@nn_for_science
AI для Всех
Telegram channel @nn_for_science: 15.5K subscribers, 3.2K views per post, score 46
46DAhead of 2 in 10 channels in its category
Category midrange 46–63This channel 46
- 15.5K
- Subscribers
- 3.2K
- Median views over 30 days
- 20.8%
- Views / subscribers over 30 days
- 5
- Posts over 30 days
Data as of October 1, 2026
For those following practical uses of neural networks, the author shares personal experiments with AI tools and explains how they get woven into everyday tasks. As of 30 September: 15.5K subscribers, above the category median of 13.8K, while engagement sits at 20.7%, below the category median of 24.1%. Over the past month the author updated a skill for generating demo videos with Opus 5.5, asked Claude to fix intrusive ads on a smart TV by changing DNS settings, discussed alternatives to Greptile for code review, and recalled past work in seismic exploration. There was also mention of joining the Solar Plus 8&F camp at Burning Man 2026 and a weekend project using accelerometers to localize interactions on a tabletop. Posts come out less often than in most channels of the category, 5 compared with a median of 25.
catalog description About the channel, by its author
Канал, в котором мы говорим про искусственный интеллект простыми словами Главный редактор и по рекламе: @crimeacs Иногда пишут в канал: @GingerSpacetail, @innovationitsme
Overview
Written automatically from the channel's data, updated 30 August 2026. The numbers in this text are as of that date; the fresh ones are in the tiles above.
AI and Silicon Valley startups form the core of this channel. The author, whose background moves from physics and geology through MGU and Stanford, writes about landing in the middle of the AI boom, breaks down Sam Altman's talks and YC Startup School, and retells lessons from live startup teardowns. Personal notes sit alongside: Burning Man, a hobby project with accelerometers, and co-host Ginger with her own threads on embroidery art and podcast appearances.
Posting is sparse: 7 posts in 30 days against a category median of 14 — roughly half the pace of neighboring Artificial Intelligence channels. Median post views sit at 3,710, engagement runs at 23.9% versus the category median of 26.6%. Place Score is 58.
This fits readers after an insider's voice on AI and startups rather than a news feed — Stanford stories, YC insights, founder lessons, but not a daily stream. Anyone expecting frequent updates will find the pace slow.
Subscriber count is above the category median: 15,529 versus 13,340 across 49 category listings. Over the 14-day observation window subscribers grew by 12, and average views rose by 1,045.
Common questions
- What is the @nn_for_science channel about?
- The channel covers AI and Silicon Valley startups. The author shares a personal path from physics to working in the middle of the AI boom, and breaks down YC Startup School talks together with co-host Ginger.
- Is there an advertising price list for this channel?
- The owner has not published a price list yet. You can reach out to them directly on Telegram.
- How many subscribers?
- Subscribers: 15.5K. Median views per post: 3.2K. Views per subscriber: 20.8%. Measured on October 1, 2026.
- How often are posts published?
- Posts in the last 30 days: 5 — that is a few times a week. Measured on October 1, 2026.
- Does this channel have a Telegram tick?
- No Telegram tick.
- Who runs this channel page in the catalog?
- Nobody yet. If this is your channel, claim the page: you will be able to reply to reviews and see its stats.
Is this your channel?
Claim it — accurate metrics, replies to reviews as the channel, and an owner badge on the page.
Verify ownershipTakes a minute: a post with a code, or the bot as an admin
Your page on tg.place
Know the owner?
Forward them this message — they can verify their rights and collect what has piled up: page statistics and replies to reviews.
15,54815,493
Oct 115,499+1 in a day
Hover the chart or swipe it — we show the day.
| What it is made of | |
|---|---|
| Engagement | 11.1 of 30 |
| Growth quality | 12 of 20 |
| Reactions and forwards | 8.7 of 15 |
| Consistency | 3 of 12 |
| Trust | 4.1 of 8 |
| Reviews | not enough datano reviews yet |
Score 46 — from 5 of 6 signals: the rest are not measured yet. Methodology
Latest posts
Posts are in Russian — that is what the channel publishes.
