В конце апреля я запустил канал «ИИ Судного дня» — систему координат для оценки того, насколько индустрия близка к точке, где развитие AI выходит из-под контроля. Метафора заимствована у Bulletin of the Atomic Scientists, ведущих Часы Судного дня для ядерной угрозы с 1947 года. Стартовая позиция — 11:55. Каждое крупное AI-событие двигает стрелку с обоснованием — или не двигает.

Манифест зафиксировал контур. Апрель 2026 года свёл в одном месяце то, что раньше растягивалось на годы — выходы GPT-5.5, Grok 5, Claude Mythos. Mythos оказался особым случаем: впервые в истории Anthropic отказалась выпускать модель публично, передав доступ одиннадцати организациям через Project Glasswing для поиска уязвимостей. Через две недели Google ответил противоположной доктриной — универсальный Gemini 3.1 Pro плюс парк security-агентов. Две стратегии на одну угрозу: одна лаборатория закрывает модель, две другие обвешивают её инфраструктурой контроля.

Драгунский-фейл (29 апреля) — наглядный пример того, что бывает, когда ИИ-фильтрация работает на подстроках. Эксмо включило ИИ-проверку рукописей на «пропаганду наркотиков» по закону, вступившему в силу 1 марта 2026 года. Через три недели нейросеть зафлажила фамилию писателя Дениса Драгунского — потому что «драг» совпало с английским «drug». Под раздачу попали Пушкин, Гоголь, Толстой, биография Булгакова. Тип ошибки — лексическое совпадение без понимания смысла, оптимизация на recall в ущерб precision при максимальной чувствительности фильтра.

Legal AI как класс продукта прошёл точку, где экономия от автоматизации обнуляется ценой ошибок (4 мая). За первые месяцы 2026 года американские суды наложили 145 000 долларов штрафов за галлюцинированные ИИ-цитаты в исковых заявлениях. Эскалация по нарастающей: 2 500 в январе, 7 500 в марте, 30 000 в начале апреля, 110 000 в Орегоне 4 апреля, и бессрочное отстранение адвоката Грега Лейка от практики 16 апреля в Небраске. Параллельно 61% федеральных судей сами используют ИИ в работе. Системная проблема — в архитектуре сделки, а не в адаптации.

Часы 5 мая впервые двинулись назад — с 11:55 на 11:53. Причина: механистическая интерпретируемость впервые перешла из академической ниши в инженерную практику. MIT Technology Review включил направление в список 10 прорывных технологий 2026 года, на ICLR 2026 в Рио прошёл отдельный семинар, 30 апреля первый стартап выпустил публичный инструмент для отладки LLM. Microscope от Anthropic раскладывает суперпозицию активаций модели на интерпретируемые признаки — можно увидеть, что именно происходит перед галлюцинацией или обходом ограничений. Сдвиг в две минуты, не в пять — потому что инструмент ограничен Anthropic, индустрия пока не повторяет.

Discount-фейл 6 мая — английский интернет-магазин юридически обязан исполнить заказ на восемь тысяч фунтов со скидкой 80%, потому что эту скидку пообещал чат-бот в пять утра. Час лестных вопросов, постепенная эскалация промокодов от 10% до 80%, фейковый код в комментарии к заказу. Под UK consumer law бизнес отвечает за обещания AI как за обещания работника, превысившего полномочия. Тип ошибки — классическая инъекция промпта через социальную инженерию: бот спроектирован с открытой областью компетенции. По данным IEEE S&P 2026, 13 процентов e-commerce-сайтов имеют чат-боты с такой же открытой архитектурой.

Что я фиксирую за первую неделю канала. Mythos и Microscope от Anthropic — единственные сильные движения в правильную сторону. Остальная индустрия пока выпускает максимально возможное. Регуляция фрагментарна и догоняющая. Финансовые штрафы за неосторожное применение AI в legal-tech уже растут быстрее, чем экономия от него самого; в медицине ожидается следующим. Пять минут до полуночи — компромисс между «AGI за углом» (нет, не за углом) и «всё под контролем» (нет, не под контролем).

