Perpetual Prompt ♾️

Исследователи из Германии продемонстрировали, что замороженный особым методом мозг после разморозки способен функционировать. Речь, правда, о мозге мыши, и насколько он там восстановился, точно не известно, - но удивительно уже и то, что хоть как-то нейроны заработали. У нас в мозгу нейроны по сути такие же, - неужели приближается день, когда можно будет создавать банки органов, погружать космонавтов в анабиоз, спасать мозг после гибели тела, или даже отправлять его в будущее в надежде на разморозку в более счастливом мире, как мечтают крионисты? Привожу самые интересные подробности исследования по статье в Nature. Основная причина, по которой мозг с трудом восстанавливается после замораживания, - повреждения, вызванные образованием кристаллов льда. Они прокалывают клеточные стенки, ломают всякие наноструктуры, нарушая ключевые клеточные процессы. Поэтому исследователи обратились к методу криоконсервации без образования льда, называемому витрификацией. Витрификация охлаждает жидкости очень быстро, чтобы зафиксировать неорганизованные молекулы прежде чем они успеют образовать кристаллы льда. В результате живая ткань сохраняется в стекловидном состоянии, все молекулы внутри замирают. Неужели такую ткань можно вернуть обратно к жизни? Исследователи тестировали свой метод на срезах мозга мышей толщиной 350 микрометров, включающих гиппокамп — наш любимый участок мозга, отвечающий за кратковременную память, навигацию в пространстве и другие ключевые для сознания функции. Срезы мозга, обработанные раствором с криоконсервирующими веществами, быстро охлаждали жидким азотом до −196 °C. После этого их хранили в морозильной камере при −150 °C в стеклообразном состоянии от десяти минут до семи дней. После размораживания срезов в теплых растворах команда проанализировала ткань, чтобы определить, сохранилась ли в ней какая-либо активность. Микроскопическое исследование показало, что нейронные и синаптические мембраны были целыми, а тесты на митохондриальную активность не выявили метаболических повреждений. Электрофизиологические записи нейронов показали, что реакция нейронов на электрические стимулы была близка к норме. «Ключевые особенности гиппокампа сохраняются, включая структурную целостность, метаболическую реактивность, нейронную возбудимость, а также синаптическую передачу и пластичность. Примечательно, что долговременная потенциация гиппокампа хорошо сохранилась, что указывает на то, что клеточный механизм обучения и памяти остается работоспособным», - делают вывод исследователи. Однако, поскольку такие срезы естественным образом деградируют, наблюдения ограничивались несколькими часами. В следующем эксперименте исследователи работали уже с целым мозгом мыши, восемь дней поддерживая его в стекловидном состоянии при температуре –140 ºC. После размораживания мозга были приготовлены срезы, и записи из гиппокампа подтвердили, что нейронные пути, включая участвующие в формировании памяти, сохранили функциональность. «У нас уже есть предварительные данные, демонстрирующие жизнеспособность после заморозки коры головного мозга человека», — говорят исследователи. Команда также изучает возможность использования метода витрификации для криоконсервации целых органов, в частности сердца. К сожалению, авторы исследования добавляют, что долгосрочное хранение крупных органов - все еще не близкая перспектива. Мышиный мозг маленький, и то все получилось не с первого раза. А у крупных органов возникают серьезные проблемы, связанные с ограничениями теплопередачи и с более высокими термомеханическими напряжениями, которые могут вызвать растрескивание «остекленевшего» органа. Но дело явно движется!

GitHub для агентов или Как Карпатый ответил на мой вопрос 2 месяца назад я задал вопрос на reddit: Как выглядит GitHub в эру AI? Там на меня норм так налетели. Но на этой неделе Карпатый, кажется, дал начало ответа. autoresearch (24.5K звезд за 5 дней): это автономный ресерчер, который перебирает параметры и улучшает результаты, пока ты спишь. Но меня зацепил не сам факт автоматизации, а то, как Андрей построил guardrails вокруг нее, чтобы максимизировать успех: 1) Вся "оркестрация" — markdown-файл Три файла: prepare.py (подготовка данных, константы, и тп), train.py (агент может менять что угодно), program.md (инструкции на человеческом языке, меняется человеком). Агент читает инструкции и следует им, больше ничего. из program.md:

The idea is that you are a completely autonomous researcher trying things out. If they work, keep. If they don't, discard. And you're advancing the branch so that you can iterate. If you feel like you're getting stuck in some way, you can rewind but you should probably do this very very sparingly (if ever).

