# Lindy Teammate: Flo Crivello on Multiplayer Agents, Memory & Why He'd Ban the Chinese Models He Uses Источник: https://www.youtube.com/watch?v=4JYoTE_VKaU Канал: The Cognitive Revolution Опубликовано: 10.08.2026 --- Если бы Джон фон Нейман магическим образом появился в современном офисе, он оказался бы менее полезен в первый час, чем рядовой сотрудник — просто потому, что у него нет корпоративного контекста. Решить эту проблему призваны ИИ-агенты нового поколения, которые вместо традиционного RAG используют автономную память, Git-структуры и экономичные китайские модели. Эпоха «кентавров», где люди и алгоритмы работают рука об руку, стремительно уходит в прошлое: полная автоматизация уже переписывает экономику стартапов. --- { "title_candidates": [ "Смерть эпохи кентавров: как ИИ-сотрудники заменяют инженеров", "Конец синергии: почему полная автоматизация выгоднее гибридного ИИ", "От памяти агентов до DeepSeek: изнанка новой экономики токенов" ], "title": "Смерть эпохи кентавров: как ИИ-сотрудники заменяют инженеров", "category": "Искусственный интеллект", "keywords": [ "Фло Кривелло", "Lindy", "DeepSeek", "ИИ-агенты", "Нейтан Лабенц" ], "tldr": [ "ИИ-сотрудники в Slack используют автономное управление памятью вместо RAG.", "Производительность компании Lindy выросла в три раза без увеличения штата.", "Переход на модели DeepSeek сократил расходы на инференс в сто раз.", "Концепция гибридных команд-кентавров признана временным этапом." ], "speakers": [ { "name": "Фло Кривелло", "role": "Основатель Lindy" }, { "name": "Нейтан Лабенц", "role": "Ведущий подкаста" } ], "books": [], "films": [], "quotes": [ { "text": "Если бы Джон фон Нейман магическим образом появился у вас в офисе, он был бы менее полезен в первый час, чем ваш обычный коллега, потому что у него нет контекста.", "speaker": "Фло Кривелло", "time": "06:51" }, { "text": "Я очень скептически настроен по отношению к RAG и верю в агентский подход к управлению памятью.", "speaker": "Фло Кривелло", "time": "11:37" }, { "text": "Наши инженеры больше не рецензируют код — они стали «рецензентами рецензентов», проверяя работу машин.", "speaker": "Фло Кривелло", "time": "56:21" }, { "text": "Называть ИИ «сотрудником» — это как называть первые автомобили «безлошадными экипажами». Это попытка описать новую парадигму терминами старой.", "speaker": "Фло Кривелло", "time": "1:10:25" }, { "text": "Эти модели в конечном итоге станут величайшим инструментом иностранной пропаганды на американской земле.", "speaker": "Фло Кривелло", "time": "1:43:28" } ], "mentioned_urls": [ { "url": "aipodcast.ing", "context": "Сервис для автоматизации постобработки подкастов" } ], "glossary": [ { "term": "RAG", "definition": "Retrieval-Augmented Generation, метод генерации с дополненным извлечением данных, от которого автор предлагает отказаться в пользу агентской памяти." }, { "term": "TUNE", "definition": "Специальный формат данных, экономящий до 30% токенов по сравнению с JSON." }, { "term": "GPAM", "definition": "Система автоматической оптимизации промптов для работы с новыми версиями языковых моделей." } ] } ## 🤖 Lindy Teammate: Эволюция ИИ от личного помощника к полноценному сотруднику [[JUMP:04:02]] ### Запуск Lindy Teammate: ИИ-сотрудник внутри Slack [[JUMP:04:02]] Фло Кривелло (Flo Crivello) представляет новый этап развития своего продукта — **Lindy Teammate**. Если раньше Lindy воспринималась скорее как инструмент для автоматизации рабочих процессов в духе «умного Zapier» [03:36], то теперь она трансформировалась в полноценного ИИ-сотрудника, который интегрируется прямо в рабочее пространство команды в Slack [04:02]. Основная идея заключается в переходе от «однопользовательского» ИИ к «многопользовательскому» (multiplayer) опыту [04:27]. Фло сравнивает этот переход с эволюцией офисного ПО: раньше люди пересылали друг другу файлы Word по почте, а затем появились Google Docs, где работа стала совместной и прозрачной [04:40]. В современной компании Slack — это место, где происходит всё взаимодействие, и если ИИ-агент не присутствует там, он выпадает из рабочего ритма [04:53]. Вместо того чтобы «выходить из комнаты» для общения с ChatGPT, команда теперь может взаимодействовать с общим агентом, который обладает единым контекстом для всех участников процесса [05:06]. Нейтан Лабенц (Nathan Labenz) отмечает, что это ставит перед разработчиками новые вызовы, связанные