Занимаются ли разработчики ИИ-моделей пеликанмаксингом? Несколько лет Саймон Уиллисон встречает каждый крупный релиз одним промптом про SVG с пеликаном на велосипеде, и картинка стала неформальным бенчмарком, который обсуждает весь Hacker News. Когда на кону триллионы, велик соблазн втихую натаскать модель именно на этот сюжет. Кто-то решил это проверить и сгенерировал 1008 картинок по сетке из восьми животных и шести видов транспорта в семи передовых моделях. Логика простая. Если лаборатории тренируют модели под бенчмарк, пеликаны должны быть наверху рейтинга. Пеликан оказался шестым из восьми, его обошли кошка, кит, енот, цапля и антилопа, а связка пеликан на велосипеде встала на 42-е место из 48. Похоже на закрытое дело, только дальше в ход идут регрессия с поправкой на сложность и один-единственный результат, который выбился из статистического шума. Выясним, устоял ли вывод об отсутствии пеликанмаксинга под строгой проверкой.

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.

Ошибка, которая стоила команде месяцев работы 👾 В рубрике «Ошибки на миллион» — история Дмитрия Ильенкова, соавтора книги «Не усложняй: управление проектами по методу P3.express», и разбор ошибки, в которую легко попасть любой компании, стремящейся принимать решения «на основе данных». В 2024 году команда онлайн-школы @pmclub решила внедрить систему сквозной аналитики. Идея казалась безупречной: собрать все данные в одном месте, чтобы управлять бизнесом эффективнее. Несколько месяцев команда строила систему, настраивала отчеты и разбиралась в десятках метрик. Но в какой-то момент стало очевидно: полученную информацию никто не использует. Почему произошел провал: разбор ловушек 🩵 Процесс стал важнее результата Команда настолько увлеклась внедрением аналитики, что перестала задавать себе главный вопрос: какую проблему она должна решить? Работа над системой превратилась в самоцель. 🩵 Попытка измерить абсолютно всё Пять социальных сетей, три сайта, две CRM-системы, почтовые рассылки, LMS, отчеты для разных направлений бизнеса — вместо поиска действительно важных показателей команда пыталась собрать максимум данных. В итоге информации стало слишком много, а пользы — слишком мало. 🩵Ресурсы уходили на обслуживание системы На создание отчетов и проверку данных ежемесячно тратили несколько рабочих дней. Добавились расходы на консультанта и постоянная вовлеченность команды. Аналитика начала забирать ресурсы, которые можно было направить на развитие продукта и маркетинга. 🩵Данные не превращались в действия Главное открытие произошло спустя несколько месяцев: собранные показатели никак не влияли на решения. Они не помогали корректировать стратегию, улучшать продукты или повышать эффективность бизнеса. 🩵 Не была определена конечная цель Совет «принимайте решения на основе данных» сам по себе правильный. Но прежде чем строить сложную систему аналитики, важно понять, какие именно решения вы собираетесь принимать с ее помощью. Без ответа на этот вопрос даже самые точные цифры остаются просто цифрами. Выводы ✨ Любой проект должен начинаться с четкой цели, а не с выбора инструмента. ✨ Собирайте только те данные, которые помогут принять конкретное решение. ✨Регулярно спрашивайте себя: «Как мы используем эту информацию?» ✨Если аналитика не влияет на действия, значит, ее нужно пересмотреть. ✨ Иногда лучший способ повысить эффективность — не усложнять процессы, а отказаться от лишнего. Эта история вошла в книгу Дмитрия и Валерия Ильенковых «Не усложняй: управление проектами по методу P3.express» как напоминание о простом, но важном принципе: прежде чем что-то внедрять, ответьте на вопрос «Зачем?». Именно он помогает не потерять время, деньги и фокус команды.

