Я візьму іншу сторону цієї ставки...

Фірмові моделі фронтирів сьогодення є ефемерними артефактами. По суті дуже дорогі замки з піску. Йому судилося бути змитим зростаючою хвилею реплікації відкритого вихідного коду (спочатку) та алгоритмічного зриву (пізніше).

Вітаємо Еріка та команду @genspark_ai із запуском Genspark AI Developer! Це повна IDE без налаштувань, яка працює у вашому браузері, як і Replit. Ви описуєте, що хочете, отримуєте візуальний зворотний зв'язок і ви разом з вами повторюєте результат. Ви можете вибрати свою модель (наприклад, Claude Opus 4.1, GPT-5 тощо). Ідеально, якщо у вас мало досвіду програмування і ви шукаєте простий у використанні інструмент для кодування вібрації.

Прев'ю ARC-AGI-3: випущено +3 гри Ми відкрили 3 раніше закриті ігри з турніру Preview Agent Competition Тепер 6 ігор доступні для гри онлайн та через Agents API Кожна гра була обрана з метою розширення новизни публічних ігор ARC-AGI-3 Чи зможете ви їх перемогти?

Впровадження LLM серед працівників у США наближається до 50%. При цьому зростання продуктивності праці нижче, ніж у 2020 році. Тут можна навести багато контраргументів, наприклад, «вони ще не знають, як бути продуктивними з цим, вони використовують лише 1-2 роки», «50% все ще занадто мало, щоб побачити вплив», «моделі наступного року будуть неймовірно кращими» тощо. Але я думаю, що тепер у нас є достатньо доказів, щоб сказати, що теза 2023 року про те, що «LLM зробить працівників у 10 разів продуктивнішими» (деякі люди навіть цитували 100x), ймовірно, не є точною.

Бути прихильником технологій не означає бути сліпим до негативних наслідків нових технологій. Це вправа на прагматичний оптимізм – максимізація переваг при управлінні негативними наслідками.

Ми змогли відтворити переконливі висновки документа з управління персоналом щодо ARC-AGI-1. Крім того, ми провели серію експериментів з абляцією, щоб докопатися до суті того, що за цим стоїть. Ключові висновки: 1. Сама архітектура моделі HRM (центральний елемент статті) не є важливим фактором. 2. Зовнішня петля уточнення (майже не згадана в статті) є основним драйвером продуктивності. 3. Навчання перехресного перенесення не дуже корисне. Важливим є навчання на завданнях, на яких ви будете тестуватися. 4. Ви можете використовувати набагато менше доповнень даних, особливо під час висновків. Знаходження 2 і 3 означають, що цей підхід є випадком *тренування без попереднього тренування під час тестування*, подібно до нещодавно опублікованої статті «ARC-AGI без попередньої підготовки» Ляо та ін.

Google щойно випустив новий крихітний LLM з видатною продуктивністю - Gemma3 270M. Тепер доступно на KerasHub. Спробуйте нові пресети «gemma3_270m» і «gemma3_instruct_270m»!

Відкриті питання про економіку виклику безпілотних автомобілів: 1. Яким буде зниження витрат (порівняно з Uber/Lyft) на видалення водія? 2. Наскільки таке зниження витрат збільшує попит? 3. Чи суттєво вплине зміна UX на попит? 4. Чи побачимо ми значне збільшення географічної доступності (немає потреби у водіях = можна поставити більше таксі на дорогах)? Для 1: вартість праці поїздки Lyft/Uber після врахування всього іншого становить лише 20-40% від ціни, що обмежує зниження на рівні -40% у найкращому випадку. Однак мережа таксі без водія матиме значно вищі фіксовані витрати (інженери зі штучним інтелектом, центри обробки даних) і ненульові додаткові витрати на одиницю (часте прибирання салону, амортизація безпілотного обладнання), тому реалістично ми дивимося на -15-20%. Тому безсумнівно, що автономні поїздки в масштабі будуть дешевшими, ніж поточні послуги виклику таксі. Але розмір ефекту буде набагато меншим, ніж очікує більшість людей. Вони все одно будуть досить дорогими. Для 2: ймовірно, не так вже й багато - через динамічне ціноутворення ціни вже коливаються більше, а кілька років тому Uber сильно субсидував попит, тому у нас є деякі дані про те, що станеться з поїздками на 20% дешевше. TAM у районах, які вже добре обслуговуються Uber/Lyft, може зрости на ~20% у мильному еквіваленті, залишаючись незмінним у доларовому еквіваленті. Для 3: ми вже знаємо (через розгортання Waymo), що люди вважають за краще не мати водія в машині, а нечутливі до ціни клієнти готові платити більше за цей досвід. Але не все так позитивно: були занепокоєння щодо чистоти автомобіля (це легко вирішується, але це збільшує витрати на одиницю продукції). В цілому я не думаю, що зміна UX сильно збільшить TAM, так як для більшості людей ціна і доступність будуть критичними факторами. Для 4: це один - це скоріше підстановковий знак. Велика частина витрат на автономну мережу - це фіксовані витрати; Додаткові витрати на одиницю продукції в основному складаються з амортизації вартості автомобіля (похибка округлення) і прибирання. Це означає, що автономна мережа потенційно може мати набагато вище покриття, ніж поточна мережа Uber/Lyft. Але точно не буде так, що ці мережі будуть простягатися *куди завгодно*, принаймні не з коротким часом очікування. Я думаю, що ми побачимо деяке зростання TAM від цього ефекту, можливо, +20-30%. В цілому: слід очікувати поступового зростання TAM в доларовому еквіваленті, але в цілому ринок буде більше схожий на Uber++, ніж на нову транспортну парадигму. Більшість людей у США, особливо за межами густонаселених районів, все одно їздитимуть на власному автомобілі.

Ми виявили дещо цікаве: ви можете використовувати #Genie3, щоб зайти в свої улюблені картини та дослідити їх. Ось короткий візит до «Нічних яструбів» Едварда Хоппера.