ИИ

Почему именно product engineer сейчас «на пике» Product Engineer (особенно в AI/инфраструктуре) сейчас одни из самых востребованных и высокооплачиваемых специалистов в США. Сам Fortune пишет: «One of the fastest‑growing jobs in Silicon Valley… pays more than $188,000» (в Anthropic достигает $400k) В последние дни вышло несколько заметных материалов и волна вакансий, где Product Engineer в AI‑стартапах (особенно инфраструктурных, вроде Firecrawl) получают $235–260k + equity в Сан‑Франциско В треде Ask HN: Who is hiring? много компаний ищут Senior / Staff Product Engineers с диапазонами $150–230k, а топовые офферы — до $299k. Продуктовые инженеры в США сейчас ценятся особенно высоко, потому что они: 1. Соединяют продукт и инженерию: сами доводят фичи от идеи до продакшена 2. Работают на стыке AI‑агентов, API и developer experience — это критично для инфраструктурных AI‑компаний 3. Несут ответственность за надёжность, метрики, биллинг, интеграции — то, что напрямую влияет на выручку. Зарплатная картина (США, 2026) Средняя по рынку: ~$114k, Медиана около $144k, топ‑10% — до $205k+. В AI/инфраструктурных стартапах (YC, San Francisco): $235–260k база + ощутимая доля. Senior Technical Product Engineer: $150–230k + equity в удалённых и крупных продуктах. Сводная по самым дорогим IT‑ролям в 2026: AI/ML Engineer: $170,750 Data Engineer: $156,250 Data Scientist: $153,750 DevOps Engineer: $145,750 Software Engineer: $142,000 Product Engineer (AI/Full‑Stack): $140k–$230k + equity

Google DeepMind сделала шаг от «умных рук» к управлению всем телом Новая Gemini Robotics 2 одновременно отвечает за ходьбу, баланс, наклоны и работу с предметами. Вот пример: робот Apollo 2 сам подходит к столу, берёт лейку, идёт к стеллажу, приседает и ставит её на нижнюю полку. Раньше такое было не под силу. Но главное - универсальность. Один и тот же чекпоинт модели работает с разными типами роботов и кистей. А локальную версию можно адаптировать под новую конструкцию всего за пару часов и на 200 примерах - даже если у роботов другие сенсоры и кинематика. Есть и «старший брат» - Gemini Robotics ER 2, который разбивает задачи на этапы, исправляет ошибки и координирует нескольких роботов одновременно. По ловкости роботы пока уступают людям: закрутить лампочку - только 36% успеха, завязать пакет - 44%. Но суть не в этом. Если навыки станут по-настоящему переносимыми, робот перестанет быть уникальной платформой - он станет просто «железом» под универсальный софт. ————————— ✔️Подписывайтесь на лучший  канал PRO Роботов 🥲Мы в Max

Читатели уходят при первых признаках вмешательства нейросетей Брайан Кантрилл из Oxide собрал в одном тексте то, что мы итак и подозревали. ИИшный текст видно сразу (типа как если мы видим порно - то точно понимаем что это - оно), и злит он гораздо сильнее, чем думает автор. Цифры из опроса, который Кантрилл привёл: 668 разработчиков, 78% закрывают статью в ту секунду, когда осознали авторство модели. 71% после этого автора обходят стороной. 98% выберут кривоватый текст живого человека вместо вылизанного машинного. У него же формулировка про общественный договор между автором и читателем: читатель не подписывался вникать в предложения, над которыми сам автор не работал. Кантрилл сравнивает это со спамом нулевых. Пока фильтров не было, мы тонули в почте, и все ждали, что ей конец. А потом спам научились детектить, и ярлык спамера, кроме потенциальной уголовки, запросто мог стоить компании домена и бренда. С ИИ текстами, по его прогнозу, мы со времене дойдём до того же. Сергей Булаев AI 🤖 - об AI и не только

