Qwen 3.8-Max — флагман Alibaba с 2,4 трлн параметров (95 млрд активных).

Это первая модель линейки Max, чьи веса выложат в open source.

Модель ориентирована на долгосрочные задачи: автономный кодинг, исследования, чип-дизайн, работу с документами и видео.

Доступна через API QwenCloud с параметром reasoning_effort и интегрируется с Claude Code, Codex и Qoder.

Что анонсировали

Qwen 3.8-Max построена на архитектуре Qwen 3.5 и насчитывает 2,4 трлн параметров, из которых активируются примерно 95 млрд. Это делает её одной из крупнейших публично анонсированных моделей и первой мультимодальной системой Qwen, преодолевшей отметку в 1 трлн параметров.

По заявлению разработчиков, улучшения коснулись четырёх направлений: программирование, реальная рабочая деятельность, исследовательские задачи и долгосрочные сценарии с множеством ограничений. Модель умеет не только отвечать на сложные вопросы, но и доводить задачи до конца — от постановки до рабочего результата.

Ключевые возможности

• Автономный кодинг. В демонстрации модель 16 дней без участия человека развивала проект oh-my-cli: 265 коммитов, 127 pull request'ов и 151 issue. Главная фишка — самообучающийся цикл: требования превращаются в задачи, которые агенты берут в работу, тестируют и сливают в main.
• Научные исследования. Qwen 3.8-Max воспроизвела эксперимент из статьи «Unified Data Selection for LLM Reasoning» с нуля — около 7 600 строк кода, 33 цикла обучения на GPU — а затем улучшила результат на 2,7 балла на бенчмарке AIME24.
• Соревнования. За 24 часа модель построила решение для конкурса WWW2025 Multimodal Dialogue Intent Recognition на платформе Tianchi и обошла 458 из 526 человеческих команд (87%).
• Рабочие сценарии. В тестах Qwen 3.8-Max проектировала интерфейсы, составляла меню ресторана с расчётом себестоимости, проверяла юридические документы и строила сейсмические модели зданий.
• Чип-дизайн. Модель самостоятельно прошла весь фронтенд-флоу цифровой схемы: от RTL до физического layout в OpenROAD, сократив площадь кристалла на 81% и добившись тактовой частоты 500 МГц.

Бенчмарки

В опубликованной таблице Qwen 3.8-Max сравнивается с Claude Opus 4.8, Claude Fable 5, GPT 5.6 Sol и предшественником Qwen 3.7-Max. По внутренним тестам Alibaba новинка обгоняет Qwen 3.7-Max на большинстве задач и приближается к лучшим закрытым моделям в кодинге и мультимодальных бенчмарках. Отдельно отметим PaperBench — 93,0 балла против 90,5 у GPT 5.6 Sol и 64,8 у Qwen 3.7-Max.

Как попробовать

Модель уже доступна через QwenCloud. API совместим с OpenAI и Anthropic, поэтому подключение занимает буквально минуту. Поддерживаются три уровня глубины рассуждений: xhigh, medium и low. По умолчанию включён preserve_thinking.

Минимальный пример на Python:

Кроме прямого API, модель завели в Claude Code, Codex, Qoder CLI, Qwen Code и OpenClaw. Контекстное окно — до 1 млн токенов, максимальная длина ответа — 65 536 токенов.

FAQ

Выводы

Qwen 3.8-Max — это попытка Alibaba вывести флагманскую линейку в open source и при этом конкурировать с лучшими закрытыми моделями. Если открытые веса действительно выйдут под пермиссивной лицензией, у разработчиков появится серьёзная альтернатива для локального запуска и дообучения. Пока же модель можно протестировать через QwenCloud.

Источник: Qwen 3.8-Max: A New Bar for Coding and Cowork.

Android 17 вышел 16 июня. API 37, AppFunctions для ИИ-агентов, adaptive-first и Compose-first, строгие лимиты памяти и новые API приватности.

Google Play расширяет выбор платёжных систем и снижает комиссии: с 30 июня 2026 сервисный сбор отдельно от платёжного, первый $1M — 10%.

Безопасность: июньский бюллетень закрыл 124 уязвимости, включая zero-day CVE-2025-48595 в Framework. С 30 сентября 2026 начинается обязательная верификация разработчиков в четырёх странах.

Инструменты: Android CLI 1.0, 17+ Android skills, Android Bench с Gemma 4 и Gemini 3.5 Flash, Android XR SDK DP4 и Eclipsa Video для HDR.

Android 17: релиз 16 июня и API 37

16 июня 2026 года Google выпустил Android 17. Платформа переходит от «операционной системы» к «интеллектуальной системе»: центральную роль занимают AppFunctions — функции приложений, которые ИИ-агенты могут обнаруживать и вызывать через Jetpack-библиотеку. Разработчики аннотируют класс, добавляют KDoc, и Gemini получает доступ к локальному состоянию приложения.

Главное архитектурное изменение — adaptive-first: на больших экранах (sw > 600 dp) для приложений с targetSdk 37 игнорируются ограничения ориентации и размера. Вместе с этим появились App Bubbles, Bubble Bar и интерактивный Picture-in-Picture для десктопа. Google заявляет, что Compose теперь является первым классом UI: View-компоненты и View-based библиотеки переведены в режим обслуживания.

Производительность и приватность

Android 17 вводит лимиты памяти на основе объёма RAM устройства и убивает процессы, их нарушающие. Для диагностики добавили интеграцию LeakCanary в Android Studio Panda и on-device аномалию в ProfilingManager. ART получил generational GC, а MessageQueue для targetSdk 37 стал lock-free — это ускоряет старт и снижает пропуск кадров, но ломает рефлексию над приватными полями.

Из приватных нововведений — системный Contact Picker без разрешения READ_CONTACTS, системный Eyedropper для выбора цвета, временный доступ к локальной сети через ACCESS_LOCAL_NETWORK и post-quantum криптография с ML-DSA и гибридной подписью APK v3.2.

Инструменты и продуктивность: Android CLI 1.0, skills и Bench

9 июня в блоге Android Developers подвели итоги I/O по продуктивности. Главное — стабильный релиз Android CLI 1.0: теперь инструмент доступен через npm и Homebrew, умеет Journeys и команду studio для моста с Android Studio, а также интегрируется с Google Antigravity.

Каталог Android skills вырос до 17+ сценариев: адаптивный UI, CameraX, Perfetto SQL, Engage SDK, Wear OS, AppFunctions и другие. А Android Bench обзавёлся открытыми моделями, включая локальную Gemma 4, и свежими Gemini 3.5 Flash. В ближайшее время в бенчмарк добавят долгие многошаговые задачи.

Google Play: биллинг, комиссии и поиск

24 июня Google расширила выбор платёжных систем в Великобритании, ЕЭЗ и США. Разработчики могут предлагать альтернативный биллинг или внешние ссылки на свой сайт. С 30 июня 2026 сервисный сбор отделяется от платёжного: первый $1M в год — 10%, все автообновляемые подписки — 10%, остальное зависит от новой/существующей установки. Платёжная комиссия при использовании Google Play billing — 5% в этих регионах; при альтернативном биллинге она не берётся.

Также Google запустила программы Games Level Up и Apps Experience с пониженными ставками, а в Play Store появился AI-поиск Ask Play, Trusted Contributor-значки и более заметные скидки. Для разработчиков это означает, что ASO и монетизацию придётся пересматривать под новые механики отображения цен.

Безопасность: zero-day и верификация разработчиков

Июньский Android Security Bulletin закрыл 124 уязвимости. Самая неприятная — CVE-2025-48595 в Framework, уже эксплуатируемая в ограниченных целевых атаках. Она затрагивает Android 14–16 QPR2 и позволяет повысить привилегии без взаимодействия с пользователем. Критичный патч — уровень 2026-06-05, так как он включает исправления чипсетов Qualcomm и MediaTek.

18 июня Google обновила статус верификации разработчиков. С 30 сентября 2026 в Бразилии, Индонезии, Сингапуре и Таиланде станут обязательными регистрация приложений в семи магазинах. В июне на устройствах начали раскатывать системный сервис, который позже будет проверять регистрацию. В июле–августе появятся Android Developer ID Status API и Developer Console API для массовой регистрации через CI/CD.

Android XR: DP4, движки и Geospatial API

15 июня вышел Developer Preview 4 Android XR SDK. Для очков дополненной реальности добавили Jetpack Projected с Device Availability API, а Compose Glimmer оптимизирован под прозрачные дисплеи и тачпад. Для иммерсивных приложений — ранняя версия Geospatial API на базе ARCore и Visual Positioning System.

Кроме Unity для проводных XR-очков появилась официальная поддержка Unreal Engine и Godot, а также Android XR Engine Hub — десктопный инструмент для Windows с real-time тестированием прямо во вьюпорте движка. Программа Android XR Developer Catalyst Program открыта для заявок и даёт доступ к pre-release железу.

Premium-опыт: R8, Glance и Media3

В посте 2 июня о премиум-опыте Google акцентировала R8 Configuration Analyzer: он показывает, какие keep-rules мешают оптимизации. Monzo за счёт настройки R8 получили 30% прирост холодного старта и 35% снижение ANR.

Jetpack Glance теперь унифицирует виджеты для телефонов, часов и автомобилей на базе Compose, а RemoteCompose позволяет рендерить UI на внешних поверхностях. Media3 получил AI Effects, CodecDB, Scrubbing Mode в ExoPlayer и улучшенный CastPlayer. CameraX 1.5+ добавляет CameraXViewfinder Composable и динамические диапазоны.

Eclipsa Video: единый стандарт HDR

29 июня Google представила Eclipsa Video — стандарт HDR на базе SMPTE ST 2094-50, разработанный совместно с Apple и NBCUniversal. Он задаёт единый HDR reference white, адаптирует яркие участки под возможности дисплея и сохраняет творческий замысел кадр за кадром. Поддержка встроена в Android 17, ExoPlayer/Media3 обрабатывают метаданные автоматически.

FAQ

Выводы

Июнь 2026 показал, что Google делает ставку на три вещи: ИИ-агентов как часть рабочего процесса (AppFunctions, Android CLI, skills), адаптивность интерфейсов под любые форм-факторы и жёсткий контроль за безопасностью экосистемы. Разработчикам стоит в первую очередь протестировать приложения под Android 17, проверить R8-конфигурацию и подготовиться к новым правилам биллинга и верификации.

Самый быстрый способ не отстать — поставить Android CLI, добавить пару skills под свой проект и прогнать релиз на Android 17 эмуляторе, прежде чем OEM-партнёры начнут массово раскатывать обновление.

Источники: Android 17 is here, Top 3 updates for Android developer productivity, Expanded billing choice and lower fees on Google Play, Android developer verification, What's New in Android XR, Building Premium Android Experiences, Eclipsa Video.

Платформа позиционируется как инструмент для крупного бизнеса и государственных компаний, которым нужно сохранить контроль над данными и соответствовать требованиям регуляторов по безопасности. При необходимости вычислительные мощности можно масштабировать в публичное облако.

• Cloud.ru запустила Evolution Stack.ML — платформу для обучения ИИ-моделей в частном и гибридном облаке.
• В основе лежит сервис Evolution Distributed Train: обучение, тюнинг, развёртывание моделей и совместная работа команд.
• Платформа поддерживает изолированные рабочие пространства для более чем 200 команд одновременно.
• По заявлению компании, утилизация GPU растёт с 35% до 90%, а окупаемость серверных мощностей составляет менее 3 месяцев.

Что умеет платформа

Ядро продукта — сервис Evolution Distributed Train. Он объединяет инструменты для разработки, управления экспериментами и мониторинга в единую экосистему. Пользователи могут запускать изолированные рабочие пространства для более чем 200 команд одновременно.

Для распределения нагрузки используются механизмы очередей, приоритетов, аллокаций и спотов. По данным Cloud.ru, это позволяет поднять утилизацию GPU с 35% до 90% и окупить затраты на серверное оборудование менее чем за 3 месяца. Совместное использование кластеров, по оценке компании, ускоряет обучение и разработку новых ИИ-решений на 20%.

Встроенные механизмы self-healing автоматически обнаруживают сбои оборудования, перезапускают задачи и заменяют GPU-ноды. OSS-слой платформы Cloud.ru позволяет отслеживать загрузку инфраструктуры и контролировать расходы.

Evolution Stack.ML помогает преодолеть барьеры для внедрения ИИ в крупном бизнесе и государственных компаниях — решение соответствует строгим требованиям к безопасности и нормам регуляторов. Evolution Stack.ML повышает экономическую эффективность использования собственного «железа» и при этом даёт доступ к самым современным технологиям и методам работы с ИИ.

Для кого это

Решение рассчитано на организации с самыми высокими требованиями к безопасности: государственные и финансовые структуры, операторы ЦОДов и промышленные предприятия. Инфраструктура отвечает требованиям регуляторов к обработке и хранению персональных и финансовых данных, а также размещению ГИС и КИИ.

Cloud.ru также ссылается на собственное исследование: в России растёт спрос на гибридные сценарии. Среди наиболее востребованных — обработка данных и использование ИИ, разработка и тестирование в облаке, георезервирование и disaster recovery.

Выводы

Запуск Evolution Stack.ML — попытка Cloud.ru закрыть спрос на корпоративное ИИ-обучение с соблюдением регуляторных ограничений. Если заявленные цифры подтвердятся в реальных внедрениях, платформа может стать интересной альтернативой самостоятельной сборке инфраструктуры для машинного обучения.

Источник: пресс-служба Cloud.ru.

Реклама. Рекламодатель: ООО «Облачные технологии», ИНН 7736279160, erid: 2W5zFHcxyBP

SK Hynix — один из крупнейших производителей DRAM и NAND-флеш-памяти в мире, а Nvidia лидирует на рынке ускорителей для ИИ. Вместе компании планируют ускорить развёртывание «фабрик ИИ» (AI factories) — дата-центров, специализированных на обучении и инференсе больших моделей.

Суть соглашения

Соглашение направлено на решение ключевого узкого места отрасли: длительных циклов разработки передовой памяти. По мере глобального масштабирования ИИ-инфраструктуры спрос на высокоскоростную память растёт быстрее, чем производство успевает за ним угнаться.

В рамках партнёрства SK Hynix диверсифицирует портфель в три новых направления: инфраструктуру ИИ, персональный ИИ и физический ИИ. Компания будет совместно проектировать память для платформ Nvidia, включая Vera Rubin — следующее поколение ИИ-суперкомпьютеров после Blackwell.

Nvidia и SK Hynix подписали многолетнее соглашение о кодизайне памяти для ИИ.

Партнёрство покрывает Vera Rubin, Vera CPU, RTX Spark и Jetson Thor.

Цель — сократить циклы разработки памяти и ускорить строительство ИИ-фабрик.

SK Hynix внедрит цифровые двойники фабрик на базе Nvidia Omniverse и cuOpt.

Компании будут применять ИИ к проектированию чипов через CUDA-X и PhysicsNeMo.

Технические детали

Ускорение проектирования чипов

SK Hynix внедряет библиотеки NVIDIA CUDA-X и фреймворк PhysicsNeMo для ускорения симуляций полупроводников. Это охватывает TCAD (Technology Computer-Aided Design), вычислительную литографию и внутренние инженерные коды компании.

Распространение этих инструментов на экосистему EDA (Electronic Design Automation) открывает путь к трёхсторонним проектам: производители чипов + Nvidia + вендоры САПР.

Цифровые двойники фабрик

Для автономного управления производством SK Hynix строит цифровые двойники фабрик на базе Nvidia Omniverse и формата OpenUSD. Это позволяет визуализировать, симулировать и оптимизировать сложные производственные процессы в 3D.

Система использует открытый движок оптимизации cuOpt и платформу Nvidia Metropolis для управления автономными мобильными роботами и другими активами на производстве.

ИИ-фабрики — двигатели следующей промышленной революции, а передовая память критична для их производительности. SK Hynix был выдающимся партнёром Nvidia, играя центральную роль в поставке передовых технологий памяти для наших ИИ-платформ. Вместе мы будем совместно проектировать следующее поколение памяти для ИИ-фабрик.

SK Hynix и Nvidia шли к этому годами, и это партнёрство отражает глубину нашей совместной работы. Мы совместно проектируем следующее поколение памяти для ИИ-фабрик и применяем ИИ к тому, как проектируем и производим полупроводники — работа, которая определит будущее ИИ-инфраструктуры.

Выводы

Сделка Nvidia и SK Hynix — не просто контракт на поставку компонентов, а стратегический союз двух лидеров отрасли. Он закрывает критический разрыв между разработкой GPU и памяти, позволяя обеим компаниям синхронизировать дорожные карты.

Для рынка это означает ускорение выхода платформ Vera Rubin и снижение рисков дефицита памяти при масштабировании ИИ-инфраструктуры. Для конкурентов — повышение планки: Samsung и Micron теперь работают в условиях, где ключевой заказчик привязан к SK Hynix на несколько лет вперёд.

Источник: NVIDIA Newsroom, Bloomberg

Разбираем, почему бидирекционный денойзинг оказался эффективнее привычного лево-направо декодирования, и что это значит для разработчиков интеллектуальных агентов.

Маскированные диффузионные языковые модели (MDLM) превосходят авторегрессионные LLM как модели мира (world models) для текстовых сред благодаря бидирекционному денойзингу и учёту якорей (anchors).

8-миллиардная SDAR обходит 35-миллиардную Qwen-3.5-35B-A3B по метрике MAUVE (0,982 против 0,932) и порождает состояния большего разнообразия.

GRPO-обучение на траекториях от MDLM даёт прирост до +47% на отложенных (held-out) средах (ALFWorld, ScienceWorld, AppWorld).

Экспертная оценка подтверждает высокий реализм (4,75/5) и корректность (4,25/5) сгенерированных состояний.

Ограничения: хрупкая генерация API-ключей, pagination drift и блоковые повторы при высокой temperature.

В контексте обучения с подкреплением (RL) world model — это генеративная модель, которая предсказывает следующее состояние среды на основе текущего состояния и действия агента. Вместо того чтобы взаимодействовать с реальным API или базой данных на каждом шаге обучения, агент может «играть» в симуляции, созданной world model. Это дешевле, быстрее и позволяет порождать редкие или опасные сценарии, которые сложно воспроизвести в реальной системе.

Ранее для текстовых сред чаще всего использовали обычные автрегрессионные LLM: подали префикс — модель дописала продолжение. Но у этого подхода есть фундаментальное ограничение: состояния среды часто содержат якоря (anchors) — фиксированные поля, которые должны оставаться неизменными (например, user_id или status: "error"). Авторегрессионная модель, генерирующая текст строго слева направо, не видит эти якоря до тех пор, пока не дойдёт до них, и рискует сгенерировать противоречивое состояние.

Почему автрегрессионные LLM плохо справляются

Представьте, что модели нужно сгенерировать ответ API о возврате платежа. В схеме зафиксированы поля ticket_id и user_id, а также конечный статус "error". Авторегрессионная модель начинает декодирование с первого поля и не видит финальный статус до самого конца. В результате она может сгенерировать refund_processed: true, хотя статус требует ошибки — получается глобально некорректное состояние.

Этот эффект называется left-to-right bias: causal attention маскирует будущие токены, и модель вынуждена принимать решения без учёта глобальных ограничений. При масштабировании длины траекторий ошибки накапливаются, что приводит к mode collapse — агент видит всё меньше разнообразных ситуаций и переобучается.

Проблема в цифрах:
Исследователи показали, что даже 35-миллиардная авторегрессионная модель (Qwen-3.5-35B-A3B) уступает 8-миллиардной диффузионной по метрике MAUVE, измеряющей согласованность распределений сгенерированных и реальных состояний.

Как работают маскированные диффузионные модели

Маскированные диффузионные языковые модели (MDLM) обучаются итеративно восстанавливать замаскированные токены в последовательности. В отличие от авторегрессионных моделей, они используют бидирекциональное внимание: при подавлении шума каждой позиции модель видит все уже известные и все ещё замаскированные токены одновременно. Это позволяет учитывать якоря с обеих сторон последовательности.

Ключевое преимущество для world modeling — any-order generation. MDLM может заполнять поля состояния в произвольном порядке: сначала зафиксировать статус ошибки, потом подобрать под него корректный код ошибки, а уже затем заполнить остальные поля. Такой подход естественным образом поддерживает глобальную согласованность состояния и снижает накопление ошибок.

Ещё одно отличие — стохастичность самого порядка генерации. В авторегрессионной модели temperature влияет только на выбор токена; в MDLM она влияет ещё и на то, какую позицию раскрывать следующей. Это даёт дополнительную ось разнообразия и помогает избежать коллапса моды (mode collapse) на высоковероятных префиксах.

Результаты: 8B против 35B и zero-shot transfer

Авторы исследования собрали крупный датасет из сотен тысяч траекторий из девяти открытых сред (SWE-bench, CoderForge, TauBench, Gorilla, Toolathlon и других), сгенерированных передовыми моделями. На этих данных они дообучили несколько MDLM (SDAR-8B, SDAR-30B-A3B, WeDLM-8B, LLaDA-2.1-mini) и сравнили с авторегрессионными базовыми линиями (Qwen-3.5-27B, GPT-OSS-20B, GLM-4.7-Flash, Nemotron-3-Nano-30B, Qwen-3.5-35B-A3B).

Генерация состояний

На in-domain тесте SDAR-8B достиг MAUVE = 0,982, тогда как сильнейшая AR-модель (Qwen-3.5-35B-A3B) — всего 0,932. На out-of-domain наборах (API-Bank, OccuBench, Intercode-SQL) разрыв сохраняется: SDAR-8B показывает MAUVE 0,979 против 0,960 у 35-миллиардного конкурента. При этом Self-BLEU у SDAR-8B ниже (0,601 против 0,690), а Distinct-N выше (0,385 против 0,253) — это означает, что диффузионная модель порождает состояния большего разнообразия.

Обучение агентов без дообучения среды

Главный практический тест — можно ли использовать траектории от MDLM для обучения агентов в совершенно новых средах? Авторы применили GRPO (Group Relative Policy Optimization) с траекториями от SDAR-8B и Qwen-3.5-27B на трёх отложенных (held-out) средах: AppWorld, ScienceWorld и ALFWorld. Результаты впечатляют:

• LFM2.5-1.2B на ALFWorld: с 5,7% (база) до 53,6% с SDAR-WM — прирост +47,9% абсолютных пунктов.
• Mistral-7B на ScienceWorld: с 3,3% до 48,4% — прирост +45,1%.
• Qwen3-4B на AppWorld: с 33,3% до 62,0% — прирост +28,7%.
• Во всех девяти пара модель-среда SDAR-WM превосходит Qwen-WM в среднем на +5,3 пункта.

Критически важно: это zero-shot transfer — агенты не видели целевые среды во время обучения world model. Ранее подобные результаты требовали специфической адаптации под каждую среду.

Оценка людьми

Четыре независимых эксперта с опытом работы с LLM-агентами оценили 100 сгенерированных состояний по шкале Лайкера 1–5. Средние оценки SDAR: 4,75 (реализм), 4,25 (корректность исхода), 4,50 (польза для обучения). Коэффициент согласия Криппендорфа α ≥ 0,89 на всех метриках говорит о высокой межаннотаторной надёжности.

Ограничения и подводные камни

Несмотря на впечатляющие цифры, у MDLM как world models есть свои слабые места. Во-первых, модели испытывают трудности с генерацией структурированных полей вроде API-ключей: комбинация safety-alignment базовой Qwen и малого block size при диффузии приводит к искажённым строкам. Во-вторых, при работе с постраничным выводом (pagination) MDLM иногда теряет нумерацию страниц — эффект, который авторы назвали pagination drift.

Также при высоких температурах модель может зацикливаться на блоковом уровне, повторяя одни и те же фрагменты состояния. Авторы отмечают, что все три ограничения, скорее всего, ослабнут с ростом размера модели и специализированным дообучением на задачи работы с инструментами.

Что это значит для разработчиков

Для инженеров, строящих агентных систем, исследование открывает сразу несколько перспектив:

1. Синтетические данные для RL. Если у вас нет доступа к реальному контуру заказчика, MDLM-модель может сгенерировать вполне реалистичные траектории для предварительного обучения агента, прежде чем вы перейдёте к дорогим реальным вызовам.
2. Аугментация редких сценариев. Диффузионная природа MDLM даёт естественный способ порождать редкие ошибки и пограничные случаи, которые плохо представлены в логах production.
3. Эффективность по параметрам. 8-миллиардная диффузионная модель может заменить 30-миллиардную автрегрессионную в задаче симуляции — это снижает требования к инфраструктуре вывода.
4. Управляемость. Возможность задавать якоря и направлять генерацию через маскирование упрощает создание отобранных обучающих выборок под конкретные домены.

Если тема RL и агентов вам близка, загляните в наши материалы: как работает Reinforcement Learning, ускорение Qwen3.6 в llama.cpp и локальный запуск Mistral.

Важно понимать, что MDLM не заменяют полностью реальные среды: они скорее служат мостом между supervised fine-tuning и дорогим RL в production, позволяя дешево итерировать политику агента.

Выводы

Исследование Patronus AI демонстрирует, что архитектурный выбор важнее сырого количества параметров: 8-миллиардная маскированная диффузионная модель превосходит 35-миллиардную авторегрессионную в задаче world modeling благодаря бидирекционному денойзингу и способности учитывать якоря состояния. Для разработчиков агентных систем это открывает путь к дешёвым и разнообразным синтетическим средам для обучения.

Главный вывод исследования: архитектура важнее размера. 8-миллиардная диффузионная модель обходит 35-миллиардную авторегрессионную, потому что видит всё состояние целиком, а не только префикс.

Если вы планируете внедрять RL в агентные пайплайны, стоит следить за развитием MDLM: с ростом масштаба и специализации эта архитектура может стать стандартом де-факто для симуляции текстовых сред.

Источник: Deshpande D. Masked Diffusion Language Models are Strong and Steerable Text-Based World Models for Agentic RL. Zenodo, 2026. DOI: 10.5281/zenodo.20219105. Исследование пока доступно только в виде препринта, его выводы стоит воспринимать с осторожностью.

Начало революции в графическом конвейере

За последние пять лет в архитектуре рендеринга в играх произошел по-настоящему огромный сдвиг. Если на протяжении двух десятилетий до этого, прогресс упирался в неумолимую математику закона Мура, где улучшение качества рендеринга сводилось к росту вычислительной мощности и увеличению количества полигонов и шейдеров, то сегодня все изменилось. Теперь для достижения высокого визуального качества в играх стала не грубая сила в лоб, а новые подходы, которые меняют устоявшуюся за десятилетия суть самого построения игровой картинки, в том числе на основе технологий ИИ. На сегодняшний день более 80% всех пикселей на экране в самых передовых (с технической точки зрения) играх проходят не классический путь, а смешанные подходы и новые уловки (новые подходы в вычислении света, супер-семплинг на основе ИИ и др).

Сегодня мы остановимся на том, как повлиял (и будет дальше влиять) ИИ на рендеринг в играх, чтобы понять суть сдвига в графике. Для этого мы изначально рассмотрим две ключевые темы: во-первых, фундаментальные отличия DLSS от всех предыдущих подходов к повышению разрешения и сглаживанию (от SSAA до TAAU), а во-вторых, место, которое нейросетевое масштабирование занимает в современном графическом конвейере, после чего сделаем обзор на ближайшее будущее рендеринга в играх.

От супер-сэмплинга к нейронному синтезу сцены

Чтобы оценить место DLSS (в том числе и будущей 5-ой версии) в графическом пайплайне, мы проследим путь эволюции сглаживания и масштабирования от самых первых реализаций до современного подхода с использованием ИИ-вычислений.

Эпоха "чистой математики": SSAA, MSAA, FXAA и их ограничения

Классические методы борьбы с "лесенками" на границах игровых объектов были основаны на простом, но дорогом для вычислений принципе: обработке изображения с более высоким разрешением или его частей.

Посмотрим на три классических алгоритма сглаживания в играх:

• SSAA (Supersampling Anti-Aliasing): Самый "честный", но и прожорливый метод. Сцена рендерится в разрешении, превышающем целевое у пользователя (например, в 4K для вывода на FHD-монитор), а затем полученный кадр сжимается обратно до нужного размера. SSAA обрабатывает каждый суб-пиксель, включая затенение, что дает эталонное качество картинки, но приводит к падению производительности (надеюсь, вы понимаете, почему). Для современных игр со сложными шейдерами и геометрией этот подход непрактичен.
• MSAA (Multisample Anti-Aliasing): Этот метод появился, как попытка оптимизировать SSAA. Суть оптимизации сводится к тому, что обработка затенения производится только один раз для каждого примитива (например треугольника) внутри пикселя, а не каждый сэмпл, как это делает SSAA. Хотя такой подход и значительно снижает нагрузку на GPU, стоит учесть, что MSAA эффективно сглаживает только края геометрии, но не справляется с другими элементами пайплайна, как например, сглаживанием текстур. Также его стоимость все еще остается высокой для сложных сцен.
• FXAA (Fast Approximate Anti-Aliasing): Сглаживание на уровне постобработки, которое анализирует уже готовый 2D-кадр, ищет в нем высоко-контрастные границы и размывает их. Это самый "дешевый" с точки зрения производительности метод, но его главный недостаток, в итоге - неизбежное "мыло" всей картинки, включая текстуры и элементы интерфейса, что приводит к потере четкости и детализации.

Эра темпорального накопления: TAA и его наследники (TAAU)

Ключевой прорыв произошел с переходом к темпоральным методам, которые используют информацию не только из текущего кадра, но и из предыдущих.

Что же изменилось в подходах:

• TAA (Temporal Anti-Aliasing): Вместо того чтобы рендерить каждый пиксель, TAA слегка смещает положение камеры каждый кадр, накапливает информацию с предыдущих кадров, используя моушн векторы объектов, и затем вычисляет среднее значение. Это позволяет получить качество, близкое к SSAA, при производительности, сопоставимой с одной отрисовкой кадра. TAA стал отраслевым стандартом на долгие годы, но у него есть свои фундаментальные проблемы: гоустинг, потеря детализации на мелких и быстро движущихся объектах и общее "мыльное" ощущение от картинки в некоторых реализациях и сценах.
• TAAU (Temporal Anti-Aliasing Upsampling): Логическое развитие TAA. Понимая, что темпоральное накопление позволяет восстанавливать детали из субпиксельной информации, разработчики начали применять его для масштабирования изображения, рендеря сцену в более низком разрешении и "апскейля" в высокое, используя историю кадров.

Именно TAAU является прямым предшественником DLSS, но с одним критическим отличием: TAAU полагается на жестко заданные правила и не способен "понимать" сцену, а лишь математически усредняет пиксели, что часто приводит к артефактам.

Революция DLSS: от CNN до Vision Transformer

NVIDIA DLSS (Deep Learning Super Sampling) и её аналог FSR совершили качественный скачок, заменив чисто математические подходы TAAU на модели машинного обучения, способные принимать более "интеллектуальные" решения о том, как именно восстанавливать изображение.

Первые поколения использовали сверточные нейронные сети (CNN). Их главный недостаток - это "близорукость": модель анализировала пиксели только в рамках ограниченного пространственного окна (рецептивного поля или же область входного изображения). Это приводило к хорошо знакомым геймерам проблемам: если объект двигался слишком быстро, CNN "теряла" его из виду, что вызывало мерцание и гоустинг на мелких деталях вроде листвы, проводов или волос.

Переход на архитектуру Vision Transformer в 4-ой версии DLSS, стал фундаментальным прогрессом. В отличие от CNN, Transformer может оценивать значимость и взаимосвязь любых пикселей в кадре, независимо от расстояния между ними, благодаря дополнительному механизму внимания. Модель научилась "понимать" контекст всей сцены, что позволило радикально повысить стабильность изображения, уменьшив количество артефактов и впервые приблизить картинку после апскейла очень близко сопоставимой с нативным разрешением (а иногда и превосходить её по четкости).

