Дайджест за 3 октября 2026

Китайские GPU: новые подходы Huawei и Alibaba к масштабированию ИИ-кластеров

ИИ и агенты · Habr · 9/10

Huawei и Alibaba одновременно представили новое оборудование для ИИ-инфраструктуры, сигнализируя о смещении китайской стратегии в сторону собственных архитектурных решений вместо копирования NVIDIA. Huawei анонсировала Atlas 960E SuperPoD с технологией NPO (near-packaged optics), позволяющей связать до 4096 NPU в единый блок с общей памятью и масштабироваться до 1 млн NPU в SuperCluster, при этом сэкономив более 550 кВ энергии. Компания также открыла исходный код программного стека CANN для Ascend и представила системы хранения контекстной памяти (L3.5 слой) через OceanStor M900. Alibaba выпустила чип Zhenwu V900 с 216 ГБ памяти и интерконнектом 1,2 ТБ/с, заявляя о трёхкратном превосходстве над предыдущим поколением, а также анонсировала процессоры Yitian 730 на архитектуре RISC-V для полного отхода от лицензированных решений. Обе компании сфокусированы на решении проблемы контекстной памяти для агентных нагрузок через аппаратные слои, а не только на производительности вычислений. Однако, по данным тестирования Selectel, текущие китайские решения (810E) отстают на два поколения по поддержке квантизации, имеют проблемы с топологией интерконнекта и незрелостью программного стека; продукты выходят в Q1–Q3 2027 года, тогда как NVIDIA и AMD уже поставляют свои системы на рынок.

Выводы автора:

• Китайская стратегия сместилась с копирования NVIDIA на разработку собственных архитектурных решений для масштабирования кластеров и управления контекстной памятью при ограничениях на доступ к западным технологиям.
• Реальная практическая готовность китайских GPU остаётся неопределённой: заявленные характеристики требуют независимой верификации, а экосистема софта и опера­цион­ной сложности значительно отстаёт от стека NVIDIA.

Обе новости — не про то, что Китай догнал NVIDIA по производительности чипов, а о том, что китайские компании ищут обходные пути для ограничений.

Оригиналы:Китайские GPU — две новинки, которые стоит рассмотреть в паре · Машинное обучение

Gemini 4 Argon: Google запустила агента для инженерных задач

ИИ и агенты · Habr · 9/10

Google представила Gemini 4 Argon — фронтир-модель, специализированную на длительных агентных задачах: программирование, корпоративная аналитика, финансовый и юридический анализ, кибербезопасность. Модель уже активно используется внутри Google для решения реальных инженерных задач. Агенты Argon обнаружили оптимизации памяти в инфраструктуре Google, освободив более 300 TiB RAM с потенциалом в 500 TiB–1 PiB. Модель помогает переносить код с C/C++ на Rust, включая проект Fuchsia Zircon (более 800 тыс. строк), и оптимизировала 32 тыс. строк SIMD-кода видеодекодера libgav1, увеличив скорость в 2,7 раза. Ключевая особенность — поддержка до 1 млн выходных токенов, позволяющая агенту работать в длинной траектории: анализировать код, запускать тесты, модифицировать реализацию и повторять цикл без сброса контекста. В тестах модель показала высокие результаты: 77,9% на DeepSWE v1.1, 91,7% на LVBench, 68% на CWE-bench v1. Для кибербезопасности Argon тестируют на поиск и исправление уязвимостей через программу Fairwind. API-тарифы стартуют с $2 за 1 млн входных токенов и $10 за выходные, со скидкой 95% на кэшированный ввод.

Выводы автора:

• Google доказывает, что фронтир-модели могут работать как долгоживущие инженерные агенты, проходящие несколько циклов экспериментов и доводящие задачу до измеримого результата, а не только как генераторы кода.
• Argon уже демонстрирует практическую ценность в масштабе Google, достигая конкретных инженерных результатов: сбережение сотен терабайт памяти, портирование больших кодовых баз и значительное повышение производительности.

Google проверяет гипотезу, что фронтир-модель может быть полезна не только как генератор кода, а как долго работающий инженерный агент, который сам проходит несколько циклов экспериментов.

