Перевалили знаменательный рубеж — ровно 50 мероприятий:
- 48 конференций (в т.ч. 3 ночных);
- 1 завтрак;
- 1 вечеринка с DJ

Представляем отчётное видео, конечно поместилось лишь 0.1% тёплых моментов

41 этаж имел честь насладиться выступлениями от:
— Даниил Гущин;
— Лина Чегринец;
— Екатерина Черкасова;
— Катя Строкина, Т-Банк;
— Диана Сухова (Кожокова), TenChat;
— Адель Валиуллин, Газпромбанк;
— Анна Керн, JazzUp;
— Яна Гольдибаева, ШВК;
— Дмитрий Власов, топ-стритлифтер;
— Александр Давыдов;
— Сергей Алексеев, Юнити;
— Алексей Марахин, Phystech.Gynesis;
— Денис Кузнецов;
— Надин Захарова, LYM;
— Анастасия Рощина;
— Екатерина Кононова;
— Александр Павлов;
— Дмитрий Демчук;
— Евгений Петров;
— Александра Дорофеева;
— Диана Башмакова;
— Александр Воронин;
— Стас Еговцев, STAX;
— Владимир Алексеев, ERA;
— Пётр Толочков, Way2Go;
— Дмитрий Твердохлебов;
— Дмитрий Огнерубов, кардиохирург и титан;
— Сергей Журихин, Университет Правительства Москвы;
— Павел Палагин;
— Алексей Маркелов;
— Игорь Кожелин, SR Data;
— [ спикер по теме Переговоры ];
— Кирилл Гурбанов, ex Самолёт Банк;
— Илья Пантелеймонов;
— Юлия DJ Юla;
— Александр Евсюткин, совет депутатов г.о. Балашиха;
— Виктор Сиволгин, К41.

До встречи в 2026

Трамп просит IT-гигантов заплатить за новые электростанции — точнее, мягко принуждает их помочь финансировать строительство мощностей для своих AI data центров

В декабре 2025 дефицит мощностей электрогенерации в США составил 6600 МВт (это 6 атомных электростанций). Обычно строительство финансировали обычные потребители за счёт роста цен, но тут масштабы выросли.

Новый законопроект предлагает привлечь 15 млрд $ на через иную схему:
1. Amazon, Microsoft, Google и иные BigTech и промышленные компании дают прогноз потребления на 15 лет;
2. BigTech компании подписывают соглашение, где указана двухуровневая система оплаты:
— Capacity Payment, фиксированные абонентский платеж, платят даже если не используют весь объем;
— Energy Payment, платят если превышают ранее указанный лимит энергопотребления.
3. Производители электроэнергии, имея эти 15-летние контракты, берут деньги у банков и идут строить новые электростанции (газовые, атомные, угольные).

Отчасти мера политическая (после скандала Microsoft в одном из штатов), чтобы переложить затраты с простых граждан на БигТех, ибо их энергетические нужды выросли почти в 2 раза из-за AI-вычислений

Энергетика становится краеугольным камнем AI-гонки

Бигтех компании, кстати, даже рады — для них бюджеты на электричество станут более предсказуемыми. Появится ли похожий проект в России?

Ai-academy провели исследование — в российской компании 527 сотрудникам дали доступ к основным LLM моделям и собрали статистику “ai-поведения”

Активны были 416 человек, не все использовали. Четыре вывода из их user experience:

1. Правило Парето работает с точностью до процента: 20% пользователей сгенерили 79,4% всех расходов

2. Бухгалтерия и другие не-креативные отделы активно генерируют картинки, как ни странно

3. За 7 месяцев — 27-кратный рост кол-ва запросов, люди втянулись и распробовали

4. Большие Excel-таблицы анализировались плохо, часто модели берут только первые 100 строк и несут уверенный бред; для таблиц нужен Code Interpreter, изолированное Python-окружение, спец. модели

И инсайд, зацепивший меня. Power Users, самые активные 3%:
— среди 527 человек нашлись 12 людей (3% от 416),
— они делали 42% всех запросов и тратили 35% бюджета,
— средний Power User делал 1200 запросов и тратил $50 в месяц (обычный юзер делал 120 запросов и тратил $5)

МОРАЛЬ: внедряя новые подходы, не обязательно учить абсолютно всех, можно найти эти 3% и прокачивать их, а остальные подтянуться.