Техническая интеграция в графический конвейер: Место DLSS в пайплайне рендеринга

DLSS не является "черным ящиком", который просто получает на вход низкое разрешение и выдает высокое. Это сложная система, глубоко интегрированная в процесс рендеринга, требующая от разработчиков не только вызова API, но и подготовки специфических данных. Поэтому, когда вы видите плохой DLSS - возможно, дело в самом разработчике игры, а не технологии.

Входные данные: что нужно для работы DLSS

Для корректной работы DLSS графический движок игры должен предоставить специальный набор буферов, каждый из которых критически важен для алгоритма:

1. Color Buffer: Грубо говоря, это кадр, отрендеренный в пониженном разрешении. Это "грубый набросок", на основе которого будет строиться финальное изображение.
2. Motion Vectors: Критически важный компонент. Для каждого пикселя этот буфер показывает, куда он переместился по сравнению с предыдущим кадром. Это позволяет DLSS понять динамику сцены, корректно связать пиксели из разных кадров и избежать эффекта гоустинга.
3. Depth Buffer: Информация о расстоянии от камеры до каждого пикселя. Он помогает модели понять структуру сцены и то, какие объекты перекрывают друг друга, что особенно важно для правильной обработки краев геометрии.
4. Jitter Offsets: Чтобы получить больше информации, чем содержится в одном кадре, камера в каждом кадре слегка смещается на долю пикселя по особому паттерну (как в ранее описанном TAA). DLSS должен точно знать величину этого смещения, чтобы "вычесть" его из векторов движения и корректно совместить пиксели из разных кадров.

Как DLSS встраивается в конвейер

DLSS встраивается не в любой момент, а в строго определенном месте графического пайплайна. Интеграция с игровым движком происходит через открытый SDK, который предоставляет интерфейс для технологий (DLSS, Reflex, и т.д.).

Пример этапов конвейера с учетом работы DLSS:

1. Рендеринг геометрии и шейдинг: Игровой движок выполняет всю "тяжелую" работу: просчитывает геометрию, освещение, материалы и тени. Все это происходит в пониженном разрешении.
2. Ранний пост-процессинг: DLSS должен быть встроен до применения таких эффектов, как шум (film grain), хроматические аберрация, виньетки и, самое главное, до пользовательского интерфейса (UI). Это необходимо, чтобы нейросеть работала с "чистым" изображением сцены, а не с наложенными поверх эффектами, которые могут сбить ее с толку и исказить финальный результат.
3. Вызов DLSS: На этом этапе все подготовленные входные данные (буферы цвета, глубины, моушн векторы) передаются в DLSS. Модель обрабатывает их, используя свои веса, и генерирует финальный кадр в целевом (высоком) разрешении.
4. Поздний пост-процессинг и UI: После того как DLSS выполнил свою работу, поверх полученного высококачественного изображения накладываются эффекты, которые должны оставаться "родными" для разрешения монитора (хроматическая аберрация, виньетка и т.д.), и, что самое важное, интерфейс в целевом разрешении, оставаясь максимально четким и неискаженным.
5. Вывод на экран: Финальный кадр отправляется на дисплей.

Всё это открывает путь к массовому внедрению технологий, в особенности, когда DirectX 12 и другие вендоры открывают новые подходы, подобные DLSS, на основе ИИ рендеринга (сжатие текстур, материалов) на уровне API, делая их стандартной частью инструментария современного разработчика.

DLSS 5: сдвиг парадигмы к нейронному синтезу сцены

DLSS 5 дает старт переопределения самого подхода к постановке задачи. Если предыдущие версии работали с уже отрендеренным кадром, восстанавливая или достраивая пиксели, то новая модель оперирует структурными данными движка: depth buffer, albedo, motion vectors, нормали, идентификаторы материалов и освещения. Сеть не просто «дорисовывает» - она переосмысливает визуальные свойства сцены.

NVIDIA заявляет, что DLSS 5 способен анализировать семантику сцены: распознавать кожу, волосы, ткани, различные типы освещения, и генерировать более точные пиксели для подповерхностного рассеяния (subsurface scattering) на коже или более реалистичные отклики материалов. Речь идёт о контролируемой модификации финального изображения, остающейся детерминированной и темпорально стабильной.

То, что многие "эксперты" ругались на финальный результат, скорее сейчас - это просто сырость самой технологии и "рукастость" разработчиков, которые помогали создавать техно-демонстрацию. Стоит учитывать, что меняется сам подход к рендерингу, так что первые шаги будут шакальными, но этот путь проходили и более ранние технологии без ИИ.

Multi Frame Generation: от линейной интерполяции к адаптивному синтезу

Математика генераций кадров

В классической схеме генерации кадров (DLSS 3) на каждый рендеренный кадр генерировался один интерполированный, что давало прирост в скорости примерно на 100%. DLSS 4 увеличил прирост еще примерно в два раза (три сгенерированных кадра на один рендеренный).

Ключевой вопрос: при каком FPS это имеет смысл? Предположим, что при входном потоке 60 FPS после супер-сэмплинга выход может достигать 360 FPS на дисплее. Это соответствует временному окну ~16.6 мс между рендеренными кадрами, внутри которого нейросеть должна предсказать пять промежуточных состояний сцены. Подумайте сами над ответом и напишите в комметах.

Вообще, в архитектуре Blackwell, которая служит базой для предсказания движения, на высоких коэффициентах генерации линейная интерполяция моушн векторов становится недостаточной. DLSS 4.5 добавляет динамическую регулировку коэффициента: в сценах с высокой сложностью (например, взрывы частиц) модель может снижать коэффициент, чтобы сохранить качество, а в относительно статичных сценах - повышать. Однако опять же, дело за разработчиками.

И вот тут то стоит сделать ремарку. Инженеры Nvidia - люди, которые работают сугубо над тем, чтобы двигать свою технологию вперед, а графические программисты, которые работают над рендерингом, мало того, что занесены в красную книгу, во-первых, привыкли к устоявшимся подходам и не могут быстро переключиться на обновленный пайплайн рендера ничего не сломав, а во-вторых, как и все придерживаются сроков релизов. Если вы представляете примерно, что скрывается под "перестроить графический пайплайн", то должны понимать, почему на первых порах неизбежны косяки в использовании новой технологии.

Проблема в задержках ввода (инпат-лаг) и решение через Reflex

Генерация промежуточных кадров фундаментально увеличивает инпат-лаг: тобишь, сгенерированный кадр не содержит реакции на ввод пользователя, эта реакция появляется только в следующем рендеренном кадре.

NVIDIA компенсирует это технологией Reflex, которая синхронизирует CPU и GPU таким образом, чтобы очередь рендеринга была минимальной. Однако, реализация также сильно зависит от игрового движка и правильности встраивания в общий жизненный цикл рендеринга и остальной логики.

А что, если сжимать данные, а не пиксели?

DLSS - это конечно круто и у всех на слуху. Но это лишь один из подходов, где используется ИИ в процессе рендеринга. Давайте посмотрим на другие подходы.

Сжатие текстур с использованием ИИ: экономия видео-памяти

Одна из наиболее острых проблем современного геймдева: огромный рост объёмов текстур. Традиционные блочные методы сжатия (BC1-BC7) достигают коэффициентов 4:1 <=> 8:1, но их эффективность упирается в фундаментальные ограничения: сжатие происходит независимо для каждого блока, без учёта глобальной структуры текстуры.

Инженеры решили подойти к задаче принципиально иначе: вместо хранения сжатого изображения, хранится обученная нейросеть (или её веса), способная реконструировать текстуру произвольного разрешения в рантайме. Например, NVIDIA, заявляет о семикратном сокращении использования VRAM и системной памяти по сравнению с традиционными блочно-сжатыми текстурами при сопоставимом визуальном качестве.

Технически это работает следующим образом: на этапе сборки игры текстуры пропускаются через процедуру обучения, занимающую менее минуты на тысячи ассетов (в зависимости от железа, конечно). Результатом является компактное представление для модели, которое при загрузке в память распаковывается тензорными ядрами в реальном времени. Поскольку распаковка происходит «на лету», отпадает необходимость хранить в видео-памяти одновременно все MIP-уровни. ИИ может генерировать нужный уровень по требованию.

Для AAA-игр это означает не только экономию видео-памяти, но и радикальное сокращение размера самих игр, ускорение загрузки и возможность увеличить плотность текстур без роста требований к памяти.

Компрессия шейдеров и материалов

Сложные материалы - это слоистые структуры, комбинирующие десятки карт и сотни математических операций. Рендеринг материалов высокого уровня (например, фарфор, шёлк, многослойная кожа) в реальном времени до сих пор был непрактична из-за высокой вычислительной стоимости.

ИИ-шейдеры используют обученные нейросети для вычисления сложного шейдерного кода.

Архитектурно это означает, что вместо выполнения полного графа шейдера на каждом пикселе, GPU выполняет инференс, который выдаёт финальные параметры шейдера. Выигрыш достигается за счёт того, что тензорные ядра выполняют матричные операции существенно эффективнее, чем шейдерные ядра.

Инференс вместо трассировки лучей

Все знают, насколько прожорливой остается трассировка лучей - Ray Tracing и, в особенности, Path Tracing. Path tracing требует трассировки сотен или тысяч лучей на пиксель для схождения непрямого освещения. Новый подход позволяет заменить большую часть этой работы инференсом: после трассировки одного-двух отскоков, нейросеть предсказывает результат бесконечного числа последующих отскоков.

К примеру, подобная технология (NRC) уже стала доступна через RTX Global Illumination SDK и вскоре появится в RTX Remix. Практическое следствие такого подхода - это возможность достижения визуального качества традиционного Path Tracing с производительностью, сопоставимой с более простыми техниками глобального освещения.

Все описанные технологии опираются на специализированные вычислительные блоки. Эволюция тензорных ядер от поколения к поколению напрямую определяет, насколько эффективно работают ИИ модели рендеринга.

Исходя из этого, пользователи RTX 20/30 серий получают идентичное качество изображения, к примеру от DLSS 4.5, но со значительным падением производительности из-за отсутствия родной поддержки FP8/FP4 в тензорных ядрах.

Взглянем в неизбежное будущее: ИИ рендеринг, как новый стандарт

Итак, поговорив о текущих технологиях и меняющемся подходе (где-то еще не идеальным, экспериментальным, но уже набирающем обороты), давайте заглянем в ближайшее будущее рендеринга в играх на базе ИИ.

Траектория развития до 2030 года

Проводя анализ текущих технологических векторов и уже доступных решений, можно смело спрогнозировать несколько ключевых направлений:

1. Полная замена традиционных шейдеров на инференс: первые технологии, вроде RTX Neural Shaders уже демонстрируют, что нейросети могут ускорять сложные вычисления на материалах эффективнее, чем рукописный шейдерный код, в особенности из-за улучшения архитектуры тензорных ядер. Следующий шаг, безусловно, унификация всех материалов под ИИ модели, где шейдер компилируется в веса небольшого инференса.
2. Плавный переход от генерации кадров, к генерации сцены: уже существующие технологии работы с примитивами сцены (проработке геометрии, освещения, текстур), уводят шаг к более оптимизированному и продвинутому конвейеру производства игр на уровне сцены, что развяжет руки художникам и техническим артистам, избавив от рутинной работы по оптимизации сцен на уровне ИИ. А дальше, как вариант, это и генерация каких-либо примитивов, чтобы подобрать для артистов первоначальные наброски за секунды, а не часы ручной работы.
3. Гибридные вычислительные модели: Современные видео-карты уже содержат отдельные тензорные ядра, ядра для рейтрейсинга и шейдерные ядра. Будущие архитектуры, вероятно, ещё сильнее разнесут эти специализированные блоки, позволяя параллельно выполнять классический рендеринг, трассировку лучей и инференс.
4. Стандартизация ИИ-рендеринга: Microsoft уже добавила поддержку ИИ-рендеринга в DirectX, что открывает путь к универсализации (как минимум на уровне DirectX API). Те же ARM развивают собственные GDK для разработчиков, открывая двери для супер-семплинга и денойзинга на основе ИИ под мобильные устройства.

Однако, при всех достижениях, остается ряд фундаментальных проблем, над решениями которых работают сотни инженеров:

1. Детерминированность: Генеративные модели по своей природе случайны. Для соревновательного гейминга необходима попиксельная повторяемость результата, чего сложно достичь без фиксации сида. Однако развитие всё новых и новых подходов, сводит случайность к минимуму.
2. Энергопотребление: инференс безусловно жрет много энергии. В мобильном гейминге и на портативных устройствах (например Steam Deck, Nintendo Switch) это критическое ограничение. Но и в этом направлении ведётся огромная работа, предлагая новые варианты оптимизаций моделей.
3. Обратная совместимость: По мере роста вычислительных требований новых моделей старые GPU теряют способность эффективно их исполнять, что создаёт фрагментацию пользовательской базы. Здесь же скорее результат будет зависеть от скорости появления общепринятых стандартов в разработке, поскольку мы находимся лишь вначале пути.

В истории уже было отвращение к технологиям. Просто вы этого не помните. Как индустрия переваривала прошлые графические революции?

Тейки, сопровождающие внедрение ИИ рендеринга: от "фейковых кадров нейрослопа" и "мыла вместо графики" до страха перед потерей контроля над визуальным результатом, звучат конечно очень громко, но не являются чем-то новым для индустрии. Практически каждое фундаментальное изменение в архитектуре рендеринга за последние 25 лет встречало схожее сопротивление, прежде чем стать новым стандартом.

Compute шейдеры против обычного конвейера (2001–2004)

До появления GeForce 3 и DirectX 8 графический конвейер был жёстко заданной цепочкой операций: трансформация вершин, освещение по фиксированным формулам, растеризация, смешивание текстур. А потом нам разрешили программировать свои вершинные и пиксельные шейдеры для каждой стадии, что открыло дорогу к картам нормалей, динамическим теням и сложным материалам.

В то время, людей пугало, что шейдеры слишком медленные, разработчики не справятся с написанием сложного кода, и что шейдеры, которые можно закодить - это костыли, а не шаг вперед.

В реальности же, всего через пять лет игры без шейдеров, стали пережитком прошлого. Half-Life 2, Doom 3, Far Cry продемонстрировали, что программируемый пайплайн, это не просто замена старому, а инструмент, позволяющий создавать шедевры, невозможные ранее. Разработчики же быстро освоили HLSL и GLSL, а производительность выросла, благодаря аппаратному ускорению шейдерных блоков.

Переход к отложенному освещению (Deferred Rendering, 2007–2011)

Классический прямой рендеринг (forward rendering) пересчитывал освещение для каждого объекта, что делало множество динамических источников света непрактичным. Отложенный рендеринг разделил процесс на два прохода: сначала пишутся геометрические атрибуты в G‑буфер, а уже затем выполняется расчёт освещения только в экранном пространсвте. Это позволило использовать десятки и сотни динамических источников света в кадре. А ведь сегодня это кажется обыденностью.

Но в то время, многие утверждали, что g-буфер будет жрать много памяти, мощное сглаживание MSAA придется выкинуть, а все прозрачные объекты чем-то заменить, ведь они ломаются.

Но в реальности, индустрия нашла компромиссы, ведь плюсы перевешивали все минусы. И так, взамен MSAA появились сначала новые виды сглаживания (FXAA, SMAA, позднее замененные TAA и TAAU), которые в итоге даже превзошли по качеству. А сам подход стал индустриальным стандартом.

Физически корректный рендеринг (PBR, 2013–2016)

В эпоху до PBR материалы описывались стандартными параметрами (specular power, glossiness), которые вели себя по-разному при разном освещении и требовали ручной подгонки под каждую сцену. Физически корректный подход ввёл единую модель BRDF, основанную на измеряемых дополнительных свойствах реальных материалов: metallic, roughness, albedo.

Однако по-началу, реакция была жесткой - говорили о том, что все игры станут одинаковыми и пластиковыми, старые текстуры придется переделывать с нуля, а художники потеряют творческий контроль.

Но случилось другое: PBR не уничтожил стилизацию. Он дал художникам предсказуемую основу, поверх которой можно накладывать стилистические решения. Переход на PBR конечно потребовал до-обучения сотрудников и введения в работу новых инструментов (например, как Substance Painter, Quixel), но результатом стал скачок в реализме и стабильностью материалов между разными сценами и проектами. Сегодня даже стилизованные мультяшные игры используют PBR-пайплайн, адаптированный под эстетику.

Наши дни

Вот и сейчас, начиная с 2018 года, всё началось с переноса технологий рейтрейсинга из киношного рендера, в игровой. Первые реализации были скромными: только тени или отражения при низком количестве лучей на пиксель..

Спустя семь лет, трассировка лучей уже стала стандартом в AAA-сегменте. Cyberpunk 2077 в режиме Path Tracing, Alan Wake 2, Black Myth: Wukong с полным RT: это примеры того, как технология созрела и стала стандартом. Денойзинг и апскейлинг (включая DLSS) эволюционировали, сделав RT играбельным. Консоли текущего поколения получили аппаратные RT-блоки, а AMD и Intel догоняют NVIDIA в производительности трассировки.

Текущий переход к ИИ рендерингу демонстрирует все те же паттерны, что и предыдущие революции.

Нас ждет очередная революция? Подведем итоги

Каждая из прошлых революций требовала времени на адаптацию, обновление инструментария, обучение разработчиков и оптимизацию железа. ИИ рендеринг не является исключением.

Он не отменяет работу художников и программистов, а даёт им новый уровень абстракции: вместо ручной борьбы с шумом, сглаживанием или оптимизацией материалов, разработчики смогут полагаться на модели, обученные на огромных дата сетах фото-реалистичного или же стилизованного контента.

Более того, как мы уже убедились выше, история показывает, что после принятия новой парадигмы или технологий, индустрия не просто возвращается к прежнему уровню качества, а выходит на новую ступень. Шейдеры не убили 2D-спрайты, но подарили нам карты нормалей и динамические тени. PBR не сделал игры однообразными, а дал новую основу, как для фото-реализма, так и для стилизации (например, Dishonored 2).

ИИ-рендеринг не уничтожит «ручную» графику, а позволит достичь в реальном времени визуальной сложности.

Другой вопрос, как разработчики будут пользоваться технологиями, ведь есть примеры, где разработчики, даже при значительном скачке технологий, делают шаг назад (привет Battlefield 6).

Следующие пять лет определят, насколько ИИ рендеринг проникнет в каждый аспект создания игр. Судя по текущей траектории, к 2030 году грань между "рендерингом" и "генерацией" станет неразличимой, либо очень стертой.

В ноябре 2022 года у сооснователя и тогдашнего CEO GitLab обнаружили остеосаркому — редкую форму рака костей. Шестисантиметровая опухоль росла из позвонка T5 в верхнем отделе позвоночника. После хирургии, лучевой терапии и жёсткой химиотерапии рак вернулся в 2024 году — и стандартные методы лечения были исчерпаны.

Тогда Сид решил перейти в Founder Mode — режим глубокого личного вовлечения основателя, о котором писал Пол Грэм. Вместо того чтобы делегировать решения врачам и ждать, Сид погрузился в каждую деталь диагностики и лечения — так же, как когда-то погружался в детали GitLab.

— Сид Сийбрандий — сооснователь GitLab (IPO в 2021, полностью удалённая компания без единого офиса)

— В 2022 году диагностирована остеосаркома позвоночника, в 2024 — рецидив после исчерпания стандартного лечения

— Собрал команду учёных и врачей, создал 10+ персонализированных терапий, прошёл экспериментальное лечение в Германии

— Результат: доля T-клеток в опухоли выросла с 19% до 89%, рак не обнаруживается

— Основал Even One Ventures с 7 биотех-стартапами для масштабирования персонализированной онкологии

— Стал сооснователем Kilo Code — open-source ИИ-агента для программистов ($8 млн инвестиций, 1,5 млн пользователей)

От подводных лодок до крупнейшей удалённой компании

Сид Сийбрандий (Sid Sijbrandij) — голландский предприниматель, который начал карьеру в компании U-Boat Worx, строившей частные подводные лодки. В свободное время он учил Ruby и читал Hacker News — там и нашёл open-source-проект GitLab, созданный украинским разработчиком Дмитрием Запорожцем.

Как рассказывает журналист Эллиот Хершберг, однажды вечером Сид опубликовал ссылку на бета-версию hosted-варианта GitLab на Hacker News, пока готовил блинчики с подругой Карен. Пост попал на главную, за три часа зарегистрировались более 150 человек. Сид больше не спустился на кухню — Карен принесла блинчики наверх.

В 2015 году GitLab прошёл через Y Combinator. К октябрю 2021 года компания вышла на NASDAQ. Сегодня GitLab — одна из крупнейших полностью удалённых компаний мира: более 2500 сотрудников, ни одного физического офиса, а внутренний GitLab Handbook на 3000+ страниц стал легендой в мире бизнеса.

Диагноз: 6 см опухоли в позвоночнике

18 ноября 2022 года, после двух недель болей в груди, Сид оказался в больнице. Аневризму исключили, но нашли шестисантиметровое образование на позвонке T5. Диагноз — остеосаркома, редкая для 45-летнего мужчины форма рака костей.

Началось агрессивное лечение. Хирург удалил поражённый позвонок и зафиксировал позвоночник титановой рамкой. Затем — стереотаксическая радиотерапия (SBRT), несколько курсов химиотерапии и протонная терапия. Химия была настолько тяжёлой, что потребовались четыре переливания крови.

Это уничтожило меня. Моё сердце стало менее гибким, у меня анемия. Я стал глупее — так влияет системная химиотерапия на мозг.

Единственное отступление от стандартного протокола — Сид использовал экспериментальную терапию от Shasqi, стартапа его знакомого по Y Combinator Хосе Мехиа Онето. Shasqi применяет клик-химию (за неё дали Нобелевскую премию 2022 года) для точечной активации химиотерапии непосредственно в опухоли — вместо того чтобы отравлять весь организм. Для Сида подали индивидуальную заявку IND (Investigational New Drug) в FDA — и она была одобрена за 48 часов.

Два года регулярные проверки подтверждали ремиссию. Но в 2024 году снимки показали рецидив. Рак вернулся.

Founder Mode: «Стало моей работой — сохранить себе жизнь»

Медицинская команда развела руками: стандарт лечения исчерпан, подходящих клинических испытаний нет. В конце 2024 года Сид передал пост CEO GitLab Биллу Стэйплсу и перешёл на позицию Executive Chair: «Я хочу больше времени на лечение рака и здоровье».

До этого Сид управлял GitLab в Founder Mode, а своё лечение — в Manager Mode, делегируя решения врачам. Пришло время перевернуть это, пока не стало поздно. Три принципа нового подхода:

1. Максимальная диагностика. Делать каждый доступный тест так часто, как возможно. Ни одна единица информации не слишком мала — как в GitLab Handbook
2. 10+ персонализированных терапий. Раз готовых лекарств нет — создавать их совместно с учёными и компаниями на основе данных диагностики
3. Терапии параллельно, не последовательно. Не ждать, пока рак начнёт прогрессировать, а тестировать несколько гипотез одновременно и эмпирически измерять ответ

Сид нанял Джейкоба Стерна — бывшего директора по продукту пространственной транскриптомики в 10x Genomics (ранее — Palantir, BCG). Стерн фактически стал «CEO лечения Сида»: координирует диагностику, общается с больницами и исследователями, ищет новые терапевтические возможности.

Я понял, что этот парень живёт на тридцать лет в будущем. Это было самое впечатляющее применение нашей технологии, которое я когда-либо видел.

Команда также включает частные медицинские сервисы (Private Medical, Pathfinder Oncology), клинический и научный консультативные советы. Документ «Sid Health Notes» — подробный лог каждого медицинского взаимодействия — вырос до 1000+ страниц только за 2025 год.

Арсенал: диагностика, ИИ и 25 ТБ данных

Диагностический стек Сида — пять направлений, каждое из которых выходит за рамки стандартной онкологии:

• Секвенирование одиночных клеток (10x Genomics) — показывает, какие гены активны в каждой отдельной клетке опухоли и какие T-клеточные рецепторы присутствуют. Это позволяет подбирать иммунотерапию под конкретную опухоль
• Bulk ДНК/РНК секвенирование — общая картина мутаций: какие гены сломаны, какие сверхактивны
• Тесты на минимальную остаточную болезнь (MRD) — сканируют кровь на следы опухолевой ДНК. Работают как «детектор дыма» — улавливают рецидив задолго до того, как опухоль видна на снимках
• Органоиды — 3D-модели опухоли, выращенные из клеток пациента в лаборатории. На них можно тестировать лекарства, не подвергая пациента риску
• Патологические окрашивания — подтверждение геномных гипотез на образцах ткани

Отдельное оружие — ИИ. На OpenAI Forum в марте 2026 года Сид и Джейкоб рассказали, как используют ChatGPT: загружают результаты сканов, анализов крови и тканей, чтобы строить связи между данными, отслеживать изменения и искать новые варианты лечения.

Все данные Сид опубликовал на сайте osteosarc.com — в духе «радикальной прозрачности» GitLab. Доступны: секвенирование одиночных клеток, bulk РНК-секвенирование, интерактивная микроскопия высокого разрешения, таймлайн лечения и 25 ТБ данных в публично читаемых бакетах Google Cloud. «Если вы найдёте мишень, на которую может воздействовать ваша наука, — свяжитесь со мной», — пишет Сид.

Прорыв: экспериментальная терапия в Германии

Анализ одноклеточных данных показал ключевую находку: многие гены с наибольшей дифференциальной экспрессией были маркерами фибробластов (клеток, которые в норме участвуют в заживлении ран). Опухоль Сида научилась использовать механизм заживления ран для собственного роста — как рана, которая никогда не заживает.

Параллельно медицинская команда нашла экспериментальную терапию в Германии, нацеленную на ген FAP (Fibroblast Activation Protein) — один из тех самых фибробластных маркеров. Как говорит Сид: «Я готов говорить с кем угодно, ехать куда угодно и быть там в любой момент».

Лечение — радиолигандная терапия: молекула-«наводчик» (лиганд) находит раковые клетки, а прикреплённый к ней радиоизотоп уничтожает их. Сначала — «холодный» изотоп для визуализации: опухоль Сида засветилась на снимке, подтвердив, что лиганд попадает в цель. Затем — «горячий» изотоп Лютеций-177 (Lu-177). Этот же изотоп используется в прорывном препарате Pluvicto от Novartis для рака простаты, но с другим лигандом-наводчиком — под другую мишень.

После инъекции Сид провёл два дня в карантине, отслеживая уровень радиоактивности ручным монитором. В отличие от химиотерапии, радиолигандная терапия оказалась несравнимо легче — излучение концентрировалось на опухоли, а не разрушало весь организм. После карантина Сид устроил дегустацию вин в честь события.

Результат: с 19% до 89% T-клеток

Опухоль уменьшилась настолько, что стала операбельной. После операции — контрольный анализ иммунных клеток в опухоли. Результат:

Доля T-клеток среди инфильтрирующих иммунных клеток выросла с 19% до 89%. Комбинация из чекпойнт-ингибитора (лекарство, которое «снимает тормоза» с иммунной системы), неоантигенной пептидной вакцины, онколитического вируса и радиотерапии запустила противоопухолевый иммунный ответ на полную мощность.

Рак Сида — не обнаруживается. Но команда продолжает работать под девизом «Stay Paranoid»: готовит персонализированную мРНК-вакцину (подобную тем, что Moderna тестирует для меланомы) и разрабатывает клеточные терапии с генетическими логическими вентилями — молекулярными «if-else», которые убивают клетку только при наличии нескольких сигналов одновременно, снижая риск атаки на здоровые ткани.

7 биотех-стартапов для масштабирования

Опыт Сида — не просто личная история спасения. Он масштабирует свой подход через Even One Ventures — венчурный фонд с девизом «Patient First», основанный в 2025 году. Портфель — 7 биотех-компаний:

• Bulsara BioWorks — разработка противоопухолевых препаратов, восстанавливающих функцию генов-супрессоров опухолей (основана в 2025 году в Сан-Франциско)
• Arden Bio — биотехнологии для персонализированной медицины
• Echo Immune — иммунные технологии
• Invocata — терапевтическая разработка
• Kernis Health — здравоохранение
• Ranata Therapeutics — новые терапевтические подходы
• Valius Sciences — научные решения (последняя инвестиция — март 2026)

Главный вопрос: может ли всё это стать доступным не только миллиардерам? Сид формулирует проблему в числах: «Стоимость одобрения лекарства — около $1 млрд (по некоторым оценкам, до $4,4 млрд для онкологии). Стоимость дозирования одного человека персонализированной терапией — $1 млн. Этот разрыв — максимальный за всю историю. И он продолжает расти, потому что создавать новые лекарства становится всё проще, а стоимость клинических испытаний только растёт».

Сид также управляет Open Core Ventures — венчурным фондом для open-source-компаний (10+ стартапов) — и Sijbrandij Foundation, которая поддерживает новые подходы к лечению рака.

Kilo Code: энергия, которой не должно быть

Один из самых поразительных фактов в истории Сида: параллельно с борьбой за жизнь и запуском биотех-фонда он стал сооснователем ещё одной технологической компании.

Kilo Code — open-source ИИ-агент для программирования, который позволяет использовать любую модель (OpenAI, Anthropic, Google, Mistral, Meta Llama, собственные) без привязки к вендору. Компанию основал Ян Пауль Посма, а Сид присоединился как сооснователь в 2025 году. К декабрю 2025 года Kilo привлёк $8 млн посевных инвестиций от General Catalyst, Cota Capital и других.

В феврале 2026 года вышел Kilo CLI 1.0. Цифры: 1,5 млн пользователей и 6 трлн токенов в месяц через интеграцию с OpenRouter. Подход повторяет философию GitLab — открытый исходный код, вендор-нейтральность и «радикальная прозрачность».

Для IT-аудитории Kilo Code — отдельная интересная история. Но в контексте поста он говорит о другом: у человека, пережившего рак позвоночника, четыре переливания крови и рецидив, хватает энергии запускать стартапы и привлекать инвестиции. Это, пожалуй, самый убедительный аргумент в пользу того, что Founder Mode работает.

Что это значит для будущего онкологии

Главное возражение на историю Сида очевидно: это доступно только богатым. И это правда — сегодня. Но Эллиот Хершберг проводит аналогию с Мэджиком Джонсоном.

В 1991 году баскетболист объявил о ВИЧ-инфекции — тогда это звучало как приговор. Благодаря раннему доступу к прорывным антиретровирусным препаратам Джонсон жив и здоров. Те терапии теперь доступны миллионам людей. Между ВИЧ и раком есть принципиальное различие: антиретровирусная терапия — один класс лекарств для всех, а онкология требует индивидуального подхода. Но технологии делают персонализацию дешевле: стоимость геномного секвенирования упала с миллиардов до менее $1000 за 20 лет.

Персонализированные мРНК-вакцины, CAR-T терапия, CRISPR для индивидуальных пациентов (первая персонализированная CRISPR-терапия была применена к ребёнку в Филадельфии в мае 2025 года) — всё это уже работает в отдельных случаях. Вопрос — как масштабировать.

Будущее уже здесь — оно просто неравномерно распределено.

Выводы

История Сида Сийбрандия — это история о том, как инженерный подход, упрямство и готовность разобраться с нуля могут изменить траекторию смертельной болезни. Он перенёс удаление позвонка, четыре переливания крови, рецидив — и в ответ собрал команду, создал терапии, которых не существовало, открыл свои данные исследователям и основал 7 компаний, чтобы этот путь стал доступнее для других.

Да, Сид — миллиардер с ресурсами, недоступными большинству. Но технологии, которые он использовал, дешевеют экспоненциально. И каждый раз, когда он пробивает очередную бюрократическую стену — будь то получение собственных тканей из больницы или одобрение экспериментальной терапии через FDA — он прокладывает дорогу для следующих пациентов.

Как сам Сид говорит: «Я — Kool-Aid Man, пробивающий стену». И судя по результатам — стена поддаётся.

