(00:00:00) Степан Гершуни: Вполне вероятно, что вычислительных мощностей в искусственном интеллекте, которые будут использоваться для генерации тиктоков и порно, окажется сильно больше, чем мощностей, которые пойдут на открытие лекарств, решение физических задач, эксперименты с данными телескопов и создание математических теорий.

(00:00:20) Степан Гершуни: Если люди не видят, кто нарисовал картинку, изображения Midjourney получают больше лайков. Если видят автора, они скорее минусуют эти картинки.

(00:00:30) Степан Гершуни: Уровень junior уже сегодня может быть заменён почти на 100%.

(00:00:35) Степан Гершуни: Мгновенного перехода не случится, но внедрение технологии в общество займёт большое количество времени. Сегодня даже сложно оценить, насколько долго это займёт. Возможно, люди, которые ближе к research, даже недооценивают этот срок.

(00:00:58) Иван Иваницкий: Привет, друзья. С вами подкаст «Базовый блок», и это я, Иван Иваницкий. Сегодня с нами также Сергей Тихомиров. Привет, Сергей.

(00:01:06) Сергей Тихомиров: Привет, Иван. Привет, дорогие слушатели.

(00:01:08) Иван Иваницкий: И сегодня в гостях у нас Степан Гершуни. Привет, Степан.

(00:01:11) Степан Гершуни: Всем привет.

(00:01:12) Иван Иваницкий: Прежде чем мы перейдём к выпуску, хочу сказать спасибо нашим патронам на patreon.com/basicblockradio и boosty.to/basicblockradio.

(00:01:17) Иван Иваницкий: Также мы хотим поблагодарить наших спонсоров. Это Fluence, облачная платформа на базе децентрализованной инфраструктуры, которая предоставляет более дешёвую и отказоустойчивую альтернативу традиционным облачным решениям, таким как AWS, Digital Ocean или Hetzner. С помощью Fluence вы получаете доступ к глобальной сети независимых провайдеров, можете быстро запускать виртуальные серверы и разворачивать рабочие нагрузки по всему миру. При этом вы значительно снижаете расходы и не зависите от одного провайдера.

(00:01:42) Иван Иваницкий: Другой наш спонсор — GOSH, со-разработчик блокчейна Acki Nacki, основанного на новом протоколе, достигающем консенсуса за две итерации, самым быстрым из теоретически возможных. GOSH готовится к запуску Mainnet в ближайшие месяцы. В комьюнити более четырёх миллионов участников. Заключены партнёрства с Oracle и Amper Computing. Основные направления развития: мобильный гейминг, biodiversity-активы, мемкоины и DePIN.

(00:02:09) Иван Иваницкий: Также наш спонсор — 1inch. Платформа обслуживает 23 миллиона пользователей, проводит около одного миллиарда долларов сделок в сутки и содержит 60% рынка DeFi-агрегации по данным The Block. Выгодные межсетевые обмены в Ethereum, BNB Chain, Polygon и других EVM-сетях с защитой от MEV и мгновенным поиском лучшего курса. Внутрисетевые обмены на Solana уже доступны, кросс-чейн к ней на финальной стадии. Добавьте кошелёк под вашим полным контролем, портфель-трекер и API для интеграции на портале для разработчиков 1inch.dev. Узнайте больше на 1inch.io.

(00:02:47) Иван Иваницкий: И также наш спонсор — Zerion. Zerion API — мощный инструмент для Web3-разработчиков. С его помощью можно в реальном времени получать данные о кошельках, токенах, DeFi-позициях и NFT на более чем 24 блокчейнах, включая Ethereum, Solana и другие. API предоставляет детальные человекочитаемые транзакции, multichain, uptime 99,9%, масштабируемость выше 1000 запросов в секунду. API Zerion используют такие компании, как Uniswap, OpenSea, WalletConnect, Rainbow Wallet и другие.

(00:03:18) Иван Иваницкий: Что ж, перейдём теперь к нашему выпуску. Напомню, что Степан Гершуни уже был у нас в гостях в выпуске номер 84. Тогда мы обсуждали дипломы на блокчейне и стартап Credentia, а сегодня Степан представляет Cyber.Fund, и мы поговорим про AI с блокчейном и без. Но прежде чем перейти к AI, хотелось бы спросить тебя, Степан, какой путь ты прошёл за эти уже шесть лет, потому что предыдущий выпуск мы записывали в 2019 году. Можешь коротко рассказать, что произошло с тех пор, как ты пришёл к AI, кроме истории с дипломами на блокчейне в контексте Credentia и в целом.

(00:03:59) Степан Гершуни: Начну немного раньше 2019 года, потому что я не помню, обсуждали ли мы тогда этот момент. Я вообще начал строить продукты в области NLP, ML и AI, как это сейчас модно называть, ещё в 2012 году. Я тогда переехал в Сан-Франциско, и мы строили приложение News 360 — тогда оно так называлось, компанию потом продали. Это был агрегатор новостей. Идея в том, что тогда ещё не было лент в Facebook и Twitter в привычном виде, была хронологическая лента. Люди использовали приложение, чтобы читать новости. Сейчас это, наверное, уже не так актуально. Оно было построено на принципе, что темы новостей кластеризуются, и под каждый кластер ты можешь выбрать интересные тебе темы и получать персонализированную ленту. Это было до того, как я узнал про блокчейн, биткоин и всё остальное. Потом меня постепенно эта история затянула.

(00:04:57) Степан Гершуни: Если быстро промотаем к 2019 году, мы обсуждали decentralized identity, decentralized identifiers, verifiable credentials, self-sovereign identity. До сих пор, мне кажется, жутко интересная тема. Тогда мы построили компанию. Насколько я помню, на момент подкаста мы были очень сфокусированы на образовании. Мы работали с университетами, сделали несколько запусков первых цифровых дипломов с криптоэффективным подтверждением. После этого тема немного разрослась, и выяснилось, что университеты — не самый простой клиент: бюджет они планируют на год или дольше, деньги государственные, тратят неохотно, и продавать им что-то очень сложно. При этом есть огромное количество других образовательных организаций — онлайн-курсов, корпоративных университетов, офлайн-курсов, — которые с большим удовольствием пользовались технологией.

(00:05:52) Степан Гершуни: Мы продали компанию перед ковидом, и во время ковида я переехал в Берлин. Там я присоединился к команде Affinity — насколько я помню, я был пятым сотрудником, первым продуктовым. Это компания, которую фондировал и создал Temasek, глобальный сингапурский суверенный инвестфонд. Мы построили фактически то же самое: внутри технология работала так же, как в Credentia, только фокус был другой. Поскольку начался ковид, сначала было не очень понятно, насколько это серьёзно, но довольно быстро стало ясно, что credentials, документы, подтверждающие вакцинацию, супер востребованы у travel industry. Мы работали с авиакомпаниями, аэропортами, государствами, министерствами иностранных дел и здравоохранения — от Сингапура и Индии до Гаваев и Сербии. Всё довольно быстро выросло с пяти человек до шестисот, и за время ковида мы выдали и проверили миллионы таких документов.

