Мира Мурати - ex-CTO Open AI в феврале 2025 основала свою компанию Thinking Machines Lab.
Сразу получила посевных инвестиций(посевных Карл) на $2B с оценкой стоимости компании в $10B. На данный момент у нее нет никакого продукта или даже прототипа. Просто слоган компании.

Краткая биография:
36 лет, родилась в Албании. В 16 переехала в Канаду. Получила бакалавра по искусству и в 2013 бакалавра инжинерии.
В 2013 начала работать в Tesla на позиции PMа.
В 2016-2018 работала в стартапе Leap Motion.
В 2018(в возрасте 30 лет и 5 годах опыта работы) пришла в Open AI на позицию VP (через 3 года после основания Open AI).
Вскорее стала CTO в Open AI.

В 2024 уволилась из Open AI, чтобы основать свою компанию.

Нет ли у вас чувства нарастающего пузыря в AI?

Какие ресурсы использовать для подготовки к алгосам в 2025?

Начальный уровень
Смотри пост, с чего можно начать тут (там я рекомендую 2 книги и конкретные главы): С чего начать изучать алгоритмы с полного нуля в 2025?

По сути, это книги:
1) Grokking Algorithms by Aditya Bhargava (Грокаем алгоритмы, Бхаргава Адитья)
2) Cracking the Coding Interview by Gayle Laakmann Mcdowell

Изучаем введение в эти 6 глав и выучиваем реализации основных алгоритмов:

1) Chapter 1. Arrays and Strings
2) Chapter 2. Linked Lists.
3) Chapter 3. Stacks and Queues.
4) Chapter 4. Trees and Graphs.
5) Chapter 8. Recursion and Dynamic Programming
6) Chapter 10. Sorting and Searching
3) Смотри мои посты тут: Подборка алгоритмических задач с решениями и описание алгоритмов уже опубликованных в этом канале

Средний уровень

Изучаем типовые задачи, паттерны в задачах и как их применять. Нужно использовать ресурсы, где подробно разобраны решения основных типов задач. Leetcode тут не подходит.

Это можно сделать на одном из/нескольких ресурсах:

1) hellointerview: https://www.hellointerview.com/learn/code - Бесплатно
2) algoexpert: https://www.algoexpert.io/questions - Платно, но на каждую задачу там большой и подробный видео разбор. Не обязательно решать все 200. Главное затронуть каждую тему, а при желании можно сосредоточиться на какой-то конкретной теме для прокачки. Там я прокачивал задачи на деревья и графы, а также динамическое программирование.
3) neetcode: https://neetcode.io/roadmap - Бесплатно, но есть и платный расширенный набор задач.
4) Курс на educative - Grokking the Coding Interview Patterns.
5) Смотри мои посты тут: Подборка алгоритмических задач с решениями и описание алгоритмов уже опубликованных в этом канале
6) Решаем задачи из книги Cracking the Coding Interview by Gayle Laakmann Mcdowell из глав:
1) Chapter 1. Arrays and Strings
2) Chapter 2. Linked Lists.
3) Chapter 3. Stacks and Queues.
4) Chapter 4. Trees and Graphs.
5) Chapter 8. Recursion and Dynamic Programming
6) Chapter 10. Sorting and Searching
7) Chapter 16. Moderate
Там подробные разборы решений в текстовом виде. Правда некоторые задачи немного устарели. В 2025 возможно не самый лучший вариант.

Продвинутый уровень

1) Leetcode. Решаем задачи также по основным темам. Вначале решаем до 100 easy задач. Далее делаем упор на medium. После решения по темам, выбираете компанию/компании, куда хотите попасть, сортируете по частоте встречаемости и решаете первые 100 задач. Решаете c периодическим повторением, так, чтобы они отложились в памяти и на собеседовании более 50% задач вы просто воспроизводили из памяти. А остальные были бы похожи на то, что вы уже видели и можете решить за несколько минут.

Обновление рейтинга по стартовым оферам

Включил в обзор больше компаний. Кроме FAANG, добавил AI стартапы, low frequency trading, хэдж фонды, банки, Big Tech.

