Open source — July 2026

Наконец-то полезные фичи в питоне

Многие знают, что я почти не добавляю новые фичи в CPython, я стараюсь выпилить существующие и править баге в тех, что у меня не получается убирать. Новые если и добавляю, то без масштабных обсуждений.

Некоторые новые фичи встречают у меня сильный оптимизм: как новый встроенный sampling profiler. Вот тут видео про него кстати с прошедшего PyCon. Некоторые фичи встречают у меня понимание: как например typing.disjoint_base. Простая штука, решает понятную проблему. Некоторые фичи встречают у меня лютое подгорание: как например lazy imports. Вот доклад с пайкона и про них, кстати.

Я думаю, что мое понимание хорошей фичи очень сильно расходится с таким пониманием у других питонистов, мое понимание "хорошего питона" можно найти в моем wemake-python-styleguide.

Зная такую вводную, я решил сделать "большую" новую фичу. На один символ в грамматике.

Иммутабельному питону - быть!

У нас была довольно большая проблема: создавать мутабельные словари и множества - можно довольно легко. {1: 2} и {1, 2, 3}

Чтобы создать frozendict и frozenset нам уже нужен вызов функции: frozendict({1: 2}) и frozenset({1, ,2, 3}). Почему так делать не очень?

1. Потому что писать долго, мало людей будут заморачиваться. Зачем, когда проще создать мутабельную структуру? 2. Потому что frozendict и frozenset тупо медленнее. frozendict пока вообще имеет 0 оптимизаций для работы и просто в тупую копирует всю память из dict, который мы отправляем. Получая буквально O(n * 2) по памяти и времени работы. Делает лишний CALL. А frozenset({1, 2, 3}) немного оптимизирован через INTRINSIC_BUILD_FROZENSET опкод, который генерируется только для set в качестве входного аргумента 3. Неудобно писать comprehensions. Они получается сильно менее читаемые, чем их мутабельные версии

Мое предложение (пока только в формате обсуждения): https://discuss.python.org/t/frozenset-and-frozendict-comprehensions/101584/9 Мой PR с добавлением данной фичи в CPython: https://github.com/python/cpython/pull/152820 (он нужен для написания ПЕПа)

Как оно выглядит?

>>> ${1: 2} frozendict({1: 2}) >>> ${1, 2, 3} frozenset({1, 2, 3})

>>> ${x: x for x in range(3)} frozendict({0: 0, 1: 1, 2: 2}) >>> ${x for x in range(2)} frozenset({0, 1})

Что важно? Оно уже умеет все то, что умеют привычные нам конструкции без $: - ${} - пустой frozendict, как {} - пустой dict - ${1, *other} - распаковка внутри frozenset - ${**d for d in list_of_dicts} - распаковка внутри frozendict comprehension + PEP-798 - ${x async for x in async_iterable if x >0} - async frozenset comprehension с условием

Почему $? - Потому что $ - is the real deal 😎💸 - Потому что $ не имеет смысла сейчас: но будет значить "иммутабельность" - Потому что $ может легко в дальнейшем использовать для других иммутабельных штуках: $(x for x in range(1)) для нативного tuple comprehension, для PEP-805 с __freeze__ и тд

И другие новости моих опенсорс проектов одной строкой

- Новый релиз django-modern-rest с новыми DX фичами - Добавляем Token auth в следующий релиз DMR - msgspec готов к релизу новой версии с поддержкой frozendict - Улучшаем поддержку match/case в wemake-python-stylguide - Предлагаю улучшенное C-API для создания frozendict - Выпустил релиз punq с поддежкой типизации

Если вы хотите поддержать мою работу в опенсорсе: - https://boosty.to/sobolevn - https://github.com/sponsors/wemake-services

Обсуждение: Что вы думаете, нужен ли такой синтаксис? Удобнее ли будет пользоваться иммутабельными структурами после добавления такого синтаксиса?

Уиии! Собрали полностью работающую и размножающуюся клетку из искусственных компонентов.

Работа вот.

