Телеграм канал «AI для Всех»

Burning Man 2026

Завтра заезжаем на плаю, если вы тоже тут - приходите в наш Кэмп Solar Plus 8&F.

I will see you in the dust!

Tap-tap Manager

Хочу поделиться с вами моим проектом выходного дня. Когда-то раньше, я занимался волновой физикой (акустика, сейсмика и тп). Пришла в голову идея - если разместить 3 акселерометра на столе (или любом другом плоском объекте), то можно локализовать любые взаимодействия с этой поверхностью.

Сначала попробовал использовать явление поляризации волн, но оказалось что вертикальные колебания ответственны за 95% энергии и метод хорошо работать не будет.

Затем попробовал использовать свойства сети (array) - для того что бы триангулировать сигнал. Для этого надо четко ловить первую фазу прихода волны (phase picking). Ок, не проблема, сделали с Клодом полный finite element method для решение волнового уравнения, на симулятор обучили модель для phase picking - сделали трансфер на реальные данные, чуть откалибровали и работает. Ура! Точность все равно была не очень, потому что разрешающая способность моей сети не очень.

А что если вообще забить на физику и просто обучить нейросеть для локализации? И по заветам Саттона (bitter lesson) - все получилось и результаты на видео! Точность локализации получилась примерно в 2 раза выше, чем при использовании физики.

Я думаю вообще такие системы: симулятор физики, плюс реальные сенсоры и актуаторы (в моем случае стучание по столу) + мощный ИИ (Fable 5) = next frontier of science.

Следующий интернет будут читать не люди

Веб создавали для человека: сайты, меню, ссылки, поисковая выдача. Но постепенно одним из главных читателей интернета становится AI.

Пользователь всё реже хочет самостоятельно открывать десятки вкладок, читать обзоры и сравнивать предложения. Он задаёт вопрос ChatGPT, Perplexity, Алисе или Gemini и получает готовый ответ: какой сервис выбрать, что купить и какой компании доверять.

Нейросеть изучает сайты, статьи, отзывы, кейсы и внешние упоминания, а затем решает, какие бренды включить в ответ.
Поэтому у компании может быть сильное SEO и стабильный поисковый трафик, но в ответах нейросетей она будет появляться реже конкурентов.

Высокие позиции в Google или Яндексе ещё не означают такую же заметность в ChatGPT, Perplexity или Алисе.

На этом фоне развивается GEO — Generative Engine Optimization. Если SEO помогает сайту становиться заметнее в поисковой выдаче, то GEO отвечает за видимость бренда в ответах нейросетей.
Интернет постепенно переходит от экономики клика к экономике рекомендации. Теперь важно не только то, открыл ли человек сайт, но и то, какую компанию AI назвал ещё до перехода.

И здесь возникает довольно простой вопрос: а что нейросети уже сейчас говорят о вашем бренде?

Вручную проверять это сложно: ответы меняются от модели к модели и от запроса к запросу. Поэтому появляются отдельные инструменты для аналитики видимости в AI.

Например, ГЕОранк собирает такую аналитику в одном месте: отслеживает упоминания и позиции бренда в ответах AI-сервисов, сравнивает видимость с конкурентами, анализирует источники, а также проводит аудит сайта и выявляет факторы, которые могут мешать нейросетям использовать его контент.

Так становятся видны не только слепые зоны, но и конкретные точки роста: что стоит улучшить на сайте, в контенте, внешних публикациях и упоминаниях, чтобы нейросети чаще рекомендовали бренд.

Проверить, как ваш бренд выглядит в AI-выдаче

GPT Pro ответственно шуршит по магазинам 😎

весь computing stack раньше был монолитным и потом разделялся на части, как только для этого появлялся интерфейс

AI при этом всё ещё на mainframe-стадии, то есть одна гигантская модель

мне кажется это все еще не декомпозировалось потому что интерфейс между моделями сейчас это текст, а текст это последнее, что производит модель, то есть summary всего, что она посчитала
и поэтому при каждой передаче от одной модели к другой почти вся настоящая работа, которая через них прошла, просто выбрасывается 🥲

вот например релевантный рисерч: Cache-to-Cache (Fu et al, ICLR 2026, arxiv.org/abs/2510.03215) — они дали двум моделям передавать друг другу KV-cache без текста и получили выше accuracy при 2x скорости на тех же двух моделях, но пока весь этот research direction исключительно попарный (две конкретные модели, руками соединённые каждый раз заново)

общего интерфейса, на котором могли бы коммуницировать модели, пока не существует, но как только он появится, то вниз по стеку изменится ОЧЕНЬ многое: например, кто вообще сможет строить мощные системы, требования к inference, будет ли capability накапливаться от поколения к поколению или каждый раз пересобираться с нуля и кастомизироваться

собираюсь в ближайшую неделю выкладывать больше примеров что и как поменяется :) это первая часть