Неискусственный интеллект

Рабочий стол для агента Корпоративный ИИ-агент мало похож на сотрудника, если умеет только отвечать в чате. Чтобы довести задачу до результата, ему нужно самостоятельно запускать расчёты, обращаться к данным, работать по расписанию и показывать пользователю нормальный интерфейс. Именно в эту сторону MWS AI развивает MWS AI Agents Platform — платформу для создания ИИ-агентов без программирования. После обновления они получили сразу несколько рабочих инструментов. ✔️ Выполнение кода в песочнице. Агент может сам написать программу для сверки данных, расчёта показателей или подготовки отчёта и запустить её в изолированной среде. Песочница создаётся под конкретную задачу внутри инфраструктуры заказчика, работает с разрешёнными файлами и ресурсами, а внешние подключения для неё заблокированы. Например, финансовый агент может обработать выгрузку из учётной системы, не получая возможности что-либо изменить в самой системе. 💻 Собственный интерфейс вместо вечного чата. Новый конструктор позволяет собирать для агента экраны с кнопками, формами, карточками, таблицами и графиками. Один и тот же агент может выглядеть по-разному для клиента, сотрудника и руководителя. Так, при переносе рейса он покажет билет, доступные варианты, стоимость обмена и кнопку подтверждения. 💻 Работа по расписанию и память между сессиями. Агента можно один раз настроить, после чего он будет в заданное время собирать данные, обновлять дашборд или готовить отчёт. Платформа сохраняет историю запусков и приостанавливает задачу после нескольких ошибок подряд. Агент также может запоминать разрешённые факты о пользователе и сам решать, когда обратиться к корпоративной базе знаний. К ней можно напрямую подключить Confluence или загрузить архив документов. Платформа также научилась автоматически прогонять контрольные вопросы и показывать, на каком этапе сценарий дал сбой. Границы самостоятельности, критерии качества и момент подключения человека при этом задаёт компания. Песочница, запуск по расписанию и долгосрочная память уже доступны заказчикам. Конструктор интерфейсов пока работает в раннем доступе, а в промышленную эксплуатацию должен выйти до конца 2026 года. @anti_agi

Яблочный сервер В последнее время AI-компании начали в огромных количествах скупать обычные Mac mini и Mac Studio. Крупные AI-лаборатории приобрели уже десятки тысяч таких компьютеров, а некоторые стартапы строят на них собственную инфраструктуру. В результате Mac стал самым быстрорастущим продуктовым сегментом Apple: в последнем квартале продажи выросли почти на 29%, до $10,4 млрд. Дело в том, что у Apple Silicon удачно сочетаются производительность, энергоэффективность и, главное, большой объем единой памяти, которой совместно пользуются CPU и GPU. Для запуска больших open-source моделей это особенно удобно: модель можно целиком держать в общей памяти, не пытаясь впихнуть её в ограниченную видеопамять отдельного GPU. При этом Mac гораздо компактнее и экономичнее полноценного серверного железа. Реакция корпорации на это обстоятельство не заставила себя ждать: Apple готовится вернуться на рынок серверов. Компания разрабатывает собственный сервер для разработчиков ИИ, бизнеса и государственных заказчиков. Внутри могут оказаться два или четыре будущих чипа M8 Ultra, а появиться такой продукт, если проект не отменят, должен не раньше 2029 года. Целевой сегмент — AI-inference. Будущие сервера Apple вряд ли смогут конкурировать с AI-кластерами Nvidia в разрезе обучения моделей, а вот для запуска уже обученных моделей они подойдут отлично, в том числе для компаний, которым важно не отправлять данные в публичное облако. Интересно, что Apple рассматривает возможность соединения нескольких M8 Ultra с помощью NVLink Fusion — технологии Nvidia для высокоскоростной связи между чипами. И это при том, что отношения компаний исторически были прохладными. Apple начала использовать GPU Nvidia ещё в 2001 году, но затем между ними возникли серьёзные конфликты. Джобс даже обвинял Nvidia в краже технологий Pixar. Но кто старое помянет... Apple уже использует Nvidia для части новой AI-инфраструктуры Siri. Apple уже выходила на серверный рынок с Xserve в 2002 году, но в 2011-м закрыла продукт. Бывшие сотрудники объясняли провал тем, что Apple плохо понимала корпоративного клиента и не обеспечивала необходимую поддержку. Enterprise никогда не был её главным рынком. Так что одного хорошего чипа тут недостаточно. Apple придётся строить полноценную enterprise-машину: удалённое управление, поддержку крупных клиентов, инструменты для AI-разработчиков и программную экосистему, способную хотя бы частично конкурировать с CUDA. Команда MLX, например, пока небольшая, а её руководитель Они Ханнун в этом году ушёл в Anthropic. Так или иначе, но новый CEO Apple Джон Тернус, кажется, начал работу с места в карьер. Проект сервера он поддерживал ещё около года назад, будучи главой разработки оборудования. Теперь у него есть шанс превратить неожиданный спрос на Mac со стороны AI-компаний в попытку построить новый для современной Apple бизнес. И может быть, его первые шаги во главе компании запомнят не мемами про iPhone Duo, а созданием целого прибыльного направления внутри компании. @anti_agi

