AI для Всех

Burning Man 2026 Завтра заезжаем на плаю, если вы тоже тут - приходите в наш Кэмп Solar Plus 8&F. I will see you in the dust!

Tap-tap Manager Хочу поделиться с вами моим проектом выходного дня. Когда-то раньше, я занимался волновой физикой (акустика, сейсмика и тп). Пришла в голову идея - если разместить 3 акселерометра на столе (или любом другом плоском объекте), то можно локализовать любые взаимодействия с этой поверхностью. Сначала попробовал использовать явление поляризации волн, но оказалось что вертикальные колебания ответственны за 95% энергии и метод хорошо работать не будет. Затем попробовал использовать свойства сети (array) - для того что бы триангулировать сигнал. Для этого надо четко ловить первую фазу прихода волны (phase picking). Ок, не проблема, сделали с Клодом полный finite element method для решение волнового уравнения, на симулятор обучили модель для phase picking - сделали трансфер на реальные данные, чуть откалибровали и работает. Ура! Точность все равно была не очень, потому что разрешающая способность моей сети не очень. А что если вообще забить на физику и просто обучить нейросеть для локализации? И по заветам Саттона (bitter lesson) - все получилось и результаты на видео! Точность локализации получилась примерно в 2 раза выше, чем при использовании физики. Я думаю вообще такие системы: симулятор физики, плюс реальные сенсоры и актуаторы (в моем случае стучание по столу) + мощный ИИ (Fable 5) = next frontier of science.

Следующий интернет будут читать не люди Веб создавали для человека: сайты, меню, ссылки, поисковая выдача. Но постепенно одним из главных читателей интернета становится AI. Пользователь всё реже хочет самостоятельно открывать десятки вкладок, читать обзоры и сравнивать предложения. Он задаёт вопрос ChatGPT, Perplexity, Алисе или Gemini и получает готовый ответ: какой сервис выбрать, что купить и какой компании доверять. Нейросеть изучает сайты, статьи, отзывы, кейсы и внешние упоминания, а затем решает, какие бренды включить в ответ. Поэтому у компании может быть сильное SEO и стабильный поисковый трафик, но в ответах нейросетей она будет появляться реже конкурентов. Высокие позиции в Google или Яндексе ещё не означают такую же заметность в ChatGPT, Perplexity или Алисе. На этом фоне развивается GEO — Generative Engine Optimization. Если SEO помогает сайту становиться заметнее в поисковой выдаче, то GEO отвечает за видимость бренда в ответах нейросетей. Интернет постепенно переходит от экономики клика к экономике рекомендации. Теперь важно не только то, открыл ли человек сайт, но и то, какую компанию AI назвал ещё до перехода. И здесь возникает довольно простой вопрос: а что нейросети уже сейчас говорят о вашем бренде? Вручную проверять это сложно: ответы меняются от модели к модели и от запроса к запросу. Поэтому появляются отдельные инструменты для аналитики видимости в AI. Например, ГЕОранк собирает такую аналитику в одном месте: отслеживает упоминания и позиции бренда в ответах AI-сервисов, сравнивает видимость с конкурентами, анализирует источники, а также проводит аудит сайта и выявляет факторы, которые могут мешать нейросетям использовать его контент. Так становятся видны не только слепые зоны, но и конкретные точки роста: что стоит улучшить на сайте, в контенте, внешних публикациях и упоминаниях, чтобы нейросети чаще рекомендовали бренд. Проверить, как ваш бренд выглядит в AI-выдаче

GPT Pro ответственно шуршит по магазинам 😎

весь computing stack раньше был монолитным и потом разделялся на части, как только для этого появлялся интерфейс AI при этом всё ещё на mainframe-стадии, то есть одна гигантская модель мне кажется это все еще не декомпозировалось потому что интерфейс между моделями сейчас это текст, а текст это последнее, что производит модель, то есть summary всего, что она посчитала и поэтому при каждой передаче от одной модели к другой почти вся настоящая работа, которая через них прошла, просто выбрасывается 🥲 вот например релевантный рисерч: Cache-to-Cache (Fu et al, ICLR 2026, arxiv.org/abs/2510.03215) — они дали двум моделям передавать друг другу KV-cache без текста и получили выше accuracy при 2x скорости на тех же двух моделях, но пока весь этот research direction исключительно попарный (две конкретные модели, руками соединённые каждый раз заново) общего интерфейса, на котором могли бы коммуницировать модели, пока не существует, но как только он появится, то вниз по стеку изменится ОЧЕНЬ многое: например, кто вообще сможет строить мощные системы, требования к inference, будет ли capability накапливаться от поколения к поколению или каждый раз пересобираться с нуля и кастомизироваться собираюсь в ближайшую неделю выкладывать больше примеров что и как поменяется :) это первая часть