с приватностью и процедурой онбординга [05:31]. ### Контекст против интеллекта: система «гидратации» данных [[JUMP:06:24]] В обсуждении эффективности ИИ Фло Кривелло выдвигает тезис о том, что по мере приближения к AGI чистый «интеллект» модели становится менее значимым фактором, чем «контекст» [06:24]. Он приводит в пример Джона фон Неймана: если бы один из величайших умов в истории внезапно появился в вашем офисе, в первый час он был бы менее полезен, чем рядовой коллега, просто потому что у него нет контекста ваших задач [06:51]. Чтобы решить проблему нехватки знаний, в Lindy разработали систему «гидратации» (hydration system) [07:59]. Она работает следующим образом: * Агент подключается к корпоративным базам знаний (Notion, Google Docs, Confluence), но основным источником правды становится Slack [08:12]. * Lindy сканирует историю переписки и строит сложный граф знаний на основе файловой системы [08:24]. * Процесс обучения начинается мгновенно: уже через 10 секунд после подключения агент начинает выдавать первые инсайты о том, что он узнал о компании и пользователе [08:37]. Фло подчёркивает, что ИИ справляется с онбордингом лучше людей, так как письменная документация (вики) часто устаревает в момент написания, а агенты способны извлекать актуальные знания из «хаоса» Slack-каналов [07:32]. ### Агентное управление памятью вместо классического RAG [[JUMP:11:37]] Одним из самых смелых технических заявлений Фло Кривелло становится его скепсис в отношении стандартного RAG (Retrieval-Augmented Generation) [11:37]. Вместо классического поиска по базе знаний Lindy использует **агентное управление памятью** [11:37]. Это означает наличие отдельного «агента памяти» (memory agent), который обладает собственной «мета-памятью» о том, как именно нужно структурировать информацию об организации [11:51]. Этот агент работает непрерывно в фоновом режиме (Фло называет это «napping, not sleeping» — дремота, а не сон), обновляя данные каждые 15 минут [09:28]. Такой подход позволяет системе: 1. **Самообучаться фильтрации шума:** агент со временем понимает, что каналы с техническими логами бесполезны, и перестаёт тратить на них ресурсы [12:44]. 2. **Работать с совещаниями как с приоритетными данными:** Фло считает встречи «гражданами первого класса» в системе знаний, так как именно там сосредоточено 90% актуальной информации о проектах и отношениях в команде [13:11]. 3. **Обеспечивать согласованность:** в отличие от обычных чат-ботов, от ИИ-сотрудника требуется высокий уровень когерентности на протяжении месяцев работы [22:58]. Фло отмечает, что управление памятью, объём которой достигает миллионов токенов на пользователя, является сложнейшей инженерной задачей [23:13]. По его словам, многие решения, которые они внедрили, позже появляются в виде громких научных статей от топовых лабораторий [23:37]. ### Приватность и новый социальный контракт в команде [[JUMP:14:56]] Внедрение ИИ, который «слышит всё», поднимает острые вопросы приватности. Нейтан Лабенц делится своим опытом: некоторые данные в его личной базе знаний носят конфиденциальный характер и не должны быть доступны агенту, работающему на всю команду [15:08]. Фло признаёт, что внутри команды Lindy на этот счёт велись жаркие споры [16:52]. В итоге они пришли к модели двух уровней памяти: публичного (командного) и приватного (личного) [17:04]. Однако вместо жёсткого кода для разграничения прав доступа Lindy использует промпты и текстовые файлы [17:44]. Пользователь может открыть свой файл `memory.md` и просто дописать в него инструкции на естественном языке: «Никогда не запоминай информацию из этой папки» или «Используй эти данные только в случае X» [17:57]. Фло аргументирует пользу такого подхода: * **Прозрачность:** память можно проинспектировать и отредактировать вручную как обычный текстовый файл [18:22]. * **Гибкость:** можно создать «санированную» версию памяти (например, `memory2.md`) для демонстраций или специфических задач [19:14]. * **Доверие:** инструкции (guardrails) внедряются непосредственно в контекстное окно агента памяти, что обеспечивает их исполнение по мере того, как модели становятся всё лучше в следовании промптам [18:48]. Ранее в разговоре Фло упоминал, что в будущем роль человека может свестись к внесению шума в оптимизированные системы, но пока мы находимся в «эпохе Кентавров», где социальный контракт между ИИ и людьми