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
Все знают: найти нормального бизнес-ассистента почти невозможно. Либо это твоя будущая любовница или новая жена, либо стоит конских денег, либо вечно что-то забывает, либо уходит в декрет. И всегда человеческий фактор. Есть люди, у которых ассистент есть, у кого-то был и сдулся, а теперь появится новая категория — люди с ИИ-ассистентом. И, похоже, таких станет большинство.
OpenAI запустил ChatGPT Pulse. Пока ты спишь, он сам собирает 5–10 карточек: важные письма из Gmail, встречи из Google Calendar, темы из недавних чатов, даже напоминания «купи подарок на ДР».
Утром ты открываешь и видишь повестку дня. Никакого бесконечного скролла — Pulse заканчивает словами «That’s it for today». Работает только раз в сутки, предпросмотр пока только на мобильных.
Старт — 30 сентября, доступ сначала у Pro ($200/мес), Plus обещан позже.
Что он может. Ночью собирает апдейт из твоих чатов, Memory/фидбэка и подключённых приложений: подхватывает Gmail и Google Calendar (по желанию), предлагает черновик повестки встречи, напоминает о подарке на ДР, вытаскивает важные письма, подкидывает идеи по темам, о которых ты писал вчера. Управляется прямыми запросами и реакциями «нравится/не нравится». Карточки на утро видны день, если не сохранить/не продолжить диалог.
Чего нет. Это пока не «делай всё за меня»: фоновое исследование — да, но без автономной рассылки писем, бронирований и массовых действий; предпросмотр ограничен мобилой, обновление — раз в сутки, ценность максимальна только при добровольном доступе к почте/календарю.
Почему сейчас и для кого: основатели, операционщики, сейлзы, PM — кому важен быстрый старт дня без созвонов «что горит?». Компании с переполненной почтой и плотным графиком — первые в очереди. Контекст: в отличие от реактивных ассистентов, Pulse сам инициирует повестку и ограничивает внимание «пакетом» апдейтов.
И что?
Для бизнеса: OpenAI заходит в рынок корпоративных ассистентов на $27 млрд — теперь утренние дайджесты и задачи для сотрудников может собирать ИИ, а не люди.
Для инвесторов: Pulse закрепляет Pro как площадку для compute-heavy сервисов. Рост ARPU ×10 открывает дорогу к SaaS-модели с агентами для SMB и корпораций.
Для людей: привычка «с утра смотреть в Pulse» может стать массовой как почта или Slack — и это новый рынок ежедневной повестки, управляемой ИИ.
🚨 Нам 3.14здец
Персональные ассистенты — 9/10. Профессия умирает: всё, что они делают утром, Pulse делает быстрее и дешевле. Что делать: уходить в стратегический консалтинг или менять сферу.
Приватность — 9/10. Мы отдаём ИИ письма, календари и привычки. Это уже не просто поиск, это вход в наши рутины и поведенческие паттерны. Что делать: давать минимум прав, держать личное и рабочее раздельно.
Корпоративный контроль — 7/10. Комплаенс-службы встанут на уши: кто будет отвечать за утечки? Что делать: жёсткий аудит доступа, настройка DLP и логирование действий ассистента.
💀Почтовые «умные» дайджесты — 8/10: шаблонные обзоры теряют ценность. Что делать: переходить в персонализацию на действия пользователя.
OpenAI запустил ChatGPT Pulse. Пока ты спишь, он сам собирает 5–10 карточек: важные письма из Gmail, встречи из Google Calendar, темы из недавних чатов, даже напоминания «купи подарок на ДР».
Утром ты открываешь и видишь повестку дня. Никакого бесконечного скролла — Pulse заканчивает словами «That’s it for today». Работает только раз в сутки, предпросмотр пока только на мобильных.
Старт — 30 сентября, доступ сначала у Pro ($200/мес), Plus обещан позже.
