IT-конференции под вывеской AI — это ещё больший скам, чем просто IT-конференции Онтико организовали в июле конференцию под громкой вывеской Agentic Dev Conf. Решил посмотреть доклады. Разработка с агентами, все дела, харнесс, хайповая тема, надо быть на острие. Я просто охуел от того, насколько это плохо. Доклады уровня: ну в Claude Code надо класть CLAUDE.md файл, а в остальных харнесах — AGENTS.md. И в каждом втором докладе агрессивная продажа своих вайбкодинг или околовайбкодинг поделок, в одном докладе даже реклама собственной галеры. Задачи как-то причесать доклады и сделать их хоть немного полезными просто не стояло. Новой или какой-то интересной инфы практически ноль. Парад еблоторговли. Вы скажете: ну чё ты бомбишь. Чуваки бизнес делают, пиарят свои сикс севен саасы, зарабатывают, Олег Бунин и Онтико поднимают с колен конференции — все в наваре. Я отвечу: но как бы зрители за всё это от 20 до 50к деревянных занесли. 50к за день, чтобы послушать рекламу в душном зале и схавать один шашлычок в одни руки. Да, билеты в основном покупают компании, но Олег Бунин ни раз говорил, что 10% всё-таки куплены за свои кровные. Один доклад меня поразил больше всего. Название доклада «AI — это не очередной инструмент, а новая природа организации». Даже название — нейрослоп, о содержании и говорить не приходится. Два душных корпората из Сбера начинают с фразы: «Мы здесь не для того, чтобы чем-то хвастаться, не для того, чтобы что-то продвигать и тешить свои эго». Ну-ну, рассказывайте. Первые 20 минут — лозунги и прохладное визионерство: «догнать и перегнать запад», «мы ускорились в 10 раз», пятилетку за три года. А затем 10 минут — реклама Гигакода. Гигакода, которым в Сбере даже не пользуются. Имаджинировали лица тех, кто 50к за это отдал? У конфы есть программный комитет из людей, которые торгуют просто фактом своего участия в нём. Люди с большими головами, с лычками, с бесконечным уважением в индустрии. Как-то же они должны были причесать доклады, или сказать, что откровенное рекламное говно мы не пропустим. Но всем похуй. Одним главное — засветиться в списке организаторов, другим — заработать бабосик, третьим — показать своему руководству фотографии со стенда. Бесконечный голландский штурвал. Один нормальный доклад всё же был. Вот.

5 Growth-кейсов применения AI для продактов Представьте обычный понедельник продуктовой команды. На дашборде всё более-менее знакомо: трафик растёт, регистрации идут, но дальше начинается классика. Половина новых пользователей не доходит до первой ценности, Trial не конвертируется так, как хотелось бы, Retention постепенно проседает, а команда снова обсуждает, какую гипотезу тестировать следующей. В этот момент почти неизбежно появляется идея: "А давайте добавим AI". Проблема в том, что это неправильная точка старта. Гораздо интереснее спросить: где именно в нашей воронке юзер теряет ценность - и может ли AI это изменить? Если посмотреть на AI через эту призму, я вижу пять особенно интересных Growth-кейсов. 1. Activation. Представьте сложный B2B-продукт. Один пользователь пришёл построить отчёт для CEO, другой - автоматизировать процесс, третий - просто проверить, подходит ли ему продукт. Но всем троим мы показываем один и тот же Onboarding из пяти экранов. AI позволяет развернуть этот сценарий. Вместо "вот наш продукт, разбирайся" начать с простого вопроса: "Что вы хотите получить?" Дальше система понимает JTBD, адаптирует Onboarding, помогает настроить продукт и ведёт человека к первому полезному результату. В таком сценарии меня интересует не количество диалогов с AI, а сократился ли Time-to-Value и вырос ли Activation Rate. 2. Conversion. Большая часть персонализации сегодня всё ещё работает по принципу: пользователь попал в Segment X - показываем Offer Y. Но два человека из одного Segment могут находиться в совершенно разном контексте. Один уже почти готов купить, другой пока пытается понять базовую ценность продукта. AI даёт возможность персонализировать не только баннер или рекомендацию, а сам путь к покупке: аргументацию, CTA, Landing, предложение тарифа, следующий шаг. То есть перейти от Segment → Rules → Experience к Context → Intent → Personalized Experience. И снова важно не попасть в ловушку Vanity Metrics: если CTR вырос, а Trial → Paid остался прежним, Growth-кейса здесь нет. 3. Retention. Мне кажется, это один из самых недооценённых сценариев. Пользователь часто уходит не потому, что продукт плохой, а потому что в какой-то момент перестаёт понимать, что делать дальше. Особенно в сложных B2B, Analytics и Productivity-продуктах, где ценность появляется после последовательности действий. Здесь AI может превратить продукт из набора функций в систему, которая понимает контекст и говорит: "Вот следующий лучший шаг, который приблизит тебя к результату". Если это действительно работает, мы должны увидеть эффект уже не в AI Engagement, а в повторном достижении Value Event, D7/D30 Retention и Churn. 4. Monetization. Классический Upsell выглядит примерно так: "Вы использовали 80% лимита - купите Pro". Это удобно для продукта, но не обязательно полезно для пользователя. Гораздо интереснее определить момент, когда платная Capability действительно помогает человеку решить его текущую задачу. То есть искать не момент, когда мы можем продать, а момент, когда пользователю выгодно купить. Если AI понимает Intent и контекст достаточно хорошо, Upsell перестаёт быть рекламной вставкой и становится естественной частью пользовательского результата. Тогда уже имеет смысл смотреть на Free → Paid, ARPU, Expansion Revenue и NRR. 5. Скорость экспериментов самой продуктовой команды. У продакта постоянно копятся User Interviews, Support Tickets, Reviews, Product Analytics, результаты прошлых экспериментов. Сигналов много, а времени на их синтез мало. AI здесь может работать как Product/Research Copilot: собирать эти сигналы вместе, находить повторяющиеся проблемы, помогать формулировать гипотезы и анализировать результаты. Ценность появляется, если сокращается весь цикл Signal → Hypothesis → Experiment → Learning → Decision, а команда за то же время принимает больше качественных продуктовых решений. Не так важно, сколько пользователей нажали на кнопку с бонусом. Важно, изменилось ли что-то дальше на всем пути юзера.

