GPT 5.6 Sol Ultra - ну, за трехмещегов! Открываем новый chatGPT, берем Sol Ultra и пишем: "Попробуй построить городской пейзаж, сочетающий архитектуру эпохи Эдо, киберпанк и псевдозападную архитектуру. Пусть в городе будут как одноэтажные здания, так и высотные небоскрёбы. Удели внимание даже мелким деталям, например торговым автоматам. Времени можно потратить сколько угодно. Создайте командой городской пейзаж максимально высокого качества. Перед началом моделирования найдите в интернете чертежи и информацию об устройстве синтоистских храмов и современных зданий, а также изучите способы их строительства и подходящие текстуры. Не беспокойтесь о расходе кредитов - главное создать городской пейзаж высочайшего уровня. На объектах должны быть заметны следы старения и повреждения, а вся сцена должна быть выдержана в единой цветовой тональности. Нужен максимально реалистичный и готовый к немедленному использованию городской набор. Не создавайте всё сразу одним блоком - делайте каждый ассет отдельно, один за другим. Пожалуйста, создайте работу мирового уровня, как профессиональный 3D-художник." Уходите на три часа. chatGPT + MCP пишет код на Python для Blender, самостоятельно делает снимки в Blender, проверяет результат и продолжает работу. Если написать "generate the texture with image generation too" будет дольше, но тоже работает. Возвращаетесь и видите: «Работал 2 часа 51 минуту.» «Я закончил. В открытом сейчас Blender уже загружена финальная версия мастер-сцены города.» Ну ладно, давайте пока за архвиз. С персонажкой надо еще разобраться. Сорс - там про токены есть скрины. @cgevent

Вчера был мой звездный час в Zalando. Я не испытывал такого счастья последние 2-3 года. Меня похвалил CTO! Самый главный главный чел в Tech, который пришёл из Amazon. Он прям на встрече (Steering Committee) повернулся ко мне, пожал руку и сказал при всех директорах и вице-президентах, что… Абсолютно в восторге от моего стиля ведения программы, лидершип, оунершим, глубина погружения в вопросы, четкость и ясность мыслей и хотел бы, чтобы все Program и Project managers делали также. Для меня это был момент наивысшего счастья, но что происходило до этого, пару лет назад… ух ребята, лучше вам этого не знать… или знать? Ну давайте расскажу, пятница же) Для тех, кто не знает - я работаю в Zalando. Оборот 15 ярдов евро. Крупнейший Fashion E-com в Европе. В 2024-ом году я вёл один большой проект по Data. Я начал его в феврале и завершил в январе 2025 года. Проект был образцовым, идеальным, я показал лучший тайминг execution, просто 9 из 10. Параллельно мне вручили другой проект по возвратам, где была достаточно сильная команда, я больше его координировал, команда просрочила сроки, потом сменился продакт и я оказался в январе 2025 года на встрече со Спонсором проекта, который разнёс меня в щепки. Он эскалировал на нашего директора, что Лепёшкин хуёвый Проджект и дал мне плохой фидбек. Так идеальный проект и образцовая репутация разбилась об один фидбек Вице-президента. Я ушёл на саббатикал в апреле в полном шоке и разочаровании. Вернулся в июле 2025го и мне дают группу проектов по Social media и Inspiration. Я запускал в Zalando Feed, Boards, Profiles, Video, понимание контента и алгоритмов. Было до 10 проектов в параллель, справлялся, всё было ок и в один день меня снимают со всех! И говорят тебе назначение новую программу. Апрель 2026. Новое назначение - это приоритетный проект на уровне Zalando, который находится в RED статусе, где 130 команд, hard deadline, в целом полная жопа. Гигантская техническая миграция, которая затрагивает всю компанию. Тогда у меня состоялся разговор с моим боссом из Индии. Вот в чём была суть… Я говорю - слушай, ну зачем вы дали мне этот проект, это же просто расстрел, мне жить на нём. К тому же ты знаешь, что у меня свой бизнес параллельно, я не могу оставаться вечерами, я просто не успею. Тогда он мне рассказывает про одного индийского актёра, чей девиз - быть во всём лучшим. Я подумал - ну а правда, почему я не могу и бизнес хорошо делать и быть лучшим в своём деле в компании. Я убрал убеждения и начал фигачать. А, ещё важный момент - я попросился в менторинг к тому VP, который дал мне негативный фидбек, встретился с ним, понял почему он дал такую оценку. Когда начал работать над новым проектом, всё это учёл и исправил. С апреля по конец июня я фигачил. Жил на этом проект (точнее программе) и вытаскивал её из Ж. Вчера была судьбоносная встреча, где я лидировал группу из 30+ хедов и директоров, готовил с нуля документ и в целом отвечал за большую программу стоимостью в миллионы евро. Саша красавчик. Всё получилось, не без проблем, не без эскалаций. Но я получилось желаемое признание, репутацию иииии ещё один новый АХУЕННЕЙШИЙ AI проект! Конечно NDA. Я очень надеюсь, что это откроет мне возможность получить новые навыки и перестроиться под новую технологическую революцию, закрепив стабильную роль в компании и развивая необходимые навыки в будущем. Так что вот такие события происходили со мной последние месяцы, поэтому я совсем мало писал про карьеру и LinkedIn. Работал)) А уже на следующей неделе я расскажу, что произойдёт с PUMP и будем ли мы дальше делать наши буткемпы. Так что stay tuned. А пока расскажите в комментариях про свои достижения последних месяцев. Чем вы особенно гордитесь? Мне правда будет очень интересно почитать.