Что он может. Ночью собирает апдейт из твоих чатов, Memory/фидбэка и подключённых приложений: подхватывает Gmail и Google Calendar (по желанию), предлагает черновик повестки встречи, напоминает о подарке на ДР, вытаскивает важные письма, подкидывает идеи по темам, о которых ты писал вчера. Управляется прямыми запросами и реакциями «нравится/не нравится». Карточки на утро видны день, если не сохранить/не продолжить диалог.
Чего нет. Это пока не «делай всё за меня»: фоновое исследование — да, но без автономной рассылки писем, бронирований и массовых действий; предпросмотр ограничен мобилой, обновление — раз в сутки, ценность максимальна только при добровольном доступе к почте/календарю.
Почему сейчас и для кого: основатели, операционщики, сейлзы, PM — кому важен быстрый старт дня без созвонов «что горит?». Компании с переполненной почтой и плотным графиком — первые в очереди. Контекст: в отличие от реактивных ассистентов, Pulse сам инициирует повестку и ограничивает внимание «пакетом» апдейтов.
И что?
Для бизнеса: OpenAI заходит в рынок корпоративных ассистентов на $27 млрд — теперь утренние дайджесты и задачи для сотрудников может собирать ИИ, а не люди.
Для инвесторов: Pulse закрепляет Pro как площадку для compute-heavy сервисов. Рост ARPU ×10 открывает дорогу к SaaS-модели с агентами для SMB и корпораций.
Для людей: привычка «с утра смотреть в Pulse» может стать массовой как почта или Slack — и это новый рынок ежедневной повестки, управляемой ИИ.
🚨 Нам 3.14здец
Персональные ассистенты — 9/10. Профессия умирает: всё, что они делают утром, Pulse делает быстрее и дешевле. Что делать: уходить в стратегический консалтинг или менять сферу.
Приватность — 9/10. Мы отдаём ИИ письма, календари и привычки. Это уже не просто поиск, это вход в наши рутины и поведенческие паттерны. Что делать: давать минимум прав, держать личное и рабочее раздельно.
Корпоративный контроль — 7/10. Комплаенс-службы встанут на уши: кто будет отвечать за утечки? Что делать: жёсткий аудит доступа, настройка DLP и логирование действий ассистента.
💀Почтовые «умные» дайджесты — 8/10: шаблонные обзоры теряют ценность. Что делать: переходить в персонализацию на действия пользователя.
1🔥5❤3👍3
Media is too big
VIEW IN TELEGRAM
Все потому что в Черногории стартовал Чемпионат по лени
Участники должны лишь лежать и ничего не делать. Каждые 8 часов разрешается вставать на 15 минут, чтобы выйти в туалет. Победитель получит €2000.
В 2023 году победительница пролежала так 50 дней.
И что?
Видимо всем было лень писать вопросы, из за удаленного участия в данном фестивале, и выходить в эфир мне не с чем.
Please open Telegram to view this post
VIEW IN TELEGRAM
1🔥9🤬1🤪1
OpenAI с Sora все уже похоронили. В феврале показали, шум прошёл, и тишина. Veo от Google завалил интернет вирусными видео, Runway и Pika штампуют апдейты каждую неделю, у Маска появился Grok-Video, а китайцы из Kuaishou и ByteDance гонят генерацию аниме и мемов миллионами.
Казалось, OpenAI переключился на агентов.
И вот они вернулись с Sora 2. Теперь модель выдаёт 5–10 секундные сцены с нормальной физикой и синхронным звуком. Персонажи разговаривают, объекты звучат, переходы между сценами выглядят целостно. Но главный удар — не сама модель, а соцсеть вокруг неё. Фича Cameos позволяет записать себя и встраивать свой образ в любые AI-видео: клипы, мемы, трейлеры. Запуск в США и Канаде бесплатный с лимитами, Pro подписка даёт доступ к Sora 2 Pro и API.
