Zavalishev | AI. Web3. Builds.

Как вы поняли, даже в отпуске изучаю и читаю что-то новое ))

Квантовый компьютер против Bitcoin. И кажется, это уже не такая далёкая история Иногда название моего канала AI. Web3. Builds. всё-таки напоминает мне, что кроме ИИ у меня есть ещё один давний интерес: блокчейн и криптовалюты :) И вот тут прочитал довольно интересное исследование от Google Quantum AI и других исследователей про то, насколько квантовые компьютеры опасны для Bitcoin, Ethereum и других блокчейнов. Попробую совсем простыми словами. Вся история Bitcoin открыта. Мы можем посмотреть транзакции хоть за 2011 год. Когда вы тратите Bitcoin, в большинстве классических типов транзакций раскрывается публичный ключ. И эта информация навсегда остаётся в блокчейне. То есть потенциальному квантовому компьютеру не обязательно ждать, пока вы сегодня решите кому-то отправить Bitcoin. Он сможет пройти по историческому блокчейну, найти уже раскрытые публичные ключи и посмотреть, остались ли связанные с ними BTC. Если остались: публичный ключ → квантовый компьютер вычисляет приватный → получает возможность подписать транзакцию и распоряжаться BTC. Причём времени на такую атаку может быть сколько угодно. Публичный ключ уже лежит в блокчейне. Есть второй сценарий. Если публичный ключ ещё не раскрыт, он может появиться в момент перевода. И тогда начинается гонка: вы отправляете BTC → раскрывается публичный ключ → квантовый компьютер вычисляет приватный → пытается отправить другую транзакцию раньше, чем ваша попадёт в блок. И вот здесь самое интересное. Авторы посчитали, что для атаки на используемую в Bitcoin криптографию потребуется менее 1 200–1 450 логических кубитов и порядка 70–90 млн квантовых операций определённого типа. При некоторых параметрах архитектуры это менее 500 000 физических кубитов, а само вычисление потенциально может занимать минуты. Такого компьютера сегодня ещё нет. Но я решил посмотреть, насколько мы вообще далеко. И вот тут цифры становятся интересными. IBM планирует уже на 2029 год Starling: 200 логических кубитов и 100 млн операций. То есть по количеству логических кубитов до нижней оценки из исследования ещё примерно 6 раз. При этом заявленное число операций уже того же порядка. А следующий IBM Blue Jay, который компания планирует после 2033 года, это уже 2 000 логических кубитов и 1 млрд операций. То есть по одним только этим параметрам это уже больше цифр, фигурирующих в исследовании для атаки на secp256k1. Конечно, это не означает, что в 2033 году IBM сможет взломать Bitcoin. Здесь важны архитектура, скорость операций, коррекция ошибок и ещё куча технических параметров. Да и сами машины пока существуют только в roadmap. Но порядок цифр мне уже кажется очень интересным. И ещё один момент. Исследователи намеренно не опубликовали детали найденных ими векторов атаки. Вместо этого использовали zero-knowledge proof: грубо говоря, доказали корректность своих расчётов, не раскрывая сам «рецепт» атаки. То есть: мы можем доказать, что это работает, но не будем показывать как именно. А главный вывод исследования простой: переход Bitcoin, Ethereum и других уязвимых блокчейнов на постквантовую криптографию нужно начинать уже сейчас. Пока мы наблюдаем за гонкой ИИ, где-то рядом постепенно разгоняется ещё одна: квантовые компьютеры против современной криптографии. А что если AI станет мозгом, а квантовый компьютер руками? :) Полное исследование: https://arxiv.org/pdf/2603.28846

На днях вышел Qwen3.8-27B. И вот это уже немного с ума сойти. 27 млрд параметров. Модель можно запустить локально на MacBook или Mac mini, при этом по ряду бенчмарков она уже подбирается к топовым закрытым моделям. Почему для меня это особенно интересно. Я уже собирал много локальных AI-агентов. И до сих пор модели такого размера нормально работали скорее как чат-боты: поговорить, что-то написать, ответить на вопрос. Но как только даёшь агенту реальную задачу, где нужно думать, использовать инструменты, писать код, выполнять несколько шагов подряд, качество резко падало. А здесь по первым тестам всё выглядит уже совсем иначе. Жду не дождусь, когда вернусь домой и поставлю Qwen3.8 локально. Хочу нормально погонять её на коде и агентах. Если модель такого размера действительно научилась не только отвечать, но и выполнять задачи, это уже совсем другой уровень локального ИИ.

