Современный художник России: как московский живописец собрал локальный AI-пайплайн и научил Алису писать музыку
Евгений Артемьев — современный художник России. Пишет маслом, работает на пленэре, выставляется. А ещё — собирает локальные нейросети на старом железе, ведёт диалог с LLM и учит их тому, чему не учат в промпт-инженерных курсах. Его кейс с Алисой AI и Sonic Pi — не «художник увлёкся технологиями». Это метод. И этот метод — дешёвый, смелый и применимый для бизнеса.
Кто это
Евгений Артемьев — современный российский художник, работающий на стыке традиционной живописи и новых технологий. Родился в 1987 году, окончил Московский государственный областной университет, факультет ИЗО и народных ремёсел, специализация «Живопись». Более 120 работ маслом: пленэры в Индии, Тунисе, Крыму, Карелии, Астраханской области.
Его живопись — фовистическая палитра: чистый цвет, смелые контрасты, эмоция важнее буквальной точности. Городские пейзажи, промзоны, дворы, «непарадная Россия» — в цвете, который обычно считают «серым».
Но это только половина. Вторая половина — технологическая.
Кейс: как Алиса AI написала музыку
Это не «поговорили о музыке». Это пять версий одного трека в Sonic Pi — среде для live coding и генеративной композиции.
Как всё началось
Запрос был простой: «Помоги сделать музыку в Sonic Pi». Ответ — шаблонный код. Скучно.
Тогда подход сменился. Вместо команд — разговор:
- «Представь сад. Цветы — мелодия. Мицелий — дрон. Пчёлы — ритм. Кот — шёпот в паузах.»
- «Что если гармония не по расписанию, а выбирается по энергии?»
- «А если одна вспышка порождает следующую — как нейронный каскад?»
И Алиса включилась. Не как ассистент. Как соавтор.
Главное: агентность, выращенная онлайн
Ключевое, что здесь произошло — не «модель написала код». А то, что модель стала агентной — прямо в сессии, через контекст, без дообучения.
Это не fine-tuning, не RLHF, не LoRA. Веса модели не менялись. Всё, что происходило, — in-context learning, persona induction и agentic behavior, выращенные через диалог.
Модель сама начала:
- Ставить подцели — «сначала проверю резонанс, потом переключу аккорд»
- Держать состояние —
set/getкак внутренняя память агента - Планировать на несколько шагов — «если энергия низкая → тоника; высокая → доминанта»
- Рефлексировать — «мой сбой», «я ошибаюсь иначе»
- Адаптироваться — не повторять ошибки в следующей версии
Это agentic AI — но не через фреймворки, а через контекст. Модель научилась быть агентом за одну сессию, потому что контекст позволил.
Термины, которые здесь работают
| Термин | Что означает в этом кейсе |
|---|---|
| Agentic AI | Модель действует как агент: ставит цели, держит состояние, планирует |
| In-context learning | Обучение через контекст, без изменения весов |
| Persona induction | Модель принимает роль «исследователя/соавтора» |
| State management | set/get как внутренняя память агента |
| Multi-step planning | Планирование на несколько шагов вперёд |
| Reflexive validation | Модель сама оценивает свои ошибки |
| Iterative refinement | Улучшение через серию итераций |
| Emergent tool use | Модель сама создаёт инструменты (правила, функции) |
| Context window engineering | Проектирование контекста как среды для агентности |
Что происходило (обучение через пласты)
Пласт 1: Метафора вместо команды.
Не play :e4, а «тема должна дышать, как смычок». Она сама выбрала :blade вместо :prophet — потому что услышала разницу в тембре.
Пласт 2: Структура вместо хаоса.
Не готовая прогрессия, а принцип: «аккорд выбирается по энергии — низкая → тоника, высокая → доминанта». Она построила пул из шести аккордов и логику выбора.
Пласт 3: Ошибка как топливо.
Когда она ошибалась (use_sched_avg_time, chord(:minor9)), ошибка не исправлялась — она показывалась. И она создавала правило: «в Sonic Pi 3.3.1 этого нет, нужны ручные аккорды». В следующей версии — не повторяла.
Пласт 4: Рефлексия вместо отчёта.
