Вы думали, что один из главных юзкейсов ChatGPT — программирование? 💻

Тут вышло свежее исследование от NBER (Национальное бюро экономических исследований США), где проанализировали, как люди на самом деле используют ChatGPT.

Итак, главные поинты:

🟢 Программирование — это всего 4.2% всех запросов. Четыре. И две десятых. Процента.

🟢 Что тогда в топе? Почти 80% всех разговоров — это три вещи:
1. Практические руководства (от «как составить план тренировок» до «помоги с идеями для свидания»).
2. Поиск информации (замена гуглу).
3. Написание текстов (письма, посты, эссе).

🟢 Доля НЕрабочих запросов выросла до 70% и продолжает расти быстрее рабочих. ChatGPT стал инструментом для масс.

А ниша задач программирования почти полностью ушла в специализированные инструменты. А ChatGPT же теперь — это универсальный помощник для обычных людей», решающий бытовые и рутинные задачи. Ему проще объяснить, как замариновать курицу, чем отлаживать легаси-код на Django.

И ещё один сочный факт: люди всё чаще используют нейронку для «Спросить» (помочь принять решение), а не «Сделать» (сгенерировать готовый результат). И что характерно, качеством ответов на «Спросить» пользователи довольны значительно больше.

👇 Изучаешь Python уже больше года, но работодатели до сих пор игнорируют?

Знакомо ли тебе это:
— Прошел курсы за 100К+ — получаешь только отказы
— Год обучения по YouTube/Stepik — в итоге все равно тишина
— На собесах спрашивают то, чего в курсах не было

Именно это и болит сильнее всего: сотни откликов без ответа, провалы на тех. собесах, ощущение, что всё учишь зря

На самом деле дело не в тебе. Курсы дают синтаксис и дипломы, но не учат, как реально попасть в команду и закрепиться там

Сейчас набирает популярность менторство, когда у ребят реально выстроена система по достижению нужного результата
Сергей Филичкин — опытный разработчик с многолетним стажем, который уже помог больше 200 менти дойти до результата. Его подход отличается от онлайн-школ:

🟢 Индивидуальная работа вместо массового потока
🟡 Регулярные мок-собесы и разбор ошибок
🟣 Актуальная база вопросов и огромная база записанных реальных собеседований
🟡 Переписывание предыдущего опыта или pet-проектов в опыт, релевантный вакансиям
🟡 Сопровождение до конца испытательного срока
🟢 И еще куча всего, что помогает дойти до результата

Цифры, которые говорят сами за себя:
*️⃣ Оффер в 2–4 раза быстрее рынка: медиана — 1,5 месяца (против 3–6)
*️⃣ Первый оффер: ~200К ₽ (против 60–120К ₽ у большинства)
*️⃣ 0% провалов на испытательном за 2 года

Что реально меняется после работы с Сергеем?
🔵 Вместо "делаю pet-проекты" ты учишься показывать реальные бизнес-задачи

Спроектировал и с нуля разработал микросервис для обработки платежей, что позволило снизить нагрузку на основной сервис на 30%

🟢 Вместо "помог другу в изучении программирования" —

Инициировал и внедрил практику парного программирования, улучшив качество кода и обмен знаний в команде

Тот же опыт, но поданный правильно — и HR видит не новичка, а реально крутого разработчика

Бесплатная консультация с Сергеем = твой личный план выхода на оффер

✏️ Записаться

❗️ Берет только несколько человек в месяц — работает до результата, а не ради количества.

Реклама. ИП Филичкин С.А., ИНН 183401586208
ERID: 2Vtzqwb3PM6

Продолжаем смотреть, как программисты используют ИИ 💻

На днях вышли два материала про использование ИИ в разработке, которые рисуют абсолютно противоположные картины.

С одной стороны, «Известия» пишут, что лишь треть российских айтишников использует нейросети, в то время как в мире — аж 85%. Причины? Наш особый путь: мол, спецы хотят «глубже погрузиться в продукт», сомневаются в качестве ИИ-кода и вообще, у нас не стартапы, где главное — скорость.

А потом открываешь свежее исследование Яндекса на Хабре, и реальность оказывается совсем другой.

📊 Что происходит, по данным опроса 600+ спецов:

🔵 75% IT-специалистов в РФ уже используют кодовых ИИ-ассистентов. Не треть, а три четверти. Инструменты стали частью ежедневной рутины.
🔵 У студентов цифра ещё выше — 79%. Новое поколение сразу учится писать код с помощью ИИ. Это уже не опция, а стандарт.
🔵 Главные риски, которые видят разрабы — конфиденциальность данных и качество генерируемого кода. То есть скепсис не в том, чтобы «не использовать», а в том, чтобы использовать с умом и контролем.

