Эскиз клубного AI-проекта
Эскиз клуба создателей на базе продвинутых AI-агентов Когда-то в 2011 году я выступил с эскизом образовательного проекта, https://ailev.livejournal.com/961237.html. Тогда это было полностью шапкозакидательно, чистое прожектёрство. Но, удивительно, через четыре года после этого стартовал проект ШСМ, а сейчас выпущено больше двух тысяч человек, прошедших полностью хотя бы один курс. Плохо масштабируемо пока (хорошее образование до сих пор плохо масштабируется и дорого), но всё работает. И вот в 2025 году, когда стало понятно, что важнее не такое образование, а клуб (виртуальный клуб -- сегодня это называется социальная сеть) выпускников подобного образования, надо писать новый эскиз, но уже клубного проекта. Даже клуб клубного проекта, ибо на базе клуба, культура которого поддерживается фундаментальным образованием (о котором я писал в 2011 году), могут существовать множество прикладных клубов по инженерным интересам. Мы когда-то думали про "школу как платформу", где на основную базовую программу могло бы быть нанизано огромное количество прикладных курсов -- но вот не случилось, прикладных курсов нет, их некому разрабатывать. Опять же, школа -- это только вход, а дальше клуб, а вот с прикладными клубами (пытались делать лаборатории) всё плохо, ибо в лаборатории приходили учиться, а не исследовать. Ну, типа как "студенческая лаборатория", где нет ни одного профессора или хотя бы постдока, а только студенты третьего курса -- пришли за опытом. Надо тем самым как-то это всё автоматизировать, поэтому выдам очередной эскиз проекта -- теперь клубного. Клуб должен выполнять работы полного цикла, используя AI -- конечно, это будут AI следующего поколения, или даже следующего к следующему, которое уже не так долго ждать. Будущее придёт внезапно, надо давать себе свободу о нём подумать.Каждый клуб по интересам должен крутиться вокруг отслеживания и обсуждения SoTA той или иной предметной области -- причём это должны быть не слишком широкие предметные области, но и не слишком узкие. Сейчас в качестве таких клубов выступают какие-нибудь чаты телеграм-каналов. Хотя мой чат вряд ли такой в силу совсем уж общего характера того, что у меня идёт в постах ("Лабораторный журнал" -- это моё мышление письмом, а не клубный канал новостей предметной области). Но можно взять из чатов создателей gonzo-обзоры https://t.me/gonzo_ML (функциональные архитектуры LLM) с тамошним чатом или LLM под капотом (функциональные архитектуры корпоративных систем на базе LLM) -- https://t.me/llm_under_hood с тамошним чатом. А вот остальные чаты "про LLM" не походят, это не столько "клубы создателей", сколько "новостные агентства по выпуску продуктов крупными вендорами" (что-то типа художественной критики, "был я на балете в Мариинском театре, так вот главный балерун споткнулся в дневном представлении, а декорации вполне хороши") и "жёлтая пресса" (которая развлекает, а не просвещает -- много мемасиков или эквивалентных текстов). Хотя многие из них начинались как вполне себе инженерные чаты, но уж что вышло, то вышло. Чаты наших групп поддержки тут тоже не образец: там нет потока новостей, которые пытаются отследить SoTA.Отслеживание трендовУвы, разные "отраслевые тренды", которые в количестве случаются во всех блогах под новый год -- это не совсем то. Это тонкий момент, когда появляется перспективная технология, которой занимаются несколько человек, и эта технология завоюет мир. Скажем, в 2012 году после "момента ImageNet" -- это была смена технологии с shallow на deep pretraining. Это надо было отследить по "общему потоку всех новостей" и сформировать новый клуб. Как? Непонятно. Для этого придётся рассмотреть вопрос о том, что такое "новости" (мне тут не слишком сложно сформулировать, ибо я много и сам занимался новостями, работая с крупными ньюсмейкерами по PR проектам, и общался много с разными разработчиками новостных систем). Новости отвечают следующим критериям:-- они новости. Сутки -- это новости. Неделя -- это материал для статьи в глянцевых журналах (где ожидается проработка получше, учёт контекста и прочая "аналитика" и полировка подачи), а для новостей это уже неинтересно. Сегодня новость должна быть свежая, но вот проработка должна быть как для глянца. -- они (потенциально) затрагивают жизнь большого числа людей. Скажем, день рождения знаменитости -- это не новость (даже если журналистов-блогеров там обильно поить-кормить, то они ничего не напишут). А вот если знаменитость что-то сделала, что можно повторить простым смертным -- то есть потенциально это влияет на действия людей -- это новость. А уж если война или выпуск новой модели OpenAI (с шансом, что ей воспользуются миллионы людей, а не проигнорируют и уйдут к конкурентам) -- совсем большая новость! -- есть понятие "интереса" (привет Шмитхуберу с его теориями, но там много разных теорий. Скажем, в статье https://arxiv.org/pdf/2503.02831 читаем про meta-learning to Explore via Memory Density Feedback (там парадигма reservoir computing, упоминал эту статью в https://ailev.livejournal.co
Эскиз клуба создателей на базе продвинутых AI-агентов
Когда-то в 2011 году я выступил с эскизом образовательного проекта, https://ailev.livejournal.com/961237.html. Тогда это было полностью шапкозакидательно, чистое прожектёрство. Но, удивительно, через четыре года после этого стартовал проект ШСМ, а сейчас выпущено больше двух тысяч человек, прошедших полностью хотя бы один курс. Плохо масштабируемо пока (хорошее образование до сих пор плохо масштабируется и дорого), но всё работает.
И вот в 2025 году, когда стало понятно, что важнее не такое образование, а клуб (виртуальный клуб -- сегодня это называется социальная сеть) выпускников подобного образования, надо писать новый эскиз, но уже клубного проекта. Даже клуб клубного проекта, ибо на базе клуба, культура которого поддерживается фундаментальным образованием (о котором я писал в 2011 году), могут существовать множество прикладных клубов по инженерным интересам. Мы когда-то думали про "школу как платформу", где на основную базовую программу могло бы быть нанизано огромное количество прикладных курсов -- но вот не случилось, прикладных курсов нет, их некому разрабатывать. Опять же, школа -- это только вход, а дальше клуб, а вот с прикладными клубами (пытались делать лаборатории) всё плохо, ибо в лаборатории приходили учиться, а не исследовать. Ну, типа как "студенческая лаборатория", где нет ни одного профессора или хотя бы постдока, а только студенты третьего курса -- пришли за опытом. Надо тем самым как-то это всё автоматизировать, поэтому выдам очередной эскиз проекта -- теперь клубного.
Клуб должен выполнять работы полного цикла, используя AI -- конечно, это будут AI следующего поколения, или даже следующего к следующему, которое уже не так долго ждать. Будущее придёт внезапно, надо давать себе свободу о нём подумать.