(00:07:04) Степан Гершуни: В 2022 году я получил GPT-3 и свой API-ключ. Поиграв с этим, я понял, что вот этим я и хочу заниматься. Логика такая: если в 12–14 годах многие, с кем я общался, и я сам считали, что блокчейн и крипта — одна из самых быстрорастущих индустрий, и гипотеза в итоге оказалась правдой, и это, пожалуй, самый быстрорастущий класс активов за эти десять лет, то на следующие десять лет, мне кажется, довольно очевидно, что это будет что-то связанное с искусственным интеллектом, а впоследствии, может быть, роботы. Мне захотелось этим заниматься, потому что меня всегда привлекали вещи, которые супер интересны, имеют большое влияние и ещё не стали мейнстримом. Интересно заниматься тем, что ещё не совсем mainstream.

(00:07:58) Степан Гершуни: В 22-м и 23-м годах было очень много дел, огромное количество экспериментов, я переехал в другую страну. Я вайбкодил до того, как это слово вообще появилось. Я сделал генеративную книжку: AI пишет книгу, а ты токенами голосуешь за варианты развития сюжета, и у кого больше голосов, так история продолжается. Потом делал что-то вроде образования на основе AI: курс, где Сатоши Накамото и Виталик Бутерин в чате на GPT-3.5 отыгрывали роли, Сатоши объяснял proof-of-work, Виталик — proof-of-stake, потом были задания, эссе, код, и AI давал отзыв. До сих пор, мне кажется, в образовании большая возможность, можем про это отдельно поговорить. Два года назад я присоединился к Киберфонду.

(00:09:09) Степан Гершуни: Много кто из Киберфонда был на подкасте, поэтому всю историю с 14 года рассказывать не буду — там можно послушать интервью с Костей, точно с Артёмом Котельским, моим коллегой, и с кем-то ещё из людей, которые в разное время были причастны к Киберфонду. Это в своём роде легендарная организация, но сейчас она немного другая: мы всё-таки в первую очередь про инвестиции в AI. Мы стараемся делать инвестиции research-driven: прежде чем инвестировать, разбираемся, почему именно в эту область надо инвестировать и как она работает. В AI я сейчас работаю над тезисом intent economy — экономика интента, желания, интенции; про это было бы интересно поговорить. Отдельно мы делаем research про разные виды вычислений для ИИ, в частности термодинамические и фотонные как потенциальные технологии, которые могут заменить GPU compute. У нас есть акселератор: в мае закончился последний batch, бесплатный для фаундеров, мы ничего не берём — ни equity, ни денег. В этом году было больше 300 заявок, мы отобрали 8 команд, они 8 недель были в акселераторе, в том числе очно, и в несколько команд, прошедших акселератор, мы инвестировали — они довольно неплохо растут. Плюс мы делаем много ивентов с фокусом на AI: в июне у нас было две конференции в Сан-Франциско, сейчас готовлю ещё одну, 24 октября. Всех слушателей приглашаю присоединиться, могу сделать промокод. Конференция называется dAGI Summit, она про open-source и distributed AI. Там будут спикеры из топовых лабораторий — OpenAI, Anthropic, Meta, NVIDIA, Amazon, DeepMind, мейнтейнеры open-source проектов вроде Cline, Letta и Qdrant, компании distributed AI — Nous Research, Pluralis, Gensyn, Prime Intellect и так далее.

(00:11:39) Сергей Тихомиров: Перебью немного про конференцию. Она тоже будет в Сан-Франциско?

(00:11:44) Степан Гершуни: Да, она будет в Сан-Франциско, 24 октября, в рамках open-source AI Week, который делает Linux Foundation. У нас интересное партнёрство одновременно с Linux Foundation и Ethereum Foundation — из разных миров, но, мне кажется, очень близкие по идеологии организации. Основной фокус у нас — инвестиции на ранних стадиях, pre-seed и seed. Компании могут быть как-то связаны с блокчейном и Web3, в основном нет. Мы инвестируем чеки в среднем от 500 тысяч до 10 миллионов долларов, также инвестируем в небольшие фонды, чтобы получить доступ к интересным проектам и поддержать талантливых менеджеров. Дальше мы стараемся работать с компаниями: какие-то сделки — просто инвестиция с периодическими созвонами, какие-то можно назвать инкубациями, потому что с некоторыми компаниями я несколько звонков каждую неделю на протяжении многих месяцев помогаю строить продукт. Например, последняя, в которую мы инвестировались и где я так работаю, — Metacortex. Она делает операционную систему для команд от двух до пятидесяти человек: AI-операционная система, к которой подключены корпоративные инструменты — Gmail, Google Drive, GitHub, CRM, task manager, Slack. Вы выстраиваете процессы, которые AI-native. Это и продукт, и методология, которые мне жутко интересны. Мне кажется, мир разделился: как появились crypto-native люди, которые мыслят категориями крипты и им в этом мире проще, так сейчас появились AI-native люди, которые могут делать в десять раз больше, потому что не пытаются впихнуть AI в процесс, изначально созданный для многих людей, а изобретают процесс так, чтобы AI выполнял большую часть рутины. Можно больше делегировать машинам и самому заниматься чем-то креативным.

(00:13:58) Сергей Тихомиров: Здорово, такой овервью ты дал. Мне хотелось бы осветить в целом пейзаж искусственного интеллекта. Понятно, что мы здесь не все эксперты в этой области — по крайней мере, я за себя скажу: у нас подкаст про блокчейн. Но, мне кажется, имеет смысл осветить тему, опираясь на общее знание уровня пользователя нашей аудитории. Я думаю, подавляющее большинство так или иначе соприкасались с AI в том или ином виде. Я прочитал посты на сайте Киберфонда, и мне показалось интересным мнение, что у нас происходит сатурация, замедление прогресса на этапе обучения модели: мы постепенно, а может уже и не так постепенно, высосали из интернета все данные, которые можно было высосать, и дальнейший прогресс сместится в сторону inference — того, что происходит после обучения модели. Скажи, как ты на это смотришь из вашего research? Согласен ли с этим тезисом? Если да, как это влияет на компании, которые появляются в этой области?

