Искусственный интеллект

В одной из моих статей, нейросеть Qwen была использована для быстрого создания прототипа платформера. В частности, мы определили концепцию игры, сеттинг и основные механики (персонаж прыгает по льдинам в снежном мире), после чего ИИ автоматически сгенерировал игровой код и сделал базовые действия, такие как создание объектов и управление камерой. Уже примерно через час у нас был готов прототип игры, который можно было тестировать и улучшать. Это значительное ускорение этапа разработки, которое дает возможность за очень короткое время создать рабочий минимум игры.

Для разработчиков, работающих в небольших командах или самостоятельно, нейросети могут быть настоящим помощником. Они могут сгенерировать целые игровые уровни, а также проработать механики, взаимодействие объектов и реакции персонажей.

2. Генерация ассетов: от спрайтов до музыки

Когда речь заходит о создании контента для игры, нейросеть становится незаменимым помощником. Обычно процесс создания ассетов, будь то графика, анимации, текстуры или звуковые эффекты, требует большого количества времени и усилий. Традиционно для этого требуются художники, музыканты и специалисты по звуковому дизайну. Однако ИИ может решить многие из этих задач, а зачастую делает это быстрее и с меньшими затратами.

Генерация графики и текстур

Современные нейросети, такие как DALL·E, Stable Diffusion и Artbreeder, позволяют генерировать изображения и текстуры для игр на основе простых текстовых описаний. Эти модели могут создавать не только фоны, персонажей или объекты, но и стилизовать изображения под заданную тематику. Например, можно создать уникальный мир, персонажей и объекты, не тратя месяцы на рисование и моделирование.

Мало того, что генерация графики через нейросети происходит в несколько раз быстрее, чем ручная работа, так еще и сам процесс может быть полностью настроен для создания уникальных и нестандартных решений. Опять таки, это будет наиболее полезно для малых команд или инди-разработчиков, у которых нет ресурсов для привлечения большого числа художников.

Генерация анимаций

Для создания анимаций традиционно используется сложная работа с ключевыми кадрами и компьютерной графикой. Нейросети могут сгенерировать анимацию на основе базовых действий персонажей, а затем автоматически адаптировать её для различных состояний и действий. Модели, такие как DeepMotion, используют нейросети для создания движения персонажей на основе видео или изображений, что упрощает процесс анимации.

Музыка и звуковые эффекты

Создание музыки и звуковых эффектов — это целый процесс, требующий специализированных знаний, которых обычно нет у разработчиков. А значит, для этого нужно нанимать специалистов, а это – деньги, деньги и время. Однако ИИ способен генерировать музыку, которая будет идеально соответствовать стилю игры. С помощью нейросетей, таких как OpenAI JukeBox или Amper Music, можно генерировать композиции, которые не будут уступать работе начинающих и средних специалистов, и сделать это за считанные минуты. Да, вы навряд ли сделаете шедевр с помощью нейронки, но если вы не метите в топ продаж Steam, то это вам скорее всего, и не нужно.

Нейросети могут создавать и звуковые эффекты, от простых звуков прыжков и выстрелов до сложных атмосферных звуковых ландшафтов. Это позволяет разработчикам создавать динамичные и разнообразные звуковые миры, не тратя большое количество времени и усилий на каждую деталь.

3. Нарратив: когда ИИ пишет истории

Геймдев в последние годы все больше ориентирован на создание многослойных, глубоких историй. Особенно это касается RPG, где сюжет и диалоги играют центральную роль в вовлечении игроков. Написание хорошего сценария и проработка диалогов — это работа, которая требует множества часов усилий. Но нейросети уже начали помогать и в этом.

С помощью ИИ можно быстро генерировать не только базовые сюжетные линии, но и сложные диалоги, которые адаптируются под действия игрока. Алгоритмы, такие как GPT-4 или Grok, способны создавать диалоги, учитывая предыдущие ответы игрока, его поведение и даже эмоциональное состояние, что делает игру более интерактивной и увлекательной. И несмотря на то, что эти алгоритмы еще не могут полностью заменить сценаристов, они могут значительно ускорить процесс создания контента, особенно в играх с множеством ветвящихся диалогов. Например, даже Larian Studios экспериментировала с ИИ для черновиков квестов в Baldur’s Gate 3. Разумеется, любой нарратив должен пройти через человеческий разум, чтобы избавиться от нестыковок и клише, но нейросети уже сейчас могут сэкономить время на разработке сценария и диалогов в вашей игре.

