Крупнейшая афера тысячелетия?
Цена вопроса 35 трлн, именно настолько «надрочена» избыточная капитализация американского рынка от ожиданий первичных, вторичных и третичных эффектов от потенциального применения ИИ, причем никто вообще не понимает и самое печальное, что даже понять не пытается, что вообще происходит.
Да, LLMs – это удивительное изобретение, которое позволяет «оживлять» мертвецов (с очень правдоподобной симуляцией голоса, анимацией лица и движений), создавать удивительные дипфейки, что открывает фантастические возможности в мошенничестве, генерировать бесконечные потоки мемасиков и контента, не отличимого от человеческого бреда в социальных сетях, писать душещипательные поздравительные открытки для друзей, с которыми не хочется разговаривать, и, конечно же, помогать школьникам и студентам списывать домашние задания на качественно новом, доселе невиданном технологическом уровне.
LLMs способны создавать миллионы рецептов несъедобных блюд, сочинять бездарные стихи в промышленных масштабах и убедительно доказывать в интернете, что земля плоская, используя для этого тысячи безупречно сгенерированных псевдонаучных статей.
По всей видимости, в этой новой идиотической нормальности возможность сгенерировать дипфейк Элвиса, поющего о преимуществах нового пылесоса, и является тем самым драйвером производительности, который оправдывает оценку, превышающую ВВП нескольких континентов. Логика покинула чат, оставив вместо себя нейросеть.
Вся эта конструкция держится на фундаментальном принципе современной финансовой алхимии: ценность актива определяется не его реальной полезностью или способностью генерировать денежный поток, а исключительно плотностью и агрессивностью информационного потока вокруг него.
Реальность отменили. Факты и фундаментальные показатели объявлены устаревшим, токсичным наследием прошлого.
Главным сырьем в этой новой экономике стала концентрированная, дистиллированная вера в чудо, помноженная на панический страх упустить возможность поучаствовать в коллективном безумии (FOMO).
Любой абсурд легитимизируется самим фактом своего существования: если рынок оценил компанию, сжигающую миллиарды на генерации картинок с котиками, в триллион долларов, значит, так тому и быть.
Это и есть та самая «новая постковидная нормальность цифровой ИИ эпохи», которую пытаются навязать сверху, – мир, где галлюцинации официально признаны более весомым активом, чем нечто, что отдаленно похоже на реальность.
Если рынок оценивал индустриальную революцию и фундаментальные прорывы в телекомах, интернете, компьютерах, мобильных устройствах, экосистеме мобильных приложений, в социальных сетях в 2 трлн 10 лет назад, то почему чатботы, которые не генерируют ничего, кроме убытков, должны оцениваться в 22 трлн? Совсем рехнулись?
Если серьезно, да LLMs очень полезны в написании кода, помощи в решении прикладных задач, помогают обобщать, систематизировать, сравнивать огромные массивы информации и агрегировать, классифицировать неструктурированные массивы данных, могут помочь в «мозговых штурмах», в разборе инструкций, законов, открывают некоторые возможности для исследований и в ответах на вопросы.
Вне всяких сомнений, LLMs – это величайшее изобретение человечества, способное принести пользу, автоматизируя рутинные задачи, открывая уникальные возможности (и даже совершать чудеса) при правильном использовании, но не тем заявленным эффектом в десятки триллионов, которые рынок уже по факту вшил в ожидания.
Вопрос не в пользе (не оспаривается), а в оценке экономического эффекта, который не так очевиден, как кажется, но об этом подробно в других материалах.
Здесь же закончу тем, что даже сами провайдеры ИИ не понимают, что происходит. Я перечитал все их публичных отчеты и интервью с 2023 года, но ни в одном не было ни одного намека на концепцию монетизации ИИ и прямой эффект для их бизнеса (не потому, что скрывают, а потому, что сами не знают). Действуют на ощупь, боясь упустить развитие технологии на начальном этапе. Верят, что это круто, не понимают, как будет работать и что даст в итоге.
Цена вопроса 35 трлн, именно настолько «надрочена» избыточная капитализация американского рынка от ожиданий первичных, вторичных и третичных эффектов от потенциального применения ИИ, причем никто вообще не понимает и самое печальное, что даже понять не пытается, что вообще происходит.
Да, LLMs – это удивительное изобретение, которое позволяет «оживлять» мертвецов (с очень правдоподобной симуляцией голоса, анимацией лица и движений), создавать удивительные дипфейки, что открывает фантастические возможности в мошенничестве, генерировать бесконечные потоки мемасиков и контента, не отличимого от человеческого бреда в социальных сетях, писать душещипательные поздравительные открытки для друзей, с которыми не хочется разговаривать, и, конечно же, помогать школьникам и студентам списывать домашние задания на качественно новом, доселе невиданном технологическом уровне.
LLMs способны создавать миллионы рецептов несъедобных блюд, сочинять бездарные стихи в промышленных масштабах и убедительно доказывать в интернете, что земля плоская, используя для этого тысячи безупречно сгенерированных псевдонаучных статей.
По всей видимости, в этой новой идиотической нормальности возможность сгенерировать дипфейк Элвиса, поющего о преимуществах нового пылесоса, и является тем самым драйвером производительности, который оправдывает оценку, превышающую ВВП нескольких континентов. Логика покинула чат, оставив вместо себя нейросеть.
Вся эта конструкция держится на фундаментальном принципе современной финансовой алхимии: ценность актива определяется не его реальной полезностью или способностью генерировать денежный поток, а исключительно плотностью и агрессивностью информационного потока вокруг него.
Реальность отменили. Факты и фундаментальные показатели объявлены устаревшим, токсичным наследием прошлого.
Главным сырьем в этой новой экономике стала концентрированная, дистиллированная вера в чудо, помноженная на панический страх упустить возможность поучаствовать в коллективном безумии (FOMO).
Любой абсурд легитимизируется самим фактом своего существования: если рынок оценил компанию, сжигающую миллиарды на генерации картинок с котиками, в триллион долларов, значит, так тому и быть.
Это и есть та самая «новая постковидная нормальность цифровой ИИ эпохи», которую пытаются навязать сверху, – мир, где галлюцинации официально признаны более весомым активом, чем нечто, что отдаленно похоже на реальность.
Если рынок оценивал индустриальную революцию и фундаментальные прорывы в телекомах, интернете, компьютерах, мобильных устройствах, экосистеме мобильных приложений, в социальных сетях в 2 трлн 10 лет назад, то почему чатботы, которые не генерируют ничего, кроме убытков, должны оцениваться в 22 трлн? Совсем рехнулись?
Если серьезно, да LLMs очень полезны в написании кода, помощи в решении прикладных задач, помогают обобщать, систематизировать, сравнивать огромные массивы информации и агрегировать, классифицировать неструктурированные массивы данных, могут помочь в «мозговых штурмах», в разборе инструкций, законов, открывают некоторые возможности для исследований и в ответах на вопросы.
Вне всяких сомнений, LLMs – это величайшее изобретение человечества, способное принести пользу, автоматизируя рутинные задачи, открывая уникальные возможности (и даже совершать чудеса) при правильном использовании, но не тем заявленным эффектом в десятки триллионов, которые рынок уже по факту вшил в ожидания.
Вопрос не в пользе (не оспаривается), а в оценке экономического эффекта, который не так очевиден, как кажется, но об этом подробно в других материалах.
Здесь же закончу тем, что даже сами провайдеры ИИ не понимают, что происходит. Я перечитал все их публичных отчеты и интервью с 2023 года, но ни в одном не было ни одного намека на концепцию монетизации ИИ и прямой эффект для их бизнеса (не потому, что скрывают, а потому, что сами не знают). Действуют на ощупь, боясь упустить развитие технологии на начальном этапе. Верят, что это круто, не понимают, как будет работать и что даст в итоге.
13💯468👍126❤107😁101🤔45🤡39🔥28🙏6😱5👌4❤🔥3
Мировые рынки в условиях ИИ пузыря
Справедливости ради, не только растет американский рынок, - все рынки развитых стран на исторических максимумах и вот, как это происходит:
• Совокупная капитализация всех публичных компаний на японском рынке: 7.31 трлн долл, далее все показатели в долларах по курсу на 6 октября 2025 по собственным расчетам на основе данных торгов.
• Объединенная Европа – 20.8 трлн, где Великобритания – 4.48 трлн, Франция – 3.32 трлн, Германия – 2.97 трлн, Швейцария – 2.75 трлн, Нидерланды – 1.67 трлн, Ирландия – 1.22 трлн, Швеция – 1.21 трлн, Италия – 1.2 трлн, Испания – 1.14 трлн, Дания – 0.67 трлн, Бельгия – 0.42 трлн, а далее мелочь.
• Канада – 3.75 трлн
• Тайвань – 3.09 трлн
• Южная Корея – 2.28 трлн
• Австралия – 1.99 трлн
• Сингапур – 0.83 трлн
• Израиль – 0.57 трлн.
Таким образом, совокупная капитализация выше представленных стран составляет 42.6 трлн и это исторический максимум.
Текущая капитализация ТОП-10 бигтехов США превышает совокупную капитализацию всех (!) публичных компаний Европы и вдвое (!) выше, чем суммарная капитализация Канады, Тайваня, Южной Кореи, Австралии, Сингапура и Израиля и втрое выше Японии, которая находится на историческом максимуме – вот насколько безумие зашло.
Насколько силен рост рынков? Сначала приведу в национальной валюте:
• Япония: +20.2% с начала 2025 года, +83.7% с конца декабря 2022 (момента релиза ChatGPT и формирование ИИ пузыря), +66.5% с конца декабря 2021 (момент пика монетарной и фискальной вакханалии 2020-2021), +102.7% к концу декабря 2019 (доковидная нормальность) и +13.5% к максимуму 2005-2024. Далее в указанной последовательности.
• Европа: +13%, +34.2%, +16.7%, + 37% и +8% соответственно.