- Opus 5.5 очень хорош в демо-видео Друзья, обновил свой скилл для рисования демо видосов (про которые рассказывал раньше), с Opus 5.5 получается вообще конфетка! Будет супер ценно, если вы тоже попробуете и что-нибудь улучшите (присылайте PR). Ну и в комментах делитесь поделками Скилл на Github
- Claude поставил адблокер на мой телевизор! Захотелось пересмотреть Brooklyn 99, раз уж в Нью-Йорке. По честному оплатил подписку на Peacock и… каждые 5 минут мне показывают рекламу. Это конечно не дело, попросил Клода разобраться. Через 5 минут на моем телевизоре уже были поменяны dns и реклама пропала 🤯 ИИ становиться не просто сильнее, им еще становиться ощутимо проще пользоваться. Хорошо хоть в сингулярности можно без рекламы
- Чат: open-source (и комерческие) альтернативы Greptile попользовался Greptile, очень круто, правда ловит баги, но $0.5 за рервью, при моих скоростях, довольно дорого получается. Расскажите кто чем пользуется?
- Астра на максималках Когда то раньше, я работал в нефтянке и занимался сейcморазведкой. Это когда ставят датчики и делают большой взрыв - волна отражается и мы видим все слои, структуру и все такое. На днях узнал, что в некоторых штатах Америки, 60% затрат на сейсмику это люди, которые расставляют датчики и проводят эксперименты. Пришла мне в голову идея - конечно же нужна self-driving тележка и робот который эти датчики ставит. Порисерчил с помощью deep research, поставил задачу Астре спроектировать такую тележку в FreeCAD и сделать видос. Спустя 10 часов (и парочку итераций) она произвела вот такое демо 🤯
- Приглашаем порешать 🌱 Alfa Connectome 🌱 — соревнование по нейронкам от HFT-фонда Wunder Fund. В этот раз датасет гораздо больше, чем в прошлых двух соревках. Вы будете изучать исторические торговые данные для двух связанных инструментов: ордербуки, сделки и кое-что еще. По этой информации вам нужно будет предсказывать индикаторы будущей цены для одного из инструментов. Кванты регулярно сталкиваются с такой задачей. В соревновании используются реальные маркет-данные. Когда 11 сентября — 15 ноября Призовой фонд $13,600 Победители получат денежные призы, приглашение побеседовать в Wunder Fund, а главное — большое интеллектуальное удовольствие. Wunder Fund c 2014 года занимается HFT — высокочастотным алготрейдингом. Торгуем на многих биржах по всему миру, как традиционных, так и криптовалютных. Наш дневной торговый оборот около ~$10 млрд. >_ Поглядеть на соревку
- Burning Man 2026 Завтра заезжаем на плаю, если вы тоже тут - приходите в наш Кэмп Solar Plus 8&F. I will see you in the dust!
- Tap-tap Manager Хочу поделиться с вами моим проектом выходного дня. Когда-то раньше, я занимался волновой физикой (акустика, сейсмика и тп). Пришла в голову идея - если разместить 3 акселерометра на столе (или любом другом плоском объекте), то можно локализовать любые взаимодействия с этой поверхностью. Сначала попробовал использовать явление поляризации волн, но оказалось что вертикальные колебания ответственны за 95% энергии и метод хорошо работать не будет. Затем попробовал использовать свойства сети (array) - для того что бы триангулировать сигнал. Для этого надо четко ловить первую фазу прихода волны (phase picking). Ок, не проблема, сделали с Клодом полный finite element method для решение волнового уравнения, на симулятор обучили модель для phase picking - сделали трансфер на реальные данные, чуть откалибровали и работает. Ура! Точность все равно была не очень, потому что разрешающая способность моей сети не очень. А что если вообще забить на физику и просто обучить нейросеть для локализации? И по заветам Саттона (bitter lesson) - все получилось и результаты на видео! Точность локализации получилась примерно в 2 раза выше, чем при использовании физики. Я думаю вообще такие системы: симулятор физики, плюс реальные сенсоры и актуаторы (в моем случае стучание по столу) + мощный ИИ (Fable 5) = next frontier of science.