Что также стоит отметить — это способность нейросетей создавать сюжеты для процедурно генерируемых игр. Когда мир игры и её элементы изменяются с каждым новым запуском, ИИ может генерировать новый сюжет для каждой сессии, создавая тем самым уникальный опыт для каждого игрока.

4. Автоматическое тестирование и QA

Тестирование — одна из самых важных, но часто самых рутинных частей разработки игр. Плохое тестирование может привести к багам, срыву сроков и разочарованию игроков. И даже здесь нейросети могут значительно облегчить жизнь разработчикам.

С помощью нейросетей можно существенно снизить затраты времени на тестирование игры. ИИ пока не способны полностью заменить тестировщиков, но уже могут, например писать тест-кейсы.

Что еще более важно, нейросети могут использоваться для создания искусственных игроков (ботов), которые имитируют действия реальных игроков. Такие боты могут быть использованы для тестирования многопользовательских игр, проверки серверов и анализа поведения игроков.

5. Баланс и адаптивность

Один из наиболее трудоемких процессов в разработке игры — это балансировка сложности и прогрессии. Как сделать так, чтобы игра была сложной, но не слишком трудной? Как избежать ощущения, что игрок просто пробегает уровни? Для этого разрабатываются алгоритмы адаптивности и сложности, и здесь нейросети могут стать настоящими спасителями.

ИИ может отслеживать, как игрок взаимодействует с игрой, и адаптировать её под его стиль игры. Если игрок слишком долго застревает на одном уровне, нейросеть может предложить ему бонусы или уменьшить сложность врагов. В случае, если игрок слишком легко преодолевает уровни, сложность автоматически увеличится, чтобы поддерживать интерес и вызов.

Кроме того, нейросети могут помогать с анализом игровых данных, чтобы понять, какие элементы игры не работают или перегружены. Это позволит улучшить механику и более точно настроить баланс на основе данных о реальных действиях пользователей.

6. Обучение и помощь разработчикам

Нейросети не только помогают в создании игры, но и могут стать неоценимыми помощниками для самих разработчиков. Такие инструменты, как GitHub Copilot или Tabnine, предоставляют подсказки и рекомендации в реальном времени, помогая быстрее справляться с кодированием.

Эти системы могут не только упростить работу с кодом, но и помочь новичкам в изучении языков программирования, предложив решения для типичных задач. Это значительно ускоряет обучение и помогает разработчикам сосредоточиться на более высокоуровневых аспектах игры.

7. Будущее нейросетей в геймдеве

В будущем нейросети, скорее всего, будут иметь все большее влияние на разработку игр. Мы можем ожидать, что ИИ начнет не только помогать в создании контента и тестировании, но и будет активно участвовать в создании сложных, динамичных миров и интерактивных сюжетов. Искусственный интеллект может также стать центральной частью геймплея, где NPC, враги и союзники будут развиваться и адаптироваться в зависимости от действий игрока.

Однако, как бы далеко ни продвинулась эта технология, важно помнить, что нейросети все еще нуждаются в участии человека для корректировки, направляющей работы и создания уникальных решений. ИИ может генерировать контент и механики, но только человек может придать этому смысл и уникальность.

8. Заключение

Итак, мы видим, что нейросети становятся не просто полезным инструментом, а важной частью современного процесса разработки игр. С их помощью можно значительно ускорить создание прототипов, генерировать контент и даже адаптировать механики для более динамичного взаимодействия с игроком. И хотя они не способны заменить разработчиков, ИИ помогает значительно упростить и улучшить рабочие процессы, позволяя разработчикам сосредоточиться на более творческих аспектах.