Можно посмотреть, как выглядит биологический опенсорс. Тут вот команда положила спецификации, списки ингредиентов, генетические последовательности и протоколы сборки.

Итак, давайте разбираться!

Простую клетку можно получить двумя путями — взять сложную и вырезать лишнее или собрать с нуля.

Несмотря на убеждения в массовой литературе, что на сбор с нуля достаточно 7 дней, годами у учёных это почему-то не получалось. Тут взяли неживые химические реагенты, смешали их и получили полноценный рост клетки, питание и передачу данных потомству на прототипе.

— Основа — липосома, пузырёк из жиров. — Внутри 7 плазмид генома (7 флешек с генокодом, всего 90 тысяч пар нуклеотидов) + фермент Phi29 для копирования этой ДНК + PURE, химически чистый бульон из рибосом и ферментов, который считывает ДНК и собирает белки. — Снаружи лежат кормовые липосомы. Клетка жрёт их строго по инструкции: что может сожрать — то еда. Чертёж белка для определения, что можно есть, ей тоже положили в код. В липосомах новые жиры и свежая порция ферментов. Метаболизм, говорят, допишут потом, пока вот пусть ест детское питание в банках.

Прогнали это через 5 поколений. Надо было есть, увеличиваться, накапливать энергию, копироваться, делиться. На тот момент клетка делилась лопатой с помощью учёного.

Ещё внутри положили очень крутой РНК-счётчик поколений, то есть все клетки растут сразу с логом.

Дальше стали издеваться над мутантами, вывели тех, кто жрёт больше и жаднее, но и тратит на поиски еды больше ресурсов. В нормальных условиях мутанты вытеснили обычные клетки, заняв 61% популяции. А когда устроили жёсткий дефицит еды, наглые гопники захватили 70% популяции, а обычные стали хиреть. Собственно, это модель естественного отбора.

Дальше избавились от лопаты и довольно элегантно научили клетки делиться сами, без клеточного скелета. Сначала думали, что эта часть кода будет завязываться на манипуляции с ним, а, значит, ещё нужно его где-то достать, а он сложный. В общем, ещё пара лет поддержки проекта сообществом, тысячи пулл-реквестов — и там будет нормальная архитектура, а пока делится она через хак. И очень просто, там даже распределения ресурсов нет, просто кто сколько забрал — то и унёс. Некоторые потомки имеют неполный код, соответственно, и не очень успешно живут.

Работа — препринт, они делятся результатами эксперимента лаборатории Катаржины Адамалы из Университета Миннесоты, это одна из передовых команд. Внутри, кстати, довольно дофига кода компонентов, прям генетического. Прям буквами.

-- Вступайте в ряды Фурье! | Лучшие посты Как делится клетка: o → O → 8 → oo

Godot фактически запрещает vibe coding в контрибуциях.

Причина простая: PR стало легче генерировать, но не легче проверять. Для open-source движка каждый патч всё равно должен разобрать мейнтейнер, который понимает архитектуру, риски и последствия изменений.

Теперь автономные агенты, крупные AI-сгенерированные куски кода и сгенерированный текст в issues, proposals и PR-дискуссиях запрещены. Разрешены только мелкие помощники вроде автодополнения, regex и find/replace. Помощь AI в коде нужно раскрывать.

На практике правило будет сложно применять: почти невозможно наверняка доказать, где был vibe coding, а где обычная работа разработчика.

Godot защищает не стиль разработки, а время ревьюеров. Код можно сгенерировать за минуты, но ответственность за него всё равно остаётся на людях.

godotengine.org/article/contribution-policy-2026/

✔️ LLM-защита до запроса к модели

Tamga - open-source reverse proxy на Go, который ставится между приложением и LLM-провайдерами вроде OpenAI, Anthropic и Azure.

Задача простая: каждый промпт проходит проверку до отправки в модель.

Что умеет:

* искать PII, секреты и запрещённые паттерны * редактировать или блокировать опасные запросы * работать как OpenAI-compatible proxy * вести аудит инцидентов * прогонять adversarial-тесты в CI * держать низкую задержку на обычном CPU

Самое интересное в статье - честность автора.