• Канада: +24%, +57.5%, +43.4%, +78.6% и +18.8%
• Тайвань: +15.4%, +89.3%, +46.9%, +122% и +9.7%
• Южная Корея: +55.2%, +69.5%, +25.2%, +68% и +12%
• Австралия: +9.5%, +28.2%, +19.4%, +33.1% и +5.6%
• Сингапур: +16.5%, +36%, +41.4%, +37.2% и +14.1%
• Израиль: +36.5%, +80.3%, +59%, +103.7% и +34.4%.
Более справедливо сравнение в сопоставимой валюте (пусть будет в долларах, особенно на фоне рекордной девальвации бакса):
• Япония: +28.6%, +65.7%, +29.8%, +50.3% и +12.4% соответственно
• Европа: +27.3%, +47.8%, +20.8%, +44% и +13.4%
• Канада: +28.1%, +53%, +31.4%, +67.4% и +19.5%
• Тайвань: +24.3%, +90.3%, +33.3%, +119.4% и +17.4%
• Южная Корея: +62.8%, +53.9%, +5.6%, +38.8%, но минус 11.1%
• Австралия: +16.2%, +24.9%, +8.7%, +25.8% и минус 5.3%
• Сингапур: +22.8%, +41.7%, +48.3%, +44% и +20.6%
• Израиль: +51.8%, +92.7%, +50%, +112.5% и +42.7%.
Объединенный рынок развитых стран: +28.5% с начала года, +53% с конца декабря 2022, +23.1% с конца 2021 и +50% с конца 2019 и +16.7% с максимума 2005-2024.
Рынок США: +14.3%, +76.7%, +42.3%, +112.1% и +10.9%.
Производительность рынков развитых стран за исключением США вдвое выше с начала 2025, чем у США, что связано с накопленным отставанием за предыдущие годы, т.к. накопленный рост с дек.19 в США более, чем вдвое выше (112.1%), чем по рынкам развитых стран (+50%).
В 2П12 американский рынок к рынках развитых стран был всего 0.68, с середины 2016 до середины 2018 почти сравнялись (0.9-1), а с 2П18 американский рынок сильно пошел в отрыв, достигая разрыв в 1.9 раза в дек.24, а сейчас 1.64 раза – естественно за счет движений технологического сектора.
Совокупная капитализация США и развитых стран достигла рекордных 112.6 трлн, это плюс более 30 трлн с 7 апреля по закрытию дня и 32-33 трлн в моменте (сильнейший памп в истории торгов), с минимумов 2022 рост на 85% или 52 трлн, а за 6 лет почти удвоение (+55-56 трлн).
Избыточная капитализация на американском рынке – 35 трлн, избыточная капитализация на рынках развитых стран вне США – 14-15 трлн (пузырь намного скромнее), т.е. в совокупности почти 50 трлн пузыря, основанного исключительно на ИИ-галлюцинациях и тупизме, как главные драйверы роста (триггером выступили бигтехи в пропорции 1:4, которые потянули за собой всех остальных и по остаточному эффекту на все связанные рынки), причем деградация инвестсообщества имеет заразных эффект.
Справедливости ради, не только растет американский рынок, - все рынки развитых стран на исторических максимумах и вот, как это происходит:
• Совокупная капитализация всех публичных компаний на японском рынке: 7.31 трлн долл, далее все показатели в долларах по курсу на 6 октября 2025 по собственным расчетам на основе данных торгов.
• Объединенная Европа – 20.8 трлн, где Великобритания – 4.48 трлн, Франция – 3.32 трлн, Германия – 2.97 трлн, Швейцария – 2.75 трлн, Нидерланды – 1.67 трлн, Ирландия – 1.22 трлн, Швеция – 1.21 трлн, Италия – 1.2 трлн, Испания – 1.14 трлн, Дания – 0.67 трлн, Бельгия – 0.42 трлн, а далее мелочь.
• Канада – 3.75 трлн
• Тайвань – 3.09 трлн
• Южная Корея – 2.28 трлн
• Австралия – 1.99 трлн
• Сингапур – 0.83 трлн
• Израиль – 0.57 трлн.
Таким образом, совокупная капитализация выше представленных стран составляет 42.6 трлн и это исторический максимум.
Текущая капитализация ТОП-10 бигтехов США превышает совокупную капитализацию всех (!) публичных компаний Европы и вдвое (!) выше, чем суммарная капитализация Канады, Тайваня, Южной Кореи, Австралии, Сингапура и Израиля и втрое выше Японии, которая находится на историческом максимуме – вот насколько безумие зашло.
Насколько силен рост рынков? Сначала приведу в национальной валюте:
• Япония: +20.2% с начала 2025 года, +83.7% с конца декабря 2022 (момента релиза ChatGPT и формирование ИИ пузыря), +66.5% с конца декабря 2021 (момент пика монетарной и фискальной вакханалии 2020-2021), +102.7% к концу декабря 2019 (доковидная нормальность) и +13.5% к максимуму 2005-2024. Далее в указанной последовательности.
• Европа: +13%, +34.2%, +16.7%, + 37% и +8% соответственно.
• Канада: +24%, +57.5%, +43.4%, +78.6% и +18.8%
• Тайвань: +15.4%, +89.3%, +46.9%, +122% и +9.7%
• Южная Корея: +55.2%, +69.5%, +25.2%, +68% и +12%
• Австралия: +9.5%, +28.2%, +19.4%, +33.1% и +5.6%
• Сингапур: +16.5%, +36%, +41.4%, +37.2% и +14.1%
• Израиль: +36.5%, +80.3%, +59%, +103.7% и +34.4%.
Более справедливо сравнение в сопоставимой валюте (пусть будет в долларах, особенно на фоне рекордной девальвации бакса):
• Япония: +28.6%, +65.7%, +29.8%, +50.3% и +12.4% соответственно
• Европа: +27.3%, +47.8%, +20.8%, +44% и +13.4%
• Канада: +28.1%, +53%, +31.4%, +67.4% и +19.5%
• Тайвань: +24.3%, +90.3%, +33.3%, +119.4% и +17.4%
• Южная Корея: +62.8%, +53.9%, +5.6%, +38.8%, но минус 11.1%
• Австралия: +16.2%, +24.9%, +8.7%, +25.8% и минус 5.3%
• Сингапур: +22.8%, +41.7%, +48.3%, +44% и +20.6%
• Израиль: +51.8%, +92.7%, +50%, +112.5% и +42.7%.
Объединенный рынок развитых стран: +28.5% с начала года, +53% с конца декабря 2022, +23.1% с конца 2021 и +50% с конца 2019 и +16.7% с максимума 2005-2024.
Рынок США: +14.3%, +76.7%, +42.3%, +112.1% и +10.9%.
Производительность рынков развитых стран за исключением США вдвое выше с начала 2025, чем у США, что связано с накопленным отставанием за предыдущие годы, т.к. накопленный рост с дек.19 в США более, чем вдвое выше (112.1%), чем по рынкам развитых стран (+50%).
В 2П12 американский рынок к рынках развитых стран был всего 0.68, с середины 2016 до середины 2018 почти сравнялись (0.9-1), а с 2П18 американский рынок сильно пошел в отрыв, достигая разрыв в 1.9 раза в дек.24, а сейчас 1.64 раза – естественно за счет движений технологического сектора.
Совокупная капитализация США и развитых стран достигла рекордных 112.6 трлн, это плюс более 30 трлн с 7 апреля по закрытию дня и 32-33 трлн в моменте (сильнейший памп в истории торгов), с минимумов 2022 рост на 85% или 52 трлн, а за 6 лет почти удвоение (+55-56 трлн).
Избыточная капитализация на американском рынке – 35 трлн, избыточная капитализация на рынках развитых стран вне США – 14-15 трлн (пузырь намного скромнее), т.е. в совокупности почти 50 трлн пузыря, основанного исключительно на ИИ-галлюцинациях и тупизме, как главные драйверы роста (триггером выступили бигтехи в пропорции 1:4, которые потянули за собой всех остальных и по остаточному эффекту на все связанные рынки), причем деградация инвестсообщества имеет заразных эффект.
3👍438❤184🤔121🔥36💯34🤡21🥱16🤣11🙏4🥰2🤯2
Влияние ИИ на экономику
Нет никакой логической связи между ИИ и расширенным положительным макроэкономическим влиянием в масштабе всей экономики, тогда как локальный эффект в отдельных сегментах бизнеса и отраслях может быть очень выраженным.
Для этого необходимо понимать направляющий канал наибольшего воздействия ИИ, который концентрируется в создание контента различного рода и в работе с информацией.
▪️ИИ приводит к обнулению стоимости контента. Генеративные модели радикально снижают предельную стоимость производства единицы контента и снимают барьеры входа.
Чем определяется ценность продукта или услуги?
🔘 В первую очередь общественной востребованностью, которая в своей основе строго лимитированная и не все упирается в платежеспособность потенциальных клиентов.
🔘 Ограниченностью предложения, которое определяется высоким порогом входа и дефицитностью.
Как это работает на практике? Предположим, совокупность талантливых графических дизайнеров, которые долго учились и имеют средний опыт работы более 7-8 лет в специализированных приложениях по созданию и редактированию изображений (штучное предложение на рынке), имея предельную способность по генерации конечного продукта объемом X.
Рынок сбалансировал спрос и предложение и в целом обеспечивая низкую волатильность колебания спроса вокруг X.
Появляются автогены в LLMs, способные синтезировать работу профессиональных графических дизайнеров буквально на порядки быстрее, т.е. изначальная совокупность профи уже может выдавать не X, а 20-30 или 40X предложения при том, что рынку не нужно больше, чем X, что обрушает цены в десятки раз и/или приводит к увольнению графических дизайнеров в несколько раз.
Более того, сложносочиненные профессиональные графические редакторы заменены простыми в использовании автогенами ИИ с автоматической донастройкой промпта с помощью ИИ и широкими возможностями авто-редактирования, что снижает порог входа в этот сегмент до уровня «абсолютно тупых», заполоняя рынок дилетантами, заваливающие рынок «передозом» сгенерированного ИИ контента, что расширяет предложение еще в сотни раз. В итоге изначальный X превращается в 1000X или 10000X, что полностью уничтожает стоимость конечного продукта.
Примеров можно привести десятки, но суть понятна. Все, что способен генерировать ИИ не будет стоить ничего (графика, видео, аудио, текст) – весь медиа контент обнулится и даже будет иметь отрицательную стоимость.