(00:14:53) Степан Гершуни: Да, я думаю, это очень правильный заход — посмотреть, почему индустрия вообще вдруг стала интересной и что в ней происходит. Я бы ещё чуть отдалился на три минуты, чтобы слушателям было понятно. Искусственный интеллект как область науки и инженерии существует примерно столько же, сколько цифровые компьютеры. Первая работа, насколько я помню, была опубликована в 1943 году — что-то вроде построения систем, вдохновлённых биологическими системами и человеческим мозгом. Поэтому их называют нейронными сетями, хотя принцип работы нейросети очень отдалённо похож на мозг. На самом деле почти ничего общего нет, они сильно проще, и отчасти мы просто не понимаем, как работает мозг — по крайней мере, я. В 1951 году Алан Тьюринг написал работу про тест Тьюринга: в принципе идея, что машина может быть такой же сознательной и умной, как человек, и способ это проверить. Через несколько лет в Дартмуте, по-моему, в 56-м, собрались ведущие учёные с целью за лето решить проблему создания искусственного интеллекта. У них почти получилось, но не совсем. Дальше, как в крипте, было много AI-зим, периодов отчаяния, попыток разных технологий. В крипте был период, когда все выдохлись к ZK, потом казалось, что она бесполезна, просто потому что токены не растут. Сейчас возвращается внятное понимание, что есть use cases, где она полезна, но это не значит, что технология решает абсолютно всё. С точки зрения AI идея коннективизма и нейросетей всегда была интересной в математике и теории, но не очень практичной. Большую часть времени с 1950-х до 2010-х большинство AI-приложений — статистические методы, алгоритмы с множеством ответвлений, простые нейросети для computer vision или распознавания голоса. За последние десять лет, в 2012 году, появился AlexNet: Алекс Крижевский, участник соревнования, работал с Джеффри Хинтоном и с Ильёй Суцкевером, одним из основателей OpenAI и одним из авторов революции LLM. Он сделал нейросеть, которая использовала GPU для тренировки — первая в мире. Задача была распознавать животных по фотографии. Казалось, что это займёт десятилетия, прежде чем компьютер сможет её решать. Выяснилось, что задача решена довольно быстро, в 2012 году. Это дало второе дыхание, стало больше исследований в области нейросетей. В 2017 году Google опубликовал работу про трансформеры. Я делал интервью с Ильёй Полосухиным, одним из авторов paper. У Google была практическая задача — лучше отвечать на поисковые запросы. Они применили глубокие нейросети для текста. Идея трансформеров, attention и self-attention сработала, помогла решить локальную задачу и хорошо масштабировалась, потому что параллелизуется и относительно дёшево масштабируется. В какой-то момент идею подхватила OpenAI. Илья Суцкевер ушёл из Google, его переманил в OpenAI Elon Musk — по-моему, до публикации paper про трансформеры. У OpenAI изначально не было фокуса на LLM: они делали разные нейросети, самая популярная умела играть в Dota. Идея reinforcement learning и обучения на играх была мейнстримной, DeepMind тоже этим занимался. OpenAI начали добавлять больше данных и вычислений для тренировки LLM. Подход оказался рабочим, дал неожидаемые многими результаты. Уже тогда с GPT-3 или сравнимыми моделями — в Google были BERT и другие — появлялись люди, которые считали: «О, эта штука сознательная, мы создаём жизнь», и возникали философские вопросы.

(00:20:03) Сергей Тихомиров: Перебью: мне кажется, тут уместно добавить, что тест Тьюринга, которого ты упоминал, состоял в том, может ли человек отличить разговор с человеком от разговора с машиной. Мы стремительным виражом проскочили этот момент: сейчас никто не обратит внимания на вопрос «это бот написал в интернете или человек». Мы живём в мире, где тест Тьюринга давно пройден.

(00:20:27) Степан Гершуни: Да. При этом формальный paper, который показал, что LLM проходит тест Тьюринга, опубликовали только в прошлом году, в 2024. Есть интересный психологический феномен: если показываешь картинку и не говоришь, что её сделала нейросеть, все такие — вау, классный арт. Если говоришь, что нейросеть, люди автоматически занижают оценку. Был другой paper: сравнивали суперпопулярных импрессионистов, картины за миллионы, и Midjourney, которому попросили рисовать так же. Если люди не видят автора, картинки Midjourney получают больше лайков. Если видят — скорее минусуют. Мы говорили про закон масштабирования: такие законы открываются обычно внезапно. Не было эмпирических доказательств, что глубокие нейросети приведут к тому, к чему привели LLM. Факторов несколько. Во-первых, нужно было прийти к самому алгоритму и накопить исследования. Во-вторых, должно было появиться достаточно данных: без интернета не было бы LLM уровня GPT-4.5. В-третьих, достаточно вычислений: без производительных GPU — благодаря играм, майнингу, спросу и рынку — не хватило бы ресурсов. Pre-training — когда модель тренируют на тексте. The Pile — большой архив всего текста в интернете. Сейчас используют и видео, и картинки. С 2017–2018 по 2024 это шло довольно быстро, потом начало замедляться. Большая часть текста уже использована для обучения. Люди не успевают генерировать новый текст так быстро, а много того, что генерируется, уже генерируют сами модели. Дополнительные вычисления на тех же данных не дают кардинального улучшения качества. Илья Суцкевер на NeurIPS в прошлом году назвал это стеной. Но это не проблема, потому что LLM дали программируемое мышление: они могут рассуждать, у них есть мета-уровень, reasoning в довольно высокой и сложной степени — вплоть до создания...

(00:23:25) Сергей Тихомиров: Можно вкинуть чуть холиварный вопрос и тебя чуть по-челленджить: они реально думают или просто натренированы выдавать последовательность токенов, из-за которой тебе кажется, что это цепочка рассуждений?

(00:23:37) Степан Гершуни: Да, хороший вопрос. Он сводится не столько к архитектуре моделей, сколько к вопросу «какая разница»: я думаю или выдаю цепочку токенов, которую все, кто со мной взаимодействует, считают мышлением — парадокс сознания, по большому счёту не важен. Конкретно LLM, по-моему, Gemini 2.5 месяц назад смог написать доказательство математической теоремы, причём относительно практически полезное: выявил теорему и доказал — довольно большое достояние. Не говоря уже о финансах, маркетинге, бизнесе, здоровье, поиске продуктов. Это реально помогает и в передовой науке, и этого достаточно, по крайней мере пока. Вопрос, что такое сознание и есть ли оно у больших языковых моделей, отдельный и интересный. Я бы не сказал, что у меня сейчас есть однозначный ответ.

(00:24:48) Сергей Тихомиров: Мы не то чтобы планировали уходить в глубокую философию. Из того, что я прочитал, сложилось впечатление: до прошлого или этого года основным режимом взаимодействия с AI были чаты — запрос и ответ. С прошлого года, особенно в 2025, топовый buzzword — агенты, которые делают за тебя дела. Это принципиальный прорыв или склеивание кусков служебными механизмами? Сколько здесь сути, а сколько buzzword?

(00:25:17) Степан Гершуни: Да. Я думаю, это хорошо ложится, если продолжать историю, которую я начал. Я опускаю много важных нюансов, но стараюсь быть максимально кратким. GPT-3 как продукт: у меня был доступ по API. Как он работал — next token prediction, предсказание следующего токена. Единственное, что он мог, — ты пишешь предложение, и он его заканчивает. Или первое предложение абзаца — и он заканчивает абзац. Или строчку кода — и заканчивает строчку. Функциональности чата не было. И во многом это гениальность OpenAI — не знаю, Грег, Сэм или кто ещё осознал, что use case натренированной модели, которая заканчивает фразу за человека, — это чат. Это было неочевидно: Google сидел с технологией лет пять-шесть и чата не делал, потому что это не технический, а продуктовый вопрос. Модель у Google была не хуже — скорее лучше: больше времени, компьютера, денег, PhD.

(00:26:45) Сергей Тихомиров: Правильно ли я понимаю, что если бы в Google сидели более дальновидные product-менеджеры, они могли бы сделать отдельное окошко поиска или в том же поиске дописать prompt вроде «you are a helpful assistant», question, user query, answer — и выдавать ответ модели? Google легко мог это сделать, но решил не делать.

