Про идеи, которые вы отдаёте моделям.
OpenAI заявила, что её внутренняя модель решила задачу Навье-Стокса - одну из семи Millennium Prize Problems.
88 часов, до 10 000 агентов, 130 млрд output tokens, 165 страниц доказательства и формализация в Lean. Если результат выдержит проверку, это один из самых сильных примеров, когда AI не помогает учёным, а добывает новое знание сам.
Но тут есть неожиданный нюанс.
Профессор NYU Тристан Бакмастер вместе с Левентом Алпёге из Anthropic уже шёл к этой задаче довольно редким путём. Работу ещё не публиковали, вели её в основном через Codex.
О том, что у них есть прогресс и куда они идут, узнали в OpenAI.
Через несколько дней компания бросила на задачу compute, которого нет ни у одного университета, и дошла до полного доказательства. По словам Бакмастера, тем же путём.
Он задал очевидный вопрос: могла ли его работа внутри Codex помочь модели? Ответ OpenAI: его данные никто не смотрел, работа независимая.
При этом компания не может полностью исключить, что обезличенные данные использования продуктов улучшили модели.
Доказательств кражи нет. Цифра в $22,5 млн, которая гуляет по X - это оценка TechCrunch, во сколько такой прогон обошёлся бы по публичному тарифу, а не реальный счёт. Так что история не про воровство.
Мы уже думаем внутри Claude и Codex. Туда уходят неопубликованные статьи, код, инвестиционные гипотезы, архитектура новых продуктов.
Помощник может научиться на вашей идее быстрее, чем вы успеете её реализовать.
После DeepSeek я писал, что модели становятся commodity, а ценность в ваших данных. Эта история - обратная сторона того же тезиса: ваши данные ценны и для того, кто делает модель.
Для 99% запросов это неважно. Но если у вас есть что-то действительно новое: исследование, алгоритм, продуктовая идея, то к контексту frontier-моделей стоит относиться так же, как к исходному коду и коммерческой тайне.
Ценность в AI может оказаться не в промптах и не в моделях, а в том, что вы решили им не отдавать.
@maxvotek | linkedin | substack
OpenAI заявила, что её внутренняя модель решила задачу Навье-Стокса - одну из семи Millennium Prize Problems.
88 часов, до 10 000 агентов, 130 млрд output tokens, 165 страниц доказательства и формализация в Lean. Если результат выдержит проверку, это один из самых сильных примеров, когда AI не помогает учёным, а добывает новое знание сам.
Но тут есть неожиданный нюанс.
Профессор NYU Тристан Бакмастер вместе с Левентом Алпёге из Anthropic уже шёл к этой задаче довольно редким путём. Работу ещё не публиковали, вели её в основном через Codex.
О том, что у них есть прогресс и куда они идут, узнали в OpenAI.
Через несколько дней компания бросила на задачу compute, которого нет ни у одного университета, и дошла до полного доказательства. По словам Бакмастера, тем же путём.
Он задал очевидный вопрос: могла ли его работа внутри Codex помочь модели? Ответ OpenAI: его данные никто не смотрел, работа независимая.
При этом компания не может полностью исключить, что обезличенные данные использования продуктов улучшили модели.
Доказательств кражи нет. Цифра в $22,5 млн, которая гуляет по X - это оценка TechCrunch, во сколько такой прогон обошёлся бы по публичному тарифу, а не реальный счёт. Так что история не про воровство.
Мы уже думаем внутри Claude и Codex. Туда уходят неопубликованные статьи, код, инвестиционные гипотезы, архитектура новых продуктов.
Помощник может научиться на вашей идее быстрее, чем вы успеете её реализовать.
После DeepSeek я писал, что модели становятся commodity, а ценность в ваших данных. Эта история - обратная сторона того же тезиса: ваши данные ценны и для того, кто делает модель.
Для 99% запросов это неважно. Но если у вас есть что-то действительно новое: исследование, алгоритм, продуктовая идея, то к контексту frontier-моделей стоит относиться так же, как к исходному коду и коммерческой тайне.
Ценность в AI может оказаться не в промптах и не в моделях, а в том, что вы решили им не отдавать.
@maxvotek | linkedin | substack