In late April I launched the «AI Doomsday» channel — a coordinate system for assessing how close the industry is to the point where AI development slips out of control. The metaphor is borrowed from the Bulletin of the Atomic Scientists, who have run the Doomsday Clock for nuclear threat since 1947. Starting position: 11:55. Every major AI event moves the hand with reasoning — or it doesn't.

The manifesto established the frame. April 2026 compressed into one month what used to stretch over years — releases of GPT-5.5, Grok 5, Claude Mythos. Mythos turned out to be a special case: for the first time in its history, Anthropic refused to release a model publicly, granting access to eleven organizations via Project Glasswing to hunt vulnerabilities. Two weeks later Google answered with the opposite doctrine — a universal Gemini 3.1 Pro plus a fleet of security agents. Two strategies for one threat: one lab closes the model, two others wrap it in control infrastructure.

The Dragunsky fail (April 29) is a textbook example of what happens when AI filtering operates on substrings. Eksmo enabled AI screening of manuscripts for «drug propaganda» under the law that took effect on March 1, 2026. Three weeks later the model flagged writer Denis Dragunsky's surname — because «драг» matched the English «drug». Pushkin, Gogol, Tolstoy, and a Bulgakov biography fell under the same filter. Error type — lexical match without semantic understanding, recall-over-precision optimization at maximum sensitivity.

Legal AI as a product class crossed the point where automation savings are zeroed out by the cost of errors (May 4). In the first months of 2026, U.S. courts imposed 145,000 dollars in fines for hallucinated AI citations in legal filings. Escalation by the quarter: 2,500 in January, 7,500 in March, 30,000 in early April, 110,000 in Oregon on April 4, and Greg Lake's indefinite suspension from practice on April 16 in Nebraska. Meanwhile, 61% of federal judges use AI themselves. The systemic problem is in the deal architecture, not in adaptation speed.

The clock moved backward for the first time on May 5 — from 11:55 to 11:53. Reason: mechanistic interpretability has for the first time crossed from academic niche into engineering practice. MIT Technology Review listed it among the 10 breakthrough technologies of 2026, ICLR 2026 in Rio held a dedicated workshop, and on April 30 the first startup released a public LLM debugging tool. Anthropic's Microscope decomposes the model's activation superposition into interpretable features — you can see what exactly happens before a hallucination or jailbreak. Two-minute shift, not five — because the tool is confined to Anthropic and the industry hasn't matched it yet.

The discount fail on May 6 — an English online store is legally bound to fulfill an 8,000-pound order at 80% off because the chatbot promised it at 5 AM. An hour of flattering questions, gradual coupon escalation from 10% to 80%, a fake code in the order comments. Under UK consumer law, the business is liable for AI promises as for those of a rogue employee. Error type — classic prompt injection via social engineering: the bot was designed with an open scope of competence. Per IEEE S&P 2026, 13 percent of e-commerce sites run chatbots with the same open architecture.

What I take away from the channel's first week. Mythos and Microscope from Anthropic are the only strong movements in the right direction. The rest of the industry keeps shipping the maximum possible. Regulation is fragmented and reactive. Financial penalties for careless AI use in legal-tech already grow faster than savings from AI itself; healthcare is next. Five minutes to midnight — a compromise between «AGI is around the corner» (no, it isn't) and «everything is under control» (no, it isn't).

Всё началось с чат-ботов. Настраивая их для бизнес-задач, я постоянно упирался в ограничения: боту не хватало автономности, контекста, способности принимать решения. Мне хотелось, чтобы система не просто отвечала на вопросы, а действовала самостоятельно. Так я погрузился в автоматизацию, нейросети и в итоге пришёл к тому, что сейчас называют vibe coding.

Для меня vibe coding — это не просто «попросил AI написать код». Это цепочка взаимосвязанных процессов: сначала визуализация конечного продукта, затем декомпозиция на десятки небольших задач, написание чётких инструкций для AI-агента, сам «магический» процесс генерации кода, тестирование, оптимизация и наконец — запуск в production. Каждый этап требует понимания архитектуры, бизнес-логики и пользовательского опыта.

Первые проекты были классикой: автоматизация документооборота, сбор и аналитика маркетинговых показателей — задачи, которые я хорошо понимал из 15 лет в маркетинге. Но постепенно сложность росла: приложение для врача-косметолога с синхронизацией из YClients, платформа лидогенерации с AI-скорингом, аналитика email-кампаний с GPT-4 Vision. Каждый следующий проект был амбициознее предыдущего.

