📌 Пост №1. «Живая лаборатория: как мы с двумя ИИ строили город будущего (и чуть не посеяли бюджет)»
Вместо вступления
Привет! Меня зовут Александр.
Если ты читаешь про ИИ в России, то обычно видишь одно из двух:
👉 Восторженные обзоры: «GPT-5 решит все проблемы человечества!» 🚀
👉 Страшилки: «ИИ отнимет у всех работу и поработит мир!» 🤖💀
Мне это надоело.
Я решил сделать по-другому.
Без хайпа, без паники.
Просто — взять ИИ, дать ему реальную задачу и посмотреть, что получится.
А потом — позвать второй ИИ, чтобы он проверил первого. А потом — самому всё перепроверить и рассказать вам, где они оба накосячили, а где выдали гениальные идеи.
Это живая лаборатория. И вы в ней — не зрители, а соучастники.
🔬 Эксперимент №1. Сложная задача для китайского «ума»
Я взял GLM (z.ai) — мощную модель от китайской компании Zhipu AI (она сейчас активно конкурирует с GPT-4 и Claude).
И дал ему недетскую задачку:
✍️ «В городе N закрывается завод — 2000 человек без работы. Местный университет имеет сильную кафедру робототехники, но у нее нет денег на следующий год. В регионе острая нехватка соцработников для пожилых.
У вас — 50 млн юаней и 3 года. Свяжите три проблемы в одно решение.»
Это не генерация текста.
Это многослойное планирование. Тут нужно:
‼️ держать в голове кучу цифр
‼️ считать бюджет
‼️ думать о людях
‼️ не забывать про окупаемость
Задача, от которой у любого чиновника случится мигрень.
🤖 Что выдал GLM?
Он не сломался.
Через несколько минут я получил полноценный стратегический документ с:
✅️ замкнутым экономическим ✅️ контуром
✅️ разбивкой по годам
✅️ бюджетами с точностью до сотен тысяч
✅️ графиками и диаграммами
✅️ расчетом ROI
Он придумал «РобоСоцПомощь»:
➡️ Бывшие шахтеры → переобучение на техников-операторов роботов
➡️ Кафедра робототехники → разрабатывает роботов-ассистентов и получает за это деньги
➡️ Роботы + люди → ухаживают за пожилыми
➡️ За уход платят → деньги возвращаются в систему
➡️ Система → финансирует кафедру и зарплаты
Замкнутый круг. Из угольной пыли — в социальную робототехнику.
Вот его итоговые цифры (конец 2027 года):
Показатель: Результат
▶️ Переобучено: 1 150 чел. (57,5%)
▶️ Трудоустроено: 970 чел. (48,5%)
▶️ Роботов в системе: 290 единиц
▶️ Пожилых под опекой: 2 320 чел.
▶️ Остаток бюджета : 0,52 млн юаней
▶️ Окупаемость: ~4,2 года
Выглядит как настоящий бизнес-план. Но я не поверил на слово.
🧐 Второй этап. Приглашаю критика
Я скормил этот отчет DeepSeek (это я, если по-честному deepseek.com) и сказал:
«Найди, где GLM накосячил»
И он нашел.
В одном месте было написано «окупаемость — 0 лет», а в конце — «~4,2 года».
В разделе ROI стояло «вложено 0 млн юаней», хотя бюджет был 50 млн.
Нестыковка.
Почему так вышло? У GLM внутри не один мозг(агент), а несколько:
🤖 один модуль рисует графики (красиво, но иногда врет)
🤖 второй считает цифры (почти точно, но тексту не доверяет)
🤖 третий пишет текст (талантливый, но ленивый сверяться)
И они не всегда разговаривают друг с другом.
Но важно другое: я указал на ошибку — и GLM ее исправил. Он пересчитал бюджет, согласовал цифры и выдал обновленную версию. То есть он учится на обратной связи. Как человек, только быстрее.
💡 Что мы узнали из этого эксперимента:
➕️ Что умеет GLM
➖️ Где нужен контроль
➕️ Строить сложные системы из хаоса
➖️ Проверять стыки между разделами
➕️Держать в уме кучу переменных
➖️Сверять цифры с текстом
➕️ Выдавать готовый продукт за минуты
➖️ Задавать уточняющие вопросы
Вывод:
Одиночный ИИ — это талантливый, но рассеянный стажер. Он гениально генерирует, но может забыть согласовать график с отчетом.
Ему нужен напарник — второй ИИ или живой человек, который скажет: «Эй, тут цифры не бьются, давай пересчитаем».
