Nazir's website

Open-source как бизнес-модель

2026-07-29T09:40:08+00:00

На первый взгляд open-source бизнес звучит странно.

Ты тратишь деньги на разработку, выкладываешь код бесплатно, конкуренты могут его скопировать, пользователи могут не платить. Где бизнес?

Но по факту open-source почти никогда не является бизнес-моделью сам по себе. Это стратегия выхода на рынок. Способ дистрибуции, доверия и стандартизации.

Компания открывает не потому что она добрая, а потому что в некоторых рынках открытость дает больше, чем секретность.

Почему компании выбирают open-source:

Дистрибуция. Разработчик может просто взять и попробовать без звонка с продажником, закупок, демо и всей этой корпоративной бюрократии. Для инструментов разработки это суперсила.
Доверие. Если ты ставишь базу данных, инфраструктурный инструмент или AI-модель внутрь своей системы, тебе важно понимать, что там происходит. Особенно если это безопасность, данные, комплаенс или установка у себя.
Стандарт. Если твой проект становится выбором по умолчанию, вокруг него появляются плагины, интеграции, документация, специалисты, контент. И дальше уже не ты продаешь рынок - рынок начинает продавать тебя.
Найм и разработка. Сильные инженеры охотнее идут туда, где их работа видна миру. Плюс комьюнити находит баги, пишет интеграции, тестирует крайние случаи.
Удешевить смежный слой. Если ты зарабатываешь на облаке, поддержке, корпоративных функциях или приложениях, тебе выгодно, чтобы базовый слой стал доступнее и дешевле.

Последний пункт особенно важен для AI.

Многие китайские AI-компании сейчас активно выпускают модели с открытыми весами - DeepSeek, Qwen, Kimi и тд. Это не совсем классический open-source, потому что часто открыты веса, но не полные данные обучения, методика и инфраструктура. Но логика похожая.

Если ты не можешь выиграть у OpenAI закрытой премиальной моделью и потребительской дистрибуцией, можно играть иначе: сделать модель настолько доступной и хорошей, чтобы ее начали использовать разработчики, облачные провайдеры, стартапы, исследовательские лаборатории и корпорации. Ты покупаешь распространение ценой раскрытия части технологии.

Это особенно разумно, если твой настоящий бизнес не в том, чтобы продать файл с весами. Настоящий бизнес может быть:

инференс как сервис
корпоративные внедрения
дообучение и кастомизация
потребление облачных ресурсов
закрытые продукты поверх модели
государственные и корпоративные контракты
экосистема вокруг твоего стандарта

То есть open-source в AI часто работает как захват территории. Ты раздаешь базовый слой, чтобы стать частью чужого стэка.

Как потом зарабатывают open-source компании:

Управляемое облако

Самая понятная модель. Код можно поднять самому, но нормальные компании платят за готовую облачную версию, потому что никто не хочет ночью дебажить Kubernetes ради экономии $800.

MongoDB Atlas, Elastic Cloud, Confluent Cloud - все примерно отсюда.

Открытое ядро

Базовая версия открыта, корпоративные фичи платные: SSO, права доступа, журналы аудита, комплаенс, продвинутая безопасность, управление командой, поддержка.

Это модель GitLab. Разработчик начинает бесплатно, компания платит, когда появляется организационная сложность.

Поддержка и подписки

Классика Red Hat. Linux бесплатный, но корпорации платят за стабильность, патчи безопасности, сертификацию, поддержку и долгосрочное обслуживание. IBM купил Red Hat за $34B не из благотворительности.

Source-available вместо настоящего open-source

Многие компании начинали как open-source, а потом закрывали лицензию от облачных конкурентов. MongoDB ушел в SSPL, Elastic тоже экспериментировал с лицензиями, HashiCorp перевел Terraform в BSL - после чего появился форк OpenTofu.

Это важный компромисс: ты защищаешь монетизацию, но часть комьюнити начинает считать, что ты нарушил социальный контракт.

Услуги и консалтинг

Работает, но хуже масштабируется. Хорошо как старт, плохо как финальная модель, если хочется софтверной маржи.

Сколько на этом зарабатывают?

Много, если проект становится инфраструктурным стандартом.

Red Hat перед покупкой IBM делал ~$3.4B годовой выручки. GitLab уже почти ~$1B годовой выручки. Elastic - около ~$1.7B. MongoDB - около ~$2.5B. HashiCorp перед продажей IBM был на уровне ~$600M выручки. Confluent тоже уже перешел через ~$1B подписочной выручки.

Но тут важная поправка: почти все эти компании - не “чистый open-source”. Это открытое ядро, управляемое облако, source-available, корпоративные подписки. Романтика комьюнити сверху, очень прагматичная монетизация снизу.

Как принимать решение: открывать или закрывать?

Я бы смотрел не идеологически, а через вопрос: где у тебя настоящий moat?

Если moat в коде как секрете - закрывай.

Если moat в дистрибуции, облаке, данных, бренде, отношениях с корпорациями, UX, экосистеме или скорости исполнения - можно открывать часть стэка.

Open-source хорошо работает, когда:

продукт для разработчиков, инфраструктуры или AI-продуктов
распространение важнее быстрой монетизации
рынок работает по принципу “победитель становится стандартом”
пользователю важно доверие, самостоятельный хостинг или установка у себя
вокруг продукта могут появиться плагины, интеграции и комьюнити
ты умеешь монетизировать смежный слой - облако, корпоративные функции, поддержку, приложения

Закрытый код лучше, когда:

код и модель - главный секрет
продукт легко скопировать без твоей дистрибуции
нет понятного платного слоя
безопасность, злоупотребления и регулирование слишком важны
потребительский UX и бренд важнее принятия среди разработчиков

Мой текущий вывод: open-source - это не про “быть добрым” и не про “не уметь зарабатывать”.

Это способ сказать рынку: “пусть базовый слой станет коммодити, потому что я собираюсь заработать на том, что выше, надежнее, удобнее или ближе к корпоративному бюджету”.

И если это получилось, бизнес может быть огромным.

Но если ты открыл единственное, что было твоим moat, а дальше не построил облако, корпоративный слой, дистрибуцию или продукт поверх - ты не сделал open-source бизнес.

Ты просто подарил миру хороший репозиторий.

Команда должна быть настолько маленькой, что вам некомфортно

2026-07-10T10:46:47+00:00

Есть популярная ошибка в стартапах - нанимать людей чуть раньше, чем действительно нужно.

Кажется логичным: задач много, все перегружены, надо закрыть дырки, ускориться, добавить менеджмента, больше функций, больше параллельности.

Но по факту почти всегда происходит обратное. Команда становится больше, а скорость падает.

Почему?

Потому что маленькая команда вынуждает к ясности.

Когда вас мало, нельзя делать десять направлений одновременно. Нельзя спрятать плохой продукт за процессами. Нельзя месяцами обсуждать roadmap. Нельзя держать людей, которые “вроде полезны”. Все видно сразу.

Маленькая команда заставляет отвечать на неприятные вопросы:

что самое важное прямо сейчас?
кто реально двигает продукт вперед?
какую работу можно вообще не делать?
какая фича не стоит отдельного человека?
где мы пытаемся лечить отсутствие фокуса наймом?

Большая команда часто дает ощущение прогресса. Больше людей, больше митингов, больше статусов, больше всего происходит.

Но это может быть просто организационный шум.

Я бы сказал, что хороший early-stage team должен быть настолько маленьким, чтобы было немного страшно. Чтобы постоянно казалось: “нам не хватает людей”.

Это нормальное ощущение. Оно держит систему в тонусе.

Недостаток людей неприятен еще и потому, что он заставляет заниматься самым нудным.

Не тем, что легко показать в демо. Не маленькими фичами, которые дают ощущение движения. А большими фундаментальными вещами: понять настоящую проблему, упростить продукт, починить core flow, убрать лишнее, сделать так, чтобы пользователь возвращался сам.

Когда людей много, очень легко спрятать маловажные фичи за работающими людьми.

У каждого есть задача. У каждого есть progress. У каждого есть что показать на sync. И постепенно команда начинает обслуживать собственную занятость, а не главный риск бизнеса.

Маленькая команда так не дает. Если вас мало, нельзя держать человека на фиче, которая “вроде полезная”. Слишком дорого. Приходится снова и снова возвращаться к скучному вопросу: что из этого действительно двигает компанию?

Если команде слишком комфортно, скорее всего, вы уже начали покупать комфорт ценой скорости. А в стартапе комфорт почти всегда дорогой.

Не потому что люди не нужны. Нужны.

Но каждый новый человек должен добавлять больше скорости, чем сложности. И это очень высокая планка.

Поэтому лучший вопрос перед наймом не “есть ли у нас для него работа?”.

Работа всегда найдется.