только формируется [01:18]. ## 🧠 Масштабирование памяти: от «пещерного человека» до древовидных структур [[JUMP:25:09]] Когда ИИ-агент перестает быть просто чат-ботом и превращается в полноценного «сотрудника» (Lindy Teammate), объем обрабатываемой информации возрастает на порядки. Это ставит перед разработчиками две критические проблемы: запредельную стоимость токенов и необходимость мгновенного доступа к гигантским массивам данных. В этой части разговора **Фло Кривелло (Flo Crivello)** раскрывает внутреннюю кухню оптимизации контекста, объясняя, почему современные ИИ-стартапы вынуждены временно работать с отрицательной маржой и как алгоритмы из классических учебников по CS внезапно стали ключом к созданию «божественной памяти» агентов. ### Экономика токенов: кэширование и субсидирование [[JUMP:25:09]] Переход от простых задач персонального ассистента к сложным операциям уровня полноценного ИИ-сотрудника резко изменил экономику продукта. **Фло Кривелло** признает, что на текущем этапе компания фактически субсидирует использование Lindy для своих клиентов [26:14]. Если раньше для базовых задач вроде планирования встреч хватало легких моделей (таких как DeepSeek Flash), то теперь пользователи доверяют агентам гораздо более тяжелые и контекстно-зависимые процессы [26:40]. Это вернуло компанию в зону «отрицательной валовой маржи», что Фло считает оправданным риском ради создания продукта следующего поколения [26:54]. Ключевым инструментом выживания в таких условиях становится агрессивное кэширование. * В Lindy уровень кэширования контекста достигает 85% [27:19]. * Система крайне чувствительна: любое незначительное изменение в коде может обрушить этот показатель с 85% до 65%, что фактически удваивает расходы на токены [27:33]. * Для управления огромными объемами входящих данных (до 100 000 токенов на одно действие) используются «контекстные корзины» (context buckets) — субагенты, которые хранят в себе сырые данные и выдают основному агенту лишь краткое резюме [28:26]. Такой подход позволяет основному агенту взаимодействовать с огромными пластами информации через диалог с субагентом, используя Unix-утилиты для манипуляции данными, что существенно экономит бюджет токенов [28:38]. ### Древовидные структуры данных для управления контекстом [[JUMP:30:00]] Одной из самых элегантных находок команды Lindy стало применение классических алгоритмов информатики для решения проблемы «бесконечного» контекста. Когда история взаимодействий и объем корпоративных данных (Slack, Notion) превышают лимиты модели, возникает необходимость в рекурсивном сжатии. Однако простая линейная вложенность (эффект «матрешки») делает доступ к старым данным слишком медленным и дорогим, увеличивая вычислительную сложность до O(n) [30:20]. Для решения этой задачи Lindy использует самобалансирующиеся деревья [31:50]: 1. **AVL-деревья и красно-черные деревья:** Фло отмечает, что хотя AVL-деревья обеспечивают минимальную высоту дерева, в архитектуре агентов лучше показывают себя красно-черные деревья, так как они требуют меньше затрат на перебалансировку, которая при работе с LLM обходится очень дорого из-за необходимости регенерации контекстных пакетов [32:16]. 2. **Centary-деревья:** Команда пошла еще дальше, внедрив структуру, где каждый узел имеет до 100 дочерних узлов [32:30]. Благодаря этой структуре агент может получить доступ к любой точке из массива в **2 миллиарда токенов** всего за два прыжка (два вызова LLM) [33:02]. Это создает эффект «идеальной памяти»: ИИ-сотрудник мгновенно находит детали разговора пятилетней давности или специфический документ в недрах корпоративного хранилища [33:09]. Как отмечает Фло, для команды из 20 человек весь объем истории Slack обычно укладывается в 3–5 миллионов токенов, так что лимит в 2 миллиарда дает колоссальный запас для масштабирования [34:26]. ### Методы сжатия данных: Caveman и формат TUNE [[JUMP:41:00]] Помимо структурных изменений, Lindy экспериментирует с лингвистическим сжатием. Один из обсуждаемых методов — **Caveman** («пещерный человек») [43:56]. Суть проста: текст переписывается в максимально упрощенном стиле (например, «Нейтан не любить буррито»), что позволяет сократить потребление токенов на 20-30% без потери смысла для модели [44:09]. Несмотря на высокую эффективность, Фло решил не внедрять этот метод повсеместно, чтобы сохранить «читаемость» и возможность аудита системы