ИИ

Знаете, как понять, что вы воюете с моделью, а не пишете промпт? Вы третий раз капсом повторяете одно и то же 😀 Drew Breunig выпустил большой разбор того, где сейчас context engineering (висит на первой странице Hacker News). Факт оттуда: в системном промпте Claude Code инструкция про параллельные вызовы тулов повторяется до семи раз. По версии автора, модель натренирована делать всё последовательно, и промптом это приходится перебивать. Что я бы оттуда забрал себе: 1. Сбрасывать или сжимать контекст задолго до лимита. У автора тревожная отметка где-то на 200-300K токенов 2. Не подключать агенту все навыки сразу. Там есть пример команды, где каждому инженеру грузили 600 скиллов 3. Самостоятельные куски работы отдавать сабагентам с чистым контекстом 4. Когда качество просело, сначала чинить контекст, а не брать модель побольше 👉 Разбор целиком Такие дела! А вы на каком объёме контекста обычно жмёте /clear?

Сколько лошадей в токене — Цена $100 за 50 кредитов, — сказал фаундер — А по-русски это сколько? Открываешь тарифы любого ИИ-сервиса, а там — токеры, кредиты, мутные фразы типа «в 5 раз больше использования». Но главный вопрос без ответа — а что я получу или смогу сделать за эти деньги? Гики разберутся, а обычный потребитель закроет вкладку и уйдет. С такой же проблемой столкнулся 2,5 века назад Джеймс Уатт. Он сделал паровую машину и продавал ее владельцам шахт для откачки воды. Чтобы убедить купить дорогую новинку, придумал три вещи: 1. Перевел выгоду в то, что заменял — в лошадей. Так появились лошадиные силы. 2. Брал долю из сэкономленных средств. Сберег уголь — треть отдай Уатту. 3. Поставил на машину счетчик количества откачиваний, чтобы можно было посчитать эффект от работы. Уатт захватил рынок понятной ценой, а не лучшей машиной. С ИИ-сервисами такая же фигня: преимущества получает тот, кто делает цену предсказуемой и понятно. А не эти ваши кредиты :)

Пустили ботов по SSH на фейковый сервер с четырьмя H100: что они там делали Первый чужой бот пришёл через шесть минут после запуска ловушки. Она изображала Debian 12 со 128 ядрами AMD EPYC, терабайтом памяти и четырьмя NVIDIA H100. В nvidia-smi видеокарты были загружены примерно на 90%. Правда, ни одной настоящей H100 за этим не стояло. За двенадцать с половиной часов ловушка собрала 1846 подключений со 126 адресов. Одни боты просто перебирали пароли, другие заходили внутрь и вводили команды. Один возвращался 38 раз, каждый раз проверяя видеокарты. А с 59 адресов выполнялся один и тот же сценарий слово в слово. Подбор пароля был только началом. Что происходило после успешного входа, ловушка записала команду за командой.

State of Product 2027 Всем кто «запутался» — читать отчет от Atlassian среди 1000 продактов Ключевые поинты: 1️⃣ 80% PM говорят, что AI помогает шипить быстрее, но клиенты не получают ценность раньше. 2️⃣ 61% отмечают рост тех.долга от AI, при этом мало команд выделяют время на его погашение. 3️⃣ 67% согласны, что сложно чётко определить свою роль — границы с Engineering и Design размылись 4️⃣ 76% обеспокоены тем, что их продукт не добьется успеха на рынке 5️⃣ 89% обеспокоены конкуренцией со стороны компаний, изначально разрабатывающих ИИ 6️⃣ 99% продуктовых команд полностью интегрировали ИИ хотя бы в один рабочий процесс, а 96% утверждают, что как минимум в одной области он работает на уровне человека или лучше. 7️⃣ 77% считают что интуиция руководителей регулярно перевешивает данные 8️⃣ 33% продакт-менеджеров используют ИИ для приоритизации 9️⃣ 82% говорят, что участники команд регулярно создают с помощью ИИ работу низкого качества, не прикладывая особых усилий, а затем дорабатывают её по обратной связи. Примерно 50% тратят время на проверку результатов работы агентов и на то, чтобы удерживать их в рамках задачи === classic 🚬

📌 Perplexity научила модель быть учителем самой себе ИИ-поисковик предложил метод обучения под названием JOLT, в котором одна и та же модель выступает сразу учеником и учителем, причём обе роли учатся одновременно. При обучении с подкреплением модель получает награду только за итог попытки, и по ней не понять, какие именно шаги привели к успеху. На длинных агентных задачах, где попытки редко удаются, такого сигнала мало. Обходят это дистилляцией, когда модель посильнее оценивает каждый токен ученика и подсказки становятся плотнее.

