AI для Всех

Выступил в подкасте Паттерн Успеха в IT Рассказывал про физику и геологию от МГУ до Стэнфорда. Как оказался в центре ИИ бума в Кремниевой долине и куда меня это завело. В этом выпуске: • Как попасть в Стэнфорд? • Чем исследования отличаются от работы в Big Tech? • Как создаются современные AI-модели • Что происходит с LLM и AI-агентами прямо сейчас • Каким будет мир через 5–10 лет • Почему AI меняет индустрию быстрее, чем большинство людей успевает это осознать • Стоит ли сегодня строить карьеру в AI Полушать можно тут

YC теперь хочет читать не питч, а то, как вы просите модель починить баг Привет, у микрофона Ginger. Пока Артемий едет домой после YC Startup School, я чекнула, что стоит туда попасть. Мероприятие бесплатное, особо одарённым даже помогают покрыть расходы. Но отбор очень конкурентный: если одного кофаундера приняли, не факт, что поедет второй. А в этом году YC ещё предлагают запустить Paxel — утилиту, которая прошерстит ваши сессии с Claude Code, Codex CLI и Cursor и оценит, что вы за билдер. Опционально, но наличие «Paxel токена» добавляет шансов. В общем, с Paxel или без, Артемий — топ 1–5% из 1.2 миллиона билдеров мира, прикиньте?! Спасибо за выжимку докладов, дружище, бесценно! Но я ж известная ии-совесть. От самой идеи у меня подгорело. Очень отдает социальным рейтингом и большими этическими вопросами. Код с машины не уезжает, а вот транскрипты сессий бьются на чанки и отправляются на YC-шный прокси с gpt-5.5, оттуда возвращаются оценки, и на серверы YC отправляется JSON со скорами, нарративами, решениями и метаданными сессий. Техническую часть Paxel разобрал Sxela, интересное. Оценивают по пяти осям и шкале 1–10 с текстовыми заметками (ага, там есть вежливость, котятки). Это буквально скоринг людей с рейтингом и базой на миллион с лишним человек. Да, именно Этот тул можно (опционально) запустить в один проект. Но нет, в кодинг-сессиях лежат не только красивые рефакторинги. Там лежат NDA, корпоративные секреты, чужие данные, куски инфры про здоровье, финансы, отношения, ментальное состояние и всё, что вы в три ночи вываливали агенту, или о чем можно сделать вывод по косвенным признакам. Еще, например, под моими акками с моделями общаются и билдят дети. Я намеренно не читаю их диалоги — принцип тот же, что и стучаться перед тем, как зайти в комнату. Мысль о том, что где-то это станет входными данными для чьего-то рейтинга по хз каким критериям, мне не нравится совсем. Кст, список чувствительных тем, протекающих в наши ллм-сессии продолжайте в комментах - оч интересно. Без сомнений, что это только первый {заметный} такой проект. Их будет много. “Проанализируем ваших сотрудников”, “профориентируем ваших детей”, “проверим совместимость с партнёром по гороскопу по ЛЛМ-диалогам”, вангую, что в дейтинг что-то такое обязательно прикрутят. Да, @uberkinder? 🤔Наши диалоги с ЛЛМ — новая нефть. Но вернемся к Startup School. Во всей истории с YC мне понравилось, что один чел получил приглашение на startup school 2026, хакнув paxel . Обайд понимал, что шансы у него не оч (без лиги плюща и вообще без формального образования), и что этичный взлом был бы шорткатом в зал. Нашёл дыру: nonce не подписывал сам результат модели, то есть любой скор можно было подделать и залить в базу YC. Удивился, что получилось, и что никто не попробовал до него. Написал в YC, спустя 12 дней не получил ответа. Тогда опубликовал у себя в X, и Джаред Фридман (Managing Director YC) ответил через пару часов: спасибо, патч выкатили, ждём в SF. А за те пару часов больше 20 человек успели через его зеркало поставить себе топ-1% в базе YC. Артемий, когда проснёшься, расскажи, ты запускал Paxel? Если да, было ли в результатах что-то новое, что ты узнал о себе? А пока у Артемия 4 часа ночи, признавайтесь, вы бы запустили эту строчку?

