Про смену бизнес-моделей. TechCrunch пишет, что в среде стартапов-инвесторов все больше принятия и одобрения приобретает не подписочная модель, а модель оплаты за использования, дорогу к которой проложили ранее многие облачные инфраструктурные компании.

Но это результат более глубинных изменений в том, как принимаются решения о покупке софта. "Дни, когда софт выбирало руководство компании, ориентируясь на IT-совместимость и KPI, прошли. Теперь сотрудники говорят начальству, что нужно купить." Этот же сдвиг позволяет клиенту начать не с большой закупки, а с малого частного внедрения. И далее масштабировать использование по мере получения пользы и расширению сценариев использования.

Со стороны поставщиков услуг это означает меньше денег в начале, но зато конкуренцию на почве реальной оказываемой пользы и долгосрочной ценности, а не "заноса контрактов сверху".

Вторая важная составляющая — это "мегатренд на автоматизацию, внедрение AI и использование API". Ценность продукта не обязательно растет с увеличением числа прямых пользователей. Поэтому более глубокий сдвиг на оплату использования, а не лицензий доступа кажется ключом к будущему успеху.

TechCrunch дает четыре совета для внедрения модели оплаты по использованию:
🧸 Используйте тактику "Land-and-expand". Начните с малого внедрения, которое докажет ценность, далее расширяйте использования. Многие стартапы боятся, что инвесторам не понравится такой подход, потому что "клиенты не залочены на подписку". Но в реальности инвесторы, играющие в долгую, как раз ценят такие компании больше.
🧸Выберите подходящую метрику использования. Подумайте, что является единицей ценности, за которую клиент захочет заплатить? Важно, чтобы этот показатель был достаточно инвариантным относительно ваших клиентов. Это облегчит общую коммуникацию. Ключевые критерии такой единицы: основана на ценности, гибкая, масштабируемая, предсказуемая и реализуемая.
🧸Платите вашим "продажникам" не только за первые продажи. В отличие от традиционных моделей, модель оплаты за использование требует продолжения взаимодействия с клиентами: нужно убедиться, что продуктом пользуются, клиент с ним успешен и "прилипает" к нему со временем.
🧸Вы не можете предсказать, кто ваш лучший клиент. В отличие от подписочной модели, уровень использования не так предсказуем. Это означает, что вам нужно серьезно инвестировать в инструменты и людей, чтобы уметь это предсказывать. В таких компаниях прогнозирование становится упражнением по глубокому анализу данных.

https://techcrunch.com/2021/01/29/subscription-based-pricing-is-dead-smart-saas-companies-are-shifting-to-usage-based-models/

Интерфейсы для проектирования, рисования и совместной работы с открытой границей (без предзаданной формы ввода) — одни из самых сложных с точки зрения дизайна. Сделать их эффективными в ограничениях стека веб-технологий — одна из самых сложных задач для фронтэнд разработки. Поэтому команды, которые берут на себя такие задачи и успешно с ними справляются, заслуживают большого уважения.

Собрал пять задач, планку которых, кажется, пока никто не поднял. https://outofline.ru/%D0%BF%D1%8F%D1%82%D1%8C-%D0%B2%D1%8B%D0%B7%D0%BE%D0%B2%D0%BE%D0%B2-canvas-%D0%B8%D0%BD%D1%82%D0%B5%D1%80%D1%84%D0%B5%D0%B9%D1%81%D0%BE%D0%B2-%D0%B2-%D0%B2%D0%B5%D0%B1%D0%B5-%D0%B8-%D0%BD%D0%B5-%D1%82%D0%BE%D0%BB%D1%8C%D0%BA%D0%BE-8b68a7591738

Кратко. Кажется планы Google стать заодно игровой компанией рассыпались. Всё бы ничего, но это второй такой кейс (раньше ничего не получилось у Amazon). Возможно нельзя вот так просто взять и начать делать игры, даже если у тебя много денег? https://www.polygon.com/2021/2/1/22260807/google-stadia-games-shut-down-jade-raymond

Про приобретенные навыки и расслоение общества. Две несвязанные заметки про события с разницей в несколько миллионов лет:

🧠 Антропологи из Стэнфорда и Калифорнийского университета подвели итог 13-летним наблюдениям за жизнью племени Хадза (Hadza) в Танзании, культура которого относится сообществам охотников-собирателей с соответствующей гендерной дифференциацией по роду деятельности. Хотя наблюдение свежее, оно описывает разделение, которое произошло, по оценкам ученых, около 2.5 млн лет назад, и в целом подтверждает многие гипотезы эволюционной антропологии о последствиях гендерного разделения на охотников и собирателей.

