🚀 Андрей Артищев

⚡️OpenAI Town Hall: что было на трансляции. Пока ну почти все спали, Сэм Альтман провел анонсированный ранее стрим для разработчиков ИИ. В течении часа глава OpenAI отвечал на вопросы и рассказывал про видение ИИ сейчас и в будущем. Главный тезис стрима: Мы входим в эпоху "радикального изобилия", где интеллект станет слишком дешевым, чтобы его измерять. Сэм Альтман прогнозирует, что к 2027 году стоимость инференса упадет в 100 раз, а модели уровня GPT-5.ХX станут основой для создания сложнейшего софта силами одного человека. Основным дефицитным ресурсом останется человеческое внимание и способность генерировать качественные идеи. Ключевые моменты трансляции 🟡Трансформация инженерии и экономики Удешевление создания кода не снизит спрос на программистов, а наоборот, резко увеличит объем создаваемого софта. Инженеры будут тратить меньше времени на код и больше на проектирование. ИИ станет дефляционным фактором. Софт, на разработку которого раньше уходили годы работы команд, теперь можно создать за пару сотен долларов инференса и одну хорошую идею. Значительная часть мирового ВВП будет создаваться и потребляться через софт, генерируемый ИИ. 🟡Планы по GPT Цель — сделать интеллект "too cheap to meter". К концу 2027 года ожидается появление моделей уровня 5.2X со снижением стоимости в 100 раз. Скорость важнее цены. Разрабатываются методы выдачи результата в 1/100 времени от текущего, даже если это будет стоить дороже. В GPT-4.5 был упор на текстовый стиль. В GPT-5 команда сместила фокус на "ризонинг, кодинг и инжиниринг". Альтман признает, что сейчас стиль может казаться громоздким, но это исправят в будущих итерациях. 🟡Агенты и персонализация Будущее за приложениями, которые пишутся на лету под конкретного пользователя, т.е софт, который эволюционирует вместе с вашими привычками. Готовится функция «Sign in with ChatGPT», которая позволит передавать ИИ контекст всей цифровой жизни пользователя (почта, файлы, история), чтобы он мог действовать как полноценный ассистент. Обсуждается создание иерархии памяти: рабочая идентичность, личная и т.д., чтобы модель знала, какой контекст использовать в разных ситуациях. 🟡Безопасность и риски Модели становятся слишком хороши в биологии. Старая стратегия блокировки доступа скоро перестанет работать. Нужен переход к стратегии устойчивости, как в пожарной безопасности. Альтман признался, что сам быстро перешел от "никогда не дам ИИ доступ к компьютеру" до "пусть делает всё сам", потому что удобство перевешивает страх. Это создает риск скрытых уязвимостей, которые могут проявиться через недели работы агента. 🟡Инсайты и рекомендации Стройте продукты, предполагая, что GPT-6 будет «невероятным». Если ваш бизнес выиграет от новой модели - вы на верном пути. Если модель его съест - это плохой путь. Софт-скилс - самые важные навыки сейчас: высокая субъектность, способность генерировать идеи, устойчивость и адаптивность. Альтман советует амбициозным разработчикам ИИ уходить из университетов, так как текущая академическая среда не успевает за темпами индустрии. Используйте ИИ как безлимитного аспиранта или партнера по брейн-шторму для проверки тысяч идей в режиме "поиска в ширину". @ai_machinelearning_big_data #news#ai#ml

🖥 Перед вами первое публичное выступление Сэма Альтмана На видео - 19-летний студент Стэнфорда, который бросил университет, чтобы запустить свой первый стартап Loopt. Loopt был геолокационным приложением - своего рода предшественником Find My Friends и функции геометок в соцсетях. В приложении можно было смотреть, какие места посещают ваши друзья, какие отзывы оставляют. Loopt продали в 2012 году за $43,4 млн. После этого Сэм Альтман создал свой венчурный фонд Hydrazine, начал инвестировать в стартапы, затем стал главой акселератора Y Combinator — программы, которая помогает молодым компаниям расти и получать инвестиции. А уже в 2015 году он соосновал OpenAI. @ai_machinelearning_big_data #openai#ml#ai#chatgpt#SamAltman

🔥 Марк Цукерберг: > «Мы будем тратить деньги очень агрессивно. Даже если мы потеряем пару сотен миллиардов — это будет неприятно, но лучше так, чем остаться позади в гонке за супер-интеллектом». Эти слова показывают, насколько серьёзно Цукерберг и его компания воспринимают гонку ИИ. 💸 Капитальные вложения не сокращаются — наоборот, компании наращивают расходы. 👉 Сигнал для всего рынка: крупнейшие игроки готовы рисковать колоссальными суммами ради лидерства в ИИ. 📌Полное интервью @ai_machinelearning_big_data #ai#ml#airace#money#zuck