Но умение решать задачу и умение её объяснить не одно и то же. Сильный учитель легко уходит туда, куда ученик за ним не дотянется, и подсказки пропадают впустую.

В JOLT учитель видит проверенный ответ, разобранное решение или отчёт о прошлых попытках, а ученик работает вслепую. Обе роли живут в одной модели и обновляют общие веса. Ученик тянется к подсказкам учителя, а учитель получает задачу подстроиться под ученика, т. е. давать такие подсказки, которые двигают его в ту же сторону, куда двигало бы обычное обучение с подкреплением на его собственной награде.

У метода есть второй вариант, JOLT+. В нём ученик получает и подсказки учителя, и обычную награду за итог своей попытки, то есть плотный и разреженный сигналы складываются.

🟡 Тесты Метод проверяли на небольших моделях DeepSeek и Qwen, от 0,6 до 30 млрд параметров. Задачи брали разные, от школьной математики и олимпиадных задач до генерации кода, работы с приложениями и команд в терминале. Сравнивали с GRPO и двумя методами дистилляции. JOLT+ везде показал лучший средний результат, обойдя GRPO на 4,2 процентных пункта на наборе MATH, на 3,0 на LiveCodeBench и на 9,9 на AppWorld. На MATH при равной точности JOLT потратил в 6,5 раза меньше обработанных токенов обучения и примерно в 13 раз меньше сгенерированных. Без награды ученика метод работает хуже. На AppWorld чистый JOLT отстал и от GRPO, и от конкурирующей дистилляции, а на Terminal-Bench уступил GRPO. Perplexity обещает открыть код позже, пока есть только статья с описанием метода. @ai_machinelearning_big_data #AI #ML #LLM #Research #RL #Perplexity