Часто ищу в сети всякие полезности по ИИ, разработке, архитектуре. Иногда попадаются реально хорошие материалы, которые хочется сохранить себе. И вот тут наткнулся на большую англоязычную библиотеку по системному дизайну на основе System Design Interview Алекса Сюя. Решил перевести её целиком на русский и заодно поделиться с вами. Получилось 28 глав со всеми схемами. Там довольно большой разброс тем: от базового масштабирования системы до миллионов пользователей, кэширования и балансировки нагрузки до проектирования YouTube, Google Maps, чатов, платёжных систем, распределённых очередей и даже биржи. Сам я, кстати, ещё всё не прочитал. Но уже начал. Мне вообще нравится такой формат: находишь хорошую базу знаний и постепенно проходишь её, параллельно разбираясь в тех вещах, которые раньше знал только поверхностно. Выложил всё на GitHub в открытый доступ: https://github.com/zavalishev/system-design-notes-ru Забирайте. Может, кому-то тоже пригодится. Ну и звёздочку на GitHub можете поставить, если материал окажется полезным.

Гарвард и MIT собрали симуляцию из 8,3 миллиарда виртуальных людей. По одному на каждого жителя планеты. Проект MatrAIx. У каждой персоны 1290 характеристик: возраст, профессия, психология, привычки, отношение к риску. Профиль превращается в агента, когда модель просят сыграть этого человека. Например, вы сделали приложение и хотите понять, разберутся ли в нём люди. Раньше надо было найти живых тестировщиков, отобрать нужных, посадить их за интерфейс, обработать результаты. Недели работы и приличный бюджет. Теперь вместо них по вашему приложению кликают тысячи виртуальных пользователей разного возраста, профессий и уровня технической грамотности. И вы читаете, на каком именно экране бухгалтер из небольшого города запутался и закрыл приложение. За ночь. Главное ограничение честно признают сами авторы. Симулированный человек ведёт себя согласованно со своим профилем, а живой регулярно делает то, чего от него не ждал никто, включая его самого. Так что это фильтр перед запуском, а не замена живым пользователям. Датасет на миллион персон выложили в открытый доступ. Работа на arXiv: arxiv.org/abs/2608.04205

Любопытная картина от Bloomberg. Карта сделок между главными игроками AI-рынка. Интереснее всего тут не размеры кругов, а направление стрелок. К Nvidia сходятся линии закупки железа. И от неё же расходятся линии инвестиций в тех, кто это железо у неё покупает. Nvidia вкладывается в OpenAI, OpenAI покупает у неё чипы, выручка растёт, появляются деньги на новые вложения. Похожие связки видны с AMD, Oracle и CoreWeave. Формально это разные сделки разных компаний. По сути весь рынок завязан сам на себя, и деньги ходят по кругу внутри довольно узкого круга участников. Само по себе это не новость для индустрии, вендоры финансировали своих клиентов и раньше. Вопрос всегда в пропорции: сколько выручки приходит от независимых покупателей, а сколько от тех, кому ты сам дал денег. Снаружи этого не видно. Смотрите на стрелки, а не на оценки.