-
Полные результаты, подробные графики и выводы положил в телеграм apgrader

Сейчас работаю по стратегии и инвестициям с проектом в сфере MedTech — и впечатлён размером отрасли, на которую можно влиять

Рынок медицины разбит на три сегмента:

— 9,3 трлн $ медицинские услуги и сервисы;
— 1,9 трлн $ лекарства;
— 0,7 трлн $ оборудование

Общий объём порядка 11,9 трлн $

Проект как раз в сегменте медицинских услуг и их цифровизации, но логично говорить о всём рынке, т.к. всё связано и взаимно влияет

К примеру, врач поставил точный диагноз, и вы не купили лишние лекарства на 300 тыс. и не заказали прибор за 500 тыс., выручка осталась в 1-м сегменте

Рядом живёт “маленький” рынок фитнес-тренеров, 15 млрд $ (в 800 раз меньше) — они тоже в игре. Прогрессивные тренеры применяют научные статьи и фундаментальную медицину, остальные стремятся это делать, чтобы пробиться в условиях высокой конкуренции

Расскажем также про 4 измерения диагностики, параллель с банкингом, государственные единые медицинские системы. Продолжение следует

10 млрд сценариев и 4 измерения. Продолжаю рассказ о MedTech-проекте, вторым этапом для Pitch Deck мы углубились в проблематику. Вам врач ставил ложный диагноз?

По оценкам, в США 800 000 пациентов умирают либо получают инвалидность из-за диагностических ошибок. Пропускают травмы и онкологию, а когда 10 лет болит спина и плохо со сном — говорят что-то в духе “ничего страшного, само пройдёт”

В защиту врачей скажу: задача сложна. Для точного диагноза надо соединить 4 мира, 4 измерения:

1. 20 000+ возможных заболеваний, в т.ч. 17 000 диагностических категорий по ICD-11 и 6000 редких (орфанных) заболеваний;

2. 100 000 лекарств, порядка 12 000 INN (действующих веществ), плюс разнообразие брендов и форм выпуска;

3. 1 млрд генетических особенностей и наследственности (даже 8 млрд, но положим, что мир фрагментирован);

4. 200-300 типовых лайфстайлов, т.е. контекст жизни в данный период жизни, который напрямую влияет на эффективность лечения

Врач узкой специальности оперирует порядка 100 диагнозами. В конкретной стране доступны не все лекарства, их около 10 000. И, даже если генетику и стиль жизни упростить до 100 типовых случаев, получится:

100 × 10 000 × 100 × 100 = 10 млрд сценариев

Применять ML, LLM, RAG, умный поиск по научным статьям и клиническим случаям, обучать нейросети клиническому интеллекту, только так можно выйти на новый уровень диагностирования — ибо проблема чисто математически огромна

Расскажем об аналогии с банкингом и государственные единые медицинские системы, продолжение следует

Big Data в медицине. Готовлю MedTech-проект к масштабированию и инвестраунду, уже рассказал о рынке объёмом 12 трлн $ и бездне сценариев диагностики (их порядка 1 млрд и это консервативная оценка)

В чём проблема с данными в медицине? Выделим две проблемы:

1. Преемственность: данные анализов, болезней, процедур, аллергий, травм теряются. Между разными больницами, стационарами, частными клиниками и лабораториями информация искажается. Врач видит неполную картину, и это иногда фатально

2. Время, частичное следствие проблемы 1. Пока сдаёшь анализы и проходишь обследования, диагноза всё нет. Тем временем, болезнь прогрессирует и время утекает.

Парадокс вот в чём — нередко многие анализы и обследования ты УЖЕ проходил 5 лет назад, их можно использовать (как минимум, частично)

Было исследование в США, выяснили, что из-за несогласованности электронных медицинских карт дублировались 30% анализов, а на бюрократию тратится почти 300 млрд $

Медицина сегодня — это как банкинг 20 лет назад, “где карту открывали — туда и обращайтесь”. В финтехе мы привыкли к моментальным оплатам, выпискам, открыть карту 10 секунд, взять кредит 2-3 минуты. Встаёт вопрос — почему всё не так в медицине? Разве это менее важно?

-

Далее — расскажу про государственные единые медицинские системы в различных странах мира

И о том, как может выглядеть будущее в медицине, до которого, будем верить, мы все доживём; продолжение следует

Структурирую MedTech-проект и исследую индустрию. Что, если нагло представить возможный сценарий будущего?

2040 год. Входишь в кабинет врача, он сразу формулирует точный по смыслу запрос в Мировую Медицинскую Систему. Там уже есть все твои биомаркеры, ДНК, рост, вес, сон, спорт, история болезней, травм и психологических потрясений. Система анализирует 5000 лет мирового опыта, статьи, клинические случаи — и через 2 секунды формирует протокол лечения, который подходит конкретно тебе конкретно сейчас. Приём врача длится 10 минут, 7 из которых вы пьете чай и созерцаете прекрасное, ибо за первые 3 минуты вопрос уже решён.

Что есть сейчас? На каком этапе развития находятся информационные системы разных государств?