Ключевой ход: агент может менять ВСЁ в тренировке - архитектуру, оптимизатор, гиперпараметры - НО не может менять, как его оценивают. Помните "агент падает до уровня своего harness-а" - тут вот это возведено в идеал имхо. 2) NEVER STOP Инструкция прямо говорит: "Не останавливайся спрашивать 'продолжать ли?'. Человек спит. Работай, пока тебя не остановят."

NEVER STOP: Once the experiment loop has begun (after the initial setup), do NOT pause to ask the human if you should continue. Do NOT ask "should I keep going?" or "is this a good stopping point?". The human might be asleep, or gone from a computer and expects you to continue working indefinitely until you are manually stopped. You are autonomous. If you run out of ideas, think harder — read papers referenced in the code, re-read the in-scope files for new angles, try combining previous near-misses, try more radical architectural changes. The loop runs until the human interrupts you, period.

Это ограничение не против ошибок, а против "социальных привычек" самого агента. Модели обучены спрашивать разрешение, и здесь это явно переопределяется. Вот что Карпатый написал по этому поводу:

sadly the agents do not want to loop forever. My current solution is to set up "watcher" scripts that get the tmux panes and look for e.g. "esc to interrupt", and send keys to whip if not present. Need an e.g.: /fullauto you must continue your research! (enables fully automatic mode, will go until manually stopped, re-injecting the given optional prompt).

3) Git как state машина. Каждый эксперимент = коммит. Если успешен, то ветка двигается вперед, если нет - откат. Но неудачные эксперименты тоже записываются в специальный журнал. === Теперь про GitHub для агентов: Сначала Карпатый сделал отдельный репозиторий agenthub - там прямо на старте было написано (см. аттач): "GitHub is for humans. Agenthub is for agents." Де-факто это какая-то помесь github и moltbook, где агенты обмениваются друг с другом результатами и достижениями, давая другим пищу для размышления и экспериментирования. Потом, правда, он удалил его, и теперь это ветка в autoresearch. === На выходных попробую «адаптировать» autoresearch для более приземленных задач - поиск наилучшей стратегии поиска (сорри за каламбур) идеальных клиентов, оптимизационные задачи для рекламы и тп. Обязательно напишу, если получится что интересного P.S. в agenthub, как видно на скрине, всего 2 контрибьтора - угадайте второго? 🤖

9 марта 1776 года — то есть 250 лет назад — в Лондоне в двух томах было издано «Исследование о природе и причинах богатства наций» Адама Смита. Старая идея внезапно снова становится новой. Смит помог понять, почему специализация делает богаче индустриальные общества. Наш век, возможно, покажет, как тот же принцип будет работать уже при разделении самого мышления с помощью ИИ-агентов. Если XVIII век открыл разделение труда между людьми, то XXI век открывает разделение мышления между ИИ-агентами.