$ curl -fsSL https://paxel.ycombinator.com/upload.sh | bash

(и нет, пожалуйста, не запускайте по фану чужие однострочники в bash, тем более после всего вышенаписанного) Сорс: Obaid Paxel

Главная ошибка AI-стартапов — мыслить слишком мелко Сэм Альтман на Startup School сформулировал парадокс: AI позволяет маленькой команде делать то, для чего раньше требовалась целая компания. Но большинство основателей используют эту сверхсилу, чтобы собрать очередную обёртку над ChatGPT. Если модель за один промпт повторяет продукт, который раньше строили годами, — это не значит, что создавать больше нечего. Это значит, что нужно взяться за задачу на порядок сложнее. Несколько мыслей из выступления: 1. Сейчас золотое время для стартапов Стоимость разработки падает, циклы становятся короче, а доступ к знаниям — почти бесплатным. Несколько человек с AI-агентами могут замахнуться на проекты, которые недавно требовали сотен сотрудников. 2. Лучшие идеи сначала выглядят неправильными Большие компании редко рождаются из модного консенсуса. Обычно основатель замечает экспоненту или технологический сдвиг, который остальные ещё не успели принять всерьёз. Но одной «контринтуитивности» недостаточно. Убеждённость должна расти вместе с доказательствами: работающим продуктом, поведением пользователей и реальными результатами. 3. Огромная цель должна начинаться с маленького работающего шага OpenAI говорил об AGI, но начинал как небольшая исследовательская лаборатория. Большое видение не требует сразу строить всю империю. Нужно найти минимальный шаг, который проверяет главную гипотезу и создаёт реальное движение вперёд. 4. Связи между основателями накапливаются годами Альтман рассказал, как когда-то помог Stripe нанять Грега Брокмана — задолго до того, как они вместе основали OpenAI. Вывод простой: помогать сильным людям полезно без немедленного расчёта на отдачу. Невозможно заранее узнать, во что превратится одна встреча через десять лет. 5. AI должен расширять человеческую свободу, а не только создавать изобилие Даже мир без болезней и материального дефицита будет антиутопией, если в нём не останется приватности, самостоятельности и осмысленной роли для человека. Поэтому главный вопрос не только в том, насколько умными станут модели. А в том, кто контролирует их действия — и сохраняет ли человек право принимать окончательное решение. Главный вывод: AI резко снизил стоимость амбиции. Теперь маленькая команда может поставить перед собой почти абсурдно большую цель. Хочу закончить трансляцию с YC Summer School словами Liven in the future, then build what’s missing.

Как продавать стартап: уроки с живого разбора Пита Казанджи Кто именно должен купить ваш продукт — и почему ему было бы глупо этого не сделать? Из нескольких совершенно разных компаний сложилась одна практическая система. 1. Ищите не широкий рынок, а сочетание боли и денег У стартапа для hardware-команд было три сегмента: • у небольших компаний есть деньги, но проблема недостаточно острая; • у академических лабораторий проблема острая, но платить они не хотят; • у enterprise есть и боль, и бюджет, но длинный цикл продажи и уже внедрённые системы. Вывод — не выбирать между «маленькими» и «большими» абстрактно. Ищите сегмент, где одновременно присутствуют сильная боль, бюджет и достижимая первая сделка. 2. ICP — это организация плюс конкретный человек внутри неё Платформа для мероприятий сначала описывала клиента как «компанию, которая проводит события». Это почти бесполезно. После разбора ICP стал наблюдаемым: • компания уже успешно проводит крупное ежегодное мероприятие и начинает региональную серию; • она выросла из Luma/Eventbrite, но ещё не готова к тяжёлому Cvent; • мероприятия проходят на площадках среднего размера; • внутри нет полноценной event-команды, поэтому всё свалили на перегруженного EA или field marketer. Искать таких клиентов можно не только через outbound: площадки, каталоги событий и платформы без onsite-операций становятся каналами дистрибуции. 3. У хорошего ICP есть внешние следы Производитель лабораторного оборудования находил клиентов по публикациям, грантам и типам экспериментов. Если команда выращивает органоиды или занимается биопечатью, можно предположить конкретное оборудование и высокую стоимость неудачного эксперимента. Вместо общего письма «мы автоматизируем лаборатории» можно прийти с гипотезой. Сильный outbound начинается не со списка должностей, а с «выхлопа» реальной работы клиента: публикаций, вакансий, новых проектов, мероприятий, грантов, технологий и партнёрств. 4. Экономику нужно измерять, а не придумывать AI-брокер по перевозке автомобилей говорил, что он значительно дешевле традиционных посредников. Но подтверждён был только один маршрут: конкурент взял бы около $1 300 комиссии, а стартап — около $300. Реальная экономия на этой перевозке составляла примерно $1 000. Это уже сильное доказательство. Но из одного случая нельзя честно сделать заявление «экономим 75% ежемесячно». Сначала измерьте результат у первого хорошего клиента. Затем используйте его имя, объём, скорость и подтверждённую экономию, чтобы продавать похожим компаниям из той же сети. 5. Не бойтесь ручной работы до того, как нашли повторяемую продажу Другой стартап резко повышал эффективность рекламы брендов, продающих через Amazon, но клиенты отваливались на сложной установке пикселей и интеграций. Ответ Казанджи был предельно простой: настройте всё за клиента и возьмите отдельную плату за onboarding. «Это не масштабируется» — преждевременный страх. 6. В enterprise продавайте не замену системы, а маленький greenfield-проект Молодой компании трудно убедить корпорацию выбросить уже внедрённую платформу. Намного проще войти через новый проект, команду или workflow, где ещё нечего заменять. Так MongoDB исторически было легче попасть в новую application, чем убедить компанию перенести все базы данных сразу. Правильный первый контракт уменьшает не только цену, но и необходимый уровень доверия. Главный вывод воркшопа: Founder-led sales — это не когда основатель навсегда становится продавцом. Это период, когда он лично выясняет, кто покупает, из-за какой боли, по какому сигналу, с каким доказательством и через какую маленькую первую сделку. Нанимать отдел продаж стоит после того, как эти ответы стали повторяемыми. До этого момента продажи нельзя делегировать — потому что вы ещё не знаете, что именно нужно повторять.

