Стеклянный фасад Apple: почему новый дизайн iOS 26 и macOS — красивая ошибка

Apple на WWDC 2025 представила радикальный редизайн Liquid Glass. Разбираемся, почему эта красивая концепция может стать провалом с точки зрения юзабилити и доступности, анализируем реакцию сообщества и вспоминаем, почему мы уже видели нечто подобное (и это плохо кончилось).

https://telegra.ph/Steklyannyj-fasad-Apple-pochemu-novyj-dizajn-iOS-26-i-macOS--krasivaya-oshibka-06-15

https://gotacat.dev/ru/blog/apple-wwdc-2025-liquid-glass-usability-issues

Иллюзия мышления: Почему «думающие» модели на самом деле не думают (и что об этом говорит новое исследование Apple)

Новое исследование Apple шокирует: «рассуждающие» нейросети лишь имитируют мышление, проваливаясь на сложных задачах. Но Anthropic в ответ заявляет, что проблема не в ИИ, а в некорректных тестах. Разбираемся в главном споре о возможностях современных языковых моделей.

https://telegra.ph/Illyuziya-myshleniya-Pochemu-dumayushchie-modeli-na-samom-dele-ne-dumayut-i-chto-ob-ehtom-govorit-novoe-issledovanie-Apple-06-17

https://gotacat.dev/ru/blog/illusion-of-ai-thinking-apple-anthropic-debate

Привет! 👋 В первую очередь хочу сказать спасибо всем, кто подписывается!

Я заметил одну интересную вещь. Про искусственный интеллект сегодня говорят буквально из каждого утюга: нейросети, ChatGPT, роботы, которые вот-вот отнимут у нас работу... Шум стоит невероятный. Но когда я смотрю на реальное положение дел, я вижу огромный разрыв между этим хайпом и тем, как люди на самом деле пользуются технологией.

Многие либо вообще не пробовали, либо попробовали раз, получили странный результат и решили: «Ерунда какая-то, не работает» 🤷‍♀️. Возникает парадокс: технология у всех на слуху, но мало кто понимает, как она устроена, где её границы и, главное, как заставить её приносить реальную пользу.

Мне хочется это исправить. Превратить страх и непонимание в осмысленный инструмент. Поэтому я набросал небольшой план — своего рода дорожную карту, по которой мы вместе сможем пройти, чтобы расставить всё по полочкам. Я хочу не просто рассказывать, а отвечать на ваши реальные боли и вопросы.

Вот как я это вижу:

Шаг 1: Снимем маску с AI. Что это такое на самом деле? 🎭

Прежде чем пытаться что-то использовать, надо понять, что это. Все эти страхи про Скайнет и восстание машин возникают от непонимания. Мы начнем с самого простого. Я хочу на пальцах, без сложной математики, объяснить, что современный AI — это не мыслящий супермозг, а, скорее, калькулятор на стероидах 💪. Невероятно мощная система по поиску закономерностей.

А еще поговорим о том, что AI — это не только чат-боты. Вы уже давно с ним сталкиваетесь каждый день: когда Кинопоиск подсовывает вам сериал, который вы потом смотрите запоем, когда навигатор в обход пробок строит маршрут, или когда камера смартфона делает из вашего кривого снимка почти шедевр.

Шаг 2: Научимся говорить с машиной. Искусство правильного запроса. ✍️

Это, пожалуй, главный камень преткновения. Многие пробуют дать AI команду в духе «напиши мне статью», получают бред и разочаровываются. Здесь работает золотое правило: «мусор на входе — мусор на выходе». Качество результата напрямую зависит от качества вашего запроса. Мы разберем, почему так важен контекст, четкость и пошаговые инструкции.

И, конечно, обсудим «галлюцинации» 😵. Почему AI иногда так уверенно врет? Я люблю аналогию со «слишком усердным стажером»: он скорее придумает ответ, чем признается, что чего-то не знает. Мы научимся это контролировать, проверять факты и даже использовать эту «креативность» себе во благо.

Шаг 3: Превратим AI в личного помощника. От теории к практике. 🚀

Когда мы поймем, что это и как с этим говорить, наступит самое интересное — встраивание технологии в жизнь. Я хочу показать на конкретных примерах, как делегировать AI рутину, которая съедает ваше время и силы.

Например, как за 30 минут спланировать отпуск ✈️: составить маршрут, найти нетуристические места, рассчитать бюджет и даже получить список вещей, которые нужно взять с собой.
Или как использовать AI в качестве бесконечного партнера для мозгового штурма 🧠, который поможет побороть «синдром чистого листа», придумать идеи для работы или хобби и разложить их по полочкам.

———

А теперь — самое главное 👇

Этот план — не догма, а отправная точка для нашего с вами диалога. Чтобы сделать эти материалы максимально полезными, мне нужна ваша помощь.

Расскажите в комментариях:

🤔 Что вас больше всего смущает или отталкивает в AI? С какими трудностями вы столкнулись?

💻 Вы уже пробовали использовать нейросети для каких-то задач? Что получилось, а что нет? Поделитесь своим опытом — удачным или провальным, любой важен.

🎯 Какие задачи (рабочие или бытовые) вы бы хотели научиться решать с помощью нейросетей?