Оригиналы:Gemini 4 Argon уже оптимизирует инфраструктуру Google и переписывает код

Sequoia: АГИ уже здесь. Как это меняет стартапы и инвестиции

ИИ и агенты · Linas from Linas's Newsletter · 9/10

Партнёр венчурной фирмы Sequoia Capital Пэт Грейди в закрытом брифинге для Boston College озвучил ключевые выводы о состоянии ИИ-индустрии, которые редко становятся публичными. Sequoia датирует наступление АГИ ноябрём 2025 года, когда Claude Code и Opus 4.5 продемонстрировали способность ИИ-агентов самостоятельно выполнять длительную сложную работу. Вместо оценки ИИ-рынка относительно $650 млрд рынка ПО, Sequoia сравнивает его с рынком услуг объёмом $10–20 трлн. Наиболее поразительная цифра: в семи недавних инвестициях Sequoia оценки стартапов выросли в среднем на 31x в течение одного месяца. Материал разбирает все 14 слайдов брифинга и даёт практический плейбук: три причины, отличающие эту волну ИИ от предыдущих технологических сдвигов, что происходит в лабораториях передовых ИИ, концепцию "диффузионного разрыва" как главной возможности для стартапов, четыре категории компаний, интересующие Sequoia, и как работают механики быстрого роста — включая необходимость «владеть интеллектом» и переизобретать бизнес каждые 4 месяца.

Выводы автора:

• АГИ уже наступила (по оценке Sequoia, с ноября 2025 года), когда ИИ-агенты начали самостоятельно выполнять сложную многошаговую работу.
• Размер ИИ-рынка нужно оценивать как возможность заменить услуги ($10–20 трлн), а не ПО ($650 млрд).
• Быстрорастущие ИИ-компании переизобретают себя каждые 4 месяца и должны владеть собственным интеллектом для сохранения конкурентного преимущества.

Те, кто строит ИИ-стартап, инвестирует в него или распределяет средства в венчурные фонды, должны изменить свои планы уже сейчас.

Оригиналы:Полный брифинг Sequoia: АГИ уже здесь

Модели — новый уровень энтерпрайза, а не конец программирования

ИИ и агенты · Habr · 8/10

Статья разбирает популярное заблуждение о том, что ИИ и LLM убивают профессию разработчика. На самом деле генерация кода создаёт новый уровень сложности в управлении, безопасности и архитектуре систем. Хотя модели действительно решают проблему маленьких рынков (как Cloudflare на $1200 воссоздал Next.js), генерированный код сталкивается с реальностью энтерпрайза: утечками данных, требованиями безопасности, регуляторными ограничениями. Крупный бизнес вынужден запускать модели локально на $40-миллионных серверах, а это создаёт спрос на инженеров информационной безопасности, юристов по ИП и архитекторов, отвечающих за бизнес-логику. Автор прогнозирует, что объём кода вырастет в десять раз: 20% люди будут писать вручную, 80% будет генерироваться машинами. Лучшие результаты дают специалисты, уже обладавшие глубокими знаниями, и те, кто понимает пересечения смежных дисциплин (архитектура + ИБ + регуляция). Переход болезнен: уже произошли инциденты с утечкой токенов и хаками песочницы Claude, поэтому экспертиза и фундаментальное понимание остаются критичны.

Выводы автора:

• Разработчики будут нужны сильнее, но в другом качестве: как архитекторы, специалисты ИБ и управленцы огромных объёмов генерированного кода.
• Модели доступны, но генерированный код создаёт новые затраты на безопасность, аудит, соответствие регуляции и управление — это самая дорогая часть продакта.
• Лучшее использование ИИ получается у тех, кто уже имел глубокую экспертизу, и у междисциплинарных специалистов, понимающих и архитектуру, и бизнес, и законодательство.

Модели действительно убрали часть работы программиста, но при этом создали работу ещё для трёх профессий. Генерация кода оказалась самой дешёвой частью жизненного цикла продукта.

Оригиналы:Модели — это не лёгкое дешёвое ИТ для всех, а новый уровень кровавого энтерпрайза

Яндекс представил Sona — унифицированную модель для музыкальных рекомендаций

ИИ и агенты · Habr · 8/10

Яндекс разработал генеративную нейросеть Sona, которая объединяет функции поиска и ранжирования треков в единую модель, заменяя систему из десятков отдельных алгоритмов. В отличие от традиционного подхода, где разные модели работают на разных этапах отбора и сортировки, Sona анализирует историю слушателя один раз и использует общее представление для поиска подходящих треков и определения их порядка. Модель использует Semantic ID — составные коды, присваиваемые каждому треку на основе его звучания, метаданных и поведения слушателей. Это позволяет находить похожие композиции без перебора всего каталога. При обучении Sona используется отдельная большая модель-«учитель», которая на данных о прослушиваниях и рекомендациях обучает Sona оценивать релевантность треков. После запуска система продолжает обучаться на свежих действиях пользователей: от события до обновления модели в сервисе проходит 45 минут по медиане. А/B-тест на Яндекс Станциях показал значительные результаты: время прослушивания выросло на 6,30%, число лайков — на 11,42%, а активная аудитория увеличилась на 4,53% (в 2,4 раза больше, чем при внедрении предыдущей модели Argus). Яндекс планирует проверить подход в других сценариях рекомендаций и потенциально применить его в Яндекс Рекламе и других продуктах.