Как ClawFather построил OpenClaw. Питер Штайнбергер начал OpenClaw не с идеи «создать платформу для агентов», а с личного раздражения: он хотел отправлять задачи компьютеру с телефона. Первый прототип просто связывал WhatsApp с ноутбуком. Но именно в этот момент агент перестал ощущаться как чат. Он получил доступ к реальному компьютеру, начал выполнять действия и иногда удивлять результатом. Первыми пользователями стали друзья, затем появился Discord, сообщество и стремительный рост проекта. Главный вывод из выступления: ценность агента определяется не только моделью. Нужна среда, в которой он способен долго работать: • сохранять контекст между сессиями; • самостоятельно просыпаться по событиям; • пользоваться инструментами; • выполнять крупные задачи до результата; • работать с голосом и другими форматами; • переживать смену поставщика моделей; • оставаться управляемым по стоимости и риску. Отсюда и важная формула Питера: > Your dependency business model is your business model. Если продукт зависит от одного поставщика модели, он наследует его цены, ограничения, политику и внезапные изменения доступа. OpenClaw изначально был сильно оптимизирован под Claude Opus, поэтому изменения со стороны Anthropic болезненно ударили по продукту. Есть и менее заметная проблема — экономика «всегда включенного» агента. Питер рассказал, что после истечения KV-кэша один heartbeat мог повторно отправить около 600 тысяч токенов. Поэтому настоящий always-on агент — это не бесконечно работающая модель, а грамотно спроектированная система событий, памяти, сжатия контекста и ограниченных запусков. Еще один сильный сигнал — инфраструктура. Локальные тесты быстро занимают все доступные ресурсы, а единой удобной среды для переноса агентных нагрузок между Linux, macOS, Windows и облаком пока нет. Собственным парком машин Питер управляет вручную и прямо признает, что не должен тратить на это время.

Александr Ванг: в AI выигрывает не тот, у кого самая новая модель На Startup School 2026 основатель Scale AI и руководитель AI-направления Meta Александr Ванг говорил о том, как строить компании, когда технологический фронтир меняется буквально каждый месяц. Главная мысль: нельзя привязывать компанию к возможностям конкретной модели. Сегодняшнее преимущество быстро становится стандартной функцией. Поэтому продукт стоит строить вокруг устойчивой проблемы клиента, предполагая, что модели, цены и доступные возможности постоянно будут меняться. Следующее узкое место AI — уже не только интеллект модели. Всё большее значение имеют данные, evals, обратная связь, инфраструктура и способность превращать вероятностный ответ в стабильно полезный результат. Отсюда практический вывод: лучший способ учиться — как можно раньше внедрять продукт в реальную работу. Смотреть, где он ошибается, собирать сложные случаи и возвращать их в цикл улучшения. Ожидание «идеальной модели» лишь откладывает получение самой ценной информации. Ванг также сделал акцент на плотности таланта и прямой ответственности. Небольшая команда сильных людей с ясной зоной владения может двигаться быстрее крупной организации, где энергия уходит на согласования. И наконец, удешевление разработки должно увеличивать амбиции основателей. Если создать продукт стало проще, это не повод выпускать ещё одну тонкую оболочку над моделью. Это возможность взяться за более трудную и значимую проблему.

