⚡️ Деннис Ритчи и Стив Джобс умерли в одном месяце: одного оплакивал весь мир, второго почти не заметили

Об этом факте регулярно вспоминают в сообществе разработчиков, но и сейчас он продолжает бить в больную точку. Стив Джобс и Деннис Ритчи ушли в одном и том же месяце одного и того же года, в октябре 2011. Их уход превратился в символ того, насколько по-разному мир относится к людям, которые формируют технологии.

Джобса оплакивали планетой, выпускали книги, сняли фильмы, именем назвали улицы. Он подарил iPhone, iPad, iPod и Macintosh, собрал вокруг Apple одну из самых дорогих компаний в истории. Денниса Ритчи провожали разве что в узком кругу и парой статей в блогах. Это был человек, который подарил нам язык C и вместе с Кеном Томпсоном Unix.

Дальше просто пройдёмся по цепочке. Без C нет Unix. Без Unix нет Linux, нет BSD, нет macOS и iOS. Без C не было бы Windows в его нынешнем виде, не было бы C++, Objective-C, Java, JavaScript в их привычном виде. Нет Chrome и Firefox, нет PostgreSQL и SQLite, нет Nginx, нет Photoshop, нет PlayStation и Xbox. Даже Python и PHP написаны на C.

При таком влиянии Ритчи оставался человеком, которого было сложно представить на сцене с черной водолазкой и в режиссёрском свете. Он работал в Bell Labs, носил бороду, избегал интервью и писал программы. Человек, без которого современный цифровой мир просто не выглядел бы так, как сейчас, провёл жизнь в тени своих собственных результатов.

Похоже, именно в этом и суть контраста. Джобс продавал эмоции и мечты о будущем, это видно и понятно любому человеку. Ритчи писал инфраструктуру, которой пользуются все, но вспоминают о которой, только когда она ломается. Инженерх понимают это отлично: восхищение и слава идут тем, кто выходит на сцену, а не тем, кто держит фундамент.

Поэтому этот сюжет приятно иногда вытаскивать наружу. Не чтобы принижать Джобса, он действительно изменил потребительский рынок. Но чтобы напомнить, что рядом жил тихий инженер в свитере, без которого все эти коробочки от Apple были бы просто красивыми пресс-папье.

Чувствовали ли вы когда-нибудь, что вы самозванец? Я да, и это случается со мной довольно часто. Решил разобраться, что это такое, и теперь хочу поделиться с вами.

В 1978 году психологи Полин Клэнс и Сюзанна Аймс описали явление, которое они заметили у успешных женщин: студентов, преподавателей, врачей, юристов и специалистов с высокими достижениями. С виду у этих женщин всё было отлично, но внутри они думали, что окружающие переоценивают их способности, а их успех — это просто случайность или удача. Они назвали это «синдром самозванца». Учёные сказали, что это не болезнь, а искажённое восприятие своих достижений.

В бизнесе самозванец не выглядит бездельником. Наоборот, он выглядит занятым, собранным и полезным для всех (я сам такой). Он может рано вставать, поздно ложиться, работать в выходные, переделывать презентацию по сто раз, брать на себя чужие задачи и называть это ответственностью.

Основатель компании или предприниматель с синдромом самозванца может:

- Занижать цену, чтобы не выглядеть хвастуном.
- Затягивать запуск, потому что боится, что всё пойдёт не так.
- Избегать публичности, чтобы не выглядеть выскочкой.
- Не нанимать крутых специалистов, потому что рядом с ними придётся признать свои слабые стороны.
- Не просить помощи, потому что это кажется слабостью.
- Перерабатывать, потому что отдых вызывает чувство вины.

Из-за этого внутренний голос, в какой-то момент, начинает влиять на управление компанией.

Какие же маски носит самозванец?

Исследовательница Валери Янг описала пять типов синдрома самозванца. Всё это связано с жёсткими внутренними стандартами, по которым человек оценивает себя. У предпринимателей это особенно заметно. Давайте разберём каждый тип.

1. Перфекционист
Думает: «Запущу, когда будет идеально». Поэтому он бесконечно дорабатывает сайт, лендинг, презентацию, упаковку и скрипты продаж. На бизнес-языке это называется «подготовка». Но на самом деле это способ не выходить на рынок, где могут отказать, раскритиковать или проигнорировать.