корпоративными клиентами [44:23]. Вместо этого компания сфокусировалась на замене стандартного формата JSON на **TUNE** (Token Oriented Object Notation) [44:49]. * TUNE на 20-30% эффективнее JSON по количеству токенов [44:49]. * Агенты, как ни странно, чувствуют себя более уверенно с TUNE и YAML, чем с перегруженным синтаксическим «шумом» JSON, несмотря на то что последний доминирует в обучающих выборках [45:30]. Также важную роль играет «агент памяти» (Librarian), который работает в фоновом режиме: он анализирует логи запросов и, когда система «спит», перестраивает структуру памяти, чтобы сократить количество «хопов» для наиболее часто запрашиваемой информации [43:17]. ### Риски антропоморфизма в мультиагентных системах [[JUMP:46:25]] В завершение главы **Фло Кривелло** предостерегает от излишнего антропоморфизма при проектировании систем. По его мнению, разработчики часто совершают ошибку, копируя структуру человеческих организаций [47:17]. Создание отдельных агентов для ролей «дизайнера», «инженера» или «менеджера проектов» зачастую является избыточным [47:30]. Человечество пришло к разделению труда из-за биологических ограничений: у нас всего 24 часа в сутках и ограниченный объем рабочей памяти [47:44]. У ИИ этих ограничений нет. Фло выступает за консолидацию функций в рамках одного мощного агента везде, где это возможно [46:51]. Однако параллельная работа нескольких агентов все же неизбежна. Для синхронизации их действий Lindy использует файловую систему, построенную на базе **Git** [49:16]. Это позволяет эффективно решать конфликты при одновременном редактировании данных (merge conflicts) и дает «историю изменений» бесплатно [49:28]. В частности, используется решение от компании **Mesa**, предоставляющее агентно-ориентированную файловую систему с поддержкой Git-репозиториев [50:20]. ## 🛠️ Инфраструктура и жизнь внутри ИИ-лаборатории: когда агенты строят агентов [[JUMP:50:20]] ### Стек для разработки агентов: покупай, а не строй (кроме исключений) [[JUMP:50:20]] Фло Кривелло (Flo Crivello) признается, что его взгляды на разработку инфраструктуры кардинально изменились: если раньше в индустрии доминировал подход «напиши сам», то сегодня он стал ярым сторонником покупки готовых решений [50:46]. Разработка файловых систем или песочниц для исполнения кода таит в себе глубину и количество нюансов, которые сложно оценить на старте [50:33]. Для работы Lindy команда использует **E2B** в качестве песочницы для исполнения кода и рекомендует использовать **Mesa** для управления файловыми системами, подчеркивая важность их разделения при масштабировании [51:23]. Единственным крупным исключением из правила «покупай, а не строй» в Lindy стали платформы для оценки (evals) и мониторинга (observability) [51:36]. Поскольку компания была основана еще в 2022 году, когда индустрия агентов находилась в зачаточном состоянии, готового инструментария уровня LangSmith или Braintrust просто не существовало [51:49]. В итоге Lindy создала собственную платформу для эвалов, над которой сегодня на полную ставку работает выделенный инженер [52:53]. По словам Кривелло, их внутреннее решение достигло функционального паритета с рыночными аналогами и даже превосходит их в специфических аспектах работы агентного скаффолдинга [53:07]. ### Трансформация Lindy: жизнь внутри ИИ-компании [[JUMP:53:20]] Внутри Lindy концепция «dogfooding» (использование собственного продукта) доведена до абсолюта. Фло Кривелло отмечает, что благодаря агентам компания движется «со скоростью мысли»: идея, возникшая утром, может быть реализована и выкачена в продакшен уже через два часа [55:06]. Внутренний Slack компании на 50% состоит из сообщений, которыми обмениваются люди и ИИ-агенты [55:19]. Это привело к взрывному росту продуктивности: за последние три месяца количество пул-реквестов (PR) и объем кода в них утроились [56:09]. Процессы в компании изменились качественно: * **Рецензирование кода:** Инженеры больше не проверяют PR вручную. Этим занимаются агенты. Люди теперь выступают в роли «рецензентов для рецензентов» [56:21]. * **Оптимизация CI/CD:** Когда затраты на инфраструктуру и время сборки (CI) стали критическими, проблему решил агент [57:27]. Lindy Teammate получил доступ к GCP и GitHub, проанализировал пайплайны и самостоятельно оптимизировал их, ежедневно присылая отчеты со сгенерированными графиками снижения издержек [58:18]. * **Экономика:** Штат компании остается стабильным (headcount flat), в то время как производительность выросла в три раза [59:48]. Кривелло прогнозирует, что через 3-6 месяцев расходы Lindy на инференс (запуск моделей) внутри компании превысят расходы на выплату зарплат сотрудникам [1:00:40]. ### Проблема «автомойки»: спорадичность интеллекта ИИ [[JUMP:1:00:00]] Несмотря на впечатляющие успехи, Фло Кривелло предостерегает от иллюзии полной автономности ИИ. Он называет современный интеллект «пятнистым» или «спорадическим» (spiky) [1:01:45]. Модели демонстрируют способности уровня ASI (искусственного сверхинтеллекта) в написании 50 000 строк кода, но в то же время могут совершать абсурдно глупые ошибки в простейших логических задачах [1:01:59]. Фло приводит ироничный пример: агент может спроектировать сложнейшую систему, но внезапно предложить «отвести машину на автомойку», когда это не имеет никакого смысла в контексте задачи [1:02:13]. Эта спорадичность создает главную проблему управления — ИИ не знает, когда он ошибается, и не понимает, в какой момент ему нужно позвать человека [1:03:05]. Современная работа в ИИ-компании напоминает ношение «костюма Железного человека»: нужно постоянно калибровать слайдер между автономией машины и вмешательством человека, чтобы не тратить внимание людей на рутину, но и не позволить ИИ совершить катастрофическую глупость [1:02:39]. ### Конец эпохи Кентавра: человек как источник шума [[JUMP:1:03:40]] Нейтан Лабенц (Nathan Labenz) и Фло Кривелло обсуждают популярный миф о «кентаврах» — гипотезу, что связка «человек + ИИ» всегда будет эффективнее, чем чистый ИИ [1:04:23]. Кривелло считает это опасным заблуждением, которое история уже опровергла на примере шахмат и других игр [1:04:49]. На определенном этапе вмешательство человека перестает добавлять ценность и начинает вносить «рандомный шум», снижая эффективность системы [1:05:03]. Мы находимся в переходной фазе, которую Фло сравнивает с эпохой «безлошадных экипажей» [1:10:25]. Называть ИИ-систему «сотрудником» (AI employee) — это такой же анахронизм, как первые телепередачи, которые были просто заснятыми на камеру радиоспектаклями [1:11:31]. 1. **Скевоморфизм:** Мы пытаемся втиснуть ИИ в привычные человеческие роли, хотя ИИ-организация будущего должна выглядеть иначе [1:09:34]. 2. **Мультиплеер:** Важна не просто модель, а «агент в комнате» [1:05:28]. В Lindy предпочитают общаться в Slack, а не на созвонах, именно потому, что там агент обладает всей полнотой контекста и истории компании [1:05:54]. 3. **Теория «M»:** Ссылаясь на книгу Робина Хансона «Age of Em», Кривелло рассуждает о том, что native-ИИ организации будут использовать такие приемы, как «расщепление» (splitting) агентов для масштабирования, что невозможно для людей [1:13:43]. В конечном счете, человек станет не соавтором каждой строчки, а «членом совета директоров», который лишь задает высокоуровневую стратегию и наблюдает за тем, как машина управляет машиной [59:24]. ## 🤖 Экономика интеллекта: DeepSeek, валидаторы и автоматизация промптов [[JUMP:1:15:29]] Вопрос выбора базовой модели для ИИ-агентов перестал быть только вопросом «кто умнее». Сегодня это уравнение, в котором стоимость токена и скорость инференса играют не меньшую роль, чем баллы в бенчмарках. Фло Кривелло (Flo Crivello) признает, что современный стек Lindy во многом опирается на решения, которые еще год назад казались экзотикой [1:18:16]. ### Переход на DeepSeek: когда качество встречается с демпингом [[JUMP:1:19:26]] Одним из самых заметных изменений в стратегии Lindy стал массовый переход на китайские модели, в частности на **DeepSeek Flash**. Фло Кривелло называет эту модель «практически бесплатной» [1:19:26]. Несмотря на то, что топовые западные модели вроде Claude 3.5 Sonnet или GPT-4o по-прежнему показывают выдающиеся результаты, разрыв в цене становится критическим фактором для масштабирования агентных систем [1:20:08]. По оценке Фло, DeepSeek Flash сопоставим по уровню возможностей с моделями уровня GPT-4o, но при этом обходится в 100 раз дешевле [1:20:36]. Даже с учетом того, что сторонние провайдеры инференса могут быть менее эффективны в кэшировании (которого ранее в разговоре они касались как ключевого метода экономии), итоговая выгода остается колоссальной — использование DeepSeek может быть в 50 раз выгоднее западных аналогов [1:20:50]. Для компании, эксплуатирующей