ScratchAuthorEgo
Если тебе предложат чай, кофе или воду, ты зависнешь на полчаса, пытаясь вычислить «скрытую ось инструментария», чтобы найти четвертый вариант — какой-нибудь «экстракт осознанности из слез аналитиков».
Итак поехали:
Вода - нет добавок,
Кофе, чай - добавки есть
Кофе против чая - листья против плодов.
Итого:
Вода - нет добавок, но это плод конденсации/подземных источников/etc.
Кофе - есть добавки, это через добавление плода.
Чай - есть добавки, через добавление листьев.
??? - нет добавки, это лист чего-нибудь.
Что же скрывается под этими вопросительными знаками?
Будто бы пожевать листья сочных растений, чтобы утолить жажду. Так, вроде бы, в джунглях срубают лианы и пьют из них. Или пожевать лист алоэ, например.
Такие дела.
Вода - нет добавок,
Кофе, чай - добавки есть
Кофе против чая - листья против плодов.
Итого:
Вода - нет добавок, но это плод конденсации/подземных источников/etc.
Кофе - есть добавки, это через добавление плода.
Чай - есть добавки, через добавление листьев.
??? - нет добавки, это лист чего-нибудь.
Что же скрывается под этими вопросительными знаками?
Будто бы пожевать листья сочных растений, чтобы утолить жажду. Так, вроде бы, в джунглях срубают лианы и пьют из них. Или пожевать лист алоэ, например.
Такие дела.
Аналитика в действии
Тем временем, в 2025 году число курсантов курса Шухăшла - основы аналитического мышления (THINK-101) достигло 50 человек. Это ещё один невозможный результат прошлого года.
Тем временем, в 2026 году я получил двойку от курсанта на Stepik'е!
Есть такой закон бюрократии, что каждый человек в ней достигает уровня своей некомпетентности.
Только что четко пришло в голову соображение, что для избежания подобного - в организации вообще не должно быть уровней.
Плоские структуры - ван лав.
Только что четко пришло в голову соображение, что для избежания подобного - в организации вообще не должно быть уровней.
Плоские структуры - ван лав.
Forwarded from Красные пики (Serge Abdulmanov)
Тут интересная штука про то, что хорошие идеи неконсенсусны. В смысле, это вроде бы и так базовые знания, и если нужно что-то прорывное — очень важно искать тёплых на голову людей, и ни в коем случае не собирать большую команду. Но тут это обосновали в научной работе.
Итак, считается, что большие команды — это хорошо. Большие команды — это надёжно!
Но компромисс убивает новизну. В большой группе нужно согласовывать идеи. Самые радикальные и странные мысли отбрасываются, потому что они кажутся большинству бредом. Остается среднее арифметическое — безопасное и понятное всем.
Вот научная работа не где-нибудь, а в журнале Природа, где проверяют, а не ведут ли себя группы ведут себя как корпораты — ну, знаете, избегают рисков, улучшают существующее, а не придумывают новое, а малые группы — как предприниматели: рискуют, ломают старое, предлагают безумные идеи.
Проанализировали 65 миллионов статей за период с 1954 по 2014 год. Из них 5 миллионов патентов, 16 миллионов гитхаб-репозиториев и 42 миллиона научных работ. К слову, нифига себе научных работ за это время, да?
Считали разрыв — степень новизны. Метрика типа перплексии — что новые работы цитируют только вас, без тех, на кого ссылались вы. Если вместе с ними — вы кирпич в фундаменте. Если без них — вы как-то выделились и нашли что-то новое.
Так вот:
— Чем больше людей в команде, тем меньше вероятность, что они придумают что-то прорывное.
— Одиночки и пары гораздо чаще создают работы с высоким индексом разрывности. Они вводят новые концепции, которые меняют направление науки.
— Большие команды (от 10 до 50+ человек) почти всегда занимаются развитием. Они подтверждают теории, уточняют данные, масштабируют эксперименты.
— Малые команды ищут идеи на периферии, скрещивают то, что никто не догадался скрестить раньше.
— Грантовые агентства чаще финансируют большие команды с низким уровнем риска. Нобелевские премии чаще получают работы, сделанные малыми командами (или одиночками) с высоким уровнем разрыва.
— Большие команды получают признание мгновенно. Их цитируют сразу после выхода, но интерес к ним быстро теряется.