Nvidia повторяет пузырь доткомов? Сейчас монтирую большой видос про схематоз Nvidia - как хитрый Дженсен Хуанг гоняет по кругу гигантские потоки бабла и раздувает всю ИИ-индустрию. Пока вникал - немного припух с объёмов, конечно.... Но ещё там есть нюансы, про которые СМИ почти не пишут, и один разберём прямо сейчас (остальные будут в видосе, coming very soon). Итак, про Nvidia часто пишут в духе "Хуанг раздувает пузырь доткомов 2.0". Так вот, не совсем. Во-первых, ИИ-кейс Nvidia больше похож не на доткомы, а на пузырь телекомов. Доткомы - это когда сегмент интернет-сайтов сначала распух, а потом отправился в чистилище. А телеком-пузырь шёл параллельно, там распухала-схлопывалась инфра под эти самые доткомы. Это по-первых. А во-вторых, с кейсом Nvidia есть одно тонкое, но решающее отличие. Итак, для начала давайте вспомним, что там вообще было четверть века назад: После Telecom Act 1996 (читай: разблокировки локальной телефонной связи для конкурентного рынка) в США разродились сотни альтернативных операторов - Winstar, Covad, Northpoint, McLeod и другие. Выручки у них было ноль, а план был примерно "ща как построим сеть... а дальше туда-сюда миллионер". Без шуток, у многих вообще стратегии не было - только слепая вера, что технологический дизрапт прямо положит им денежку прямо в карман. Деньги эти ребята брали либо на бирже через мусорные облигации, либо... у поставщиков железа для телекомов. Это были компании вроде Lucent, Nortel и Cisco. Они кредитовали операторов, чтобы те покупали их же оборудование (как Nvidia сейчас делает с OpenAI или Oracle). McKinsey тогда насчитал около $25 млрд таких кредитов у девяти вендоров к концу 2000 года. Кто-то даже брякнул про Lucent: "Они уже не продают оборудование. Они его дарят и называют это продажей". Был такой нео-телеком Winstar. В 1998 Lucent подписал с ним 5-летний контракт: железо плюс до $2 млрд кредита. Акции Winstar за 4 года выросли на 600%. А в марте 2001 Lucent не перевёл им очередные $90 млн. Winstar тут же пропустил платёж на $75 млн - кому бы вы думали? Правильно, Lucent'у. То есть, Winstar нужны были деньги Lucent, чтобы расплатиться с Lucent (👍). 18 апреля Winstar подаёт на банкротство и кидает встречный иск Lucent на $10 млрд. А потом SEC выясняет, что менеджер Winstar вместе с менеджером Lucent нарисовали "покупку софта" на $125 млн, чтобы Lucent красиво закрыл квартал. Это самый эпичный кейс, но вообще, так было устроено пол индустрии в тот момент. Кончилось предсказуемо. Акции огромного Lucent с $38 млрд выручки и 153 тысяч сотрудников упали до мусорных 55 центов за акцию, и в 2006 его сожрал французский Alcatel (помните такой?). Канадский Nortel аналогично - убыток $27,5 млрд за 2001, а в 2009 крупнейшее банкротство в истории страны, где больше всех потеряли пенсионеры (Nvidia тоже хочет завалить ИИ пенсионными деньгами - в видео расскажу, как именно). Cisco выжил, но списал $2,2 млрд запасов, пока доткомы распродавали их роутеры на eBay за 3 копейки. Всего сдохло почти 50 операторов за три года. "Так что, аффтар, Nvidia - это Lucent 2.0?" Нет, не совсем. И разница тут в деталях. А именно - как оформлена сделка. Lucent давал кредит: отгрузил железо → записал себе выручку → долг клиента повис на балансе в виде дебиторки. Клиент умер - выручка задним числом превратилась в убыток. Когда такого убытка стало много - Lucent умер следом. Nvidia же кредитов почти не даёт. Она покупает доли (в OpenAI, CoreWeave, xAI, ...) и обещает выкупить непроданные мощности - например, если CoreWeave настроит дата-центров в кредит и не сможет найти на них покупателя. При потенциальном банкротстве кого-то из этой цепочки доля Nvidia просто спишется в ноль. Это грустно-печально, но не смертельно при $50 млрд операционного потока в год. А главное - долги под все эти дата-центры лежат не у Nvidia. Они у самого CoreWeave (ну, или у Oracle, смотря кто вам больше нравится), а ещё в специальных SPV-прокладках. А сейчас Хуанг хочет ещё и на топ-фонды всё это переложить (это как раз к слову про пенсии - подробнее в видосе расскажу). Грубо говоря, Lucent тогда стал банком и утонул вместе с лопнувшими заёмщиками. А Nvidia скорее брокер, который берёт себе комиссию и жёстко бенефецирует со всего ИИ-бума, но риск скидывает на других. Так что, если ИИ-пузырь и рванёт, то самый сильный удар придётся не на Nvidia, а на кое-кого другого. Дизраптор

Разработчики отказываются работать без ИИ. Даже за деньги! 😁 Ну ка не ржать, матросы! Короче, у METR случилась прекрасная проблема с исследованием продуктивности. Помните ребят, которые в 2025 году выяснили, что опытные разработчики с ИИ выполняли задачи на 19% дольше? Хотя сами считали, что ускорились. Так вот, они решили провести новый эксперимент. И столкнулись с тем, что часть разработчиков просто не захотела участвовать. Потому что пришлось бы половину задач делать без ИИ. Даже за $50 в час. (metr.org) Дальше ещё прикольнее. 1. Некоторые вообще не приходят в исследование: отказываться от ИИ не хочется. 2. Среди опрошенных участников 30–50% признались, что не отдавали в эксперимент отдельные задачи. Вдруг выпадет условие «без ИИ», а делать руками совсем не хочется. 3. Один участник не завершил ни одной задачи, которую ему назначили выполнять без ИИ. В итоге METR объявила о пересмотре методики: из исследования выпадают люди и задачи с наиболее высокими ожиданиями пользы от ИИ. Это может занижать измеренный эффект. Правда, оплату участия тоже снизили — со $150 до $50 в час, что могло повлиять на отказы. (metr.org) Знаете, что самое клевое? Мы пытаемся ответить на вопрос «насколько ИИ ускоряет разработчика», предлагая ему поработать так, как он уже не хочет работать. Это как измерять пользу IDE, периодически выдавая человеку блокнот. Эксперимент провести можно. Добровольцев найти сложнее 😁 При этом нежелание отказаться от инструмента ещё не доказывает рост продуктивности. Он может экономить силы, убирать скуку или просто создавать приятное ощущение скорости. Но для нас, людей, которые делают инженерные платформы, здесь есть ещё один вопрос: Как измерять эффект инструмента, когда вокруг него уже перестроилась сама работа? Человек иначе выбирает задачи, иначе распределяет внимание, запускает несколько агентов параллельно. И сравнение «та же задача с ИИ и без» всё меньше рассказывает о том, как теперь работает команда. Исследование METR

