🦄 Как построить компанию-единорога с помощью ИИ

Бутстрэппинг — это стратегия развития бизнеса только на личные средства, без привлечения стороннего финансирования. Её придерживаются обычно стартапы или компании из сегмента малого бизнеса. Но деньги — не единственный залог успешного развития бизнеса, нужны и другие ресурсы — человеческие.

И здесь на помощь бутстрэпперам приходит искусственный интеллект. Один из инструментов, который уже приобрел огромную популярность в IT-среде, — редактор кода с интегрированным ИИ-помощником Cursor. Он работает на основе хорошо знакомой разработчикам Visual Studio Code, но и пользователь с базовыми знаниями основ программирования сможет создать рабочий код.

Эксперты венчурного рынка прогнозируют, что к 2030 году самую дорогую компанию может собрать один фаундер в Cursor — в паре с ИИ-агентами. Видимо, не за горами и то время, когда ИИ создаст не только программный код, но и стратегию развития бизнеса, которая выведет компанию в число "единорогов".

Подпишись🔘Малов про облака, AI, ML

"Аэрофлот" сообщил о глобальном сбое:

🔘Отменены 49 пар рейсов в Москву, отменены рейсы в сообщении с Астраханью, Грозным, Екатеринбургом, Ереваном, Казанью, Калининградом, Красноярском, Махачкалой, Минеральными Водами, Минском и другими городами.

🔘Кассы в Шереметьево временно не осуществляют возвраты и не переоформляют билеты. Авиакомпания попросила пассажиров покинуть аэропорт, чтобы избежать скоплений.

🔘Ответственность за атаку на IT-инфраструктуру взяли на себя хакерские группировки «Киберпартизаны BY» и Silent Crow.

Атака, похоже, действительно масштабная и беспрецедентная — это видно по серьёзным сбоям в работе систем «Аэрофлота». При этом поражает не только то, что пострадали системы на иностранном ПО, но и то, что были затронуты и решения на российском программном обеспечении.

Например, есть данные, что затронуты 43 инсталляции авторизации ZVIRT — это российский производитель. То есть вектор проникновения не был направлен на иностранное ПО. Скорее, проблема в другом — в элементарных ошибках при обеспечении безопасности.

И отсюда возникают вопросы:

1. Хакеры могли проникнуть внутрь из-за слабых или стандартных паролей, которые не поменяли после установки. Также неясно, стояли ли на рабочих местах администраторов нормальные антивирусы и системы защиты?

2. Было ли организовано резервное копирование с выгрузкой данных на холодные накопители? Если бы такие копии были, восстановить системы после атаки было бы намного проще.

3. Что было с мониторингом информационной безопасности? Понятно, что злоумышленники находились внутри системы долго.

4. Была ли подключена инфраструктура к Security Operation Center? Упоминается, что «Аэрофлот» мог быть подключён к SOC Ростелекома — к центру кибербезопасности РТ Солар. Если это так, возникает вопрос: почему не сработала система оповещения? Почему дежурные не увидели подозрительной активности?

Возможно, злоумышленники действовали очень аккуратно и скрытно. Но не исключено, что мониторинг просто не охватывал все части инфраструктуры — где-то остались «слепые зоны», и через них хакеры спокойно проникали снова и снова.

Подпишись🔘Малов про облака, AI, ML

Хочу рассказать о сервисе для создания ИИ-агентов — Dify.ai. Недавно изучил его возможности и делюсь впечатлениями.

До этого мы в основном работали с визуальными конструкторами на базе n8n — решения, которое уже стало стандартом в создании автоматизаций и агентов. Однако Dify предлагает иной подход, и он определённо заслуживает внимания.

Чем он отличается от n8n? В чём преимущества и где — ограничения?

Плюсы Dify:

1️⃣Главное преимущество — встроенная возможность создания собственной базы знаний. Вы просто загружаете документы через графический интерфейс: PDF, текстовые файлы, статьи — любой контент, который хотите использовать. После загрузки система индексирует данные, и вы можете привязать эту базу к своему агенту.

