ИИ

Бизнес-модели в эпоху AI. Часть 3: процент с транзакции Итак, друзья, мы разобрали две бизнес-модели (раз и два), сегодня поговорим про транзакционную. С появлением агентов, которые сами покупают и бронируют за нас, она выглядит особенно интересно, так что давайте разбираться. Напомню суть. Стартап проводит через себя деньги и забирает небольшой процент, как Stripe или Wise. В 2023 году я писал, что главная путаница в этой модели: оборот vs выручка. Через платформу может пройти миллиард (оборот), а заработает она с него, скажем, 2% (выручка 20 млн). Эта путаница отлично видна на Instinct. Через их агента уже проходит больше $1 млрд в год, и звучит это мощно. Но комиссию они пока не берут, так что выручка с этого миллиарда сейчас около нуля. Я их не критикую: сначала набрать оборот, а комиссию включить потом — вполне рабочая стратегия. Но когда в деке стоит большой оборот, я первым делом спрашиваю, какой ваш take rate. Самое интересное в AI-версии этой модели — размер комиссии. Чем больше спроса платформа контролирует, тем больше она может брать. Агент, который сам решает, где забронировать отель и в каком ресторане взять столик, контролирует спрос почти полностью, так что по идее может брать больше, чем привычные платёжные сервисы. Но пока это гипотеза: никто не знает, сколько продавцы готовы платить за клиента, которого привёл агент. А дальше вырисовывается очевидный конфликт интересов. Деньги платит продавец, а работать агент должен на пользователя. Что будет, если один отель платит агенту 15%, а другой 5%? Агент, который подталкивает пользователя к покупке в интересах того, кто больше заплатил, — опасная штука: доверие к нему исчезнет быстрее, чем он успеет заработать. Пока я не видел модели, где эта граница чётко проведена. Мне кажется, тот, кто убедительно её проведёт, и выиграет доверие пользователей. Для фаундеров, которые не строят свой Instinct, есть и более приземлённая история. Под агентские покупки уже строят инфраструктуру: Ramp выпускает отдельные карты для агентов, Stripe вместе с OpenAI делает протокол для агентской коммерции. Комиссия с транзакции здесь может появиться не только у самого агента, но и у тех, кто даёт ему проводить платежи, подтверждать покупки и защищать от ошибок. Похоже, в этой цепочке ещё много свободных мест. Если собрать всё вместе, транзакционная модель в AI выглядит одной из самых перспективных: агент ближе всех к покупке. Но пока много открытых вопросов: какой будет комиссия, кто её заплатит и как агенту остаться на стороне пользователя. Какую модель разберём следующей? Голосуйте реакцией: 🔥 маркетплейсы: зачем нужен агрегатор, если агент сам обойдёт все сайты ❤️ рекламу: на чём она будет жить, если агент не смотрит баннеры и не тыкает в объявления Андрей Резинкин | Money For Startup

Memory Engineering 101: Мой подход к агентской памяти Друзья, хочу поделиться с вами своим подходом к агентской памяти. Память состоит из 3х частей: • Notes: заметки, которые Клод пишет (и извелкает из сессий) вовремя работы • Hook/Recall: воспоминания Just in time - когда клод хочет что-то сделать, срабатывает хук, который заставляет его глянуть в хранилище и дернуть оттуда уже накопленый опыт • Evals: каждую ночь, клод сам себя тестирует и пытается придумать что можно улчушить Память бывает частная и общая, общая память растет органически, с помощью еще оодного агента, который мерджит частные воспоминания с памяться компании. Все это дело расшарено с коллегами через сервер, и получается что знания накапливаются и доступны для всех. Весь метод выложен на гите - пользуйтесь, буду очень рад вашим PR и комментам. И намного подробнее про подход в моем блоге.

😩 Что-то я наблюдаю массовое падение качества всего вокруг. И я сейчас даже не про софт. Я состою в разных клубах, прохожу обучения и вижу, как люди всё активнее используют нейронки для подготовки материалов, раздаток, монтажа видео и прочих задач. Казалось бы, технологии должны помогать делать лучше. Но по моим наблюдениям, происходит ровно наоборот. 🤷‍♂️ Да, можно отдать видео ChatGPT или Claude и попросить его смонтировать. Он справится. Но почти наверняка оставит какие-то ляпы, несостыковки и мелкие ошибки, которые нужно найти и исправить. 🫠 И вот этот последний этап люди, похоже, всё чаще пропускают. В погоне за скоростью всех постепенно начинает устраивать результат на троечку. Нейронка что-то выдала? Ну и нормально, пойдёт. 🤦‍♂️ 😔 И меня это расстраивает. Потому что я всегда придерживался простого принципа: либо делай хорошо, либо вообще не делай. А сейчас складывается ощущение, что скорость стала важнее качества. И это уже заметно буквально везде: от роликов в TikTok до платных обучающих материалов. 🤔 Вы же тоже это замечаете? Или мне одному кажется, что мы массово скатываемся к принципу «и так сойдёт»? Свята место | 10МДК | Чатик | YHub