👨‍💻 Как ИИ меняет рынок труда и требования:

Большинство (61%) не верит в полную замену человека, но ждёт частичной автоматизации рутины. Самый очевидный кандидат на автоматизацию — тестирование (так считают 62%).

И самое интересное — меняется сама модель работы. Как пишет один из респондентов: «Один джун с ИИ сможет работать, как три джуна без ИИ».

Вывод? Порог входа в IT уже не такой низкий. Требования к джунам подтягиваются к мидлам, потому что рутинные задачи, на которых раньше учились новички, теперь всё чаще закрывает ИИ.

🧠 А что реально влияет на продуктивность?

Топ-3 фактора продуктивности — это не новые модные инструменты, а вечные ценности:
1. Эффективная коммуникация.
2. Обратная связь.
3. Грамотное руководство.

ИИ — это усилитель, но он не заменит человеческое взаимодействие и толковый менеджмент.

Интересно, остался ещё кто-то, кто не признаёт нейросетки? Ещё год назад таких было много 😅

🐍 Разбор задачки: поиск слова в матрице

Всё решается через рекурсию, поиск в глубину (DFS) и техники backtracking (поиск с возвратом).

Основная идея — представить матрицу как граф. Наша задача — найти в этом графе путь, который в точности повторяет заданное слово, не посещая одну и ту же вершину (ячейку) дважды.

def exist(board, word):
    if not board:
        return False

    rows, cols = len(board), len(board[0])
    
    def dfs(r, c, index):
        if index == len(word):
            return True
        
        if r < 0 or c < 0 or r >= rows or c >= cols or board[r][c] != word[index]:
            return False

        temp = board[r][c]
        board[r][c] = '#'

        found = (dfs(r + 1, c, index + 1) or
                 dfs(r - 1, c, index + 1) or
                 dfs(r, c + 1, index + 1) or
                 dfs(r, c - 1, index + 1))

        board[r][c] = temp
        return found

    for i in range(rows):
        for j in range(cols):
            if board[i][j] == word[0] and dfs(i, j, 0):
                return True

    return False

Как это работает? 🤔

1️⃣ Основной цикл: Сначала мы просто ищем стартовую точку. Пробегаемся по всей матрице (i, j) и, как только находим ячейку, совпадающую с первой буквой слова (word[0]), запускаем оттуда рекурсивный поиск dfs.

2️⃣ Функция dfs(r, c, index):
- проверяет, не дошли ли мы до конца слова (index == len(word)). Если да — путь найден, возвращаем True.
- Затем идёт проверка на выход за границы поля или несоответствие буквы. Если условие выполняется, эта ветка поиска — тупиковая, возвращаем False.

3️⃣Backtracking:
- Чтобы не использовать одну и ту же ячейку дважды, мы временно "портим" её значение, заменяя на #. Это способ пометить ячейку как "посещённую" в рамках текущего пути.
- После этого рекурсивно запускаем dfs для всех четырёх соседей.
- И самое главное: после завершения рекурсивных вызовов мы восстанавливаем исходное значение ячейки (board[r][c] = temp). Этот шаг и есть backtracking. Он позволяет другим путям использовать эту ячейку в будущем.

⚙️ Анализ сложности
- Время: O(M * N * 4^L), где M и N — размеры матрицы, а L — длина слова. В худшем случае мы можем начать поиск из каждой из M * N ячеек, и для каждой буквы слова проверять до 4-х направлений.
- Память: O(L). Мы не используем дополнительную память (вроде множества visited), а глубина стека рекурсии в худшем случае равна длине слова.

#алгособес

⚰️ ИИ вынес людей на главном турнире по программированию.

На прошедшем финале ICPC World Finals 2025 — это главная и самая престижная олимпиада по программированию для студентов — произошла тихая революция.

Пока все следили за командами, OpenAI и DeepMind в отдельном онлайн-треке тестировали свои последние модели на тех же задачах. Результаты такие:

🥇 OpenAI (GPT-5 + experimental model): решила все 12 из 12 задач. Безупречный результат, который принёс бы им чистое первое место.
🥈 Google DeepMind (Gemini 2.5 Deep Think): решила 10 из 12 задач. Это уровень золотой медали и второе место в общем зачёте.

