Лиза Чернягина | Опережая тренды

Вайбкодинг выходного дня AI-программирование становится новой формой досуга и творчества. Раньше в выходные люди фильмы смотрели, собирались в настолки или погамать. Теперь собираются повайбкодить в хорошей компании. Карпати в свой выходной сделал аналитику профессий, которые вытесняет AI, а я собрала интерактивную карту физтехов по миру — со срезами по странам, индустриям, уровням и функциям: https://mipt.landao.vc/ Из любопытного: — Лондон — столица финтеха, ML и вообще самый густонаселённый физтехами город после Москвы — Дубай — следующий по общему числу и лидер по фаундерам — Берлин — лидер по зарубежному диптеху А по странам Германия на втором месте после США — почти 1000 физтехов против 2,3 тыс. (из выборки в 15 тыс.) За чем стоят физтехи в Европе: графен (Нобелевка), EUV-литография (без неё не делается ни один передовой чип), волоконные лазеры IPG, нанотрубки OCSiAl, Revolut на $45 млрд. Тихая инфраструктура, на которой держится половина европейского tech. Физтехов 4500+ только в Европе — огромная сеть, которой почти никто не пользуется системно. Странно одному ехать на конференцию, когда где-то рядом свои. Сделала голосование по конференциям и собрала чат про tech-конференции. Сейчас планируем сайд-ивент GITEX AI Europe в Берлине в конце июня и голосуем за следующие. Залетай ➡️ [ Группа ] t.me/cherniagina

🔴Цифровые двойники учатся разговаривать (interoperability of digital twins) — до последнего времени виртуальные копии заводов, городов, энергосетей у каждого вендора жили в своём формате и между собой не стыковались, поэтому «умный город» оставался набором разрозненных пилотов. Шаг к общему стандарту позволит соединять двойники в цепочки: транспорт, ЖКХ и энергетика оптимизируются как единая система, промышленные цепочки поставок планируются целиком. Стандарт пока в зачаточном состоянии, до массового внедрения — годы, но окно на пилоты открыто уже сейчас. 🔴Физика встраивается в архитектуру нейросети (equivariant neural networks) — вместо того чтобы учить сеть «с нуля», что поворот объекта не меняет его сути, это зашивают прямо в архитектуру. Быстрее и точнее в задачах, где симметрии физического пространства важны: прогноз погоды и климата, drug design (как молекула сядет в белок), инженерные симуляции в энергетике и транспорте. Для задач с языком, бизнес-аналитикой и soft-skills этот подход ничего нового не даёт — это сугубо научно-инженерный инструмент. 🔴ИИ переезжает с серверов на устройство (Edge AI · Federated · Privacy) — регуляторика (GDPR и аналоги) и развитие железа толкают модели ближе к пользователю. Голосовой ассистент работает офлайн, медицинские и финансовые приложения не отправляют чувствительные данные на сервер, банковский антифрод срабатывает до подтверждения транзакции. Тот самый случай, когда за трендом стоит внешний драйвер — значит, он устойчивый, даже если конкретные технические решения будут меняться. 🔴Поиск в LLM становится умнее (knowledge-graph-aware search + локальные модели) — классический «один большой RAG» (одна модель отвечает на всё) дополняется архитектурами, где knowledge graph проверяет связи и факты, а локальная модель обрабатывает чувствительные данные. Опять не революция — эволюция RAG в сторону точности и приватности. С 2025-го это начало попадать в продуктовые roadmap'ы, не только в статьи. Статьи: 📄Graph Foundation Models: A Comprehensive Survey (май 2025) 📄Evolving Graph Learning for OOD Generalization in Non-stationary Environments (ноябрь 2025) 📄Graph Structure Learning for Spatial-Temporal Imputation (AAAI-2025) 📄Low-Precision Training of Large Language Models: Methods, Challenges, and Opportunities (май 2025) 📄Interoperability of AI-enhanced Digital Twins (ноябрь 2025) 📄Rotational Equivariant Graph Neural Networks via Local Eigenbasis Transformations (август 2025) 👇А ниже видео-пересказ для тех кому лень читать :) t.me/cherniagina