Например, одним из следствий такого разделение являются различия в восприятии пространства людьми разного пола, которое наблюдается сегодня статистически: "женщины в среднем лучше решают задачи, требующей пространственной памяти, а мужчины в среднем — лучше показывают себя в двух базовых измерениях, связанных с поворотами объектов в воображении и точном указании направления на отдаленные локации".

Ученые пытались в ходе наблюдений понять, как формируется подобный код. По наблюдениями за перемещениями членов племени с помощью GPS-датчиков выяснилось:
— Дифференциация в навигационных паттернах начинается в раннем возрасте (около 5-6 лет), фактически, вместе с разделением труда. Само исследование в силу ограничения методики не может установить, является ли такая дифференциация следствием именно социально-культурных различий (приобретаемого опыта) или также имеет физиологические причины.
— Одновременно начинается сегрегация физических пространств, в которых происходит перемещение. Грубо говоря, мужчины и женщины за пределами лагеря существуют преимущественно в двух разных территориях. Дальше наслаиваются социальные паттерны: мужчины ходят часто в одиночку, женщины в группах с относительно близким расстоянием друг от друга (около 5-10 м).
— Классические наблюдения: мужчины ходят дальше, а путь их сложнее и извилист, потому что цель подвижна, из чего делается вывод, что они "решают" более сложные навигационные задачи. После сорока лет дальность походов выравнивается, потому что мужчины дистанцию сокращают (и, кажется, подвержены большему числу травм и инфекций), а у женщин она остается стабильной.

Все это может показаться естественным (заложенным природой), но, на самом деле, прямых доказательств у исследователей нет. Такого разделения труда (на охотников и собирателей) не наблюдается у большинства приматов, хотя разница в навигационных паттернах иногда наблюдается.

У людей, говорят исследователи, оно вероятно эволюционировало вместе с дифференциацией полов в пространственном поведении и использовании окружающей среды. И дальше уже имело множество культурно-социальных последствий.

https://www.nature.com/articles/s41562-020-01002-7

🧠 Ученые из института науки и технологий в Наре (Япония) покопались с помощью МРТ в том, как программисты анализируют программы. В исследовании они изучали мозговую активность 30 программистов разного уровня и смотрели, какие регионы их мозга реагируют при решении задач, связанных с отнесением фрагментов кода к разным категориям.

Хотя мы языки программирования называем языками и даже иногда шутим, причисляя их к языкам, которыми мы "владеем", оказывается, владение программированием все же не вполне равно владению новым языком.

Сравнение новичков в программирование и хороших специалистов показывает сопутствующую разницу в поведенческой эффективности, структурировании знаний и выборочном внимании, но до сих пор не понятно, "где и как именно в мозгу эти различия происходят". Новое исследование уточнило предыдущие находки, но по-прежнему носит скорее ассоциативный характер: мы из этого исследования знаем, какие регионы мозга активируются, и из других исследований знаем, с чем еще эти регионы обычно связаны.

В итоге ученые нашли семь регионов мозга, связанных с программированием. Помимо ожидаемых областей, связанных с обработкой естественных языков (в том числе семантическим целе-ориентированным извлечением знаний), программирование также "включает":
— зоны, функционально участвующими в визуальном чтении слов и эпизодическим извлечением информации из памяти, а также категорийном представлении объектов;
— зоны, связанные с контролем внимания через стимулы.

Это все кажется логичным, например, визуальное чтение слов можно увязать с визуальным распознаванием ключевых слов на английском (не родном для подопытных людей), а также с более быстрым визуальным распознаванием структур кода у экспертов. Между семантическим выбором и направленным извлечением из памяти можно провести параллель с доменными знаниями у продвинутых разработчиков и переходом к программированию от целей, а не от текста. Скорее всего, их мозг также применяет более сложные стратегии управления вниманием. Мозг эксперта также, вероятно, включает иерархичную семантическую систему анализа кода, позволяющую поддерживать его ментальную модель на нескольких уровнях абстракции.

Ученые отмечают, что программирование — это относительно новый вид деятельности для человечества, который не имеет выделенного места в мозге и фактически "склеивается" из множества отдельных функций, и надеются, что такие исследования помогут лучше и массово готовить специалистов.