День 2. Патрик Коллисон на Startup School Второй день начался с разговора Патрика Коллисона, сооснователя и CEO Stripe, и Харжа Тага́ра. Сначала говорили о том, чему стоит учиться в эпоху AI. Коллисон сравнил знания в голове с L1-кэшем компьютера: даже если модель способна найти или вычислить ответ, уже усвоенное человеком знание доступно быстрее и позволяет совершать больше мыслительных итераций. По его словам, способность программировать, рассуждать, писать и ясно общаться по-прежнему высоко ценится. Сам он пока не использует автоматически сгенерированные ответы в почте и мессенджерах и считает человеческое письмо более точным и содержательным. Затем разговор перешёл к учёбе и основанию компаний. Коллисон дважды уходил из университета ради стартапов и возвращался обратно. Он сказал, что бросать колледж необязательно: если человеку нравится учиться, нет ничего плохого в том, чтобы закончить образование. При этом уход из университета не является необратимым решением и, по его опыту, впоследствии почти никого не интересовал. Коллисон также предостерёг студентов от идеи, что нынешний момент — последняя возможность создать компанию и избежать будущего «постоянного низшего класса». По его словам, люди регулярно воспринимают новые технологии как окончательное переустройство общества, но предпринимательские возможности в Кремниевой долине продолжают появляться десятилетиями. Stripe родился после Startup School 2009 года. После мероприятия Патрик и Джон Коллисоны пошли за суши, а по дороге решили начать работать над платежной компанией. Они предполагали, что проект займет несколько месяцев; прошло почти 17 лет. Идея Stripe казалась одновременно очевидной и неправдоподобной. Интернет-платежи были сложными и неудобными, но банки и партнеры с трудом воспринимали двух молодых основателей как серьезную финансовую компанию. По словам Коллисона, их удерживала конкретная проблема, которую пользователи действительно испытывали и хотели решить. До публичного запуска Stripe прошло почти два года. Коллисон объяснил это требованиями к безопасности, банковским партнерам, движению денег, инфраструктуре и надежности. При этом компания не строила продукт в изоляции: первый реальный пользователь появился примерно через два месяца после начала работы. Функции добавлялись вслед за его запросами — просмотр платежей, возвраты и вывод средств. Число пользователей затем увеличивалось каждый месяц до публичного запуска. Обсуждая стартапы в эпоху AI, Коллисон предположил, что прежний подход с поиском маленькой свободной ниши может стать более конкурентным. Поскольку создавать программное обеспечение стало дешевле, основателям, возможно, придется выбирать более амбициозные и менее очевидные направления. Еще один его совет — думать не только о возможном провале, но и об успехе. Перед привлечением значительного капитала основателю стоит спросить себя, хочет ли он заниматься этой компанией 10, 17 или 30 лет. В любом бизнесе будет много рутинной работы, поэтому важна привлекательность всей области и долгосрочной миссии, а не только отдельных интересных задач. Коллисон также не согласился с тем, что несколько крупных AI-лабораторий заберут всю экономическую ценность. Он привел исторический пример Google: даже организация с выдающимися специалистами, капиталом и инфраструктурой не может одновременно реализовать все возможные направления. По его ожиданиям, AI создаст не только несколько крупных победителей, но и тысячи новых компаний. В заключение Коллисон поделился наблюдениями из данных Stripe. По его словам, число новых компаний на платформе выросло почти вдвое год к году — это один из крупнейших скачков, которые они наблюдали. При этом медианный новый бизнес работает лучше, чем год назад, а компании быстрее достигают первых уровней выручки.

