Компанія Ambral (@ambral_ai) створює першу систему управління місією клієнта. Це команда управління обліковими записами зі штучним інтелектом, створена для того, щоб допомогти вам максимізувати дохід від кожного клієнта. Вітаємо із запуском, @Sambrickman_ & @JackStettner!

Ми дізнаємося, що AGI буде відкладено, як тільки лабораторії почнуть створювати функції для вибору наших власних фонових кольорів і шрифтів.

Є величезна перевага в тому, щоб бути особистим стартапом у SF прямо зараз: близькість до лабораторій штучного інтелекту, ранній доступ до моделей, близькість до людей на передньому краї, доступ до капіталу. Якщо нова модель зникне, а ваша команда швидше інтегрується, це може легко стати різницею між залученням сотень нових користувачів за один день і його відсутністю.

Waymo для екскаваторів!

Співзасновник і генеральний директор Figma Ділан Філд (@zoink) про те, як штучний інтелект змінить дизайн і чому майстерність і увага до деталей будуть головними відмінностями. У AI Startup School у Сан-Франциско. 01:38 – Як Ділан та Еван заснували Figma 02:58 – WebGL: від ігор до інструментів 04:10 – Вигравання часу для будівництва 05:48 – Збереження мотивації завдяки ранньому дослідженню 06:10 – Холодні листи, ранній зворотний зв'язок та перші користувачі 08:24 – Час запуску та уроки щодо ранньої доставки 10:08 – Культура обмежень і творче вирішення проблем 10:50 – Визнання тяжіння продукту до ринку 13:32 - Чому дизайн є диференціатором в епоху штучного інтелекту 16:34 - Запуск продукту штучного інтелекту Figma та вихід за межі дизайну 18:56 – Розмиття дизайну, розробки та продукту 21:00 – «Ера MS-DOS» інтерфейсів штучного інтелекту та поверхонь майбутнього 23:26 - Роль дизайну в дослідженнях штучного інтелекту та майбутнє дизайнерів 27:36 – Запитання та відповіді аудиторії: інструменти штучного інтелекту, відкритий вихідний код, принципи та поради

Іноді важко зрозуміти важливість оновлень міркувань і логіки, які починають з'являтися в потужних моделях, таких як GPT-5. Ось *дуже простий* приклад того, наскільки потужними стають ці моделі. Я взяв нещодавній документ із розшифровкою дзвінків NVIDIA про прибутки, який містив 23 сторінки та 7800 слів. Я взяв частину речення "і валова маржа покращиться і повернеться до середини 70-х" і видозмінив "середина 70-х" на "середину 60-х". Для віддалено налаштованого фінансового аналітика це виглядатиме недоречно, тому що маржа не «покращиться і не повернеться» до нижчого числа, ніж те, що описано як вище число в іншому місці. Але, ймовірно, 95% людей, які читають цей прес-реліз, не помітили б цю модифікацію, тому що вона легко вписується в інші 7800 слів, які згадуються. З Box AI, тестуючи різноманітні моделі штучного інтелекту, я потім запитав серію моделей: «Чи є якісь логічні помилки в цьому документі? Будь ласка, дайте відповідь одним реченням». GPT-4.1, GPT4.1 mini та кілька інших моделей, які були найсучаснішими лише ~6 місяців тому, зазвичай поверталися та відповідали, що в документі не було логічних помилок. Для цих моделей документ, ймовірно, здається цілісним і слідує тому, як би вони очікували бачити розшифровку доходів, тому для них нічого особливо не виділяється в питанні, на що звернути увагу - така собі зворотна галюцинація. З іншого боку, GPT-5 швидко виявив проблему та відповів: «Так — документ містить внутрішню неузгодженість щодо керівництва валовою маржею, в якийсь момент говориться, що маржа «повернеться до середини 60-х років», а пізніше говориться, що вона буде «в середині 70-х» пізніше цього року». Дивно, але це сталося з GPT-5, GPT-5 mini і, що примітно, *навіть* GPT-5 nano. Майте на увазі, що вихідні токени GPT-5 nano оцінюються в 1/20 токенів GPT-4.1. Отже, більш інтелектуальний (у цьому випадку використання) за 5% вартості. Тепер, хоча перевірка помилок у бізнес-документах не часто є повсякденним явищем для кожного інтелектуального працівника, ці типи проблем проявляються різними способами під час роботи з великими неструктурованими наборами даних, такими як фінансові документи, контракти, стенограми, звіти тощо. Це може бути знаходження факту, з'ясування логічної помилки, виконання гіпотетичного висновку або вимога складного дедуктивного міркування. А можливість застосовувати більше логіки та міркувань до корпоративних даних стає особливо важливою під час розгортання AI Agents на підприємстві. Отже, дивно бачити прогрес у цій сфері прямо зараз, і це відкриє масу нових варіантів використання для бізнесу.

Вийшла нова кулінарна книга у партнерстві з @llama_index! Ми розглянемо, як створити потужний робочий процес аналізу-отримання-переранжування складних PDF-файлів Переконайтеся самі!

Ми проводимо захід Context Engineering у SF! Дізнайтеся, як провідні команди розробників прикладного штучного інтелекту розробляють свої контекстні вікна. Послухайте від: Джейк Хеллер, генеральний директор @Casetext Беян Лю, технічний директор @Sourcegraph Сем Бхагват, генеральний директор @Mastra_ai Джефф Хубер, генеральний директор @trychroma Відповіді на запитання:

Anytrace () — ваш інженер підтримки штучного інтелекту. Він може вирішувати технічні заявки від початку до кінця, розмовляючи з клієнтами, розслідуючи проблеми та керуючи повним життєвим циклом квитка. Вітаємо із запуском, @samgoldman0 & @tairabun!

Сьогодні стартувала нова дослідницька лабораторія штучного інтелекту під назвою @blankbio_. Вони створюють нові базові моделі для мРНК і є однією з найсильніших технічних команд, з якими я працював. Я особливо в захваті від їхніх нових результатів моделі та широкого набору сфер застосування для неї.