Каждый клуб по интересам должен крутиться вокруг отслеживания и обсуждения SoTA той или иной предметной области -- причём это должны быть не слишком широкие предметные области, но и не слишком узкие. Сейчас в качестве таких клубов выступают какие-нибудь чаты телеграм-каналов. Хотя мой чат вряд ли такой в силу совсем уж общего характера того, что у меня идёт в постах ("Лабораторный журнал" -- это моё мышление письмом, а не клубный канал новостей предметной области). Но можно взять из чатов создателей gonzo-обзоры https://t.me/gonzo_ML (функциональные архитектуры LLM) с тамошним чатом или LLM под капотом (функциональные архитектуры корпоративных систем на базе LLM) -- https://t.me/llm_under_hood с тамошним чатом. А вот остальные чаты "про LLM" не походят, это не столько "клубы создателей", сколько "новостные агентства по выпуску продуктов крупными вендорами" (что-то типа художественной критики, "был я на балете в Мариинском театре, так вот главный балерун споткнулся в дневном представлении, а декорации вполне хороши") и "жёлтая пресса" (которая развлекает, а не просвещает -- много мемасиков или эквивалентных текстов). Хотя многие из них начинались как вполне себе инженерные чаты, но уж что вышло, то вышло. Чаты наших групп поддержки тут тоже не образец: там нет потока новостей, которые пытаются отследить SoTA.
Отслеживание трендов
Увы, разные "отраслевые тренды", которые в количестве случаются во всех блогах под новый год -- это не совсем то. Это тонкий момент, когда появляется перспективная технология, которой занимаются несколько человек, и эта технология завоюет мир. Скажем, в 2012 году после "момента ImageNet" -- это была смена технологии с shallow на deep pretraining. Это надо было отследить по "общему потоку всех новостей" и сформировать новый клуб. Как? Непонятно. Для этого придётся рассмотреть вопрос о том, что такое "новости" (мне тут не слишком сложно сформулировать, ибо я много и сам занимался новостями, работая с крупными ньюсмейкерами по PR проектам, и общался много с разными разработчиками новостных систем). Новости отвечают следующим критериям:
-- они новости. Сутки -- это новости. Неделя -- это материал для статьи в глянцевых журналах (где ожидается проработка получше, учёт контекста и прочая "аналитика" и полировка подачи), а для новостей это уже неинтересно. Сегодня новость должна быть свежая, но вот проработка должна быть как для глянца.
-- они (потенциально) затрагивают жизнь большого числа людей. Скажем, день рождения знаменитости -- это не новость (даже если журналистов-блогеров там обильно поить-кормить, то они ничего не напишут). А вот если знаменитость что-то сделала, что можно повторить простым смертным -- то есть потенциально это влияет на действия людей -- это новость. А уж если война или выпуск новой модели OpenAI (с шансом, что ей воспользуются миллионы людей, а не проигнорируют и уйдут к конкурентам) -- совсем большая новость!
-- есть понятие "интереса" (привет Шмитхуберу с его теориями, но там много разных теорий. Скажем, в статье https://arxiv.org/pdf/2503.02831 читаем про meta-learning to Explore via Memory Density Feedback (там парадигма reservoir computing, упоминал эту статью в https://ailev.livejournal.com/1757388.html) читаем про Kinds of Curiosity: The most popular exploration algorithms each tend to fall into one of three categories by the kind of objective term used: prediction error, reconstruction error, and memory density. Each of these algorithms works because the target is non-stationary. Model-based methods promote attainment of un-modeled data, which then used to improve the model. Model-free methods promote attainment of data that are not yet in memory, but cease to be novel upon collection. All methods result in a cyclical progression of novel states through the environment. Вот это оно, exploration. Новости нам нужны для exploration в отслеживании тренда. Есть, конечно, и другие способы задания трендов. Я уже неоднократно писал, как задают тренды математики: математик должен показать, что у него всё в порядке с мозгами, для чего он должен решить какую-то "интересную задачу", которую оставил кто-то лет так сто назад -- и которую ещё никто не решил. Когда решил, его обязанность -- задать новый "интересный тренд", оставить новую "интересную задачу", чтобы следующее поколение знало, какие тренды. Рома Михайлов обижался на Перельмана, что тот крупную задачу решил, а на следующий тренд не указал, не выполнил обязанность. Вот это как раз и есть про "отслеживание трендов".
Мы тут разворачиваем меметический алгоритм, и вот exploration тут -- как раз попытка найти следующий потенциальный пик с потенциальным более высоким максимумом на динамическом ландшафте приспособленности, отпрыгнуть от текущего локального пика, у которого заведомо ограниченная высота.
А ещё тут плотно перемешиваются исследования и инженерия: исследования идут в составе инженерии, при этом даже на примере архитектур нейросетей (необязательно LLM), архитектур LLM (в которых может быть несколько нейросетей, например, MoE) и AI-систем на базе LLM (их там тоже может быть несколько, и даже не корпоративные AI-агенты, а какие-нибудь роботы со слоёной архитектурой вроде Helix) видно, что их можно рассматривать как "исследования в алгоритмике" (поиск эффективного алгоритма, "университетская задача") и как "исследования в прикладной инженерии", ибо там на выходе вполне себе инженерные системы. Так что всё это слитное R&D -- не в академическом заходе, а в инженерном заходе. И у передовиков ожидаем не нобелевки, а каких-то других, инженерных признаний -- инновация тут определяется классически не как "новая идея", а как "идея, дошедшая до рынка -- выдавшая SoTA и доступная за деньги". Подрыв/disrupt -- это инновация, вышедшая на рынок и обрушившая предыдущую SoTA, прорыв -- это инновация, которая может быть повторена не только в одной фирме. Если что-то вышло на рынок "новое" и не может быть повторено другими -- ну, этому и имени нет. Вот отслеживаем прорывы и подрывы. Скажем, DeepSeek R1 -- вот это прорыв (хотя и не подрыв).
Пример возможного тренда -- тот же самый reservoir computing, причём необязательно на классическом "железе". Почему? Там скорость-энергоёмкость уж больно аппетитные, и если вспомнить, что мозг потребляет 30 ватт, то вполне можно ожидать, что в робототехнике будет какое-нибудь неклассическое железо с не очень классическими алгоритмами. Но и просто робототехника пойдёт, но это уже слишком широкий класс, это как сказать "тема человека", такие слишком широкие "тренды" -- не тренды. Это как сказать в "трендах года", что "будет распространение AI" -- спасибо, Кэп!
В любом случае, это методологическая задача -- надо определить предметную область, выделить новый класс функций, методов работы, способов обработки, описываемых новыми теориями/алгоритмами/знаниями.