Лучший вопрос: “если мы не наймем этого человека, что мы перестанем делать?”

Если ответ - “ничего, просто будем чуть менее загружены”, я бы не нанимал.

Если ответ - “мы перестанем делать второстепенное и наконец займемся главным”, тем более.

Маленькая команда - это не романтика гаража. Это forcing function. Она заставляет выбирать, резать лишнее и делать только то, что реально важно.

Как читать бенчмарки LLM

2026-02-17T14:44:57+00:00

Каждую неделю кто-то выпускает новую модель, и каждая “побеждает на бенчмарках”. OpenAI публикует таблицу где они впереди планеты всей, Anthropic - свою таблицу где лидируют они, Google - третью где побеждает Gemini. Маркетинговые войны в чистом виде. Но если копнуть глубже - бенчмарки реально полезная штука, просто нужно понимать что они измеряют и чему верить.

Что вообще такое бенчмарк

Бенчмарк - это стандартизированный экзамен для AI-моделей. Набор задач с известными правильными ответами, по которым можно сравнивать разные модели между собой. Идея простая: дали 1000 вопросов, посчитали процент правильных - вот и результат.

Проблема в том, что бенчмарков развелось десятки, каждый измеряет что-то своё, и не все одинаково надёжны. Разберём что к чему.

Главные категории

Все бенчмарки можно разбить на несколько больших групп:

Общие знания - насколько модель “эрудированна” в разных областях
Reasoning - способность к логическому рассуждению и выводам
Код - умение писать работающий код
Математика - решение задач от школьных до олимпиадных
Мультимодальность - понимание изображений, диаграмм, графиков
Человеческие предпочтения - нравятся ли ответы реальным пользователям

Бенчмарки которые стоит знать

MMLU-Pro (Massive Multitask Language Understanding)
Тест на общую эрудицию: 57 предметов от элементарной математики до права, медицины и философии. Формат - multiple choice, но в Pro-версии не 4 варианта ответа, а 10, что сильно усложняет угадывание. Топовые модели сейчас набирают около 89-90% (лидирует Gemini 3 Pro с 90.1%). Полезен как базовый фильтр качества, но уже близок к насыщению - все сильные модели показывают похожие результаты в узком диапазоне.

GPQA Diamond (Graduate-Level Google-Proof Q&A)
Вопросы уровня аспирантуры по физике, химии и биологии. Название “Google-proof” означает что ответы нельзя просто нагуглить - нужно реально понимать материал на глубоком уровне. Важный контекст: эксперты с PhD в соответствующих областях набирают около 65%, а обычные люди с хорошим образованием - всего 34%. Когда бенчмарк только вышел, GPT-4 набирал 39%. Сейчас топовые модели перевалили за 78%. Один из лучших тестов на глубину понимания, а не просто запоминание фактов.

SWE-bench Verified
Пожалуй, самый практичный бенчмарк для тех кто работает с кодом. Это реальные GitHub issues из популярных open-source проектов - модель должна прочитать описание бага, разобраться в кодовой базе и сгенерировать патч который его фиксит. Не абстрактные алгоритмические задачки, а настоящая работа программиста с контекстом, зависимостями и легаси-кодом. Лидеры сейчас - Claude Opus 4.5 с 80.9% и GPT-5.2 с 80%. Интересно что на более сложной версии SWE-bench Pro те же модели набирают только ~23% - есть куда расти.

MATH
Математические задачи от школьного уровня до олимпиадного. Важно что это не просто “посчитай 2+2”, а задачи требующие цепочки рассуждений: алгебра, геометрия, теория вероятностей, комбинаторика. Хороший индикатор reasoning-способностей модели.

Chatbot Arena (LMSYS)
Отдельная история и, возможно, самый честный бенчмарк из всех. Работает просто: реальные пользователи задают вопрос двум анонимным моделям, видят оба ответа и выбирают какой лучше. Из миллионов таких голосов строится ELO-рейтинг как в шахматах. Сейчас на вершине Gemini 3 Pro с рейтингом 1492 и Claude Opus 4.6. Главное преимущество - этот бенчмарк нельзя “заоптимизировать”, потому что это буквально предпочтения живых людей на реальных задачах.

ARC-AGI
Бенчмарк который AI до сих пор не может нормально решить. Это тесты на абстрактное мышление: показывают несколько примеров трансформации сетки (вход → выход), нужно понять паттерн и применить к новому входу. Звучит просто, но требует способности к обобщению которая у современных LLM пока слабая. Важен как индикатор фундаментальных ограничений текущих архитектур.

Humanity’s Last Exam (HLE)
Новейший frontier-бенчмарк для по-настоящему сложных задач. Вопросы собраны от экспертов мирового уровня из разных областей - от квантовой физики до лингвистики древних языков. Идея в том, что если модель не может ответить на эти вопросы, её точно нельзя доверять для серьёзной экспертной работы без человеческого контроля.

Почему нельзя просто верить цифрам

Data contamination
Главная головная боль индустрии. Если тестовые вопросы случайно попали в обучающие данные, модель их просто “помнит”, а не решает. Чем старше и популярнее бенчмарк, тем выше вероятность утечки в training data. Поэтому появляются обновлённые версии: MMLU → MMLU-Pro, LiveBench который обновляется каждый месяц свежими вопросами.

Оптимизация под метрики
Компании активно тюнят модели под конкретные бенчмарки - это факт жизни. 95% на каком-то тесте может означать что модель натаскали именно на этот формат задач, а на ваших реальных кейсах она будет работать хуже.

Разрыв между числами и практикой
Модель может блестяще решать задачки из бенчмарков, но при этом плохо следовать сложным инструкциям, генерировать странный текст или галлюцинировать факты. Стандартные бенчмарки не измеряют “вайб”, удобство работы и практическую полезность для конкретных задач.

Что с этим делать на практике

Не фиксируйтесь на одном числе. Смотрите на несколько бенчмарков в категории которая важна именно вам. Нужен код? SWE-bench важнее MMLU. Нужны общие знания? Смотрите MMLU-Pro и GPQA вместе.

Chatbot Arena - хороший ориентир для общего качества. Если модель высоко в этом рейтинге, скорее всего она будет хороша для большинства обычных задач.

Свежие бенчмарки надёжнее старых. GPQA, MMLU-Pro, LiveBench, HLE - там меньше шансов на contamination чем в классических тестах пятилетней давности.

Лучший бенчмарк - ваши собственные задачи. Возьмите 20-30 реальных примеров из вашей работы и прогоните через несколько моделей. Это покажет больше чем любые публичные таблицы, потому что измеряет именно то что вам нужно.

Полезные ресурсы

Chatbot Arena - live рейтинг на основе человеческих предпочтений
Artificial Analysis - сравнение моделей по качеству, скорости и цене
LLM Stats - агрегатор результатов по разным бенчмаркам
SWE-bench - лидерборд по кодингу

World Models - следующий большой шаг

2026-02-13T09:30:10+00:00

LLM понимают текст. Ты пишешь - они отвечают. Но спроси языковую модель что произойдёт если толкнуть стакан со стола - и она выдаст статистически вероятный ответ. Не потому что понимает физику, а потому что читала много текстов про падающие стаканы.

Это принципиальное ограничение. Языковые модели работают с токенами, не с реальностью.

World models - другой подход. Это AI который строит внутреннюю модель мира и может её симулировать. Не генерирует текст про физику, а понимает физику. Может предсказать что произойдёт если совершить действие X в контексте Y.

Кто этим занимается:

AMI Labs** - Yann LeCun ушёл из Meta и поднимает €500M на стартап в Париже. Его тезис: LLM - тупиковая ветка для настоящего AI.

World Labs** - Fei-Fei Li, “крёстная мать AI” из Стэнфорда. $230M от Andreessen Horowitz и Nvidia. Их продукт Marble генерирует интерактивные 3D миры.

DeepMind** - Genie 3 создаёт интерактивные окружения, в которых можно тренировать AI-агентов.

Decart** - израильский стартап, $21M от Sequoia. Их Oasis - полностью AI-сгенерированный Minecraft. Без кода, только нейросеть.

Odyssey** - основатели из self-driving индустрии. Делают “интерактивное видео” - 3D миры из текста и картинок.

Практические применения уже видны. Sora от OpenAI учится понимать что объекты не исчезают когда выходят из кадра. Tesla FSD строит модель окружения и предсказывает поведение других машин. Роботам нужно понимать как предметы взаимодействуют в физическом мире.

Путь к AGI возможно лежит через комбинацию: LLM для общения на естественном языке, world models для понимания физического мира. Слои, не один универсальный алгоритм.

2026 - год когда world models перестают быть исследовательской темой и становятся продуктами.

Человек Ренессанса

2026-02-12T10:29:01+00:00

Я заметил, что самые интересные люди вокруг - те, кого сложно описать одним словом. Спрашиваешь “чем занимаешься?” - и они мнутся, потому что честный ответ займёт минут пять.