Точнее или дешевле У ИИ в науке есть два основных применения. В первом нейросеть заменяет обычную модель прогноза — например, логистическую регрессию или случайный лес. Она требует больше времени, памяти и вычислительных мощностей, зато иногда лучше выявляет сложные зависимости в данных. Во втором нейросеть подменяет тяжёлый научный расчёт: учится на результатах симуляций, а затем воспроизводит их за долю прежнего времени. Но до сих пор открытым оставался вопрос: насколько это экономически оправдано? Теперь ответ есть. Чтобы его получить, исследователи провели 2507 прямых сравнений методов из 268 работ по 27 дисциплинам. В 1122 случаях прежний метод полностью заменяли AI-based решением. К ИИ авторы отнесли свёрточные и рекуррентные сети, трансформеры, графовые сети, нейронные операторы и модели, учитывающие физические законы. Сначала AI-based решения сравнили с регрессиями, случайным лесом, методом опорных векторов, ближайших соседей и гауссовскими процессами. Здесь нейросеть чаще оказывалась дорогим апгрейдом: ▪️в 59,6% сравнений нейросеть показывала лучший результат, но требовала больше вычислений; ▪️в 13,9% она одновременно была лучше и дешевле; ▪️в 23,6% случаев ИИ оказался и хуже, и дороже. В работах с полными числовыми данными средний прирост качества составил 23,2%, а вычислительные затраты выросли примерно в десять раз. Например, нейросеть определяла риск хронических заболеваний по данным медицинских опросов с точностью 95% против 85% у метода ближайших соседей, зато работала в 10,5 раза дольше. При прогнозировании тепловыделения отработанного ядерного топлива другая сеть увеличила среднюю ошибку с 4,28 до 5,56 и обучалась в 32 раза дольше гауссовского процесса. Совсем другая экономика возникла при замене научных вычислений. Обычный симулятор много раз рассчитывает, например, движение атмосферы или взаимодействие атомов при разных исходных условиях. На этих результатах обучают суррогатную нейросеть. После обучения ей уже не нужно заново решать всю систему уравнений: она сразу предсказывает результат и учится на реальных наблюдениях. В 41,1% таких сравнений ИИ оказался одновременно точнее и дешевле. Ещё в 44,8% он ускорял расчёт ценой некоторой потери точности. В числовой подвыборке вычислительные затраты снижались в среднем в 614 раз, медианное снижение составило 330 раз. Со временем суррогатные модели стали заметно точнее. До 2012 года ИИ превосходил научные вычисления одновременно по качеству и стоимости только в 22,2% сравнений: ранние сети были прежде всего быстрым, но грубым приближением. В публикациях 2020–2024 годов картина изменилась: уже в 49,5% сравнений нейросеть одновременно превосходила прежний метод по качеству и требовала меньше вычислений. Ещё в 34,8% случаев она экономила ресурсы, но уступала по качеству. Fake it till you make it. Симулируй, пока не... Ну, вы поняли. @anti_agi