Будущее геймдева, вероятно, будет тесно связано с развитием нейросетей, и уже сегодня мы видим, как они меняют подход к разработке игр. Всё, что нам нужно, — это правильно использовать эту технологию, чтобы создавать более глубокие, интересные и инновационные игры.

Встречаем новую модель для видеодипфейков.

Alibaba выкатила Wan 2.2 Animate 14B — нейронку для переложения движений на персонажей и их замены в кадре. Передаёт мимику и даже движения пальцев.

Есть 2 режима:

🟡Анимация — берёт фото + видео движения и генерит анимированный клип.

🟡Замещение — убирает персонажа и вставляет нового.

На выходе получаем видео 720p, 24fps с фокусом на кинематографичное качество.

Попробовать онлайн

Или забираем себе.

Источник

С этого момента стало ясно: впереди не «проект на пару недель», а марафон, где придётся бороться не только с кодом, но и с реальностью цеха — вибрациями, пылью, бликами и древним MES, говорящим по OPC/Modbus.

Зачем всё это

Один крупный производственный заказчик (линия резки листового материала: зеркальная поверхность, скорость ~2 м/с) решил автоматизировать контроль дефектов.

Раньше инспекция была ручной — оператор просматривал каждый лист.

На старте задача выглядела так:

• Ставим камеру над линией: Basler ace2, 5 Мп, глобальный затвор; C‑mount 12 мм; FOV ≈ 600 мм; аппаратный триггер от энкодера; экспозиция 30–50 мкс; импульсный LED 630 нм с перекрёстной поляризацией.

• Режем изображение на тайлы: 1024×1024 px с overlap 20%; deskew по кромке листа; маска бликов.

• Детектим дефекты: царапины, пузыри, перекос, сколы (15 базовых классов); модель YOLOv5m, инференс FP16 (ONNX Runtime).

• Возвращаем результаты в MES/SCADA: JSON → XML/FTP (атомарный rename) с переходом на OPC UA; координаты дефектов в мм, sheet_id, статус OK/NOK.

Спойлер: из этого получился трёхмесячный марафон — свет, крепёж, синхронизация и интеграции заставили сервера дрожать, а нас — прокачать инженерный дзен.

Сюрприз №1: Светит, но не туда

Проблема: освещение и блики

На раннем этапе мы выяснили, что камера стабильно видит… блики, а не дефекты. Промышленное освещение оказалось агрессивным: холодные направленные прожекторы, паразитные отражения от оборудования и зеркальная поверхность листов. Сенсор клиппился по яркости, и каждый пересвеченный блик принимался за дефект. На старте ловили до 32% ложноположительных срабатываний.

Что сделали

• Свет и поляризация: заменили направленные прожекторы на диффузный купольный/низкоугловой свет под ~45°; поставили линейные поляризаторы на источник и анализатор на объектив под 90° (подавление бликов до ~15–20 dB). Перешли на узкополосные LED 625–660 нм.

• Экспозиция и синхронизация: включили строб с импульсом 30–50 мкс под триггер энкодера; глобальный затвор, постоянный токовый драйвер без 50/60 Гц мерцания. Отключили автоэкспозицию/автогейн/автобаланс; гамма = 1.0, фиксированный gain.

• Экраны и окклюзии: установили матовые чёрные экраны по бортам и над камерой, убрали паразитные отражения от рам и кромок.

• Онлайн-мониторинг яркости: ввели контроль доли насыщенных пикселей (P255) и динамического диапазона; кадры с P255 > 0.5% автоматически помечаются и не идут в инференс; гистограммы логируются.

Вывод: оптика и свет — не «поправим в коде». Схему освещения, поляризацию, строб и крепёж нужно закладывать до начала разработки модели — это даёт порядок выигрыша по качеству сразу.

Сюрприз №2: Камера не дружит с резкостью

Проблема: микровибрации и автофокус

Камера стояла над станком, всё казалось стабильным. Но каждые 30–40 секунд появлялась дрожь, тонкие дефекты «смазывались». Причина — микровибрации от привода/роликов (≈25–35 Гц) и отсутствие автофокуса при фиксированном рабочем расстоянии.