Августовский дайджест краток летом – Йогачара прод(у/а)кта – Никто не понимает как делать продукты – Универсальный примитив в продуктах – 80 продуктовых стратегий – Парадокс продукта – Религия скорости – PoDPR приоритизация – Ошибка измерения продукта – Метрики Систем (система метрик?) – Команда смысла – CPO vs CTO – (Не) всё зависит от тебя – Как развивать свой вкус – Самые важные социальные скиллы – Как не разучиться думать (с ИИ) – Кто ясно мыслит – ясно излагает – Первые Принципы Мышления – Эмерджентность – Тёмные искусства с ИИ – Проектировать UI/UX с и без ИИ – 5 качеств для дизайна ИИ-чатов – 5 просто для хорошего дизайна – 42 принципа дизайна ИИ⇄человек – Принцип антитезиса – Зачем по-настоящему нужны отчёты – Как завершать задачи – Современный продакт-менеджмент основан на поиске границы выносимости: что ещё можно сделать с пользователем, чтобы он продолжал использовать продукт, несмотря на недовольство (с)

Китайская индустрия роботов превратилась в гигантское казино Аналитики полагают, что это самый дорогой в истории сеанс технологического гипноза инвесторов В марте в посте «Не дайте себя обмануть китайским роботам с гала-концерта Unitree Spring Festival» я писал о том, как китайская индустрия роботов превращается в грандиозную панаму. Теперь, с живописными фактами, о том же пишут аналитики авторитетного китайского делового технологического издания LatePost (晚点), специализирующегося на глубоких журналистских расследованиях, анализе рынков и эксклюзивных материалах в сфере ИИ и робототехники (профессиональный перевод Джефри Динга здесь). Далее о том, что мне больше всего понравилось в расследовании аналитиков LatePost.   Робот против рабочего: смерть здравого смысла На производственной линии BYD разворачивается технологическая комедия. Обычный рабочий берет подшипник с лотка и помещает его в стоящий рядом пластиковый контейнер за 2 сек. Антропоморфному роботу, «венцу творения», на ту же операцию требуется 70 сек. Его эффективность – жалкие 3% от человеческой. При цене в 200 000 юаней (40 месячных зарплат рабочего) этот «помощник» ломается через 10 дней интенсивной работы. Казалось бы, проект пора закрывать, но венчурные капиталисты выписывают чеки с еще большим энтузиазмом. Почему? Потому что в мире роботов («воплощенного ИИ», как это называют авторы статьи) реальная производительность – это последнее, что кого-то волнует.   Техасский холдем на 900 миллиардов Индустрия превратилась в гигантское казино. В первом полугодии 2026 года объем инвестиций в сектор превысил 900 млрд юаней, а 22 компании получили оценку выше 10 млрд. Это уже не инвестиции, а «Club Deal» – игра в покер, где Sequoia и Hillhouse садятся за один стол, чтобы просто не дать друг другу забрать банк. Абсурд достигает пика в оценке компании Unitree (宇树). Ее капитализация взлетела выше 400 млрд юаней. Для контекста: это больше, чем совокупная стоимость четырех столпов китайского автопрома – Li Auto, Nio, Xpeng и Leapmotor. Компании, продавшие 1,75 млн реальных машин, стоят дешевле стартапа, который отгрузил 5 тысяч медлительных прототипов.   Как поддерживается этот пузырь С помощью круговых схем и «фабрик данных», которые активно субсидируют местные власти, обожающие «экологичные» проекты. Схема проста: компании продают роботов подставным фирмам или партнерам, чтобы имитировать спрос и собирать данные. - Дутая выручка. Из 1,699 млрд юаней выручки Unitree на реальное производство (логистику и заводы) пришлось лишь 15,7 млн юаней – это меньше 1%. - Кулуарный маркетинг. Успех здесь куется не в лабораториях, а за столами KTV (караоке-клуб – популярный в Китае формат заведений для отдыха и неформального делового общения), куда поставщики водят инженеров Tesla Optimus, чтобы выведать секреты и создать видимость «причастности к будущему».   15 минут и 4 стадии позора Авторы статьи LatePost пишут: «Инвестиционный банкир, участвовавший в роуд-шоу для трех робототехнических компаний, вспоминает визит в мае в компанию, занимающуюся разработкой искусственного интеллекта, стоимость которой превышает 20 миллиардов юаней. Инженеры попросили робота продемонстрировать складывание полотенца; процесс занял 15 минут, но задача так и не была выполнена.» А в заключение статьи приводятся слова одного из инвесторов в китайскую индустрию роботов, описывающую эволюцию взглядов инвесторов за последние несколько лет весьма хлесткой формулой (видимо, это отсылка к пяти стадиям принятия неизбежного по модели Кюблер-Росс): сомнение – не пузырь ли это; понимание – да, это пузырь; принятие этого факта и, наконец, вкушание его плодов. Вот только о том, какой будет пятая стадия, тот инвестор предпочел умолчать.   #Роботы #Китай