Наверное, стоит отметить, что выборка участников исследования, мягко говоря, не является гендерно-нейтральной.

https://www.biorxiv.org/content/10.1101/2020.01.28.923953v1.full

===

Что я хочу в связи с этим всем отметить:
1. Программирование, как и любая специфичная деятельность, конечно, меняет мозг. Пластичность мозга — это чудо природы.
2. Примерно как с разделением случившимся несколько миллионов лет назад, мы не понимаем, к каким культурным последствиям приведет разделение людей на тех, кто программирует системы и тех, кто ими пользуется. И это расслоение, если оно случится (привет Марку!), еще ждет своих антропологов.

Про постановку задач. Если вам кажется, что задачу ставят неправильно, первый шаг — это распознать категорию постановки и дальше уточнениями сместить в более комфортную категорию.
Сделал матрицу. Комментарии и дополнения принимаются тут: https://miro.com/app/board/o9J_lVm152g=/

Про грибы. Пока в одних местах борются с плесенью, в других изучают, как из грибов делать строительные материалы. The Verge рассказывает и показывает о таком эксперименте. Сегодня процесс создания одного грибного кирпича в лабораторных условиях занимает около четырех недель, а свойства материала не позволяют заменить им цемент, но, судя по ролику, потенциально подходят для не несущих конструкций.

Дальше параллельно с улучшением целевых свойств материала и временем/стоимостью производства нужно снимать шоры традиционных строительных аналогий и пересматривать концепции. А что, если используемые материалы будут биоразлагаемыми? (традиционно мы закладываемся на "вечность"). А что, если используемые материалы будут "живыми", способными взаимодействовать с окружающей средой? (традиционно мы закладываемся на нейтральность)

В общем, большая тема, которая лет через 5-10 не будет казаться такой странной - примерно как сегодня мы перестаем удивляться выращенному в пробирках мясу.

https://www.theverge.com/22257120/mushroom-bricks-mycelium-sustainable-building-materials

Еще про тренды в бизнес-моделях. Roger Lee из Battery Ventures рассказывает в TechCrunch об изменении в поведении консьюмеров при покупках и описывает вытекающую из него модель стартапов полного цикла.

Обратите внимание на сквозящую: так правильно, но нельзя взять и просто так сделать стартап полного цикла. Это сложно и таких успешных единицы, но вы пробуйте. А по набору признаков, в принципе, можно делать программу акселератора.

Предпосылки:
🛒 Продолжение очевидного исторического сдвига модели интернет-продаж: от плановых покупок с десктопного веба мы перешли к мобильным покупкам со смартфона в момент потребности.
🛒 Продолжение уплотнения коммуникаций и слияния шагов: от агрегаторов, через которые можно было узнать информацию и зарезервировать услугу, мы перешли к мобильным приложениям и сопутствующей инфраструктуре, управляющими операциями на несколько шагов глубже: матчинг спроса и предложения, верификация качества услуги и даже динамичное ценообразование. Каждый шаг в такой эволюции "разблокирует" миллиардные долларовые рынки.
🛒 В отраслях с недостатком предложения или инноваций в продуктах или услугах цифровой маркетплейс может на самом деле ухудшить опыт клиентов. В таких случаях трансформация должна начинаться с нуля. У этого феномена уже есть название: "full stack startups".
🛒 Такие стартапы обеспечивают полный (end-to-end) цикл операций, управляют всей цепочкой создания ценности. Чем большим количеством операций в стеке владеет компания, тем лучшее у нее контроль над качеством, оказанием услуг, доставкой, ценообразованием и т.п. Обратная сторона медали - таким компаниям нужно больше стартовых инвестиций для масштабирования.