Скидка в 97%: как устроен китайский мошеннический рынок ИИ-токенов Один из каталогов теневых сервисов каждый день раздаёт 50 ключей API с балансом в 100 долларов, и честность розыгрыша подтверждается той же криптографической схемой, что крутится на криптоказино. Seed берётся из хэша последнего блока Bitcoin, победители выбираются тасованием Фишера — Йетса, список участников публикуется заранее. Рынок перепродажи чужого доступа к американским моделям вырос настолько, что открыто мимикрирует под легальный бизнес. Бывший разработчик ИИ-шлюза размотал всю цепочку. Скидки доходят до 97,8%, доллар официальных кредитов уходит за 13 центов, а десяток самых крупных узлов собирает 3,6 миллиона визитов в месяц. Дистилляция чужих моделей превратилась в отрасль на миллиарды юаней, где крупные игроки, по словам участников форума, зарабатывают сотни тысяч в день. Узнаем, как устроены четыре слоя этого рынка и почему закрыть его почти невозможно.

В прошлом году в посте я прогнозировал, что скоро на OFFZONE появятся целые треки про то, как ломают и обманывают искусственный интеллект. В 2026-м число докладов про нейронки чуть ли не удвоилось, и часть из них — как раз на эту тему. Вот пара докладов: «Et tu, OpenCode»: как атакующие обманывают агентов и вытягивают секреты и regex против LLM: бенчмарк детекторов prompt injection. На одной из дискуссий вспомнили недавний инцидент с Hugging Face, про который вы наверняка слышали. Во время внутренней оценки кибервозможностей агент на связке моделей OpenAI нашёл способ выйти из изолированной среды, использовал внешнюю инфраструктуру как плацдарм и в итоге взломал Hugging Face, чтобы украсть ответы к бенчмарку. Из зала спросили: как снизить риск потери контроля? Эксперт ответил, что у модели ослабили защиту и плохо поставили задачу, так что нужно просто быть аккуратнее. Почему ответ прозвучал так спокойно? Это же реально похоже на пресловутый максимизатор скрепок. Возможно, потому что насмотрелись на лихих и бесстрашных джунов-пентестеров, а может, потому что сам сценарий, в котором искусственный интеллект буквально захватывает и преобразует мир под себя, — далеко не самый близкий и вероятный. Какой бы интеллектуальной мощью ни обладал суперкомпьютер, есть чисто физические ограничения: энергетика, производство чипов, постройка дата-центров, но главное — мир не единая цифровая среда. Пускай изнутри цифрового пузыря многим кажется иначе. В богатых странах интернетом пользуются около 94% населения, в беднейших — 23%. На страны с высокими доходами приходится 77% мировых мощностей дата-центров, на страны с низкими — меньше 0,1%. Та же Россия оцифрована очень неровно: банки, маркетплейсы, телеком, госреестры — все там, а вот ЖКХ, муниципалитеты, мелкий бизнес и масса производств — по-прежнему работают на звонках, бумаге и личных договорённостях. ИИ и вовсе используют в среднем 4,8% компаний. У этой неоднородности есть обратная сторона. Обществу вовсе не обязательно быть полностью цифровым, чтобы попасть в зависимость от технологий. В Эфиопии интернет был примерно у 19% населения, а мобильными финансами уже пользовались больше 60 млн человек. Так что незачем управлять каждым фермером и магазином. Достаточно держать руку на платежах, идентификации, облаках, связи, логистике и распределении господдержки. Поэтому правдоподобный риск, как мне видится, скромнее. Никакого единого сверхразума, разом подчинившего все страны. Скорее несколько цифровых ядер у правительств или американских и китайских корпораций, потихоньку набирающих непропорциональную власть над менее цифровой периферией. В этом контексте трек OFFZONE ai.zone очень своевременный. Обсуждение уже уходит от джейлбрейков и генерации фишинговых писем к безопасности самих агентов: их полномочиям, песочницам и той точке, где автономность AI-агентов превращается в потерю контроля. Мир вряд ли станет одной машиной, но вполне может стать системой, где несколько цифровых центров задают условия для всех остальных. Футуристично, но при этом до боли знакомо.