Зп брал с levelsfyi. Компании, для которых данных мало, в рейтинг не включал, поэтому, вероятно, есть компании, которые небольшие, но платят тоже много. Брал типичное распределение по уровням, которое характерно для большинства компаний. Поэтому цифра, которую вы увидете в рейтинге это медианный стартовый офер по всем уровням. Оферы стартовые. В FAANG компаниях, существенная часть компенсации в виде акций. Также там дают рефрешеры, поэтому на одном и том же левеле через 3-5 лет работы человек может в разы больше получать. Где акций не дают, без промоушена, ваша компенсация не сильно изменится. Также в некоторых компаниях уровней мало, поэтому есть потолок. В FAANG, такой проблемы нет.

Топ 20:

1) Hudson River Trading (HRT) $593k
2) OpenAI $582k
3) Databricks $547k
4) Meta $498k
5) Netflix $496k
6) Optiver $465k
7) Two Sigma $457k
8) Uber $440k
9) Airbnb $428k
10) The Trade Desk $420k
11) Jane Street $393k
12) Google $390k
13) Nvidia $344k
14) Lyft $321k
15) Apple $310k
16) Bloomberg $299k
17) Amazon $268k
18) Microsoft $265k
19) JP Morgan $219k
20) Goldman Sachs $173k

Скоро опубликую рейтинг по отзывам работы на основе нескольких источников, без учета компенсации. Чтобы вы знали, где вы будете больше страдать...

Рейтинг топ компаний по отзывам сотрудников, без учета компенсаций

Рейтинг брал на основе отзывов на teamblind и glassdoor. Оценку по компенсации не учитывал, т.е. это то, как вы себя будете чувствовать на работе на ежедневной основе, а не только в момент прихода зп.
Некоторые параметры брал с коэффициентом. Например, карьерный рост брал с коэффициентом 0,5, т.к. промоушены бывают не так часто и не сильно влияют на ежедневный опыт. Также diversity and inclusion брал с коэффициентом 0,25. Вначале думал вообще его не брать, но по факту, он тоже влияет. Например, на отношение менеджера к вам, ваш промоушен и перфоманс ревью. Иногда, люди одной национальности чаще промоутят коллег той же национальности (китайцы китайцев, индусы индусов).

Итоговый рейтинг из тех же 20 компаний, чем выше в рейтинге, тем лучше вы будете себя чувствовать работая там:

1) Jane Street 31,05
2) Nvidia 31,05
3) OpenAI 31
4) Google 30,05
5) Two Sigma 29,45
6) Microsoft 29,1
7) Hudson River Trading (HRT) 29,05
8) Bloomberg 29,05
9) The Trade Desk 28,8
10) Netflix 28,75
11) Airbnb 28,1
12) DataBricks 27,7
13) Apple 27,3
14) Lyft 26,5
15) JP Morgan 26,15
16) Optiver 26,15
17) Meta 25,2
18) Uber 24,9
19) Goldman Sachs 24,9
20) Amazon 23,2

Отобразил все на диаграмме. По оси x - зп, по y - отзыв. В правом верхнем углу компании с хорошими отзывами и высокой зп: OpenAI, HRT. В левом нижнем - плохие отзывы, низкая зп - Goldman, Amazon. Справа внизу - высокая зп, но плохие отзывы: Meta, Uber, Optiver. Слева вверху - невысокая зп, но хорошие отзывы: Bloomberg, Microsoft.

В Майкрософт новая волна сокращений. В этот раз 9000 человек. Не так давно они сократили 6.8k.
Говорят, что сильнее постадают sales, marketing и отдел, который занимается играми/xbox.

Бабуля проходит собес по алгосам: https://youtube.com/shorts/tVOLd2c5VhU?si=j6s5-Z6PCAZePE1f

Почему sign-on бонусы в $100M это не очень большие деньги для компании


Недавно Meta наняла несколько сотрудников Open AI и Google (которые работали над Gemini) и выплатила им 100 миллионов долларов просто за подписание контракта.
Многие сравнивают это с подписанием топовых футболистов, сравнивают этих сотрудников с суперзвездами спорта. Кто-то не верит в такие цифры.

Я верю в эти цифры, но я бы использовал другую аналогию.

