|
nFactorial Weekly #18
Каждую неделю - рекомендации топ 3 подкастов, книг, фильмов, эссе, блог-постов, цитат, выступлений, ресторанов, ИИ-инструментов и многого другого.
|
|
|
|
Всем привет!
Вашему вниманию - 18-й выпуск нашего дайджеста nFactorial Weekly. На этот раз мы делимся статьями, которые понравились нам на прошлой неделе.
Если вам интересен обзор новостей из мира стартапов и ИИ, то он доступен в нашей рубрике nFactorial Intelligence на нашем YouTube-канале.
|
|
|
Топ 3 статьи
|
|
Автор: Ann Miura-Ko, Floodgate. "AI-pilled" перестал быть бинарной характеристикой: по аналогии с уровнями автономности в беспилотных автомобилях, организации различаются по глубине внедрения ИИ и реальным техническим возможностям, поэтому правильный вопрос - не "AI-native ли компания?", а "какого уровня автономии она достигла?". Для оценки уровня нужно смотреть через четыре линзы: что ИИ видит (чистота данных и процессов для машины), что он может делать (действия в системах учета, а не просто саммари), кто может расширять систему (только инженеры или и не-инженеры тоже) и как изменилась сама организация - структура, роли, найм. На этой основе строится шкала из шести уровней - от L0 ("ИИ как театр" с громкими речами CEO, но без реальных изменений) и L1 (личная продуктивность, где уход "звездного" пользователя уносит все воркфлоу) через L2 (командные процессы внутри функциональных силосов) к L3 (агенты действуют сквозь системы, не-инженеры пакуют скиллы, оргструктура заметно отличается от "2023 + автокомплит"). Уровни L4 и L5 описывают качественный скачок: на L4 возникает "операционная система", где не-инженеры выкатывают продакшн-инструменты за час, иерархия схлопывается до "менеджеров каналов агентских воркфлоу", а компенсация и промоушены завязаны на AI-навыки; L5 (пока гипотетический) - это организация, где система сама замечает важное, синтезирует контекст, решает действовать в делегированных полномочиях и обновляет общую память, а люди отвечают за стратегию, вкус, риск и исключения. Компания редко находится на одном уровне по всем четырем вопросам - асимметрия (например, ИИ много "видит", но мало "делает") как раз и подсказывает, куда направить следующее усилие; и, перефразируя Стива Бланка, AI-pilled компания - это не "старая компания с ИИ-ассистентом", а организация, перестроенная вокруг новой операционной модели, и те, кто быстрее поднимается по этой лестнице, получат накапливающееся преимущество в маржинальности и скорости.
|
|
|
Автор: 0xDipper. В основе подхода лежит исторический факт: Клод Шеннон, изобретатель теории информации, с конца 1950-х по 1986 год показывал доходность 28% годовых на личном портфеле, обогнав Уоррена Баффетта (27%) и 1025 из 1026 паевых инвестиционных фондов в рейтинге Barron's, причем делал это не интуицией, а измеряя информационное содержание каждой ставки в битах; его коллега Эдвард Торп перенес ту же математику из казино в Уолл-стрит и построил единственный хедж-фонд с нулевыми убыточными годами за 20 сезонов - и тот же фреймворк сегодня применим к Polymarket. Главный инструмент - измерение преимущества (edge) через KL-дивергенцию: это не метафора, а буквально число бит информации, которыми вы располагаете сверх рынка; пороги простые - меньше 0.05 бит это шум и комиссии съедят прибыль, 0.10-0.20 бит реальное профессиональное преимущество, больше 0.30 бит - значит вы где-то ошиблись в расчетах. Второй инструмент - max-entropy fusion для объединения противоречивых сигналов (новости, базовая ставка, ордербук, твиттер-сентимент): принцип Джейнса 1957 года гарантирует, что при неполной информации единственное честное распределение - это распределение с максимальной энтропией при известных ограничениях, и оно по построению не может переобучиться, в отличие от ML-ансамблей, которые умирают в боевой торговле. Третий инструмент - детектор инсайдеров через коллапс энтропии: нормальный рынок дрейфует медленно, но когда инсайдер открывает крупную позицию, цена резко смещается и энтропия падает быстрее обычного - отслеживая производную dH/dt и сравнивая с историческим стандартным отклонением (порог 3 сигма), можно ловить аномалии за десятки минут до публичных новостей, как в примере с рынком "Trump win Pennsylvania" 13 октября 2024-го, где 7-сигма событие предшествовало новости на 47 минут и принесло одному кошельку ~$340k. Главный вывод - барьером для применения этих методов всегда был не интеллект, а доступ к данным и вычислениям, и сейчас этот барьер исчез: пять строк Python превращают публичные цены Polymarket в измеримое преимущество, выраженное в битах, и тот же 77-летний фреймворк, который последовательно работал в Вегасе, на Уолл-стрит, в облигациях и опционах, теперь работает на рынках предсказаний, где почти никто не применяет эту математику, несмотря на открытые данные и обилие инсайдеров.
