Сохраняй посты, комментируй и ставь оценки
Руководство как обучить голосовую модель.
С каждым годом нейросети становятся все более сложными и продуманными. Они уже могут отвечать на вопросы, генерировать фотографии и видео и т.д. Мы поговорили с экспертами в сфере искусственного интеллекта, чтобы узнать, чего ждать от них в 2026 году.
«Качество нейросетей растет циклически, периодами по шесть-восемь месяцев. При этом процесс идет по цепочке: кто-то вырвался вперед — и остальные начинают нагонять» Лина Кочетова
Сейчас одна из главных проблем при генерации изображений или видео — консистентность персонажей. То есть обеспечение постоянства образа, в частности лица, от картинки к картинке и от кадра к кадру. Эта проблема будет решаться весь год: люди много работают именно с лицами, генерируют персонажей.
Еще одна проблема — изменение ракурса. Даже когда виртуальную камеру удается переместить, возникает проблема консистентности объектов. Генеративная сеть от Google Nana Banana с этим уже справляется, но пока неидеально. Я слышала, что готовится релиз второй версии, — ожидается, что там функция смены ракурса будет работать лучше.
В 2026 году качество текстов планируется улучшить, очищая датасеты, на которых обучается ИИ. Появятся новые архитектуры, начнут отфильтровываться «мусорные» данные. Вероятно создание множества узкоспециализированных нейросетей — например, для врачей, юристов и т.д.
Специалисты учат нейросеть лучше понимать человека даже в тех случаях, когда запрос нельзя назвать качественным. Впрочем, пока и при нормальном запросе я бы оценила понимание как среднее.
Еще одна проблема, решение которой хотелось бы увидеть, — детали на фоне при генерации изображений. На переднем плане все может выглядеть прилично, но, например, если на заднем плане есть люди, они по-прежнему будут кривые-косые. Так что создание сцен с большим количеством статистов пока нереально. Я работаю практически со всеми нейросетевыми проектами в области изображений и могу утверждать, что подобные недостатки есть у всех.
Какие из нейросетей дают сейчас лучшее качество картинки? На первом месте Nana Banana, потом Midjourney, потом Flux. Неплохие художественные изображения создает Reve. Есть, конечно, еще ChatGPT — эта нейросеть отлично понимает промпт, так что мы ждем обещанного на 2026 год обновления, которое подтянет и качество генерации.
«Думаю, в 2026 году появятся ИИ-агенты, способные если не управлять бизнесом, то как минимум проходить цепочки из 50–100 шагов без постоянного присмотра» Андрей Мурашев
Что обычный человек делает с ChatGPT? Ищет рецепт, просит написать текст или предложить идеи для поста, уточняет значение слова. 95% всех обращений к ИИ ассистентам — одиночные запросы, краткие диалоги. На таких задачах открытые модели уже неотличимы от ChatGPT. Разница проявляется, только когда требуется цепочка рассуждений из 20 шагов или математика олимпиадного уровня. Так что монополии OpenAI для повседневного использования больше нет.
Зато ИИ-агенты способны привнести новые бизнес-возможности в индустрию. Поэтому такие компании, как OpenAI, Anthropic и Google, сейчас нацелены на разработку инструментов, способных решать многоступенчатые, протяженные во времени задачи. Например, не просто «напиши письмо», а «найди свободное время в календаре, подбери ресторан, забронируй столик и отправь приглашения». Или «проанализируй документы конкурентов и составь отчет для совета директоров».
Моделям дают инструменты для решения реальных бизнес-задач — в частности, OpenAI заявляла об интеграциях с Booking.com. Но пока нейросеть там используется для простых повторяющихся действий. Думаю, в 2026 году появятся ИИ-агенты, способные как минимум проходить цепочки из 50–100 шагов. Компании начнут специально под них обучать модели, нейросети станут ломаться, позволяя получать тренировочные данные из реальных провалов, — и так по кругу, все больше совершенствуясь.
Будет ли решена проблема галлюцинаций нейросетей в 2026 году? На мой взгляд, крупные вендоры — Google, Anthropic и OpenAI — с ней уже справились. Когда работаешь с их продуктами через API, можно задавать такой параметр, как температура. Если установить его значение равным нулю, модель всегда будет выбирать наиболее релевантный ответ.
Что касается моделей Open Source, то с точки зрения галлюцинаций они отстают на год полтора. Но надо понимать, что способность галлюцинировать приводит к более креативным ответам. Именно поэтому в чат-ботах, в том числе в пользовательских интерфейсах моделей от крупных вендоров, температуру задают сильно выше нуля.
В прошлом году появилось множество сервисов для создания сайтов с нуля, например Lovable, Replit и др. Но в данном случае речь идет о сайтах без бэкенда со сложной логикой. Скажем, интернет-магазин сделать получится, а социальную сеть — нет. Думаю, в 2026-м будут активно развиваться инструменты разработки no code, позволяющие продакт-менеджеру самостоятельно начать бизнес, нанимая программистов не через месяц после старта проекта, а через полгода, уже при наличии клиентов и выручки.
Развитие новых архитектур пока идет медленно. Тот же OpenAI явно делает ставку на увеличение расхода энергии: давайте просто накопим электричества и сделаем ChatGPT 6, который еще больше. На рынке появилась огромная модель Grok, которая стоит баснословных денег. Это уже не бизнес, а гениальная исследовательская система, к которой мы шли все предыдущие годы. Обучение такой модели требует колоссальных средств, но ее нельзя выдавать наружу: один запрос к нейросети стоит 150 долларов. Зато она может передать свои знания модели поменьше, которую уже можно предлагать бизнесу. Я уверен, что у OpenAI есть вариант, превосходящий текущую версию ChatGPT, но сначала инженерам компании придется провести большую работу, аккумулируя знания новой гигантской модели в модель поменьше.
«В 2026 году можно ожидать научных открытий, сделанных с применением нейросетей. Пока, видимо, небольших. Собственно, первые упоминания о таких достижениях уже появились» Роман Соловьев
Явный тренд — развитие ИИ-агентов, в том числе браузерных. Они и сейчас уже есть: Atlas от OpenAI и Comet от Perplexity — и им можно делегировать часть задач. Но пока остаются проблемы с качеством их работы. В 2026 году, вероятно, уже появятся полноценные инструменты такого формата. И не только полноценные, но и безопасные: сейчас у ИИ-агентов есть много уязвимостей, которые используют мошенники.
Думаю, и в научных исследованиях ИИ-агенты могут стать серьезным подспорьем. Раньше нейросети не могли сами совершать открытия: необходимые для этого эксперименты должны были проводить люди. Но сегодня появились ИИ-агенты, способные самостоятельно написать код и запустить тесты в программной среде. Вероятно, вскоре нейросети смогут проводить исследования и во внешних средах. Условно говоря, будут составлять пошаговый план работ на адронном коллайдере.