В подготовке к презентации книги Раймона Рюйера «Кибернетика и происхождение информации» (1954) я выявил ряд интересных для себя наблюдений. Во-первых, Рюйер критикует механистическое понимание информации англо-американского кибернетического мейнстрима (Винер, Шеннон). Главный вопрос, который Рюйер ставит перед кибернетиками таков: откуда берется новая информация? В классической теории информации Шеннона информация математически тождественна отрицательной энтропии и привязана к вероятности выбора сигнала. Рюйер утверждает, что здесь происходит подмена понятий: кибернетика описывает лишь циркуляцию и обработку знаков, но игнорирует само происхождение смысла (sens).Техническое устройство лишь транслирует физический сигнал, но не понимает его. Смысл возникает только там, где есть сознающий субъект (т.н. информер). Кибернетические машины кажутся живыми и автономными только потому, что человек изначально «капитализировал» в них собственные ментальные схемы, антропоморфизировал. Сама по себе машина — это, по выражению Рюйера, «организм без головы», осуществляющий слепой процессинг. Чтобы объяснить, чем живое сознание и органический морфогенез отличаются от работы вычислительного автомата, Рюйер вводит понятие абсолютного обзора. Любая техническая система развернута в обычном физическом пространстве. Чтобы одна ее часть «узнала» о состоянии другой, сигналу нужно пройти из точки А в точку Б во времени и пространстве. Живая форма (или ментальное «Я») обладает свойством мгновенного самообладания. Сознание схватывает себя целиком без внешнего наблюдателя и без перемещения сигнала по внутренним инстанциям. Это не-пространственное, смысловое поле, где форма обладает «абсолютным обзором» над самой собой. Истинная форма (Forme vraie) по Рюйеру — это активное единство, которое конструирует само себя изнутри (как эмбрион в процессе морфогенеза), в то время как машина — это всегда механический агрегат наружных элементов (сумма частей). Рюйер возвращает понятию информации его этимологический корень — in-formatio (т.е. придание формы). Информация как не статистическая мера хаоса, а как активная, психобиологическая сила, управляющая развитием живой материи. В биологических системах это проявляется через эквипотенциальность (способность эмбриональных клеток перестраиваться и развивать целый орган вопреки повреждениям). Машина на такое не способна, говорит Рюйер: повреждение транзистора или строки кода ломает весь алгоритм, так как у нее нет идеального контура «истинной формы», которая могла бы перезапустить сборку изнутри. Во-вторых, насколько я понял, Делёз и Гваттари в «Что такое философия?» заимствуют концепт survol, чтобы описать авто-конституирование философского концепта на плоскости имманентности. Но интересно, что многие пишут о связи Рюйера и Симондона, хотя Симондон детально разбирает американцев (тех же Винера и Шеннона), ссылается на квантовую физику и биологию своего времени, Аристотеля, Платона, физиков, биологов, гештальт-психологов, математиков, но своих прямых французских конкурентов по дебатам о кибернетике часто оставляет за скобками, ведя с ними невидимый спор. Современные исследователи часто рассматривают философию Симондона в сопоставлении с философией Рюйера и говорят об их концептуальной близости. Однако прямые ссылки Симондона на Рюйера, если они вообще существуют, чрезвычайно редки и, по всей видимости, отсутствуют в его основных опубликованных трудах (например в Individuation in Light of Notions of Form and Information). Поиск по библиографии Симондона (как вручную, так и с помощью ллм, которые сперва нагаллюцинировали ссылки на Рюйера) не дал результатов о наличии прямого цитирования.Так что я полагаю, что этот «диалог» может быть концептуальным, а не текстуально выраженным в виде цитат. О связи Симондона и Рюйера можно почитаь, например, специальный выпуск Deleuze Studies Ontologies of Difference: The Philosophies of Gilbert Simondon and Raymond Ruyer (2017).

📉 Серебряный исход За первое полугодие инвесторы вывели рекордные объемы средств из биржевых фондов (ETF) на серебро. Эксперты говорят, что масштабные оттоки нередко происходили вблизи завершения крупных распродаж и последующего разворота рынка. Тем временем Market Power уже давно предупреждал о возможно перегреве рынка. Если вы забыли — освежить память можно по ссылке.

