В последнее время у меня стойкое ощущение, что работа в найме сломалась. Когда я только начинала карьеру в tech, вокруг меня было много идейных, заряженных людей, которым было в кайф работать. И не с 9 до 5, а по ночам и выходным: потому что было ощущение, что ты на космолете и в исследовательской лаборатории одновременно. Сейчас это, скорее, исключение. Большинство остается в найме, потому что нужен стабильный доход, и живет от отпуска до отпуска. “Сделать свой сайд-проект” уже не голубая мечта, а как будто необходимость, чтобы иметь план Б на случай увольнения. Но многие ребята уже в такой стадии выгорания, что какой там сайд-проект - найти бы силы на рутинные дела по дому. Основная работа высасывает столько энергии, что после рабочего дня хочется только полежать. У меня есть гипотеза, почему так случилось. И да, конечно, AI гонка сильно повлияла на нашу тревожность - но, мне кажется, что гораздо большую роль сыграли изменения в рабочей культуре. Работа в tech стала…просто работой. Мало кто идет в бухгалтеры или юристы с ожиданием, что на работе будет весело и интересно, что коллеги станут твоими друзьями, а компания будет переживать за твое самочувствие, да еще и платить сильно выше среднего. Но именно такая атмосфера была во многих технологических компаниях до 2020-х - и мы привыкли. Вынужденная эмиграция из страны единорогов и лозунгов “мы все одна семья” оказалась серьезным ударом по общему самочувствию. Но, что еще важнее, повлияла на наше восприятие будущего. Неожиданно оказалось, что продакты, дизайнеры и разработчики не защищены от того, к чему другие работяги уже привыкли: усреднения зарплат, транзакционной культуры, невыносимых и требовательных боссов. И это заставляет задаваться экзистенциальным вопросом: а почему я вообще выбрал эту карьеру? И хочу ли я в ней оставаться в следующие 10 лет? Прорыв в AI заставляет нас сейчас больше учиться - но мы всегда много учились, особенно в восточноевропейском сообществе. Всегда в нашей индустрии были молодые гении и геймченджеры, которые ставили под вопрос существующие фреймворки и опережали более опытных коллег. Скорость, эксперименты, отсутствие статуса кво были нормальными атрибутами работы в tech. Что реально изменилось, так это более острый фокус на эффективности и осознанном использовании капитала, повлекшие за собой кардинальную пересборку HR стратегии - и идентичности “сотрудника tech компании”. А это всегда грустно, сложно и болезненно. Мне интересно, если вы наблюдаете похожую картину в своем окружении? И в чем видите основные причины?

А у нас там подкаст вышел, видели? Если вдруг нет, то заходите на YouTube, в ВК или Дзен, там увидите подкаст Виктора Кантора и Татьяны Гайнцевой – AI Researcher и PhD-кандидат в Queen Mary University of London, исследовательница в области интерпретируемости и управления поведением генеративных моделей. Обладательница стипендии DeepMind, преподаватель Deep Learning School и Nebius Academy, соосновательница Deep Learning School, автор телеграм-канала DLStories и подкаста Deep Learning Stories. Ранее занималась исследованиями в Huawei и Philips, работая над задачами компьютерного зрения и медицинского AI. В выпуске разговор получился не столько про карьеру в AI, сколько про исследовательское мышление. Почему одни специалисты годами улучшают метрики моделей, а другие пытаются понять, что происходит внутри них? Зачем вообще исследовать интерпретируемость нейросетей? Можно ли управлять поведением LLM через активации отдельных слоев? И почему иногда самый интересный вопрос в машинном обучении – не «как сделать лучше», а «почему это вообще работает»? Ждём вас на удобной для вас площадке: https://youtu.be/pXMd0N6xSAQ https://vk.com/video-228219607_456239235 https://dzen.ru/video/watch/6a314bf1a6d473684e1eb721

Новое в видеотеке Epic Growth Community: от вайбкодинга до карьерных переходов Собрали доклады о том, как устроена работа изнутри: найм в Amazon, growth-эксперименты, запуск продукта без команды разработки, переход от продакта к лидерству. Эксперты расскажут: • на что смотрят при резюме в Amazon • почему гипотезы проваливаются без методологии • как построить контент-завод, который сам генерирует трафик • как один человек заменяет команду с помощью AI-агентов • какие навыки перестают работать, когда вы становитесь руководителем команд

Структура и процессы в Big Tech

Как попасть в Amazon Артём Милосердов, Senior PM в Amazon, разобрал, как устроен найм в крупнейшей компании мира ($700B выручки, 1.5М сотрудников). Leadership Principles, interview loop, Bar Raiser, какие ошибки кандидатов блокируют уже на резюме.

