pnda

Пару дней назад я нашёл свою первую публично опубликованную статью, которую написал более 5 лет назад

Через 2 года после того, как OpenAI выпустили документ "Improving Language Understanding by Generative Pre-Training" — то, что можно считать основой GPT-1

Тогда рассуждения об ИИ, с которым можно качественно общаться, воспринимались как что то далекое. Похоже на то, о чем рассуждал ещё Алан Тьюринг

А Siri и Google Assistant были вершиной публично доступных чат-ботов

Но прошло 5 лет, и ИИ агенты это уже данность. Они спокойно проходят не только тесты Тьюринга, но и вообще любые тесты

Но есть одна проблема...

Мы уперлись в стену

GPT-5 показывает фундаментальное ограничение GPT моделей — мы близки к исчерпанию всех оцифрованных человеческих знаний, которые нужны моделям на стадии предобучения

Можно улучшать модели через мелкие улучшения изнутри, увеличивать reasoning tokens за счет роста вычислительных мощностей и структур сетей, но от этого подобные модели не перестанут быть next token prediction

Если привести аналогию, то модель "пытается познать мир", находясь внутри библиотеки. Но насколько большую библиотеку ты не создавай, по настоящему познавать мир через нее у модели не получится

Для познания мира мы, люди, используем совершенно другой механизм — любопытство.

И это — наше главное эволюционное преимущество, которое привело нас туда, где мы есть

В чём разница между пересказом и пониманием❓

«Откуда мы знаем, что существуют чёрные дыры, квазары, взрываются сверхновые и образовываются всевозможные химические элементы, из которых состоит наше тело и Земля? Ведь это невообразимо далеко и невероятно сложно»

«Мы это знаем благодаря телескопам и измерительным устройствам» — это плохое объяснение

«Мы знаем, что существуют конкретные законы физики, мы проверили эти законы много раз, мы получили много информации о том, что эти законы соблюдаются и на Земле и за миллиарды километров, поэтому мы с хорошей точностью знаем что происходит при взрыве сверхновой» — это хорошее объяснение

Объяснения — это самый базовый элемент, который позволяет человечеству создавать новые знания

Которые создаются только таким способом

— Выдвинуть гипотезу — догадаться/предположить, что что-то устроено определённым образом
— Сделать действия — проверить гипотезу экспериментами
— Обработать данные — получить обратную связь от мира
— Сделать выводы — выбросить гипотезу, принять или доработать

А затем ждать лучшего объяснения

И да, это стандартный продуктовый подход через HADI циклы

И именно этот процесс привёл к созданию всего знания, всех инструментов в мире

Другого процесса создания знания не существует

Библиотека vs Лаборатория

Мы посадили ИИ в библиотеку, а ему нужна лаборатория

Текущие модели — отличные библиотекари. Они идеально пересказывают существующие знания, комбинируют их и даже делают инсайты на основе прочитанного

Но если мы хотим настоящий AGI, то он должен стать учёным. Он должен создавать новые знания

Bottle Neck человечества для создания знаний

На планете менее 1% людей в определённый момент времени занимаются созданием знаний на границе неизвестного

Мы ограничены количеством мозгов и рук, которые способны выдвинуть гипотезу, проверить ее и сделать выводы

Вот где настоящее бутылочное горлышко роста знаний — не в данных, а в количестве мозгов и рук, способных выдвинуть и проверить гипотезу.

Путь к сингулярности

Для создания AGI нам нужно научить ИИ

1. Выдвигать гипотезы

2. Проверять их экспериментально

3. Делать выводы и, в идеале, делиться ими

Для этого ему понадобится доступ к нашему миру через сенсоры. И развитие робототехники — необходимый шаг

AGI = Модель + HADI циклы + Реальный мир

После того, как мы научим ИИ проходить HADI циклы, мы войдём в эру сингулярности знаний

Рост знаний будет ограничен только вычислительными мощностями, а не количеством любопытных людей на планете.

Вместо 1% человечества, которые генерируют знания, нам нужно будет создать ИИ-ученых, работающих 24/7

Это и будет состояние мира, близкого к настоящей сингулярности

🕶 Реагируйте, а не предсказывайте
Теперь быстрое реагирование на изменения важнее, чем попытки предугадать будущее. Будущее сегодня слишком непредсказуемо.