Это раньше считалось проблемой. Не можешь сфокусироваться. Разбрасываешься. Шило в одном месте.

А сейчас я смотрю и думаю - может это и есть преимущество?

Система образования заточена под специализацию: выбери одно направление, копай глубоко, стань экспертом. Логика понятная - если ты знаешь одну вещь лучше всех, тебя наймут. Но по факту самые ценные решения появляются не в глубине одной области, а на пересечении нескольких.

Человек который понимает и код и дизайн строит продукты иначе, чем чистый разработчик. Кто-то с опытом в продажах и психологии видит клиента объёмнее, чем просто хороший сейлз. Странные комбинации навыков - это не баг, это фича.

Да Винчи занимался всем подряд - живопись, анатомия, инженерия, архитектура. Не потому что не мог выбрать, а потому что одно питало другое. Понимание анатомии делало его картины живыми. Художественный глаз помогал проектировать машины, которые были не только функциональными, но и красивыми.

Каждый интерес добавляет связей в голове. Чем больше связей - тем чаще замечаешь паттерны, которые другие пропускают. Это не про “знать всё по верхам” - это про способность видеть как вещи влияют друг на друга.

Если у тебя много разных интересов и ты всю жизнь чувствовал что с этим что-то не так - возможно, всё наоборот. Возможно, это и есть твой главный актив.

Игра с нулевой суммой

2026-02-10T10:12:11+00:00

Всё в мире уже кому-то принадлежит. Земля, ресурсы, рынки - всё поделено. Так было тысячу лет назад, так и сейчас.

Но раньше это означало одно: хочешь больше - отними у соседа.

Римляне строили империю не потому что были злыми. Просто другого способа расти не существовало. Нет технологий, нет роста производительности - значит богатство можно только перераспределять. Мечом.

Историки называют это мальтузианской ловушкой. Население растёт, ресурсы конечны, периодически случается война или эпидемия, население падает, цикл начинается заново. Тысячи лет одно и то же.

А потом что-то изменилось.

В Англии XVIII века люди начали строить машины. Ткацкие станки, паровые двигатели, железные дороги. Впервые производительность труда начала расти быстрее населения.

Это был момент, когда появился другой путь - не делить существующее, а создавать новое.

Твой прадед и его прадед жили примерно одинаково. А ты живёшь радикально иначе. Не потому что умнее - а потому что между вами несколько технологических революций. Каждая добавляла новые куски к общему пирогу.

Мы привыкли думать о мире как об арене конкуренции. Мой выигрыш - твой проигрыш. Но это не закон природы. Это следствие стагнации. Когда нового не появляется - остаётся только делить старое.

Проблема в том, что наш мозг эволюционировал именно в таком мире. Племя vs племя. Мы vs они. Ресурсы конечны, чужак опасен. Эти инстинкты никуда не делись.

Посмотри на риторику последних лет. Торговые войны. Протекционизм. Санкции. “Они крадут наши рабочие места”. Это язык дефицита. Язык дележа. Когда рост замедляется - мы автоматически откатываемся к старым паттернам.

Но это временное помутнение.

AI, fusion, космос, биотех - следующая волна технологий уже здесь. Каждый прорыв создаёт новые куски пирога. Каждый скачок производительности делает конфликты менее привлекательными - проще создать, чем отнять.

Человечество всегда возвращается к росту. Иногда через кризисы, иногда через войны, но возвращается. Альтернатива - бесконечная дележка - слишком утомительна.

Reinforcement learning у людей

2026-02-08T16:04:32+00:00

Можно ли научиться чему-то, просто представляя это в голове?

В 1983 году психологи Фельц и Лэндерс собрали данные из 60 исследований на эту тему. Ответ: да. Ментальная практика реально улучшает навыки - от штрафных бросков до игры на фортепиано.

И это не магия. Когда ты представляешь движение, мозг активирует те же области что и при реальном действии. Просто сигнал не доходит до мышц. Но нейронные связи укрепляются.

По сути мозг - это симулятор с встроенным reinforcement learning:

Строит модель мира
Прогоняет сценарии
Получает виртуальный фидбек
Корректирует поведение

Я сам это использовал когда занимался борьбой. Лежишь вечером, глаза закрыты, и прокручиваешь в голове броски и как бы они получались при разных вводных. Не знал тогда что это называется motor imagery - просто чувствовал что помогает. Мой однокурсник Боря делал то же самое с ударами по мячу - прокручивал технику удара перед сном.

Шахматисты анализируют партии в уме, без доски. Пианисты “репетируют” пьесы не касаясь клавиш.

А осознанные сновидения - это вообще отдельный уровень. По сути это world model с которой можно взаимодействовать: полноценный симулятор реальности, где можно тренировать что угодно без последствий.

Почему это важно сейчас? Потому что AI идёт тем же путём.

В робототехнике давно поняли: тренировать робота в реальном мире - дорого, медленно, опасно. Поэтому сначала гоняют тысячи симуляций в Isaac Sim или MuJoCo, потом переносят на железо. Называется sim-to-real.

World models - одно из главных направлений в AI: научить модель предсказывать “что будет если” без реального взаимодействия со средой. По сути - построить внутренний симулятор мира.

Мы много лет думали что нейросетям нужны терабайты реального опыта. А оказывается достаточно хорошей модели мира и воображения.

Первый симулятор реальности появился не в Nvidia. Он появился в черепной коробке примерно 300 000 лет назад.

Aggregation of uncertainties или iteration бьёт planning

2026-02-07T09:06:08+00:00

Есть два типа систем.

Первые пытаются всё предсказать, спланировать, контролировать. Госплан. Пятилетние стратегии. Детальные бизнес-планы.

Вторые не притворяются что знают будущее. Рынки. Эволюция. Стартапы. Иммунная система.

Первые выглядят умнее. Вторые выигрывают.

Почему?

Каждое звено в цепочке решений содержит неопределённость. Неопределённости не складываются - они умножаются. 10 шагов по 90% уверенности = 35% в конце. Чем длиннее план, тем он бесполезнее.

Экономист Хайек писал в своё время: знание распределено. Его невозможно собрать в одной точке без потерь. Каждая передача информации вверх по иерархии - искажение. Поэтому госплан проиграл рынку - не потому что рынок умнее, а потому что он не врёт себе о том, что знает.

Стартапы бьют корпорации по той же причине. Не потому что основатели гениальнее менеджеров. А потому что стартап говорит “мы не знаем, давай проверим” - а корпорация говорит “мы провели исследование и знаем”.

Эволюция работает без единого плана. Просто вариации + отбор. Иммунная система не знает какой вирус придёт - она готовится ко всему сразу.

Практический вывод: iteration > planning. Не потому что планировать плохо - а потому что реальность сложнее любой модели. Системы которые обнимают неопределённость, побеждают системы которые её отрицают.

И ещё одно следствие: чем выше неопределённость результата - тем меньше смысла в долгом планировании. Когда не знаешь что получится - лучше сделать и посмотреть.

Agent Teams в Claude Code - что реально изменилось

2026-02-06T16:27:04+00:00

В Claude Code давно можно было запускать subagents - отдельные агенты на конкретные задачи. Работало просто: main агент даёт задачу, subagent делает, возвращает результат. Как начальник и исполнитель.

Agent Teams - это другая модель. Теперь агенты могут общаться друг с другом напрямую, спорить, координироваться сами без постоянного контроля сверху. По факту это переход от “я раздаю задачи” к “команда сама разбирается”.

В чём конкретно разница

Subagents работают изолированно - сделал задачу, вернул результат, всё. Между собой они не общаются. Если один нашёл что-то важное для другого - никак это не передать напрямую.

В Agent Teams у каждого teammate свой контекст, но они видят общий task list и могут писать друг другу. Если security-агент нашёл проблему которая влияет на работу performance-агента - он ему напишет сам, без участия лида.

Где это реально полезно

Дебаг с неясной причиной. Запускаешь 5 агентов, каждый исследует свою гипотезу. Они не просто работают параллельно - они спорят между собой, пытаются опровергнуть теории друг друга. Это важно, потому что один агент склонен зацепиться за первую правдоподобную версию и не искать дальше.

Code review с разных углов. Три агента смотрят один PR: безопасность, перформанс, покрытие тестами. Каждый фокусируется на своём, но если security-агент видит что какой-то код влияет на перформанс - он сразу пингует коллегу.

Как использовать

Сначала включить в settings.json:

{
  "env": {
    "CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS": "1"
  }
}

Потом описываешь задачу и команду:

Пользователи жалуются что приложение вылетает после первого сообщения.
Создай команду из 5 агентов - пусть каждый исследует свою гипотезу.
Они должны спорить друг с другом и пытаться опровергнуть теории друг друга.