Он собрал 62 adversarial-вектора и признаёт: 29 из них всё ещё обходят сканеры. Проблемные зоны ожидаемые:

* Unicode-трюки * zero-width символы * base64-обёртки * многоязычные prompt injection * перефразированные атаки

Вывод для продакшена жёсткий: LLM security нельзя строить только на regex и красивом middleware.

Нужны:

* нормализация текста до сканирования * быстрый deterministic слой * отдельный semantic judge для сложных случаев * adversarial corpus как часть CI * честный baseline по bypass rate

Хороший пример того, как должна выглядеть LLM-инфраструктура в regulated-среде: не «поставили guardrails и забыли», а постоянная проверка, измерение и улучшение.

GitHub: https://github.com/yatuk/tamga

Want to become an AI Engineer in 2026?

Don't start with LangChain. Don't start with Pinecone. Don't even start with AI Agents. Start by understanding this roadmap. 👇

Most people jump straight into building AI apps. They copy tutorials. They connect APIs. They launch chatbots. But when something breaks... They have no idea why. Because they skipped the fundamentals. Here's the AI ecosystem every aspiring AI Engineer should understand.

🧠 1. LLMs – The Brain These power reasoning, coding, conversations, and content generation. Examples: • GPT • Claude • Gemini • Llama 4 • Qwen 3 • DeepSeek • Mistral • Gemma 3 • Phi-4 👉 Learn what each model is good at and when to use it.

⚡ 2. Frameworks – The Orchestrator Frameworks connect LLMs with tools, APIs, memory, and workflows. Popular choices: • LangChain • LlamaIndex • Haystack • txtai 👉 These help you build production-ready AI applications.

📚 3. Vector Databases – AI Memory LLMs don't remember your documents. Vector databases do. Popular options: • Pinecone • Chroma • Qdrant • Weaviate • Milvus • PostgreSQL (pgvector) • Cassandra • OpenSearch 👉 Essential for Retrieval-Augmented Generation (RAG).

📄 4. Data Extraction – Feed Your AI Before AI can answer questions... It needs clean, structured data. Tools include: • Crawl4AI • FireCrawl • ScrapeGraphAI • MegaParser • Docling • LlamaParse • ExtractThinker 👉 Great AI starts with great data.

🚀 5. Open LLM Access Experiment, self-host, and deploy open-source models with: • Hugging Face • Ollama • Groq • Together AI 👉 Perfect for local development and production deployments.

🔍 6. Text Embeddings – The Search Engine Embeddings convert text into vectors that AI can understand and retrieve. Popular providers: • OpenAI • Voyage AI • Google • Cohere • Nomic • SBERT 👉 The quality of your embeddings directly impacts your RAG system.

📊 7. Evaluation – The Most Overlooked Layer A good AI app isn't the one that looks smart. It's the one that's measurably reliable. Evaluate: ✅ Accuracy ✅ Hallucinations ✅ Retrieval quality ✅ Response consistency Tools like Giskard and DeepEval help you build AI you can trust.

If I were starting from scratch today, I'd learn in this order: 1️⃣ LLM Fundamentals 2️⃣ Prompt Engineering 3️⃣ Embeddings 4️⃣ Vector Databases 5️⃣ RAG 6️⃣ AI Frameworks 7️⃣ AI Agents 8️⃣ Evaluation Master these, and you'll understand how modern AI systems are actually built. Not just how to copy them.

❤️ Save this roadmap.

🔁 Share this so someone preparing for an AI job in 2026 doesn't waste months learning the wrong things.

One share could help a student, developer or job seeker understand the AI stack that companies are actually hiring for.

Follow us: https://t.me/Artificial_intelligence_in

💵 GFusion: как мы обучали диффузионную LLM в GigaChat

«А что, если LLM будет генерировать не строго по одному токену слева направо, а сразу блок текста?»

