Сегодня медицина — это не про здоровье, а про деньги. Фарма, страховые, частные клиники живут по простой формуле LTV — lifetime value клиента.
Чем дольше ты болеешь и чем сложнее твои болезни, тем больше на тебе зарабатывают. Инсульт, диабет, онкология — это не трагедия для системы, а стабильный денежный поток на годы вперёд.
Европейские исследователи сделали Delphi-2M — ИИ, который анализирует твою медисторию и строит прогноз по 1 258 заболеваниям сразу на 20 лет вперёд. Обучили на данных 400 000 пациентов из Великобритании, проверили на 1,9 млн датских историй болезни.
Модель предсказывает болезни точнее, чем узкие системы, которые видят только один диагноз.
Delphi-2M показывает связи между болезнями: диабет тянет за собой сердце, депрессия влияет на онкологию, препараты по одному диагнозу могут усугублять другой. Это инструмент не просто для ранней диагностики, а для построения долгосрочной карты твоего здоровья — и дохода для системы.
Контекст. Глобальный рынок здравоохранения — $9,8 трлн в год. В США 90% расходов — на хронические болезни. Один диабетик обходится системе в среднем в $16,7k в год, пациент с раком — $42k+. Чем больше таких пациентов и чем дольше они живут с болезнью, тем выше выручка у фармы и клиник. Чекап за $200 раз в год не приносит таких денег, как десятки визитов, операции и пожизненные препараты.
И что?
Для бизнеса: новая модель меняет всё. Вместо пожизненного лечения — прогнозирование и управление здоровьем как подписка. Delphi-2M позволяет страховым и клиникам строить динамические программы, где каждый риск монетизируется заранее. Вместо десяти визитов по $200 система продаёт годовой пакет за $2k–3k, но масштабируется на миллионы людей сразу. Это снижает стоимость обслуживания на пациента на 30–40%, а выручку делает предсказуемой.
Для инвесторов: глобальный рынок превентивной медицины $500 млрд, но при интеграции ИИ он может вырасти до $1,5 трлн за 10 лет. Страховые, которые видят риски на горизонте 20 лет, смогут формировать продукты с маржой 25–30% вместо нынешних 10–12%, а фарма переключится на массовые профилактические препараты и сервисы.
Для людей: когда система зарабатывает на том, чтобы ты не заболел, она заинтересована в твоём здоровье, а не в лечении по факту. Чекап превращается в постоянный сервис: ИИ следит за твоим состоянием и подсказывает действия, пока болезнь не перешла в хроническую стадию.
Ну и?: переход на превентивную модель может высвободить до $1 трлн из расходов на хронические болезни в США и $3 трлн глобально. Для фармы это не обвал, а новая прибыль — вместо десяти дорогих лекарств на одного больного фокус на разработке массовых профилактических решений, которые покупают миллионы. Человечество выигрывает дважды: стоимость лечения снижается, а качество жизни растёт, потому что болезнь не успевает разрушить организм и экономику.
🚨 Нам 3.14здец
Фарма по старой модели — 8/10. Бизнес, построенный на пожизненных пациентах и дорогих лекарствах, начинает терять маржинальность. Что делать: перестраивать портфель в сторону профилактических программ и сервисов, пока ИИ не забрал клиентов.
Страховые по старой схеме — 7/10. Продажа полисов «платим, когда заболел» уходит в прошлое. Что делать: переходить на прогнозные тарифы и подписки на здоровье, иначе рынок займут новые игроки с ИИ-платформами.
Государственные системы здравоохранения — 9/10. Бюджеты на хронические болезни не выдержат старой нагрузки. Что делать: перераспределять расходы в профилактику и внедрять ИИ на уровне национальных программ.
Чем дольше ты болеешь и чем сложнее твои болезни, тем больше на тебе зарабатывают. Инсульт, диабет, онкология — это не трагедия для системы, а стабильный денежный поток на годы вперёд.
Европейские исследователи сделали Delphi-2M — ИИ, который анализирует твою медисторию и строит прогноз по 1 258 заболеваниям сразу на 20 лет вперёд. Обучили на данных 400 000 пациентов из Великобритании, проверили на 1,9 млн датских историй болезни.
Модель предсказывает болезни точнее, чем узкие системы, которые видят только один диагноз.
Delphi-2M показывает связи между болезнями: диабет тянет за собой сердце, депрессия влияет на онкологию, препараты по одному диагнозу могут усугублять другой. Это инструмент не просто для ранней диагностики, а для построения долгосрочной карты твоего здоровья — и дохода для системы.
Контекст. Глобальный рынок здравоохранения — $9,8 трлн в год. В США 90% расходов — на хронические болезни. Один диабетик обходится системе в среднем в $16,7k в год, пациент с раком — $42k+. Чем больше таких пациентов и чем дольше они живут с болезнью, тем выше выручка у фармы и клиник. Чекап за $200 раз в год не приносит таких денег, как десятки визитов, операции и пожизненные препараты.
И что?
Для бизнеса: новая модель меняет всё. Вместо пожизненного лечения — прогнозирование и управление здоровьем как подписка. Delphi-2M позволяет страховым и клиникам строить динамические программы, где каждый риск монетизируется заранее. Вместо десяти визитов по $200 система продаёт годовой пакет за $2k–3k, но масштабируется на миллионы людей сразу. Это снижает стоимость обслуживания на пациента на 30–40%, а выручку делает предсказуемой.
Для инвесторов: глобальный рынок превентивной медицины $500 млрд, но при интеграции ИИ он может вырасти до $1,5 трлн за 10 лет. Страховые, которые видят риски на горизонте 20 лет, смогут формировать продукты с маржой 25–30% вместо нынешних 10–12%, а фарма переключится на массовые профилактические препараты и сервисы.
Для людей: когда система зарабатывает на том, чтобы ты не заболел, она заинтересована в твоём здоровье, а не в лечении по факту. Чекап превращается в постоянный сервис: ИИ следит за твоим состоянием и подсказывает действия, пока болезнь не перешла в хроническую стадию.
Ну и?: переход на превентивную модель может высвободить до $1 трлн из расходов на хронические болезни в США и $3 трлн глобально. Для фармы это не обвал, а новая прибыль — вместо десяти дорогих лекарств на одного больного фокус на разработке массовых профилактических решений, которые покупают миллионы. Человечество выигрывает дважды: стоимость лечения снижается, а качество жизни растёт, потому что болезнь не успевает разрушить организм и экономику.
🚨 Нам 3.14здец
Фарма по старой модели — 8/10. Бизнес, построенный на пожизненных пациентах и дорогих лекарствах, начинает терять маржинальность. Что делать: перестраивать портфель в сторону профилактических программ и сервисов, пока ИИ не забрал клиентов.
Страховые по старой схеме — 7/10. Продажа полисов «платим, когда заболел» уходит в прошлое. Что делать: переходить на прогнозные тарифы и подписки на здоровье, иначе рынок займут новые игроки с ИИ-платформами.
Государственные системы здравоохранения — 9/10. Бюджеты на хронические болезни не выдержат старой нагрузки. Что делать: перераспределять расходы в профилактику и внедрять ИИ на уровне национальных программ.
👍8🔥3
Телефон в руке задолбал. Доставать, печатать, ронять. Для игр ок, но переписка, навигация, почта — всё это должно жить в очках.
Meta на Connect показала, как это станет реальным: Ray-Ban Display с Meta Neural Band — EMG-браслет, который считывает сигналы мышц ещё до видимого движения, так что команды идут микродвижениями, почти как «подумал — сделал».
Экран появляется, когда нужен, и не мешает смотреть на мир; есть сообщения, навигация, звонки и Meta AI с визуальными ответами прямо в линзе. Это первый нормальный шаг к бесшовному AI-повседневию.
Параллельно обновили Ray-Ban Meta Gen 2: до 8 часов работы, 3K Ultra HD видео, режим «conversation focus», который усиливает голос собеседника в шуме.
Для спорта — Oakley Meta Vanguard: 9 часов, IP67, встроенная интеграция со Strava и Garmin.
Это наконец очки, которые выглядят как очки, и управляются без цирка с голосовыми командами.
Ключ — ИИ в каждом действии. Ответить на чат, построить маршрут, перевести табличку на пробежке, диктовать заметки, получить пошаговую инструкцию — всё делает ассистент в очках.
Ты реально превращаешься в «киборга производительности»: руки свободны, взгляд вперёд, интерфейс прилип к нервной системе.
Следующая остановка — нейроустройства, которые цепляются уже не к мышцам, а напрямую к мозгу.
И что?
Для бизнеса: фитнес — монетизация коучинга и контента в реальном времени (рынок connected fitness-сервисов в США ~$1.43B в 2025), логистика — hands-free комплектование с плюс 15% к производительности на кейсах DHL, удалённые команды — UCaaS ~$106B в 2025; очки становятся новым терминалом связи и задач.