Никто и никогда в макромасштабе не будет больше платить на медиа контент за редкими исключениями, для генерации которого создан беспрецедентно низкий порог входа, а предложение которого вырастет в тысячи раз.
▪️ИИ не расширяет возможности в отличие всех предыдущих технологий, а имеет чрезвычайно сильный эффект вытеснения.
Как это работает? Любая работа, связанная со сбором, обработкой, интерпретацией и воспроизведением информации под угрозой.
Медицинские специалисты в рамках первичной консультации и обработки медицинской документации, репетиторы, коучи и консультанты, бухгалтеры и аудиторы, копирайтеры и контент-маркетологи, секретари, стенографисты, редакторы, переводчики и лингвисты, юристы, финансовые консультанты и аналитики, консалтинг специалисты, ну и конечно же программисты.
Это не убивает профессии, но радикально снижает спрос в сегменте низко и среднеквалифицированного персонала, что в перспективе убьет и верхний эшелон эволюции, т.к. профессионалы получаются из низко и среднеквалифицированного персонала.
Скорость вытеснение будет заметно выше, чем скорость переквалификации работников в другие виды профессий из-за скорости развития, внедрения и развертывания ИИ и масштаба применения.
ИИ не создает рабочие места (не пойдут же секретари или переводчики и инженеры ядра LLMs, в спецы обучения моделей или в инженеры развертывания дата центров или прокладки электрокабелей), а сильно трансформирует структуру занятости с выраженным эффектом вытеснения.
Чем лучше, надежнее и стабильнее будет становиться ИИ – тем хуже макроэффект, что будет выражаться в росте безработицы, в падении доходов и снижении спроса.
Продолжение следует...
Нет никакой логической связи между ИИ и расширенным положительным макроэкономическим влиянием в масштабе всей экономики, тогда как локальный эффект в отдельных сегментах бизнеса и отраслях может быть очень выраженным.
Для этого необходимо понимать направляющий канал наибольшего воздействия ИИ, который концентрируется в создание контента различного рода и в работе с информацией.
▪️ИИ приводит к обнулению стоимости контента. Генеративные модели радикально снижают предельную стоимость производства единицы контента и снимают барьеры входа.
Чем определяется ценность продукта или услуги?
Как это работает на практике? Предположим, совокупность талантливых графических дизайнеров, которые долго учились и имеют средний опыт работы более 7-8 лет в специализированных приложениях по созданию и редактированию изображений (штучное предложение на рынке), имея предельную способность по генерации конечного продукта объемом X.
Рынок сбалансировал спрос и предложение и в целом обеспечивая низкую волатильность колебания спроса вокруг X.
Появляются автогены в LLMs, способные синтезировать работу профессиональных графических дизайнеров буквально на порядки быстрее, т.е. изначальная совокупность профи уже может выдавать не X, а 20-30 или 40X предложения при том, что рынку не нужно больше, чем X, что обрушает цены в десятки раз и/или приводит к увольнению графических дизайнеров в несколько раз.
Более того, сложносочиненные профессиональные графические редакторы заменены простыми в использовании автогенами ИИ с автоматической донастройкой промпта с помощью ИИ и широкими возможностями авто-редактирования, что снижает порог входа в этот сегмент до уровня «абсолютно тупых», заполоняя рынок дилетантами, заваливающие рынок «передозом» сгенерированного ИИ контента, что расширяет предложение еще в сотни раз. В итоге изначальный X превращается в 1000X или 10000X, что полностью уничтожает стоимость конечного продукта.
Примеров можно привести десятки, но суть понятна. Все, что способен генерировать ИИ не будет стоить ничего (графика, видео, аудио, текст) – весь медиа контент обнулится и даже будет иметь отрицательную стоимость.
Никто и никогда в макромасштабе не будет больше платить на медиа контент за редкими исключениями, для генерации которого создан беспрецедентно низкий порог входа, а предложение которого вырастет в тысячи раз.
▪️ИИ не расширяет возможности в отличие всех предыдущих технологий, а имеет чрезвычайно сильный эффект вытеснения.
Как это работает? Любая работа, связанная со сбором, обработкой, интерпретацией и воспроизведением информации под угрозой.
Медицинские специалисты в рамках первичной консультации и обработки медицинской документации, репетиторы, коучи и консультанты, бухгалтеры и аудиторы, копирайтеры и контент-маркетологи, секретари, стенографисты, редакторы, переводчики и лингвисты, юристы, финансовые консультанты и аналитики, консалтинг специалисты, ну и конечно же программисты.
Это не убивает профессии, но радикально снижает спрос в сегменте низко и среднеквалифицированного персонала, что в перспективе убьет и верхний эшелон эволюции, т.к. профессионалы получаются из низко и среднеквалифицированного персонала.
Скорость вытеснение будет заметно выше, чем скорость переквалификации работников в другие виды профессий из-за скорости развития, внедрения и развертывания ИИ и масштаба применения.
ИИ не создает рабочие места (не пойдут же секретари или переводчики и инженеры ядра LLMs, в спецы обучения моделей или в инженеры развертывания дата центров или прокладки электрокабелей), а сильно трансформирует структуру занятости с выраженным эффектом вытеснения.
Чем лучше, надежнее и стабильнее будет становиться ИИ – тем хуже макроэффект, что будет выражаться в росте безработицы, в падении доходов и снижении спроса.
Продолжение следует...
Please open Telegram to view this post
VIEW IN TELEGRAM
9💯237👍80🤔61❤54🔥22😢8🤣7👌5😁3🤬2🙏2
Эффект ИИ на макроуровне будет распределен крайне неравномерно между секторами (неравномерная диффузия рыночной и технологической концентрации) и сопровождаться ростом неравенства, выраженным эффектом вытеснения и концентрации рисков.
▪️Падение спроса. Рост неравенства в доходах и сокращение среднего класса (основной удар от внедрения ИИ) приводят к снижению предельной склонности к потреблению в экономике. Высокооплачиваемые специалисты склонны сберегать большую часть дохода в условиях изначально неэластичного и высоконасыщенного потребления, в то время как уволенные или перешедшие на низкооплачиваемую работу работники сокращают свое потребление.
▪️Эрозия информационной среды. Информационная среда переполняется синтетическим контентом, включая дипфейки, сгенерированные новости, поддельные отзывы и фишинговые сообщения будут создавать информационную асимметрию, увеличивая издержки на верификацию контента и информационную безопасность, снижая доверие к инфо-среде со всеми вытекающими последствиями, в том числе через снижение цены контента.
▪️Монополизация рынка. Внедрение передовых ИИ-систем является чрезвычайно капиталоемким процессом. Затраты на R&D, закупку вычислительных мощностей, строительство и обслуживание дата-центров, а также оплату труда узкоспециализированных инженеров формируют беспрецедентно высокий барьер для входа на рынок разработки передовых моделей.
▪️Высокая конкуренция не даст извлекать прибыль даже ИИ провайдерам. Всегда есть Китай с бесплатными и открытыми моделями, а конкуренция так высока, что структура рынка ИИ никогда не будет стабильной, что сильно ограничит пространство для монетизации (единственные, кто в прибыли – производители ИИ-ускорителей, типа nVidia или AMD).
▪️Ресурсоемкость. Потенциальный рост производительности от ИИ будет систематически "съедаться" ростом реальных издержек в физическом мире (энергия, аппаратное обеспечение). Экономика оказывается привязанной к "энергетическому якорю": каждый шаг вперед в цифровом мире требует все более тяжелого и дорогого шага в мире физическом. В итоге чистый макроэкономический выигрыш стремится к нулю.
▪️Проблема данных для обучения. ИИ, обучаясь на данных, сгенерированных человеком, в долгосрочной перспективе приведет к стагнации и коллапсу инновационного процесса, поскольку начнет обучаться на своем собственном, вторичном и обедненном контенте, вытеснив при этом людей-экспертов — первоисточников новых знаний.
Краткосрочный всплеск производительности за счет автоматизации рутинных интеллектуальных задач сменится долгосрочной стагнацией. Экономика потеряет свой главный двигатель роста - способность генерировать новые фундаментальные знания. ИИ превратится из инструмента инноваций в инструмент консервации и тиражирования существующего знания, что является определением экономического застоя.
▪️Неравномерная диффузия эффекта ИИ. До тех пор, пока не будет внедрен качественный физический ИИ, возникнет структурный разрыв между достаточно эффективной "цифровой экономикой" и стагнирующей "физической экономикой", что приведет не к общему росту, а к усилению экономического дисбаланса. ИИ преуспевает в предсказуемых цифровых средах, однако реальный мир хаотичен, сложен и непредсказуем.
▪️Эффект вытеснения капитала. Пузырь ИИ гипер концентрирует капитал в одном сегменте (ИИ), отвлекая венчурный и корпоративный капитал от вложений в другие технологические направления. Капитализация ИИ-компаний основана на экспоненциальных ожиданиях будущего роста. Однако, обнуление стоимости контента и вытеснение работников подрывают платежеспособный спрос на многие ИИ-продукты. Когда пузырь ожиданий лопнет, это приведет к массовым списаниям капитала.
Единственный положительный макроэффект от ИИ – это непосредственно капитальные расходы в ЦОДы, ускорители, распределительные сети и электроэнергию. Это тянет за собой строительные услуги, полупроводники, микроэлектронику, электротехнику, генерацию/сети и регулируемую энергетику.
Поэтому макроэффект, как минимум, неопределен, а влияние на технологический прогресс ранее описывал (1, 2, 3 и 4).
▪️Падение спроса. Рост неравенства в доходах и сокращение среднего класса (основной удар от внедрения ИИ) приводят к снижению предельной склонности к потреблению в экономике. Высокооплачиваемые специалисты склонны сберегать большую часть дохода в условиях изначально неэластичного и высоконасыщенного потребления, в то время как уволенные или перешедшие на низкооплачиваемую работу работники сокращают свое потребление.