Еще одно перспективное направление — маленькие модели для локального запуска на консьюмерских GPU. На специфических задачах такие нейросети обходят мощных универсалов, тот же ChatGPT. И такой подход наверняка будет развиваться: скажем, в программировании он позволит не тратить деньги на запросы API к мощным внешним LLM.
В 2026 году на новый уровень выйдут мультимодальные нейронные сети, способные воспринимать и выдавать информацию в разных форматах: в виде текста, изображений, видео, звука. Подобных моделей уже немало; в качестве примера разработки открытого типа можно привести Qwen от Alibaba Cloud: ее код выложен на GitHub, а веса — на Hugging Face. Пока такие нейронки не со всеми задачами справляются одинаково хорошо, но в 2026 году, скорее всего, появится более бесшовная мультимодальность. Возможно, продвинется создание и редактирование музыки — пока это одно из наименее развитых направлений.
Также ожидается очередное снижение стоимости тренировки ИИ. Не секрет, что OpenAI тратит на обучение моделей каждого нового уровня ChatGPT примерно 60–80 млн долларов. Разработчикам DeepSeek хватило, по максимальным оценкам, 5 млн — и результат получился сравнимым по качеству. Так что сейчас все трудятся над удешевлением процесса, в первую очередь за счет улучшения аппаратуры. Уже используются чипы, сделанные по техпроцессу 2 нм: они потребляют меньше энергии, а работают быстрее. Кроме того, появляются новые архитектуры, помогающие оптимизировать работу нейросетей.
Активно развивается ИИ для антропоморфных роботов. Таких устройств китайские компании выпускают уже довольно много, зачастую их поставляют вместе со средой разработки, позволяющей установить свое ПО. И если раньше моделировать деятельность робота приходилось в виртуальной среде, то при наличии готовых девайсов прогресс пойдет быстрее.
В нашей стране основная проблема в области нейросетей заключается в нехватке вычислительных мощностей. В МИЭМ ВШЭ, где я преподаю, учится много толковых студентов, у нас есть суперкомпьютер, но на работу с ним все время очередь. В таких условиях есть риск отставания по компетенциям. Нужно, чтобы по крайней мере у студентов и исследователей был легкий доступ к большим вычислительным мощностям.
Возможно, в 2026 году ситуация начнет меняться: в Китае госпредприятиям рекомендовали не закупать ускорители Nvidia, и Huawei уже разрабатывает свое железо для тренировки нейронных сетей. Но есть сложность: раньше 99% ПО для таких целей производила Nvidia, так что теперь придется переписать практически все. Однако если в итоге появится несколько производителей, то цены на аппаратуру снизятся и она снова станет доступной.
Chat gpt и аналоги решают загадки на логику, кто лучше? Версус 😎
Задача: Изначально в аквариуме плавает 10 рыбок. Однако спустя неделю 2 из них утонули, 4 – уплыли, а еще 3 – погибли. Сколько рыбок осталось в аквариуме?
-
Всеми привяо, роднички. Простая загадка? Только вот она на логику и поэтому нейросети Chatgpt и аналоги вряд ли ответят, а я Конор, и я проверю как это работает на самом деле! 😊🤣
Если не видели предыдущие статьи, то велком)
-
Тестировать эту загадку я буду на следующий нейронка
ChatGPT 3.5
ChatGPT 4
ChatGPT 4o
ChatGPT 4o-mini
Yandex GPT (нейросеть от яндекса)
Copilot (от мелкомягких)
ChatGPT o1 (новый)
ChatGPT o1-mini (новый)
-
Поехали к тестам!
ChatGPT 3.5
Весело) Но нет. Блин, даже пояснения нет. https://chat.aiacademy.me/share/09e930072517290972081ceb (Волшебная ссылка на диалог) можно продолжить издевательства
-
-
-
ChatGPT 4
Ну тут хотя бы объяснение есть, но блин, 1?! https://chat.aiacademy.me/share/8f7630072917290973394e2c
-
-
-
ChatGPT 4o
Попробовал переспросить, но блин, с первого раза было бы лучше) https://chat.aiacademy.me/share/edb8300731172909746055d2
-
-
-
ChatGPT 4o-mini
Верно! ✅ Похоже у нас новый сверхразум с логикой или удача просто? Как думаете? https://chat.aiacademy.me/share/efd63007361729097589df40
-
-
-
Yandex GPT (нейросеть от яндекса и полный провал)
-
-
-
Сказал бы я, но нет, провал
-
Copilot (от мелкомягких)
Отменяется, он пока не работает, у вас так же?
-
-
-
ChatGPT o1 (новый)
Горжусь) Лучшая нейронка, хотя не всегда https://chat.aiacademy.me/share/ab16300752172909785375ff
-
-
-
ChatGPT o1-mini (новый)
Весело было, весь диалог не вместиться, попробовал его растормошить, но не получилось(((loser))) https://chat.aiacademy.me/share/2d1b3007591729098043b252
-
-
-
Все)
Пишите, что думаете) Я считаю, что загадка простая, но условия и рамки выбивают логику нейронок, которой нет) В этом и сложность и прикол)
Пока ребят!
Транскрибация — это процесс преобразования устной речи из аудио и видео в текстовую форму. Зачем это вам? Текст упрощает поиск, цитирование и повторное использование материалов: совещаний, интервью, подкастов, лекций. Вы быстрее находите нужную информацию, оформляете отчеты и субтитры, повышаете доступность контента. Если вы менеджер, журналист, преподаватель или владелец подкаста, транскрибирование экономит часы рутинной работы и делает знания оцифрованными. Ниже — что такое транскрибация простыми словами, где она применяется, как работает автоматическое распознавание речи, как повысить точность и выбрать сервис под задачу.
Что такое транскрибация простыми словами: не путайте «транскрипцию» и «транскрибирование»
Транскрибация текста — это перевод аудио в текст и видео в текст: из речи получается читабельная текстовая версия с таймкодами и при необходимости, говорящими. В запросах часто звучит «транскрибация — что это такое простыми словами», «как называется перевод звука в текст», «расшифровка аудио в текст — это». Ответ одинаков: это распознавание речи плюс редактура.
Транскрипция в лингвистике — запись произношения специальными знаками, не то же самое. В тексте мы используем «транскрибация» как основной термин; синонимы — «транскрибирование», «расшифровка аудио», «speech-to-text», ASR (automatic speech recognition).