#Нейропрожарка Ролик-трейлер к фильму Half-life: Black Mesa Автор: Николай Семибратов @b0nus33 Идея ролика кстати вышла из одного из постов в Метаверсище, где была картинка актера Брайана Крэнстона в образе Гордона Фримена из Халфлайфа, которая почему-то запомнилась и запала в душу, и вот появилось время и возможность реализовать задуманное, если получится на пару конкурсов отправлю. Ролик о событиях первой части игры в небольшой художественной интерпретации (робота - cобаки (Dog) в первой части не было, но я добавил). Статика: в Банане про (80%) и немного Seedream 5 и GPT-2 (20%). Видео, как раз перед выходом сиденского 2.5 в Хиггсфилде разыгрался аттракцион невиданной щедрости и они выкатили персональное предложение - при покупке тарифа ультра дали безлимитный сиданс 2.0 в 4К на неделю. Тут мне карта и пошла и я воспользовался безлимитом на 200 % (пересчитал, что без безлимита я нагенерил примерно, что-то около на 1000$). В общем видео в основном сиденс 2.0 , немного 2.5, ещё Grok 1.5 и всё, что с лицом Крэнстона это клинг 3.0. Саунддизайн и саундтрек - сложный: саунддизайнил голос робота, что бы он был роботским, музыку делал в Suno и собирал из трех получившихся саундтреков , по несколько раз переремиксинных на самих себя + некоторые SFX эффекты и ещё свел немного всё потом в домашней студии. Апскейл в Topaz starlight (всё, что нативное 4К не апскейлил). Монтаж в Cupcut, цветокор немного в Davinci (как сумел). По времени ушло примерно 3 недели и наверное часов 80-100. По бюджету, с учетом невиданной щедрости от Хиггса — тариф ультра за 100$ и немного в сторонних агрегаторах, что-то вроде 50$, итого примерно 150$. Посмотреть в качестве можно тут: https://kinescope.io/0pjQvg5bQ9MRKRBZkgokha @cgevent

/Что прикольного я навайбкодила сегодня 🤓/ Я редко рассказываю здесь, что конкретно делаю для компаний, с которыми работаю. Но какие-то крошки полезного могу и хочу приносить. Например, последнюю неделю я вайбкодила довольно прикольную штукенцию. У клиента (еком) огромный каталог - десятки тысяч sku. И понятно, что ни один менеджер физически не может помнить весь ассортимент, все аналоги и быстро сообразить: «ага, вот на этой фотке что-то похожее на наш артикул №14852». Поэтому мы делаем ИИ-шку, которой можно просто скормить фотографию предмета [любую, хоть снятую на телефон где-то в жизни], и попросить найти максимально похожее в нашем каталоге. При этом у ИИ-шки есть актуальная база знаний про ассортимент: что мы вообще продаем, что есть в наличии, сколько стоит и так далее. А дальше я собрала ей примерно такой алгоритм: 💗 1. Сначала она смотрит на фотографию и несколькими словами и синонимами описывает, что вообще на ней видит. Так мы из десятков тысяч товаров сразу сужаем поиск до нужной категории. 💗2. Вторым шагом внутри выбранной категории она находит до 100 наиболее похожих товаров по текстовому описанию и характеристикам и подтягивает их фотографии. 💗3. И только после этого скаченные 100 фотографий подробно сравнивает визуально с исходной фотографией и выбирает топ-5 самых похожих товаров. Визуально все обернуто в сайт, естественно, а под капотом по апи ключу она ходит за мои токены думать. В итоге через пару десятков секунд мы получаем готовую подборку аналогов из нашего реального каталога, с актуальными ценами и наличием. А, еще важно, что на первом этапе мы, конечно, не отдаем ии всем пользователям - сначала надо сделать так, чтобы эти рекомендации видели знающие люди (менеджеры) и по каждой предложенной позиции дали свой фидбек - на это тоже настроен сайт и сбор данных в базу - хорошо ли нейросеть подобрала аналог, или нет - так мы дообучим модель (доуточним промпт на самом деле) и еще повысим качество. Рубрика #яжпродакт - выпуск про то, как иногда весело быть не только рассуждающим о высоком консультантом, но и делающим руками!