Или для review:

Создай команду для review PR #142.
Один агент на безопасность, один на перформанс, один на тесты.
Пусть каждый сделает review и поделится находками с остальными.

Можно требовать план перед работой:

Создай architect teammate для рефакторинга auth модуля.
Требуй одобрения плана перед любыми изменениями.

Что учитывать

Фича экспериментальная и жрёт токены - каждый teammate это отдельная сессия. Для простых последовательных задач обычный режим эффективнее. Agent Teams имеют смысл когда параллельная работа и общение между агентами реально добавляют ценность.

Оптимизируй риск, а не доходность

2026-02-06T15:31:03+00:00

Большинство инвесторов смотрят на потенциальную доходность. “Сколько я могу заработать?” - первый вопрос. Я бы сказал что это неправильный фокус.

На длинном горизонте risk/reward на рынках выровнен. Нет принципиальной разницы - инвестировать в недвижку или биткоин. Рынок всё выравнивает. Вопрос в другом: как именно ты понимаешь те или иные риски и какое у тебя есть преимущество в работе с ними.

Правильный подход - инвестировать туда, где у тебя есть преимущество в понимании рисков. Где ты видишь и знаешь больше чем остальные участники рынка.

Простой пример: инвестировать в российские компании для россиянина несёт меньше рисков чем для американца. Ты понимаешь контекст, читаешь новости на языке оригинала, чувствуешь настроения. Плюс у тебя нет инфраструктурных рисков - санкции, заморозка активов, проблемы с выводом средств. Для американского инвестора это реальные риски, для тебя их просто не существует. Это преимущество которым надо пользоваться.

То же работает в любой сфере:

Если ты 10 лет в индустрии - ты видишь риски которые не видит новичок
Если понимаешь технологию глубоко - можешь оценить реальную вероятность провала
Если у тебя инсайд в рынок - ты знаешь то, чего не знают другие Формула простая: ищи асимметрию в восприятии риска, а не в ожидаемой доходности. Инвестируй там, где твоя оценка рисков точнее чем у рынка.

Когда даже Карпаты чувствует себя отстающим

2025-12-27T12:31:37+00:00

Если даже Карпаты говорит, что чувствует себя отстающим как программист - это хороший индикатор времени.

Профессия пересобирается. Мы больше не просто пишем код, а пытаемся связать воедино кучу стохастических, полупрозрачных систем: агенты, промпты, контексты, инструменты, интеграции. Новый слой появился очень быстро, и нормальной ментальной модели у него пока ни у кого нет.

Ощущение «я мог бы делать в разы больше, если бы правильно всё это связал» сейчас, кажется, общее. Это не про интеллект, а про скорость изменений.

https://x.com/karpathy/status/2004607146781278521

Два типа разрушения

2025-10-20T09:53:05+00:00

Существует два типа разрушения.

Разрушение силами идущими изнутри субъекта и разрушение субъекта силами внешними.

Первое происходит гораздо медленнее и реже, чем второе. Но первое при этом форма устойвивого развития, а второе неустойчивого.

При внешнем разрушении практически всегда происходит возврат субъекта к предыдущему состоянию, так как внутренняя структура все-таки остается прежней. Настоящий разлом и переход происходят только после внутренней работы по переформатированию.

Поэтому важно не форсировать изменения снаружи. Нужно помогать происходить им изнутри.

Это касается всего - от простых микроорганизмов до сложных социальных структур как государства.

Венчурный капитал в России

2025-10-08T13:34:45+00:00

В России короткое время присутствовал рынок венчурного капитала, что безусловно было хорошей опцией для некоторых крайне высокорисковых типов бизнеса.

Сейчас это время прошло, по крайней мере для массового предпринимателя. Быть может венчур вернется в Россию, но пока местным предпринимателям нужно научиться строить технологические компании без него.

По причине того, что в России отсутствует большой пласт инфраструктурных сервисов, которые уже показывают эффективность и возврат инвестиций в других странах, кажется есть хорошие шансы все-таки найти финансирование на начальных этапах даже в текущих российских реалиях.

На более же поздних этапах, отсуствующих венчурных инвесторов позних стадий, вполне бы мог заменить фондовый рынок.
Как, например, это и было еще совсем недавно в 70-80-90е в США.

Microsoft или Amazon выходили на фондовый рынок очень рано по меркам сегодняшних американских компаний. Что уж ходить далеко - даже относительно современная Tesla выходила в паблик на довольно ранней стадии развития. Microsoft с капитализацией ~$800M (~$2B в сегодняшних долларах) на момент выхода, Amazon ~$450M (~$850M в сегодняшних долларах), Tesla ~$1.6B (~$2B в сегодняшних долларах).

Причиной тому было, как раз относительно слабое состояние венчурной индустрии.

И это позвонило заработать очень хорошие деньги обычным ритейл инвесторам.
Чего кстати практически не происходит сейчас в тех же США. Посмотрите по каким оценкам выходили Airbnb или Uber и какой рост капитализации они смогли обеспечить за эти годы.

Хотелось бы верить что в России получится повторить тот успех. Деньги у ритейл инвесторов в России есть. Чего нет, так это среды, которая бы не создавала столько неопределенности и недоверия, которое мы имеем сейчас.

В России президентом поставлена значительная цель по увеличению доли фондового рынка от ВВП - с текущих ~25% до 66% к 2030 году. Надеюсь, предпосылки для ее выполнения все-таки будут созданы правительством и профильными ведомствами.
Ведь потенциал действительно есть. Стране нужны своя развитая космическая промышленность, электроника, робототехника и ИИ.

Некоторые материалы к самоизучению

2025-09-21T10:40:54+00:00

Все материалы ниже я считаю отличными для ознакомления по теме.

Про LLM лучше всего - https://karpathy.ai/
У него там есть цикл лекций на ютубе про то как они работают.

Смотрите блоги OpenAI и Anthropic, там много хорошей информации по последнему прогрессу фронтирных моделей.

Некоторые видео которые очень рекомендую к просмотру:

The moment we stopped understanding AI [AlexNet]
Ilya Sutskever: “Sequence to sequence learning with neural networks: what a decade”

[Visualizing transformers and attention

Talk for TNG Big Tech Day ‘24](https://www.youtube.com/watch?v=KJtZARuO3JY&ab_channel=GrantSanderson)

[Attention in transformers, step-by-step DL6](https://www.youtube.com/watch?v=eMlx5fFNoYc)
A Survey of Techniques for Maximizing LLM Performance
The New Stack and Ops for AI
How do Graphics Cards Work? Exploring GPU Architecture
[AI Semiconductor Landscape feat. Dylan Patel BG2 w/ Bill Gurley & Brad Gerstner](https://www.youtube.com/watch?v=QVcSBHhcFbg)

Agents

2025-09-21T10:30:22+00:00

Агентов описывают по-разному, но я бы сказал что это AI-приложение, которое может автономно принимать решения и работать “долго” без интервенций человека. То есть и генерация решения и ее валидация согласно заложенным правилам происходят внутри приложения.

Популярные сценарии для агентов:

Агент службы поддержки
SDR (продажник)
Программист

В принципе вы можете взять список профессий где есть повторяющиеся задачи, большое количество работников и относительно дорогой час работы - и это будет хороший список профессий/сценариев для автоматизации агентами. Все три примера выше будут в топе такого списка.

В основном агенты все же пишутся напрямую используя foundation model APIs и накручивая сложную логику для reliable работы поверх. Но это фронтирная область, поэтому лучшие практики формируются прямо сейчас. Я буду об этом писать отдельно.

Посмотрите для примера на Replit Agent (программирование), Claude Code (программирование), Sierra (служба поддержки), чтобы понять куда движется рынок.

Хочу также отметить как область - автоматизацию рутинных задач в браузере.
Есть тулы для автоматизации браузеров (что по факту тоже автономный агент) - типа Browser Use или Computer Use от Anthropic. Это тулы, которые позволяют тебе прям сказать иди на тот сайт, вбей такой логин/пароль, потом найди такую кнопку, нажми на нее, скачай результаты как pdf, и тд. Пока сыровато для массового использования, но уже виден мастшаб будущих применений. И он огромен.

Second layer apps

2025-09-21T10:11:49+00:00

Самое интересное что происходит сейчас, в первой половине 2025 года, это Layer 2 приложения, которые строятся на Foundation model API продуктах от гигантов выше. Есть очень много очень прикольных штук.