- Следующий интернет будут читать не люди Веб создавали для человека: сайты, меню, ссылки, поисковая выдача. Но постепенно одним из главных читателей интернета становится AI. Пользователь всё реже хочет самостоятельно открывать десятки вкладок, читать обзоры и сравнивать предложения. Он задаёт вопрос ChatGPT, Perplexity, Алисе или Gemini и получает готовый ответ: какой сервис выбрать, что купить и какой компании доверять. Нейросеть изучает сайты, статьи, отзывы, кейсы и внешние упоминания, а затем решает, какие бренды включить в ответ. Поэтому у компании может быть сильное SEO и стабильный поисковый трафик, но в ответах нейросетей она будет появляться реже конкурентов. Высокие позиции в Google или Яндексе ещё не означают такую же заметность в ChatGPT, Perplexity или Алисе. На этом фоне развивается GEO — Generative Engine Optimization. Если SEO помогает сайту становиться заметнее в поисковой выдаче, то GEO отвечает за видимость бренда в ответах нейросетей. Интернет постепенно переходит от экономики клика к экономике рекомендации. Теперь важно не только то, открыл ли человек сайт, но и то, какую компанию AI назвал ещё до перехода. И здесь возникает довольно простой вопрос: а что нейросети уже сейчас говорят о вашем бренде? Вручную проверять это сложно: ответы меняются от модели к модели и от запроса к запросу. Поэтому появляются отдельные инструменты для аналитики видимости в AI. Например, ГЕОранк собирает такую аналитику в одном месте: отслеживает упоминания и позиции бренда в ответах AI-сервисов, сравнивает видимость с конкурентами, анализирует источники, а также проводит аудит сайта и выявляет факторы, которые могут мешать нейросетям использовать его контент. Так становятся видны не только слепые зоны, но и конкретные точки роста: что стоит улучшить на сайте, в контенте, внешних публикациях и упоминаниях, чтобы нейросети чаще рекомендовали бренд. Проверить, как ваш бренд выглядит в AI-выдаче
- GPT Pro ответственно шуршит по магазинам 😎
- весь computing stack раньше был монолитным и потом разделялся на части, как только для этого появлялся интерфейс AI при этом всё ещё на mainframe-стадии, то есть одна гигантская модель мне кажется это все еще не декомпозировалось потому что интерфейс между моделями сейчас это текст, а текст это последнее, что производит модель, то есть summary всего, что она посчитала и поэтому при каждой передаче от одной модели к другой почти вся настоящая работа, которая через них прошла, просто выбрасывается 🥲 вот например релевантный рисерч: Cache-to-Cache (Fu et al, ICLR 2026, arxiv.org/abs/2510.03215) — они дали двум моделям передавать друг другу KV-cache без текста и получили выше accuracy при 2x скорости на тех же двух моделях, но пока весь этот research direction исключительно попарный (две конкретные модели, руками соединённые каждый раз заново) общего интерфейса, на котором могли бы коммуницировать модели, пока не существует, но как только он появится, то вниз по стеку изменится ОЧЕНЬ многое: например, кто вообще сможет строить мощные системы, требования к inference, будет ли capability накапливаться от поколения к поколению или каждый раз пересобираться с нуля и кастомизироваться собираюсь в ближайшую неделю выкладывать больше примеров что и как поменяется :) это первая часть
The channel in numbers
- Created
- April 29, 2021
- Photos
- 1.5K
- Videos
- 225
- Files
- 11
- Links
- 1.6K
Telegram data as of October 1, 2026
Contacts
- Ads
- @crimeacs
From the channel description
Reviews
Leave a review
No reviews yet. Yours would be the first.
