#Нейропрожарка THE MYSTERIOUS ISLAND — тизер по «Таинственному острову» Жюля Верна Автор: Janky Mess «Таинственный остров» — моя любимая книга детства. Пятеро беглецов на воздушном шаре, остров без карты, кто-то невидимый, кто не даёт им погибнуть. Нормального фильма по ней так и не сняли, вот и собрал тизер сам — таким, каким этот мир всегда жил у меня в голове. Инструменты: — Nano Banana — генерация кадров (стиллы персонажей и сцен) — Seedance — оживление кадров в видео (через Higgsfield) — Higgsfield — площадка, где всё генерил. Годовая подписка, 6000 кредитов в месяц, на тизер сжёг около 70% — Topaz Video AI — апскейл до 4K (модель Proteus) — DaVinci Resolve — монтаж, цвет, грейд, зерно — Suno — музыка Времени ушло 4 дня. @cgevent

📊 Тренды Компании часто реагируют на тренды слишком поздно — на их пике, что рискованно и дорого. Например, Nestle купила бренд Jenny Craig за $600 млн в 2006 году, когда мода на диеты с низким содержанием жиров уже проходила, и позже продала его с убытком. Другая ошибка — обсуждать тренды абстрактно, без анализа их влияния на клиентов, конкурентов и поставщиков. Иногда тренды превращаются в «псевдотесты» для самоуверенных руководителей, как в случае неудачного слияния Time Warner и AOL. Эффективнее искать тренды через практические инструменты. Так, PepsiCo устроила конкурс «Do Us a Flavor» для Lay’s, чтобы определить востребованные вкусы — просто, недорого и полезно для бизнеса. Фаундер | Бизнес и Стартапы

🐡 Еще одна интересная работа от Sakana AI, они представила работу Learning Multi-Agent Coordination via Sheaf-ADMM, которая будет показана на ICML 2026. Авторы рассматривают интеллект как распределённую систему: сложная задача делится на пересекающиеся фрагменты, а каждый агент работает только со своей частью. Затем агенты согласуют решения с соседями на границах, где их области пересекаются. В Sheaf-ADMM координация строится в несколько раундов. Сначала агент предлагает локальное решение. Потом он сверяется с соседями и сглаживает конфликтующие части. Если согласия нет, конфликт сохраняется в памяти и влияет на следующий раунд переговоров. Подход проверили на задачах, где одному агенту не хватает всей информации. В Multi-Agent Sudoku каждый агент видел только строку, столбец или блок 3×3. Sheaf-ADMM решил 93% задач, тогда как сопоставимый message-passing baseline набрал 11%. В image classification при domain shift по размеру canvas обычная CNN падала до 11% accuracy на MNIST, а метод Sakana AI сохранял 86%. В maze pathfinding Sheaf-ADMM достиг точности message-passing baseline, но использовал 5-мерный канал коммуникации вместо 42-мерного. Координация агентов полностью прозрачная. Можно видеть, как локальные агенты спорят, корректируют решения и приходят к общему результату, вместо того чтобы прятать всё в hidden states. Метод опирается на ADMM из distributed optimization и sheaves из applied topology. Метод помогает нескольким агентам решать одну сложную задачу по частям, договариваться на пересечениях и собирать итоговое решение без постоянного обмена всей информацией. Paper: https://arxiv.org/abs/2605.31005 Code: https://github.com/SakanaAI/sheaf-admm Blog: https://pub.sakana.ai/sheaf-admm/ @ai_machinelearning_big_data #ai #ml #sakana

Сколько заработал Стэнфорд на венчуре? У Стэнфорда есть инвестиционный фонд размером больше $40 млрд – эндаумент. Он собран в основном из пожертвований бывших студентов, его задача – растить капитал и тратить прибыль на университет. Студенты, которые бесплатно поступают в Стэнфорд, учатся за счет эндаумента. Согласно официальному отчету, в 2025 фонд перечислил Стэнфорду $1.9 млрд – на стипендии, исследования и зарплаты преподавателей. Давайте разберемся, на чем фонд зарабатывает. Стэнфорд редко заходит в сделки напрямую, зато много инвестирует в фонды: по сути, структура эндаумента работает по принципу фонда фондов. За все время существования самую большую отдачу дал один класс активов: venture capital и growth equity. Эти вложения принесли университету $10.9 млрд прибыли при доходности 20.4% в год (по этому классу активов). Это очень классный высокий показатель. Вот примеры успешных инвестиций: • Airbnb – инвестировали в 2009 на seed-раунде. IPO в декабре 2020 при оценке $40.6 млрд. Принес Стэнфорду $700M+ • DoorDash – основан четырьмя студентами Стэнфорда в 2013, пока они еще учились. IPO в декабре 2020 при оценке $32.4 млрд. Принес Стэнфорду ~$200M Так почему институция, которая обязана быть консервативной, держит больше трети капитала (38%) в самом рискованном классе активов? Ответ: на горизонте в десятилетия именно рискованная часть портфеля отвечает за рост, который невозможно получить на публичных рынках. Недавно объяснял, что венчур не должен быть единственной составляющей вашего портфеля. У Стэнфорда есть облигации, акции, недвижимость, хедж-фонды, которые в совокупности отвечают за стабильность. А инвестиции в венчур – за асимметричный рост. Благодаря этому классу активов и получается уже больше 35 лет держать стабильно высокий уровень доходности. Рекомендую изучить описание структуры портфеля. Даже если вы только начинаете путь инвестора, важна насмотренность в том как мыслят огромные фонды, особенно такие успешные.

