Что изучают студенты Стэнфорда об ИИ

Стэнфорд выложил бесплатно то, за что студенты платят $60 000 в год. Вот что они реально изучают про ИИ

Большинство материалов об ИИ попадают в одну из двух ловушек. Либо слишком поверхностно — "нейросети учатся на данных, удивительно". Либо настолько плотно, что нужна степень PhD просто чтобы осилить введение.

Stanford CS221 — ни то, ни другое.

Что это такое
20 лекций. Полный математический фундамент ИИ — от того, как машина учится, до стратегических игр и принятия решений под неопределённостью. Курс покрывает четыре направления, которые большинство считает одним:

- Машинное обучение — как системы извлекают паттерны из данных
- Поиск и планирование — как ИИ рассуждает через последовательности действий
- Принятие решений под неопределённостью — как действовать, когда результат не гарантирован
- Теория игр — как рассуждать против другого агента

Почему это важно
Вы принимаете продуктовые решения с ИИ каждый день. Но знаете ли вы, почему LLM иногда "думает дольше" и даёт лучший ответ? Почему рекомендательная система ведёт себя именно так?

Это не случайность. Алгоритм поиска кратчайшего пути на карте → тот же алгоритм, который позволяет LLM перебирать варианты перед ответом. Test-time compute — это просто эвристический поиск из лекции 5.

Это меняет то, как вы проектируете продукты на базе ИИ.

Что внутри первых 🔗 11 лекций
- Лекции 2–3: функции потерь → градиентный спуск → основа каждой модели, которую вы когда-либо использовали
- Лекция 4: почему один слой не работает → глубокие сети → почему трансформеры вообще возможны
- Лекции 5–6: поиск A* → та же логика, что стоит за "extended thinking" в Claude и GPT
- Лекции 7–8: Markov Decision Processes + Reinforcement Learning → математический фундамент RLHF и ChatGPT
- Лекции 10–11: теория игр → Nash equilibrium → почему alignment ИИ структурно сложен
- Лекции 12–14 — про то, как ИИ работает с миром, в котором ничто не гарантировано.
- Лекции 15–16 — про знание, которое либо истинно, либо нет.
- Лекция 17 — Три стадии современной LLM: Предобучение. Дообучение через RLHF
- Лекция 18 — пять структурных проблем, которые не видно из training loop: Модели наследуют исторические неравенства из данных, Reward hacking, Большинство продакшн-моделей — чёрные ящики

==

Где найти
Весь курс бесплатно: 🔗 youtube.com/@stanfordonline

+1,560% ROI на автономном Research

(исследования тоже двигаются к автономии, Андрей Карпати недавно запушил autoresearch — скрипт для автономных ML-экспериментов на одном GPU. ~100 экспериментов за ночь, идея проста: исследователь не должен быть узким горлышком внутри цикла. Человек задаёт objective, metric и boundaries, и система сама запускает, проверяет, сравнивает и улучшает).

Короче.

Тема крутая, но где это дает бОльший импакт? продуктовые исследования? А/В тесты? (можно, вот как), но выгоднее — авто-корректировка трейдинг-стратегии.

Есть такой скилл для OpenClaw — PolyClaw, python-скилл (git), который позволяет Claude торговать на Polymarket через CLOB (Central Limit Order Book) и Polygon-смарт-контракты. Стратегия: split + sell — USDC.e делится на YES/NO токены, ненужная сторона продаётся на CLOB, оставляя нужную позицию по выгодной цене.

Перед первой сделкой нужно выставить апрувы на 6 Polymarket-контрактов. Делается один раз, стоит ~$0.01 на газ: uv run python scripts/polyclaw.py wallet approve

🎞 реальный трейд, который заработал 2$ со 100$ за 2 мин.
🎞 кейс +1,560% ROI — стратегия ставит против толпы, когда все паникуют
🎞 кейс внедрения авторесерч в торговый бот

Режим арбитража (hedge scan): именно это принесло +1,322% в эксперименте — поиск пар маркетов, где YES одного логически покрывает NO другого:

(нужен чип, минимум H100 для сетапа, но можно арендовать в облаке: Lambda, Vast ai, RunPod, Google Colab)

Можно форкнуть подход или подключить Claude Code и давать ему промпты вида:

Find me some hedging opportunities on Polymarket,
then buy $25 YES and $25 NO on the best pair.
Show my positions after.

🎞 гайд по установке

↓↓↓

Если вы пользуетесь Claude Code skills или любыми промптами в рабочих процессах, вот неудобная правда: они нестабильны примерно в 30% случаев. Один и тот же промпт → разные результаты. Потому что все выходы языковых моделей — это распределения, не фиксированные ответы. Вы не можете «починить» промпт однажды и забыть. Нужна система, которая улучшает его сама.

Что такое AutoResearch на практике

Идея проста. В оригинале Карпати применял её для обучения nanoGPT: агент читает инструкции → запускает эксперимент → оценивает результат → правит код → повторяет. Без человека в петле.

Для промптов и скиллов механика идентична:

- Промпт — это ваш train.py, то, что меняется
- Инструкция агенту — это ваш program.md, задание на оптимизацию
- Eval-набор — критерии качества, по которым агент судит каждый запуск

Три ингредиента
↓

1 - Объективная метрика — число, которое можно измерить. Не «звучит лучше» или «как-то красивее». Для скилла генерации диаграмм автор взял 4 бинарных критерия: читаемость текста, пастельная палитра, линейная структура, отсутствие цифр. Максимум — 40 баллов.

2 - Инструмент измерения — агент сам пишет тест-сьют. Генерирует 10 диаграмм → прогоняет через eval → считает баллы → правит промпт → повторяет каждые 2 минуты.

3 - То, что меняется — промпт, код, тема письма, структура лендинга. Всё, что имеет измеримый выход.

==

вот два видео гайда, которые можно посмотреть для закрепления:
🎞 Stop Fixing Your Claude Skills. Autoresearch Does It For You
🎞 Build Self-Improving Claude Code Skills. The Results Are Crazy.

SEO Pipeline: мультиагентный конвейер Контента

Это часть моего пайплайна по авто-генерациии SEO контента (пока текстового, Google например анализирует видео при GEO и AEO — в чем разница)

Цель?
Если посмотреть западные 🔗показатели по нишам в отношении видимости в ИИ ответах, то медиана на уровне 50-60%. Потенциал велик + нормальных рекламных площадок в РФ не осталось (ещё один большой минус, на Яндекс все жалуются, Авито тоже собирает куча хейта в рилсах в нише услуг).

Решение:
GEO и AEO генератор статей → авто-постилка в соцсети (об этом в др. посте)

Традиционные инструменты генерации контента часто создают поверхностные тексты, требующие значительной доработки.

Я заманьячил тему AI SEO за неделю, перелопатил тонны западного контента, мой подход основан на агентской оркестрации: каждый этап подготовки контента выполняется отдельным «специалистом» с узкой зоной ответственности. Это позволяет достичь качества, сопоставимого с работой целой редакции, за считанные минуты.

Кому нужно готовое решение (аналог) → берите с 🔗 репо GitHub
Это готовое решение на LangGraph + LangFuse для мониторинга.

Я пошел дальше: создал 10 ИИ агентов

Конвейер состоит из последовательных и параллельных этапов, на каждом из которых работает свой эксперт:

1. Scraper (Парсер): Анализирует выдачу Google/Yandex и сайты конкурентов. Извлекает структуру, сущности (Entities) и определяет «пробелы в контенте» (Content Gaps).
2. Wordstat Agent: Работает с данными поисковых запросов, отбирает наиболее эффективные ключевые слова и LSI-фразы.
3. Audience Analyst: Сегментирует ЦА, определяет их «боли», возражения и стиль общения (Tone of Voice).
4. Pre-Planner: Формирует первичную структуру (Outline) статьи, основываясь на данных конкурентов и намерениях пользователей.
5. Researcher: Проверяет факты, ищет авторитетные источники и подтверждающие данные для повышения E-E-A-T (Expertise, Experience, Authoritativeness, Trustworthiness).
6. Final Planner: Создает итоговое редакционное задание для копирайтера, учитывая все данные предыдущих этапов.
7. Writer (Копирайтер): Генерирует основной текст статьи в формате HTML. Использует современные приемы сторителлинга и форматирования.
8. Refiner (Редактор): «Очеловечивает» текст, убирает типичные паттерны AI-генерации, проверяет связность и добавляет внутренние ссылки.
9. SEO Optimizer: Профессионально расставляет мета-теги (Title, Description), формирует Slug и генерирует JSON-LD разметку (Schema.org).
10. Quality Checker: Проводит финальную приемку по чек-листу: уникальность, читаемость, соответствие SEO-задаче и факт-чекинг.

===

Интерфейс
Центр управления запуском задач позволяет гибко настроить параметры генерации:
- Выбор этапа воронки продаж (TOFU / MOFU / BOFU).
- Категории TAYA (They Ask, You Answer) для создания ответов на вопросы клиентов.
- Указание Tone of Voice и целевой глубины проработки.
- Видимость этапов работы агентов, ошибок, ретраев
- Langfuse для мониторинга — полная трассировка каждого шага агента. Мы видим не только результат, но и логику рассуждений, затраты токенов и время выполнения каждого узла.