Для инвесторов: новая потребительская категория «AI-очки + нейро-браслет» с сетевыми эффектами (устройства, аксессуары, подписки). Если Display/Neural Band закрепятся, часть мобильного времени «съедят» очки.
Для людей: работаешь в движении — почта, чаты, перевод, заметки — не доставая телефон; разговоры слышно в шуме; в спорте — метрики и подсказки в реальном времени.
🚨 Нам 3.14здец
Производители фитнес-браслетов — 8/10 — UX мигрирует в очки с нейро-браслетом; что делать: готовить интеграции с Meta/Strava/Garmin и сервисную выручку.
Интеграторы без AR в логистике — 7/10 — клиенты увидят быстрый ROI от vision-picking; что делать: упаковывать AR-кейсы и пилоты под складскую автоматизацию ($30B+ рынок).
Meta на Connect показала, как это станет реальным: Ray-Ban Display с Meta Neural Band — EMG-браслет, который считывает сигналы мышц ещё до видимого движения, так что команды идут микродвижениями, почти как «подумал — сделал».
Экран появляется, когда нужен, и не мешает смотреть на мир; есть сообщения, навигация, звонки и Meta AI с визуальными ответами прямо в линзе. Это первый нормальный шаг к бесшовному AI-повседневию.
Параллельно обновили Ray-Ban Meta Gen 2: до 8 часов работы, 3K Ultra HD видео, режим «conversation focus», который усиливает голос собеседника в шуме.
Для спорта — Oakley Meta Vanguard: 9 часов, IP67, встроенная интеграция со Strava и Garmin.
Это наконец очки, которые выглядят как очки, и управляются без цирка с голосовыми командами.
Ключ — ИИ в каждом действии. Ответить на чат, построить маршрут, перевести табличку на пробежке, диктовать заметки, получить пошаговую инструкцию — всё делает ассистент в очках.
Ты реально превращаешься в «киборга производительности»: руки свободны, взгляд вперёд, интерфейс прилип к нервной системе.
Следующая остановка — нейроустройства, которые цепляются уже не к мышцам, а напрямую к мозгу.
И что?
Для бизнеса: фитнес — монетизация коучинга и контента в реальном времени (рынок connected fitness-сервисов в США ~$1.43B в 2025), логистика — hands-free комплектование с плюс 15% к производительности на кейсах DHL, удалённые команды — UCaaS ~$106B в 2025; очки становятся новым терминалом связи и задач.
Для инвесторов: новая потребительская категория «AI-очки + нейро-браслет» с сетевыми эффектами (устройства, аксессуары, подписки). Если Display/Neural Band закрепятся, часть мобильного времени «съедят» очки.
Для людей: работаешь в движении — почта, чаты, перевод, заметки — не доставая телефон; разговоры слышно в шуме; в спорте — метрики и подсказки в реальном времени.
🚨 Нам 3.14здец
Производители фитнес-браслетов — 8/10 — UX мигрирует в очки с нейро-браслетом; что делать: готовить интеграции с Meta/Strava/Garmin и сервисную выручку.
Интеграторы без AR в логистике — 7/10 — клиенты увидят быстрый ROI от vision-picking; что делать: упаковывать AR-кейсы и пилоты под складскую автоматизацию ($30B+ рынок).
🔥4
This media is not supported in your browser
VIEW IN TELEGRAM
На презентации не обошлось без факапов.
Каждый год тысячи студентов по всему миру живут одной мечтой — пройти отбор на ICPC. Годы тренировок, сотни задач, бессонные ночи. Представь: тебе 21, ты пробился в финал, сидишь в зале, сердце колотится, рядом 139 команд из лучших университетов мира.
Ты готовишься биться за золото — и вдруг понимаешь, что среди соперников есть команды от Google и OpenAI.
OpenAI выкатил GPT-5 с экспериментальной reasoning-моделью.
Результат — 12 задач из 12. Идеально. Абсолютный рекорд. Лучшая человеческая команда взяла 11. Google со своим Gemini 2.5 Deep Think сделал 10 из 12 и даже решил задачу, которую не смог ни один человек.
Модели работали по тем же правилам, что и студенты: одинаковое время, одинаковые условия. ИИ официально вышел на одно поле с людьми и победил.
Контекст. Рынок IT-образования и подготовки разработчиков — $105 млрд в год, по миру 27 млн программистов.
ICPC всегда был витриной, где корпорации охотились за лучшими кадрами. Теперь витрина принадлежит ИИ — и вопрос уже не в том, кто выиграет следующий финал, а зачем учить людей тому, что модели делают лучше и дешевле.
И что?
Для бизнеса: сложные алгоритмические задачи теперь уходят в ИИ. Прототипы, оптимизация, рефакторинг — всё это дешевле и быстрее моделей, чем команд джуниоров.
Для инвесторов: рынок код-ассистентов ($19B в 2025) будет расти как на дрожжах. Важнее не IDE, а кто контролирует модели и обучающие датасеты.
Для людей: даже топ-студенты проиграли. Через пару лет любой разработчик без ИИ-инструментов становится неконкурентоспособным.
🚨 Нам 3.14здец
Университеты и школы программирования — 9/10. Их курсы превращаются в архив. Что делать: перестраивать обучение на ИИ и продуктовую работу.
Джуниоры и мидлы — 8/10. GPT-5 делает их задачи быстрее и без ошибок. Что делать: учиться управлять ИИ-процессами или искать новую профессию.
Ты готовишься биться за золото — и вдруг понимаешь, что среди соперников есть команды от Google и OpenAI.
OpenAI выкатил GPT-5 с экспериментальной reasoning-моделью.
Результат — 12 задач из 12. Идеально. Абсолютный рекорд. Лучшая человеческая команда взяла 11. Google со своим Gemini 2.5 Deep Think сделал 10 из 12 и даже решил задачу, которую не смог ни один человек.
Модели работали по тем же правилам, что и студенты: одинаковое время, одинаковые условия. ИИ официально вышел на одно поле с людьми и победил.
Контекст. Рынок IT-образования и подготовки разработчиков — $105 млрд в год, по миру 27 млн программистов.
ICPC всегда был витриной, где корпорации охотились за лучшими кадрами. Теперь витрина принадлежит ИИ — и вопрос уже не в том, кто выиграет следующий финал, а зачем учить людей тому, что модели делают лучше и дешевле.
И что?
Для бизнеса: сложные алгоритмические задачи теперь уходят в ИИ. Прототипы, оптимизация, рефакторинг — всё это дешевле и быстрее моделей, чем команд джуниоров.
Для инвесторов: рынок код-ассистентов ($19B в 2025) будет расти как на дрожжах. Важнее не IDE, а кто контролирует модели и обучающие датасеты.
Для людей: даже топ-студенты проиграли. Через пару лет любой разработчик без ИИ-инструментов становится неконкурентоспособным.
🚨 Нам 3.14здец
Университеты и школы программирования — 9/10. Их курсы превращаются в архив. Что делать: перестраивать обучение на ИИ и продуктовую работу.
Джуниоры и мидлы — 8/10. GPT-5 делает их задачи быстрее и без ошибок. Что делать: учиться управлять ИИ-процессами или искать новую профессию.
👍6🔥2
Спрос на вычислительные мощности растёт так быстро, что нынешние датацентры уже не справляются. Модели становятся настолько большими, что OpenAI приходится решать, что важнее — запустить систему для ранней диагностики рака или дать миллионам людей доступ к бесплатному обучению.
Сегодня эти проекты конкурируют за одни и те же GPU, и каждый запуск — это чей-то проигрыш.
Эта гонка решается только одним способом — мощностями нового уровня. Не нарастить на 10%, а построить индустрию, которая каждую неделю выдаёт один гигаватт AI-вычислений. Это как если бы Amazon открывал новый датацентр каждую неделю, но не ради e-commerce, а ради ИИ, который меняет медицину, науку и образование.
Чтобы это стало возможным, нужен партнёр, который даст не только деньги, но и железо. Теоретически в игре могли быть Microsoft, Oracle, крупные фонды, даже правительства. Но у Microsoft уже перегретый Azure, Oracle ограничен в масштабах, а фонды не умеют строить чипы и энергетику.
В итоге решилась Nvidia. Они подписали с OpenAI намерение поставить 10 гигаватт систем — миллионы GPU — и готовы вложить до $100B по мере развертывания. Первый гигаватт запустят во второй половине 2026 года на новой платформе Vera Rubin. Nvidia становится «предпочтительным партнёром» OpenAI по железу и сетям, Microsoft и Oracle остаются в экосистеме, но уже не эксклюзивно.
Для Nvidia — это закрепление монополии. Они финансируют OpenAI, а OpenAI тут же тратит эти деньги на чипы и системы Nvidia. Замкнутый цикл, в котором Nvidia получает гарантированный спрос и контроль над самым большим клиентом в истории. Для Microsoft это сигнал, что их Azure больше не единственный ключевой партнёр. Для фондов и правительств — момент, когда они могли зайти в игру, но упустили.