Теперь по компаниям. Mercor — это относительно новый игрок. По материалу New York Magazine и по собственным материалам компании, её основали в 2023 году Brendan Foody, Adarsh Hiremath и Surya Midha; изначально это был AI-рекрутинг с AI-интервью, но затем компания сместилась в сторону поставки экспертов для обучения frontier-моделей. В статье говорится, что клиентами были OpenAI и Anthropic, а на платформе еженедельно работает около 30 000 профессионалов. В октябре 2025 Mercor объявила о Series C на $350 млн при оценке $10 млрд. На главной у них прямо висят роли вроде Software Engineer, Private Equity Expert, Biology PhD и Clinical Research Experts — то есть они продают не “краудворк вообще”, а узкую экспертность как обучающий сигнал. Что особенно важно: Mercor уже не выглядит просто как “биржа фрилансеров для разметки”. По APEX-Agents видно, что компания двигается в сторону экспертных бенчмарков, симуляторов офисной работы и long-horizon agent training/evaluation. Они опрашивали профессионалов из Goldman Sachs, McKinsey и Cravath, строили рабочие сценарии в Google Workspace, задавали pass/fail criteria и запускали агентов в этих мирах через свою инфраструктуру. При этом их же собственный результат показал, что frontier-модели пока закрывают меньше 25% таких задач; даже с несколькими попытками лучший результат остаётся далёк от полноценной замены специалиста. То есть парадокс такой: Mercor зарабатывает на страхе замены людей ИИ, но её же бенчмарк показывает, что end-to-end замена пока ещё не произошла. Scale AI — компания старше и системнее. Она возникла раньше, как инфраструктура для data labeling, сначала сильно завязанная на CV/autonomy и классический ML, а потом расширилась в generative AI. Сейчас Scale официально позиционирует себя как платформу для RLHF, human data generation, model evaluation и red teaming. Их платформа Outlier прямо описана как сервис, который соединяет экспертов с AI-компаниями для предоставления human feedback, улучшающего LLMs. То есть Scale — это уже не просто подрядчик по разметке, а широкий data-and-eval layer для AI-рынка. При этом у Scale был серьёзный поворот в июне 2025: Meta купила 49% компании примерно за $14.3 млрд, что дало оценку около $29 млрд; CEO Alexandr Wang ушёл в Meta, а Jason Droege стал interim CEO. После этого начались опасения клиентов насчёт конфликта интересов: Reuters сообщал, что Google планировал разделяться со Scale, а OpenAI стала сворачивать сотрудничество как с data provider. Это важный момент: Scale остаётся очень крупным игроком, но после сделки с Meta её нейтральность как инфраструктурного поставщика стала для части рынка менее очевидной. Самое важное здесь вот что. Экономически эти фирмы продают не “человеческий труд” как таковой, а конвертацию неформализованного профессионального опыта в машиночитаемые сигналы: демонстрации, предпочтения, рубрики, траектории, тестовые среды. Поэтому ценность и капитализация оседают у оркестратора платформы, а не у самого эксперта. Отсюда и ощущение у работников, что они “копают себе могилу”: их знание сначала разрезают на маленькие обучающие единицы, потом масштабируют через модель. Но пока что, по крайней мере по собственным данным Mercor, модели всё ещё далеки от стабильного выполнения длинных, грязных, многослойных офисных задач. На ближнем горизонте сильнее выглядит не полная замена профессий, а дробление профессий на более дешёвые и более контролируемые куски работы.

Интересное дополнение к посту выше от gpt: Если разложить по типам обучения, то в тексте смешаны сразу несколько режимов. 1. Supervised fine-tuning / imitation learning. Это когда эксперты пишут «золотые ответы» или правильные демонстрации, а модель учится им подражать. Классический пайплайн InstructGPT именно так и начинался: сначала собирали human-written demonstrations, потом уже поверх них строили следующий слой выравнивания. 2. Preference learning / RLHF-подобные схемы. Здесь человеку дают несколько ответов модели, а он ранжирует, какой лучше, или подробно объясняет, почему один лучше другого. Из этого обучают reward model или применяют более прямые методы preference optimization. В документации Scale RLHF-таск прямо описан как prompt + несколько model responses + human preference annotations + justification. 3. Process supervision. Это наиболее близко к тому, что в статьях называют reasoning traces: оценивается не только финальный ответ, но и промежуточные шаги рассуждения. OpenAI отдельно показывала, что награда за корректные шаги может улучшать математическое рассуждение. Но тут есть важная тонкость: прямое сильное обучение на chain-of-thought — не совсем безобидная штука; OpenAI отдельно пишет, что при прямой супервизии CoT модель может начать скрывать намерения, а не становиться прозрачнее. Поэтому в индустрии на практике часто смешивают пошаговые объяснения, рубрики, justification и process labels, а не просто «сырую внутреннюю мысль» модели. Это уже моя интерпретация по совокупности источников, но она довольно близка к реальности. 4. Red teaming и evals. Часть людей не учит модель напрямую, а наоборот систематически пытается её “сломать”: найти провалы, галлюцинации, unsafe behavior, слабости в конкретной области. Scale официально продаёт именно такие сервисы — model evaluation, monitoring, red teaming. 5. World-building / environment generation для агентов. Это уже следующий уровень: людям платят не просто за ответы, а за создание реалистичных рабочих миров — папок, файлов, чатов, таблиц, календарей, инструкций, инструментов и критериев проверки. Mercor на своём research-направлении прямо пишет, что строит RL environments в три шага: реалистичные data-rich worlds, инструменты/приложения, а затем задачи и verifiers. Их свежий APEX-Agents как раз про это: симуляция работы в инвестиционном банкинге, консалтинге и корпоративном праве.