— Малые команды — их работы часто остаются незамеченными годами. Однако через 10–20 лет происходит взрыв интереса. Это эффект Спящей красавицы. Ну, знаете, как вон недавно спящая красавица София сломала рынок коллекционных растений благодаря работе 100-летней давности.
— Большие лаборатории выбирают верняк — задачи, которые точно дадут результат. А одиночке терять нечего, он может рискнуть всем.
— Но! Большие команды в своих работах часто ссылаются на те самые прорывные идеи, которые 10–15 лет назад придумали малые команды. Без малых команд большим нечего будет развивать и масштабировать. Без больших команд идеи малых могут так и остаться красивыми теориями без практического применения.
То есть малые команды — разведка. А вот до практики и денег идею доводят именно большие команды.
Более того, большие команды физически не могут браться за прорывные идеи, если им не дали чит на бесконечные деньги. Деньги выдают под более-менее предсказуемый результат. Чем более он предсказуемый — тем больше бюджета можно получить. Всякие вот эти "а давайте поищем полимеразу экстремофилов в луже на Камчатке нуууу просто потому что прикольные же" забудьте. Её там поищет один дикий чувак, а через 30 лет это уже станет ПЦР.
Самые главные награды в науке дают за то, что система грантов обычно боится финансировать.
Закономерность про размер не работает в разработке прорывных продуктов, потому что в опенсорсе есть крутой крауд-эффект и разбиение по фичам. Ещё это не работает в инженерии, там полезные штуки докручиваются тысячами людей легко через сотни тысяч итераций.
Работу нашёл @AlexVShn с вот этого канала.
Итак, считается, что большие команды — это хорошо. Большие команды — это надёжно!
Но компромисс убивает новизну. В большой группе нужно согласовывать идеи. Самые радикальные и странные мысли отбрасываются, потому что они кажутся большинству бредом. Остается среднее арифметическое — безопасное и понятное всем.
Вот научная работа не где-нибудь, а в журнале Природа, где проверяют, а не ведут ли себя группы ведут себя как корпораты — ну, знаете, избегают рисков, улучшают существующее, а не придумывают новое, а малые группы — как предприниматели: рискуют, ломают старое, предлагают безумные идеи.
Проанализировали 65 миллионов статей за период с 1954 по 2014 год. Из них 5 миллионов патентов, 16 миллионов гитхаб-репозиториев и 42 миллиона научных работ. К слову, нифига себе научных работ за это время, да?
Считали разрыв — степень новизны. Метрика типа перплексии — что новые работы цитируют только вас, без тех, на кого ссылались вы. Если вместе с ними — вы кирпич в фундаменте. Если без них — вы как-то выделились и нашли что-то новое.
Так вот:
— Чем больше людей в команде, тем меньше вероятность, что они придумают что-то прорывное.
— Одиночки и пары гораздо чаще создают работы с высоким индексом разрывности. Они вводят новые концепции, которые меняют направление науки.
— Большие команды (от 10 до 50+ человек) почти всегда занимаются развитием. Они подтверждают теории, уточняют данные, масштабируют эксперименты.
— Малые команды ищут идеи на периферии, скрещивают то, что никто не догадался скрестить раньше.
— Грантовые агентства чаще финансируют большие команды с низким уровнем риска. Нобелевские премии чаще получают работы, сделанные малыми командами (или одиночками) с высоким уровнем разрыва.
— Большие команды получают признание мгновенно. Их цитируют сразу после выхода, но интерес к ним быстро теряется.
— Малые команды — их работы часто остаются незамеченными годами. Однако через 10–20 лет происходит взрыв интереса. Это эффект Спящей красавицы. Ну, знаете, как вон недавно спящая красавица София сломала рынок коллекционных растений благодаря работе 100-летней давности.
— Большие лаборатории выбирают верняк — задачи, которые точно дадут результат. А одиночке терять нечего, он может рискнуть всем.
— Но! Большие команды в своих работах часто ссылаются на те самые прорывные идеи, которые 10–15 лет назад придумали малые команды. Без малых команд большим нечего будет развивать и масштабировать. Без больших команд идеи малых могут так и остаться красивыми теориями без практического применения.
То есть малые команды — разведка. А вот до практики и денег идею доводят именно большие команды.