Их тысячи, но я просто парочку от себя выделю и которыми пользуюсь:

ChatGPT или Claude - ну тут понятно. Классические second layer продуктs, так как на базовый собственный API ребята навесили кучу логики, которая превращает не самый человеко-ориентированный API, в продукт, которым вы пользуетесь каждый день для разных целей.
Perplexity - от части конкурент ChatGPT, но больше про поиск информации и ричерчи. Если упрощать, то ребята переосмысляют весь продуктовый стек гугла (от поиска по покупок) с помощью AI. Где-то успешно, где-то нет. Но их поиск точно нашел свою нишу и стоит внимания.
Cursor - AI IDE на базе VS Code. Пишет код за тебя по твоим инструкциям. В скором времени планируется автономный агент.
Supermaven - плагин к VSCode, который делает примерно то же самое что и Cursor но в рамках VSCode. Основная фишка скорее в автодополнении кода.
Cline - еще один девелоперский продукт. Работает тоже как плагин к VSCode, но лучше умеет работать с полной документацией по проекту, поэтмоу лучше понимает контекст.
Ollama - SDK, который позволяет себе локально поставить веса опенсорс моделей и по факту на собственной видео-карте (условно бесплатно) гонять LLM-ки для своих целей у себя на ноуте.
OpenAI Operator - пока закрыт вроде, но это заход на территорию агентов.
Browser Use - фреймворк, который позволяет с помощью промпта автоматизировать работу в браузере. Топ вещь для скрейпинга данных, автоматизации простых задач в бразуере и тд.
Browserbase - сторонняя инфраструктура для автоматизации работы браузера. Следующий шаг по сравнению с Browser Use, где похожую вещь можно запустить на сторонних серверах и не заниматься инфраструктурными проблемами.
Replit Agent - они сделали агента, который по твоему описанию создает полноценный проект (не один файл с кодом, а все нужные файлы в проекте). Написал про надо и получил приложение работающее. Очень прикольный тул. Как правило проще для освоения по сравнению с Cursor.
ElevenLabs - API для работы с голосом, супер тул, мы делаем много вещей на нем. Например, AI-продажника, который в офисы звонит по нашему скрипту и учитывает риал-тайм данные которые мы ему даем.
Claude Code - агент работающий локально на вашей машине и автономно пишуший код. В целом использовать можно не только для работы с кодом. Пользуюсь пока редко, но выглядит очень перспективно.

Повторюсь продуктов море, я перечислил тут лишь немногие, которыми я пользовался недавно или которых вижу ценность. В Долине сейчас ренессанс, айтишники вернулись из Техаса чтобы делать AI-приложения. Успевать следить за всем невозможно.

Сейчас больше приложений вокруг текстового GenAI. Но совсем скоро мы увидим массовые продукты в области генерации изображений, генерации видео и даже 3D-миров.

THE BRIEF HISTORY OF AI APPLICATIONS

2025-06-03T20:28:42+00:00

Интро

Машинным обучением занимаются давно. Прогресс шел всегда в разных местах computer science. Искусственные нейронные сети известны, кажется, с 50-х и уже 30 лет назад были прикольные приложения, которые люди писали - например тут (https://www.youtube.com/watch?v=FwFduRA_L6Q) Ян ЛеКун (сейчас директор Мета), один из основоположников CCN архитектур в нейронных сетях, показывает как нейронка распознает цифры. Но больших прорывов в тех приложениях не было, скорее прикольные демки, которые в реальных задачах было тяжело применять.

Все как-то развивалось более менее равномерно, пока в конце 2000-х Джеффри Хинтон (тот который нобелевку получил недавно, внезапно, по физике из-за своих работ в AI), который занимался долгое время психологией, работой мозга и впоследствии нейронными сетями, не понял что видеокарты (GPU) оказывается лучше подходят чем CPU для решения математических задач, которые нужно очень много решать в нейронных сетях (линейная алгебра, матричные операции, тензоры и тд). И тут случился прорыв. Конкретно в распознавании изображений.

Важно понимать контекст. К 2010 году у исследователей была одна большая проблема - не было нормального датасета для тренировки и тестирования моделей распознавания изображений. Были всякие мелкие наборы типа MNIST (рукописные цифры) или CIFAR-10 (32x32 картинки в 10 категориях), но это было как учиться водить машину на игрушечной трассе.

В те же годы Фей-Фей Ли из Стэнфорда сделала фундаментальную вещь - ImageNet. Она с командой собрала датасет из 14 миллионов картинок в 22 тысячах категорий. Но самое крутое - они запустили соревнование ImageNet Large Scale Visual Recognition Challenge (ILSVRC) в 2010 году. Задача простая: вот тебе миллион картинок для тренировки в 1000 категориях, покажи насколько хорошо твоя модель может их классифицировать.

Первые пару лет все решения были основаны на классическом компьютер вижене - выделяли features руками, потом скармливали в SVM или что-то подобное. Ошибка была около 25-30%. И тут в 2012 году пришли Хинтон с командой со своей моделью и просто уничтожили всех - ошибка 15.3%! Это был разрыв почти в 10 процентных пунктов с ближайшим конкурентом. Это много.

AlexNet

Хинтону и команде благодаря улучшению возможностей компьюта и новым подходам к архитектуре удалось натренировать очень крутую (по тем временам) нейронку - AlexNet (https://en.wikipedia.org/wiki/AlexNet). Один из учеников Хинтона, к слову, Илья Суцкевер, который впоследствии будет одним из сооснователей OpenAI.

От AlexNet, в 2012 году, можно сказать пошел отсчет глубоких нейронных сетей - когда народ понял, что архитектуры, которые еще 30 лет назад описывали на самом деле работают, просто их надо было делать гораздо больше (больше нейронов) и тратить больше вычислительных мощностей, чтобы сеть обучалась.

Потом был опять планомерный прогресс по всем дисциплинам внутри машин лернинга в течение следующих 5 лет - хорошее распознавание изображений, распознавание и синтез речи, перенос стилей изображений и тд. Появились очень хайповые приложения - такие как Prisma или MSQRD. Был основан OpenAI, где-то на стыке 2015/2016 годов.

Но при всем при этом принципиального прорыва не случалось, как так нейронки тогда (по сегодняшним временам довольно маленькие), требовали много GPU для тренинга и инференса (так называют уже фактическую работу натренированной нейронки).
Все как бы хотели еще больше нейронки, понимали что чем больше, тем будут лучше результаты, но больше не было возможности особо.

Так было пока в 2017 году ребята из Гугла не написали, теперь уже историческую работу - Attention is all you need (https://en.wikipedia.org/wiki/Attention_Is_All_You_Need). Где они представили сразу несколько прорывных идей по архитектурам нейронных сетей, а именно архитектуру которую сейчас называют Transformer. Одной из главных идей было “внимание” которое позволяло сетке лучше понимать контекст, а другой как технически можно лучше работать на уровне операций на GPU.

Это была прорывная работа. Тем не менее, несмотря на то, что эта работа была написана в Гугле, основным бенефициаром в скором времени оказались OpenAI. А человеком, который помог им в этом преуспеть - Илья Суцкевер. Слушал его интервью где он говорит, что когда увидел пейпер по трансформерам сразу понял, что это то что позволит им заскейлить их нейронки в OpenAI.

Эра трансформеров

После появления трансформеров началась настоящая гонка. В 2018 году Гугл выкатил BERT (Bidirectional Encoder Representations from Transformers) - модель, которая научилась понимать контекст слов с обеих сторон предложения. Это был прорыв для задач понимания языка - классификации, ответов на вопросы и т.д. BERT побил все рекорды на бенчмарках и показал, что предобучение на огромных корпусах текста дает невероятные результаты.

OpenAI работал долгое время над генерацией текста, а точнее над предсказанием какое слово будет следующим в наборе слов, которые подаются на импут в модель. Они применили там “трансформеры” и качество предсказаний существенно выросло, был прорыв. Так появились GPT-модели - Generative Pre-trained Transformer (https://en.wikipedia.org/wiki/Generative_pre-trained_transformer). OpenAI сначала GPT-модели предоставлял через API для разработчиков, а потом они сделали уже консьюмерский продукт ChatGPT.

В 2018 выпустили GPT-1. Это была относительно небольшая модель на порядка 100 миллионов параметров, но она уже показывала, что можно взять трансформер, натренировать его предсказывать следующее слово на куче текста из интернета, а потом дообучить на конкретные задачи.

В 2019 они выпустили GPT-2 с 1.5 миллиардами параметров. И тут случилось интересное - OpenAI сначала отказались публиковать полную модель, заявив что она слишком опасна, может генерировать фейк-ньюс и т.д. Народ посмеялся, но когда модель все-таки выложили, оказалось что она реально умеет генерировать очень убедительные тексты. Это был первый звоночек что мы приближаемся к чему-то серьезному.

Все так и вышло как предсказывал Суцкевер. Сейчас “трансформеры” по факту везде под капотом у ML-приложений, которые теперь уже называются AI-приложения. Почти все улучшения в генерации видео, картинок, текста и тд сегодня это применения архитектуры, которую опубликовали в 2017 году ребята из Гугла.