▪️Эрозия информационной среды. Информационная среда переполняется синтетическим контентом, включая дипфейки, сгенерированные новости, поддельные отзывы и фишинговые сообщения будут создавать информационную асимметрию, увеличивая издержки на верификацию контента и информационную безопасность, снижая доверие к инфо-среде со всеми вытекающими последствиями, в том числе через снижение цены контента.
▪️Монополизация рынка. Внедрение передовых ИИ-систем является чрезвычайно капиталоемким процессом. Затраты на R&D, закупку вычислительных мощностей, строительство и обслуживание дата-центров, а также оплату труда узкоспециализированных инженеров формируют беспрецедентно высокий барьер для входа на рынок разработки передовых моделей.
▪️Высокая конкуренция не даст извлекать прибыль даже ИИ провайдерам. Всегда есть Китай с бесплатными и открытыми моделями, а конкуренция так высока, что структура рынка ИИ никогда не будет стабильной, что сильно ограничит пространство для монетизации (единственные, кто в прибыли – производители ИИ-ускорителей, типа nVidia или AMD).
▪️Ресурсоемкость. Потенциальный рост производительности от ИИ будет систематически "съедаться" ростом реальных издержек в физическом мире (энергия, аппаратное обеспечение). Экономика оказывается привязанной к "энергетическому якорю": каждый шаг вперед в цифровом мире требует все более тяжелого и дорогого шага в мире физическом. В итоге чистый макроэкономический выигрыш стремится к нулю.
▪️Проблема данных для обучения. ИИ, обучаясь на данных, сгенерированных человеком, в долгосрочной перспективе приведет к стагнации и коллапсу инновационного процесса, поскольку начнет обучаться на своем собственном, вторичном и обедненном контенте, вытеснив при этом людей-экспертов — первоисточников новых знаний.
Краткосрочный всплеск производительности за счет автоматизации рутинных интеллектуальных задач сменится долгосрочной стагнацией. Экономика потеряет свой главный двигатель роста - способность генерировать новые фундаментальные знания. ИИ превратится из инструмента инноваций в инструмент консервации и тиражирования существующего знания, что является определением экономического застоя.
▪️Неравномерная диффузия эффекта ИИ. До тех пор, пока не будет внедрен качественный физический ИИ, возникнет структурный разрыв между достаточно эффективной "цифровой экономикой" и стагнирующей "физической экономикой", что приведет не к общему росту, а к усилению экономического дисбаланса. ИИ преуспевает в предсказуемых цифровых средах, однако реальный мир хаотичен, сложен и непредсказуем.
▪️Эффект вытеснения капитала. Пузырь ИИ гипер концентрирует капитал в одном сегменте (ИИ), отвлекая венчурный и корпоративный капитал от вложений в другие технологические направления. Капитализация ИИ-компаний основана на экспоненциальных ожиданиях будущего роста. Однако, обнуление стоимости контента и вытеснение работников подрывают платежеспособный спрос на многие ИИ-продукты. Когда пузырь ожиданий лопнет, это приведет к массовым списаниям капитала.
Единственный положительный макроэффект от ИИ – это непосредственно капитальные расходы в ЦОДы, ускорители, распределительные сети и электроэнергию. Это тянет за собой строительные услуги, полупроводники, микроэлектронику, электротехнику, генерацию/сети и регулируемую энергетику.
Поэтому макроэффект, как минимум, неопределен, а влияние на технологический прогресс ранее описывал (1, 2, 3 и 4).
12🔥167💯100👍76❤59🤔36🥱9🤯7😱4😁3🙏3👌2
ИИ в научно-техническом прогрессе
В дополнение к 1, 2, 3 и 4...
В первую очередь следует отметить, что НЕ ИИ имеет потенциал к научно-техническому прогрессу, а ученые и инженеры, использующие ИИ, как достаточно эффективный в некоторых направлениях инструмент.
Это, как если бы сказать, что Excel создал нетривиальную финансовую модель или AutoCAD спроектировал элемент двигателя. Поэтому можете смело сваливать в мусорное ведро любые новости, относящиеся к тому, что «ИИ открыл новый закон или совершил прорывное изобретение».
Самостоятельно (изолировано) – ИИ бесполезен, т.к. не обладает мотивацией, целеполаганием и необходимым синтезом когнитивных функций для творческого или научного прорыва.
В августе я подробно описывал, что текущая архитектура LLMs – является тупиковой ветвью для подлинного AGI и тем более ASI, до этого еще долгий прогресс и скорее всего прорыв будет на стыке квантовых вычислений и нейроинтеграций, как симбиоз кибернетических организмов, объединяющих преимущества наноэлектроники и человеческого мозга.
LLMs, как инструмент (при допущении, что стабильность и надежность вырастут, а не так, как сейчас) в руках профессиональных ученых – да, полезно со способностью ускорить прогресс, что компенсируется общей деградацией качества человеческого капитала (на траектории всеобщего отупения), нивелируя положительный вклад ИИ.
В перспективе ИИ может проанализировать все существующие научные статьи, найти неочевидные корреляции, предложить гипотезы на основе существующих данных и автоматизировать рутинные расчеты, эффективно обобщая и сравнивая неструктурированные массивы данных. Потенциально ИИ помогает ученым справляться с растущей сложностью их областей.
Однако, я скептически отношусь к ускорению научно-технического прогресса (НТП) от LLM, даже при допущении их быстрого прогресса в качестве и стабильности:
Применение ИИ в науке приведет к взрывному росту числа вторичных научных работ, так как ИИ сможет легко генерировать новые комбинации старых идей. Это будет выглядеть как ускорение прогресса. Однако подавляющее большинство этих работ будут инкрементальными, вторичными или не имеющими практической или научной ценности.
Современные ИИ-модели являются гениальными интерполяторами и комбинируют то, что уже есть в их обучающих данных. Они находят наиболее вероятные пути между точками в многомерном пространстве знаний, на котором они обучались.
Фундаментальные прорывы в ключевых научно-технологических направлениях требует несколько иной комбинации когнитивных навыков.
ИИ эффективно решает проблему обработки огромного массива накопленной научной информации, но по своей природе неспособен к нелинейным, интуитивным скачкам, необходимым для смены научных парадигм. Вместо этого он создает "симуляцию прогресса" – взрывной рост количества инкрементальных публикаций.
Плюс к этому LLMs не могут совершить абдуктивный скачок – создать гипотезу, которой нет в данных. Для прорывов в фундаментальной науке нужны новые данные, которые можно получить только через физический эксперимент.
LLMs прекрасны для цифровых задач, но ограничены данными, стабильностью и физическими барьерами. В цифровой среде, где ограничения определяются только вычислительной мощностью и алгоритмами, ИИ действует как катализатор экспоненциального роста, и способен экспоненциально ускорять написание и оптимизацию кода, создание цифрового контента, анализ данных и моделирование виртуальных систем.
Прогресс в физическом мире ограничен не скоростью вычислений, а фундаментальными законами природы, свойствами материалов, скоростью химических реакций и сложностью биологических систем. Эти процессы не ускоряются экспоненциально с ростом вычислительной мощности.
Главный долгосрочный барьер — это трансляция цифровой модели в физический объект. ИИ может за час смоделировать миллионы потенциальных белковых структур (AlphaFold), но их физический синтез и лабораторное тестирование (не говоря уже о клинических испытаниях) по-прежнему занимают годы. Физический эксперимент и промышленное масштабирование, а не генерация идей, являются главным тормозом прогресса.
В дополнение к 1, 2, 3 и 4...
В первую очередь следует отметить, что НЕ ИИ имеет потенциал к научно-техническому прогрессу, а ученые и инженеры, использующие ИИ, как достаточно эффективный в некоторых направлениях инструмент.
Это, как если бы сказать, что Excel создал нетривиальную финансовую модель или AutoCAD спроектировал элемент двигателя. Поэтому можете смело сваливать в мусорное ведро любые новости, относящиеся к тому, что «ИИ открыл новый закон или совершил прорывное изобретение».
Самостоятельно (изолировано) – ИИ бесполезен, т.к. не обладает мотивацией, целеполаганием и необходимым синтезом когнитивных функций для творческого или научного прорыва.
В августе я подробно описывал, что текущая архитектура LLMs – является тупиковой ветвью для подлинного AGI и тем более ASI, до этого еще долгий прогресс и скорее всего прорыв будет на стыке квантовых вычислений и нейроинтеграций, как симбиоз кибернетических организмов, объединяющих преимущества наноэлектроники и человеческого мозга.
LLMs, как инструмент (при допущении, что стабильность и надежность вырастут, а не так, как сейчас) в руках профессиональных ученых – да, полезно со способностью ускорить прогресс, что компенсируется общей деградацией качества человеческого капитала (на траектории всеобщего отупения), нивелируя положительный вклад ИИ.
В перспективе ИИ может проанализировать все существующие научные статьи, найти неочевидные корреляции, предложить гипотезы на основе существующих данных и автоматизировать рутинные расчеты, эффективно обобщая и сравнивая неструктурированные массивы данных. Потенциально ИИ помогает ученым справляться с растущей сложностью их областей.
Однако, я скептически отношусь к ускорению научно-технического прогресса (НТП) от LLM, даже при допущении их быстрого прогресса в качестве и стабильности:
Применение ИИ в науке приведет к взрывному росту числа вторичных научных работ, так как ИИ сможет легко генерировать новые комбинации старых идей. Это будет выглядеть как ускорение прогресса. Однако подавляющее большинство этих работ будут инкрементальными, вторичными или не имеющими практической или научной ценности.
Современные ИИ-модели являются гениальными интерполяторами и комбинируют то, что уже есть в их обучающих данных. Они находят наиболее вероятные пути между точками в многомерном пространстве знаний, на котором они обучались.
Фундаментальные прорывы в ключевых научно-технологических направлениях требует несколько иной комбинации когнитивных навыков.
ИИ эффективно решает проблему обработки огромного массива накопленной научной информации, но по своей природе неспособен к нелинейным, интуитивным скачкам, необходимым для смены научных парадигм. Вместо этого он создает "симуляцию прогресса" – взрывной рост количества инкрементальных публикаций.
Плюс к этому LLMs не могут совершить абдуктивный скачок – создать гипотезу, которой нет в данных. Для прорывов в фундаментальной науке нужны новые данные, которые можно получить только через физический эксперимент.
