Искусственный интеллект

Шел ничем не примечательный 2124 год...

В темном каменном помещении подземного бункера было душно и пахло затхлой сыростью. Где‑то недалеко о бетонный пол шлепали крупные капли воды. Тускло тлели лампы накаливания в грязных полупрозрачных, обмотанных стальной проволокой плафонах ночных фонарей.

Огромные алюминиевые панели пультов контроля с сотнями цветных лампочек и индикаторов с ржавыми металлическими табличками украшали огромных размеров серые бетонные стены заброшенного военного бункера командного центра планирования и управления национальной безопасностью.

Влажный теплый воздух за долгие годы забвения этого произведения бетонного искусства, словно никому не ведомый художник, который смешал краски из известкового налета и ржавчины, раскрасил все вокруг бело‑рыжими причудливыми узорами.

Все внутреннее технологичное убранство этого мрачного помещения говорило о том, что этот бункер, который располагался в далеком подземном городе, давно никто не посещал.

Во мраке всего этого железобетонного великолепия из прошлого за огромным столом, усыпанным различными кнопками и утыканным джойстиками, в причудливой и немного неестественной позе восседало на большом металлическом стуле человекоподобное существо.

Это было его подземное царство. Он жил здесь уже долгие годы, не выходя наружу. Все, кто когда‑то знал о нем, давно считали его мертвым, но лишь ему одному была известна истина — он был и есть здесь. Годы забвения от внешнего мира помогли ему сохраниться и оставаться по‑своему живым и здоровым.

Создание алгоритмов машинного обучения преследует множество целей. Одна из них — понять, как работает наш мозг, удивительный суперкомпьютер, который учится на лету, предсказывает будущие сценарии и управляет бесчисленными процессами одновременно.

По эффективности обработки информации мозгу нет равных. От него отстают передовые нейронные сети, которые насчитывают миллиарды параметров, но обучаться от этого они не перестают. Наблюдение за тем, как это происходит, даёт нам новый взгляд на собственные когнитивные процессы, в том числе и на мотивацию.

Привет! Меня зовут Маша Молчанова. Сегодня я поделюсь своими наблюдениями о том, как механизмы ИИ перекликаются с человеческими процессами постановки целей, как нейронаука помогает лучше понимать нашу мотивацию и какие уроки мы можем взять у технологий для собственной жизни и работы. Поехали!

В последние годы мы наблюдаем активный рост популярности LLM-моделей и интереса к их интеграции в Web3-приложения, такие как DAO и dApp-боты или автоматические трейдеры. Представьте: смарт-контракт управляет финансами, а подключённая языковая модель принимает решения, основываясь на анализе новостей или команд пользователей. Ещё недавно такая идея казалась футуристичной, однако сегодня, в 2025 году, web3 AI-агенты, взаимодействующие с блокчейном и децентрализованными системами, стали реальностью.

Многие уже слышали истории о том, как пользователи вынуждают LLM-модели отвечать на неэтичные вопросы, сочинять матерные стихи и совершать другие «шалости». Однако в контексте web3 подобные нестандартные поведения моделей могут привести к реальным и ощутимым финансовым последствиям. В этой статье мы рассмотрим устройство web3 AI-агентов, проанализируем возможные векторы атак, обсудим актуальные jailbreak-методы и разберём несколько конкурсных задач на примерах из личного опыта.

Всем привет!

Это очередная статья из цикла, где мы разбираем различные способы применения ИИ-агентов с RAG — методом оптимизации работы и вывода LLM агента благодаря добавлению в контекст базы знаний. Проще говоря, мы даём модели какой-то объём знаний, по которому она способна работать. Это может быть как документ, по которому будет вестись поиск релевантных данных, так и база данных.

Использование подхода может быть полезно в различных задачах. Такая модель сможет работать с актуальными для вас данными, даже если память самой LLM ограничивается на неактуальных данных какого-нибудь 2022 года.

Сегодня будет рассматриваться очередной веб-интерфейс для взаимодействия с ИИ. И это будет FlowiseAI. Я постараюсь наглядно показать установку и работу с ним так, чтобы смог разобраться даже новичок.

TLDR; - нет, программисты не глупеют от использования ИИ, но вполне могут при неправильном использовании.