Более того, большие команды физически не могут браться за прорывные идеи, если им не дали чит на бесконечные деньги. Деньги выдают под более-менее предсказуемый результат. Чем более он предсказуемый — тем больше бюджета можно получить. Всякие вот эти "а давайте поищем полимеразу экстремофилов в луже на Камчатке нуууу просто потому что прикольные же" забудьте. Её там поищет один дикий чувак, а через 30 лет это уже станет ПЦР.
Самые главные награды в науке дают за то, что система грантов обычно боится финансировать.
Закономерность про размер не работает в разработке прорывных продуктов, потому что в опенсорсе есть крутой крауд-эффект и разбиение по фичам. Ещё это не работает в инженерии, там полезные штуки докручиваются тысячами людей легко через сотни тысяч итераций.
Работу нашёл @AlexVShn с вот этого канала.
👍1💯1
Красные пики
Закономерность про размер не работает в разработке прорывных продуктов, потому что в опенсорсе есть крутой крауд-эффект и разбиение по фичам. Ещё это не работает в инженерии, там полезные штуки докручиваются тысячами людей легко через сотни тысяч итераций.
Ключевые фичи открытых систем - они создают возможность (но не гарантию!) естественного отбора :)
Неравномерности
Вспомнил, что несколько лет я функционально руководил парой десятков команд программистов, где-то напрямую, а где-то был скрам-мастером скрам-мастеров.
Так что в эту тему погрузился достаточно плотно, читал много и постоянно.
Именно тогда понял ключ к успеху любой компании по разработке программного обеспечения. Секрет в том, чтобы поймать неравномерность за хвост.
Программисты друг от друга в производительности отличаться могут не в разы, и даже не в десятки, а в две сотни раз.
Если ИТ-компания смогла в штат себе найти такую звезду, то все, считай успех в кармане. Зарплата различается в разы, ну на порядок, остальное же есть чистая прибыль организации.
Такая крупная разность в производительности труда, возможно, связана с разностью мозговых структур и, вероятно, с различным уровнем рабочей памяти. Лучший программист одного из департаментов почти полностью с ходу повторил последовательность из 9 элементов.
Такие дела.
Вспомнил, что несколько лет я функционально руководил парой десятков команд программистов, где-то напрямую, а где-то был скрам-мастером скрам-мастеров.
Так что в эту тему погрузился достаточно плотно, читал много и постоянно.
Именно тогда понял ключ к успеху любой компании по разработке программного обеспечения. Секрет в том, чтобы поймать неравномерность за хвост.
Программисты друг от друга в производительности отличаться могут не в разы, и даже не в десятки, а в две сотни раз.
Если ИТ-компания смогла в штат себе найти такую звезду, то все, считай успех в кармане. Зарплата различается в разы, ну на порядок, остальное же есть чистая прибыль организации.
Такая крупная разность в производительности труда, возможно, связана с разностью мозговых структур и, вероятно, с различным уровнем рабочей памяти. Лучший программист одного из департаментов почти полностью с ходу повторил последовательность из 9 элементов.
Такие дела.
🤷♂2😁2
Аналитика в действии
Тем временем, в 2026 году я получил двойку от курсанта на Stepik'е!
Пора, кажется, сделать курс по управлению, подумалось после этой песни - https://music.yandex.com/album/38492191/track/143592695
Yandex Music
Деньги.. на что вы готовы?
KAIY • Track • 2025
Forwarded from Препод говорит
❤3
Илон Маск - это повтор товарища Цандера
https://gmik.ru/2014/08/22/vpered-na-mars/
Тема полёта к красной планете волновала Цандера всю жизнь. Лозунг «Вперед, на Марс!» даже стал его личным девизом.
Своих детей он назвал Астра и Марс
https://ru.wikipedia.org/wiki/%D0%A6%D0%B0%D0%BD%D0%B4%D0%B5%D1%80,_%D0%A4%D1%80%D0%B8%D0%B4%D1%80%D0%B8%D1%85_%D0%90%D1%80%D1%82%D1%83%D1%80%D0%BE%D0%B2%D0%B8%D1%87
https://gmik.ru/2014/08/22/vpered-na-mars/
Тема полёта к красной планете волновала Цандера всю жизнь. Лозунг «Вперед, на Марс!» даже стал его личным девизом.