Именно эту идею мы проверяли в проекте GFusion — диффузионной языковой модели на базе GigaChat3-10B-A1.8B-base.

Отдельно хочется отметить, что этот проект начал и довёл до релиза стажер команды GigaChat Pretrain. Он прошёл весь путь от идеи и первых экспериментов до обучения модели, оптимизаций, поддержки в inference runtime и публикации в open source.

Почему это интересно?

Классические LLM генерируют текст авторегрессионно: каждый следующий токен зависит от всех предыдущих. Это устоявшийся подход, но шаги генерации модели выполняются строго последовательно.

В то же время диффузионная LLM берёт частично замаскированный блок и постепенно восстанавливает токены внутри него. За один forward pass модель может финализировать не один, а сразу несколько токенов.

Так и появляется ускорение. Чем больше токенов модель уверенно восстанавливает за один проход, тем меньше шагов ей нужно для генерации ответа.

Вместо дорогостоящего обучения с нуля мы взяли сильную авторегрессионную LLM и перевели её в диффузионный режим генерации.

Цикл обучения включал: 🔘адаптацию AR-модели к диффузионной генерации; 🔘постепенное увеличение размера блока; 🔘сравнение полностью диффузионного обучения и гибридного подхода AR+dLLM; 🔘SFT с complementary masking и стадией confidence tuning для дополнительного ускорения генерации.

Результаты:

🔘GFusion в режиме одного пользователя генерирует в среднем на 70% быстрее GigaChat3-10B-A1.8B. 🔘Даже по сравнению с GigaChat3-10B-A1.8B + MTP-головой ускорение составило около 39%. 🔘Просадка качества относительно авторегрессионной модели осталась в пределах 2–4 п.п., а сам трейд-офф между скоростью и качеством можно контролировать параметрами диффузионной генерации. 🔘Добавлена поддержка GFusion в SGLang и реализован entropy-bounded sampling — алгоритм семплирования, который ускоряет генерацию не только GFusion, но и других диффузионных LLM. 🔘Для обучения написана и выложена в open-source своя реализация attention на TileLang под структуру диффузионной маски и получено до +77% end-to-end ускорения относительно Flex-Attention на длинном контексте.

💡 Главный вывод GFusion состоит в том, что ускорение LLM может требовать переосмысления самого подхода к генерации. Однако, чтобы это заработало на практике, важно довести до рабочего состояния весь стек от обучения и SFT до декодинга, attention-ядер и поддержки в inference runtime.

➡️Подробности — в статье на Habr. ➡️HF: GFusion-10B-A1.8B-base GFusion-10B-A1.8B ➡️GitVerse

💜 Quarta tem Alô, Comunidade!

Nossa convidada é Ariana Cursino, Cientista de Dados na Ford, voluntária no PyLadies Fortaleza e recém-chegada ao universo do Código Aberto.

Vamos bater um papo sobre transição de carreira, Ciência de Dados, comunidade, aprendizado e os primeiros passos contribuindo com Open Source.

Como sempre, o encontro é aberto para perguntas e muita troca de experiências!

📅 Quarta (08/07) 🕕 18h (BRT) 📍 Google Meet - aberto para todas as pessoas: https://calendar.app.google/V9K6vzsPoNSijzmz8

Chega junto! 🥥💜

#вакансия #удаленнаяработа #fulltime #backend Backend Python Engineer Компания: Альянс allianz.ru Загрузка: Full-time Локация: РФ Гражданство: РФ Формат работы: Удаленно Сфера: Финтех Трудоустройство: ТК/ИП Вилка: 250к-290к гросс