Контекст. Veo уже доминирует в длинных, кинематографичных роликах. Runway и Pika забрали аудиторию креаторов, но звук и диалоги у них пока слабое место. Grok-Video держит трафик внутри X, но это скорее демо для платформы Маска. Китайские генераторы мощны локально, но не строят глобальную экосистему. OpenAI играет по-другому: модель + социальный слой сразу, чтобы не потеряться среди конкурентов.
И что?
Для бизнеса: Cameos — готовый маркетинговый инструмент. Лицо клиента в брендовых роликах дешевле за кампанию и быстрее по охвату, чем традиционное видео.
Для инвесторов: OpenAI выходит в лигу соцсетей. Это конкуренция TikTok и Instagram, и если зайдёт — новый источник роста.
Для людей: больше не нужно снимать и монтировать — достаточно одного видео себя, чтобы попасть в любой сюжет.
🚨 Нам 3.14здец
Креаторы-новички — 8/10 — простая генерация убьёт рынок внимания. Выделится станет еще сложнее. Что делать: уходить в сценарии и уникальный контент.
TikTok и Reels — 7/10 — потеря аудитории, если Cameos станет вирусным. Что делать: копировать механику как можно быстрее.
Мозгам и восприятию — 9/10 — реальность и фантазия смешиваются в одну ленту. «Слетал на Мальдивы» с фото и видео-отчётом — это уже не факт, а фантазия в промпте. Отличить можно будет только по кривым мелочам, но и это скоро уйдёт.
Людям — 8/10 — доверие к фото и видео обнулится, останется одно: нравится ли глазу. Контент перестанет быть доказательством, станет чистой эмоцией.
Казалось, OpenAI переключился на агентов.
И вот они вернулись с Sora 2. Теперь модель выдаёт 5–10 секундные сцены с нормальной физикой и синхронным звуком. Персонажи разговаривают, объекты звучат, переходы между сценами выглядят целостно. Но главный удар — не сама модель, а соцсеть вокруг неё. Фича Cameos позволяет записать себя и встраивать свой образ в любые AI-видео: клипы, мемы, трейлеры. Запуск в США и Канаде бесплатный с лимитами, Pro подписка даёт доступ к Sora 2 Pro и API.
Контекст. Veo уже доминирует в длинных, кинематографичных роликах. Runway и Pika забрали аудиторию креаторов, но звук и диалоги у них пока слабое место. Grok-Video держит трафик внутри X, но это скорее демо для платформы Маска. Китайские генераторы мощны локально, но не строят глобальную экосистему. OpenAI играет по-другому: модель + социальный слой сразу, чтобы не потеряться среди конкурентов.
И что?
Для бизнеса: Cameos — готовый маркетинговый инструмент. Лицо клиента в брендовых роликах дешевле за кампанию и быстрее по охвату, чем традиционное видео.
Для инвесторов: OpenAI выходит в лигу соцсетей. Это конкуренция TikTok и Instagram, и если зайдёт — новый источник роста.
Для людей: больше не нужно снимать и монтировать — достаточно одного видео себя, чтобы попасть в любой сюжет.
🚨 Нам 3.14здец
Креаторы-новички — 8/10 — простая генерация убьёт рынок внимания. Выделится станет еще сложнее. Что делать: уходить в сценарии и уникальный контент.
TikTok и Reels — 7/10 — потеря аудитории, если Cameos станет вирусным. Что делать: копировать механику как можно быстрее.
Мозгам и восприятию — 9/10 — реальность и фантазия смешиваются в одну ленту. «Слетал на Мальдивы» с фото и видео-отчётом — это уже не факт, а фантазия в промпте. Отличить можно будет только по кривым мелочам, но и это скоро уйдёт.
Людям — 8/10 — доверие к фото и видео обнулится, останется одно: нравится ли глазу. Контент перестанет быть доказательством, станет чистой эмоцией.
👍4❤2
В демо Sora 2, Альтман поставил себя как цифрового аватара. Выше мнение.
Anonymous Poll
14%
Это не скромно. У него уже мания величия.