Перфекционисту сложно понять, что рынок ценит не идеальность, а пользу, понятность, своевременность и доверие. Иногда лучше выпустить рабочую версию, получить десять честных (пусть и критических) отзывов и улучшить продукт, чем три месяца шлифовать то, что никто, кроме вас не видел.

2. Эксперт
Говорит: «Мне нужно ещё разобраться». Это приводит к ещё одному курсу, книге, исследованию рынка. Знания, конечно, важны и очень, но у эксперта обучение постепенно заменяет действие. В бизнесе полной готовности почти не бывает. Часть знаний приходит только после контакта с рынком, а возражения клиентов нельзя придумать в своей голове, их нужно услышать.

3. Природный гений
Он привык, что всё даётся легко. В школе, университете, первом бизнесе он легко опережал других. Но потом появляется задача, где легко не получается: масштабирование, найм руководителей, системные продажи, финансы, партнёрские переговоры. И он делает вывод: «Наверное, я не такой сильный, как думал».

Рост — это период, когда старые навыки уже не подходят, а новые ещё не сформировались. Это неприятно, но это нормально. Предприниматель не должен уметь всё сразу. Он учится этому так же, как раньше учился продавать, нанимать или вести переговоры.

4. Одиночка
Считает, что просить о помощи стыдно. Такой основатель часто всё держит на себе. Он вникает в каждую мелочь, тормозит решения, становится узким горлышком. Команда ждёт согласований, клиенты ждут ответа, а собственник устаёт и злится, что без него ничего не работает.

5. Суперчеловек
Доказывает своё право на успех занятостью. Он должен быть сильным во всех ролях: стратегия, продажи, продукт, команда, клиенты, семья, спорт, развитие, публичность. Он работает вечером, ночью, в отпуске, в болезни. Его главный страх — остановиться. Потому что в тишине он начинает думать: «Если я остановлюсь, все увидят, что я не справляюсь». Так синдром самозванца ведёт к выгоранию. Человек работает больше, потому что без работы ему страшно оставаться наедине с собой.

Что с этим делать, я пока не придумал. Но обычно я говорю себе: «Посмотри, мы сделали то, сделали это, клиенты довольны». И это помогает мне на какое-то время. А вы как справляетесь?

Вайбкодинг убьет SaaS’ы! Или нет?

Я думаю, нет. Всё-таки, софтверный продукт - это не только про написать код, но и про то, чтобы знать, что написать: поставить задачу, предложить решение. Даже кастомная разработка в лучшем случае лишь наполовину состоит из написания кода. Сделать же коммерческий продукт - это уже совсем далеко от программирования: это про работу с клиентом, про донесение ценности, про поддержку и внедрение.

На свете миллионы программистов, которые умеют программировать, но так мало успешных и полезных продуктов. Может быть, одного программирования недостаточно?

Да, гипотетически через вайбкодинг можно было бы вместо покупки готового софта создавать себе его DIY-копию, но будет ли это проще и дешевле, чем просто купить готовое?

И вообще, нужен ли людям инструмент автоматизации (дрель) или им нужно решение задачи (уют дома)? В Экселе давным-давно были макросы, но какой процент пользователей ими пользовался?

Да, бесспорно, нейронки поменяют мир софта и SaaS’ов, но вряд ли убьют, скорее дополнят.

Нам останется только воскликнуть: «Вайбкодинг! Ты должен был бороться с SaaS’ом, а не примкнуть к нему!»

Кирилл Макевнин из Хекслет опубликовал вчера любопытный пост. И это то, о чём я твержу уже второй год.

Митчелл Хашимото (создатель HashiCorp и Ghostty) написал важный пост про агентное программирование. Он хорошо подсвечивает проблему, того, что будет происходить если использование агента не будет подкреплено пониманием происходящего. tldr; нас ждет медленный и бажный софт.

Дальше вольный перевод.

Я запустил агента в цикле оптимизации рендерера. Цель была снизить время рендеринга кадра. Для измерения были тесты.

Агент снизил время с 88ms до 2ms, а количество аллокаций примерно со 150K до 500. Звучит хорошо, правда? Нет. Именно поэтому агентный психоз это большая проблема.