Помните, я писал про Shift - стартап, который бесплатно убирал квартиры, но у клинера была камера на голове, которой он снимал весь процесс. Так вот, Shift - это не просто хайповый проект, а дочерняя компания мюнхенского стартапа microagi. И если разобраться, чем занимается сам microagi, то сразу станет ясно, почему Shift готов бесплатно драить хаты. Смотрите: На презентациях и демках роботы все из себя классные: чинно складывают-раскладывают детальки, танцуют, даже сальтухи делают. Одним словом - красота. Но как только их пускают на реальный завод или склад, картина быстро перестаёт быть такой радужной. Реальное производство или логистика - это не идеально освещённая сцена с правильными объектами на нужных местах. Это реальный рабочий процесс: другой угол света, другое расположение ящиков, другая скорость конвейера, Петрович ходит мимо мешается и т.д. Поэтому в боевых условиях даже самый точный робот выполняет задачу с ~95% надёжностью, а в ~5% вероятны брак, неточности и прочие косяки. Но если робот будет косячить в 5% случаев - для реальной компании это большая проблема, цена ошибки может быть высокой. В робототехнике это называется "проблемой последней мили", и это ключевой затык, из-за которых тормозит вся роботизация. Именно этот затык microagi и пытается устранить. Их продукт называется "Atlas", и это не робот, а система решений. Инженеры приходят на конкретный завод, снимают рабочих за реальной работой (через камеры + сенсоры), воссоздают всё это в ИИ-симуляции, заточенной под задачи конкретного цеха икс. И запускают туда роботов, чтобы те "притёрлись". Железо microagi сама не делает, роботов берут у китайских Unitree или UBTech. Модели тоже не свои, они докручивают чужие (в основном, как я понял, тоже китайские). Они делают именно слой между красивой демкой и "реально работает без брака", и этот слой принципиально model/hardware-agnostic. А Shift им нужен, потому что данные с завода можно централизованно собрать на месте, но для домашних роботов (это тоже перспективный сегмент, куда можно "продать лопаты") - нет. Нужны реальные изображения из нью-йоркских квартир и лондонских студий. Видимо, бесплатный клининг в обмен на видеоряд от первого лица выходит дешевле любого другого способа. На прошлой неделе microagi привлекли $55 млн - крупнейший сид-раунд в истории Германии. При этом самой компании меньше года, а среди основателей, как не сложно догадаться, есть пара русских фамилий. В общем, стратегия "продавать лопаты золотоискателям" не устаревает. Но полезно держать в уме, что лопаты могут быть очень разными, и там тоже есть свои ниши - иногда не вполне очевидные. Дизраптор

✔️ Tesla запишет моторику рабочих немецкой Gigafactory для обучения Optimus В августе на заводе Gigafactory в Грюнхайде стартует большой проект по сбору тренировочных данных. Во время рабочих смен часть сотрудников будут носить специальные рюкзаки, оснащенные системой камер. Оборудование предназначено для детальной фиксации моторики людей на конвейере - алгоритмы будут считывать, как рабочие держат инструменты, носят детали и выполняют сложные последовательности физических манипуляций. Руководство Tesla объясняет этот шаг острой потребностью ИИ-моделей в реальной телеметрии. Чтобы робот-гуманоид Optimus научился работать на сборочной линии, ему необходим датасет, основанный на настоящих производственных процессах, а не только на симуляциях. Фактически персонал завода выступает в роли учителей для машин, которые в будущем могут занять их рабочие места. @ai_machinelearning_big_data #news #ai #ml

Лицензия на тайну Данные – как известно, новая нефть. Но торговать ей напрямую государство запрещает, больница не имеет право взять и продать медкарты своих пациентов OpenAI или Anthropic, их сначала надо обезличить. Просто убрать имя и фамилию – недостаточно. Людей все равно можно найти по косвенным признакам. Убрать все подряд – так ничего и не останется. Правильная граница в американском законодательстве обозначается через специальный механизм – Expert Determination: квалифицированный статистик подписывается, что повторно опознать человека почти невозможно, и массив официально считается обезличенным. Идея #стартапдня Integral – обеспечить поточную выдачу таких подписей. Сотрудники стартапа разбираются в данных клиента и максимально быстро доводят их до правильного состояния. Дальше они же ставят штамп “можно” и обучающая выборка уезжает в AI сервис, а Integral получает свой гонорар. Стартап работает с 2022 года. Начинал, видимо, в практически полностью ручном режиме, сейчас значительную часть работы софт делает, но совсем от человека отказываться нельзя. В недавнем раунде Integral привлек 18 миллионов долларов инвестиций. https://www.useintegral.com/ #ai #сша #юристы #rounda

🖐Оцифровка моторики: как корпорации бесплатно скачивают навыки рабочих 🔍Бигтех нашел способ оцифровать физический труд. На индийских фабриках на головы рабочих начали вешать экшен-камеры. Задача - собрать датасеты от первого лица для будущих промышленных роботов. Машинам мало текста и картинок из интернета. Им нужна реальная моторика:

движения рук, тайминги, хват, исправление ошибок у станка.