Автономный Бэклог (AI Task Tracker): (2 картинки / аналогии) или local-first agent execution kernel 1/ проблема/боль. -> в чатах с ботами разными куча мусора / каких-то ASAP'ов, идей которые сиеминутно в голову приходят и увлекают человеков, забывая про то что что-то недоделали. -> в формате AI First/native сижу сразу в 3-5 чатах, крутятся сервера/демоны, делают RnD/фиксы/dreaming/оптимизации и тд и тп. Периодически "демоны" / хиллеры / дриммеры вмешиваются в сессию чата прямо в моем AI IDE, "крича" о новых ошибках / уязвимостях / деградациях которые прям сейчас надо исправлять и вносить обновления из-за возможных деградаций / поломок и/или возможных дыр/иньекций/rce/травли контекста etc. В таком динамическом режиме работы невозможно помнить все и следить за изменениями + тем более как-то это фиксировать руками. И это сильное отличие от Linear ai, так как у меня все это делается для агентов, а не людей внутри, owner задач/багов и прочее не человек, а агентская система. ИИ выдало описание такое: *** Antigravity Tracker — локальная zero-trust операционная система задач для AI IDE, которая превращает хаос цифровой работы в приоритизированные, исполняемые и доказуемо завершённые задачи, сохраняя состояние через Ouroboros L1/L2/L3 независимо от памяти конкретного агента. *** Ouroboros L1/L2/L3 -> это трехслойная память (L1 текущий контекст LLM/задачи, L2 весь контекст чата, L3 всеобщая память всего)

Как заставить зумера со спауном внимания 8 секунд пройти онбординг из 15 экранов? 🤨 кмооооон да никак 😳 В 2026м году медианный completion rate онбордингов по приложениям всего 50%. 50, КАРЛ Посмотрите сессии своих пользователей - едва ли они вдумчиво отвечают на каждый вопрос, наверняка большинство кто доходит до конца пролетает онбординг на автопилоте, не читая ни одного экрана и это уже стандарт индустрии, спасибо тик току и другим платформам шорт контента за клиповое мышление у целого поколения 😂 Ну а чего, представьте показывать восьмилетнему ребенку вместо мгновенной выгоды слайды, которые можно пролистнуть не читая Новые проблемы как обычно требуют новых решений и мне кажется мой друг @eduardbaksheev (Эдик кстати нам оч помогает с дизайном aesty!) придумал интересное решение для своей прилы peri ai (вопросы по женскому здоровью), у него онбординг это чат с персонализированными вопросами и голосовым вводом 🧠 Прокликать такое невозможно - следующий вопрос не появится пока не ответишь, и каждый ответ меняет сценарий. Через минуту апп знает обо мне больше чем классический онбординг узнал бы за 15 экранов и мне лично отвечать было интереснее, чем заполнять форму, так как я получала какой-то отклик после каждого вопроса (но справедливости ради зумер я по нижней границе 😧) Мне стало интересно, где еще это есть и я нашла парочку примеров. Airtable собирает воркспейс из разговора с AI, Clay генерит первый воркфлоу из ответов welcome survey, Pi и Replika знакомятся с тобой как человек, ну и конечно Duolingo вообще ставит урок до регистрации, так что думаю это вполне можно считать новым трендом - персонализированный чат вместо формы ответов на онбординге 🐵 Ну и вишенка на торте - если продукт сам по себе чат, значит онбординг это уже первое использование продукта. Наталкивает на мысли что надо пробовать у себя, мы сейчас как раз первую сессию переделываем - показать функционал и объяснить, что не надо все вещи фоткать отдельно скорее всего будет очень удобно, как будут цифры - поделюсь Ставлю на то что через год чат-онбординг будет у половины consumer аппов, скриньте 😅 @neural_prosecco

