ИИ меняет всю логику рекламы - но не совсем так, как многие думают Наткнулся на пост Сриниваса Рамеша - довольно культового чувака из adtech-тусовки и автора известной рассылки про рекламу "The AdTech Signals". Так вот, его ключевой тезис такой. Пока все обсуждают, как эйай генерит креативы и анализирует метрики, настоящий слом проходит гораздо глубже - в самой логике рекламных платформ. И в результате они начинают делать то, что раньше казалось сверхспособностью, и для чего железно нужен был подкованный человек. Рамеш поясняет на примерах: Amazon. Раньше Sponsored Ads (реклама в их поиске) и DSP-программатик (автоматическая закупка через аукцион) жили в разных мирах, и сводить их надо было вручную. А сейчас это один контур: рекламодатель задаёт продукт и цель - система сама собирает кампании в поиске + в программатике и сводит отчётность в одном месте, а креативы генерит их собственная моделька Nova, которая теперь встроена в общий движок. Google. У них давно есть Performance Max - штука, которая автоматизирует таргетинг, ставки и размещения через все каналы разом. Но теперь в неё встроили Gemini. Она берёт длинные, разговорные поисковые- и эйай-запросы, раскладывает их на ключи и подбирает под них рекламу даже там, где раньше формальных ключевых слов просто не было (точнее, они были, но их не видели). То есть, воронка расширяется не через оптимизацию старого трафика, а через выхватывание совершенно нового спроса. Яндекс. Раньше их система помнила десятки последних действий пользователя. А теперь тысячи, причём растянутые на год. У них есть Argus - генеративная модель, которая учитывает "длинную" историю юзера. Её память увеличили в 30 раз, и это ключевой момент - система стала видеть реально далеко. Отдельно добавили Gorgona - другую модельку, которая прогнозирует поведение уже после клика (сколько человек листал, что добавил в корзину и т.д.) и дополняет Argus. Это комбо позволяет гораздо точнее предсказывать, совершит ли человек покупку. Тут мозг тянется сделать вывод: "Ну окей, платформы теперь лучше угадывают, что мы купим - когда мы ещё сами не поняли". Это да. Но это база-основа и вообще уже баян. Предиктивный таргетинг и look-alike (поиск похожей аудитории) гоняют уже лет 15. А сейчас системы меняют не "ЧТО", а "КАК" угадывать, и это ключевой момент. Раньше воронка была набором отдельных ИИ-тулов. Один считал, кому показать, другой - сколько платить, третий фигачил баннер, четвёртый считал метрики... А сводил всё это дело человек ручками. Сейчас же платформы сшивают всё в один движок, который учится не на кликах по кампании, а на итоговом результате бизнеса. Условно, раньше эйай-штуки помогали правильно завернуть на каждом отдельном перекрёстке, а сейчас вся машина едет на автопилоте из пункта А в пункта Б. Поэтому ремесло медиабайера меняется даже быстрее, чем многие другие профессии. Раньше нужен был спец, который руками собирает таргетинги и балансирует ставки, а теперь площадка просто берёт бюджет и цель - ну и всё, дальше всё делает сама, обучаясь на миллионах кампаний параллельно и калибруясь после каждого шага. Понятно, что люди всё ещё нужны (автопилот тоже нужно контроллить) - но а) у них будут другие задачи и б) не в таком числе. Как рекламная индустрия будет адаптироваться - большой вопрос. Возможно, агентства мигрируют на уровень выше - например, в стратегию и бренд. Но там уже другой пирог со своей конкуренцией. В общем, если вы работаете в рекламной индустрии (а с ней плотно соприкасаются очень многие - в том числе я), то держите в уме эти изменения. Они не так сильно бросаются в глаза, как, скажем, эйай-сдвиги в кодинге или в создании контента, но по факту могут быть даже радикальнее. Дизраптор

ИИ научился «читать» мозг незрячего человека — и улучшил его зрительный имплант Искусственный интеллект помог точнее управлять зрительным протезом, имплантированным в мозг ослепшего после травмы человека. Модель глубокого обучения подбирала схемы электрической стимуляции, предсказывала реакцию мозга и позволяла получать нужный эффект с меньшим током. Исследователи считают, что такой подход может сделать кортикальные протезы более точными и персонализированными — устройство сможет адаптироваться к особенностям мозга конкретного человека. https://hightech.plus/2026/08/10/ii-nauchilsya-chitat-mozg-nezryachego-cheloveka--i-uluchshil-ego-zritelnii-implant