Это обычно я делаю: слежу за трендами, нюхаю подрывы. Но фишка в том, что сейчас это должен бы делать AI, никакому отдельному человеку не угнаться. Ну, или на первых порах -- человеко-машинная система, причём необязательно один человек, необязательно один AI. Таким пытается заниматься Gartner Group, но мне тамошние hype cycle в этом плане не очень нравятся -- они запоздалы (спецпресса отслеживает тренды давно, Gartner замечает через пару лет, чувствительность нулевая), а ещё там уровень обобщений как у GPT-3.5, даже не турбо, маркетинговое бла-бла-бла ни о чём, попса полная, удивлять обывателя, а не профи.
В медицине такой метод для определения перспективных лекарственных веществ называется screening -- идёт жуткий поток информации по экспериментам, которые все показывают ужасные результаты, тысячами. Но вдруг появляется что-то интересное, одно на тысячи и тысячи примеров неинтересного. И по итогам этого скрининга появляется новое перспективное лекарственное вещество. Вот это просеивание стога сена в надежде найти иголку -- вроде оно, но не совсем. Тут в полной мере проявляется open-endedness, ибо хочешь найти иголку, а находишь алмаз, и выкидываешь его, ибо "не иголка". Greatness cannot be planned, в этом фишка.
Новостная лента
Когда тренд установлен, нам надо отслеживать разные границы Парето по методам, ибо решений огромное количество, все они примерно одинаковы, но есть которые получше, а есть которые похуже. И часто людям даже непонятно про это Парето (ну, или мы говорим ещё про неустроенность/неустаканенность/geometrical_frustration в силу неизбежности конфликтов/противоречий и разных способов их оптимизации), ибо для них любимый параметр -- победа в основной гонке (скажем, "гонка мегапикселей", "гонка точности"), а другие параметры (цена, скорость, память, удобство, энергопотребление, да тысячи их!) не рассматривают. Лично видел в комменте к картинке Gemma
вопрос -- "в чём новость, это же хуже R1?". То, что там ещё и диаграмма по NVIDIA H100 GPU required -- глаз вообще не замечает! И это даже не конец истории. Тут же вопрос о capabilities (термин мутный, переводить или как "способности" или лучше даже как "возможности", так как мало быть способным к чему-то, надо это ещё и уметь), которые сейчас замеряются "в среднем по больнице". Скажем, "может в музыку" -- но по факту поёт под гитару, а на рояле и скрипке -- никак, а второй будет оценен так же -- но там рояль и саксофон -- скрипка и вокал никак, третий -- вообще диджей, ни на чём не может, но держит vibe (модное слово!) в зале, "может в музыку". В новостях надо более подробно оценивать capabilities, и тут множество подходов, например:
-- https://arxiv.org/abs/2502.07577, "Automated Capability Discovery via Model Self-Exploration". Тут один AI пытает другой (возможно, себя) на предмет поиска capabilities -- на базе идей open-endedness. Это на поиск новых возможностей.
-- https://arxiv.org/abs/2503.08893, "EvalTree: Profiling Language Model Weaknesses via Hierarchical Capability Trees", это наоборот, поиск слабостей в capabilities, ибо текущие бенчмарки как раз меряют "среднюю температуру по больнице" в рамках очень широких областей.
Вот для каждой новости надо понимать:
-- это из какого тренда (или задаётся вообще новый тренд?). Тут, заметим, всё равно надо "отслеживать тренды" -- даже если у вас LLM, надо уметь отследить появление после трансформеров какой-нибудь мамбы, или "научились делать RL на LLM и заводить reasoning" (как с R1), ибо "там движуха": потенциально это может затронуть жизнь многих и многих инженеров.
-- в чём там SoTA, на какой парето-диаграмме играем (это необязательно двумерная диаграмма!), но это вопрос динамической оптимальности решения, положение на dynamic fitness landscape, причём достаточно детально, а не как у Gartner. Концепция использования -- наше всё, мало только концепции системы, тем более узкого вопроса функционального описания, "функциональной архитектуры" (при всей важности и первичности такого вопроса).
-- в чём суть предлагаемого решения? Как оно там всё? Нужно именно объяснение.
И вот по последнему пункту "нужно объяснение" самое интересное в форме реализации: AI как раз тут, вот он и должен объяснять. Новости идут в самых разных языках узких предметных областей, написанные "из контекста авторов", в языке метаС-модели, и она задаётся неявно, она часто спрятана в списке литературы к статье-новости, если вообще к новости есть список литературы и если вообще новость делается по выходу статьи.
В объяснении обычно берётся некоторый нейтральный контекст (мета-мета-модель, возможно метаУ-модель предметной области) и далее делается трактовка новости для широкого контекста, при этом -- причинный вывод, это же "объяснение"! Вот gonzo-обзоры или LLM под капотом ровно такое и делают, представляют какую-то ленту архитектурных новостей.
У нас же клуб создателей, поэтому прежде всего берём архитектурные новости, предложение новых функциональных архитектур, а ещё новых архитектурных стилей в плане нарезки на модули (можно ещё сюда и "проектировщиков" включить, которые делают "изобретения" -- показывают, что в физическом мире может быть аффордансом для этих функций, если следовать предложенному архитектурному стилю. Этот птичий язык разделения труда в современной разработке у меня в курсе "Системная инженерия"). И тут два нетривиальных поворота:
-- вообще, что такое "объяснения"? Авторы ведь сами всё объясняют! Нет, авторы не объясняют, у них глаз замылен, и изъясняются они тёмно. Надо сделать так, чтобы суть новости поняли даже люди, которые не имеют глубоких познаний в прикладной предметной области, хотя и имеют интеллект, позволяющий быстро разбираться с новыми веяниями. это должны быть SoTA мета-мета-модель и метаУ-модель (что трудно, поскольку новости в части трендообразования сами по себе задают изменения в способах описания -- тут неявно отслеживание трека происходящего с трансдисциплинами). Грубо говоря, поток новостей на испанском, тамильском и арабском должен объясняться на рабочем английском. А ещё это должны быть контрфактуальные объяснения, причинный язык. То есть берём авторский текст и за шкирку его дотягиваем до некоторых стандартов представления информации, а ещё помещаем в контекст. Иногда авторы и сами это делают, ибо paper и blog post и "информационная модель изделия" (код для софта) -- просто разные, но все необходимые вещи. И кто хорошо изобретает, часто пишет плохие статьи и вообще ужасные посты в блог. Вот эти объяснения "на рабочем английском предметной области" это компенсируют.