Более того. За последние 3-4 года почти все крупные вендоры железа стали проектировать GPU/TPU/AI-чипы именно под потребности трансформеров.

Революция ChatGPT

В 2020 году OpenAI выпустили GPT-3 с 175 миллиардами параметров - монстр по сравнению с предыдущими версиями. Но настоящая революция случилась когда OpenAI придумали как сделать эти модели полезными для обычных людей.

Дело в том, что если просто брать пре-трейн модель, такую какой например была GPT-3 и попробовать с ней говорить так, как ты привык сейчас с современными чат-ботами, но никакого долгого диалога не получится. Это будет скорее набор логичных, но не очень связанных текстов. Неплохо для, того чтобы получить короткий ответ, но точно не AI-собеседник. До прохождения теста Тьюринга еще далеко.
Секретным соусом стал RLHF - Reinforcement Learning from Human Feedback.

Идея RLHF простая: берем кучу людей, они оценивают какие ответы модели хорошие, а какие плохие. На основе этих оценок тренируем еще одну модель (reward model), которая учится предсказывать что людям понравится. А потом используем reinforcement learning чтобы основная модель генерировала ответы, которые понравятся этой reward model. По сути, учим AI быть helpful, harmless и honest через человеческую обратную связь.

Именно RLHF превратил сырую GPT-3.5 в ChatGPT, который в ноябре 2022 взорвал интернет. Это был самый быстрорастущий консьюмерский продукт в истории.

Этот прорыв, который получился в первую очередь у OpenAI году в 2021/2022, уже подстегнул всех остальных - стартапы, венчурных инвесторов, больших техно-гигантов, к инвестированию денег и времени в эту индустрию. В частности акции Nvidia выросли в 10 раз на бешеном спросе на свои чипы, так как они являются дефолтным выбором для всех кто хочет обучать и инференсить нейронки.

LLM

LLM - это Large Language Models, в целом название класса, но по факту сегодня часть трансформеров работающих с текстом.

Если говорить чисто о тексте, то можно разбить происходящее сегодня на два этапа:

Сначала все улучшали качество за счет увеличения количества GPU и данных (например GPT-1/2/3/4/4o модели OpenAI)
Потом все уперлись в некий потолок по компьюту/данным и начали делать активную пост-трейн оптимизацию, так называемый reasoning - если упрощать, то улучшение ответов за счет того, что сеть прогоняет сгенеренный ответ через себя опять и оценивает его качество. Потом отдает улучшенный ответ (например o1, o3, o3-mini модели OpenAI)

Сейчас у каждого провайдера LLM есть куча разных моделек, для разных целей - какие-то быстрее и дешевле, какие-то подороже и дольше думают, какие-то лучше для общих задач, какие-то лучше для кодинга и тд.

На рынке сейчас огромное количество разных LLM моделей - проприетарных и опенсорсных. Выбрать есть из чего. Перечислю лишь некоторые из тех что на слуху на весну-лето 2025:

OpenAI

Много разных моделей, хорошее качество в среднем по многим задачам
Есть ChatGPT - с огромным отрывом самый популярный консьюмерсий AI продукт, у них сотни миллионов пользователей

Anthropic

Наверное можно официально назвать номер 2 после OpenAI по совокупности факторов
Мой фаворит, мы их юзаем очень много
Их модель Claude-Sonnet 3.5/3.7 отличная для почти всех задач, в частности для генерации кода и копирайтинга
Апдейт сейчас уже появились модели 4

Gemini

Гугловский продукт
Последние модели очень хорошие
Главная фишка огромное контекстное окно, то есть можно загружать много материалов в чат или просто очень долго есть вести без прерывания
Гугл вообще должны быть лидерами в этом учитывая что почти всем занимаются, и те же трансформеры придумали и свои чипы делают (TPU, конкуренты nvidia), но пока отстают в гонке за разработчиками и консьюмерами. Но думаю имею шансы наверстать

Gemma

Тоже гугл, но опенсорс
Последние модели довольно неплохие по бенчмаркам

Галицкий

2025-05-27T12:34:36+00:00

Удивительный человек - Сергей Николаевич. Невозможно не радоваться как победе его команды, так и его личному успеху, даже если ты не болельщик «Краснодара».
Невероятная личность и пример для всех нас.

«Краснодар» - совсем молодой клуб, основанный в XXI веке, и насчитывает всего 17 лет своей истории. Тем не менее с самого начала было ясно, что Галицкий основательно и целеустремлённо движется к чемпионству, шаг за шагом строя лидера российского футбола. Уже много лет «Краснодар» обладает лучшей тренировочной инфраструктурой и футбольной академией среди всех российских клубов - и это само по себе огромная победа. И вот наконец произошло то, к чему команда неумолимо шла все эти годы. Я нисколько не удивлён - это было лишь делом времени.

Галицкий не раз доказывал, что профессионализм, стойкость, вера в себя и упорство приносят плоды. Он доказал это в бизнесе, в личной жизни и теперь - вновь, на футбольном поле.

Когда-то Галицкий говорил, что хочет видеть «Краснодар» чемпионом с составом, полностью сформированным из воспитанников клубной академии. Думаю, так и будет.

О рыночной капитализации Tesla

2025-01-12T20:36:44+00:00

Рыночная оценка Tesla составляет около 1,2 трлн долларов. Мне стало любопытно — исходя из некоторых верхнеуровневых фундаментальных оценок — насколько эта цифра реалистична, учитывая амбиции компании. Основной текущий бизнес Tesla — автомобили, но у компании также есть три других потенциально крупных направления, которые аналитики часто учитывают: энергетический бизнес, сервис райдшеринга (в перспективе на базе автономных автомобилей) и роботы.

Автомобили
В мире около 1,6 млрд автомобилей.
Каждый год продаётся примерно 80–90 млн новых машин.
Ежегодные продажи некоторых производителей:
Toyota: ~10 млн автомобилей (1-е место)
Volkswagen: ~9 млн (2-е место)
Hyundai–Kia: ~8 млн (3-е место)
BYD: ~4 млн
Tesla: ~2 млн
В настоящее время Tesla занимает примерно 11–14-е место среди крупнейших автопроизводителей по объёму выпуска. Ближайший конкурент в сфере электромобилей — компания BYD, которая продаёт более 4 млн автомобилей в год (включая примерно столько же электромобилей, сколько и Tesla), но при этом её оценка — около 100 млрд долларов. (Да, у BYD меньше маржа с каждой машины, но пока оставим это в стороне.) Для сравнения, рыночная капитализация Toyota — около 300 млрд долларов.

Я не верю, что в долгосрочной перспективе какой-либо автопроизводитель сможет сохранять кардинально другую маржу по сравнению с конкурентами, ведь рынок очень конкурентный. Поэтому выглядит разумным предположить, что Tesla со временем придёт к марже на уровне других массовых производителей. Если бы Tesla стала крупнейшим производителем — как Toyota, продавая примерно 10 млн автомобилей в год (около 10–12% доли рынка), — то в текущих ценах капитализация её автомобильного бизнеса могла бы составить порядка 300 млрд долларов, по аналогии с Toyota.

Энергетический бизнес
Это самая сложная часть бизнеса Tesla для оценки, поскольку выход на рынок энергетики фактически означает конкуренцию с огромным пластом индустрий. Я воспользуюсь очень простой аналогией: ExxonMobil. У Exxon есть сегмент Upstream (разведка и добыча нефти и газа) и сегмент Downstream (переработка, дистрибуция и розничная продажа топлива, включая заправки). Для нас более релевантен Downstream, ведь Tesla пока не производит значимого объёма энергии в глобальном масштабе (солнечная энергия всё ещё мала), но распространяет энергетические продукты (зарядка, батареи и т. д.).

Признаю, что это грубое сопоставление — лишь для верхнеуровневой проверки. Согласно открытым данным, сегмент Downstream приносит Exxon около 30% от общего дохода компании. Общая рыночная капитализация Exxon — около 470 млрд долларов, следовательно, доля Downstream может оцениваться примерно в 150 млрд долларов. Предположим, что энергетический бизнес Tesla со временем сможет достичь такого же масштаба и заменить нефть электричеством. Тогда, в сегодняшних ценах, энергетическое направление Tesla могло бы стоить около 150 млрд долларов.

Райдшеринг
Здесь всё проще. Рыночная капитализация Uber — около 150 млрд долларов. Допустим, Tesla с её автономными автомобилями смогла бы «уничтожить Uber» и полностью занять этот рынок. Это могло бы прибавить ещё 150 млрд долларов к капитализации Tesla.

Роботы
Это самая интересная часть. Теоретически, долгосрочная цена человекоподобного робота может быть сопоставима со стоимостью небольшого автомобиля (учитывая затраты на материалы) — скажем, около 20 000 долларов. Если так, то нет фундаментальных причин, почему роботов будут покупать больше, чем машин (при условии, что функциональность роботов будет достаточной). Это наводит на мысль, что можно взять за ориентир нынешний автопарк (1,6 млрд машин).