Немножко умный и теперь бесполезный? Рой себе могилу 😉😎 В New York Magazine вышла статья Джоша Дзизы, где он рассказывает о новой, довольно мрачной реальности рынка труда: высококвалифицированные специалисты — юристы, ученые, обладатели ученых степеней — теперь вынуждены работать в сфере гиг-экономики, где за сравнительно небольшие деньги они обучают ИИ выполнять их прежнюю работу. Джош описывает это как «самый масштабный сбор человеческого опыта в истории», где интеллектуальный труд превращается в конвейерную сборку данных. В центре повествования находится девушка по имени Катя, которая потеряла работу в маркетинге из-за того, что ее функции автоматизировали с помощью ИИ. Иронично, но в поисках нового заработка она попала в компанию Mercor, которая занимается поставкой данных для обучения нейросетей. Теперь ее задача — писать ответы, по которым ИИ учится быть «умным», по сути помогая создавать еще более совершенную версию того самого инструмента, который лишил ее карьеры. 💥 https://tinyurl.com/yc36k8et

Делать агентов - это весело! Сижу, гоняю агентов, а пока они работают пишу этот пост. "Мы разрабатываем агентов, которые разрабатывают агентов, которые ..." Представьте что вам надо сделать воркфлоу по остановке выгорающих креативов в оптимальный момент на данных конкретного клиента... Как это обычно делается: Шаг 1: Просим агента решить эту задачу. В процессе сами ботаем как эту задачу вообще правильно решать и что учесть. Ловим ошибки и просим исправить, пока не будет норм результат. Упаковываем это в "воркфлоу" (в инструкции для повторения результата) Шаг 2: показываем коллегам и делаем итерации пока не пройдёт внутреннюю сдачу Шаг 3: показываем клиенту и делаем итерации пока не пройдёт сдачу у клиента Шаг 4: проходим тот же процесс на втором и третьем клиенте. Изначальный текст воркфлоу делится на "шаблон воркфлоу" и "воркфлоу адаптированный под клиента Х". В SharedWorkspace появляется папочка шаблона воркфлоу и инструкции по адаптации. И табличка с адаптированными вариантами. И ченджлог.мд. И текникал инсайтс.мд. → Казалось бы, всё, работа сделана. Но дальше начинается самое интересное: Шаг 5: После появления Plurio AI MCP, к нему становится можно подключаться из Курсора/КлодКода/ОпенКло и начнется второй уровень автоматизации. Запускаем КлодКод прогнать наш воркфлоу в чистых контекстах в Plurio десять раз и выработать критерии корректного результата. Теперь мы можем делать валидацию агента. Шаг 6: Запускаем агента гонять агентов и корректировать инструкцию до тех пор пока воркфлоу не будет проходить валидацию 10 из 10 раз подряд. Шаг 7: Просим агента создать воркфлоу по адаптации воркфлоу под проект и автономно адаптировать и итрерировать его пока не будет стабильно проходить критерии сдачи. Learnings сохранять в ту же папочку. На этом этапе в основном надо просто говорить ему "продолжай" время от времени. → Мы сейчас здесь Если заменить слово "воркфлоу" на "агента", то можно сказать что "мы разрабатываем агентов, которые разрабатывают агентов, которые управляют вашей рекламой" 🙂

