ИИ

CodeRabbit - AI-ревизор кода На днях CodeRabbit привлекла $143 млн при оценке $1,5 млрд. А для анонса раунда компания позвала Джоша Бренера, актёра, сыгравшего Big Head в "Силиконовой долине". Если смотрели сериал, то выбор идеальный. Big Head лучший друг главного героя, который не очень понимает, что происходит, постоянно попадает в нелепые ситуации, но каким-то образом всё время получает новые должности и становится богаче. Если не смотрели, то обязательно посмотрите, по-моему, ничего точнее и смешнее про стартапы пока не сняли. Сам CodeRabbit появился в 2023 году и занимается AI-ревью кода. Продукт подключается к GitHub, GitLab и другим платформам, проверяет предлагаемые изменения, ищет ошибки и уязвимости, учитывает контекст всего проекта и предлагает исправления. И это становится всё более важной задачей. Благодаря Cursor, Claude Code, Codex и другим агентам кода становится всё больше, а человеческого времени на его проверку больше не стало. Написание кода ускорилось, и теперь узким местом становится ревью. По данным компании: - более 2 млн ревью кода в неделю; - свыше 17 000 клиентов; - 150 000 open-source-проектов; - рост выручки более чем в пять раз за последний год. Менее года назад CodeRabbit привлекла $60 млн при оценке $550 млн. Получается, за это время оценка выросла почти в 2,7 раза. Сейчас компания хочет выйти за пределы обычного ревью кода. CodeRabbit будет определять, какие изменения требуют внимания в первую очередь, объяснять огромные куски кода, созданные агентами, и следить за безопасностью уже после релиза. Ставка инвесторов в том, что генераторы кода будут постоянно меняться, а независимый слой, способный проверять результат любого из них, может стать обязательной частью разработки. Деньги пойдут на развитие продукта и международную экспансию. Ещё больше $10 млн компания собирается потратить на бесплатные инструменты для open-source-проектов.

Apple запускает сборку Mac Mini и ИИ-серверов в Техасе Apple открыла новый завод в Остине, где начнет собирать компактные компьютеры Mac Mini и серверы для работы с нейросетями. Производственным партнером площадки выступает Foxconn, а инвестиции в проект составили сотни миллионов долларов. Запуск сборки намечен до конца этого года. На открытии площадки глава Apple Тим Кук сообщил, что за прошлый год компания получила более 20 млрд компонентов, выпущенных в США. Около 100 млн из них поставил аризонский завод TSMC. Помимо сборки устройств, новый центр в Техасе планируют использовать для обучения малого бизнеса технологиям машинного обучения при контроле качества.

Вчера прошел очередной all-hands (планерка) в SpaceXAI, из которого становится очевидно до какой степени Илон хочет победить в гонке компьюта. SpaceX превращается в гигантского компьют провайдера. Сегодня у них 1.4 гигаватта мощностей ИИ вычислений, они планируют дойти до 2 к концу 2026 и до 10 в 2027. Уже сегодня это около 5% всего мирового рынка, и, если все эти планы случатся, то они станут лидером с >20% рынка в следующем году. 10 GW в текущих ценах это $300-500 млрд выручки в год на продаже токенов вашим грокботам. Следующий Grok 4.7 выйдет через 3-4 недели и будет еще сильно круче (увидим насколько). Второй по важности рынок для них это телеком и связь. В этом году старлинк начал работать напрямую на телефонах (direct-to-cell), этот бизнес генерирует в 5 раз больше чем космос, но при этом ракеты являются moat'ом ибо это все работает пока они могут выводить новые мощности на орбиту дешевле конкурентов. Еще показали Starmind - прототип эдакой "осознанной звезды" - это рой космических дата-центров со встроенной генерацией через солнечные панели. История, которую продает Маск: "интеллекта цифрового будет в триллион раз больше, чем биологического", для этого нужны солнечные панели в космосе (1/1^12 энергии солнца), модели, фабрики токенов и фабрики фабрик токенов (terafab). Одним словом, если вы считаете себя самым лучшим в мире в том что вы делаете, то вы знаете куда отправлять резюме.

Действие производит информацию Услышал это у Брайана Армстронга, основателя Coinbase - мне кажется, что это лучшее обьяснение как ограничений LLM, так и рычаг, чтобы они стали выдавать более качественный результат. Вообще, я заметил, насколько умственная - именно умственная - работа обычно занимает минуты в днях. Идея приходит, пока напильником обрабатываешь презентацию, или пытаешься отформатировать по ГОСТу свою дипломную. Большинство умственного результата, по моему мнению, получается благодаря всему тому действию МЕЖДУ думами и мыслями. И вот этого пока особо у дружбана не хватает кмк. Поэтому заставляем их делать, а не токены генерит. Делать то, что производит информацию/токены, которых у них не было в контексте до подхода к снаряду. А не говорить, что нам следует сделать… P.S. ну и вашего покорного слугу тоже, кстати, полезно было бы попросить меньше болтать :-)

Делай хорошо или антипромптинг Sol Помните мы раньше просили модели делать хорошо, учитывать корнер кейсы и тд? Так вот, как минимум с GPT 5.6 Sol настало время наоборот просить агента не делать лишнего и не переусложнять. Это модель, которая по дефолту будет учитывать и обрабатывать маргинальные корнер кейсы, вероятность которых примерно отрицательная. Она делает кучу бекапов, проб и тд, даже когда это вообще не нужно - ее тупо приходится бить по рукам. Если раньше мы промптили "делай хорошо, до конца и тд", то теперь актуальнее "не переусложняй, найди элегантное решение, сейчас нам хватит MVP и тд". Промптинг в обратную сторону получается. Еще раз нам всем урок важности передачи высокоуровневого контекста агенту - что за проект, какова его ценность для пользователей, кто пользователи, сколько их вообще планируется, профиль нагрузки и тд. Дефолты Sol оказались слишком "энтепрайзными", именно поэтому она тратить условно 10 часов на то, что другие современные модели сделают за час. Зато в ревью критически важного кода, в котором действительно необходимо учесть все все все корнер кейсы она чертовски хороша (и Opus 5, кстати, тоже). В общем, теперь Sol из планера и (иногда) воркера превращается для меня в модель-консультанта по оптимизациям и код ревьюера (обязательно с перепроверкой адекватности находок через судью). А что касается поиска оптимальных решений, то это я делаю в паре с Fable. Она мне представляется как раз наиболее мудрой моделью. PS Перфекционизм страшная штука, от него я сам лечусь, а теперь еще и модели приходится лечить. @ai_driven