STARTOBUS

Автоматизируем рутину по максимуму: появилась платформа Manus Academy с бесплатными курсами по ИИ-агентам.

Дают все необходимую базу, с которой можно осваивать продвинутые инструменты вайбкодинга. Научат писать приложения без кода, настраивать кастомные воркфлоу и писать качественные промты.

Изучаем по ссылке.

Nike выпустили серию обуви Nike Mind для улучшения концентрации и снижения тревожности. Ее разработали вместе с нейробиологами.

В линейку вошли кроссовки и тапки. На их подошве расставили специальные шарики, которые стимулируют мозг через тысячи рецепторов на стопе.

Нам точно надо. Кажется я знаю что попрошу себе на день рождение в начале лета)

Nike Mind официально поступила в продажу 8 января 2026 года — буквально вчера. Однако с доставкой в Россию есть сложности.
​
Текущий статус
Обе модели уже распроданы на официальном сайте Nike US и у ритейлеров (DICK'S). На европейских сайтах Nike (например, Нидерланды) также статус Sold Out. Цены на старте:
​
Mind 001 (мюли/тапки) — $95 (~7 200 ₽)
Mind 002 (кроссовки) — $145 (~11 600 ₽)
​

Доставка в Россию
Nike официально не осуществляет прямую доставку в Россию. Доступные варианты:
​
Посредники-мейлфорвардеры — сервисы типа Prostobox или BXBox позволяют заказывать с американских магазинов с пересылкой в РФ (доставка от $3.99 за 100 грамм)
​
Ресейл-платформы — StockX, GOAT, Poizon, где появятся перепродажи, но с наценкой

Российские байеры — закупают за рубежом и перепродают (срок доставки 5–15 рабочих дней)

Сколько я трачу на ИИ

Меня часто спрашивают — вот честный расклад.

Кодинг и разработка:
- Claude Code Max 5x — 15 000 ₽/мес. Основная среда для прототипов. Задачи крутятся часами без моего участия.
- Antigravity (Google) — 1 000 ₽/мес. Щедрые лимиты на Gemini + можно подключить Claude.
- Lovable Pro — 540 ₽/мес (годовая) + ~10 000 ₽/мес на кредиты. Интерфейсы и веб-приложения с полной логикой.
- Windsurf — 1 500 ₽/мес. Финальный прогон на ошибки и безопасность.

Исследования и продуктивность:
- Perplexity Max — 2 000 ₽/мес (реальная цена ~20 000 ₽)
- Google AI Ultra + NotebookLM — 500 ₽/мес по промо (реальная цена ~25 000 ₽)

Креатив и медиа:
- Higgsfield.ai — 9 000 ₽/мес. Фото и видео для проекта Даши.
- Транскрибация, картинки, презентации — ~20 000 ₽/мес

Инфраструктура:
- OpenRouter, хостинги, бэкапы — ~10 000 ₽/мес

Итого плачу: ~70 000 ₽/мес
Реальная стоимость: ~112 000 ₽/мес
Экономия на промо и годовых: ~42 000 ₽/мес

И знаете, я всё равно чувствую себя нищебродом.

Один специалист как-то сказал: «Чем же вы тогда занимаетесь, если не можете позволить себе ИИ на 150 тысяч в месяц? Это же повышает производительность в 10 раз».

Он прав. Моя цель — агенты на 150–200 тысяч ₽/мес. Не ради понтов, а ради математики: если они помогают создавать пользу на 2–5 млн ₽ — это ROI x10–30.

До цели осталось 80–130 тысяч. Масштабируюсь. Расскажу, когда дойду.

Вам может показаться, что предыдущий пост очень сложный — так и я думал до 1 января 2026. Но ближе к концу каникул начал понимать уже каждое второе слово.

Оставлю этот пост себе как закладку — вернусь и отмечу, когда буду понимать всё.

Да, я, как и многие дураки на старости лет, окунулся в Vibe Coding. Это не про программистов, а про стратегов, которые ставят задачи AI-агентам, а те уже программируют.

Но вот ошибка новичка: за 3 часа сжечь $20 месячного лимита кредитов на кодинг. И тогда начинаешь задумываться — а как делать проекты так, чтобы не переплачивать за AI? Пост выше как раз про это: как выстраивать специальных агентов, которые следят за разработкой и помогают принимать более взвешенные и эффективные решения.

Новый кейс - автоматический перевод YouTube с озвучкой и AI Researcher

Айгиз Кунафин как раз закончил проект по автоматическому переводу YouTube видео с русского на башкирский язык. Под капотом - ASR и диаризация, перевод, подбор голосов и синтез речи, которая синхронизирована с оригинальной дорожкой.

Самое классное в этом проекте - использование AI coding агентов в режиме автоматической постановки экспериментов с Feedback Loop (про это - ниже).

LLM под капотом проекта:

- ASR (Speech Recognition) - Сберовская gigaam-v3-ctc
- Диаризация (разбор голосов) - DiariZen
- Перевод на башкирский - Gemini-3 flash со своим контекстом
- TTS (сама озвучка) - две модели: своя с клонированием RVC для детских голосов, Silero - для взрослых.

При переводе видео у системы есть библиотека из ~80 голосов (в 6 группах), которые автоматически получают фиксированные роли в видео.

Это Chrome/Firefox Extension, который заменяет аудио при проигрывании в YouTube. Дорожки генерируются пайплайном заранее на серверах (по запросу), а потом подбираются расширением. Всего три сервера, которые связаны напрямую через P2P HTTPS:

- Hetzner (для доступа к Gemini + YouTube), там же на CPU крутится и ASR.
- Свой GPU - для запуска моделей - диаризации, синтеза речи.
- 1GB - для хранения готовых аудио-дорожек.

Самое сложное в проекте - экспериментальный подбор правильных моделей в пайплайн с точки зрения ресурсоемкости, качества и стоимости. Целевой язык - башкирский, поэтому некоторые вещи приходилось реализовывать самостоятельно. Но у Айгиза уже есть многолетный опыт работы с голосовыми проектами (например, умная колонка Homai), что сэкономило много времени.

Система разрабатывалась при помощи агентов - Claude Code для UI и OpenAI Codex CLI с Feedback Loop.

Feedback Loop - когда у агента есть исходный код, Ground Truth цель/метрика/тесты для контроля качества и благословение на автономную работу. Причем, в AGENTS.MD прописан протокол написания экспериментов:

(1) Запускаем make eval, чтобы выяснить текущий score, который записываем в experiments/007-experiment.md
(2) Анализируем код, проглядываем журнал экспериментов и в файл experiments/007-experiment.md дописываем план для улучшения текущего score
(3) реализуем код и запускаем make eval. Если score стал лучше, то отправляем все в коммит с описанием
(4) если score стал хуже, то откатываем код, но сохраняем описание эксперимента, чтобы в будущем агент не повторял старых ошибок.

Все это запускается с полными правами и задачей “копай отсюда и до обеда” в цикле. Например:

PROMPT_TEMPLATE="запусти следующий эксперимент, который оптимизирует код генрации wav файла"

for ((start_index=0; start_index<=50; start_index+=1)); do
  codex exec --sandbox danger-full-access "$PROMPT_TEMPLATE"
done

Такой AI Researcher, может стабильно работать часами в автономе. Этот же подход использовался в ERC3 для автоматической оптимизации кода базового NextStep SGR агента до 9 места в Prize Leaderboard.

Айгиз открыт для коммерческих предложений. Если вам нужна консультация или участие в проекте, можно написать ему лично в Телеграм @AigizK или по контактам RU / EN.

Ваш, @llm_under_hood 🤗

PS: Список всех кейсов канала

Искусственный интеллект впервые в истории смог победить программистов на хакатоне. Sakana AI — один из участников турнира AHC058. ИИшка обошла 800 человек из 35 стран.

Машина решила за 1,5 минуты 98 задач из 100. На это у людей уходило по 3–6 часов.

@lobushkin

Почему я перешёл на Perplexity Max?

1. Лимиты сложных запросов — боль
На Pro всего 300+ сложных запросов в день — вроде много, но при интенсивной работе упираешься в потолок. Можно было покупать несколько аккаунтов — так и работал пол-осени. Но на праздниках начал путаться, и дико бесило таскать за собой контекст между аккаунтами.

2. Email-ассистент — киллер-фича
Самое раздражающее в моей работе — когда присылают расписания в чёрт-знает-каком формате: таблицы, PDF, фото с экранов... Всем кажется — легко открыть календарь, проверить время, поставить встречу. Но это 2–4 раза в неделю × 30–40 минут = 2–3 часа убитого времени. Раньше на это был секретарь. А теперь просто пересылаю письмо на assistant@perplexity — и он сам всё разруливает: парсит расписание, проверяет мой календарь, ставит события. Лучше любого живого ассистента.

3. Работа с репозиториями
Много стал «кодить» — писать правила и инструкции для агентов. Храню всё в GitHub. Perplexity Max умеет анализировать репозиторий и помогает дополнять правила с учётом контекста всего проекта.

Что ещё даёт Max:
- Безлимитный Labs — генерация отчётов, таблиц, дашбордов без оглядки на квоты
- Топовые модели — o3-pro, Claude Opus 4 всегда доступны, без даунгрейдов при нагрузке. Я практически полностью перешел на Claude Opus 4 - она больше всего для меня дает правильные ответы, остальные использую для проверки готовых ответов.
- Comet Assistant — автоматизация постинга, публикаций, действий в браузере - в максе он работает чуть быстрее.
- Deep Research без ограничений — многочасовые исследования запускаются одной командой

Почему заплатил в 50 раз дороже Pro?
Посчитал: моё время простоя из-за путаницы между аккаунтами стоит дороже. Это инвестиция в фокус. Если кому интересно как я это сделал - пишите Max в коментарии - пришлю ссылку.

P.S. Да, параллельно использую Claude Code, Antigravity, Windsurf — всё это помогает выстраивать структуру собственного оркестра агентов для работы в большой компании. Скоро начну делиться, как мы это делаем. Там бомба получается!

P.S.S. Еще не пробовал - но в Mac Destop - Perplexity - можно подключать MCP - а всех своих агентов я сразу делаю с такой функцией. Это обозначает, что как только доделаю правила корпоративные - то я смогу из Perplexity на реальных живых данных опрашивать всех агентов и документы - и например - перед новой встречей с Клиентом - Perplexity соберет всю последнюю переписку - звонки, обсуждения - и задачи по клиенту - чтобы все не забыть обсудить.

Что показывают триллионные оценки ИИ-компаний

«Microsoft достигла триллиона долларов за 44 года. OpenAI — за 4. Вот она, скорость новой эры», — говорят нам «эксперты». И это — ловушка.

Microsoft стартовала в мире без венчурного капитала, без глобального интернета, без мгновенного масштабирования. OpenAI начала с $1 млрд. от инвесторов, эксклюзивным партнерством с той же Microsoft и доступом к лучшим исследователям планеты.

Сравнивать годы — всё равно что сравнивать скорость парусника и самолёта и делать выводы о качестве капитана.

Интереснее другое.

Четверть новых миллиардеров 2025 года — из ИИ. Но почти все они — основатели или ранние сотрудники буквально нескольких компаний. OpenAI, Anthropic, пары инфраструктурных стартапов.

Это — концентрация богатства. Несколько команд с исключительным сочетанием: доступ к вычислительным мощностям, лучшие исследователи, правильные инвесторы в правильный момент.

«Порог входа минимальный» — опасная полуправда. Да, API доступен всем. Но когда у всех одинаковый доступ к моделям, конкурентное преимущество смещается к тому, что API не даёт: уникальные данные, экспертиза в узкой области, дистрибуция.

Настоящий вопрос не «почему вы ещё не запустили ИИ-продукт». А «что у вас есть такого, чего нет у тысяч людей с таким же доступом к Claude и GPT?»

Если честный ответ — «ничего» — повод сначала построить это преимущество.

Окно действительно открыто. Но в него все ломятся одновременно.

Поколение сломанной математики

Последнее время много общаюсь с основателями 20-25 лет.
Они выросли на ютубе, где показывали феррари и Бали. Потом увидели реальность: занюханная квартира — 10 млн, китайский драндулет — от 3. При стартовой зарплате — 70к. Математика не сходится.

И «дети» меняют игру. Мои наблюдения:
1) Мы используем ИИ как гугл. Они — как операционку.
2) Мы делаем рекламу. Они — тикток, который случайно продаёт.
3) Мы строим бизнес. Они собирают портфель ставок. Большинство сдохнет. Одна выстрелит.
4) Мы прячем провалы. Они их снимают. Их стартап — это сериал; документалка со встроенными трейлерами.

Мир, который сломал предыдущие поколения, вырастил самых находчивых ублюдков в истории предпринимательства. Системный сбой — их конкурентное преимущество.

Детки в порядке.

Венчур или дивиденды: дорожная карта масштабирования бизнеса

Этот материал представляют собой комплексное руководство по выбору между венчурной моделью и дивидендным бизнесом, подчеркивая, что ключевое различие заключается в масштабируемости и потенциале возврата инвестиций.

В нем описывается шесть этапов развития компании — от поиска идеи до зрелости — и приводят конкретные целевые показатели, такие как темпы роста, рентабельность и стоимость привлечения клиентов.

Особое внимание уделяется типичным ошибкам на каждой стадии, которые ранжируются по степени их критичности и финансовым последствиям. С помощью наглядных схем и сравнительных таблиц объясняется, как трансформировать стратегию в зависимости от того, нацелен ли предприниматель на доминирование на рынке или на стабильное получение прибыли.

В конечном итоге источники служат дорожной картой для принятия стратегических решений, помогая определить, стоит ли привлекать внешнее финансирование или развиваться за счет собственных средств.

Любителям пожаловаться на коленки: учёные нашли способ заново вырастить хрящ прямо в суставе

С возрастом в организме накапливается белок 15-PGDH и он мешает тканям восстанавливаться, исследователи заблокировали появление белка с помощью инъекции - и у старых мышей хрящ в коленях заметно утолщился и начал работать как новый

Самое интересное: никаких стволовых клеток не понадобилось, существующие клетки хряща просто «перепрограммировались» на более молодой режим работы. Бонусом метод предотвратил развитие артрита после травм, похожих на разрыв передней крестообразной связки - частую проблему спортсменов

И самое клевое: человеческие образцы хряща, взятые при операциях по замене сустава, тоже отреагировали положительно

Таблеточная версия препарата уже проходит клинические испытания (пока для лечения мышечной слабости)

Если всё пойдёт по плану, в будущем можно будет восстановить изношенный хрящ уколом или таблеткой - короче записываем бабушек и дедушек на игры в падел, пора

Почему 95% корпоративных AI-проектов сливают бюджет — и как это исправить за €4,400

Исследование MIT обнажило неприятную правду: 95% enterprise AI-проектов не приносят ROI. Главная причина — LLM не умеют непрерывно учиться из взаимодействий с пользователями.

Проблема глубже, чем кажется

Классические LLM работают как калькуляторы: получили данные при обучении — и всё. Хотите добавить корпоративные знания? Три пути, все плохие:
телями.

Проблема— дорого ($50k-500k), медленно (недели), и модель "забывает" общие навыки

RAG (Retrieval Augmented Generation) — поисковик не понимает контекст LLM, плюс квадратичная сложность: каждое удвоение контекста = рост затрат в 4 раза

Расширенный контекст — упирается в длину окна и катастрофически растёт в цене

Решение: Grafted Titans

Исследователь Maria Sukhareva взломала архитектуру Google Titans (которую обычно обучают за миллионы долларов) и создала plug-and-play версию за €4,400.

Как это работает:
- Берёте замороженную open-source LLM (например, Qwen-2.5-0.5B)
- "Прививаете" к ней trainable модуль памяти через cross-attention
- Модель непрерывно учится из каждого взаимодействия, сохраняя знания

Результаты на бенчмарке BABILong:
- Базовая модель с полным контекстом: 34% точности
- Grafted Titans с памятью: 44.7% точности
- При этом память была инициализирована случайно, а не pre-trained

Почему это важно для бизнеса

1. Демократизация AI — технология уровня Google доступна на consumer GPU
2. Continuous learning — система растёт вместе с вашими данными, без дорогих retraining
3. Open-weight — полный контроль, без зависимости от OpenAI/Anthropic

Применение в российских реалиях

Для компаний, которые:
- Накапливают уникальные корпоративные знания
- Работают с конфиденциальными данными (нельзя в облако)
- Нуждаются в адаптации под специфику бизнеса
- Ограничены бюджетом

Это путь от "AI-эксперимента" к рабочему инструменту, который окупается.

Ссылка на исследование: https://msukhareva.substack.com/p/grafted-titans-i-built-a-plug-and

#AI #LLM #EnterpriseAI #MachineLearning #OpenSource

Вышел бесплатный курс по Claude Code: это подробный гайд о том, как выжать максимум из ИИ-агента для написания кода.

Рассказывают, как:

– Пользоваться горячими клавишами и создавать свои команды для ускорения повторяющихся процессов;
– Эффективно управлять контекстом;
– Использовать ключевые инструменты Claude Code для обработки файлов, выполнения команд и анализа кода;
– Настроить интеграцию с GitHub для автоматизации проверки кода.

Всего — 15 лекций, ролики общей длительностью ~1 час и квиз для закрепления материала. Можно пройти за пару часов.

Забираем по ссылке.

Дифференцируйся или умри

— Могу в 100 раз больше, — похвастался фрилансер, освоивший ИИ
— А лучше бы в 100 раз круче

Искусственный интеллект открыл ящик пандоры. Все кинулись генерировать лендинги, тексты, картинки в стиле «сделай как у Х». Копипаста промышленных масштабов превратила ленту в кашу клонов. Планка качества упала в ад.

И это лучшее время, чтобы выделиться. Потратить 15 минут на вопрос «а что делает меня мной?» Ценность сместилась со «сделать» на «сделать иначе».

Вывод прост: если твой продукт, контент, бизнес — «сделай как Х»; тебя уже заменили. Просто еще не заметил.

2024 был годом агентов
2025 был годом RL (обучения с подкреплением)
2026 станет годом Continual Learning (непрерывного обучения)

Инженеры Google DeepMind начинают разгонять в Твиттере идею, что 2026 в ИИ станет годом «непрерывного обучения». Что это такое? Давайте вспомним, как нейросети работают сейчас:
- Сейчас это похоже на выпуск книги: модель долго «пишут» (тренируют), потом печатают тираж (релиз), и всё - текст внутри неизменен. Если мир изменился, нужно писать и печатать новую книгу.
- Continual Learning превращает модель из «книги» в «живой мозг», который меняется каждую секунду.

Я уже рассказывал про новую архитектуру «Titans» от Google, способную обучаться в реальном времени и обладающую бесконечной памятью. Неудивительно, что её презентовали те же парни.