Fake it till you make it: про робота NEO от 1x

Думаю многие из вас видели новость про запуск в продажу гуманоидного домашнего робота NEO, которого можно предзаказать за $20к, либо взять по подписке за $500 в месяц. Многие авторы начали на нем хайповать, Denis Sexy даже гордо заявил, что оформил предзаказ, будучи AI-чуваком (правда кажется, что потом удалил один из постов 😁)

Вот только весь хайп необоснован. Этот продукт - даже не дорогая игрушка, коей был Apple Vision Pro. Там хотя бы вы получали то, за что заплатили и не возникало никаких вопросов связанных с этикой и жизнеспособностью идеи.

Здесь мы имеем иное. Если посмотреть рекламный ролик, то мы видим, что кейсы применения данного робота максимально обтекаемы: открыть дверь, забрать стакан. При том, что для того, чтобы быть реально полезным домашним роботом - нужно иметь ОЧЕНЬ продвинутые ИИ-системы, которые позволят ориентироваться в домах с разной планировкой и мебелью. Это вам не LLM, а куча AI другого уровня, которого на данный момент пока не существует.

В сети есть ролик от WSJ, где они тестировали этого робота и оказалось, что большинство операций будет выполнять не AI, а удаленный оператор, управляющий роботом через VR-гарнитуру. Мол, это нужно, чтобы дообучить такого робота. Говорят, что да, есть такой трейдофф и мы защищаем ваши данные. И тут у меня возникает вопрос: вы серьезно?

Во-первых, платя 20к баксов, вы по-сути позволяете рандомным людям шаляться по своему дому. Мало того, что они будут шаляться - так еще вы им буквально доверяете копаться в своих трусах 🙂 Или подсматривать за вами в различных интересных сценариях 😏 Помимо самой абсурдности такого процесса, даже если убрать человека на том конце - проблема приватности никуда не уходит. Не так давно натыкался на новость об уязвимости в ряде роботов-пылесосов с камерами и кучей утекших фото людей на унитазах 😁 Короче, история вообще не про приватность. И я сомневаюсь, что большинство людей, у которых есть деньги на подобную игрушку, настолько не ценят свои границы.

Во-вторых, у меня вопросы к самому методу такого обучения. Можно сказать, что есть же Tesla с их автопилотом в авто. Вот только после стольких лет он до сих пор находится в бете. Другой важный момент состоит в том, что идея обучать AI на взаимодействие с реальными объектами через VR сама по-себе странная. У той же Tesla за рулем авто всегда сидит человек, который его поправляет. В то время как работая через VR мы во-первых, сталкиваемся с инпут-лагом (т.к. управляем роботом дистанционно), во-вторых, VR не позволяет нормально взаимодействовать с физическим миром, например, нет раздельного контроля пальцев руки (современные контроллеры работают так, что вы сгибаете с 3 по 5 палец одновременно нажатием одной кнопки), а в домашних задачах (для складывания того же белья) мелкая моторика как никогда важна.

Здесь более разумно было бы нанять реальных домработников, обвесить их кучей датчиков и камер либо засунуть внутрь подобного робота и отправить работать. Смысл здесь в том, чтобы сделать захват нужных движений и сценариев. Та же Tesla представила концепт домашнего робота гораздо раньше, вот только всей этой фигни с VR мы от них не видим. И я сомневаюсь, что в Tesla сидят более глупые инженеры, чем в 1x.

В общем, на мой взгляд, продукт рассчитан на слишком Early Adopters, готовых жертвовать приватностью, и я не верю в жизнеспособность их подхода. Время покажет, прав я или нет, но я больше верю в то, что делают другие компании вроде Boston Dynamics, стартапы из Японии и та же Tesla.

Куда катится AI?

В последнее время все чаще ловлю себя на мысли, что мне не нравится то, что сейчас происходит в индустрии. Какая-то непонятная спешка непонятно куда, огромные вливания денег в строительство датацентров, нарративы про AGI и прочее.

Индустрия, которая раньше была про науку, все больше движется в сторону зарабатывания денег.