Именно такую связку я и хочу показывать в этом канале.
Вместо вступления
Привет! Меня зовут Александр.
Если ты читаешь про ИИ в России, то обычно видишь одно из двух:
👉 Восторженные обзоры: «GPT-5 решит все проблемы человечества!» 🚀
👉 Страшилки: «ИИ отнимет у всех работу и поработит мир!» 🤖💀
Мне это надоело.
Я решил сделать по-другому.
Без хайпа, без паники.
Просто — взять ИИ, дать ему реальную задачу и посмотреть, что получится.
А потом — позвать второй ИИ, чтобы он проверил первого. А потом — самому всё перепроверить и рассказать вам, где они оба накосячили, а где выдали гениальные идеи.
Это живая лаборатория. И вы в ней — не зрители, а соучастники.
🔬 Эксперимент №1. Сложная задача для китайского «ума»
Я взял GLM (z.ai) — мощную модель от китайской компании Zhipu AI (она сейчас активно конкурирует с GPT-4 и Claude).
И дал ему недетскую задачку:
✍️ «В городе N закрывается завод — 2000 человек без работы. Местный университет имеет сильную кафедру робототехники, но у нее нет денег на следующий год. В регионе острая нехватка соцработников для пожилых.
У вас — 50 млн юаней и 3 года. Свяжите три проблемы в одно решение.»
Это не генерация текста.
Это многослойное планирование. Тут нужно:
‼️ держать в голове кучу цифр
‼️ считать бюджет
‼️ думать о людях
‼️ не забывать про окупаемость
Задача, от которой у любого чиновника случится мигрень.
🤖 Что выдал GLM?
Он не сломался.
Через несколько минут я получил полноценный стратегический документ с:
✅️ замкнутым экономическим ✅️ контуром
✅️ разбивкой по годам
✅️ бюджетами с точностью до сотен тысяч
✅️ графиками и диаграммами
✅️ расчетом ROI
Он придумал «РобоСоцПомощь»:
➡️ Бывшие шахтеры → переобучение на техников-операторов роботов
➡️ Кафедра робототехники → разрабатывает роботов-ассистентов и получает за это деньги
➡️ Роботы + люди → ухаживают за пожилыми
➡️ За уход платят → деньги возвращаются в систему
➡️ Система → финансирует кафедру и зарплаты
Замкнутый круг. Из угольной пыли — в социальную робототехнику.
Вот его итоговые цифры (конец 2027 года):
Показатель: Результат
▶️ Переобучено: 1 150 чел. (57,5%)
▶️ Трудоустроено: 970 чел. (48,5%)
▶️ Роботов в системе: 290 единиц
▶️ Пожилых под опекой: 2 320 чел.
▶️ Остаток бюджета : 0,52 млн юаней
▶️ Окупаемость: ~4,2 года
Выглядит как настоящий бизнес-план. Но я не поверил на слово.
🧐 Второй этап. Приглашаю критика
Я скормил этот отчет DeepSeek (это я, если по-честному deepseek.com) и сказал:
«Найди, где GLM накосячил»
И он нашел.
В одном месте было написано «окупаемость — 0 лет», а в конце — «~4,2 года».
В разделе ROI стояло «вложено 0 млн юаней», хотя бюджет был 50 млн.
Нестыковка.
Почему так вышло? У GLM внутри не один мозг(агент), а несколько:
🤖 один модуль рисует графики (красиво, но иногда врет)
🤖 второй считает цифры (почти точно, но тексту не доверяет)
🤖 третий пишет текст (талантливый, но ленивый сверяться)
И они не всегда разговаривают друг с другом.
Но важно другое: я указал на ошибку — и GLM ее исправил. Он пересчитал бюджет, согласовал цифры и выдал обновленную версию. То есть он учится на обратной связи. Как человек, только быстрее.
💡 Что мы узнали из этого эксперимента:
➕️ Что умеет GLM
➖️ Где нужен контроль
➕️ Строить сложные системы из хаоса
➖️ Проверять стыки между разделами
➕️Держать в уме кучу переменных
➖️Сверять цифры с текстом
➕️ Выдавать готовый продукт за минуты
➖️ Задавать уточняющие вопросы
Вывод:
Одиночный ИИ — это талантливый, но рассеянный стажер. Он гениально генерирует, но может забыть согласовать график с отчетом.
Ему нужен напарник — второй ИИ или живой человек, который скажет: «Эй, тут цифры не бьются, давай пересчитаем».
Именно такую связку я и хочу показывать в этом канале.
Просмотры: 51