Требования к кандидату: -Опыт работы от 4+ лет - Уверенный Python и SQL, опыт работы с аналитическими БД, желательно ClickHouse и PostgreSQL. - Практический опыт создания AI-агентов и LLM workflows, включая prompt engineering, function calling, structured output и reasoning. - Опыт подготовки данных для AI-сервисов, витрин, метаданных, справочников и правил работы с таблицами. - Понимание, как строить production-сервис, а не демо, включая API, авторизацию, логирование, обработку ошибок и безопасность. - Опыт интеграции AI-решений с внутренними и внешними источниками данных. - Плюсом будет опыт с Yandex AI Studio, open-source моделями и Next.js. Обязанности кандидата: - Развивать внутренний AI-сервис для автоматизации ad-hoc запросов бизнеса, аналитиков и дата-инженеров. - Проектировать и реализовывать AI-агентов, workflows и сценарии text2sql, retrieval, explanation и генерации готовых результатов. - Подготавливать и улучшать данные для агентов, включая витрины, описания таблиц и полей, join-логику и бизнес-правила. - Реализовывать сценарии сборки отчетов, прогнозов, сверки данных, сценарного планирования и выявления отклонений в воронке продаж. - Развивать функциональность генерации графиков, таблиц, Excel-выгрузок, слайдов и других пользовательских артефактов. - Улучшать качество ответов агентов, тестировать решение на реальных кейсах и внедрять улучшения по данным, промптам и логике workflows.

Как откликнуться: Напишите в директ @UITZhitloYuliana

tldr: Senior LLM Engineer в крупный банк. Внутренняя AI Platform, open-source LLM, агенты/RAG. Гибрид, Москва.

[вилки нет, но вакансия прошла голосование на высоком доверии к автору, деньги есть]

Мы в команде CIB LLM Team отвечаем за AI Platform для корпоративного бизнеса банка: LLM API Gateway, AI Chat, агентные решения, инфраструктуру для моделей и агентов, инструменты для создания AI-продуктов.

Ищем LLM-инженера, который усилит нашу команду в направлении внутренних AI-продуктов, агентов, RAG и оптимизации инференса.

Что делать:

* отвечать за внутреннюю AI Platform и инструменты для AI-приложений; * проектировать агентов для автоматизации бизнес-процессов; * работать с RAG, tool calling и корпоративными знаниями; * оптимизировать качество, стоимость и latency инференса; * участвовать в выборе и эксплуатации open-source LLM; * доводить гипотезы и прототипы до production.

Что важно:

* уверенный Python; * опыт ML/DL от 2 лет; * понимание современных LLM/NLP/GenAI; * опыт production-систем на базе LLM; * понимание retrieval, routing, tool calling, memory, evaluation; * опыт с Docker/Kubernetes и микросервисной архитектурой.

Будет плюсом:

* глубокое понимание эвалов для LLM-систем; * опыт в self-hosted инференсе; * опыт промышленной разработки.

Мы предлагаем:

* возможность работать над AI Platform для крупного корпоративного бизнеса; * работу над продуктами, которыми ежедневно пользуются сотрудники банка; * сильную инженерную команду, автономность и влияние на архитектуру; * возможность работать с современными open-source моделями и GPU-кластером; * ДМС, обучение, конференции, гибрид и офис в центре Москвы.

Откликнуться: присылайте резюме Камиле — @kamila_bgsh

#вакансия #vacancy #golang #удаленка #РФ Должность: Backend разработчик (Go) Формат: удаленный, по российскому ИП Компания: Аутстаф Длительность: 3 мес. Вилка: 130 - 200 Локация: Россия Гражданство: Россия Описание проекта: разработка бэкенда IT-продуктов для автоматизации процессов retail-компании Требования: Хорошее знание Go Опыт backend-разработки на Go от 2 лет Понимание работы сетевых протоколов Знание Git Умение писать тесты, не только модульные Будет плюсом: Умение поговорить про другие языки, архитектуру сложных проектов, функциональное программирование Опыт с WebSockets Участие в open-source проектах Опыт запуска проектов с нуля Задачи: Разработка бэкенда IT-продуктов для автоматизации процессов retail-компании Участие в проектировании и разработке архитектуры разных приложений Формирование практик и стандартов создания проектов на Go вместе с командой Ревью кода Плотное взаимодействие со всей командой Резюме рассматриваем до 02.07.2026 16:00 МСК Подробнее о вакансии пишите сюда - @PavelP18

✔️ Dockerless

Environment-free verifier для coding-агентов.