Growth и эксперименты

SHIFT+ или сильные growth-гипотезы без ошибок Иван Дьяченко, автор книги "Брррр!-Эффект", разобрал методологию, как проверять гипотезы по продажам и росту. Как ставить эксперименты, читать результаты и понимать, что работает.

Операционная эффективность

Как завайбкодить международную конференцию про вайбкодинг Оля Ковалева собрала международную конференцию (1000 регистраций, спикеры из Microsoft и GitHub) за три недели. Лендинг, аутрич, email, админки — все без кода. Один PM + правильная оркестровка AI-агентов.

Контент и трафик

UGC-контент это драйвер для бизнеса: как построить свой контент завод в качестве нового канала трафика Наталья Золотова (Head of Influence&UGC, "100Бальный репетитор") рассказала, как превратить пользовательский контент в постоянный источник трафика. От структуры контент-завода до того, какие форматы реально работают.

В последнее время у меня стойкое ощущение, что работа в найме сломалась. Когда я только начинала карьеру в tech, вокруг меня было много идейных, заряженных людей, которым было в кайф работать. И не с 9 до 5, а по ночам и выходным: потому что было ощущение, что ты на космолете и в исследовательской лаборатории одновременно. Сейчас это, скорее, исключение. Большинство остается в найме, потому что нужен стабильный доход, и живет от отпуска до отпуска. “Сделать свой сайд-проект” уже не голубая мечта, а как будто необходимость, чтобы иметь план Б на случай увольнения. Но многие ребята уже в такой стадии выгорания, что какой там сайд-проект - найти бы силы на рутинные дела по дому. Основная работа высасывает столько энергии, что после рабочего дня хочется только полежать. У меня есть гипотеза, почему так случилось. И да, конечно, AI гонка сильно повлияла на нашу тревожность - но, мне кажется, что гораздо большую роль сыграли изменения в рабочей культуре. Работа в tech стала…просто работой. Мало кто идет в бухгалтеры или юристы с ожиданием, что на работе будет весело и интересно, что коллеги станут твоими друзьями, а компания будет переживать за твое самочувствие, да еще и платить сильно выше среднего. Но именно такая атмосфера была во многих технологических компаниях до 2020-х - и мы привыкли. Вынужденная эмиграция из страны единорогов и лозунгов “мы все одна семья” оказалась серьезным ударом по общему самочувствию. Но, что еще важнее, повлияла на наше восприятие будущего. Неожиданно оказалось, что продакты, дизайнеры и разработчики не защищены от того, к чему другие работяги уже привыкли: усреднения зарплат, транзакционной культуры, невыносимых и требовательных боссов. И это заставляет задаваться экзистенциальным вопросом: а почему я вообще выбрал эту карьеру? И хочу ли я в ней оставаться в следующие 10 лет? Прорыв в AI заставляет нас сейчас больше учиться - но мы всегда много учились, особенно в восточноевропейском сообществе. Всегда в нашей индустрии были молодые гении и геймченджеры, которые ставили под вопрос существующие фреймворки и опережали более опытных коллег. Скорость, эксперименты, отсутствие статуса кво были нормальными атрибутами работы в tech. Что реально изменилось, так это более острый фокус на эффективности и осознанном использовании капитала, повлекшие за собой кардинальную пересборку HR стратегии - и идентичности “сотрудника tech компании”. А это всегда грустно, сложно и болезненно. Мне интересно, если вы наблюдаете похожую картину в своем окружении? И в чем видите основные причины?