Процесс достижения истины так же драгоценен, как и сама истина. Я лишил вас этого. Я даю вашим ученым истину, но не всю, ибо они не знают, как достигнуть ее без моей помощи. Было бы лучше, если б они познавали ее ценой многих ошибок... Ученый спрашивает меня, что происходит в живой клетке, и я говорю ему. Но если бы он исследовал клетку самостоятельно – пусть ценою затраты многих лет, он пришел бы к финишу не только с этим знанием, но и множеством других, со знанием вещей, о которых он сейчас даже не подозревает, а они тесно связаны с его наукой. Он получил бы много новых методов исследования. (с) Мешок. Уильям Моррисон

Gemini 2.5 Experimental воспроизводит в SwiftUI с поразительной точностью стили текста и функциональные возможности прототипов, подготовленных дизайнерами в Figma. Особенно это касается разработки русскоязычных UI.

Выдаёт полноценный изобретательный SwiftUI код, демонстрируя высокий потенциал Gemini 2.5 в преобразовании Figma-макетов в рабочий iOS-код.

В России пытаются запретить эзотерику, а вместе с ней — услуги тарологов. Но что, если заменить интуицию и мистику на алгоритмы? ChatGPT готов попробовать! Он умеет анализировать символику карт, объяснять их значения и давать советы — без магии, но с логикой.

Можно ли доверять такому раскладу? 

Привет, с вами снова Егор, Tech Lead компании ИдаПроджект. Помимо управления людьми и разработкой я еще занимаюсь внедрением новых инструментов в нашу компанию. И конечно же, мы не прошли мимо GPT и прочих AI-инструментов.

В статье я расскажу, что мы используем, как применяем — и что у нас осталось после экспериментов с GPT.

Погнали!

Привет, Хабр! Это Eppie – p2p децентрализованная почта. У нас новости: мы добавили в Eppie ИИ. Сейчас расскажем, зачем, и как им пользоваться.

Локальный ИИ == приватный ИИ

Иногда ради безопасности пользователю приходится мириться с некоторыми неудобствами: короткий пароль удобнее длинного, но длинный надежнее. Люди естественным образом стремятся к удобству. И если длину пароля можно валидировать, и к этому все привыкли, то в других местах ожидать от пользователя больших жертв во имя безопасности не приходится.

Современные ИИ, такие как Claude, Grok, DeepSeek или ChatGPT, умеют отвечать на вопросы и объяснять сложные темы. Но у них есть проблема: они "забывают" всё после окончания диалога. Каждый раз приходится заново рассказывать, кто вы, что знаете и как любите учиться. А что, если ИИ мог бы помнить ваш путь обучения и подстраиваться под вас, как хороший учитель? Это возможно с технологией персонального контекста — простым способом сделать ИИ вашим помощником в самообучении.

В этой статье я расскажу, как это работает, чем отличается от привычных методов и как начать использовать прямо сейчас. Основа — открытая технология Personal Context Technology, а примеры — из моего опыта, частично описанного в прошлой статье на Habr («Как я учился учиться»).

Окончательные решения все чаще будут принимают алгоритмы. Что будет происходить, когда справедливость начнет проектироваться как система?

Это касается тебя, твоей семьи и работы:
– Кто получит одобрение на кредит?
– Чью жалобу рассмотрят в первую очередь?
– Кто пройдет отбор, а кто останется за бортом – без объяснений?

Справедливость перестает быть абстракцией. Она станет инфраструктурой нашей повседневной жизни. И либо ты участвуешь в ее настройке, либо живешь по чужим правилам, не зная, кто и зачем их написал.

Всем привет! Меня зовут Севара Ахтямова и я работаю техническим писателем – аналитиком около 4 лет. В этой статье я расскажу, как AI помог мне справиться с рабочей рутиной — от генерации toctree до отладки сборки Sphinx-документации. Всё это — на реальных задачах. Я постаралась собрать побольше примеров из личного опыта. Надеюсь, не слишком много.

Агенты супер багованы. В своих проектах в компании мы заметили, что Langchain стал работать хуже. В мультиагентных системах агенты зачастую циклятся, так как не понимают, когда они выполнили финальное действие, не вызывают друг друга когда надо, или же просто возвращают данные в битом формате JSON. Короче говоря, создать агентную систему стало не так то просто, и мы даже стали задумываться об упрощении систем, избавляясь от кучи агентов. И вот неделю назад OpenAI обновили SDK для создания агентов, а еще выкатили доступ к новым тулзам по API. Ну и я пошел тестить.