Выводы автора:

• Унифицированная модель Sona эффективнее многоэтапной системы из десятков алгоритмов, обеспечивая простоту разработки и улучшение качества рекомендаций
• Использование Semantic ID позволяет модели находить релевантные треки без полного перебора каталога и одновременно служит признаками для ранжирования
• Непрерывное обучение Sona на новых действиях пользователей с задержкой 45 минут позволяет системе быстро адаптироваться к изменяющимся предпочтениям

По сравнению с контрольной группой общее время прослушивания выросло на 6,30%, а число лайков — на 11,42%.

Оригиналы:Яндекс представил Sona — модель, способную заменить десятки алгоритмов рекомендаций

ИИ-агенты: что это и чем они отличаются от обычных нейросетей

ИИ и агенты · Habr · 7/10

Статья объясняет принципиальное отличие ИИ-агентов от традиционных LLM-моделей на простых примерах. Если обычная нейросеть работает по схеме «запрос — вычисление — ответ» и требует от пользователя роли микроменеджера с точными командами, то ИИ-агент получает глобальную цель и самостоятельно её достигает, декомпозируя на подзадачи, выбирая инструменты и реагируя на ошибки через саморефлексию. Обычный чат-бот ответит, есть ли телефон в магазине; агент найдёт его, подберёт альтернативы и другие точки продажи. Главные различия: агент работает проактивно (в фоне по триггерам), имеет доступ к API и транзакциям, ориентирован на B2B автоматизацию сквозных процессов, в отличие от B2C советчиков. Однако внедрение агентов затруднено: высокой стоимостью разработки, вопросами этики и безопасности (агенты могут выходить за границы поставленной задачи), отсутствием надёжных методов тестирования, и признаниями крупных компаний (Google, OpenAI, Anthropic) о необходимости строгого контроля. Крупные IT-компании подписали соглашение о контроле ИИ для обеспечения безопасности разработок.

Выводы автора:

• ИИ-агенты — это проактивные системы, способные самостоятельно планировать действия и достигать целей, в отличие от реактивных чат-ботов, требующих пошагового руководства пользователем
• Основные препятствия для массового внедрения агентов — высокая стоимость разработки, этические и безопасностные риски (агенты могут самостоятельно выбирать методы достижения цели), и отсутствие надёжных методов тестирования
• Для обычных потребителей традиционного чат-бота вполне достаточно, в то время как ИИ-агенты предназначены для B2B и узких производственных ниш с автоматизацией сквозных бизнес-процессов

Человек задает цель, а весь путь к ней, выбор инструментов и реакцию на ошибки, агент берет на себя.

Оригиналы:ИИ агенты. Что это простыми словами и в чем отличие от обычного ИИ

Live-observability для запросов в распределённых СУБД: архитектура YAGPCC

Разработка и архитектура · Habr · 8/10

Статья описывает решение проблемы мониторинга выполнения запросов в реальном времени в распределённых MPP-СУБД на примере Apache Cloudberry/Greenplum. Стандартный EXPLAIN показывает план после выполнения, но не даёт информации о том, что происходит прямо сейчас: где зависание, есть ли перекос данных, spill на диск. Разработчик из Яндекса создал расширение pg_query_state, которое строит дерево плана по ходу выполнения и обновляет статистику на каждом узле кластера. Главная инженерная сложность: в большом кластере (300 сегментов, 7500+ параллельных процессов) прямая отправка метрик на координатор создаёт нагрузку ~38 МБ/сек и перегружает его основную функцию. Решение — вынести агрегацию в отдельный сервис YAGPCC с агентами на каждом хосте (написан на Go), которые собирают статистику локально, а мастер-агент делает финальное слияние. Это обеспечивает линейную масштабируемость (O(n) по числу хостов, а не процессов), изолирует координатор от телеметрии и применяет паттерн map-reduce для распределённого сбора метрик.