Он проверяет патчи без запуска кода и без Docker, при этом обгоняет сильнейший open-source verifier на 14.3 AUC points.

А RL post-training полностью без окружения достигает 62.0% на SWE-bench Verified.

https://paperswithcode.co/paper/2606.28436

Так, как начал углубляться в нижние инернеты в ии модели-клинг-моушн-референс-трафик-арбитраж-бабло темку, появился запрос на скачивание большого количества референсов из инсты/тиктока без рекламы, без очередей и без таймаутов, и без подписок на левые тг каналы в ботах.

Потестил несколько бесплатных video downloader штук, которые можно установить у себя на компе 👇

1) https://github.com/nexmoe/VidBee - 9.6к звезд. Приятный интерфейс, организация видосов, куча настроек. У меня запустился и потом слетел, убил полчаса чтобы завести.

2) https://github.com/averygan/reclip - Топ, здравая програмка. По сути простой ui обертка поверх https://github.com/yt-dlp/yt-dlp (как и все проги). Пока пользуюсь им.

3) https://cobalt.tools/ - раньше был топ, потом умер из-за большой популярность. Пользуюсь с телефона, для тт и инсты пашет стабильно

Хотел вообще сделать подборку open-source проектов для трафа, убил на это дело часа 3 и понял что 90% это мусор, который вообще не нужен. Для начинающих хватит бесплатных антиков + дешевых прокси на месяц ( с братом скиньтесь ) + capcut. А профи пишут софт под свои задачи

⁣🧠🔐 GuardFall: vulnerabilità nei sistemi AI agent open-source bypassa i controlli di sicurezza

Una nuova ricerca di Adversa AI ha identificato una falla denominata GuardFall che colpisce la maggior parte degli AI coding agent open-source, permettendo di aggirare i meccanismi di sicurezza usati per bloccare comandi pericolosi. Il problema riguarda in particolare agenti che eseguono comandi di sistema tramite shell/terminal access con validazioni basate su filtri testuali.

Secondo i test condotti, la vulnerabilità riesce a bypassare le protezioni in 10 su 11 agenti analizzati, sfruttando tecniche di shell injection e vecchi “trucchi” di interpretazione dei comandi Bash. Questo permette a input apparentemente innocui di trasformarsi in istruzioni malevole eseguite dal sistema, con possibili conseguenze come data exfiltration, furto di credenziali o esecuzione di comandi distruttivi.

Il punto critico non è un singolo bug, ma un problema strutturale: molti agenti controllano i comandi prima dell’esecuzione come semplice testo, mentre la shell li interpreta in modo più complesso, creando una discrepanza che gli attaccanti possono sfruttare.

Gli esperti sottolineano che solo uno dei sistemi testati ha dimostrato difese realmente robuste, mentre gli altri richiedono miglioramenti su sandboxing, parsing sicuro dei comandi e zero-trust execution layer. Il caso si inserisce in una serie crescente di allarmi sulla sicurezza degli AI agent autonomi, sempre più utilizzati in contesti reali con accesso a file system e credenziali sensibili.

🔗 Fonte: Security Affairs

#cybersecurity #AI #GuardFall #infosec #shellinjection #aiagents #vulnerability #securityresearch

✍🏻 @DeepWebITA 👥 @DeepWebITAGroup

Вышла Reverse centaurs guide to life after AI от Cory Doctorow (автор Enshittification - я постил осенью). Круто разбирает AI-пропаганду:

- Кентавр - это метафора когда tech на благо людей. А у бигтехов АНТИ-кентавр: водители Amazon и Uber херачат под супер-контролем камер. А теперь и "белым воротничкам - приготовиться". Но люди сами виноваты, тк соглашались на эту слежку - AI можно юзать тупо (фейковые тексты) (кстати, как слово "галлюцинации" заменило "ошибки"?!) или юзать умно: e.g. локально расшифровать 40 часов аудио - Прогноз: пузырь дичи крэйзи CEO лопнет, а open source на локальных девайсах - останется (тк это privacy)

