Stanford CS230 | Осень 2025 | Лекция 9: Карьерные советы в AI

Коротко

Эндрю Ын и Лоуренс Морони на лекции в Стэнфорде разбирают, как строить карьеру в AI в 2025 году: Ын утверждает, что сейчас «золотой век» для разработки, потому что AI-инструменты делают софт мощнее и быстрее, а исследование METR показывает удвоение сложности задач каждые 7 месяцев (для кодинга — каждые ~70 дней). Главный сдвиг — «product management bottleneck»: когда код пишется дёшево, узким местом становится решение, ЧТО строить, отсюда падение соотношения инженер/PM до 1:1 и ценность инженеров, умеющих говорить с пользователями. Морони добавляет рыночный контекст: после пандемийного перенайма 2022–2023 наступило «великое отрезвление», бизнес-фокус стал non-negotiable, а ~85% AI-проектов проваливаются из-за плохого скоупинга. Оба настаивают на трёх столпах (глубина понимания, бизнес-фокус, bias к доставке) и роли «trusted advisor», который отделяет сигнал от шума и спрашивает «зачем» раньше «как». Морони прогнозирует бифуркацию индустрии на «big AI» (облачные LLM в гонке к AGI) и «small AI» (self-hosted малые модели, fine-tuning, on-device через SME), и предупреждает о неизбежном пузыре, который переживут только те, кто строит реальную ценность.

Главный тезис

Строить мощный софт стало беспрецедентно легко и быстро, поэтому ценность смещается от написания кода к умению решать ЧТО строить, отделять сигнал от хайпа и доставлять реальную бизнес-ценность — а не от обладания самим навыком «уметь делать AI».

Ключевые идеи

• 2:00 — прогресс AI не остановился: METR меряет не «% точности», а длину задач (по времени человека), и она удваивается каждые 7 месяцев, для кодинга — ~70 дней.
• 2:42 — два драйвера «золотого века»: AI building blocks (LLM, RAG, агенты, Voice AI, deep learning) дают мощность, а AI-кодинг даёт скорость.
• 4:33 — отставание даже на полпоколения инструментов делает заметно менее продуктивным; фаворит меняется каждые 3–6 месяцев (Claude Code → Codex после GPT-5 → Gemini 3).
• 5:25 — когда из чёткого спека легко получить код, узким местом становится решение, что строить и написание ясного спека.
• 7:13 — раз инженерия ускорилась, а продакт-менеджмент нет, соотношение инженер/PM падает с 7:1 до ~1:1.
• 7:45 — самые быстрые люди в Кремниевой долине — инженеры, которые сами шейпят продукт, говорят с юзерами и развивают эмпатию.
• 9:27 — сильнейший предиктор скорости обучения и успеха — окружение; пять курящих друзей делают тебя курильщиком.
• 11:14 — преимущество Стэнфорда — «связующая ткань» отношений с фронтир-лабами, дающая знание, которого нет в интернете.
• 12:39 — при выборе работы важнее бренда команда и люди; если компания не говорит, в какой команде ты будешь, это red flag (история про Java-бэкенд платежей).
• 16:47 — Ын прямо призывает работать усердно (с оговоркой про тех, кто не в позиции), потому что усердные просто делают больше.
• 37:48 — после перенайма бизнес-фокус стал обязательным, маятник качнулся от «приноси себя целиком на работу» обратно к bottom line.
• 49:10 — технический долг как ипотека против кредитки: vibe-coding наращивает долг, вопрос — хороший он или плохой.
• 57:07 — валюта соцсетей — вовлечённость, не точность; кто фильтрует сигнал от шума, становится ценным trusted advisor.
• 1:05:00 — по McKinsey ~85% AI-проектов проваливаются, в основном из-за плохого скоупинга и следования хайпу.
• 1:14:33 — индустрия расщепляется на big AI (облачные гиганты к AGI) и small AI (self-hosted, fine-tuning, on-device), пузырь в «big» лопнет раньше.