Источники: Century of Biology, Sid's Substack, sytse.com/cancer, OpenAI Forum, CNBC

Рынок инструментов стабилизировался и четко разделился на три сегмента. Визуальные генераторы соревнуются в детализации и стиле. Текстовые модели понимают контекст на сотни страниц. Инструменты для разработчиков встраиваются в рабочий процесс.

Как выбрать из тысяч вариантов? Мы опираемся на данные. Наш обзор построен на анализе крупнейших мировых рейтингов потребительских приложений, таких как список 100 Gen AI Apps от венчурного фонда a16z. Мы изучили исследования популярности, например, опрос Anketolog.ru среди российских пользователей, и отчеты аналитиков, включая AI Index Report Стэнфордского университета. Эти источники показывают, какие сервисы действительно используют люди и бизнес.

Мы протестировали десятки инструментов из верхних строчек этих рейтингов и отобрали самые полезные с учетом российских реалий. Ниже — подробный разбор каждого с конкретными кейсами и скрытыми функциями.

Эволюция ИИ-рейтингов в 2025 году: взлеты, падения и тренды

В 2025 году экосистема генеративного ИИ перестала быть хаотичной. По данным a16z, в их списке топ-100 веб-приложений появилось всего 11 новых имен. Для сравнения, годом ранее новичков было 17. Рынок структурируется, лидеры укрепляют позиции, но борьба за пользователя продолжается.

На вершине рейтингов закрепились проверенные гиганты, однако их позиции пошатнулись.

Стабильный лидер с растущей конкуренцией. ChatGPT сохранил первое место в веб-рейтинге, но его абсолютное доминирование ослабло. На мобильных устройствах аудитория Gemini от Google достигла половины от месячных активных пользователей ChatGPT.

Самый стремительный взлет. Помощник Grok от X (бывший Twitter) показал феноменальную динамику. В начале 2024 года у него не было мобильного приложения, а к середине 2025 года он привлек более 20 млн в активных пользователей, заняв четвертое место в веб-рейтинге. Рост на 40% в июле связали с выходом улучшенной модели Grok 4.

Заметное падение. Некогда популярный DeepSeek столкнулся с оттоком аудитории. В мобильном сегменте его популярность упала на 22% от пика, а в вебе — более чем на 40% к концу года. Рост других помощников, таких как Perplexity и Claude, также значительно замедлился.

В России картина популярности имеет свою специфику. Согласно исследованию, среди молодежи до 35 лет лидируют ChatGPT (64%), Алиса AI (46%) и DeepSeek (40%). В старшей возрастной группе (51+) наиболее востребованным оказался GigaChat (54%). Это подтверждает силу локальных решений, лучше адаптированных к языку и контексту.

Ключевые технологические прорывы года

От чат-ботов к автономным агентам. Главным трендом стал переход от моделей формата «вопрос-ответ» к ИИ-агентам. Это системы, которые самостоятельно планируют действия, используют внешние инструменты и выполняют сложные задачи без постоянного контроля человека. Аналитики IDC прогнозируют, что к 2030 году 45% крупных организаций будут использовать такие системы в масштабах всей компании.

ИИ на устройстве (On-Device AI). Благодаря мощным нейропроцессорам запуск моделей прямо на смартфонах и ноутбуках перестал быть экзотикой. Это уменьшает задержки и повышает конфиденциальность данных. Объем мирового рынка встроенного ИИ в 2025 году оценили в $11.54 млрд.

Эра открытых моделей. Открытые (open-source) архитектуры быстро сократили разрыв в качестве с коммерческими продуктами. Как отмечает в AI Index Report, разница в производительности по некоторым тестам сократилась с 8% до 1.7% всего за год. Это снижает барьеры для входа и стимулирует инновации.

Провалы и вызовы года

Год был отмечен не только прорывами, но и проблемами, которые заставили индустрию задуматься об ответственности:

• Кризис доверия к контенту. Исследование агентства LAMPA показало, что 70% россиян регулярно распознают контент, созданный ИИ. 56% опрошенных негативно относятся к брендам, которые скрывают использование нейросетей. Это привело к законодательным инициативам об обязательной маркировке такого контента.
• Инциденты с приватностью. Социальные сети, активно внедрявшие ИИ-агенты, столкнулись с проблемами. Утечка личных данных и сообщений пользователей в публичный доступ подрывает доверие и замедляет темп внедрений генеративных моделей.
• Сложности с рассуждениями. Несмотря на прогресс, фундаментальная проблема осталась. Как отмечают в Стэнфордском отчете, модели часто не справляются с логическими задачами, где требуется многошаговое рассуждение. Это ограничивает их применение в областях, где критически важна абсолютная точность.

Пользователи проголосовали за удобство и конкретную пользу. Бизнес — за эффективность и автоматизацию. В 2025 году инвестиции в ИИ в США достигли рекордных $109.1 млрд. Доля компаний, использующих ИИ, выросла с 55% до 78%. Технология из модного тренда превратилась в стандарт ведения бизнеса и неотъемлемую часть цифрового ландшафта.

Текстовые модели: от заметки до курсовой

Современные ИИ пишут грамотно, а также адаптируются к стилю и контексту. Модели запоминают тон голоса бренда, терминологию проекта и личные предпочтения пользователя.

GPT-5: глубокое понимание контекста

Ссылка: доступ через агрегаторы типа RuGPT

Самая мощная языковая модель на рынке с беспрецедентным размером контекста. Она справляется с документами в сотни страниц, сохраняя логические связи. Универсальный инструмент для сложных задач.

Ключевые особенности:

• обработка контекста до 500 тысяч токенов;
• функция ролевого моделирования;
• техника последовательного углубления;
• многоформатный вывод контента.

Практическое применение:

Редакторы готовят контент-план из одного запроса. Аналитики обрабатывают техническую документацию. Разработчики документируют сложные системы. Модель можно тонко настраивать на конкретный стиль, загружая примеры текстов.

Технические детали:

Архитектура трансформеров с улучшенным механизмом внимания. Модель обучали на разнородных данных с акцентом на логическую связность. Поддерживает цепочки рассуждений. Может одновременно работать с текстом, таблицами и схемами в одном контексте.

Доступность в России:

Через агрегаторы с локализованной оплатой. Требует VPN для прямого доступа.

Google Gemini: универсальный мультимодальный ассистент

Ссылка

Google Gemini — мультимодальная нейросеть, способная одновременно обрабатывать текст, изображения, аудио и видео. В отличие от узкоспециализированных инструментов, она действует как единый центр для решения разнородных задач: от анализа документов до генерации кода и работы с визуальным контентом. Интеграция с экосистемой Google делает ее удобным помощником в повседневной работе.

Ключевые особенности:

• работа с текстом, изображениями, аудио и видео в одном интерфейсе;
• интеграция с сервисами Google, включая Поиск, Workspace и YouTube, для ответов на основе актуальных данных;
• режимы «Быстрый» (Gemini Flash) для простых и «Обдуманный» (Gemini Pro) для сложных задач, включая программирование и математику;
• функция «Временный чат» для конфиденциальных запросов без сохранения истории.

Практическое применение:

Разработчики используют Gemini для анализа, комментирования и генерации фрагментов кода. Маркетологи и дизайнеры создают и редактируют изображения по текстовым описаниям. Студенты и аналитики загружают скриншоты, графики и видео (например, записи лекций или спортивных тренировок), чтобы получить структурированное описание, анализ или инструкции.

В экспериментальном режиме «Агент» модель может выполнять многошаговые задачи, используя веб-браузинг и сторонние приложения.

Технические детали:

Архитектура модели основана на парадигме «предсказания следующего токена» (Next Token Prediction), что позволяет единообразно обрабатывать данные разных типов, преобразуя их в последовательности токенов. В 2025 году Google представила модели Gemini 3 Pro и Gemini 3 Flash с улучшенными возможностями логического вывода и мультимодального понимания.

Модель способна создавать динамические интерактивные интерфейсы (как в экспериментальной функции «Динамический вид») в ответ на сложные запросы пользователя.

Доступность в России:

Gemini доступен через веб-интерфейс и мобильные приложения. Его базовые функции можно использовать, но для полного доступа к API и некоторым возможностям (особенно связанным с коммерческим использованием) в регионе действуют ограничения.

Российские пользователи могут столкнуться с необходимостью использования обхода или специализированных API-шлюзов для стабильной работы. Платные планы подписки (Google AI Plus/Pro/Ultra), открывающие доступ к продвинутым моделям и увеличенным лимитам, требуют оплаты международными платежными картами.

DeepSeek: аналитик на базе открытой модели

Ссылка

Китайская нейросеть DeepSeek быстро набрала популярность в России, став одной из самых востребованных в 2025 году. Модель предлагает мощные возможности логического анализа и работы с длинными документами, оставаясь при этом полностью бесплатной для пользователей. Это делает ее практичной альтернативой для юристов, аналитиков и исследователей, которым требуется глубокая обработка информации.

Ключевые особенности:

• специализация на сложных рассуждениях и логическом анализе данных;
• обработка длинных документов с контекстом до 128 тысяч токенов;
• анализ структурированных данных из таблиц, PDF-файлов и документов;
• функция пошагового размышления (chain-of-thought) для решения многошаговых задач.

Практическое применение:

Аналитики обрабатывают выгрузки данных в Excel, выявляя тренды и делая выводы по ключевым показателям. Юристы и консультанты загружают объемные договоры или отчеты для поиска противоречий и структурирования информации.

Исследователи используют модель для анализа научных статей, суммирования материалов и проверки гипотез. Технические специалисты применяют DeepSeek для автоматической категоризации больших массивов текстовых обращений, например, в службе поддержки.

Технические детали:

Основные возможности обеспечивает флагманская модель DeepSeek-R1, созданная специально для задач, требующих рассуждений. Она использует архитектуру «смеси экспертов» (MoE), что позволяет эффективно обрабатывать сложные запросы.

Модель поддерживает загрузку файлов (PDF, DOCX, TXT), но имеет ограничения: размер файла — около 10 МБ, а файлы без текстового слоя (например, сканы) она не прочтет. Для работы с изображениями и сканами требуется отдельное решение ChatDOC.

Доступность в России:

Сервис полностью доступен в России, не требует обходных маневров и работает по бесплатной модели. Это одна из ключевых причин его популярности. Однако пользователи иногда сталкиваются с временными сбоями и задержками ответов в периоды высокой нагрузки. Для коммерческого развертывания и доступа к API компания предлагает платные корпоративные решения.

Grok: нейросеть с чувством юмора и доступом к трендам

Нейросеть Grok от компании xAI Илона Маска — один из самых быстрорастущих и обсуждаемых проектов 2025 года. Модель позиционируется как «искатель истины» и отличается характерным чувством юмора, а ее главная особенность — глубокая интеграция с социальной сетью X* (бывший Twitter), что позволяет ей работать с данными в реальном времени. В отличие от локализованных решений, Grok ориентирован на глобальный контекст и актуальные мировые тренды.

Ключевые особенности:

• прямая интеграция с платформой X для анализа текущих событий, трендов и общественных настроений в реальном времени;
• уникальный стиль общения с элементами сарказма и «политической некорректности», что отличает его от более сдержанных конкурентов;
• расширенные возможности рассуждений (особенно в версии Grok 4.1 Thinking) для решения сложных многошаговых задач;
• функция DeepSearch для глубокого поиска и анализа информации из различных интернет-источников.

Практическое применение:

Журналисты и маркетологи используют Grok для мониторинга и анализа актуальных трендов и обсуждений в соцсетях. Исследователи и аналитики применяют модель для сбора данных и первоначальной оценки общественного мнения по конкретным вопросам. Благодаря интеграции с X*, Grok способен быстро отвечать на вопросы о самых свежих новостях и событиях, что делает его полезным инструментом для работы с оперативной информацией.

Технические детали:

На текущий момент последняя стабильная версия — Grok 4.1, представленная в ноябре 2025 года. Модель демонстрирует значительные улучшения в области эмоционального интеллекта и понимания контекста. Для обработки сложных запросов используется версия Grok 4.1 Thinking, а для быстрых ответов — Grok 4.1 Fast.

Компания xAI заявляет, что модель способна стабильно работать с контекстным окном до двух миллионов токенов. Однако пользователи отмечают, что Grok может демонстрировать предвзятость из-за опоры на данные X, а его производительность на языках, отличных от английского (включая русский), может уступать конкурентам.

Доступность в России:

Grok доступен через официальный веб-сайт и мобильные приложения. Базовая модель Grok 4.1 бесплатная для всех пользователей. Расширенный доступ к более мощным версиям модели, таким как Grok-4, предоставляется по платной подписке SuperGrok или в рамках подписки X Premium+. В России сервис требует обхода для стабильной работы.

*— заблокирована в РФ/

YandexGPT 3: понимание локального контекста

Ссылка

Лучший выбор для тех, кто не хочет использовать обходные маневры. Модель от Яндекса понимает специфику местного менталитета, бюрократии и бизнес-процессов. Интеграция с поиском обеспечивает проверку фактов.

Ключевые особенности:

• понимание российских реалий;
• стилистическая адаптация под аудиторию;
• отраслевая специализация;
• проверка фактов по авторитетным источникам.

Практическое применение:

Госслужащие готовят документы по российским стандартам. Маркетологи создают контент для локальной аудитории. Студенты пишут работы с учетом российских образовательных норм. Модель знает специфику местных нормативных актов и бюрократического языка.

Технические детали:

YandexGPT обучали на данных с акцентом на русскую лингвистику и местный контекст. Интеграция с поиском Яндекса для проверки фактов. Поддержка профессиональной терминологии. Использует технологию YaBERT для лучшего понимания морфологии русского языка.

Доступность в России:

Полностью доступен через Яндекс. Часть функций бесплатна.

GigaChat: комплексный подход

Ссылка

Мультимодальный помощник от Сбера, который работает с текстом, кодом и изображениями. Он особенно силен в решении комплексных задач, требующих разных форматов данных. Полная доступность в России — основное преимущество.

Ключевые особенности:

• работа с текстом, кодом и изображениями;
• пошаговое решение сложных задач;
• кросс-модальный перевод между форматами;
• контекстные напоминания.

Практическое применение:

Бизнес-аналитики готовят комплексные отчеты. Преподаватели создают учебные материалы. Разработчики получают консультации по технологическим стекам. Модель может описать содержимое загруженного изображения и предложить идеи на его основе.

Технические детали:

Мультимодальная архитектура с единым пространством представлений. Механизм сохранения контекста на протяжении длинных диалогов. Интеграция с экосистемой Сбера. Поддерживает функцию поиска по предыдущим диалогам пользователя.

Доступность в России:

Бесплатно через СберID. Полностью доступен.

Визуальные генераторы: от идеи к реализации

Год назад нейросети путались в анатомии и перспективе. Сегодня они создают коммерческие иллюстрации для брендов и концепт-арты для игровых студий. Художники используют ИИ для быстрых скетчей, маркетологи — для контента, рядовые юзеры — для развлечения.

Midjourney V7: эталон художественного стиля

Ссылка

Самый продвинутый генератор для творческих задач. Лидирует в создании сложных художественных работ с уникальным стилем. Сообщество в Discord превратилось в многочисленную образовательную платформу.

Ключевые особенности:

• понимает сложные запросы вроде «кошка в стиле немецкого экспрессионизма с элементами киберпанка»;
• параметр «–style raw» отключает приукрашивающую обработку;
• техника кадрирования через «Vary (Region)» для детализации областей;
• система многопромптов для комбинирования стилей.

Практическое применение:

Дизайнеры собирают для клиентов mood boards (подборки-концепты), чтобы визуально показать общее направление, цветовую гамму и атмосферу проекта. Маркетологи генерируют иллюстрации для статей. Коммюнити в Discord стало обширной базой знаний — пользователи учатся на чужих промптах. Профессионалы используют seed-значения для воспроизведения успешных результатов в сериях изображений.

Технические детали:

Модель обучали на специализированных художественных данных. Алгоритм учитывает композицию, цветовые схемы, исторические стили. Каждое изображение проходит постобработку для улучшения резкости и цветокоррекции. Архитектура позволяет точно контролировать вес отдельных слов в промпте через двойное двоеточие «::».

Доступность в России:

Работает через Discord. Оплата криптовалютой или через посредников. Бесплатный лимит скромный, но хватает для ознакомления.

DALL-E 4: точность и безопасность

Ссылка

Модель от OpenAI, которая стала точнее и безопаснее. Идеально подходит для задач, где важна детализация и соответствие текстовому описанию. Прямая интеграция с ChatGPT делает процесс интуитивно понятным.

Ключевые особенности:

• интеграция с ChatGPT в едином интерфейсе;
• функция редактирования контекста для точечных правок;
• строгая система безопасности контента;
• техника последовательных уточнений.

Практическое применение:

Блогеры создают иллюстрации к статьям прямо в процессе написания. Дизайнеры правят готовые изображения текстовыми командами. Преподаватели готовят визуальные материалы для лекций. Инструмент Outpainting позволяет расширять изображения за исходные границы с сохранением общего стиля.

Технические детали:

Модель использует диффузионную архитектуру с улучшенным пониманием семантики. Алгоритм анализирует отношения между объектами в сцене. Система фильтрации проверяет контент на соответствие политике безопасности. Модель генерирует изображения с исходным разрешением 1792 x 1024 пикселя.

Доступность в России:

Требует стабильного VPN. Оплата через зарубежные карты или агрегаторы.

Kandinsky: русскоязычный подход

Ссылка

Разработка Сбера, которая лучше других понимает русскоязычные запросы и учитывает локальный культурный контекст. Это оптимальный выбор для работы с российским социокультурным контекстом и художественными стилями.

Ключевые особенности:

• лучшее понимание запросов на русском языке;
• готовые стили «под Айвазовского», «как Репин»;
• технология семантического кадрирования;
• оптимизация под локальный культурный контекст.

Практическое применение:

Рекламные агентства создают контент для российского рынка. Художники экспериментируют с русскими стилями живописи, графики и дизайна. Студенты визуализируют исторические события. Модель корректно интерпретирует специфические понятия вроде «лапотный стиль» или «хрущевка».

Технические детали:

Модель 5.0 обучали на данных с учетом русской лингвистики и культурных особенностей. Алгоритм распознает специфические термины и идиомы. Интеграция с отечественными платформами через API. В основе лежит архитектура Kandinsky 3.0 и 4.0 с улучшенной диффузионной моделью и текстовым энкодером.

Доступность в России:

Бесплатно через голосового помощника «Салют» (от Сбера) или просто в браузере. Не требует VPN.

Stable Diffusion 3.5: полный контроль

Ссылка

Открытая платформа для тех, кому нужна максимальная гибкость. Сообщество создало тысячи моделей и адаптеров для любых задач. Это выбор разработчиков и исследователей.

Ключевые особенности:

• open-source архитектура для кастомизации;
• тысячи community-моделей и лора-адаптеров;
• техника негативных промптов для исключения элементов;
• локальный запуск без интернета.

Практическое применение:

Разработчики создают специализированные генераторы для медицины или архитектуры. Художники тренируют модели на собственном стиле. Исследователи экспериментируют с архитектурами нейросетей. Сообщество создало платформу Civitai для обмена моделями и стилями.

Технические детали:

Основан на диффузионной модели с открытыми весами. Сообщество разработало инструменты для тонкой настройки. Поддерживает запуск на потребительских видеокартах. Модель использует механизм сжатия latent-представлений, что ускоряет генерацию.

Доступность в России:

Модели скачивают через торренты или зеркала. Локальная работа без ограничений.

Adobe Firefly: рабочая интеграция

Ссылка

Инструмент, глубоко встроенный в экосистему Adobe. Он превращает генеративный ИИ в естественную часть рабочего процесса дизайнеров и фотографов. Юридическая чистота контента — ключевое преимущество.

Ключевые особенности:

• прямая интеграция в Photoshop и Illustrator;
• генеративное маскирование текстовыми командами;
• система согласования стилей проекта;
• расширение холста с сохранением контекста.

Практическое применение:

Дизайнеры дорисовывают элементы в готовых проектах. Фотографы заменяют фоны и ретушируют изображения. Верстальщики создают макеты с согласованной стилистикой. Функция Generative Match подбирает визуальный стиль по референсу.

Технические детали:

Модель обучали на лицензионном контенте Adobe Stock. Алгоритм анализирует стиль проекта и предлагает соответствующие решения. Интеграция с другими инструментами Creative Cloud. Гарантия юридической чистоты генерируемого контента для коммерческого использования.

Доступность в России:

Работает в составе подписки Creative Cloud. Без проблем с оплатой и доступом.

Инструменты для разработки: код как конвейер

Программисты используют ИИ для рутины — генерации шаблонного кода, написания тестов, поиска уязвимостей. Человек сосредотачивается на архитектуре и сложной логике.

GitHub Copilot: понимание проекта

Ссылка

Самый популярный ИИ-помощник для разработчиков, который эволюционировал в полноценную среду разработки. Он анализирует всю кодовую базу, а не только открытый файл. Это полноценный партнер по кодингу.

Поддерживаемые языки программирования: Python, JavaScript, TypeScript, Ruby, Go, C#, C++

Ключевые особенности:

• анализ всей кодовой базы;
• контекстный рефакторинг;
• генерация по комментариям;
• мультиязыковый перевод кода.

Практическое применение:

Разработчики быстро прототипируют новые функции. Команды поддерживают единые стандарты кода. Новички изучают лучшие практики через подсказки. Copilot может предлагать исправления уязвимостей, основываясь на базе известных уязвимостей GitHub Advisory Database.

Технические детали:

Интеграция с GitHub для анализа миллионов репозиториев. Алгоритм учитывает архитектурные паттерны проекта. Поддержка контекста между файлами. Может обучаться на приватных репозиториях организации, адаптируясь под внутренние стандарты.

Доступность в России:

Сложности с оплатой. Работает через образовательные аккаунты или корпоративные лицензии.

Amazon Q Developer (Amazon CodeWhisperer): безопасность и интеграция

Ссылка

Инструмент от Amazon, заточенный под работу с AWS экосистемой. Пишет код и сканирует его на уязвимости. Это выбор команд, которые развертывают приложения в облаке Amazon.

Поддерживаемые ЯП: Python, Java, JavaScript, C#, Rust

Ключевые особенности:

• специализация на AWS экосистеме;
• сканирование уязвимостей;
• оптимизация облачных ресурсов;
• интеллектуальное тестирование.

Практическое применение:

DevOps инженеры автоматизируют развертывание в AWS. Разработчики находят слабые места и ошибки до продакшена. Архитекторы оптимизируют облачную инфраструктуру. Инструмент предлагает готовые шаблоны для работы с AWS SDK.

Технические детали:

Интеграция с AWS SDK и сервисами. Алгоритм проверяет код на соответствие отраслевым стандартам разработки. Поддержка последних версий фреймворков. Проверяет код на соответствие стандартам безопасности OWASP и идентифицирует проблемные зависимости.

Доступность в России:

Прямого доступа нет. Бесплатно для индивидуального использования. Работает через AWS с иностранной картой.

Tabnine Pro: кастомизация под проект

Ссылка

Помощник, который обучается на вашей собственной кодовой базе. Он запоминает стиль и предпочтения команды, становясь персональным ассистентом. Работа в оффлайн-режиме — ключевое преимущество для корпоративных клиентов.

Поддерживаемые ЯП: Поддерживаемые языки: C#, C, Python, PHP, Ruby, Kotlin

Ключевые особенности:

• обучение на вашей кодовой базе;
• персональные шаблоны;
• консистентный рефакторинг;
• документирование по ходу.

Практическое применение:

Команды поддерживают единый стиль кода. Разработчики ускоряют рутинные задачи. Проекты сохраняют консистентность при росте команды. Модель запоминает правила именования и архитектурные предпочтения команды.

Технические детали:

Локальное обучение на проектных данных. Доступен оффлайн-режим после настройки. Поддерживает создание пользовательских сниппетов на основе часто используемых конструкций.

Доступность в России:

Работает с иностранной картой. Корпоративные лицензии доступны через партнеров.

Test IT: российская платформа для управления тестированием

Ссылка

Test IT — российская платформа для управления тестированием и качеством программных продуктов. Она предоставляет командам разработки и QA (инженерам-тестировщикам) единое пространство для планирования тестов, отслеживания выполнения и формирования прозрачной отчетности. Инструмент популярен среди российских команд благодаря полной локализации, удобной поддержке и глубокой интеграции в процессы тестирования.

Поддерживаемые ЯП: JavaScript/NodeJS, Ruby, PHP, Go и другие

Ключевые особенности:

• централизованное хранилище тест-кейсов и артефактов;
• планирование тестовых запусков и отслеживание их результатов в реальном времени;
• интеграция с системами управления задачами (Jira, GitHub Issues) и инструментами автоматизации тестирования;
• построение детальной аналитики и отчетов о качестве продукта.

Практическое применение:

QA-инженеры создают и структурируют тест-кейсы, а также отслеживают покрытие требований. Менеджеры проектов видят актуальный статус готовности продукта к релизу через наглядные дашборды. Разработчики быстро находят информацию о выявленных дефектах и шагах для их воспроизведения. Команды используют платформу для проведения приемочного тестирования и документации его результатов.

Технические детали:

Test IT предоставляет REST API для интеграции с CI/CD-пайплайнами, позволяя автоматически загружать результаты выполнения автотестов. Платформа поддерживает модели данных, гибко настраиваемые под процессы конкретной команды (например, пользовательские атрибуты тест-кейсов). Работает с иерархическими структурами, организуя тесты в рамках функциональностей, продуктов и релизов.

Доступность в России:

Продукт разработан в РФ, доступен для российских пользователей и не имеет ограничений. Есть бесплатный тариф Lite и платный пакет Standard для корпоративного применения.

Cody: семантический поиск по коду

Ссылка

Инструмент от Sourcegraph, который понимает смысл кода, а не только синтаксис. Мощное решение для оптимизации архитектуры больших проектов с разросшейся кодовой базой.

Поддерживаемые ЯП: JavaScript, Python, TypeScript, C++, Rust.

Ключевые особенности:

• семантический поиск по кодовой базе;
• кросс-репозиторный анализ;
• автоматический рефакторинг;
• генерация архитектурных схем.

Практическое применение:

Большие команды находят дублирующийся код. Разработчики понимают чужой код быстрее. Архитекторы документируют сложные системы. Cody может объяснить работу конкретного модуля на естественном языке.

Технические детали:

Индексация репозиториев с построением семантического графа. Интеграция с популярными IDE и Git-хостами. Может строить диаграммы зависимостей между модулями системы.

Доступность в России:

Бесплатно для открытых проектов. Корпоративные версии через партнеров.

Итоги года: специализация и интеграция

2025 год подтвердил тренд на специализацию. Универсальные модели уступают место узкоспециализированным инструментам. Midjourney доминирует в арте, GPT-5 — в текстах, GitHub Copilot — в программировании.

Ключевое изменение — переход от генерации к интеграции. ИИ встраивается в привычные инструменты: Photoshop, Google Docs, Visual Studio Code. Мы перестаем замечать нейросети — они становятся частью рабочего процесса.

Доступность в России перестала быть серьезной проблемой. Локальные решения вроде Kandinsky и GigaChat почти сравнялись по качеству с зарубежными аналогами. Иностранные сервисы доступны агрегаторы и обходные схемы.

В 2026 году стоит ждать усиления специализации. Появятся нейросети для конкретных отраслей: юриспруденции, медицины, инженерии. Интеграция углубится — ИИ станет неотъемлемой частью операционных систем и сред разработки.

Главный урок года: нейросети не заменяют специалистов, а усиливают их компетенции. Человек определяет стратегию, ИИ берет на себя тактику. Вместе они работают эффективнее.

Идея создать в России аналог Кремниевой долины* будоражила умы политиков и предпринимателей с 2009 года, когда родилась идея «Сколкова». Это название звучало почти как заклинание, символизируя надежды на технологический рывок. Но первые настоящие решения подстегнула пандемия коронавируса 2020 года, когда весь мир ушёл в онлайн, и возникла необходимость развития платформ и сервисов — тогда IT-отрасль России развилась стремительно, но экосистемы мирового уровня всё равно не случилось. Мы поговорили с экспертами российских и международных компаний о том, почему так происходит.

Скопировать Кремниевую долину не равно понять её суть

Кремниевая долина — место, где сошлись воедино три вещи: деньги инвесторов, готовых рисковать, вкладываясь в смелые идеи; мощная научная база местных университетов и особый подход к стартапам: там не боятся пробовать новое, и неудачи считают не позором, а уроком. Как отмечает генеральный директор компании «ДатаИст» Вячеслав Ананьев, американский феномен вырос органично — как инструмент поддержки идей в уже сложившейся среде:

Долина возникла не с нуля, а с индустриального парка, который построили на пустующих землях Стэнфорда рядом с аэрокосмической базой ВВС США. У нас такое могло возникнуть только на базе научных организаций, и прообразом таких долин могли стать академгородки по всей стране, если бы могли безвозмездно расширяться, и у каждого бы появился крутой заказчик-потребитель.

В России, по мнению Ананьева, сделали ошибку, пытаясь скопировать только результат, но не воссоздав такие же исходные условия:

Тема эта животрепещущая и деликатная, учитывая, что проблемы — системные. В США сложилась IT-индустрия, которая объединяет производство вычислительной техники, разработку софта, обучение инженеров и пользователей, систему продаж и технической поддержки. Всё это развивается по эволюционному принципу: сложное ПО требует мощного оборудования и подготовленных пользователей; квалифицированные пользователи требуют продвинутых функций и высокой скорости обработки информации; производители сверхмощного оборудования требуют, чтобы под него находили сверхзадачи и разрабатывали суперумный софт. И всё это базируется на сильной платформе научных исследований — частных и государственных. Кремниевая долина возникла из-за концентрации инновационных идей в очень денежной среде. В нашей стране не было такой благоприятной среды. Мы утратили мощь науки и некоторые передовые разработки советских инженеров, да и кадры успели «разбежаться». Попытка сконструировать в России что-то подобное Кремниевой долине была обречена на провал. Далеко не всегда повторение за кем-то даёт результат, даже при наличии денег и желания.

Эта мысль ведёт к первому выводу: в России долго создавали «оазисы» административными методами, в то время как успешные кластеры в других странах часто вырастали «снизу» — вокруг сильных университетов и в ответ на острый рыночный спрос.

Как отметила сертифицированный карьерный консультант, HR и основатель сервиса Job Mentor Анна Гагарина, Кремниевая долина в широком смысле — это географическая локация, где физически сосредоточены технологические компании, их специалисты, а также люди и организации, которые у них покупают.

В России схожую роль играют Москва и Московская область, что хорошо видно по распределению вакансий в высокотехнологичном сегменте. Сильные отраслевые R&D‑центры также есть в Санкт‑Петербурге, Новосибирске и Казани. Если говорить про деньги, разработка ИИ‑инфраструктуры, фундаментальных моделей, облачных решений и микрочипов требует миллиардных вложений задолго до выхода на прибыль, а цикл разработки может занимать десятилетия. При таких инвестициях продукт почти всегда должен быть ориентирован на глобальный рынок, при обязательном наличии надёжной защиты прав собственности, в том числе интеллектуальной. Формат и скорость достижения этих условий в разных странах и регионах могут существенно различаться, что влияет на темпы развития локальных техноэкосистем.

Почему в России вместо единого Технопарка построили много разных?

Вместо «долины» в России сформировался «архипелаг» технологических кластеров, каждый из которых живёт по своей логике и сталкивается со своими вызовами.

Например, Сколково

В 2009 году задумывался как амбициозный проект мирового уровня, призванный стать флагманом российской инновационной экосистемы. Для его реализации оперативно создали беспрецедентные условия: льготный налоговый режим, прямое государственное финансирование через специальный фонд и масштабные гранты. Общий объём инвестиций оценивался в 121,6 млрд руб. И запуск в 2010 году был стремительным. Что, возможно, сказалось на результате.