-- у каждого читателя, однако, есть свои вопросы. И текст должен на них отвечать. Получается так, что новость должна читателя новости чему-то научить, разъяснить, как новость влияет на жизнь читателя. Это можно делать в диалоге. Вуаля, мы должны перейти к тому, что по каждой новости надо генерировать мини-курс, причём под индивидуальную потребность каждого читателя! Чтобы понять новость, надо подучиться -- одному читателю ответить на пару уточняющих вопросов, а другому читателю таки развернуть ответы, в том числе заглянув в литературу по ссылкам в статье, а то и цитаты из каких-то учебников. Это не просто, я частично писал про проблемы такого захода в посте про "приличную RAG", retrieve-augmented generation, https://ailev.livejournal.com/1757545.html. При этом в части RAG довольно большие подвижки идут. Вот, например, уже есть промышленный мультимодальный RAG -- https://www.lighton.ai/lighton-blogs/lighton-integrates-visual-rag-into-its-platform. Но я думаю, что сегодня такие решения запретительны по цене для учебных и клубных организаций. На таких решениях нельзя отмасштабироваться.
Ведь фишка тут даже не в самой ленте, а в чате по поводу ленты -- это социальная сеть узкой предметной области, "те, кому надо", и там идёт обсуждение новостей, активная синхронизация с тем, что сегодня считается многомерной (разные же capabilities, разные места на Парето-равновесиях) SoTA в предметной области, а новости потихоньку эту SoTA сдвигают на другую линию Парето-равновесия.
"Кружок по интересам", узкий клуб в клубе как раз тут. При этом в русскоязычных таких "узких клубах" по паре десятков тысяч человек, из них тысяча -- в чате (например, в gonzo-обзорах так, тематика "функциональная архитектура нейросетей для LLM").
Учебные курсы
Но есть ещё и "широкий клуб", достаточно интеллектуальные люди, которые владеют мета-мета-моделью, позволяющей ориентироваться в самых разных прикладных областях с какой-то достаточно высокой скоростью (год, а не пару десятков лет. Представьте поэта, который хочет стать инженером по проектированию микросхем -- вот это оно, десятки лет как раз в этом случае).
Конечно, нельзя ожидать, что кто-то пройдёт годичный учебный курс, чтобы просто разобраться с новостным потоком -- задавая вопросы AI по поводу новости, а затем вопросы к ответам на свои вопросы, и так целый год, пока новость не будет понята. Хотя у меня есть прецеденты: людям любопытна моя лента, но она непонятна. Поэтому время от времени я встречаю комменты типа "вау! прошёл ваши курсы -- теперь могу читать ваши посты, оказывается, ваша лента вполне понятна!". Вот эта история (чтобы было, что пройти для понимания прикладной ленты -- были курсы, которые "сосредочиться -- и пройти") тоже должна быть поддержана.
Понятно, что тут мы впереди планеты всей, не буду подробно прописывать, укажу только на несколько ссылок:/
-- Программа "Организационное развитие", всего 16 европейских кредитов, 480 часов, справка по курсам, https://ailev.livejournal.com/1737214.html (инженерии в программе больше, но ход на то, что размер проектов растёт -- и инженеры выходят в командную работу, развивают организацию проекта)
-- все курсы программ "Организационное развитие" и "Личное развитие" (бесплатный доступ к текстам учебников после регистрации): https://aisystant.system-school.ru/.
-- синтез фундаментальных методов мышления "Интеллект-стек": https://aisystant.system-school.ru/lk/#/course/intelligence-stack
-- корпоративным заказчикам: предложение ШСМ по обучению команд топ-менеджеров, https://ailev.livejournal.com/1720404.html. Дополнительно про топ-менеджеров и их обязанности: https://ailev.livejournal.com/1708306.html.
-- расписание ближайших курсов с преподавателями в открытых наборах: https://system-school.ru/list
-- принципы квалификации: https://ailev.livejournal.com/1723294.html.
-- вебсайт Школы: https://system-school.ru/.
-- мой блог, в котором ещё много чего про это пишется.
В преддверии AI понятно, что все прикладные области будут быстро подрываться в части людского труда, уж проекты-то точно придётся менять -- и там разбираться с новыми предметными областями и командами. Поэтому сначала поднимаем калибр личности, учим SoTA собственно мышления, понимание того, как организационно устроена работа и в чём вообще труд создателей хоть чего-нибудь. Люди с каким-то калибром личности будут чуть более эффективней общаться с теми же AI, чуть более осознанно читать эти же новостные ленты, чуть более ярко участвовать в клубной работе -- будут чуть боле конкурентоспособней окружающих. Мы это уже сейчас умеем делать, но это плохо масштабируемо. И пока не очень поддержано клубом. Ну, поддержим -- при помощи AI, о чём и пост.
Продвижение, бизнес-модель и монетизация
Если тему монетизации не обсуждать, то это всё просто размахивание руками. Выглядит это как "общественная некоммерческая организация", но те же социальные сети и главный новостной сайт мира (Гугл) ни разу не общественные организации. Как OpenAI была некоммерческой организацией (недолго!) мы тоже помним. Есть специальная форма, в которой сейчас учреждаются подобные инициативы -- Public Benefit Corporation, https://en.wikipedia.org/wiki/Benefit_corporation. В такой форме зарегистрирована xAI, в этой форме идёт OpenAI. Все эти DAO и прочие "децентрализованности" не выживают, это мне было очевидно всегда, почему у меня в ленте вы и не находили материалов -- колхозы и кооперативы не выживают. А зачем тогда особая форма для for-profit entity? Фишка там в том, что "если руководство делает какие-то шаги в пользу общества, упуская прибыль, и цена акции падает, то акционеры не имеют право судиться за это с руководством". Тут тоже новизна, поиск новых организационных форм.
А ещё я много писал про клубы, в том числе инженерные клубы тут:
-- "Клуб создателей: первые прикидки", https://ailev.livejournal.com/1744751.html, там было впервые предложено говорить о "клубе создателей", вариант "инженерного клуба". И много-много текста про прототипы, примеры, терминологию.