AI начинает экономить мне деньги совсем не там, где я ожидал Подписчики периодически присылают способы использовать ChatGPT или Claude для поиска скидок, купонов и более дешёвых вариантов покупки. Подтверждаю, это действительно работает и уже сэкономило сотни долларов. Делился с вами, что написал агента для поиска авиабилетов. Дал ему доступ к Google API, Amadeus и другим источникам, пару раз он нашёл большие скидки. На направлениях, которые я хорошо знаю, он меня пока не обыгрывает, но потенциал очевиден. Мой близкий друг рассказывал, как с помощью Claude вернул большую часть денег за несостоявшуюся поездку из-за забастовки Lufthansa. Агент разобрал правила авиакомпании и помог правильно построить претензию к перевозчику и отелю в Австрии. Экономия в тысячах долларов. Недавно нашёл ещё один дорогой сценарий: медицинские счета в США. Американское здравоохранение устроено так, что пациент часто вообще не понимает, сколько стоит услуга, потому что больница нигде не публикует расценки. Ты получаешь лечение, потом приходят счета от разных компаний. Внутри десятки кодов, процедур, препаратов, правил страховой, франшиза, потолок собственных расходов, сроки подачи заявки и апелляции. Чтобы нормально проверить такой счёт, надо одновременно немного понимать медицину, страхование, выставление счетов и право. Преимущество здесь почти всегда было на стороне системы. У госпиталя есть отдел биллинга, у страховой специалисты и юристы, а у тебя PDF на двадцать страниц и желание понять, почему ты должен десятки тысяч долларов. Мы с сыном попробовали разобрать несколько таких счетов с Claude. Получилось трудоёмко, но думаю, в следующий раз пойдёт сильно быстрее. Claude раскладывает счёт по кодам, проверяет процедуры, сопоставляет назначения, ищет несоответствия, читает правила страховки, находит сроки, в которые больница или страховая обязаны ответить. Помогает составлять апелляции и письма и отправляет их через API, включая бумажные письма с подписью и в конвертах. Результат вышел вполне материальный. По одному счёту госпиталь перестал отвечать и пропустил процессуальные сроки. По другому выяснилось, что страховая просто не покрыла часть расходов, которую должна была покрыть, и после повторного обращения оплатила их. Тысячи долларов не ушли бюрократам, и это очень приятно. Передовые модели сокращают неравенство в знаниях. Многие системы десятилетиями были сложными не случайно: медицинский биллинг, страхование, налоги, банковские комиссии, договоры. Чтобы защищать свои интересы, надо знать тысячи страниц правил, исключений, классификаторов и судебных решений. Корпорация может нанять для этого сотни специалистов, обычный человек нет. Теперь у него появляется машина, которая читает эти тысячи страниц за несколько минут. То же самое вижу с налогами. Американский налоговый кодекс настолько сложный, что даже хороший CPA специализируется только на его части. При этом незнание одного правила или льготы может стоить человеку десятки тысяч долларов. На бюрократии уже рождается отдельный класс AI-бизнесов. Что-то вроде сервисов возврата денег за отменённые рейсы, только для медицинских счетов, страховок, налогов и прочих сложных систем. Агент получает документы, проверяет их, находит нарушения, пишет обращения, следит за сроками и эскалирует дальше. Несколько подписок по $200 в год, которые защищают мои интересы, уже выглядят реальной ценностью. Правда, без обвязки с контекстом, знаниями и API они пока требуют многих часов проб и ошибок. Думаю, это только начало, и скоро бюрократия нанесёт ответный удар: регуляции, ограничения и показательные суды, где будут наказывать потребителей за использование моделей. @maxvotek | linkedin | substack