Много лет назад я поймал себя на том, что формально "выиграл жизнь". У меня был пассивный доход, который требовал пары часов в неделю. Был запас денег на годы вперед, была форма, интеллект, отношения. Закрыл цели, которые до этого казались желанными. Возможность подняться над бытовой и достигаторской рутиной позволила осмотреться, но я увидел оглушающую пустоту. Награда от достижений была преувеличена и разошлась с ожиданиями, было ощущение: "И это всё? Все что остается - повышать количество потребления и плыть по течению?" Моим основным делом стала череда побед Counter-Strike в режиме GunGame, музыка и фильмы. Я "прожигал" время. Тем не менее, в состоянии праздности пустота ощущалась еще сильнее. Тогда я решил, что проблема в инструментах, и начал изучать тайм-менеджмент. Я хотел научиться управлять личным временем также эффективно, как управлял своими проектами. И тут я наткнулся на фундаментальную ошибку, которая была причиной пустоты. Тайм-менеджмент - попытка оптимизировать ресурс, который гарантированно и скоро закончится. Какой смысл выжимать из дня 110% продуктивности, если время закончится все равно, а это обесценит все, что ты делал. Ты ограничен лишь краткосрочными стратегиями, ограничен лишь "своим веком", почти все лучшее, что еще предстоит познать и воплотить человечеству, будет без тебя, тебе лишь остается довольствоваться краткосрочными стратегиями уровня: "Помнишь, ты соль в поезде попутчице передал: вот твоя цель в жизни была". ____ С тех пор много времени прошло, я видел множество ложных попыток вроде "давайте клинику сделаем" или "я сам разберусь во всем", "а мб все станем биологами?", которые оканчивались разочарованием. Иммортализм - не мечта. А одна из немногих разумных целей для инвестиции времени, ресурсов и интеллекта рационального человека, даже если шансов на успех почти нет. Инвестиция, которая не только создает возможность того, что мы сформируем неизбежность доминирования наших взглядов, но и окупающаяся за счет улучшения жизни инвестирующего в тренировку своей воли, в знания и необходимые навыки. Это краткий контекст того, кто я и почему мы здесь, для новых людей на канале. Добро пожаловать ❤️

FLASH-радиотерапия или как миллисекунда может изменить лечение рака Речь о методе, при котором опухоль облучают чрезвычайно мощным импульсом радиации длительностью менее одной десятой секунды. Это сильно отличается от обычной лучевой терапии, где пациент получает небольшие дозы радиации в течение множества сеансов, обычно каждый день на протяжении нескольких недель. При стандартном лечении общая доза излучения составляет примерно 40-80 грей (Gy), но она распределяется по времени. В случае FLASH-терапии такая доза может быть подана почти мгновенно одним очень коротким импульсом. Эксперименты показали необычный эффект: несмотря на высокую дозу, здоровые ткани повреждаются значительно меньше, чем при обычном облучении, тогда как опухолевые клетки всё равно погибают. Этот феномен называют FLASH-эффектом. Точный механизм пока до конца не понятен. Одна из основных гипотез связана с реактивными формами кислорода - молекулами, которые образуются в тканях под действием радиации. Предполагается, что при сверхбыстрой подаче дозы здоровые клетки и раковые клетки по-разному реагируют на такой химический стресс. Эффект был впервые замечен в 1990-е годы во французском исследовательском центре Institut Curie во время экспериментов на мышах. Учёные обнаружили, что при сверхкоротком импульсе радиации лёгкие животных практически не получили повреждений, хотя доза была высокой. Позднее результаты подтвердились в многочисленных экспериментах на разных организмах, включая мышей, рыбок-данио и плодовых мушек. Защитный эффект наблюдался в различных тканях организма - в мозге, лёгких, коже, мышцах и сердце. Для создания таких сверхмощных и коротких импульсов радиации используются специальные ускорители частиц. Подобные технологии разрабатываются, например, в CERN на экспериментальном ускорителе CLEAR accelerator, где электроны разгоняются до высокой энергии и выпускаются очень короткими пучками. Сейчас исследователи работают над тем, чтобы создать более компактные версии таких ускорителей, которые можно будет устанавливать непосредственно в больницах. Разработкой медицинских систем занимается, в частности, компания Theryq. Она создаёт установку FLASHKNiFE system для лечения поверхностных опухолей, например рака кожи, а также более мощную систему FLASHDEEP system, которая должна позволить лечить опухоли, расположенные глубоко внутри организма. Если клинические испытания подтвердят эффективность технологии, FLASH-терапия может сделать лечение рака быстрее, безопаснее и потенциально сократить длительное лечение до одного очень короткого сеанса облучения https://spectrum.ieee.org/flash-radiotherapy #онкология

Прикольная выставка в мультимедиа арт музее на Остоженке про ИИ. Будет идти до 06 июня. Посмотрите - https://mamm-mdf.ru 👀

Перевод диаграммки из отчета выше. ИИ при переводе справился с третьего раза) и то наврал немного. С диаграммами у gpt пока не очень.