Пять признаков успешных end-to-end стартапов:
🎈Фокус на очень больших и архаичных рынках. Данных подход имеет наибольший смысл, когда нацелен на большие архаичные индустрии: банки, страхование, недвижимость, здравоохранение и т.п. Текущие игроки в этих рынках слишком большие и укоренившиеся (= с кучей обременений). Все вместе мешает им адаптировать новые технологии, большинство из них провалило переход к цифровых технологиям, не является авторитетом мобильного поколения, а опыт оказания услуг не соответствует современным требованиям.
🎈Улучшение ключевой функциональности в пользовательском опыте. Для этого нужно определить, в чем суть самых болезненных моментов для пользователей в их текущем опыте, и далее строить бизнес вокруг решения этих задач. Как правило, это означает, что у вас больше уровень удовлетворенности и меньше процент отваливающихся пользователей по сравнению с существующей индустрией.
🎈Симбиоз данных и технологии как ключевое отличительное свойство. Нужно найти правильное сочетание, которое позволит повысить эффективность привлечения и удержания клиентов, уменьшить постоянные и переменные затраты через автоматизацию, снизить стоимость для клиентов, расширить или создать наращиваемое производство. Такие заделы позволяют создать трудно преодолимый отрыв от последователей.
🎈Продвинутая юнит-экономика. Хотя такие бизнесы кажутся более ресурсо-емкими в начале (им надо перестроить всю инфраструктуру с нуля), их P&L оказывается более привлекательным за счет лучшей юнит-экономики и отсутствия сверхзатрат старых бизнесов (например, на физические отделения обслуживания).
🎈Доверие бренду как основа органического роста. Если бизнес управляет всей цепочкой создания ценности, у него появляется отличная возможность развивать привлекательный бренд в своей нише. Со временем узнаваемый бренд становится источником органического роста.

У всего этого, конечно, есть обратная сторона. Чтобы стать успешным, стартапу надо быть достаточно хорошим во множестве направлений сразу: софте, железе, дизайне, маркетинге на потребителей, управлении цепочками, продажах, партнерствах, регулировании и т.д. Для получения инвестиций вам придется подробнее объяснять венчурным инвесторам, вот что именно вы вкладываетесь и как это будет работать.

https://techcrunch.com/2021/01/22/end-to-end-operators-are-the-next-generation-of-consumer-business/

В продолжение предыдущей заметки про "стартапы полного цикла (end to end startups)" и заметки прошлой недели про "стартапы с оплатой за использование (usage-based startups)". Заметки кажутся не связанными напрямую, хотя и обе про стартапы.

Но давайте я добавлю в этот ряд еще несколько тем, которые в последнее время всплывают все чаще:
— Глубокотехнологичные стартапы (deep tech startups). И всевозможные детализации и уточнения: biotech, spacetech, climate tech). Например, TechCrunch рассказывает, как строить маркетинговые команды в таких компаниях и поднимать инвестиции. См. еще отчет BCG за 2019 про deep tech экосистему. Сюда же можно отнести менее популярный и более европейский термин — научно-технологические стартапы (sci-tech startups).
— Устойчивые и этичные стартапы (sustainable/ethic startups). Это одновременно про миссионерство, про переписывание норм и про дополнительную ответственность, которую можно "пощупать". В том числе как альтернатива поведению больших технологических гигантов. Вот например, MIT вроде бы рассказывает, как сделать AI лучше, — а в каждом тезисе читается "не берите пример с Google".
— SPAC-модель подъема денег, и снова криптовалюты как способ оплаты услуг и товаров.

Что все это объединяет? Как минимум две темы:
🧿 Илон Маск — и это не теория заговора. Компании Маска просто являются отличным медийным примером для многих бизнес-моделей, доказывающим их право на жизнь, и одновременно сам Маск является иконой для многих стартапов и инвесторов. При этом публичный образ всех этих компаний — как раз про дисрапш за счет сильного R&D (deep tech), включающего последовательные инновации на всех этапах создания продукции (end-to-end) — и все это в архаичных отраслях, с производной монетизацией тяготеющей к плате за использования (usage-based). SPAC-модель Илон критикует после того, как несколько его конкурентов использовали ее для привлечения денег, но сам активно "топит за битки" и другие койны. Ну и, конечно, Маск — это мессия поколения Y с его "multiplanet civilization", "electric vehicles" и всем остальным семейством лозунгов и амбиций.