🌟На Hugging Face вышла обзорная статья об открытых ML-датасетах Автор новостного ресурса Daily Dose of Data Science собрал самые интересные релизы крупных датасетов и моделей. Среди них — Yambda-5B от команды Яндекса, крупнейший в мире открытый музыкальный рекомендательный датасет. В Yambda-5B 4,79 млрд обезличенных взаимодействий: прослушивания, лайки и дизлайки треков. Датасет уже привлек внимание мировых исследователей и обещает стать важным инструментом для развития рекомендательных систем. 🔗Подробнее @ai_machinelearning_big_data #ai#ml#dataset

✔️13 полезных MCP-серверов, которые стоит попробовать MCP (Model Context Protocol) меняет то, как ИИ-модели и агенты взаимодействуют с инструментами. 1. Agentset MCP 🔗https://github.com/agentset-ai/mcp-server Быстрое создание интеллектуальных приложений на основе документов (RAG) с open-source платформой Agentset. 2. GitHub MCP Server 🔗https://github.com/github/github-mcp-server Интеграция с API GitHub — можно строить ИИ-инструменты, работающие с экосистемой GitHub. 3. arXiv MCP 🔗https://github.com/andybrandt/mcp-simple-arxiv Работа с научными статьями arXiv: поиск, метаданные, аннотации, ссылки — всё через MCP. 4. MCP Run Python 🔗https://github.com/pydantic/pydantic-ai/tree/main/mcp-run-python Запуск Python-кода в песочнице через Pyodide (Deno). Полная изоляция от ОС. 5. Safe Local Python Executor 🔗https://github.com/maxim-saplin/mcp_safe_local_python_executor Безопасный локальный запуск Python-кода, сгенерированного LLM, через LocalPythonExecutor (от smolagents). 6. Cursor MCP Installer 🔗https://github.com/matthewdcage/cursor-mcp-installer Автоматическое добавление MCP-серверов в редактор Cursor — удобно для разработчиков. 7. Basic Memory 🔗https://memory.basicmachines.co/docs/introduction Система управления знаниями: создаёт устойчивый семантический граф из диалогов ИИ-агентов. 8. Filesystem MCP Server 🔗https://github.com/modelcontextprotocol/servers/tree/HEAD/src/filesystem Чтение, запись, поиск файлов, создание, удаление и перемещение директорий — всё через MCP. 9. Notion MCP Server 🔗https://github.com/makenotion/notion-mcp-server Позволяет моделям управлять вашим рабочим пространством в Notion: поиск, чтение, создание и обновление страниц и баз. 10. Markdownify MCP Server 🔗https://github.com/zcaceres/markdownify-mcp Конвертирует PDF, изображения, аудио и веб-страницы в Markdown. 11. Fetch MCP Server 🔗https://github.com/modelcontextprotocol/servers/tree/main/src/fetch Позволяет LLM извлекать данные с веб-страниц и автоматически преобразовывать HTML в Markdown. 12. Mobile Next MCP Server 🔗https://github.com/mobile-next/mobile-mcp Взаимодействие с iOS/Android-приложениями: распознавание UI по скриншотам, автоматизация кликов. 13. MCP Installer 🔗https://github.com/anaisbetts/mcp-installer Шутливо, но по делу: «MCP для установки MCP». Модель сама ставит MCP-серверы из npm и PyPi по вашему запросу. 🧠Вывод: MCP-серверы — это мост между LLM и реальными действиями: код, браузер, мобильные приложения, знания, GitHub, файлы. Их можно комбинировать в цепочки, расширять ассистентов, строить автономные агенты. @data_analysis_ml #ml#ai#MCP

🔥 Калифорнийский стартап объявляет о прорыве в области робототехники для повседневных задач с помощью ИИ π0.5 — модели «зрение-язык-действие». Все, что видит робот, он видит впервые. 🧪 В экспериментах Роботуспешно справился с уборкой посуды, застиланием постели и мытьем пола в незнакомых домах, демонстрируя полное понимание задачи, её разбиение на шаги и адаптацию к новым условиям. ➡️ Робот воспринимает команды от абстрактных ("убери посуду") до пошаговых ("подними кружку", "поставь в раковину"), демонстрируя потенциал обобщения для сложных роботизированных навыков. Модель анализирует семантику задачи, разбивает её на шаги и генерирует команды для моторных систем. π0.5 умеет реагировать и на голосовые команды разной детализации — от «убери посуду» до точечных указаний ✔️Подробнее про π0.5 мы писали в новостном дайджесте @ai_machinelearning_big_data #robots#ai#ml