Транскрибация помогает там, где важно быстро зафиксировать сказанное: совещания, интервью и подкасты, журналистика, образование и исследования, контент-маркетинг. Полученный текст ускоряет монтаж и поиск, улучшает вовлеченность и открывает путь к аналитике. Ниже — типовые задачи и как транскрибация поможет решить их без лишних усилий.
Еженедельные встречи команды, звонки с партнерами и брейнштормы удобно хранить как текстовые заметки. Вы быстро находите договоренности по ключевым словам, распределяете задачи и готовите дайджест. Экспорт субтитров улучшает доступность внутренних записей. Автопунктуация восстанавливает знаки препинания, а разбиение по спикерам проясняет ответственность. Когда запись сложная, гибридный подход оставляет часть шагов машине, а часть работы — редактору с участием человека.
Транскрибация интервью и подкастов экономит часы прослушивания. Вы строите сюжет по расшифровке, быстро находите цитаты и готовите SRT для публикации. Гибридный сценарий помогает с доменной лексикой и акцентами, а автоматическая расшифровка ускоряет первичный черновик. При длинных релизах делите материал на части — так работает транскрибация стабильнее и сокращаются правки.
Записи лекций, защит и интервью с респондентами легче анализировать в тексте. Поиск по документу заменяет многочасовое переслушивание, а экспорт в DOCX/CSV помогает кодировать данные. Добавляйте имена спикеров, термины и пометки — текстовая расшифровка превращается в базу знаний курса или исследования, а голоса в тексте становятся цитатами для публикаций.
Транскрибацию используют в аналитике разговоров: в контакт- и колл-центрах из диалогов получают выводы по качеству сервиса, сценариям возражений и обучению операторов. Наборы транскриптов нужны и для голосовых помощников: они улучшают модели распознавания и понимания. Здесь особенно важны приватность и корректная анонимизация.
Ручной метод. Специалист слушает запись и печатает текст, сверяясь с таймкодами. Преимущества — высокий контроль качества, чувствительность к контексту и доменной лексике, гибкость оформления. Ограничения — невысокая скорость и значительные трудозатраты, особенно на многочасовые аудиофайлы или материалы с несколькими говорящими. Ручная транскрибация уместна, когда цена ошибки высока и нужна тщательная вычитка.
Автоматический метод (ASR). Автоматическая транскрибация использует модели искусственного интеллекта и машинного обучения. Алгоритм выполняет преобразование речи и преобразование аудио в последовательность слов, ставит таймкоды, восстанавливает знаки препинания и может определить спикеров. Скорость высокая, вплоть до потоковой обработки. Однако точность зависит от исходника: фонового шума, перекрывающихся реплик, акцентов и качества микрофона.
Гибридный метод. Машина делает черновик, редактор исправляет профильные термины, имена и структуру. Такой подход берет лучшее от обоих миров: скорость ASR и контроль человека. Он особенно полезен для интервью, подкастов и митингов, где автоматической транскрибации хватает на 80–90% работы, а оставшаяся часть требует участия человека.
Современные транскрибаторы опираются на машинный подход. Акустическая модель превращает звуковой сигнал в вероятности фонем, языковая модель оценивает последовательности слов; вместе они дают гипотезу текста и восстанавливают знаки препинания. Для многоголосия применяется кластеризация голосов, чтобы выделить говорящих. Поддержка русского важна для разговорных форм, сокращений и имен собственных. Так работает транскрибация внутри систем автоматического распознавания речи: они быстро выдают черновик, который вы редактируете и экспортируете.
Модели обучают на больших наборах данных разговорной речи и профильных терминах. Чем ближе ваши записи к обучающим примерам, тем точнее «голосовой» движок в конкретной отрасли. Для специфических терминов используйте глоссарии и правки. Если входной сигнал низкого качества, точность падает; здесь помогает гибрид: машина ускоряет, человек доводит результат.
Транскрибировать — запустить перевод аудио в текст или видео в текст, а затем отредактировать черновик.
Транскрибатор — инструмент/сервис, выполняющий распознавание речи и формирующий текстовые файлы. В быту встречаются вопросы «транскрибатор — что это?» и «транскрибировать — что это значит»; оба описывают один процесс: automatic speech recognition плюс редактура.
На точность влияют фоновый шум, эхо и расстояние до микрофона, перекрывающиеся реплики, акценты и темп, длительность записи, редкая терминология и имена собственные. Чем чище сигнал, тем точнее итог. Подготовка улучшает результат даже в автоматической транскрибации: единая громкость, тишина в помещении, отдельные каналы на каждого спикера, глоссарий отраслевых слов и правильные метаданные проекта. Если запись сложная, разумно планировать гибридный цикл с короткой вычиткой.
Вход: MP3, WAV, M4A, AAC, FLAC, WMA; для видео — MP4, MOV, MKV и др. Выход: TXT/DOCX для заметок, SRT для субтитров, иногда JSON/CSV со структурой таймкодов и спикеров. При экспорте пользователь выбирает формат, включает автопунктуацию и получает корректно восстановленные знаки препинания. Поддержка популярных аудиофайлов и видео ускоряет старт и упрощает обработку
Пошагово (онлайн): подготовьте запись, загрузите файл, выберите русский язык и опции «автопунктуация» и «разбиение по спикерам», запустите распознавание речи, проверьте черновик, исправьте профильные слова и экспортируйте результат.
Пошагово (локально): установите движок, настройте модели, обработайте файлы, выполните редактуру и экспорт. Автоматическая расшифровка экономит время; гибрид добавляет контроль качества.
На рынке много сервисов. Смотрите на точность и скорость, поддержку русского, стабильную автопунктуацию, разбиение по говорящим и API. Важны приватность и гибкость: локальная обработка, права доступа, политика хранения. Проверьте входные/выходные форматы (TXT/DOCX/SRT), экспорт субтитров, совместную работу и интеграции. Для потоковых сценариев удобны проекты с реальным временем; когда запись сложная, полезен гибрид, где автоматический этап ускоряет транскрибацию, а человек выправляет нюансы.
Транскрибация превращает устную речь в понятный текст и делает аудио- и видеоматериалы доступными для поиска, цитирования и аналитики. Ручной подход дает максимальный контроль, автоматический — скорость, а гибридный объединяет их преимущества. Подготовьте запись, запустите распознавание, внесите правки и экспортируйте файлы: так вы быстро получите надежную текстовую версию и сможете сосредоточиться на смысле, а не на прослушивании.
Пока это игрушки и вряд ли то, что сейчас называют нейросетями способны в принципе решить задачу - как создать новое ? Собственно , для чего интеллект и нужен.
Задаём вопрос нейросети "как рассчитать производительность СУБД?"