-- первые шаги ШСМ по трансформации в клуб, кратенько в итогах 2024 года для ШСМ, вторым пунктом: https://ailev.livejournal.com/1747035.html
-- "Не пишешь -- не думаешь, не общаешься -- не в клубе, не в культуре", https://ailev.livejournal.com/1756090.html. Клуб из себя и себя -- это не клуб, не культура. Поговорить не с кем -- это проблема. Если ты вроде как освоил культуру, но молчишь ("все слова на птичьем -- только в уме, ни слова наружу"), то никто и не знает, что ты разговариваешь на каком-то языке. Ты один среди чужих, культура, приобретённая тяжёлым трудом, выветрится. Клуб -- это прежде всего клуб единомышленников, единомыслителей (хотя нет никакого единомыслия, а есть только единонемыслие, но в клубе для этого единонемыслия всё-таки есть какие-то общие культурные основания, SoTA фундаментальных дисциплин интеллект-стека). Вот "Интеллект-стек" мало кто читал, в курсах ШСМ сейчас это дополнительный материал. И с кем его обсуждать? В клубе вполне можно найти этих людей. Но чтобы с тобой это обсуждали, надо, чтобы было понятно: ты "в теме". Для этого надо не молчать -- раскрыть рот и предъявиться. Вот это да, это уже "тексты вовне", при этом не обучающие ("здравствуйте, я вчера прочёл три страницы курса ШСМ, сейчас я вас научу уму-разуму", при этом человек честно считает, что он "просвещает", занимается "маркетингом ШСМ"), а клубные -- беседы с соклубниками, с создателями систем, такими же, как ты. Это социальная жизнь, это ещё одно измерение мышления письмом: практикование общей культуры. Ещё клуб -- это салон, место для общения, практикование культуры мышления в компании. Это "профессиональное сообщество", community of practice, а по-простому -- клуб. Клуб программистов, клуб менеджеров проектов, клуб системных архитекторов, а у нас большая претензия -- клуб создателей успешных систем, инженерный клуб (https://ailev.livejournal.com/1744751.html). Тут можно говорить прежде всего о продолжении встреч в уже знакомой учебной группе -- возможно даже, что прямо с преподом, почему бы и нет. Но это уже после окончания обучения, это уже "клубная жизнь". Это как университетские alumni -- есть одногруппники, есть однокурсники, а есть вообще все, которые и вместе-то никогда не собираются. Вот встретиться с одногруппниками и попрактиковать мышление -- это милое дело, этого ж нельзя сделать на работе или в семье (хотя мы уже знаем компании, где это можно сделать на работе, предложение по обучению команд топ-менеджеров работает, в некоторых фирмах возникает совершенно особая атмосфера продвинутого мышления, https://ailev.livejournal.com/1720404.html). Эти встречи вполне можно назвать "салон", как раньше -- https://en.wikipedia.org/wiki/Salon_(gathering), https://ru.wikipedia.org/wiki/Салон.
Те "чаты обзоров", они же "чаты новостных каналов" -- это есть форма бытования салона. И там мы знаем, что дальше происходит: в популярных каналах и развиртуализация, и многое что другое. "Но есть нюанс": в этих всех каналах есть харизматичный главный персонаж, а тут предлагается AI. Но и тут уже идут эксперименты, например, Григорий Сапунов для gonzo-обзоров уже воспитывает себе своего нейро-двойника, который пишет пока плохие, но уже вполне читабельные разборы статей. Так что это я всё пишу частично про светлое будущее, частично про пока убогое, но уже настоящее.
Когда-то в 2011 году я выступил с эскизом образовательного проекта, https://ailev.livejournal.com/961237.html. Тогда это было полностью шапкозакидательно, чистое прожектёрство. Но, удивительно, через четыре года после этого стартовал проект ШСМ, а сейчас выпущено больше двух тысяч человек, прошедших полностью хотя бы один курс. Плохо масштабируемо пока (хорошее образование до сих пор плохо масштабируется и дорого), но всё работает.
И вот в 2025 году, когда стало понятно, что важнее не такое образование, а клуб (виртуальный клуб -- сегодня это называется социальная сеть) выпускников подобного образования, надо писать новый эскиз, но уже клубного проекта. Даже клуб клубного проекта, ибо на базе клуба, культура которого поддерживается фундаментальным образованием (о котором я писал в 2011 году), могут существовать множество прикладных клубов по инженерным интересам. Мы когда-то думали про "школу как платформу", где на основную базовую программу могло бы быть нанизано огромное количество прикладных курсов -- но вот не случилось, прикладных курсов нет, их некому разрабатывать. Опять же, школа -- это только вход, а дальше клуб, а вот с прикладными клубами (пытались делать лаборатории) всё плохо, ибо в лаборатории приходили учиться, а не исследовать. Ну, типа как "студенческая лаборатория", где нет ни одного профессора или хотя бы постдока, а только студенты третьего курса -- пришли за опытом. Надо тем самым как-то это всё автоматизировать, поэтому выдам очередной эскиз проекта -- теперь клубного.
Клуб должен выполнять работы полного цикла, используя AI -- конечно, это будут AI следующего поколения, или даже следующего к следующему, которое уже не так долго ждать. Будущее придёт внезапно, надо давать себе свободу о нём подумать.
Каждый клуб по интересам должен крутиться вокруг отслеживания и обсуждения SoTA той или иной предметной области -- причём это должны быть не слишком широкие предметные области, но и не слишком узкие. Сейчас в качестве таких клубов выступают какие-нибудь чаты телеграм-каналов. Хотя мой чат вряд ли такой в силу совсем уж общего характера того, что у меня идёт в постах ("Лабораторный журнал" -- это моё мышление письмом, а не клубный канал новостей предметной области). Но можно взять из чатов создателей gonzo-обзоры https://t.me/gonzo_ML (функциональные архитектуры LLM) с тамошним чатом или LLM под капотом (функциональные архитектуры корпоративных систем на базе LLM) -- https://t.me/llm_under_hood с тамошним чатом. А вот остальные чаты "про LLM" не походят, это не столько "клубы создателей", сколько "новостные агентства по выпуску продуктов крупными вендорами" (что-то типа художественной критики, "был я на балете в Мариинском театре, так вот главный балерун споткнулся в дневном представлении, а декорации вполне хороши") и "жёлтая пресса" (которая развлекает, а не просвещает -- много мемасиков или эквивалентных текстов). Хотя многие из них начинались как вполне себе инженерные чаты, но уж что вышло, то вышло. Чаты наших групп поддержки тут тоже не образец: там нет потока новостей, которые пытаются отследить SoTA.
Отслеживание трендов
Увы, разные "отраслевые тренды", которые в количестве случаются во всех блогах под новый год -- это не совсем то. Это тонкий момент, когда появляется перспективная технология, которой занимаются несколько человек, и эта технология завоюет мир. Скажем, в 2012 году после "момента ImageNet" -- это была смена технологии с shallow на deep pretraining. Это надо было отследить по "общему потоку всех новостей" и сформировать новый клуб. Как? Непонятно. Для этого придётся рассмотреть вопрос о том, что такое "новости" (мне тут не слишком сложно сформулировать, ибо я много и сам занимался новостями, работая с крупными ньюсмейкерами по PR проектам, и общался много с разными разработчиками новостных систем). Новости отвечают следующим критериям:
-- они новости. Сутки -- это новости. Неделя -- это материал для статьи в глянцевых журналах (где ожидается проработка получше, учёт контекста и прочая "аналитика" и полировка подачи), а для новостей это уже неинтересно. Сегодня новость должна быть свежая, но вот проработка должна быть как для глянца.