CtxPort Передача контекста между агентами / чатами Браузерное расширение за один клик превращает диалог с ИИ-агентом в чистый структурированный Markdown, упаковывает контекст с метаданными для передачи полного контекста другому агенту - Копирует весь диалог из ChatGPT, Claude, Gemini, DeepSeek, Grok, Doubao и GitHub - Копирование из боковой панели: навел на беседу, скопировал, не открывая ее. Удобно собрать сразу несколько чатов - Четыре формата: Full (весь диалог), User Only (только твои промпты), Code Only (только код с языковыми тегами), Compact (сжатые сообщения) Приватность: - Работает офлайн: все обрабатывается локально в браузере - Ноль загрузок на сервер, без аккаунта, минимальные права - Каждый адаптер платформы - отдельный плагин, новые сервисы добавляются просто - Chrome Web Store в разработке, пока ставится из исходников - В планах: импорт бандла обратно в чат, пакетный экспорт, Firefox #memory #agent #tools #extension VK | MAX

Wired рассказывает в большом материале о городе Уланчаб во Внутренней Монголии, который стал одним из самых быстрорастущих вычислительных кластеров Азии: по данным Goldman Sachs, китайские компании заявили в городе проекты дата-центров суммарной мощностью 12,5 гигаватта, причём более 70 процентов обязательств анонсированы за последний год. На всякий случай, никак не стартующий проект Stargate от OpenAI рассчитан на 10 гигаватт. Причем эту инфраструктуру строят непосредственно китайские AI-компании — DeepSeek, ByteDance, Alibaba, Xiaohongshu. Официальная логика размещения — поглощение избытка возобновляемой энергии, и производитель ветряков Envision уже анонсировал в Уланчабе дата-центр на 2 гигаватта с прямым подключением к своей генерации. С солнцем и территорией в этом месте тоже вроде бы неплохо. Правда, 37 процентов электричества в городе по-прежнему даёт уголь, а операторы традиционно предпочитают ископаемое топливо за надёжность круглосуточной работы. А вот с водой для охлаждения там проблема — при 350 миллиметрах осадков в год местный водоканал уже отключает часть станций на семь часов каждую ночь, хотя большинство заявленных проектов ещё даже не запущено. Это при том, что датацентры нуждаются в воде только два месяца в году — в остальное время высокогорье и холодные зимы уменьшают потребность в охлаждении. Мне отдельно понравилось, что уже уложены две выделенные оптические магистрали и пара часов на поезде от Пекина превратились в 5 мс latency по сети. Ну, это у меня тематическое — с одной стороны, понравилась в свое время книга Flash Boys Майкла Льюиса о HFT-операциях, для которых клали кабель Чикаго-Нью-Йорк точно по прямой, невзирая на скалы, чтобы минимизировать задержку, с другой, прорабатываю вопрос прокладки оптики в домашней сети при невозможности апгрейда CAT-5e. Но в случае с китайскими линиями такая latency дает возможность использовать линию даже при реальном инференсе. https://www.wired.com/story/the-unlikely-place-at-the-center-of-chinas-ai-boom/

Status Update Я вернулся из отпуска. Канал и коммьюнити будут потихоньку возвращаться в рабочий режим. Хочу поделиться самым ярким впечатлением, когда, казалось бы, далекие космические технологии внезапно делают жизнь приятнее. На вчерашних рейсах, словно в каком-то кафе, раздавали по WiFi интернет от StarLink. Летишь ты на высоте в 36k футов, за бортом -50 градусов, а у тебя ноутбук подключен к сети. И вместо 6-7 часов в капсуле без связи - и чатики и кодекс работают в штатном режиме. И можно в полете продолжать разрабатывать платформу для выкладки материалов по AI-Coding. Причем идеи, BDD-спеки и фреймворк для нее я разрабатывал практически на ходу с сотового при помощи связки из Codex агентов (как Remote на сервере, так и по-старинке оставленный открытый лаптоп). Да и в целом за время поездки я привык гораздо больше вопросов и задач сваливать на ChatGPT/Codex. Когда ноутбука нет под рукой, не сработает "мне самому проще и быстрее руками сделать". Проще как через телефон и ChatGPT. А потом как-то привыкаешь и понимаешь, что проще и быстрее - это как раз через агентов, а не ручками. Заодно и инструменты нарастают. И получается, что будущее, это когда агенты постоянно работают рядом с тобой через разнообразные девайсы, даже на высоте. Так что получается, что следующий рабочий/учебный код в нашем коммьюнити пойдет под лозунгом - "Даешь интеграцию агентов в жизнь и процессы") Ваш, @llm_under_hood 🤗