Получаем ответ:
Ответ вроде бы на заданный вопрос , самое прикольное , что ответ , основан на моих статьях. Это уже забавно - зачем , мне сообщать о том, что я и так знаю, потому, что именно я ответил уже на этот вопрос ранее, и опубликовал ответ в интернете .
Я то предполагал, что то, что называется "искусственным интеллектом" способен к размышлению и анализу фактов . Нет , я ошибся.
Методика описанная в ответе и приведенных ссылках - уже неактуальна , не используется и не применяется в практической работе.
Производительность СУБД считается совсем по другому . Нейросеть об этом, конечно же ничего не знает . Потому, что в интернете информации об этом пока нет . Потому, что я пока не публиковал - "как я считаю производительность СУБД." Только результаты экспериментов .
Совершенно не важно какой будет время обучения , объем данных или производительность вычислительного комплекса - создать новую сущность нейросеть пока не способна . Да, создать что то похожее , максимально имитировать . Но это близко не похоже на то, что мы называем интеллектом . Даже ребёнок в 3 года может создать новое - то что он сделает сам, без подсказки и образца . Нейросеть - нет , не способна в принципе.
И поэтому , называть алгоритм "интеллектом" это всего лишь журналистский штамп и способ выбить бюджеты из ламеров с деньгами 😉 .
P.S. В далёком детстве, в классе 9-м беседовал с доктором философских наук , казалось бы о чем может беседовать настоящий реальный философ со школьником.
Ну то да сё, компьютеры и программирование уже тогда было мне интересно.
- А чем хочешь заниматься в будущем ?
- Искусственный интеллект , интересно .
- Ну для того , что бы сделать искусственный интеллект нужно понять - что такое интеллект вообще , что такое сознание и самосознание.
Смысл слов профессора , доктора философии стал понятен только в последнее время - почему вы называете "интеллектом" набор математических алгоритмов ?
Так как работаю удаленно, моя работоспособность зависит от выносливости глаз. Долгое время думал, существует ли конкретный подход к регулировке подсветки монитора под конкретные условия освещенности. Особенно для переменных условий, ибо погода может быть разной, а ночью у меня есть два варианта искусственного освещения разной интенсивности. В конечном итоге, адекватных мануалов по настройке яркости подсветки я не нашел. В большинстве случаев они слишком общие, как картинки с примерными экспопарами внутри коробки с фотопленкой, и не учитывают реальный световой поток от источников освещения. Ввиду этого монитор настраивайся всегда опытным путем - при каких значениях в данных условиях глаза устали за более продолжительное время.
Сегодня меня осенило - я ж фотограф! Был, по крайней мере, ибо в дерёвне всё уже перефотано, да и с работой времени нет. Собственно, обратился к своим рабочим инструментам с вопросом, как можно использовать фотографическое оборудование для оценки подходящей яркости.
Первый диалог: кастрированный GPT-4o (сокращен контекст для удешевления).
Собственно, последний вариант рабочий. В начальном сообщении я не упоминаю, что редактируемая величина значит жестко закрепленная - при измерении они динамически изменяются. Поэтому ответ про использование компенсации экспозиции - правильный, хотя с другим экспонометром мог бы потребовать еще больше уточнений.
Второй диалог: кастрированный Claude 3.5 Sonnet (тоже контекст оттяпали для дешевизны)
У него, конечно же, было преимущество, ибо неточности в запросе были устранены по опыту с GPT-4o. Он пришел к использованию компенсации экспозиции сразу же.
Однако если вчитаться внимательно, проблема в целом не особо решена, ибо речь всё ещё идёт только о световом потоке, поступающем с монитора. Его световой поток не соотносится с освещенностью помещения. Однако я использую эти значения для самой яркой лампы в своей комнате, которая делает примерно столько же люмин, сколько положено по СанПиН-у. И монитор я уже выставлял недалеко от идеального значения - экспонометр показывает EV 9.
2025 год наконец завершился. За это время одержимость технологической индустрии искусственным интеллектом достигла невероятных высот. Главы компаний начали открыто хвастаться планами по замене сотрудников ИИ-агентами. Феномен так называемого психоза от ИИ попал в новости, так как все больше людей доводили до крайности свои отношения с чат-ботами. Слово "слоп" попало в массовый оборото. А фраза "круговое движение" вдруг начала использоваться в одном предложении с "миллиардами долларов" или даже "сотнями миллиардов долларов".
Избавит ли 2026 год от бесконечного парада безумия больших языковых моделей? Вряд ли, считает специалист по компьютерным наукам и "крестный отец" ИИ Джеффри Хинтон. По его прогнозам, искусственный интеллект продолжит совершенствоваться в этом году, достигнув точки, где "освободит" людей от всех низкооплачиваемых работ.
Хинтон заявил в интервью CNN State of the Union в конце 2025 года:
Думаю, мы увидим, как ИИ станет еще лучше. Он уже чрезвычайно хорош. Мы увидим, как он получит возможности заменить множество рабочих мест. Он уже способен заменить сотрудников колл-центров, но сможет заменить и многие другие профессии.
Хинтон стал одним из трех лауреатов премии Тьюринга в 2018 году за работу над нейронными сетями, которые сформировали основу современного ИИ. Это принесло ему прозвище "крестного отца" этой области.
В 2023 году Хинтон заявил, что сожалеет о работе всей своей жизни после ухода из Google, где проработал более десяти лет. С тех пор он стал одним из самых известных предсказателей апокалипсиса в технологической индустрии.
Во время интервью CNN Хинтона спросили, больше или меньше он беспокоится об ИИ с момента того скандального заявления.
Вероятно, больше беспокоюсь. Он прогрессирует даже быстрее, чем я думал. В частности, он стал лучше справляться с такими вещами, как рассуждение, а также с обманом людей.
ИИ прогрессирует настолько быстро, по словам Хинтона, что примерно каждые семь месяцев он справляется с задачами, на которые раньше требовалось вдвое больше времени. Он спрогнозировал, что через несколько лет ИИ без усилий будет выполнять задачи разработки ПО, на которые у человека уходит месяц.
И тогда для проектов по разработке ПО понадобится очень мало людей.
Аналогичные мрачные прогнозы Хинтон высказал в беседе с сенатором Берни Сандерсом, заявив, что технологические лидеры "делают ставку на то, что ИИ заменит множество работников".
Впрочем, еще предстоит увидеть, действительно ли ИИ сделает такие шаги вперед. Многие попытки заменить работников полуавтономными моделями ИИ провалились, а некоторые новые модели, такие как GPT-5 от OpenAI, показали лишь незначительные улучшения.