Посмотрите, как персональные компьютеры за ~30 лет достигли уровня в 80% проникновения. У роботов процесс может идти медленнее, ведь они дороже компьютеров. Но если предположить, что на массовое внедрение уйдёт 30 лет, а ежегодная доля замены при этом — 10%, то в период активного внедрения это около 100 млн новых роботов в год. Если Tesla может занять большую долю рынка в 30% — то есть около 30 млн штук в год, — это превысит текущие годовые продажи Toyota. Рыночная капитализация Toyota составляет около 300 млрд долларов за 10 млн продаваемых машин, значит, по аналогии, робототехнический бизнес Tesla мог бы обеспечить оценку в 900 млрд долларов.

Итог
Автомобили: 300 млрд долларов
Энергетика: 150 млрд долларов
Райдшеринг: 150 млрд долларов
Роботы: 900 млрд долларов

В сумме получается около 1,5 трлн долларов. С учётом уже довольно оптимистичных допущений и при условии 100%-й успешности в достижении столь амбициозных целей, такая сумма оправдывает текущую оценку Tesla в 1,2 трлн долларов. Однако это крайне оптимистичный сценарий. Реалистичнее кажется, что итоговая цифра должна быть как минимум в два-три раза меньше.
Какие фундаментальные факторы я могу упускать из виду?

Суцкевер на NeurIPS

2024-12-21T17:00:32+00:00

Только добрался до недавней презентации Ильи Суцкевера на последнем NIPS.

Идейно ничего нового, но как ретро на прошедние 10 лет в истории диплернинга, он человека, который во многом формировал это поле исследований, это определенно заслуживает внимания.

Сама презентация занимание всего 16 минут.

https://www.youtube.com/watch?v=1yvBqasHLZs&t=460s

Переписка основателей OpenAI

2024-12-13T21:24:10+00:00

Главное чтиво дня - переписка основателей OpenAI в период 2015 - 2019 годов. Обнародована в связи с делом, которое сейчас идет в суде. https://www.lesswrong.com/posts/5jjk4CDnj9tA7ugxr/openai-email-archives-from-musk-v-altman Там представлены не все имейлы…

В продолжение этой горячей темы OpenAI сегодня выпускает материал, опровергающий многие из утверждений Маска, по крайней мере на это нацеленный.

https://openai.com/index/elon-musk-wanted-an-openai-for-profit/

Как измерить уровень развития цивилизации?

2024-12-10T08:52:01+00:00

В 1964 году советский астрофизик Николай Кардашёв предложил элегантную шкалу – по количеству энергии, которую цивилизация способна использовать.

Тип I: цивилизация способна использовать всю энергию, достигающую своей планеты от звезды – для Земли это порядка 10^16 - 10^17 ватт.

Тип II: цивилизация освоила всю энергию своей звезды – для Солнца это порядка 10^26 ватт (на десять порядков больше, чем получает Земля). На этом уровне возможно строительство сферы Дайсона – гигантской конструкции вокруг звезды для сбора всей её энергии.

Тип III: цивилизация контролирует энергию целой галактики – порядка 10^36 ватт для Млечного Пути.

Где мы сейчас? По данным BP Statistical Review за 2022 год, человечество потребляет около 19.1 тераватт (1.91×10^13 ватт).

Карл Саган предложил формулу для измерения прогресса цивилизации:
K = (log₁₀ P - 6) / 10, где P – потребляемая энергия в ваттах.

По этой формуле цивилизация Типа I имеет значение 1.0, Типа II – 2.0, а Типа III – 3.0. Человечество сейчас находится на уровне 0.73 – то есть мы прошли почти три четверти пути до Типа I по логарифмической шкале. Однако в абсолютных числах картина другая – нам нужно увеличить энергопотребление почти в 10 тыс. раз, чтобы достичь уровня Типа I.

Прогресс

2024-10-21T09:32:01+00:00

Возвращаясь к недавно пойманной руками Мехазиллы из воздуха ракете

Довольно долгое время мы живем в мире, где технологический прогресс практически полностью ассоциируется с прогрессом в IT - мире компьютеров, интернета, мобильных приложений, машинного обучения, телекоммуникаций.

Но ведь технологии - это далеко не только IT. Добыча полезных ископаемых, строительство, энергетическая инфраструктура, машиностроение, инженерные системы, медицина и многие другие сферы - это все технологии, движение в которых, к сожалению, действительно где-то сильнее, а где-то слабее замедлилось.

Можно порассуждать о причинах этого замедления. Являлось ли, например, соперничество между США и СССР двигателем прогресса? И является ли многополярный мир в этом смысле позитивом, о котором мы не говорим? Наверное, это заслуживает отдельной заметки.

Пример с “пойманным” бустером Superheavy еще раз показывает две вещи:

1) Технологии не развиваются самотеком, это результат упорного труда 2) Люди способны добиваться высочайших поставленных целей

Этот успех напоминает нам о важности амбициозных проектов в различных областях техники. Прорывы в области управляемого термоядерного синтеза, квантовых вычислений или биоинженерии могут изменить мир не менее радикально, чем появление интернета.

Спасибо им за напоминание. Нам обязательно нужно, чтобы технологии были не только символом IT.

Ценность человеческой жизни

2024-10-20T08:56:01+00:00

В калейдоскопе культур и цивилизаций, населяющих нашу планету, есть линия разлома, которая становится всё более заметной с каждым днём. Эта невидимая, но ощутимая граница разделяет мир на две части: “западный” и “традиционалистский”. И в самом центре этого разделения лежит фундаментальный вопрос: какова ценность человеческой жизни?

–

В западном мире, сформированном веками гуманистической философии, эпохой Просвещения и борьбой за права человека, жизнь индивидуума возведена на пьедестал высшей ценности. Здесь каждая жизнь считается священной, неприкосновенной и бесценной. Законы, социальные нормы и этические принципы выстроены вокруг защиты и сохранения человеческой жизни любой ценой.

Эта парадигма проявляется во всем: от медицинской этики, где врачи борются за жизнь пациента несмотря ни на что, до юридической системы, где убийство считается тягчайшим преступлением.

–

В противовес этому, традиционалистский мир рассматривает человеческую жизнь через призму иных ценностей. Здесь индивидуум - это часть сложной системы, где традиции, религиозные нормы, честь семьи или интересы общества могут стоять выше жизни отдельного человека.

В этом мировоззрении смерть не всегда воспринимается как абсолютное зло. Напротив, она может быть путем к высшей славе, искуплению или выполнению своего долга. Здесь герой, жертвующий собой ради высшей цели, вызывает не только скорбь, но и глубокое уважение.

–

Столкновение этих двух мировоззрений порождает глубокое взаимное непонимание. Для западного человека идея пожертвовать жизнью ради абстрактных понятий кажется варварской и бесчеловечной. Для традиционалиста же западный культ индивидуализма выглядит эгоистичным и близоруким, неспособным видеть картину шире, чем одна человеческая жизнь.

Это непонимание проявляется в международных конфликтах, культурных войнах и даже в повседневных столкновениях мигрантов с коренным населением в мультикультурных обществах.

–

Вопрос о возможности преодоления пропасти между этими мировоззрениями кажется естественным, но не является ли он сам по себе продуктом западного мышления? Стремление к “взаимопониманию” и “диалогу культур” - это типично западная концепция, основанная на вере в универсальность человеческого опыта и возможность рационального консенсуса.

Но что, если сама идея необходимости взаимопонимания - это всего лишь еще одно проявление культурного империализма? Возможно, истинное уважение к различиям заключается в признании непреодолимости некоторых мировоззренческих барьеров.

Карл Поппер в своей работе “Открытое общество и его враги” сформулировал парадокс толерантности: неограниченная толерантность должна привести к исчезновению толерантности. Применительно к нашей дилемме это означает, что западное общество, стремясь понять и принять традиционалистские ценности, рискует подорвать сами основы, на которых оно построено.

С другой стороны, традиционалистские общества, сталкиваясь с западными ценностями, видят в них экзистенциальную угрозу своему образу жизни. В этом контексте их сопротивление “вестернизации” можно рассматривать не как отсталость, а как форму культурного самосохранения.

–

Вместо иллюзорного “взаимопонимания” мы, возможно, должны стремиться к состоянию динамического равновесия. В этой модели оба мировоззрения существуют в постоянном напряжении, взаимно ограничивая крайности друг друга.

Западный индивидуализм, доведенный до крайности, может привести к атомизации общества и потере смысла жизни. Традиционализм же, без сдерживающего влияния идей о правах человека, рискует скатиться в тоталитаризм и жестокость.