https://t.me/politeconomics/19558 Добавлю к этому свои пять копеек. Сначала важный нюанс, которого нет в цифре 49%. В том же исследовании KPMG видно, что компании из AI не уходят. Инвестиции в него остались приоритетом у 79% руководителей, это больше, чем кварталом раньше. А доля компаний, где AI стал частью повседневной работы, за квартал выросла с 13% до 22%. Никто не сворачивается, идёт пересборка подхода. Теперь почему расходы обгоняют отдачу. Потому что AI ставят поверх процессов, которые изначально собирались под людей. Сам процесс при этом остаётся прежним, просто одно из его звеньев теперь выполняет агент. И вы начинаете платить за токены на каждом шаге старой схемы. Агент читает документ, который человек читал только потому, что данные лежали в неудобном виде. Проверяет то, что проверялось из-за отсутствия сквозной валидации. Пересказывает то, что пересказывалось между отделами. Все эти шаги когда-то компенсировали ограничения людей и систем. Теперь их оплачивает бюджет на AI. Оптимизировать отдельные куски можно, но большой выгоды это не принесёт. Эффект появляется там, где пересматривается архитектура самого процесса и задаётся вопрос: как эта задача выглядела бы, если бы её с самого начала проектировали под AI. Я это проходил на своём продукте. Когда делал проактивные напоминания в Синапс AI, первый вариант был как у всех: прогнать весь контекст через модель. Экономика выходила 17 долларов на пользователя в месяц. Точечная оптимизация этой схемы ничего бы не спасла. Я пересобрал саму архитектуру задачи, и стало 0,02 доллара. Разница в сотни раз появилась из другого устройства процесса, а не из экономии на токенах. Поэтому AI-трансформация это разговор про архитектуру компании, а не про инструменты. Сначала стратегия и понимание, какие процессы вообще должны существовать в мире, где есть AI. Потом переписывание этих процессов под AI-native логику. И только потом внедрение агентов. В обратном порядке получается дорого. Что KPMG и зафиксировала. Продолжаю строить.

За выходные у меня было три созвона с руководителями трёх крупных компаний. Тема у всех одна. Разговаривали про внедрение AI в повседневную работу. И знаете, что меня зацепило? Три разных человека, три разные отрасли, а формулировки почти дословно совпадают. Все говорят про оптимизацию трудозатрат и усиление возможностей команды. И у всех это уже предметная рабочая задача с конкретными сроками. Что мне кажется здесь самым важным. Разговор про AI в крупных компаниях изменился по своей сути. Ещё год назад он звучал как «интересно, надо будет посмотреть». Сейчас это конкретика: какие процессы взять первыми, как измерить эффект, чему учить команду, какие данные можно отдавать модели, а какие нет. Вопросы стали предметными, и это признак зрелости рынка. И вот второе наблюдение, которое кажется мне даже интереснее первого. Год назад компании внедряли AI сверху вниз. Запускали программы, ставили KPI по использованию, объясняли сотрудникам, зачем это нужно. Сейчас всё наоборот. Сотрудники сами хотят работать с AI, независимо от того, что компания им даёт. Люди находят инструменты, осваивают их в свободное время и приносят в работу по собственной инициативе. Спрос перевернулся и пошёл снизу вверх. Для руководителя это меняет саму задачу: убеждать больше никого не надо, надо успевать давать людям безопасные и удобные инструменты, пока они не нашли их сами. Приятно, что руководители такого уровня занимаются этим уже сейчас. Обычно именно так и выглядит хорошее управленческое чутьё. Продолжаю строить.

OpenAI купила стартап, который делает презентации. Мою задачу теперь решают в Сан-Франциско. Новость вчерашняя: NextSlide, команда целиком перешла в OpenAI работать над ChatGPT. Сам продукт закрылся, на сайте осталась прощальная записка. Сумму не раскрыли. Что это значит по сути. OpenAI признала, что чат с текстом это не конечная точка. Человеку нужен готовый файл, который можно открыть, поправить и отправить. Презентация, таблица, документ. ChatGPT собирается стать офисным пакетом. Для корпораций это прямой сигнал пересматривать, как готовятся отчёты, материалы для комитетов, питчи и аналитические слайды. А теперь то, ради чего я это пишу. Ровно эту задачу Синапс AI решает уже несколько месяцев. На русском языке, с локальным контекстом, чего у западных инструментов нет и в ближайшее время не появится. Причём внутри не обёртка над чужим генератором, а собственный движок, который я разрабатывал сам. Полноценная мультиагентная система с несколькими уровнями проверки и верификации на каждом шаге. Логика такая: сырая мысль, поиск фактов, выстраивание структуры, дизайн, и на выходе редактируемый PPTX. Система думает над содержанием, а не раскладывает текст по готовому макету. Прикладываю слайды, которые Синапс сделал сам. Ничего не правил руками. Когда крупнейшая AI-компания мира покупает команду под задачу, которую ты уже решил, это хороший знак. Значит, направление выбрано верно. Продолжаю строить.