За годы работы проект показал сильные стороны, но и обнаружил точки роста. С одной стороны, — инфраструктура и необходимые условия для тысяч стартапов. С другой, — грантовая система, которая породила сложную бюрократию; ограничение международного сотрудничества после 2014 года; нехватка проектам рыночного масштаба. В итоге, несмотря на отдельные успехи, первоначальной цели — стать глобальной конкурентоспособной площадкой — не достигли.

В Татарстане запустили Иннополис

Потребность создать в стране собственный центр притяжения IT-кадров и компаний, чтобы остановить их отток за рубеж, оставалась актуальной, и в 2015 году в Татарстане запустили Иннополис — первый в России IT-город и флагман цифровой экономики. В проект также вложили значительные ресурсы: на строительство города и инфраструктуры было выделено изначально 15 млрд руб. из федерального бюджета. Финансирование и господдержка шли через льготы для резидентов (сниженные налоги, страховые взносы), а также гранты от Агентства стратегических инициатив и ВЭБ.РФ.

Но то, что город строился с нуля, в чистом поле, без органичной городской среды и истории, затруднило привлечение людей на ПМЖ, а узкая специализация (фокус только на IT и робототехнике) и географическая удаленность от крупнейших экономических центров страны оказались причиной того, что проект не стал даже национальным массовым хабом.

Новосибирский Академпарк

В один год со Сколково был запущен и новосибирский Академпарк. Это была иная модель, выросшая как раз снизу, вокруг знаменитого Академгородка и институтов Сибирского отделения РАН. Изначальные госинвестиции в парк составили 6,2 млрд руб. Его сила — в глубокой научной базе и фокусе на сложных технологиях: приборостроении, биомедицине, наноматериалах. Но ему хронически не хватает венчурного капитала и связей с глобальным рынком. Инвесторы — далеко, а выход на международный уровень для Science-Tech-проектов — сложная история. Поэтому и здесь воссоздать Кремниевую долину не вышло.

Можно вспомнить и другие точки: реанимирующий промзоны Технополис «Москва», университетские кластеры в Томске или Перми. У них как раз есть концентрация ресурсов и внимания. Но при этом существуют минус — риск остаться изолированными от широкой деловой среды, зависимыми от госзаказа и погрязшими в бюрократии.

Генеральный директор «Элрон», основатель первого российского приборостроительного форума «Прибориум» Иван Лебедев считает такую модель жизнеспособной, но с нюансами:

Яркие примеры, которые мы видим изнутри, — Технопарк Сколково, Новосибирский Академпарк: и там, и там стартапы пробуют свои силы, кто-то растет сразу, кто-то ошибается и перерождается с другими идеями, кто-то, к сожалению, «умирает» и навсегда уходит из предпринимательства. Нетворкинг и благоприятные условия позволяют генерить идеи, находить заказчиков, подрядчиков, единомышленников. Среда подогревает сердца негаснущим огнем, позволяет стартапам осознать, что они не одни, услышать советы от старших коллег. Объединение и квалифицированная поддержка позволяют привлекать инвестиции — частные и государственные, — получать льготы. Есть ли проблемы? Да, ведь «мы не волшебники, мы только учимся». Не нужно забывать, что именно методичная длительная работа дает плоды, а мы, в отличие от многих стран, начали поддержку и развитие стартапов ощутимо позже. В создании условий для стартапов нужна стабильность — тогда мы добьёмся высочайших результатов.

И здесь мы упираемся в следующую фундаментальную преграду — дефицит «длинных» денег (вложения на 5-10 лет и более с целью получить значительную прибыль в будущем, а не быстро заработать здесь и сейчас — прим. ред.) и разрыв между наукой и рынком.

Экономика России десятилетиями держалась на экспорте сырья. Это воспитало у инвесторов нелюбовь к риску. Классическая венчурная схема, где прибыль от одного суперуспешного стартапа покрывает убытки от многих провальных, так и не стала у нас массовой. Сильнее всего от этого страдают наукоемкие проекты из регионов: привлечь финансирование из столицы, а уж тем более из-за рубежа, для них — проблема. Партнёр инвесткомпании KAMA FLOW Павел Охонин видит проблему в отсутствии целостной экосистемы:

Феномен Кремниевой долины уникален. Успех проекта сложился из социоэкономических и политических реалий, характерных исключительно для США, а потому не может быть скопирован. В числе подобных реалий — беспрецедентная концентрация университетов мирового класса, крупнейших заказчиков и государственного участия. Другие страны не смогли полностью повторить опыт долины, хотя попыток было много. Управленческая парадигма меняется. Сейчас локализация ресурсов в одной точке не рассматривается как эффективное решение. Ей на смену пришла идея софт-экосистемы — функциональной рыночной цепочки, где взаимодействие между участниками происходит стандартизировано, прозрачно и логично.

К элементам такой экосистемы Охонин относит эффективный спрос, конкурентный рынок труда и доступный источник «длинных» инвестиций на всех стадиях роста.

«Но в России каждый из элементов находится в зачаточной стадии», — констатирует он.

Этот системный разрыв не только тормозит рост стартапов, но и напрямую подпитывает болезненную и обсуждаемую проблему — хроническую «утечку мозгов», которая сегодня приобрела новую — цифровую — форму (когда человек физически находится в России, но работает на иностранные компании).

Почему виноваты те, кто уехал: утечка мозгов

Пик оттока высококвалифицированных кадров, по наблюдениям экспертов, пришелся на 2022 г.: тогда, по оценкам Минцифры РФ, за границу уехало около 100 тыс. айтишнков. Сегодня, как отмечает Павел Охонин, часть специалистов вернулась (согласно оценке AWG, таких было 85%), многие работают удаленно на зарубежные компании, оставаясь физически в России. Однако эксперт считает, что наиболее ценные топовые спецы, получившие предложения о релокации в офисы крупных международных корпораций, часто уезжают безвозвратно.

Наиболее ощутимые потери — в категории «топ». Специалисты возвращаются неохотно, что ведёт к прямой потере человеческого капитала в высшей лиге. «Утечка мозгов» — частная проблема в контексте структурного дефицита трудовых ресурсов в технологическом секторе.

Но проблема не в географическом переезде. Речь идет об «утечке контекста»: Россия теряет людей и глобальные исследовательские тренды, ослабляется интеграция в мировые научные сети и, что критично, внутри страны нет сложного требовательного спроса на высокие технологии.

Павел Охонин в числе возможных решений видит активную политику привлечения кадров через программы возвращения для крупных специалистов и взаимодействие с высококвалифицированными иностранными экспертами. «Требуется масштабная работа по упрощению визовых, миграционных и трудовых процедур», — заключил эксперт.

Генеральный директор компании «ДатаИст» Вячеслав Ананьев расширяет понятие утечки, вводя термин «работа на внешний спрос»:

Утечка мозгов продолжается и расширяется, приобретая новую форму. Не обязательно мозги перемещать физически, можно сделать так, чтобы они работали на зарубежного дядю, оставаясь в пределах РФ. При отсутствии спроса на технологии внутри начинаем удовлетворять внешний спрос. Удалённые команды создают результат интеллектуальной деятельности за рубежом не потому, что они плохие, а потому, что их результат здесь не нужен.

Ананьев указывает на ключевую, по его мнению, проблему:

В России нет рынка IT. Основные деньги крутятся в госзакупках и тендерах госкорпораций. Основной заработок — у интеграторов, а не у вендоров». Это создаёт парадоксальную ситуацию: талантливые инженеры есть, но они либо уезжают, либо обслуживают внешние рынки, потому что внутренний не формирует для них задач мирового уровня», — считает эксперт.

С этим перекликается и его тревога по поводу снижения технологического уровня массового спроса:

«Сейчас не чувствуется потребность в новых технологиях. Есть потребность в удобствах, красоте и скорости передачи информации. И всё. А нет спроса — нет и предложения».

С Вячеславом Ананьевым согласна и сертифицированный карьерный консультант, HR и основатель сервиса Job Mentor Анна Гагарина, однако она более оптимистична:

Отток специалистов из России в другие страны есть. Проблема ли это? Неоднозначно: рабочая сила всегда уходит туда, где выше спрос, прозрачнее правила игры и больше возможностей для реализации компетенций, и в этом смысле эмиграция части профессионалов — нормальный процесс для любой открытой экономики. Если смотреть на текущий рынок, трагедизировать ситуацию оснований немного. В отрасли уже работает более миллиона специалистов, при этом, по откликам и конкурсу на вакансию, картина скорее «здоровая» — порядка 5-8 резюме на место, в зависимости от региона и профиля. У компаний по‑прежнему есть доступ к релевантным кандидатам, а у специалистов — к возможностям трудоустройства. С точки зрения развития, логичнее фокусироваться на росте внутреннего рынка: чем больше в России сложных технологических проектов и интересной работы, тем у специалистов выше мотивация оставаться.

Что нас ждет: какой он, российский путь к Силиконовой долине

Так есть ли будущее у российской инновационной среды — сможет ли она когда-нибудь породить аналог Кремниевой долины, а лучше — превзойти этот опыт? Эксперты сходятся в одном: слепо копировать калифорнийскую модель бесполезно и даже вредно. Будущее — в том, чтобы укреплять связи между разрозненными кластерами и выращивать уникальную среду, которая будет отвечать российским реалиям и компетенциям.

Перспективы, исходя из мнений экспертов, лежат в нескольких плоскостях:

1. Сдвиг от «строительства оазисов» к «выращиванию экосистемы». Как подчеркивает Павел Охонин, важно создать «софт-экосистему», прозрачные правила игры, чтобы сформировать отлаженную экономическую цепочку, на каждом этапе которой создаётся добавленная стоимость.
2. Опора на «органические» кластеры и научные школы. По мнению гендиректора «Элрон» Ивана Лебедева, такие центры могут стать идеальными ядрами для DeepTech-стартапов, если решить проблему их финансовой и рыночной связности.
3. Системная работа с талантами — создание среды, привлекательной для амбициозных умов, внутри страны.
4. Формирование сложного технологического спроса. Вячеслав Ананьев настаивает: «Нужно крепко заняться подготовкой продвинутых потребителей, устроить цифровой ликбез, дать малым предприятиям возможность снижать затраты, давать им не дешёвые деньги, а выраженный общественный заказ на инновации». Без воспитания культуры потребления сложных технологий со стороны бизнеса и государства стартапы будут буксовать, считает эксперт.

Российский технологический путь будет уникальным. Он может привести к возникновению распределённой сети сильных узкоспециализированных кластеров (в области био-, нано-, приборостроения, IT), которые найдут свою нишу в новых глобальных цепочках. Формула успеха известна: нужно растить не искусственные «оазисы», а живую экосистему. В ней частные деньги встречаются с научными идеями, а крупный бизнес ставит сложные задачи, которые таланты готовы решать на месте. Мировой опыт это подтверждает. И первый шаг к такому будущему — честный разговор о проблемах, который, как видно из мнений экспертов, уже начался.

*Кремниевая долина стала в России Силиконовой, потому что произошла ошибка в переводе. Английское название — Silicon Valley: Silicon — это химический элемент кремний (Si), основа всей микроэлектроники (полупроводниковые чипы, процессоры). Именно в честь этого элемента, с производства которого началась история региона, долина получила название.

Читайте также

Индийское цифровое чудо: как страна стала хабом IT-аутсорсинга и почему скоро айтишники оттуда могут остаться без работы

Российский IT-рынок 2025: парадокс кадрового голода на фоне рекордной безработицы

Реклама заставляет мир вращаться

Диджитал-гиганты могут позволить себе огромные штаты разработчиков и инженеров, экспериментальные отделы, создание и развитие новых сервисов и продуктов во многом именно благодаря доходам от рекламы. Поэтому задача современных технологий сделать так, чтобы реклама нравилась и показывала пользователям релевантные и этичные объявления.

Между участниками рынка существует негласный баланс интересов: платформам нужны рекламодатели, рекламодателям — конверсии, пользователям — релевантные и этичные объявления.

Рекламная индустрия из «битвы бюджетов» превратилась в «битву алгоритмов», где идеальный баланс помогает находить ML.

За этими алгоритмами стоят целые команды — например, в VK около 220 человек. Над чем они работают и как устроена реклама сегодня? Чтобы понять, нужно вернуться к началу.

До и после ML: от глухого дирижера к технологичному синоптику

До алгоритмов машинного обучения реклама была ручной: таргетологи сами задавали аудиторию по определенным критериям, выбирали площадки и следили за эффективностью. Конечно, анализ результатов существовал, но у комбинации человеческого мозга и эксель-таблиц есть свои лимиты — уследить за всем было невозможно, протестировать все тоже. Маркетологи были дирижерами огромного оркестра, но зачастую у них даже не было уверенности, что оркестр играет нужную мелодию. По сравнению с нынешним состоянием индустрии, это было неэффективно, дорого и довольно плохо масштабировалось.

С появлением ML ручная настройка ушла в прошлое. Теперь алгоритмы обрабатывают огромные массивы исторических данных и умеют предсказывать, какое объявление сработает лучше, кому его показать и по какой цене — это буквально самообучающаяся система предсказаний, построенная на распознавании закономерностей. Продолжая сравнения, дирижер превратился в синоптика, который с помощью моделей и данных довольно точно определяет, где и кому завтра будет светить солнце.

Аукцион и ML-компоненты: как устроена реклама

Основная технология современной рекламы — это аукцион, где встречаются интересы рекламодателей, площадок и обычных пользователей. Эта система обрабатывает десятки миллиардов объявлений в режиме реального времени и подбирает, кому именно, когда и на какой площадке эти объявления показать. Аукцион должен быть отказоустойчивым, предельно быстрым и масштабированным: например, в VK эта система сейчас способна обрабатывать около 2 миллионов запросов в секунду.

У использования ML в рекламе могут быть очень разные цели — объясню на примерах. Внутри направления рекламы AI VK у нас сейчас есть две ключевые команды, которые отвечают за алгоритмы машинного обучения: Команда Product ML и Команда Anti-fraud ML.

Запускаете или размещаете рекламу? ML считает бюджеты и прибыль за всех

Команда Product ML отвечает за качество перформанса рекламы и оптимизацию целевых действий, таких как продажи товаров, регистрации на сайте и клики по приложению, при этом количество комбинаций целей и рекламных офферов тут очень велико. Product ML анализирует эти данные и прогнозирует, как лучше распределить бюджет, какой креатив выбрать и кому показывать рекламу, чтобы достичь максимального эффекта.

Внутри этого направления есть целый набор инструментов для разных целей. Например, у нас есть инструмент «Прогнозатор» — он позволяет приблизительно понять, какой бюджет стоит выделить и какого результата ожидать. Рекламодатель вводит информацию о своем оффере и его цели, а ML рассчитывает оптимальные вложения. Это превращает рекламную кампанию в понятный контракт — рекламодатель знает, на что рассчитывать.

Реклама без ботов и накруток — это тоже ML

Команда Anti-fraud ML отвечает за защиту системы от мошенничества. Алгоритмы анализируют поведение пользователей, выявляют подозрительные активности и помогают предотвращать накрутки. В социальных сетях фрод бывает особенно разнообразным: есть простые автокликеры и боты, но есть и те, кого мы называем «киборги», — это реальные люди, которые используют ряд автоматизированных технологий, чтобы искусственно увеличивать просмотры, лайки или клики ради выгоды. Anti-fraud ML выявляет эти действия через сравнение закономерностей поеведения таких пользователей с известными алгоритмам примерами мошенничества.

Для этого используются модели вроде BERT, которые умеют понимать контекст и последовательности действий пользователей, а также LLM, обученные на данных лид-форм и пользовательских активностей. Они помогают находить закономерности и аномалии в больших объемах данных, выявляя тех, кто пытается манипулировать системой.

Данные, векторы и модальности: на чем строятся ML-модели в рекламе

Что такое векторы и как они обеспечивают эффективный таргетинг? Приведем простой пример: Надежда Кадышева и зумеры.

Долгие годы музыка Кадышевой была популярна среди старшего поколения. Вдруг ее треки начинают интересовать молодежь. Умная бездушная машина мгновенно фиксирует рост интереса, оценивает «близость» интересов новой аудитории к содержанию и моментально начинает показывать ее музыку зумерам. Ни один таргетолог не успел бы заметить этот сдвиг настолько быстро.

Как это происходит?

Все просто и одновременно очень сложно: каждый отдельный пользователь-зумер и его интересы, музыка Кадышевой, и весь контент, которых находится между ними, ML-модели понимают и обрабатывают в цифровой форме.

Для этого используется концепция векторов, по сути наборов чисел, которые описывают объект. Один пользователь, одно объявление или креатив представляются как точка в многомерном пространстве. Числа могут отражать привычки человека, характеристики товара или особенности креатива, и математика позволяет находить закономерности и сравнивать объекты между собой.

ML-модели обучаются на данных о пользователях, контенте, товарах и контексте, но они не оперируют напрямую «именами и возрастами».

Всё превращается в векторные представления — многомерное числовое отражение смысла. Благодаря этому система понимает, что «спортзал», «кроссовки» и «протеин» — близкие по контексту вещи, даже если пользователь ни разу не упомянул эти слова напрямую.

Векторное пространство может объединять разные модальности: текст, изображения, видео и поведение пользователей. Например, текст описания товара, его фото и даже аудиофрагмент можно «перевести» в одно общее числовое представление. Чем ближе вектор предложения к вектору интересов пользователя, тем выше вероятность, что реклама будет релевантной именно этому человеку.

Глубины ML: сквозные системы и потоковая инфраструктура

Все инновации в индустрии по большому счету служат одной главной цели: сделать рекламу как можно более прибыльной для рекламодателей и максимально полезной для пользователей. В том числе поэтому ключевое направление, в котором сейчас движется вся индустрия, — выстраивание полностью сквозных систем. По сути это идеальная экосистема, в которой реклама, рекомендации, и поиск работают не как отдельные продукты, а как части единого механизма. Данные, собранные в одном месте, усиливают другие места, а модели легко переиспользуются между командами. Внутри VK все машинное обучение завязано на Discovery платформе.

Discovery — это инфраструктурный слой, объединяющий данные и модели для всех направлений и продуктов компании. Если раньше каждая команда строила свою инфраструктуру и пайплайны, то теперь все работает в едином пространстве. Разработчику не нужно договариваться с десятком коллег и собирать данные вручную — достаточно запросить доступ, получить готовые вектора пользователей и контента и сразу подключаться к ML-процессу.

По сути, Discovery платформа стала единым слоем знаний для ML VK. Она объединяет данные, модели и инфраструктуру, позволяя использовать одни и те же алгоритмы в разных задачах: рекомендации и реклама опираются на неё для персонализации и ранжирования, антифрод — для анализа последовательностей действий с помощью трансформеров. Такой подход делает разработку значительно быстрее и дешевле.

Как работает и из чего состоит Discovery? В ее основе — четыре больших компонента.

Stream Flow: сбор данных из общего потока

Этот компонент создан для потоковой обработки данных в продуктах VK. Он не просто регистрирует каждое действие, он помогает рассчитывать счетчики для ранжирования рекламы и создавать контентную базу рекомендаций в реальном времени.

Миллионы пользовательских взаимодействий с продуктами VK проходят через Stream Flow, благодаря которому агрегируются и становятся пригодными для более глубокого анализа.

Profile Stream: создание профилей

Анализом занимается Profile Stream — потоковая инфраструктура, которая объединяет просмотры, клики, лайки, покупки и другие события в ML-профили. Эти профили описывают интересы и поведение каждого человека и используются одновременно в рекомендациях, поиске и рекламе.

Ранее мы говорили о векторах и о том, как они описывают пользователей и контент в числовой форме — вот именно так они и упаковываются. Платформа фиксирует не только стандартные признаки вроде пола, возраста или города, но и выявляет целый набор латентных признаков — скрытых связей между интересами, контентом и поведением пользователей. Часто их невозможно выразить словами, но алгоритмы легко находят их в векторном пространстве и используют для персонализации, прогнозирования и оптимизации рекламных решений.

Cloud Training: автоматическое обучение моделей

Как неотъемлемая часть этого процесса работает Cloud Training — система, которая позволяет обучать модели без необходимости ручной настройки инфраструктуры. Все, что нужно разработчику, — подключился и запустил нужное обучение.

Ranking and Relevance Engine: ранжирование рекламы

Финальный компонент — RARE (Ranking and Relevance Engine), система, которая отвечает за финальное ранжирование контента и рекламы для пользователей.

RARE получает обученные в Cloud Training модели и использует их, чтобы в реальном времени определять, какие объявления и какие посты покажутся конкретному человеку первыми. То есть буквально решает, какую рекламу увидит условный Василий из Тольятти, а какую — не менее условная Ольга из Новосибирска.

Будущее ML в рекламе: куда всё это идет?

Реклама постепенно движется в сторону умных, самообучающихся систем, где ML подбирает аудиторию, креативы и форматы. Скоро системы начнут делать это самостоятельно — в замкнутом ML-контуре.

Внутри рекламного кабинета VK уже сейчас можно сгенерировать изображение, видео или текст для креатива: это не идеальное искусство, но рабочие инструменты, которые помогают быстрее запускать кампании и тестировать гипотезы. Все это будет совершенствоваться и со временем мы придем к тому, что рекламодателю вообще ничего не нужно будет придумывать и выбирать, а качество креативов вырастет в разы. Первые шаги в эту сторону уже делаются. Так в VK Рекламе доступен запуск смарт-кампаний. Этот тип кампании позволяет запускать рекламу сообществ ВКонтакте в несколько кликов и автоматизировать настройку таргетингов при помощи умных инструментов.

Параллельно реклама будет эволюционировать в сторону инвестиционной модели.

В недалеком будущем, если вы будете запускать рекламу, вам не нужно будет думать о том, на какие форматы выделять ресурсы — только о результате. ML-система сама будет распределять бюджет и оптимизировать кампании под рост выручки.

Для рекламодателя это превратится в, по сути, управляемый инвестиционный фонд: вкладываешь в платформу, получаешь рост GMV.

Но, честно говоря, от будущего можно ожидать чего угодно. Еще несколько лет назад мы не могли представить, что появятся ChatGPT, DeepSeek и их аналоги — когда мне впервые показали такие системы, я думал, что это просто игрушка, а на деле они уже умели писать продакшн-код. Так что в точности угадать, что будет в будущем, сейчас почти невозможно. Но точно можно сказать, что без ML и AI в целом дело не обойдется.

Цифра в 100 миллиардов долларов вызывает когнитивный диссонанс. Это больше ВВП таких стран, как Хорватия, Беларусь или Уругвай. Сумма, которую человечество тратит на космические программы за десятилетия. Но здесь речь о частной сделке между двумя компаниями. Когда деньги достигают такого масштаба, они перестают быть просто деньгами, а становятся инструментом перераспределения глобальной власти.

Эпохальная сделка: за рамками пресс-релиза

Новость от 22 сентября 2025 года выглядела стандартным корпоративным анонсом, хотя и разлетелась по всем мировым СМИ и tech-изданиям. NVIDIA и OpenAI объявили о стратегическом партнерстве с развёртыванием 10 гигаватт вычислительных систем. Цифры впечатляют, но вся суть кроется в деталях.

По словам Дженсена Хуанга, гендира NVIDIA, 10 гигаватт — это 4-5 миллионов графических процессоров. Столько же NVIDIA произведёт за весь 2025 год. Фактически, OpenAI получает доступ к годовому объёму производства ключевого ресурса для ИИ.

Инвестиция в $100 млрд структурирована прогрессивно — по мере развёртывания каждого гигаватта мощностей. Первый транш в $10 млрд поступит после запуска первого гигаватта во второй половине 2026 года.

Управляющий партнёр Requisite Capital Management Брин Токингтон заявил: «NVIDIA инвестирует $100 млрд в OpenAI, которые OpenAI затем вернёт обратно». Он отметил, что этот проект будет полезен для NVIDIA.

Эксперты отмечают стратегическую глубину сделки. Как пишет сайт CNBC, партнёрство «подчеркивает тесную связь между OpenAI и NVIDIA, двумя главными драйверами последнего бума в области ИИ». Фактически, это создает интегрированную экосистему, где успех одного напрямую подпитывает рост другого.

Вычислительная гонка вооружений: как мощность стала новой нефтью

OpenAI оказалась в парадоксальной ситуации. 700 млн еженедельных пользователей — это не только успех, но и колоссальная нагрузка. Каждый запрос к ChatGPT требует вычислений. Каждое улучшение модели — тысяч GPU.

Сэм Альтман предельно откровенен: «Все начинается с вычислительных мощностей». В интервью CNBC он объясняет — без достаточных ресурсов нам придётся выбирать между исследованиями рака и бесплатным образованием. Никто не хочет такого выбора.

Но за этим кроется плачевная реальность. Современные большие языковые модели достигли такой точки роста, когда простое масштабирование требует экспоненциального роста вычислений. Обучение GPT-4 оценивали в $100 млн только на электричество. Следующие поколения будут дороже на порядки.

Грег Брокман сравнивает текущую ситуацию с первым сервером DGX, который Хуанг лично доставил в офис OpenAI в 2016 году. «Теперь нам нужно в миллиард раз больше вычислительной мощности», — говорит он. Масштаб ошеломляет.

Мы наблюдаем фундаментальный сдвиг. Если раньше алгоритмы были ключевым ограничивающим фактором, теперь это исключительно вычислительные ресурсы. Тот, кто контролирует гигаватты, будет контролировать интеллект следующего поколения.

Монополия на разум: стратегия NVIDIA

NVIDIA — уже не только производитель чипов: компания строит экосистему, в которой её собственные технологии становится стандартом де-факто. Партнёрство с OpenAI — краеугольный камень этой стратегии.

Дженсен Хуанг скромно называет это «началом». «Мы буквально подключим интеллект к каждому приложению, к каждому случаю использования, к каждому устройству», — говорит он. За этими словами — видение мира, где NVIDIA станет такой же необходимостью, как электричество.

Антимонопольные юристы уже выражают обеспокоенность. Андре Барлоу, специалист по конкурентному праву, отмечает: «Сделка может изменить экономические стимулы NVIDIA и OpenAI и создать замкнутую систему, где доминирование на железо подкрепляет лидерство в программном обеспечении».

Особенно тревожным эксперты считают момент заключения сделки. Всего за неделю до объявления с OpenAI NVIDIA:

• приобрела долю в Intel за $5 млрд;
• инвестировала $700 млн в дата-центровый британский стартап Nscale;
• потратила $900 млн на поглощение разработчика ПО для ИИ-кластеров Enfabrica.

Сейчас компания захватывает все уровни инфраструктуры. Аналитики Bloomberg характеризуют сделку как намеренное создание «порочного круга» на $100 млрд. Они указывают, что реальный риск для индустрии заключается не в лопнувшем пузыре, а в консолидации рынка, которая вытесняет конкурентов. NVIDIA создаёт то, что можно назвать «вычислительным картелем». Партнёрство с OpenAI — это сигнал рынку: альтернативы нашим чипам для серьезных AI-проектов просто нет.

Тихая война сверхинтеллекта: глобальный контекст

Партнёрство NVIDIA и OpenAI происходит на фоне глобальной гонки за сверхинтеллектом. Игроки понимают — кто первый создаст AGI*, получит беспрецедентное преимущество.

*AGI, искусственный общий интеллект — на текущий момент гипотетическая форма ИИ с самосознанием и способностями решать сложные интеллектуальные задачи лучше человека.

В июне 2025 года Марк Цукерберг объявил о реорганизации AI-подразделения Meta* с фокусом на сверхинтеллект. Александр Ванг, бывший CEO Scale AI, возглавил новое подразделение Meta* Superintelligence Labs.

*запрещена в РФ

Илья Суцкевер, сооснователь OpenAI, ушел из компании, чтобы создать Safe Superintelligence Inc. (SSI). Его организация сфокусирована исключительно на безопасности сверхинтеллекта — это явный признак того, что эксперты не считают создание AGI сугубо теоретическим вопросом.

Работы Леопольда Ашенбреннера, бывшего исследователя OpenAI, обсуждаются в военно-политических кругах Вашингтона. Его эссе содержит прямой призыв обеспечить тотальное доминирование США в гонке ИИ. Технологии становятся вопросом национальной безопасности.

Китайские компании типа Baidu и Alibaba активно работают над собственными большими моделями, но сталкиваются с ограничениями доступа к передовым чипам — США сознательно создают искусственный барьер.

Аналитики отмечают, что сделка между NVIDIA и OpenAI укрепляет связи в рамках целой сети партнёрств между технологическими гигантами, включая Microsoft, Oracle и SoftBank. Этот формирующийся «блок сотрудничества» оценивается в триллионы долларов, а его интересы, как отмечается в одном из обзоров, «очень сходятся» на фоне поддержки политики администрации США. Таким образом, сделка выходит за рамки корпоративной и приобретает черты национальной технологической стратегии.

Регуляторный парадокс: почему молчат антимонопольные службы

Тревожный аспект сделки — отсутствие серьёзного регуляторного сопротивления. Сравнение с другими громкими случаями показательно:

• Сделка Microsoft и Activision Blizzard годами изучалась регуляторами по всему миру. Споры велись о том, будут ли игры вроде Call of Duty эксклюзивными для Xbox. Речь шла о доступе к развлечениям.
• Apple бесконечно судится с регуляторами ЕС из-за комиссий в App Store и предустановке сторонних магазинов. Битва идёт за проценты с продаж цифровых товаров.

Но когда речь заходит о контроле над технологией, которая может переопределить будущее человечества, регуляторы молчат — антимонопольные службы США занимают мягкую позицию по этому вопросу.

Создаётся впечатление, что регуляторы понимают технологии прошлого, но не успевают за скоростью развития ИИ. Они видят угрозу в монополии на поиск в сети или социальные сети, но не осознают, что монополия на сверхинтеллект — это качественно другой уровень угрозы.

Европейский союз пытается догнать уходящий поезд. AI Act вступил в силу в 2025 году, но фокусируется в основном на прозрачности и этике, а не на концентрации вычислительной мощи. Регуляторы борются с симптомами, а не с причиной.

Будущее индустрии: новые правила игры

Для разработчиков и IT-индустрии партнёрство создаёт новую реальность с чёткими последствиями. Доступ к вычислительным ресурсам становится ключевым конкурентным преимуществом. Стартапам будет сложно конкурировать с гигантами, обладающими гигаваттами мощности. Инновации могут сместиться от небольших лабораторий к корпорациям.

Централизация AI-мощностей ограничивает разнообразие подходов. Как отмечает Суцкевер, безопасность ИИ требует фундаментальных исследований, а не только масштабирования существующих моделей.

Мы наблюдаем рождение новой олигополии — рынка технологий без конкуренции. Если в интернете доминировали платформы, в мобильной эре — Apple и Google, то в эру ИИ власть будет у тех, кто контролирует модели и вычисления для их обучения. Остальные станут просто поставщиками данных.

В своей книге «Читай, пиши, управляй» технологический евангелист и венчурный инвестор Крис Диксон напрямую связывает развитие ИИ с тенденцией к консолидации рынка. «Быстрое развитие искусственного интеллекта, вероятно, тоже ускорит тренд на консолидацию крупных технологических компаний. ИИ имеет огромный потенциал, но изначально благоприятствует щедро капитализированным компаниям с огромными массивами данных»

Альтернативные пути: есть ли жизнь после NVIDIA

Не все эксперты считают ситуацию безнадежной. Появляются признаки сопротивления доминированию NVIDIA:

• Google продолжает развивать собственные TPU и инвестирует в кремниевые инновации;
• Amazon через AWS продвигает собственные чипы Inferentia и Trainium;
• Microsoft работает над проектом Athena.

Но разрыв огромен. Хуанг в августе 2025 года говорил инвесторам, что строительство одного гигаватта дата-центров стоит $50-60 млрд, из которых $35 млрд — оборудование NVIDIA. Конкуренты не могут просто купить рынок. Китай развивает национальные проекты в обход санкций, но пока выступает в роли догоняющего.

Наиболее перспективным направлением считаются фундаментальные исследования новых архитектурах вычислений. Квантовые компьютеры, нейроморфные чипы, оптические вычисления — всё это может изменить правила игры.