тысячи агентов, это разница между счетом в $1 000 и $50 000 в месяц [1:20:50]. Тем не менее, Фло отмечает «неровность» (spikiness) китайских моделей: иногда им требуется больше итераций, чтобы прийти к верному решению, что делает их чуть медленнее в реальном времени, но всё же экономически оправданными [1:29:09]. Сейчас DeepSeek является основной «рабочей лошадкой» (main driver) для большинства задач внутри Lindy по умолчанию [1:27:51]. ### Совет судей: модульные валидаторы как щит от галлюцинаций [[JUMP:1:22:30]] Чтобы использовать дешевые модели без потери качества, Lindy внедрила многоуровневую систему валидации. Фло считает это «самым низковисящим фруктом» для любого разработчика ИИ-агентов: простое добавление этапа «Ты уверен?» перед выполнением действия уже значительно повышает надежность системы [1:23:14]. В Lindy архитектура валидаторов построена следующим образом: * **AI-судьи:** Перед тем как агент совершит действие, оно перехватывается валидатором. Инструкция (промпт) для такого «судьи» может достигать 10 000 токенов и включать в себя подробнейшие чек-листы [1:23:40]. * **Детерминированные проверки:** Некоторые вещи слишком важны, чтобы доверять их вероятностной природе LLM. Например, модели часто ошибаются в датах ровно на один день [1:24:17]. Для решения этой проблемы в Lindy заставляют агента всегда указывать день недели (например, «вторник, 28 июля»), а затем детерминированный валидатор на базе регулярных выражений (regex) проверяет соответствие даты и дня недели [1:25:12]. * **Федеративная структура:** Система использует подход `promise.all` с таймаутом [1:24:32]. Несколько валидаторов анализируют действие одновременно, и если кто-то из них находит ошибку или не успевает ответить, действие может быть заблокировано или отправлено на повторную итерацию [1:24:46]. Фло подчеркивает важность использования одной и той же модели для агента и его валидатора ради сохранения кэша [1:25:25]. Чтобы валидатор не «сломал» контекст, в его инструментарий включают те же функции, что и у основного агента, но с запретом на их вызов [1:26:04]. ### GPAM: автоматическая перенастройка под новые модели [[JUMP:1:31:19]] Каждое обновление базовой модели (например, выход новой версии Claude или GPT) часто требует переписывания системных инструкций, так как модели по-разному интерпретируют одни и те же промпты [1:30:14]. Чтобы не делать это вручную, команда Lindy разработала внутренний инструмент **GPAM** (Generative Pareto Frontier) — цикл самооптимизации промптов [1:31:19]. Процесс выглядит так: 1. У Lindy есть база из более чем 1 000 тестовых сценариев (evals) [1:31:31]. 2. Специальный агент-оптимизатор вносит правки в системный промпт, пытаясь максимизировать общую оценку по тестам [1:31:31]. 3. При выходе каждой значимой модели Lindy выделяет бюджет около $10 000 на автоматический прогон этого цикла, чтобы «подогнать» инструкции под нюансы новой нейросети [1:31:44]. Фло отмечает, что промпты меняются довольно сильно от версии к версии [1:31:57]. Этот подход позволяет Lindy оставаться гибкими и быстро переключаться между провайдерами, не тратя недели на ручной промпт-инжиниринг. ### Fine-tuning: почему это «последний рубеж» инженера [[JUMP:1:33:04]] Несмотря на популярность дообучения моделей (fine-tuning), Фло Кривелло называет его «крайней мерой», к которой стоит прибегать только тогда, когда все методы промпт-инжиниринга и автоматической оптимизации исчерпаны [1:33:30]. Основная проблема здесь не в стоимости обучения, а в сложности поддержки инфраструктуры [1:33:55]. Фло выделяет несколько причин избегать fine-tuning на ранних этапах: * **Сложность данных:** Сбор, очистка и анонимизация датасетов — это огромный труд [1:33:42]. * **Гибкость:** Как только вы обучили модель, вы «привязаны» к ней. В мире, где новые лидеры бенчмарков появляются каждые три месяца, это может стать обузой [1:35:12]. * **Простота системы:** Фло придерживается эвристики экстремальной простоты — лучше иметь одну мощную модель с хорошим контекстом, чем зоопарк узкоспециализированных дообученных моделей [1:34:59]. Впрочем, в будущем Фло видит потенциал в использовании **LoRA** (Low-Rank Adaptation) для каждого отдельного пользователя [1:35:51]. Это позволило бы системе не просто «запоминать» факты в контекстном окне, а буквально «вплетать» предпочтения и знания пользователя в веса модели [1:35:51]. Однако пока это