Друзья, полезное для тех, у кого свой бизнес. Anthropic вместе с PayPal выпустили бесплатный курс по работе с AI для малого бизнеса. Девять уроков, 54 минуты видео. В кадре не только исследователи, но и реальные владельцы бизнеса, которые показывают всё на своих задачах. Что внутри интересного: Упражнение по описанию своего бизнеса. Один раз садитесь и письменно формулируете: что за бизнес, кто клиенты, как устроена работа, что для вас важно. Дальше вставляете этот текст в начало каждой новой сессии с AI. И модель начинает отвечать так, будто понимает вашу компанию, а не абстрактный бизнес из интернета. Простая вещь, а результат меняется сильно. Разбор того, как модель устроена внутри. Там встроен интерактивный симулятор, который показывает механику предсказания следующего слова. Звучит скучно, но именно после этого становится понятно, почему AI ошибается именно так, а не иначе. Большинство обучающих материалов эту часть пропускают, и человек потом не понимает, где модели можно верить, а где нет. Главная рамка курса: AI бегло говорит, но не всезнающ. Он надёжен там, где может проверить факты, и наименее надёжен там, где нужны свежие данные из реального мира. Курс идёт продолжением базового AI Fluency, его логично пройти первым. Примеры показывают на Claude, но подойдёт любой чат-бот. Минус один: всё на английском, включая видео. Но с автопереводом субтитров смотрится нормально. Ищите на anthropic.com/learn, называется AI Fluency for Small Businesses. Бесплатно, с сертификатом в конце.

Друзья, вчера вернулся из Калуги. День получился длинный: подъём в 4:30, дома был уже за полночь. Впрочем, вся неделя прошла примерно в таком же графике. Форум «Цифровая эволюция» оставил очень сильное впечатление. Со стороны обычно не видно, что происходит внутри цифровизации госуправления. А там идёт по-настоящему масштабная работа: автоматизация, внедрение агентских решений, повсеместные пилоты в регионах. Шаг за шагом мы движемся к цифровому государству, и темп заметно выше, чем кажется снаружи. В своём выступлении я говорил о трёх поколениях цифрового государства. Первое поколение — оцифровка. Бумажная процедура переехала в экран: форма, перечень документов, срок. Второе — проактивность. Государство видит событие и само предлагает нужную услугу по заранее описанному сценарию. Третье — понимание намерения. Сценарий не прописан заранее, его собирает модель из регламентов, данных и реестров. Человек описывает свою ситуацию обычными словами, а система сама находит подходящее решение. Дальше рассказал, как мы помогаем регионам двигаться к третьему поколению. Чтобы житель получал ответ на свой вопрос в момент обращения, а не после изучения каталога услуг. Спасибо организаторам за уровень форума и всем, с кем удалось пообщаться. Такие площадки полезны именно живыми разговорами, а не только докладами. Продолжаю строить.

Друзья, привет из Калуги. Сегодня выступаю на VII Всероссийском форуме «Цифровая эволюция». Ключевая тема года — «Госуслуги. Новые вызовы». Моя тема: «От поиска услуги к пониманию намерения. Как искусственный интеллект меняет цифровое государство». О чём буду говорить. За последние годы госуслуги проделали огромный путь. То, что раньше означало очереди и папки с документами, сегодня решается с телефона за несколько минут. Это уже большое достижение. И сейчас появляется возможность для следующего шага. Раньше любой цифровой сервис строился вокруг поиска: человек находит нужную услугу в каталоге. Теперь технологии позволяют строить сервисы вокруг намерения: человек описывает свою жизненную ситуацию обычными словами, а система сама подбирает подходящие услуги и ведёт по шагам. Это меняет саму логику взаимодействия. И самое интересное, что технологически такой сдвиг уже возможен. Расскажу, как всё прошло.

Скажу непопулярную вещь. Можно отлично владеть AI, знать все инструменты и промпты, но если у тебя нет системного и критического мышления, креативности, насмотренности и навыка решать задачи, ничего стоящего ты не построишь. AI усиливает то, что у тебя уже есть. Усиливать нечего, значит и результата не будет.