Midnight Code Cup 2026 Qualification Round. Results. Прошел квалификационный раунд, интересные ощущения от него. Вот тут можно почитать задачи: https://codeforces.com/gym/106478 Вот тут посмотреть финальные результаты: https://ranker.codeforces.com/ranklist/106471 Мы в этих контестах разрешаем пользоваться AI, и очень интересно наблюдать, насколько быстро все меняется. В финале прошлого года (который был летом) команды уже довольно часто использовали AI. Он давал возможность быстро написать хорошее решение и войти в топ, но при этом код становилось сложно поддерживать, участники не понимали, что в нем происходит, и ближе к концу контеста на топовых местах были команды, которые большинство кода писали руками. Сейчас же почти все команды в топе использовали AI, и в основном занимались тем, что говорили агентам, что нужно делать, а не решали задачи сами. При этом те команды, которые по старинке пытались решать задачи руками, потратили много времени на написание бойлерплейта, и им не хватило времени, чтобы написать какое-то хорошее решение. Чем-то напоминает обычную работу программиста, где уже сейчас можно получать результаты сильно быстрее за счет использования AI, но есть много людей, которые не пытаются или не хотят это делать, и в итоге окажутся в сложном положении. На этом контесте я был автором задачи С. Кажется, с точки зрения сложности/глубины вышло довольно хорошо. Мой личный критерий "интересности" оптимизационной задачи следующий. Если попросить агента написать хорошее решение задачи, а потом в бесконечном цикле просить его "улучшить", то он не придет к оптимальному решению, а застрянет в каком-то локальном оптимуме. А правильная стратегия — это иногда сделать несколько шагов назад и понять, можно ли как-то глобально по-другому решить задачу. Например, в лидерборде можно видеть, что большинство решений в топе получило примерно 70k баллов, но при этом есть решение от Probably worse than LLMs, которое получило 90k. И что-то мне подсказывает, что решения построены на немного разных идеях, и текущим агентам тяжело перестать микрооптимизировать код, который дает 70k, и сделать большой скачок до 90k. Если вы участвовали, как вам контест?

В Google Pixel хотят запихнуть "ИИ-Шазам" для всего вокруг 9to5Google покопались в свежей версии Android System Intelligence для Pixel 10 и нашли там одну забавную штуку - фичу Audio Memory (кодовое имя "blueflax", это такой цветок). Суть такая. Телефон пассивно (но активно!) весь день слушает всё вокруг - музыку, разговоры, всё подряд - потом расшифровывает и делает заметки. По сути, это эволюция "Now Playing" - фирменной фичи Пикселя, которая распознаёт музон и выводит название на экране блокировки. Только теперь вместо трека будет "Вы обсудили с Васей правки к договору" или типа того. Про приватность: аудио на сервера Google не летит, всё обрабатывается на устройстве через Private Compute Core. Здесь мы опять упираемся в нюансик, что собеседник о данной фиче на вашем телефоне знать не будет, но эта общая проблема всех подобных ИИ-штук, так что ладно. Пиксель давно позиционируют себя как "самый умный Android", и их киллер-фичи - как раз такие бесшовные ИИ-примочки под капотом. Pixel Watch умеет мониторить здоровье, Pixel Camera делает неплохие "вычислительные фото", а сам Pixel теперь ещё и будут помнить всё, что вы слышали. Вторая память со строенным "мета-ассистентом", которую не надо специально запускать. Фичу пока ещё не анонсировали, только tech-журналисты строчки в коде нашли. Так что, до релиза может что-то поменяться. Но направление понятное: устройства будут соревноваться в бесшовности юзерской пользы и точечности сценариев. Сервисы, которые слушали все разговоры юзеров и раньше, но ничего не показывали на экране, такие: 🫢🫢🫢 Фичизм

Обсуждали на одном из подкастов моё скептическое отношение к синтетическим людям. В дискуссию врывается Рон Кохави с теми же аргументами на примере разбора SimAB: Simulating A/B Tests with Persona-Conditioned AI Agents for Rapid Design Evaluation.

I think there is value in using LLMs as a screening tool, and this paper is a good example. The tool could be used as a fast design-screening tool that makes predictions based on historical A/B tests, conventions, best practices, and folklore. It may work well against experiments similar to the history it has been trained on, but it is unlikely to work well for radical ideas (e.g. long-ad titles that I start my Maven course and book with). The title’s use of “Simulating” over-reaches, as it is impossible to establish causality from observational data without additional assumptions. LLMs are trained from historical data and are therefore not enough to simulate A/B tests without strong assumptions.

И

The system's greatest strength is acting as a "Shift-Left" tool in the design process. Before any engineering effort is spent coding a variant, SimAB can evaluate mockups to catch blatant usability flaws, confusing copy, or structural friction. As the authors note, it is an excellent mechanism to "kill bad ideas fast".

