As a kid, his job was chopping firewood in Washington winters so his family wouldn't freeze. As an adult, he designed the communication system that carries NASA astronauts to space. Jacob was the oldest of 11 kids. His dad was a Baptist preacher, then a construction worker. They were poor. He was homeschooled with almost no structure. Growing up, no one was assigning him anything. No one was checking his homework. His parents didn't expect him to go to college. But Jacob had a spark. At 10, his grandfather gave him a Morse code set. He became obsessed with radios. He decided he wanted to understand how radios actually worked. That meant engineering. Engineering meant college. College meant math. But at 18, he didn't know algebra. So he taught himself, while working a full-time job, grinding through a math curriculum called Saxon. Six months later: Calculus 1. He went to community college, then Pasadena City, audited RF classes at Caltech, and transferred to UCLA. In 2011, SpaceX came calling. Initially, he didn't want an interview. He just wanted to tour the factory. But as he walked the factory floor, saw rockets being built by hand, he couldn't walk away. He got the job. And designed the entire Crew Dragon comms architecture from a clean sheet. Today he's a YC-backed founder building Cascade Space: antenna arrays for lunar and deep space missions. From hauling firewood in a wheelbarrow to building infrastructure for the deep space economy. The size of your start in no way determines the scale of your finish.

#мнение Сетап сильного ИИ-инженера и синдром самозванца. Часть 2 Я постоянно чувствую себя самозванцем, особенно когда открываю комментарии каналов или профильные обсуждения. Все такие крутые, уже все автоматизировано, самостоятельно инженериться и выпускается, остается столько свободного времени на комментарии и форумы в интернете Полагаю хоть один мой читатель когда пытается в это все вкатиться или поддерживать свое развитие испытывал схожие чувства. Вокруг все такие крутые, а у меня 2 скилла и 3 мсп, мне вроде больше не надо, получается я профан??? Однако переодически общаясь с тем же Глебом, Валерой, Тимуром, Лешей и ко вижу обратное достаточно простые решения. Максимум использования самих фронтир моделей и возможностей провайдеров. Небольшие самописные костыли под вкусовщину, оркестрация просто маркдаун файликами и постановка задач рычанием в голосовой ввод Если я такой умный и могу высказываться так желчно о профессионалах в интернете, то что я сам использую? А ничего интересного. 1) ponytail skill + самописный ai-repo-safety-skill + самописный hedr-workflow skill 2) самописный memory-bank 3) context7 mcp + serena mcp + semble mcp + codeburn mcp 4) специфичные mcp: atlassian + slack + google drive 5) skills cli + gitlab cli + github cli 6) парочка хуков для прогрева сессии и иньекции ponytail + запрета деструктивных операций 7) codex cli + grok build cli + antigravity cli + opencode и все это через herdr 8) Я живу на виндовс и вынужден страдать, есть самописный mcp супервизор (на скрине его кусок) В целом все

🐟 Робот, который чувствует предмет, не касаясь его Обожаем истории, где инженеры подсматривают готовое решение у природы вместо того, чтобы изобретать велосипед. Электрический угорь в мутной воде видит не глазами. Он создаёт вокруг себя слабое электрическое поле, и всё, что в это поле попадает по-своему перекраивает его форму. Разные материалы искажают поле по-разному, так что угорь понимает не только где объект, но отчасти и что это такое. Исследователи из Сидяньского университета собрали сенсор ровно по этой схеме. Электрических органов у него, разумеется, нет — вместо них заряженная поверхность из фторполимера. Работает как крошечная статическая батарейка: держит заряд очень долго и всё это время создаёт вокруг сенсора поле. В покое поле имеет предсказуемую форму. Стоит объекту приблизиться — форма плывёт, и это можно измерить. По характеру искажения сенсор вычисляет электропроводность, диэлектрические свойства и геометрию предмета. Металл проводит ток отлично и корёжит поле сильно. Пластик, стекло и дерево проводят плохо, зато поляризуются — и тоже оставляют след. Где это пригодится: аккуратные манипуляции, протезы, заводские роботы и работа там, где камера бесполезна — в темноте, дыму, пыли. Отдельная боль оптических систем — прозрачное стекло: увидеть его тяжело, а вот на электрическое поле оно влияет вполне заметно. Вопросов пока хватает. Точность сенсора не названа, максимальная дальность тоже, и неизвестно, как на него влияют влажность и температура. @droidergram

