Основатель и CEO российской ГК “Нейри”, разрабатывающей технологии прямой передачи информации между мозгом и компьютером, Александр Панов стал главным советником нового индийского инвестфонда ĀDI Neuroscience. Ему предложили возглавить совет по стратегии, продуктам и науке. Учредителем фонда выступает SPEC Finance India. В научный совет фонда вошли также директор по науке Neiry профессор Михаил Лебедев, который в МГУ возглавляет проект по подключению мозга к искусственному интеллекту, и ученые из Индии, Чили, Бразилии и Португалии. В ближайшие годы ĀDI Neuroscience планирует инвестировать в развитие нейротехнологий в Индии более $1 млрд. В фонде отметили, что средства будут вкладываться в развитие продуктов по трем направлениям: в улучшение ментального здоровья, нейроулучшение памяти, знаний и креативности мышления; в технологии синхронизации “мозг - мозг”, предполагающие перенос ощущений, эмоций, мыслей и навыков между людьми и в создание всемирной сети обмена мыслями и идеями с привлечением мировых лидеров науки, госуправления, бизнеса, философии и религии. Neiry была cоздана в 2018 году. Компания разрабатывает инфраструктуру для автоматизированного сбора, анализа и хранения больших нейроданных. Ранее сообщалось, что 3 основные сферы бизнеса Neiry - это образование, индустрия развлечений и рынок носимых устройств. Благодаря уникальным алгоритмам анализа биоэлектрической активности мозга пользователи образовательных приложений, а также развлекательных компьютерных игр нового поколения смогут управлять игровыми параметрами непосредственно за счет сигналов от головного мозга, ранее отмечали в компании. Сейчас в штате группы более 300 человек. @rusven

Из океанов и рек вода испаряется, собирается в облака, а затем возвращается дождиком на землю. Это первое, что я узнал и, кажется, единственное, что помню из географии.   А о том, что существует круговорот азота я не в курсе. Хотя азот важен. Наша атмосфера состоит из него на 78%. Он необходим для растений, а переходы азота с молниями во время грозы чертовски красивы.   Да что там азот! Несмотря на неумолчный гвалт о низкоуглеродной экономике, я как-то мало слышу и о круговороте углерода. Хотя сама жизнь построена на углероде. Он участвует во всех ключевых процессах человека. Мы почти на пятую часть состоим из него.   Так почему же мы помним круговорот воды?   Основная причина - в воду можно погрузить пальцы. Объясняя круговорот воды детям - показать на облачка, лужи и дождик.   А чистый углерод – это графит и алмаз. Негусто. Азот вообще не виден. Их, по сути, нельзя потрогать. А наш мозг эволюционно не приспособлен для операций с абстрактными понятиями.   Если идея не выражена на языке реальных предметов и действий – ее сложно объяснить и ей сложно завлечь.   «Свобода, равенство, братство», конечно, хорошо. Но «Земля - крестьянам! Заводы - рабочим» - понятнее. Ясно, кому и что дадут. И даже если потом ничего не дадут, на действия конкретный лозунг сподвигнет.   Поэтому в бизнесе нещадно выкорчевываем "солидные слова" к которым рука сама так и тянется, типа "клиентоориентированность», "эффективность". Для мозга это невидимый азот.   Переводите мысли на сенсорный уровень. Отличные примеры — пословицы. «Лучше синица в руках, чем журавль в небе». Такая идея понятна. Ее легко запомнить и передать дальше. | MAX | подкаст | | Личная жизнь и мысли - Молчанов.Life |

CASH-МАШИНА: 47 СОТРУДНИКОВ И $700 МЛН ДИВИДЕНДОВ Сижу удивляюсь. В OnlyFans работает всего 47 сотрудников. За последний год компания заработала $1,6 млрд выручки, а её владелец Леонид Радвинский вывел $709 млн дивидендов (почти половина годовой выручки). За год креаторы (их на платформе 5 млн) получили от своих фанатов (их 437 млн) более $6 млрд после удержания 20% комиссии площадки. Несколько месяцев назад Радвинский умер, и контроль над компанией перешёл к семейному трасту во главе с его вдовой. Не многие знают, что Радвинский (родившийся в Одессе американский предприниматель) не был основателем OnlyFans. В 2018 году он купил 75% компании примерно за $30 млн у британского предпринимателя Тима Стокли, который запустил её двумя годами ранее вместе со своим отцом Гаем. Но именно при Радвинском, который уже был владельцем adult-сервисов, OnlyFans сфокусировался именно на adult-контенте, который и стал главным драйвером взрывного роста. В этом году фонд Architect Capital купил 16% OnlyFans за $535 млн, оценив всю компанию в $3,15 млрд. Такая вот creator economy: чем меньше одежды, тем выше маржинальность!