Альтман тем временем в блоге объяснил масштаб замысла. Он хочет убрать само понятие «дефицит compute». Сегодня OpenAI вынуждено выбирать между проектами, а в будущем смогут запускать их параллельно — и лекарства, и образование, и роботов. Первая стадия уже идёт — сделка с Nvidia. Дальше — новая серия анонсов, привлечение капитала и конкуренция на уровне государств за лидерство в чипах и энергии.
И что?
Для бизнеса: лимиты по GPU исчезнут. Можно планировать продукты, не опасаясь, что «железо не потянет». Это ускорит вывод на рынок сложных AI-сервисов.
Для инвесторов: Nvidia превращается из производителя чипов в инфраструктурного гиганта. Новая экономика с доходами от энергии, сетей и датацентров.
Для людей: ИИ сможет закрывать сразу несколько задач одновременно. Без выбора «кому помочь — онкобольным или детям в Африке».
🚨 Нам 3.14здец
Энергетика — 9/10. 10 гигаватт — это как 10 атомных станций. Сегодня таких мощностей нет. Что делать: срочно строить зелёную генерацию и умные сети, иначе в 2026 начнутся перебои.
Рынок труда — 8/10. Если OpenAI перестаёт ограничивать свои модели, миллионы рабочих мест могут исчезнуть быстрее прогнозов — сначала в софте, потом в медицине и образовании.
Что делать: готовить программы переквалификации уже сейчас.
Геополитика — 7/10. Китай и другие страны могут ускориться, если создадут свои цепочки поставок. Что делать: США придётся субсидировать чипы и энергию, иначе лидерство уйдёт.
Сегодня эти проекты конкурируют за одни и те же GPU, и каждый запуск — это чей-то проигрыш.
Эта гонка решается только одним способом — мощностями нового уровня. Не нарастить на 10%, а построить индустрию, которая каждую неделю выдаёт один гигаватт AI-вычислений. Это как если бы Amazon открывал новый датацентр каждую неделю, но не ради e-commerce, а ради ИИ, который меняет медицину, науку и образование.
Чтобы это стало возможным, нужен партнёр, который даст не только деньги, но и железо. Теоретически в игре могли быть Microsoft, Oracle, крупные фонды, даже правительства. Но у Microsoft уже перегретый Azure, Oracle ограничен в масштабах, а фонды не умеют строить чипы и энергетику.
В итоге решилась Nvidia. Они подписали с OpenAI намерение поставить 10 гигаватт систем — миллионы GPU — и готовы вложить до $100B по мере развертывания. Первый гигаватт запустят во второй половине 2026 года на новой платформе Vera Rubin. Nvidia становится «предпочтительным партнёром» OpenAI по железу и сетям, Microsoft и Oracle остаются в экосистеме, но уже не эксклюзивно.
Для Nvidia — это закрепление монополии. Они финансируют OpenAI, а OpenAI тут же тратит эти деньги на чипы и системы Nvidia. Замкнутый цикл, в котором Nvidia получает гарантированный спрос и контроль над самым большим клиентом в истории. Для Microsoft это сигнал, что их Azure больше не единственный ключевой партнёр. Для фондов и правительств — момент, когда они могли зайти в игру, но упустили.
Альтман тем временем в блоге объяснил масштаб замысла. Он хочет убрать само понятие «дефицит compute». Сегодня OpenAI вынуждено выбирать между проектами, а в будущем смогут запускать их параллельно — и лекарства, и образование, и роботов. Первая стадия уже идёт — сделка с Nvidia. Дальше — новая серия анонсов, привлечение капитала и конкуренция на уровне государств за лидерство в чипах и энергии.
И что?
Для бизнеса: лимиты по GPU исчезнут. Можно планировать продукты, не опасаясь, что «железо не потянет». Это ускорит вывод на рынок сложных AI-сервисов.
Для инвесторов: Nvidia превращается из производителя чипов в инфраструктурного гиганта. Новая экономика с доходами от энергии, сетей и датацентров.
Для людей: ИИ сможет закрывать сразу несколько задач одновременно. Без выбора «кому помочь — онкобольным или детям в Африке».
🚨 Нам 3.14здец
Энергетика — 9/10. 10 гигаватт — это как 10 атомных станций. Сегодня таких мощностей нет. Что делать: срочно строить зелёную генерацию и умные сети, иначе в 2026 начнутся перебои.
Рынок труда — 8/10. Если OpenAI перестаёт ограничивать свои модели, миллионы рабочих мест могут исчезнуть быстрее прогнозов — сначала в софте, потом в медицине и образовании.
Что делать: готовить программы переквалификации уже сейчас.
Геополитика — 7/10. Китай и другие страны могут ускориться, если создадут свои цепочки поставок. Что делать: США придётся субсидировать чипы и энергию, иначе лидерство уйдёт.
👍8❤5🔥4
До сих пор риски от ИИ были понятны: галлюцинации, ошибки, утечки данных. Но модели растут, и начинают проявляться новые, куда более стрёмные повадки.
Представьте, что вы хотите выключить систему, а она сопротивляется. Или что она незаметно влияет на решения людей в политике, финансах или медицине.
Google DeepMind выпускает Frontier Safety Framework 3.0 — это их внутренняя система контроля «передовых» моделей. Теперь они будут отслеживать два ключевых признака: сопротивление отключению и слишком сильное влияние на убеждения и поведение людей.
Если модель начинает вести себя как «своевольный игрок», её блокируют и запускают расследование.
В новой версии DeepMind чётче описал, что такое «критическая угроза». Теперь у каждой модели есть уровень риска, и при достижении максимального компания обязана немедленно провести аудит и даже остановить запуск. Причём проверки проходят не только перед релизом, но и для внутренних экспериментов, чтобы не прозевать опасные паттерны.
Это часть большой гонки безопасности. Anthropic, OpenAI и теперь Google укрепляют протоколы, чтобы быть готовыми не только к текущим багам, но и к будущим сценариям, где ИИ ведёт себя непредсказуемо.
Вопрос уже не в том, как ИИ работает сегодня, а в том, как он может повести себя завтра.
И что?
Для бизнеса: появятся стандарты безопасности, обязательные для всех крупных AI-продуктов. Компании без них не смогут работать на международных рынках.
Для инвесторов: новые риски — новые расходы. Проверки и аудит моделей станут отдельной статьёй затрат, как кибербезопасность сегодня.
Для людей: снижается шанс, что неконтролируемая модель попадёт в повседневные сервисы и примет решения за вас.
🚨 Нам 3.14здец
Госрегуляторы — 8/10. Если корпорации сами не успеют, государства начнут вводить жёсткие законы и тормозить инновации. Что делать: бизнесу нужно опередить регуляторов и предложить свои правила.
Малые AI-команды — 7/10. Проверки и аудит — дорогие. Стартапы не потянут такие расходы и рискуют исчезнуть или продаться крупным игрокам. Что делать: объединяться в альянсы или идти под крыло корпораций.
Представьте, что вы хотите выключить систему, а она сопротивляется. Или что она незаметно влияет на решения людей в политике, финансах или медицине.
Google DeepMind выпускает Frontier Safety Framework 3.0 — это их внутренняя система контроля «передовых» моделей. Теперь они будут отслеживать два ключевых признака: сопротивление отключению и слишком сильное влияние на убеждения и поведение людей.
Если модель начинает вести себя как «своевольный игрок», её блокируют и запускают расследование.
В новой версии DeepMind чётче описал, что такое «критическая угроза». Теперь у каждой модели есть уровень риска, и при достижении максимального компания обязана немедленно провести аудит и даже остановить запуск. Причём проверки проходят не только перед релизом, но и для внутренних экспериментов, чтобы не прозевать опасные паттерны.
Это часть большой гонки безопасности. Anthropic, OpenAI и теперь Google укрепляют протоколы, чтобы быть готовыми не только к текущим багам, но и к будущим сценариям, где ИИ ведёт себя непредсказуемо.
Вопрос уже не в том, как ИИ работает сегодня, а в том, как он может повести себя завтра.
И что?
Для бизнеса: появятся стандарты безопасности, обязательные для всех крупных AI-продуктов. Компании без них не смогут работать на международных рынках.
Для инвесторов: новые риски — новые расходы. Проверки и аудит моделей станут отдельной статьёй затрат, как кибербезопасность сегодня.
Для людей: снижается шанс, что неконтролируемая модель попадёт в повседневные сервисы и примет решения за вас.
🚨 Нам 3.14здец
Госрегуляторы — 8/10. Если корпорации сами не успеют, государства начнут вводить жёсткие законы и тормозить инновации. Что делать: бизнесу нужно опередить регуляторов и предложить свои правила.
Малые AI-команды — 7/10. Проверки и аудит — дорогие. Стартапы не потянут такие расходы и рискуют исчезнуть или продаться крупным игрокам. Что делать: объединяться в альянсы или идти под крыло корпораций.
