YouTube-эссе

Основатель Leash Bio Ian Quigley рассказывает, как строить машинное обучение в разработке лекарств на масштабных экспериментальных данных. Главный вывод: публичные данные несут «социологию» химиков, и модели легко учат её вместо физики связывания. Защищают от этого только честные сплиты и простые бейзлайны вроде XGBoost.

Запланированная задача в ChatGPT или Claude может годами «успешно» выполняться и при этом выдавать всё худший результат: обычное ПО падает с ошибкой, а ИИ подстраивается и рапортует о готовности. Дилан Дэвис выделил четыре типичных сбоя — потерянный файл, незакрываемые задачи, статичный интервал и плавающие категории — и предложил для каждого короткий промпт плюс общий раздел…

Команда AI Engineer провела конкурс на клонирование SaaS за $43 000 в год: 72 заявки, медианный репозиторий в 91 тысячу строк кода. Клон делается за недели и около $1000 в токенах, но поддержка, интеграция и вкус остаются за людьми, и владение софтом требует ответственности.

Dyna Robotics выпустила Dyna-2 — world action model, обученную на миллионе часов данных: она предсказывает будущее видео и на его основе выдаёт действия робота. Главный вывод Джейсона Ма: в робототехнике нет интернета, поэтому выигрывает тот, кто контролирует и данные, и железо, и всю систему целиком.

Под названием GPT-6 в ChatGPT скрываются три модели — Luna, Sol и Astra, а интерфейс не показывает их явно. Значение по умолчанию часто оказывается самым слабым и быстрым вариантом. Практический вывод: выбирать модель и уровень усилий нужно сознательно, а «высокий» уровень — разумный потолок для большинства задач.

Моды Claude Code строятся на двух приёмах: быстром классификаторе и форке разговора с общим кэшем промпта. На них держатся автопамять, диаграммы сессий, дерево решений и фильтр расплывчатых промптов. Главная ценность модов в том, что они выносят контроль над долгой работой агента из основного чата в отдельные панели.

Pi durable от создателей Pi coding agent отвязывает агента от терминала: он хранит состояние, переживает сбои и работает в фоне, пока вы не придёте его проверить. Главный вывод — ценность смещается от агентов «внутри цикла» к проактивным агентам «рядом с циклом».

Заголовки про «решённую» задачу предсказания структуры белка скрывают главное: AlphaFold воспроизводит структуры из PDB, но не объясняет динамику, функции и реальное распределение конформаций. Руководители DeepMind и Biohub сходятся в том, что прогресс огромен, но решать надо задачу, а не удобный датасет, и добавлять к моделям калибровку доверия и понимание их поведения.

Дилан Дэвис предлагает три способа вытащить экспертные решения из головы: диктовка, интервью на 15–20 вопросов и анализ прошлых решений. Правила оформляются в компактный навык, который проверяют слепым тестом на старых кейсах. Главная мысль: «всё зависит от ситуации» не мешает автоматизации, а лишь показывает, что логику ещё не записали.

Основатели Periodic Labs утверждают, что даже очень сильная модель не откроет новый материал, не проведя эксперимент: наука начинается там, где обучающие данные заканчиваются. Поэтому они строят автономную лабораторию, в которой обучение с подкреплением опирается на физический мир, а симуляции и ИИ работают в одном цикле с печами и дифрактометрами. Главный вывод: ценность лаборатории в данных…