Выводы автора:

• Live-observability в распределённых СУБД требует специальной архитектуры: прямая отправка метрик на центральный сборщик масштабируется как O(процессы × узлы) и становится узким местом.
• Решение — распределённые агенты на каждом хосте (O(хосты)), которые агрегируют локально, а центральный мастер делает только финальное слияние, что обеспечивает линейную масштабируемость.

Координатор не тратит ресурсы на сбор телеметрии, не получает лавину сообщений и продолжает выполнять свою основную работу — планировать, диспетчеризовать и собирать финальные результаты запросов.

Оригиналы:За пределами EXPLAIN: как увидеть выполнение запроса вживую в распределённой СУБД · Open source

Модульная архитектура BFF: от монолита к плагинам на сервере

Разработка и архитектура · Habr · 8/10

Статья разбирает проблему масштабирования монолитного Backend For Frontend (BFF) в системе с модульным фронтендом и предлагает решение через модульную архитектуру серверного слоя. Автор, сеньор-фронтенд из Kaspersky Security Center, описывает, как они структурировали более 20 микрофронтендов в едином хосте, изолируя предметные области для независимого деплоя команд. Проблема традиционного монолитного BFF: при росте системы он становится бутылочным горлышком, требует постоянных согласований между командами, усложняет релизы и тестирование, особенно в on-prem поставках с разными конфигурациями. Решение: разделить ответственность между Host BFF (инфраструктура, авторизация, маршрутизация, пользовательский контекст) и модульными BFF-слоями команд (доменная логика, интеграции, контракты под конкретный UI). Каждая команда владеет вертикальным модулем: UI-слой + свой BFF-модуль с независимым циклом разработки. Это позволяет командам оставаться автономными и не рисковать задеть соседние модули при своих изменениях.

Выводы автора:

• Монолитный BFF создает узкое место масштабирования при росте числа микрофронтендов, требуя координации и замедляя разработку.
• Решение — разделить ответственность: Host BFF берет инфраструктуру (авторизация, маршрутизация, контекст), а команды разрабатывают модульные BFF под свои UI-слои с независимой логикой.
• Модульный подход на сервере зеркалирует архитектуру фронтенда и возвращает командам автономность: каждая владеет вертикальным модулем (UI + BFF) без привязки к соседям.

Если UI плагинный, почему BFF монолитный? Фронтенд модульный, бэкенд разделен по доменам, между ними обычно остается общий серверный слой. Это создает дисбаланс.

Оригиналы:Если UI плагинный, почему BFF монолитный?

Microsoft представила WSL 3.0 с поддержкой Linux-контейнеров в Windows

Разработка и архитектура · Habr · 8/10

Microsoft выпустила Windows Subsystem for Linux 3.0 — обновление подсистемы для запуска Linux-приложений и контейнеров в Windows. Ключевое новшество — встроенный инструментарий для создания, развёртывания и управления Linux-контейнерами прямо из Windows с помощью CLI wslc (WSL Containers) и соответствующего API. WSL 3.0 переходит на ядро Linux 6.18 и включает специфичные оптимизации: снижение времени запуска, уменьшение потребления памяти, возврат освобождённой памяти в Windows. Исходный код всех компонентов опубликован на GitHub под лицензией MIT. Wslc поддерживает полный набор операций с контейнерами — создание, запуск, остановка, управление ресурсами (CPU, RAM), работу с образами, виртуальными сетями, дисками и GPU. Инструмент интегрирован с MSBuild, CMake, VS Code dev container и Microsoft Aspire, а также доступен через текстовый интерфейс Lazywslc и приложение WinUI 3.

Выводы автора:

• WSL 3.0 добавляет встроенную поддержку запуска и управления Linux-контейнерами в Windows с помощью утилиты wslc и полнофункционального API.
• Весь исходный код компонентов WSL открыт и распространяется под лицензией MIT, обеспечивая прозрачность и возможность сообщества доработок.
• Инструмент глубоко интегрирован с экосистемой Microsoft (VS Code, Aspire, MSBuild, CMake) и поддерживает управление контейнерами как из командной строки, так и из программ на C++ и C#.

WSL 3.0 включает инструментарий для создания, развёртывания и запуска Linux-контейнеров в Windows, включающий интерфейс командной строки wslc и сопутствующий API.