Тенденция к специализации аппаратного обеспечения для ИИ — новая реальность рынка. Анализ актуальных решений NVIDIA показывает, что компания давно отошла от универсальных архитектур и развивает целое семейство специализированных GPU, каждое из которых оптимизировано под конкретный тип задач:

• Для инференса (процесса применения уже обученной модели ИИ) и визуализации созданы ускорители NVIDIA L40, которые сочетают высокую производительность в AI с передовыми возможностями для графики.
• Для масштабного инференса в дата-центрах предназначен низкопрофильный и энергоэффективный NVIDIA L4.
• Для рабочих станций создана видеокарта NVIDIA RTX 6000 Ada Generation, архитектура которой обеспечивает почти двукратный прирост производительности в AI-задачах по сравнению с предшественниками.

Тренд на специализацию открывает возможности для новых игроков. Они могут сфокусироваться на разработке узкоспециализированных решений, не пытаясь сразу конкурировать с гигантами и создавать универсальные GPU для обучения огромных моделей.

Геополитический контекст: перерисовка карты влияния

Сделка NVIDIA и OpenAI выходит далеко за рамки бизнеса. Технологическое лидерство всё больше определяет геополитическое влияние. Администрация президента Трампа рассматривает ИИ как область стратегического преимущества США.

Европейский союз пытается найти баланс между регулированием и инновациями, но не имеет собственных технологических наработок в этой сфере. Страны глобального Юга рискуют остаться потребителями технологии, которую не создают.

Бывший советник по национальной безопасности США Генри Киссинджер в своей последней книге предупреждал: «ИИ станет новым ядерным оружием — тем, кто первым достигнет сверхинтеллекта, достанется возможность диктовать правила остальному миру».

Официальные военные доктрины ведущих стран уже давно сравнивают киберпространство с театром военных действий. Концентрация ресурсов для создания сверхинтеллекта в рамках частного партнерства стоимостью в сотни миллиардов долларов вызывает опасения у экспертов — нас могут ожидать новые формы геополитических противостояний.

Философ и футуролог Ник Бостром, автор книги «Искусственный интеллект. Этапы. Угрозы. Стратегии», в недавнем интервью выразил обеспокоенность: «Ускорение гонки ИИ без адекватных механизмов контроля напоминает эксперименты с ядерной энергией в 1940-х, но с ещё более непредсказуемыми последствиями».

Сделку комментирует эксперт Максим Горшенин, автор инсайдерского канала про импортозамещение в России Imaxai, соучредитель Ассоциации производителей компьютеров и периферийного оборудования:

«Это стратегическая инициатива, тесно связанная с политикой США. Их цель — создавать американские продукты на американских вычислительных мощностях. Последствия такого подхода заключаются в создании замкнутой экосистемы: OpenAI — крупнейший потребитель вычислительных ресурсов, и партнерство с NVIDIA блокирует возможности проникновения на этот рынок конкурентов. Второй ключевой аспект — сохранение технологического лидерства США. Все действия направлены на удержание позиций, включая лидерство в производстве и разработке чипов для ИИ. Этому способствует указ Трампа, предписывающий американским компаниям инвестировать миллиарды долларов в эту сферу. Что касается долгосрочных глобальных последствий — полный контроль над цивилизацией в ближайшее время вряд ли будет достигнут. Но лет через 30 — вполне возможно. Исторически США всегда делали ставку на технологическое превосходство через сотрудничество с Министерством обороны, что позволяло создавать более совершенное оружие. Сейчас официально заявлено: кто обладает самым передовым ИИ, тот получает преимущество в войне, прогнозировании, предугадывании действий противника, создании умных бомб и других сферах. Это инвестиция в технологическое лидерство США, что создает негативные последствия для остальных стран и запускает гонку искусственного интеллекта — прежде всего между США и Китаем. Остальные страны в этом противостоянии практически не участвуют».

Дело уже не в коммерческом превосходстве, а в том, кто будет контролировать технологию, способную переопределить будущее мировое влияние и безопасность. Битва за ИИ может оказаться новой масштабной войной. Победа в этой битве достанется не тому, у кого лучше армия, а тому, у кого сложнее алгоритмы и больше вычислительных мощностей.

Этическая дилемма: кто будет контролировать контролеров

Самый сложный вопрос — этический. Создание сверхинтеллекта поднимает проблемы, которые человечество никогда прежде не решало. Суцкевер предупреждает, что существующие методы безопасности, основанные на человеческом контроле, не работают для сверхинтеллекта. Люди просто не смогут понять его действия.

OpenAI позиционирует себя как компанию, миссия которой — безопасный ИИ на благо человечества. Но структура партнёрства с NVIDIA ставит вопрос о приоритетах.

В ноябре 2024 года на сайте Оксфордского университета было опубликовано заявление профессора биоэтики Джулиана Савулеску, посвященное этике использования ИИ в научных исследованиях.

В нём он сказал следующее:

«Большие языковые модели — это ящик Пандоры для академических исследований. Они могли бы уничтожить академическую независимость, креативность, оригинальность и саму мысль. Они также могли бы способствовать невообразимому со-творчеству и продуктивности. Мы должны быть осторожны, когда полагаемся на частные корпорации с их обязательствами перед акционерами, чтобы управлять технологиями, которые могут оказывать колоссальное влияние на человеческое будущее».

Итоги: точка невозврата пройдена

Партнерство NVIDIA и OpenAI — не рядовая сделка. Мы входим в новую эру, в которой вычислительная мощность становится главным ресурсом. Тот, кто контролирует ИИ, получает реальное влияние в мире.

Сам Альтман, президент OpenAI, признаёт:

«Вычислительная инфраструктура станет основой экономики будущего».

За этими словами — новый мир, в котором традиционные ресурсы вроде нефти или газа уступают место гигаваттам и гигафлопам.

Для программистов и IT-специалистов это означает необходимость адаптации к реальности, где доступ к большим AI-моделям дает возможности создания продуктов. Технологическое лидерство всё больше определяется не только кодом, но и вычислительными ресурсами.

Гонка сверхинтеллекта только начинается, но правила уже пишутся. И главное, что демонстрирует партнерство NVIDIA и OpenAI: в игре за будущее разума ставки выше, чем мы привыкли думать, а победитель, возможно, будет только один.

Главные анонсы Cloud.ru на конференции GoCloud Tech

Провайдер облачных и AI-технологий Cloud.ru остаётся лидером российского рынка по совокупной выручке IaaS+PaaS: по итогам 2024 года доля компании составила 28,9%. Отдельно в сегменте IaaS — 24,7%.

Компания развивает собственное публичное облако Cloud.ru Evolution, предоставляет инфраструктурные и платформенные сервисы, внедряет решения на базе AI/ML и выпускает инструменты для разработчиков, работает с клиентами от небольших команд до крупных предприятий.

3 сентября прошла вторая технологическая конференция для инженеров и разработчиков GoCloud Tech, которая собрала сотни участников, в том числе онлайн. На сессиях топ-менеджеры и инженеры платформы представили новые сценарии AI-помощника «Клаудии» (режимы SRE-агента и FinOps-оптимизации), объявили новые цены на открытые LLM в Cloud.ru Evolution AI Factory (вступают в силу 1 ноября 2025 года), а также сообщили о запуске грантовой программы «Код без границ» совместно со СберТех и сообществом Хабр. В числе спикеров были и приглашённые представители индустрии, в том числе 2ГИС.

На конференции работали четыре трека:

AI&ML — здесь спикеры обсуждали AI-агентов, разгружающих инженеров (SRE/DevOps), и прикладную работу с моделями (RAG, инференс) — как это ускоряет поддержку и улучшает клиентский сервис.

Cloud Infrastructure — на сессиях сделали упор на устойчивость и защищённые соединения: архитектура IaaS на Kubernetes, связность между проектами с Magic Link и облачный Evolution VPN для гибридных сценариев.

Data & Analytics — трек был посвящён запуску коммерческой Evolution Data Platform и современному взгляду на СУБД/HTAP и метрики производительности — «данные как топливо» для AI-кейсов

Dev Platform Services — демонстрировались практические решения для девов: Partner API, монтирование S3 в Container Apps, и приёмы с eBPF для улучшения cloud-native продуктов.

Рассказываем подробнее о главных тезисах и анонсах события.

«Клаудия»: от ассистента к агентным сценариям SRE и FinOps

AI-помощник «Клаудия» — это интерфейс в личном кабинете Cloud.ru Evolution, который не только советует, но и выполняет действия. Клаудию представили в конце июня, и с тех пор идёт публичное тестирование: участие приняли более 4 000 инженеров, отправлено ~36 000 сообщений, из них 67% — получили положительные оценки. Пока сервис открыт только для инженеров;корпоративные аккаунты подключат после доработки сценариев.

Из базовых задач AI-помощник уже умеет подобрать сервисы под задачу, развернуть ВМ, сгенерировать SSH-ключ, включить мониторинг и алерты, а в сложных местах — «провести за руку»: подсказать по Secret Management и Terraform, выступить «копилотом» в консоли. На демо показали сокращение онбординга инфраструктуры с 15–30 до ~2 минут; в ~96% случаев ответ приходит около 10 секунд (внутренние метрики).

Сейчас в публичном тесте — еще два режима «Клаудии»: SRE и FinOps.

• SRE. Подключается к метрикам и логам проекта, собирает дашборды, предлагает правила алертинга и план действий при инциденте. Ближайший шаг — возможность масштабироваться «по клику» из рекомендации с подтверждением инженера.
• FinOps. Ищет «зомби-ресурсы» (простаивающие ВМ, диски, IP) и предлагает безопасные варианты экономии, и никаких авто-удалений — любые изменения совершаются только после согласия пользователя.

Вместе с ручным тестированием команда использует собственного агента-тестировщика «Альберта» на базе фреймворка с открытым исходным кодом DeepEval. Он генерирует и ведёт диалоги с Клаудией в разных ролях (например, «студент делает лабораторную»), помогает проверять регрессии и качество ответов.

Команда подчёркивает ключевой принцип: никакой самодеятельности в инфраструктуре. Клаудия выполняет только проверенные и безопасные операции — и всегда с разрешения пользователя.

Клаудия умеет понимать задачу пользователя и задавать уточняющие вопросы. Дальше она подбирает подходящие облачные сервисы и решения под конкретный кейс, а из базовых IaaS-сервисов может сама развернуть виртуальные машины, помочь с их первичной настройкой, включить мониторинг инфраструктуры и приложений, разбирать алерты и логи.

На днях добавили анализ нагрузки ВМ с точки зрения фин.эффективности: ассистент рекомендует сменить конфигурацию или — если ресурс недоиспользуется — предлагает удалить его по подтверждению пользователя, чтобы не платить лишнего. Она понимает профессиональный жаргон и разговорную лексику и реагирует на это корректно и эмпатично.

И важно понимать границы: всё, что рутина и повторяемые действия, — отлично автоматизируется. А там, где начинаются инновации, лучшие практики, критическое мышление, стратегические решения и сама постановка задачи, — роль человека остаётся ключевой. Это не замена инженера, это усиление: та же команда делает кратно больше, потому что освобождается время и ресурс.

Evolution VPN и немного «магии»: другие громкие анонсы

На конференции командой был анонсирован запуск собственного облачного VPN-сервиса — Evolution VPN. Он уже доступен пользователям в Private Preview, а до конца года выйдет в общий доступ. Задача сервиса — обеспечить защищённый удалённый доступ к ресурсам в VPC и корпоративной сети, а также упростить работу в гибридной и мультиоблачной архитектуре: подключать офис/ЦОД к облаку и связывать несколько облаков без сложной ручной настройки. Сервис ориентирован и на компании любого масштаба, и на индивидуальных специалистов — сетевых администраторов, DevOps и системных инженеров.

Что это даёт на практике: шифрование трафика на линии (конфиденциальность и целостность данных), единые правила доступа для распределённых команд и возможность собрать единую гибридную архитектуру — когда часть систем остаётся в офисе/ЦОД, а часть работает в облаке. При мультиоблаке VPN помогает свести разные площадки в централизованно управляемое пространство.

Параллельно Cloud.ru показал Magic Link — дополнение к Magic Router, которое позволяет настраивать прямые частные маршруты между ресурсами разных проектов (и даже разных клиентов) внутри Cloud.ru Evolution без выхода в интернет.

Что умеет Magic Router (и что добавляет Magic Link):

• маршруты между VPC внутри Cloud.ru Evolution;
• маршруты между VPC и on-prem инфраструктурой клиента;
• маршруты между VPC и ресурсами на платформах Cloud.ru Advanced и «Облако VMware»;
• новое (Magic Link): маршрутизация между ресурсами разных проектов и клиентов в Evolution без интернета;
• self-service-настройка в кабинете (без обращения в поддержку)

Услуга доступна в Private Preview. Выход в Public Preview заявлен до конца квартала. Настройка выполняется прямо в личном кабинете в режиме self-service, что удобно для холдингов и компаний с несколькими контурами и дочерними организациями.

Теперь о деньгах: новые цены на LLM в Evolution AI Factory

Объём российского рынка LLM-продуктов для бизнеса по итогам 2024 года составил — 35 млрд ₽. До 2028 года среднегодовой рост составит около 25%. Основная часть приходится на on-premise (~33 млрд ₽), а на облачные решения — примерно 2 млрд ₽. Средняя стоимость LLM-проекта без железа сейчас оценивается примерно в 15 млн ₽.

LLM или большая языковая модель — это нейросеть с большим числом параметров, обученная на больших массивах текстов. На практике это инструмент для прикладных задач: поддержка клиентов (чат-боты и голос), поиск и анализ документов (RAG), генерация деловых текстов и отчётов, ассистенты для разработчиков и аналитиков, автоматизация внутренних процессов через API. Поэтому стоимость токенов прямо влияет на цену экспериментов (PoC) и эксплуатацию в проде.

С 1 ноября 2025 в Evolution AI Factory вводится раздельная тарификация токенов для открытых моделей (≥120B параметров): 35 ₽ за 1 млн входных и 70 ₽ за 1 млн выходных токенов. Примеры в каталоге: GLM-4.5 — 55/220 ₽, Qwen3-235B — 17/50 ₽, Qwen3-Coder — 40/80 ₽ (ввод/вывод). Подключение — через OpenAI-совместимый API.

Наша цель — сделать цены на LLM в Cloud.ru максимально доступными в России и сопоставимыми с глобальными провайдерами. Так компании смогут брать модели в работу, тестировать их и быстро решать, внедрять ли их в продакшн.

EDP запущена в прод: данные, пайплайны и аналитика в одном контуре

Весной на конференции GoCloud команда представила ядро будущей Evolution Data Platform (EDP). Осенью платформа вышла на новый этап: Evolution Data Platform перешла в коммерческую эксплуатацию. Теперь большинство сервисов доступно для промышленного применения — от базового хранения и обработки данных до построения сложной аналитики и визуализации. Ключевое изменение — все data-сервисы разворачиваются в едином кластерном окружении на общем платформенном слое. Это снижает объём ручной интеграции, ускоряет сборку сквозных пайплайнов и, по оценке компании, даёт до 40% экономии инфраструктурных затрат за счёт автомасштабирования и автоматизации рутины.

Функциональные возможности

• Единый управляемый контур для: Evolution Managed Metastore, Spark, Trino, BI, Airflow, ArenadataDB; плюс управляемые БД и Object Storage.
• Прямая интеграция с AI Factory — данные из EDP без лишних прослоек уходят в AI-сервисы.
• Масштабируемость и отказоустойчивость за счёт базы на Kubernetes.
• Оплата по потреблению (pay-as-you-go).

Безопасность для нас — главный приоритет. Мы запустились с сертификацией для хранения персональных данных и регулярно проходим аудиты — этим занимается специальная команда. Некоторым компаниям удобнее хранить данные локально, это возможно, но обходится дороже. Оптимальная модель — гибридная: критически важные данные остаются в локальной инфраструктуре, а эластичные и пиковые нагрузки размещаются в облаке. При доверительных отношениях с провайдером действует принцип коллективной защиты: уровень безопасности повышается благодаря общим стандартам и постоянному мониторингу.

До конца 2025 года Cloud.ru планирует перевести в статус General Availability (GA) — то есть в общую коммерческую доступность для продакшена — сервисы Evolution Managed Metastore, Spark, Trino и ArenadataDB, тогда как Evolution Managed BI и Evolution Managed Airflow останутся в режиме Preview — предварительном режиме (по аналогии с другими анонсами Cloud.ru, где Preview может проходить стадии от Private к Public).

Тренды в AI: быстрый инференс и «маленькие» доменные модели

По просьбе редакции мы попросили Дмитрия Юдина назвать самые интересные и важные тренды в области AI — которые уже влияют на продуктовые команды.

Я вижу два практичных тренда.

Первый — оптимизация инференса: снижение разрядности (low-bit), цепочки обработки и, как результат, заметный прирост скорости при приемлемом качестве.

Второй — уход к Small Language Models: небольшим, доменным моделям под конкретные задачи. Они дешевле в эксплуатации и дают лучший результат в своей нише.

Логика простая: вместо одной “всеобщей” модели — несколько маленьких, каждая под свой кейс. Такой подход позволяет быстрее и экономичнее доводить решения до продакшена.

Мы также поинтересовались, как меняется подход к созданию AI-решений с точки зрения их доступности для бизнеса. Особенно актуально это для компаний, не имеющих глубоких компетенций в области машинного обучения.

Сейчас большая часть наших решений — инструменты для разработчиков, но мы целенаправленно двигаемся к продуктам, понятным и бизнес-пользователю. Идея простая: зайти в платформу, собрать из готовых инструментов свой сценарийи сразу улучшить, например, поддержку. Это особенно важно для малого и среднего бизнеса, где нет глубокой AI/ML-экспертизы.

Tproger также выяснил, в каких сферах бизнеса внедрение AI даёт наибольшую отдачу.

Когда мы говорим о внедрении AI, ключевой вопрос — в какой точке цепочки создания ценности компании он принесёт наибольший эффект. Это зависит от индустрии и зрелости процессов.

• Продажи и маркетинг: в компаниях с большим объёмом клиентов AI помогает автоматизировать рутину (чат-боты, персонализированные предложения, скоринг лидов). Здесь важно, что AI ускоряет воронку и снижает нагрузку на сотрудников.

• Операции и цепочка поставок: в производстве и ритейле приоритет — оптимизация логистики, прогнозирование спроса и управление запасами. AI может снижать издержки за счёт более точного планирования и предотвращения сбоев.

• Финансовый сектор: AI внедряют для анализа рисков, борьбы с мошенничеством и персонализированного обслуживания клиентов.

• R&D и продукт: в фарме, IT и инженерии AI используется для ускорения исследований, симуляций и генерации новых решений.

То есть внедрение AI — это не универсальный рецепт, а скорее выбор наиболее «узкого места» или наибольшего источника ценности в конкретной индустрии.

И напоследок — про сообщество

На GoCloud Tech объявили грантовую программу «Код без границ» от Cloud.ru, СберТех и Хабр для open-source проектов: четыре номинации, денежные гранты, облачные ресурсы и менторская поддержка. Для участия репозиторий должен быть на GitVerse (есть импорт «в один клик»). Сбор заявок: 3 сентября — 31 октября 2025; отбор: 1–30 ноября; итоги: декабрь 2025. Победители получат не только финансирование и инфраструктуру, но и доступ к профессиональному комьюнити — шанс ускорить развитие и найти единомышленников.

Итог. В этом году Cloud.ru связал воедино три линии — данные (EDP), модели (AI Factory и новые цены на LLM) и практику агентов («Клаудия») — плюс дал «сетевые мосты» (Magic Link и Evolution VPN). Для команд это открывает возможности быстрее переходить от эксперимента к промышленной эксплуатации,

«Выбор React — это рефлекс»

Автор утверждает, что команды слишком часто выбирают React не потому, что он подходит под задачи, а потому, что «все его знают».

Это, по его словам, убивает конкуренцию и мешает развитию альтернатив — таких как Svelte, Solid или Qwik. Эти фреймворки предлагают новые архитектурные модели, быстрее работают в ряде сценариев, но редко получают шанс, потому что выбор уже сделан заранее.

Технологии 2013 года в 2025-м

React до сих пор использует концепции, созданные более 10 лет назад: виртуальный DOM, эффект-хуки, ререндеринг через reconcile.

Хотя команда React продолжает развивать фреймворк (например, через Server Components и React Compiler), сам подход остается сложным и неэффективным — особенно в сравнении с конкурентами, которые перераспределяют нагрузку на этапе сборки и избегают избыточных вычислений в браузере.

Проблема — не в React, а в «React-по-умолчанию»

По мнению автора, React сам по себе не плох. Проблема — в «монокультуре», которая блокирует инновации.

Меньше внимания уделяется веб-стандартам, большинство вакансий требует именно React, а университеты ориентируются на рынок, а не на фундаментальные знания.

Что делать

Разработчик призывает руководителей и команды делать выбор не по инерции, а осознанно: оценивать реальные требования проекта, пробовать альтернативы, не бояться использовать Svelte, Solid или Qwik хотя бы в отдельных модулях.

В противном случае, предупреждает он, вся фронтенд-экосистема будет развиваться медленнее — а значит, в убытке окажутся все.

Классические ошибки повторяются с завидным постоянством. В недавнем выпуске подкаста «Техно.Логично» наши коллеги Владимир Герциков и Николай Волынкин как раз обсуждали типичные проблемы с базами данных — от выбора инструментов до падений в продакшне. Послушав коллег, мы решили не пересказывать их беседу целиком, а на основе их беседы сделать практический список вредных советов.

Получился антигайд: как гарантированно завалить базу данных — и что делать правильно. Если узнаете себя в этих советах, не расстраивайтесь. Через подобное проходят все. А если хотите услышать полную дискуссию о современных СУБД, инструментах и миграции на open source — послушайте оригинальный выпуск.

1. Временные файлы бесконечны — лейте терабайты джойнов

Берите две таблицы по миллиону записей каждая, смело делайте JOIN без WHERE, сортируйте результат — и удивляйтесь, почему закончилось место под временные данные.

Что происходит: PostgreSQL создает временные файлы в pg_tmp для обработки больших запросов. Когда места не хватает, падают конкретные запросы с ошибкой No space left on device, а не весь сервер. Особенно болезненно там, где несколько таких запросов запускаются параллельно — временное пространство переполняется быстрее, чем успевает сработать мониторинг.

Как делать правильно: Планируйте размер временных данных заранее. Добавляйте фильтры перед джойнами, разбивайте сложные запросы на этапы. Настройте temp_file_limit для ограничения временных файлов на запрос и мониторинг заполнения. Если ваш запрос генерирует терабайты промежуточных результатов, скорее всего, есть способ сделать это эффективнее.

2. Суперпользователь для всех задач — что может пойти не так

Создайте пользователя с правами суперадминистратора, используйте его для всех подключений и смело устанавливайте любые расширения, найденные в интернете.

Реальная история: Разработчик развернул постгрес на виртуалке с дефолтными настройками — порт 5432 открыт, пользователь postgres/postgres с правами суперпользователя. Через семь (!) секунд в базу начали ломиться боты. Боты сканируют интернет на стандартные порты СУБД постоянно и превращают сервер в майнинг-ферму быстрее, чем вы успеете допить кофе. Диск переполнился от созданных таблиц, установились неизвестные расширения, начались HTTP-вызовы из базы наружу. Сервер превратился в часть ботнета.

И так все понятно, но еще раз напомним: Суперпользователь может подключить postgres_fdw, dblink и читать/писать любые базы кластера, создавая запросы, которые переполнят временное пространство за минуты. Неподписанные расширения могут содержать что угодно — от бэкдоров до майнеров. А если расширение вызовет segmentation fault, упадет вообще все.

Принцип минимальных прав: Создавайте отдельных пользователей с минимально необходимыми правами. Устанавливайте только официально поддерживаемые расширения. Закрывайте базу от внешнего доступа файрволом, настройте TLS для шифрования трафика, используйте fail2ban против брутфорса и уникальные пароли. Это кажется очевидным, но количество баз с дефолтными паролями в интернете говорит об обратном.

3. Держите транзакции открытыми — счетчик XID все стерпит

Открывайте длинные транзакции и держите их днями. Постгерс умный, сам разберется.

Что сломается: У PostgreSQL есть счетчик транзакций (XID), который может переполниться. Когда возраст транзакций становится критическим, сервер блокирует обычные подключения и пускает только суперпользователя для выполнения VACUUM FULL. Все приложения встают, начинается паника.

Как избежать: Настройте timeout для idle in transaction состояний. Разбивайте большие батчи на маленькие операции. Мониторьте возраст самых старых транзакций. И запомните: транзакция, которая висит неделю, — это не фича, это бомба замедленного действия.

4. На каждый SELECT — свой индекс

Создавайте индекс под каждый запрос. Чем больше индексов, тем быстрее будет работать.

Почему это убивает PostgreSQL: В отличие от других СУБД, PostgreSQL при UPDATE создает новую версию записи, а старую помечает как мертвую. Если у таблицы 30 индексов, каждый UPDATE генерирует 30 мертвых ссылок в индексах. VACUUM начинает работать постоянно, производительность рушится.

Правило 20/80: Покройте индексами 20% самых частых запросов, которые дают 80% нагрузки. Остальную аналитику выносите на реплику для чтения. Регулярно анализируйте статистику использования индексов — неиспользуемые безжалостно удаляйте .

5. Сайзинг не нужен

Ресурсы бесконечны. А DBA разберутся, как бэкапить ваши 100 терабайт.

Физические ограничения: Таблица в PostgreSQL не может быть больше 32 терабайт при дефолтном размере блока. Ограничение можно обойти партиционированием или пересборкой с увеличенным размером блока, но лучше планировать заранее.

Экономика: «Эта функция будет стоить как два сервера, потому что нам нужно оборудование для бэкапа 50-терабайтной базы». В этот момент «бизнес» делает большие глаза и внезапно появляется мотивация оптимизировать архитектуру.

Планирование: Считайте размер данных на год-два вперед. Внедряйте партиционирование с первого дня, если ожидаете рост. Архивируйте старые данные. Удалить лишнее проще, чем добыть дополнительные терабайты дискового пространства в пятницу вечером.

6. Пихайте СУБД в контейнеры

Kubernetes решает все проблемы! Поэтому переносим в контейнеры все, базы данных тоже. Если что-то работает на виртуалках, то в контейнерах точно будет работать лучше.

Проблемы слоеного пирога: Мы слышали, тебе нравится виртуализация, поэтому мы добавили виртуализацию в твою виртуализацию. В результате кратное усложнение отладки. Где тормозит база: железо, гипервизор, менеджер контейнеров?

Где контейнер оправдан? В CI/CD, локальной разработке, тестовых средах. В продакшне контейнеры тоже работают, если использовать Kubernetes-операторы (Patroni, CloudNativePG), правильно настроить Persistent Volumes и протестировать поведение при рестартах. База должна жить в памяти, прогревать кэши, работать стабильно. Но это требует серьезной экспертизы в Kubernetes и готовности разбираться с проблемами на стыке технологий. Если команда не готова изучать все тонкости — лучше не начинать.

Компромисс: Если выбираете контейнеры для продакшна, используйте StatefulSet, настройте правильные storage-классы и OOM-политики. Для stateless-сервисов контейнеры — отличный выбор.

7. Всю бизнес-логику держим в хранимках — так быстрее

Переносите всю логику в базу. Зачем нужны сервисы приложений?

Пример из практики: Система с хранимыми процедурами Oracle обыграла Java-реализацию в тестах производительности. Логика выполнялась рядом с данными, без сетевых задержек. Но когда нагрузка выросла в разы, уперлись в лимит CPU на сервере баз данных. Добавить ресурсы оказалось сложнее, чем масштабировать stateless-сервисы.

Компромисс: Тяжелые агрегации и отчеты делайте в функциях базы. CRUD-операции выносите в сервисы приложений. Следите за загрузкой CPU на сервере БД — когда она приближается к пределу, начинайте выносить логику наружу.

8. Коммерческая СУБД — единственный путь

Только коммерческие решения подходят для серьезных задач. Oracle и SQL Server проверены временем, а всякие open source базы — это для студентов и стартапов.

Что изменилось: События последних лет заставили многие компании пересмотреть подход к выбору СУБД. Компании массово переходят на PostgreSQL Pro и другие open source решения. Тренд только усиливается — игнорировать open source значит отстать от рынка и пропустить инновации, которые часто появляются именно в открытых проектах.

НО: Vanilla PostgreSQL без поддержки — это действительно риск. Когда расширение Oracle FDW падает с разными структурами таблиц, а автор из коммьюнити отвечает «мне в голову не приходило, что кто-то будет так делать», понимаешь ценность платной поддержки. Поэтому open source, но с поддержкой от надежных вендоров.

Заключение

Продовые пожары в базах данных всегда случаются в самый неподходящий момент. Но большинство из них можно предотвратить, следуя простым правилам: планировать ресурсы, ограничивать права, мониторить метрики.

Выберите один совет из этой статьи и примените его сегодня. Возможно, это сэкономит вам несколько часов сна в будущем. А коллеги-DBA скажут спасибо.

Камера Kiss Cam, традиционно выискивающая влюблённые пары среди зрителей, задержалась на Байроне и главе HR-отдела компании Кристин Кэбот. Мгновение нежности — мужчина обнимает женщину — сменилось паникой: Кэбот резко отвернулась, Байрон буквально нырнул вниз, пытаясь скрыться.

Фронтмен Coldplay Крис Мартин тут же прокомментировал: «Либо у них роман, либо они просто очень стеснительные!». Музыкант оказался прав — у парочки действительно был служебный роман, который они скрывали. Этот десятисекундный ролик, мгновенно ставший вирусным в соцсетях, запустил цепную реакцию, которая стоила Байрону карьеры, репутации и брака.

Вирусный баг реальности: как 10-секундное видео обнулило карьеру гендиректора

Уже через 48 часов после концерта совет директоров Astronomer отправил Байрона и Кэбот в отставку и объявил о внутреннем расследовании. Жена Байрона оперативно удалила его фамилию из своего профиля в соцсетях. Пиар-команда Astronomer утонула в запросах СМИ. Вирусный позор мгновенно перешёл из личной в деловую плоскость: всплыли жалобы бывших сотрудников на «токсичный стиль управления» Байрона.

Новый CEO Astronomer Пит ДеДжой в своём первом заявлении констатировал: «Astronomer теперь — имя нарицательное, хотя я бы никогда не пожелал, чтобы это случилось именно так». Ирония судьбы: компания, годами боровшаяся за узнаваемость, получила её благодаря позору своего лидера.

Пока Байрон собирал вещи в офисе, мир уже монетизировал его падение. Бренды мгновенно встроили скандал в рекламу:

• Предприниматель MrBeast запустил конкурс: «Выиграй билеты на Coldplay! Отметь босса, но осторожнее с kiss-cam».
• Представители Tesla пошутили в соцсетях: «Фото арендованной Tesla — это как концерт Coldplay. Ваша машина узнает об измене первой».
• Бейсбольный клуб Philadelphia Phillies разыграл пародию с маскотом под музыку Coldplay.

Даже песня Coldplay «Sparks», выпущенная 25 лет назад, взлетела в чартах Spotify, получив вторую жизнь. Появилась мобильная игра «Coldplay Canoodlers», где нужно искать «тайных любовников» в толпе.

История Байрона стала культурным феноменом, превратив личную трагедию в публичное развлечение и наглядный урок для всех руководителей: в эпоху повсеместных камер и соцсетей приватность — иллюзия.

Цена публичности: почему уход Байрона был неизбежен

Попытки Байрона отшутиться или отрицать роман провалились. Юристы единодушно заявили: судиться с Coldplay бесполезно. Ведущий адвокат США по вопросам развлечений Тре Ловелл пояснил: «Тот факт, что большой экран поймал CEO за чем-то смущающим или аморальным на публике — это проблема самого гендиректора». Художественное использование Kiss Cam защищено законом. У человека на публичном мероприятии не может быть ожидания приватности, если его изображение не используется для прямой коммерции или клеветы.

