Target Global инвестировал в испанский healthtech‑стартап Health Force. В раунде на €4,2 млн также участвовали LUMO Labs, при участии Step Venture, Next Tier Ventures и Calm/Storm. Health Force разрабатывает ИИ‑агентов, которые помогают сотрудникам больниц выполнять операционные задачи. Помощники логинятся в существующие больничные системы под собственными учетными данными и выполняют разные задачи, например, обработку страховых заявок и претензий, создание отчетности. В Италии Health Force уже обрабатывает более 200 тысяч пациентских случаев в год для таких компаний как Humanitas и Gruppo San Donato. Target Global в 2012 году основали Михаил Лобанов и Александр Фролов. Он инвестирует в стартапы из разных сфер экономики, которые готовы к масштабированию. Всего в свои фонды Target Global привлек около $3,2 млрд и вложился в более чем 40 компаний, среди которых Delivery Hero, Auto1, Dreamlines, Prosper, Juno, Lemoncat, Blackmoon, DocPlanner, WeFox и т.д. @rusven

Пример того, как ИИ облегчает нам жизнь. За неделю: сделали сайт, раздатку, наклейки, напечатали все🙈Для проекта с минимальным бюджетом (потому что сами спонсируем все). Надо понимать, что уровень дизайна не высокий, и у сайта, и у раздатки, за счёт того, что я не дизайнер. И не сопоставим с тем, если бы делал это крутой спец руками, но абсолютно приемлемо под нашу задачу: аккуратно, понятно, качественно. Еще и с учетом фирменного стиля. Плюс макеты сразу иишка мне подготовила в форматы для печати, соблюла все кодировки цвета и сделала вылеты под обрезку (САМА❗️). Кончено, это не заменит полноценную работу над сайтом, например, плюс ИИ работает на уровне того, кто пишет ей промты. И если ты стремный дизайнер (или не дизайнер), прям круто не сделать. Но разделите мою радость 🥲 Это же супер-скорость и приемлемый результат! +знаю крутую компанию по печати: быстро, недорого, общаются классно 👍

#Нейропрожарка «Лебединое озеро. Премьера, которой не поверили» Автор: Гульнара Динекаева @neural_goddess Короткометражный фильм для финала АртМастерс 2026, 6 мин 25 сек В центре истории — первая постановка «Лебединого озера» в Большом театре в 1877 году. Сегодня трудно представить, что этот балет когда-то встретили прохладно, без восторгов. За кулисами спорят о темпе, музыку Чайковского пытаются подстроить под привычные требования балетной сцены, а премьера не приносит ожидаемого признания. Никто из участников этого вечера ещё не знает, какое будущее ждёт произведение. Сценарий нам дали готовый. Я немного его доработала: добавила работника театра, который делится воспоминаниями. Через него хотелось показать внутреннюю жизнь театра и людей, оказавшихся свидетелями этой премьеры. Финальный переход в современный Большой связывает тот прохладный приём с признанием, которое пришло спустя время. По условиям конкурса на весь процесс, от ресерча до готового фильма, было 10 дней. Примерно два дня я потратила на исторический ресерч: изучала факты, искала визуальные материалы, смотрела документальные фильмы про Большой театр. Мне хотелось сделать всё максимально близко к истории. Образы исторических персонажей основаны на реальных фотографиях. Я старалась восстановить костюмы, интерьеры и облик Большого театра того времени, декорации на сцене, афиши и другие детали. Мне почему-то было особенно важно передать эту достоверность — на неё ушла заметная часть времени. Ещё одним обязательным условием было сделать video-to-video по заранее записанной сцене — перенести игру реального актёра на сгенерированного персонажа. У меня это речь старого гобоиста возле сцены. Для работы нам предоставили доступ к агрегатору TapNow и 50 000 токенов — примерно на 500 долларов. У меня ушло около 47 000 токенов. Внутри платформы ещё действовали акции и скидки: то на Seedance 2.5, то на Wan 3. Участникам разрешили перенести свои скиллы из LLM. Я забрала свои скиллы по режиссуре, составлению стилшотов и промптер для Seedance и добавила их в агента TapNow. Для экономии токенов работала с ними через Gemini Flash. Claude и ChatGPT очень быстро съедали токены, а промпты от китайских моделей, которые я пробовала, меня не очень устраивали. Как выглядело производство: Стилшоты — Seedream 5 и Nano Banana Pro/2. Генерация видео — Seedance 2/2.5, MiniMax и Wan 3. Сначала делала всё в Seedance, но по ходу работы поняла, что токенов на весь фильм не хватит, и перешла на MiniMax и Wan. Поэтому местами визуал немного отличается: смену моделей видно в итоговой картинке. Приходилось учитывать и результат генерации, и оставшийся лимит. Голоса — Seed Audio. ElevenLabs внутри агрегатора оказался с ограниченным функционалом, поэтому голоса с нуля создавала в Seed Audio. Его же использовала для клонирования голоса. Липсинк — Seedance, Wan и MiniMax, в зависимости от сцены. Саунд-дизайн — Seed Audio и ElevenLabs. Музыка — запись балета из открытых источников + местами нагенерилось в Seedance. Апскейл — Topaz. Монтаж — CapCut. Мой бэкграунд — графический дизайн на фрилансе, нейросетями занимаюсь два года. Среди соперников были сильные участники из кинопроизводства, с режиссёрским опытом и опытом съёмок клипов. В прошлом году я уже участвовала в АртМастерс с ИИ-клипом — тоже дошла до финала, но призового места не заняла. В этом году в тройку победителей не вошла, но за этот фильм получила приз зрительских симпатий. @cgevent

