Побывал на YC Startup School - если честно, то самое интересное выступление было от Chelsea Finn, соосновательница Physical Intelligence, ассистант-профессор в Стэнфорде. Если очень кратко: в ближайшие 1-2 года будет chatgpt момент моделей для роботов —> то есть общие (generic) модели смогут выполнять разнообразные задачи не хуже специализированных моделей. Но такого взрывного роста дистрибуции, конечно, не будет, так как физические вещи не так легко масштабируются. Призывает уже сейчас играться с pi моделями, доступными в open source (0.5 например). Подробнее что она рассказывала и показывала дефакто описано в этой статье про 0.7 версию. Но думаю через пару недель появится видео

Дайджест новостей за неделю 20–26 июля 2026 Раз в неделю я выпускаю обзор самых интересных новостей финансов и технологий в России и мире (одновременно в формате текста, видео и подкаста) – достаточно потратить всего 15–30 минут, чтобы быть в курсе событий.

Тема выпуска нынче была очевидной, в комментах ее сразу отгадали. Вообще, там Игорь Котенков обещал целый лонгрид сделать на тему хулиганящей новой ИИ-модели от Альтмана – очень ждем!

Темы прошедшей недели: — Тема недели: Новая модель OpenAI сбежала и взломала Hugging Face — Другие новости AI: Claude Opus 5 родился — Финансовая сторона AI-бума: У бигтехов всё сложно — Новости России: ЦБ снизил ставку до 14% — Бешеный принтер: Закон против уехавших из РФ — Международные новости: Чё там с нефтью опять — Новости технологий: Айфоновый тоталитаризм — Космоновости: Блумберг не умеют работать с источниками — Крипта: Кошелек внутри телеги — Хорошая новость недели — Бонусные посты недели из моих ТГ-каналов Топовые посты прошлой недели из моего второго (немножко щитпостинг) канала: 🐌 Итан Моллик выпустил обновленный мини-гайд про то, какие AI использовать для каких задач 🐌 Прикольное исследование про biases нейросетей 🐌 Полезные ТГ-каналы по теме российских ЗПИФ на недвижимость 🐌 Среднее богатство на взрослую душу населения в развитых странах в сравнении с медианным 🐌 Долларовые миллионеры как процент от взрослого населения 🐌 Более половины новых выходящих на рынок ETF представляют собой фонды инвестиций в одну акцию #RationalNews #нетвойне текст | видео | подкаст

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.

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.

пару месяцев назад я выступал на онлайн-конфе, посвященной использованию AI в VC. два года смотрел её краем уха как зритель, а недавно позвали выступить. тема доклада была не столь важна, как наблюдение за тем, что вообще обсуждают. 2023 — построение инфраструктуры скрапинга, мониторинг хитрых сигналов, модели для скоринга стартапов. 2024 — как использовать llm для личного перформанса (чтение деков, подготовка market research, сорсинг). 2026 — агенты, агенты, агенты. в 2022 умение скрапить линкедин в поисках фаундеров в стелсе делало тебя одним из самых прошаренных VC, но в 2026 это базовый минимум. данные по твиттеру и линкедину сегодня доступны любому фонду. куча вендоров продают сигналы типа «ex-databricks founder in stealth». как выглядят дата-продукты, которые обычно продаются инвесторам. всё зависит от типа инвестора. 1/ для сида и пре-сида сейчас куча агрегаторов сигналов. в основном это разного рода манёвры вокруг поиска фаундеров в stealth-режиме. понятно, самая простая эвристика это глянуть в линкедине, что многие инвесторы и делают. но многие пытаются найти и заэгеджиться когда фаундер еще где-то работает. еще тут локация (ну то есть ты можешь ногами дойти, пиво матчу попить с фаундером) решает. 2/ отдельная задача — искать по сигналам типа роста загрузок, выручки, трафика. это требует большого ресурса скрапинга или закупки дата-сурсов с последующей агрегацией, но в целом тема интересная. я сам пользовался подобными тулами. видел, еще и более продвинутые вещи, которые делают внутренние команды. например, делают агентов, которые мониторят тикток, чтобы ловить консюмерские продукты. или мониторят гитхаб-профили сильных инженеров: какие oss-проекты те начинают замечать и так пересобирают граф звёзд гитхаба каждые шесть часов. 3/ если вы имели дело с инвесторами класса «who else is investing», для них тоже есть продукт это сталкеринг интереса tier-1 vc. мониторинг, что лайкает и на кого подписывается партнёр большого фонда, чтобы можно было быстро зайти со-инвестором. 4/ отдельный сегмент, продукты для корпоративного скаутинга. это что-то на стыке прокьюрмента, поиска инноваций, корп-дева и тд. этим, например, занимается cb insights. нужно ли вам покупать продукты? это может быть полезно, тем более прайс не такой уж большой даже для маленького фонда. больше вопрос в том, что именно вы покупаете. в общем, и правда куча задач стала проще с агентами. тот же NFX (одни из адоптеров data-driven vc) сократил инженерную команду, а не инвестиционную: дата-инфраструктура сама стала коммодити (ну или читай - аналитик может сам запромтить пайплайн, держать инженера, кто не сорсчит сделки - непрактично). AI обрушил стоимость и время создания market maps и базовых тезисов. но будем честны: для og vc это никогда не было дифференциатором. vc выигрывают не потому, что у них есть данные, а потому, что они по-разному их интерпретируют. два человека смотрят на один и тот же набор метрик и приходят к противоположным выводам. цена вообще неверная метрика тут (NFX подсчитали, что скрининг агентами на выборке 61 814 стартапов оказался в ~1000 раз дешевле аналитика: $0.07 против $70 при том же качестве). данные для оригинации сделок это базовая гигиена, которая продумывается на этапе фандрейза фонда. нашел даже статут под это: качество пула бьёт качество отбора. улучшение пула сделок на 1.5% поднимает успешность портфеля до ~9%, улучшение навыка отбора на 10%, только до ~7%. наверное, сама идея, что алгоритмический vc даёт тебе альфу, пока не сильно подтверждается, даже несмотря на все прорывы в доступности информации. помогает сорсить, но не факт, что этот tech даёт какое-то преимущество, чтобы в хорошую сделку зайти. перформанс достигается старыми методами. из всей этой затеи я верю больше в research-driven сорсинг. есть фонды, которые мониторят цитирования научных статей и спящих красавиц в академ-литературе: работы, которые годами лежали незамеченными, а потом резко набирают цитирования. у одного фонда compound есть хорошая статья (2023 год) про то, как они познакомились с фаундерами ещё в лаборатории и рано зашли в голосовые модели (deepgram, 2016), автономное вождение (wayve, 2017) и world models (runway, 2018). думаю, что самая верная тема сегодня поднять под это фонд с data-driven флёром.