LLMs прекрасны для цифровых задач, но ограничены данными, стабильностью и физическими барьерами. В цифровой среде, где ограничения определяются только вычислительной мощностью и алгоритмами, ИИ действует как катализатор экспоненциального роста, и способен экспоненциально ускорять написание и оптимизацию кода, создание цифрового контента, анализ данных и моделирование виртуальных систем.
Прогресс в физическом мире ограничен не скоростью вычислений, а фундаментальными законами природы, свойствами материалов, скоростью химических реакций и сложностью биологических систем. Эти процессы не ускоряются экспоненциально с ростом вычислительной мощности.
Главный долгосрочный барьер — это трансляция цифровой модели в физический объект. ИИ может за час смоделировать миллионы потенциальных белковых структур (AlphaFold), но их физический синтез и лабораторное тестирование (не говоря уже о клинических испытаниях) по-прежнему занимают годы. Физический эксперимент и промышленное масштабирование, а не генерация идей, являются главным тормозом прогресса.
14👍306💯105❤72🔥19🤔18🙏8👎4👌4🤣4😁3🤬1
Как вайб-кодинг убьёт профессию программиста
Происходят революционные изменения. Сейчас идет шестая фаза эволюции инструментов программирования и, вероятно, последняя. Это означает, что больше не будет профессии программиста в классическом понимании. Не программистов, а именно профессии программиста.
Vibe coding (далее вайб-кодинг) – принципиально иной метод взаимодействия программиста с компьютером и программной средой, в котором разработка ПО идет через описание желаемого результата на естественном языке с делегированием генерации кода генеративным ИИ-моделям, минимизирующая или полностью исключающая необходимость самостоятельного написания кода разработчиком.
Вайб-кодинг создает иллюзию доступности программирования, но фактически разрушает механизм формирования этих навыков, при котором полностью исключается развитие структурного и системного мышления с деградацией понимании архитектуры, иерархии и алгоритмов программы, методов отладки и верификации конечного результата.
Результат – поколение псевдо-разработчиков, способных генерировать код, но не способных его понимать, отлаживать, оптимизировать или поддерживать.
Самостоятельное программирование критически важно не для знания синтаксиса языка программирования, а для формирования фундаментальных когнитивных навыков – алгоритмического, структурного, логического, абстрактного и системного мышления с планированием и декомпозицией задачи и иерархическим моделированием.
Давно прошли времена сверх-людей. Программист на ассемблере не просто писал код, он напрямую управлял процессором. Он должен был досконально знать систему команд конкретного процессора, архитектуру его регистров, способы адресации памяти и особенности работы периферийных устройств. Каждая строка ассемблерного кода соответствовала одной машинной инструкции – это очень сложно, долго и неэффективно, но эти навыки делали из программистов сверх-людей.
Ошибка на один байт в адресации могла привести к перезаписи системного кода или данных и полному краху системы.
В условиях ограниченных вычислительных ресурсов и памяти приходилось «переизобретать» математику, создавать специальные алгоритмы для оптимизации кода, что экстремально развивало когнитивные навыки.
Тот цифровой мир (на уровне фундамента), который мы знаем – создан «богами» из 70-90х годов.
Эти программисты были создателями фундамента: они писали операционные системы, компиляторы, драйверы устройств, BIOS, первые видеоигры не через процедурную генерацию, как сейчас, а буквально «попиксельно» — все то, на чем до сих пор стоит современный цифровой мир.
Их работа требовала уникального сочетания формальной логики, инженерной точности и глубоких знаний электроники.
Создание понятной и логичной архитектуры требовало от программиста огромной самодисциплины и продуманного проектирования на бумаге перед написанием кода.
Говоря о сверх-людях из области STEM, я все же предполагаю классической образование и фундамент 70-90-х годов.
Современный программист работает на вершине огромной технологической пирамиды. Между его кодом на Python или JavaScript и "железом" находятся десятки слоев: высокоуровневый язык, его среда выполнения, операционная система, драйверы и т.д.
Сейчас разработчику не нужно знать, как физически устроен сетевой сокет, чтобы отправить HTTP-запрос. Он использует готовую библиотеку. Ему не нужно вручную управлять памятью – за него это компилятор.
Сейчас сложность переместилась с уровня машинных команд на уровень взаимодействия систем.
С одной стороны, интеллект современных программистов направлен не на борьбу с ограничениями машины, а на управление сложностью распределенных систем и быструю доставку ценности для бизнеса. Потеря навыков ручного управления памятью и побитовой оптимизации — это не деградация, а эволюционная адаптация к новой технологической реальности.
С другой стороны, вайб-кодинг значительно трансформирует даже современное ООП, WEB и облачное программирование.
Продолжение следует…
Происходят революционные изменения. Сейчас идет шестая фаза эволюции инструментов программирования и, вероятно, последняя. Это означает, что больше не будет профессии программиста в классическом понимании. Не программистов, а именно профессии программиста.
Vibe coding (далее вайб-кодинг) – принципиально иной метод взаимодействия программиста с компьютером и программной средой, в котором разработка ПО идет через описание желаемого результата на естественном языке с делегированием генерации кода генеративным ИИ-моделям, минимизирующая или полностью исключающая необходимость самостоятельного написания кода разработчиком.
Вайб-кодинг создает иллюзию доступности программирования, но фактически разрушает механизм формирования этих навыков, при котором полностью исключается развитие структурного и системного мышления с деградацией понимании архитектуры, иерархии и алгоритмов программы, методов отладки и верификации конечного результата.
Результат – поколение псевдо-разработчиков, способных генерировать код, но не способных его понимать, отлаживать, оптимизировать или поддерживать.
Самостоятельное программирование критически важно не для знания синтаксиса языка программирования, а для формирования фундаментальных когнитивных навыков – алгоритмического, структурного, логического, абстрактного и системного мышления с планированием и декомпозицией задачи и иерархическим моделированием.
Давно прошли времена сверх-людей. Программист на ассемблере не просто писал код, он напрямую управлял процессором. Он должен был досконально знать систему команд конкретного процессора, архитектуру его регистров, способы адресации памяти и особенности работы периферийных устройств. Каждая строка ассемблерного кода соответствовала одной машинной инструкции – это очень сложно, долго и неэффективно, но эти навыки делали из программистов сверх-людей.
Ошибка на один байт в адресации могла привести к перезаписи системного кода или данных и полному краху системы.
В условиях ограниченных вычислительных ресурсов и памяти приходилось «переизобретать» математику, создавать специальные алгоритмы для оптимизации кода, что экстремально развивало когнитивные навыки.
Тот цифровой мир (на уровне фундамента), который мы знаем – создан «богами» из 70-90х годов.
Эти программисты были создателями фундамента: они писали операционные системы, компиляторы, драйверы устройств, BIOS, первые видеоигры не через процедурную генерацию, как сейчас, а буквально «попиксельно» — все то, на чем до сих пор стоит современный цифровой мир.
Их работа требовала уникального сочетания формальной логики, инженерной точности и глубоких знаний электроники.
Создание понятной и логичной архитектуры требовало от программиста огромной самодисциплины и продуманного проектирования на бумаге перед написанием кода.
Говоря о сверх-людях из области STEM, я все же предполагаю классической образование и фундамент 70-90-х годов.
Современный программист работает на вершине огромной технологической пирамиды. Между его кодом на Python или JavaScript и "железом" находятся десятки слоев: высокоуровневый язык, его среда выполнения, операционная система, драйверы и т.д.
Сейчас разработчику не нужно знать, как физически устроен сетевой сокет, чтобы отправить HTTP-запрос. Он использует готовую библиотеку. Ему не нужно вручную управлять памятью – за него это компилятор.
Сейчас сложность переместилась с уровня машинных команд на уровень взаимодействия систем.
С одной стороны, интеллект современных программистов направлен не на борьбу с ограничениями машины, а на управление сложностью распределенных систем и быструю доставку ценности для бизнеса. Потеря навыков ручного управления памятью и побитовой оптимизации — это не деградация, а эволюционная адаптация к новой технологической реальности.
С другой стороны, вайб-кодинг значительно трансформирует даже современное ООП, WEB и облачное программирование.
Продолжение следует…
5💯242👍127❤72🤔46🤡24🔥13😁9👎6👌3🤬1😢1
Как технологии приводят к деградации
Самое яркое проявление в программировании.
Программист 70-х решал проблему вертикальной сложности – он должен был понимать всю систему от транзистора до логики приложения, сильно прокачивая всю совокупность навыков STEM. При этом центральной задачей пол века назад были ограничения в вычислительной мощности, что заставляло разработчиков проявлять высочайший уровень эффективности и оптимизации.
Современный программист решает проблему горизонтальной сложности – он должен интегрировать десятки готовых компонентов в единую, работающую систему, выступая в роли интегратора, не вдаваясь в подробности работы компьютера, компиляторов и драйверов.
Как это работает сейчас? Псевдоразработчик формирует запрос в ИИ ассистенте типа Cursor - > генерация высокоуровневого кода уже на уровне ИИ - > интерпретатор кода -> компилятор кода - > виртуальная машина - > машинный код - > операционная система - > процессор с распределением иерархии памяти - > ALU арифметика - > логические вентили - > CMOS транзисторы (исполнение кода), а далее уже физика идет.
Всего 11 уровней кодовой абстракции. Какой уровень перехватывает разработчик на ассемблере из 70-х? Прямая работа на ALU арифметике с полным контролем памяти, т.е. это 9 уровень, понимая принципы 10-11 уровней. Выше не бывает.
Какой уровень перехватывает «разработчик» 2025 на вайб-кодинге? Только первый уровень на уровне запроса и правки кода в редакторе (лишь немного касается высокоуровневого кода – это второй уровень) с запросами «сделай то, сделай это, оптимизируй и исправь».
Ассемблер – это контроль, понимание, корректность, глубина и низкий уровень с точки зрения доступа к ядру системы и аппаратному функционалу (в свою очередь чрезвычайно высокая сложность), но чрезвычайно низкая скорость и эффективность.