О, Anthropic расширили программу Claude Startups – теперь до $7K на Claude и до $45K на партнёрские тулзы Что внутри: – Год Claude Team бесплатно – до 5 Premium-мест (это $6K из тех самых $7K) – $1,000 на API сразу после одобрения – погонять идеи и первые эвалы – Claude Startup Stack – скидки и кредиты у партнёров «до $45K» (по прайсу, и не факт, что все офферы можно совместить) – Office hours с Applied AI командой Anthropic – Помощь с публикацией своего коннектора/плагина в Claude Marketplace – Founder House, хакатоны, митапы и рассылка для стартапов Кто может подать: компании, основанные за последние 5 лет или получившие инвестиции за последние 2 года. Порог мягкий – под него попадает почти любой живой стартап.. Короче, если вы строите на Claude – подаваться однозначно, бесплатный Team на год сам по себе окупает время на заявку. Ну и понятно, что это борьба за лояльность разработчиков: кто вырос на Claude, тот на нём и останется :) https://claude.com/resources/articles/were-expanding-the-claude-startups-program-to-help-founders-build

Disclaimer: в преддверии ожидания публикации от OpenAI новых решенных задач (которые не вошли в DevDay, как хотелось бы) делюсь обзором на понимание, зачем человечеству открытые задачи науки и как они улучшают нам жизнь. Зачем человечеству открытые задачи? Наука у меня обычно ассоциируется со знанием: законы, уравнения и теоремы с доказательствами. Но передовые открытия устроены наоборот, и главную часть составляют открытые задачи, то есть гипотезы, истинность которых пока не известна. Такие задачи показывают границы не только наших знаний, но и наших методов мышления. А вот попытка решить фундаментальную задачу часто оказывается важнее самого ответа. 1. Описание движения планет потребовало от Ньютона и Лейбница создать математический анализ, без которого не обходится современная инженерия. 2. Уравнения Максвелла предсказали электромагнитные волны и через несколько десятилетий дали нам радио. 3. Теория чисел столетиями считалась образцом бесполезной математики, а теперь на ней держится криптография. 4. Триста лет попыток доказать Великую теорему Ферма породили огромную инфраструктуру теории чисел и алгебраической геометрии, вершиной которой стало доказательство Уайлса. Поэтому вопрос о практической пользе нерешённой задачи поставлен неправильно, ведь мы заранее не знаем, какие инструменты придётся изобрести. Иногда задача показывает, что неверна сама исходная картина мира. Аномалию орбиты Меркурия не удалось исправить поправкой к механике Ньютона, для неё понадобилась общая теория относительности. Семь задач тысячелетия В 2000 году Clay Mathematics Institute назначил по миллиону долларов за семь задач, каждая из которых отмечает глубокий разрыв в понимании целой области. Гипотеза Римана связывает нули дзета-функции с распределением простых чисел. Вопрос P против NP спрашивает, всегда ли найти решение принципиально труднее, чем проверить готовое. Уравнения Навье-Стокса инженеры решают численно каждый день, но никто не доказал, что в трёх измерениях их гладкие решения не разрушаются за конечное время. Задача Янга-Миллса требует строго построить квантовую теорию, лежащую в основе Стандартной модели, и доказать существование массовой щели. Гипотеза Ходжа спрашивает, насколько топология алгебраического многообразия определяется его алгебраической структурой. Гипотеза Бёрча и Свиннертона-Дайера связывает аналитическую L-функцию эллиптической кривой с числом её рациональных точек. Решена пока только гипотеза Пуанкаре, которую Перельман доказал через поток Риччи, попутно развив целый аппарат геометрического анализа. Границы физики В физике нет официального списка, но её граница тоже видна хорошо. Общая теория относительности и квантовая механика по отдельности блестяще подтверждены, однако не совмещаются в единую теорию квантовой гравитации. Мы измеряем гравитацию тёмной материи, но не знаем её состава и не понимаем природу тёмной энергии, ускоряющей расширение Вселенной. Пока неизвестно, почему материи оказалось больше, чем антиматерии, откуда берётся масса нейтрино и почему параметры Стандартной модели именно такие. Турбулентность особенно показательна, потому что её уравнения нам известны, а понять их следствия мы до сих пор не можем. Новый участник науки До недавнего времени компьютеры считали и проверяли, а гипотезы и доказательства придумывал человек. В 2026 году эта граница сдвинулась, и важнее олимпиад здесь то, что ИИ начал работать над задачами, ответа на которые не знает никто. Claude поднял доказанную нижнюю границу доли нулей дзета-функции на критической прямой примерно с 41,6 до 67,2 процента, что вовсе не означает доказательство гипотезы Римана на две трети. Claude также построил полную формализацию доказательства Великой теоремы Ферма в Lean и вычислил девятипетлевую шестичастичную амплитуду в N=4 суперсимметричной теории Янга–Миллса, а Лэнс Диксон независимо проверил результат. Это не решение задачи о массовой щели, и новой физики Claude не изобрёл, он показал лишь, что вычислительный барьер ниже, чем считали специалисты.