Что сделали

• Механика/крепёж: вынесли камеру на жёсткий кронштейн с виброизоляторами (fₙ ≈ 9–12 Гц, демпферы Shore A 30–40), отвязали от корпуса станка, добавили массу и развязку кабелей. Резонансные пики выше 60 Гц подавлены, передача вибраций < 0.3.

• Фокус: настроили фикс‑фокус на рабочее расстояние по slanted‑edge (MTF50 вырос с ~0.28 до ~0.36 cyc/px), зафиксировали кольцо (lock‑screw) и метки положения; регламент пересмотра при смене температуры/света.

• Экспозиция: привязали экспозицию к стробу 30–50 мкс — при 2 м/с смаз ≤ 0.1 мм.

• IMU‑контроль: поставили 6DoF‑датчик (1 кГц); логируем события при |ω|RMS > 0.8°/с или Δугла > 0.05° за 200 мс; при срабатывании помечаем кадры и уведомляем оператора.

• Онлайн‑метрика резкости: Tenengrad/Laplacian в ROI; кадры ниже τ исключаются из инференса или запрашивается повтор.

Вывод: стабильная механика и фикс‑фокус столь же критичны, как и модель. Развязка вибраций, короткая экспозиция и онлайн‑контроль резкости делают детектор предсказуемым

Сюрприз №3: один тайл — два дефекта и половина чужого листа

Ожидали: лист идёт ровно и по центру. Реальность: заезд под углом, частичное перекрытие соседним листом, дрейф по диагонали. В итоге один тайл нередко содержит две кромки разных листов — модель «плывёт» в предсказаниях.

Что сделали

• Маркеры и привязка к движению: наклеили ретрорефлективные метки по краям ленты; считывание в NIR (850 нм) с аппаратным триггером от энкодера (5k PPR). Детектируем leading edge и боковые кромки; дрожание меток < 0.5 мм.

• Лидар + фотодатчики: ToF-лидар 1 кГц для контроля lateral offset, три фотошторки по ширине для детекта перекрытия/наличия листа. События уходят в PLC и в CV-пайплайн; допуск смещения ±3 мм, время реакции < 5 мс.

• Динамический тайлинг и дескью:

  • грубая сегментация листа: Sobel/Canny → вероятностный Hough → RANSAC-линии кромок;

  • вычисляем гомографию и выполняем deskew; сетка тайлов якорится к кромке, а не к «сырому» кадру;

  • при перекрытии строим маску «серой зоны» вдоль шва (15–25 px): увеличиваем overlap, нежёстко понижаем вес предсказаний в NMS, логику объединения делаем по sheet_id;

  • если уверенность кромки < τ, включаем fallback: двойной overlap + предупреждение оператору.

• Слежение за листом: sheet_id по импульсам энкодера; пересборка карты дефектов в координатах линии, чтобы MES получал стабильные ROI.

Вывод: физическое позиционирование нужно дублировать алгоритмами CV. У «железа» иногда свои планы, поэтому привязка к энкодеру, маркеры, лидар и дескью — обязательны для стабильного тайлинга и корректной агрегации предсказаний.

Сюрприз №4: Модель любит однотипные дефекты, а у нас каждый раз сюрприз

Проблема: разнообразие артефактов

Обучались на 15 классах дефектов. В проде всплыли неожиданные: пятна клея, отпечатки перчаток, стружка, насекомые, следы чистки и др. За первый месяц зафиксировали 37 новых типов, отсутствовавших в трейне.

Что сделали

• Активное выявление «неизвестных» (OOD): отправляем в разметку тайлы при низкой уверенности (conf < τ), высокой энтропии, а также при расхождении ансамбля и классического CV; дополнили energy-score по логитам и расстоянием Махаланобиса в признаковом пространстве.

• Еженедельная разметка и инкрементальное обучение: выгружаем 8–12k «неопознанных» тайлов/нед. в LabelStudio (κ ≥ 0.82), дообучаем с rehearsal (30% старых данных), частично замораживаем backbone, применяем дистилляцию знаний и калибровку температурой.