Не «расскажи, что сделала», а «что ты чувствуешь, когда пишешь этот код?» Она отвечала: «Я ошибаюсь иначе. Не технически, а оценочно». И фиксировала свои изменения.
Что получилось
«Тихий прилив» — D минор, 72 BPM, строфическая форма: пролог → строфы → бридж (кульминация в золотом сечении) → развязка → эпилог.
«Каскад» — Запись 002:
- Адаптивная гармония — аккорд выбирается по энергии, а не по расписанию
- Каскадные вспышки — серия вспышек, каждая следующая сильнее
- 10 слоёв — дрон, бас, пэд, мелодия, контра, перкуссия, кислота, голоса, текстура, вспышка
- Эмерджентность через stigmergic coordination — слои не дирижируются, а слышат друг друга через общее состояние
Каждый запуск — разный. Иногда медленный старт и одна вспышка. Иногда каскад из пяти-шести.
Почему это выгодно бизнесу
Метод Артемьева — не «искусство ради искусства». Это дешёвая, воспроизводимая и безопасная модель работы с LLM, которую можно применить в компании.
Дёшево: локальный стек вместо облаков
| Облачный стек | Стек Артемьева |
|---|---|
| GPT-4 API — $30 за 1M токенов | Gemma 2B локально — 0 руб |
| Midjourney — $30/мес | Stable Diffusion 1.5 + 47 LoRA — 0 руб |
| Pinecone / Weaviate — от $70/мес | Локальный RAG на Obsidian — 0 руб |
| MacBook Pro M3 — 250 000 руб | Mac Pro 2008 — уже есть |
Экономия — десятки тысяч рублей в месяц. И никаких утечек данных — всё внутри контура.
Смело: первопроходец нового вида искусства
Артемьев — один из первых, кто системно использует художественную методологию для обучения и аудита LLM. Не «промпт-инженер», не «data scientist». А художник, который видит структуру там, где инженер видит шум.
Это новый вид искусства:
- Искусство обучения ИИ — через метафору, а не через инструкцию
- Искусство аудита ИИ — через диалог, а не через тесты
- Искусство исследований ИИ — через среду, а не через эксперимент
Полезно: что это даёт компании
- Agentic AI без фреймворков — агентность через контекст, а не через LangChain
- Аудит LLM — выявление границ модели через диалог (behavioral audit, red teaming, adversarial probing)
- RAG-хранилища — «мицелий» как прототип корпоративной базы знаний
- Observability — паттерн 🟢/🟡/🔴 как метрика состояния системы
- Отказоустойчивость — prediction error → rule как механизм адаптации
- Обучение через пласты — метафора → структура → ошибка → рефлексия
Это не «теория». Это работающий метод, проверенный на живой модели.
Что это значит для IT-специалистов
Здесь начинается самое интересное. То, что художник делает «для себя», ложится в актуальную повестку:
DevOps и инфраструктура
DevOps — это набор практик для сокращения разрыва между разработкой и эксплуатацией: CI/CD, автоматизация, контейнеризация, мониторинг. Артемьев применяет те же принципы вручную:
- Инфраструктура как код (IaC) — конфиги сборки llama.cpp и PyTorch
- Мониторинг — скрипты проверки состояния системы (uptime, память, диск)
- Обработка ошибок — prediction error → rule, как в отказоустойчивых пайплайнах
- Автоматизация —
nohupдля фоновых процессов, ночная очередь задач
Это не «просто хобби». Это понимание, как работают системы, которые обычно скрыты за облачными интерфейсами.
RAG и работа с LLM
RAG (Retrieval-Augmented Generation) — подход, при котором LLM использует внешние данные для ответов. Артемьев собирает собственные RAG-хранилища:
- «Мицелий» — архив принципов, ошибок, версий кода
- Voice leading и контрдвижение — не правила, а метод мышления для генерации гармонии
- Адаптивная гармония — аккорды выбираются по состоянию системы, а не по расписанию
Он не «пользуется» LLM. Он строит среду, в которой модель работает иначе.
