Google DeepMind AlphaProof Nexus: математика становится проверяемым AI-пайплайном

Google DeepMind описал в arXiv paper по AlphaProof Nexus систему, которая решила 9 открытых задач Эрдёша и 44 гипотезы из OEIS. Важная деталь: это не просто текстовое “мне кажется, доказательство такое”. Система переводит рассуждения в Lean, а затем формальный верификатор проверяет доказательство.

Цифры звучат сухо, но смысл сильный: 9 из 353 открытых задач Эрдёша и 44 из 492 OEIS-гипотез. Некоторые висели десятилетиями. Стоимость одного доказательства — сотни долларов вычислений, а не годы академической работы. Для науки это ускорение. Для бизнеса — намёк на то, куда пойдёт проверка сложных систем: код, криптография, финансы, безопасность, юридические правила.

Мой вывод: самая дорогая часть AI-рынка будет не “модель ответила”, а “результат можно проверить”. Всё, что требует доверия, будет двигаться к формальным тестам, симуляциям и независимым проверяющим слоям.

OpenAI готовит IPO: рост огромный, но экономика всё ещё жёсткая

По данным The Wall Street Journal, OpenAI готовится к конфиденциальной подаче документов на IPO. В работе — Goldman Sachs и Morgan Stanley, а публичное размещение может быть нацелено на осень.

Главная интрига не в самом IPO. Интрига в экономике. Компания показывает гигантскую выручку, сотни миллионов пользователей и сильный enterprise-спрос, но при этом расходы на вычисления и рост всё ещё давят маржу. Это и есть реальность frontier AI: можно быть самым важным продуктом десятилетия и одновременно сжигать невероятные деньги на инфраструктуру.

Для предпринимателя это урок: не копируй OpenAI-модель расходов. Твоя задача — не “делать как лаборатория”, а строить маленькие AI-системы с понятной экономикой: где модель приносит лиды, экономит часы, закрывает операции или создаёт продаваемый продукт.

Geohot против AI-агентов: скорость без качества — это не разработка

George Hotz опубликовал жёсткий текст The Eternal Sloptember, где прямо говорит: массовое внедрение AI-агентов в код может стать дорогой ошибкой, если компании принимают видимость прогресса за качество.

Его мысль болезненная, но правильная: агент может быстро накидать изменения, создать ощущение движения, заставить человека тянуть за “ручку автомата” снова и снова. Но если feedback loop длинный, тестов мало, ревью слабое, а архитектура непонятна, на выходе получается не продукт, а слой мусора поверх старого кода.

Поэтому нормальный вайбкодинг — это не “пиши промпт и верь”. Это архитектура, маленькие задачи, тесты, Git, деплой, откат, контекст-файлы и человек, который понимает, что именно хочет получить. AI ускоряет сильного оператора и размазывает слабого.

Практика: настрой AI как жёсткого спарринг-партнёра, а не ласкового ассистента

Самый простой апгрейд, который можно сделать сегодня: переписать Custom Instructions. Не проси модель “быть полезной”. Проси её резать лишнее, спорить, показывать слабые места и начинать с главной проблемы.

Не используй пустые комплименты.
Не соглашайся со мной автоматически.
Если я ошибаюсь, скажи прямо.
Начинай с того, что слабое в моей идее.
Давай не общий совет, а следующий практический шаг.
Если есть риск потери денег, времени или фокуса — выдели его первым.

Это особенно важно для предпринимателя. Тебе не нужен бот, который гладит по голове. Тебе нужен второй мозг, который помогает не слить бюджет, не размазать продукт и не принять красивый текст за рабочую стратегию.