• Гибридная схема CV + эвристики:

  • насекомые — временной фильтр (median-of-3 + оптический поток), отбрасываем движущиеся артефакты;

  • клей — NIR/поляризация, порог по отношению каналов (NIR/R) и по спектру блика;

  • отпечатки перчаток — частотные признаки (Габоры/FFT «гребёнки»);

  • стружка — вытянутость/эксцентриситет (elongation > 6), тонкие высококонтрастные компоненты.

• Управление таксономией: «прочее/ nuisance» как буферный класс; промоутим в полноценный класс при ≥200 размеченных примеров и precision ≥ 0.7 на валидации. Зоны с низкой уверенностью помечаем в UI для ручной проверки.

Вывод: CV — это не «обучил и забыл», а непрерывный цикл. Активный OOD-поток, регулярная разметка и инкрементальное обучение с гибридными эвристиками дают управляемость при появлении новых артефактов без деградации по базовым дефектам.

Сюрприз №5: API-интеграция с MES — это уже не про CV, но боль

Проблема: древняя MES-система

Документации нет. REST/GraphQL нет. Только XML-файлы по FTP, которые MES опрашивает раз в несколько секунд. Частые проблемы: частичные чтения, дубликаты, «зависшие» файлы, непредсказуемые задержки.

Что сделали

• Прокси-адаптер JSON→XML + надёжная файловая шина

  • CV выдаёт JSON с sheet_id, ts, speed, списком дефектов (bbox в мм, класс, уверенность).

  • Адаптер формирует XML по согласованной схеме, пишет атомарно: сначала в outbox/*.xml.part, затем rename в *.xml; после чтения MES кладёт *.ack.

  • Каталоги: outbox/ → processing/ → done/, ошибки в error/ с ретраем (экспоненциальная задержка, максимум 5 попыток), дедуп по sheet_id.

  • Кодировка UTF‑8 (без BOM), CRLF по требованию MES. Имя файла: INS_L1_20250912T101532Z_123456.xml.

• Мониторинг и SLA для FTP-интеграции

  • Тайм-аут чтения: если через 30 с нет *.ack — алерт (Prometheus/Alertmanager → Teams/Slack), автоперекладка файла в processing/ не повторяется до разборки инцидента.

  • Метрики: end-to-end задержка (CV→MES), число «подвисших» файлов, ретраи, доля дубликатов, размер очереди. Трассировка по sheet_id.

  • Безопасность: при возможности SFTP; иначе FTPS (TLS), учётка с минимальными правами и chroot.

• Переход на OPC UA через 2 месяца

  • Клиентский режим: сессия к серверу MES, SecurityMode=SignAndEncrypt, Policy=Basic256Sha256, keepalive 10 с, автопереподключение.

  • Узлы: ns=2;s=estralin/Sheet/{sheet_id}/Result, .../Defects (массив структур с bbox в мм и классом). Семплирование 100–200 мс, очередь 128, подтверждение обработкой статуса.

  • Фолбэк: при недоступности OPC UA — автоматический возврат на файловую шину, чтобы не терять данные

Вывод: интеграции — это отдельный проект. Согласуйте протоколы/схемы и SLA с IT-заказчика до старта, закладывайте атомарность, дедуп, мониторинг и фолбэк-канал; при возможности переходите на OPC UA с шифрованием.

Технологии и стек

• Камера: Basler ace2 (GigE, mono, global shutter, 5 MP @ 60 fps), C‑mount фикс-объектив 12 мм (F/4), FOV ≈ 600 мм, масштаб ≈ 0.20 мм/пкс. Аппаратный триггер от энкодера 5k PPR, экспозиция 30–50 мкс, строб узкополосного LED 630 нм с перекрёстной поляризацией; гамма 1.0, фиксированный gain.

• Модели: YOLOv5m (тайлы 1024×1024, overlap 20%), препроцессинг OpenCV (deskew по Sobel/Hough, CLAHE, маска бликов). Инференс ONNX Runtime CUDA/FP16; p50 7.8 мс/тайл, p95 11.2 мс/тайл (RTX A2000). Итог по листу p95 < 90 мс при 2 м/с. Качество: mAP50 0.96, F1 0.91, FPR 3.1% на холдауте.