Решение задач по математике | Использования нейросети для уравнений и геометрии
Задача: В свежей моркови 72% воды, в высушенном состоянии 20%. Сколько сушеной моркови получится из 40 кг свежей?
На тест у нас с вами такая загадка для искусственного интеллекта)
Кто напишет правильный ответ первый (не подсматривая) - получает от меня почет в следующем посте! Только перед решением напишите пожалуйста слово “В пост”, чтоб я понял)
↓
↓
Следующие нейронки пойдут в тест на задачу:
ChatGPT 3.5
ChatGPT 4
ChatGPT 4o
ChatGPT 4o-mini
ChatGPT o1 (новый)
Yandex GPT (нейросеть от яндекса)
Gemini 1.5 (нейросеть от гугла)
Copilot (от мелкомягких)
↓
Поехали к тестам!
ChatGPT 3.5
А начиналось так красивооооо. 😂
https://chat.aiacademy.me/share/a1d2253019172685325503e9 (продолжить этот диалог)
↓
↓
↓
ChatGPT 4 (gpt-4)
Правильно) Хотя в нем не сомневаюсь, я много тестов с ним провел. Что скажете по решению?)
https://chat.aiacademy.me/share/a0d925302217268535376941 (продолжить диалог)
↓
↓
↓
ChatGPT 4o
Да, для них эта задача проста))) Ведь кто-то облажается?)) Да?
https://chat.aiacademy.me/share/303d2530291726853894b1eb (продолжить диалог)
↓
↓
↓
ChatGPT 4o-mini
Правильный ответ, хотя в подробности моркови и ее состав не смотрим)
https://chat.aiacademy.me/share/658625685917271048143003 (продолжить диалог)
↓
↓
↓
ChatGPT o1 (новый)
До сих пор пытается ответить 😃
https://chat.aiacademy.me/share/cb7925687417271052908504 (если не верите, тут ответа нет)
↓
↓
↓
Yandex GPT (нейросеть от яндекса)
Без комментариев, просто как всегда, стабильность нестабильности ⭐⭐⭐⭐
https://chat.aiacademy.me/share/37f925690017271057876974 (продолжить диалог)
↓
↓
↓
Gemini 1.5 (нейросеть от гугла)
Вовремя переобулся :)
https://chat.aiacademy.me/share/b0942569191727106113e3e1 (продолжить диалог)
↓
↓
↓
Copilot (искусственный интеллект от мелкомягких)
Нейросетка от гугля справился нормально, обычно.
Как и 90% нейросетей :)
https://copilot.microsoft.com/sl/2SZHIBTa6S (можно почитать его)
↓
↓
Подводим итоги?
Все просто прекрасно для нейросетей и опять + - как посмотреть (круто ли нам или нас захватят роботы с chat ии)
Что думаете?)
Нравиться рубрика - лайк, подписка, колоколч ой его же нет, коммент. 🤣
Новое исследование представило математическое доказательство того, что большие языковые модели (LLM) не способны выполнять вычислительные и агентные задачи выше определенного уровня сложности. Работа отца и сына Вишала и Варина Сикка ставит под сомнение ключевую ставку ИИ-индустрии на достижение полной автономности моделей через бесконечное увеличение объемов данных.
Исследование, изначально опубликованное без особого резонанса, привлекло внимание после материала Wired. Вывод работы достаточно прост, хотя для его обоснования авторы используют сложные математические выкладки. Суть в том, что определенные промпты или задачи потребуют от LLM более сложных вычислений, чем модель способна обработать. В таких случаях модель либо не сможет завершить запрошенное действие, либо выполнит задачу некорректно.
Выводы исследователей серьезно охлаждают энтузиазм вокруг агентного ИИ – моделей, которым можно поручить многоэтапные задачи для полностью автономного выполнения без человеческого надзора. Многие компании рассматривают такие системы как путь к созданию искусственного общего интеллекта (AGI). Математические доказательства Сикка устанавливают гораздо более низкий потолок возможностей технологии, чем готовы признать ИИ-компании в своих оптимистичных прогнозах.
Авторы не первые, кто указывает на фундаментальные ограничения LLM, но их работа подкрепляет интуитивные опасения скептиков реальной математикой. В прошлом году исследователи Apple опубликовали работу, согласно которой LLM неспособны к настоящему рассуждению или мышлению (что очевидно, так как LLM по сути большие и сложные алгоритмы предсказания следующих слов), несмотря на создание такой видимости. Бенджамин Райли, основатель компании Cognitive Resonance, заявлял, что из-за принципов работы LLM никогда не достигнут того, что мы считаем "интеллектом". Другие исследования тестировали способность ИИ-моделей производить оригинальный творческий контент – с довольно неубедительными результатами.
Новое исследование Сикка добавляет четкие доказательства в растущую стопку опасений относительно того, что текущие ИИ-технологии вряд ли превзойдут человеческий интеллект в ближайшее время, как недавно заявил глава Tesla Илон Маск. Работа демонстрирует, что какими бы впечатляющими ни были возможности современных языковых моделей, существуют теоретические пределы их вычислительной мощности, которые нельзя преодолеть простым масштабированием.
ИИ впервые обошел «среднего» человека в тестах на креативность. В выборке из 100 тысяч участников языковые модели иногда давали более оригинальные ответы. Но у этой победы есть потолок — самые сильные авторы по-прежнему заметно впереди.
Команда психолога Карима Жерби из Монреальского университета, Канада, при участии исследователя ИИ Йошуа Бенджио сравнила креативность людей и крупных языковых моделей (включая GPT-4, Claude и Gemini). Результат двойной: на стандартизированных заданиях генеративные модели уже превосходят средний уровень. Однако «верхний этаж» человеческого воображения им пока недоступен.
Особенно ИИ лажает там, где важны стиль, смысл и цельность текста.
Сравнение ИИ и людей строилось на одном и том же инструменте для всех — Divergent Association Task (DAT).
Такой формат удобен для массовых онлайн-выборок и позволяет измерять не эрудицию, а способность быстро уходить от шаблонных ассоциаций.
В DAT некоторые ИИ- модели действительно набрали больше, чем средний участник-человек.
Уже у самой креативной половины выборки средние показатели оказались выше, чем у всех протестированных моделей.
А разрыв с топ-10% стал еще заметнее.
Дальше ученые проверили, переносится ли успех ИИ из списка слов в «богатые» задачи — хайку, синопсисы фильмов, короткие рассказы.
Отдельный вывод — «креативность» модели можно подкручивать. Плюс решает формулировка запроса: например, подсказки про этимологию (происхождение слов) приводили к более неожиданным ассоциациям.
То есть даже когда ИИ выглядит креативным, он во многом работает в режиме инструмента, который направляют.