ДО

Как мы сюда попали? В США всегда ложно хайпили. E.g. adtech'и когда-то внушали, что их реклама - это якобы контроль мозга потребителей итд итп. И власти отмолчались. А теперь эти же люди впаривают AI

Якобы неизбежное CEO - они как Тетчер: внушают всем, что якобы альтернатив нет - и так технологиями и абьюзат весь социум

Странная математика - Бигтехи одержимы "ростом" чисто тк их биржевая оценка зависит от их имиджа "акций роста" (вникните в P/E). Отсюда их рисковые инвестиции в AI и фэйкание до упора (тк крах акций будет резкий) - Но ведь щас CEO и в прочих отраслях стали как в tech: мечты и утопить людей в KPI, и в идеале - заменить на AI. И этим миражом уже сегодня оправдывают сокращения

ПУЗЫРЬ

Странное стало опасным - Disruptive innovation = что вынесут какую-то имеющуюся отрасль. Боссы готовы платить до 80% за AI вместо людей. На практике - госпитали уволят врачей и оставят клерков, одобряющих диагнозы AI -> жди трагедь - AI билборды в Washington и SF чисто для CEO + финансового сектора. А "superintelligence" пиарят чтобы оправдать замещение людей. "Удачно" начали с разрабов (ушла эпоха заискивания перед ними, а профсоюзов же нет!) и креаторов - и вот: гонка кто быстрее одобряет тонны slope. Но AI бот же вовсе не замена людям. Но да, разрабы крутят LLM как игровые автоматы

AI "искусство" GenAI - это не то, что арт - это жуть (eerie): что-то бесчувственное и плоское (как и все корпоративное). Но да - будет засирать интернеты..

AI влияет на занятость (а не копирайты) Рост отрасли копирайта совпал со взлетом индустрии развлечений и стало все оч строго, однако доля денег, идущая творцам, падала. С AI труд креаторов подешевеет еще больше. И борзый scraping всего что можно в инете - продолжится. И пока бигтехи успешно проехались на дырке в копирайтах про книги..

Что делать креаторам? Хз. Порадоваться, что genAI вещи пока нельзя защитить копирайтами (т.к. все законы - про людей. Или это пока?)

Реальный AI - Будет некая каша что и как поменяется. В B2B - помните рисеч MIT что 95% AI-пилотов не принесли фин.результатов? - Google хотят выдавать summaries и продавать ads, не выдавая клики на сайты из кого они саммари слепили. Reddit'у они платят за данные - и там начался ад из фэйковых "обсуждений" итп

Индусы Техно-отрасль обожает фэйки. Магазы Amazon якобы без продавцов (индусы по камерам, закрыли через 3 г.), Musk в 2021 человека в робота нарядил, self-driving cars уже лет 10 с водителями ездят итд итп

Agentic AI итп абсурды Agentic AI начинали с универсальных работников, потом что будут специалисты, а щас уверяют якобы весь инет надо сделать под агентов (нахера это фирмам? Они же титанически прячут цены и детали чтобы брать с клиентов маржу повыше). Но да: инвесторы любят накинуть премию на то, в чем не шарят

ПОСЛЕ

Пузыри и хорошее после - Они бывают разные: после Enron были суды над топами. Или крипта - она регулярно пузырится. А вот дотком-баббл привнес в tech бездну гуманитариев и это перевернуло мир - А с GPU непонятно: пока топ-модели становились лишь дороже, что нетипично для айти. Зато open source дешевели (становясь лучше)

После У нас будет куча крутых инструментов и полезных кейсов (типа как НКО Human Rights Data Analysis Group юзают LLM). Но и много людей уволят - не из-за AI, а т.к. кто-то залечил их боссов

**

Он социалист и борец за цифро-свободы в НКО Electronic Frontier Foundation (с 1999 судятся за privacy и права граждан) и Книга шикарно про безудержный капитализм