Увидел новый опенсурс проект, который решает для агентов проблему подключений внешних сервисов через MCP и API Например вам нужно поработать с Notion через агента, и он начитает искать, есть ли у сервиса MCP, какой API, как авторизоваться. Так вот integrations.sh собирает в себе кучу сайтов и разные способы подключения к ним: 1/ MCP 2/ API и их спецификации 3/ GraphQL ендпоинты 4/ CLI утилиты 5/ Auth инструкции Всего в каталоге около 6000 интеграций У них есть свой MCP:

mcp add --transport http integrations https://integrations.sh/mcp

Или по API:

curl https://integrations.sh/api/[ДОМЕН]/detect

В итоге меньше слитых токенов, агент сразу знает как подцепиться к нужному сервису. @tips_ai #tools

Thinking Machines Миры Мурати превратила закрытую экспертную оценку Bridgewater в обучаемый навык и обошла frontier-модели, снизив число ошибок на 29.8%. В ии подавали финансовые статьи, отчёты, документы центробанков, письма. ИИ должен был определить что аналитик должен прочитать первым. Для LLM это оказалось тяжёлой задачей. При обычных промптах модели держались на уровне 46–50% accuracy, почти как угадывание. Экспертные промпты поднимали качество до 74–78%, но лучший результат дала разметка от опытных инвесторов Bridgewater. Неэкспертные метки провалились: здесь важны рыночный контекст, приоритеты и профессиональное чутьё. Один заголовок про тарифы может быть сильным сигналом, другой громкий геополитический инфоповод останется шумом. Bridgewater чистила датасет через спорные рейсы. Если модель расходилась с разметкой, пример возвращали экспертам на повторную проверку. Так в обучение попали паттерны принятия решений, которые эксперты видят интуитивно, но редко могут описать полноценной инструкцией. В обучении использовали три приёма. Во-первых, смешивали разные типы задач, чтобы модель училась применять экспертную оценку в похожих сценариях, а не запоминала один узкий шаблон. Во-вторых, аккуратно ограничивали обновления при обучении. Это снижало риск, что модель зацепится за случайные признаки в данных и начнёт уверенно ошибаться. В-третьих, модель дообучали на ответах более сильных версий. Так лучшие checkpoints постепенно становились учителями для следующих итераций. Результат: на 29.8% меньше ошибок, чем у лучшей frontier-модели, и в 13.8 раза ниже inference cost. Заметное преимущество, благодаря качеству экспертных решений. Такой датасет конкурент не скачает с Hugging Face. https://thinkingmachines.ai/news/learning-to-replicate-expert-judgment-in-financial-tasks/

Apple приостановила разработку AirPods Pro с камерами По данным инсайдера Kosutami, новая модель AirPods Pro с инфракрасными камерами могла быть отложена на неопределённый срок. Инсайдер не предоставил какую-то конкретную информацию. Однако ранее отмечалось, что Apple может отложить запуск, если не будет удовлетворена качеством новых ИИ-функций. Предполагается, что инфракрасные камеры должны использоваться для некоторых функций Apple Intelligence, а также для считывания движения рук и настройки звучания под условия окружающей среды. Релиз новых AirPods Pro должен был состояться в начале этого года. Сначала Apple отложила запуск из-за задержки обновлённой Siri, но теперь релиз может не состояться вовсе.

LLM-менеджеры Есть такие менеджеры, которые всегда знают, как нужно делать. Я их называю LLM-менеджеры. Чем отличается он отличается от обычного менеджера? LLM-менеджер может бесконечно рассказывать про то, как важно построить воронки, собрать фокус-группу, сегментировать клиентов, провести интервью, как важно (выберите подходящее) растить ретеншен, выручку, ценность, аудиторию, вовлеченность. В отличие от Claude или ChatGPT, такие менеджеры не смогут ответить на вопрос, что конкретно можно попробовать для решения проблемы. Зато LLM-менеджер намного лучше любой нейронки объяснит, почему важно принять правильное решение. Обычный менеджер может сказать, что не знает ответа на вопрос, когда не знает ответа на вопрос. Он может рассказать, как при помощи Claude Code упростил себе работу с данными, какую логику использовать при принятии решения, почему эта гипотеза сработала, а другая нет. Будьте обычными.