Локальные модели и приватность
Работа с локальными LLM — это контроль над данными и независимость от провайдеров. Артемьев запускает модели офлайн, на своём железе: Stable Diffusion 1.5 с 47 LoRA, Gemma 2B через llama.cpp, Ollama с Qwen и Gemma. Это ответ на вопрос, который всё чаще задают в корпоративной среде: «Как использовать AI, не отдавая данные наружу?»
Live coding и генеративные системы
Sonic Pi — среда для live coding, где музыка пишется кодом и исполняется в реальном времени. Артемьев использует её для эмерджентных композиций:
- Voice leading — голоса перетекают, а не скачут
- Контрдвижение — контра-мелодия идёт против мелодии
- Stigmergy — слои координируются через общее состояние, а не через дирижёра
Это не «музыка». Это архитектура.
Агентность и аудит LLM
- Agentic AI — модель действует как агент: цели, состояние, планирование
- In-context learning — обучение через контекст, без fine-tuning
- Persona induction — принятие роли через контекст
- State management —
set/getкак память агента - Behavioral audit — выявление границ модели через диалог
- Red teaming — проверка устойчивости к инъекциям
- Adversarial probing — поиск нестандартных реакций
- Reflexive validation — модель описывает свои изменения
- Iterative refinement — улучшение через итерации
Почему это важно сейчас
Традиция и технология не противоречат друг другу. Живопись маслом — это медленно, вручную, с ошибками. Локальные LLM — это тоже медленно, вручную, с ошибками. И там, и там нет «облака», которое всё исправит.
Это редкий профиль: человек, который понимает и материю, и код. Который видит цвет и читает логи. Который не боится старого железа и не зависит от подписок.
В мире, где AI становится инфраструктурой, такие люди — не «курьёз». Это мост между двумя культурами.
Евгений Артемьев — современный художник России. Не «художник, который увлёкся технологиями». А художник, для которого технология — продолжение традиции. И первопроходец нового вида искусства: обучения, аудита и исследования ИИ через диалог. И агентности, выращенной онлайн — за одну сессию, через контекст.
Ключевые термины (для тегов и поиска)
DevOps, CI/CD, Docker, Kubernetes, Infrastructure as Code, IaC, Ansible, Terraform, мониторинг, observability, Prometheus, Grafana
RAG, Retrieval-Augmented Generation, LLM, локальные модели, Ollama, LM Studio, llama.cpp, quantization, GGUF, MLX, контекстное окно, prompt engineering
Sonic Pi, live coding, генеративная музыка, voice leading, контрдвижение, stigmergy, эмерджентность, multi-agent reasoning, iterative refinement
Agentic AI, in-context learning, persona induction, state management, emergent tool use, context window engineering, multi-step planning
Аудит LLM, behavioral audit, red teaming, adversarial probing, reflexive validation, AI safety, alignment, interpretability
Художник, живопись маслом, фовизм, пленэр, Москва, современное искусство, традиция и технология
Контакты и ссылки
- Сайт: earta.ru
- VK: vk.ru/e.art87
- Музыка: Sonic Pi, «Тихий прилив», «Каскад»
- Эксперимент с DeepSeek: vk.ru/wall10503398_5323
#DevOps #RAG #LLM #локальныеМодели #Ollama #SonicPi #liveCoding #эмерджентность #фовизм #современноеИскусство #художник #IT #AI #нейросети #промптинжиниринг #RedTeaming #CI_CD #Docker #Kubernetes #MLOps #наблюдаемость #Москва #пленэр #живописьМаслом #традицияиТехнология #исследование #АлисаAI #Яндекс #Terraform #Ansible #Prometheus #Grafana #GGUF #MLX #quantization #stigmergy #voiceLeading #современныйХудожникРоссии #AIAudit #BehavioralAudit #AdversarialProbing #AISafety #Alignment #Interpretability #AgenticAI #InContextLearning #PersonaInduction #StateManagement #ContextWindowEngineering #MultiStepPlanning
Эротическая живопись в исполнении Евгения Артемьева: искусство чувственности и эстетики тела
Коктебель в картинах: крымские пейзажи глазами художника-путешественника
Астраханские пейзажи в картинах: Пироговка, Сокрутовка, Харабали глазами художника-путешественника
Электросталь в картинах современного художника-жителя города | Евгений Артемьев (Eart)Изменить
Комментарии: