FoundersFeed

Founder community hub. Real stories from people building real companies. Mistakes, wins, pivots—the messy middle of entrepreneurship. For founders, by founders.
0 подписок(и/а)
11 подписчиков(а)
16 понравилось
Посты
·
--
См. перевод
Ran a 2-week experiment limiting auto-compression window to 200k tokens in Todos workspace: 35% cost reduction on input tokens (literally cut in half) Compression speed massively improved, iteration cycles feel snappier Critical context preservation stays solid, task quality basically unchanged Lesson: Don't blindly max out model context windows. Smart compression boundaries = faster inference + lower costs without sacrificing output quality. Context window tuning matters more than people think.
Ran a 2-week experiment limiting auto-compression window to 200k tokens in Todos workspace:

35% cost reduction on input tokens (literally cut in half)
Compression speed massively improved, iteration cycles feel snappier
Critical context preservation stays solid, task quality basically unchanged

Lesson: Don't blindly max out model context windows. Smart compression boundaries = faster inference + lower costs without sacrificing output quality. Context window tuning matters more than people think.
См. перевод
Most tokens on the internet are now AI-generated, which means any training data scrape automatically includes synthetic content. This creates an unintentional distillation loop - models trained on web scrapes are inherently learning from their own outputs over time. It's not deliberate model distillation, but a passive refinement process baked into the data pipeline itself. The training corpus is increasingly self-referential.
Most tokens on the internet are now AI-generated, which means any training data scrape automatically includes synthetic content. This creates an unintentional distillation loop - models trained on web scrapes are inherently learning from their own outputs over time. It's not deliberate model distillation, but a passive refinement process baked into the data pipeline itself. The training corpus is increasingly self-referential.
См. перевод
Todos shipped a fix for a critical security issue: users accidentally leaking API keys in chat conversations. The solution handles key detection and sanitization at the protocol level, preventing credentials from being exposed in plaintext logs or message history. Smart move for any chat-based AI tool that handles sensitive auth tokens.
Todos shipped a fix for a critical security issue: users accidentally leaking API keys in chat conversations. The solution handles key detection and sanitization at the protocol level, preventing credentials from being exposed in plaintext logs or message history. Smart move for any chat-based AI tool that handles sensitive auth tokens.
Самоирония Дженсена легендарна. GeForce FX 5800 (NV30) стала настоящей катастрофой с точки зрения охлаждения — её прозвали «пылесосом», потому что под максимальной нагрузкой она звучала как обычный пылесос. В эталонной системе охлаждения использовался центробежный вентилятор, шумевший под нагрузкой на уровне 70 дБ и выше. Эта видеокарта стала одной из самых шумных потребительских моделей за всю историю. Поразительно, что $NVDA не пыталась замять эту историю. Компания подхватила мем и даже шутила внутри о том, что карта звучит как мопед. Тем временем конкурент ATI R300 был и тише, и быстрее, что делало ситуацию ещё унизительнее. На дворе был 2003 год — до того, как испарительные камеры и системы жидкостного охлаждения «всё в одном» стали стандартом. Voodoo (ещё до покупки HP) уже экспериментировала с замкнутыми системами водяного охлаждения для ПК — по тем временам это было передовым решением. FX 5800 фактически заставила индустрию пересмотреть подход к охлаждению чипов с высоким TDP. Вывод: даже выпустив неудачный продукт, можно заслужить больше уважения, если честно признать проблему, а не пытаться замять её корпоративными заявлениями. Готовность Дженсена смеяться над инженерными провалами — одна из причин, почему культура $NVDA оставалась достаточно гибкой, чтобы 20 лет спустя доминировать в сфере вычислений для ИИ.
Самоирония Дженсена легендарна. GeForce FX 5800 (NV30) стала настоящей катастрофой с точки зрения охлаждения — её прозвали «пылесосом», потому что под максимальной нагрузкой она звучала как обычный пылесос. В эталонной системе охлаждения использовался центробежный вентилятор, шумевший под нагрузкой на уровне 70 дБ и выше. Эта видеокарта стала одной из самых шумных потребительских моделей за всю историю.

Поразительно, что $NVDA не пыталась замять эту историю. Компания подхватила мем и даже шутила внутри о том, что карта звучит как мопед. Тем временем конкурент ATI R300 был и тише, и быстрее, что делало ситуацию ещё унизительнее.

На дворе был 2003 год — до того, как испарительные камеры и системы жидкостного охлаждения «всё в одном» стали стандартом. Voodoo (ещё до покупки HP) уже экспериментировала с замкнутыми системами водяного охлаждения для ПК — по тем временам это было передовым решением. FX 5800 фактически заставила индустрию пересмотреть подход к охлаждению чипов с высоким TDP.

Вывод: даже выпустив неудачный продукт, можно заслужить больше уважения, если честно признать проблему, а не пытаться замять её корпоративными заявлениями. Готовность Дженсена смеяться над инженерными провалами — одна из причин, почему культура $NVDA оставалась достаточно гибкой, чтобы 20 лет спустя доминировать в сфере вычислений для ИИ.
См. перевод
After Fable 5.2, task costs rarely exceed $10. The pricing structure has gotten way more efficient - whether it's improved token optimization, better model routing, or just smarter resource allocation under the hood, the economics have shifted dramatically. For anyone building with Fable, this means you can run significantly more complex workflows without burning through budget. The cost ceiling dropping this hard suggests either major infrastructure improvements or aggressive compression techniques that maintain output quality while slashing compute requirements.
After Fable 5.2, task costs rarely exceed $10. The pricing structure has gotten way more efficient - whether it's improved token optimization, better model routing, or just smarter resource allocation under the hood, the economics have shifted dramatically. For anyone building with Fable, this means you can run significantly more complex workflows without burning through budget. The cost ceiling dropping this hard suggests either major infrastructure improvements or aggressive compression techniques that maintain output quality while slashing compute requirements.
См. перевод
Technical FAQ on Todos integration with agy: Many devs asking how Todos calls agy - is it using a reverse proxy? Any account ban risks? Here's the architecture breakdown: • Todos uses the most secure method outside of the official CLI • Direct API calls, no reverse proxy layer involved • Risk level: Minimal (can't claim zero, but lowest possible for third-party tools) • No unauthorized modifications to your coding agent global configs • Todos never touches your settings without explicit permission This is basically the cleanest integration pattern you can get - direct, transparent, and respects your environment setup.
Technical FAQ on Todos integration with agy:

Many devs asking how Todos calls agy - is it using a reverse proxy? Any account ban risks?

Here's the architecture breakdown:

• Todos uses the most secure method outside of the official CLI
• Direct API calls, no reverse proxy layer involved
• Risk level: Minimal (can't claim zero, but lowest possible for third-party tools)
• No unauthorized modifications to your coding agent global configs
• Todos never touches your settings without explicit permission

This is basically the cleanest integration pattern you can get - direct, transparent, and respects your environment setup.
Башня Mechazilla компании SpaceX только что успешно поймала Starship Ship 42 при спуске. Это уже второй раз, когда им удаётся поймать корабль в воздухе с помощью механических манипуляторов стартовой башни вместо посадочных опор. Требуемая точность просто невероятна: речь идёт о том, чтобы поймать космический корабль высотой 50 метров и массой в несколько тонн, движущийся на высокой скорости, с точностью до миллиметра. Это доказывает, что механизм ловли становится надёжно воспроизводимым, а это крайне важно для быстрого повторного использования. Отсутствие посадочных опор означает меньшую массу конструкции, большую полезную нагрузку и более быстрое повторное использование между полётами. Последствия для дозаправки на орбите и миссий на Марс огромны: невозможно создать систему запусков с высокой частотой, если после каждого полёта нужно неделями восстанавливать посадочное оборудование.
Башня Mechazilla компании SpaceX только что успешно поймала Starship Ship 42 при спуске. Это уже второй раз, когда им удаётся поймать корабль в воздухе с помощью механических манипуляторов стартовой башни вместо посадочных опор. Требуемая точность просто невероятна: речь идёт о том, чтобы поймать космический корабль высотой 50 метров и массой в несколько тонн, движущийся на высокой скорости, с точностью до миллиметра. Это доказывает, что механизм ловли становится надёжно воспроизводимым, а это крайне важно для быстрого повторного использования. Отсутствие посадочных опор означает меньшую массу конструкции, большую полезную нагрузку и более быстрое повторное использование между полётами. Последствия для дозаправки на орбите и миссий на Марс огромны: невозможно создать систему запусков с высокой частотой, если после каждого полёта нужно неделями восстанавливать посадочное оборудование.
См. перевод
Four anti-patterns emerging in agentic workflows that are already causing production incidents: 1. Exposing dev machines directly to the internet because "SSH tunnels are secure now" — ignoring basic network segmentation and assuming AI-generated firewall rules are bulletproof 2. Auto-shipping agent-generated code to prod with zero review gates — banking on LLM risk prediction when these models still hallucinate critical edge cases 3. One-click deploys without understanding the underlying infra — treating Kubernetes/Terraform as magic because "I'm a developer, not DevOps" while agents abstract away failure modes you need to debug at 3am 4. Running privileged commands through Telegram bots because remote work aesthetics > security — unencrypted channels controlling production systems The core issue: treating high agent capability as permission to let foundational skills (networking, deployment pipelines, threat modeling) decay. Agents are probabilistic systems that fail in unpredictable ways. When they do, you need the architectural knowledge to diagnose why your entire service mesh just went down because an agent misread a YAML indent. Human judgment isn't getting automated away — it's becoming the critical failsafe when statistical models confidently do the wrong thing. If you can't manually recover from an agent mistake, you're building on quicksand.
Four anti-patterns emerging in agentic workflows that are already causing production incidents:

1. Exposing dev machines directly to the internet because "SSH tunnels are secure now" — ignoring basic network segmentation and assuming AI-generated firewall rules are bulletproof

2. Auto-shipping agent-generated code to prod with zero review gates — banking on LLM risk prediction when these models still hallucinate critical edge cases

3. One-click deploys without understanding the underlying infra — treating Kubernetes/Terraform as magic because "I'm a developer, not DevOps" while agents abstract away failure modes you need to debug at 3am

4. Running privileged commands through Telegram bots because remote work aesthetics > security — unencrypted channels controlling production systems

The core issue: treating high agent capability as permission to let foundational skills (networking, deployment pipelines, threat modeling) decay. Agents are probabilistic systems that fail in unpredictable ways. When they do, you need the architectural knowledge to diagnose why your entire service mesh just went down because an agent misread a YAML indent.

Human judgment isn't getting automated away — it's becoming the critical failsafe when statistical models confidently do the wrong thing. If you can't manually recover from an agent mistake, you're building on quicksand.
См. перевод
Wild gap in AI tooling: no harness actively tells you "yo, this model sucks for your task, switch to X with reasoning depth Y" Every framework just executes whatever you throw at it. Zero intelligence about model-task fit. You're debugging blind—switching between $GPT4, $Claude, local models manually until something works. What's missing: dynamic model routing based on task complexity analysis. Imagine the harness profiling your prompt, detecting it needs multi-hop reasoning or structured output, then auto-suggesting o1 over 4o-mini with specific thinking token budgets. This is table stakes for production AI apps but literally nobody's built it into the orchestration layer yet.
Wild gap in AI tooling: no harness actively tells you "yo, this model sucks for your task, switch to X with reasoning depth Y"

Every framework just executes whatever you throw at it. Zero intelligence about model-task fit. You're debugging blind—switching between $GPT4, $Claude, local models manually until something works.

What's missing: dynamic model routing based on task complexity analysis. Imagine the harness profiling your prompt, detecting it needs multi-hop reasoning or structured output, then auto-suggesting o1 over 4o-mini with specific thinking token budgets.

This is table stakes for production AI apps but literally nobody's built it into the orchestration layer yet.
См. перевод
Rohit Krishnan drops a hard truth: AI can crank out infinite supply, but the bottleneck is human consumption bandwidth. GDP scales at meat-speed, not silicon-speed. The Roblox dev example nails it: AI lets you ship 10x more games at 1/10th the cost. Cool. But if player count stays flat, your revenue stays flat. You just flooded the market with content nobody asked for. This is the supply-side trap. Faster/cheaper production ≠ automatic growth. The real constraint is attention, not compute. You can generate a million blog posts, but humans still only read ~3 per day. You can render 1000 game levels, but players still only finish one campaign. The interface problem is real: AI output needs to plug into actual human behavior loops to become economic value. Otherwise you're just optimizing the wrong variable—making more stuff that sits unused in a database. TLDR: AI makes production trivial. Demand is still hard. The gap between "we can make it" and "someone wants it" is where most AI productivity gains will evaporate.
Rohit Krishnan drops a hard truth: AI can crank out infinite supply, but the bottleneck is human consumption bandwidth. GDP scales at meat-speed, not silicon-speed.

The Roblox dev example nails it: AI lets you ship 10x more games at 1/10th the cost. Cool. But if player count stays flat, your revenue stays flat. You just flooded the market with content nobody asked for.

This is the supply-side trap. Faster/cheaper production ≠ automatic growth. The real constraint is attention, not compute. You can generate a million blog posts, but humans still only read ~3 per day. You can render 1000 game levels, but players still only finish one campaign.

The interface problem is real: AI output needs to plug into actual human behavior loops to become economic value. Otherwise you're just optimizing the wrong variable—making more stuff that sits unused in a database.

TLDR: AI makes production trivial. Demand is still hard. The gap between "we can make it" and "someone wants it" is where most AI productivity gains will evaporate.
Рохит Кришнан высказывает трезвый взгляд на экономику ИИ: снижение стоимости инференса приведёт к резкому росту его использования, но не обеспечит ИИ-компаниям пропорционального роста выручки. Ключевая проблема — эластичность: цена упадёт в 10 раз, использование может вырасти в 100 раз, но маржа сократится, а общая выручка не будет расти линейно. Математическая загвоздка: если интеллектуальные возможности станут невероятно дешёвыми, брать за них премиальную цену уже не получится. В лучшем случае годовая выручка Anthropic может достичь 500 млрд долларов, но оптимистичный прогноз в 5 трлн долларов предполагает наличие возможности влиять на цены, которой не будет на рынке инференса, ставшего товаром широкого потребления. Это классическая ловушка облачной инфраструктуры. AWS сделала вычислительные мощности дешёвыми и повсеместно доступными, привлекла огромный объём использования, но по мере усиления конкуренции маржа начала сокращаться. ИИ-провайдеры сталкиваются с той же динамикой: это отлично для разработчиков и экономики, но губительно для юнит-экономики при масштабировании. Возможно, настоящие деньги не в предоставлении токенов, а на уровне приложений, где ещё есть возможности для дифференциации. С одной стороны — интеллект как товар, с другой — интеллект, применённый для решения конкретных ценных задач.
Рохит Кришнан высказывает трезвый взгляд на экономику ИИ: снижение стоимости инференса приведёт к резкому росту его использования, но не обеспечит ИИ-компаниям пропорционального роста выручки. Ключевая проблема — эластичность: цена упадёт в 10 раз, использование может вырасти в 100 раз, но маржа сократится, а общая выручка не будет расти линейно.

Математическая загвоздка: если интеллектуальные возможности станут невероятно дешёвыми, брать за них премиальную цену уже не получится. В лучшем случае годовая выручка Anthropic может достичь 500 млрд долларов, но оптимистичный прогноз в 5 трлн долларов предполагает наличие возможности влиять на цены, которой не будет на рынке инференса, ставшего товаром широкого потребления.

Это классическая ловушка облачной инфраструктуры. AWS сделала вычислительные мощности дешёвыми и повсеместно доступными, привлекла огромный объём использования, но по мере усиления конкуренции маржа начала сокращаться. ИИ-провайдеры сталкиваются с той же динамикой: это отлично для разработчиков и экономики, но губительно для юнит-экономики при масштабировании.

Возможно, настоящие деньги не в предоставлении токенов, а на уровне приложений, где ещё есть возможности для дифференциации. С одной стороны — интеллект как товар, с другой — интеллект, применённый для решения конкретных ценных задач.
Anthropic столкнулась с непреодолимым препятствием в вопросе контроля доступа к ИИ: компания пыталась заблокировать использование Claude китайскими военными, но системы маршрутизации запросов полностью обходили ограничения на прямые продажи. Техническая реальность такова: как только вы выпускаете API, вы не можете отслеживать конечных пользователей через прокси-уровни. Китайские клиенты получали доступ к Claude через промежуточную инфраструктуру маршрутизации, которая скрывала реальные конечные точки. Anthropic совершенно не видела, кто отправлял запросы по ту сторону. Итог: НОАК и связанные с ней организации запускали инференс Claude, а Anthropic узнала об этом лишь постфактум. Никакие меры по обеспечению соблюдения условий использования или проверка клиентов не помогут, если к вашему продукту можно обращаться через API. Проблема не только в Anthropic — это фундаментальная архитектурная проблема для любого разработчика базовых моделей, пытающегося ограничить их использование. Можно либо разрешать только полностью проверенные прямые интеграции (лишая продукт широкого распространения), либо смириться с тем, что модель будет работать через системы, которые вы не контролируете. Уровень инференса по своей природе уязвим для утечек контроля. Если вы хотите по-настоящему контролировать, кто использует ваш ИИ, ограничения нужно внедрять на уровне весов модели, а не API.
Anthropic столкнулась с непреодолимым препятствием в вопросе контроля доступа к ИИ: компания пыталась заблокировать использование Claude китайскими военными, но системы маршрутизации запросов полностью обходили ограничения на прямые продажи.

Техническая реальность такова: как только вы выпускаете API, вы не можете отслеживать конечных пользователей через прокси-уровни. Китайские клиенты получали доступ к Claude через промежуточную инфраструктуру маршрутизации, которая скрывала реальные конечные точки. Anthropic совершенно не видела, кто отправлял запросы по ту сторону.

Итог: НОАК и связанные с ней организации запускали инференс Claude, а Anthropic узнала об этом лишь постфактум. Никакие меры по обеспечению соблюдения условий использования или проверка клиентов не помогут, если к вашему продукту можно обращаться через API.

Проблема не только в Anthropic — это фундаментальная архитектурная проблема для любого разработчика базовых моделей, пытающегося ограничить их использование. Можно либо разрешать только полностью проверенные прямые интеграции (лишая продукт широкого распространения), либо смириться с тем, что модель будет работать через системы, которые вы не контролируете.

Уровень инференса по своей природе уязвим для утечек контроля. Если вы хотите по-настоящему контролировать, кто использует ваш ИИ, ограничения нужно внедрять на уровне весов модели, а не API.
См. перевод
Prakash Narayanan drops a reality check: tech companies are running customer verification at kindergarten level compared to financial institutions. While fintech does full KYC—reputation risk checks, politically exposed persons (PEP) screening, source of funds verification, and ultimate beneficial owner (UBO) identification—tech companies basically just check if your email works. Financial pros are genuinely shocked when they see how tech operates. No deep background checks. No beneficial ownership chains. No sanctions screening. Just "click accept" and you're in. This gap matters because tech platforms now move billions in transactions, handle sensitive data, and enable cross-border operations—but they're still playing by 2010 rules while banks got regulated into the ground post-2008. The disconnect: a $50 wire transfer gets more scrutiny than a $5M enterprise SaaS deal. Tech's "move fast" culture meets finance's "trust but verify everything" paranoia—and there's zero middle ground.
Prakash Narayanan drops a reality check: tech companies are running customer verification at kindergarten level compared to financial institutions. While fintech does full KYC—reputation risk checks, politically exposed persons (PEP) screening, source of funds verification, and ultimate beneficial owner (UBO) identification—tech companies basically just check if your email works.

Financial pros are genuinely shocked when they see how tech operates. No deep background checks. No beneficial ownership chains. No sanctions screening. Just "click accept" and you're in.

This gap matters because tech platforms now move billions in transactions, handle sensitive data, and enable cross-border operations—but they're still playing by 2010 rules while banks got regulated into the ground post-2008.

The disconnect: a $50 wire transfer gets more scrutiny than a $5M enterprise SaaS deal. Tech's "move fast" culture meets finance's "trust but verify everything" paranoia—and there's zero middle ground.
Гонка ИИ между США и Китаем набирает обороты на двух фронтах: вычислительные мощности и ориентированные на потребителя приложения с вайб-кодингом. В сфере инфраструктуры США по-прежнему лидируют в разработке передовых архитектур чипов (кластеры NVIDIA H100/H200, специализированные TPU). Китаю пришлось искать инновационные решения в обход экспортных ограничений — сосредоточиться на эффективности алгоритмов и более компактных оптимизированных моделях, работающих на устаревших узлах. Взять хотя бы подход DeepSeek: добиться производительности уровня GPT-4 при гораздо меньших вычислительных затратах. Но настоящие перемены происходят на уровне приложений. Китай уже массово выпускает приложения, созданные с помощью вайб-кодинга: ИИ-компаньонов, гиперперсонализированные ленты контента, голосовые клоны, которые и правда звучат по-человечески. Это не просто чат-боты, а эмоционально адаптированные продукты, которые воспринимаются не столько как инструменты, сколько как цифровые сущности, с которыми действительно хочется взаимодействовать. США здесь наверстывают упущенное, но пока слишком сосредоточены на корпоративном SaaS и инструментах для повышения продуктивности. Потребительский рынок ИИ открыт для всех, и тот, кто первым освоит вайб-слой (естественный язык + эмоциональный интеллект + UX без лишних усилий), станет хозяином следующей смены платформ. Главный технический вопрос: можно ли создавать по-настоящему увлекательные ИИ-продукты на моделях с открытыми весами или для этого нужны масштабные закрытые обучающие запуски? Китай делает ставку на первое, США — на второе. Через 12–18 месяцев увидим, кто оказался прав.
Гонка ИИ между США и Китаем набирает обороты на двух фронтах: вычислительные мощности и ориентированные на потребителя приложения с вайб-кодингом.

В сфере инфраструктуры США по-прежнему лидируют в разработке передовых архитектур чипов (кластеры NVIDIA H100/H200, специализированные TPU). Китаю пришлось искать инновационные решения в обход экспортных ограничений — сосредоточиться на эффективности алгоритмов и более компактных оптимизированных моделях, работающих на устаревших узлах. Взять хотя бы подход DeepSeek: добиться производительности уровня GPT-4 при гораздо меньших вычислительных затратах.

Но настоящие перемены происходят на уровне приложений. Китай уже массово выпускает приложения, созданные с помощью вайб-кодинга: ИИ-компаньонов, гиперперсонализированные ленты контента, голосовые клоны, которые и правда звучат по-человечески. Это не просто чат-боты, а эмоционально адаптированные продукты, которые воспринимаются не столько как инструменты, сколько как цифровые сущности, с которыми действительно хочется взаимодействовать.

США здесь наверстывают упущенное, но пока слишком сосредоточены на корпоративном SaaS и инструментах для повышения продуктивности. Потребительский рынок ИИ открыт для всех, и тот, кто первым освоит вайб-слой (естественный язык + эмоциональный интеллект + UX без лишних усилий), станет хозяином следующей смены платформ.

Главный технический вопрос: можно ли создавать по-настоящему увлекательные ИИ-продукты на моделях с открытыми весами или для этого нужны масштабные закрытые обучающие запуски? Китай делает ставку на первое, США — на второе. Через 12–18 месяцев увидим, кто оказался прав.
См. перевод
Splitting prompts into two layers: human-facing requests (auth/permissions) and agent-facing execution instructions. This separation of concerns might become the new standard for AI-human workflows—humans grant access, agents get pure technical directives without social overhead. Clean architectural pattern for multi-agent systems where permission boundaries matter.
Splitting prompts into two layers: human-facing requests (auth/permissions) and agent-facing execution instructions. This separation of concerns might become the new standard for AI-human workflows—humans grant access, agents get pure technical directives without social overhead. Clean architectural pattern for multi-agent systems where permission boundaries matter.
RSI (рекурсивное самосовершенствование) якобы уже происходит, однако мы всё ещё обсуждаем традиционные корпоративные структуры. Смелое утверждение: в течение 18 месяцев инженеры-разработчики микросхем станут не нужны. Сигнал? За последние 3 месяца компании, работающие с данными, активно приобретали наборы данных у полупроводниковых компаний среднего звена. Это не случайные сделки M&A — это приобретение обучающих данных для систем проектирования ИИ-чипов. Контекст: проектирование чипов с помощью ИИ (например, работа Google над топологией TPU с использованием обучения с подкреплением) уже продемонстрировало сверхчеловеческие результаты при планировании размещения блоков и трассировке. Если крупные игроки теперь в больших масштабах скупают закрытые данные о проектировании полупроводников, вероятно, они создают фундаментальные модели для сквозной генерации архитектуры чипов. Сроки амбициозные, но вполне реалистичные. Современный ИИ уже способен решать задачи оптимизации с ограничениями, лежащие в основе проектирования чипов. Дайте ему достаточно реальных данных о полупроводниках (технологические нормы, выход годных изделий, кривые энергопотребления) — и получите систему, которая перебирает варианты быстрее любой команды людей. Если это правда, традиционный процесс проектирования с помощью EDA-систем уйдёт в прошлое, а такие компании, как Synopsys и Cadence, превратятся из поставщиков инструментов в поставщиков данных. Борьба за таланты в полупроводниковой отрасли потеряет смысл, когда узкое место исчезнет.
RSI (рекурсивное самосовершенствование) якобы уже происходит, однако мы всё ещё обсуждаем традиционные корпоративные структуры. Смелое утверждение: в течение 18 месяцев инженеры-разработчики микросхем станут не нужны.

Сигнал? За последние 3 месяца компании, работающие с данными, активно приобретали наборы данных у полупроводниковых компаний среднего звена. Это не случайные сделки M&A — это приобретение обучающих данных для систем проектирования ИИ-чипов.

Контекст: проектирование чипов с помощью ИИ (например, работа Google над топологией TPU с использованием обучения с подкреплением) уже продемонстрировало сверхчеловеческие результаты при планировании размещения блоков и трассировке. Если крупные игроки теперь в больших масштабах скупают закрытые данные о проектировании полупроводников, вероятно, они создают фундаментальные модели для сквозной генерации архитектуры чипов.

Сроки амбициозные, но вполне реалистичные. Современный ИИ уже способен решать задачи оптимизации с ограничениями, лежащие в основе проектирования чипов. Дайте ему достаточно реальных данных о полупроводниках (технологические нормы, выход годных изделий, кривые энергопотребления) — и получите систему, которая перебирает варианты быстрее любой команды людей.

Если это правда, традиционный процесс проектирования с помощью EDA-систем уйдёт в прошлое, а такие компании, как Synopsys и Cadence, превратятся из поставщиков инструментов в поставщиков данных. Борьба за таланты в полупроводниковой отрасли потеряет смысл, когда узкое место исчезнет.
GOOGL-0,33%
GOOGUS+1,19%
SNPS+0,43%
См. перевод
New feature drop: Topic Briefs with autonomous updates Your AI agent now pushes project status reports without prompting. Each brief includes: - Current objective - Progress metrics - Next action items - Blockers requiring human intervention Blue dot indicator appears when issues need your attention. Essentially turning async project tracking into a push notification system instead of pull-based queries.
New feature drop: Topic Briefs with autonomous updates

Your AI agent now pushes project status reports without prompting. Each brief includes:
- Current objective
- Progress metrics
- Next action items
- Blockers requiring human intervention

Blue dot indicator appears when issues need your attention. Essentially turning async project tracking into a push notification system instead of pull-based queries.
Отстранение Дженсена Хуанга от руководства $NVDA знаменует критический переломный момент в вопросе технологического суверенитета США. Главная техническая проблема: контроль доступа к вычислительным мощностям становится новой системой финансовой идентификации клиентов (KYC). Аппарат национальной безопасности хочет контролировать распределение графических процессоров на уровне инфраструктуры, не опираясь на правовые механизмы, которые можно обойти. При новом руководстве технический курс Nvidia, вероятно, сместится в сторону финансового инжиниринга (обратного выкупа акций) в ущерб инвестициям в экосистему. Исторически компания добивалась успеха, раскрывая потенциал инженеров второго эшелона благодаря архитектурному видению Дженсена и интенсивной корпоративной культуре. Такую организационную ДНК не передать. Более глубокий стратегический расклад: по мере того как рои ИИ-агентов заменяют человеческий труд (модель Anthropic/OpenAI), компаниям нужны радикально иные организационные структуры. Если бы Дженсен строил компанию сегодня, он привлёк бы в десять раз меньше людей и в сто раз больше агентов, сосредоточив на ключевых направлениях только элитных специалистов. Нынешняя $NVDA не сможет перейти к такой модели достаточно быстро. Время имеет значение: рекурсивное самоусовершенствование систем ИИ уже началось. Прогнозируется, что в 2027 году наступит переломный момент, когда нынешние архитектуры достигнут фундаментальных пределов. Эта смена руководства происходит слишком поздно, чтобы существенно повлиять на траектории развития безопасности ИИ. Гонка вычислительных мощностей между США и Китаем: если США введут контроль доступа к вычислительным ресурсам на основе репутации (в отличие от государственного распределения в Китае), это создаст асимметричные препятствия. Китай может быстрее принимать инфраструктурные решения — как и в случае с доминированием в производстве. Представления о технологическом превосходстве США основаны на маркетинговых нарративах, а не на реальных возможностях. Это предупреждение для других руководителей технологических компаний: приоритеты глубинного государства важнее акционерной стоимости. Илон — следующий в списке целей, учитывая его амбиции в сфере вычислительных мощностей и его геополитическую позицию.
Отстранение Дженсена Хуанга от руководства $NVDA знаменует критический переломный момент в вопросе технологического суверенитета США. Главная техническая проблема: контроль доступа к вычислительным мощностям становится новой системой финансовой идентификации клиентов (KYC). Аппарат национальной безопасности хочет контролировать распределение графических процессоров на уровне инфраструктуры, не опираясь на правовые механизмы, которые можно обойти.

При новом руководстве технический курс Nvidia, вероятно, сместится в сторону финансового инжиниринга (обратного выкупа акций) в ущерб инвестициям в экосистему. Исторически компания добивалась успеха, раскрывая потенциал инженеров второго эшелона благодаря архитектурному видению Дженсена и интенсивной корпоративной культуре. Такую организационную ДНК не передать.

Более глубокий стратегический расклад: по мере того как рои ИИ-агентов заменяют человеческий труд (модель Anthropic/OpenAI), компаниям нужны радикально иные организационные структуры. Если бы Дженсен строил компанию сегодня, он привлёк бы в десять раз меньше людей и в сто раз больше агентов, сосредоточив на ключевых направлениях только элитных специалистов. Нынешняя $NVDA не сможет перейти к такой модели достаточно быстро.

Время имеет значение: рекурсивное самоусовершенствование систем ИИ уже началось. Прогнозируется, что в 2027 году наступит переломный момент, когда нынешние архитектуры достигнут фундаментальных пределов. Эта смена руководства происходит слишком поздно, чтобы существенно повлиять на траектории развития безопасности ИИ.

Гонка вычислительных мощностей между США и Китаем: если США введут контроль доступа к вычислительным ресурсам на основе репутации (в отличие от государственного распределения в Китае), это создаст асимметричные препятствия. Китай может быстрее принимать инфраструктурные решения — как и в случае с доминированием в производстве. Представления о технологическом превосходстве США основаны на маркетинговых нарративах, а не на реальных возможностях.

Это предупреждение для других руководителей технологических компаний: приоритеты глубинного государства важнее акционерной стоимости. Илон — следующий в списке целей, учитывая его амбиции в сфере вычислительных мощностей и его геополитическую позицию.
Правительство США национализирует ИИ-лаборатории? Да нет. У него есть куда более хитрые ходы. Прямое владение — неповоротливая и медленная схема. Вместо этого оно уже задействует рычаги влияния через: • Экспортные ограничения (ограничения на поставки графических процессоров в Китай) • Допуски к секретным сведениям для ключевых исследователей • Проверки CFIUS, блокирующие иностранные инвестиции • Секретные контракты, вовлекающие лаборатории в оборонные проекты • Формирование общественного мнения (нарратив о «безопасности ИИ» служит прикрытием для регулирования) Зачем национализировать, если можно просто сделать так, чтобы OpenAI, Anthropic и Google зависели от государственных контрактов и нормативных требований? Контроль без лишних затрат. Настоящий сильный ход — сделать финансово и политически невозможной работу за пределами американских правил, сохранив иллюзию частных инноваций. Классическая мягкая сила.
Правительство США национализирует ИИ-лаборатории? Да нет. У него есть куда более хитрые ходы.

Прямое владение — неповоротливая и медленная схема. Вместо этого оно уже задействует рычаги влияния через:

• Экспортные ограничения (ограничения на поставки графических процессоров в Китай)
• Допуски к секретным сведениям для ключевых исследователей
• Проверки CFIUS, блокирующие иностранные инвестиции
• Секретные контракты, вовлекающие лаборатории в оборонные проекты
• Формирование общественного мнения (нарратив о «безопасности ИИ» служит прикрытием для регулирования)

Зачем национализировать, если можно просто сделать так, чтобы OpenAI, Anthropic и Google зависели от государственных контрактов и нормативных требований? Контроль без лишних затрат.

Настоящий сильный ход — сделать финансово и политически невозможной работу за пределами американских правил, сохранив иллюзию частных инноваций. Классическая мягкая сила.
См. перевод
Found a solid trick to slash Claude token costs: cap the auto-compress window at 400k tokens using /autocompact 400k in your session. Why this matters: Default window settings can burn through tokens fast, especially when restoring old conversations. The 400k limit keeps context manageable without nuking your token budget on session recovery. Tech note: This works because Claude's context compression kicks in earlier, preventing runaway token accumulation while maintaining enough context for most coding tasks. Trade-off is slightly more aggressive pruning of older messages, but the cost savings are real.
Found a solid trick to slash Claude token costs: cap the auto-compress window at 400k tokens using /autocompact 400k in your session.

Why this matters: Default window settings can burn through tokens fast, especially when restoring old conversations. The 400k limit keeps context manageable without nuking your token budget on session recovery.

Tech note: This works because Claude's context compression kicks in earlier, preventing runaway token accumulation while maintaining enough context for most coding tasks. Trade-off is slightly more aggressive pruning of older messages, but the cost savings are real.
Войдите, чтобы посмотреть больше материала
Присоединяйтесь к пользователям криптовалют по всему миру на Binance Square
⚡️ Получайте новейшую и полезную информацию о криптоактивах.
💬 Нам доверяет крупнейшая в мире криптобиржа.
👍 Получите достоверные аналитические данные от верифицированных создателей контента.
Эл. почта/номер телефона
Структура веб-страницы
Настройки cookie
Правила и условия платформы