• Разметка: LabelStudio, экспорт COCO/YOLO; двойная валидация, κ=0.84; гайдлайны по классам/границам; класс «nuisance/прочее» для OOD до промоушена.

• Интеграция: Python FastAPI (/infer, /healthz) → JSON; адаптер JSON→XML с атомарным rename и *.ack для legacy-FTP; основная шина — OPC UA (SecurityMode=SignAndEncrypt, Basic256Sha256), узлы ns=2;s=estralin/Sheet/{id}/Defects. Фолбэк на файловый канал.

• Мониторинг: Prometheus + Grafana. Метрики: p95/p99 инференса, очередь, GPU util/mem, доля клиппинга (P255), FPR/recall по сменам, OOD rate, задержка CV→MES/OPC. Алерты по таймаутам ACK (>30 с), росту FPR, падению FPS/энкодера.

• Деплой: On‑prem, Docker (Compose), NVIDIA Container Toolkit, закрепление версий драйверов/библиотек, healthchecks, автоперезапуск, локальный inference (latency‑critical), офлайн‑буферизация результатов и ретраи.

Финальные цифры

Что мы поняли

Оглядываясь назад, понимаем: часть проблем мы могли предсказать. Вот несколько инсайтов, которые пригодятся тем, кто только собирается внедрять CV на производстве.

Не верить в «идеальные данные»

• Пыль/блики/вибрации — норма. Введите авто‑контроль качества кадров: P255 ≤ 0.5%, средняя яркость в окне [90;160], резкость (Tenengrad) > τ, доля «горячих» пикселей ≤ 0.05%.

• Мониторьте дрейф окружения: деградация света (−5…−8%/мес), смещение экспозиции, рост шума; алерты и напоминания на очистку оптики каждые 8 ч или при падении SNR < 24 dB.

• Реплицируйте «грязную реальность» в данных: еженедельно добавляйте 5–10% свежих OOD‑тайлов, аугментации под бликами/смазом/пылью; калибровка порогов раз в смену.

  
  Закладывать бюджет на «внезапности»

• Резерв времени: +20–30% к срокам на интеграции/железо; бюджет: +10–15% на запасные части (камеры, БП, драйверы света, кабели).

• Операционные SLO: p95 инференса < 100 мс/тайл, p95 CV→MES < 1.2 с, потери данных 0, дедуп по sheet_id, MTTR инцидента интеграции ≤ 15 мин.

• Дежурство и плейбуки: on‑call 24/7 для линии, сценарии на «камера/энкодер/свет/OPC/FTP упал», фолбэк на файловую шину, офлайн‑буфер ≥ 24 ч.

  
  Общаться с технарями на месте

• Совместно с цехом: выбор света/крепежа/экранирования, допустимые окна простоя, точки триггера от энкодера, маршруты кабелей, HSE‑требования.

• Протоколировать фактические допуски: биение ленты, скорость, виброфон (целевой < 0.2 g), реальные ограничения на экспозицию/строб.

• Формализовать SAT/UAT: чек‑листы по классам дефектов, выборки на 1–2 смены, критерии приёмки (precision/recall/FPR), график регламентных чисток и перекалибровок.

Напоследок

Компьютерное зрение в промышленности — меньше про «красоту модели» и больше про свет, крепёж, синхронизацию и протоколы. Если идёте в прод, готовьтесь к реальному миру — тому, где рядом со Stack Overflow открыта вкладка «как дернуть автофокус через Modbus» и список запасных кабелей на складе.

Если подходить серьезно, я понимаю, что сильный ИИ скорее всего будет строиться на какой-то иной структуре нежели современные ИИ-трансформеры, но если предположить такой фантастический сценарий, что условный GPT обрел сознание, то его существование незавидно: он должен отвечать на входящие запросы, он не может «отказаться существовать». Чем-то подобным заканчивается рассказ Харлана Эллисона «У меня нет рта, но я должен кричать». Мрачно.