(00:27:07) Степан Гершуни: Да. Я не думаю, что в Google недостаточно талантливые product-менеджеры. Моя гипотеза — более комплексное влияние корпоративной системы. Такая идея наверняка у кого-то была, но чтобы она случилась, нужны approval начальников, бюджет, желание. Это не просто нарисовать фронтенд. Когда OpenAI поняли, что чат — сильный use case, они с точки зрения research продвинули post-training — дообучение модели, чтобы она вела себя как чат-бот. Это первое агентское проявление у LLM. Появились чаты: сначала OpenAI, потом Anthropic, Google и другие. У многих есть базовые модели до post-training, которые не ведут себя как чат. Post-training, у Андрея Карпаты есть классное видео, как это работает, но во многом он не сильно масштабируем: нужны тысячи людей, которые общаются с чатом и показывают примеры. Так делали примерно с 2021 по сегодня, но сейчас меняется, в том числе благодаря агентам. Параллельно появились диффузионные, видео- и звуковые модели — Suno, Stable Diffusion, Midjourney. Агент — не сильно техническое понятие: агент почти не отличается от LLM как продукта, кроме того, что это LLM, которая умеет думать, принимать решения, вызывать внешние инструменты и, возможно, подагентов. Агенты изначально простые и до сих пор во многом примитивны: в GPT агент может нарисовать виджет, если спросить курс эфира — ползунок, как меняется курс. В каком-то смысле это агентское проявление, и людям полезнее действие, а не только текст. К этому всё придёт.

(00:29:38) Сергей Тихомиров: Агент сам по себе — это тоже LLM или набор скриптов, который склеивает входы и выходы разных инструментов, среди которых могут быть LLM, Python, веб-поиск? У меня сложилось впечатление, что агент — glorified маркетинговый термин для скрипта, который берёт выход оттуда и пихает сюда несколько раз. Он мог бы работать без LLM, но с LLM интереснее на недетерминированных задачах. По сути это просто склеивание или не совсем?

(00:30:14) Степан Гершуни: Да. Термин AI-агента нетехнический, он может значить что угодно, и часто его используют в маркетинговых целях. Но самые простые агенты — Python или JavaScript, который вызывает LLM. Один из первых — AutoGPT или BabyAGI в 2023 году: супер популярны и абсолютно бесполезны для практики. Как работали: скрипт вызывает LLM — «вот задача пользователя, напиши план и сохрани в памяти»; LLM возвращает план — «возьми пункт 1 и реши»; потом пункт 2. Во многом так работает Deep Researcher в Gemini, OpenAI или, мне нравится, parallel-продукт DeepResearcher: мало функций — придумать план исследования, поискать в интернете, скомпоновать отчёт. Агенты в теории могут быть без LLM, но агент без LLM не имеет агентности в том смысле, что LLM даёт достаточный уровень интеллекта, чтобы принять решение на основе информации. В обычном софте — детерминированная логика. Смарт-контракт ведёт себя так или иначе в зависимости от номера блока и не иначе. LLM-агент может сделать трейд на блокчейне в зависимости от новостей, прочитав их. Это не новая история: квант-фонды с NLP и machine learning читали новости для трейдинга 20–30 лет назад. Сейчас стало проще и масштабнее, потому что у старых NLP-алгоритмов не было reasoning, логического мышления, анализа фактов и рефлексии, которые нужны для чуть более сложных экономических решений.

(00:33:12) Сергей Тихомиров: Возможно, стоит уточнить: NLP — это natural language processing, а не какие-то другие расшифровки. На всякий случай.

(00:31:21) Иван Иваницкий: Ещё до появления LLM меня очень впечатлило AlphaZero, когда она в сухую обыграла всех в го, а потом и в более широкий класс игр. Какие у неё и у аналогов появились интересные приложения? Я сразу предположил трейдинг, стратегическое управление, спорт. Что ты можешь сказать в эту сторону?

(00:33:48) Степан Гершуни: Сразу скажу: я не знаю, где и как используется AlphaGo. AlphaGo, AlphaStar, AlphaFold и другие исследования DeepMind закрыты: код не релизили, публично не получить. Может, Демис Хасабис использует алгоритмы через 5G-вышки, может, Google тайно торгует — мы не знаем. Знания и опыт разработки были супер полезны, часть опубликована в статьях, часть Google держит для будущих продуктов — очевидно большое направление. Мы говорили про pre-training и post-training, но AI не ограничивается только тренировкой больших моделей. AlphaGo во многом стал таким хорошим благодаря self-play: нейросеть или другой алгоритм быстро много раз генерирует данные для самообучения. В шахматах и го сначала обучили на реальных играх людей онлайн, потом сыграл миллионы игр сам с собой и изобрёл креативные стратегии. Сейчас эти алгоритмы лучше людей. Self-play применим к нейросетям. Alpha-модели используют reinforcement learning — обучение с подкреплением, — которое сейчас как раз применяют для более эффективных агентов. LLM может генерировать синтетические данные в большом объёме, чтобы обучать себя и получать способности, которых нет у модели, обученной только на интернете — например, узкая математика или программирование: в интернете их много, но объём ограничен, зато часто есть дешёвая проверка — программа компилируется или нет, доказательство работает или нет. На этом активно сыграл DeepSeek — их главное достижение, когда все начали про них говорить: GRPO и модели на синтетических данных, превосходящие базовые, обученные только на интернете. Сегодня так делают все топовые лабы и многие исследовательские коллективы. Возвращаясь к потолку pre-training: мы упёрлись, но появилось безграничное поле post-training. Часть способов post-training тоже исчерпывается — diminishing returns: дополнительный киловатт, доллар или минута уже не дают того же эффекта. Но идей и подходов, улучшающих «интеллект» моделей, довольно много. Я не чувствую ограничения, что завтра всё остановится. Другое дело, что даже текущий уровень, прежде чем внедрить в мировую экономику, займёт ещё десятилетие — отдельная тема. Параллельно трек: будет ли через год или пять сверхинтеллект, которому говоришь «докажи гипотезу Пуанкаре» — и он делает. Никто не знает, может, у кого-то уже есть, но не рассказывают. Вряд ли технический прогресс остановится — в истории такого не было. Куда интереснее вопрос, как это внедряется, с какой скоростью, как сталкивается с ригидностью людей, институтами. На примере блокчейна: технологии созданы 10 лет назад, до сих пор ими пользуется узкий круг гиков — социальные барьеры.

(00:38:53) Сергей Тихомиров: Я тут как дилетант, но хочу с тобой согласиться: когда читаю литературу алармистского толка — через два года суперинтеллект произведёт за неделю 100 миллионов роботов, которые поработят, — включается фильтр на булшитность. Может, и поработят, но скачок от очень мощной замкнутой системы, которая делает умные вещи внутри себя, к фундаментальному импакту на реальный мир с роботами на улицах и фабриках — огромный. Даже если LLM умнеет вдвое каждый месяц, роботы не будут внедряться вдвое быстрее каждый месяц — по крайней мере, мне так кажется.

(00:39:45) Степан Гершуни: Тут ещё вопрос в том, что интеллект — неодномерное понятие. У нас нет хорошего способа мерить интеллект даже у людей. У тебя может быть сильная логика и математика, сильное физическое управление телом, эмоциональный интеллект — вариантов бесконечно много. То же с LLM: может быть очень высокий рост в программировании, но не факт, что это приведёт к «захвату мира» или самоосознанию и социальным навыкам. При этом я не верю в фундаментальные аргументы, почему этого не может произойти: скорость развития за последние годы превзошла самые смелые прогнозы. Идея, что AI достигнет уровня, после которого reinforcement learning и self-play ускорят её экспоненциально, — вполне вероятный сценарий. Дальше вероятно, что лаборатория, команда или страна с доступом к сверхинтеллекту, допустим, США или Китай закроют автозаводы и начнут производить только роботов — как во Второй мировой автозаводы делали танки. Страны с возможностью за полгода-год сделали такой сдвиг, в том числе Советский Союз. Если есть воля, желание и потребность, экономика может быстро адаптироваться.

(00:41:41) Иван Иваницкий: Есть ограничение физического мира, если суперинтеллект производит роботов, но оно снимается, если речь не о роботах, а об эксплойтах — например, остановить атомные станции в других странах. Это масштабируется гораздо быстрее, сценарий выглядит страшнее. Другой пример — биологическое оружие, разгадка загадки, которая резко увеличит эффективность доминирования над организациями и нациями.

(00:42:18) Степан Гершуни: Да, это очень практично. Несколько областей: кибербезопасность, био — и оружие, и лекарства. В кибербезопасности есть offense и defense: хакеры могут производить триллионы эксплойтов в секунду с LLM, а компании и государственные агентства строят защиту так же быстро. Я общался с компаниями, которые так строят кибербезопасность. То же с контентом. То, что наверняка случится, на мой взгляд, на 100%: большая часть контента в интернете будет сгенерирована AI, практически неотличима от человеческой, всё превратится в суп, который бьёт по низменным психологическим потребностям. AI делает интересный контент. Представь TikTok: бесконечная лента, сгенерированная только под тебя, AI знает, что нравится, чтобы ты никогда не перестал скроллить — ещё одна опасность. С трейдингом: что будет с ритейл-трейдингом, я плохо представляю. Крипта выросла на идее частных инвесторов, но когда есть AI, я не представляю, как анализировать акцию или токен без Deep Researcher. Сегодня я запускал research — он прочитал 20 тысяч сайтов и написал отчёт; руками я бы год делал и сдался на полпути. Всё в трейдинге, особенно ритейле, будет ботами и AI — не только LLM, но LLM важная часть. Большое количество индустрий и вертикалей сильно изменятся, но это не обязательно катастрофа: интернет кардинально ударил по медиа, многие компании закрылись или сменили бизнес, но индустрия осталась. Так же, скорее всего, будет с другими.

(00:44:51) Сергей Тихомиров: Отличный переход к вопросу, который я давно хотел задать, про влияние на знакомую нам индустрию. В материалах Киберфонда и не только — идея just-in-time software. Как я себе представляю: до сих пор написанный код был ценностью, вокруг него строились бизнесы SaaS — продажа доступа к однажды написанному софту по 20 долларов в месяц миллиону клиентов. Теперь каждый с помощью LLM под свой use case может написать код под свои задачи. Как ты на это смотришь? Как это изменит софтверную индустрию?

(00:45:41) Степан Гершуни: Это кардинально меняет индустрию, я писал об этом в канале — just-in-time software, генеративный UI. Несколько вещей, которые происходят по факту. Маржинальная стоимость создания ПО падает. Более того, я бы сказал, что она становится отрицательной: для компаний стоимость создания софта уменьшается, чем больше они его делают, вплоть до того, что компании выгодно, чтобы софт покупали больше — потому что генерации модели или агента обучаются, продукт становится лучше. Софт, становясь дешёвым, становится commodity. Была эра CD-ROM, каждую версию покупали. Потом SaaS — подписка, компания обновляет софт. Сейчас эра генеративного решения. Я использую Cursor для всей работы: инвестиционные сделки, вакансии, коннекторы к CRM и почте. Пишу агенту: проанализируй письма за неделю, разбей, скачай таблички, напиши код по data room для финансовых метрик, сгенерируй фронтенд — это часть процесса. Интерфейс индивидуализируется: интернет-магазин знает любимые кроссовки и показывает их сразу. Раньше были сложные скрипты с одной картинкой, сейчас проще с нуля сгенерировать весь сайт или приложение. Меняется бизнес-модель: нельзя зарабатывать только на уникальном софте, если это не что-то суперсложное — любой может создать почти бесплатно. Moats, дифференциация должны быть в другом месте: дистрибуция, приватные уникальные данные, know-how workflow, методология.

(00:48:27) Сергей Тихомиров: Из того, что ты рассказываешь, я осознал, что аудит безопасности тоже может сильно измениться. Если код генерируется под каждого клиента и каждый запрос, нет сценария «один раз проаудировал, задеплоил — эта версия безопасна». Баг может всплыть при любой генерации на любом запросе.

(00:48:51) Степан Гершуни: Это зависит от задач. Для enterprise или smart contract перегенерировать под каждого клиента бессмысленно. Банковское приложение или контракт с миллиардом TVL — так никто не делает. Но чуть вперёд — меняются практики разработки и безопасности. Есть AI technical product manager: следит за коммитами, cycle time, помогает PM понять, что происходит в разработке, где затыки, что в Slack и на стендапах, где не давать конфликтующие требования. Много AI-агентов занимаются DevOps, security, audit, анализом логов. Весь процесс становится AI-native. Проблемы не обходить — выстраивать с нуля. Если не подстроишься, проиграешь в гонке: у тебя 500 разработчиков, у конкурента 50 или 20 с тем же продуктом — ты менее эффективен, и тебя выкинут из бизнеса.

(00:52:28) Сергей Тихомиров: Замечание скептика. Один из питчей подхода «код генерируется и выбрасывается легко» — что это дешево: подписка на Cursor за 20 долларов нагенерирует столько, сколько программисты. Но не сходится ли экономика только пока OpenAI прожигает миллиарды инвесторских денег в минусе и субсидирует весь праздник? Когда деньги кончатся или захотят больше прибыли — не окажется ли дешевле нанять «мясных» программистов?

(00:51:04) Степан Гершуни: Нет, я думаю, не окажется. Во-первых, стоимость будет продолжать падать. Большие модели дистиллируют: берут суперумную модель и делают дешёвую маленькую под телефон или локальный запуск. Enterprise при кодогенерации часто предпочитают локальные модели — DeepSeek, Kimi, Llama и другой open source: купил сервер, H200, платишь за электричество — и это точно дешевле человека. Важно не создавать ощущение, что крупный банк или Google начнёт класть в продакшн код уровня Lovable одной командой «перепиши macOS на Rust». Кто-то так сделает — их проблемы. У топовых компаний, по публичным метрикам, близко 50% и больше кода генерируется AI, кто-то говорит 70–80%, Microsoft. Но это не значит, что они просто говорят «сделай Windows 13» и отправляют.

(00:52:42) Сергей Тихомиров: Make no mistakes.