Как поймать тренд за 6–12 месяцев до того, как его заметит рынок На недавней конференции GoCloud мне зашёл доклад дочки Аэрфлота — АФЛТ-Системс (внезапно, почему они этим занимаются?) про проект LORqen — платформу, которая выявляет тренды из препринтов научных статей. По их мнению такая аналитика опережает рынок и патенты на 6-12 месяцев. Disclaimer.Я если честно сама не всё поняла и мне было лень разбираться, поэтому сгрузила все фото и видео в папочку и попросила агента всё изучить и выдать в формате поста, инфографики с отобранными фото и обрезанными видео. Так что дальше что-то на научном и AI generated для зануд как я 🤓 Команда прогоняет через систему сотни тысяч научных статей и препринтов (сейчас у них ~135 000 публикаций 2024–2026 гг. на пяти языках) и выделяет для бизнеса «ранние сигналы». В подходе разделяются внутренние vs внешние драйверы трендов. Research идёт двумя путями. Внутренний — когда учёные нашли новый метод, он заработал, и это открыло ветку для следующих исследований. Внешний — когда research тянут рынок и регуляторика. Живой пример со слайда: персональные данные. Закон о них есть с 1970-х, но именно рост штрафов за последние 5-7 лет заставил сотни лабораторий заниматься Federated Learning, Privacy-preserving ML и Edge AI. Это не научный интерес снизу, а ответ на регуляторику сверху. Практический вывод для инвестирования или продуктовой стратегии: горячие темы в препринтах стоит фильтровать по источнику давления. Если за темой стоит регуляторика или реальный запрос рынка — тренд не сдуется, даже если конкретный метод окажется тупиковым. Если только «учёным интересно» — может исчезнуть через год. Итак, собственно сами сдвиги: 🔴Модели перестают устаревать за полгода (continual learning · OOD) — раньше алгоритм обучали один раз, выкатывали в прод и через пару месяцев он начинал промахиваться: мир менял правила быстрее, чем успевали переобучать. Сейчас модели умеют дообучаться на ходу, не теряя прошлых знаний. Банковский антифрод распознаёт новые схемы за день, а не за квартал; рекомендательные системы учитывают актуальные интересы пользователя. 🔴Графовые нейросети становятся доступнее (Graph Foundation Models + learnable structure) — GNN не новы, им ~20 лет, mainstream-момент был в 2017-м. Раньше граф (кто с кем связан, какие типы связей) нужно было размечать руками — это убивало масштаб и требовало доменной экспертизы. Сейчас модель восстанавливает структуру из данных сама. Плюс копируется рецепт LLM — одна предобученная модель, которую дотачивают под задачу (Graph Foundation Models). В итоге барьер входа для компаний без большой ML-команды ниже. Важно: GNN не замена LLM и не эффективнее «вообще». LLM лучше работают с человеческим знанием — оно живёт в тексте, нарративе, размытых ассоциациях, а не в строгих рёбрах. GNN выигрывают там, где структура объективно явная: молекулы, дороги и энергосети, рекомендательные системы, цепочки поставок. Везде, где связи нужно «угадать из контекста», LLM работают лучше. Самый интересный вектор 2026-2027 — не замена одного другим, а гибриды (GraphRAG, knowledge graphs поверх LLM): LLM даёт широкий контекст, граф — строгие и проверяемые связи. 🔴Обучение LLM дешевеет в разы (mixed precision · FP8 / INT8 / 2-bit) — тоже не революция, а результат нескольких лет работы над stochastic rounding, loss scaling и стабилизацией градиентов. Раньше большие модели обучали в fp16, потом квантовали до int8 или 4 бит для инференса. Сейчас есть работы, где LLM обучают сразу в 2-битах — с сохранением качества и кратной экономией железа. В 2025-м это пересекло порог индустриальной применимости. Практический смысл: собственные модели перестают быть привилегией big tech — средний бизнес, университетская лаборатория или стартап могут обучить свою на порядок дешевле, чем два года назад. t.me/cherniagina