26%
Норм. Альтман уже неотъемлемая часть продукта
56%
Основатели таких компаний- новые рок звезды. Будут петь, танцевать, сниматься в кино 🍿.
4%
Напишу в комментариях
👍2💩1
Ночная смена в стационаре. Врач с 14 годами практики принимает тяжёлого пациента: нужно быстро сформировать план — анализ, терапия, наблюдение. Рядом запускают ИИ: по тем же данным он собирает рабочий план за секунды. Дальше — проверка врача и решение.
Идея проста: сравнили не игрушечные тесты, а реальную работу человека и машины. OpenAI собрал большой замер по 44 профессиям и 1320 задачам из 9 отраслей, задачи готовили спецы со средним стажем 14 лет.
В итогах: Claude Opus 4.1 показал самый высокий суммарный результат (wins+ties) — 47,6% и силён в оформлении материалов; GPT-5 лидирует в точности, а прогресс за 15 месяцев от GPT-4o к GPT-5 — почти ×3 (≈13,7% → ~40%).
Какие именно 44:консьержи; управляющие недвижимостью и ТСЖ/HOA; агенты по продаже недвижимости; брокеры по недвижимости; клерки по прокату; специалисты по организации досуга; специалисты по комплаенсу; начальники первой линии полиции и следствия; руководители админслужб; соцработники (дети/семьи/школы); инженеры-механики; инженеры по производству; закупщики; клерки по отгрузке-приёмке и инвентаризации; мастера/начальники смен на производстве; разработчики ПО; юристы; бухгалтеры и аудиторы; руководители ИТ; специалисты по управлению проектами; медсёстры (RN); практикующие медсёстры (NP); руководители медслужб; руководители первой линии офисного/админперсонала; медсекретари и админ-ассистенты; специалисты поддержки клиентов; фин- и инвестаналитики; финменеджеры; персональные финсоветники; агенты по продаже ЦБ, товаров и финуслуг; фармацевты; руководители смены в рознице; генеральные/операционные менеджеры; частные детективы; руководители продаж; клерки по заказам; руководители оптовых продаж (первая линия); торговые представители опт/производство (кроме тех/научных продуктов); торговые представители опт/производство (тех/научные продукты); аудио- и видеотехники; продюсеры и режиссёры; обозреватели/репортёры/журналисты; видеомонтажёры; редакторы.
И что?
Для бизнеса:
на «золотом» наборе из 220 задач модели уже выигрывают/на паре в 39–49% кейсов по 44 профессиям — часть работы можно переложить на ИИ без проседания качества; решают быстрее и масштабируются под нагрузку.
Для инвесторов: динамика за 15 месяцев — почти ×3 по метрике wins+ties у GPT-5 против GPT-4o — это ускорение unit-экономики знаний: меньше человеко-часов на выпуск типовых отчётов/планов, выше валовая маржа у внедривших ИИ.
Для людей: ИИ уже уверенно берёт часть врачебных планов, юридических меморандумов, фин-разборов, презентаций; роль человека — постановка задачи, контроль и ответственность за решение.
🚨 Нам 3.14здец
Специалисты со стажем 10+ лет — 8/10 — паритет по качеству на половине задач в ряде ролей; что делать: уходить в задачи принятия решений, кросс-функциональное лидерство, контроль рисков.
Университеты и профкурсы — 6/10 — цикл апгрейда моделей месяцами, учебных программ — годами; что делать: перестраивать на «человек+ИИ» и тренировать надзадачи.
Идея проста: сравнили не игрушечные тесты, а реальную работу человека и машины. OpenAI собрал большой замер по 44 профессиям и 1320 задачам из 9 отраслей, задачи готовили спецы со средним стажем 14 лет.
В итогах: Claude Opus 4.1 показал самый высокий суммарный результат (wins+ties) — 47,6% и силён в оформлении материалов; GPT-5 лидирует в точности, а прогресс за 15 месяцев от GPT-4o к GPT-5 — почти ×3 (≈13,7% → ~40%).