✔️ Constella: локальная память для файлов, заметок и AI-агентов Constella — open-source desktop-приложение, которое индексирует локальные файлы и превращает их в единую базу знаний для поиска и AI-агентов. Данные хранятся на устройстве: LanceDB используется для векторов, SQLite — для метаданных и knowledge graph. Что умеет: - индексировать Obsidian, Documents, Downloads и любые выбранные папки; - извлекать текст из PDF, DOCX, Markdown и изображений; - строить семантический поиск по локальным данным; - автоматически связывать заметки, темы и концепты; - работать с локальными и облачными LLM; - отдавать базу знаний через MCP в Claude Code; - использовать агентов и переиспользуемые workflows. Схема примерно такая:

Файлы
  ↓
chunks + embeddings
  ↓
LanceDB + SQLite
  ↓
Knowledge Graph
  ↓
поиск / агенты / MCP

https://github.com/Constella-OS/constella-desktop

DeepSchool Digest⚡ Собрали для вас материалы за июнь и июль в одном посте ☀️ Как собрать хорошие траектории для обучения LLM-агента — LLM-агенту недостаточно просто отвечать текстом: важно научить его выбирать действия и работать с инструментами. Разобрали, какие данные здесь нужны, и почему одного SFT обычно мало. Late chunking — рассказали, как улучшить векторный поиск в RAG без сложной нарезки чанков. Reinforcement Learning — подготовили пошаговый план изучения и полезные ресурсы. Genie family — подготовили серию постов о современных world-моделях и 3D-генерациях мира. И начали с семейства Genie от Deepmind. FlashAttention-3 и FlashAttention-4 — разобрали, почему FlashAttention-2 отлично работал на Amper'е, но уже не раскрывал потенциал архитектур Hopper и Blackwell, и какие архитектурные изменения вновь ускорили attention. Как свёрточные сети меняли компьютерное зрение — разобрали эволюцию CNN как последовательность инженерных ответов на ограничения предыдущих поколений моделей.

🌟 SenseNova-Vision: CV-комбайн в едином генеративном интерфейсе SenseTime открыла веса единой модели зрения SenseNova-Vision. Обычно под каждую задачу (найти объекты, выделить их контуры, оценить глубину сцены) строят отдельную систему или встраивают в модель специальный модуль. Здесь от этого отказались - все задачи модель решает как генерацию текста, картинки или их смеси.

Компания основана в 2014 году и выросла из университетской лаборатории MMLab - оттуда вышла заметная часть китайских специалистов по компьютерному зрению. Известность пришла в 2015-м, когда алгоритм распознавания лиц SenseTime обошёл по точности человеческий глаз. В 2026 году Gartner назвала компанию визионером в генеративном CV.

🟡Механика Рамки объектов и распознанный текст модель выдаёт текстом с координатами, карты глубины и нормалей поверхностей - картинками, а сложную сегментацию - смешанным ответом, где текстовая легенда задаёт цвета маски.

Авторы сравнивают подход с тем, что GPT сделал для текста: вместо зоопарка специализированных систем - один генеративный интерфейс.

Под капотом - открытая мультимодальная модель Bagel-7B-MoT от ByteDance, дообученная без изменений архитектуры. MoT - это смесь трансформеров. Внутри модели живут 2 эксперта с собственными весами - один отвечает за понимание текста и изображений, второй за генерацию картинок, а внимание у них общее, так что оба смотрят на один контекст. Токены распределяются между экспертами жёстко, по типу данных, а не обучаемым маршрутизатором, как в MoE. Для SenseNova-Vision такое устройство пришлось кстати - модель чередует текстовые ответы вроде координат и картиночные вроде масок, и у каждой ветки свой набор весов. 🟡Тесты SenseNova-Vision лидирует среди сопоставимых систем там, где ответ - структурированный текст (детекция, в том числе в плотных сценах с десятками объектов, локализация текста на изображении, ключевые точки). В оценке глубины и нормалей она близка к лучшим генеративным методам, в сегментации держится на уровне конкурентов.

Слабые места тоже есть. В многовидовой 3D-геометрии модель отстаёт от специализированных VGGT и Depth Anything 3, а текст на русском распознаёт заметно хуже, чем на английском.

Вместе с моделью опубликован корпус SN-VC-50M - 50 млн обучающих примеров из открытых наборов: 18,9 млн кадров для структурного понимания, 17,3 млн для плотной геометрии, 12,5 млн для многовидовой геометрии и 1,3 млн для сегментации. 📌Лицензирование: CC-BY-NC-4.0 🟡Модель 🟡Arxiv 🟡Датасет 🟡Демо 🖥GitHub @ai_machinelearning_big_data #AI #ML #СV #MoT #SenseNovaVision #SenseTime

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.