Еще пару лет назад AI был темой для гиков вроде меня. AI-команды концентрировались на научных задачах и не особо заботились о финансовых результатах. Это была наука в чистом виде, самый настоящий R&D. Именно с таким вайбом мы создавали R&D команду в Skyeng. В R&D-команде Skyeng у нас было ~35% операционки и 65% ресерча (эффективность обучения, мотивация, распознавание эмоций). В середине 23 менеджмент решил, что ресерч больше не в приоритете. Доля операционного AI существенно увеличилась, а численность нашей R&D команды сократилась.

Я думал, это локальная история, т.к. компания из РФ, но нет - вся индустрия отходит от R&D.

Каким AI был
Давайте посмотрим, каким был информационный фон всего несколько лет назад:

- 2020: DeepMind решила проблему сворачивания белков, над которой учёные бились 50 лет. AlphaFold предсказал структуру более 200 млн. белков с точностью, сравнимой с экспериментальными методами. Это дало понимание Альцгеймера/Паркинсона, методы борьбы с антибиотикорезистентностью, ускорило разработку лекарств. (Нобелевка 2024 г.)
- 2020: Исследователи из University of Warwick с помощью ML проанализировали данные NASA, подтвердив 50 экзопланет. AI отделил их от помех, на что раньше уходили месяцы
- 2020: Помните вакцины Pfizer и Moderna от Covid? Обе были разработаны с участием AI. Вот статьи: 1 и 2
- 2023: University of Texas разрабатывает AI, который с точностью 70% предсказывает землетрясения за неделю до их наступления. Традиционными способами такое невозможно.
- 2023: DeepMind представляет GNoME, и открывает 2.2 млн новых кристаллических структур (380,000 стабильных) которые могут быть использованы в реальных приложениях. Это эквивалентно примерно 800 годам научных изысканий в материаловедении.

Каким он становится
Вместе с развитием консьюмерского AI, ИИ становится средством выкачивания бабла через решение очень приземленных задач.

- Генерация видео? Жрет кучу ресурсов, при этом нужна очень ограниченному кругу лиц: маркетологам и киношникам (и то пока сомнительно).
- Генерация картинок? Тоже не тот тип задачи, который улучшит нашу жизнь. Генерация фоток себя любимого, картинок для презентации, либо, если ты продавец на Wildberries, можно делать карточки товаров.
- Написание кода? На этом помешались буквально все. Но код - не панацея. Для решения серьезных задач нужны не трансформеры с их шаблонными паттернами.

И ладно бы это было просто малополезно. Все эти вливания денег в консьюмерский AI и датацентры - плохая история для окружающей среды. Каждый запрос к LLM сжигает, по некоторым оценкам, в 10 раз больше воды на охлаждение, чем традиционный поиск в Google.

Получается парадокс: раньше мы делали AI, чтобы решать проблемы вроде глобального потепления, а сейчас мы делаем AI, который их создает.

Компании не перестали заниматься научным AI, та же DeepMind продолжает совершать прорывы, например, в квантовых вычислениях. Но доля таких проектов стала значительно меньше и они просто размываются на фоне всего остального. Кроме того, ведущие компании просто отказываются от исследователей, нанимая тех, кто дает measurable impact. Об этом писал Артем, автор канала эйай ньюз. Если не хочешь остаться без работы - ты должен давать импакт, а если хочешь заниматься наукой - будешь получать меньше денег. Все мне это напоминает мемную ситуацию с Медведевым, когда тот ляпнул, что учитель - это призвание, и этим не ради денег занимаются.

Вся эта гонка за "impact" держится на R&D, который заложили 5-10 лет назад. А когда этот фундамент кончится, что будут коммерциализировать? Игрушки, которые жрут мегаватты, но не решают проблем. А те, кто мог бы их решить, уйдут из науки. Ведь "призвание", в отличие от "импакта", ипотеку не оплачивает.

Replit - круто, но не для всех

Как-то так произошло, что мое погружение в AI-кодинг началось с более сложных инструментов. Я начинал с CLI и Cursor, и только сейчас у меня дошли руки до максимально простых в освоении, вроде Replit.