Мой ближайший сосед Эйлер, или математик берётся за вышивку На связи Ginger. Я знаю, что вы не забыли, но мне надо как-то начать. Итак, я {одной из своих бриллиантовых граней🤩} математик. Днём работаю в биоинженерии и drug discovery🤪. А по вечерам делаю платформу, создающую арт-вышивку из фото вашего питомца, которую можно носить, дарить или продавать как собственный мерч😎. И это второй эпизод сериала про неожиданные математические задачи, повстречавшихся мне среди катушек ниток. Всё началось невинно: хотелось сервис, который берёт фото кота (или собаки, или хомяка — никакой дискриминации🐈🐖🐶🐹🦈), отдаёт его ИИ, а результат превращает в файл для вышивальной машины за минуту вместо 3-5 дней ручного труда. Фото ➖дизайн ➖мастерская ➖готовая вещь 🌟, пока вы гладите своего питомца🐆🐈 Звучит просто? Ага. Как почти всё в жизни… пока не столкнешься с физическим миром. Генерации картинок опустим, nano banana и gpt-image по апи все умеют. Превратить PNG в SVG тоже решенная задача. Первая творческая задача: превратить SVG в набор стежков. SVG это кривые Безье, а кривую можно семплировать в точки. Каждая точка — стежок. Отсюда и математика. SVG это граф, набор путей, каждый из которых — цепочка рёбер. Когда машина переходит с одного пути на другой, она делает JUMP — прыжок иглой с протяжкой нити. Прыжки это плохо: торчащие нитки на изнанке, потерянное время, потенциальные проблемы с машинами. А если прыжок длинный, приходится ещё и обрезать нить (TRIM). И тут я поймала себя на мысли: это же задача о кёнигсбергских мостах. Классика теории графов. Как и положено калининградцам, я гуляла только по 3м из них, а в VIII в Эйлер гулял по всем 7ми, и в 1736 году доказал, что обойти все мосты Кёнигсберга ровно по разу нельзя, потому что у графа мостов есть вершины нечётной степени. В вышивке та же история. Если бы все пути складывались в эйлеров граф, машина прошла бы весь дизайн одним непрерывным движением. Но в реальности — десятки разрозненных контуров, каждый сам себе компонента связности. Прыжки и обрезки неизбежны. Раз неизбежны — минимизируем. Порядок обхода я строю строила раньше ближайшим соседом: от точки, где игла только что закончила, ищу ближайшее начало или конец следующей цепочки (строчку можно шить в любую сторону — беру ту ориентацию, где ближе). Это тот самый момент, когда ближайший сосед впервые в жизни пригодился мне в проде. O(n²), 30 строк кода. Жаль, недолго. В июле на замену ему пришел китайский почтальон. Почему заменила: локально все хорошо, глобально — силуэт шьется кусками, 20 обрезок там, где хватает 4. Но настоящая мораль — я оптимизировала не ту задачу…Надо было не «посетить вершины» (задача коммивояжера), а «покрыть рёбра» (задача китайского почтальона). Правильная постановка задачи > оптимизация неправильной. Результат по Эйлеру: тонкий контурный рисунок, ~1-3к стежков, как карандашный набросок. Работает для тонких тканей, которые не выдержат 10-20тыс проколов иглой. Просто, элегантно, минималистично. Но для футболок и свитшотов выглядит слишком просто. Поэтому, в следующей серии будет сатиновая атласная строчка, скелеты и немного дифференциальной геометрии.

Стек: Python, pyembroidery, svgelements, NumPy, SciPy, scikit-image. 
Дизайны и мокапы рисуют по очереди nano-banana и gpt-image. 
Фронтэнд: Next.js + Express + Telegram-бот. 

Часть 1 тут. Поиграться: petstitch.art @PetStitch_bot Бэкстейдж проекта: @robin_bobbin_tensorflow

😈 Челлендж по запуску 12 простых IT-проектов за 12 месяцев Уже 3 года как ребята из комьюнити инди-хакеров запускают 1 простой продукт в онлайне каждый месяц. И в реальном времени показывать: как разрабатывают, продвигают и сколько получилось заработать на запусках таких микро-проектов. Например, вот 👉 Telegram-бот для ИИ-фотосессий, который заработал $280К за полгода. Он не пытается заменить большие ИИ-сервисы, а просто удобнее решает одну конкретную задачу. А вот 👉 тут — как приложение с заменой шрифтов на iPhone, может приносить до $600К в месяц. Ребята собрали свой аналог и уже перелили в него 40 000 бесплатных пользователей из ПОИСКА (!) в TikTok. 👉 Этот пост о том, как приложение для тренировки китайского произношения вышло на $4000 в месяц без затрат на рекламу. Пользователи находят сайт в Google, переходят в приложение, а затем помогают ему расти уже внутри сторов. А 👉 здесь — как детективная игра в Telegram принесла около $30К за 5 месяцев. Пользователи расследуют убийство и общаются с ИИ-персонажами, а тысячи новых игроков приходят из рилсов семейных блогеров. 👉 Здесь — как ИИ-психолога собрали за полторы недели и вывели на $15 000 в месяц. Вместо очередного универсального бота сделали продукт с характером, заточенный под одну конкретную задачу. Вот здесь можно подписаться на канал, чтобы подглядеть за их запусками. А может, и попробовать сделать такой простой продукт самому)

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!