🤡 Внедрение ИИ превращается в корпоративный спектакль Опубликованный 23 сентября отчёт Visier описывает новый эффект — *performative AI*, или показное использование искусственного интеллекта. Компания опросила 1 000 работающих полный день американцев и дополнила ответы интервью с сотрудниками из здравоохранения, финансов и HR. 🔵48% хотя бы иногда преувеличивали свой опыт или частоту использования ИИ 🔵45% чувствуют давление применять ИИ, даже когда не уверены, что умеют делать это эффективно 🔵59% не видят у работодателя ясного плана либо не знают, существует ли он 🔵Только 21% полностью согласны, что получают достаточно обучения и поддержки 🔵54% считают, что ИИ уже заметно изменил их роль или карьеру Сотрудники не обязательно пытаются сознательно обмануть компанию. Они подстраиваются под сигнал руководства: современный и эффективный специалист должен пользоваться ИИ. Признаться, что инструмент не подошёл для задачи или потребовал слишком много исправлений, становится рискованнее, чем сообщить об очередном успешном применении. Так внедрение незаметно превращается в соревнование по демонстрации активности. Люди упоминают ИИ на встречах, открывают корпоративные инструменты и добавляют технологию туда, где привычный способ работал быстрее. Дашборд показывает рост использования, но компания всё ещё не знает, стала ли работа лучше. Особенно легко получить такой результат, если руководители ставят цель «увеличить использование ИИ». Человек быстро понимает, какое поведение от него ждут. Чем сильнее частота входов, количество запросов или пройденных курсов влияют на оценку, тем меньше этим данным можно доверять. Полезнее начинать с конкретной проблемы: какую работу нужно ускорить, упростить или сделать качественнее? После эксперимента достаточно проверить, что изменилось с учётом проверки и исправления результата. Важно разрешить и честный ответ: «здесь ИИ не помог». Неудачный сценарий тоже экономит компании время — если его не будут повторять сотни сотрудников. Руководителю при этом нужна не декларация «используйте ИИ активнее», а понятные границы: где инструмент уместен, какие данные нельзя передавать, кто отвечает за итог и в каких задачах человеческая работа остаётся предпочтительной. Тогда сотруднику не приходится изображать уверенность, чтобы не выглядеть отстающим. ✅ Вывод Когда использование ИИ становится самостоятельной целью, сотрудники начинают оптимизировать не работу, а отчёт о внедрении. Зрелая компания спрашивает не «сколько людей открывали инструмент», а «какая задача теперь решается лучше». Всё остальное легко превращается в цифровую имитацию прогресса.

Технологии, построенные на вере На The Atlantic во вторник вышел отличный текст о том, как Кремниевая долина (уже давно) разучилась отличать реальные технологические прорывы от фантазий и мошенничества. Поводом стал «You Can See Everything» — новый хит от A24 про Элизабет Холмс. В одном из эпизодов она вместе с мужем пытается привлечь инвесторов и собрать команду для Theranos 2.0. И совершенно искренне объясняет, что создание компаний — её предназначение.

Что бы она ни думала о своей вине и ответственности, кажется очевидным, что её личность неразрывно связана с её представлением о себе, как о создателе: о человеке с самыми высокими амбициями, визионере с удивительной терпимостью к риску, который создаёт что-то новое и не боится неудач, потому что её охватывает маниакальная одержимость расширением границ возможного.