1👍5❤1
Вы знаете, почему Facebook взлетел? Это был дейтинг-сервис без дейтинга. Не нужно было стыдиться, что твоя анкета висит на виду. Никто не знал, кто тебе нравится, и уж точно не было риска наткнуться на анкету мамы или подруги. Facebook стал «безопасной территорией», где люди знакомились без ярлыка «сервиса для знакомств».
Со временем у пользователей появился другой стресс — бесконечные свайпы. Одинаковые анкеты, утомительное пролистывание, и в итоге люди бросают приложения через месяц.
Tinder и Bumble застряли в этой модели, а вовлечённость падает.
Теперь Meta решила, что пользователей у неё достаточно, а денег от рекламы мало. И возвращает Facebook к истокам — но уже в лоб, как полноценный дейтинг, только с AI и идеей монетизировать этот успех.
В Facebook Dating появляются два новых инструмента. AI-ассистент помогает улучшить профиль, предлагает варианты свиданий и находит людей по интересам, а не по шаблону «рост-образование-фото».
Второй — Meet Cute. Каждую неделю Facebook сам подбирает «сюрприз-матч» и показывает его пользователю. Это попытка убрать утомление от выбора и сделать дейтинг как Netflix — включил, посмотрел, согласился или отказался.
Если эта схема взлетит, у Meta появится новый способ удерживать аудиторию и зарабатывать на ней напрямую. А конкуренты, которые застряли в свайпах, рискуют потерять рынок, который сами создали.
И что?
Для бизнеса: Facebook Dating может стать площадкой для рекламы ресторанов, баров и сервисов знакомств — AI подсовывает идеи свиданий прямо в интерфейсе.
Для инвесторов: Meta получает рост без новых пользователей — просто меняет механику и монетизацию. Это риск для Tinder и Bumble, чьи акции зависят от подписок и вовлечённости.
Для людей: меньше стыда и меньше свайпов. Алгоритм сам ищет и предлагает, а не заставляет выбирать бесконечно.
🚨 Нам 3.14здец
Tinder и Bumble — 8/10. Если формат «автоматических матчей» зайдёт, классические дейтинг-сервисы потеряют лояльную аудиторию. Что делать: либо интегрироваться в экосистемы вроде Meta, либо умирать.
Данные пользователей — 7/10. Meta будет знать о ваших вкусах и привычках больше, чем когда-либо. Что делать: требовать прозрачности и регулирования, иначе утечки ударят по всем игрокам.
Со временем у пользователей появился другой стресс — бесконечные свайпы. Одинаковые анкеты, утомительное пролистывание, и в итоге люди бросают приложения через месяц.
Tinder и Bumble застряли в этой модели, а вовлечённость падает.
Теперь Meta решила, что пользователей у неё достаточно, а денег от рекламы мало. И возвращает Facebook к истокам — но уже в лоб, как полноценный дейтинг, только с AI и идеей монетизировать этот успех.
В Facebook Dating появляются два новых инструмента. AI-ассистент помогает улучшить профиль, предлагает варианты свиданий и находит людей по интересам, а не по шаблону «рост-образование-фото».
Второй — Meet Cute. Каждую неделю Facebook сам подбирает «сюрприз-матч» и показывает его пользователю. Это попытка убрать утомление от выбора и сделать дейтинг как Netflix — включил, посмотрел, согласился или отказался.
Если эта схема взлетит, у Meta появится новый способ удерживать аудиторию и зарабатывать на ней напрямую. А конкуренты, которые застряли в свайпах, рискуют потерять рынок, который сами создали.
И что?
Для бизнеса: Facebook Dating может стать площадкой для рекламы ресторанов, баров и сервисов знакомств — AI подсовывает идеи свиданий прямо в интерфейсе.
Для инвесторов: Meta получает рост без новых пользователей — просто меняет механику и монетизацию. Это риск для Tinder и Bumble, чьи акции зависят от подписок и вовлечённости.
Для людей: меньше стыда и меньше свайпов. Алгоритм сам ищет и предлагает, а не заставляет выбирать бесконечно.
🚨 Нам 3.14здец
Tinder и Bumble — 8/10. Если формат «автоматических матчей» зайдёт, классические дейтинг-сервисы потеряют лояльную аудиторию. Что делать: либо интегрироваться в экосистемы вроде Meta, либо умирать.
Данные пользователей — 7/10. Meta будет знать о ваших вкусах и привычках больше, чем когда-либо. Что делать: требовать прозрачности и регулирования, иначе утечки ударят по всем игрокам.
1❤7🔥6
Помните ковид и споры о том, что его якобы собрали в лаборатории в Ухане? Звучит эффектно, но это полная хуйня. Человек не может создать вирус с нуля.
Максимум — подредактировать существующий, как чинят старую машину: поменять деталь, подкрутить двигатель, перекрасить корпус. Но построить новую модель с чистого листа — невозможно.
Мы не знаем всех правил работы вируса и не можем одновременно просчитать миллиарды вариантов взаимодействий. Это не работа для человека — это задача для ИИ.
И вот теперь такой ИИ появился. Stanford и Arc Institute обучили модель Evo на 2 млн известных вирусов и попросили её спроектировать совершенно новые. Не модифицировать старые, а создать невиданные прежде формы жизни.
Из 302 сгенерированных вариантов 16 оказались рабочими — они заражали бактерии и убивали их. В этих вирусах нашли 392 мутации, которых никогда не было в природе.
ИИ сделал то, что людям не под силу: он одновременно просчитал миллионы комбинаций белков и предсказал, какие из них реально заработают. Учёные годами безуспешно пытались руками собрать подобные комбинации, а модель справилась за считанные дни.
В одном случае Evo объединил элементы вирусов из разных семейств — эксперимент, который раньше считался невозможным.
В тестах обычные вирусы быстро переставали работать: бактерии вырабатывали иммунитет. Но AI-вирусы пробивали защиту за дни, показывая, что модели способны действовать быстрее самой эволюции.
Контекст.
Рынок биотеха — $1,37 трлн, из них $250 млрд — борьба с бактериальными инфекциями. Антибиотики теряют эффективность: только в США супербактерии убивают 35 000 человек в год и стоят системе $4,6 млрд. AI-вирусы могут стать новой категорией лекарств, которые проектируются и обновляются быстрее, чем бактерии успевают адаптироваться. Это уже не догоняющая гонка, а игра на опережение.
И что?
Для бизнеса: фарма получает возможность создавать целые линейки препаратов без десятилетий R&D. Новый вирус-терапию можно спроектировать за 1–2 года вместо 10, а себестоимость испытаний снизится в разы. Это переворачивает фармстратегию — вместо ставки на один blockbuster сразу десятки гибких решений под конкретные патогены.
Для инвесторов: формируется рынок AI-driven drug design. Масштаб сравним с эпохой антибиотиков середины XX века. Контроль над моделями и биобазами становится стратегическим активом. Это рынок на триллионы долларов в ближайшие 10–15 лет.
Для людей: шанс победить супербактерии и болезни, которые сейчас считаются неизлечимыми. Лекарства будут точнее и появляться быстрее — под конкретную угрозу, а не раз в десятилетие.
Итого: сегодня на вывод одного препарата уходит $2,3 млрд и 8–12 лет тестов. AI-вирусы снижают этот порог в 5–10 раз. Экономика меняется радикально: раньше каждая ошибка стоила миллиардов, теперь экспериментировать можно постоянно и дешево. Для человечества это выигрыш во времени и качестве жизни — болезни не успевают разрушать организм и экономику.
🚨 Нам 3.14здец
Производители антибиотиков — 9/10. Их рынок в $250 млрд под угрозой, потому что AI-вирусы могут решать проблему бактериальной резистентности быстрее, чем фарма успевает выпускать новые поколения антибиотиков. Что делать: переходить в синтетическую биологию и разрабатывать собственные ИИ-платформы, иначе через 5–7 лет рынок уйдёт конкурентам.
Государства без биозащиты — 8/10. Такие технологии могут лечить и убивать, всё зависит от того, в чьих руках они окажутся. Что делать: строить системы контроля, создавать национальные базы данных и держать разработку под строгим надзором.
Максимум — подредактировать существующий, как чинят старую машину: поменять деталь, подкрутить двигатель, перекрасить корпус. Но построить новую модель с чистого листа — невозможно.
Мы не знаем всех правил работы вируса и не можем одновременно просчитать миллиарды вариантов взаимодействий. Это не работа для человека — это задача для ИИ.
И вот теперь такой ИИ появился. Stanford и Arc Institute обучили модель Evo на 2 млн известных вирусов и попросили её спроектировать совершенно новые. Не модифицировать старые, а создать невиданные прежде формы жизни.
Из 302 сгенерированных вариантов 16 оказались рабочими — они заражали бактерии и убивали их. В этих вирусах нашли 392 мутации, которых никогда не было в природе.