1. Индия — общенациональная инфраструктура обмена данными: ABDM (Ayushman Bharat Digital Mission). Личный health ID связывает все приёмы и назначения, врач в Дели видит анализы сданные в Мумбаи. Зарегистрированы уже 797 млн уникальных ID, больше половины 1,5-миллиардного населения

2. Россия — модель централизованной системы, ЕГИСЗ развивается с 2010 года. Данные стекаются в региональные шины и далее в федеральный центр; пациент видит раздел «Моё здоровье» на портале Госуслуги. Интеграция всех частных клиник ещё в процессе

3. США — фреймворк TEFCA (Trusted Exchange Framework and Common Agreement) связывает 14 214 организаций, в системе прошло 500 млн записей. Но это не все мед. учреждения и не единая база данных, а лишь масштабный обмен данными

Если создать Big Data в масштабах государства и, тем более, мира, можно накапливать опыт в 100, 1000 раз быстрее. Возможно, ряд болезней будет побеждён, как когда-то тиф и оспа

Мой подопечный проект решает более узкую задачу — чтобы все профильные данные и научные статьи были в быстром доступе по запросу врача для спасения пациента

Горизонты завораживают

Три предыдущие части о данном проекте — в комментарии

Часть 5. Карта метаболизма. Чтобы похудеть и уменьшить % жира в теле, нужны 103 биохимические реакции (липолиз, активация, транспорт, β-окисление, цикл Кребса, дыхание – 12 типов реакций проходят в 5 этапов)

Продолжаю работу с MedTech-проектом по стратегии и Pitch Deck

Увидев огромную схему, осознал уровень сложности и кол-во переменных, сколько параметров нужно учесть врачу, чтобы принять клиническое решение

Например, решение “как правильно похудеть”. Создал дефицит калорий — но мышцы уходят. Добавил силовые — но откат, потому что нервы. Убрал стресс — но голова не варит. Добавил углеводов — начал отекать. Убрал креатин — сил опять нет. Тут настали Новогодние праздники, как отказаться от застолья?… И таких головоломок десятки

Если сравнительно простой вопрос “как похудеть” имеет столько тонкостей, что говорить о сложной редкой патологии? Без помощи новейшего стэка технологий не разобраться

На фото Roche Biochemical Pathways 4th Edition (“Карта метаболизма”), схема 3500 реакций в организме человека — выложил в @apgrader. Для интереса, проследите по ней жиросжигание, ИИ поможет

Ты отстал от жизни, все уже давно написали приложения на Claude Code! — твердил мне внутренний голос

Потом оказалось, что:
1) не все;
2) кто написал — в 99% случаев лишь прототип;
3) от прототипа до Продукта — как от Земли до Луны;
4) почитаемый мной Perplexity функционально похож на Claude Code

В таблице — основные отличия Perplexity Computer и Claude Code. Именно для быстрых прототипов из серии «создай змейку на Python» или «напиши лендинг на React». Сравнивал независимый арбитр — Gemini 3.1 Pro Thinking

Есть тонкости, это разные подходы. Для не-ITшника не-программиста Клауд Код сложнее на старте

Обоим нужна зарубежная карта; в Perplexity есть читкод на +7 дней и бонус для преподавателей вузов

Работаю с MedTech-проектом по стратегии и инвестициям — и главный плюс в том, что у проекта есть прямой аналог в США

OpenEvidence — AI-софт для врачей, ARR $150 млн, инвестиции $250 млн по оценке $12 млрд. В США они охватили 40% врачей и применили продукт для 100 млн американцев

Умный поиск работает на лицензированных мед. данных и RAG-архитектуре с привязкой цитат, не выходит в open-web. Может анализировать 100-200 статей параллельно и составить медицинские заметки из разговора врача с пациентом

Был и такой случай: человеку стало плохо в самолёте. Ситуация осложнялась тем, что пациент принимал препарат от онкологического заболевания. Врач, летевшая этим рейсом, открыла OpenEvidence и спросила: нужна ли экстренная посадка? Платформа дала ответ: экстренная посадка не нужна, достаточно ввести конкретные препараты после приземления — в итоге рейс прибыл вовремя и пациенту штатно помогли

В феврале сеть Sutter Health, которая обслуживает 3,5 млн человек в Калифорнии, встроила OpenEvidence в инфраструктуру клиники — врач может искать прямо из карты пациента

Компания движется в сторону клинической операционной системы по принципу AI-first: вся документация, медицинское кодирование, подбор пациентов для клинических исследований, поддержка назначения терапии и клинических решений, все внешние и внутренние коммуникации

Эта практика придёт и к нам

Далее — про обозримое будущее, во что может вырасти medical superintelligence в Российском и Евразийском контексте