«Полезные» аварии Аварии — это последний индикатор, что что-то работает не так. Сломанная машина — это индикатор, что ее неправильно обслуживали или использовали вне допустимых нагрузок и т.д. Рухнувший самолет — что-то не так с пилотированием или обслуживанием самолета или с еще множеством разных факторов. В этом плане — аварии нам так же дают много полезной информации о том, что произошло и что не так с системой. Аварии приводят к значительному ущербу, в авариях гибнут люди, иногда много людей. Это приводит к эмоциональной реакции и желанию найти виноватого, что может затруднять анализ причин аварии. Если после аварии мы смогли понять причины и устранить их системно — то такую аварию можно считать «полезной». 29 августа 1907 года обрушился Квебекский мост через реку святого Лаврентия. Погибло 75 человек. Причиной стало несколько инженерных просчетов. Кроме этого, конструкторы игнорировали предупреждения рабочих о деформации металлических конструкций. После этой аварии, в 1922 году, в университетах Канады ввели традицию «железное кольцо». Инженерам выпускникам вручают железное кольцо из необработанного металла. Городская легенда гласит, что первые кольца ковали из железа из Квекского моста. Кольцо надевается на мизинец — так, чтобы оно терлось о чертежи при работе. Оно должно служить напоминанием инженерам об их ответственности. Если авария имеет такой эффект, что вводит новые традиции, новые подходы к работе — то да, такую аварию можно назвать «полезной». Если же после аварии все что было сделано — обвинено несколько людей, то такая аварии ничего не меняет в процессах и системах. Такая авария, наверное, самая ужасная авария — так как она ничему нас не научила.

Искусственная мышца, которую можно распечатать Учёные в Южной Корее научились печатать на 3D-принтере мягкие приводы, которые от нагрева либо растягиваются, либо сжимаются. И всё это — из одного-единственного материала. Разберёмся, что тут происходит. Мягкий привод — это деталь, которая меняет форму от внешнего сигнала: гнётся, тянется, сокращается. Для таких задач хорошо подходят жидкокристаллические эластомеры: их молекулярная структура перестраивается в ответ на раздражитель вроде тепла. Загвоздка в том, что обычная 3D-печать выдавливанием выстраивает молекулы внутри нити строго в одну сторону. А значит, каждая напечатанная нить умеет ровно одно движение — и точка. Корейцы взяли смектические ЖК-эластомерные чернила, у которых направление молекулярной укладки можно переключать прямо в процессе печати. Инструмент переключения оказался до смешного простым: скорость печати и температура. Меняете эти два параметра — молекулы выстраиваются в одном из двух взаимно перпендикулярных направлений. От этого и зависит, удлинится готовая деталь при нагреве или укоротится. Дальше напечатали настоящие объекты — плоские и объёмные: решётки, изогнутые конструкции, поверхности, умеющие менять собственный рельеф. Многократные циклы нагрева и охлаждения детали пережили без потери свойств. Куда это может пойти: мягкая робототехника, искусственные мышцы, тактильные дисплеи с перестраиваемой поверхностью, покрытия, регулирующие аэродинамическое сопротивление. Плюс особая печать — когда напечатанный объект меняет форму уже после изготовления. @vselennayaplus