|
|
|
Автор: Daniel Miessler. Главная фрустрация людей с ИИ - не в том, что технология чего-то не умеет, а в том, что они сами не могут описать, что им нужно: ИИ - это инструмент исполнения, и он бессилен, когда не знает, что исполнять, поэтому компании с четким видением уже расцветают благодаря ИИ, а проблема "неготовности к ИИ" на самом деле не техническая, а гораздо более фундаментальная - это проблема самопонимания самой организации. Огромный процент компаний живет "хаотично-успешно вопреки себе": у них есть пара работающих трюков, но если зайти и попросить описать цели, стратегии, рабочие потоки, проблемы клиентов и затраты - руководство либо уставится пустым взглядом, либо рассмеется, и им потребуются недели только на то, чтобы запустить проект для поиска этих ответов, и месяцы на сам проект. Сильный диагностический признак провальной компании - когда отделы тратят гигантские ресурсы на формулировку этих ответов, но ответы радикально меняются от квартала к кварталу, потому что все в постоянном хаосе, и люди просто пишут то, что выглядит хорошо, а через пару недель документ выбрасывают и цикл начинается заново; в таких компаниях ИИ не просто бесполезен - он вреден, потому что помогает людям барахтаться еще эффектнее, "с большим количеством сальто и графиков". Здоровые компании, наоборот, могут быстро и одинаково из квартала в квартал ответить на цепочку вопросов: какую проблему клиента они решают, чем их решение лучше существующих, какие у них цели и метрики, какие препятствия мешают этим целям, какие стратегии они применяют для преодоления препятствий, какие проекты реализуют эти стратегии, какая работа идет внутри проектов, какими людьми и за какие деньги - именно постоянство этих ответов и есть готовность к ИИ. Главный стратегический вывод - сам ИИ играет на этом этапе незначительную роль в том, кто выиграет или проиграет: настоящая игра прямо сейчас - это отбор тех, кто вообще доберется до "Нового мира", где победители уже будут драться друг с другом с помощью ИИ; крупные неповоротливые компании оказываются под колоссальным давлением вниз, потому что маленькая команда, способная четко себя описать, теперь может функционировать с силой намного большей организации, и поэтому правильный вопрос для CEO сегодня - не "что ИИ может сделать для нас?", а "находится ли наша компания в состоянии, в котором ИИ вообще может помочь?", и если нет - в это состояние нужно входить как можно быстрее.
|
|
|
|
Офферы недели
|
|
Постройте свой ИИ-стартап с выручкой этим летом. Оффлайн, даты: 1 июня - 24 июля, г. Алматы. Теперь можно подаваться не только разработчикам. Мы также принимаем дизайнеров, продакт-менеджеров, контент-креаторов и growth-хакеров. Цель каждого участника - с нуля создать и запустить прибыльное веб- или мобильное приложение и добежать до ежемесячной выручки в $1000 за 8 недель. Это будет очень не легко, но возможно.
|
|
|
|
На этом все. Всего наилучшего и до следующей недели!
Be so good they can’t ignore you,
Арман
|
|
|
Больше не хотите получать подобные письма? Отписаться
За рассылками с предыдущих недель - сюда
|
|
|