Провожу интересный эксперимент. Запустил AI-агента в непрерывном рабочем цикле. Напомню, что во втором проекте у меня 17 агентов, которые помогают писать код. Обычно я ставлю им задачи, они выполняют, я проверяю. А тут решил попробовать иначе. Просто описал цель. Сказал: вот чего я хочу добиться, давай реализовывать. И запустил. Агент работает уже 24 часа без остановки. Ночью открыл окно посмотреть, что он там делает. И вижу вот такую картину. Он сам себе поставил задачу выполнять полный цикл разработки по каждому пункту очереди: разведка, дизайн, инженерная реализация, обязательная проверка ревьюером кода и аудитором безопасности параллельно, мерж, выкатка на тестовый контур, живое доказательство работоспособности на кластере. Я ему этого не говорил. Он выстроил этот процесс сам. Но самое интересное в конце. Агент сам себе прописал ограничения. Только тестовый контур, прод не трогать. А всё необратимое и всё, что требует моего решения, складывать в отдельный файл, чтобы я разобрал это потом. То есть он сам определил границу, за которую не пойдёт без человека. Сам решил, где нужна моя подпись. Честно, я в восторге. Посмотрим, к чему это приведёт за неделю. Но опыт уже очень интересный. Продолжаю строить.

Доброе утро, друзья. На днях Андрей Карпаты (сооснователь OpenAI, бывший директор по AI в Tesla) написал пост, который набрал почти 4 миллиона просмотров. Смысл такой: когда лень набирать длинный контекст для модели, он переключается на голос и просто говорит десять минут подряд, потоком, без структуры. И модели отлично собирают из этого сумбура связный смысл, часто чище, чем то, с чего он начинал. Мне это знакомо. Я и сам так работаю уже давно, и подозреваю, что многие из вас тоже. Но когда о новом способе (тут смешно почему то 🤣) взаимодействия с AI пишут люди такого уровня, это хороший повод поделиться инструментом, которым пользуюсь сам. FluidVoice. Диктовка для macOS. Перепробовал разные, эта лучшая из того, что попадалось. Ссылка: github.com/altic-dev/FluidVoice Попробуйте, если работаете с AI каждый день.

Доброе утро, друзья. С началом новой недели всех!!! Еду на работу и размышляю про эффективность и все сопутствующее. Задумался, а существует ли идеальный сотрудник? Ещё пол года назад я бы уверенно ответил, что да, и это мои AI-агенты. Ха-ха, наивный. Они же выполняют задачи, работают круглосуточно, не устают, не жалуются, не берут отпуск. Однако, агенты молодцы. Только за прошедшие выходные я с их помощью собрал себе очередной сервис, у которого на борту пять агентов. Да, да, теперь агенты делают агентов. Фильм матрица, не иначе. Сервис помогает мне анализировать бизнес-процессы и находить в них узкие места. Быстро и точно. Если бы делали эту работу руками, то мне понадобилось живых сотрудников 6 на это направление. Вернемся к сотрудникам и размышлениям. Чем глубже я работаю с агентами, тем яснее вижу их границы. У AI нет собственного опыта. Нет интуиции. Нет чувства контекста и способности взять на себя ответственность там, где нужно рискнуть. AI отлично выполняет то, что ему хорошо описали, но проектировать за вас работу и чувствовать момент он пока не умеет. Поэтому идеальным сотрудником он не является. И вот что я думаю про сегодняшний рынок труда. Востребованный специалист сейчас это тот, кто быстро подстраивается под изменения, понимает запросы новой реальности и умеет использовать AI в своей работе. Потому что AI ускоряет вашу работу не в десятки, а в сотни раз. Один человек в связке с AI сегодня сильнее и AI-агента в одиночку, и целой команды сотрудников без AI. Человек приносит опыт, интуицию и стратегическое мышление. AI берёт на себя рутину, скорость и масштаб. Именно такие специалисты становятся самыми ценными на рынке. Продолжаю строить.

https://t.me/zavalishevchat/2332 Нужно всегда идти от потребности и боли бизнеса, а не от продукта. Тогда получается что-то стоящее и полезное.

"Прогресс моделей ИИ в ближайшие 6 месяцев будет сопоставим с развитием за последние два года" - Сэм Альтман (CEO OpenAI) Ну что, готовы? Очень прям жду, что нам представят топ-1 компании.