Какие именно 44:
И что?
Для бизнеса:
на «золотом» наборе из 220 задач модели уже выигрывают/на паре в 39–49% кейсов по 44 профессиям — часть работы можно переложить на ИИ без проседания качества; решают быстрее и масштабируются под нагрузку.
Для инвесторов: динамика за 15 месяцев — почти ×3 по метрике wins+ties у GPT-5 против GPT-4o — это ускорение unit-экономики знаний: меньше человеко-часов на выпуск типовых отчётов/планов, выше валовая маржа у внедривших ИИ.
Для людей: ИИ уже уверенно берёт часть врачебных планов, юридических меморандумов, фин-разборов, презентаций; роль человека — постановка задачи, контроль и ответственность за решение.
🚨 Нам 3.14здец
Специалисты со стажем 10+ лет — 8/10 — паритет по качеству на половине задач в ряде ролей; что делать: уходить в задачи принятия решений, кросс-функциональное лидерство, контроль рисков.
Университеты и профкурсы — 6/10 — цикл апгрейда моделей месяцами, учебных программ — годами; что делать: перестраивать на «человек+ИИ» и тренировать надзадачи.
1👍10❤3
Представь переговорку агентства: на стене — расписание пробы, в зуме — продюсер, а на месте актёра — Тилли Норвуд, синтетическая артистка от Xicoia.
Месяц назад дебют в комедийном скетче, сегодня — переговоры сразу с несколькими голливудскими агентствами. У персонажа уже есть биография, голос и арки для сериалов.
Xicoia — спин-аут из продакшна Particle6, основательница Элин Ван дер Велден говорит прямым текстом: цель — сделать из Тилли «новую Скарлетт Йоханссон или Натали Портман».
Студии за пару месяцев переехали от «несерьёзно» к «давайте обсудим». Параллельно на сцене ИИ-музыкант Xania Monet — значит, это уже не единичный эксперимент, а линия фронта.
Реакция: актёры зовут бойкотировать любые агентства, которые подпишут синтетического исполнителя.
После прошлогодних забастовок тема гиперчувствительная: контроль образа, роялти, замена дублёрами — всё это нерв.
Агентские комиссии около 10%, у синтетиков появится альтернативная выручка из лицензий на образ и голоса. Матчасть: минута речи генерится за секунды, ночных смен нет, сцены можно править бесконечно. Публичных бенчмарков по стоимости — нет.
Масштаб — десятки параллельных проектов без конфликтов расписаний. Роллаут — «переговоры идут сейчас».
И что?
Для бизнеса: кастинг без календарных войн, быстрые пилоты, контроль рисков — дешевле за выпуск и правки.
Для инвесторов: новый класс IP — «синтетические таланты» и агентские сети под них; риск — регуляция и бойкоты.
Для людей: контента станет больше и быстрее; живых лиц — меньше, границы этики — ближе.
🚨 Нам 3.14здец
Актёрские агентства среднего звена — 8/10 — комиссия тает, если клиент уходит в синтетиков; что делать: строить каталоги ИИ-персонажей и услуги цифровых дублёров.
Массовка/озвучка — 7/10 — низкобюджет закрывают модели; что делать: уходить в лайв-форматы и редкие навыки.
💀КИНО (КАРЬЕРА)- ВСЕ!
Месяц назад дебют в комедийном скетче, сегодня — переговоры сразу с несколькими голливудскими агентствами. У персонажа уже есть биография, голос и арки для сериалов.
Xicoia — спин-аут из продакшна Particle6, основательница Элин Ван дер Велден говорит прямым текстом: цель — сделать из Тилли «новую Скарлетт Йоханссон или Натали Портман».
Студии за пару месяцев переехали от «несерьёзно» к «давайте обсудим». Параллельно на сцене ИИ-музыкант Xania Monet — значит, это уже не единичный эксперимент, а линия фронта.