===

Почему это эффективно?

1. Масштабируемость: один редактор с помощью этой системы может выпускать до 50 качественных статей в день.
2. Consistency (Стабильность): AI-агенты не устают и строго следуют заданному Tone of Voice и SEO-стандартам.
3. Data-Driven Approach: Каждая статья базируется на реальном анализе конкурентов и частотности ключей, а не на догадках.
4. Полный контроль: Возможность в любой момент вмешаться в логику промптов и подстроить систему под новые реалии алгоритмов Google или Yandex.

Для SaaS осталось всего два пути

Дэвид Джордж, партнёр a16z дает прогноз

Эпоха комфортной середины закончилась.

Путь первый: ускорить рост выручки на 10+ п.п. YoY за счёт по-настоящему новых AI-продуктов в течение 12–18 месяцев.

Путь второй: перестроить компанию для достижения истинной операционной маржи свыше 40% (в идеале — 50%), включая компенсации акциями (SBC).

план на 12–18 месяцев должен быть нацелен на что-то одно

1️⃣ Seat-based → Token/Consumption pricing
твоя модель ценообразования услуг агентства должна включать outcome/token компонент. У вас немного времени, ценообразование на основе мест не исчезнет за одну ночь. Но вы должны серьёзно отнестись к этому вызову: нельзя отмахнуться от новой модели ценообразования и нового интерфейса. Если агент не может автономно потреблять ваш продукт и платить за него, скорее всего, вы ещё не там.

И, не менее важно: вам нужно в ускоренном режиме перестраивать компанию — включая команду топ-менеджеров, — чтобы, найдя соответствие продукта рынку, вы действительно смогли воспользоваться этой возможностью.

Управленцы нового времени займут свои места. Всего 5 чел.

Что делать с этими людьми?

1. поставить их во главе непрезентабельных, но критически важных проектов по сбору информации:
- спринты по захвату процессов вокруг каждого высокоценного рабочего процесса;
- сбор стандартных операционных процедур, тикетов, расшифровок, документов с требованиями, политик, заметок CRM, логов поддержки, данных о событиях и маршрутов согласований.

2. Настройте оценки точности, обработки исключений, задержки и стоимости

3. Поручите этим пяти людям эту задачу — каждому в своей зоне ответственности — немедленно.

4. Тем кто не справился за месяц — уволить. Теперь у вас обновлённая и заряженная команда топ-менеджеров, готовая к борьбе.

5. Сократите накладные расходы на коммуникацию до как можно более близких к нулю.

6. Убедитесь, что все ваши лучшие продуктовые менеджеры максимально близки к клиентам. Они не могут тратить ни минуты. Их работа — поиск product market fit; убедитесь, что никакое устаревшее наследие их не блокирует.

7. Задача инженеров — обеспечить, чтобы основная инженерная архитектура компании развивалась так же быстро, как ваши передовые продуктовые менеджеры.

===

Помните: первый и самый очевидный источник экономии от AI для ваших клиентов — это эффективность труда, а значит, именно на местах (seats) они будут искать сокращение затрат. Новый же рост, напротив, будет всё больше сосредотачиваться в токенах, потреблении, автоматизациях, результатах и рабочих процессах под управлением машин.

Если вы не на пути токенов — значит, вы стоите не в самой быстрорастущей части бюджета.

2️⃣ Выход на прибыльность в 40%+

1. требует большего, чем 10% или 20% сокращений штата. Это означает: сглаживание уровней управления, стандартизацию внедрения, минимизацию нестандартных сервисов, уничтожение комитетов, повышение цен там, где вы контролируете рабочий процесс или издержки переключения, перевод клиентов из «длинного хвоста» на более высокие базовые тарифы или отпускание их, а также учёт каждой акции как трансфера от владельцев к сотрудникам.

2. AI должен изменить форму компании. Структура затрат должна измениться вместе с ним.

3. С первого дня вам нужно понять, как выглядит меньшая, но ещё более мотивированная и производительная рабочая сила

4. Первое, что вы сделаете — это радикально увеличите бюджет на токены в расчёте на одного инженера. Если ваши инженеры не тратят реальные деньги на токены, они, вероятно, недостаточно стараются. У лучших инженеров и об управлении 20–30 агентами одновременно.