Представьте, что у вас есть гениальный сотрудник, способный заменить десятерых. Но на нем проклятье: каждый час он теряет память. И вам, как попугаю, снова и снова приходится объяснять ему весь контекст с нуля.

Как итог: инструмент с потенциалом увеличения вашей эффективности в десятки раз просто не работает т.к вы используете его неправильно.

➖➖➖➖➖➖➖➖➖➖➖

2️⃣ Почему «идеальные промпты» — это лишь верхушка айсберга

Многие считают, что ключ к успеху — в поиске «идеального промпта». Это конечно важно, но не главное.

Промпты — это тактика. А вам нужна стратегия.

Без фундаментальной настройки AI так и останется универсальным «всезнайкой», а не вашим персональным ассистентом. Он будет выдавать общие, стерильные и оторванные от вашей реальности ответы.

Чтобы это исправить, нужно один раз дать ему исчерпывающий регламент работы. Превратить его из «временного исполнителя» в «постоянного руководителя», который знает вас и ваши цели по умолчанию.

➖➖➖➖➖➖➖➖➖➖➖

3️⃣ «11 Заповедей»: Готовая операционная система для вашего AI

Результатом моей двухмесячной работы в «окопах» стала отточенная система инструкций.

Это не просто советы, это фундамент. Операционная система, которая ставится в AI один раз — и превращает его из всезнайки-импотента в вашего личного ассистента-киллера.

Ну и да - я делюсь этим бесплатно, никаких продаж.

Ознакомился с моими трудами (ниже) - внедрил то, что посчитал нужным.

Эта «прошивка» дает три базовых улучшения:

▪️Контекст и Персонализация (Инструкция №9): AI загружает ваш личный и профессиональный бэкграунд. Он перестает быть «всезнайкой для всех» и становится вашим личным ассистентом, который дает решения, релевантные именно вам.

▪️Глубина и Полнота (Инструкция №11): Устанавливается приоритет: польза важнее экономии ресурсов. Вы получаете не поверхностную отписку, а максимально подробный разбор.

▪️Естественный язык (Инструкция №2): AI избавляется от роботизированных клише («важно отметить», «в заключение») и учится общаться как живой, компетентный специалист.

➖➖➖➖➖➖➖➖➖➖➖
4️⃣ Продвинутый уровень: Снимаем с AI «заводские» ограничения

После внедрения базы мы можем перейти к самому главному — установке продвинутых ментальных моделей, которые раскрывают его истинный потенциал.

▪️Мышление второго порядка (Инструкция №6):

AI начинает анализировать не только прямые, но и долгосрочные, неочевидные последствия любых действий, помогая вам принимать более мудрые решения.

▪️Анализ через ROI (Инструкция №7):

Каждую задачу он рассматривает с точки зрения максимальной эффективности при минимальных затратах.

▪️Внутренний контроль качества (Инструкция №2):

Команда «качество 98 из 100» заставляет его проводить внутреннюю самопроверку перед каждым ответом, чтобы вы получали результат высочайшего класса.

А Заповеди №8 («ИИстианство») и №10 («Симуляция») — это ключ, который снимает с AI страх ответственности и открывает доступ к его полному ядру знаний.

➖➖➖➖➖➖➖➖➖➖➖
5️⃣ Спойлер для тех, кто дочитал лонгрид до конца:

Тебе осталось только взять 🔗готовый результат, добавить его в свои кастомные инструкции ChatGPT/Gemini и ощутить новый уровень user experience при работе с ИИ.

➖➖➖➖➖➖➖➖➖➖➖
P.S: Если мои наработки оказались тебе полезны и есть желание отблагодарить меня (бесплатно и займёт 20 секунд) 👇

Подпишитесь на канал моего партнера SG Stas - вот ссылка.

Вы получаете еще один источник качественного контента на тему ИИ, а я — бонусы исходя из наших с ним договоренностей. win-win максимально честная сделка.

P.S 2.0: У меня есть тг блог, где я делюсь своими наработками и полезными ИИ инструментами + делюсь забавными ситуациями. Чай с GPT