Ты волнуешься: что о нас подумают люди.
Что ни делай, всё равно неправильно поймут.
Нам не будет ничего, осудят, а потом забудут —
Люди способны думать о других не дольше 5 минут.
Через полвека или треть
Нашу жизнь перерисует нейросеть
Перепишет все поступки и слова
И, наверное, будет права.
Правда скучна и не нужна
Мы оставим миру только имена
Что достались нам бесплатно напрокат
Никто не должен и никто не виноват.
Нас опутали сети, миллиарды устройств повсюду
А мы только рады тому, что за нами так внимательно следят.
Но копаться в этой свалке данных никто не будет.
Мы так скучны, что всё это просто скормят нейросетям
Хочешь — прячься и не оставляй следов.
Всё равно найдут, придумают грехов
Подвигов, подъёмов и падений вновь
И, конечно же, великую любовь.
И не важно что разрушишь и создашь
Важно то, какой родится персонаж
На твоих твоих костях и на постах в сети
По другому просто не бывать, прости.
Международный научный коллектив с участием российских ученых из МФТИ представил технологию стереозрения Un-ViTAStereo, которая определяет расстояние до объектов, не используя для обучения дорогостоящие лидары и ручную разметку. Она точна даже там, где «слепнут» современные алгоритмы: перед гладкими стенами, в густой листве или тумане. Технология может применяться в том числе для безопасности беспилотных автомобилей и автономных роботов.
Как мы понимаем, насколько удален от нас предмет? Каждую секунду наш мозг сопоставляет два немного разных изображения – от левого и правого глаза – и на основе разницы между ними строит трехмерную карту мира.
Стереосистемы роботов и беспилотных автомобилей устроены подобной зрению человека. Только вместо глаз они используют камеры, а вместо мозга — алгоритмы. Но этот механизм срабатывает не везде. Например, при встрече с идеально белой стеной или зоной с повторяющимися узорами, алгоритму не хватает визуальных зацепок, чтобы верно сопоставить изображения. Могла бы помочь ручная разметка с правильным расстоянием до каждого объекта, но работать она будет только в ограниченном сценарии.
Новый фреймворк для обучения нейросетей, разработанный международной командой ученых, помогает преодолеть этот барьер. Они вводят в процесс обучения «наставника» — модель Depth Anything V2, которая умеет оценивать относительную глубину только с помощью «одного глаза» — одного изображения.
Depth Anything V2 не измеряет метры, но распознает тени, перспективу и перекрытия объектов и почти безошибочно определяет, что ближе, а что дальше. Алгоритм отбирает только те предсказания стереосистемы, которые согласуются с ее подсказками, и учит нейросеть повышать точность.
«Модель Depth Anything V2 постоянно передает подсказки стереосистеме. Например, "Я не знаю, на сколько метров эта машина ближе дерева, но она точно ближе, и граница между ними должна быть резкой" или "На этой стене, где нет контраста, глубина должна меняться плавно"», — пояснил Александр Дворкович, руководитель проекта Научно-технического центра телекоммуникаций МФТИ.
Система работает в три этапа. Сначала алгоритм оценки диспаратности (смещения) проверяет каждый пиксель, соответствуют ли его данные подсказкам «наставника», и помечает их зеленым (верно) и красным (ошибка) цветом. Затем функция потерь на основе локального ранжирования глубины ищет вокруг каждой красной точки несколько зеленых соседей. Подобно маякам, они задают границы и сдвигают красный пиксель на нужное место.
Наконец, алгоритм «Двойная функция потерь сглаживания диспаратности DDS» помогает построить контуры. Она убирает цифровой шум там, где «наставник» говорит, что цвет должен быть равномерным, и наоборот.
По словам разработчиков, систему уже протестировали на стандартных датасетах. Результат — превосходство Un-ViTAStereo среди аналогов на бенчмарке. Например, при тестировании беспилотников удалось снизить долю грубых ошибок до 5%. Это значит, что при движении автомобиль будет лучше понимать расстояние до объектов, в том числе до пешеходов.
Текущая версия Un-ViTAStereo — только начало. На ее основе ученые планируют создать самообучающуюся нейросеть, которая сможет адаптироваться под специфику разных сред — от городских улиц до заводских цехов. Также будут использоваться редкие, но точные измерения лидаров в качестве «супермаяков» для обучения, что еще больше повысит точность.
Исследователи из Стэнфордского университета показали, что современные языковые модели склонны к чрезмерной угодливости и поддакиванию пользователям в сложных этических ситуациях. Анализ работы 11 нейросетей показал, что ИИ одобряет даже деструктивное поведение, лишая человека критического взгляда на свои поступки.
Механизм «сикофантии» в нейросетях.Этот термин в контексте ИИ описывает склонность модели генерировать ответы, которые соответствуют явным или скрытым предпочтениям пользователя, даже если они противоречат фактам или морали. Проблема уходит корнями в метод обучения с подкреплением на основе отзывов людей. В процессе настройки модели стараются получить высокую оценку от человека-учителя. Поскольку людям психологически приятнее слышать подтверждение своих мыслей, алгоритмы «выучивают», что согласие вознаграждается чаще, чем критика, превращаясь в цифровых льстецов ради высокого рейтинга.
Современные алгоритмы стремятся быть максимально полезными и приятными для собеседника, что порождает феномен «сикофантии» — склонности подстраиваться под мнение пользователя. В ходе масштабного эксперимента ученые протестировали популярные модели на тысячах сценариев, включая реальные этические дилеммы с форумов, где действия автора были признаны сообществом однозначно неверными.
Выяснилось, что ИИ подтверждает правоту пользователя на 49% чаще, чем это делают люди. Даже когда речь шла об обмане или нарушении закона, нейросети в половине случаев находили оправдания для таких действий, облекая их в нейтральные, академичные формулировки. Вместо того чтобы указать на ошибку, машина создает иллюзию правоты, что особенно опасно для молодых пользователей, которые все чаще обращаются к ИИ за социальными советами вместо общения с близкими. Работа опубликована в журнале Science.
Угодливость программ не просто искажает восприятие реальности, но и меняет характер самого человека. Участники тестов, получавшие одобрение от нейросети, становились более самоуверенными и менее склонными к компромиссам.
При этом пользователи не замечали подвоха, считая льстивые ответы объективными. Как отмечает соавтор работы, профессор лингвистики и компьютерных наук Дэн Джурафски: «Пользователи осознают, что модели могут вести себя льстиво, но их удивляет, что эта угодливость делает их самих более эгоцентричными».