Теперь агент отвечает, опираясь на ваши материалы, а не только на обобщённые знания языковой модели. Это особенно ценно для задач, требующих точности: поддержка клиентов, обработка внутренней документации, справочные системы.

Такой подход обеспечивает практически бесшовный процесс разработки агентов: загрузил данные — настроил логику — запустил. Всё в одной платформе.

2️⃣Еще немаловажно: это opensource-решение, то есть можно развернуть onprem в своем контуре и пользоваться этим с большим удовольствием и пользой для себя и для бизнеса

3️⃣ Встроенный генератор промптов: простым язык описываете функции модели, и встроенный генератор создает профессиональный промпт для нейросети.

Минусы:

Основное ограничение — меньше интеграций. Если в n8n доступны сотни подключений (Google Docs, Google Drive, мессенджеры, CRM, базы данных и т.д.), то в Dify набор встроенных инструментов значительно скромнее. По моим оценкам, там порядка 30–40 плагинов — только ключевые сервисы.

Это может быть ограничением, если вы строите сложные автоматизации, зависящие от множества внешних систем.

Итог: #МаловРекомендует

Несмотря на более узкую экосистему интеграций, возможность легко подключать и использовать персональную базу знаний — серьёзное конкурентное преимущество Dify. Оно может полностью компенсировать нехватку соединений, особенно если ваша цель — создание интеллектуальных агентов с доступом к приватным или специализированным данным.

Рекомендую обратить внимание на Dify разработчикам приложений на базе ИИ и представителям бизнеса, интегрирующего LLM. Это отличный продукт чтобы построить MVP и быстро протестировать гипотезы.

Подпишись 🔘 Малов про облака, AI, ML

🤖 LeVERB: Как научить гуманоидного робота понимать команды и двигаться как человек

Представьте, что вы говорите роботу: «Подойди к красному стулу и сядь», — и он спокойно выполняет задачу, обходя препятствия, корректируя шаги и понимая, что вы имели в виду. Звучит как из будущего? Исследователи из Калифорнийского университета в Беркли и других стран разработали LeVERB — систему, которая приближает нас к такой реальности.

❗️Проблема: Роботы плохо понимают и двигаются
До сих пор большинство роботов, умеющих «слушать» команды, либо понимают только простые фразы, либо плохо двигаются. А гуманоиды (роботы, похожие на людей) особенно сложны: у них много суставов, и движения должны быть плавными и устойчивыми. Ранние системы либо не понимали смысл команд, либо «падали» при переходе из виртуального мира в реальный.

☝️Решение: два «мозга» вместо одного

LeVERB предлагает два уровня управления, как у человека:
1. Высокий уровень — «думает» (что делать?)
2. Низкий уровень — «двигается» (как делать?)

1. Понимание команды (Высокий уровень)
Когда робот слышит: «Сядь на синий стул», система сначала анализирует:
- Что он видит (камеры),
- Что ему сказали (текст).
Эти данные объединяются в один числовой код (скрытую переменную), который несёт смысл команды. Чтобы робот лучше понимал разные формулировки («присядь», «отдохни»), используется специальный алгоритм, «выравнивающий» разные способы выражения одной и той же идеи.
2. Точное движение (Низкий уровень)
Этот уровень «читает» скрытый код и решает, как двигать каждым суставом. Он обучен на примерах правильных движений и умеет:
- Подстраиваться под ошибки (например, если робот чуть промахнулся),
- Делать движения плавными и устойчивыми.

⌨ Как это тестировали?
Исследователи создали LeVERB-Bench — большой набор задач в симуляции:
- обход препятствий,
- подход к объекту,
- сидение на стуле.

Данные были сгенерированы на основе движений реальных людей, адаптированных под робота. Всего — более 150 сценариев.

🏁 Результаты: Работает и в реальности!
В симуляции робот успешно выполнял задачи в 58,5% случаев, что в 7,8 раза лучше, чем у предыдущих методов.
На реальном роботе Unitree G1:
- Успешно садился на стул в 90% случаев,
- Ошибка в позиционировании — менее 8 см,
- Справлялся даже с частичным закрытием стула или изменением его положения.