Зумеры изобрели Abibas Копирование интерфейса – норма для технологических компаний. Два мессенджера могут годами заимствовать друг у друга расположение кнопок и никто плохого слова об этом не скажет. Южнокорейский #стартапдня Blue Elephant перенес эту практику в офлайн. Его сотрудники брали очки премиального бренда Gentle Monster и отправляли заказы на фабрики: «нам, пожалуйста, партию точно таких же». На полке магазинов копии стоили в 5 раз дешевле оригинала – и, естественно, пользовались спросом. В 2025 году стартап достиг выручки в 36 миллионов долларов по сравнению с миллионом в 2022. А в 2026 к нему пришла полиция. Правоохранители говорят, это мошенничество, а не бизнес-модель. В обвинениях фигурирует “отсутствие собственного отдела дизайна”, и “совпадение очков на 99,9441% по 3D сканированию”. Компания оправдывается в духе: “ну а что такого, две линзы, две дужки, трудно что-то особенное придумать, все друг на друга похожи”. Статус на текущий момент у проекта двоякий. Бывший CEO сидит в корейском аналоге СИЗО, а Blue Elephant буквально на днях привлек раунд в 70 миллионов долларов по оценке почти 300 и открыл первый магазин в США. Интересно люди живут. https://blueelephant.co/ #корея #roundb #юристы #железо

Ваши органы стареют с разной скоростью Дата в паспорте, это на самом деле средняя температура по больнице. Лёгкие, почки, поджелудочная и мозг у одного и того же человека вполне могут жить по разным календарям. И теперь эту разницу удалось разглядеть буквально под микроскопом. Исследователи из венского CeMM (Центр молекулярной медицины Австрийской академии наук) и Института сетевой медицины имени Людвига Больцмана построили «тканевые часы» — ИИ-модели, которые оценивают биологический возраст отдельного органа по обычному гистологическому снимку. Материал взяли из проекта GTEx: 983 человека, 40 типов тканей, 25 712 изображений — это примерно 480 миллионов отдельных фрагментов, которые разбирали модели компьютерного зрения. Дальше любопытное. Сети никто не просил искать старение. Но возраст оказался фактором номер один среди всего, что влияет на внешний вид ткани и так во всех сорока типах. Получается, старение записано прямо в архитектуре ткани, а не только в молекулярных метках ДНК, на которые смотрели раньше. Картина по органам вышла неоднородной. Лёгкие, почки, поджелудочная железа и надпочечники показывают признаки ускоренного старения уже в 20–40 лет. У матки резкий сдвиг случается около менопаузы. При почечной недостаточности ускорение видно сразу по нескольким тканям, а диабет сильнее всего бьёт по поджелудочной. Однако биопсию делать не всегда возможно, поэтому авторы сопоставили тканевые «разрывы возраста» с профилями экспрессии генов в крови у тех же людей. И научились предсказывать возраст органа по обычному забору крови! @vselennayaplus

Абстрактное мышление Абстрактное мышление - мышление об объектах, принципах и идеях, которых нет в физическом мире. С помощью абстрактного мышления мы связываем разные явления между собой и выстраиваем их в общую картину, чтобы использовать полученные выводы на практике. Объяснить абстрактное мышление можно через юмор. Комики наблюдают за собой и окружающим миром, собирают, анализируют информацию и превращают ее в стендапы и миниатюры. Их шутки часто строятся на неочевидных связях, подмеченных при помощи абстрактного мышления. Люди других профессий могут пользоваться этим инструментом, чтобы привносить в свою работу идеи из смежных или далеких областей. Как использовать? Представим, что создаем проект с нуля. Конкретное мышление поможет составить план действий, смету и расписать конкретные инструменты, которые пригодятся в работе. Абстрактное мышление будет отвечать за творческую сторону вопроса. Например, поможет «соединить» технологии, продукты из разных сфер/рынков, создавая новую ценность для клиентов, и объяснить инвестору зачем такой проект нужен людям и как он пригодится в будущем. В большинстве случаев, следует пользоваться сразу двумя типами мышления и менять их в зависимости от поставленной цели.