То есть да, что-то быстро проверить можно, но использовать как инструмент оценки, тем более численной, — это непонимание принципов работы LLM.

Только успели выкатить мини-релиз SWE-rebench с Gemini 3.5 Flash, MiniMax M3 и Junie (теперь на Opus 4.8 high, кстати, топ1 model-harness результат этого цикла: 61.6% resolved / 72.7% pass@5), как сразу прилетел Fable Решил написать небольшой обзор планов на ближайшие релизы лидерборда: – Поэвалили Opus 4.8 в разных reasoning efforts: от low до ultracode с dynamic workflows. Скоро расскажем про трейдоффы качество/цена + какие-то интересные наблюдения из траекторий – Точно будет релиз для любителей локальных моделей: квены, геммы, gpt-oss разных размеров. Если есть популярные модели, которые гоняются на мелком железе и которые было бы интересно посравнивать, пишите, подумаем над тем, чтобы поэвалить тоже – Ну и Fable, разумеется 💀 P.S. Если вдруг знаете кого-нибудь из антропик, кто мог бы помочь с кредитами, напишите плиз в DM @alex_golubev13 😳

🔬 Метод Авторы замечают, что обновления весов в радиальном и угловом направлениях не являются независимыми. Для оптимизаторов типа Адама/Мюона величина шага не зависит от нормы весов, поэтому изменение угла обратно пропорционально норме весов. Аналогично, при движении вдоль касательной (по радиальному градиенту) растет норма весов. И чтобы она не улетела в космос, приходится накладывать weight decay. 🧮 Дабы обеспечить контроль над величиной веса, его можно представить в следующем виде: W = diag(γ_row) W_hat diag(γ_col) Где W_hat — нормализованный вес, а γ_row и γ_col — построчные и поколоночные мультипликаторы, которые могут быть как скалярами, так и векторами. Нормализовать можно как по норме Фробениуса всей матрицы, так и по строкам или столбцам. 📊 Эксперименты 🧪 Авторы аблируют разные варианты нормализации и параметризации gains. Вариант с нормализацией всей матрицы выглядит не хуже остальных, будучи при этом самым простым, поэтому в итоге используют именно его. ✅ γ_row и γ_col полезно иметь в виде векторов, причем оба должны быть обучаемыми. Использование row и col gains более высокого ранга не помогает. Чтобы gains не обращались в ноль, их можно параметризовать через строго положительную функцию активации, но и без такой параметризации метод работает стабильно. 📈 Хорошим свойством нормализации весов является переносимость learning rate между моделями разной ширины и глубины. Оптимальная величина шага обучения оказывается почти постоянной. Кроме того, больше не нужен warmup в начале обучения, так как оптимизатор не взрывается по ходу обучения. Weight decay теперь тоже становится лишним, поскольку параметризация сама обеспечивает нахождение нормы весов в разумных пределах. 📉 Лучше всего работает линейное затухание learning rate вместо популярного нынче WSD. 🏆 В итоге лучший вариант MuonMD (Magnitude-Direction) сходится быстрее по числу итераций по сравнению с базовым Мюоном. Причем работает он хорошо как для Dense-, так и для MoE-моделей. ⚙️ На практике веса моделей хранятся так же, как и раньше: разбиение на величину и угол выполняется внутри оптимизатора. Замедление шага обучения при этом небольшое (около 5% у Адама и 1–2% у Мюона). 💡 Выводы Выглядит как многообещающий и интересный результат. Интересно, насколько скоро данная техника будет внедрена в обучение больших моделей и станет ли она такой же стандартной практикой, как Мюон.

Терраформировать Марс — то есть превратить в мир, где можно жить без защитных куполов — мечта человечества с того момента, как стало понятно, что это холодная планета с призрачной бескислородной атмосферой. Сейчас главный хедлайнер ее освоения — Илон Маск, компания SpaceX которого планирует первые полеты туда уже в 2028 году. Многие энтузиасты вспоминают слова Маска 14-летней давности: Красную планету надо лишь «подремонтировать», чтобы ходить без скафандра. Но между полетом и прогулками по городу-саду на Марсе лежит огромная пропасть. Пару лет назад Naked Science рассматривал положительный сценарий терраформирования. Пришло время подсчитать, сколько же лет и ресурсов потребуется. https://naked-science.ru/article/nakedscience/terraformirovanie-marsa