Метод Сам метод донельзя прост: - 📝 Не сжимаем промпт. - 🎲 В каждом слое и голове случайно выбираем токены для выбрасывания. И все! Почему это работает? Увидим ниже. Эксперименты 🧪 Эксперименты гоняют на семействе Qwen3 / Phi-4 (новые модели сжимать не так интересно, у них гребаные GDN-ы и SWA). 📊 Замеряют на бенчах по математике / STEM — где промпт короткий, а генерация довольно длинная. 🔍 Сравниваются с SnapKV, R-KV, Vase, TriAttention. Первое, что замечают: на разных бюджетах ничто из эвристик явно не побеждает случайный выбор. А что-то прямо себя плохо показывает. Анализируя токены, которые были выбраны, замечают, что лучше всего себя показывает то, что сохраняет как можно больше промпта. Если явно наложить требование не прунить промпт, то некоторым методам становится заметно лучше. Почему так? Промпт подается однажды и важен на протяжении всей генерации. В ризонинге же модель часто повторяет одно и то же, потому там больше избыточности. Кроме того, если попрунить информацию о токене даже в одной голове, то она может сохраниться в другой. Потом проводят синтетический эксперимент со вставкой простого факта (число = тому-то) и делают его ретривал. По отдельности головы плохо предсказывают факт, но в совокупности, как оказывается, уже 2–3, а чем больше, тем лучше. Кроме того, оказывается, что каждой голове не нужно держать непрерывный факт: если он разбросан по головам, качество ретривала почти не меняется. Токены можно прунить не поодиночке, а группами по несколько токенов. Казалось бы, более грубый выбор должен отрицательно сказаться на точности, но до поры до времени, пока размер блока не доходит до 256, результат почти не меняется. Это говорит о том, что модели достаточно иметь довольно неполную информацию, как-то разнесенную по головам, чтобы все еще успешно решать задачу. Где эвристики оказываются важны — это в задаче доставания passkey: если факт указывается в начале и не повторяется в процессе. Тогда случайный прунинг и все бейзлайны, кроме R-KV, лажают. 🚀 По throughput при сервинге (1k токенов на вход, 32k токенов на выход) на H200 через vLLM они оказываются быстрее TriAttention на 30–40%. Ускорение за счет того, что скоринг не требуется. Выводы Довольно интересный результат про сжимаемость KV-кэшей: как будто attention-based и прочие эвристики все равно не угадывают ничего лучшего, чем случайный выбор. Да и про размазывание информации по головам тоже интересное наблюдение, было бы интересно связать это как-то с interpretability. Однако у подхода есть серьезное ограничение — он не очень полезен, если сам промпт длинный.

Random Attention: Rethinking KV Cache Eviction for Efficient Reasoning 📄 Статья С увеличением характерной длины контекстов в LLM все острее стал вставать вопрос о сжатии KV-кэша. Длинный KV-кэш занимает много места в памяти, а еще и замедляет инференс. Исследователи за последние несколько лет придумали много эвристик по прунингу / слиянию токенов разной степени безумия — одна якобы лучше другой. А тут вот ребята из Salesforce Research заметили, что рандомный прунинг работает, вообще говоря, не хуже всех этих хитроумных идей, а кроме того, предлагает более быстрый инференс ввиду отсутствия необходимости оценивать важность токенов.