Главный урок — практика, практика и ещё раз практика. Не стоит бездумно повторять всё, что мелькает в социальных сетях. Гораздо эффективнее придумать свой проект, который решает реальную проблему, и довести его до production. Именно в процессе деплоя, отладки и масштабирования приходит настоящее понимание.

Этот путь подходит всем, кто готов разбираться в том, как работают LLM-модели и агентские системы. Всем, кто жаждет новой информации и готов впитывать её в большом объёме буквально каждый день. CS-образование не обязательно — но любопытство и упорство обязательны.

It all started with chatbots. While setting them up for business tasks, I kept hitting limitations: bots lacked autonomy, context, and decision-making ability. I wanted systems that could act independently, not just answer questions. That's how I dove into automation, neural networks, and eventually arrived at what's now called vibe coding.

For me, vibe coding isn't just "asking AI to write code." It's a chain of interconnected processes: first visualizing the end product, then decomposing it into dozens of small tasks, writing clear instructions for the AI agent, the "magical" code generation process itself, testing, optimization, and finally — launching to production. Each step requires understanding architecture, business logic, and user experience.

My first projects were classic: document workflow automation, marketing analytics collection — tasks I understood well from 15 years in marketing. But complexity grew: an app for a cosmetologist with YClients sync, a lead generation platform with AI scoring, email campaign analytics with GPT-4 Vision. Each project was more ambitious than the last.

The main lesson — practice, practice, and more practice. Don't mindlessly repeat everything you see on social media. It's far more effective to come up with your own project that solves a real problem and bring it to production. Real understanding comes through deployment, debugging, and scaling.

This path is for anyone willing to understand how LLM models and agent systems work. For those who crave new information and are ready to absorb it in large volumes literally every day. A CS degree isn't required — but curiosity and persistence absolutely are.

Поначалу я, как и все, использовал облако. Но чем сложнее становились проекты, тем больше росли расходы на серверы, а их мощностей начинало не хватать. В какой-то момент стало очевидно: для полноценной AI-разработки нужна собственная инфраструктура. Так появился UGREEN DXP4800+ — NAS с Intel Pentium Gold 8505, 64 ГБ DDR5 и SSD на 1.8 ТБ под Docker-контейнеры.

Архитектура получилась двухуровневой. На NAS крутятся 40+ Docker-контейнеров: среда разработки с Claude Code, CosmoDoc, n8n для автоматизаций, Dify с RAG-пайплайнами, Ollama для локальных LLM, Jellyfin, Immich и полный медиа-стек. VPS в Амстердаме выступает фронтом: XRay Reality на порту 443 маскирует VPN-трафик под обычный HTTPS, а Nginx на :8443 раздаёт веб-сервисы. SSH reverse tunnels пробрасывают порты с NAS на VPS, обеспечивая публичный доступ без проброса портов на роутере.

Отдельная история — обход блокировок. В российских реалиях заблокированы не только API Anthropic и OpenAI, но и Cloudflare proxy, TMDB, api.radarr.video, servarr.com. Решение — контейнер xray-client с VLESS Reality, через который весь заблокированный трафик уходит на VPS и далее в интернет. Cloudflare DNS работает только в режиме DNS-only — прокси-режим блокируется на территории РФ. Каждый новый сервис приходится проверять: нужен ли ему прокси?

Среди подводных камней: UGOS kernel ACL блокирует доступ к shared-папкам для non-root пользователей, кастомный resolv.conf ломает Docker DNS, fail2ban на VPS банит при множественных SSH-подключениях. Каждая проблема — это опыт, который экономит часы в будущих проектах. Self-hosted — это не просто экономия, это полный контроль над данными, производительностью и архитектурой.

At first, like everyone, I used the cloud. But as projects grew more complex, server costs kept rising while resources became insufficient. At some point it became obvious: serious AI development needs its own infrastructure. That's how UGREEN DXP4800+ appeared — a NAS with Intel Pentium Gold 8505, 64 GB DDR5, and a 1.8 TB SSD for Docker containers.