Давайте вместе превратим эти «галлюцинации» в контролируемый и полезный инструмент. Жду ваших историй и вопросов! 💬

Первая статья серии выйдет уже завтра, во вторник 😎

Что такое «искусственный интеллект» на самом деле (и чем он точно не является)

Запутались в хайпе вокруг ИИ? Эта статья без сложного жаргона объясняет, что такое искусственный интеллект на самом деле, чем он отличается от автоматизации и почему Терминатор пока не грозит. Развеиваем главные мифы и учимся трезво оценивать новые технологии.

https://telegra.ph/CHto-takoe-iskusstvennyj-intellekt-na-samom-dele-i-chem-on-tochno-ne-yavlyaetsya-06-23

https://gotacat.dev/ru/blog/artificial-intelligence-explained-myths-reality

Друзья, небольшой апдейт! 📢

Я знаю, что мои лонгриды требуют времени, а его не всегда хватает. Часто хочется быстро понять суть, а уже потом решать, стоит ли погружаться в чтение.

Поэтому теперь у каждой большой статьи будет короткая аудиоверсия-саммари. 🎧

Это как трейлер к фильму: за 1-2 минуты вы сможете послушать главные мысли поста и решить, хотите ли нырнуть в тему с головой. Идеально, если вы за рулем, на прогулке или просто нет возможности читать.

Надеюсь, новый формат будет вам полезен! Дайте знать, как вам идея.

Братья Запашные (Эдгард, Аскольд и Проскольд) записали для нас ролик

Китайские исследователи в очередной раз взломали главный закон, тормозящий развитие LLM 🤯

Во вторник разберем архитектуру MiniMax-M1, которая позволяет моделям по-настоящему долго думать и работать с гигантскими объёмами данных.

MiniMax-M1: Разбираем архитектуру, ломающую законы масштабирования (и наш VRAM)

Мы все привыкли к гонке вооружений в мире больших языковых моделей. Больше параметров, больше данных, больше затрат. Но вся эта гонка упирается в фундаментальную стену — тиранию квадратичной сложности. Это когда каждый новый токен в контексте делает следующий шаг вычислений всё более дорогим.

И вот, на фоне этого, появляется модель MiniMax-M1, которая, кажется, ломает правила. Заявленные характеристики впечатляют: нативная поддержка одного миллиона токенов на входе, способность генерировать цепочки рассуждений длиной до 80 000 токенов на выходе, и всё это при потреблении всего 25% вычислительных мощностей по сравнению с аналогами. А самое интригующее — экономика. Обучение M1 обошлось примерно в 534 тысячи долларов, в то время как затраты на сопоставимые модели оцениваются в миллионы. Как им это удалось?

Вся магия кроется в гибридной архитектуре. Вместо того чтобы полностью полагаться на классическое, но прожорливое Softmax-внимание, где каждый токен «общается» с каждым, они сделали ставку на прагматичный компромисс. Основу модели составляют блоки с так называемым линейным вниманием — в реализации Lightning Attention. Оно гораздо эффективнее, но может упускать сложные, глобальные зависимости. И вот здесь кроется ключевое инженерное решение: на каждые семь блоков с эффективным линейным вниманием приходится один блок с классическим, мощным Softmax-вниманием. Это как иметь сверхсветовой двигатель для дальних перелетов, но включать точные маневровые двигатели для парковки на орбите. Добавьте к этому архитектуру Mixture-of-Experts, где из 456 миллиардов общих параметров в каждый момент времени активны только 45.9 миллиарда, и мы получаем монстра, который с одной стороны огромен, а с другой — удивительно эффективен.

Но хитрая архитектура — это полдела. Команда столкнулась с тем, что стандартные методы обучения, вроде PPO, фактически наказывали модель за открытие новых путей рассуждения. Когда модель генерировала редкие, но полезные «рефлексивные» токены вроде «Так, подумаем...», алгоритм видел их как аномалию и срезал их вклад в обучение. Решением стал их собственный алгоритм — CISPO. Он не обнуляет градиент для таких «неожиданных» токенов, а лишь мягко его ограничивает, позволяя модели учиться гораздо эффективнее.

Конечно, не обошлось без инженерных траншей. Команда столкнулась с рассинхроном точности вычислений, который пришлось лечить переводом ключевого слоя в FP32. Они боролись с патологическими циклами повторений, внедрив эвристику, которая останавливает генерацию, если модель становится слишком уверенной в своих токенах. И им пришлось ювелирно настраивать оптимизатор AdamW, потому что стандартные параметры просто не работали с их нестандартной архитектурой.

Так что же в итоге? MiniMax-M1 — это не универсальный солдат, а блестящий, хоть и неидеальный, специалист. Она блистает там, где нужна её главная суперспособность: длинные рассуждения, анализ кода и работа с гигантскими документами. В этих задачах она обходит даже более именитых конкурентов. Однако, если попросить её быстро ответить на простой фактический вопрос или написать креативный текст, она вас, скорее всего, разочарует — её ответы часто называют «роботизированными». Модель очень требовательна к видеопамяти и пока не имеет удобных форматов для локального запуска вроде GGUF.

Главный вывод из этой истории — эра бездумного масштабирования, возможно, подходит к концу. MiniMax-M1 доказывает, что архитектурная изобретательность может быть важнее грубой силы. Это предвестник будущего, где у нас будет не одна гигантская модель на все случаи жизни, а набор эффективных и экономичных специалистов для конкретных задач.

Как всегда, все графики, сравнения, фрагменты кода и технические подробности ждут вас в полной текстовой версии статьи здесь или на сайте.