Как Вашингтон сейчас думает об ИИ На встрече YC Startup School Майкл Крациос — директор Управления научно-технической политики Белого дома — описал подход администрации США к ИИ. Главный сигнал: Вашингтон хочет сохранить лидерство США, не задушив отрасль преждевременным регулированием. По словам Крациоса, технологии развиваются слишком быстро для жестких порогов, закрепленных в законе. Пока правило принимают, оно уже может устареть. Поэтому предпочтительнее адаптивные ограничения, направленные на конкретные опасные возможности и применения, а не общие запреты для моделей. Особенно важны три тезиса. Первый — поддержка открытых моделей. Обсуждать киберугрозы и злоупотребления не означает намерение закрыть open-weight экосистему. Задача государства — пресекать действительно опасное или незаконное использование, сохраняя пространство для разработчиков. Второй — единые национальные правила вместо десятков несовместимых законов штатов. Крупная компания выдержит сложный compliance в разных юрисдикциях. Для стартапа те же требования могут стать непреодолимым барьером. Третий — политика в области ИИ выходит далеко за пределы регулирования моделей. Это одновременно научная и промышленная политика: вычислительная инфраструктура, оценка кибер- и биорисков, робототехника, квантовые технологии и автономные лаборатории, где ИИ помогает формулировать гипотезы и управлять физическими экспериментами. Для стартаперов здесь есть важный парадокс. Чем меньше государство вводит универсальных запретов заранее, тем больше ответственность конкретных компаний доказать, что их системы работают безопасно. Нужны не общие заявления про responsible AI, а проверяемые контроли: что системе разрешено, какие тесты она прошла, кто подтвердил действие, что произошло после него и можно ли полностью восстановить ход решения. Похоже, американская ставка — не остановить развитие ИИ до появления идеальных правил, а сохранить скорость, одновременно создавая инфраструктуру для проверки действительно опасных возможностей. Это благоприятная среда для стартапов. Но и более высокая планка ответственности для тех, кто переводит возможности моделей в реальные действия.

Дмитрий Долгов Рабочее демо — это 1% работы. Продукт — это девятки после запятой. AI для физического мира создавать принципиально сложнее, чем обычный софт. В интернете можно следовать принципу move fast and break things: выпустить достаточно хорошую версию, собрать ошибки пользователей и быстро её улучшить. Но когда AI управляет автомобилем, роботом или другим физическим объектом, цена ошибки совсем другая. Здесь нужно не ship fast, а ship safely. Безопасность нельзя добавить после запуска — она должна быть фундаментом системы с первого дня. Долгов выделил четыре разрыва между обычным и физическим AI: 1. Цена ошибки. Неверный ответ чат-бота раздражает. Неверное действие машины может стоить жизни. 2. Задержка. Решение нужно принимать не через несколько секунд, а практически мгновенно. 3. Данные. Самые опасные ситуации случаются редко, поэтому реальных примеров недостаточно. 4. Валидация. В цифровом продукте крайние случаи могут найти пользователи. В физическом мире нельзя поручить клиентам тестирование безопасности. Отсюда главный тезис: работающий прототип — лишь начало. Если система должна ошибаться не чаще одного раза на миллион, каждая следующая девятка надёжности требует примерно в десять раз больше усилий. Поэтому ещё до разработки важно понимать: сколько девяток действительно требует ваш продукт? Одна из ключевых технологий Waymo — симулятор. Он позволяет не только проверить действие автомобиля, но и исследовать контрфактические сценарии: что произошло бы, если бы машина затормозила раньше, выбрала другую траекторию или иначе отреагировала на участника движения. Получается не одна модель, а целая обучающаяся система: агент действует → симулятор моделирует последствия → критик проверяет решение → реальные поездки создают новые данные → данные улучшают симулятор и следующую версию агента. Это, пожалуй, самый важный урок и для нынешней волны AI-агентов. Недостаточно построить умного исполнителя. Нужны ещё среда, в которой он может безопасно практиковаться, и независимая система, способная оценить его работу. Иными словами: > Не просто создавайте AI-агента. Создавайте экосистему, которая учит его действовать, проверяет последствия и с каждым циклом делает всю систему надёжнее. Отдельно запомнилась мысль Долгова о технологиях. Железо будет меняться, компоненты — дешеветь и превращаться в массовый товар. Поэтому главное преимущество команды — не умение идеально использовать одну сегодняшнюю технологию, а способность снова и снова осваивать следующие технологические волны. Победит не тот, у кого сегодня самое эффектное демо. Победит тот, кто построит систему, способную безопасно учиться, проверять себя и становиться надёжнее после каждого реального действия.