Провайдеры режут лимиты и почему гнаться за дорогим тарифом нет смысла Если посмотреть на то, что сейчас происходит у мейджоров, тренд очевиден: эпоха доступных моделей про-тира заканчивается. Дело даже не в появлении тарифов по $100 или $200 - они на рынке уже приличное время. Прикол в том, что резать доступ начали прямо внутри них: OpenAI уже урезает лимиты даже на своем топовом 200-долларовом плане. Модели методично выдавливают на ярус выше: Google убирает бесплатный доступ к нормальному Flash, оставляя на фри-тире только Flash-Lite, а полноценный Pro уже в этом месяце становится эксклюзивом Ultra-подписки и уходит из обычного Pro. И подобные сдвиги сейчас происходят абсолютно у всех. Причины понятны: дефицит полупроводников, безумная себестоимость рассуждающих сеток и жесткое требование инвесторов к окупаемости инфраструктуры. Но на фоне этих сдвигов интереснее другое: как на это реагируют пользователи. Большинство по инерции продолжает цепляться за топовые тиры, искренне полагая, что их повседневные задачи требуют только флагманских мощностей. "Я же пишу важную стратегию", "у меня сложный аналитический отчет", "мне нужно составить глубокое ТЗ" - люди систематически переоценивают сложность собственной рутины. Кажется, что если задача ответственная, то легкая модель ее непременно завалит. В реальности почти весь этот объем спокойно переваривается моделями дешевого и быстрого сегмента. Причем легкая модель часто справляется лучше не вопреки, а благодаря своей простоте. Мой рабочий процесс давно завязан на быстрых сетках, и в логике постоянного контроля со стороны человека это дает огромное преимущество: - Быстрая модель отдает драфт мгновенно. Ты корректируешь вводные, направляешь ее контекстом и за пару коротких итераций получаешь готовый рабочий документ. - Тяжелая модель уходит в затяжные размышления, методично сжигает лимит запросов, а результат на выходе все равно требует точно такой же ручной доработки. Флагманы действительно незаменимы там, где у вас нет собственной экспертизы либо вы делаете действительно сложный ресерч. Под сложным я имею ввиду не просто продуктовое интервью и поиск в интернете, а реально сложное. Использование дорогого reasoning-тира для текстов, и базовых кастдевов - оверкил. Дальше гайки будут закручивать еще сильнее: лимиты на Pro продолжат падать, а стоимость доступа - расти. Рынок буквально принуждает учиться работать с легковесными моделями. И ключевой навык сегодня - не способность оплачивать самый жирный тариф, а умение выстроить процесс так, чтобы условный Flash или Haiku выдавал результат уровня тяжелой сетки. Четкая декомпозиция, правильная подача контекста и пошаговое ведение задачи значат куда больше, чем статус модели в бенчмарках. Если посчитать годовую экономику, расклад простой: - Держать тяжелый тариф на постоянке - это около $1200 в год. - Сидеть на базовом уровне - в районе $200. Разница - целая тысяча долларов. Вместо того чтобы отдавать ее провайдерам за иллюзию того, что дорогая модель сделает работу за вас, куда разумнее инвестировать эту сумму в себя. Например, взять качественное обучение по системной работе с ИИ, разобраться в архитектуре промптинга и автоматизациях. Потому что специалист, умеющий грамотно дирижировать легкими моделями, в реальной работе всегда будет быстрее и продуктивнее того, кто просто сжигает дорогие лимиты. Такой подход - это не адопшн, с прижигание бюджета, будь это личные или корпоративные расходы