Ситуация располагала: в моей подписке от Lenny, о которой я писал, идет годовой доступ к Replit. Моими основными инструментами всегда были Сursor и Bolt, но в этом месяце Bolt понадобился для командного прототипирования, а кредиты Cursor мне нужны для других проектов. Тут еще один из ребят на текущем потоке буткемпов как раз спрашивал меня про Replit. Поэтому я подумал: почему бы не использовать его?

Мое общее впечатление: идея и реализация классные, но я - не ЦА
Концептуально-то все круто: даешь задание агенту, он его планирует, затем пилит дизайн, после - реализует логику кода и сам же ее тестирует. Но на практике все не так радужно 🙂

Проблема №1: Ленивый агент
Если явно не прописать, например, наличие нескольких возможных опций (вкладок, вариантов взаимодействия) в интерфейсе - Replit забьет на это. Т.е. вам все равно нужно детализированное ТЗ. И ладно бы проблема была в этом. Вы можете указать агенту на это, но если не такие автономные Bolt и Cursor вам быстро все пофиксят и вы можете идти дальше, то здесь у вас вылезут проблемы другого рода: время и деньги (о них ниже).

Проблема №2: Скорость работы
Мне нужно было сделать так, чтобы в моем приложении документ экспортировался не в CSV, а в xls формате с поддержкой кириллицы.

Задача максимально простая: поставить библиотеку, включить кодировку UTF-8, добавить пару строк кода. В Cursor нечто подобное заняло бы у меня 5 минут вместе с тестами руками. Replit потратил 15 минут.

Проблема №3: Replit - это очень дорого
У высокой автономности есть своя цена. На одностраничное фронтенд-приложение без логики на бекенде и баз данных Replit потратил $5. При месячном лимите в $25 на базовом тарифе - это офигеть как много!

Под капотом, скорее всего, прожорливый Sonnet 4.5, плюс все эти агентские штучки и Computer Use жрут контекст как не в себя. И это при том, что у меня было хорошее ТЗ и я применял воркфлоу, которое позволяет мне собирать по 5-6 проектов более серьезного уровня в месяц в том же Bolt, но уже за $20.

И это мы еще не говорим про хостинг проектов. С Replit вы легко опубликуете свое приложение, но он будет чарджить с вас за хостинг, трафик и много чего другого. Вolt и Lovable щедрые бесплатные лимиты, либо вы можете арендовать уже свой сервер на любом хостинге за 5$ в месяц. В итоге за 25 баксов в Replit вы успеете сделать какую-то фигню и раскошелиться на ее содержание, в то время как с Lovable и Bolt пространства для экспериментов гораздо больше.

Так для кого же подойдет такой автономный агент?
На мой взгляд, основная ЦА Replit - это корпорации, нацеленные на большое количество экспериментов, которые хотят быстро заадоптить AI. У них нет времени на тщательное обучение сотрудников и гораздо проще дать им такого агента.

Также инструмент подойдет людям, чей рабочий час имеет очень высокую стоимость и они не хотят разбираться в сути, а просто хотят рабочий результат. В таком сценарии цена за автономность вполне оправдана.

Кому я не рекомендую идти в Replit?
Новичкам. Вы прожжете месячный лимит за пару часов. Отсутствие понимания архитектуры, типичных ошибок и возможностей кодинговых агентов дорого обойдутся. Кроме того, в Replit легко уйти в минус. На мой взгляд, на первых этапах знакомства с ИИ-кодингом более полезно проводить тесты самому для понимания особенностей работы таких инструментов. Именно поэтому я рекомендую начинать с Bolt, Lovable или v0.

Опытным пользователям. Вам, как и мне будет хотеться вмешаться в процесс: чтобы он был быстрее, конкретнее и агент не расходовал токены на элементарщину. Для нас оптимальнее будет написать автотесты в Cursor, где это необходимо, а фронт протестировать самостоятельно, особенно учитывая, что Replit, как и другие агенты, чаще ошибается в верстке и вам все равно придется ее фиксить.

А какое у вас впечатление от Replit? Используете или отдаете предпочтение другим инструментам?

Отчет Mircosoft по диффузии AI: эффективнее оказались вообще не те, кто его разрабатывает!