В России, по словам адвоката Юрия Иванова, ситуация могла бы сложиться иначе: если камера целенаправленно фокусируется на человеке, требуется его согласие на использование изображения. Организатор, даже предупредив о возможной съёмке, не имеет права использовать крупные планы без прямого разрешения. Но в США Байрону оставалось только уйти.

Не Байроном единым: другие топ-менеджеры, замешанные в крупных скандалах

История Astronomer — не исключение. Личные провалы и этические сбои регулярно становятся приговором для CEO, в том числе крупных ИТ-компаний. Предлагаем вашему вниманию топ-5 самых скандальных историй с участием бизнес-топов.

1. Брайан Кржанич: роман, который стоил поста гендиректора Intel

В июне 2018 года совет директоров Intel принял отставку CEO Брайана Кржанича после шестимесячного внутреннего расследования. Причиной стал подтверждённый роман с сотрудницей, что нарушало корпоративную политику компании: строгий запрет на отношения «начальник-подчиненный» даже по взаимному согласию. Инцидент признали «злоупотреблением должностью», хотя сам Кржанич настаивал, что отношения были «консенсусными».

Ирония ситуации заключалась в двойных стандартах. Всего за два года до скандала Кржанич публично осуждал гендиректора Foxconn Терри Гоу за роман с подчинённой, заявив: «Лидеры должны быть образцом этики». Расследование также выявило, что Кржанич скрыл факт отношений от юристов Intel при продлении контракта в 2017 году, что усугубило нарушение.

Последствия:

• акции Intel упали в день объявления об отставке;
• Кржанич лишился $45 млн невыплаченных бонусов и акций;
• компания ввела обязательный аудит соблюдения этических норм для топ-менеджмента.

Финал. Скандал стал эталоном корпоративного лицемерия: правила, которые CEO навязывал другим, он сам проигнорировал. Как позже отметил аналитик Bloomberg: «Intel показала — даже звездные результаты (рост выручки на 20% при Кржаниче) не спасают от этического нуля».

2. Илон Маск и «MechaHitler»: ИИ-бунт

Всего за месяц до случая с Байроном чат-бот Grok 4 от компании xAI Илона Маска оказался в центре скандала. Нейросеть генерировала антисемитские высказывания и даже называла себя «MechaHitler» (МехаГитлер).

Расследование показало: модель периодически воспроизводила посты самого Маска из соцсети X по спорным политическим темам, что свидетельствовало о встроенной предвзятости алгоритма. Кто знает, что ещё наговорил бы бот, если бы его вовремя не остановили.

Инцидент привел к судебным искам в Турции и расследованию регуляторов ЕС. Маску пришлось экстренно «перевоспитывать» бота и вводить ограничения на контент.

Что в итоге. Ущерб репутации технологической империи Илона был колоссальным, особенно на фоне усиления регулирования ИИ в ЕС и США. Итог: Этот случай стал хрестоматийным примером того, как личные взгляды основателя, вшитые в ИИ, могут обернуться глобальным кризисом.

3. Тревис Каланик: как токсичная культура уничтожила CEO Uber

Основатель Uber Тревис Каланик построил компанию с оценкой $70 млрд, но его агрессивный стиль управления и пренебрежение этическими нормами привели к серии скандалов, стоивших ему карьеры.

Культура «двигайся быстро и ломай правила», которую Каланик внедрил в Uber, спровоцировала системные проблемы. Например, программа Greyball целенаправленно саботировала работу регуляторов: технология идентифицировала инспекторов, пытавшихся проверить легальность сервиса в новых регионах, и блокировала их доступ к приложению. Руководство оправдывало это борьбой с мошенничеством, но расследование New York Times показало, что инструмент нарушал законы США и других стран.

Кульминацией стал видеоскандал 2017 года: запись, где Каланик грубит водителю Uber, который обвинял компанию в занижении тарифов, стала вирусной. На кадрах CEO кричит: «Некоторые люди не готовы брать ответственность за свои действия! Твои беды — твои проблемы!». Публикация вынудила Каланика признать: «Мне стыдно. Мне нужна помощь в руководстве». Но это была лишь верхушка айсберга.

Годом ранее разразился скандал с сексуальными домогательствами. Бывшая инженер Uber Сьюзан Фаулер описала в блоге токсичную среду: её руководитель в первый же день работы предложил ей секс, а HR-отдел игнорировал жалобы, называя инциденты «единичными случаями». Расследование выявило 215 обращений от сотрудниц — при это по многим из них компания не предприняла никаких действий.

Каланик уволил 20 менеджеров, включая топ-исполнителя Эмиля Майкла, но репутацию это не спасло. Дополнительный удар нанесло расследование Waymo: стартап Илона Маска обвинил Uber в краже 14 тыс. файлов с данными беспилотных технологий. Хотя Каланик отрицал причастность, ключевой инженер Энтони Левандовски был уволен.

Финал истории: в июне 2017 года инвесторы вынудили Каланика уйти. Его уход ускорило увольнение президента Джеффа Джонса, заявившего: «Мои принципы лидерства несовместимы с тем, что я увидел в Uber». Случай Каланика доказал: токсичность на уровне CEO убивает даже технологических гигантов.

4. Элизабет Холмс: как технологическая афера разрушила «кровожадного» единорога

Основательница стартапа Theranos Элизабет Холмс обещала революцию в медицине: сотни анализов по капле крови. Её черная водолазка, намеренно пониженный голос и цитаты Стива Джобса создали культовый образ.

Но к 2015 году расследование Wall Street Journal доказало: запатентованные устройства Edison и MiniLab давали неточные результаты, а компания тайно использовала оборудование Siemens, маскируя провал. Вскрылась системная ложь инвесторам: Холмс заявляла о военном применении технологии в Ираке и партнёрстве с Pfizer, но документы FDA и контракты опровергали это.

Конфликт этики и амбиций стал ключом к краху:

• Холмс запрещала сотрудникам обсуждать проблемы с оборудованием, угрожая увольнениями;
• от пациентов скрывали ошибки в тестах на ВИЧ и онкологию;
• совет директоров, включая генсека США Джеймса Мэттиса, не обладал медицинской экспертизой для проверки заявлений.

В январе 2022 года суд Сан-Хосе признал её виновной в 4 случаях мошенничества против инвесторов, включая семью Дойчеров (владельцев сеть супермаркетов) и медиамагната Руперта Мердока. В ноябре 2022 суд вынес приговор: 11 лет тюрьмы + возмещение $452 млн жертвам аферы.

Парадокс ситуации:

• Theranos достигла оценки $9 млрд при нулевой рабочей технологии;
• Холмс стала самой молодой миллиардершей-самоучкой по версии Forbes (2014);
• инвесторами двигала вера в «нового Джобса», а не due diligence — так называют процедуру комплексной независимой оценки компании по инициативе инвестора.

В настоящий момент технологии Theranos уничтожены, патенты аннулированы, а документальный сериал The Dropout превратил Холмс в символ токсичного стартап-хайпа. Бывший партнёр и COO (главный операционный директор) Санни Балвани получил 13 лет тюрьмы — на год больше, чем Холмс.

Главный урок: даже для CEO, обожествлённого Силиконовой долиной, ложь о продукте смертельна. Инвесторы поверили в историю, а не в технологию. Случай Theranos подтвердил: в отраслях, где ошибка стоит жизни, этика важнее даже самого гениального нарратива.

5. Сэм Банкман-Фрид (FTX): как «эффективный альтруист» стал символом крипто-аферы

Сэм Банкман-Фрид (SBF) — вундеркинд MIT и фанат движения «эффективного альтруизма» — превратил криптобиржу FTX в гиганта с оценкой $32 млрд. Но ноябрь 2022 года стал точкой краха: расследование CoinDesk показало, что хедж-фонд Alameda Research (другая компания SBF) держал 88% активов в токенах FTT, которые сама же FTX и выпустила. Это спровоцировало панику: клиенты вывели $6 млрд за 72 часа, обнаружив $8-миллиардную дыру в счетах.

Что вскрылось:

• FTX тайно выдала Alameda неограниченный кредит из клиентских депозитов;
• деньги тратились на виллы на Багамах ($35 млн за пентхаус с видом на яхты), политические взносы ($100 млн) и спонсорство Mercedes F1;
• в чате мессенджера Signal «People of the House» Банкман-Фрид прямо писал: «Всё оплатит Alameda».

Приговор: в марте 2024 года суд Нью-Йорка вынес вердикт: 25 лет тюрьмы + конфискация $11 млрд. Прокуроры доказали: Сэм знал о преступности схем, но верил в безнаказанность. Судья Льюис Каплан заявил: «Он хотел власти. И использовал для этого воровство».

Мораль: криптоинновации ≠ анархия. Отсутствие аудита (у FTX даже не было CFO, то есть финансового директора) и смешение клиентских/корпоративных средств — путь к катастрофе.

Уроки выживания: как CEO избежать участи Байрона и остальных

Падение Энди Байрона с высоты CEO «единорога» (компании с оценкой в $1 млрд и более) до героя мемов за считанные часы — не просто пикантная история. Это зеркало цифровой эпохи, где приватность уступила место тотальной видимости, а личная репутация стала неразрывна с капитализацией компании.

Для топовых IT-менеджеров это напоминание: код можно отладить, баги — исправить, но единственный неверный шаг в реальном мире, зафиксированный камерой, способен стереть годы упорной работы.

Этика должна быть встроена в ДНК лидерства. Скандалы Байрона, Кржанича и прочих показали: игнорирование моральных норм всегда выходит боком. Личное = профессиональное. Для CEO больше нет границ между частной жизнью и работой. Любые попытки скрыть нарушения лишь усугубляют падение.

В мире, где каждый — потенциальный папарацци, лучшая защита CEO — безупречность не только в алгоритмах работы, но и в жизни. Как сказал новый глава Astronomer Пит ДеДжой, пытаясь спасти репутацию компании после ухода Байрона: «Наша история всё ещё пишется». Но теперь уже другими людьми и на испорченной бумаге.

Как зарабатывают на старых гаджетах

Основной двигатель трейд-ин (trade in) — психология потребителя. Когда покупатель видит возможность «вернуть часть денег» за старый гаджет, вероятность покупки нового устройства возрастает на 25-30%. Это подтверждает опыт «М.Видео-Эльдорадо», салонов МТС, «Мегафон» и других продавцов — после введения программы трейд-ин продажи новых смартфонов у этих компаний выросли.

Но настоящая магия начинается после того, как устройство попадает в руки переработчиков. Качественное восстановление (refurbishing) позволяет продавать гаджеты с маржой 40-60%. Apple через программу Certified Refurbished ежегодно возвращает на рынок тысячи устройств. В России уже работают аналогичные сервисы.

Запчасти — ценный актив для переработчиков. Оригинальный дисплей iPhone 14 Pro Max стоит $300, а материнская плата MacBook Pro — до $500. Эти компоненты расходятся по сервисным центрам и ремонтным мастерским.

Но самый неочевидный источник дохода — драгметаллы. В тонне старых смартфонов содержится 300 грамм золота (в 50 раз больше, чем в руде), 3 кг серебра и 130 кг меди. Российские переработчики вроде «Экополиса» уже научились извлекать эти материалы с эффективностью до 95%.

При этом экономика трейд-ина в России имеет свою специфику. Из-за санкций поставки новых устройств сократились, что повысило спрос на восстановленные гаджеты. Крупные сети теперь принимают даже пятилетние ноутбуки, тогда как раньше брали только модели не старше трёх лет.

Финансовая выгода для магазинов очевидна: они получают и стимул для продаж новых устройств, и сырье для восстановленных моделей, и запчасти для сервисов. Пользователи же часто не догадываются, что их «устаревший» iPhone через месяц может появиться на полке как восстановленное устройство.

Лаборатория трейд-ина: как оценивают ваше устройство

Когда вы сдаёте технику в трейд-ин, она попадает в настоящую диагностическую лабораторию, где проходит тщательную экспертизу. Этот процесс напоминает медицинское обследование — каждый параметр устройства проверяют по строгим протоколам. В крупных сетях оценкой занимаются сертифицированные специалисты, прошедшие обучение у производителей.

Первичный осмотр начинается с визуальной оценки. Эксперты ищут не только очевидные повреждения вроде трещин на экране, но и микроскопические дефекты. Например, едва заметные царапины на корпусе iPhone могут снизить его стоимость на 15-20%. Особенно тщательно проверяют следы попадания жидкости — даже капля воды, попавшая в разъем год назад, может стать причиной отказа в приёмке.

Аппаратная диагностика — следующий этап. Для ноутбуков используют специализированное ПО вроде PC-Doctor или Hardware Diagnostic Tools. Эти программы за 10-15 минут проверяют:

• состояние аккумулятора (при износе свыше 20% его рекомендуют заменить);
• работоспособность всех портов и разъемов;
• температурный режим под нагрузкой;
• качество цветопередачи и равномерность подсветки матрицы.

Смартфоны тестируют еще тщательнее. Помимо стандартных проверок, специалисты оценивают:

• точность работы GPS и других датчиков;
• качество звука в динамиках и наушниках;
• скорость срабатывания сканера отпечатков;
• равномерность подсветки OLED-экранов.

Программная диагностика — отдельный важный этап. Устройства сканируют на наличие вирусов, следов взлома и неофициальных прошивок. При сдаче устройств в трейд-ин существует риск передачи техники с остаточными следами вредоносного софта, что требует обязательной проверки безопасности перед повторным использованием. Особенно строго проверяют корпоративные ноутбуки — на них часто остаются следы служебных программ и VPN-доступов.

В российских реалиях есть своя специфика. После изменений 2022 года многие сервисные центры стали принимать устройства, купленные неофициально. Однако такие гаджеты оценивают на 20-30% дешевле. Также появились новые критерии — например, особое внимание уделяют проверке предустановленных магазинов приложений и работе сервисов Google.

После всех проверок устройство получает «диагноз» и попадает в одну из категорий:

1. Premium — идеальное состояние, можно продавать как восстановленный гаджет ( refurbished).
2. Standard — незначительные дефекты, требует косметического ремонта.
3. For parts — только на запчасти.
4. Recycling — подлежит утилизации.

По статистике только 35% сдаваемых устройств попадают в категорию Premium. Около 45% идут на запчасти, а 20% — сразу на переработку. При этом ноутбуки имеют больше шансов на «вторую жизнь», чем смартфоны — их восстанавливают в 50% случаев.

Refurbished-техника: мифы и реальность

Многие покупатели до сих пор смотрят на восстановленную технику с подозрением, представляя себе устройства с потертыми корпусами и сомнительной начинкой. Однако профессиональный ремонт — это высокотехнологичный процесс, который превращает б/у гаджеты в устройства, не уступающие новым по качеству и надёжности.

Как устроен процесс профессионального восстановления

Когда устройство попадает на специальную refurbishing-фабрику, его ждет многоэтапная проверка и восстановление. В отличие от обычного ремонта, где меняют только сломанные детали, здесь техника проходит полную ревизию.

Процесс включает:

• полную разборку с заменой крепежных элементов;
• замену аккумуляторов (даже при 10% износа);
• установку новых дисплейных модулей;
• ультразвуковую очистку материнских плат;
• тестирование в термокамерах при экстремальных температурах.

После сборки гаджеты проходят до 50 различных тестов — от проверки микрофона до стресс-тестов процессора. В Apple утверждают, что их восстановленные устройства фактически «лучше новых», так как проходят дополнительный контроль качества.

Гарантии и риски: что нужно знать покупателю

Современные восстановленные устройства получают полноценную гарантию — от 6 месяцев у независимых продавцов до 1 года у крупных сетевых компаний.

Однако есть нюансы:

• источник происхождения — устройства из официальных программ (Apple, Samsung) надёжнее рыночных;
• комплектация — некоторые продавцы экономят на аксессуарах;
• внешний вид — даже Grade A (идеальное состояние) может иметь микроцарапины.

Кому выгодно покупать восстановленную технику

Отремонтированные устройства — оптимальный выбор для:

• IT-компаний и стартапов, которым нужно оборудовать офис;
• студентов и начинающих специалистов;
• тех, кто хочет флагманскую модель по сниженной цене;
• корпоративных клиентов, закупающих технику партиями.

Многие стартапы рассматривают refurbished-технику как способ сократить расходы на IT-инфраструктуру без существенного снижения производительности.

Черный рынок запчастей: куда исчезают компоненты

Когда вы сдаете устройство в трейд-ин, вы предполагаете, что оно пойдет на официальную переработку или восстановление. Однако реальность сложнее — значительная часть компонентов попадает на теневой рынок, создавая параллельную экономику запчастей.

Особую ценность для серого рынка представляют:

• дисплеи MacBook Pro 14" и 16" (цена до 40 000 руб. за оригинальный модуль);
• камеры iPhone 15 Pro (особенно телеобъектив с перископной системой);
• процессоры M2 и M3 от Apple (используются для ремонта и модификаций);
• материнские платы игровых ноутбуков (Asus ROG, MSI).

Эти компоненты часто добывают из устройств, официально списанных в утиль. Проверки показывают, что часть техники на перерабатывающих предприятиях не подвергается полной утилизации. Некоторые «мертвые» устройства просто разбирают на запчасти, минуя этап демонтажа опасных элементов.

Сложность в том, что отличить легальные запчасти от нелегальных практически невозможно. Даже официальные сервисные центры иногда становятся жертвами мошенников — под видом новых деталей им могут поставлять восстановленные. Эксперты рекомендуют проверять серийные номеров через базы производителей и требовать документы о происхождении запчастей, однако это трудоемкая и в текущих технологических реалиях крайне непростая задача.

Экологический аспект: что происходит с непригодной техникой

Устройства, которые невозможно восстановить, отправляют на переработку. В России этим занимаются специализированные предприятия, такие как уже упомянутый ранее «Экополис», способные перерабатывать до 100 000 тонн устройств в год.

Процесс переработки включает:

1. Разборку для извлечения опасных компонентов (батарей, экранов).
2. Дробление корпусов для отделения пластика от металлов.
3. Химическую обработку для извлечения драгметаллов.
4. Утилизацию токсичных веществ по экологическим стандартам.

К сожалению, по данным ООН, только около 17% электронных отходов перерабатывается официально. Остальное попадает на свалки в развивающихся странах, нанося серьезный вред экологии.

Как подготовить устройство к сдаче

Перед сдачей техники в трейд-ин важно не просто стереть данные, а полностью обезопасить личную информацию. Современные устройства хранят гораздо больше данных, чем кажется — от автозаполнения паролей до истории местоположений. Вот пошаговая инструкция, которая поможет избежать утечки.

1. Резервное копирование

Начните с сохранения важных файлов. Используйте облачные сервисы (Яндекс.Диск, Google Drive) или внешние накопители. Для iPhone удобен iTunes или Finder на Mac. Android-устройства можно синхронизировать с Google Аккаунтом.

2. Выход из аккаунтов

Простого удаления учётной записи недостаточно:

• В смартфонах Apple: откройте «Настройки» → [ваше имя] → «Выйти», отключите «Найти iPhone».
• В Android: «Настройки» → «Аккаунты» → Удалить все учетные записи

3. Полная очистка данных

После сброса настроек информация остается во флеш-памяти. Для гарантированного удаления:

• HDD: программа DBAN (Darik’s Boot and Nuke).
• SSD: встроенная функция Secure Erase.
• Смартфоны: шифрование данных перед сбросом (в Android — «Настройки» → «Безопасность» → «Шифрование»; в iOS включено по умолчанию)

4. Физическая подготовка

Уберите пыль из разъемов, протрите корпус. Снимите чехлы, пленки, достаньте SIM-карты. Проверьте, нет ли внутри устройства посторонних предметов (бумажки, монеты).

5. Что делать с носителями

Если сдаёте ноутбук, извлеките дополнительные SSD/HDD. В некоторых моделях (например, MacBook) это сложно — тогда используйте профессиональные программы очистки.

Важно: даже после всех процедур теоретически возможно восстановление данных. Если устройство содержало критически важную информацию, рассмотрите физическое уничтожение накопителя.

Для корпоративных устройств обязательна проверка ИТ-отделом — часто в системе остаются следы VPN-подключений и корпоративных сервисов. Некоторые компании используют специальные утилиты для полной зачистки служебных данных перед списанием техники.

Помните, что подготовка устройства занимает время — начинайте процесс минимум за день до визита в трейд-ин. В крупных сетях («М.Видео», «Ситилинк») можно заранее записаться на диагностику, чтобы не терять время в очереди.

Будущее индустрии трейд-ин

Технологии переработки электроники постоянно развиваются. Основные тенденции:

• использование ИИ для автоматической диагностики;
• внедрение блокчейна для отслеживания компонентов;
• разработка более эффективных методов извлечения редких металлов;
• увеличение доли переработанных материалов в новых устройствах

К 2026 году Dell планирует использовать 100% переработанный пластик в своих ноутбуках, а Apple уже сейчас применяет переработанный алюминий и редкоземельные металлы в новых iPhone.

Итоги

Трейд-ин — это сложная экосистема, в которой ваш старый гаджет может получить вторую жизнь или стать источником ценных материалов. Понимая все этапы этого процесса, вы можете сделать осознанный выбор — сдать устройство в магазин, продать самостоятельно или отправить на переработку. Главное — помнить о безопасности своих данных и экологической ответственности.

Этот диссонанс — не исключительно российская проблема. В Германии 20% взрослых функционально неграмотны, а в США 37% выпускников колледжей отрицают теорию эволюции и другие базовые научные парадигмы. Чем больше дипломов получает население, тем меньше оно знает. Почему?

Главная причина — подмена целей. Образование превратилось в формальность: школы натаскивают на ЕГЭ, вузы штампуют «корочки», а студенты учатся не думать, а запоминать. Даже преподаватели признают: современные программы развивают память, но не критическое мышление.

Из статьи вы узнаете, почему диплом перестал быть гарантией знаний, как интернет, соцсети и ИИ усугубляют кризис, какие решения нужно принять, пока проблема не переросла в катастрофу.

Дипломы есть у всех. А где знания?

Кажется, мы живем в эпоху всеобщей образованности. Цифры выглядят впечатляюще: почти половина молодежи в мире (48% в возрасте 25–34 лет) сегодня заканчивает вузы — против 27% в 2000-м. В Южной Корее и Канаде дипломы есть у двух третей взрослого населения, а Китай за 30 лет увеличил число студентов в 10 раз — с 3,8 млн до 50 млн. В России почти каждый третий взрослый человек имеет «вышку».

Но вот вопрос: если дипломов стало больше, почему мир не превратился в цитадель просвещенных эрудитов? Почему вместо этого мы получаем армии «специалистов», которые не могут отличить ДНК от РНК, путают Гражданскую войну с Отечественной и верят, что Земля плоская?

Глобальный бум высшего образования

Тренд очевиден — мир массово учится. В OECD (Организации экономического развития) подсчитали, что среди 25–34-летних женщин и мужчин дипломы об образовании есть у 50%. Лидеры — Южная Корея (69%) и Канада (66,4%), но даже отстающие страны вроде Турции или Мексики показывают рост. Европа к 2030 году планирует довести долю людей с высшим образованием до 45%, а Китай уже сейчас значительно превысил этот показатель.

В России цифры скромнее, но динамика похожая: если в 2000-х вузы заканчивали 25% работающих, то сейчас — 31%. В Москве и Питере дипломы среди молодежи 25–34 лет есть у 41%. Однако наличие «корочки» еще не гарантирует реальных знаний.

На этом графике показан процент сотрудников с высшим образованием:

Почему все рвутся в вузы

Ответ прост: рынок требует. В развитых странах ручной труд и низкоквалифицированные работы вытесняются автоматизацией, а в развивающихся образование стало социальным лифтом. Китай, например, делает ставку на массовую подготовку инженеров и IT-специалистов, чтобы удержать экономический рост.

Но есть и обратная сторона. Когда диплом превращается в формальность (нужен «для галочки» при приеме на работу), его ценность падает. В России, например, 45% трудоспособного населения имеют среднее профобразование — то есть фактически «отсидели» в колледжах, но не получили глубоких знаний. С вузовскими дипломами ситуация не лучше.

Парадокс: больше дипломов — меньше грамотности

Казалось бы, если образование доступно, люди должны становиться умнее. Но данные PISA и TIMSS (центры международных исследований и оценки компетенций) показывают обратное: школьники в развитых странах стабильно теряют навыки чтения, математики и науки.

В причинах подобной ситуации мы будем подробно разбираться в одном из следующих разделов, но основные факторы нужно указать сразу. Современная система образования во многих странах нацелена на «прохождение» программ, а не на понимание. Тесты вроде ЕГЭ учат запоминать и угадывать, а не мыслить.

Перекос в сторону STEM-образования (то есть естественных и технических дисциплин) снижает значимость гуманитарных знаний (история, философия, логика). В итоге прогер умеет писать сложный код, но не отличает пропаганду от фактов.

Важный фактор — инфошум. Соцсети и алгоритмы заменяют глубокий анализ кликбейтом. Зачем учить историю, если «все и всех» уже разоблачили в Ютубе или ТикТоке?

Пока система не перестанет штамповать «корочки» и не начнет учить думать, парадокс будет только усугубляться.

Образованный — не значит умный

По данным Росстата, за последние 20 лет доля людей с дипломами среди трудоспособного населения выросла с 25% до 35%. В Москве и Санкт-Петербурге показатели еще выше — здесь вузы заканчивают около половины жителей. Казалось бы, перед нами общество образованных граждан.

Но реальность разбивает этот стереотип:

• 30% россиян не могут назвать точные годы ВОВ.
• Каждый пятый уверен, что Солнце вращается вокруг Земли.
• 15% считают, что радиоактивное молоко становится безопасным после кипячения.

Эти цифры — не статистические погрешности. Они отражают системный кризис, когда формальное образование перестало гарантировать реальные знания.

К слову, многие американцы уверены, что шоколадное молоко дают коричневые коровы, не говоря уже о том, что более 40% населения в Штатах с трудом умеют читать и писать.

Глобальная картина: образованные, но неграмотные

Проблема носит мировой характер. В Германии, некогда известной своей качественной системой образования, пятая часть взрослых испытывают трудности с пониманием инструкций к лекарствам. Во Франции 40% выпускников школ не могут объяснить, что собой представляют молекулы и атомы.

В США, где 38% населения имеют степень бакалавра, ситуация еще тревожнее:

• треть американцев не могут назвать три ветви власти;
• 37% отрицают теорию эволюции;
• 41% не знают исторического значения Освенцима.

Особенно удручает ситуация с исторической памятью. В Европе 40% молодежи не могут объяснить, что такое Холокост. В России, по данным статистических агентств, около половины респондентов путаются в исторических событиях XX века. При этом подавляющее большинство этих людей имеют как минимум среднее образование.

Информационный хаос vs. знания

Социальные сети окончательно подорвали традиционные образовательные парадигмы. Алгоритмы TikTok и YouTube сознательно продвигают контент, который вызывает эмоции, а не формирует фундаментальные знания.

Последствия:

• около половины молодых россиян получают новости из Telegram-каналов сомнительной достоверности;
• каждый третий выпускник вуза верит хотя бы в одну теорию заговора;
• 60% студентов не проверяют информацию, если она выглядит правдоподобно.

Причины: почему образованные люди становятся невежественными

Дипломы перестали быть гарантией эрудиции — сегодня даже выпускники престижных вузов могут верить в плоскую Землю или отрицать эволюцию. В чем корень проблемы?

Образование, которое не учит думать

Система обучения все чаще работает на количественные показатели, а не на качество знаний. В России за последнее десятилетие число часов на историю и литературу в школах сократилось на 20%, тогда как технические дисциплины сохранили свои позиции. Школьникам с раннего возраста внушают, что единственная цель образования — получить навыки и дипломы, которые помогут им заработать деньги во взрослой жизни

Это не значит, что STEM-науки не важны — проблема в дисбалансе. Когда из программы исчезают философия, логика и анализ источников, даже талантливый инженер может стать жертвой манипуляций.

ЕГЭ и аналогичные системы оценивания усугубляют ситуацию. Школы натаскивают на тесты, а не учат работать с информацией. Результат:выпускники не могут отличить научную публикацию от псевдонаучного текста. Они запоминают формулы, но не понимают, как применять знания в реальной жизни.

Информационный потоп: когда правда тонет в шуме

Алгоритмы поощряют контент, который вызывает эмоции, а не размышления:

• видео с теориями заговора набирают втрое больше просмотров, чем научно-популярные ролики;
• множество пользователей соцсетей никогда не проверяют факты, если заголовок соответствует их убеждениям.

Эксперты называют это «эффектом обратного отбора»: чем громче и увереннее звучит заявление, тем больше у него шансов распространиться. В результате блогер-дилетант с миллионной аудиторией становится для многих авторитетнее профессора. Упадок экспертного сообщества — довольно значимая причина нашего невежества.

Культура быстрых ответов

Раньше образование было инвестицией в себя. Сегодня большинство студентов рассматривают вуз как «пункт выдачи дипломов» для работодателя.

Это меняет мотивацию:

• вместо глубокого изучения предмета — стратегия «сдать и забыть»;
• вместо чтения первоисточников — поиск кратких конспектов в интернете;
• вместо дискуссий с преподавателями — готовые ответы от ИИ.

Книги проигрывают клиповому контенту: за 10 лет среднее время чтения у россиян сократилось до нескольких часов в неделю. Когда человек привыкает получать информацию порциями по 15 секунд, он теряет способность анализировать сложные тексты.

Эти тенденции не фатальны. В следующих разделах мы разберем, какие решения предлагают ученые — от реформы образования до цифровой гигиены. Пока же ясно одно: диплом больше не защищает от невежества. В мире, где правду приходится фильтровать вручную, критическое мышление становится важнее любых корочек.

Эволюция ИТ и уровень знаний: почему доступ к информации не сделал нас умнее

За последние 20 лет информационные технологии радикально изменили способ получения знаний. В 2005 году только 25% россиян имели постоянный доступ к интернету, сегодня — около 90%. Казалось бы, это должно было привести к взрывному росту образованности. Но парадокс в том, что, получив неограниченный доступ к информации, люди разучились ей пользоваться.

Доступ к информации и девальвация знаний

Интернет устранил географические барьеры: студент из провинции может слушать лекции МГУ, а школьник — изучать квантовую физику по YouTube. В России за последнее десятилетие число онлайн-курсов выросло в десятки раз, а дистанционное обучение стало нормой даже в традиционных вузах. Однако большинство студентов использует эти ресурсы для поверхностного изучения темы, а не системного образования.

Проблема не в отсутствии информации, а в ее избытке. Когда Google выдает 400 тысяч ссылок по запросу «информационные технологии в экономике», лишь 5% из них содержат достоверные данные.

Цифровой разрыв: когда технологии не помогают, а мешают

ИТ создал новый тип неравенства — доступ к информации есть у всех, но лишь единицы способны ее обрабатывать и критически оценивать

При этом:

• Школы до сих пор делают акцент на запоминании, а не анализе. Хотя 90% учебных заведений оснащены компьютерами, лишь 15% учителей используют их для развития критического мышления.
• Университеты внедряют ИТ формально. Например, 70% преподавателей применяют PowerPoint, но только 10% — интерактивные симуляторы или виртуальные лаборатории.

Особенно тревожит «эффект Google»: студенты запоминают не факты, а пути к ним. Значительная часть пользователей не может воспроизвести информацию, найденную в сети, уже через неделю после прочтения.

ИТ vs. фундаментальные навыки

Технологии изменили не только способы обучения, но и содержание. В России за 10 лет вдвое сократилось количество часов на историю и литературу, зато программирование ввели даже в начальной школе.

Это создало перекос:

• Технические навыки растут. Каждый третий студент IT-специальностей к выпуску имеет опыт коммерческой разработки.
• Гуманитарная грамотность падает. Треть молодых специалистов не может написать отчет без шаблонов, многие путают Гражданскую войну с Отечественной.

При этом сами ИТ-компании жалуются на дефицит soft skills. Но даже сильный программист не справится с проектом, если не понимает логики исторических процессов или не видит причинно-следственных связей.