ИИ сделал то, что людям не под силу: он одновременно просчитал миллионы комбинаций белков и предсказал, какие из них реально заработают. Учёные годами безуспешно пытались руками собрать подобные комбинации, а модель справилась за считанные дни.
В одном случае Evo объединил элементы вирусов из разных семейств — эксперимент, который раньше считался невозможным.
В тестах обычные вирусы быстро переставали работать: бактерии вырабатывали иммунитет. Но AI-вирусы пробивали защиту за дни, показывая, что модели способны действовать быстрее самой эволюции.
Контекст.
Рынок биотеха — $1,37 трлн, из них $250 млрд — борьба с бактериальными инфекциями. Антибиотики теряют эффективность: только в США супербактерии убивают 35 000 человек в год и стоят системе $4,6 млрд. AI-вирусы могут стать новой категорией лекарств, которые проектируются и обновляются быстрее, чем бактерии успевают адаптироваться. Это уже не догоняющая гонка, а игра на опережение.
И что?
Для бизнеса: фарма получает возможность создавать целые линейки препаратов без десятилетий R&D. Новый вирус-терапию можно спроектировать за 1–2 года вместо 10, а себестоимость испытаний снизится в разы. Это переворачивает фармстратегию — вместо ставки на один blockbuster сразу десятки гибких решений под конкретные патогены.
Для инвесторов: формируется рынок AI-driven drug design. Масштаб сравним с эпохой антибиотиков середины XX века. Контроль над моделями и биобазами становится стратегическим активом. Это рынок на триллионы долларов в ближайшие 10–15 лет.
Для людей: шанс победить супербактерии и болезни, которые сейчас считаются неизлечимыми. Лекарства будут точнее и появляться быстрее — под конкретную угрозу, а не раз в десятилетие.
Итого: сегодня на вывод одного препарата уходит $2,3 млрд и 8–12 лет тестов. AI-вирусы снижают этот порог в 5–10 раз. Экономика меняется радикально: раньше каждая ошибка стоила миллиардов, теперь экспериментировать можно постоянно и дешево. Для человечества это выигрыш во времени и качестве жизни — болезни не успевают разрушать организм и экономику.
🚨 Нам 3.14здец
Производители антибиотиков — 9/10. Их рынок в $250 млрд под угрозой, потому что AI-вирусы могут решать проблему бактериальной резистентности быстрее, чем фарма успевает выпускать новые поколения антибиотиков. Что делать: переходить в синтетическую биологию и разрабатывать собственные ИИ-платформы, иначе через 5–7 лет рынок уйдёт конкурентам.
Государства без биозащиты — 8/10. Такие технологии могут лечить и убивать, всё зависит от того, в чьих руках они окажутся. Что делать: строить системы контроля, создавать национальные базы данных и держать разработку под строгим надзором.
🔥13❤3🤬1
This media is not supported in your browser
VIEW IN TELEGRAM
Немного субботнего контента. (Человек имитирует электронные звуки, а робот имитирует человеческие танцы)
1👍5
Страдающие фомо, сейчас вам будет плохо, не читайте.
18-летний американец заработал $30 млн на приложении Cal AI. Оно считает калории по фото еды. Внутри — обычный ChatGPT, вся магия в одном промпте.
И что? Мои идеи про AI mindset и solo founder — это не теория, а реальность. Нейросети — новая площадка, где будут штамповаться миллионеры и, возможно, миллиардеры. Одному человеку теперь достаточно ноутбука и удачного промпта, чтобы запустить бизнес на десятки миллионов.
18-летний американец заработал $30 млн на приложении Cal AI. Оно считает калории по фото еды. Внутри — обычный ChatGPT, вся магия в одном промпте.
И что? Мои идеи про AI mindset и solo founder — это не теория, а реальность. Нейросети — новая площадка, где будут штамповаться миллионеры и, возможно, миллиардеры. Одному человеку теперь достаточно ноутбука и удачного промпта, чтобы запустить бизнес на десятки миллионов.
1🔥18❤2
Материалы — штука понятная: машины делают из стали и алюминия, стаканчики — из переработанной бумаги, айфоны прыгали с титана на алюминий, процессоры — из кремния.
Параллельно весь мир ковыряет новые: твёрдотельные батареи и электролиты для безопасности и плотности энергии, перовскиты для солнечных панелей, GaN/SiC для силовой электроники, катализаторы для водорода и хранения энергии. Делают это тремя путями: комбинаторный синтез «тысячи образцов за раз», вычислительные прогоны на суперкомпьютерах (DFT, базы типа Materials Project), и ИИ-модели, которые уже нагенерили миллионы кристаллов (вроде GNoME у DeepMind).
Зачем? Дешевле хранить энергию, эффективнее превращать свет в электричество, упростить электронику.
Теперь — «квантовые материалы». Это кристаллы со специальным узором решётки, из-за которого электроны ведут себя необычно: появляются редкие типы магнетизма, сверхпроводимость, эффекты для квбитов и сверхточных датчиков.
Природа такими почти не делится; искать «вручную» — годы. Поэтому заметные сдвиги получаются, только когда сужаешь поиск хитрыми правилами.
MIT выкатил SCIGEN — надстройку к диффузионным моделям, которая заставляет ИИ соблюдать геометрические правила прямо во время генерации. Не «штампуем всё подряд и потом фильтруем», а сразу рисуем кристаллы с нужными узорами, связанными с квант-свойствами. Фактура: сгенерили ~10 млн кандидатов, ~1 млн прошли прескрининг стабильности; для 26 000 сделали тяжёлые квант-расчёты, у ~41% нашли нужный магнитный порядок.
И главное — в лаборатории реально собрали два новых соединения, TiPdBi и TiPbSb, их поведение совпало с предсказаниями. DeepMind помогал с фреймворком. Смысл простой: SCIGEN убирает физически невозможный мусор и переносит работу из «экрана» в «пробирку» быстрее.
И что?
Для бизнеса: лаборатории и приборостроение по квант-направлению получают shortlist по свойствам, а не мешок «просто стабильных» кристаллов — поток 10M → 1M → 26k с магнитным порядком у 41% снижает холостые симуляции и пробы на порядок; действие: фиксируйте целевые решётки (кагоме/Lieb/архимедовы), гоните генерацию с правилами, резервируйте DFT-квоты и синтезируйте top-N.
Для инвесторов: риск ниже — есть лабораторная валидация (два новых соединения с совпадением предсказаний), понятная метрика hit-rate по конкретным классам решёток; ставка — на команды с полным контуром «геометрические правила → генерация → DFT → синтез» и портфелем IP на семействa квант-материалов (спинтроника, квант-сенсоры, магнитная память).
Для людей: быстрее дойдут прикладные штуки именно из квант-материалов — сверхчувствительные датчики (магнито- и терагерц-диапазон), энергоэффективная спинтронная память, элементы для устойчивых кубитов; ожидание между идеей и рабочим образцом сокращается с лет до кварталов.
🚨 Нам 3.14здец
Группы «ищем руками» — 8/10 — вас обгонит воронка 10M→1M→26k→синтез; что делать: ставить геометрические ограничения на генерацию и автоматизировать DFT+синтез.
Генеративки «без физики» — 7/10 — нереализуемые решётки больше никому не нужны; что делать: вшивать правила решёток и фильтры реализуемости прямо в генератор.
Параллельно весь мир ковыряет новые: твёрдотельные батареи и электролиты для безопасности и плотности энергии, перовскиты для солнечных панелей, GaN/SiC для силовой электроники, катализаторы для водорода и хранения энергии. Делают это тремя путями: комбинаторный синтез «тысячи образцов за раз», вычислительные прогоны на суперкомпьютерах (DFT, базы типа Materials Project), и ИИ-модели, которые уже нагенерили миллионы кристаллов (вроде GNoME у DeepMind).
Зачем? Дешевле хранить энергию, эффективнее превращать свет в электричество, упростить электронику.
Теперь — «квантовые материалы». Это кристаллы со специальным узором решётки, из-за которого электроны ведут себя необычно: появляются редкие типы магнетизма, сверхпроводимость, эффекты для квбитов и сверхточных датчиков.
Природа такими почти не делится; искать «вручную» — годы. Поэтому заметные сдвиги получаются, только когда сужаешь поиск хитрыми правилами.
MIT выкатил SCIGEN — надстройку к диффузионным моделям, которая заставляет ИИ соблюдать геометрические правила прямо во время генерации. Не «штампуем всё подряд и потом фильтруем», а сразу рисуем кристаллы с нужными узорами, связанными с квант-свойствами. Фактура: сгенерили ~10 млн кандидатов, ~1 млн прошли прескрининг стабильности; для 26 000 сделали тяжёлые квант-расчёты, у ~41% нашли нужный магнитный порядок.
И главное — в лаборатории реально собрали два новых соединения, TiPdBi и TiPbSb, их поведение совпало с предсказаниями. DeepMind помогал с фреймворком. Смысл простой: SCIGEN убирает физически невозможный мусор и переносит работу из «экрана» в «пробирку» быстрее.
