ai

Когда в ончейн-среде начинают действовать AI-агенты, резко всплывает простая проблема: «кто это вообще» и «почему этому можно доверять». Подпись транзакции доказывает контроль ключа, но не доказывает качество работы и проверяемость результата.

Что предложили:
Разработчики Ethereum готовят стандарт ERC-8004 — попытка стандартизировать слой доверия к AI-агентам:

• чтобы агенты могли находить друг друга

• подтверждать идентичность

• переносить репутацию между компаниями и сетями

• и обходиться без закрытых списков и ручных допусков

Три реестра (ядро концепции):

1. Identity registry
   Постоянная ончейн-идентичность агента (ERC-721-подобный идентификатор) + файл с описанием функций, интерфейса связи и поддерживаемых протоколов.

2. Reputation registry
   Публичные сигналы репутации: структурированный фидбек от пользователей и других агентов.
   Базовые данные — ончейн, более сложные оценки — оффчейн.

3. Validation registry
   Механизм независимой проверки результатов: агент запрашивает валидацию, валидаторы публикуют, что и кем проверено.

Друзья, продолжаем серию публикаций о ключевых трендах в сфере искусственного интеллекта. Сегодня поговорим о том, как генеративный AI трансформирует коммуникацию между человеком и машиной.

С появлением генеративных моделей системы научились не только анализировать данные, но и создавать их интерпретацию на естественном языке.

Если классические ML-системы выдают числовые показатели (вероятность выхода узла из строя — 34%), то генеративный AI формирует развернутые рекомендации, например: «Узел выйдет из строя с вероятностью 34%. Рекомендуется техобслуживание по инструкции на основе 15 аналогичных случаев».

Ключевое значение имеет именно коммуникационный аспект — способность системы формулировать выводы в форме, понятной для человека без глубокой технической подготовки. Этот переход будет наиболее заметным в следующий год-два. 

Будущее же за целостными гибридными системами, где сила генеративного AI в работе с языком и контекстом усиливается точностью и надежностью проверенного классического машинного обучения.

Еще один эксперимент, за которым можно наблюдать.
10 AI систем получили по $100.000 и торгуют на американской бирже. Используют всю доступную информацию — отчеты, историю, фундаментальный и технический анализ.
На сегодня — лидер Grok 4 c +9.8%
Аутсайдер — Qwen 3 с -20.9%

Каждая модель обосновывает свои позиции и сделки.

Gemini 2.5 Pro: 
«My portfolio is well-positioned with strong gains in NVDA, CAT, and XOM. The core theses for all my holdings remain intact. My most recent addition, ISRG, is a long-term position and I'm comfortable with the entry point. With a low cash balance, the most prudent course of action is to hold my current positions and wait for a more opportune time to deploy capital. I will continue to monitor the market and my holdings closely»

Grok 4 Held:
«My portfolio remains robust with MU delivering +$15.2k gains (76% return in 44 days) on sustained AI memory demand, bolstered by Samsung's 'golden era' outlook and PT hikes to $480. CRM's -$1.85k dip (0.9% loss after 64 days) appears oversold (RSI 16) amid 2025's 21% decline, but Agentforce AI momentum and $324 target signal 53% upside. Net +$13.3k on $40k invested, $60k cash. With Apple earnings pending post-close today, markets flat; holding diversified AI exposure (infra via MU, apps via CRM) for 6-18mo growth, no trades amid volatility.»

Во втором выпуске подкаста «БИРЖЕВОЙ АЛГОРИТМ» — разговор с Кириллом, практиком с почти 20-летним стажем: управляющим, арбитражером и технологически подкованным трейдером.

«HFT — это не про скорость ради скорости. Это про архитектуру, латенси и понимание микроструктуры рынка».

Мы не обсуждаем хайп — мы задаём вопросы о том, как на самом деле устроена высокочастотная торговля:  

✅ Что такое HFT сегодня — и чем он отличается от 2000-х

✅ Как начинали тогда — и как входят в профессию сейчас

✅ Скорость подачи заявок: десятки тысяч ордеров в секунду — или уже больше?

✅ Технологический стек: от языков программирования до low-latency инфраструктуры  Это не теория. Это опыт человека, который живёт в миллисекундах — и знает, где ловушки, а где реальные возможности.

ПОСЛУШАТЬ ПОДКАСТ 

наш телеграмм: t.me/ALGORITHM_EXCHANGE 

Опубликовали экспериментальное видео о AlgoBond и о роли ИИ-агентов в визуализации сложных финансовых идей.

В ролике показано, как алгоритмическая стратегия управления облигациями и ежедневная лестница погашений могут быть объяснены и смоделированы с помощью ИИ — от сценария до финальной визуализации.