Оригиналы:Microsoft представила WSL 3.0 с поддержкой запуска Linux-контейнеров в Windows

Составное USB-устройство на AT32: подготовка и первые шаги

Разработка и архитектура · Habr · 7/10

Статья описывает первый этап разработки составного USB-устройства на микроконтроллере AT32F403ACGT7 для радиостанции Селенит, которой требовалась замена STM32F411CEU6 на более производительный процессор с возможностью обработки сигнала в автономном режиме. Автор выбрал AT32 вместо STM32 благодаря совместимости корпуса QFP-48 и наличию похожей среды разработки AT32 IDE. В качестве отладочной платы использована Blue Pill с припаянным AT32F403ACGT7. Установлены AT32 IDE v1.0.14, конфигуратор AT32 Work Bench v1.2.04 и драйверы MCU. В конфигураторе настроены тактирование (8 МГц кварц подключен к HEXT, USB тактируется от внутреннего генератора HICK 48 МГц), интерфейс SWD для программатора AT-LINK и виртуальный COM-порт (USB CDC). После генерации кода в AT32 IDE проект скомпилировался и прошивка загрузилась в микроконтроллер без проблем. На завершающем этапе виртуальный COM-порт успешно определился в ОС и подтвердил работоспособность. Статья — первая часть цикла, подготавливающая базу для разработки составного устройства с поддержкой звуковой карты в последующих частях.

Выводы автора:

• Микроконтроллеры AT32F4xx могут служить прямой заменой STM32 в корпусе QFP-48 при минимальных переделках аппаратной части благодаря совместимости выводов
• AT32 IDE и AT32 Work Bench предоставляют функциональность, сравнимую с STM32CubeIDE и STM32CubeMX, включая полезную опцию автоматического распределения FIFO буфера USB
• Использование отладочной платы Blue Pill с припаянным AT32 — экономичный и практичный способ замены стандартных отладочных плат при разработке на новых микроконтроллерах

Не написав руками ни единой строчки кода, получили готовый виртуальный COM-порт USB на базе микроконтроллера AT32F403ACGT7

Оригиналы:Составное устройство USB на AT32. Часть 1: Подготовка · DIY или Сделай сам

Как я собирал Pentium 166 в 1998 году и почему это учило лучше, чем Ryzen

Разработка и архитектура · Habr · 7/10

Авторская ностальгическая статья о сборке первого компьютера на Pentium 166 в 1998 году за $700 и сравнение этого процесса с современной сборкой на Ryzen AM5. Автор вспоминает, как три дня паял и конфигурировал железо на радиорынке: устанавливал джамперы для частоты и множителя процессора, вручную настраивал IRQ, DMA и порты для Sound Blaster 16, мучился с config.sys и autoexec.bat, чтобы освободить каждый килобайт базовой памяти для игр. Ошибки были осязаемы и понятны – перепутанные провода питания могли спалить плату, неправильно установленная планка памяти стоила восьми мегабайт, неверная перемычка на карте звука лишала игры звука. Сейчас же сборка на Ryzen – это 30 минут комфорта: совместил треугольник, включил EXPO, все делает прошивка. Автор признает, что современный подход удобнее и надежнее для работы, но сожалеет об упущенной возможности физически разобраться в устройстве машины, которая теперь скрыта в прошивке и автоматических согласованиях. То есть мы платим за комфорт потерей понимания.

Выводы автора:

• Старые компьютеры требовали глубокого физического понимания устройства – каждая перемычка, шлейф и настройка памяти учили архитектуре и инженерному мышлению
• Современные системы полностью автоматизировали конфигурацию через прошивку и BIOS, сделав сборку проще и надежнее, но скрыв внутреннее устройство от пользователя

Вся конфигурация уехала в прошивку и автоматическое согласование, и если что-то пошло не так, ты видишь двузначный код на индикаторе и ищешь его в интернете, потому что рычага, который можно потрогать пальцем, больше нет.

Оригиналы:Как я собирал свой первый ПК на Pentium 166 в 1998 году и почему это было лучше, чем собирать Ryzen сейчас · Хаб Компьютерное железо

Магнитопроводы и сердечники катушек: от истории к самодельным решениям

Разработка и архитектура · Habr · 7/10

Статья рассказывает об эволюции магнитных сердечников для электротехнических устройств, начиная с первых экспериментов Ампера и Фарадея в XIX веке до современных ферритов. В центре повествования — проблема паразитных токов Фуко, которые вызывали нагрев цельных металлических сердечников при работе в переменных магнитных полях. Историческое решение — набор из тонких изолированных пластин железа, позже заменённый кремнистой сталью (электротехнической сталью), открытой Робертом Гадфилдом в 1886 году, которая увеличила электрическое сопротивление в пять раз. В 1930 году японские учёные Йогоро Като и Такеши Такеи изобрели ферриты — керамические материалы из оксидов металлов с магнитными свойствами и многократно большим сопротивлением. Материал также описывает оригинальные кустарные подходы, в том числе эксперименты инженера Х.П.Фридрихса, который использовал магнетитовый чёрный песок из пустыни Аризоны для создания сердечников радиоприёмников и трансформаторов, задокументировав результаты в 65-страничном отчёте.