На опоре размещены три функциональных яруса: 1. Верхний цилиндр: Антенный радом (кожух). Внутри установлены секторные приемо-передающие антенны с круговым охватом 360°. 2. Средний открытый ярус: Радиомодули (RRU) с радиаторами охлаждения и кабельная разводка. 3. Нижний цилиндр: Защитный кожух для аппаратуры. Внутри находятся системный модуль (BBU), блоки питания, оптоволоконный кросс и грозозащита. Такая схема полностью убирает наземные аппаратные шкафы и защищает оборудование от вандализма и осадков. --- * Термосифонное охлаждение: Нижний кожух оснащен скрытой сквозной вентиляцией для пассивного отвода тепла от процессоров BBU и блоков питания. * Экономия площади: Размещение базового модуля на столбе позволяет подключить сайт одной подземной трассой без установки громоздких шкафов на тротуаре. * Ветровая аэродинамика: Разделение оборудования на отдельные объемы снижает общую парусность и предотвращает резонансные колебания опоры при боковом ветре.

Как перевести команду разработки на AI-агентов Провёл сегодня тренинг для продуктовой команды (мобильное приложение, несколько миллионов установок), и после него прилетел вопрос про разработчиков, как им-то переключится и какие инструменты использовать. Ну, мое мнение, что всякие блогерские и ютюбовские советы, а также специализированные скиллы и MCP становятся неактуальными при первом же большом обновлении моделей или оболочек, поэтому единственное, к кому стоит прислушиваться - ведущие лаборатории. Они знают, над чем работают и что будет неактуально уже в ближайший месяц и при это могут выстраивать state-of-the-art процесс с текущими моделями, чтобы быть быстрее и круче конкурентов. Короче, что стоит изучить: Самый содержательный текст про agent-first команду – Harness engineering от OpenAI. Люди задают архитектуру, ограничения и критерии качества, агенты исполняют. Короткий AGENTS.md (~100 строк) служит картой, а не простыней инструкций. Документация, планы и техдолг живут рядом с кодом, а их актуальность проверяют CI и отдельные «doc-gardening» агенты. Для руководителей есть более широкий Building an AI-native engineering team – про изменения по всему SDLC и то, что ownership кода всё равно остаётся за инженерами. У Anthropic главный практический документ – Best practices for Claude Code: CLAUDE.md, workflow «исследовать - спланировать - реализовать - проверить», subagents, hooks, worktrees. Ключевая мысль: агенту нужен исполняемый способ проверить свою работу – тест, сборка, линтер, скриншот. Для обмена командными практиками лучший механизм – skills: повторяемые workflows типа fix-issue или review-api-change лежат в репозитории и работают у всех одинаково. У OpenAI это описано в Customization, а почему нельзя просто свалить все знания команды в один гигантский промпт – объясняет Effective context engineering. По параллельной разработке рекомендации совпадают у обоих: – начинать с независимых read-heavy задач: ресёрч кодовой базы, анализ логов, поиск пробелов в тестах, code review, это можно делать с любой системой и любой ИИ-кой – изолировать агентов через git worktrees – отдельный checkout на каждого – выбор архитектуры (routing, orchestrator-workers, evaluator-optimizer) разобран в Building effective agents – для длинных задач – журнал прогресса и проверяемое состояние для следующего агента, см. Effective harnesses for long-running agents В общем, советы вроде банальные, но их никто не делает, все оптимизируют локальную свою работу, а в итоге даже при переходе на другую ИИ-ку, а тем более другому сотруднику уже будет плохо: короткий CLAUDE.md/AGENTS.md как карта, docs/ рядом с кодом, skills для повторяемых workflows, CI проверяет правила механически, тесты – критерий завершения работы.

🏎 Гиперкар без единого экрана Hennessey показала Blackbird — машину за 2,5 миллиона долларов, построенную назло всему, что сейчас происходит в автопроме. Ни гибридной установки, ни робота вместо коробки, ни тачскрина. Зато механика с тремя педалями и ключ зажигания. Сердце — 6,2-литровый V8 на 850 л.с., который техасцы разработали вместе с британской Ilmor Engineering, известной по «Формуле-1». Красная зона у него на 9000 об/мин: это самый высокооборотистый атмосферный V8 среди серийных дорожных машин. С места до 96 км/ч — 2,5 секунды, максималка ограничена 354 км/ч. Но добиваться этих цифр придётся руками: никакого лаунч-контроля, никакого полного привода, открытая кулиса шестиступенчатой механики и задний привод. Совсем уж средневековья нет — адаптивная подвеска и ABS на месте. В салоне самое интересное. Ни цифровой панели, ни центрального тачскрина, ни кнопок на руле. Большой аналоговый тахометр, тумблеры и авиационный компас. Единственная уступка современности — камера вместо зеркала заднего вида, этого требует закон. Тираж 71 экземпляр, поставки с 2029 года, и больше двух третей уже распродано. Красота! @droidergram