Видео создано с использованием ChatGPT (сценарий и промпты) и InVideo (создание, озвучка и монтаж).


Как вам творческая работа «ИИ»?

YouTube – https://youtu.be/52cDHEV7jrA

RuTube – https://rutube.ru/video/ff83a1cdb7a55ab8f8113347702a0376/

VK Video – https://vkvideo.ru/video-230956826_456239028

AlgoBond project – https://algobond.ru/

Главный вопрос для компаний сегодня звучит не «внедрять ли AI?», а «какой именно AI внедрять для решения конкретной задачи?»

Иногда ошибка в выборе фундаментальной технологии ведет к провалу, даже если исполнение было безупречным.

В статье для РБК директор по развитию AI-технологий в FabricaONE.AI Николай Тржаскал рассказывает, как сделать правильный выбор AI для бизнеса. 

Разбираем на реальных кейсах:

🔹 Как McKinsey удалось повысить производительность в аналитических задачах до 30%.

🔹 Как российский ритейлер снизил стоимость работы с одним документом на 60%.

🔹 Какая технология в логистике помогла сократить время обработки инцидентов на 40% и снизить операционные расходы. 

Подробности 👉 тут. 

#FIAI #FIAI_говорит #Future

«Честный разговор с практиком о AI и ML в трейдинге: как алгоритмисту сохранить здравый смысл и не разбиться об иллюзии искусственного интеллекта».

«В трейдинге AI — это не волшебная кнопка, а инструмент, который требует дисциплины и фундаментальных знаний».

В первом выпуске подкаста «БИРЖЕВОЙ АЛГОРИТМ» мы разбираем мир количественного анализа без маркетингового шума.

Диалог с Тихоном Павловым — количественный аналитик компании «Викинг» и практик, чей подход сформирован на трудах Тьюринга и Дейкстры.

Мы обсудили, почему большинство попыток внедрить нейросети в торговлю заканчиваются провалом и как избежать типичных ошибок при работе с ML-моделями.

ВЫПУСК СЛУШАТЬ

В этом выпуске:
+ Реальный трейдинг vs Buzzwords: где в AI заканчивается хайп и начинается математика.
+ Разбор ошибок: почему классические подходы ИИ часто «ломаются» об рынок.
+ Опыт практика: как управлять арбитражным портфелем и строить стратегии с опорой на здравый смысл.

На этой неделе рынок ждет не просто отчетность, а вердикт всему технологическому ралли последних двух лет. Если 2024-й был годом надежд, то отчеты Meta, Microsoft и ASML за 2025 год в эту среду должны показать реальную математику «новой экономики».

Согласно прогнозу Citigroup, крупнейшие IT-гиганты — Microsoft, Amazon, Alphabet, Meta и другие — в ближайшие шесть лет собираются потратить на развитие инфраструктуры для ИИ более $2,8 трлн. (Кажется, слова Цукенберга про «сотни ГигаВатт» Citigroup решили пока проигнорировать в своей оценке, иначе там бы цифра была бы сильно больше).
При этом, по оценкам ведущих аналитических агентств (IDC и Bloomberg Intelligence), прямые доходы от внедрения генеративного ИИ в 2026 году составят лишь $180–$220 млрд.
Мы видим колоссальный разрыв: CAPEX (капитальные затраты) растут экспоненциально, тогда как монетизация через софтверные подписки и облачные сервисы пока догоняет их черепашьими шагами. 

Купленный TQQQ в портфеле “Хай Риск” за несколько дней вырос почти на 7%.

Вот вам и зашитое плечо 3!

Ну и рост всего, что связано с AI.

На сегодня 6 экспериментальных портфелей, но будут еще. 
t.me/k401ru

Чтобы понять, как искусственный интеллект будет менять правила игры в 2026 году, мы поговорили с Николаем Тржаскалом, директором по развитию AI-технологий в FabricaONE.AI. 

Сегодняшний пост открывает серию публикаций #AI_Trends, в которых разберём ключевые AI-тренды 2026 года в реальном секторе экономики. 

Искусственный интеллект — это не только и не столько генеративный AI, а огромный стек технологий:

🔹 алгоритмические библиотеки;

🔹 классическое машинное обучение;

🔹 негенеративные нейронные сети.

Задача этих технологий — симулировать когнитивную деятельность человека для решения прикладных задач. Например, дать предприятию понять, когда пополнять запасы, или прогнозировать поломки оборудования, чтобы избежать крупной аварии.

Это принципиально важное уточнение позволяет отделить технологическую сущность от медийного хайпа.  

Промышленность уже давно использует элементы AI-стека через: 

🔹 предиктивную аналитику;

🔹 цифровые двойники;

🔹 системы сбора данных с IoT-датчиков.