🚀 Дослідження української індустрії безпілотників від Brave1 та KSE

💰 Завжди радий поділитись досвідом. AIN зробив гарний матеріал для фаундерів, рекомендую!

AIN поспілкувався з професійними інвесторами й попросив їх розповісти про те, як перевіряти стартапи перед тим, як вкладати кошти, що може сигналізувати про провальність майбутньої угоди та в який спосіб фаундерам готуватися до залучення інвестицій.

З нами говорили: інвестиційний аналітик Horizon Capital Андрій Бродецький, співзасновник венчурної фірми ZAS Ventures Андрій Зінчук, координаторка USF Евеліна Голованьова, інвестиційний директор Horizon Capital і u.ventures Богдан Свиридов, інвестиційна директорка в Sigma Software Labs Дар’я Янієва.

📍 Вийшов щорічний State of AI Report від Air Street Capital. Потужний звіт на 200+ сторінок. Можна за один вечір дізнатись все важливе про стан справ в індустрії. Рекомендую!

Тут огляд ключових тез на 14 хв від автора.

This hits hard 🥲

📈 Magnificent 7 vs. 2000s Tech Bubble: higher concentration, but healthier fundamentals

The four horsemen of SaaS homepage

Dating in tech

💡 DOU зібрали рекомендації книг про AI від різних фахівців, від міністра цифрової трансформації до дата-саєнтистів та менеджерів tech компаній. Вийшов гарний список з різноманітними перспективами, від технічних до філософських. Я теж долучився з максимально прикладною рекомендацією.

Strongly recommended:

https://www.linkedin.com/in/emollick/
https://substack.com/@oneusefulthing

💡 Гарний пост про те, як ефективніше працювати з LLM. Постійно використовую 1, 3, 4 і 6 підхід, і особливо 7 (RAG) - в основному, тільки з додатковими документами і використовую Claude, там найбільше цінності. Елементарно, закинути туди кілька PDF з релевантними матеріалами (аналітика, звіти і тд), і вже зовсім інший результат отримуєш, ніж з plain vanilla LLM, як не викручуйся там з промтами.

Рекомендую!

📝 Ну і prompt engineering best practices від OpenAI та Anthropic теж варто проглянути (або послухати). Так би мовити, документація від виробника. Якщо хтось і розуміє магію LLM зсередини, то це власне їх розробники.

🎯 Fascinating data from the 2024 election on prediction markets vs traditional polling.

The standout winner? Prediction markets, particularly Polymarket ($3.7B in election-related trades), which showed remarkable forecasting accuracy:
• Called Trump's victory at 95% confidence by 11:43 PM ET - nearly 6 hours before AP
• Correctly predicted outcomes in key swing states while polls showed tight races

📊 Key insight: While polls underestimated Trump by ~5 points even after adjustments, prediction markets proved more accurate at capturing real voter sentiment.

Interesting signals:
• Google Trends spotted a pattern 48 hours early: "where to vote" searches were significantly higher in red states (14 of top 15)
• Alternative data and market-based signals outperformed traditional polling methods

💭 The lesson? Market-based information aggregation could be more effective than traditional polling for predicting outcomes. This has huge implications for how we forecast major events.

🛑 The AI industry is moving beyond the "bigger is better" era, and the implications are fascinating

🧠 The traditional "scaling up" approach with more data and computing power is showing diminishing returns. Leading AI labs, including OpenAI, Anthropic, xAI, and Google DeepMind are pivoting towards "test-time compute" and inference optimization, shifting focus from raw model size to intelligent reasoning capabilities.

💭 Ilya Sutskever, co-founder of AI labs Safe Superintelligence (SSI) and OpenAI, told Reuters recently that results from scaling up pre-training - the phase of training an AI model that uses a vast amount of unlabeled data to understand language patterns and structures - have plateaued.
“The 2010s were the age of scaling, now we're back in the age of wonder and discovery once again. Everyone is looking for the next thing,” Sutskever said. “Scaling the right thing matters more now than ever.”

⌛ A striking example: giving an AI model 20 seconds to think achieved the same performance boost as scaling up training by 100,000x. This is transforming how we approach AI development.

⚙ This shift has major industry implications:

• Moving from massive training clusters to distributed inference
• Shift in hardware demands and infrastructure needs changing competitive dynamics in AI chips/infra market
• Growing importance of inference optimization and specialized training techniques
• Companies rethinking their AI development roadmaps

📈 Curious how that will change the pace of AI progress and impact financial markets. Or can NVIDIA stock only go up? We'll see.

👨‍💻 I have an optimistic view here. Regardless of the slowdown in LLM progress, even with the current state of technology fascinating products and companies are being built with tons of value created.

🏗 Свіжий request for startups від YC— список перспективних напрямів, над якими працюють занадто мало стартапів. Без AI та B2B SaaS — тут уже забагато і людей, і капіталу. Виробництво, інженерія, космос, фінтех.

• Government software
• Public safety technology
• Manufacture in the USA
• Stablecoins 2.0
• LLMs for chip design
• Fintech 2.0
• New space companies
• AI-aided engineering tools
• One million jobs 2.0

Останній пункт особливо цікавий:

We would like to fund startups that have a useful need to employ a million workers in a way that uniquely needs humans to do the job and there will be no structural need for the job to be done with AI

Зміни на ринку праці очевидні: багато професій частково автоматизуються, поріг входження зростає. Чим займати людей — цікаве і важливе питання. В першу чергу для урядів. Цікаво, що тут можуть зробити стартапи. На думку спадають хіба що якісь нові гіг-сервіси і діджиталізація офлайн-бізнесів. В крайньому випадку будемо всі збирати датасети для тренування наших хмарних богів AI.