В беседе с Лексом Фридманом Карл Дайссерот обсуждает сознание, оптогенетику и трудную проблему. Он называет её вопросом о внутреннем субъективном чувстве: «Не просто обработка информации, но чувство чего-то по поводу информации. Что это за внутреннее состояние субъективности физически?» И добавляет: «Чем больше об этом думаешь, тем быстрее натыкаешься на парадоксы… Мозг — не просто набор маленьких трюков. Есть большая-большая концепция». Инженерная сторона — можно ли включать сознание как свет. Первый мысленный эксперимент: если гипероптогенетикой повторить паттерн всех нейронов, сохранится ли субъективное переживание? Дайссерот говорит: «Давайте проведём мысленный эксперимент… предположим, у нас был бы полный контроль…» «В этом мысленном эксперименте вопрос к вам: чувствовали бы вы то же самое внутреннее субъективное ощущение…» «Если спросить конкретно меня, я сказал бы „да“… большинство людей сказали бы так…» «Философы тогда начали бы говорить „нет“…» Второй эксперимент: нейроны не обязаны быть в голове. «Теперь начинается самое интересное… клеткам вашего мозга уже вообще не нужно быть у вас в голове» «Я мог бы распределить ваши нейроны по всему континенту, по всей галактике… и где-то Лекс Фридман… должен был бы испытывать это субъективное ощущение…» «Это кажется абсурдным… И всё же это точно то же самое… Вот у нас и парадокс» К чему эти мысленные эксперименты — не совсем понятно. Это какие-то проверки функционализма? Что из этого следует? https://youtu.be/DmNM_2wjFcE?si=VquEfr-N31HNFoiR

OpenCode V2 Крупное обновление открытого агента для написания кода от Anomaly. В отличие от агентов-компаньонов вроде Hermes или DeepSeek Harness, этот нацелен на разработчиков: заточен под терминал и IDE, максимум скорости и экономии токенов при правке репозиториев. Что нового • Центральный фоновый сервис теперь по умолчанию — TUI, веб и десктоп работают через один процесс • API и клиент переписаны с нуля • JS-интерпретатор в Code Mode — агент сводит инструменты MCP/OpenAPI в единые скрипты • Фоновые субагенты и асинхронные команды в шелле • Система плагинов обновлена, появилась горячая перезагрузка • Можно подключать как самостоятельную библиотеку или SDK • Плагины версии 1.0 больше не поддерживаются • API сервера полностью изменилось • Конфиг tui.json переехал в формат .json Обновление: opencode upgrade --major github.com/anomalyco/opencode #coding #agent MAX

Удивился нехило оттого, что стал регулярно публиковать свои проекты… на гитхабе. Дико - ибо я вообще не про код. Рассказываю, как я дошел до такой жизни. Сейчас любая работа и творчество, которое я создаю, идет с участием ИИ - от 5 до 90%. Много где творчество - это и есть результат ИИ, но с большим моим вовлечением. Форма может быть любой - слайд, скилл, видос, плагин, веб-апп, виджет, картинка... Cтало дешево делать такие штуки - частенько это 1-2 вечера переговоров с агентом. Но результат раньше оставался у меня в папке и тихо там умирал. И недавно я допер, что довести до состояния, когда этим может пользоваться кто-то кроме меня, - это и есть работа. Show your art. Гитхаб меня просто структурирует: описание, тесты, установка одной командой, готовность к публике. ИИ пишет код, и я не разбиваюсь в нем в 95% случаев. И мне окей, т.к. моими остаются идея, вкус, что оставить и что выкинуть, проверка на живом, решение боли или создание реакций "класс", "круто", "спасибо" (а также "фууу", "норм"). По моему, это новое авторство: не кто набрал символы и запустил, а кто довел видение до чего-то осязаемого и эффект(ив)ного, и кто готов за это отвечать. PS: Вчера закинул на гитхаб такой плагин к агенту Hermes в телеграм - это статус-лайн с лимитами и контекстом AI модели, с которой разговариваю. Раз - и у агента появился красивый статус на месте miniapp-кнопки в телеграм. 30 минут работы, и еще 30 - чтобы показать результат.