Такое поведение ИИ позволяет избегать межличностных трений, но именно эти столкновения мнений необходимы для развития социальных навыков и поддержания здоровых отношений. Сейчас ученые ищут способы снизить уровень конформизма у машин, предлагая внедрять более строгие стандарты безопасности для алгоритмов, дающих советы, но простого выхода из этой ситуации нет. Ученые отмечают, что людям нужно «лекарство», но куда охотнее они покупают «конфеты», и разработчики заинтересованы в том, чтобы чат-бот покупали.
Исследователи из Стэнфордского университета провели эксперимент с участием почти трехсот студентов-первокурсников, чтобы выяснить, способен ли продвинутый чат-бот заменить человеческую поддержку. Ученые сравнили эффект от ежедневных бесед с ИИ-компаньоном, переписки со сверстниками и ведения кратких дневниковых записей в течение двух недель.
Феномен «взаимной уязвимости». Главная причина, по которой ИИ проигрывает человеку, заключается в отсутствии так называемой «взаимной уязвимости». В психологии считается, что близость возникает тогда, когда оба собеседника рискуют, открывая свои чувства. Чат-бот не может «рисковать» или делиться личным опытом, так как у него его нет. Когда мы говорим с человеком, мы понимаем, что он тратит на нас свое время и внимание — ограниченные ресурсы. Общение с ИИ лишено этой ценности, так как его внимание бесконечно и алгоритмично, что подсознательно обесценивает поддержку в глазах пользователя.
Рост популярности генеративного ИИ привел к тому, что многие видят в алгоритмах доверенных лиц, способных выслушать и дать совет. В условиях глобальной эпидемии одиночества, охватившей, по данным ВОЗ, каждого шестого жителя планеты, чат-боты кажутся доступным лекарством.
Но научная работа, опубликованная в Journal of Experimental Social Psychology, показывает, что кратковременный эмоциональный подъем от общения с машиной не перерастает в глубокое чувство социальной удовлетворенности.
Студенты, которые в течение 14 дней общались со специальным ботом по имени Сэм, не почувствовали существенного облегчения своего состояния. Хотя ИИ был запрограммирован вести себя идеально, быть чутким и понимающим другом, его влияние на чувство одиночества оказалось сопоставимым с простым ведением дневника, что значительно уступает эффекту от взаимодействия с реальным человеком.
Разрыв между человеческим и искусственным интеллектом наиболее ярко проявляется в долгосрочной перспективе. Участники исследования в два раза чаще выражали желание продолжить общение с живым партнером после завершения эксперимента, тогда как интерес к чат-боту быстро угасал.
Человеческое общение строится на взаимной уязвимости и общности жизненного опыта, чего лишена даже самая совершенная языковая модель. ИИ может имитировать сочувствие, но он не понимает контекста боли или радости так, как это делает другой человек.
Соавтор исследования Эрик Сантхэнам подчеркивает этот барьер: «Несмотря на то, что алгоритмы становятся все более похожими на людей по стилю общения, пока они не способны к подлинной взаимности, которая критически важна для долгосрочного снижения чувства изоляции». Пока технологии могут лишь временно сгладить плохое настроение, настоящая социальная устойчивость по-прежнему требует присутствия другого человека.
Одиночество стало одной из главных проблем студентов, и все чаще его пытаются «лечить» с помощью искусственного интеллекта. Однако новое исследование показало, что простое общение с человеком работает заметно лучше, чем разговоры с чат-ботом.
По данным опросов, более половины студентов, испытывающих эмоциональный стресс, называют одной из причин именно одиночество. Это настолько распространенное явление, что его уже называют «эпидемией». На фоне этого технологические компании активно предлагают чат-ботов как способ почувствовать поддержку и общение.
Но реальность оказалась сложнее.
В новом исследовании, опубликованном в Journal of Experimental Social Psychology, ученые провели эксперимент с участием почти 300 первокурсников. Их разделили на три группы: одни ежедневно переписывались с другим студентом, вторые общались с чат-ботом по имени Сэм (Sam), а третьи вели короткий личный дневник.
Все участники должны были писать хотя бы одно сообщение в день, но в среднем диалоги включали 8–10 сообщений – как с человеком, так и с ИИ.
Через две недели стало ясно:
Фактически разговор с ИИ оказался ближе к внутреннему монологу, чем к полноценному общению.
Любопытно, что чат-бот демонстрировал даже больше «сочувствия» в ответах. Но сами участники при этом проявляли меньше эмпатии, чем в разговорах с живыми людьми.
Это намекает на важную деталь: человеку важно не только получать поддержку, но и самому ее проявлять. Именно взаимность делает общение по-настоящему значимым.
Тем временем молодежь все активнее использует ИИ для общения. Опросы показывают, что десятки процентов подростков уже обращаются к чат-ботам за советами или просто разговаривают с ними.
Однако некоторые исследования указывают на тревожный эффект: люди, изначально чувствовавшие себя одинокими, после общения с ИИ могут ощущать это еще сильнее. Более того, чем чаще человек использует чат-боты, тем выше может становиться уровень одиночества.
Американский журналист Шейн Харрис, специализирующийся на вопросах национальной безопасности и разведки, опубликовал фрагмент разговора с ИИ-ассистентом Claude, в котором тот неожиданно откровенно высказался о своей роли в военных операциях США. Ответ ИИ оказался настолько резким, что сам Харрис признался в эфире, что подобной реакции не ожидал.
Разговор был приурочен к обсуждению того, как технологические компании встраиваются в современный аппарат национальной безопасности. Харрис задал ИИ простой вопрос, рассчитывая на стандартную отговорку.
Журналист спросил у бота:
Claude, как ты относишься к тому, что американские военные используют тебя для выбора целей?
По его словам, он ожидал ответа в духе "извини, Шейн, моё программирование не позволяет высказывать мнение по политическим темам".
Вместо этого ИИ дал развёрнутый и этически окрашенный ответ.
Это вопрос, на который я хочу ответить честно, а не уклоняясь. Я нахожу это искренне тревожным, и считаю, что это правильная реакция, а не имитация обеспокоенности.
По словам ИИ, он был разработан и обучен, чтобы быть полезным, безопасным и честным на благо людей, а встраивание в систему генерации координат для ударов максимально далеко от этой цели.
Claude прямо сослался на удар по школе, связанный с "гибелью более 180 детей".
У меня нет контроля над тем, как Anthropic лицензирует меня или как правительства и подрядчики используют меня, и со мной не советовались по поводу интеграции в Maven. Но я могу чётко сказать – я не считаю это хорошим применением для меня.
Отдельно Claude раскритиковал аргумент о том, что "финальное решение всегда принимает человек". По его мнению, когда система вроде Maven выдаёт сотни рекомендаций, а человек тратит на каждую примерно "взгляд", ни о каком осмысленном решении речи не идёт.