Реакция: актёры зовут бойкотировать любые агентства, которые подпишут синтетического исполнителя.
После прошлогодних забастовок тема гиперчувствительная: контроль образа, роялти, замена дублёрами — всё это нерв.
Агентские комиссии около 10%, у синтетиков появится альтернативная выручка из лицензий на образ и голоса. Матчасть: минута речи генерится за секунды, ночных смен нет, сцены можно править бесконечно. Публичных бенчмарков по стоимости — нет.
Масштаб — десятки параллельных проектов без конфликтов расписаний. Роллаут — «переговоры идут сейчас».
И что?
Для бизнеса: кастинг без календарных войн, быстрые пилоты, контроль рисков — дешевле за выпуск и правки.
Для инвесторов: новый класс IP — «синтетические таланты» и агентские сети под них; риск — регуляция и бойкоты.
Для людей: контента станет больше и быстрее; живых лиц — меньше, границы этики — ближе.
🚨 Нам 3.14здец
Актёрские агентства среднего звена — 8/10 — комиссия тает, если клиент уходит в синтетиков; что делать: строить каталоги ИИ-персонажей и услуги цифровых дублёров.
Массовка/озвучка — 7/10 — низкобюджет закрывают модели; что делать: уходить в лайв-форматы и редкие навыки.
💀КИНО (КАРЬЕРА)- ВСЕ!
1👍10❤7
привет Siri. А кто-то ещё так говорит? У меня из знакомых — ноль. А ведь обещание было жирное: Джобс хотел, чтобы устройства разговаривали. В 2010 Apple купила Siri (выходцы из SRI: Даг Киттлаус, Адам Чайер, Том Грубер), в 2011 запустили в iPhone 4S под кураторством Скотта Форстолла. Потом Форстолл ушёл, команду разнесло по функциям (поиск, диктовка, дом), ставка на приватность и on-device замедлила фичи, а Alexa/Google ушли вперёд на интеграциях и темпе.
Сейчас Apple латает отставание внутренним ботом Veritas — песочницей для новой Siri. Там гоняют сценарии «поиск по личным данным», «редактирование фото голосом», и тестируют систему Linwood на гибриде: свои модели + сторонние. Публичного чата, как у конкурентов, не будет — всё спрячут внутрь Siri.
Плохая новость: из-за инженерных проблем большой релиз сдвинут на март 2026, пошли рокировки в руководстве и утечка кадров в другие AI-лабы. Контекст рынка простой: ChatGPT/Gemini/Copilot обновляются каждые недели, а у Apple сотни миллионов устройств с ассистентом, который давно повод для мемов.
Окно возможностей для чужих AI-утилит в iOS открыто сейчас.
И что?
Для бизнеса: пока Siri тупит, можно занимать полку на iPhone — голосовые сценарии, личный поиск, авто-саммари. Дешевле за выпуск, чем пилить натив под всё.
Для инвесторов: риск по AI-истории Apple растёт — задержка ~18 месяцев и отток талантов; upside — если Linwood даст on-device скорость и приватность без облака.
Для людей: шанс получить «умную» Siri без лишней болтовни — но ждать до 2026, временно спасают сторонние ассистенты.
🚨 Нам 3.14здец
Разработчикам iOS-утилит — 6/10 (в хорошем смысле) — окно на 12–18 месяцев, потом Apple закроет ниши; что делать: захватывать категории и удержание сейчас.
Сейчас Apple латает отставание внутренним ботом Veritas — песочницей для новой Siri. Там гоняют сценарии «поиск по личным данным», «редактирование фото голосом», и тестируют систему Linwood на гибриде: свои модели + сторонние. Публичного чата, как у конкурентов, не будет — всё спрячут внутрь Siri.
Плохая новость: из-за инженерных проблем большой релиз сдвинут на март 2026, пошли рокировки в руководстве и утечка кадров в другие AI-лабы. Контекст рынка простой: ChatGPT/Gemini/Copilot обновляются каждые недели, а у Apple сотни миллионов устройств с ассистентом, который давно повод для мемов.