-- они (потенциально) затрагивают жизнь большого числа людей. Скажем, день рождения знаменитости -- это не новость (даже если журналистов-блогеров там обильно поить-кормить, то они ничего не напишут). А вот если знаменитость что-то сделала, что можно повторить простым смертным -- то есть потенциально это влияет на действия людей -- это новость. А уж если война или выпуск новой модели OpenAI (с шансом, что ей воспользуются миллионы людей, а не проигнорируют и уйдут к конкурентам) -- совсем большая новость!
-- есть понятие "интереса" (привет Шмитхуберу с его теориями, но там много разных теорий. Скажем, в статье https://arxiv.org/pdf/2503.02831 читаем про meta-learning to Explore via Memory Density Feedback (там парадигма reservoir computing, упоминал эту статью в https://ailev.livejournal.com/1757388.html) читаем про Kinds of Curiosity: The most popular exploration algorithms each tend to fall into one of three categories by the kind of objective term used: prediction error, reconstruction error, and memory density. Each of these algorithms works because the target is non-stationary. Model-based methods promote attainment of un-modeled data, which then used to improve the model. Model-free methods promote attainment of data that are not yet in memory, but cease to be novel upon collection. All methods result in a cyclical progression of novel states through the environment. Вот это оно, exploration. Новости нам нужны для exploration в отслеживании тренда. Есть, конечно, и другие способы задания трендов. Я уже неоднократно писал, как задают тренды математики: математик должен показать, что у него всё в порядке с мозгами, для чего он должен решить какую-то "интересную задачу", которую оставил кто-то лет так сто назад -- и которую ещё никто не решил. Когда решил, его обязанность -- задать новый "интересный тренд", оставить новую "интересную задачу", чтобы следующее поколение знало, какие тренды. Рома Михайлов обижался на Перельмана, что тот крупную задачу решил, а на следующий тренд не указал, не выполнил обязанность. Вот это как раз и есть про "отслеживание трендов".
Мы тут разворачиваем меметический алгоритм, и вот exploration тут -- как раз попытка найти следующий потенциальный пик с потенциальным более высоким максимумом на динамическом ландшафте приспособленности, отпрыгнуть от текущего локального пика, у которого заведомо ограниченная высота.
А ещё тут плотно перемешиваются исследования и инженерия: исследования идут в составе инженерии, при этом даже на примере архитектур нейросетей (необязательно LLM), архитектур LLM (в которых может быть несколько нейросетей, например, MoE) и AI-систем на базе LLM (их там тоже может быть несколько, и даже не корпоративные AI-агенты, а какие-нибудь роботы со слоёной архитектурой вроде Helix) видно, что их можно рассматривать как "исследования в алгоритмике" (поиск эффективного алгоритма, "университетская задача") и как "исследования в прикладной инженерии", ибо там на выходе вполне себе инженерные системы. Так что всё это слитное R&D -- не в академическом заходе, а в инженерном заходе. И у передовиков ожидаем не нобелевки, а каких-то других, инженерных признаний -- инновация тут определяется классически не как "новая идея", а как "идея, дошедшая до рынка -- выдавшая SoTA и доступная за деньги". Подрыв/disrupt -- это инновация, вышедшая на рынок и обрушившая предыдущую SoTA, прорыв -- это инновация, которая может быть повторена не только в одной фирме. Если что-то вышло на рынок "новое" и не может быть повторено другими -- ну, этому и имени нет. Вот отслеживаем прорывы и подрывы. Скажем, DeepSeek R1 -- вот это прорыв (хотя и не подрыв).
Пример возможного тренда -- тот же самый reservoir computing, причём необязательно на классическом "железе". Почему? Там скорость-энергоёмкость уж больно аппетитные, и если вспомнить, что мозг потребляет 30 ватт, то вполне можно ожидать, что в робототехнике будет какое-нибудь неклассическое железо с не очень классическими алгоритмами. Но и просто робототехника пойдёт, но это уже слишком широкий класс, это как сказать "тема человека", такие слишком широкие "тренды" -- не тренды. Это как сказать в "трендах года", что "будет распространение AI" -- спасибо, Кэп!
В любом случае, это методологическая задача -- надо определить предметную область, выделить новый класс функций, методов работы, способов обработки, описываемых новыми теориями/алгоритмами/знаниями.
Это обычно я делаю: слежу за трендами, нюхаю подрывы. Но фишка в том, что сейчас это должен бы делать AI, никакому отдельному человеку не угнаться. Ну, или на первых порах -- человеко-машинная система, причём необязательно один человек, необязательно один AI. Таким пытается заниматься Gartner Group, но мне тамошние hype cycle в этом плане не очень нравятся -- они запоздалы (спецпресса отслеживает тренды давно, Gartner замечает через пару лет, чувствительность нулевая), а ещё там уровень обобщений как у GPT-3.5, даже не турбо, маркетинговое бла-бла-бла ни о чём, попса полная, удивлять обывателя, а не профи.
В медицине такой метод для определения перспективных лекарственных веществ называется screening -- идёт жуткий поток информации по экспериментам, которые все показывают ужасные результаты, тысячами. Но вдруг появляется что-то интересное, одно на тысячи и тысячи примеров неинтересного. И по итогам этого скрининга появляется новое перспективное лекарственное вещество. Вот это просеивание стога сена в надежде найти иголку -- вроде оно, но не совсем. Тут в полной мере проявляется open-endedness, ибо хочешь найти иголку, а находишь алмаз, и выкидываешь его, ибо "не иголка". Greatness cannot be planned, в этом фишка.
Новостная лента
Когда тренд установлен, нам надо отслеживать разные границы Парето по методам, ибо решений огромное количество, все они примерно одинаковы, но есть которые получше, а есть которые похуже. И часто людям даже непонятно про это Парето (ну, или мы говорим ещё про неустроенность/неустаканенность/geometrical_frustration в силу неизбежности конфликтов/противоречий и разных способов их оптимизации), ибо для них любимый параметр -- победа в основной гонке (скажем, "гонка мегапикселей", "гонка точности"), а другие параметры (цена, скорость, память, удобство, энергопотребление, да тысячи их!) не рассматривают. Лично видел в комменте к картинке Gemma
вопрос -- "в чём новость, это же хуже R1?". То, что там ещё и диаграмма по NVIDIA H100 GPU required -- глаз вообще не замечает! И это даже не конец истории. Тут же вопрос о capabilities (термин мутный, переводить или как "способности" или лучше даже как "возможности", так как мало быть способным к чему-то, надо это ещё и уметь), которые сейчас замеряются "в среднем по больнице". Скажем, "может в музыку" -- но по факту поёт под гитару, а на рояле и скрипке -- никак, а второй будет оценен так же -- но там рояль и саксофон -- скрипка и вокал никак, третий -- вообще диджей, ни на чём не может, но держит vibe (модное слово!) в зале, "может в музыку". В новостях надо более подробно оценивать capabilities, и тут множество подходов, например:
-- https://arxiv.org/abs/2502.07577, "Automated Capability Discovery via Model Self-Exploration". Тут один AI пытает другой (возможно, себя) на предмет поиска capabilities -- на базе идей open-endedness. Это на поиск новых возможностей.