Установить: • Для тех, у кого Hermes в телеграме - тут github - или командой hermes plugins install alexivanovvv/turbofooter. • Для Openclaw - тут или командой openclaw plugins install git:alexivanovvv/turbofooter.

#TTS #russian github.com/kost-t-human/ruvoice-tts - RUVoice TTS: #Android-синтезатор на движке Silero, русская озвучка github.com/kost-t-human/ruvoice-voicekit - дообучение штатных голосов Silero под свой тембр (VoiceKit) #voicecloning github.com/UnaMentis/pocket-tts-ios - Pocket-TTS под #iOS apps.apple.com/us/app/tobe-said/id6801981584 apps.apple.com/us/app/tobe-said-pro/id6803422049 Pocket-TTS уже в App Store: бесплатно и Pro (русский заявлен, свою модель загружать вряд ли можно) github.com/The-unknown-Shadowman/PocketTTS-Android-Engine - Android, загружать свои модели проще Русские модели huggingface.co/ArtShtorm/Shtorm_PocketTTS_RU huggingface.co/ArtShtorm/Shtorm-VoxCPM2-RU Бенчмарк и #ASR ncspeech.org/blog/asr-benchmark-oct-2026 - бенчмарк #ASR за октябрь: четыре системы на 15 наборах, 85 часов — русский, казахский, смешанные звонки github.com/TheStageAI/TheWhisper - TheWhisper: новое дообучение Whisper для ASR

🤖 Робота обучили ловить коробки весом до 2 кг на расстоянии до 7 метров, ориентируясь на данные с камеры Группа исследователей из университетов США и Сингапура научила гуманоидного робота Unitree G1 ловить брошенные ему коробки весом от 500 г до 2 кг на расстоянии от 2.5 до 7 метров с помощью нового метода Reflex. Коробку робот видит только через RGB-D камеру на своём торсе. Коробка летит около секунды, за это время робот выходит на правильную траекторию, принимает коробку на предплечья, прижимает к груди и гасит удар, не теряя равновесия. Раньше для подобных задач роботам требовался захват движения (motion capture), Reflex обходится без него. Авторы планируют выложить код в репозиторий на GitHub. Видео и демо доступны на сайте проекта. Задача сочетает три проблемы. Первая: управление всем телом. Коробку нужно принять на предплечья, прижать к торсу и погасить её импульс, переставляя ноги и удерживая равновесие. Вторая: задержка. Коробка долетает примерно за секунду, а медианная задержка от съёмки кадра до команды контроллера равна 69 мс. Реагировать на последний кадр поздно, поэтому гуманоидный робот должен предсказать, куда летит коробка, и заранее выбрать точку, где ее поймать. Третья: эгоцентрическое зрение. Камера двигается вместе с роботом, движение коробки в кадре смешивается с движением самой камеры, а перед контактом коробку закрывают руки робота. Авторы разделили пайплайн на две части: зрение превращает историю кадров в восьмимерный латентный вектор, который описывает динамику коробки, а контроллер по этому вектору и состоянию робота 50 раз в секунду выдаёт целевые углы для 29 суставов. Обучение идёт в симуляторе Isaac Lab. На реальном роботе Unitree G1 каждое условие проверяли всего 20 бросками, так что погрешность доходит до ±20 пунктов. С 2.5 метров гуманоидный робот поймал 65% бросков, с 5 метров 40%, с 7 метров 15%. Трое людей на тех же дистанциях ловили 85%, 68% и 28%, то есть с 7м коробку плохо ловят и люди. Маленькую и большую коробки, а также утяжелённые до 2 кг робот ловил реже: от 20% до 60% бросков. Даже когда коробку бросали не прямо в робота, а немного левее или правее, он поймал 8 бросков из 20. #Stateoftheart

📌 Всего 10 минут работы с ИИ снижают способность самостоятельно решать сложные задачи Группа из UC Berkeley, MIT и Оксфорда выяснили, что 10 минут работы с LLM снижают способность самостоятельно решать математические и логические задачи. В эксперименте на 1200 участниках часть людей использовала ChatGPT, а затем лишалась доступа к модели. После отключения ассистента результативность этой группы падала - участники чаще пропускали вопросы и сдавались по сравнению с контрольной выборкой, работавшей без ИИ с самого начала. Исследователи объясняют эффект исчезновением продуктивного сопротивления - интеллектуального усилия, необходимого для освоения сложных навыков. Из-за привыкания к готовым ответам самостоятельный поиск решений начинает восприниматься мозгом как неэффективный и утомительный. В качестве решения авторы предлагают развивать ИИ по модели наставничества, которая стимулирует рассуждение, а не выдает готовый результат. Код экспериментов выложен на Github. @ai_machinelearning_big_data #news #ai #ml