@nn_for_science
AI для Всех
Telegram-канал @nn_for_science: 15,5 тыс. подписчиков, 3,2 тыс. просмотров на пост, оценка 46
46DВыше, чем у 2 из 10 каналов категории
Середина категории 46–63Этот канал 46
- 15,5 тыс.
- Подписчики
- 3,2 тыс.
- Медиана просмотров за 30 дней
- 20,8%
- Просмотры / подписчики за 30 дней
- 5
- Постов за 30 дней
Данные на 1 октября 2026 г.
Для тех, кто следит за практическим применением нейросетей: автор делится личными экспериментами с AI-инструментами и рассказывает, как встраивает их в повседневные задачи. На 30 сентября: 15,5 тыс. подписчиков — больше медианы категории (13,8 тыс.), при этом ER держится на уровне 20,7 %, что ниже медианы категории в 24,1 %. За последний месяц автор обновил скилл для генерации демо-видео с Opus 5.5, просил Клода починить рекламу в телевизоре через смену DNS, обсуждал альтернативы Greptile для ревью кода и делился опытом работы в сейсморазведке. Также упоминался заезд в лагерь Solar Plus 8&F на Burning Man 2026 и проект выходного дня с акселерометрами для локализации взаимодействий на столе. Постов выходит меньше, чем у большинства каналов категории — 5 против медианных 25.
описание каталога О канале от автора
Канал, в котором мы говорим про искусственный интеллект простыми словами Главный редактор и по рекламе: @crimeacs Иногда пишут в канал: @GingerSpacetail, @innovationitsme
Обзор
Составлен автоматически по данным канала, обновлён 30 августа 2026. Числа в тексте — на эту дату; свежие стоят плитками выше.
Об искусственном интеллекте и стартапах Кремниевой долины — так можно описать основную линию канала. Автор рассказывает о своём пути от физики и геологии через МГУ и Стэнфорд до работы в центре ИИ-бума, разбирает выступления Сэма Альтмана и YC Startup School, пересказывает уроки живых разборов стартапов. Рядом — личные заметки: Burning Man, проект-хобби с акселерометрами, соведущая Ginger со своими сюжетами про вышивку и подкасты.
Постов выходит немного: 7 за 30 дней при медиане по категории 14 — почти вдвое реже соседей по разделу «Искусственный интеллект». При этом медиана просмотров поста — 3 710, а ER держится на 23,9 % против медианных по категории 26,6 %. Place Score канала — 58.
Подойдёт тем, кто хочет читать не новостную ленту про ИИ, а личный взгляд человека внутри индустрии: с историями про Стэнфорд, YC и стартапы, но без ежедневного потока. Для тех, кто ищет частые обновления, ритм канала может показаться редким.
По подписчикам канал опережает медиану категории: 15 529 против 13 340 у 49 записей раздела. За 14 дней наблюдений подписчиков прибавилось 12, а средние просмотры выросли на 1 045.
Частые вопросы
- О чём канал @nn_for_science?
- Канал пишет об искусственном интеллекте и стартапах Кремниевой долины. Автор делится личным путём от физики до работы в центре ИИ-бума, разбирает выступления на YC Startup School вместе с соведущей Ginger.
- Есть ли прайс на рекламу в канале?
- Владелец пока не опубликовал прайс на размещение. Связаться с ним можно напрямую в Telegram.
- Сколько подписчиков?
- Подписчиков — 15,5 тыс. Медиана просмотров поста — 3,2 тыс. Просмотров на подписчика — 20,8%. Данные на 1 октября 2026 г.
- Как часто выходят посты?
- За 30 дней вышло постов: 5 — это несколько раз в неделю. Данные на 1 октября 2026 г.
- Есть ли у канала галочка Telegram?
- Галочки Telegram нет.
- Кто ведёт страницу канала в каталоге?
- Пока никто. Если это ваш канал — заберите страницу: сможете отвечать на отзывы и видеть её статистику.
Это ваш канал?
Подтвердите владение — точные метрики и что улучшить, ответы на отзывы от лица канала и бейдж владельца на странице.
Подтвердить владениеЗаймёт минуту: пост с кодом или бот в администраторах
Ваша страница в tg.place
Знаете владельца?
Перешлите ему это сообщение — он подтвердит права и заберёт накопленное: статистику страницы и ответы на отзывы.
15 54815 493
1 окт.15 499+1 за день
Наведите на график или проведите пальцем — покажем день.
| Из чего складывается | |
|---|---|
| Вовлечённость | 11,1 из 30 |
| Качество роста | 12 из 20 |
| Реакции и пересылки | 8,7 из 15 |
| Регулярность | 3 из 12 |
| Доверие | 4,1 из 8 |
| Отзывы | недостаточно данныхотзывов пока нет |
Оценка 46 — по 5 показателям из 6: остальные пока не измерены. Методология
Последние посты
- 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
О канале в цифрах
- Создан
- 29 апреля 2021 г.
- Фото
- 1,5 тыс.
- Видео
- 225
- Файлы
- 11
- Ссылки
- 1,6 тыс.
По данным Telegram на 1 октября 2026 г.
Рейтинги и подборки
Контакты
- Реклама
- @crimeacs
Из описания канала
Отзывы
Оставить отзыв
Отзывов пока нет. Ваш будет первым.