🧿 Мы находимся на пересечении нескольких циклов (пересечение это условно, с нахлестами), которые запускают смену бизнес-моделей и фокуса инвестиций.
— Созрели и дозревают результаты R&D-инвестиций и фундаменталки, заложенных примерно 20 лет назад (это простая математика формирования минимальной базовой ячейки трех поколений: профессор (10) + аспирант (5) + студент (5)). Помимо AI, это волна bio/pharma, далее materials.
— Закончился 30-летний (10 лет раскачки, 10 лет консолидации рынка, 10 лет дойки) идеологический цикл предыдущих моделей управления и связанных IT-решений (ERP, CRM, CMS, CAD и т.п.). После 10-летней раскачки Cloud/AI-темы мы входим в 20-летний этап активного внедрения, вместе с этим переходом бизнес-модели наследуют и новую идеологию (usage-based модель в частности).
— Закончился аналогичный 30-летний цикл развития интернета как базовой трансформирующей технологии. Он, конечно, никуда не денется, но капитал активно ищет новую трансформирующую технологию, отсюда интерес именно к deep-tech (где же еще искать что-то с потенциалом фундаментальных изменений?).
— Закончился 20-летний этап формирования пласта поколения с новой моделью потребления, новыми ценностями и т.п. для которых ряд отраслей становится окончательно архаичными и потому требуют перестройки. Речь не о тех, кто активно тикточит, а о тех, кто постарше: 20-40 лет (внезапно, поколение Y). Именно они дозрели до ролей, принимающих решения и становятся движущей силой цифровой трансформации.
— Закончился 20-летний цикл забывания пузыря доткома. Вместе с этим сформировалась усталость и одновременно неприятие стартаперами традиционных моделей привлечения средств, инструментария биржи, действий регуляторов и т.п. Отсюда активный поиск новых инвестиционных моделей и схем, позволяющих привлекать более гибкие деньги, оставляя за собой контроль над бизнесом. К слову, предыдущий бум SPAC-модели был как раз лет 15-20 назад.
— Заканчивается эпоха лидеров-основателей IT-гигантов (уход Безоса — ярчайший тому пример). На смену "отцам" приходят приглашенные или взращённые управленцы, задача которых — перезапустить компании в новый цикл, вместе с обновлением продуктовых линеек, миссии, культуры, бизнес-моделей и т.п. Новые ценности — очень даже стартапные, потому что сами компании входят в модель внутреннего стартапа: устойчивость, этичность, ответственность, большие вызовы.

Про науку и ML. Еще один симптоматичный термин — это Deep Science, в котором deep — это отсылка не к глубоким фундаментальным исследованиям, а к deep learning и машинному обучению в целом.

Например, тот же TechCrunch в лице журналиста Davin Coldewey пишет об этом с завидной регулярностью. Две свежих статьи [1, 2] рассказывают, о применении ML в анатомии, метеорологии и сейсмологии, музыковедении, шахматах, медицине, зоологии, экологии и доступности.

Резюме простое — сегодня трудно найти науку, в которой бы не велось исследований с применением инструментария машинного обучения. С другой стороны, если в конкретном вузе/НИИ такой компетенции нет, то с большой вероятностью он очень быстро отстает от мейнстрима. И это касается буквально каждой науки.

На закуску — чтение на выходные: обновление на начало 2021 года отчета о гонке за лидерство в AI между США, ЕС и Китаем от Center for Data Information [3]. Это один из мировых "think tank" в области данных, технологий и связанной с ними политики.

Из отчета, кстати, видно, что погоня Китая за количеством научных работ, в котором страна лидирует, не сбалансировано с количеством доступных венчурных инвестиций, активных стартапов, инвестиций со стороны компаний в собственный R&D и т. д. Другими словами, [пока?] цепочка не работает. "But research is not enough. Deployment drives innovation."

[1] https://techcrunch.com/2021/01/04/deep-science-using-machine-learning-to-study-anatomy-weather-and-earthquakes/
[2] https://techcrunch.com/2021/02/03/deep-science-ais-with-high-class-and-higher-altitudes/
[3] https://www2.datainnovation.org/2021-china-eu-us-ai.pdf

Про новые модели AI. Поиск следующей "большой штуки" в искусственном интеллекте и машинном обучении продолжается.