Финальный эпизод 14 сезона подкаста «запуск завтра»! Говорим с Николаем Давыдовым об инвестициях в ИИ. Николай занимался ИИ ещё до того, как его стали так называть. Достаточно ли добавить к названию проекта AI, чтобы получить инвестиции? Почему лучшая троица основателей стартапа — это индус, белорус и китаец? Какие для Николая есть красные флаги, а какой питч гарантирует интерес? Разбираемся с профессионалом. А ещё это легкий и увлекательный разговор. Смотрите и слушайте: https://youtu.be/0TQ2iuW20Ww — Так мы завершаем наш первый сезон в видео. Аудио в подкасте можно собрать из супер коротких фрагментов речи. Буквально по словам, почти как в анекдоте «ты мне гамму спой, я дальше соберу». Хороший звукорежиссер сделает так, что монтаж будет практически незаметен. В видео каждая склейка бросается в глаза, так что сложность производства в разы выше. Горжусь командой подкаста: редакторами Машей Агличевой и Ритой Берденниковой, продюсерами Даней Астаповым и Ане Коваленко, монтажером Сергеем Христолюбовым. Спасибо Селектелу, который рискнул с нами вместе и оплатил этот банкет. Спасибо вам, дорогие зрители и слушатели! Пожалуйста, пишите свои предложения в комментариях и приватно, можно через бота. Ещё мы подготовили традиционный опрос, там все структурировано и займет не больше 5 минут. Ура!

Астрономы развенчали гипотезу однородности Вселенной на сверхбольших расстояниях Вселенная на достаточно больших масштабах выглядит одинаково во всех направлениях — это один из краеугольных камней современной астрофизики. Однако новые данные, полученные с помощью спектроскопического прибора DESI, нанесли удар по этой устоявшейся парадигме. Проанализировав карту 47 миллионов галактик, охватывающую 11 миллиардов световых лет, итальянские астрономы обнаружили, что структурная неоднородность сохраняется на масштабах в тысячи раз больших, чем считалось ранее. https://hightech.plus/2026/06/28/astronomi-razvenchali-gipotezu-odnorodnosti-vselennoi-na-sverhbolshih-rasstoyaniyah

Как мы меняемся и почему не получается "по щелчку" Бывает же у вас так, что решаете бросить курить/ начать бегать по утрам/ медитировать/ добавьте свое, начали пробовать, а потом бросили? Утешу - если бывало и бросали, то это нормально. Дело тут не в силе воли. Это три параллельных процесса в мозге, без которых изменение не закрепится. 1. Структурная пластичность. В мозгу всю жизнь формируются нейронные связи - между нейронами растут дендриты (отростки), увеличивается число синапсов (точек контакта). Новая привычка - это новая нейронная дорожка, и сначала по ней идти трудно, она слабая. Только повторение делает её сильнее. В среднем на это нужно около 66 дней (а никакие ни 21). 2. Синаптическая обрезка. Старая привычка не исчезнет просто потому, что мы захотели нового. Мозг работает по принципу "используй или потеряешь" - и старая дорожка (старый синапс) слабеет только тогда, когда вы сознательно перестаёте по ней ходить (например, перестаёте проверять телефон во время разговора с клиентом) - синапсы, отвечающие за эту привычку, получают меньше сигналов, и нейронная тропинка зарастает (как в лесу). 3. Базальные ганглии, они же автопилот. Когда новое действие повторяется достаточно раз, управление берут на себя глубинные структуры мозга, и префронтальная кора, отвечающая за волевые решения, отключается - действие идёт само. Но в стрессе эта же кора выключается первой, и автопилот переключает на старые, более закреплённые связи. Поэтому откат в стрессе - это не провал, это особенность структуры мозга. Получается, что изменение - это не вопрос только силы воли в моменте. Это вопрос и силы воли, и практики и времени - строим новое, ослабляем старое, ждём, пока тело само возьмёт привычку на себя. А если откатываемся, не бичуем себя, а просто начинаем заново.

Как проходить изменения в удовольствие в безопасной и доверительной атмосфере я писал тут.

Примерно так я уже лет 15 занимаюсь спортом и держу один и тот же вес - сначала через силу воли (с откатами), потом появились новые нейронные связи, затем синаптически обрезались старые (пищевые, например) привычки, а теперь работает автопилот ("втянулся"). А у вас как? #личныймаршрут МАХ | Tenchat | Клуб | Обо мне