5. готовиться к значительному сокращению штата

===

Ключевой вопрос
Основатели должны поместить один вопрос на первую страницу каждой презентации для совета директоров: по какому пути мы идём?

+10 п.п. роста выручки за счёт принципиально новых AI-продуктов? Или истинная операционная маржа 40%+, включая SBC?

Инвесторы должны задавать тот же вопрос — настойчивее, чем сейчас.

↓↓↓

Отличный пример второго пути: CRM-агент Lightfield

Lightfield — это не "умная CRM". Это world model вашей компании, начиная с клиентов.
CRM которая пишет и запускает код — помогает анализировать воронку, делать outreach. И это не Ко-пилот (прости Битрикс) где ИИ как стенограф.** Транскрибирует звонки, заполняет поля, пишет follow-up. Решает проблему ввода данных — но не понимания. Расшифровать один звонок ≠ найти паттерн в ста звонках

Команда Lightfield — стартап из Сан-Франциско — провела эксперимент: скормила ИИ данные о клиентах в трёх форматах: таблицы, графы знаний и нарративные истории.

Вывод оказался неожиданным: графы работали хуже всего. Не потому что данных не хватало. А потому что граф фиксирует связи, но не объясняет почему они существуют.

Представьте CRM-граф:

"CISO → бюджет → дедлайн". Логично. Но реальная продажа выглядит иначе: CISO сказал, что бюджета нет — а потом узнал, что вы решаете его главную боль, и всё изменилось. Граф это не считывает. Он застрял в первом состоянии.

Legacy CRM — это хранилище того, что кто-то успел записать. Менеджер закрыл сделку → поставил "Лид провален" → пошёл дальше. Но в этом поле нет информации о том, что реальным возражением была безопасность, а не цена. Что через 30 дней фича на roadmap закрывала бы эту сделку. Что чемпион в аккаунте упомянул реорг ещё девять месяцев назад — тому сотруднику, который уже уволился.

Традиционные CRM созданы для трекинга активностей и прогноза выручки. Не для сохранения понимания. Это принципиально разные задачи.

Решение: живая хроника вместо базы данных
Lightfield полностью переписали модель данных. Теперь вместо графов — хронологические нарративы о каждом человеке и вашем взаимодействии с ним. Модель получает не таблицу, а историю: кто этот человек, как менялись его приоритеты, что сработало, что нет.

Результат: ИИ динамически перевешивает важность деталей под текущий контекст. Как опытный менеджер, который слышал всё — и делает правильный вывод.

Система автоматически захватывает каждое письмо, звонок и встречу — и строит живую модель реальности по четырём осям:

- Хронология — что и в каком порядке происходило, полная история, не снапшот
- Атрибуция — кто что сказал, когда и в ответ на что, дословно, не чья-то интерпретация
- Причинность — какие действия привели к каким исходам
- Состояние — доверие, риск, momentum, намерение клиента прямо сейчас

😮Никакого ручного ввода. ИИ сам строит контекст из сырых данных.

Кейс: enterprise-продажи с 50+ стейкхолдерами

В сложных B2B-сделках нужно выстроить стратегию работы с десятками людей одновременно. Задача почти невозможная вручную. С нарративной моделью Lightfield ИИ строит:

- карту стейкхолдеров с весами влияния
- анализ вовлечённости каждого участника
- оценку рисков сделки
- план следующих шагов в правильном порядке

Вывод: Когда модель реальности построена, она отвечает на вопросы, которые раньше требовали дней аналитики:
- Почему эта сделка застряла?
- Какие паттерны предшествуют оттоку?
- Что изменилось в этом аккаунте за последний месяц?
- Какие возражения звучат чаще, чем три месяца назад?

И главный продуктовый инсайт, который меняет подход к автоматизации: нельзя автоматизировать то, что не понимаешь. Любой ИИ-агент, SDR-бот, умный workflow — работают на данных. Неполные данные делают автоматизацию либо хрупкой, либо опасной. Lightfield строит фундамент, на котором автоматизация работает без поломок.

Дизайн в Claude Code стал ещё лучше

Ребята собрали коллекцию гайдлайнов лучших сайтов и упаковали в простой скилл без скриптов и прочих усложнений

DESIGN.md — это новая концепция, представленная Google Stitch. Это документ с описанием системы проектирования в формате простого текста, который читают ИИ агенты для создания единообразного пользовательского интерфейса.

Это просто файл Markdown. Никакого экспорта в Figma, никаких JSON-схем, никаких специальных инструментов.

У скилла есть простые файлы внутри которых ссылки на дизайн системы (вот 🔗 Apple например).

🎞 видео демо