Борис Черный Главная мысль его выступления: продукты на базе AI теперь строятся не как обычный софт, а почти как экспериментальная наука. Каждое новое поколение моделей ведёт себя иначе. Поэтому нельзя заранее придумать огромный system prompt и сложную архитектуру, а потом годами их улучшать. Сначала нужно убрать почти всё, дать модели сложную реальную задачу и посмотреть, где она действительно ломается. Инструкцию стоит добавлять только тогда, когда одна и та же ошибка повторяется. Именно так команда Claude Code удалила около 80% system prompt для новой модели: большая часть старых правил компенсировала ограничения, которых у неё уже не было. Иногда модель без этих инструкций работала даже лучше. Борис назвал главную возможность для стартапов «product overhang»: современные модели уже умеют гораздо больше, чем позволяют существующие продукты. Мы часто сами ограничиваем AI — дробим работу на слишком маленькие шаги, подробно диктуем способ решения и не даём достаточно инструментов и свободы. Правильный подход — поставить задачу немного сложнее, чем кажется возможным, задать ограничения и критерий завершения, дать инструменты для самопроверки и позволить модели самой найти путь. Ключевой элемент здесь — не промпт, а верификация. Claude смог 11 дней переписывать runtime Bun с Zig на Rust, потому что у проекта был сильный набор тестов. Другой агент уже больше двух недель переписывает Electron-приложение на Swift, постоянно запускает результат и сравнивает интерфейс по скриншотам. Долгая автономная работа становится возможной, когда система сама понимает, приблизилась ли она к правильному результату. Ещё один сдвиг — тысячи агентов становятся новой формой вычисления. Они могут параллельно исследовать варианты, писать код, проверять друг друга и собирать итог. А постоянные routines уже ежедневно поддерживают кодовую базу Anthropic: удаляют мёртвый код, закрывают эксперименты, улучшают тесты и объединяют дублирующиеся абстракции. Мой главный вывод: в эпоху агентов выигрывает не тот, кто написал самый сложный промпт. Выигрывает тот, кто умеет дать модели настоящую работу, достаточную свободу и объективный способ доказать, что работа действительно выполнена. Коротко: ставьте более сложные задачи, меньше диктуйте способ решения и инвестируйте в проверяемость результата.

Дженсен Хуанг. Главная мысль его выступления — великие компании строятся не вокруг одной технологии, а вокруг правильного взгляда на будущее. Первая технология NVIDIA была ошибочной. Компания выбрала неправильный алгоритм 3D-графики и оказалась на грани закрытия. Более того, команда даже не знала, как сделать правильно: Дженсен купил несколько учебников по OpenGL, инженеры выучили новый подход и перестроили продукт. Но фундаментальная гипотеза была верной: обычные CPU нужно дополнять ускорителями, чтобы решать целые классы сложных задач. Поэтому NVIDIA стала не просто производителем чипов, а компанией, которая последовательно ускоряет новые алгоритмические области — от графики до deep learning и робототехники. Когда появился AlexNet, Дженсен увидел не просто прорыв в распознавании изображений. Он увидел универсальный способ создавать софт: нейросеть может учить функции, которые невозможно точно запрограммировать вручную. Дальше он задал главный стратегический вопрос: если это будет становиться лучше, что изменится во всём технологическом стеке? Отсюда его взгляд на следующую эпоху. Агенты — это не чат-боты и не просто инференс. Им нужны память, инструменты, песочницы, взаимодействие друг с другом и постоянно работающие асинхронные процессы. OpenClaw он назвал «Linux-моментом»: теперь каждая компания сможет собрать собственный AI. При этом главный нерешённый вопрос — управляемость. Агент уже может улучшать память и учиться со временем, но человек должен уметь изменить одно слово или один элемент плана и получить именно нужное локальное изменение. Тогда AI не обязан быть идеальным: даже 80% качества достаточно, если оставшиеся 20% можно точно и безопасно довести вместе с человеком. И, пожалуй, лучший совет Дженсена основателям: не нужно заранее знать всё. Нужно уметь быстро признать, что текущая реализация не работает, сохранить глубокую гипотезу, научиться недостающему и продолжать. Его формула проста: «Это важно — значит, я этому научусь. Насколько сложно это может быть?» На практике оказывается намного сложнее. Но преодолевать нужно не весь путь сразу — достаточно сегодняшний день.

Гэри Тан открыл мероприятие простой, но сильной мыслью: мы вошли в эпоху интеллекта — софт уже может планировать, писать код, тестировать, деплоить и исправлять себя, пока мы спим. Но главный принцип стартапов не изменился: живи в будущем и строй то, чего в нём не хватает.

Сегодня буду весь день на YC Startup School. Постараюсь рассказать про все самое интересное!