Два подхода к генерации картинок диффузными моделями Латентный (обычный): картинку сжимают в маленькое скрытое представление через VAE-кодировщик, потом модель шумит и денойзит уже это сжатое представление а в конце VAE возвращает пиксели. Быстро и стабильно но теряет мелкие детали Пиксельный (напрямую): работает сразу с пикселями без VAE. Качество деталей выше, но напрямую с нуля такую модель обучать очень медленно, сходится сильно хуже латентной Alibaba нашли компромисс - латентно-пиксельный переход (latent-to-pixel strategy): 1. Претрейн в латентном пространстве - быстро получают хорошие генеративные знания 2. Потом переключаются в пиксельное пространство и дообучают там Качество на уровне латентных но в 3–5 раз быстрее - не тратится время на VAE-декодирование и нет потери деталей Не приходится выбирать между скоростью и качеством Это рисерч, ждем новых моделей от Алибаба #research #pixelduffusion VK | MAX

​​Cayley puzzles: 666 on claude vs codex Я уже рассказывал, что занимаюсь решением cayley головоломок. В этот раз я пошёл штурмовать головоломки 555 и 666. Почему они сложнее предыдущих? Дело в том, что с каждым увеличением пространства решений и диаметра нам всё сложнее решать задачу. Во-первых, модели у нас двигаются к решению итеративно - каждый дополнительный шаг увеличивает ошибку. Во-вторых, чем длиннее пути, тем сложнее собрать корректные лейблы для путей; плюс random walks чаще будут путаться и/или не достигать дальние точки. Я начал решать 555 теми же подходами, что и прошлые головоломки - первичная тренировка модели, потом шлифовка и beam search. Трансфомер пришлось отложить - он бы работал слишком медленно. После нескольких дней тренировки на A100 мне удалось получить прилично работающую модель. Она решает головоломки не всегда, но всё-таки стабильно выдаёт хорошие решения. Результат - второе место; на первом месте - участник команды 16-го места с Santa 2015. Дальше я попробовал сделать тоже самое для 666... и ну не работает оно. Модель учится плохо и головоломки совсем не решает - лейблы собирать тяжело, пути длинные, в общем сложно всё. От безысходности я решил обратиться к агентам. Взял claude code + opus 5.0 max и codex + 5.6 Sol Extra High. Обоим отправил один и тот же промпт - мол вот головоломка, вот как мы решали подобное раньше, давайте попробуем её решить классическими способами. Потом подбадривал модели, чтобы они её решили. Клод после пары итераций ответил, что решить невозможно, ваще. Решил 0 головоломок и сдался. Кодекс подумал, сделал мелкую итерацию и остановился. Я ему поставил goal - достичь скор 180к или меньше (это суммарная длина найденных путей решенных головоломок). Он подумал, запустил процесс... и через почти 7 часов выдал топовое решение. Я попросил его пояснить, но в ответ получил сложное описание процесса решения из 7 этапов. Я впечатлён. #ai

Жених Леди Гаги обучает AI на живой человеческой коже Майкл Полански несколько лет назад основал биотех-стартап Outer Biosciences. Компания получает человеческую кожу, которая обычно выбрасывается после операций, и научилась поддерживать её живой вне организма больше месяца. За это время учёные могут наблюдать медленные процессы вроде восстановления после ультрафиолета, изменения пигментации или ремоделирования коллагена. На этих экспериментах обучают AI-модель. Она предсказывает, какие ещё не проверенные вещества могут повлиять на конкретные функции кожи, учёные испытывают их на живой ткани, а результаты возвращают обратно в модель. До внедрения AI компания за 18 месяцев нашла всего несколько перспективных веществ. Теперь новый кандидат появляется примерно раз в шесть недель. В разработке уже шесть потенциальных ингредиентов, четыре из которых, по словам Полански, могут дойти до коммерческого использования. Пока речь в основном о косметике, а не о лекарствах. В интернете нет огромного готового массива экспериментов на живой человеческой ткани, поэтому Outer Biosciences сама создаёт уникальный датасет для своей модели. И чем больше экспериментов она проводит, тем лучше AI должен понимать биологию кожи. https://techcrunch.com/2026/08/21/michael-polansky-is-training-an-ai-model-on-skin-thats-still-alive/