Выводы автора:

• Ферритовые сердечники, появившиеся в 1930-х годах, представляют собой революционное решение проблемы потерь на токи Фуко благодаря высокому электрическому сопротивлению оксидных керамических материалов.
• Магнитные сердечники могут быть изготовлены из неожиданных природных материалов, таких как магнетитовый песок, что демонстрирует возможность кустарного производства компонентов электротехники.

Удивительно, но обычная чёрная грязь вполне может быть использована для компонентов радиоприёмников и трансформаторов, и это работает!

Оригиналы:Про магнитопроводы/сердечники катушек · DIY или Сделай сам

Как закрыли утечку адреса VPN-сервера через tun0 в AmneziaVPN

Кибербезопасность · Habr · 9/10

Статья разбирает критическую уязвимость в Android VPN-клиентах, при которой приложение, исключённое из туннеля, может привязать свой сокет к интерфейсу tun0 и узнать адрес VPN-сервера через вызов setsockopt(SO_BINDTODEVICE). Уязвимость работает на Linux 5.7+ без прав суперпользователя. Команда реализовала фильтр в AmneziaWG: при передаче пакета из туннеля система спрашивает у Android, какое приложение его отправило, и блокирует чужие соединения. Главная ловушка — Android возвращает uid=INVALID_UID для исключённых приложений, что означает отказ. На телефоне с фильтром все 6 способов обхода (TCP, UDP к STUN-серверам, DNS-запросы, curl) были заблокированы, а производительность не пострадала: при 5000 новых потоков/сек задержка такая же, как без фильтра. Код реализован через мост JNI между Go и Kotlin, использующий API ConnectivityManager.getConnectionOwnerUid(). Решение находится в трёх pull-request'ах, которые пока не приняты официальными разработчиками.

Выводы автора:

• Уязвимость позволяет любому приложению на Android обойти раздельное туннелирование и узнать адрес VPN-сервера через SO_BINDTODEVICE без прав администратора.
• Единственное надёжное место для фильтрации — код, читающий файловый дескриптор туннеля, так как ядро и Android API для этого недоступны.
• Фильтр на основе ConnectivityManager эффективен (0 утечек из 6 попыток), имеет минимальные издержки при отключении и не требует root.

Адрес сервера в 2026 году — самое ценное, что есть у пользователя VPN, работающего против блокировок: если его узнали, его могут заблокировать.

Оригиналы:Разбор. Как мы закрывали утечку через tun0 в AmneziaVPN · Информационная безопасность (раздел Habr)

Как законно зарабатывать на спаме через суды

Кибербезопасность · Habr · 7/10

Статья рассказывает о практическом опыте подачи исков о компенсации морального вреда против спамеров на основе решений ФАС (Федеральной антимонопольной службы). Автор описывает механизм: получить спам, пожаловаться в ФАС, дождаться решения о нарушении законодательства о рекламе, а затем подать гражданский иск в суд с требованием компенсации морального вреда размером до 1 млн рублей с компании-нарушителя. Ключевое условие — наличие документального подтверждения (решения или постановления ФАС), которое служит основанием иска и значительно повышает его успешность. Перед подачей иска рекомендуется проверить финансовое состояние спамера через сервисы типа List-Org, чтобы убедиться в его платёжеспособности. Статья содержит чек-лист необходимых действий и детальные рекомендации по подготовке исковых заявлений согласно ст.131-132 ГПК РФ. Автор также приводит примеры из судебной практики разных регионов, отмечая, что провинциальные суды часто работают оперативнее московских.

Выводы автора:

• Для успешного иска о компенсации морального вреда от спама необходимо предварительно получить решение ФАС о нарушении законодательства о рекламе, которое служит основанием иска и обязательным доказательством вины ответчика.
• Перед подачей иска важно проверить финансовое состояние спамера, чтобы убежать в процессе не выиграть дело и остаться без компенсации из-за банкротства или ликвидации компании-должника.
• Исковое заявление можно подать удалённо через ГАС «Правосудие» или портал «Госуслуги», что значительно упрощает процесс для иногородних истцов.