От лаборатории к умным часам: как измерить кортизол Я всё больше убеждаюсь, что одна из самых интересных областей технологий сегодня находится на стыке инженерии, медицины и ИИ. Пока мы обсуждаем новые модели нейросетей, инженеры пытаются решить другую задачу: научить маленький носимый датчик непрерывно измерять гормон стресса прямо на теле человека. Сегодня уровень кортизола определяют по крови, слюне или моче. Для этого нужно сдать анализ, дождаться результата и получить всего одну цифру - показатель в конкретный момент времени. Но кортизол постоянно меняется. На него влияют сон, тренировки, питание, болезни, время суток, эмоциональная нагрузка и даже конкретная рабочая встреча. Поэтому один лабораторный анализ не показывает всей картины. И инженеры создают аналог непрерывного монитора глюкозы, только для кортизола. Самое интересное здесь не только результат, но и то, как именно они пытаются его получить. Кортизол хотят измерять не через обычный забор крови, а через пот или межклеточную жидкость. Для этого разрабатывают: — микроиглы, которые почти не ощущаются кожей; — электрохимические сенсоры; — аптамеры - молекулы, способные распознавать конкретные вещества; — новые полимерные материалы; — миниатюрные системы, которые могут работать на теле несколько дней подряд. То есть инженерам нужно одновременно решить десятки задач. Как получить достаточное количество жидкости? Как отличить кортизол от других молекул? Как сделать сенсор точным, стабильным и безопасным? Как защитить его от пота, движения, температуры и внешней среды? Как передать данные на смартфон? Как откалибровать устройство так, чтобы его показаниям можно было доверять? И это уже не просто красивые концепты из лабораторий. Появляются первые испытания на людях. Например, стартап Adaptyx показал многосуточное измерение свободного кортизола с фиксацией его естественного суточного ритма и сопоставимостью с анализами венозной крови. Но дальше начинается ещё более сложная инженерная задача. Одного сенсора недостаточно. Нужно научиться правильно интерпретировать полученные данные. Высокий кортизол после тренировки - это нормально. Высокий кортизол утром тоже может быть нормой. А вот изменившийся суточный ритм, отсутствие восстановления или необычная реакция на нагрузку уже могут говорить о проблеме. Поэтому вокруг одного маленького датчика постепенно формируется целая система: сенсор → передача данных → алгоритмы обработки → персональная модель организма → рекомендации для человека или врача. И здесь появляется ИИ. Сегодня умные часы пытаются угадать стресс по косвенным признакам: пульсу, дыханию, температуре кожи и движениям. А прямое измерение кортизола может дать инженерам данные, на которых будут обучаться гораздо более точные модели. Тогда устройство сможет не просто сообщать: «У вас высокий уровень стресса». Оно сможет понимать, как именно ваш организм реагирует на недосып, кофе, перелёты, спорт, рабочие встречи или хроническую нагрузку. Когда-то инженеры сделали возможным непрерывное измерение глюкозы и изменили подход к лечению диабета. Теперь они пытаются сделать то же самое с кортизолом. И мне кажется, что главный технологический прорыв здесь не в том, что часы научатся показывать ещё одну цифру. А в том, что инженеры постепенно создают новый интерфейс между человеком и его собственным организмом. Ссылки на источники: spectrum Stanford https://t.me/kruasanova_as Всё ещё пишет сама и ищет новые способы взаимодействия