Август — время готовить сентябрь Для меня август уже давно не последний месяц лета. Это последний относительно спокойный момент, когда можно посмотреть на бизнес целиком и решить, с чем мы хотим войти в сентябрь. Тем более август традиционно — это мой день рождения и отпуск, а самые лучшие мысли, как выясняется, приходят, когда ты сидишь перед бесконечным морем, смотришь, как играют дети, и вроде бы вообще не собираешься думать о работе. По эффективности, мне кажется, даже лучше, чем знаменитые великие мысли в душе 🙃. В этом году думать есть о чем: покупательская способность продолжает падать, ситуация вокруг проще не становится, поэтому есть ощущение, что осень будет еще жестче предыдущей. Лето, к сожалению, тоже получилось не таким успешным, как обычно, а значит, и резервов у нас меньше. На что имеет смысл посмотреть сегодня ⤵️ Первое — еще раз спокойно проанализировать, что вообще происходит: где мы падаем, где держимся, какие направления растут, как меняется клиент, его поведение и на что он сегодня готов тратить деньги. Второе — пересобрать мотивацию команды под те результаты, которые нам нужны сейчас. Потому что рынок изменился, планы изменились, экономика изменилась, а значит, странно продолжать управлять людьми инструментами, которые были придуманы для совсем другой ситуации. Третье — деньги. Финансовая подушка, расходы, еще один круг оптимизации. Четвертое — загрузка. Какие направления проседают, какие часы остаются тихими, куда бьем маркетингом, какие предложения запускаем и за счет чего вообще собираемся усиливать поток осенью. И пятое — проекты. Что точно запускаем, что продолжаем, а что возможно пора закрыть. А вы уже готовитесь к осени или "подумаем об этом завтра"?

Прочитал отличную заметку Shopify про gisting — сжатие системного промпта в обучаемые токены. По сути, это компиляция промпта. У GraphQL-агента Sidekick системный промпт занимал около 6 000 токенов, которые постоянно приходилось обрабатывать снова и снова. Prefix caching решает проблему лишь частично. Модели не нужно повторно вычислять KV cache для промпта, но при генерации каждый новый токен всё равно работает со всем контекстом. Чем длиннее промпт, тем больше памяти и времени требуется на каждый шаг декодирования. Придумали логичную штуку применить: gisting Как работает gisting. Сначала Shopify выбрали коэффициент сжатия 4:1(это гиперпараметр) и создали 1 500 новых специальных токенов вместо 6 000 исходных. Эти токены не были выбраны из системного промпта и не являлись его текстовым summary. Это просто новые ID вроде <GIST_1>, <GIST_2> и так далее. Дальше: * Все веса модели замораживаются. Обучаются только эмбединги новых gist-токенов. * Teacher-версия модели получает полный системный промпт, запрос пользователя и начало правильного ответа. На каждой позиции она выдаёт распределение вероятностей следующего токена. * Student-версия той же самой модели получает тот же запрос и ответ, но вместо 6 000 токенов системного промпта видит 1 500 gist-токенов; * Распределения teacher и student сравниваются через KL divergence. * Градиент меняет только эмбединги gist-токенов, пока student не начинает выдавать практически те же распределения ответов, что и teacher. * Изначально новые эмбединги можно было бы задать случайно. Но Shopify нашли более эффективную инициализацию: исходный промпт разделили на группы по четыре токена, а каждый gist-embedding инициализировали средним значением эмбедингов соответствующей четвёрки. Это снизило начальный loss в семь раз. При этом <GIST_1> не становится сокращённым обозначением первых четырёх токенов. Все 1 500 embeddings обучаются совместно и в итоге кодируют не текст промпта, а его влияние на поведение модели. Получаем сжатие поведения: модель учат реагировать на короткую последовательность обучаемых векторов так же, как на длинную текстовую инструкцию. В результате примерно 6 000 обычных токенов превратились в 1 500 обученных токенов. Модель ведёт себя так, будто прочитала полный промпт, хотя фактически получает его сжатое представление. После обучения никакой отдельной архитектуры не требуется. Эмбединги записываются в embedding matrix, токены регистрируются в tokenizer, а длинный промпт при запросе просто заменяется их последовательностью. Нет дополнительного encoder, специального attention mask или отдельного serving path. Результаты при нагрузке 350 запросов в минуту: — time to first token: с 438 до 354 мс, −19%; — полная задержка: с 6,8 до 4,2 секунды, −38%; — throughput: с 20,2 до 23,4 запроса в секунду, +16%; — требуемое количество GPU: −14%. Качество при этом не ухудшилось. Как они подбирали рецепт: Autoresearch-цикл сам менял гиперпараметры, запускал обучение и оценивал результат. Так нашли оптимальное сжатие 4:1. При дальнейшем уменьшении количества gist-токенов качество начинало падать. Для другой модели, промпта и предметной области граница будет другой. Предварительный расчёт teacher logits и токенизация сократили один обучающий прогон с 30 до 6 часов. Оказалось также, что усреднение функции потерь по токенам ответа приводило к галлюцинациям, а усреднение по batch сохраняло больше сигнала от длинных ответов. Хорошее напоминание, что даже в относительно простой оптимизации детали функции потерь могут полностью изменить поведение системы. Prompt engineering постепенно превращается в обычный ML engineering. Системный промпт можно рассматривать как исходный код, а gist-токены — как его скомпилированную версию. Здесь всё знакомо: датасет, distillation, loss, evaluation, нагрузочное тестирование, мониторинг качества и стоимости. #ArticleReview