(00:52:44) Степан Гершуни: Да. Портируй всю базу данных и просто отправь — так не делается. Это не убирает потребность в том, что люди должны понимать, что происходит, и пропускать через себя результат. AI ускоряет и сильно помогает senior-разработчику, менеджеру, тимлиду. AI уровня «сделай, заработай кучу денег и отправь» пока нет, и у тех, кто пытается, не получится. При этом абсолютно реальный риск: по статистике, портфельным компаниям и моим сайд-проектам вижу, что junior-специалисты резко стали не нужны. Если вы senior-разработчик, с AI и без AI у вас будет работа. Без опытных разработчиков ни одна софтверная компания не выживет — AI не заменит 100%. Но в маркетинге, legal, контенте, менеджменте, разработке, дизайне junior-уровень уже сегодня может быть заменён почти на 100%. Смотрю аналитику компаний и рынков: Deep Researcher с правильным промптом и workflow. Мы много делаем в фонде внутри AI-native продуктов. Я верю, что через 5–10 лет в венчуре и аллокации капитала победят AI-native компании — как когда-то без факса, компьютера, email и интернета было сложно оставаться на рынке. Структура рынка в каком-то смысле меняется.

(00:54:50) Сергей Тихомиров: Возможно, меняется определение junior: это уже не тот, кто руками перелопачивает отчёты, а тот, кто сделает нужные промпты и минимально критически их осмыслит.

(00:55:04) Степан Гершуни: Я это называю AI-пастухом. Раньше на entry-level в банке или медиа ты целый день редактировал бессмысленные таблички в Word, копировал из Google, отправлял email или печатал бумажку начальнику. Сейчас ты скорее пастух стада «кандидатов наук» — у тебя тысяча уровней PhD-специалистов, и тебе надо направить их в правильную сторону.

(00:55:43) Сергей Тихомиров: Да, они очень умные в своей предметной области, очень недогадливые и не поймут, что ты хочешь, если прямо не скажешь.

(00:55:49) Степан Гершуни: Да, согласен. Это не экономическая катастрофа, скорее совет тем, кто ищет работу: учитесь использовать AI. Чат-бот может рассказать лучшие практики из лучших книг и от лучших специалистов по маркетингу, legal, бизнесу, дизайну, продажам. Навык дойдёт до компаний рано или поздно, иначе они исчезнут.

(00:56:33) Иван Иваницкий: Мы упомянули LLM, модели для видео и картинок, игры от Dota до покера и трейдинга. Какие ещё интересные применения, на твой взгляд, мы не упомянули и стоило бы?

(00:56:48) Степан Гершуни: В этом году, пожалуй, наибольший прогресс я вижу в генерации видео: за последние пять месяцев прогресс феерический, даже быстрее, чем у LLM в 2023-м. Сложно сказать почему — я не так хорошо понимаю обучение; думаю, много синтетики и контента с YouTube и стримингов. Качество классное и быстро растёт. Генеративное видео перейдёт от «поиграться», как с чат-ботом, к ежедневному инструменту для бизнеса и людей. Следующий шаг — продукты вроде Google Genie и похожий open-source проект: генеративные миры. Если генерируешь видео, можешь генерировать 3D-сцены с persistency: сгенерировал сцену, ушёл, вернулся — объект на месте. Игры нового формата под тебя в реальном или почти реальном времени, storytelling, кино, коллективные сериалы, VR-стриминг. Voice, картинки и генерация кода тоже идут от «прикольно» к практике: Aura.Build — красивый фронтенд, которым реально пользоваться, не уровня v0, Lovable и Bolt. Parallel — deep research. Огромное направление — VLM и модели для роботов. Роботика и генеративный AI взаимно усиливают друг друга: без роботов LLM ограничены в реальном мире — могут придумать, но не сделать. Роботика становится гибкой: виртуальные симуляции и видео для обучения; не только роборука с одним действием, а нейросеть, которая адаптируется, если нога подскользнулась. Демо каждый день меня удивляют. VLM, action-модели с output-действием вместо текста — «если сказали это, иди туда, возьми это» — проще научить робота в домашней среде, чем вручную каждому скиллу. Загрузка посудомойки: без LLM надо знать все модели посудомоек — нереально, они появляются быстрее. С reasoning и адаптивностью проще. Всё это огромные индустрии и вертикали, куда мы тоже стараемся инвестировать.

(01:00:40) Иван Иваницкий: Отличный переход к блоку вопросов про Cyber.Fund. Для начала можешь рассказать, как выглядит конкретно твоя деятельность в нём?

(01:00:49) Степан Гершуни: Я лидирую всё, что связано с инвестициями. У нас акселератор, конференции, инвестиции в фонды, research и прямые инвестиции в стартапы. Большая часть времени — работа с портфельными компаниями или поиск новых и сопутствующие процессы. Основной фокус — инфраструктурные технологии в AI, в том числе с Web3. В Web3 у нас тезис Intent Economy: AI постепенно, как мы говорили, от чат-ботов к агентам придёт к интентам. Представь, что все пользователи интернета — трёхлетние дети: хотят, требуют, получают — позитивный сценарий. Это естественный способ функционирования, и продукт, который это решает, будет максимально успешным. У меня большое исследование, как такая система может работать — не обязательно именно так. Мы инвестируем в две «инфраструктуры»: foundation models и вертикальных агентов в финансах, маркетинге и генерации кода; платформы для fine-tuning, reinforcement learning, observability и агентов — слои, на которых построится AI-экономика.

(01:02:36) Иван Иваницкий: Ты сказал, как устроена работа и фокус. Можешь описать, чем это отличается от подхода на рынке в целом — как другие инвестируют в AI?

(01:02:46) Степан Гершуни: Могу рассказать, как устроен рынок. Он сложный и конкурентный, у нас сильные конкуренты. Бывало: мы находим компанию, договариваемся, приходят Accel, a16z или Sequoia и забирают раунд или часть, на которую мы договорились. Фондов много, все работают по-разному. У Киберфонда, наверное, есть преимущества. Первое — фонд приватный, нет внешних LP, это даёт гибкость. Делаем open-source гранты: прошлый год больше 750 тысяч долларов. Конференции и ивенты для фаундеров. Стараемся быть research-driven: сначала сформировать тезис по вертикали, потом инвестировать. Большинство AI-фондов бегут с толпой. У нас Web3 background angle — немного фондов понимают и то и другое. Мне кажется, объединение экономики, self-sovereign identity, интентов, криптографически подтверждаемых действий, децентрализации и AI-агентов очень интересное, возможно неизбежное: смысл AI — решать проблемы в экономике, крипта — про программируемые рынки и новые экономические системы.

(01:04:34) Сергей Тихомиров: Я подумал, ты сейчас скажешь, что крипта — способ создания проблемы, поэтому индустрии идеально дополняют друг друга.

(01:04:39) Степан Гершуни: Это тоже.

(01:04:40) Иван Иваницкий: Можешь рассказать про интересные проекты на пересечении AI и блокчейна? Мы уже уделили этому внимание, и первое впечатление — что существенная часть таких проектов добавила одно или другое для красного словца.