FAANG/BigTech часто покупают другие стартапы и компании. Цены на покупку таких компаний обычно от десятков миллионов до десятков миллиардов.

Что же реально покупается в таких случаях?

Это не станки, не оборудование, не железо, не помещения, не земля. Это, в основном, интеллектуальная собственность (в виде патентов или в виде знаний и умений конкретных людей), команда, бренд и, наконец, продукт. Продукт, на самом деле, не так важен. FAANG-компании почти во всех случаях могут сами повторить продукт. Но первенство и бренд повторить не смогут.

В случае с ai, происходит покупка интеллектуальной собственности. Но не в виде патентов, а в виде знаний и опыта конкретных людей. Модели Meta несколько уступают моделям open ai и google. И они покупают знания и опыт людей, которые имеют практический опыт, который позволит преодолеть эту разницу. Это сравнимо с покупкой другой компании. Поэтому полмиллиарда за такую покупку это небольшие деньги.
Также, думаю, что через 1-2 эти люди для компании уже не будут столько стоить, так как их знания станут знанием компании. Поэтому 100 миллионов - это не зп, а единоразовый бонус за подписание контракта.

Это нельзя сравнивать с наймом, пусть и высокоскиловых, разрабов с улицы. Это просто покупка интеллектуальной собственности open ai и google.

Как может повлиять развитие AI на программирование

Многие сравниванию развитие AI с появлением интернета. И действительно, есть много сходств.

Появление первых браузеров и поисковых систем в 90е можно сравнить с появлением LLM и chatGPT. Появление многочисленных .com-компаний в 90е можно сравнить с появлением многочисленных .ai-компаний. Появление пузыря доткомов с огромными инвестициями просто за появление сайта без реального рабочего продукта и доходов можно сравнить с миллиардными инвестиция просто в слоганы ai продуктов (даже не идеи). После этого пузырь лопнул, многие компании исчезли, во многих были массовые сокращения. Скорее всего, это же ожидает и нас. Хотя, возможно, и нет, т.к. структура инвестиций другая по сравнению с второй половиной 90х. Возможно, пострадает не вся индустрия и не будет всеобщего кризиса.

Но в итоге интернет взлетел. Сейчас это ключевая технология. Его скорость с 90х выросла на порядки. Появились новые классы продуктов: интернет магазины, социальные сети, онлайн кинотеатры, оплата через интернет, современные поисковые движки и много чего другого.

Если отбросить идею того, что AI заменит всех программистов и посмотреть на то, как интернет повлиял на программирование, то можно провести несколько аналогий.

1) Интернет создал новый класс программирования - разработка веб приложений. До середины 90х, программисты, в основном, разрабатывали desktop-приложения. Аналогично, появление AI создает/может создать новый класс программирования: создание систем, где одним из ключевых элементов является AI. Это могут быть различного рода AI-агенты.
2) Появление веб разработки привело к появлению новых протоколов взаимодействие приложений через интернет: HTTP, SOAP, REST, RCP и т.д. В сфере AI-разработки уже тоже появляются новые проколы. Например, Model Context Protocol (MCP), который позволяет стандартизировать взаимодействие LLM с другими системам, тулами, базами данных.
3) Появление веб разработки привело с созданию новых паттернов, архитектур приложений, которых не было раньше. Аналогично, в AI разработке уже есть разные подходы: Fine-tuning, Retrieval-augmented generation (RAG)
4) Появление интернета, браузеров и поисковых систем трансформировало процесс разработки. Раньше программисты пользовались бумажными книгами, справочниками, документациями. После появления интернета они начали использовать google, stack-overflow, документации в интернете. С появлением LLM, люди будут спрашивать все у chatGPT и их аналогов.
5) Появление веб разработки привело с созданию новых языков программирования. Таких как Java Script, Java, C#, python, PHP, perl, Ruby. Пока AI к этому не привел, но все еще может быть.

AI может и не стать таким же большим как интернет и останется нишевой областью, как web 3.0 (крипта, блокчейн), AR/VR для виртуальной реальности, IoT (интернет вещей). А может и поглотить всех и вся. Но текущий уровень развития еще очень и очень от этого далек (далек в технологическом и научном смысле, не по времени).