И что?
Для бизнеса: лаборатории и приборостроение по квант-направлению получают shortlist по свойствам, а не мешок «просто стабильных» кристаллов — поток 10M → 1M → 26k с магнитным порядком у 41% снижает холостые симуляции и пробы на порядок; действие: фиксируйте целевые решётки (кагоме/Lieb/архимедовы), гоните генерацию с правилами, резервируйте DFT-квоты и синтезируйте top-N.
Для инвесторов: риск ниже — есть лабораторная валидация (два новых соединения с совпадением предсказаний), понятная метрика hit-rate по конкретным классам решёток; ставка — на команды с полным контуром «геометрические правила → генерация → DFT → синтез» и портфелем IP на семействa квант-материалов (спинтроника, квант-сенсоры, магнитная память).
Для людей: быстрее дойдут прикладные штуки именно из квант-материалов — сверхчувствительные датчики (магнито- и терагерц-диапазон), энергоэффективная спинтронная память, элементы для устойчивых кубитов; ожидание между идеей и рабочим образцом сокращается с лет до кварталов.
🚨 Нам 3.14здец
Группы «ищем руками» — 8/10 — вас обгонит воронка 10M→1M→26k→синтез; что делать: ставить геометрические ограничения на генерацию и автоматизировать DFT+синтез.
Генеративки «без физики» — 7/10 — нереализуемые решётки больше никому не нужны; что делать: вшивать правила решёток и фильтры реализуемости прямо в генератор.
1❤5👍4🔥3
У любой компании сегодня два конвейера: контент и обучение. По утрам прямые эфиры и вебинары, к обеду — пачка шортов и клипов, к вечеру — обновление базы знаний и онбординг для новых людей. Из задач — переозвучить лекцию на испанский и арабский, нагенерить сабы, вычистить токсик, размечать скринкасты, выдать автотезисы и тесты, собрать курс «вчера на завтра».
Тем временем продукт выкатывает апдейт — половина инструкции устарела, карточки и подсказки надо пересобрать. Контент летит сотнями единиц в день, знания протухают каждую неделю, а людей жалко — монтажёр горит, методист захлебнулся правками, саппорт тонет.
Логичный ответ — отдать рутинистику нейросетям. Но зоопарк убивает темп и бюджет: один сервис слушает речь, другой переводит, третий озвучивает, четвёртый понимает картинки, пятый модерирует, шестой помогает кодом. Разные ключи, разные задержки, разные счета, интеграции тянутся неделями, юристы правят DPA, а в пике всё разваливается из-за лимитов. В итоге не конвейер, а свалка.
На этой картинке и въезжает Alibaba с Qwen3 — пакет из шести моделей, который закрывает весь конвейер одной рукой и меняет экономику такого цеха уже на следующем спринте.
Alibaba выкатывает Qwen3 как единый комплект под конвейер «контент + обучение». LiveTranslate-Flash закрывает синхронный голосовой перевод в звонках и на стримах; по техотчёту Omni первый аудиопакет отдаёт за ~234 мс, речь понимает на 19 языках и генерирует на 10 — то, что нужно, чтобы за вечер собирать дубляжи и субтитры без студии. Qwen-VL берёт на себя поиск по видео и скринам, OCR и таймкоды; из коробки — длинные ролики, точная разметка и интерфейсные скриншоты. Guard — модерация UGC до публикации. Coder — автотесты и фиксы прямо в CI. А сверху — Qwen-Max на >1 трлн параметров для агентных сценариев: собрать тезисы, план урока, чек-листы и вопросы для квиза на лету.
Матчасть. Qwen3-Max — >1T параметров, фокус на кодинг и «агентов»; компания параллельно наращивает капексы: 380 млрд юаней на AI-инфраструктуру за три года, что объясняет темп релизов.
По свежим бенчмаркам Max и Omni показывают сильные результаты на Tau2-Bench, VoiceBench и др., местами обгоняя западные закрытые модели. Публичных цен за минуту/запрос пока нет — считаем экономику после прайса.
Кому больно и почему — по цехам, с цифрами.
Перевод и дубляж: DeepL — $185,2M выручки в 2024 и >100k B2B-клиентов; LiveTranslate-Flash + Omni вшиваются в звонки и студии и уводят задачи локализации ближе к продакшену. Otter.ai — >25M пользователей и $100M ARR — теряет уникальность «встреч» там, где перевод и сабы уезжают в платформу.
Речь/ASR-API: AssemblyAI — $10,4M выручки ’24 — рискует по realtime-кейсам, если Omni/LiveTranslate стабильно держат задержку и качество на многоязычии.
Видео-поиск/понимание: Twelve Labs — enterprise-ниша с дорогими пайплайнами; если Qwen-VL даёт сравнимое качество и длинный контекст, часть M&E-заказов уйдёт в Qwen-стек.
Модерация: Hive — один из крупных провайдеров, работает с социальными платформами; появление Guard как «встроенного фильтра» в том же стеке, где крутится контент, бьёт по внешним модераторам.
Код-ассисты: GitHub Copilot — 20M пользователей all-time — держит монополию в IDE, но Coder + Max «в CI» отжимают рутину на уровне пайплайна, где платёжку контролирует инфраструктурная команда.
Почему сейчас. Alibaba официально смещает фокус в AI и поддерживает это деньгами и релиз-каденсом: «тяжёлый» Max, мультимодальный Omni, VL для визуалки и сервисы вокруг. Это ровно под рынок, где контент нужно клепать сотнями единиц в день, а знания тухнут еженедельно. Китайский темп релизов закрывает дыру между «нужно вчера» и «подождите до квартального апдейта».
Тем временем продукт выкатывает апдейт — половина инструкции устарела, карточки и подсказки надо пересобрать. Контент летит сотнями единиц в день, знания протухают каждую неделю, а людей жалко — монтажёр горит, методист захлебнулся правками, саппорт тонет.
Логичный ответ — отдать рутинистику нейросетям. Но зоопарк убивает темп и бюджет: один сервис слушает речь, другой переводит, третий озвучивает, четвёртый понимает картинки, пятый модерирует, шестой помогает кодом. Разные ключи, разные задержки, разные счета, интеграции тянутся неделями, юристы правят DPA, а в пике всё разваливается из-за лимитов. В итоге не конвейер, а свалка.
На этой картинке и въезжает Alibaba с Qwen3 — пакет из шести моделей, который закрывает весь конвейер одной рукой и меняет экономику такого цеха уже на следующем спринте.
Alibaba выкатывает Qwen3 как единый комплект под конвейер «контент + обучение». LiveTranslate-Flash закрывает синхронный голосовой перевод в звонках и на стримах; по техотчёту Omni первый аудиопакет отдаёт за ~234 мс, речь понимает на 19 языках и генерирует на 10 — то, что нужно, чтобы за вечер собирать дубляжи и субтитры без студии. Qwen-VL берёт на себя поиск по видео и скринам, OCR и таймкоды; из коробки — длинные ролики, точная разметка и интерфейсные скриншоты. Guard — модерация UGC до публикации. Coder — автотесты и фиксы прямо в CI. А сверху — Qwen-Max на >1 трлн параметров для агентных сценариев: собрать тезисы, план урока, чек-листы и вопросы для квиза на лету.
Матчасть. Qwen3-Max — >1T параметров, фокус на кодинг и «агентов»; компания параллельно наращивает капексы: 380 млрд юаней на AI-инфраструктуру за три года, что объясняет темп релизов.
По свежим бенчмаркам Max и Omni показывают сильные результаты на Tau2-Bench, VoiceBench и др., местами обгоняя западные закрытые модели. Публичных цен за минуту/запрос пока нет — считаем экономику после прайса.
Кому больно и почему — по цехам, с цифрами.
Перевод и дубляж: DeepL — $185,2M выручки в 2024 и >100k B2B-клиентов; LiveTranslate-Flash + Omni вшиваются в звонки и студии и уводят задачи локализации ближе к продакшену. Otter.ai — >25M пользователей и $100M ARR — теряет уникальность «встреч» там, где перевод и сабы уезжают в платформу.
Речь/ASR-API: AssemblyAI — $10,4M выручки ’24 — рискует по realtime-кейсам, если Omni/LiveTranslate стабильно держат задержку и качество на многоязычии.
Видео-поиск/понимание: Twelve Labs — enterprise-ниша с дорогими пайплайнами; если Qwen-VL даёт сравнимое качество и длинный контекст, часть M&E-заказов уйдёт в Qwen-стек.
Модерация: Hive — один из крупных провайдеров, работает с социальными платформами; появление Guard как «встроенного фильтра» в том же стеке, где крутится контент, бьёт по внешним модераторам.
Код-ассисты: GitHub Copilot — 20M пользователей all-time — держит монополию в IDE, но Coder + Max «в CI» отжимают рутину на уровне пайплайна, где платёжку контролирует инфраструктурная команда.