Наступила новая рабочая неделя Меня недавно поразило, что два выходных и вообще подход 5х2 в России не такой старый, то есть он появился примерно в конце 60-х. То есть, мои родители уже так не работали, но вот бабушки и дедушки вполне себе. До революции и в первые советские десятилетия единого современного графика не существовало: • обычно был один выходной - воскресенье; • в 1929 году ввели так называемую «непрерывку»: пять рабочих дней и один выходной, но выходной не приходился на конкретный день недели; • с 1931 года появилась шестидневка - отдыхали, например, 6-го, 12-го, 18-го, 24-го и 30-го числа каждого месяца; • в 1940 году вернулись к семидневной неделе с одним общим выходным — воскресеньем. Поэтому друзья мои, хорошего вам Августа и помните, что мы с вами живем в эпоху, где скорее всего через 20 лет мы будем работать 4 дня в неделю, ведь мы идем туда, или не идем? Наиболее короткая законодательная неделя среди крупных европейских стран во Франции: стандарт составляет 35 часов. В Нидерландах среднее фактическое время ещё ниже, но это во многом объясняется высокой долей людей, работающих неполный день. В некоторых странах распространены неформальные варианты: • в Нидерландах многие работают 4 дня или неполную неделю; • в Дании, Норвегии, Швеции и Германии обычная неделя часто короче 40 часов по коллективным договорам; • во Франции пятница или другие дни могут быть сокращёнными в отдельных компаниях; • в Бельгии сотрудник может попросить сжать полный рабочий график в четыре дня, но это не означает всеобщую четырёхдневную неделю. Ваш @blackproduct

Что делать, когда на рынке жопа Несколько важных принципов, которых придерживаюсь сам и вижу, что они сейчас работают у других. — Не держи в штате людей, без которых можешь обойтись. ФОТ это самый опасный постоянный кост, который долго и дорого сокращать в правовом поле. Поэтому любой новый найм только если ты сам разобрался и уверен на 100%, что без него не обойтись, а не потому, что тебе так говорит команда. — Берегись неразумных трат. Если точно не понимаешь, как этот расход повлияет на выручку или прибыль, то лучше не экспериментировать. Не парься, как оптимизация может выглядеть в глазах команды, клиентов или твоих друзей. — Кэш на счетах дороже, чем на бумаге. Значительная часть твоей выручки висит в дебиторке, лежит на складе, в договорах на подписании и т. д. Ищи способы быстрее превращать всё это в деньги сейчас, а не ждать идеального момента, курса или отскока рынка. Например, просроченную дебиторку можно продать с дисконтом так же, как и товар на складе. — Начни разбираться и внедрять ИИ. Это правда один из немногих инструментов, который сейчас влияет на эффективность. ИИ точно не спасет плохую бизнес-модель и процессы и не усилит слабую команду. Тут без лишних ожиданий и фанатизма. Но даже простые внедрения ИИ помогут ускорить то, что у тебя уже работает. — Прими новую реальность. Издержки растут, а твоя маржинальность вбелую (иначе точно нельзя) будет сокращаться. В России было много ниш, где маржа исторически была выше, чем на зарубежных рынках. Настраивай себя на то, что теперь придется привыкать к другим цифрам и в моменте станки могут работать в ноль, чтобы их не тушить. Возможно, что это повод честно поговорить с собой: а нужен ли такой бизнес? Хорошая новость в том, что плюс-минус все находятся в одинаковых условиях. — Не забивай на себя. Здоровье и энергия основателя — один из самых недооцененных активов. В тяжелые времена способность дольше выдерживать давление может стать серьезным конкурентным преимуществом. Твой сон, спорт и отдых сейчас как никогда нужны твоему бизнесу. — Чаще выходи в поля. Общайся с клиентами напрямую, а не только через отчеты руководителей. Говори чаще без посредников с линейными сотрудниками: на ресепшене, складе, в магазине, на производстве. Кто каждый день видит клиентов и знает, как реально устроены твои процессы. Спроси, что их бесит, что они бы исправили первым делом, чтобы им стало проще работать и радовать клиентов. — Общайся с другими предпринимателями. Причем не только из своей отрасли. Выходи из офиса. Интересуйся, что прямо сейчас у них работает в маркетинге, продажах, найме, программах господдержки и так далее. Мой любимый вопрос: «Что в твоем бизнесе за последнее время дало рост, которого раньше не было?». — Дефицит ресурсов может быть полезен. Скорее всего, когда ты создавал свою компанию, у тебя был жесткий дефицит денег, людей и знаний. И именно этот дефицит заставлял тебя быть более гибким, изобретательным и находить решения в те времена, когда тебе было нечего терять. Всё получится! @kutergin_on_fire

Про совсем компактные модели Мне нравится идея крутить локальные модели, но не нравится идея забивать всю память ими. Мне всегда казалось, что самый лучший способ сделать подобную edge модель — попробовать создать что-то, что будет достаточно умным, чтобы мочь делать выводы из данных, но не иметь собственных знаний. Да и зачем модели собственные знания, когда есть тривиально настраивающийся поиск в интернете и тулколлинг? Мои коллеги из AIRI подумали о том же и сделали Optimal Cognitive Core, про который я уже писал — затюненные reasoning версии Qwen-3-0.6B и Qwen-3-1.7B, которые оптимизированы под работу с внешним контекстом и RAG. Модели в целом подходят под мои требования к железу — веса занимают 1.2 и 3.4 гб в их родном BF16, ещё столько же на длинный контекст (так как это Qwen3, там