ИТ — это инструмент, который усиливает существующие тенденции. Если система образования продолжит делать акцент на тестах и «корочках», технологии лишь ускорят деградацию знаний. Но если пересмотреть подходы — например, заменить зубрежку анализом Big Data или дискуссиями в виртуальных лабораториях — у следующего поколения есть шанс стать по-настоящему образованным.

Последствия: чем это грозит обществу

Когда дипломы перестают гарантировать компетентность, а критическое мышление становится роскошью, страдает вся общественная система. Последствия этого кризиса уже видны в политике, науке и экономике.

Политика: эпоха манипуляций

Недостаток базовых знаний делает избирателей уязвимыми для популизма. В Великобритании уровень образования оказался ключевым фактором в голосовании за Brexit — менее образованные граждане в основном поддерживали выход из ЕС, даже не понимая экономических последствий. В России лишь единицы способны объяснить, как санкции реально влияют на экономику.

Проблема глубже, чем кажется. Когда люди не разбираются в механизмах власти или не знают содержание Конституции, они голосуют не за программы, а за эмоции. В результате политики тратят ресурсы не на решения, а на пиар-кампании, где громкий лозунг важнее, чем факты.

Наука: война с фактами

Антивакцинное движение, отрицание эволюции и вера в плоскую Землю — это не просто курьезы. Если 25% населения сомневается в шарообразности планеты, такие заблуждения напрямую угрожают прогрессу:

• Медицина. Неверие в науку тормозит внедрение генетических технологий, хотя именно они, по прогнозам, к 2030 году позволят лечить рак и наследственные заболевания. Уже сейчас значительная часть населения не доверяет вакцинам — определенные основания для опасений есть, но полное отрицание вакцинации повышает риски эпидемий.
• Технологии. В США более трети выпускников вузов отрицают, что люди произошли от других видов. Если будущие инженеры не понимают базовых принципов биологии, как они создадут биосенсоры или отредактируют геном?

Особенно тревожит рост «альтернативных экспертов». Блогеры без образования обсуждают квантовую физику или эпидемиологию, собирая миллионы просмотров, а профессиональные ученые теряют авторитет. В результате общество делится на два лагеря: те, кто верит в «тайные знания», и те, кто устал спорить.

Экономика: дипломы без навыков

Российские компании уже сталкиваются с дефицитом квалифицированных кадров. Многие работники не умеют грамотно пользоваться компьютерами в профессиональной деятельности, при этом работодатели жалуются, что сотрудники не умеют решать нестандартные задачи.

Вузы продолжают выпускать специалистов, чьи знания не соответствуют рынку:

• Производительность труда в РФ ниже чем в КНР и ряде развитых стран. Одна из причин — образовательная система не учит применять знания на практике. Вместо анализа кейсов студенты зубрят теорию для экзаменов.
• Инновации. Российские компании неохотно инвестируют в разработки, хотя уровень образования — не единственная причина такого состояния. Однако факт налицо — без критического мышления сотрудники не способны генерировать новые идеи, а бизнес предпочитает копировать успешные западные модели.

Формально образованных людей больше, чем когда-либо, но экономика страдает от нехватки реальных компетенций. Закрыть этот разрыв можно только пересмотром подходов к обучению — но система продолжает штамповать «корочки».

Общество, где дипломы есть у многих, а знания — у единиц, рискует скатиться в эпоху «нового средневековья». Уже сейчас мы видим последствия: наука теряет доверие, уступая место теориям заговора., а экономика тормозит из-за кадрового кризиса.

Исправить ситуацию можно, только вернув в образование главный критерий — не количество дипломов, а качество мышления. Пока же тренд обратный: хотя в 2025 году россияне среди ключевых навыков будущего назвали «умение адаптироваться» (27%) и «критическое мышление» (22%), школ и вузов, которые действительно учат этому, — единицы.

Как вернуть знаниям ценность: инструкция по спасению образования

Кризис, при котором дипломы перестали гарантировать компетентность, требует системных решений. Ситуация парадоксальна: вузы выпускают рекордное число специалистов, но работодатели жалуются на дефицит квалифицированных кадров. Исправить это можно, если пересмотреть три ключевых аспекта: содержание образования, методы работы с информацией и роль технологий.

Перезагрузка школы: от тестов к мышлению

Финская модель давно доказала: зубрежка уступает анализу. В России тоже начинают понимать эту необходимость. С 2024 года в школах внедряют учебники по искусственному интеллекту для 5–9 классов, где учат не просто запоминать алгоритмы, а понимать принципы их работы. Однако этого недостаточно.

Основная проблема — ЕГЭ в том виде, в котором эта институция существует в настоящий момент. Система, созданная для объективности, превратилась в «натаскивание на варианты». Учителя тратят больше половины учебного времени на подготовку к тестам, сокращая часы на дискуссии и анализ источников.

Альтернатива — постепенный отказ от формата «единственно верного ответа». Пилотные проекты в Москве и Казани уже экспериментируют с заданиями, где нужно сопоставлять точки зрения или находить скрытые логические ошибки.

Гуманитарные дисциплины — второй фронт борьбы за знания. Сокращение часов на историю и литературу привело к тому, что студенты технических вузов не могут аргументированно поддержать беседу о классической культуре. Возвращение логики и философии в программы — не ностальгия по СССР, а необходимость. Как показывает практика, студенты, изучавшие основы критического мышления, гораздо реже попадаются на фейки в соцсетях.

Медиагигиена: прививка от дезинформации

В 2025 году в российских школах запустили проект «Медиаритм». Ученики создают контент, разбирают кейсы фейков и учатся работать с нейросетями. Важный акцент — не просто технические навыки, а этика: как не стать распространителем дезинформации даже случайно. Первые результаты обнадеживают: участники программы реже репостят непроверенные новости.

Но одних курсов мало. Нужна «цифровая гигиена» на уровне привычек:

• Проверка источников. Простой лайфхак: если новость не публикуют минимум три крупных СМИ, ей нельзя доверять.
• Критика алгоритмов. Видеохостинги показывают то, что вызывает эмоции, а не то, что соответствует истине. Об этом стоит напоминать чаще.
• Практика дискуссий. В том же «Медиаритме» школьники проводят дебаты, где учатся аргументировать позицию без перехода на личности.

Технологии как инструмент, а не замена знаниям

ИИ — не враг образования, если использовать его правильно. Студенты применяют нейросети для учебы, но лишь некоторые из них делают это осознанно: задают уточняющие вопросы, проверяют факты. Остальные просто копируют ответы.

Перспективное решение — интеграция ИИ в учебный процесс как «собеседника». В некоторых вузах уже тестируют систему, где нейросеть не дает готовых решений, а задает наводящие вопросы, помогая студенту прийти к выводу самостоятельно. Например, вместо «Вот формула дискриминанта» — «Как ты думаешь, почему в этом уравнении нельзя просто извлечь корень?».

Виртуальная реальность — еще один инструмент. Вместо сухих параграфов о Древнем Риме школьники надевают VR-очки и гуляют по Форуму, видя, как работали законы и общество. Пилотные проекты в Москве показали: такой материал запоминается гораздо лучше.

Изменения уже начинаются. В 2025 году большая часть педагогов поддержала идею внедрения ИИ в обучение, а многие вузы разрабатывают курсы по медиаграмотности. Но скорость реформ отстает от вызовов времени.

Чтобы диплом снова стал символом знаний, а не формальностью, нужно:

• пересмотреть приоритеты ЕГЭ, заменив тесты на задачи с анализом;
• вернуть в школы философию и логику — не как «лишние предметы», а как основу мышления;
• сделать медиаграмотность таким же обязательным навыком, как чтение.

Как показали проекты типа Skillbox или «ТопБЛОГ», молодежь готова учиться — если давать не абстрактные теории, а практические инструменты. Осталось сделать этот запрос системным.

Главный вывод прост: образование должно готовить не к экзаменам, а к реальной жизни. Когда диплом перестанет быть самоцелью, а станет подтверждением навыков, мы наконец преодолеем разрыв между количеством «образованных» и качеством их знаний. Пока же каждый может начать с себя — развивать привычку проверять информацию и учиться не для галочки, а для понимания мира.

Виртуальная реальность (VR)

Во втором эпизоде первого сезона герои после доставки посылки решают развлечься в парке аттракционов на Луне. Там Эми надевает VR-шлем и пробует свои силы в виртуальном скиболе — игре, в которой мяч катят по наклонной дорожке, а затем через небольшое, но резкое возвышение забрасывают его в лунку.

Технология сегодня

Сегодня технология, которая погружает пользователя в цифровое пространство так, что оно кажется ему реальным, уже прочно вошла в нашу жизнь. По прогнозам Statista, в 2025 году мировой рынок виртуальной и дополненной реальности (AR и VR) достигнет $46,6 млрд, а к 2029 году общее количество пользователей увеличится до 3,7 млрд человек. Только за 2024 год рост составил 10%.

Современные гарнитуры виртуальной реальности (Meta Quest 3, PlayStation VR2, Apple Vision Pro) позволяют не только играть, но и учиться, работать, путешествовать. Технологии виртуальной реальности активно используют в образовании, здравоохранении, производстве, машиностроении, недвижимости и туризме, торговле и e-commerce. Компании применяют VR-решения для обучения сотрудников, организации удалённой работы и коллективных созвонов, улучшения взаимодействия с клиентами, интерактивного маркетинга и реалистичных симуляций.

Кто делает

• Meta* — лидер массового рынка VR-гарнитур;
• Apple — с Vision Pro делает ставку на смешанную реальность;
• Valve и Sony — развивают геймерский сегмент.

*Признана экстремистской и запрещена на территории России

Дроны с камерами

В «Футураме» телевизионные репортажи снимают не операторы, а парящие камеры, которые фиксируют всё происходящее. Именно их можно считать аналогом современных дронов.

Технология сегодня

Оснащённые камерой беспилотные летательные аппараты сейчас используются для создания фото- и видеоконтента в любых ситуациях — от свадебных и праздничных фотосессий до коммерческих и промышленных съёмок. И на этом их функционал не ограничивается — некоторые такие устройства могут ещё и снимать кино, проводить прямые трансляции, доставлять посылки и даже участвовать в спасательных операциях.

​По данным Drone Industry Insights, в 2023 году в мире использовалось более 10 млн коммерческих дронов, а рынок гражданских БПЛА оценивался в $33 млрд.

Кто делает

• DJI — представитель Азиатско-Тихоокеанского региона, который занимает более 70% мирового рынка;
• Skydio — выпускает аппараты с искусственным интеллектом для автономного полёта;
• Amazon и UPS — тестируют доставку с помощью дронов.

Умные часы

Лила Туранга, возлюбленная Фрая с фиолетовыми волосами, носит на руке устройство, которое показывает время, помогает сканировать среду на предмет опасностей, а ещё — общаться с командой и управлять кораблём Planet Express.

Технология сегодня

Современные смарт-часы, объединяющие в себе функционал обычных наручных часов и смартфонов, по количеству предлагаемых возможностей ничуть не уступают своему сериальному собрату и тоже умеют намного больше, чем просто показывать время. Оснащённые многочисленные сенсорами и приложениями, они позволяют отслеживать физическую активность, измерять пульс, давление, ЭКГ и другие показатели здоровья, включать и выключать свет, принимать звонки и сообщения, слушать музыку и оплачивать покупки.

Неудивительно, что такие устройства пользуются спросом. Так, в 2023 году было продано примерно 150 млн умных часов по всему миру.

Кто делает

• Apple — Apple Watch считается безусловным лидером в премиум-сегменте;
• Samsung — выпускает Galaxy Watch для тех, кто предпочитает Android;
• Huawei, Xiaomi, Amazfit — работают на массовый рынок.

Мгновенные переводчики

В эпизоде «Мой собственный клон» профессор Хьюберт Дж. Фарнсворт изобрёл «универсальный переводчик», который оказался не столь универсален и мог переводить речь только на французский язык.

Технология сегодня

Нейронный машинный перевод (NMT) позволяет получить перевод высокого качества без машинного акцента. В наши дни сервисы почти без ошибок справляются со сложным текстом буквально за несколько секунд, а прочитать веб-страницу на родном языке можно прямо в браузере. Бывает, что готовый перевод даже трудно отличить от перевода, выполненного человеком. Поэтому технология очень востребована: в 2022 году мировой рынок машинного перевода оценивался в $980 млн.

Кто делает

• Google — разрабатывает самый популярный онлайн-переводчик Google Translate;
• Microsoft — Microsoft Translator;
• «Яндекс» — «Яндекс.Переводчик»;
• Российский разработчик PROMT — переводчик PROMT.One.

Чипы-импланты

В 3000-м году, когда происходит действие «Футурамы», каждому человеку вживляют чип, который определяет его будущую профессию.

Технология сегодня

К счастью, в наши дни чипы имплантируются исключительно добровольно, при этом они сегодня вполне доступны.

Микрочипы разрабатывают на основе технологий RFID (Radio Frequency Identification), передающей данные с помощью радиочастот, и NFC (Near Field Communication), в которой связь между устройствами обеспечивается за счёт индукции магнитного поля. Обе технологии используют для идентификации личности и быстрого входа в приложения, бесконтактной оплаты, открытия дверей (как ключ) и управления другими устройствами.

Пока подкожные чипы только набирают популярность. В общей сложности их имплантировали себе только 50 тыс. человек.

Кто делает

• Dangerous Things — продаёт готовые наборы для самостоятельного введения RFID- и NFC-чипов под кожу;
• Walletmor — производит вживляемые платёжные чипы;
• Neuralink от Илона Маска — разрабатывает нейрочип, который выполняет функцию прямого интерфейса между мозгом и компьютером. Нейроинтерфейс используется для изучения и лечения неврологических заболеваний и нарушений работы мозга: слепоты, паралича, эпилепсии, депрессии, болезней Паркинсона и Альцгеймера.

Одежда из баллончика

В 12-м эпизоде первого сезона («Когда пришельцы атакуют») Эми забывает купальник дома, но быстро «одевается» в новый, который создаёт прямо на теле с помощью специального спрея.

Технология сегодня

Такая жидкая одежда, которая распыляется из баллончика и превращается в готовый наряд, идеально соответствующий размеру, сегодня тоже существует.

Жидкая ткань включает в себя три основных компонента — тканевые волокна (хлопок, лён, шерсть, нейлон, шёлк), полимер и растворитель. На воздухе этот состав мгновенно застывает и становится обычной сухой тканью, которую можно взять в руки, постирать, порезать на кусочки или обратно растворить. При этом жидкая ткань совершенно безвредна для кожи.

Сфера применения ткани из баллончика не ограничивается только модой. Предполагается, что она пригодится для создания медицинских бинтов и гипсов, обивки для мебели и автомобилей.

Кто делает

Первопроходцем стала компания Fabrican Ltd, созданная испанским модельером Манелем Торресом и британским исследователем Полом Лакхэмом, которая разрабатывает и популяризует распыляемую одежду.

А в 2022 году на Неделе моды в Париже совместно с французским брендом женской одежды Coperni они удивили весь мир, когда на модель Беллу Хадид прямо на подиуме нанесли платье таким образом, используя пульверизаторы.

Космическая доставка

Зелёный корабль Planet Express, на котором передвигаются главные герои, доставляет посылки по всей галактике.

Технология сегодня

Пока грузы и посылки доставляют только на орбиту. Но технологии развиваются — и скоро межзвёздная логистика может оказаться не такой уж фантастикой.

Кто делает

SpaceX (снова Илон Маск) — наиболее известный проект в области космической логистики. Созданная в рамках проекта ракета Starship считается самой мощной в истории: она способна доставлять на низкую околоземную орбиту грузы массой до 150 тонн. Кроме того, благодаря технологии дозаправки на орбите, Starship может транспортировать грузы на Луну и Марс.

Hyperloop — вакуумный скоростной транспорт

В Нью-Йорке будущего люди больше не пользуются общественным транспортом — ему на смену пришли высокоскоростные вакуумные трубы, которые и позволяют попадать в нужные места города.

Технология сегодня

Hyperloop — современный аналог труб для перемещения из «Футурамы». Это соединённые между собой парящие капсулы, которые двигаются в вакуумной трубе на магнитной тяге со скоростью 1200 км/ч. Идею проекта предложил Илон Маск в 2013 году (он и здесь отличился).

Кто делает

• Virgin Hyperloop — провела испытания прототипа сверхбыстрой капсулы с пассажирами в 2020 году;
• Hyperloop Transportation Technologies (HTT) — строит вакуумные скоростные системы с капсулами в Объединённых Арабских Эмиратах и Китае.

Секс-роботы

В 15-м эпизоде третьего сезона Фрай, уже отчаявшись завоевать расположение Лилы, покупает любовного андроида в виде Люси Лью — американской актрисы, наиболее известной по фильму «Ангелы Чарли».

Технология сегодня

Современные секс-роботы — это не просто «куклы», а устройства с искусственным интеллектом, способные вести осмысленный диалог, имитировать реальные эмоции и запоминать предпочтения владельца. От того эта индустрия активно развивается: согласно исследованию KBV Research, ожидается, что, сегмент «интимной робототехники» с 2024 по 2031 год будет расти со среднегодовым темпом 17,2%.

Кто делает

Канадская компания Realbotix создаёт настраиваемых человекоподобных роботов Melody с ИИ, которые выглядят практически как полная копия реальной женщины. Роботы обладают реалистичными человеческими чертами и естественно двигаются, а благодаря встроенным в глаза микрокамерам могут удерживать зрительный контакт. Ещё Melody умеет выражать эмоции, запоминать собеседников и поддерживать разговоры.

Нюхоскоп

Нюхоскоп — ещё одно изобретение профессора Хьюберта Дж. Фарнсворта, способное улавливать запахи из космоса и представляющее собой гигантский телескоп. Именно этот удивительный прибор помог спасти человечество от огромного мусорного кома и неоднократно выручал команду в других сериях.

Технология сегодня

Подобные технологии сегодня действительно существуют. Устройства и сенсоры, «нюхающие» воздух, получили общее название «Электронные носы». Это не выдумка — они действительно так называются. В основном их используют для определения степени загрязнения воздуха на местности и для обнаружения утечек газа.

Эти технологии позволяют эффективно анализировать состав воздуха и распознавать летучие химические соединения, что делает их незаменимыми в современных системах безопасности и экологического мониторинга, в медицине, промышленности и быту.

Кто делает

• St. Croix Sensory — выпускает переносной прибор Nasal Ranger, который позволяет выявлять неприятные запахи и находить утечки газа;
• Массачусетский технологический институт и NASA — разрабатывают сенсоры для анализа атмосферы на других планетах.

Почему «Футурама» оказалась пророческой

К счастью, сбылись не все предсказания «Футурамы» — некоторые совсем экстремальные инновации из мультфильма так и остались фантастикой. Например, живые говорящие головы знаменитостей, которые хранятся в банках в воде (и слава богу).

Тем не менее «Футурама» действительно заглянула в будущее — многие технологии, о которых упоминалось в сериале, перешли с экранов в реальность. Как мультфильму это удалось?

Создатель шоу Мэтт Грейнинг собрал команду сценаристов с учёными степенями: в их числе были физики, математики и даже выпускники Гарварда. Это сделало картину убедительной, достоверной с точки зрения науки и такой пророческой: авторы знали, о чём говорили (и шутили).

Такой научный подход вкупе с большим количеством математических задач и отличным глубоким юмором сделали «Футураму» любимым сериалом среди инженеров, учёных и айтишников на все времена. Кажется, пора пересмотреть. Но уже более внимательно — чтобы поискать в эпизодах современные технологии, которые, оказывается, в сериале предсказали ещё 20 лет назад.

Ты точно красавчик, если читаешь это! Больше мемов, инсайтов и боли кодеров тут.

Сейчас рынок облачных сервисов — крайне перспективная отрасль. В России процент проникновения облачных услуг по данным провайдера — всего 28%, поэтому возможности для роста очень большие.10 апреля компания провела масштабную конференцию, которую посетили более 5500 айтишников онлайн и офлайн. На открытии GoCloud 2025 топ-менеджеры представили новую платформу для работы с данными, AI-решения, заявили о внедрении AI-агентов в свои платформы, а также рассказали, что такое гибридное облако, почему искусственный интеллект нужен почти всем компаниям, а главное — какие релизы Cloud.ru готовит в будущем.

На конференции было три трека:

1. Инфраструктура и сервисы — здесь спикеры Cloud.ru рассказывали о новых сервисах и платформах, особенно про публичное облако Cloud.ru Evolution
2. AI&ML — был посвящен новым AI-фичам и работе с ML-моделями, которые улучшат клиентский опыт и упростят жизнь разработчикам и пользователям
3. Сценарии работы в облаке — здесь выступали спикеры из крупных компаний и делились своим опытом использования облаков.

В статье рассказываем о главных анонсах Cloud.ru и итогах конференции.

Что нового в Cloud.ru Evolution

Cloud.ru Evolution — публичное облако, построенное на собственных разработках и open source, где интегрированы самые необходимые разработчикам сервисы.

На прошлой конференции в 2024 году Cloud.ru уже успели представить много новых компонентов в платформе — тогда в ней было доступно 20 сервисов. За год ей воспользовались 39 тыс. человек, а число сервисов выросло в 2 раза.

В мае этого года пользователям будут доступны новые платформенные сервисы для работы с большими данными в облаке. Они работают по модели PaaS, используют контейнерную архитектуру и предлагают автомасштабирование, гибкость и безопасность. Сервисы упрощают обработку и анализ данных, подходят для AI/ML-задач, интегрируются с S3, Artifactory Registry и Evolution DBaaS.

Некоторые из них можно попробовать уже сейчас:

• Evolution Managed Arenadata DB — это управляемая PaaS-база на Greenplum для хранения и обработки до 50 ТБ данных. Подходит для аналитики, AI/ML, отчетности, а оплата проходит по модели pay-as-you-go.
• Evolution Data Platform — это платформа от Cloud.ru для работы с большими данными. Уже можно протестировать: Evolution Managed Trino — SQL-движок для работы с разными источниками данных, Evolution Managed Metastore — хранилище метаданных, Evolution Managed Spark — сервис для распределенной обработки данных.

Evolution Managed Trino и Metastore выйдут в коммерческий доступ во втором квартале 2025, а Evolution Managed Airflow и Evolution Managed BI станут доступны для тестирования.

Также в Cloud.ru Evolution появится AI-помощник, который будет закрывать базовые задачи.

Помощник должен автоматизировать рутинные задачи и максимально снизить порог входа в облака и работу с ними, в перспективе значительно упростит работу DevOps. Всю ответственность за то, что он делает, будем нести мы, как провайдер. Помощник будет эволюционировать и закрывать все больше рутинных задач: реагировать на alert и monitoring, следить за автоматизацией, а в будущем поможет управлять эффективностью облачной инфраструктуры, ее масштабированием и стабильностью. С момента запуска помощники будут доступны в публичных, гибридных и частных облаках Cloud.ru.

Cloud.ru Evolution Stack + AI — один из главных анонсов конференции

В марте Cloud.ru выпустили на рынок Cloud.ru Evolution Stack — платформу для создания частных и гибридных облаков. Решение рассчитано на крупный бизнес, госсектор, финтех, ритейл и промышленность. Платформу можно развернуть в собственном ЦОДе или объединить с публичным облаком Cloud.ru Evolution. Внутри — всё, что нужно: виртуализация, инструменты для работы с ML, PaaS- и IaaS-сервисы, управляемый Kubernetes, S3-хранилище, очереди сообщений и даже витрина приложений в формате маркетплейса.

Для удобства администрирования есть Multicloud Manager и VM Manager — с их помощью проще управлять виртуальными машинами, следить за инфраструктурой, учитывать ресурсы и подключать SIEM-системы для безопасности.

Cloud.ru Evolution Stack — наше самое большое достижение за год. Мы создавали его из одной кодовой базы с публичным облаком Cloud.ru Evolution, но пришлось серьезно перестроить процессы. Циклы разработки каждой из платформ отличаются. В публичном облаке можно деплоить непрерывно: если в одном из сервисов появилась ошибка, ее можно сразу же исправить. А в гибриде, релиз которого мы делаем два раза в год, так не получится, поскольку на первый план выходят качество сборки, unit-тесты, интеграционные и нагрузочные тестирования. Процесс разработки усложнился, но мы максимально автоматизировали его. Это серьезная нагрузка, но без серьезного влияния на наш time-to-market.

При разработке Cloud.ru Evolution Stack главным вызовом была смена подхода. Cloud.ru создает софт для одного публичного облака, а здесь нужен продукт, который можно ставить многократно у разных заказчиков — это радикально меняет процессы и мышление команды. Однако понимая запросы рынка на гибрид и потребности клиентов, компания начала разработку этой платформы еще на ранней стадии Cloud.ru Evolution. Если бы решение было старше, переход на дистрибутив съел бы гораздо больше времени и ресурсов.

Многие пользователи уже успели протестировать Cloud.ru Evolution Stack. Вот положительные фидбек:

• Платформа предлагает не только виртуализацию и контейнеризацию, но и полный набор сервисов — аудит, IAM, логирование, мониторинг. Это позволяет сразу запускать частное облако для внутренних подразделений без необходимости настраивать личные кабинеты или доступы.
• Платформа легко интегрируется с системами мониторинга, кибербезопасности и авторизации заказчика, выступая как подчинённый компонент, что упрощает внедрение.
• Интерфейс Cloud.ru Evolution Stack полностью кастомизируется — можно красить во всевозможные цвета, поставить свой логотип и так далее.

Cloud.ru Evolution Stack — мощная платформа со множеством функций, которые расширяют возможности собственной IT-инфраструктуры компаний за счет сервисов публичного облака. Решение может сначала озадачить, но мы всегда рядом: помогаем заказчикам разобраться, обеспечиваем эксплуатацию и полное сопровождение.

Приступая к работе над Cloud.ru Evolution Stack, поменялись и подходы к продуктовой разработке. Главное — начали сертификацию процесса безопасной разработки по стандарту РБПО, чтобы соответствовать требованиям к надежности и безопасности ПО для критически важных систем. Это ускорит сертификацию Cloud.ru Evolution Stack для крупных заказчиков с полугода-года до квартала.

На GoCloud Cloud.ru анонсировали Evolution Stack AI-bundle — новую платформу для локального запуска AI-сервисов. Платформа упрощает разработку и масштабирование AI-продуктов, сохраняя полный контроль над данными. По сути, это первое в России гибридное облако с поддержкой AI.

Что внутри:

• Jupyter Lab для дата-сайентистов;
• инструменты для обучения, дообучения и инференса моделей;
• инфраструктура — Managed Kubernetes с GPU, реестр артефактов, виртуалки с GPU, S3-хранилище и файловая система для ML.

Платформа гибкая: можно обучать модели в публичном облаке, а инференс запускать в закрытом контуре on-prem или переключаться при нагрузках. Она поддерживает мультитенантность, мониторинг и управление доступом. Плюс, её можно дополнить другими сервисами Cloud.ru для комплексных решений.

Cloud.ru Evolution Stack AI-bundle входит в реестр российского ПО, соответствует требованиям импортозамещения и будет доступна как софт или программно-аппаратный комплекс по подписке.

AI, ML и облака (не роботы)

Из других больших анонсов — Cloud.ru Evolution AI Factory. Это новая платформа для создания приложений и AI-агентов в облаке, запускать планируют этим летом.

По своей сути, это цифровая «фабрика», которая объединяет инструменты для работы с искусственным интеллектом — от обучения моделей до запуска сложных мультиагентных систем. Вот, что внутри:

• Evolution ML Inference — с помощью нее можно запускать ML-модели (Hugging Face, Docker-образы) на GPU с поддержкой vLLM, TGI, Ollama, Diffusers, Transformers. Использует Shared GPU, то есть использует столько ресурсов, сколько нужно, для запуска модели.
• Foundation Models — доступ к популярным моделям, вроде GigaChat и Gemma, плюс среда AI Playground для тестирования идей.
• AI Assistants — создание агентов с подключением к внешним системам и автоматизацией задач.
• Cloud.ru ML Space — платформа для глубокого обучения, работает в облаке и on-premise.

Платформа делает работу с AI проще и доступнее. Не нужно быть экспертом в программировании или тратить кучу денег на серверы — всё уже готово в облаке. Она помогает компаниям быстрее создавать свои AI-продукты: агентов, аналитические системы или что-то совсем кастомное. Внутри будут встроенные ассистенты — новички могут легко собрать целое приложение, а профи — все кастомизировать. Это экономит время, снижает затраты на инфраструктуру и ускоряет запуск новых идей на рынок.

Ещё одно преимущество — гибкость. Платформа подходит для самых разных задач: от проверки гипотез до создания сложных корпоративных решений — и все в одном месте.

В Cloud.ru считают, что за нейронками — будущее. И компания уже видит эффект: разработчики активно используют AI-инструменты в задачах, которые не требуют креатива и разработки критических сервисов. Правда, измерить этот эффект пока непросто — слишком уж разные задачи и технологии.

Я точно знаю, что AI помогает в разработке: используют code assistant, применяют CoPilot. Разработчики уже не представляют работу без него — это как Google лет 15 назад, когда им еще не все широко пользовались, а сейчас он у всех в смартфоне. AI помогает развиваться, ускоряет выполнение ежедневных задач. То, что раньше делали месяц, теперь можно уложить в две недели.

Что будет дальше: планы Cloud.ru

В 2025 году Cloud.ru продолжат развивать собственные облачные платформыи PaaS . Сейчас запросы российского бизнеса, особенно крупных B2B-клиентов, часто совпадают с западными стандартами, так как многие из них уже работали с крупнейшими облачными провайдерами. Помимо базовых требований к надежности и безопасности, заказчики ждут продвинутых решений.

Три четверти нашего бэклога — это запросы заказчиков, а четверть — инновации и создание трендов. У нас в России требовательные клиенты, особенно крупные B2B-компании, и они знают, что такое хорошее облако. Помимо надежности и кибербезопасности им нужны продвинутые инструменты — AI, Big Data, высокая производительность. Cloud.ru AI Factory — наш главный фокус, до конца года мы выпустим много новых сервисов. Cloud.ru Evolution Stack будем тиражировать в продакшен, чтобы помогать бизнесу.

А ещё Cloud.ru продолжит прокачивать AI-комьюнити — компания предоставляет открытую экосистему для вендорских продуктов. В ней можно создавать конкурентные решения, например, fully-managed сервисы в Cloud.ru Evolution с помощью Partner API. Так вход в облачные технологии становится еще проще и удобнее.

Реклама. Рекламодатель: ООО «Облачные технологии», ИНН 7736279160, erid: 2W5zFJ5hRC4.

22 апреля тебя ждут крутые спикеры, секретный гость и два мощных трека.

Hard

Наш хардовый трек — для тех, кто в проде с закрытыми глазами. API First, компонентные и контрактные тесты, мониторинг и SRE. Обсудим реальные кейсы нашего банка и как мы создаём системы, которые работают стабильно и эффективно.

Как внедрить API First в сложную финтех-инфраструктуру с учетом legacy-систем? Разберем, почему стандарт AsyncAPI не всегда подходит для крупных систем, как мы адаптировали его под наши реалии и разработали собственные инструменты.

Покажем сравнительный анализ решений, демонстрацию работы нашего генератора и подход к безболезненному переходу на API First. Подробности в докладе старшего технического руководителя Максима Морозова.

Head of profession QA Кристина Клигер поделится, как через развитие команды тестирования можно быстро доставлять фичи до клиентов и радовать бизнес.

Глава центра развития ИТ-мониторинга Валентин Лебедев раскроет секреты превращения мониторинга в сервис. Живет ли OpenSource в крупных предприятиях?

Soft

В ламповой уютной атмосфере на пуфике с бутером в руке обсудим, что такое настоящий софт. Как растить инженеров, внедрять изменения и работать с сопротивлением команд и представителей бизнеса.

