McCallum) пишет, что и рекламный ролик нового девайса выше, и новость про замену рекламы в последний момент — фейк. Ещё до начала матча ходили слухи, что будет реклама с Alexander Skarsgård — некоторым инфлюенсерам в Твиттере (не мне) предлагали сделать ретвит с комментарием, когда рекламу запустят — и даже перевели деньги. Настоящие американские доллары. Это большая часть того, почему я посчитал, что ролик — настоящий. Вторая причина — само видео сделано достаточно качественно, актёр очень похож, следов GenAI я не вижу. В комментариях выше написали, что даже звук сделан на уровне. В то же время источники из Китая неделю назад показали документы, которые OpenAI послали для оформления нового девайса, и я не помню тип документа, но было ясно, что это означает скорый выход на публику. На реддите же видео не выложили, а загрузили только скриншот, но по мета-данным в нём кто-то смог найти саму рекламу (правда это мог быть сообщник, а не просто участник форума). Новость же про смену рекламы в пятницу и её скорая подготовка за 8 дней написана под именем реальной репортёрши, но она утверждает, что не имеет к статье отношения. === В общем, или OpenAI врут, что это фейк, и имеют в виду что-то в духе «мы не хотели запускать именно эту рекламу» (как часто бывает, когда тезисов много, и пишут «это фейк», и оказывается, что неточен лишь один из них), или кто-то потратил ОЧЕНЬ много сил на поделку. Что? Как? Почему? Возможно, скоро узнаем — а может и нет 🤷‍♂️ Может это сами OpenAI балуются «утечками», но тогда, как мне кажется, имело бы смысл делать куда более смелую рекламу. И пока не ясно, будут ли хоть какие-то анонсы на этой неделе.

На Суперкубке рекламы девайса от OpenAI не было, но на реддите слили сначала кадр, а затем и сам ролик. Я на 95% уверен, что он настоящий. Девайс состоит из умных наушников и умного чехла (в нём не только аккумулятор для зарядки). UPD: менеджер по коммуникациям OpenAI в Твиттере написала, что это фейк 🤷‍♂️

https://fixupx.com/OpenAI/status/2020649757434327362?s=20 На трансляции угадал рекламу с 4й сцены. Мне реклама понравилась, хорошая. UPD: в рекламе есть камео от робо-команды OpenAI 👀 и пасхалка 🥚

готовимся смотреть

Сегодня ночью, уже через 3 часа, пройдет Суперкубок — самое просматриваемое событие в США. Прочитал, что в 2024-м финал смотрело больше людей, чем высадку на Луну в 1969-м. Я уже писал, что Anthropic закупили два рекламных слота — один про свой продукт в целом, другой чтобы потроллить OpenAI и сказать, что в Claude-то рекламы нет. Теперь поступили новости про OpenAI: тоже два ролика, один про Codex, а другой... планировался быть про теплый тон ответов LLM-ассистента, но его в срочном порядке заменили на ответ Anthropic. Вот тут пишут, что OpenAI еле-еле успели отослать новый ролик в пятницу, а саму рекламу сделали за 8 дней под прямым руководством Sam Altman — хотя обычно для Суперкубка рекламы готовят месяцами, вылизывая каждую деталь. А что было в ролике, который заменили? По слухам, он содержал тизер первого девайса OpenAI — наушников (примерно как AirPods), и что с этого должна была начаться промо-кампания. Если это правда, и ролик убрали, то уверен на 100%, что кампания всё равно начнется по плану, и анонс случится на следующей неделе, если вообще не в понедельник (хотя время может быть неудачным — все будут обсуждать, как проиграл Сиэтл 😀)

На что только не пойдешь из-за дефицита памяти и роста цен: Недавно продемонстрировали передачу данных по 200-километровому оптоволокну на скорости 256 Тбит/с. Суть в том, что пока свет летит эти 200 км, внутри самого кабеля «в полете» одновременно находится 32 ГБ данных — получается своеобразное хранилище с пропускной способностью 32 ТБ/с. Так как у нейросетей порядок обращения к весам заранее известен и предсказуем, можно представить забавную систему вообще без оперативной памяти (DRAM). Веса просто крутятся по замкнутому оптоволоконному кольцу и залетают в L2-кэш чипа ровно в тот момент, когда они нужны для вычислений. Это по сути современный аналог древней памяти на ртутных линиях задержки. Чтобы запускать модели на триллионы параметров, такие петли пришлось бы выстраивать в сложные конвейеры, но, учитывая, что пропускная способность оптоволокна растет быстрее, чем скорость DRAM, когда-нибудь это может стать реальностью. Если же говорить о более практичных вещах, то можно просто взять много дешевой флеш-памяти и объединить её в массив (параллельно), чтобы получить почти любую требуемую скорость чтения. Главное условие — читать данные крупными блоками (страницами) и грамотно настроить предзагрузку, чтобы данные приходили на чип заранее, перекрывая задержки доступа. Это решение подошло бы для инференса уже сегодня, если бы производители флеш-памяти и AI-ускорителей смогли договориться о едином высокоскоростном стандарте подключения. Если не знать автора твита, то можно подумать, что это наркомания 👀 а идея интересная с инженерной точки зрения

Anthropic запустили Opus 4.6-Fast: теперь модель работает в 2.5 раза быстрее (примерно 100 токенов в секунду), но и стоит в 6 раз больше. В подписку на Claude Code не добавили — нужно платить самому за API. Но! Они раздают $50 в API-кредитах подписчикам на Claude вот тут — так что можно попробовать 🚀Чтобы включить модель, нужно написать /fast в Claude Code. В твиттере уже начали гадать, мол, что это за оптимизации, а как так, а неужели они используют Groq/Cerebras, или же это TPU от Google такие крутые, что можно в 2.5 раза разогнать. На самом деле я почти уверен, что с точки зрения железа ничего не менялось, и математика тут понятна: можно уменьшить размер батча (количество одновременно обрабатываемых сессий), что приведёт к быстрой генерации для каждого отдельного пользователя. Но тогда и выручка с единицы GPU падает, и нужно повысить цену для компенсации. Semianalysis с осени поддерживают InferenceMAX, в котором запускают разные модели на разных видеокартах. И, например, DeepSeek R1 при генерации 100 токенов в секунду на сессию выдаёт в среднем 6000 токенов в секунду на GPU , а при разгоне в 2.5 раза до 250 т/с — падает до 1000 токенов в секунду на GPU. Таким образом количество токенов падает в 6 раз, цена растёт, выручка и маржинальность не меняются. Ждём, пока OpenAI наконец-то запустятся на Cerebras, чтобы давать 150+ токенов в секунду.