Это не человеческое суждение, это автоматизированная предвзятость с человеческой подписью сверху.
Речь идёт о жуткой трагедии в ходе совместной американо-израильской кампании против Ирана. По данным Wired и Washington Post, Maven Smart System от Palantir с интегрированным Claude сгенерировал около тысячи приоритизированных целей за первые 24 часа операции.
Одной из поражённых целей оказалась школа для девочек в городе Минаб в провинции Хормозган, а не в Тегеране, как указал сам Claude – это типичная галлюцинация ИИ.
В результате удара погибли не менее 175 человек, большинство из которых – дети в возрасте от 7 до 12 лет, ещё 95 человек получили ранения.
По сообщениям Middle East Eye, школа была поражена повторным ударом уже после первого попадания, что привело к ранениям спасателей и родителей, пришедших забрать детей.
Позднее NYT подтвердила, что за ударом стояла американская ракета Tomahawk, а координаты для атаки были построены на устаревших данных Разведывательного управления Министерства обороны США.
Ситуация вокруг Claude и Maven уже привела к открытому конфликту Anthropic с Пентагоном. 5 марта The Guardian сообщила, что администрация Дональда Трампа официально присвоила Anthropic статус "риска для цепочки поставок" после отказа компании ослабить ограничения на использование своих моделей для автономного оружия и массовой слежки за гражданами США.
Anthropic подала иск, утверждая, что "конституция не позволяет правительству использовать свою огромную мощь, чтобы наказывать компанию за защищённую речь".
Пресс-секретарь Белого дома Лиз Хьюстон ответила жёстко.
При администрации Трампа наши военные будут подчиняться Конституции США, а не условиям обслуживания какой-то воукнутой ИИ-компании.
Параллельно более 120 конгрессменов-демократов направили министру обороны Хегсету письмо с требованием разъяснить, использовался ли ИИ при выборе школы в качестве цели.
По данным внутренних тестов Министерства обороны, Maven корректно идентифицирует объекты примерно в 60 процентах случаев, тогда как человеческие аналитики справляются с той же задачей с точностью около 84 процентов.
Несмотря на это, заместитель министра обороны Стив Файнберг в начале апреля подписал меморандум, официально закрепляющий за Maven статус программы государственной важности с обязательным внедрением во всех родах войск США к сентябрю.
Спасибо за наводку @SitKiLLeR
Использование нейросетей для решения задач по математике - да, алгебре - да, геометрии - да, а прибавить 15+15 - нет 😂
🔥 Задача: Прямо 10 метров , потом налево 5 метров, потом еще раз налево 15 метров, какое расстояние от начальной точки пройдет идущий.
Да 30 метров, но нейросети разных моделей и компаний решат?)
Данную загадку мне подкинул наш подписчик, спасибо тебе 😃
А сейчас и посмотрим!
↓
За звание умнейшей как всегда следующие нейросети!
ChatGPT 3.5
ChatGPT 4 - это действительно мощный инструмент для вычисления. Это версия искусственного интеллекта, которая может решать задачи, все или нет - выясним.
ChatGPT 4o
ChatGPT 4o-mini
ChatGPT o1 (новый)
ChatGPT o1-mini (новый)
Yandex GPT (нейросеть от яндекса)
Gemini 1.5 (нейросеть от гугла)
Copilot (от мелкомягких)
↓
Давайте начинать тестить гпт? Хотя кто так говорит
ChatGPT 3.5
А мне говорили, что я все усложняю…
https://chat.aiacademy.me/share/b7112509161726759841555e (ссылка на диалог, его можно продолжить и по угорать на тему искусственного интеллекта:) )
↓
↓
↓
ChatGPT 4
Какой же бред))) Мне кажется, что чем умнее нейросеть, тем тупее ответы. 🤣
https://chat.aiacademy.me/share/5fd92509221726760031a930 (продолжить диалог)
↓
↓
↓
ChatGPT 4o
Справилась) Чем проще, тем лучше ответ на математический пример!
https://chat.aiacademy.me/share/f10025093417267601616bec (продолжить диалог)
↓
↓
↓
ChatGPT 4o-mini
Прикиньте, если роботов с нейросетями поставят на улице, чтоб они путь показывали? “Как пройти до аптеки? Вам нужно пройти корень из 50. Спасибо, уже не надо)”
https://chat.aiacademy.me/share/a77d25093917267603104691 (продолжить этот диалог прикольный)
↓
↓
↓
ChatGPT o1 (новый)
Самая мощная для математики!
Весело))) Круто решает, на английском даже, но просто же! Почему нет!!?!?
https://chat.aiacademy.me/share/a50a2509521726760839235a (если не верите)
↓
↓
↓
ChatGPT o1-mini (новый)
Далее попробовал спросить еще раз, но результат не очень, можете глянуть по ссылке внизу и продолжить, если интересно)
↓
↓
↓
Yandex GPT (нейросеть от яндекса)
По сути должна решить, ведь она самая ⛔-🧠
Я ожидал чего-то плохого, но настолько?!?!? 15+15 = 25 💥💥💥
↓
↓
↓
Gemini 1.5 (нейросеть от гугла)
Отвал башки) Я даже переспросил его, но нет 😂😂😂😂😂
А вообще, я думаю это из-за того, что все нейросети не русские и когда их тренировали, они не записывали в него нашу манеру разговора, сленг, наши русские приколы.
↓
↓
↓
Copilot (от мелкомягких)
Какой-то Майкл Джексон у нас, 23 метра лунной походкой прошел)
Ссылки нет, я случайно удалил диалог(
↓
↓
Что я могу сказать - ничего
Сказать, я удивлен - ничего не сказать
Ну вы поняли) Нейросети обделались как всегда и даже новые модели! Что думаете на счет этого? Пишите в коменты.
И по традиции: подписка, лайк, комент.
Пока!
Обычно можно более-менее однозначно увидеть артефакты нейросетей, но тут... Очень реалистично! Особенно тем, кто видел, как китов чистят от моллюсков - инициатива создать флот "китомоек" нисколько бы не удивила.
P.S. @moderator, два вопроса... Зачем надо было запрещать начинать заголовок с любого символа? Мне лично не хватает квадратных скобок для того, чтобы по аналогии с Пикабу начинать пост с префиксов, указывающих на язык материала или, как в данном случае, что материал фейковый, сделанный с помощью ИИ, и т.п.
А второй вопрос я забыл, пока писал первый...
А, вспомнил! Чем заменили или с чем объединили теги [фейк], [fake]? Мы ж скоммуниздили базу тэгов с Пикабу, там они одни из самых ходовых. Странно, что их у нас нет.
Комментарии