Окно возможностей для чужих AI-утилит в iOS открыто сейчас.
И что?
Для бизнеса: пока Siri тупит, можно занимать полку на iPhone — голосовые сценарии, личный поиск, авто-саммари. Дешевле за выпуск, чем пилить натив под всё.
Для инвесторов: риск по AI-истории Apple растёт — задержка ~18 месяцев и отток талантов; upside — если Linwood даст on-device скорость и приватность без облака.
Для людей: шанс получить «умную» Siri без лишней болтовни — но ждать до 2026, временно спасают сторонние ассистенты.
🚨 Нам 3.14здец
Разработчикам iOS-утилит — 6/10 (в хорошем смысле) — окно на 12–18 месяцев, потом Apple закроет ниши; что делать: захватывать категории и удержание сейчас.
1❤5
Мира Муратти — человек, который помогала создавать GPT-4, — собрала часть бывшей команды и запустила Thinking Machines Lab. Вместо того чтобы строить очередного гиганта вроде ChatGPT, она сделала Tinker — инструмент, который позволяет компаниям собирать своих ИИ в пару строк кода. Облако всё ещё нужно, но оно спрятано за API: без серверов, GPU и бесконечных пайплайнов.
Работает просто: берёшь любую открытую модель — Llama, Qwen — и через API дообучаешь её под свои данные. Хочешь — решай уравнения, хочешь — анализируй химические реакции, хочешь — делай научного ассистента.
Первые клиенты — Princeton, Stanford и Berkeley, где Tinker уже помогает строить системы для математических доказательств и научного анализа.
Пара строк кода — и модель начинает понимать специфику твоего бизнеса: терминологию, тон общения, внутренние документы, даже формат отчётов. Не нужно администрировать GPU, поднимать контейнеры, возиться с пайплайнами. Всё это под капотом.
По сути, ты получаешь своего «мини-GPT» — умного, но заточенного только под твои задачи.
Кейсы, где это будет must-have: — Юристы. Свой ИИ, натренированный на базе решений суда и внутренних договоров компании, готовит документы и даёт прогноз по делам.
— Медицина. Модель, обученная на истории пациентов конкретной клиники, помогает врачам ставить диагнозы быстрее и точнее, чем универсальные ассистенты.
— Бухгалтерия. ИИ, знающий именно локальные налоговые правила, автоматически готовит отчёты и сверяет декларации.
— Образование. Преподаватель создаёт ИИ-тьютора, который говорит его голосом, объясняет по его методике и помнит слабые места ученика.
— Исследования. Университет делает своего ассистента для чтения и аннотирования научных статей в конкретной области — например, квантовой химии.
Главная идея — не искать универсальный мозг, а клепать миллионы маленьких, дешёвых, но точных ИИ. Каждый будет знать свой узкий мир лучше, чем любой ChatGPT.
Контекст. После ухода из OpenAI Муратти делает ставку не на «одну большую голову», а на миллионы специализированных ИИ. Вся идея — democratize fine-tuning: не соревноваться с GPT-5, а дать возможность компаниям создавать свои мозги без облачной зависимости.
И что?
Tinker убирает барьер входа в создание ИИ. Любой разработчик может обучить модель под себя за день. Это открывает рынок кастомных моделей, который по оценкам McKinsey вырастет до $300 млрд к 2030 году. Если хотя бы 10% компаний начнут использовать такие API, это создаст сотни тысяч узкоспециализированных ИИ — юридических, медицинских, финансовых, исследовательских.
Для бизнеса: исчезает потребность в сторонних подрядчиках — можно собрать своего «внутреннего ИИ» под конкретные задачи, без инженеров и серверов.
Для инвесторов: начинается новая волна — от борьбы гигантов за универсальные модели к миллионам маленьких ИИ с локальной монетизацией.