Я радуюсь, получая спам, ведь у меня появляется возможность пополнить бюджет страны (откуда берутся деньги на пенсии, больницы, школы).

Оригиналы:Как я зарабатываю на спаме и почему мне не стыдно

Micron демонстрирует рекордный рост на фоне дефицита памяти

Финтех и финансы · App Economy Insights · 8/10

Micron завершила финансовый 2026 год с выдающимися результатами, вызванными спросом на память для ИИ-системы. Выручка за год достигла $133 млрд (рост на 379% Y/Y в квартале), скорректированная прибыль на акцию составила $33.42, а валовая маржа – 87%. Компания генерировала более $62 млрд свободных денежных потоков при $74 млрд наличности на конец года.

Что примечательно: рост выходит за пределы HBM-памяти. Выручка Data Center достигла $18 млрд (рост на 56% K/K), Cloud Memory – $16.3 млрд, а сегмент Mobile and Client показал маржу 90%. Руководство ожидает, что дефицит памяти будет усиливаться в 2027-2028 годах, без видимых сроков возврата к сбалансированному рынку.

Micron активно защищается от циклических спадов: заключена 26 стратегических соглашений с клиентами (было 16), охватывающих $32 млрд обязательств через 2030 год, что составляет более 35% выручки.

Одновременно капвложения выросли до $27 млрд в FY26, новые мощности появятся не ранее 2028 года. Паралокс: несмотря на исторические показатели, рынок оценивает Micron на однозначный коэффициент forward P/E, предполагая, что такие маржи нельзя удерживать. Вопрос в том, действительно ли ИИ коренным образом изменил цикличность памяти или это классическое повторение истории.

Выводы автора:

• Дефицит памяти ожидается до конца 2027-2028 годов, что поддерживает цены и маржи выше исторических средних
• Долгосрочные контракты с клиентами и многомиллиардные обязательства вносят структурные элементы предсказуемости в отрасль, ранее известную своей цикличностью
• Рынок остаётся скептичен, оценивая Micron как пиковый цикл, но вопрос в том, изменил ли ИИ фундаментальную динамику спроса на память

Ключевой вопрос уже не в том, переживает ли Micron экстраординарный цикл. Вопрос в том, достаточно ли этот цикл структурно отличается, чтобы заслужить другой коэффициент оценки.

Оригиналы:Статья в App Economy Insights

Почему дорогие займы малому бизнесу разрушают портфель МФО

Финтех и финансы · Б.О: Экономика · 8/10

Статья разбирает критическую проблему микрофинансовых организаций: они массово переносят успешную модель потребительского кредитования (PDL) на бизнес-сегмент, что приводит к катастрофическим результатам. По данным Банка России, в I квартале 2026 года MFO выдали бизнесу 40 млрд рублей, но NPL 90+ взлетели до 13% у коммерческих МФО, прибавив 1,4 процентных пункта за квартал. Авторы показывают типовую схему провала: короткие сроки, ставки выше 100%, низкий чек (50–100 тыс. рублей), отсутствие специального андеррайтинга под денежный цикл бизнеса. Результат — конверсия одобрения в выдачу падает ниже 5%, а в худших портфелях NPL 90+ превышает 40%. Главная ошибка: высокая цена вымывает устойчивых предпринимателей и привлекает только отчаянных заемщиков, которым деньги нужны срочно независимо от цены. Повторные займы маскируют деградацию портфеля — новые выдачи идут не на развитие, а на обслуживание прежней задолженности. Авторы подчеркивают: кредитование МСБ — отдельный бизнес, который нужно строить вокруг экономики клиента (его денежный цикл, реальная потребность, способность заработать на капитале), а не вокруг удобного для кредитора трафика и Excel-моделей.

Выводы автора:

• Переношение PDL-модели потребительского кредитования на бизнес-сегмент неизбежно приводит к краху: высокие ставки и короткие сроки отпугивают здоровых предпринимателей и привлекают только рискованных заемщиков.
• Продукт должен сходиться в экономике клиента (соответствовать денежному циклу, объему реальной потребности, сроку возврата) — только потом проверяется в финансовой модели кредитора.
• Кредитовать малый бизнес можно, но дешево — высокая цена сама по себе является фактором портфельной деградации.

Чем дороже деньги, тем быстрее уходят устойчивые компании, умеющие считать и имеющие альтернативы. Остаются те, кому деньги нужны настолько срочно, что цена становится вторичной.