-- https://arxiv.org/abs/2503.08893, "EvalTree: Profiling Language Model Weaknesses via Hierarchical Capability Trees", это наоборот, поиск слабостей в capabilities, ибо текущие бенчмарки как раз меряют "среднюю температуру по больнице" в рамках очень широких областей.
Вот для каждой новости надо понимать:
-- это из какого тренда (или задаётся вообще новый тренд?). Тут, заметим, всё равно надо "отслеживать тренды" -- даже если у вас LLM, надо уметь отследить появление после трансформеров какой-нибудь мамбы, или "научились делать RL на LLM и заводить reasoning" (как с R1), ибо "там движуха": потенциально это может затронуть жизнь многих и многих инженеров.
-- в чём там SoTA, на какой парето-диаграмме играем (это необязательно двумерная диаграмма!), но это вопрос динамической оптимальности решения, положение на dynamic fitness landscape, причём достаточно детально, а не как у Gartner. Концепция использования -- наше всё, мало только концепции системы, тем более узкого вопроса функционального описания, "функциональной архитектуры" (при всей важности и первичности такого вопроса).
-- в чём суть предлагаемого решения? Как оно там всё? Нужно именно объяснение.
И вот по последнему пункту "нужно объяснение" самое интересное в форме реализации: AI как раз тут, вот он и должен объяснять. Новости идут в самых разных языках узких предметных областей, написанные "из контекста авторов", в языке метаС-модели, и она задаётся неявно, она часто спрятана в списке литературы к статье-новости, если вообще к новости есть список литературы и если вообще новость делается по выходу статьи.
В объяснении обычно берётся некоторый нейтральный контекст (мета-мета-модель, возможно метаУ-модель предметной области) и далее делается трактовка новости для широкого контекста, при этом -- причинный вывод, это же "объяснение"! Вот gonzo-обзоры или LLM под капотом ровно такое и делают, представляют какую-то ленту архитектурных новостей.
У нас же клуб создателей, поэтому прежде всего берём архитектурные новости, предложение новых функциональных архитектур, а ещё новых архитектурных стилей в плане нарезки на модули (можно ещё сюда и "проектировщиков" включить, которые делают "изобретения" -- показывают, что в физическом мире может быть аффордансом для этих функций, если следовать предложенному архитектурному стилю. Этот птичий язык разделения труда в современной разработке у меня в курсе "Системная инженерия"). И тут два нетривиальных поворота:
-- вообще, что такое "объяснения"? Авторы ведь сами всё объясняют! Нет, авторы не объясняют, у них глаз замылен, и изъясняются они тёмно. Надо сделать так, чтобы суть новости поняли даже люди, которые не имеют глубоких познаний в прикладной предметной области, хотя и имеют интеллект, позволяющий быстро разбираться с новыми веяниями. это должны быть SoTA мета-мета-модель и метаУ-модель (что трудно, поскольку новости в части трендообразования сами по себе задают изменения в способах описания -- тут неявно отслеживание трека происходящего с трансдисциплинами). Грубо говоря, поток новостей на испанском, тамильском и арабском должен объясняться на рабочем английском. А ещё это должны быть контрфактуальные объяснения, причинный язык. То есть берём авторский текст и за шкирку его дотягиваем до некоторых стандартов представления информации, а ещё помещаем в контекст. Иногда авторы и сами это делают, ибо paper и blog post и "информационная модель изделия" (код для софта) -- просто разные, но все необходимые вещи. И кто хорошо изобретает, часто пишет плохие статьи и вообще ужасные посты в блог. Вот эти объяснения "на рабочем английском предметной области" это компенсируют.
-- у каждого читателя, однако, есть свои вопросы. И текст должен на них отвечать. Получается так, что новость должна читателя новости чему-то научить, разъяснить, как новость влияет на жизнь читателя. Это можно делать в диалоге. Вуаля, мы должны перейти к тому, что по каждой новости надо генерировать мини-курс, причём под индивидуальную потребность каждого читателя! Чтобы понять новость, надо подучиться -- одному читателю ответить на пару уточняющих вопросов, а другому читателю таки развернуть ответы, в том числе заглянув в литературу по ссылкам в статье, а то и цитаты из каких-то учебников. Это не просто, я частично писал про проблемы такого захода в посте про "приличную RAG", retrieve-augmented generation, https://ailev.livejournal.com/1757545.html. При этом в части RAG довольно большие подвижки идут. Вот, например, уже есть промышленный мультимодальный RAG -- https://www.lighton.ai/lighton-blogs/lighton-integrates-visual-rag-into-its-platform. Но я думаю, что сегодня такие решения запретительны по цене для учебных и клубных организаций. На таких решениях нельзя отмасштабироваться.
Ведь фишка тут даже не в самой ленте, а в чате по поводу ленты -- это социальная сеть узкой предметной области, "те, кому надо", и там идёт обсуждение новостей, активная синхронизация с тем, что сегодня считается многомерной (разные же capabilities, разные места на Парето-равновесиях) SoTA в предметной области, а новости потихоньку эту SoTA сдвигают на другую линию Парето-равновесия.
"Кружок по интересам", узкий клуб в клубе как раз тут. При этом в русскоязычных таких "узких клубах" по паре десятков тысяч человек, из них тысяча -- в чате (например, в gonzo-обзорах так, тематика "функциональная архитектура нейросетей для LLM").
Учебные курсы
Но есть ещё и "широкий клуб", достаточно интеллектуальные люди, которые владеют мета-мета-моделью, позволяющей ориентироваться в самых разных прикладных областях с какой-то достаточно высокой скоростью (год, а не пару десятков лет. Представьте поэта, который хочет стать инженером по проектированию микросхем -- вот это оно, десятки лет как раз в этом случае).
Конечно, нельзя ожидать, что кто-то пройдёт годичный учебный курс, чтобы просто разобраться с новостным потоком -- задавая вопросы AI по поводу новости, а затем вопросы к ответам на свои вопросы, и так целый год, пока новость не будет понята. Хотя у меня есть прецеденты: людям любопытна моя лента, но она непонятна. Поэтому время от времени я встречаю комменты типа "вау! прошёл ваши курсы -- теперь могу читать ваши посты, оказывается, ваша лента вполне понятна!". Вот эта история (чтобы было, что пройти для понимания прикладной ленты -- были курсы, которые "сосредочиться -- и пройти") тоже должна быть поддержана.