Своих детей он назвал Астра и Марс
https://ru.wikipedia.org/wiki/%D0%A6%D0%B0%D0%BD%D0%B4%D0%B5%D1%80,_%D0%A4%D1%80%D0%B8%D0%B4%D1%80%D0%B8%D1%85_%D0%90%D1%80%D1%82%D1%83%D1%80%D0%BE%D0%B2%D0%B8%D1%87
Аналитика в действии
Неравномерности Вспомнил, что несколько лет я функционально руководил парой десятков команд программистов, где-то напрямую, а где-то был скрам-мастером скрам-мастеров. Так что в эту тему погрузился достаточно плотно, читал много и постоянно. Именно тогда…
Ещё из опыта выполненных тысяч аналитических заказов.
Как правило трудозатраты по аналитической задаче выглядят так: половину времени занимает понимание задачи. 80% второй половины - подготовка данных. Оставшиеся 20% - тестирование гипотез и оформление результата.
Как правило трудозатраты по аналитической задаче выглядят так: половину времени занимает понимание задачи. 80% второй половины - подготовка данных. Оставшиеся 20% - тестирование гипотез и оформление результата.
Forwarded from Малоизвестное интересное
Инопланетная хрень, воплотившись в математиков-кентавров, рушит представления ИИ-скептиков из «ордена стохастического попугая».
Мораль этого поста такова:
• Вы всё делаете не так.
• И поэтому ИИ приносит вам <1% пользы, чем мог бы приносить уже сейчас.
• Это и есть «разрыв между возможностями и реальной ценностью применения», о которой заявил OpenAI
Причина этого в том, что 99% используют ИИ либо как Гугл, либо как консультанта со странностями (эдакого аутиста-полимата, отвечающего на вопросы любой сложности и глупости, но в жизни понимающего меньше ребенка).
Но LLM — не Гугл и не консультант со странностями. Это какая-то инопланетная хрень (даже не когнитивный гаджет, как я раньше полагал), которую пока никто не раскусил. Непонятно даже что это: усилитель интеллекта, кентаврическая приставка к мозгу, готовый на кооперацию с нами разумный нечеловеческий агент …
В итоге мы все сейчас как обезьяны с айфоном — тычем, пробуем, офигеваем… и мало что понимаем.
И это только начало.
Становится всё более очевидно, что с помощью «инопланетной хрени» можно решать столь сложные задачи, что 99% читателей этого поста даже не поймут, о чём в них речь.
Вот наисвежайший пример – математики-кентавры опубликовали новое математическое доказательство «Мотивный класс пространства отображений рода 0 в флаговое многообразие». В нем, по словам авторов – людей, «основные результаты получены при очень существенном участии Google Gemini и связанных с ним инструментов, в частности DeepThink и связанной с ним неопубликованной системы, специализирующейся в математике».
Итогом работы математиков – кентавров стал очень сильный, чистый и концептуально неожиданный результат. Его главная ценность — простота финального ответа при максимальной сложности пространств, плюс новая рабочая техника (мотивно тривиальные, но не локально тривиальные расслоения), найденная в ходе решения.
Задача настолько сложна в своей абстракции, что объясняющей метафоры, понятной широкой аудитории людей, по моим запросам, не нашел ни один ИИ (т.е. они предложили, но понять эти метафоры без поллитра я не смог).
В чем сила этой работы против аргументов ИИ-скептиков из «ордена стохастического попугая».
Работа иллюстрирует следующие важные моменты:
1. Отсутствие решений в обучающих данных. Авторы подчеркивают, что доказательства, сгенерированные ИИ (в частности, инструментами Google Gemini, DeepThink и FullProof), не являются простым воспроизведением существующей литературы, на которой обучались модели.
2. Способность к обобщению и созданию новых доказательств. ИИ не просто выдавал готовый текст, а решал новые математические задачи в рамках итеративного процесса.
3. Генерация контрпримеров. Работа демонстрирует способность ИИ находить математические объекты, опровергающие гипотезы.
4. Высокое качество «машинных» доказательств. В Приложении C приводится пример доказательства, полностью сгенерированного инструментом FullProof. Авторы характеризуют этот вывод как «очень совершенный» (very accomplished) и отмечают, что он был написан моделью «с нуля»
Возвращаемся к вопросу - что же вы делаете не так?
Да почти все.
А как надо?
1) Забудьте о рекомендациях типа «100 эффективных промптов», «101 продуктивный сценарий работы с ИИ » и т.д.