GQA, это вам не модный нынче гибрид), итого, с пивком потянет. Другой вопрос, что эти модели слишком малы, чтобы быть применимыми для general purpose задач — всё таки это 600M и 1.7B dense. В этом размере обычно бывают забавные попугаи, который могут делать парафразу или простенькую классификацию после файнтюна, но не более. Следующий способ ужать модель в память моего MacBook Air M4 — использовать квантизацию. Тут отличились PrismML, сделав Bonsai-27B, бинарный- и тернарный кванты Qwen-3.6-27B. 27B модель в тернарном кванте занимает всего 7.2 гб после запуска инференса и вполне себе бегает на маках. К сожалению, Qwen-3.6-27B это dense модель, так что на моём маке она уж совсем медленная — если верить тому, что я нашёл в сети, генерация там будет в районе 13-14 токенов в секунду, чтение контекста — 100-150 токенов в секунду. Кроме того, это QAT (или вообще PTQ, подробностей мало), причём который скорее всего не затачивали на русский — так что я не ожидаю, что итоговая модель за пределами своего калибрационного сета/сета, на котором делали QAT сможет показать что-то интересное. Буквально в ответ на Bonsai появился Maple-Preview. Это 20B A1B MoE, которую специально затачивали под локальный инференс на маках ещё на этапе проектирования архитектуры, обучая свою модель с нуля в тернарной точности — то есть это не квантизация чьей-то модели. В итоге, получилась модель размером в 5.31 гб, 7.5 гб с учётом 131к контекста — почти в полтора раза меньше, чем бинарный квант Bonsai — который выдаёт аж 218 токенов в секунду на M4 Mac Mini и 127 токенов в секунду на iPhone (каком — непонятно). Модель практически не знает русского, да и в целом, мало знает (путает, в какой игре босса зовут Psycho Mantis), но если дать ей поиск, она вполне себе справляется с ответами на простые вопросы. Бенчей по тулколлам они не дают, в целом, понятно почему — я прогнал Tau-2 (в качестве user sim я использовал Qwen3-235B-A22B-Instruct-2507), на Airline скор 0.48, на Retail 0.175, на Telecom 0.427. Это не соннет и тем более не квен, но на то это и Maple Preview, они специально пишут, что учить модель на агентов будут дальше. При всех плюсах квантизации, это всё ещё почти половина доступной мне памяти. Поэтому есть ещё и третий способ как снизить использование оперативки: выгружать все веса на SSD и стримить экспертов у MoE с диска. Уже есть turbo-fieldfare, который запускает Gemma-4-26B на маке с использованием всего 2 гб памяти и есть Mference, форк turbo-fieldfare, который расширяет поддержку на Qwen-3.6-25B, DeepSeek V4 Flash и Inkling-Small 276B. Оно действительно использует очень мало памяти, но ценой того, что скорость генерации и чтения контекста падает до десятков токенов в секунду. Кажется, Apple делает что-то похожее в своей новой Siri, правда, активируя экспертов на весь промпт, а не на токен как в этих фреймворках. И тут появляется интересная идея — а что если мы возьмём Maple Preview, которая суперэффективная, с маленькими экспертами и обучавшаяся в тернарной битности, и внесём её в Mference? Так мы сможем, в теории, получить ещё меньшее использование памяти и относительно нормальную скорость генерации — потому что модель оптимизировалась под это на этапе архитектуры. Сказано — сделано. Спасибо кодексу и моей подписке за 200$, спустя 20 часов и 30% от недельного лимита я получил паритет с официальной имплементацией на teacher forced top-10 токенах в The Raven Эдгара Аллана По. Модель, в зависимости от контекста, занимает от 500 до 1200 мб памяти (!), на MacBook Air M4 читает и генерит со скоростями 40 и 20 тпс соответственно, может дёргать тулы и генерить текст. Такое не жалко оставить всегда включённым в фоне — кушать не просит, пусть лежит, если надо спрошу, он ответит. Попробую дотащить до мейна потом, но сейчас уже можно попробовать запуститься в моём форке на гитхабе. Зачем это нужно? Имхо, есть два режима использования подобных моделей. Первый — интерактивный чат. Там важно, чтобы модель отвечала быстро и имела низкий латенси. Второй — когда модель в фоне, почти не используя память и не мешаясь остальным модулям системы, что-то анализирует — классифицирует сообщения, достраивает граф знаний, фильтрует почту, пишет сводку, что-то медленно ресёрчит в интернете. Во втором режиме требований к латенси нет, так что скорости в 20 тпс вполне себе достаточно. Ну а чтобы переключиться из одного режима в другой, нужно всего лишь загрузить всю модель в оперативку с SSD — что делается довольно быстро, буквально за пару секунд. Если модель умеет в тулколлы — Maple Preview умеет не слишком хорошо, но на то она и Preview — то можно строить агентные пайплайны без требований к латенси и всегда иметь умного помощника, готового к работе оффлайн даже на старых телефонах. И это прекрасно — мне было бы очень приятно, если бы будущее было локальным. Код Суперинтересный пост от DeepGrove про то как они дизайнили модель