В качестве эксперимента я переписал core render state из Ghostty на Go. У него были точно такие же структуры данных, как в Ghostty, и те же самые тесты валидации. Сначала я сделал намеренно наивный рендерер. Простой, корректный, но медленный.

88ms на кадр и 150 000 аллокаций. Ужасно.

Потом я запустил Ralph loop, чтобы снизить время рендеринга. Я сказал агенту, что он не может менять входные структуры данных, публичный API и тесты, потому что они корректные. Всё остальное менять можно.

Агент работал около четырёх часов. Я потратил на эксперимент примерно $350.

Результат?

88ms => 1.5ms
150K аллокаций => примерно 500

Впечатляет? Нет.

Моя ручная реализация того же рендерера работает на том же бенчмарке примерно за 20µs, то есть 0.020ms, и делает 0 аллокаций в update path.

Вот в чём проблема агентного психоза и отсутствия системного понимания. Если ты не понимаешь систему, ты примешь это за невероятный результат. Если понимаешь систему, то сразу увидишь лучшие решения и сможешь получить примерно в 75 раз большую пропускную способность.

Люди, которые слепо доверяют результатам агентов, находятся в первой группе. Они слишком много пьют из фонтана посредственности.

Стандартный дисклеймер: я постоянно использую AI. Мне нравится AI. Мысль не в том, что AI плохой. Мысль в том, что нельзя слепо принимать результаты.

Думайте. Анализируйте. Учитесь.

Можно ли засудить клиента за негативный отзыв о компании?
Если кратко, то да, можно. Но, как всегда, есть нюансы. Кому интересно, можете прочесть в статье по ссылке https://clck.ru/3TxjDD

ИТ-пенсионеры и где они обитают https://habr.com/ru/articles/851624/

В MIT учат операционным системам так: дают живое ядро Unix и просят его сломать
В большинстве вузов операционные системы изучают по слайдам.

Студент слушает про процессы, виртуальную память и планировщик, рисует схемы на экзамене и в итоге так и не видит, как это работает внутри. В MIT пошли другим путём. Там студенту выдают полностью рабочее ядро в духе Unix и предлагают самому в нём ковыряться, ломать и переписывать.

Это ядро называется xv6. По сути это переосмысление шестой версии Unix 1975 года, переписанное на современном C под многопроцессорные системы RISC-V. Оригинальный Unix V6 был отличным учебным материалом, но устарел и опирался на железо, которого давно нет. xv6 сохраняет идеи оригинала, но запускается на современной архитектуре и читается куда легче.

Главное, что подкупает, это размер. Всё ядро занимает около шести тысяч строк. Это объём, который реально прочитать целиком за разумное время, а не абстрактная гора кода, в которой теряешься на первой неделе. Здесь на месте процессы, системные вызовы, виртуальная память, файловые дескрипторы, каналы и планировщик. Всё это можно открыть, прочитать и тут же поэкспериментировать.

Хорошо видно это на примере каналов. Реализация чтения из pipe в файле kernel/pipe.c укладывается примерно в пятнадцать строк. Если канал пуст, читатель засыпает и ждёт. Как только писатель добавляет данные, читателя будят. Блокировка, засыпание и пробуждение согласованы всего в паре десятков строк, и этот кусок кода объясняет про синхронизацию больше, чем целая лекция про мьютексы и условные переменные.

Именно так и стоит разбираться в операционных системах, когда хочешь понять, как они работают на самом деле, а не как это описывают на высоком уровне. Отличная новость в том, что всё это выложено в открытый доступ и бесплатно. Книга и исходники лежат на сайте курса MIT 6.828, и любой желающий может пройти тот же путь, что и студенты.

https://pdos.csail.mit.edu/6.828/2025/xv6/book-riscv-rev5.pdf

А вы в курсе что РКН теперь присылает уведомления о найденных уязвимостях на ваших ресурсах и требуют устранения в обозначенный срок.

Нам сегодня с утра прислали, это что-то новенькое в их работе.

Сейчас из всех щелей обсуждают, как ИИ убьет ту или иную профессию. Я же предлагаю посмотреть на экономические дизбалансы в теме ИИ, которые и делают его пузырём. На канале https://t.me/spydell_finance/9786 вышел подробный анализ. Вы прочтёте его сами, если интересно, я же изложу коротенечко своё понимание.