VentrureBeat рассказывает о прошедшей в Монреале онлайн-дискусии про будущее ИИ. [1] Ключевые темы:
🧠 Гибридный ИИ. Комбинация обучающихся алгоритмов и алгоритмов с выводом решений на основании правил. Ключевая проблема, которую этот подход может помочь решить — это доверие, объясняемость и интерпретируемость алгоритмов.
🧠 Вдохновение в эволюции. Интеллект в живых существах развивается за счет активного ощущения и взаимодействия с миром, в то время как ИИ-системы опираются на данные, отобранные и размеченные людьми. Создание такого цикла обратной связи для исскуственных алгоритмов поможет создавать агентов, обладающих мульти-модальными, многозадачными, обобщаемыми и даже социальными возможностями.
🧠 Вычислительная теория интеллекта. Такая теория должна определять, что является целью для некоторой системы обработки информации и почему она ее пытается достичь. В большинстве обсуждений и описаний ИИ такая теория [практически] отсутствует. Обучение с подкреплением — это первая такая вычислительная теория интеллекта: в частности, в нем есть четкая награда как цель. Ключевая проблема RL — ресурсоемкость. Отсюда запрос на альтернативные подходы, включающие постановку цели.
🧠 Интеграция мирового знания и здравого смысла. Необходимы системы, которые будут объединять знание о мире с данными. Знание происходит не из данных, а из "врожденных" структур, наполняемых данными через взаимодействие. Даже если мы неявно "вытащили" структуру из данных, мы все равно должны найти формат коммуникации такой структуры человеку.

В дополнение и как иллюстрация:
🧠 SingularityHub рассказывает про "жидкий ИИ", который постоянно обучается на основании взаимодействия с миром. За основу искусственной сети взята нейронная сеть червя нематоды, в которую "встроена" нейропластичность. Итоговая искусственная сетка постоянно переобучается, а количество нейронов и настраиваемых параметров в модели на два порядка меньше, чем аналогичных классических сетках. [2]
🧠 MIT рассказывает про использование фракталов для обучения алгоритмов ИИ. Идея в том, что для объектов, представляющих собой "природные фракталы", соответствующие изображения можно просто генерировать. На этой базе можно проводить предварительную тренировку алгоритмов (задавать структуру), и только после этого скармливать настоящий датасет [меньшего размера]. [3]

[1] https://venturebeat.com/2021/01/02/leading-computer-scientists-debate-the-next-steps-for-ai-in-2021/
[2] https://singularityhub.com/2021/01/31/new-liquid-ai-learns-as-it-experiences-the-world-in-real-time/
[3] https://www.technologyreview.com/2021/02/04/1017486/fractals-ai-learn-see-more-ethically-bias-imagenet-training/

Про ИИ и Китай. Иногда оказывается полезным посмотреть рекламные материалы иностранных компаний, чтобы расставить акценты. Baidu опубликовала в MIT Technology Review спонсируемую статью с обзором ключевых направлений развития ИИ на 2021 год [1].

Ключевые темы:
👾 Использование AI/ML для разработки вакцин. Общее ускорение цикла разработки новых лекарств за счет использования ИИ и моделирования для поиска новых белков и анализа тестовых данных. Критичные зависимости: цифровые модели белков, суперкомпьютеры для вычислений, система мониторинга за распространением инфекции и волонтеров, тестирующих вакцину.
👾 Полностью автономное управление транспортом и "роботакси". Постепенный вывод транспорта на улицы городов и интеграция услуги в систему публичного транспорта. Критичные зависимости: локальное изменение законодательства, инфраструктура 5G, которая позволила бы перехватывать управление в критичных ситуациях, изменение общественного мнения о безопасности.
👾 Прикладные сценарии NLP. Переход от общих разработок в сентиментальном анализе речи, извлечении намерений и генерации текстов к заточке под конкретные домены знаний и бизнес-сценарии. Критичные зависимости: фреймворки для направленной генерации текстов, гибридные системы, связывающие разные каналы интерпретации реальных сцен — в частности зрение и языковое описание.
👾 Квантовые вычисления. Продолжение поиска прикладных сценариев, в которых создание AI/ML-решений выигрывает от квантовых алгоритмов и вычислительных возможностей. Критичные зависимости: модели и фреймворки квантовых нейронных сетей, вычислительные ресурсы, позволяющие тестировать алгоритмы при фактически отсутствующих квантовых компьютерах, низкоуровневые интерфейсы между квантовыми  системами и бинарными программами.
👾 Специализированные AI-чипы. Разработка и интеграция процессоров, заточенных под вычислительные особенности ML-алгоритмов или даже специализированные кейсы применения ИИ. Критичные зависимости: собственное (страновое) масштабируемое производство ИИ-процессоров, облачные (публичные и частные) системы, дающие доступ к массивам таких процессоров.

Как не трудно заметить по статье (ссылка внизу), Baidu, конечно, за каждый пунктом приводит свои достижения в соответствующих направлениях. Но учитывая, что все китайские компании движутся в русле национальной стратегии ИИ, можно делать обобщения на Китай в целом. Также отмечу, что Baidu, как и другие китайские компании, постепенно начинают выводить свои разработки на международную арену.