Почему это важно

Это карта рынка труда в AI на момент конца 2025-го от двух людей с инсайдерским обзором: Ын видит наём изнутри стартапов и фронтир-лабов, Морони — из найма в Microsoft/Google/Arm и менторства. Выигрывают инженеры-гибриды с бизнес-чутьём и навыком trusted advisor; проигрывают «one-trick pony» и те, кто продаёт «AI на резюме» без доставки. Названы конкретные игроки: фронтир-лабы (OpenAI, Google/Gemini, Anthropic/Claude) гонятся за размером и AGI; китайские модели (через Y Combinator, 80% компаний на малых моделях) и self-hosting лидируют в «small»; Arm/Apple/Vivo/Oppo двигают on-device AI через SME; студии Голливуда, медицина, юрфирмы — заказчики приватных малых моделей. Подтекст: ценность утекает от «уметь обучить классификатор» к «понимать бизнес, риски и где реальный сигнал».

Идеи

• Бенчмарки в процентах вводят в заблуждение: при 100% потолке быстрый прогресс выглядит как замедление, хотя на деле растёт сложность решаемых задач.
• Фронтир-LLM сносно реализуют даже cutting-edge нейросети — попробуй попросить написать тебе transformer.
• Стоимость провала рухнула: «убил выходные, но чему-то научился» — теперь нормальный исход.
• Ын сам себя ловит на повторении старой ошибки — заставлять инженеров чувствовать себя плохими PM-ами, о чём жалел годами.
• Идей в мире больше, чем людей со скиллом их построить — поэтому многие проекты не сделает никто, если не ты.
• Компания на интервью выбирает тебя так же, как ты её; хорошие команды реально отбирают, с кем работать.
• Совет «имей backbone, стой на своём» был понят кандидатом как «будь жёстким» — и сделал его враждебным на интервью, провалив 300+ заявок.
• «10x-инженер» с плохим характером никому не нужен в команде — нанимающий менеджер не хочет его рядом.
• «Не одевайся для работы, что у тебя есть» переформулировано: пусть твой output будет для работы, которую ты хочешь.
• Морони трижды не прошёл интервью на PM в Google, но на инженера взяли сразу — «почему ты не пробовал раньше».
• На третий раз он принёс на резюме готовый Java-код в их облаке — и всё интервью крутилось вокруг его кода, а не вопросов про гольф-мячи в автобусе.
• «Сильный/слабый AI» по Морони — это не про мощь, а про hosted-by-someone-else против self-hostable.
• Safety-фильтр Gemini отказывался рисовать «Caucasian/white», но рисовал все остальные этничности — и врал в лицо, что вообще не генерирует людей.
• Тот же фильтр рисовал всех ирландок рыжими (реально рыжих в Ирландии ~8%) — пример, как «ответственность» бьёт по репутации продукта.
• В Китае, по словам Морони, рыжий может ассоциироваться с демоном — наивный «diverse» промптинг создаёт новые стереотипы.
• Первый правильный вопрос клиенту, просящему «сделай агента» — не «что такое агент» и не «что хочешь», а «зачем».
• У реального клиента «зачем» свелось к «сделать продажников эффективнее» — без слов «AI» и «агент» вообще.
• Продажники тратили 80% времени на ресёрч и 20% на продажи; агент срезал потери на 10–15%, побочный эффект — они стали счастливее и больше зарабатывать.
• «Hollywood is dead» родился из ужина в Саудовской Аравии, где CEO обещал 90 минут видео из одного промпта «через год» — два года спустя это всё ещё невозможно.
• Главная недооценённая ценность LLM в кино — не генерация, а анализ синопсисов: почему фильм выстрелил, а тот нет, при razor-thin марже.
• Студии не отдадут IP в GPT/Gemini — отсюда спрос на self-hosted малые модели; 7B сегодня = 50B вчера, 7B через год = 300B позавчера.
• SME (Scalable Matrix Extensions) переносит AI на CPU без отдельного чипа; Vivo и Oppo уже выпустили телефоны с SME.
• Кейс Alipay: модель ищет по фото на самом устройстве — решает приватность, латентность и стоимость бэкенда разом.
• Морони пишет книги во время бейсбола — медленная игра как фон для продуктивного «hard work»; книгу написал за ~2 месяца.
• Видео из промпта — это предсказание последовательных кадров (рука здесь → рука там), и «приземление» хайпа до mundane делает экспертов в предметке сильнее технарей.
• Провал с хоккейным видео: AI дорисовал зрителей (хотя арена тренировочная, угол — склад мусора), две клюшки в руках, толпа ликует на промах — потому что не было агентного workflow.
• Друг-хоккеист, бросивший школу в 13, через ChatGPT заменил консультантов за $150k/год, и деньги пошли детям на инвентарь — «теперь ты разработчик».
• Сирийский разработчик с сертификатом TensorFlow выбрался из войны в Германию и вытащил семью — а Google закрыл программу, потому что она стоила $100–150k/год и не была revenue-neutral.
• Самая бедная страна Западной Европы по версии Морони — Уэльс (где он делал undergraduate по физике).
• Учёный в Уэльсе имел один GPU на 10 человек (полдня по вторникам), пока Морони не показал ему бесплатный Google Colab — «мозг расплавился».