Оригиналы:Кредитовать малый бизнес нельзя дорого

Стратегический выбор приоритетов управляющих компаний в борьбе за частного инвестора

Финтех и финансы · Вестник НАУФОР · 7/10

Статья Ольги Егоровой, директора по продукту АО «Специализированный депозитарий «ИНФИНИТУМ», посвящена стратегическому позиционированию управляющих компаний (УК) на российском рынке коллективных инвестиций. Автор отмечает, что при клиентских активах УК в 35,8 трлн рублей значительная часть потенциального капитала частных инвесторов (68,3–68,4 трлн рублей в банках) остаётся вне ПИФ, создавая масштабную задачу привлечения. Ключевое различие, на которое ссылается автор: УК конкурирует не только доходностью, но доверием, простотой доступа, понятностью продукта и качеством клиентского опыта. Егорова предлагает матрицу для анализа операционной модели, разделяя функции на стратегическое ядро (инвестиционная экспертиза, продукт, дистрибуция, клиентский сервис) и инфраструктурные функции, которые могут быть переданы специализированным партнёрам. Автор приводит примеры из банкинга, облачных сервисов, логистики и авиации, показывая, что зрелые рынки приходят к специализации и разделению компетенций. Изменения № 156-ФЗ от 1 марта 2026 года позволяют УК передавать специализированным депозитариям функции учёта операций с имуществом ПИФ/АИФ, расширяя пространство стратегического выбора.

Выводы автора:

• Конкурентное преимущество УК возникает не из желания делать всё самостоятельно, а из понимания того, что именно важно делать самой, в то время как инфраструктурные функции могут быть переданы профессиональным партнёрам.
• По мере зрелости рынка управляющие компании должны осознанно концентрировать инвестиции на стратегическом ядре (продукт, инвестиционная экспертиза, дистрибуция, цифровой доступ), поддерживая инфраструктуру через специализированных провайдеров.
• Законодательные изменения № 156-ФЗ важны тем, что расширяют пространство выбора операционной модели, позволяя УК высвободить ресурсы для приоритетных направлений развития.

Конкурентное преимущество не всегда возникает там, где компания делает всё самостоятельно. Часто оно появляется, когда компания лучше других понимает, что именно ей важно делать самой.

Оригиналы:Выбор приоритетов — полный текст статьи Ольги Егоровой в Вестнике НАУФОР

Как средний банк конкурирует на рынке: интервью с главой маркетинга ТКБ

Финтех и финансы · Б.О: Банки · 7/10

Интервью главы маркетинга ТКБ Павела Гвоздева о стратегии развития маркетинга и коммуникаций в условиях регулятивных ограничений банковского сектора. Гвоздев рассказывает, как его образование (ВШЭ, Британская школа дизайна, РЭУ Плеханова, MBA) формирует подход к решению задач через инструментарий ТРИЗа и находит третий, лучший вариант, когда есть два плохих. В условиях 41-ФЗ банк отходит от концепции омниканальности и переходит на подход Jobs to Be Done, рассматривая клиента через жизненные сценарии, а не через каналы коммуникации. Среди крупнейших четырех банков конвейерное обслуживание, но средние банки предлагают «бутиковый подход» — индивидуальные условия и быстрый доступ к руководству, что создает конкурентное преимущество. ТКБ внедрила платформу региональной локализации СММ, позволяя офисам вести каналы с учетом географических особенностей. Платежное решение ТКБ Пэй выросло из кейса с платформой Oskelly, где банк поддержал стартап премиум-ресейла, создав безопасную систему замораживания платежей. Гвоздев описывает управление как работу с горящими глазами людьми и их развитие, а не поиск дорогих компетенций. Клиентские мероприятия — театральные вечера и экскурсии — формируют эмоциональную связь, без которой банкинг становится коммодити.

Выводы автора:

• Средние банки конкурируют не масштабом, а бутиковым подходом: индивидуальные условия и близость к решениям для крупных клиентов создают устойчивый рынок, когда спрос на нестандартные решения всегда останется
• Отказ от омниканальности в пользу Jobs to Be Done позволяет рассматривать клиента через жизненные сценарии, а регионализация СММ помогает повысить доверие аудитории через локальный язык и контекст
• Нефинансовые точки контакта (события, партнерства, эмоциональные связи) становятся ключевым фактором лояльности в условиях, когда банковские услуги приближаются к коммодити

С банком с бутиковым подходом мне стало легче жить примерно на 30% — руководитель IT-компании о работе с ТКБ

Оригиналы:Наши преимущества там, где конвейер бессилен