Для людей: появятся персональные ассистенты под профессию, компанию и даже конкретного пользователя — мир переходит от одного большого GPT к миллиону умных мини-мозгов.
🚨 Нам 3.14здец
Узкоспециализированным специалистам — 9/10. Fine-tuning через API убивает рынок экспертов: юристы, бухгалтера, исследователи — все, чьи знания можно скормить модели, станут софтом. Один разработчик с Tinker сможет воспроизвести их работу за часы.
Облачным провайдерам — 7/10. До 40% прибыли AWS и Azure идёт от обучения моделей. Если кастомизация уйдёт в Tinker-уровень, этот поток срежется вдвое.
Работает просто: берёшь любую открытую модель — Llama, Qwen — и через API дообучаешь её под свои данные. Хочешь — решай уравнения, хочешь — анализируй химические реакции, хочешь — делай научного ассистента.
Первые клиенты — Princeton, Stanford и Berkeley, где Tinker уже помогает строить системы для математических доказательств и научного анализа.
Пара строк кода — и модель начинает понимать специфику твоего бизнеса: терминологию, тон общения, внутренние документы, даже формат отчётов. Не нужно администрировать GPU, поднимать контейнеры, возиться с пайплайнами. Всё это под капотом.
По сути, ты получаешь своего «мини-GPT» — умного, но заточенного только под твои задачи.
Кейсы, где это будет must-have: — Юристы. Свой ИИ, натренированный на базе решений суда и внутренних договоров компании, готовит документы и даёт прогноз по делам.
— Медицина. Модель, обученная на истории пациентов конкретной клиники, помогает врачам ставить диагнозы быстрее и точнее, чем универсальные ассистенты.
— Бухгалтерия. ИИ, знающий именно локальные налоговые правила, автоматически готовит отчёты и сверяет декларации.
— Образование. Преподаватель создаёт ИИ-тьютора, который говорит его голосом, объясняет по его методике и помнит слабые места ученика.
— Исследования. Университет делает своего ассистента для чтения и аннотирования научных статей в конкретной области — например, квантовой химии.
Главная идея — не искать универсальный мозг, а клепать миллионы маленьких, дешёвых, но точных ИИ. Каждый будет знать свой узкий мир лучше, чем любой ChatGPT.
Контекст. После ухода из OpenAI Муратти делает ставку не на «одну большую голову», а на миллионы специализированных ИИ. Вся идея — democratize fine-tuning: не соревноваться с GPT-5, а дать возможность компаниям создавать свои мозги без облачной зависимости.
И что?
Tinker убирает барьер входа в создание ИИ. Любой разработчик может обучить модель под себя за день. Это открывает рынок кастомных моделей, который по оценкам McKinsey вырастет до $300 млрд к 2030 году. Если хотя бы 10% компаний начнут использовать такие API, это создаст сотни тысяч узкоспециализированных ИИ — юридических, медицинских, финансовых, исследовательских.
Для бизнеса: исчезает потребность в сторонних подрядчиках — можно собрать своего «внутреннего ИИ» под конкретные задачи, без инженеров и серверов.
Для инвесторов: начинается новая волна — от борьбы гигантов за универсальные модели к миллионам маленьких ИИ с локальной монетизацией.
Для людей: появятся персональные ассистенты под профессию, компанию и даже конкретного пользователя — мир переходит от одного большого GPT к миллиону умных мини-мозгов.
🚨 Нам 3.14здец
Узкоспециализированным специалистам — 9/10. Fine-tuning через API убивает рынок экспертов: юристы, бухгалтера, исследователи — все, чьи знания можно скормить модели, станут софтом. Один разработчик с Tinker сможет воспроизвести их работу за часы.
Облачным провайдерам — 7/10. До 40% прибыли AWS и Azure идёт от обучения моделей. Если кастомизация уйдёт в Tinker-уровень, этот поток срежется вдвое.
🔥11❤7👍5