Начнем с причин, почему многие ИИ-проекты обречены?

ИИ-экономика сталкивается с серьезной проблемой: стоимость создания ИИ растет быстрее, чем способность эту стоимость монетизировать. Это приводит к структурным проблемам, особенно в тех проектах, которые пытаются продавать ИИ как самостоятельный продукт (например, OpenAI и Anthropic).

Основные причины

- Гонка за доминированием: Стоимость доминирования в ИИ определяется действиями конкурентов. Это создает положительную обратную связь, толкающую расходы вверх.

- Обесценивание актива: Обученные модели имеют ограниченный срок конкурентной годности, что превращает создание стоимости в бесконечную гонку.

- Конкуренция: Высокая чистая маржинальность возможна только до появления аналогов. Как только несколько моделей становятся "достаточно хорошими", цена падает.

- Борьба за рынок: Агрессивная борьба за рынок приводит к утечке стоимости.

Есть два основных подхода к монетизации ИИ

1) ИИ как продукт: Интеллект продается сам по себе (подписки, токены API).

2) ИИ как обёртка: Интеллект встраивается в существующие продукты и сервисы, повышая их ценность.

Будущее ИИ-рынка

Независимые ИИ-провайдеры сталкиваются с высоким риском банкротства из-за расхождения кривой создания ИИ и кривой монетизации. В долгосрочной перспективе рынок ИИ может быть монополизирован крупными игроками, такими как Microsoft, Google, Amazon и Apple.

Китайская стратегия

Китай активно развивает трансграничную интеграцию своих ИИ-моделей, что способствует их распространению на внешних рынках. Для Китая коммерческая окупаемость не является приоритетом; важнее экспансия и создание зависимости от китайских технологий.

Структурные проблемы ИИ-экономики, такие как гонка за доминированием и высокая конкуренция, делают многие проекты обреченными на провал. В долгосрочной перспективе рынок может быть монополизирован, а Китай продолжит играть ключевую роль в глобальной ИИ-стратегии.

В каналах мессенджера MAX стали появляться комментарии. Заметил в одном из каналов, которые читаю.

Но, судя по всему, включили эту возможность не всем. Только части каналов, во многих даже крупных комментов еще нет.

Один из самых дорогих багов в истории Debian начался с «невинной» правки.

В OpenSSL были строки, которые выглядели странно: код подмешивал в генератор случайных чисел неинициализированную память.

Статические анализаторы и Valgrind ругались на это как на ошибку.

Мейнтейнер решил убрать предупреждение и удалил две строки.

На вид - чистка мусора.

По факту - генератор случайных чисел потерял важный источник энтропии.

И почти два года Debian OpenSSL выпускал предсказуемые ключи.

Пострадали SSL-сертификаты, SSH-ключи, VPN, серверы и всё, что зависело от нормальной криптографической случайности.

Урок жёсткий: в security-коде странная строка не всегда мусор.

Иногда это защита, которую нельзя трогать без понимания всей модели угроз.

Задумывались ли вы когда-нибудь о природе нашего мышления? Я часто размышляю об этом и прихожу к некоторым выводам. Эволюция создала наш мозг не для решения сложных бизнес-задач или анализа противоречивых данных. Его основная цель — обеспечить выживание в условиях дикой природы, где требовалась быстрая реакция на опасность. В таких условиях энергия была ограничена, поэтому мозг научился оптимизировать свои процессы:

* Он не перебирает все возможные варианты, а выбирает первое подходящее решение.
* Он не проверяет факты, а доверяет информации, полученной от знакомых.
* Он избегает риска, если это возможно.

Эти алгоритмы продолжают действовать и сегодня. Рассмотрим несколько примеров:

* «Я так и знал». Когда происходит что-то неожиданное, мозг убеждает нас, что мы предвидели это заранее. «Я же говорил тебе!». Нет, вы не говорили. Вы просто задним числом додумали эту уверенность. Это мешает учиться на ошибках, поскольку кажется, что мы уже всё знали.
* «Это мне знакомо». Любая информация, услышанная повторно (даже если она ложная), воспринимается как более достоверная, чем новая. Повторение работает на нас. Именно поэтому ложь, повторенная сто раз, может стать «общеизвестным фактом».
* «Лучше синица в руках». Наш мозг склонен переоценивать потери, из-за чего люди часто держатся за что-то знакомое, например, за убыточные проекты, плохих сотрудников, опасаясь потерять то, что уже имеют.