🍿Sunday Movie-time! Продолжая тему фильмов про науку и технологии невозможно пройти мимо документального фильма про создание DeepMind 🎞«Игра разума» (The Thinking Game). Я ненавижу документальные фильмы, потому что они обычно скучные, но этот смотрится на одном дыхании. Must-see Основатель DeepMind — британский греко-китаец Демис Хассабис в 2024 году стал лауреатом Нобелевской премии по химии за использование ИИ для предсказания структур белков. Один из примеров, как один человек с идеей может собрать единомышленников и ресурсы, чтобы изменить мир. До сих по не могу понять, как это работает — сила идеи, веры или просто удача. ^^^ 💲Кстати, с инвестиционной точки зрения любопытно, что Илон Маск вложил около $5 млн в DeepMind в 2012 году — не ради финансового возврата, а чтобы «следить за развитием AI изнутри» и понимать, куда движется индустрия. Я только посмотреть Всего проект привлёк порядка $50 млн инвестиций. В 2014 Google купил DeepMind за ~$500–600 млн. По оценкам выход Маска составил десятки миллионов долларов ~10–20x к вложенному капиталу за ~2 года. t.me/cherniagina

ИИ разбирал мой рабочий стол и нашёл потерянное видео с рисовых полей Бали. Сказал выложить.

Райгородский в прямом эфире с конфы на Физтехе рассказывает про связность случайных графов на примере связи между городами. https://it-purple.ru/video

🍿Movietime! В подборку фильмов про науку и технологии (клик,клик) хочу добавить очень красивый и отзывающийся мне как женщине-физтеху фильм про Марию Кюри «Опасный элемент». Любопытно, что Мария была уроженкой Российской империи (Польша), в которой женщинам было невозможно заниматься наукой, поэтому она уехала в Сорбонну. Но даже во Европе на нобелевку за её открытие сначала номинировали её мужа вместо неё. Очень порадовали сцены про X-Rays в спиритизме и шоколад с радием, напоминает современные попытки натянуть квантовые технологии на психологию и куда только можно, видимо это обычное проявление научного энтузиазма (или маркетинговой смелости)🙈

Со светлым праздником Пасхи! ☦️❤️ Всего за пару минут обзор истории и традиций с MLNotebook наколдовала. Иногда кринж, но все-равно интересно — про логику определения дат в разных конфессиях, например.

Технологический саботаж В этом безумии с блокировкой VPN меня расстраивает не столько блокировка Telegram — что неприятно, но можно заменить на другие каналы связи. Возмущает меня ограничение населения в доступе к международным технологиям и зарубежным сайтам. Ограничение доступа, например, к зарубежным LLM, Lovable или MLNotebook, я примерно воспринимаю как запрет на использование зарубежных компьютеров, оставив доступным только использование отечественных калькуляторов. Нельзя на равных участвовать в технологическом развитии, не имея доступа даже к публичным результатам международного прогресса. Это шаг к деградации. Если кто-то думает, что мы идём по пути китайского файрвола, то это не совсем так. В Китае у крупных компаний, университетов, исследователей — VPN легальны де-факто, просто не афишируются. Академические институты работают с международным стеком без реальных ограничений. Китай строил свою экосистему — Baidu, WeChat, Alibaba Cloud, собственные LLM-инфраструктуры. Закрывали снизу, оставляя элитам и корпорациям доступ сверху. В России же закрывают массово, заранее не построив замены, без стратегии. Посколько общедоступные VPN перестают справляться, я подключила в AmneziaVPN свой бесплатный сервер. Amnezia как раз для этого и создавался — чтобы каждый человек без знаний сисадмина за 10 минут мог запустить свой VPN(нужно указать SSH-ключ и секретный ключ, дальше всё установится автоматически, при сложности попросите помощи у claude). Эта функция доступна в бесплатной версии Amnezia — кстати, крутой, почти волонтёрский проект с открытым кодом, сделала донат 🖤 А из альтернативных способов связи отмечу, что WeChat стал доступным для российских номеров, и вспомню про южнокорейский мессенджер KakaoTalk, который очень распространён по всему миру. Ну и конечно, дублируюсь в MAX — подписывайтесь ➡️Лиза в MAX t.me/cherniagina

Как не обанкротиться на токенах #hacks@cherniagina