Думаю, все сталкивались с тем, что языковая модель отказывается отвечать на какие-то вопросы. К счастью, в интернете есть опубликованные так называемые abliterated модели, которые не имеют цензуры и отвечают на любые вопросы. Хоть такую модель можно скачать (16 ГБ файл), запустить её у себя на компьютере достаточно сложно. Проблема в том, что у многих нет видеокарты за 1000 $ или дорогого Apple Mac компьютера последнего поколения с чипом M1 и выше. И многие знакомые, узнав о возможности получить ИИ без цензуры, хотят это попробовать и просят помочь им инструкциями, как это сделать, не покупая видеокарту или Apple Mac компьютер. В итоге я решил выложить инструкцию, как это сделать за сущие копейки через почасовую аренду видеокарты.

Современная наука генерирует большие объемы данных, доступны значительные вычислительные мощности, но парадоксальным образом скорость научных открытий не растет пропорционально этим ресурсам. Основное ограничение ― человеческий ресурс. Количество высококвалифицированных научных сотрудников сильно отстает от масштаба исследований, которые технически можно проводить. Развитие искусственного интеллекта для науки пытается охватить полный цикл проведения научных исследований ― от формулировки новых исследовательских гипотез до реализации всех этапов их проверки. Возможность генерации новых научных идей и постановки гипотез звучит многообещающе, хотя пока сама по себе остается скорее научной гипотезой, которая требует исследования и проверки. Тем не менее, создание ИИ, который помогает ученым в повседневных задачах, уже становится реальностью.

Мы в исследовательском центре «Сильный искусственный интеллект в промышленности» ИТМО решили проверить это на собственном опыте и занялись разработкой ИИ-ассистента ученого-химика, который позволит с использованием различных вычислительных инструментов и data-driven методов быстро и эффективно решать задачи, требующие построения цепочек рассуждений. 

В основе нашей разработки ― большие языковые модели. Но мы не ограничивались ими и пошли по пути создания мультиагентной системы, которая значительно эффективнее универсальных языковых моделей при решении специализированных химических задач. Рассказываем, что у нас получилось.

Не позволяйте вашем мыслям стать учебным материалом для ИИ — или всплыть в случае утечки данных. Неважно, какого чат-бота вы выберете: чем больше вы делитесь, тем полезнее он становится.

Пациенты загружают результаты анализов для расшифровки, разработчики отправляют фрагменты кода для отладки.

Однако некоторые исследователи ИИ советуют с осторожностью относиться к тому, что мы рассказываем этим человечно звучащим инструментам. Особенно рискованно делиться такой информацией, как паспортные данные или корпоративные секреты.

Привет, Хабр! На связи команда регионального научно-образовательного центра «Искусственный интеллект и анализ больших данных» при НГТУ им. Р. Е. Алексеева.

Сегодня практически у каждого крупного производителя смартфонов есть собственные системы улучшения качества фотографий, основанные на искусственном интеллекте. Помимо этого, существует множество аналогичных открытых моделей нейросетей. Возникает вопрос: зачем тогда мы решили оживить DPED (Deep Photo Enhancement Dataset) — созданный для тех же целей проект 2017 года? В статье мы ответим на этот вопрос, займемся оживлением и протестируем нашу модель DPED на фотографиях с планшета KVADRA_T.

Как я отказался от оверинжиниринга и переместился с 30 места на 7 в Enterprise RAG Challenge. И чего не хватило до 1 места.

Сейчас облась ИИ – дикий запад. Никто не знает, как правильно решать задачи, а результаты экспериментов лежат приватными под NDA. Тем ценнее, когда кто-то делится реальным опытом с разбором деталей и подводных камней. Так что делюсь с хабром своей мартовской статьей про участие в Enterprise RAG Challenge от Рината LLM под капотом

Если вы интересуетесь разработкой продуктов поверх LLM, то

Узнайте, как оркестрация и BPMN помогают решать самые распространённые ограничения и проблемы, связанные с внедрением AI-агентов.

Визуализация критической информации

Повышение доверия к результатам

Вовлечение человека в процесс

Ограничение важных выборов

Адаптивное вмешательство человека

Будущее дизайна AI-агентов