🚀 Чего ждать дальше? Высокие оттоки из ETF сами по себе еще не означают, что рынок готов развернуться. Ранее в серебре действительно были сильные притоки спекулятивного капитала, а затем, после снижения цен, инвесторы начали фиксировать убытки и выходить из фондов. Если цены на серебро останутся под давлением, отток средств может продолжиться. Со временем, по мере стабилизации рынка, потоки в ETF, вероятно, вернутся к более нейтральным значениям. Поэтому рекордные оттоки пока не стоит воспринимать как однозначный сигнал к скорому росту цен.

📍 Подписаться на канал | Мы в MAX

Кого вы на самом деле дрессируете своими KPI Неважно где и независимо с кем ты будешь работать — рано или поздно в воздухе обязательно возникнет задача: надо поставить команде или командам царь-KPI, по которым их будут потом гонять. Часто ещё, чтобы солиднее звучало, можно назвать это Northstar-метрикой (даже если по продуктовому смыслу она ею и не является). И тут часто есть неочевидная ловушка: любая такая метрика — всегда одна из. Одна из десятка, которые вместе и описывают, как команда работает, но стоит повесить её на стену и сказать команде «вот по этому мы вас и меряем» — как всё остальное тут же уходит на задний план, что логично, ведь мотивация завязана именно на неё. Но цимес в том, что бизнесу эта метрика не всегда приносит пользу. Когда метрика перестаёт быть индикатором или термометром и становится самоцелью, её, понятное дело, начинают стимулировать любой ценой. И вредительства со стороны команды тут никакого нет, если что, — просто так была поставлена задача. И вот так вы быстро оказываетесь в ситуации, когда метрики вроде все зелёные, а финрезультат чего-то не бьёт ключом, а чаще ещё и убыток ловите. И тут сразу всплывает другой вопрос: кто виноват? Ответ — подход к целям. С лёгкостью фокусника, даже вспоминать долго не пришлось, достаю из ментального "загашника":

«Нам нужен дешёвый трафик» → лови дешёвый трафик, но либо нецелевых клиентов, либо с хреновым чеком.

«Нужна ниже стоимость привлечения» → дропаешь цену на товар и убиваешь маржинальность, зато конверсия растёт и стоимость падает. Либо ведёшь на самые дешёвые товары и показываешь номинально хороший результат. Разбираться всё равно не тебе, ты продал.

«Дайте больше лидов» (клэссик стори)→ маркетинг режет форму до одного телефона и нагоняет вагон заявок, план перевыполнен, а продажи потом неделю разгребают этот шлак, из которого в сделку не конвертится почти ничего, — и звучит справедливое «Лиды у вас дерьмовые».

«Нужен NPS повыше» → менеджеры начинают выпрашивать десятки («поставьте 10, пожалуйста, мне за это премия капает»), цифра ползёт вверх, а что у клиента в голове на самом деле — уже хрен поймёшь.

Причём заметьте: люди в этих историях не злодеи и не дураки — они просто делают то, чего от них ждут. Любой KPI — это ведь рельсы: что поощряешь, то и получаешь. А поощряешь ты, если присмотреться, просто цифру, а не тот смысл, который за ней должен стоять. И всё это называется законом Гудхарта, который и придумал-то не он. Сам Гудхарт в 1975-м писал довольно нудную работу про денежную политику британского центробанка, а хлёсткую формулировку — «когда мера становится целью, она перестаёт быть хорошей мерой» — спустя двадцать лет выдала антрополог Мэрилин Стратерн. Но народная любовь досталась Гудхарту, так и живём. Хотя баек на эту тему хватает. Одна из классических: британцы задолбались от кобр в Индии и назначили награду за каждую убитую — а местные быстро смекнули, что кобр выгоднее разводить, чем ловить. Когда программу прикрыли, разведённых змей просто выпустили, и кобр стало больше, чем до всей затеи. Метрика «сдано мёртвых кобр» — выполнена на ура. Из современного и уже нашего с вами: соцсети годами оптимизировали время в приложении — и получили ровно его: залипание, кликбейт и дофаминовую иглу, на которой мы теперь всей планетой сидим. А стартапы носятся с vanity-метриками — скачивания, регистрации, подписчики. В презентации для инвестора это, может, и смотрится бодро, но на вопрос «а заработает ли эта штука хоть рубль» не отвечает никак. При этом сами метрики я люблю и топить против них не собираюсь — без цифр ты в бизнесе просто слепой. Но привычку с годами выработал такую: как только вижу, что какая-то метрика стала «главной» и её начали качать любой ценой — иду смотреть, что творится с соседними. Потому что за благой целью почти всегда тянется неприятная побочка. Да и пост этот я пишу под впечатлением: квартал закрыли отличный, но пару целевых метрик подобрали второпях — вот и отстрелило там, где не ждали. Какую цифру вы натягивали, чтобы она выглядела здоровой? Константин Сухачев