Технологические компании не договариваются с персоналом. Они покупают доступ напрямую у руководства фабрик. Рабочие не получают ни цента за свои данные, не подписывают согласия и не понимают конечной цели съемок. Индийская фирма EgoLab, которая собирает сырые видео с швейных производств и складов, называет одним из своих главных клиентов Tesla. 🟪Из видео вытаскивают метрики производительности: считают секунды простоя, фиксируют разговоры с коллегами и лишние перемещения. Под постоянным видеотрекингом люди замолкают и сами начинают работать как алгоритмы. Низкооплачиваемые сотрудники генерируют премиальный массив данных для обучения промышленных роботов. Когда нейронные сети полностью скопируют их мышечную память, роботы встанут на конвейер, а людей уволят. Чистое извлечение выгоды. 🦔 CyberYozh

Посмотрел новое интервью Алекса Карпа из Palantir. Я уже писал, что общество легко записывает необычного человека в чудаки и травит за двадцать секунд странного поведения на сцене, так и не услышав, что он вообще сказал, хотя именно такие люди чаще всего и двигают мир вперёд. Как бы к нему ни относились, в этом интервью он проговорил вещь, которую стоит услышать каждому, кто строит бизнес. Покупая AI у больших лабораторий, вы своими руками отдаёте им то, на чём стоит ваш бизнес. Карп называет это «альфой», а проще говоря - это всё, что делает вас вами: ваши данные, ваши процессы, то, как именно вы зарабатываете там, где конкурент не умеет. Прогоняя всё это через чужую модель, вы показываете ей внутреннюю кухню своего бизнеса и ещё платите за это по счётчику. Вот его удар по всей этой экономике токенов:

«Если это так ценно и я могу принести тебе миллиард - почему бы мне не сказать: принесу миллиард, но хочу 30%? Почему они берут за токены, если это так ценно?»

Если бы модель правда приносила миллиарды, её продавали бы за долю в этих миллиардах, а раз продают по счётчику - значит настоящие деньги не там. Настоящая цена для клиента спрятана в другом - в том, что завтра его бизнес окажется внутри чужой модели и повторить его сможет кто угодно. Отдать поле боя своей страны «консенсусу Кремниевой долины» он называет полным безумием, а одну и ту же модель, по его словам, спокойно продают и тебе, и твоему противнику. Предприниматели, с которыми он говорит без камер, в бешенстве и говорят ему, что платят за токены, которые не приносят ничего, пока эти люди тащат веса и альфу их бизнеса. Когда ведущая замечает, что он злится, Карп отвечает, что злится не он, а через него говорит американский бизнес. Сэма (OpenAI) и Дарио (Anthropic) называет прямо, но добавляет, что спорить с Дарио для него удовольствие и претензия не к ним лично, а к тому, что вся конструкция поехала не туда. Вместо всего этого он предлагает строить свой собственный слой поверх модели, который держит данные у вас, не даёт модели их запоминать и уносить и позволяет менять одну модель на другую без потерь. У Palantir этот слой зовётся онтологией, и зарабатывают они именно на нём, а не на самой модели, и ровно поэтому у них сделка с Nvidia и ставка на открытые модели, где веса контролируешь ты, а не поставщик. Всегда интересуйтесь, кто продаёт вам AI, кто владеет данными, где они лежат, защищены ли промпты и не утекает ли всё это к нему. Модель сегодня можно арендовать у кого угодно, а вот данные, процессы и свою альфу арендовать нельзя, и держать их при себе - это теперь и есть работа собственника. @maxvotek | linkedin | substack