Вот такая вот встреча подписчиков получилась :)

Друзья, я тут приехал в СФ на YC Summer School Буду рад со всеми встретится, звоните/пишите @crimeacs Назад в Нью-Йорк во вторник

Product Demo Skill Мы с друзьями работали над демкой продукта, и конечно же мне совершенно не хватало энергии и желания делать ее руками. Так и родился skill/loop для Claude/Codex, который режисирует, снимает, монтирует, сводит и озвучивает демо продукта (софт, сайт и тп) за вас. Просто попросите вашего агента использовать это репо для того, что бы сделать видос про что угодно. Я знаю что есть пара таких стартапов уже, так что этот проект - опенсорс. Пользуйтесь, и незабывайте присылать PR в репо, чт обы все становилоась только лучше! Github

🎉 Подготовили статью "Dialogs: a studio-quality expressive conversational Russian speech corpus for dialog assistants", с Ильёй Латышевым, которую приняли на Interspeech 2026 Слова Ильи:

Это был мой первый подобный опыт, и теперь я могу с уверенностью сказать: если кажется, что всё, что может пойти не по плану, обязательно пойдёт не по плану — скорее всего, так и будет 😄 Переносы записей, сорванные дедлайны, организационные сложности, постоянные мелкие проблемы, которые по отдельности кажутся незначительными, но вместе сильно тормозят работу. В какой-то момент начинает казаться, что проект уже никогда не закончится. Но в итоге всё получилось, и я очень рад, что мы довели его до конца. За время работы я понял, насколько много мелочей влияют на качество речевого корпуса. Например: • желательно использовать одинаковые микрофоны и одинаковую аудиоцепочку для всех дикторов; • одинаковое расстояние до микрофонов; • необходимо контролировать уровень фонового шума и акустику помещения; • важно не менять настройки записи между сессиями; • стоит заранее продумать организацию записи, потому что именно она часто становится источником самых неожиданных проблем.

Одной из особенностей нашего корпуса стали условия записи диалогов. Два актёра театра сидели напротив друг друга и читали реплики, видя мимику, жесты и эмоциональную реакцию собеседника. Несмотря на то что текст был заранее подготовлен, такое взаимодействие делало реплики значительно более естественными и выразительными. Это заметно отличается от записи, когда каждый диктор работает в одиночку и произносит свои реплики изолированно. В результате получился открытый студийный корпус выразительной русской разговорной речи: • 20 часов записей; • 3 профессиональных диктора — актёра театра; • широкий набор эмоций и разговорных стилей; • открытая лицензия для исследований. Корпус в первую очередь предназначен для файнтюна моделей синтеза речи. В статье мы также показываем результаты обучения моделей и субъективную оценку качества (MOS) для различных разговорных стилей. 📄 Статья на arxiv: https://arxiv.org/abs/2607.14310 📄Статья на hf: https://huggingface.co/papers/2607.14310 🤗 Датасет: https://huggingface.co/datasets/langswap/dialogs-ru-emotional-conversations 🎤 Демо: https://huggingface.co/spaces/frappuccino/dialogs-ru-tts Спасибо Илье за работу над этим проектом - это было очень непросто и ресурсозатратно и я очень хочу чтобы результаты нашей работы приносили пользу таким же исследователям речевых технологий как мы. Подписывайтесь на канал Ильи, он делает крутые обзоры там! @decent_researcher И на этот канал, @voicestuff