Современное программирование – это как конструктор, где «разработчик» вообще не вдупляет в работу аппаратной части, операционной системы, драйверов, компилятора, фрейморков и программных модулей.
Нет понимания механизмов, нет понимания алгоритмов и архитектуры.
Если программист из 70-90х – это вершина эволюции STEM, а «программист» 2025, не прошедший этапы программирования до внедрения ИИ, не имеющий фундаментальных знаний – это жалкое подобие, суррогат.
Работает принцип храповика. Программисты из 70-90х без проблем перейдут на уровень 1, но «программисты» 2025 практически никогда не перейдут даже на уровень 2, т.е. самостоятельная работа с кодом, как было до 2023, не говоря уже о глубокой оптимизации.
Программист 2025 напрямую привязывается к инструменту, а возможности по созданию кода и оптимизации полностью зависят от среды и функционала ИИ, при этом «программист» 2025 вообще не понимает ни логику кода, ни механику работы, ни алгоритмы и вообще ничего не понимает.
К чему это приводит? Код превращается в неоптимизированный кусок дерьма с ошибками, багами, проблемами с безопасностью и этот «разработчик» никогда не сможет понять, в чем причина проблем без помощи ИИ.
В таблице изобразил условное сопоставление требований к навыкам в эпохах программирования.
🔘 Эпоха прямого управления (1950-е – 1970-е) через машинные языки, ассемблер. Экстремально высокая сложность.
🔘 Эпоха структурирования и портируемости (1970-е – 1980-е) через C, Pascal, Fortran. Очень высокая сложность.
🔘 Эпоха объектной абстракции (1980-е – 1990-е) через C++, Object Pascal (Delphi). Высокая сложность.
🔘 Эпоха динамических языков и Web (1990-е – 2000-е) через Python, Perl, PHP, Ruby, JavaScript. Средний и высокий уровень сложности.
🔘 Эпоха фреймворков и экосистем (2000-е – 2010-е) через C# (+.NET), Java, Python (+Django), JavaScript (+Node.js, React, Angular). Средний и высокий уровень сложности.
🔘 Эпоха облачных платформ (с 2010-х …) при среднем уровнем сложности через Docker, Kubernetes и "Вайб-кодинга" (с 2023 …) с низким уровнем сложности через ИИ ассистенты типа GitHub Copilot, Cursor, Claude Code, OpenAI Codex, Windsurf, Gemini Code и т.д.
Вот это печальное будущее нас ждет с точки зрения развития навыков программирования. RIP профессия программиста.
Самое яркое проявление в программировании.
Программист 70-х решал проблему вертикальной сложности – он должен был понимать всю систему от транзистора до логики приложения, сильно прокачивая всю совокупность навыков STEM. При этом центральной задачей пол века назад были ограничения в вычислительной мощности, что заставляло разработчиков проявлять высочайший уровень эффективности и оптимизации.
Современный программист решает проблему горизонтальной сложности – он должен интегрировать десятки готовых компонентов в единую, работающую систему, выступая в роли интегратора, не вдаваясь в подробности работы компьютера, компиляторов и драйверов.
Как это работает сейчас? Псевдоразработчик формирует запрос в ИИ ассистенте типа Cursor - > генерация высокоуровневого кода уже на уровне ИИ - > интерпретатор кода -> компилятор кода - > виртуальная машина - > машинный код - > операционная система - > процессор с распределением иерархии памяти - > ALU арифметика - > логические вентили - > CMOS транзисторы (исполнение кода), а далее уже физика идет.
Всего 11 уровней кодовой абстракции. Какой уровень перехватывает разработчик на ассемблере из 70-х? Прямая работа на ALU арифметике с полным контролем памяти, т.е. это 9 уровень, понимая принципы 10-11 уровней. Выше не бывает.
Какой уровень перехватывает «разработчик» 2025 на вайб-кодинге? Только первый уровень на уровне запроса и правки кода в редакторе (лишь немного касается высокоуровневого кода – это второй уровень) с запросами «сделай то, сделай это, оптимизируй и исправь».
Ассемблер – это контроль, понимание, корректность, глубина и низкий уровень с точки зрения доступа к ядру системы и аппаратному функционалу (в свою очередь чрезвычайно высокая сложность), но чрезвычайно низкая скорость и эффективность.
Современное программирование – это как конструктор, где «разработчик» вообще не вдупляет в работу аппаратной части, операционной системы, драйверов, компилятора, фрейморков и программных модулей.
Нет понимания механизмов, нет понимания алгоритмов и архитектуры.
Если программист из 70-90х – это вершина эволюции STEM, а «программист» 2025, не прошедший этапы программирования до внедрения ИИ, не имеющий фундаментальных знаний – это жалкое подобие, суррогат.
Работает принцип храповика. Программисты из 70-90х без проблем перейдут на уровень 1, но «программисты» 2025 практически никогда не перейдут даже на уровень 2, т.е. самостоятельная работа с кодом, как было до 2023, не говоря уже о глубокой оптимизации.
Программист 2025 напрямую привязывается к инструменту, а возможности по созданию кода и оптимизации полностью зависят от среды и функционала ИИ, при этом «программист» 2025 вообще не понимает ни логику кода, ни механику работы, ни алгоритмы и вообще ничего не понимает.
К чему это приводит? Код превращается в неоптимизированный кусок дерьма с ошибками, багами, проблемами с безопасностью и этот «разработчик» никогда не сможет понять, в чем причина проблем без помощи ИИ.
В таблице изобразил условное сопоставление требований к навыкам в эпохах программирования.
Вот это печальное будущее нас ждет с точки зрения развития навыков программирования. RIP профессия программиста.
Please open Telegram to view this post
VIEW IN TELEGRAM
4💯279👍85❤54🔥54🤣34👎17😱14😁12🤯9🙏4🤬2
Спрос на валюту в России растет, предложение практически обнулилось
Чистые продажи иностранной валюты крупнейшими экспортерами обвалились до $4.9 млрд в сентябре после $6.2 млрд в августе и $9 млрд в июле – минимум за все время ведения статистики, а предыдущий минимум был в апр.23 – $5.1 млрд после пересмотра с $7 млрд.
По 3м средней – $6.7 млрд, что также является минимумом за все время по сравнению с $7.3 млрд в авг.23 (предыдущий минимум) и $14.1 млрд на постсанкционном максимуме в июн.24 (аномалию 2022 не учитываю).
По 6м средней – $7.5 млрд и вновь минимум за все время vs $7.6 млрд в сен.23 (ранее считавшиеся зоной срыва в девальвации) и $13.2 млрд на максимуме в май.24 и авг.24.
Таким образом, предложение валюты в сен.25 в ТРИ раза меньше, чем в середине 2024 и вдвое ниже по 3м средней.
Любопытно, по расчетам ЦБ, экспортеры продают больше валюты, чем могут себе позволить (выше задекларированной валютной выручки).
Так за 9м23 при выручке 56.8 млрд продали на 75.3 млрд или 75.4% (до нормативов по продаже валютной выручки).
С окт.23 по дек.24 при выручке 168 млрд продали 183.9 млрд или 109.5%, а за 7м25 (последние доступные данные) при выручке 64.1 млрд продажи составили 66.4 млрд или 103.6%, т.е. продажи выше выручки и это странно.
Что касается спроса на валюту со стороны юридических лиц без учета банков – наблюдается рост: 2.83 трлн руб в сен.25 составил валовый спрос юрлиц в России, за 3кв25 – 2.77 трлн vs 1.91 трлн в 2кв25, 2.83 трлн в 1кв25, 3.61 трлн в 4кв24 и 3.74 трлн в 3кв.24 по среднемесячным темпам.
В 3кв25 спрос вырос на 45% кв/кв, но на 26% меньше, чем годом ранее, хотя примерно сопоставим с 3кв23 – 2.83 трлн, когда рубль начал девальвироваться. Для сравнения, среднемесячный спрос в 2023 – 2.74 трлн, а в 2024 – 3.37 трлн.
В долларом выражении спрос юрлиц составил $34.4 млрд в 3кв25 vs $23.6 млрд в 2кв25, $41.8 млрд в 3кв24 и $30 млрд в 3кв23 по среднемесячным темпам.
Растет спрос на валюту у физлиц. Нетто-покупки за 9м25 составили 762 млрд в рублевом эквиваленте ($11.1 млрд) vs 1089 млрд руб ($12.09 млрд) за 9м24 и 848 млрд руб ($9.17 млрд) за 9м23, но это связано с низкой активностью в 1П25 и особенно в начале года.
Так в сен.25 население купило валюты на 89 млрд в рублевом выражении, за 3кв25 – 298 млрд руб в сумме vs 186 млрд руб в 3кв24 и 92 млрд руб в 3кв23. Для этого времени года активность населения рекордная.
С точки зрения баланса спроса и предложения, за 9м25 чистые продажи валюты экспортерами перекрывали 29.2% от спроса юрлиц, за 9м24 – 33.9%, а за 9м23 – 27.2%, при этом в 3кв25 дисбаланс резко ухудшился до 19.5% - худшее соотношение за все время.
При этом курс USD/RUB присосался к 80 и не собирается отлипать (ни в сентябре, ни в 3кв25 ничего не изменилось), так средний курс в 3кв25 составил 80.62 (самый крепкий курс с 1кв23), тогда как в 2кв25 – 80.86.
Исключительно по биржевым (рыночный баланс спроса) и макроэкономическим характеристикам (денежная масса, доходы экономических агентов в рублях), в том числе по анализу финансовым потоков и счета текущих операций с последовательным ухудшением – это самая значительная аномалия 21 века в России – как при росте спроса на валюту и обвале предложения удалось присосаться к 80 и не отлипать уже полгода?
По балансовым характеристикам средневзвешенный курс USD/RUB минимум в области 98-103, даже с учетом падения доллара на мировых рынков.
Частично рыночный спрос стерилизуется через квазивалютные облигации, чистая эмиссия которых составила 1.56 трлн руб за 9м25, а по всем видам валютных и квазивалютных облигаций в России – 1 трлн руб vs 0.5 трлн за 9м24, но это лишь показывает наличие спроса на валюту и интерес в диверсификации валютных рисков в России.