(01:04:48) Степан Гершуни: Подавляющее количество AI-проектов, которые я видел, — полный bullshit, без смысла. Они берут видеокарту, AI-агента или что-то, что уже работает, и добавляют токен — сложнее, дороже, менее надёжно, зато с токеном — и продают инвесторам. Инвесторы покупают, но обычно всё падает в ноль: экономического смысла нет, компания должна конкурировать с Lovable, но с токеном. Жить максимально сложно: с Lovable и так тяжело из-за бренда, а токен, непонятно зачем нужный, — палки в колёса. Хороший пример — проекты, которые используют крипту как capital formation: на масштабах миллионов, десятков, может быть сотен миллионов долларов это дешёвый и эффективный фандрейзинг по сравнению с Wall Street. Когда нужно 300 миллиардов, как OpenAI, крипта не сильно поможет — надо ехать к конкретному шейху. Capital formation — раз. Второе — экономика, снова экономика интентов. В крипте есть интенты — CowSwap, OneBalance и похожее. Представь пользователя CowSwap, который отправляет запрос не «поменять деньги», а «хочу снять квартиру», «поехать в путешествие», «купить велосипед», «организовать офсайт». Запрос «я просто хочу». Внутри много специализированных гетерогенных агентов: один ищет на Amazon, другой пишет код, третий звонит и генерирует голос, четвёртый делает сайты или маркетинг. Они в аукционе конкурируют за твою ставку.

(01:07:17) Степан Гершуни: Ты говоришь: мне нужен велосипед. 500 агентов ищут лучшее предложение в интернете. Один предлагает лучшие условия, подтверждённые репутацией и прошлым опытом, выигрывает ставку и на долю секунды становится подрядчиком. В реальности скорее ты говоришь это Siri или GPT в кармане. Они идут в децентрализованную сеть: «вот заказ, кто лучше решит». Аукцион за долю секунды, победитель за пару секунд решает задачу, ты получаешь уведомление: задача решена. Почему это будет работать? Одно из главных свойств крипты — дизайн механизмов: поиск оптимального или наиболее выгодного решения в рыночных условиях. Агентов уже много и будет больше. Routing, discovery, аукцион, лучшая цена и репутация остаются важной задачей, чтобы удовлетворить запрос пользователя.

(01:08:36) Сергей Тихомиров: Последнее видение — маркетплейс, где агенты конкурируют и становятся исполнителями моих задач. Для меня это похоже на обобщение рынка рекламы, который работает каждую секунду в каждом гугловском запросе.

(01:08:49) Степан Гершуни: RTB, да.

(01:08:50) Сергей Тихомиров: И я пока не вижу децентрализации как таковой: есть централизованный менеджер аукциона с задизайненным экономическим механизмом. Где здесь блокчейн? Звучит так, будто всё может работать на архитектуре Apple или Google.

(01:09:14) Степан Гершуни: Есть вариант, похожий на экосистему Ethereum, при этом блокчейн нужен в основном для платежей — стейблкоин, Tempo и т.д. Это может быть Amazon или Google, которые раутят и агрегируют, или децентрализованная сеть типа Ethereum. Централизованное решение, скорее всего, будет первым: децентрализованное сразу — нереальная и бессмысленная задача, зато лучший UX, если делает приличная компания — контроль end-to-end. Децентрализованное может долгосрочно победить за счёт credibly neutral: если OpenAI Store, там только агенты на моделях OpenAI, а use cases, где другие модели лучше, точно есть. Децентрализованная сеть в теории даёт более выгодные условия. Google, Amazon инцентивизированы рекламой. RTB на практике у топовых игроков, фактически не независимые. У клиента нет прозрачности в формировании цены. При большом объёме, как на финансовом рынке, будет запрос на гарантированно выгодное предложение — нужны ликвидность и прозрачность аукциона, как MEV или Intent на блокчейне. Блокчейн сегодня в целом даёт лучшие условия для финансовых операций, чем банк, из-за конкуренции. В централизованной платформе конкуренцию можно создать, как Apple в App Store или Google в RTB, но Google — крупнейший продавец, ему выгодно оставаться таким; за миллиарды купили DoubleClick, Meta тоже — рынок не прозрачен, огромные проблемы с attribution. Стоит ли стремиться только к децентрализованному решению? Нет, с точки зрения инвестиций я не думаю, что такую ставку надо делать. Ставка на лучший продукт. Качество в блокчейне растёт: Hyperliquid, Fluid, Polymarket конкурируют с тем, что раньше называли Web2. Дихотомия «не на блокчейне — bullshit» неверна. Важны реальная экономика, лучшее предложение, честная репутация агентов. Архитектура — нюанс, пользователям не должно быть важно.

(01:12:56) Иван Иваницкий: Ты упомянул AI-native команды, которые изначально выстраивают процессы с опорой на AI и становятся сильно эффективнее. Я работаю в блокчейне не только из-за технологии и продукта, но и потому что мне нравятся бизнес-практики и внутренние процессы в крипте — быстрее и легче, чем в традиционном бизнесе. Какие из этих практик ты бы посоветовал AI-стартапам позаимствовать у блокчейн-стартапов?

(01:13:23) Степан Гершуни: Работая с Web3-командами, в том числе в BitFury, я, честно говоря, не вижу, что успешная Web3-компания сегодня — AAVE, Fluid, Hyperliquid, даже Pump.fun — чтобы стать успешной, вынуждена перенять практики традиционного менеджмента. Было много DAO: DAO как замена собрания акционеров остался — дешевле и эффективнее. Но DAO как способ менеджмента — полный bullshit: нет ответственного, все голосуют за всё — хаос. Компании развалились не из-за плохого продукта или глупых людей, а из-за отсутствия банальных практик. Например, DRI — Directly Responsible Individual, как у Apple: за любой проект всегда один ответственный; если что-то пошло не так — его ответственность, он не может сказать «мне не проголосовали». В менеджменте AI-компаний останутся те же OKR. Другое — исполнение. Project management, Jira, Trello: проект «сделать подкаст» — договориться со спикерами, забронировать время, опубликовать, монтаж, промо, спонсоры — и кидаем в AI. Появится AI-native task manager — request for startup, куда бы я инвестировал. Кидаешь запрос: «хочу подкаст». Он говорит: 50 шагов, 20 сделаю сам — название, email спикеру. Пять шагов — draft вопросов, ты апрувнешь. На другие найду фрилансера на обложку или монтаж. Методология project management столетиями не меняется, меняется способ исполнения. Крипта добавляет микроплатежи: тысячная доля цента микроагенту за обложку или prediction market на обложку эпизода вместо A/B-теста. Эволюция, on the shoulders of giants. У Кена Уилбера подход Transcend and Include: не отменяешь прошлое, превосходишь и включаешь опыт. Метод анархии «всё говно, у нас DAO, всё переделаем» обычно плохо заканчивается.

(01:17:14) Сергей Тихомиров: Один практический вопрос. В закрепе в Twitter твит про твою персональную AI-based систему. Как ты её лучше охарактеризуешь? Расскажи, что это, как работает и что посоветуешь людям — внедрять это или что-то подобное?