Закон Гутхарда: как НЕ хакнуть метрики Мы выполнили KPI по регистрациям на 120%. Хорошо? Ну да, а чего же. Пошли на выручку смотреть, а она упала. Копнули глубже трафик, оказалось, что ботов нагнали. Премия получена, но в целом компании нехорошо. Пожалуйста, словили закон Гутхарда. Капелька истории В 1975 году британский экономист Чарльз Гудхарт сформулировал закон, который звучит так: «Когда метрика становится целью, она перестает быть хорошей метрикой». Простыми словами как только вы привязываете к конкретному показателю бонус, повышение или оценку успеха команды, люди перестают делать хороший продукт. Они начинают «хакать» систему и оптимизировать все под одну цифру даже в ущерб здравому смыслу. Примеры, когда плохо Посмотрим как не надо делать. 💩 Разработка Цель - количество строк кода. Итог: разработчики пишут раздутый код без рефакторинга. 💩 QA и Баги Цель - количество закрытых багов. Итог: тестировщики заводят микро-баги (опечатки, съехавший пиксель), а разработчики их героически фиксят. Реальные проблемы висят в бэклоге. 💩 Продукт Цель - увеличить дневную аудиторию. Итог: команда начинает спамить юзеров кликбейтными пушами. Люди заходят, плюются и закрывают приложение. DAU растет, Retention и лояльность летят в пропасть. Как лечить Два простых правила. 1. Используйте метрики-противовесы Если измеряете скорость ответа поддержки (Time to resolve), обязательно трекайте удовлетворенность (CSAT). Ускорение не должно ломать качество. 2. Не привязывайте мотивацию к одной прокси-метрике KPI должны быть комплексными и привязанными к финальной ценности для бизнеса (например, LTV или Profit), а не только к промежуточным шагам.

Бонус Если внутри компании используете North, то она неплохо будет калибровать вас и подсветит не свернули ли вы не туда в погоне за красивыми дашбордами.

Примеры, когда хорошо Посмотрим как надо. 😍 Маркетинг и Рост Цель: Снизить CPA (стоимость привлечения) или увеличить количество регистраций. Противовес: Retention 7/30 дня (Удержание) или LTV. Почему это работает: Защищает от налива дешевого «мусорного» трафика или мотивированного инсталла. Маркетологи больше не смогут выполнить KPI, просто приведя ботов или нецелевую аудиторию - им придется следить за тем, остаются ли эти люди в продукте. 😍 Разработка и DevOps Цель: Time-to-Market (скорость выкатки фич) или Velocity в стори-поинтах. Противовес: Change Failure Rate (процент релизов, приведших к сбоям) или количество багов на проде. Почему это работает: Команда не сможет гнать сырой код в продакшен просто ради того, чтобы закрыть спринт. Скорость уравновешивается стабильностью системы. 😍 E-commerce и Монетизация Цель: Conversion Rate (Конверсия в покупку). Противовес: AOV (Средний чек) и Margin (Маржинальность). Почему это работает: Самый простой способ задрать конверсию — раздать огромные скидки. Продажи взлетят, конверсия будет зеленой, но бизнес сработает в минус. Парная метрика заставляет команду искать баланс между объемом продаж и прибылью. Нюансы и конец Многие думают, что проблема в самих метриках, но закон Гудхарта работает тупо на человеческой психологии. Мы идем по пути наименьшего сопротивления. Человек не будет себе осознанно усложнять жизнь, а раз так, то зачем заведомо ему ставить цели, которые захочется хакнуть? #продуктовыеметрики