Наткнулся на свежий отчет от Microsoft про глобальное распространение AI. И знаете, что? За всей этой корпоративной риторикой скрывается одна простая мысль, которая мне очень резонирует: успех в AI сегодня - это не про изобретение, а про грамотное внедрение уже существующих технологий.

Кто меня давно читает - знают, как я люблю проводить исторические параллели. И тут Microsoft делает то же самое, я прямо кайфанул 🙂 Текущее развитие AI они сопоставляют с противостоянием двух стран: Южной Кореи и Филиппин.

В 1960 году обе страны были на одном уровне. Но корейцы не стали изобретать полупроводники. Они взяли чужие технологии, лицензии, экспертизу и просто начали внедрять их лучше, быстрее и дешевле всех. Строили заводы, обучали инженеров, создавали инфраструктуру. А Филиппины остались в сырьевой экономике. Результат мы видим сегодня.

Кто сегодня выигрывает в AI-гонке? Не те, о ком вы думали.
Если посмотреть на лидеров по внедрению AI, то на вершине не США с их GPT-5 и не Китай. Лидеры - ОАЭ (59.4%), Сингапур (58.6%), Норвегия (45.3%) и Ирландия (41.7%).

Что у них общего? Они не разработчики передовых моделей. Они - крутые внедренцы. Эти страны годами инвестировали в то, что Microsoft называет «строительными блоками AI»:
1. Электричество и интернет.
2. Цифровые навыки населения.
3. Господдержка и инфраструктура.

По сути, они сначала провели тотальную цифровизацию, а уже потом на эту готовую почву начали сажать AI.

Почему у 99% компаний AI не взлетит? Отсутствие цифровой базы.
А теперь посмотрим на тех, кто отстает. И здесь самое интересное. Дело не только в очевидных примерах вроде отстающей Африки.. В странах Азии, включая Китай интересующий нас показатель находится на уровне 10-20%. А что касается России и большинства стран СНГ - здесь цифры еще ниже, от 0 до 10%. Так что, если вы используете AI сейчас - вы уже в числе уникумов 🙂

И это касается не только стран, но и компаний. Ко мне постоянно приходят с запросом: «Влад, нам нужен AI». Начинаешь копать, а у них:
- Отсутствие структурированных данных. Вся информация разбросана по Excel-табличкам, личным папкам и головам сотрудников.
- Бизнес-процессы не описаны и держатся на «Васе, который все знает».
- Команда, которая боится технологий и не умеет применять какие-либо инструменты за пределами своего базового воркфлоу.
- Или обратная крайность - менеджмент, который воспринимает AI как волшебную пилюлю, не понимая сути технологии и пихая его везде.

О каком AI может идти речь, если нужно банально начать с самых простых инструментов цифровизации?

AI - это просто следующий, более продвинутый этап этой самой цифровизации, как бы нам ни пытались донести посыл, что это какая-то магия. Нельзя перепрыгнуть из каменного века сразу в космос.

Какие стоит предпринять действия компаниям и менеджменту?
1. Проведите аудит своей цифровой базы. Прежде чем мечтать об AI-агентах, убедитесь, что у вас есть доступные и структурированные данные, описанные процессы и команда, готовая к изменениям.
2. Фокусируйтесь на внедрении, а не на разработке. Рынок завален мощнейшими моделями (Gemini, Claude, Llama, Open Source). Ваша задача - найти, как с их помощью решить конкретную бизнес-проблему, а не пытаться построить свою. Как бы круто ни звучало выражение “Своя модель” - в большинстве случаев это больше про маркетинг, чем эффективность.
3. Начинайте с малого. Автоматизируйте один процесс. Внедрите AI-ассистента в один отдел. Соберите данные, оцените ROI. Действуйте как Южная Корея - итеративно и с фокусом на результат.

В общем, отчет Microsoft - это хороший инструмент, который позволяет трезво взглянуть на реальную картину, а не действовать импульсивно. Настоящее конкурентное преимущество сегодня не в доступе к самой крутой модели, а в способности системно и грамотно внедрять то, что уже есть.

А как у вас в компании? Уже есть база для AI или пока только мечтаете о внедрении, игнорируя бардак в процессах?