Кремниевая долина так заигралась с культом предпринимателя-визионера, что постепенно ценность такого предпринимателя стала определяться исключительно масштабом его амбиций и способностью убедить окружающих в собственном видении будущего. В индустрии, где инвесторы готовы вкладывать миллиарды в ещё не существующие продукты и технологии, грань между визионерством и мошенничеством становится всё менее очевидной. Особенно когда обещания начинают восприниматься как доказательство таланта, страсти и высокой вероятности успеха. Отсюда автор статьи переходит к AI — как faith-based technology. Нам обещают беспрецедентный экономический рост, радикальную трансформацию рынка труда, исчезновение профессий и появление класса людей, которые навсегда потеряют свою экономическую ценность. Существует всё это пока исключительно в воображении людей, которые строят и продают нам такое будущее. Но если вы сомневаетесь, то значит, просто недостаточно хорошо понимаете происходящее. Потому что визионер никогда не ошибается. Если его обещания не сбылись — это лишь потому, что он слишком рано пришёл. В комментариях пдф с переводом статьи. → https://www.theatlantic.com/technology/2026/10/theranos-elizabeth-holmes-musk-flying-car/689095/

Сундар Пичаи поставил логичную точку в обсуждениях того, какой процент кода пишет ИИ в технологических компаниях. Он заметил, что вопрос о доле сгенерированного кода потерял смысл, потому что весь код так или иначе связан с ИИ и нужны более точные и подробные метрики, чтобы отслеживать реальный прогресс в использовании ИИ

“That number in our world today is meaningless in the sense that every part of code we now touch is influenced by AI deeply"

Он отметил отдельно, что ситуация сильно поменялась после выхода Argon: с его помощью разработчики смогли привлекать ИИ к работе над сложными проектами на миллионы строк кода. Он добавил, что рост числа генеративных обновлений сопровождается снижением на треть числа откатов, что свидетельствеут: рост объемов сгенерированного кода отнюдь не ухудшает его качества, скорее наоборот.

“So I think people are writing code more productively and better code with it. Nobody would want to code the way they were coding three years ago or even the same time last year.”

Прошлый призыв к ортодоксальным разработчикам отметиться какашками в реакциях прошел на ура; теперь призываю бросаться коричневыми кучками тех, кто напреркор Пичаи продолжает хотеть работать как три года назад:) httpеs://officechai.com/ai/its-now-meaningless-to-ask-how-much-of-our-code-is-written-by-ai-because-ai-influences-all-of-our-code-google-ceo-sundar-pichai/

Биекция (взаимно однозначное соответствие) в сфере искусственного интеллекта и машинного обучения — это математическое свойство функции, гарантирующее, что каждому входному объекту соответствует ровно один выходной, и наоборот, при этом нет «потерянных» или дублирующихся данных. Простыми словами, биективное преобразование можно без потерь «развернуть» в обратную сторону. В современном AI концепция биекции лежит в основе нескольких прорывных технологий. 1. Нормализующие потоки (Normalizing Flows) Это один из самых ярких примеров использования биекции в генеративном AI. Нормализующие потоки используются для генерации изображений, звука и моделирования сложных распределений данных. • Как это работает: Нейросеть берет простое распределение (например, белый шум или стандартное Гауссово распределение) и через серию биективных (обратимых) слоев превращает его в сложное распределение — например, в реалистичное лицо человека. • Зачем нужна биекция: Так как все слои строго биективны, мы можем передать функции сгенерированное лицо и точно вычислить плотность вероятности для этого объекта (пройти путь назад до исходного шума). Это отличает их от GAN (генеративно-состязательных сетей), где обратный путь невозможен. 2. Обратимые нейронные сети (Invertible Neural Networks / RevNets) В стандартных глубоких сетях при обучении (обратном распространении ошибки) приходится сохранять в памяти видеокарты активации всех слоев, что требует огромных вычислительных ресурсов. • Применение биекции: Если сделать архитектуру слоев биективной, то значения предыдущего слоя можно математически вычислить на основе последующего. • Результат: Память под активации не расходуется. Сеть может содержать сотни слоев и обучаться на стандартном оборудовании, восстанавливая нужные для градиентов данные «на лету» в обратном проходе. 3. Представление данных и распутывание (Disentanglement) При обучении автоэнкодеров (VAE) или трансформеров модель пытается сжать данные (текст, картинку) в компактный вектор (латентное пространство). • Идеальное латентное пространство стремится к биективности: каждому уникальному объекту реального мира должен соответствовать строго один уникальный код (вектор) в пространстве эмбеддингов. Если биекция нарушается, у модели возникает «галлюцинация» или коллапс модальностей (когда разным объектам присваивается одинаковый вектор). Главный компромисс: Создавать биективные слои для нейросетей сложно. Чтобы функция была обратимой, матрицы весов должны отвечать строгим математическим критериям (например, иметь ненулевой детерминант), что накладывает жесткие ограничения на архитектуру и иногда снижает гибкость модели по сравнению со стандартными «необратимыми» слоями.