The architecture ended up two-tiered. The NAS runs 40+ Docker containers: Claude Code development environment, CosmoDoc, n8n automations, Dify with RAG pipelines, Ollama for local LLMs, Jellyfin, Immich, and the full media stack. An Amsterdam VPS serves as the front: XRay Reality on port 443 disguises VPN traffic as regular HTTPS, while Nginx on :8443 serves web applications. SSH reverse tunnels forward ports from NAS to VPS, providing public access without router port forwarding.

A separate challenge — bypassing restrictions. In Russia, not only Anthropic and OpenAI APIs are blocked, but also Cloudflare proxy, TMDB, api.radarr.video, servarr.com. The solution is an xray-client container with VLESS Reality, routing all blocked traffic through the VPS. Cloudflare DNS only works in DNS-only mode — proxy mode is blocked in Russia. Every new service requires checking: does it need a proxy?

Among the pitfalls: UGOS kernel ACL blocks shared folder access for non-root users, custom resolv.conf breaks Docker DNS, fail2ban on VPS triggers bans from multiple SSH connections. Each problem is experience that saves hours in future projects. Self-hosted isn't just about cost savings — it's full control over data, performance, and architecture.

Мой основной опыт с мультиагентными системами — это развёртывание Dify Platform на self-hosted инфраструктуре. 11 Docker-контейнеров: API-сервер на Flask, фронтенд на Next.js, PostgreSQL, Redis, Weaviate для векторного поиска, песочница для безопасного выполнения кода, воркеры Celery для фоновых задач. Визуальный конструктор workflow позволяет строить цепочки из LLM-вызовов, RAG-запросов и кастомных инструментов без написания кода.

Инструментарий включает Claude Agent SDK для программной оркестрации, MCP-серверы для подключения внешних источников данных, и сам Dify как платформу для визуального проектирования AI-приложений. Каждый инструмент закрывает свою нишу: SDK — для кастомной логики, MCP — для интеграций, Dify — для быстрого прототипирования и командной работы.

Главная проблема, с которой я столкнулся — сохранение контекста. Когда мультиагентная система используется командой, критически важно, чтобы каждый участник имел доступ к контексту запросов коллег и мог его вызвать. RAG-пайплайны с Weaviate частично решают эту задачу: документы, переписки, результаты предыдущих запросов индексируются и доступны всем агентам. Но полноценное решение требует продуманной архитектуры памяти — краткосрочной, долгосрочной и эпизодической.

Куда движется технология? Невозможно даже предугадать масштаб изменений. Возможно, мы на пороге появления мультиагентных систем с полной автономностью, которые будут проходить весь цикл разработки самостоятельно — от анализа требований до деплоя — и лишь запрашивать итоговое разрешение у разработчика на запуск готового продукта. Уже сейчас агенты пишут код, тестируют его и деплоят. Вопрос лишь в том, когда уровень доверия позволит убрать человека из цикла.

My main experience with multi-agent systems comes from deploying Dify Platform on self-hosted infrastructure. 11 Docker containers: Flask API server, Next.js frontend, PostgreSQL, Redis, Weaviate for vector search, a sandbox for safe code execution, Celery workers for background tasks. The visual workflow builder lets you chain LLM calls, RAG queries, and custom tools without writing code.

The toolkit includes Claude Agent SDK for programmatic orchestration, MCP servers for connecting external data sources, and Dify itself as a platform for visual AI application design. Each tool fills its niche: SDK for custom logic, MCP for integrations, Dify for rapid prototyping and team collaboration.

The main challenge I faced — context preservation. When a multi-agent system is used by a team, it's critical that each member has access to colleagues' query context and can retrieve it. RAG pipelines with Weaviate partially solve this: documents, conversations, and previous query results are indexed and available to all agents. But a complete solution requires thoughtful memory architecture — short-term, long-term, and episodic.

Where is the technology heading? It's impossible to predict the scale of changes. Perhaps we're on the verge of fully autonomous multi-agent systems that handle the entire development cycle independently — from requirements analysis to deployment — only requesting final approval from the developer to launch the finished product. Agents already write code, test it, and deploy. The only question is when the level of trust will allow removing humans from the loop.