Meta наняла еще одного разраба за более чем $200M

На этот раз это Ruoming Pang из Apple. До этого он работал в Google. Его профиль на google schoolar: Ruoming Pang

Среди нанятых в Meta за десятки или сотни миллионов долларов, есть выпускник МГУ и бывший сотрудник Яндекса

Это Александр Колесников. Известен как один из создателей ViT. Профиль на google schoolar: Alexander Kolesnikov
Получил PhD в Institute of Science and Technology Austria. Работал в Google Brain, Deepmind и недавно перешел в Open AI.

Наиболее частые причины, почему увольняют программистов

За 18 лет я видел огромное число коллег, которые были уволены.

За последние 3 года это число выросло на порядок из-за массовых сокращениях в BigTech/FAANG. За эти 3 года в FAANG ситуация сильно изменилась и уволить могут кого угодно. В этом посте я не буду вдаваться в подробности того, как выжить в FAANG в период массовых сокращений. У меня есть отдельный пост про это: Гайд по выживанию массовых сокращений(layoffs) в Meta

В данном посте я сосредоточусь не на массовых сокращениях в FAANG последних лет, а на всей индустрии в целом и за много лет наблюлюдений.

Основные причины, по моему мнению:

1) Конфликты с менеджером. Менеджер — это не тот человек, с кем стоит иметь конфликты на работе. Компания — это не демократия. Компания — это иерархичная структура, близкая к диктатуре/армии. Менеджер — это человек, который решает, уволить вас или нет, поднять вам зарплату или нет, повысить вас или нет. Иметь конфликты с менеджером не приведёт ни к чему хорошему. Это не значит, что нужно во всём с ним соглашаться, но в случае несогласия нужно оставаться профессионалом, вести дискуссию вежливо, с уважением и конструктивно. Спорить не с человеком, а с идеями. В большинстве компаний менеджеры не занимаются технической частью, поэтому вам не придётся вести дебаты по техническим вопросам. Если вы чувствуете, что не можете работать со своим менеджером, лучше сменить команду или компанию. Если менеджер дает вам фидбек, с которым вы не согласны, то начните с того, с чем вы согласны и спросите какие шаги вы можете предпринять, чтобы улучшить ситуацию и сразу же покажите, что вы сделали шаги по улучшению. Иногда ваше внутренее восприятие себя отличается от того, как вас воспринимают другие. Если вы получили фидбек и так про себя не думаете, то значит есть люди, кто про вас так думают и нужно продемонстрировать, что это не так действиями, а не споря с фидбеком и тем более с менеджером.
2) Не умеют работать со сложностями в работе. Работа над проектом никогда не бывает простой. Вы всегда будете сталкиваться с разного рода трудностями. Это могут быть технические или организационные сложности. Некоторые люди при столкновении с трудностями застревают, не дают знать, что они застряли, начинают жаловаться и винить всех и вся. После чего проваливают все сроки и обвиняют в этом других людей. Вас наняли для того, чтобы вы решали проблемы, а не жаловались на них. Пробуйте решить проблему самостоятельно, если не получается, дайте об этом знать. Найдите людей, кто может вам с этим помочь. Не стоит замыкаться в себе и проваливать сроки проекта. Регулярно давайте апдейты текущего статуса, ищите помощи, ищите людей, с кем нужно поговорить, спросить, обсудить, получить какую-то недостающую информацию, договориться о чём-то и т.д. Даже если вы провалите сроки, то о сложностях в проекте будут знать все остальные, а также, что вы их проактивно решали, а не застряли и никому не говорили.

Смотрите также мой пост о том, чего не стоит делать при онбординге в новую компанию: https://t.me/faangmaster/284

Мета строит два новых AI дата-центра стоимостью с сотни миллиардов долларов

После покупки Scale AI за $14B и хайринга топовых инженеров из Google, Open AI и Apple за десятки и сотни миллионов долларов, Meta начала строительство двух новых гигантских AI дата-центров: Prometheus, размером с Манхетен и потребляемой мощностью в несколько гигават, и Hyperion. Первый будет готов в 2026, второй к 2030. Общая стоимость этих дата центров будет составлять несколько сотен миллиардов долларов.