👉 Полный отчет Microsoft можно почитать тут

Что будет с AI в ближайшие 5 лет?

Помните, я как-то разбирал нашумевшую статью AI 2027? Ту самую, где авторы предсказывают суперинтеллект и чуть ли не научную фантастику в реальной жизни уже к 2027 году. Их оппоненты из лагеря AI as Normal Technology наоборот, утверждают, что развитие будет постепенным, как с интернетом - без резких взрывов.

И вот, произошло нечто интересное. Авторы обеих статей - сели за один стол и выпустили совместный текст. И не про то, в чем они не согласны, а наоборот - о том, в чем их взгляды на ближайшие 5 лет полностью совпадают.

На мой взгляд, эти точки согласия - самый трезвый прогноз из всего, что я видел за последнее время. Он дает понятную картину того, к чему готовиться. Вот главные выводы авторов.

1. До появления "сильного AGI", AI - это "нормальная" технология
Даже самые ярые сторонники скорого AGI согласны: в ближайшие годы AI будет оставаться инструментом, а не автономным разумом. Его внедрение в экономику будет постепенным. Компании будут медленно передавать ему задачи, строить под него инфраструктуру и перекраивать свои воркфлоу. Прогресс будет сдерживаться не возможностями моделей, а вполне земными вещами: бюрократией, необходимостью обучать людей, интеграцией с легаси-системами.

2. Бенчмарки скоро "насытятся", но это мало что значит
Это, пожалуй, самый важный пункт для всех, кто следит за новостями. Все сходятся во мнении, что к 2027-2028 годам AI обгонит экспертов-людей на большинстве существующих тестов (MMLU, SWE-Bench и т.д.). Но, как мы знаем, бить бенчмарки и решать реальные задачи - это две разные вещи.

Модель может проходить SWE-Bench, но это не значит, что она сможет заменить реального программиста. Это как разница между сдачей экзамена на адвоката и ведением сложного дела в суде. Бенчмарки не учитывают хаос реального мира, неписаные правила и необходимость коммуникации. Рефат у себя в канале делился исследованием по этой теме.

3. AI будет продолжать лажать в простых бытовых задачах
Даже к 2029 году никто из авторов не удивится, если AI так и не научится надежно бронировать вам билет на самолет через обычный сайт, не перепутав Париж с Лондоном.

Причина - проблема "длинного хвоста ошибок". В 95% случаев все будет работать идеально, но в оставшихся 5% агент может выдать такую дичь, которую не допустил бы даже самый неопытный стажер. И пока эта проблема не решена, полное делегирование высокорисковых задач остается фантастикой.

4. Проблема AI Alignment не решена
Авторы обоих статей сошлись во мнении, что текущие модели не согласованы с нашими целями, часто врут или поддакивают, и доверять им управление критическими системами - от дата-центров до госуправления - категорически нельзя.

Обе стороны согласны, что мы должны относиться к любой AI-системе как к потенциально несогласованной и строить механизмы контроля, которые сработают, даже если модель решит схитрить.

Что имеем в итоге?
Главный вывод тут в том, что, несмотря на все споры о далеком будущем, в ближайшие 5 лет стратегия для всех нас одна. Мы будем работать с AI как с невероятно мощным, но при этом ненадежным и местами откровенно "тупым" инструментом.

Это значит, что фокус смещается с ожидания чуда на развитие вполне конкретных навыков:
- Критическое мышление: умение не просто принять ответ AI, а валидировать его, найти слабые места и потенциальные галлюцинации.
- Проектирование систем с учетом ошибок: создавать продукты и процессы, где ошибка AI не станет катастрофой, а будет вовремя перехвачена человеком или другим механизмом.
- Глубокая экспертиза в своей области: именно она позволит вам правильно ставить задачи и оценивать результат, отделяя полезный сигнал от сгенерированного шума.

В общем, ближайшие годы - это не про то, как AI нас заменит, а про то, как мы научимся с ним эффективно коллаборировать, помня о его ограничениях.

А вы в каком лагере? Верите в скорый AGI или считаете, что AI - это просто еще одна технология, пусть и мощная?