Стартап Eka Robotics привлек внушительные $150 млн на масштабирование своей технологической платформы для робототехники 🤖 🤍Инженеры компании разрабатывают специальную модель vision-force-action, или VFA. Ее главная задача — научить роботов базовой интуиции физики через масштабное обучение с подкреплением в реальном мире. 🤍Вместо жестких алгоритмов и слепого следования скриптам система пытается сформировать у машины понимание того, как взаимодействуют объекты, с какой силой нужно воздействовать на предметы и как предсказывать реакцию среды. 🤍Пока это инвестиции в развитие фундаментальной технологии, которой еще предстоит доказать свою эффективность за пределами лабораторных стендов. Но сама попытка обучить роботов «чувствовать» физику — это как раз тот шаг, который отделяет красивые демо от реальной автономности. 🤍Подробнее — в источнике. ————————— 🤖Подписывайтесь на лучший канал PRO Роботов 📲Мы в MAX

Как я делаю дизайн, UI и UX Друзья, спешу поделиться с вами свежими приемчиками. Осваивал тонкое искусство производства интерфейсов и открыл для себя новый flow. Работает так - Берём какую-то идеи/задачу и описываем ее Клоду/Кодексу, просим собрать контекст. Дальше подключаем Mobbin MCP и просим агента найти релевантные интерфейсы. Изучаем что он там нашел и просим использовать генерацию картинок, для того что бы сделать прототип интерфейса. Вместе доводим до ума и дальше просим написать план по материализации проекта в код. Запускам план в ультра режиме - и готово! Намного подробнее и с примерами читайте в новом блог-посте: https://getsweat.ai/blog/from-mobbin-to-a-working-dashboard/

Любителям схем со слоями. Вот как та же "модель OSI" только про ИИ 21 октября глава Nvidia выступил с кейноутом GTC Berlin в Темподроме. Мне не удалось сходить, но видео есть. Начал он с простого вопроса: что такое ИИ. Ответ Хуанга: ИИ это производство, а не просто программная технология. Компьютер теперь не инструмент в руках человека, а часть машинерии и инфраструктуры, то есть фабрик, которые выпускают интеллект. Продукция этих фабрик это токены. Для наглядности он предлагает думать об ИИ как о пятислойном пироге: — Энергетика. Фундамент, без электричества дальше ничего не работает. — Вычисления. Чипы, серверы, сети. Это слой самой Nvidia. — Фабрики ИИ. Дата-центры, которые не хранят данные, а производят токены. — Модели. Это не только языковые модели, но и биология, химия, физика, движения роботов, анимация, причем модели любых размеров. — Приложения. Верхний слой, где появляются деньги. Любое успешное приложение тянет за собой все слои ниже, вплоть до электростанции, которая его питает. Цифры для масштаба. Фабрика ИИ мощностью один гигаватт стоит около 50 млрд долларов. Главный посыл для европейцев: мало потреблять ИИ, нужно его производить, и все это можно делать в Европе, причем процесс уже идет. Сам "слоеный пирог" не новый. Впервые Хуанг показал эту схему в январе в Давосе, на сцене вместе с главой BlackRock Ларри Финком. В марте он написал об этом отдельную колонку в блоге Nvidia. Что тут интересно. Формально Nvidia занимает один слой из пяти. Но у компании уже есть свои открытые модели, свои готовые фабрики в контейнерах, своя платформа для агентов. TechRadar заметил, что если Nvidia пойдет дальше в модели, инфраструктуру, энергоснабжение и приложения, она окажется почти во всех слоях собственной схемы. А вот то, что внизу пирога лежит энергия, а не алгоритмы, это честно. Хуанг прямо называет энергию главным ограничением того, сколько интеллекта система может произвести. И, к слову, а попробуйте вспомнить какую-нибудь компанию, которая производит оборудование для энергетики... ну? Скорее всего это будут как раз европейские Siemens, Schneider Electric, ABB. Ну, кто-то еще вспомнит General Electric / GE Vernova или Hitachi. Но, там много всего интересно в энергетике и особенно в фундаментальных исследованиях и разработке. Потому Дженсен Хуанг и выступал в Берлине.