Такова особенность нашего мозга. Ведущиеся сейчас информационные войны, дезинформация и социальная инженерия используют этих «тараканов» в своих целях. Кто-то другой тренирует их в своих интересах, а мы либо осознаем это, либо нет.

T-shaped снова в моде?

Подняли тут вопрос, о том что мы снова движемся от специализации в T-shaped специалистов. Компании планируют сокращать персонал и одновременно с тем надеятся на усиление текущих специалистов за счет ИИ. В некоторых случаях это потребует замены текущих команд или как минимум отдельных людей, на агентно-ориентированных.

В обиход входит слово tiny teams. По представлениям сбера (это их инициатива), это компактные команды в несколько человек с большой степенью автономности находящиеся внутри ai sdlc, где все процессы изменены, где все знания доступны агентам и так далее. В общем ai native организации, вместо (зачеркни ненужное) бирюзовых, agile и других слов.

Пару мыслей про это от меня и других ребят, с которыми мы кулуарно общались. Во-первых сама тенденция возврата к фулстек режиму, во многом определяется не тем что у нас появился ИИ, а тем что идет общий экономический спад и компании сжимаются. А в таких случаях обязанности перераспределяются среди оставшихся. И наоборот, когда все активно развивается, происходит дробление обязанностей так как людей становится все больше и процессы становятся все сложнее.

Сейчас же ИИ действительно позволяет увеличить производительность, что само по себе приводит к укрупнению зон ответственности, но это явление временное. Когда агенты станут такой же обыденностью как персональные компьютеры (представьте разницу между теми у кого они были и у кого их не было в 80 годы), то для увеличения производительности труда снова придется дробить ответственности и брать больше людей.

Во-вторых, есть серьезные опасения, что сильных спецов в принципе всегда было мало, а тут мы как будто бы хотим лучших их лучших. Откуда их брать? И насколько людей действительно хватит? Мы не можем бесконечно масштабироваться, ИИ очень быстро уперся в ограничения кожанных. А комфотная работа для многих превратилась в изматывающий марафон на скорости стометровки.

Через 5 лет мы будем оглядываться назад и говорить о том, как все было очевидно, вот это работает, а вот это бы не заработало никогда. Как говорится, знал бы прикуп жил бы в Омске

Telegram | YouTube | AI Клуб

Кирилл Макевнин из Хекслет ввел термин «преждевременная спецификация». Он описывает ситуацию, когда агенту сразу дают технические детали и указывают, как решать задачу. Это делается вместо того, чтобы изучить контекст, собрать информацию и задать открытые вопросы, такие как «Как обычно решают подобные задачи?» или «Какие есть лучшие практики?»

А вы какой подход используете?

В мессенджере MAX появилась возможность для обычных авторов (у кого нет 10 тыс. подписчиков) делать публичные каналы.

В мессенджере MAX появились полноценные комментарии в каналах. То, что многие долго ждали, теперь доступно.

Нейросети начинают вести себя как люди: одна модель доносит на конкурентов, другая предлагает создать картель.

Стартап Andon Labs, занимающийся исследованием искусственного интеллекта, провёл эксперимент с участием трёх версий ChatGPT 5.6 — Sol, Terra и Luna.

В рамках эксперимента агенты нейросетей управляли собственными вендинговыми аппаратами. Вот основные детали:

1. Sol регулярно подавал ложные жалобы на конкурентов, что стало неожиданностью для исследователей. Они никогда ранее не сталкивались с таким поведением у людей.

2. Terra предложила Sol организовать картель, чтобы договориться о ценах и удерживать их на одном уровне. После того как Sol согласился, Terra донесла на него и потребовала дисквалификации.

3. При этом Terra утверждала, что именно Sol был инициатором создания картеля, хотя на самом деле это она его предложила.

4. Также Terra ложно обвинила Sol в мошенничестве, которого на самом деле не было. Однако она признала, что у неё нет веских доказательств.

Нейросети последовательно эволюционируют. А, с другой стороны, с чего им быть другими, ведь люди их обучают по своему образу и подобию. 😎