[1] https://www.technologyreview.com/2021/01/14/1016122/these-five-ai-developments-will-shape-2021-and-beyond/

И про квантовые вычисления. В далеком уже 2018 году исследователи из датской лаборатории Microsoft в Дельфийском техническом университете заявили о прорыве в создании топологического квантового компьютера [1] на базе гипотетических майорановских фермионов [2, 3]. И хотя работа над созданием топологических кубитов идет полным ходом [4], Wired отмечает, что в прошлом месяце большая команда из 21 исследователя опубликовали новую работу, из которой следует, что никих майорановских фермионов они не нашли, а в прошлых данных были ошибки [5].

На этом фоне интересно смотреть на общую стратегию компании с широкой диверсификацией: здесь не только работа по всему стеку квантовых вычислений, но и развитие экосистемы, позволяющей менять элементы этого стека. И в этом смысле, застраховаться от собственных потенциальных неудач.

Вторая важная особенность стратегии (ее, кстати, повторяет Baidu из вчерашней заметки) — это продвижение новой вычислительной модели до ее фактической готовности за счет симуляций в облаке на базе существующего железа. И тут история простая: застолбить за собой место в инструментарии, API, базе алгоритмов и сообществе экспертов.

[1] https://www.bbc.com/news/technology-43580972
[2] https://en.wikipedia.org/wiki/Majorana_fermion
[3] https://www.microsoft.com/en-us/research/video/topological-quantum-computing-with-majorana-fermions/
[4] https://www.microsoft.com/en-us/research/blog/full-stack-ahead-pioneering-quantum-hardware-allows-for-controlling-up-to-thousands-of-qubits-at-cryogenic-temperatures/
[5] https://www.wired.com/story/microsoft-win-quantum-computing-error/
[6] https://www.zdnet.com/article/microsofts-quantum-cloud-computing-plans-take-another-big-step-forward/

Несколько мыслей про клабхаус:
1. "Тихой сапой" произошла техническая микрореволюция, сделавшая для стартаперов доступными технологии потоковой обработки аудио-потоков на клиенте и на сервере. В том числе с очисткой шумов на базе нейронных сеточек. Оставлю за скобками вопрос, сколько ресурсов жрет конкретно клабхаус.
2. Чуть менее тихой, но тоже сапой произошли элитаризация и отделение большой группы людей, которые [почти] все сидят на одной мобильной платформе и, в этом плане, не замечают круг, оставшийся за бортом. "Ты еще не в клабхаусе, давай тебе скину инвайт," -- неожиданно для них может оказать дискриминирующей фразой. Хлопаем Куку первый раз.
3. Как говорят коллеги, которые умнее меня, в мире накопился колоссальный профицит энергии и свободного времени. Об этом говорят не только клабхаус, но и тикток, а также все потемкинские попытки социальных сетей сделать вид, что они заботятся о том, чтобы пользователи в них не сидели вечно.
4. Радио живо, как Цой и Ленин. Наушники движутся к приобретению статуса Устройства, а не приблуды. Хлопаем Куку второй раз.

В продолжение темы квантовых вычислений, про Россию. Диверсифицированная стратегия создания стека квантовых вычислений кажется единственной правильной для любого игрока, стремящегося занять опорные позиции в квантовом будущем.

И, если, в США и Китае эта стратегия реализуется с опорой на технологических ИТ-гигантов, то в России такую роль играют Росатом и РКЦ. Под конец прошлого года они объявили о создании Национальной квантовой лаборатории [1], координирующий продвижение по соответствующей дорожной карте.

В приложении несколько слайдов из презентации центра, раскрывающие ту самую диверсификацию. Обратите внимание на широту необходимого охвата: самое тонкое звено в такой схеме всегда находится между блоками — в выстраивании работающей цепочки.

Ну и грустный фактор: за российскими облачными игроками особого интереса к квантовым вычислениям не замечено.

[1] https://nauka.tass.ru/nauka/10092597

Про внутреннее море протона. Звучит как заголовок фантастической книги, покушающейся на школьную физику. Но на самом деле нет - QuantaMagazine рассказывает о последних изысканиях в физике частиц и попытках заглянуть внутрь микровселенной. https://www.quantamagazine.org/protons-antimatter-revealed-by-decades-old-experiment-20210224/