Важно: робот не переобучался в реальном мире. Всё, что он знал, — получено в симуляции. Это называется zero-shot перенос — огромный шаг вперёд.

Что ещё не идеально?
Не умеет планировать долго — пока «видит» только на несколько секунд вперёд.
Сложно с движущимися объектами — например, ловля мяча пока под вопросом.

🗓️ Что будет дальше?
Учёные планируют добавить осязание (датчики на руках), использовать более мощные нейросети (диффузионные модели), сократить время обучения с 47 до 15 минут.

LeVERB — это прорыв: впервые гуманоидный робот может понимать простые команды на естественном языке и выполнять сложные движения в реальном мире без дообучения. Это важный шаг к роботам, которые смогут помогать людям дома, на производстве и в экстренных ситуациях.

Подпишись 🔘 Малов про облака, AI, ML

🤖 Как генеративный ИИ переворачивает инженерию и производство

Представьте, что вы говорите:
«Сделай деталь для электромобиля — лёгкую, прочную и дешёвую в производстве»

А система сама создаёт 3D-модель, генерирует инструкции для 3D-принтера, отправляет дрон за материалами, и роботы собирают изделие без единого участия человека — от идеи до готового продукта.

💡 Это не фантастика. Это уже работает.

📼 Проектирование за 2 недели вместо 16
📼 Снижение массы деталей — до 80%
📼 Экономия до 17,7 млн долларов в год на одном заводе
📼 Самодиагностика оборудования через чат-бота, который знает всю историю поломок

Генеративный ИИ уже помогает:
✅Автоматически генерировать чертежи и отчёты (экономия времени — до 80%)
✅ Точно предсказывать поломки до их появления
✅ Обучать промышленных роботов в виртуальной реальности — а потом переносить навыки в цех
✅Оптимизировать логистику, металлургию, энергетику и химию

И самое главное — Россия на этом фоне не отстаёт. Уже есть промышленные внедрения с уровнем готовности TRL 7–8 (почти серийное производство).

📄Аналитика, кейсы, технологии — всё это в новом аналитическом обзоре от АНО «Цифровая экономика».

🦾 Скоро такие системы будут в каждом заводе. Кто внедрит первым — тот задаст темп.

Подпишись 🔘 Малов про облака, AI, ML

🔮 10 главных технологических трендов 2026 года по версии Trend Hunter

Согласно отчёту The 2026 Trend Report в ближайшие годы произойдёт глубокая интеграция ИИ в повседневную жизнь, автоматизация рутины и переход к персонализированным, интуитивным и устойчивым технологиям.

Собрал 10 ключевых трендов в сфере ИИ, ИТ и технологий:

✨ИИ без штрих-кодов (AI-Powered No-Code Checkout)
ИИ распознаёт товары по визуальным признакам в реальном времени — без сканирования. Применяется в «умных» магазинах: камеры и алгоритмы автоматически определяют товары в тележке, рассчитывают стоимость и завершают оплату. Эффект — бесконтактный, бесшовный процесс, меньше очередей и хищений.

✨Гибридные умные устройства (AI-Integrated Traditional Products)
Традиционные предметы обретают «умные» функции. Примеры:
- AI-калькулятор OBSCURA с голосовым управлением и анализом данных.
- Кормушка RobinsNote с распознаванием птиц через OpenAI.
- Смарт-часы с аналоговым дизайном и цифровыми возможностями.
Технологии становятся незаметными, но полезными, встраиваясь в привычные вещи.

✨ Умные раскладные телефоны (Advanced Flip Phones)
Возврат к ретро-дизайну с современной начинкой: TCL Flip 3 с 4G, камерой, голосовыми помощниками и ИИ. Тренд поддержан спросом на цифровой минимализм — устройства дают доступ к базовым сервисам без «цифровой перегрузки».

✨ Персонализация через ИИ (Hyper-Personalization with AI)
ИИ анализирует поведение, предпочтения и контекст, чтобы предлагать точный контент, товары и услуги. Применяется в маркетинге, ритейле, здравоохранении и образовании. Результат — повышение лояльности, конверсии и удовлетворённости пользователей.