остается инженерным вызовом из-за необходимости быстро менять адаптеры при каждом запросе (inference-time swapping) [1:36:05]. В конечном итоге Фло верит, что индустрия придет к тому, что обучение и инференс станут единым процессом, но пока мы живем в эпоху разделения этих сущностей [1:36:55]. ## 🌏 Геополитика ИИ: почему Фло Кривелло призывает к запрету китайских моделей [[JUMP:1:40:34]] Дискуссия о будущем ИИ неизбежно выходит за рамки технических характеристик и упирается в вопросы национальной безопасности. Несмотря на то что Lindy активно использует DeepSeek (о чем упоминалось ранее при обсуждении смены моделей), Фло Кривелло занимает на удивление жесткую позицию: он выступает за полный запрет китайских передовых моделей на территории США [1:41:13]. По его мнению, ситуация с китайским ИИ — это не вопрос открытого кода или свободы информации, а проблема выживания западной технологической экосистемы. ### Аргументы против китайских моделей: дистилляция и нечестная конкуренция [[JUMP:1:42:05]] Основная претензия Кривелло к китайским разработчикам заключается в «нечестной дистилляции» знаний [1:42:05]. В то время как американские компании, такие как OpenAI или Anthropic, тратят миллиарды долларов на сбор и обработку первичных данных [1:42:45], китайские игроки зачастую обучают свои модели на ответах этих самых западных систем. Фло приводит следующие аргументы в пользу того, почему это разрушительно: * **Экономический дисбаланс:** Обучение на человеческих данных стоит миллиарды, тогда как дистилляция через API конкурента обходится в сотни миллионов или даже меньше [1:42:45]. * **Нарушение правил игры:** Это прямое нарушение условий обслуживания (ToS), которое в случае с китайскими компаниями практически невозможно пресечь через судебную систему [1:47:48]. * **Убийство инноваций:** Кривелло сравнивает это с фармацевтикой: если позволить всем бесплатно копировать формулы лекарств сразу после их выхода, инвестиции в новые разработки прекратятся [1:49:07]. Фло признает, что как глава компании он находится в «ловушке координации»: он вынужден использовать дешевые китайские модели, такие как DeepSeek, потому что это делают его конкуренты [1:49:34]. Однако как гражданин он предпочел бы, чтобы эти модели были запрещены на корню, чтобы обеспечить равные условия для всех игроков рынка [1:49:47]. ### ИИ как инструмент пропаганды и контроля [[JUMP:1:42:33]] Помимо экономических аспектов, Кривелло указывает на экзистенциальную угрозу суверенитету. Он называет китайские модели «величайшим инструментом иностранной пропаганды в истории» [1:43:28]. В качестве примера он приводит ситуацию, когда при запросе о событиях на площади Тяньаньмэнь модель выдает стандартную заглушку: «Я не могу об этом говорить» [1:43:14]. Проблема заключается в том, что: 1. **Скрытая цензура:** Модели, контролируемые КПК, транслируют политические нарративы Пекина, которые могут быть глубоко «зашиты» в веса нейросети [1:43:28]. 2. **Агентное влияние:** Поскольку ИИ становится агентным и начинает управлять частями экономики, передача этого управления моделям из враждебной юрисдикции выглядит как стратегическое самоубийство [1:43:54]. 3. **Отсутствие правового поля:** В отличие от западных компаний, китайские разработчики полностью подотчетны своей партии, что делает любые гарантии приватности или нейтральности бессмысленными [1:43:28]. ### Регулирование через страхование и аудит [[JUMP:1:53:30]] Нейтан Лабенц предлагает более гибкий подход, сомневаясь в эффективности тотальных запретов. Он выдвигает идею «рыночного механизма безопасности» — обязательного страхования рисков при использовании ИИ [1:54:49]. Если компания использует проверенную модель (например, Claude), её страховой тариф будет низким. Если же она выбирает «непрозрачную» китайскую модель с потенциальными «спящими агентами» [1:53:57], стоимость страховки должна резко возрастать, отражая риски для безопасности [1:55:03]. Кривелло поддерживает идею создания своего рода «FAA для ИИ» — регулирующего органа, который занимался бы проверкой и «санитарной обработкой» иностранных моделей [1:57:12]. Он согласен, что если китайская модель пройдет жесткий аудит и будет дообучена (fine-tuned) для соответствия американским интересам и ценностям, её использование может быть допустимым [1:57:24]. Однако на данный момент технологии интерпретируемости (mechanistic interpretability) еще не