Measuring the Impact of Personalized Recommendations Netflix предлагает раскладывать эффект рекомендаций на три части: • Exposure - тайтл посмотрели, потому что его вообще показали. • Selection - его показали тем, кто и без рекомендации был склонен посмотреть. • Targeting - показ изменил решение именно этого пользователя. Наблюдаемый просмотр смешивает все три эффекта. Поэтому высокий CTR рекомендации ещё ничего не говорит о её причинной ценности - система могла просто хорошо предсказать уже существующий спрос У Netflix чистый targeting почти в семь раз сильнее exposure. То есть основная ценность современного рекомендатора - не в том, чтобы найти релевантный контент, а в том, чтобы найти пользователя, чьё решение рекомендация действительно изменит, а не просто предсказать его выбор И сильнее всего это работает не на хитах и не на совсем нишевых тайтлах, а в середине каталога - там, где спрос существует, но без персонализации не реализуется. https://netflixtechblog.medium.com/measuring-the-impact-of-personalized-recommendations-4c26be3a4d96

Малышева вздрогнула, когда узнала… Проблема такая: вы отравились пирожком из Пятерки, но ради отравления к врачу не пойдёте — зато будете гуглить, как лечиться. Всё закончится тем, что в аптеке вам продадут волшебный мульти-комплекс «Говно-Плюс», и лучше вам от него не станет. Чтобы узнать, как лечиться, придется найти официальные клинические рекомендации, потом по каждому лекарству прочитать РКИ, убедиться, что они опубликованы в нормальном издании, посмотреть рецензии, бла-бла-бла. Естественно, вы никогда не будете этим заниматься. А можно написать в Клод: «разбери мне препарат Х, найди актуальные РКИ за последние 5 лет, скажи есть ли доказательная база, не учитывай маркетинговые материалы». Клодик за вас почитает Cochrane, пороется в PubMed, вытащит клинические рекомендации. Через 15 минут отчет: «доказательная база отсутствует, зарегистрирован как БАД в РФ, EMA и FDA не одобряли, единственное РКИ проведено производителем в 2011 году на 60 пациентах, вот ссылки». Использую по любому чиху: 1) Стоит ли вообще пить/колоть/мазать препарат X 2) Что реально работает при N симптомах - только официальные протоколы и клин. рекомендации 3) Сравнить два препарата, которые прописали «на выбор» 4) Разобрать анализы 5) Найти действенные процедуры — для косметологии самое то. Я благодаря Клоду узнала, какой лазер убирает пигментные пятна с лица за 2 процедуры. Важно: все это мы делаем в режим /deep search. Тогда Клод будет спорить сам с собой — выдвигает тезис, потом идёт искать, что этот тезис опровергает, находит контр-исследование, сопоставляет и только после этого выдаёт вывод.

🧑‍⚖️ AI-галлюцинации в судебных делах — статистика год спустя Про Дамьена Шарлотина я вам рассказывал чуть больше года назад. Он собирает случаи с AI-косяками в судебных делах разных стран. И тогда я удивлялся, что подобных кейсов больше сотни. Это казалось много. Спустя год коллекция Шарлотина выросла в 12(!) раз. Что значит AI-галлюцинация в суде? Например, AI добавляет в документы несуществующие цитаты или ссылается на дела, которых вообще никогда не было. И вот Шарлотин ищет такие кейсы и собирает у себя на сайте. Голубая линия на графике — это суммарное количество случаев с зафиксированными AI-галлюцинациями. В июне 2025, когда я писал первый пост, их было 138. По итогам второго квартала 2026-го, таких кейсов было уже 1720. Рост в 12 раз. Фиолетовая линия на графике — число кейсов по кварталам. И там есть любопытная тенденция. Количество выявленных AI-галлюцинаций стало уменьшаться. Правда, только в последнем квартале. Почему так может быть? Например, стали меньше использовать AI, что вряд ли. Или судьи стали пропускать галлюцинации, что тоже так себе объяснение. Вероятнее всего, AI прокачался или участники стали лучше проверять материалы. Или просто еще не все решения, принятые в том квартале, опубликованы. Кстати, по статистике Шарлотина, сильно чаще AI-галлюцинации встречаются в делах, где люди представляют сами себя — не привлекают юристов. Соотношение сейчас — 71,4% против 21,4%. В кейсах, где известно, каким конкретно AI пользовались, больше всего косяков у ChatGPT (115). Но, вероятно, это просто объясняется популярностью ChatGPT. У остальных инструментов примерно поровну — по 10-15 кейсов. @TheEdinorogBlog — тот самый канал про стартапы🦄