2) Прочтите (и поймите!) рекомендации Альберто Ромеро и наставления Карлоса Переса.
3) Поинтересуйтесь, как, например, использует ИИ Джек Кларк (равно как и я 😊)
И продолжайте читать этот канал.
#LLMvsHomo
Мораль этого поста такова:
• Вы всё делаете не так.
• И поэтому ИИ приносит вам <1% пользы, чем мог бы приносить уже сейчас.
• Это и есть «разрыв между возможностями и реальной ценностью применения», о которой заявил OpenAI
⚡️ Аудио-версию слушайте в посте выше 👆
Причина этого в том, что 99% используют ИИ либо как Гугл, либо как консультанта со странностями (эдакого аутиста-полимата, отвечающего на вопросы любой сложности и глупости, но в жизни понимающего меньше ребенка).
Но LLM — не Гугл и не консультант со странностями. Это какая-то инопланетная хрень (даже не когнитивный гаджет, как я раньше полагал), которую пока никто не раскусил. Непонятно даже что это: усилитель интеллекта, кентаврическая приставка к мозгу, готовый на кооперацию с нами разумный нечеловеческий агент …
Я не сгущаю: НИКТО на свете пока не понимает, как лучше этим пользоваться. Даже те, кто это создал.
В итоге мы все сейчас как обезьяны с айфоном — тычем, пробуем, офигеваем… и мало что понимаем.
И это только начало.
Становится всё более очевидно, что с помощью «инопланетной хрени» можно решать столь сложные задачи, что 99% читателей этого поста даже не поймут, о чём в них речь.
Одна проблема – нужно уметь работать в паре с этой «инопланетной хренью».
Вот наисвежайший пример – математики-кентавры опубликовали новое математическое доказательство «Мотивный класс пространства отображений рода 0 в флаговое многообразие». В нем, по словам авторов – людей, «основные результаты получены при очень существенном участии Google Gemini и связанных с ним инструментов, в частности DeepThink и связанной с ним неопубликованной системы, специализирующейся в математике».
Итогом работы математиков – кентавров стал очень сильный, чистый и концептуально неожиданный результат. Его главная ценность — простота финального ответа при максимальной сложности пространств, плюс новая рабочая техника (мотивно тривиальные, но не локально тривиальные расслоения), найденная в ходе решения.
Задача настолько сложна в своей абстракции, что объясняющей метафоры, понятной широкой аудитории людей, по моим запросам, не нашел ни один ИИ (т.е. они предложили, но понять эти метафоры без поллитра я не смог).
Но суть результата понятна: математики-кентавры нашли «скрытый порядок» в сложной математической системе. Они доказали формулу, которая сводит понимание запутанного пространства траекторий к понятным, базовым элементам алгебры (матрицам).
В чем сила этой работы против аргументов ИИ-скептиков из «ордена стохастического попугая».
Работа иллюстрирует следующие важные моменты:
1. Отсутствие решений в обучающих данных. Авторы подчеркивают, что доказательства, сгенерированные ИИ (в частности, инструментами Google Gemini, DeepThink и FullProof), не являются простым воспроизведением существующей литературы, на которой обучались модели.
2. Способность к обобщению и созданию новых доказательств. ИИ не просто выдавал готовый текст, а решал новые математические задачи в рамках итеративного процесса.
3. Генерация контрпримеров. Работа демонстрирует способность ИИ находить математические объекты, опровергающие гипотезы.
4. Высокое качество «машинных» доказательств. В Приложении C приводится пример доказательства, полностью сгенерированного инструментом FullProof. Авторы характеризуют этот вывод как «очень совершенный» (very accomplished) и отмечают, что он был написан моделью «с нуля»
N.B. Работа не утверждает полную автономность ИИ. Это именно работа математиков-кентавров.
Возвращаемся к вопросу - что же вы делаете не так?
Да почти все.
А как надо?
1) Забудьте о рекомендациях типа «100 эффективных промптов», «101 продуктивный сценарий работы с ИИ » и т.д.
2) Прочтите (и поймите!) рекомендации Альберто Ромеро и наставления Карлоса Переса.
3) Поинтересуйтесь, как, например, использует ИИ Джек Кларк (равно как и я 😊)
И продолжайте читать этот канал.
#LLMvsHomo
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2👍1