Главное в работе с ИИ ваши данные и Claude вновь об этом напомнил На выходных другу в России закрыли аккаунт Claude. Не за нарушение правил, а просто прилетела проверка, а пройти её из РФ невозможно. Я пошёл искать в чат ИИ энтузиастов, и действительно та же история у нескольких человек: Claude блокирует доступ. Причина системная и Anthropic с 8 июля закрепляет в политике то, что уже работает выборочно, просят паспорт и живое селфи. Один из триггеров - вход из неподдерживаемой страны. Касается это всех тарифов Free, Pro и Max. То есть платишь за Pro, а в любой момент может прилететь запрос на ID, который ты физически не пройдёшь. Будучи в РФ, к этому стоит относиться трезво: рано или поздно доступ к остальным американским моделям может закрыться (NotebookLM/Gemini уже давно это показал). Паниковать тут не из-за чего - это просто вводная, с которой надо жить. Я давно про это пишу: не привязывайся к одному инструменту. Самое ценное это данные. Контекст, база знаний, наработанные промпты/скиллы и инструкции агентов. Если всё это принадлежит тебе, сменить модель не катастрофа. Благо выбор есть, китайские модели за последний год показали, что могут дать достойный отпор фронтиру - несмотря на санкции, дефицит видеокарт и скромные бюджеты. Об одной такой, которая прямо сейчас рвёт чаты, расскажу в следующем посте.

Зачем футболисты заряжают мяч? И ещё любопытная штука "около" ЧМ-2026: Чемпионат мира 2026 (который разогнался и стал поинтереснее - так и быть, признаю) - это не только голы, болельщики и феерическая рекламная жадность FIFA, которая уже успела стать мемом. Это ещё и целая гора технологий, умных устройств и данных: Внутри мяча сидит сенсор, который гонит данные про каждое касание. Всем арбитрам повесили специальную Referee Cam. Аналитические системы автоматически строят 3D-модель всех 22 игроков, пока мяч ещё летит. А у каждой из 48 сборных есть персональный ИИ-ассистент от FIFA и Lenovo (даже у Гаити и Кюрасао). Для чего эти данные нужны? Ну, для чего только не. Тренерскому штабу команд - для тактики и поиска брешей в обороне соперника, телевизионщикам - для корректности статистических реплик и тепловых карт внизу экрана, букмекерам - для пересчёта коэффициентов в реальном времени, компаниям - для обсчёта эффективности рекламных баннеров и вставок. И т.д. и т.п. На самом ЧМ с его гигантскими бюджетами и кучей камер и датчиков в каждой дырке - всё более менее автоматизировано (хотя не всегда). Но за его пределами каждую неделю играется 100500 матчей. И данные с них - это целая индустрия, где заняты тысячи бро из "третьих стран". Есть такая профессия - "аннотатор". Это человек, который профессионально смотрит матч и вручную тегируют каждое действие: пас, удар, подкат, угловой, карточка и т.д. За 90 минут он размечает тысячи событий. Таких трудяг целые армии - он Манилы и Ченнаи до Каира и Лагоса. Среди них немало футболистов низших лиг (что логично): Rest of World рассказывает о филиппинском футболисте, который год тегировал матчи из 2-й/3-й немецкой лиги (он работал на немецкую аналитическую компанию) и, по его словам, стал лучше разбираться в тактике. Будет эпично, если с этого начнётся его тренерская карьера, и в итоге он возглавит лондонский Арсенал. Ну окей, хотя бы тульский. В той же статье есть и более удивительный кейс. Некий Адам из бразильского Рио тегирует для иностранной конторы бразильские матчи, которые вообще никто не транслирует. Он получает 60 евро за игру "плюс транспортные расходы". То есть, он ездит их смотреть на стадион, сидит на трибуне с приложением и в реальном времени отстукивает события. Зачем? Ну, потому что это третьесортные полулюбительские игры, которые вообще не показывают. Но букмекеры принимают на них ставки (они принимают вообще на всё). И чтобы быстро считать и корректировать кэфы - им нужны лайв-данные прямо с матча, пока он идёт. Автоматизировать это нереально (роботы пока не умеют ходить на футбол), а экономика за $60 у буков, видимо, сходится. И самое интересное, что умные алгоритмы и ИИ-примочки, которые трекают топ-матчи ЧМ, наверняка обучались на данных, собранных вот такими пацанчиками с сельских стадиков. Получается, генерация ИИ-данных кожаными - это уже не просто целая индустрия, там даже есть свои ниши. Хочешь - наклей на лоб телефон и шей индийский текстиль, хочешь - убирай хаты на камеру, а хочешь - фиксируй, кто попал в офсайд на матче 4-го дивизиона Албании. Получается, прогресс создаёт больше рабочих мест - шах и мат, технодумеры 😈 Дизраптор