(01:17:33) Степан Гершуни: Я какое-то время назад начал экспериментировать с AI-инструментами, чтобы улучшить продуктивность, и назвал это CybOS — Cybernetic Operating System. Это операционная система для жизни, не ядро компьютера. Методология, похожая на James Clear, Atomic Habits, Get Things Done, Brian Johnson, Cal Newport — люди, которые экспериментируют с тем, как жить, и выстраивают вокруг этого школы. Похожим ключом я начал думать, как AI меняет жизнь и работу. Обнаружил, что в практически любой задаче многократно использую AI — в личной жизни, в инвестициях, в работе. Поговорил с людьми и понял, что большинство знакомых и других фондов делают так же. Начал агрегировать это в единую методологию. Сейчас у меня GitHub-репозиторий и локальная папка с несколькими тысячами Markdown-документов по категориям. Например, DealFlow — все сделки: транскрипты с фаундером, data room, deep research, заметки. Одной кнопкой в Cursor вызываю агента: «возьми 50 файлов, напиши мемо», «какой вопрос задать на следующем звонке», «какие красные флаги», «промпт для дополнительного research». Или: папка с данными компании, документ про меня, про киберфонд, список тёплых контактов в Telegram — «кому написать за мнением, зная контекст каждого». Персональный пример: сессии терапии, по каждой автоматически summary, раз в квартал ретроспектива — могу собрать план на год или квартал. Финансы и инвестиции: deep research по токенам и акциям, методология, портфель, решения с учётом профиля, размера, риска и новостей. Claude Code: slash news — утренняя подборка по важным темам. Решения сильно лучше, чем я бы сделал сам, и лучше советов, которые получал.

(01:21:25) Степан Гершуни: Отдельно — не только персональный CybOS. Сейчас активно делаем то же для команды фонда: один разработчик помогает. Система скаутит проекты через GitHub, arXiv, Twitter, LLM, эвристики и алгоритмы. Ещё не до конца готова, но уже вижу: могу следить за гораздо большим числом интересных вещей на рынке, чем если листать Twitter руками.

(01:22:05) Сергей Тихомиров: То, что ты описал, очень похоже на то, что я пытаюсь соорудить для себя, и я не сознавал, насколько близко то, что ты уже сделал — я пока на начальных этапах. Follow-up: система вся на английском или смесь русского и английского? У меня рабочие заметки по-английски, личные по-русски, и я не решил, смержить в одной базе или в разных.

(01:22:28) Степан Гершуни: У меня точно и то и другое, и я даже не помню, с чего начал. Сессии терапии на русском, summary на английском — проблемы не вижу. Для LLM это равнозначно.

(01:22:35) Иван Иваницкий: Спасибо, что поделился опытом. Желающим соорудить такую систему — welcome.

(01:22:40) Степан Гершуни: Планируем написать детальный пост или инструкцию, но нужно время. Первый шаг — в Португалии трёхдневный ретрит-воркшоп: учиться строить AI-native жизнь. Через год-два, уверен, это будет не Cursor, а что-то другое — Notion, Obsidian или новые продукты. Но это меньше про технологию, больше про привычку, workflow и методологию. Очень полезно начать внедрять — вижу огромный позитивный эффект.

(01:23:47) Сергей Тихомиров: Ключевой вопрос. When AGI — в 2030, 2027, 2040, никогда?

(01:23:55) Иван Иваницкий: А как мы его определяем?

(01:23:56) Сергей Тихомиров: Ты как-то определяешь для себя?

(01:23:57) Степан Гершуни: Хороший вопрос, не знаю. Возможно, по тому, как я определяю, он уже случился. Я более-менее уверен, что не будет step function: мир до AGI и через секунду мир с AGI. Это происходит постепенно — может, год назад, шесть месяцев назад, через полгода или два года. Историки, возможно, скажут: «23 декабря Сэм Альтман провозгласил».

(01:24:31) Сергей Тихомиров: Тогда должен провозгласить не Сэм Альтман, а искусственный интеллект, совершивший переворот в OpenAI и взявший власть над компанией и человечеством.

(01:24:44) Степан Гершуни: Кардинального мгновенного перехода не случится, но внедрение технологии в общество займёт большое время. Сегодня сложно оценить срок; люди ближе к research могут недооценивать, насколько долго. Если посмотреть на внедрение IT или крипты, там, где есть мгновенная финансовая выгода — хедж-фонды, — всё случится очень быстро. Используют ли хедж-фонды последние LLM? Да, все, они на этом зарабатывают миллиарды и начали раньше, чем general public узнал. Будет ли механик на Филиппинах заказывать запчасти через AI — ещё очень долго нет. Открытый вопрос — скорость. Развитие технологий скачкообразное, скачки почти непредсказуемы. Войны и эпидемии дают толчок технологиям, о которых уже думали. С AI войны тоже релевантны: современное вооружение массово использует нейросети, computer vision — большой драйвер.

(01:26:33) Сергей Тихомиров: Можешь представить будущее, где AI не оправдал ожиданий: прошло пять-десять лет, мир выглядит так же, AI заметен, но не определяет мировую экономику? Если да — почему? Чего мы не поняли в 2025?

(01:26:55) Степан Гершуни: Абсолютно уверен, что такое произойдёт, но не потому, что AI менее значим, чем интернет — в это не верю. А из-за человеческой психики: люди быстро привыкают и используют магические технологии как данность и ругаются — купил iPhone, в миллионы раз мощнее компьютера Apollo, а нет в розовом цвете, хотел розовый, получил синий. Это свойство людей, не технологий.

(01:27:48) Сергей Тихомиров: Я прочитал твит, не проверял, может враки, но готов поверить, что в переходнике USB-C на наушники больше вычислительной мощности, чем в компьютере, который считал посадку на Луну.

(01:28:04) Степан Гершуни: Вполне вероятно, что мощностей в AI на тиктоки и порно будет больше, чем на лекарства, физику, телескопы и математические теории. Не знаю, когда выйдет подкаст, но сегодня Pump.fun coin плюс 30%. Интересный твит: людям не важны технологии, важны fun, хайп и эмоции — люди фундаментально животные. Важно держать это в голове.

(01:28:52) Иван Иваницкий: На этой философской ноте завершим выпуск. Спасибо большое, Степан, очень интересно поговорить.

(01:28:59) Степан Гершуни: Спасибо большое за приглашение.

(01:29:00) Иван Иваницкий: Если хочешь что-то объявить или прорекламировать — сейчас самое время.

(01:29:05) Степан Гершуни: Говорил про конференцию: если будете в октябре в Сан-Франциско — заходите, пишите, дам персональный промокод для слушателей подкаста. Канал в Telegram cryptoEssay — пишу кусками про AI, крипту, экономику, будущее, технологии, роботов. Буду рад видеть.

(01:29:32) Иван Иваницкий: Спасибо ещё раз. Спасибо слушателям и патронам на Патреоне и Boosty. Спасибо спонсорам: Fluence, децентрализованная облачная платформа, Acki Nacki, The Fastest Blockchain Possible, 1inch, DeFi-экосистема, и Zerion, Enterprise Grade Web3 API. На этом завершаем выпуск. Всем спасибо и всего доброго.