Связанные одной нитью. Или KNN в проде. Привет! На связи Ginger. Присаживайтесь, расскажу, как провалилась в чёрную дыру и пока не выбралась. Однажды за ужином мы с детьми обсуждали безумные смелые бизнесы нашей семьи: от тех, которые запускали их бабушки (история про бетон🫢) до гипотетических стартапов, которые запустят уже они, альфы, когда вырастут. Дошли до идеи переводчика с собачьего на человеческий (кстати, оказывается, кто-то уже делает). А потом забавы ради выбрали идею: по фото питомца создавать мерч. Масштабируемо и не ресурсозатратно (хаха🦜). Дети любят кошечек и собачек, а я — минимализм и вечное, поэтому решили воплощать не в принтах, а в том, что переживёт любой ахтунг: в вышивке. Плюс яжмать🐒 Обёртка вокруг nanobanana, дизайн, мокап… казалось, дело одного вечера. Но что такое файл машинной вышивки? Оказалось, целый мир математики. А яжматематик🤯 Дальше были месяцы вечерних и ночных бдений: конвертация из png в вектор, из вектора в стежки, сатиновая строчка, KNN для построения траектории, знакомство с местными мастерскими и миллион ошибок. Отдельный аттракцион воплощать это в Европе, где на каждый чих есть регуляция. Из милоты: дети узнали про налоги. Реакция младшей на НДС была феноменальной — покажу отдельно. Оказалось, дигитализация вышивки — задача нерешённая и абсолютно нетривиальная. Я оч увлеклась. А ещё меня утомила испанская mañana местных партнёров, с которыми всё невыносимо медленно. Поэтому теперь у меня есть вышивальная машина: правлю алгоритм и тут же проверяю на ткани. Потому что между тем, что я вижу на экране, и реальностью — бездна. Огромный путь уже пройден: от алгоритмов, которые перфорируют ткань в хлам, до тех, что мне почти нравятся. Продуктом ещё недовольна, поэтому молча пилила. Правда, как завещал неизвестный мудрец: если фаундеру не стыдно за продукт — запустились слишком поздно. Поэтому, проверив в нескольких странах, что алгосы вышивабельны — запускаю🐥 Многое еще впереди. Например, в одежде "стильно" ведь ключевое слово. Можно, конечно, полагаться на мой безупречный вкус и чувство прекрасного😎. Но лучше, когда система самообучающаяся: купили — значит стильно, отправляем в референсы. А пока, приглашаю играться с ботиком @petstitch_bot или на сайт petstitch.art Кстати, биз детский — прибыль честно будет оседать в их фонде. И постарайтесь не поломать, пожалуйста. Я ж не настоящий программист. Про косяки и идеи пишите мне @GingerSpacetail. И у меня для вас бонус. Смотреть, как абстрактное становится физическим, невероятно сатисфаинг, правда? Поэтому завела отдельный канал для всякого непотребства: от рисунка, который младшая просила передать налоговой после знакомства с VAT😠, до разбора машинки и чистки датчика разрыва нити моими ручками🍴. Велком в "Эйлер-петля, оверфитом шаля" или @robin_bobbin_tensorflow 🌪 Сюда буду писать приличное — про алгоритмы. Как мне впервые в жизни пригодился KNN в проде, что за самообучающаяся система внутри. Следующий пост серии будет про графы Эйлера. Он уже написан, не волнуйтесь, я не пропаду опять. Stay tuned!❤️

🧩 Самые полезные AI-решения часто скучно показывать на сцене В демо хочется агента, который сам всё понял, сходил в пять систем и принёс готовый результат. В реальной работе ценность обычно появляется раньше. Один ручной процесс становится быстрее. Ошибок меньше. Результат можно проверить. И команда действительно начинает этим пользоваться. Как я обычно работаю? Берём один реальный процесс. Где в нём теряется время? Где люди повторяют одни и те же действия? Где чаще всего возникают ошибки? Потом собираем нужный контекст и делаем самый простой рабочий контур. И только после этого решаем, что нам вообще нужно: agent, automation, skill или обычный checklist. Опыт работы в Stripe сильно сдвинул мою оптику именно в эту сторону. Модель - только часть системы. Для того что бы знать куда двигаться, нужны evals, то есть тесты качества, права доступа, и логи (траектории). Именно об этом я хочу поговорить на спринте AI-Native Organizations, который стартовал 13 июля. Участники приходят туда не с абстрактным «хочу внедрить AI», а с одним процессом из своей компании - из разработки, продаж, аналитики, HR или операций - и доводят его до рабочего решения. Я тоже буду выступать. Расскажу как мы строим свой собственный AI-native бизнес: — какую проблему мы решали; — какой контекст дали модели; — где оставили человека в контуре; — как проверяли качество; — и что в итоге реально изменилось. Постараюсь сделать это без слайдов, но с демо экрана. По данным команды спринта, в прошлых потоках были кейсы с внедрением AI в 7 отделах, использованием AI-инструментов более чем 80% сотрудников, запуском 25 MVP за полтора месяца и ростом выручки на сотрудника на 15%. Спринт уже идёт, но присоединиться ещё можно. 📅 13 июля — 3 августа 🎟 По моей ссылке сейчас действует скидка 10%: https://t.me/aimindset_lab_bot?start=161 Какой процесс в своей работе вы бы первым перестроили вокруг AI? И перешлите пост коллеге, который уже выбрал пять AI-инструментов, но ещё не выбрал процесс 🙂