🤖 Google хочет, чтобы телефон работал за вас Вышло большое интервью с главой команды Android Самиром Саматом, и главная мысль там любопытная. Последние сорок лет мы, по сути, работаем нянькой при своих устройствах: есть цель, а дальше сам разбей её на десяток шагов и вручную “протыкай” каждый. Так было с командной строкой, потом с иконками и меню. Google хочет это сломать и превратить операционную систему в «интеллектуальную»: ты называешь цель, а телефон сам соображает, как её достичь. Сердце их идеи — функция App Automation. Голосом говоришь Gemini, что нужно, и он сам начинает тапать по экрану: смотрит на интерфейс глазами, как человек, и жмёт нужные кнопки. Всё крутится в изолированном окне, которое можно свернуть, а выйти за его пределы агент не вправе. В демо он собрал корзину продуктов для барбекю, сам смекнув, что булок для хот-догов нужно больше, чем сосисок. Но перед оплатой тормозит — кнопку «купить» жмёте вы. Плюсом есть и другие функции, которые работают на эту идею. Rambler даёт наговорить мысль как попало и выжимает из потока ровно то, что вы правда хотели сказать. А Superfill работает с документами: с вашего разрешения вытащит номер паспорта или машины прямо из Google-аккаунта и сам подставит в поле. Агенты будут крутить задачи в фоне и отчитываться в отдельном уголке статус-бара, который назвали Android Halo, а интерфейс сместится от кликов к намерениям. Самир утверждает, что прямо сейчас телефон из инструмента превращается в исполнителя. Как вам такое будущее? @droidergram

Диагноз в книге сильный, но решение вызывает много вопросов. Рис не прячет провалы, у него целый каталог, и он честно оговаривается, что это лишь верхушка айсберга. Только все смерти там про компании, которые погибли без mission-lock, от захвата и коррупции. Это доказывает, что защиты им не хватало, но ничего не говорит о том, работает ли защита, когда она есть. Компаний, которые mission-lock как раз поставили и всё равно умерли из-за него — не подняли денег, не смогли перестроиться, застряли в отжившей миссии, — в книге не найти. Свою же защиту на прочность Рис не проверяет ни разу. С доказательствами превосходства примерно та же история: он обещает «overwhelming evidence» и кейсы, которые всё докажут, а на следующей странице пишет «however» и оговаривается, что миссийные компании выигрывают не всегда. Сами кейсы — Costco, Patagonia, Vanguard, Bosch, Zeiss, все до одного выжившие. Кто разорился из-за самой конструкции, в выборку не попал. Сама защита у Риса устроена умнее, чем кажется на первый взгляд: глава про governance называется «Конституционное управление», а структуру Patagonia он описывает как несколько ролей, которые держат друг друга в узде: попечители траста, протектор, борд, директора фонда. Проблема в том, что подбирали их всех по одному признаку, преданности миссии («члены семьи и давние советники с доказанной лояльностью»), так что контролируют друг друга по сути свои же. Настоящие сдержки и противовесы держатся на том, что у ветвей разные интересы и разный источник власти: парламент не выбирается президентом, а суд не подчиняется парламенту. У Риса же и страж миссии, и тот, кто должен его сторожить, растут из одного корня и смотрят в одну сторону. Если страж со временем поедет крышей или потихоньку сдрейфует, а протектор из той же обоймы этого не заметит, поправить его будет некому. «Миссия обладает высшей властью» звучит красиво, но толкует эту миссию всё тот же узкий круг людей, и реальная власть, конечно, у них. И ведь Рис это по сути признаёт сам: в эпилоге он пишет, что любой инструмент из книги обратим, а всеми этими структурами можно и «отмыть собственную коррупцию». То есть «Incorruptible» — обещание на обложке, от которого автор на последних страницах аккуратно отступает. На упрёк в негибкости Рис тоже отвечает: структура, мол, «не смирительная рубашка», формулировку цели можно править когда угодно, подстраивая её под меняющийся рынок. Но этим он и подрубает сук: если цель правится когда угодно, то какой же это замок и где обещанное «захватить невозможно». А кто проводит грань между «уточнить формулировку» и «сменить миссию», решают опять же те самые попечители. И берёт он только удобный случай — когда миссия по-прежнему верна, а меняется лишь то, как её произносят вслух. Неудобный обходит стороной: рынок разворачивается так, что сама миссия начинает компанию убивать, и спастись можно, только отказавшись от неё. Вот тут mission-lock и запирает намертво, ведь «пересматривать, но не бросать» прямо отрезает единственный ход, который спас бы бизнес. Чем жёстче заперта миссия, тем труднее развернуться, когда она устарела, — и этот размен Рис не проговаривает. По мне, самое ценное в книге — это диагноз, и он никуда не девается от всей критики выше. «Финансовая гравитация» удачно переводит разговор о том, почему хорошие компании портятся, с морали отдельных людей на устройство самой системы, и governance Рис теребит вовремя, ведь большинство фаундеров правда сваливают его на юристов и потом на этом горят. А дальше книга оверселлит. Доказательства: одни выжившие, стража стерегут свои же, замок плохо гнётся, когда мир вокруг меняется, да и весь рецепт заточен под тех, кому внешние деньги не очень-то и нужны — та же Patagonia это ход миллиардера, для которого рост прибыли уже не так экзестенциален, а $17,5 млн налога на всю конверсию просто мелочь. Значит ли это, что рецепт и фреймворк в книге нерабочий? Вряд ли, но и не серебрянная пуля, а, скорее, стредство, требующее осознанного размена.