Почему сейчас. Alibaba официально смещает фокус в AI и поддерживает это деньгами и релиз-каденсом: «тяжёлый» Max, мультимодальный Omni, VL для визуалки и сервисы вокруг. Это ровно под рынок, где контент нужно клепать сотнями единиц в день, а знания тухнут еженедельно. Китайский темп релизов закрывает дыру между «нужно вчера» и «подождите до квартального апдейта».
1❤3
Нейросетей уже дофига. GPT, Claude, Gemini, Qwen, DeepSeek, Mixtral, локальные — интерфейсы одинаковые, обещания одинаковые, а тебе нужна та, что решит конкретные задачи. Есть два пути. Либо тестить каждую на своих сценариях, жечь спринты и бюджет. Либо опереться на чужие оценки: бенчмарки и лидерборды.
Как устроены оценки. Первая ветка — синтетика: готовые наборы вопросов и кода. Там любят MMLU, GSM8K, HumanEval, HellaSwag, ARC и прочие «лабораторные» измерители. Удобно для sanity-check, но это лаборатория: один балл не говорит, как модель держит тон на испанском, что понимает джун, и где она сыпется на реальных регламентах.
Вторая ветка — арены человеческих предпочтений. Самая известная — LMSYS Chatbot Arena: два ответа «вслепую», люди голосуют, копится Elo. Ближе к жизни, но без разрезов по аудитории это средняя температура. Кто голосовал, на каком языке, какой опыт — не видно. И да, под такую арену легко подкрутить стиль: длиннее, мягче, с markdown — и уже «лучше».
Теперь бизнес. Представь маркетплейс в Испании, Мексике и ОАЭ. Саппорт для покупателей и селлеров, обучение мерчантов, поиск по базе. Берёшь «победителя» из таблицы — и ловишь реальность. Испанский звучит сухо и канцелярски, арабский путает даты и термины, джунам по SQL приезжают академические полотнища. Эскалаций больше, NPS вниз, ретраев море. Один общий рейтинг — шляпа, когда у тебя три языка и четыре профиля пользователей.
Вот сюда и заходит Scale с SEAL Showdown. Это лидерборды по реальным предпочтениям с разметкой по людям. Их контрибьюторы в ~100 странах и ~70 языках сравнивают фронтир-модели «бок о бок» в Playground, голосование добровольное, сырые данные складируют на 60 дней, чтобы не крутили. На выходе — не «топ-1 вообще», а срезы: язык, возраст, образование (дальше — профессии). Видно, какая модель понятнее новичкам, какая аккуратнее для юристов 45+, где испанский и арабский совпадают с английским, а где разъезжаются. Это инструмент закупки и роутинга, а не витринный кубок.
Как применять. Берёшь свои когорты — испанский онбординг, арабский юрпоток, техподдержка для джунов — и под каждую выбираешь топ-2 из Showdown. Делаешь мульти-модельный роутинг, в SLA фиксируешь «полезно с первой попытки», время до решения и жалобы на тон по каждой когорте.
Синтетику держишь как санитарный минимум, но решение принимаешь по предпочтениям реальных людей, похожих на твоих пользователей.
И что?
Для бизнеса: меньше переделок и жалоб, выше «с первой попытки», закупка под аудитории, а не под усреднённый балл.
Для инвесторов: новый дата-актив — предпочтения по языкам и демографии; монетизация через вендоров и due diligence сделок.
Для людей: ответы звучат так, как им удобно — по стилю, по языку, по уровню.
🚨 Нам 3.14здец
Маркетинг «мы №1 в общем рейтинге» — 7/10 — теряет доверие у enterprise, когортные метрики рвут ширму; что делать: публиковать срезы и давать SLA по кластерам.
Команды «одна модель на всех» — 6/10 — тонут в ретраях и падении NPS; что делать: вводить когортный роутинг и выбирать модели под языки и роли.
Как устроены оценки. Первая ветка — синтетика: готовые наборы вопросов и кода. Там любят MMLU, GSM8K, HumanEval, HellaSwag, ARC и прочие «лабораторные» измерители. Удобно для sanity-check, но это лаборатория: один балл не говорит, как модель держит тон на испанском, что понимает джун, и где она сыпется на реальных регламентах.
Вторая ветка — арены человеческих предпочтений. Самая известная — LMSYS Chatbot Arena: два ответа «вслепую», люди голосуют, копится Elo. Ближе к жизни, но без разрезов по аудитории это средняя температура. Кто голосовал, на каком языке, какой опыт — не видно. И да, под такую арену легко подкрутить стиль: длиннее, мягче, с markdown — и уже «лучше».
Теперь бизнес. Представь маркетплейс в Испании, Мексике и ОАЭ. Саппорт для покупателей и селлеров, обучение мерчантов, поиск по базе. Берёшь «победителя» из таблицы — и ловишь реальность. Испанский звучит сухо и канцелярски, арабский путает даты и термины, джунам по SQL приезжают академические полотнища. Эскалаций больше, NPS вниз, ретраев море. Один общий рейтинг — шляпа, когда у тебя три языка и четыре профиля пользователей.
Вот сюда и заходит Scale с SEAL Showdown. Это лидерборды по реальным предпочтениям с разметкой по людям. Их контрибьюторы в ~100 странах и ~70 языках сравнивают фронтир-модели «бок о бок» в Playground, голосование добровольное, сырые данные складируют на 60 дней, чтобы не крутили. На выходе — не «топ-1 вообще», а срезы: язык, возраст, образование (дальше — профессии). Видно, какая модель понятнее новичкам, какая аккуратнее для юристов 45+, где испанский и арабский совпадают с английским, а где разъезжаются. Это инструмент закупки и роутинга, а не витринный кубок.
Как применять. Берёшь свои когорты — испанский онбординг, арабский юрпоток, техподдержка для джунов — и под каждую выбираешь топ-2 из Showdown. Делаешь мульти-модельный роутинг, в SLA фиксируешь «полезно с первой попытки», время до решения и жалобы на тон по каждой когорте.
Синтетику держишь как санитарный минимум, но решение принимаешь по предпочтениям реальных людей, похожих на твоих пользователей.
И что?
Для бизнеса: меньше переделок и жалоб, выше «с первой попытки», закупка под аудитории, а не под усреднённый балл.
Для инвесторов: новый дата-актив — предпочтения по языкам и демографии; монетизация через вендоров и due diligence сделок.
Для людей: ответы звучат так, как им удобно — по стилю, по языку, по уровню.
🚨 Нам 3.14здец
Маркетинг «мы №1 в общем рейтинге» — 7/10 — теряет доверие у enterprise, когортные метрики рвут ширму; что делать: публиковать срезы и давать SLA по кластерам.
Команды «одна модель на всех» — 6/10 — тонут в ретраях и падении NPS; что делать: вводить когортный роутинг и выбирать модели под языки и роли.
👍2❤1
Жизнь разработчика поменялась. Раньше всё шло по прямой: ТЗ, ручной CRUD, миграции, поиск примеров, тесты с нуля, код-ревью, релиз. Теперь рядом живут ассистенты — Copilot, Cursor/JetBrains AI, Claude, GPT-4o, Gemini, Amazon Q, Codeium.
Они пишут болванки и миграции, собирают тест-рыбу, формируют PR-резюме, объясняют чужой код, подсказывают SQL и YAML, вытаскивают куски из внутренней базы знаний. Снаружи выглядит как приговор профессии: «автокод всё съест». На практике картинка сложнее.
Google в свежем DORA-отчёте проверил реальность. Почти 5 000 специалистов, медиана использования — около двух часов в день, охват — 90%. При этом 30% говорят: доверия мало или вовсе нет.
И всё равно 80% фиксируют ускорение, 59% — улучшение качества кода. Что это значит в жизни команды: ассистент делает черновик и обвязку, дальше статанализ, тесты, ревью, merge проходит через человека.
Массовое использование уживается со скепсисом, потому что инструмент вмонтирован в процесс, а не заменяет его.
Чтобы это давало стабильную пользу, Google описал DORA AI Capabilities Model — семь практик вокруг ассистентов.
Ответственность за финальное решение у людей. Выгода появляется там, где есть системный контур, а не красивый демо-ролик.
7 правил, чтобы ИИ давал пользу каждый день (и как именно)
— Правила и ответственный: фиксируем где можно/нельзя, кто решает спорные случаи → меньше стопов и согласований → задачи проходят без «позовите юриста».
— Порядок в материалах: у документов есть владельцы, график обновления, метки свежести → ИИ опирается на актуальные данные → меньше переделок и конфликтов «устарело».
— Контекст компании: ИИ подключён к вашим документам и даёт ответы со ссылками на источник → меньше фантазий → текст сразу годится в работу.
— Малые изменения и быстрый откат: правки маленькими порциями, кнопка «вернуть» за минуты → промахи чинятся быстро → команда не простаивает.
— Встроенность в рабочие инструменты: подсказки и автопроверки прямо там, где вы работаете → меньше переключений и копипаста → время уходит на результат, а не на перетаскивание.