позволяют с полной уверенностью находить скрытые «бэкдоры» в моделях [1:56:02]. ### Геополитика AGI: гонка на выживание или мировая сделка? [[JUMP:1:57:30]] В финальной части дискуссии собеседники касаются сложности международной координации. Нейтан Лабенц подчеркивает, что для безопасного развития сверхинтеллекта (ASI) США и Китаю необходимо будет договориться о «контролируемом замедлении» [1:57:37]. Однако агрессивная риторика и запреты могут сделать такие соглашения невозможными из-за вопросов «сохранения лица», которые крайне важны в китайской культуре [2:00:15]. Фло Кривелло настроен скептично, напоминая о случаях биологических атак и шпионажа, которые уже фиксируются на территории США [1:59:23]. Он считает, что доверие между сверхдержавами подорвано настолько, что любая сделка будет возможна только исходя из чистого рационального эгоизма, а не дипломатической вежливости [1:59:37]. Завершая разговор, Фло отмечает, что текущая ситуация, когда лаборатории агрессивно субсидируют стоимость токенов своих моделей, делает создание прикладного слоя ИИ крайне сложной задачей [2:01:20]. Тем не менее, он уверен, что следующие полгода пройдут под знаком «мультиплеерного ИИ» и гибридных организаций, где человек и агент работают как единое целое [2:01:45]. ## 🏁 Завершение пути: Искусственный интеллект как новая когнитивная норма [[JUMP:2:05:42]] ### Философия сотворчества и новая роль слушателя [[JUMP:2:05:42]] Завершая масштабную дискуссию, Нейтан Лабенц подчеркивает, что обсуждение ИИ-агентов и будущего Lindy — это не просто технический обзор, а часть глобального процесса, который он называет «Когнитивной революцией» [2:06:09]. В этом контексте каждый слушатель перестает быть пассивным потребителем контента и становится активным участником формирования нового социального и технологического ландшафта [2:06:01]. Фло Кривелло на протяжении всей беседы демонстрировал, как радикальная прозрачность в разработке — от признания использования китайских моделей до раскрытия внутренних механизмов памяти — помогает сообществу быстрее адаптироваться к переменам [2:05:45]. Диалог между ведущим и гостем выходит за рамки простого интервью, превращаясь в живой пример того, как глубокая экспертиза Нейтана Лабенца помогает вскрывать неочевидные риски и возможности агентных систем [2:05:50]. Ранее в разговоре они касались темы геополитики и этики, и в финале становится ясно, что эти вызовы требуют коллективного осмысления [2:05:48]. Быть частью этого движения — значит осознавать, что грань между создателем технологии и её пользователем становится всё более прозрачной [2:06:05]. Именно это вовлечение аудитории, по мнению Лабенца, является критически важным для того, чтобы ИИ развивался в интересах человечества [2:06:08]. ### Оптимизация творческих процессов: от записи до публикации [[JUMP:2:05:56]] Практическим воплощением идей об эффективности и делегировании задач ИИ-агентам становится упоминание инструментов для автоматизации медиапроизводства [2:05:56]. Нейтан Лабенц делится своим опытом оптимизации рабочего процесса подкаста, указывая на сервис aipodcast.ing как на важный элемент современного стека создателя контента [2:06:00]. Это решение закрывает весь цикл задач: от момента, когда автор нажимает кнопку «стоп» в конце записи, до момента, когда готовый эпизод попадает в уши аудитории [2:05:58]. Такой подход коррелирует с философией Фло Кривелло о том, что рутинные, но когнитивно затратные операции должны быть переданы специализированным помощникам [2:05:42]. В контексте Lindy и мультиагентных систем, обсуждавшихся ранее, подобные сервисы являются предвестниками будущего, где «сотрудник-ИИ» берет на себя всю логистику производства [2:06:02]. Лабенц подчеркивает, что использование таких инструментов — это не просто вопрос удобства, а стратегическая необходимость для тех, кто хочет оставаться конкурентоспособным в эпоху стремительного роста объемов информации [2:06:04]. Рекомендация сервиса служит финальным аккордом, подтверждающим тезис всей встречи: будущее принадлежит тем, кто умеет эффективно оркестровать работу ИИ-инструментов, высвобождая время для глубоких смыслов и стратегического планирования [2:06:07]. Благодарность слушателям за участие в «Когнитивной революции» закрывает этот этап исследования агентных технологий, оставляя открытыми вопросы для будущих дискуссий о природе интеллекта и труда [2:06:09].