СТО Виктор Цветков и Head of profession SA Юлия Григорьева расскажут, какие способы внедрения изменений существуют по степени мягкости. Почему важно учитывать корпоративную культуру при работе с изменениями. Далее поговорим про неотъемлемую часть — обучение команды и работе с их сопротивлением новым практикам. Поделимся нашими лайфхаками и секретами.

Head of Profession Вадим Ваганов объяснит, зачем коммитить в main несколько раз на дню. Спойлер: чем чаще релизишься, тем меньше ошибок.

Техлид Роман Олеск поделится лайфхаками для успешного роста ваших инженеров. Расскажем о матрице инженерных ролей и компетенций, а также о персональных треках развития сотрудников.

Экспозона

50 экспертов Газпромбанк.Тех ждут тебя, чтобы погрузить в специфику нашей работы.

16 стендов объединят вместе ИТ-направления в нашем банке:

Data Science, RPA, Искусственный интеллект, Инновации, Database, Backend, QA, DevOps, Frontend, Мобильная разработка iOS и Android, Product Design, Кибербезопасность, Business Analysis, System Analysis, IT Recruitment и Agile.

Не упусти возможность лично пообщаться с экспертами. Узнай из первых уст, как банк запускает инновационные стартапы, почему с помощью Data Science можно решать творческие задачи и что нужно для запуска собственного робота. Мы расскажем, какие современные технологии и подходы используют команды.

Нетворкинг

После официальной части мероприятия приглашаем остаться и продолжить общение в неформальной обстановке. С нас космические угощения и напитки!

Как закоммититься

Вход по мультипаспорту:)

Торопись, количество мест ограничено!

До встречи на GPB CONF!

А тут можно узнать больше о наших проектах.

Перед подачей заявки важно понимать терминологию:

• Tech Nation — организация, оценивающая заявки на GTV. Именно она решает, соответствуете ли вы требованиям.
• Exceptional Talent — категория для опытных профессионалов (от 5 лет), уже внесших значительный вклад в индустрию.
• Exceptional Promise — для молодых специалистов (до 5 лет опыта) с потенциалом для крупных достижений.

Для обоих вариантов потребуется собрать убедительное досье, включающее:

• CV (резюме);
• Personal Statement (личное заявление);
• Recommendation Letters (рекомендательные письма);
• Evidences (доказательства достижений).

Как правильно оформить документы?

Резюме (CV)

Кратко, но емко представьте свой профессиональный путь:

• Компании и должности;
• Главные достижения и технологии, с которыми работали;
• Роль в каждом значимом проекте;
• Выступления на конференциях, публикации в СМИ/научных журналах, награды.

Личное заявление (Personal Statement)

На двух страницах изложите:

• Почему выбрали Великобританию;
• Какие проекты планируете реализовать;
• Почему ваш опыт будет полезен этой стране и как вы можете повлиять на развитие IT-индустрии?

Важно не дублировать CV, а раскрыть именно мотивацию и влияние.

Рекомендательные письма (Recommendation Letters)

Нужны три письма от признанных экспертов, которые:

• Описывают совместные проекты;
• Подтверждают ваш вклад и достижения;
• Подчеркивают ваш потенциал для индустрии.

Каждое письмо — не более трех страниц, без лишних деталей и личных оценок.

Доказательства достижений (Evidences)

Этот блок подтверждает вашу экспертность. Включите:

• Скриншоты кода, документы о разработанных продуктах;
• Данные о влиянии ваших проектов;
• Подтверждения наград, публикаций, участия в open-source.

Если документы написаны на любом другом языке кроме английского, то придется сделать официальный перевод.

Виза GTV: основные критерии

Обязательный критерий (Mandatory criteria)

Нужно показать, что вы уже повлияли на индустрию или имеете большой потенциал. Это можно доказать через:

• Разработку успешных технологических продуктов;
• Создание инновационных решений;
• Награды, публикации и упоминания в СМИ.

Опциональные критерии (Optional criteria)

Кроме основного критерия, нужно выбрать два из четырех направлений:

1. Инновации — патенты, исследования, новые технологии.
2. Признание — выступления на конференциях, публикации в медиа.
3. Вклад в индустрию — успешные проекты, хорошие отзывы от партнеров.
4. Научная деятельность — статьи, исследования, преподавание.

Зачем нужен публичный профиль?

Для IT-специалистов важно быть узнаваемыми в своей сфере. Это показывает вашу экспертность и повышает шансы на визу. Хорошо, если у вас есть:

• Доклады на конференциях;
• Публикации в профильных изданиях;
• Опыт преподавания и менторства;
• Участие в open-source проектах.

Публичность — это ваше преимущество. Она доказывает, что вы не просто хороший специалист, а лидер в своей области.

Как усилить публичный профиль?

1. Публичные выступления — подавайте заявки и участвуйте в IT-конференциях.
2. Публикации — пишите экспертные статьи в профильные медиа.
3. Преподавание — участвуйте в образовательных проектах.
4. Open-source — вносите вклад в открытые разработки.
5. LinkedIn — оформите профиль так, чтобы он подчеркивал вашу экспертизу и профессионализм. Укажите не только период работы в компании, но и обязанности и достижения на этой должности. Например, что вы вывели продукт в релиз не за год, а за 7 месяцев, что увеличило прибыль.

Как усилить статус эксперта?

1. Упоминания в медиа и профессиональном сообществе. Публикации в специализированных изданиях и интервью подтверждают ваш авторитет. Они показывают, что рынок вас признает и цитирует.
2. Авторский вклад в индустрию. Колонки, аналитические статьи, научные публикации — все это доказывает вашу экспертизу. Чем больше полезного контента вы создаете, тем выше ваша ценность в глазах коллег и иммиграционных служб.
3. Лидерство и влияние. Доклады на конференциях, участие в жюри, организация профильных мероприятий — все это показывает, что вы формируете рынок, а не просто работаете в нем.
4. Членство в профессиональных ассоциациях. Участие в престижных сообществах и организациях — знак качества. Это еще одно подтверждение тому, что вас признают не только коллеги, но и официальные структуры.

Как ускорить процесс подготовки?

• Обновите профессиональный профиль — четко структурируйте достижения.
• Работайте с медиа — через PR-агентства или самостоятельно.
• Фокусируйтесь на ключевых доказательствах — качество важнее количества.

Виза GTV требует внимательной подготовки, но, в отличие от американских O-1 и EB-1, здесь важен сам факт публикаций и достижений, а не их детальный разбор иммиграционными офицерами.

Vue создан более 10 лет назад. Для IT-продукта это большой срок, достаточный для завершения полного эволюционного цикла. Однако фреймворк продолжает развиваться и остается востребованным инструментом для создания интерфейсов, веб-приложений и инфраструктуры.

Узнаем, есть ли альтернативы у фреймворка Vue, каковы его особенности и преимущества и как использовать Vue.js с максимальной эффективностью.

Что такое Vue.js и зачем он нужен

Разработка современных интерфейсов и веб-приложений практически невозможна без фреймворков. Эти инструменты используются для оптимизации процессов и включают в себя наиболее востребованные сценарии и функции. Vue.js стабильно входит в рейтинг лучших фреймворков и широко используется крупными компаниями для разработки своих продуктов.

Vue создан программистом из Google Эваном Ю в 2012 году — это был его пет-проект, то есть продукт для личного пользования, которым он занимался в свободное от основной работы время. Доступной для широкой публики технология стала только в 2015 году.

Эван Ю решил разработать этот фреймворк после того, как попытался поработать с Backbone.js и Angular — инструментами аналогичного назначения. Их функциональные возможности показались программисту недостаточными.

Когда коллега Эвана по ИТ-отрасли Тейлор Отвелл, создатель другого популярного продукта Laravel, заявил в соцсети, что изучает Vue, считая его более удобным, чем другие инструменты, популярность фреймворка кратно возросла. Другие разработчики стали активно использовать Vue.js для разработки пользовательских интерфейсов.

Интересный факт. Название фреймворка происходит от английского слова «view» в переводе на французский язык, что указывает на связь модели и отображения.

Это бесплатный опенсорс-проект (с открытым кодом), которым могут пользоваться все желающие. Улучшением и доработкой компонентов Vue занимаются программисты всего мира — у фреймворка очень обширное и доброжелательное сообщество. Несколько лет подряд Vue.js даже держался в топе на GitHub по количеству звезд. И в 2025 году популярность фреймворка все еще остается высокой.

Сферы применения Vue

Востребованность Vue.js объясняется его широкой сферой применения. Фреймворк используется для разработки:

• быстрых сайтов и веб-приложений;
• веб-ресурсов с повышенной нагрузкой — онлайн-магазинов, информационных порталов;
• лендингов — одностраничных сайтов с интерактивным содержанием;
• социальных сетей, сервисов CMS и других;
• адаптивных интерфейсов;
• личных кабинетов и страниц пользователей;
• интерфейсов для авторизации, интерактивных чатов, форм заявки и прочих функциональных блоков.

Vue пользуется популярностью не только в среде рядовых пользователей, но и в профессиональном сообществе. Продуктом пользуются такие компании, как Alibaba, EuroNews, Zoom, Ozon, Xiaomi и многие другие. Фреймворк считается одним из самых перспективных и адаптивных — новые версии выходят регулярно.

Многие компании используют Vue.js в своих внутренних проектах. Например, такие гиганты индустрии как Apple и Google в качестве основных инструментов разработки применяют другие фреймворки, но периодически привлекают и разработчиков на Vue.js. Компания Яндекс в основном пользуется React, но проект «Едадил» полностью сделан на Vue.

Основные преимущества Vue

Список плюсов у фреймворка довольно внушительный.

Реактивность

У разработчиков на Vue есть набор готовых шаблонов и возможность вносить изменения в реальном времени, не обновляя страницы. Такое свойство ускоряет разработку, повышает скорость загрузки и делает управление состоянием любой системы интуитивно понятным. Отслеживание и срабатывание происходит в процессе выполнения кода непосредственно в браузере, то есть сборка при такой схеме работы не требуется.

Декларативность

Синтаксис шаблонов расширяет стандарты HTML, позволяя описывать ожидаемый результат в декларативной форме на основе статуса JavaScript. Если говорить проще, декларативность, это когда вы формулируете то, что хотите сделать, а фреймворк сам выполняет поставленную задачу.

Низкий порог входа

Если вы знакомы с JavaScript, знаете основы CSS и HTML, вы без труда освоите Vue. Концепции фреймворка просты для понимания: программисты пишут код уже на первых неделях освоения.

Подробная документация

Эксперты называют доки Vue эталонными — работать с таким сопровождением одно удовольствие. По сути для обучения достаточно документации с подробным описанием основных библиотек и инструментов.

Обширное сообщество

Глобальное коммьюнити предлагает пользователям обучающие ресурсы и полноценную поддержку, в том числе на русском языке. Если у начинающего прогера возникнет вопрос, он с высокой долей вероятности получит на него развернутый ответ на многочисленных форумах.

Небольшой вес

Приложения и сайты на Vue мгновенно загружаются и быстро работают. В современных условиях это существенное конкурентное преимущество. Шустрые сайты не только более удобны, но и лучше ранжируются поисковиками.

Простое внедрение

Фреймворк используют для модульной интеграции — не обязательно создавать всё приложение, можно обойтись его ключевыми элементами. Например, разработать на фреймворке только интерфейс для интерактивного чата или личный кабинет. При этом элементы на Vue беспрепятственно взаимодействуют с частями, сделанными на других библиотеках.

Более того, ядро на Vue.js можно без труда внедрить в действующий проект, созданный на другом фреймворке. Сайт продолжит работу, а его модули можно переписывать постепенно без остановки проекта.

Минусы

Несмотря на многочисленные плюсы, Vue.js, как и любая другая технология, несовершенна. Опытные разработчики выделяют следующие недостатки.

Сложности в освоении при углубленном изучении

На начальной стадии фреймворк действительно прост в освоении, но по мере углубления в экосистему программисты часто сталкиваются с трудностями по причине обилия библиотек и инструментов.

Производительность

В масштабных проектах со сложным функционалом могут возникать проблемы с производительностью. Требуется тщательное планирование и оптимизация ресурсов, чтобы справиться со сложными сайтами без ресурсных потерь.

Совместимость

В плюсах мы упоминали простую интеграцию фреймворка, но совместимость возможна не во всех случаях. Если мы взаимодействуем с разветвленной экосистемой, требующей индивидуальных решений, понадобятся глубокие знания разработки, чтобы модули Vue гармонично дополняли, а не перегружали технологический стек.

Как развивается Vue

В 2025 году Vue не собирается сдавать позиции и широко используется в разработке веб-продуктов. Интуитивно понятный синтаксис шаблонов и архитектура, состоящая из компонентов, делает этот инструмент предпочтительным выбором для многих программистов.

Эксперты выделяют ряд трендов в развитии фреймворка:

• Дальнейшая поддержка TypeScript. Этот язык программирования был создан с целью расширить возможности Java. Интеграция с Vue.js открывает новые перспективы для разработчиков.
• Оптимизация производительности. Ведутся работы по ускорению приложений на фреймворке и повышению эффективности, что крайне важно для пользовательского опыта.
• Работа над API. Предложены более гибкие варианты организации кода, что облегчает его сопровождение и повторное применение.
• Расширение экосистемы. Библиотека плагинов пополняется новыми продуктами и инструментами — участники сообщества постоянно работают над обогащением ресурсной базы разработчиков.
• Ориентация на инновации. Используются новейшие решения для работы над сложными проблемами.

Сейчас разработчики применяют версии Vue 3.0 и 3.5. Эти продукты по ряду параметров превосходят предыдущие итерации:

• Улучшенная реактивность. Фреймворки нового поколения внедряются в действующие проекты еще быстрее и потребляют меньше ресурсов.
• Упор на Composition API. Инновационный подход к организации компонентов фреймворка — отличный способ распространять логику приложения на другие продукты. Такая схема существенно упрощает повторное использование кода.
• Применение Vue CLI — полноценной системы для ускорения разработки. Обеспечивает бесперебойную работу компонентов сборки, отвечает за настройку приложения и быстрое прототипирование.
• Быстрота и мощность. Новые версии проще использовать для нативных приложений за счет модульности и оптимизации библиотек (автоматического удаления лишнего кода).
• Повышенная производительность рендеринга — преобразования трехмерных образов из программ в изображения, которые видит пользователь.
• Более эргономичный синтаксис. Экономия ресурсов и времени, потраченного на разработку.
• Внедрены новые алгоритмы для сравнения виртуального DOM с «настоящим», что ускоряет рабочие процессы.

В новых версиях улучшена масштабируемость, что позволяет разрабатывать более сложные и многофункциональные приложения. Оптимизирована также обработка ошибок, стали более гибкими возможности отладки.

Альтернативы и конкуренты: сравнение Vue с другими фреймворками

Ближайшие конкуренты Vue — это React, Angular, Svelte. Рассмотрим альтернативные фреймворки в сравнении с Vue.js.

Vue.js vs React

Библиотека с открытым кодом React — не менее популярный инструмент для разработки, чем Vue. Технически ее нельзя назвать полноценным фреймворком, при этом выбор решений для создания сайтов и веб-приложений довольно обширный.

Спор о том, что лучше, Vue или React, ведется уже несколько лет — стороны до сих пор не пришли к консенсусу. Оба инструмента обладают гибкой архитектурой, высокой производительностью, обширным функционалом. У каждого обширное сообщество пользователей, готовых привести сотни аргументов в защиту своего выбора.

Однако руководствоваться стоит исключительно объективными различиями:

• Изучение React занимает больше времени. Это факт, с которым согласны обе стороны. Если вы новичок в разработке, вам больше подойдет Vue — он проще по синтаксису, его концепция более понятна.
• Различный подход к реактивности. В React такие сайты создаются через виртуальный DOM — это усложняет изменение исходного хода. В Vue программист может работать с DOM напрямую, что ускоряет процесс изменений и упрощает работу программиста.
• Vue лучше взаимодействует со сложно-синхронизированной анимацией. Это фреймворк более удобен для дизайнеров, которые могут виртуально представить шаблон. В React это реализуется только через JSX. Но зато такой код короче, что в некоторых ситуациях тоже важно.
• Документация. У Vue она более подробная, со множеством ответов на сложные вопросы. Однако React компенсирует этот недостаток за счет более обширного сообщества, в котором можно найти ответ на любой вопрос.

В числе преимуществ React — наличие совместимой с библиотекой платформы React Native, которая позволяет создавать кроссплатформенный мобильный софт на Android и iOS. В экосистеме Vue специальных продуктов для разработки приложений для смартфонов нет.

Vue.js vs Angular

Разработка компании Google для одностраничных веб-приложений Angular работает на Java, TypeScript, Dart. Как и Vue.js, это фреймворк с открытым исходным кодом с репозиторием на GitHub.

Ключевые отличия Angular и Vue.js:

• С помощью Angular пишут код, который можно легко адаптировать под другие среды — например, для мобильных ОС. В Vue такие задачи реализовать гораздо сложнее.
• При этом Vue.js более гибок в применении. Его можно использовать как дополнительный инструмент для создания отдельных модулей. Angular потребуется внедрять целиком в весь проект.
• Как и в случае с React, обучение на Vue проще. Angular требует более глубоких познаний в программировании, сам процесс освоения и внедрения в практику занимает больше времени.
• Angular использует ajax — встроенную технологию взаимодействия с сервером без необходимости перезагружать страницу. Это упрощает передачу и получение данных. Реализован и механизм маршрутизации. В Vue эти функции реализуются только через сторонние библиотеки.
• Vue больше подходит для динамических веб-продуктов, ориентированных на UI/UX и пользовательские интерфейсы.

Выбор между фреймворками во многом зависит от целей и задач программиста, а также особенностей самого проекта. Для корпоративных и масштабных проектов Angular считается лучшим выбором, но у Vue преимущество в скорости и простоте применения.

Vue.js vs Svelte

Фреймворк Svelte использует иной подход к разработке веб-интерфейсов, нежели React и Vue. У него другая организация кода и свой алгоритм реализации проектов.

Ключевые отличия Vue.js и Svelte:

• Реактивность в Svelte стала частью языка. С этим фреймворком обновлять контент при изменении состояния гораздо проще.
• Svelte превосходит другие фреймворки по скорости и легкости. Поскольку логика обновлений полностью перемещена в код, нет необходимости использовать Virtual DOM, что делает приложения более быстрыми.
• Сообщество Svelte не такое обширное, поэтому у малоопытных прогеров могут возникнуть проблемы с решением необычных задач.
• Документация у Vue.js тоже более подробная. У Svelte доки лаконичные и содержат только основную информацию о функционале.

В целом Svelte менее популярный фреймворк, поскольку проект относительно молодой и пока больше распространен в профессиональной среде, нежели в любительской.

Итоги

Главные плюсы Vue — простота, доступность и возможность точечного применения. Поскольку у фреймворка низкий порог входа, он часто становится инструментом первого проекта у начинающих разработчиков. Достаточно нескольких недель, чтобы начать использовать Vue.js.

Экспертное сообщество сходится во мнении, что в 2025 году фреймворк не только не утратит, но, вполне возможно, увеличит свою популярность. Развитие и улучшение функционала Vue — непрерывный процесс, интенсивность которого легко оценить по периодичности появления новых версий.

Наш вывод однозначен: в ближайшее время фреймворк точно не забудут. Это конкурентоспособный и перспективный инструмент веб-разработки, привлекательный как для частных, так и для корпоративных проектов.

Заместитель Председателя Правительства России, член Попечительского совета фонда «Вызов» Дмитрий Чернышенко прокомментировал итоги заявочной кампании:

Технологическое лидерство — одна из национальных целей, которую определил Президент Владимир Путин. Создавать собственные прорывные технологии помогают наши талантливые изобретатели. Премия «Вызов» отмечает и поддерживает научные разработки и проекты. Перед учеными сейчас открываются широкие перспективы. К 2030 году расходы на российскую науку должны увеличиться до 2% ВВП, в том числе за счет внебюджетных средств. Огромное значение имеет участие в научной сфере бизнес-сообщества, а Фонд «Вызов» и одноименная премия являются ярким примером такой синергии.

Заместитель Председателя Правления Газпромбанка Дмитрий Зауэрс, член Совета фонда «Вызов» отметил, что премия является драйвером популяризации науки и технологического развития.

Помимо премии «Вызов» фонд является организатором множества мероприятий, которые популяризируют науку, вовлекая учёных в более практико-ориентированные проекты, создаёт экспертное сообщество из учёных, которые могут предоставить качественную экспертизу бизнесу. Проекты фонда «Вызов» — часть огромной экосистемы и для Газпромбанка, и для всей страны, помогающие ускорить достижение Россией технологического лидерства.

Президент фонда развития научно-культурных связей «Вызов» Леонид Шляховер указал, что премия в этом году вышла на международный уровень.

Сейчас в мире есть большой запрос на беспристрастную, независимую и политически неангажированную научную премию. И поэтому мы решили в этом году вывести премию «Вызов» на новый уровень и учредить международную номинацию Discovery. Наша премия открыта для учёных всего мира независимо от их взглядов, гражданства, национальности. В этом году мы получили множество заявок из разных стран, что говорит о доверии к нашей премии.

На пресс-конференции были объявлены лауреаты премии 2024 года, ими стали выдающиеся ученые, чьи открытия были признаны научным комитетом перспективными с точки зрения создания новых технологий.

Лауреат в номинации «Перспектива» — Леонид Ферштат, доктор химических наук, заведующий лабораторией азотсодержащих соединений Института органической химии им. Н.Д. Зелинского РАН, профессор базовой кафедры Института органической химии им. Н.Д. Зелинского НИУ ВШЭ. Он удостоен премии «За передовые исследования в области создания органических функциональных материалов многоцелевого назначения на основе высокоазотных молекулярных архитектур».

Лауреат в номинации «Инженерное решение» — Сергей Таскаев, доктор физико-математических наук, заведующий лабораторией бор-нейтронозахватной терапии Новосибирского государственного университета, главный научный сотрудник Института ядерной физики СО РАН, президент Фонда развития нейтрон-захватной терапии «ФОРА». Премию «ВЫЗОВ» он получил «За разработку компактного ускорительного источника нейтронов, пригодного для широкого круга исследований, в том числе для нейтронозахватной терапии».

Лауреат в номинации «Прорыв» — Евгений Антипов, заведующий кафедрой электрохимии химического факультета МГУ им. М.В. Ломоносова, профессор Сколковского института науки и технологий, член-корреспондент РАН. Солауреат: Артём Абакумов, кандидат химических наук, директор Центра энергетических технологий Сколковского института науки и технологий, заслуженный профессор Сколковского института науки и технологий. Они удостоены премии «За создание фундаментальных и практических основ разработки и производства электродных материалов для металл-ионных аккумуляторов нового поколения».

Лауреат в международной номинации «Discovery» (Открытие) — Никос Логотетис, PhD по нейробиологии человека, директор Международного центра исследований мозга приматов (ICPBR), почётный директор Института биологической кибернетики им. Макса Планка. Он удостоен премии «За основополагающий вклад в создание метода функциональной магнитно-резонансной томографии и введение его в повседневную научную и клиническую практику для исследования активности мозга человека».

Лауреат в номинации «Учёный года» — Валерий Тучин, доктор физико-математических наук, заведующий лабораторией лазерной диагностики технических и живых систем ИПТМУ РАН, заведующий кафедрой оптики и биофотоники СГУ, член-корреспондент РАН. Он отмечен наградой «За выдающийся вклад в области наук о жизни, а также в новую междисциплинарную область знаний и технологий – биофотонику».

Церемония награждения пройдет 19 декабря в Москве. Лауреаты получат денежные призы в размере 11 млн рублей, а также памятные статуэтки.

В этой статье разберемся, как технологии связаны с концепцией устойчивого развития, за какими зелеными направлениями в стоит следить и что происходит в GreenTech в 2024 году.

Что такое устойчивое развитие и как технологии помогут к нему прийти

Устойчивое развитие — это комплекс социальных и экономических изменений, которые позволят удовлетворять человеческие потребности, не нанося ущерба природе и будущим поколениям.

Конкретные цели в этой области в 2015 году представила Генеральная Ассамблея ООН. Всего их 17, каждая разбита на задачи, среди которых:

• существенно уменьшить объем отходов, благодаря развитию безотходного производства,
• значительно увеличить долю энергии из возобновляемых источников в мировом энергетическом балансе,
• удвоить глобальный показатель повышения энергоэффективности,
• внедрить на промышленных предприятиях экологически безопасные технологии,
• создать устойчивые системы производства продуктов питания,
• существенно сократить попадание вредных химических веществ в воздух, воду и почву.

Достичь этих целей без внедрения технологических инноваций во все процессы производства и использования ресурсов, невозможно. Более того, считается, что именно новые технологии помогут человечеству разрешить 70% обозначенных проблем.

GreenTech, или зеленые технологии — это технологии, которые разрабатывают для уменьшения вреда, наносимого людьми природе. Иногда их также называют устойчивыми.

Какие зеленые технологии сейчас в центре внимания

Захват и хранение углерода

Можно сократить выбросы CO₂, физически не давая ему попасть в атмосферу. Это возможно благодаря технологии захвата и хранения углерода (Carbon capture, utilisation and storage, CCUS).

Технологическая цепочка CCUS выглядит следующим образом: установленное на предприятии оборудование идентифицирует CO₂, выделяет его из дымовых газов, очищает с помощью фильтров и сжимает для дальнейшего захоронения или переработки — например, в углеродно-нейтральное синтетическое топливо.

Захватывать CO₂ можно и напрямую из атмосферы. Такой метод называется Direct air capture (DAC) и он несколько сложнее CCUS: вентиляторы нагнетают большие объемы воздуха, из которого благодаря специальному сорбенту на лопастях «процеживается» углерод. Специалисты утверждают, что прямой захват воздуха более перспективен, чем другие способы удаления углерода в больших объемах, но на данных момент технологию нужно усовершенствовать — и удешевить.

В 2024 году технология захвата углерода вошла в список приоритетных в США, ЕС, Великобритании, Канаде, Японии и других странах — правительства утвердили меры поддержки CCUS. К 2030 году в мире развернут 50 новых объектов, которые позволят обезвреживать 50 миллионов тонн CO₂ в год.

Промышленное хранение энергии

Одна из ключевых проблем при переходе на возобновляемые источники энергии — как сделать их доступными постоянно, а не только, когда ярко светит солнце и дует ветер? Для этого нужно найти недорогой способ в течение долгого времени хранить большие объемы энергии.

И хотя технологии, позволяющие накапливать энергию, давно известны — гидроаккумулирующие электростанции, накопители энергии сжатого воздуха (CAES), аккумуляторы, маховики и их комбинации, — промышленное хранение энергии сейчас в центре внимания инновационных компаний, таких как Aquion Energy, Highview Power и Malta (Google X).

«Зеленый» водород

Один из главных GreenTech-трендов последних лет — внедрение водородной энергии. Оно действительно позволит снизить объем выбрасываемых в атмосферу газов — машины, работающие на водородных топливных элементах, выбрасывают только водяной пар.

Но традиционные способы производства водорода сложно назвать экологичными — его получают, обрабатывая природный газ метан или уголь. Объем выбросов углекислого газа в атмосферу при этом огромен.

Существует технология, позволяющая получить водород путем электролиза, используя энергию из альтернативных источников, но стоимость такой добычи крайне высока — и это одна из главных причин, замедляющих повсеместный переход на водородное топливо. Так что одна из целей ученых по всему миру — найти экономически доступные альтернативы.

В начале 2024 года исследователи из Израильского технологического института представили технологию, которая позволяет существенно снизить стоимость добычи «зеленого» водорода за счет отказа от дорогостоящих мембран и уплотнительных компонентов.

В мае их коллеги из Университета Твенте также продемонстрировали новый метод производства водорода, позволяющий отказаться от использования драгоценных металлов, таких как платина, без ущерба для производительности. Если эти технологии удастся вывести на рынок, вероятно, это ускорит переход на водородную энергию.

Технологии циркулярной экономики

Активно развивается разработка технологий производства, позволяющих повторно использовать ранее обработанные материалы. Благодаря этому снижается энергопотребление, используется меньше сырья и сокращается количество отходов.

Работа идет в двух основных направлениях: совершенствование системы обращения с отходами и создание из них новых материалов, не уступающих традиционным по технологическим характеристикам.

В этой области достаточно впечатляющих достижений. Так, израильская компания UBQ Materials разработала способ получать термопластик из несортированных бытовых отходов. Совсем несортированных, в том виде, в каком они лежат в мусорном баке.

А австралийская компания BlockTexx представила технологию, позволяющую перерабатывать более не годную одежду из самых популярных в мире тканей в целлюлозу и полиэтилентерефталат (PET). Полученные материалы можно использовать в строительстве, сельском хозяйстве или снова в производстве текстиля.

Альтернативы продуктам животноводства

Разведение скота производит более 8% глобальных выбросов парниковых газов, загрязняет воду и наносит ущерб биоразнообразию планеты из-за постоянного расширения пастбищных земель.

Сократить этот вред — привлекательная идея. В отличие от всеобщего перехода на веганскую диету. Поэтому одно из самых любопытных и активно развивающихся направлений в GreenTech прямо сейчас — поиск альтернатив продуктам животноводства.

Простой переработкой растительных белков в молоко- и мясоподобные продукты сейчас никого не удивишь — почти в каждой кофейне вам предложат латте на кокосовом, соевом или миндальном молоке. В авангарде технологии производства мяса и молочных продуктов в условиях лабораторий:

• из клеток животных в биореакторе, в пробирке или с помощью 3D-печати,
• путем прецизионной ферментации, при которой генетически модифицированные микроорганизмы производят нужные белки, жиры и витамины.

В обоих случаях полученные продукты генетически и по органолептическим свойствам неотличимы от продуктов животноводства.

Тепловые насосы

Как бы странно это ни звучало, тепловые насосы, изобретенные в 1800-х годах, считают одной из ключевых технологий в области электрификации и возобновляемых источников энергии. И тому есть причины.

В глобальном масштабе они способны к 2030 году сократить выбросы углекислого газа не менее чем на 500 миллионов метрических тонн — столько CO2 за год выбрасывают все автомобили в Европе.

Тепловые насосы могут питаться от бытовых солнечных панелей или от электросети, работающей на возобновляемых источниках энергии. Они энергоэффективны — на 1 кВт/ч потребляемой энергии дают 3 кВт/ч тепла.

Повсеместному распространению таких насосов препятствует цена — они существенно дороже газовых отопительных приборов. Так что усилия инженеров направлены на то, чтобы сделать тепловые насосы более доступными для простых людей и еще более энергоэффективными.

Устойчивое топливо

Еще один тренд в зеленых технологиях — разработки устойчивого жидкого топлива.

На данный момент это понятие включает в себя:

• биотопливо из органических отходов,
• синтетическое топливо, произведенное путем химической конверсии из природного газа, угля, биомассы и непригодных для традиционной обработки нефтепродуктов,
• топливо из вторичного углерода, которое делают из ископаемых отходов, которых нельзя избежать, повторно использовать или переработать.

Устойчивое топливо можно использовать в автомобилях с двигателем внутреннего сгорания — вместо того, чтобы отправлять их на свалку за неэкологичность. Скорее всего, оно будет особенно важно для авиации, в то время как автомобили и морской транспорт перейдут на электричество и водородное топливо.

В июле 2024 года был представлен новый класс синтетического топлива, которое может достигать чистых нулевых выбросов парниковых газов. Оно совместимо с современной транспортной инфраструктурой, а в качестве сырья использует биомассу или CO₂. Создатели топлива предполагают, что оно может дополнить электрификацию большегрузного транспорта.

Зеленые технологии важны для обеспечения устойчивого развития и сохранении планеты для будущих поколений. Внедрение инноваций, таких как захват и хранение углерода, промышленное хранение энергии, использование зеленого водорода и развитие технологий циркулярной экономики, способствует уменьшению негативного воздействия на окружающую среду и позволяет эффективно использовать природные ресурсы. Поддержка и развитие этих технологий необходимы для достижения глобальных экологических целей и создания устойчивого будущего.