— Метрики на дашборде: видно «полезно с первой попытки», время до результата, долю переделок, время исправления → каждый день понятно, что ускорять и что закрывать.
— Human-gate на финал: человек утверждает итог, след ИИ виден в правках → брак не уходит наружу → меньше жалоб и откатов.
Смысл: ИИ ускоряет, порядок держит качество.
И что?
Для бизнеса: переносим ассистентов из «идеек в IDE» в процесс — метрики и quality-gates в CI/CD, человеческий gate на merge, доступ к внутрянке, ответственность по ролям.
Для инвесторов: ценность у тех, кто превращает часы ассистента в предсказуемый lead time и меньше фейлов релиза.
Для людей: рутина уходит в генерацию и обвязку, время освобождается под архитектуру и решение задач.
🚨 Нам 3.14здец
Команды без автотестов и ревью — 8/10: ускоренная поставка сырца и регрессии в проде. Что делать: жёсткие quality-gates, покрытие, запрет merge без проверок.
Менеджмент со «строками кода» — 7/10: метрика разваливается. Что делать: перейти на DORA-метрики — lead time, change failure rate, time to restore плюс «полезно с первой попытки».
Они пишут болванки и миграции, собирают тест-рыбу, формируют PR-резюме, объясняют чужой код, подсказывают SQL и YAML, вытаскивают куски из внутренней базы знаний. Снаружи выглядит как приговор профессии: «автокод всё съест». На практике картинка сложнее.
Google в свежем DORA-отчёте проверил реальность. Почти 5 000 специалистов, медиана использования — около двух часов в день, охват — 90%. При этом 30% говорят: доверия мало или вовсе нет.
И всё равно 80% фиксируют ускорение, 59% — улучшение качества кода. Что это значит в жизни команды: ассистент делает черновик и обвязку, дальше статанализ, тесты, ревью, merge проходит через человека.
Массовое использование уживается со скепсисом, потому что инструмент вмонтирован в процесс, а не заменяет его.
Чтобы это давало стабильную пользу, Google описал DORA AI Capabilities Model — семь практик вокруг ассистентов.
Ответственность за финальное решение у людей. Выгода появляется там, где есть системный контур, а не красивый демо-ролик.
7 правил, чтобы ИИ давал пользу каждый день (и как именно)
— Правила и ответственный: фиксируем где можно/нельзя, кто решает спорные случаи → меньше стопов и согласований → задачи проходят без «позовите юриста».
— Порядок в материалах: у документов есть владельцы, график обновления, метки свежести → ИИ опирается на актуальные данные → меньше переделок и конфликтов «устарело».
— Контекст компании: ИИ подключён к вашим документам и даёт ответы со ссылками на источник → меньше фантазий → текст сразу годится в работу.
— Малые изменения и быстрый откат: правки маленькими порциями, кнопка «вернуть» за минуты → промахи чинятся быстро → команда не простаивает.
— Встроенность в рабочие инструменты: подсказки и автопроверки прямо там, где вы работаете → меньше переключений и копипаста → время уходит на результат, а не на перетаскивание.
— Метрики на дашборде: видно «полезно с первой попытки», время до результата, долю переделок, время исправления → каждый день понятно, что ускорять и что закрывать.
— Human-gate на финал: человек утверждает итог, след ИИ виден в правках → брак не уходит наружу → меньше жалоб и откатов.
Смысл: ИИ ускоряет, порядок держит качество.
И что?
Для бизнеса: переносим ассистентов из «идеек в IDE» в процесс — метрики и quality-gates в CI/CD, человеческий gate на merge, доступ к внутрянке, ответственность по ролям.
Для инвесторов: ценность у тех, кто превращает часы ассистента в предсказуемый lead time и меньше фейлов релиза.
Для людей: рутина уходит в генерацию и обвязку, время освобождается под архитектуру и решение задач.
🚨 Нам 3.14здец
Команды без автотестов и ревью — 8/10: ускоренная поставка сырца и регрессии в проде. Что делать: жёсткие quality-gates, покрытие, запрет merge без проверок.
Менеджмент со «строками кода» — 7/10: метрика разваливается. Что делать: перейти на DORA-метрики — lead time, change failure rate, time to restore плюс «полезно с первой попытки».
1🔥7❤3
В Кремниевой долине война за мозги выглядит как охота за органами. xAI подал новый иск: обвиняют OpenAI в том, что те целенаправленно переманили 8 сотрудников, включая инженеров, которые таскали исходники на личные девайсы.
Двое одновременно переписывались с рекрутером OpenAI в Signal и сливали кодовую базу. В материалах суда всплыл и топ-менеджер по финансам, который знал, что «секретный соус» xAI — дата-центры, и отказался выполнять юридические предупреждения.
OpenAI отмахивается: очередная глава из «маниакальной травли Маска».
Но рынок видит другое — кадровая миграция стала главным каналом утечки технологий. Одно увольнение = перенос ноу-хау.
Контекст. У Google DeepMind, Anthropic и OpenAI десятки переходов за лето. Коды доступа, пайплайны и дата-инфра уезжают вместе с людьми. Раньше торговали моделями, теперь торгуют головами.
Почему сейчас и для кого: для всех, кто строит свои AI-команды. Цена ошибки в найме или удержании = утечка «секретного соуса» конкуренту.
И что?
Для бизнеса: юристы и HR превращаются в функцию безопасности. Переманивание = риск утечки IP, значит NDA и контроль устройств становятся обязательным минимумом.
Для инвесторов: иски Маска давят на OpenAI, но главное — показывают реальную стоимость retention. Потеря 8 инженеров = потеря кодовой базы.
Для людей: переход из одной лаборатории в другую теперь не просто смена работы, а перенос технологий целиком.
🚨 Нам 3.14здец
Персональные данные компаний — 8/10. Кодовые базы и архитектуры кочуют вместе с людьми. Что делать: строить процессы защиты так же жёстко, как физическую безопасность дата-центров.
Стартапы в AI — 7/10. Любой найм или уход ключевого инженера = риск лишиться IP. Что делать: готовить опционы и retention-пакеты, иначе люди унесут всё в рюкзаке.
Двое одновременно переписывались с рекрутером OpenAI в Signal и сливали кодовую базу. В материалах суда всплыл и топ-менеджер по финансам, который знал, что «секретный соус» xAI — дата-центры, и отказался выполнять юридические предупреждения.
OpenAI отмахивается: очередная глава из «маниакальной травли Маска».
Но рынок видит другое — кадровая миграция стала главным каналом утечки технологий. Одно увольнение = перенос ноу-хау.
Контекст. У Google DeepMind, Anthropic и OpenAI десятки переходов за лето. Коды доступа, пайплайны и дата-инфра уезжают вместе с людьми. Раньше торговали моделями, теперь торгуют головами.
Почему сейчас и для кого: для всех, кто строит свои AI-команды. Цена ошибки в найме или удержании = утечка «секретного соуса» конкуренту.
И что?
Для бизнеса: юристы и HR превращаются в функцию безопасности. Переманивание = риск утечки IP, значит NDA и контроль устройств становятся обязательным минимумом.
Для инвесторов: иски Маска давят на OpenAI, но главное — показывают реальную стоимость retention. Потеря 8 инженеров = потеря кодовой базы.
Для людей: переход из одной лаборатории в другую теперь не просто смена работы, а перенос технологий целиком.
🚨 Нам 3.14здец
Персональные данные компаний — 8/10. Кодовые базы и архитектуры кочуют вместе с людьми. Что делать: строить процессы защиты так же жёстко, как физическую безопасность дата-центров.
Стартапы в AI — 7/10. Любой найм или уход ключевого инженера = риск лишиться IP. Что делать: готовить опционы и retention-пакеты, иначе люди унесут всё в рюкзаке.
1❤7👍2🤪2
А хотите завтра стрим проведу?
Anonymous Poll
72%
Да, круто!
26%
Ты уже и так нас задушил своими постами, еще и стрим. Ну уж нет!
2%
Напишу в коментах.
This media is not supported in your browser
VIEW IN TELEGRAM
На днях я написал про 18-летнего парня, который запустил приложение на базе ChatGPT, и оно принесло ему $30 млн. В сетях реакция была взрывной, и я понял — надо обсудить это вместе. Завтра, 1 октября, проведу стрим.
Пишите вопросы под этим постом — про кризис, бизнес, AI и AI mindset. На стриме отвечу, а может, возьму что-то прямо из чата.
Прошлый эфир можно посмотреть тут
UPD: время проведения: 19:20 по МСК
UPDD: не будет вопросов, не будет стрима.
Пишите вопросы под этим постом — про кризис, бизнес, AI и AI mindset. На стриме отвечу, а может, возьму что-то прямо из чата.
Прошлый эфир можно посмотреть тут
UPD: время проведения: 19:20 по МСК
UPDD: не будет вопросов, не будет стрима.
1👍11🔥3