А кто же тогда официальные чемпионы? Золото и первое место среди людей взяла команда СПбГУ, решив 11 из 12 задач. Наши парни оказались круче всех кожаных мешков на планете, но до идеального счёта OpenAI чуть-чуть не дотянули.

Важный нюанс: ИИ-системы соревновались в отдельном онлайн-треке. То есть, они не отбирали медали у студентов, а просто решали те же задачи в тех же условиях параллельно. Пока что.

Пару месяцев назад эти же нейронки брали золото на Международной математической олимпиаде.

🤖

💥 Alibaba показала, как надо делать AI-агентов. И выложила всё в опенсорс.

Подразделение Alibaba Tongyi Lab выкатило опенсорс не просто модель-агента, а целый завод по их производству — Tongyi DeepResearch.

Кроме того, что по метрикам их решение не уступает закрытым аналогам, они ещё показали новую парадигму работы агента, которая решает фундаментальную проблему всех существующих систем.

Большинство агентов сегодня работают по принципу ReAct (Мысль → Действие → Наблюдение). Весь контекст — удачные и неудачные шаги, найденная инфа, мусор — сваливается в одну кучу.
Рано или поздно модель тонет в своём контексте. Разработчики это назвали "когнитивным удушьем" и "шумовым загрязнением".

🧠 Что сделали в Alibaba? Придумали свой подход — IterResearch.
Вместо одного бесконечного потока мыслей агент работает короткими "исследовательскими раундами". В конце каждого раунда он "убирает со стола" 🧹 всё лишнее, оставляя только краткую сводку и план на следующий шаг. Это позволяет ему сохранять ясность мысли на протяжении решения очень длинных и запутанных задач.

Главный тезис команды: "Данные — это основной драйвер улучшения возможностей модели; их важность даже превосходит важность алгоритма". Для этого они построили целую машину по генерации синтетических данных нужной сложности.

В итоге у сообщества теперь есть не просто SOTA-модель, а полный чертеж "завода" для производства собственных агентов под любые задачи.

Разобрал их архитектуру и подход подробнее в статье, читайте:
https://olegtalks.ru/tpost/rv7dibj091-tongyi-deepresearch-ai-agenta-ot-alibaba ◀️◀️

#годный_опенсорс

Появился тут инструментик, который с 95% точностью (якобы) определяет, написан ли код человеком или сгенерирован ИИ. Работает на ML-модельке, натренированной на миллионах примеров.

В планах такие доп. фишки:
▪️ AI Code Ratio: Трекинг соотношения кода, написанного ИИ и человеком.
▪️ Defect rates: Мониторинг багов в коде, написанном ИИ.
▪️ PR Velocity: Анализ того, как использование ИИ влияет на продуктивность команды.

В целом: какая же это бесполезная хрень. Проблема ведь не в том, кто написал код — человек или машина. Проблема в том, что код — говно. И он может быть говном вне зависимости от автора. Не туда совсем смотреть надо.

Кстати, большую часть моего собственного кода он распознаёт, как с высокой вероятностью сгенерированный AI 🤣

Почекайте, какие у вас будут результаты 👇🏻

👨‍💻 Следующим Биллом Гейтсом станет 13-летний подросток. И он даже не учит синтаксис.

Это почти прямая цитата Александра Вана — самого молодого селф-мейд миллиардера в мире (в 24 года), который сейчас в свои 28 рулит одной из самых мощных AI-лабораторий в компании, которую нельзя называть. И этот парень советует нынешним подросткам забить на всё и заниматься только одним — "vibe coding".

Его главный тезис:

Буквально весь код, который я написал в своей жизни, будет заменен тем, что произведет модель ИИ.

Ванг называет это "радикализацией через ИИ-кодинг". Смысл уже не в том, чтобы выучить синтаксис очередного языка, а в том, чтобы набить 10 000 часов, "играя" с AI-инструментами и учась управлять ими лучше других. Он сравнивает это с зарей ПК-революции. Гейтсы и Цукерберги получили гигантское преимущество просто потому, что в детстве ковырялись с первыми компьютерами. Сейчас происходит ровно то же самое, только вместо паяльника — GPT.

Гендир Google же говорит, что у них ИИ уже генерит более 30% нового кода. Глава Klarna хвастается, что теперь тестирует идеи за 20 минут вместо недель работы инженеров.

Роль инженера меняется на глазах. Ценность смещается от написания кода к его постановке и интуитивному управлению генерацией 👨‍💻