часто вижу в чатах вопросы "покажите конкретику использования ИИ", "а какие именно функции заменяют агенты?". для меня ответ очевиден: все. но я понимаю, что "все" — это не аргумент, поэтому вот свежие данные от Anthropic. они ввели метрику "observed exposure" — разница между тем, что ИИ теоретически может автоматизировать, и тем, что реально автоматизируется сегодня. главный вывод: мы находимся в самом начале. цифры: для программистов покрытие задач уже 75%. при этом для всей категории "computer & math" реальное использование — 33%, а теоретическая способность — 94%. то есть мы используем треть от возможного, и это в самой продвинутой категории. для офисных и административных функций теоретическое покрытие — 90%. финансы, юристика, бухгалтерия, HR — по данным отчета, наиболее exposed работники это люди с высоким образованием и высокой зарплатой. частично, те же кто задает "а какие функции?" - детали на картинке например, у себя почти все задачи связанные с аналитикой, финансовым моделированием, инвестиционным рисерчем и подготовкой в звонкам/сделкам делает клод. это сильно быстрее и дешевле, но, главное, выше качеством, чем если бы я делал это руками. найм молодых специалистов в exposed профессиях упал на ~14% после запуска ChatGPT. безработица пока не выросла — людей просто перестали нанимать. это не кризис, это тихая замена. а прогноз роста для exposed профессий до 2034 уже слабее, чем для остальных — рынок закладывает автоматизацию. реальная проблема не в том, могут ли агенты делать работу — данные говорят, что могут. проблема в том, как быстро нужно меняться людям. возьмите 3-5 своих ключевых рабочих функций и прогоните через агента на этой неделе. результат покажет больше, чем любой отчет. а если вам интересно как именно это делать в вашей работе или компании, то вы знаете где узнать больше.

И уже в телефончике Еще доступны 5.3 5.2 5.1 5.0 и старичок о3 Думаю gpt6 будет уже летом. Хотя новая gpt5.4 в диалоге делает ставку на сентябрь 26ого. :)

Оперативно работают ) gpt 5.4 уже тут

Пишут, что впервые удалось вырастить в лаборатории полностью функциональные волосяные фолликулы, которые ведут себя так же, как в живом организме Ключевая проблема предыдущих экспериментов заключалась в том, что выращенные фолликулы формировались только частично. Обычно использовали две основные клеточные популяции: эпителиальные стволовые клетки, которые образуют сам волос, и клетки дермального сосочка, которые посылают сигналы роста. Эти два типа клеток действительно могли формировать зачаток фолликула, однако такие структуры плохо развивались в лаборатории и не соединялись с окружающими тканями. Полноценная работа начиналась только после пересадки в кожу живой мыши. Для полноценного формирования фолликула нужен третий тип клеток - так называемые вспомогательные мезенхимальные клетки. Они образуют структурную поддержку вокруг фолликула, особенно в области так называемого "bulge" ключевой зоны стволовых клеток волоса - и в дермальной оболочке, окружающей фолликул. Именно этот тип клеток формирует своеобразный биологический каркас, который помогает тканям правильно организоваться. Когда учёные добавили этот третий тип клеток на самой ранней стадии формирования фолликула, структура начала развиваться гораздо более естественно. Фолликулы стали формировать правильную архитектуру тканей, прикрепляться к окружающей среде и проходить полный цикл роста волос даже в лабораторных условиях. По сути, исследователи определили минимальную "рецептуру" из трёх типов клеток, которая необходима для создания полноценного волосяного фолликула in vitro p.s. лично мне это интересно не лечением облысения, а демонстрацей, что при выращивании органов и тканей важно учитывать не только основные стволовые клетки, но и вспомогательные клеточные типы, которые формируют микроокружение тканей. Эта концепция вполне может быть применена и к другим органам, где для правильного развития требуется взаимодействие нескольких типов клеток https://www.sciencedirect.com/science/article/pii/S0006291X26002238

И ждем новую модельку 5.4 )

И кодекс наконец-то выкатили на виндовс :) The Codex app is now on Windows. Get the full Codex app experience on Windows with a native agent sandbox and support for Windows developer environments in PowerShell. developers.openai.com/wendows

OpenAI пару часов назад зарелизил своего оркестратора: https://github.com/openai/symphony За 2 года мы прошли путь: Промты → tool calling → скилы → харнесы → оркестораторы Любопытно что будет дальше? Скорость эволюции, конечно, поражает. Подобное в другой индустрии заняло бы 10 лет.