Компании, плохо адаптирующиеся к изменениям, быстро потеряют свои позиции. Microsoft и Nvidia — хороший пример качественной адаптации, несмотря на их размеры

💞 AI как гениальный сотрудник
Воспринимайте AI как нового, сверхразумного и не ленивого сотрудника.
Вместо того чтобы разочаровываться в AI, стоит научиться работать с ним.
Практически любую бизнес задачу уже сейчас можно оптимизировать с помощью AI. А то, что нельзя оптимизировать сейчас, можно будет оптимизировать через пол года или год

✍️ Стройте бизнес модели на будущее
Можно не бояться, если ваша перспективная бизнес модель не сходится из-за высоких затрат на АИ компьютинг. За последние 3 года они упали в десятки раз, и пока останавливаться не собираются

🍭 Относитесь к AI с оптимизмом
Люди и основатели, которые с энтузиазмом используют AI как мощный драйвер изменений — точно добьются успеха. По сравнению с теми, кто продолжает игнорировать этот инструмент. Сейчас наступил идеальный момент, чтобы ускорять свой рост, проявлять смелость в инновациях и опережать конкурентов.

========

🎮 Как бы я действовал уже сегодня, если бы меня попросили сделать AI трансформацию внутри компании

1️⃣ Оценил бы бизнес модель, текущие задачи и штат компании. Отметил бы, что уже сейчас можно улучшить с помощью AI. Или что можно будет улучшить через пол года

2️⃣ Сократил бы внутренние барьеры и бюрократию, фокусируясь на быстром внедрении инноваций.

3️⃣ Выстроил бы процесс регулярного взаимодействия с клиентами, чтобы четко понимать их потребности и быстро реагировать на изменения. Сейчас это еще важнее, чем было недавно

4️⃣ Создал бы небольшие гибкие команды и в каждую команде бы выделил или добавил лидера в AI. Задача этого человека — нести AI знания внутрь своей команды и к каждой новой задаче задавать вопрос — а как мы можем решить ее быстро и с минимальными человекоресурсами

5️⃣ Постоянно проводил бы новые эксперименты и тестировал новые AI решения. И быстро бы интегрировал те решения, которые отлично себя показали

💯 Вывод
AI — это не просто технологический тренд, как блокчейн допустим, а критически важный повод полностью пересмотреть структуру, стратегию и принципы работы вашей компании

Результат, который я перенес из ChatGPT в Miro

📌 Почему это полезно?

Помогает избежать ловушки "продукт без спроса".

Заставляет думать о масштабировании, а не просто о запуске.

Готовит к переговорам с инвесторами

Результат

Вот такой результат у меня получился на выходе, после того, как я ответы модели переложил в Miro

📌 Почему это полезно

Сужает целевую аудиторию → точный маркетинг и правильные решения в продукте.

Фокусирует ценность → продукт решает реальные боли клиентов.

Избегает ошибок → не строим слишком широкий и бесполезный продукт.

Иногда LLM лучше понимаю промпты на английском, поэтому вот его вариант на английском

💬 Prompt

I want to understand the deepest Jobs to be Done (JTBD) for my target users. My product is [describe product] and my audience is [describe ICP].

Break down their JTBD into three categories:

1️⃣ Functional JTBD (What practical task does my product help them complete?)

2️⃣ Emotional JTBD (What emotions does solving this problem trigger for them?)

3️⃣ Social JTBD (How does solving this problem change how they are perceived by others?)

Then, prioritize them based on:

✅ What’s the most painful job?

✅ Where is the highest willingness to pay?

✅ What job still has't great alternative solution?

Результат

Вот такой результат у меня получился на выходе, после того, как я ответы модели переложил в Miro

📌 Почему это полезно

Сужает целевую аудиторию → точный маркетинг и правильные решения в продукте

Фокусирует ценность → продукт решает реальные боли клиентов

Избегает ошибок → не строим слишком широкий и бесполезный продукт

Иногда LLM лучше понимаю промпты на английском, поэтому вот его вариант на английском

💬 Prompt

I’m working on a [product type] that helps [target audience] solve [problem].

Can you help me define my Ideal Customer Profile (ICP) using the Value Proposition Canvas?

Break it down into:

Customer Profile

🎯 Jobs to be Done (JTBD)

⚠️ Pains

💡 Gains

Value Proposition

🛠 Key product features

💊 Pain relievers

🚀 Gain creators

Make sure the ICP is specific and prioritizes the highest-value customers!