Понятно, что тут мы впереди планеты всей, не буду подробно прописывать, укажу только на несколько ссылок:/
-- Программа "Организационное развитие", всего 16 европейских кредитов, 480 часов, справка по курсам, https://ailev.livejournal.com/1737214.html (инженерии в программе больше, но ход на то, что размер проектов растёт -- и инженеры выходят в командную работу, развивают организацию проекта)
-- все курсы программ "Организационное развитие" и "Личное развитие" (бесплатный доступ к текстам учебников после регистрации): https://aisystant.system-school.ru/.
-- синтез фундаментальных методов мышления "Интеллект-стек": https://aisystant.system-school.ru/lk/#/course/intelligence-stack
-- корпоративным заказчикам: предложение ШСМ по обучению команд топ-менеджеров, https://ailev.livejournal.com/1720404.html. Дополнительно про топ-менеджеров и их обязанности: https://ailev.livejournal.com/1708306.html.
-- расписание ближайших курсов с преподавателями в открытых наборах: https://system-school.ru/list
-- принципы квалификации: https://ailev.livejournal.com/1723294.html.
-- вебсайт Школы: https://system-school.ru/.
-- мой блог, в котором ещё много чего про это пишется.
В преддверии AI понятно, что все прикладные области будут быстро подрываться в части людского труда, уж проекты-то точно придётся менять -- и там разбираться с новыми предметными областями и командами. Поэтому сначала поднимаем калибр личности, учим SoTA собственно мышления, понимание того, как организационно устроена работа и в чём вообще труд создателей хоть чего-нибудь. Люди с каким-то калибром личности будут чуть более эффективней общаться с теми же AI, чуть более осознанно читать эти же новостные ленты, чуть более ярко участвовать в клубной работе -- будут чуть боле конкурентоспособней окружающих. Мы это уже сейчас умеем делать, но это плохо масштабируемо. И пока не очень поддержано клубом. Ну, поддержим -- при помощи AI, о чём и пост.
Продвижение, бизнес-модель и монетизация
Если тему монетизации не обсуждать, то это всё просто размахивание руками. Выглядит это как "общественная некоммерческая организация", но те же социальные сети и главный новостной сайт мира (Гугл) ни разу не общественные организации. Как OpenAI была некоммерческой организацией (недолго!) мы тоже помним. Есть специальная форма, в которой сейчас учреждаются подобные инициативы -- Public Benefit Corporation, https://en.wikipedia.org/wiki/Benefit_corporation. В такой форме зарегистрирована xAI, в этой форме идёт OpenAI. Все эти DAO и прочие "децентрализованности" не выживают, это мне было очевидно всегда, почему у меня в ленте вы и не находили материалов -- колхозы и кооперативы не выживают. А зачем тогда особая форма для for-profit entity? Фишка там в том, что "если руководство делает какие-то шаги в пользу общества, упуская прибыль, и цена акции падает, то акционеры не имеют право судиться за это с руководством". Тут тоже новизна, поиск новых организационных форм.
А ещё я много писал про клубы, в том числе инженерные клубы тут:
-- "Клуб создателей: первые прикидки", https://ailev.livejournal.com/1744751.html, там было впервые предложено говорить о "клубе создателей", вариант "инженерного клуба". И много-много текста про прототипы, примеры, терминологию.
-- первые шаги ШСМ по трансформации в клуб, кратенько в итогах 2024 года для ШСМ, вторым пунктом: https://ailev.livejournal.com/1747035.html
-- "Не пишешь -- не думаешь, не общаешься -- не в клубе, не в культуре", https://ailev.livejournal.com/1756090.html. Клуб из себя и себя -- это не клуб, не культура. Поговорить не с кем -- это проблема. Если ты вроде как освоил культуру, но молчишь ("все слова на птичьем -- только в уме, ни слова наружу"), то никто и не знает, что ты разговариваешь на каком-то языке. Ты один среди чужих, культура, приобретённая тяжёлым трудом, выветрится. Клуб -- это прежде всего клуб единомышленников, единомыслителей (хотя нет никакого единомыслия, а есть только единонемыслие, но в клубе для этого единонемыслия всё-таки есть какие-то общие культурные основания, SoTA фундаментальных дисциплин интеллект-стека). Вот "Интеллект-стек" мало кто читал, в курсах ШСМ сейчас это дополнительный материал. И с кем его обсуждать? В клубе вполне можно найти этих людей. Но чтобы с тобой это обсуждали, надо, чтобы было понятно: ты "в теме". Для этого надо не молчать -- раскрыть рот и предъявиться. Вот это да, это уже "тексты вовне", при этом не обучающие ("здравствуйте, я вчера прочёл три страницы курса ШСМ, сейчас я вас научу уму-разуму", при этом человек честно считает, что он "просвещает", занимается "маркетингом ШСМ"), а клубные -- беседы с соклубниками, с создателями систем, такими же, как ты. Это социальная жизнь, это ещё одно измерение мышления письмом: практикование общей культуры. Ещё клуб -- это салон, место для общения, практикование культуры мышления в компании. Это "профессиональное сообщество", community of practice, а по-простому -- клуб. Клуб программистов, клуб менеджеров проектов, клуб системных архитекторов, а у нас большая претензия -- клуб создателей успешных систем, инженерный клуб (https://ailev.livejournal.com/1744751.html). Тут можно говорить прежде всего о продолжении встреч в уже знакомой учебной группе -- возможно даже, что прямо с преподом, почему бы и нет. Но это уже после окончания обучения, это уже "клубная жизнь". Это как университетские alumni -- есть одногруппники, есть однокурсники, а есть вообще все, которые и вместе-то никогда не собираются. Вот встретиться с одногруппниками и попрактиковать мышление -- это милое дело, этого ж нельзя сделать на работе или в семье (хотя мы уже знаем компании, где это можно сделать на работе, предложение по обучению команд топ-менеджеров работает, в некоторых фирмах возникает совершенно особая атмосфера продвинутого мышления, https://ailev.livejournal.com/1720404.html). Эти встречи вполне можно назвать "салон", как раньше -- https://en.wikipedia.org/wiki/Salon_(gathering), https://ru.wikipedia.org/wiki/Салон.
Те "чаты обзоров", они же "чаты новостных каналов" -- это есть форма бытования салона. И там мы знаем, что дальше происходит: в популярных каналах и развиртуализация, и многое что другое. "Но есть нюанс": в этих всех каналах есть харизматичный главный персонаж, а тут предлагается AI. Но и тут уже идут эксперименты, например, Григорий Сапунов для gonzo-обзоров уже воспитывает себе своего нейро-двойника, который пишет пока плохие, но уже вполне читабельные разборы статей. Так что это я всё пишу частично про светлое будущее, частично про пока убогое, но уже настоящее.