–

Возможно, именно в этом противостоянии и кроется потенциал для развития человечества. Подобно тому, как в физике существует принцип дополнительности Бора, где противоречащие друг другу концепции необходимы для полного описания реальности, так и в культурной сфере эти противоположные подходы к ценности человеческой жизни могут быть необходимыми полюсами, между которыми развивается все многообразие человеческих обществ.

В этом контексте задача заключается не в достижении компромисса или синтеза, а в поддержании продуктивного диалектического напряжения между этими мировоззрениями. Это напряжение может стать источником креативности, инноваций и постоянного переосмысления наших ценностей.

Таким образом, вместо того чтобы искать иллюзорное “взаимопонимание”, мы должны научиться жить в мире, где сосуществуют фундаментально несовместимые взгляды на ценность человеческой жизни. Именно это противоречие делает нас людьми во всем нашем сложном, парадоксальном и удивительном многообразии.

Цель предшествует всему

2024-10-19T19:07:31+00:00

Цель предшествует всему. После того как она обозначена, возможен прогресс ввиде движения к ней.

В тему мысли выше советую к прочтению книгу “Цель” Элияху Голдратта. У книги интересна как идея, так и подача.

Заметки себе

2024-09-26T12:10:29+00:00

Одна из важнейших вещей, о которой не перестаю себе напоминать - нельзя много думать над проблемой, необходимо быстрее действовать. Это правдиво почти всегда.

К книге нельзя относиться как к источнику истины. К книге нужно относиться как к собеседнику.

Что если вы в матрице

2024-09-25T20:47:40+00:00

Представьте, если бы вам сегодня сказали, что вы находитесь в матрице.

Все что вы видите вокруг, все люди которых вы знаете, весь ваш предыдущий опыт, все не реально.

При этом есть таблетка, выпив которую вы выйдете из матрицы, потеряв все что вам известно. Что будет там, вы не знаете.

Приняли бы вы ее?

Сигмоида и экспонента

2024-09-20T08:02:27+00:00

Сигмоид и экспонента выглядят довольно одинаково до определенного момента. И многие часто путают один тренд с другим в своих прогнозах. Более того, мы никогда не видели бесконечного экспоненциального роста в процессах связанных с физическим миром. Поэтому по-хорошему надо задаваться вопросом где же все-таки будет точка перегиба?

Блокчейн и банковская система

2022-02-01T14:28:14+00:00

Давайте посмотрим на банковские системы большинства современных стран. По сути, там есть 3 уровня обмена данными:

(1) база данных Центрального банка (ЦБ), обмен между ЦБ и коммерческими банками, чтобы вести реестр на уровне коммерческих банков;
(2) межбанковский обмен данными, обмен напрямую между банками, как SWIFT;
(3) база данных коммерческого банка, обмен между пользователями одного банка, чтобы вести реестр на уровне пользователей.

Интересно, что если смотреть только на эти уровни данных, не глядя на другие, не связанные с данными механизмы внутри этой системы, все уровни похожи на уровни, которые есть в современных блокчейн-системах, например в Bitcoin/Lightning:

L(1) — блокчейн Bitcoin, обмен между основным блокчейном и нодами Lightning;
L(2) — платёжный канал Lightning, аналог SWIFT, обмен напрямую между нодами Lightning;
L(3) — ноды Lightning, аналог базы данных банка, обмен между пользователями одной ноды.

История рифмуется. Или нет?

Что такое gas fee

2022-01-11T18:16:00+00:00

Основы Ethereum

Концепция gas fee, то, как они рассчитываются и как влияют на ваши транзакции, — фундамент для понимания того, как работает блокчейн Ethereum.

По сути, Ethereum — это децентрализованный компьютер, который выполняет разные типы транзакций (txns), способных менять состояние блокчейна.

Несколько примеров txns:

Отправить ETH с одного аккаунта на другой
Взаимодействовать со смарт-контрактом, например обменять токен на Uniswap

Все txns инициируются аккаунтами сети Ethereum и по сути являются криптографически подписанными инструкциями для компьютера — так называемой виртуальной машины Ethereum (EVM).

EVM — это то, что определяет правила вычисления нового валидного состояния от блока к блоку.

В Ethereum есть два типа аккаунтов:

Аккаунт, управляемый человеком
Аккаунт, управляемый программой (т.е. смарт-контрактом)

Оба типа аккаунтов могут:

Получать, хранить и отправлять ETH и токены
Взаимодействовать с развёрнутыми смарт-контрактами

Смарт-контракт — это программа, которая «живёт внутри» блокчейна, может быть вызвана txn с другого аккаунта и выполнять множество разных действий, например переводить токены или даже создавать новый контракт.

Поскольку каждая txn в Ethereum требует вычислительных ресурсов для выполнения, каждая txn требует комиссии и должна быть замайнена, чтобы стать валидной.

Основы gas

«Gas» — это комиссия, необходимая для успешного проведения транзакции в Ethereum.

Самый простой и распространённый тип txn — перевод ETH с одного аккаунта на другой. Такая txn требует 21000 gas для выполнения.

Сложные txns, такие как создание смарт-контракта или вызов смарт-контракта, могут стоить существенно дороже.

На высоком уровне gas fee можно разложить на два множителя:

[Gas fee] = [Gas units] * [Gas price per unit].

[Gas units] — это объём вычислительных усилий, необходимых для выполнения конкретных операций в сети Ethereum.

[Gas price per unit] — это цена, зависящая от загруженности сети и выраженная в gwei.

Gwei — это 10^-9 ETH.
Само слово gwei означает giga-wei, и оно равно 10^9 wei.
Wei — наименьшая единица ETH, равная 10^-18 ETH.
Сам wei назван в честь Wei Dai, создателя «предшественника» Bitcoin — b-money, распределённой системы электронных денег.

Раньше расчёт gas был очень сложным, но он упростился после внедрения EIP 1559 (в рамках обновления London) в середине 2021 года.

Если ваш кошелёк поддерживает EIP 1559 (как Metamask), gas для вашей txn будет рассчитан так:

[Gas price] = [Gas units] * ( [Base fee] + [Priority fee] )

В этом конкретном примере: [Gas price] = 248688 * (168 + 2) * 10^-9 * ETH_price = $128

[Base fee] устанавливается сетью. Она автоматически растёт и снижается в зависимости от загруженности сети. Эта комиссия сжигается при оплате.

[Priority fee] опциональна и не сжигается. Она идёт майнеру как стимул обработать вашу txn быстрее.

Например, если вы поставите 0 gwei для [Priority fee], скорее всего, у майнера не будет причин включать вашу txn в блок.
Без этой комиссии майнерам было бы экономически выгодно майнить пустые блоки, поскольку они получали бы ту же награду за блок.

Актуальные base fee блока и priority fee для разных скоростей выполнения txn (например, низкая, средняя, высокая) можно найти на различных сайтах. Например здесь: https://etherscan.io/gastracker

[Max fee] включает и [Base fee], и [Priority fee] — это максимальная сумма комиссии, которую вы готовы заплатить за txn.

Metamask изначально устанавливает эту сумму на основе истории предыдущего блока.

Чем выше [Max fee], тем больше шансов, что txn пройдёт успешно в случае всплеска использования блокчейна (т.е. роста [Base fee]) после отправки txn.

Что такое gas limit и зачем он существует

Итак, теперь мы знаем, как формируются комиссии за единицу gas.

Перейдём к [Gas limit] и тому, чем он отличается от фактического использования gas.

[Gas limit] — это максимальное количество [Gas units], которое вы готовы потратить на txn.

Если ваш gas limit окажется ниже фактического количества единиц gas, необходимых для выполнения txn, txn будет неуспешной. EVM тогда откатит все изменения, но gas будет потрачен.

Если бы мы могли точно оценить [Gas limit] для txn, он был бы равен фактическому использованию gas.

Но обычно по разным причинам очень сложно точно оценить, сколько единиц gas нужно для выполнения конкретной txn.

Даже две абсолютно одинаковые txns могут иметь разное использование gas из-за разных состояний EVM в момент выполнения. Вот пример:
https://ethereum.stackexchange.com/questions/44643/why-gas-used-are-different-for-same-transfer-tx

Заключение

Txns — это по сути список инструкций для EVM. И у любой инструкции есть общепринятая стоимость в gas.

Больше подробностей об этих «стоимостях» и других реализациях EVM можно найти в Ethereum Yellowpaper:
https://ethereum.github.io/yellowpaper/paper.pdf

Если хотите углубиться в эту тему, можно начать с документации Ethereum:
https://ethereum.org/en/developers/docs/gas/

Gas fee — определённо отличная концепция, доказавшая свою состоятельность за многие годы, но следующим большим шагом в принятии Ethereum станет новый слой UI/UX, где обычный пользователь даже не будет знать о её существовании.