В таблице показан чистый спрос на финансовые инструменты населения – по всем видам валютных инструментов – 427 млрд руб vs 393 млрд руб за 9м24 в рамках операций на финансовых рынках (статистика расходится с банковскими операциями).
Все это показывает, что валютный спрос в России растет при обвале предложения валюты.
Чистые продажи иностранной валюты крупнейшими экспортерами обвалились до $4.9 млрд в сентябре после $6.2 млрд в августе и $9 млрд в июле – минимум за все время ведения статистики, а предыдущий минимум был в апр.23 – $5.1 млрд после пересмотра с $7 млрд.
По 3м средней – $6.7 млрд, что также является минимумом за все время по сравнению с $7.3 млрд в авг.23 (предыдущий минимум) и $14.1 млрд на постсанкционном максимуме в июн.24 (аномалию 2022 не учитываю).
По 6м средней – $7.5 млрд и вновь минимум за все время vs $7.6 млрд в сен.23 (ранее считавшиеся зоной срыва в девальвации) и $13.2 млрд на максимуме в май.24 и авг.24.
Таким образом, предложение валюты в сен.25 в ТРИ раза меньше, чем в середине 2024 и вдвое ниже по 3м средней.
Любопытно, по расчетам ЦБ, экспортеры продают больше валюты, чем могут себе позволить (выше задекларированной валютной выручки).
Так за 9м23 при выручке 56.8 млрд продали на 75.3 млрд или 75.4% (до нормативов по продаже валютной выручки).
С окт.23 по дек.24 при выручке 168 млрд продали 183.9 млрд или 109.5%, а за 7м25 (последние доступные данные) при выручке 64.1 млрд продажи составили 66.4 млрд или 103.6%, т.е. продажи выше выручки и это странно.
Что касается спроса на валюту со стороны юридических лиц без учета банков – наблюдается рост: 2.83 трлн руб в сен.25 составил валовый спрос юрлиц в России, за 3кв25 – 2.77 трлн vs 1.91 трлн в 2кв25, 2.83 трлн в 1кв25, 3.61 трлн в 4кв24 и 3.74 трлн в 3кв.24 по среднемесячным темпам.
В 3кв25 спрос вырос на 45% кв/кв, но на 26% меньше, чем годом ранее, хотя примерно сопоставим с 3кв23 – 2.83 трлн, когда рубль начал девальвироваться. Для сравнения, среднемесячный спрос в 2023 – 2.74 трлн, а в 2024 – 3.37 трлн.
В долларом выражении спрос юрлиц составил $34.4 млрд в 3кв25 vs $23.6 млрд в 2кв25, $41.8 млрд в 3кв24 и $30 млрд в 3кв23 по среднемесячным темпам.
Растет спрос на валюту у физлиц. Нетто-покупки за 9м25 составили 762 млрд в рублевом эквиваленте ($11.1 млрд) vs 1089 млрд руб ($12.09 млрд) за 9м24 и 848 млрд руб ($9.17 млрд) за 9м23, но это связано с низкой активностью в 1П25 и особенно в начале года.
Так в сен.25 население купило валюты на 89 млрд в рублевом выражении, за 3кв25 – 298 млрд руб в сумме vs 186 млрд руб в 3кв24 и 92 млрд руб в 3кв23. Для этого времени года активность населения рекордная.
С точки зрения баланса спроса и предложения, за 9м25 чистые продажи валюты экспортерами перекрывали 29.2% от спроса юрлиц, за 9м24 – 33.9%, а за 9м23 – 27.2%, при этом в 3кв25 дисбаланс резко ухудшился до 19.5% - худшее соотношение за все время.
При этом курс USD/RUB присосался к 80 и не собирается отлипать (ни в сентябре, ни в 3кв25 ничего не изменилось), так средний курс в 3кв25 составил 80.62 (самый крепкий курс с 1кв23), тогда как в 2кв25 – 80.86.
Исключительно по биржевым (рыночный баланс спроса) и макроэкономическим характеристикам (денежная масса, доходы экономических агентов в рублях), в том числе по анализу финансовым потоков и счета текущих операций с последовательным ухудшением – это самая значительная аномалия 21 века в России – как при росте спроса на валюту и обвале предложения удалось присосаться к 80 и не отлипать уже полгода?
По балансовым характеристикам средневзвешенный курс USD/RUB минимум в области 98-103, даже с учетом падения доллара на мировых рынков.
Частично рыночный спрос стерилизуется через квазивалютные облигации, чистая эмиссия которых составила 1.56 трлн руб за 9м25, а по всем видам валютных и квазивалютных облигаций в России – 1 трлн руб vs 0.5 трлн за 9м24, но это лишь показывает наличие спроса на валюту и интерес в диверсификации валютных рисков в России.
В таблице показан чистый спрос на финансовые инструменты населения – по всем видам валютных инструментов – 427 млрд руб vs 393 млрд руб за 9м24 в рамках операций на финансовых рынках (статистика расходится с банковскими операциями).
Все это показывает, что валютный спрос в России растет при обвале предложения валюты.
6🤔254👍75❤62😁12💯11🤯8🔥6🤬6😱4🙏3😢1
Простая CRM в Битрикс24
Битрикс24 не грузит менеджеров лишними действиями. Всё автоматизировано: задачи ставятся сами, отчёты собираются в один клик, продажи растут.
CRM, которая экономит нервы и деньги.
🔥 Начните бесплатно
Битрикс24 не грузит менеджеров лишними действиями. Всё автоматизировано: задачи ставятся сами, отчёты собираются в один клик, продажи растут.
CRM, которая экономит нервы и деньги.
🔥 Начните бесплатно
1👍81🤡74❤6🐳5🤣5🤔4🥱3🤬2🔥1
Денежная масса в России растет в соответствии с трендом 2017-2019
В сен.25 денежный агрегат М2 сократился на 0.23% м/м – это нетипичное поведение для сентября с 2019 года (в это время средний рост составил 1.39% с 2019 по 2024 и 1.42% в 2022-2024), с другой стороны с 2013 по 2018 в сентябре денежная масса сокращалась в среднем на 0.26%.
Месячная волатильность не так интересна, за 9м25 накопленный прирост М2 составил 3.45% по номиналу vs 9.4% за 9м24, 10% за 9м23, 13.3% за 9м22 и в среднем 3.24% в 2017-2019 и 3.66% в 2015-2021 (в постсанкционной реальности, но до СВО).
Годовой темп роста М2 опустился до 12.7% по номиналу – это минимальные темпы роста с 4кв21, тогда как среднегодовой рост в 2017-2019 соответствовал 10.6% по номиналу, а максимальные темпы были вдвое выше – до 26% г/г в фев.23.
В реальном выражении М2 сократился на 0.9% за 9м25 (сен.25 к дек.24), что является худшей динамикой с 2016 года (-1.2% за 9м16) vs +3.4% за 9м24, 5.1% за 9м23, 2.7% за 9м22 и 1.1% в 2017-2019 за первые 9 месяцев.
В реальном выражении условно дезинфляционная норма составляет 7% среднегодового прироста в 2017-2019 и почти столько же (6.8%) в 2017-2021. С 2022 по 2024 среднегодовые темпы роста М2 в реальном выражении выросли до 10.7% и 10.2% в 2023-2024, а в моменте темпы роста превышали 20% в середине 2023.
Сейчас годовой темп М2 с учетом инфляции снизился до 4.3%, что указывает на дезинфляционный диапазон с точки зрения воздействия денежных агрегатов на инфляцию.
Это относится ко всем измерениям денежной массы. Так безналичная денежная масса в реальном выражении растет всего на 6% г/г при норме 6.6% в 2017-2019, а широкая денежная масса с учетом инфляции растет на 2.8% г/г при норме 3.2% в 2017-2019.
В структуре М2 депозиты юрлиц стагнируют 2.5 года в реальном выражении, подобное уже было с 2012 по 2017, а с 2017 по 2022 выросли более, чем в два раза.
С другой стороны, депозиты населения продолжают активный рост – рекордный рост на 61% за три года в реальном выражении.
Структура депозитов по последним данным:
• Население: 61.7 трлн, из которых 18.4 трлн на текущих счетах и вкладах до востребования по сравнению с 29.1 трлн в дек.21 (11.9 трлн на текущих счетах).
• Бизнес: 35.4 трлн, из которых 15.8 трлн на текущих счетах vs 21.1 трлн в дек.21 (10.3 трлн на текущих счетах).
• Прочие финансовые организации, не связанные с банками: 7.4 трлн (1.6 трлн на текущих счетах) vs 3 трлн (0.7 трлн на текущих счетах) в дек.21.
Доля валютных депозитов составила 11.8% по последним данным в авг.25, что выше исторического минимума 10.2% в июн.25, но это на 1 п.п ниже, чем 25-летний минимум в сен.07 по сравнению с максимумом в 39% в начале 2016 и в среднем 26.8% в 2021.
Жесткая ДКП действует по различным трансмиссионным каналам и темпы роста денежной массы замедлились до темпов в 2017-2019, когда инфляция соответствовали цели.
Есть все шансы увидеть замедление годовых темпов до 7-8% по номиналу к концу года, учитывая высокую базу 4кв24 (+9% в дек.24 к сен.24).
В сен.25 денежный агрегат М2 сократился на 0.23% м/м – это нетипичное поведение для сентября с 2019 года (в это время средний рост составил 1.39% с 2019 по 2024 и 1.42% в 2022-2024), с другой стороны с 2013 по 2018 в сентябре денежная масса сокращалась в среднем на 0.26%.
Месячная волатильность не так интересна, за 9м25 накопленный прирост М2 составил 3.45% по номиналу vs 9.4% за 9м24, 10% за 9м23, 13.3% за 9м22 и в среднем 3.24% в 2017-2019 и 3.66% в 2015-2021 (в постсанкционной реальности, но до СВО).
Годовой темп роста М2 опустился до 12.7% по номиналу – это минимальные темпы роста с 4кв21, тогда как среднегодовой рост в 2017-2019 соответствовал 10.6% по номиналу, а максимальные темпы были вдвое выше – до 26% г/г в фев.23.