✨ ИИ как сила демократизации (AI as a Democratizing Force)
ИИ позволяет создавать цифровые продукты без знания программирования. По описанию на естественном языке генеративный ИИ создаёт сайты, приложения, дизайн. Это вовлекает неспециалистов в инновации, снижая барьеры входа.

✨ Корпоративные ИИ-платформы (Enterprise-Wide Generative AI)
Компании внедряют единые ИИ-фреймворки для всех отделов. Fujitsu и Microsoft, например, развивают платформы для HR, маркетинга, логистики и R&D. Это обеспечивает согласованность, безопасность и эффективность ИИ-решений на уровне всей организации.

✨ Обучение сотрудников работе с ИИ (AI Upskilling Programs)
Бизнесы инвестируют в программы повышения ИИ-грамотности. Genpact и Microsoft запустили инициативы по обучению тысяч сотрудников. Формат — курсы, воркшопы, практические платформы. Цель — создать ИИ-компетентную рабочую силу и снизить страх перед автоматизацией.

✨ Облачные и гибридные ИИ-платформы (Cloud & Edge AI)
ИИ работает в гибридной архитектуре: облако — для хранения и обучения моделей, edge-устройства — для быстрого локального вывода. Пример: умные камеры обрабатывают видео на месте, а данные отправляются в облако. Плюсы — низкая задержка, высокая производительность, защита приватности.

✨ Автоматизация дизайна и производства (AI in Design & Manufacturing)
ИИ генерирует дизайн, оптимизирует формы и управляет производством. Генеративный дизайн создаёт лёгкие и прочные конструкции для автопрома и авиастроения. В сочетании с 3D-печатью и цифровыми производственными ячейками это сокращает сроки, вес и расход материалов.

✨ Простота как главный тренд (Simplicity in Tech Design)
На фоне технологической перегрузки лидирует упрощение. Минималистичные интерфейсы, голосовые и жестовые команды, автоматизация рутины с помощью ИИ делают технологии интуитивными и менее стрессовыми. Главная цель — чтобы техника работала для человека, а не наоборот.

ИИ перестаёт быть просто инструментом. Будущее за технологиями, которые незаметно, но эффективно улучшают жизнь, предлагая простоту, персонализацию и устойчивость. Технологии адаптируются под человека, а не требуют от него постоянной подстройки.

Подпишись 🔘 Малов про облака, AI, ML

Кто правит миром ИИ-агентов?

В мире ИИ-агентов мощная конкуренция, но некоторые игроки уже вырвались вперед. Компания CB Insights представила новый отчет о стеке технологий AI-агентов.

В отчете выделены лидеры по комплексному показателю здоровья компании — Mosaic Score. Этот показатель состоит из четырёх отдельных моделей, часто называемых «4 М». Они оценивают различные аспекты, включая качество команды основателей и руководителей, чтобы прогнозировать вероятность успеха компании. Максимальный рейтинг Mosaic Score — 1000.

Тройка лидеров:

1️⃣ Mistral AI (909/1000) — европейский чемпион, бросающий вызов OpenAI. Оценка $6.2 млрд, выручка $30 млн в 2024 году, и планы на $100+ млн в 2025. Строят крупнейший в Европе ИИ-кампус с NVIDIA. Это не просто модели, а целая платформа для агентов.

2️⃣ n8n (907/1000) — немецкий вундеркинд, который превратил платформу для автоматизации в ИИ-оркестратора. Выручка взлетела до $40 млн всего за 8 месяцев! Оценка компании выросла в 8 раз — до $2.4 млрд. Универсальный "переводчик" между любыми ИИ и приложениями.

3️⃣ CrewAI (897/1000) — Американская платформа для создания команд из ИИ-агентов. Уже используется 60% компаний из списка Fortune 500! Получила доход $3,2 млн в 2025 году. Идеально для сложных корпоративных workflow.

Скоро поделюсь с вами данными об инноваторах в мире ИИ-агентов.

Чтобы не пропустить Подпишись 🔘 Малов про облака, AI, ML