В реальном выражении М2 сократился на 0.9% за 9м25 (сен.25 к дек.24), что является худшей динамикой с 2016 года (-1.2% за 9м16) vs +3.4% за 9м24, 5.1% за 9м23, 2.7% за 9м22 и 1.1% в 2017-2019 за первые 9 месяцев.
В реальном выражении условно дезинфляционная норма составляет 7% среднегодового прироста в 2017-2019 и почти столько же (6.8%) в 2017-2021. С 2022 по 2024 среднегодовые темпы роста М2 в реальном выражении выросли до 10.7% и 10.2% в 2023-2024, а в моменте темпы роста превышали 20% в середине 2023.
Сейчас годовой темп М2 с учетом инфляции снизился до 4.3%, что указывает на дезинфляционный диапазон с точки зрения воздействия денежных агрегатов на инфляцию.
Это относится ко всем измерениям денежной массы. Так безналичная денежная масса в реальном выражении растет всего на 6% г/г при норме 6.6% в 2017-2019, а широкая денежная масса с учетом инфляции растет на 2.8% г/г при норме 3.2% в 2017-2019.
В структуре М2 депозиты юрлиц стагнируют 2.5 года в реальном выражении, подобное уже было с 2012 по 2017, а с 2017 по 2022 выросли более, чем в два раза.
С другой стороны, депозиты населения продолжают активный рост – рекордный рост на 61% за три года в реальном выражении.
Структура депозитов по последним данным:
• Население: 61.7 трлн, из которых 18.4 трлн на текущих счетах и вкладах до востребования по сравнению с 29.1 трлн в дек.21 (11.9 трлн на текущих счетах).
• Бизнес: 35.4 трлн, из которых 15.8 трлн на текущих счетах vs 21.1 трлн в дек.21 (10.3 трлн на текущих счетах).
• Прочие финансовые организации, не связанные с банками: 7.4 трлн (1.6 трлн на текущих счетах) vs 3 трлн (0.7 трлн на текущих счетах) в дек.21.
Доля валютных депозитов составила 11.8% по последним данным в авг.25, что выше исторического минимума 10.2% в июн.25, но это на 1 п.п ниже, чем 25-летний минимум в сен.07 по сравнению с максимумом в 39% в начале 2016 и в среднем 26.8% в 2021.
Жесткая ДКП действует по различным трансмиссионным каналам и темпы роста денежной массы замедлились до темпов в 2017-2019, когда инфляция соответствовали цели.
Есть все шансы увидеть замедление годовых темпов до 7-8% по номиналу к концу года, учитывая высокую базу 4кв24 (+9% в дек.24 к сен.24).
1🤔114👍54❤30🔥6🤬6😁2👌2🐳2🤡1💯1
Риск когнитивной атрофии вследствие чрезмерной зависимости от систем ИИ
Человеческий мозг всегда идет по пути наименьшего сопротивления за исключением редких сценариев наличия воли для поиска и выбора краткосрочно более сложного пути, но долгосрочного более выигрышного и/или стабильного пути.
Нейронные связи, отвечающие за определенные навыки (критический анализ, системный анализ причинно-следственных связей, способность к планированию, установление динамических иерархических связей, оперирование высокоуровневыми абстракциями, расширенный список здесь), укрепляются при регулярном использовании.
Когда эти функции делегируются ИИ, соответствующие нейронные связи активируются реже, что со временем приводит к их ослаблению. Мозг, по сути, оптимизирует свои ресурсы, "упраздняя" невостребованные когнитивные функции.
Невозможно перескочить через эволюционную последовательность, нельзя развить более сложные навыки без развития и закрепления базовых навыков.
ИИ может предоставить практически неограниченный доступ к декларативным знаниям, но он лишает человека необходимости самостоятельно проходить через процесс проб и ошибок, который формирует глубокое, интуитивное процедурное знание с широким развитием когнитивных навыков, описывающие фундаментальные конструкции и законы этого мира.
Сложные когнитивные навыки требуют не просто анализа отдельных данных, а их синтеза в целостную картину. Речь идет о крайне сложном междисциплинарном взаимодействии в динамической среде, где идет непрерывная балансировка вероятностями и иерархиями.
ИИ-системы часто предоставляют готовый ответ или решение, скрывая процесс анализа и синтеза в "черном ящике". Пользователь получает результат, не понимая, как он был достигнут, что подрывает способность видеть взаимосвязи, оценивать систему в целом и прогнозировать каскадные эффекты от принимаемых решений.
Другими словами, люди теряют способностью к пониманию процедурных операций – как происходит кристаллизация готового решения, утрачивается способность к пониманию причинно-следственных связей, структурных характеристик и алгоритмов, логики взаимодействия и иерархии, а следовательно, люди утрачивают способность сепарации токсичных, ошибочных, либо хрупких решений от правдивых, устойчивых и стабильных.
Эксперт от новичка отличается тем, что способен практически сразу выловить ошибку еще до упаковки финального продукта, поняв момент искажения, предпринимая вариации для решения проблемы и/или улучшения результата. Новичок же за веру принимает любое выходное решение вне зависимости от правильности и/или надежности.
Есть сценарии, где ИИ полезен, когда берет на себя рутинные и вычислительно сложные операции (первичный сбор данных, сортировка информации, сравнение, обобщение и сопоставление больших массивов данных).
Это освобождает ресурсы для решения задач более высокого порядка: постановка целей, стратегическое планирование, творческий синтез, принятие решений в условиях неопределенности, но в условиях, когда у человека развиты первичные навыки по сбору, обработке, сравнению и обобщению информации).
Однако, по мере развития ИИ человечество передаст ИИ не только рутину, но и сам процесс анализа, принятия решений и генерации идей, что неизбежно ведет к атрофии не только базовых навыков по работе с информацией, но и творческих, алгоритмических, системных и навыков более высшего порядка по фундаментальному пониманию основ мироздания.
Созревание эксперта - это не накопление информации, а последовательное восхождение по эволюционной лестнице, где развитие совокупности когнитивных навыков имеет нелинейную зависимость.
Это означает, что ИИ вышибает ментальное и интеллектуальное созревание на начальном и среднем этапе, что консервирует человечество на крайне низкой глубине когнитивной эволюции.
Практически все человечество под угрозой деградации, но люди, рожденные после 2010 года в особой опасности, т.к. не знают мира без ИИ и все всяких сомнений будут намного тупее, чем более взрослое поколение, а следующее поколение еще тупее, чем существующее.
Человеческий мозг всегда идет по пути наименьшего сопротивления за исключением редких сценариев наличия воли для поиска и выбора краткосрочно более сложного пути, но долгосрочного более выигрышного и/или стабильного пути.
Нейронные связи, отвечающие за определенные навыки (критический анализ, системный анализ причинно-следственных связей, способность к планированию, установление динамических иерархических связей, оперирование высокоуровневыми абстракциями, расширенный список здесь), укрепляются при регулярном использовании.
Когда эти функции делегируются ИИ, соответствующие нейронные связи активируются реже, что со временем приводит к их ослаблению. Мозг, по сути, оптимизирует свои ресурсы, "упраздняя" невостребованные когнитивные функции.
Невозможно перескочить через эволюционную последовательность, нельзя развить более сложные навыки без развития и закрепления базовых навыков.
ИИ может предоставить практически неограниченный доступ к декларативным знаниям, но он лишает человека необходимости самостоятельно проходить через процесс проб и ошибок, который формирует глубокое, интуитивное процедурное знание с широким развитием когнитивных навыков, описывающие фундаментальные конструкции и законы этого мира.
Сложные когнитивные навыки требуют не просто анализа отдельных данных, а их синтеза в целостную картину. Речь идет о крайне сложном междисциплинарном взаимодействии в динамической среде, где идет непрерывная балансировка вероятностями и иерархиями.
ИИ-системы часто предоставляют готовый ответ или решение, скрывая процесс анализа и синтеза в "черном ящике". Пользователь получает результат, не понимая, как он был достигнут, что подрывает способность видеть взаимосвязи, оценивать систему в целом и прогнозировать каскадные эффекты от принимаемых решений.
Другими словами, люди теряют способностью к пониманию процедурных операций – как происходит кристаллизация готового решения, утрачивается способность к пониманию причинно-следственных связей, структурных характеристик и алгоритмов, логики взаимодействия и иерархии, а следовательно, люди утрачивают способность сепарации токсичных, ошибочных, либо хрупких решений от правдивых, устойчивых и стабильных.
Эксперт от новичка отличается тем, что способен практически сразу выловить ошибку еще до упаковки финального продукта, поняв момент искажения, предпринимая вариации для решения проблемы и/или улучшения результата. Новичок же за веру принимает любое выходное решение вне зависимости от правильности и/или надежности.
Есть сценарии, где ИИ полезен, когда берет на себя рутинные и вычислительно сложные операции (первичный сбор данных, сортировка информации, сравнение, обобщение и сопоставление больших массивов данных).
Это освобождает ресурсы для решения задач более высокого порядка: постановка целей, стратегическое планирование, творческий синтез, принятие решений в условиях неопределенности, но в условиях, когда у человека развиты первичные навыки по сбору, обработке, сравнению и обобщению информации).
Однако, по мере развития ИИ человечество передаст ИИ не только рутину, но и сам процесс анализа, принятия решений и генерации идей, что неизбежно ведет к атрофии не только базовых навыков по работе с информацией, но и творческих, алгоритмических, системных и навыков более высшего порядка по фундаментальному пониманию основ мироздания.
Созревание эксперта - это не накопление информации, а последовательное восхождение по эволюционной лестнице, где развитие совокупности когнитивных навыков имеет нелинейную зависимость.
Это означает, что ИИ вышибает ментальное и интеллектуальное созревание на начальном и среднем этапе, что консервирует человечество на крайне низкой глубине когнитивной эволюции.
Практически все человечество под угрозой деградации, но люди, рожденные после 2010 года в особой опасности, т.к. не знают мира без ИИ и все всяких сомнений будут намного тупее, чем более взрослое поколение, а следующее поколение еще тупее, чем существующее.
8💯360👍109🤔71❤46😢20🙏15🐳9🤯8😁7😱6🤬3