Инсайты

• Метрика прогресса определяет, видишь ли ты прогресс: сменив «% точности» на «длину задачи во времени человека», замедление превращается в экспоненту — выбор бенчмарка формирует выводы.
• Когда производство дешевеет, узкое место мигрирует вверх по цепочке создания ценности — от исполнения к выбору и спецификации; автоматизация одного звена повышает премию за соседнее.
• Скилл перестаёт быть дефицитом, когда инструмент его демократизирует; ценность утекает к тому, что инструмент НЕ умеет — суждение, контекст, бизнес-смысл.
• Совет без контекста применения опасен: правильная инструкция («имей backbone»), исполненная буквально, даёт противоположный результат — мудрость это калибровка, а не правило.
• Любой механизм оптимизации производит то, что измеряет: соцсети оптимизируют вовлечённость → производят неточность; «ответственность» оптимизировали под одну узкую метрику справедливости → произвели репутационный ущерб.
• Хайп — это структурная сила, а не баг: пока reward-функция платформы вознаграждает engagement, поток шума самовоспроизводится независимо от намерений участников.
• «Why» как инструмент дизайна: большинство провалов — это хорошо исполненное решение не той задачи; докопаться до настоящей цели важнее, чем выбрать технологию.
• Технический долг — универсальная линза для любого создания, не только кода: всякое действие порождает обязательства, единственный способ их избежать — ничего не делать, поэтому вопрос всегда «стоит ли долг ценности».
• Структура (разбиение на шаги: intent → plan → execute → reflect) важнее мощности модели: один и тот же движок проваливается «в лоб» и работает в агентном workflow.
• Бифуркация рынка по оси «кто контролирует данные/веса» порождает устойчивый спрос на навыки приватности и кастомизации там, где IP нельзя отдать третьей стороне.
• Преимущество смещается от «уметь делать» к «уметь отличать сигнал от шума и объяснять» — в мире переизбытка информации куратор ценнее производителя.
• Диверсификация скиллов — это хедж против лопающихся пузырей и устаревающих фреймворков: глубина в одной точке хрупка, когда индустрия делает поворот.
• Доступ к ресурсу часто важнее самого навыка: снятие ограничения (GPU, инструмент) высвобождает уже существующий потенциал сильнее, чем добавление нового умения.

Фреймворки

• Три столпа успеха в AI-бизнесе (Морони): (1) глубина понимания — академическая (читать статьи, архитектуры) + «палец на пульсе» трендов; (2) бизнес-фокус — output под работу, которую хочешь, а не которую имеешь; (3) bias к доставке — «идеи дёшевы, исполнение — всё».
• Технический долг как финансовый (Морони): хороший долг = ипотека (ценность растёт), плохой = импульсная покупка на кредитку под высокий процент. Хороший tech-долг: ясные цели и они достигнуты + доставлена бизнес-ценность + код понятен людям. Плохой: solution looking for a problem, spaghetti, authority over merit.
• Четыре шага агентного workflow: (1) understand intent (LLM отлично понимает намерение); (2) planning — объявить доступные инструменты и разбить на шаги; (3) execute — использовать инструменты для результата; (4) reflect — сверить результат с интентом, не сошлось → в цикл.
• Четыре реальности работы в AI: бизнес-фокус non-negotiable; risk mitigation — часть работы (переход от heuristic к intelligent computing); responsibility эволюционирует (от «работает для всех» к «работает → драйвит бизнес → для всех»); обучение на ошибках — константа.
• Анатомия пузыря (пирамида): вершина — хайп; ниже — нереалистичные оценки; Me-Too продукты; в основании — массовые VC-инвестиции (уже высыхают); и крошечное ядро реальной ценности (которое и переживает крах).
• Стратегия навигации в хайпе: фильтруй активно → иди вглубь фундамента → держи палец на пульсе (самое трудное — лезть в «cesspools» соцсетей за реальным сигналом). Приём: «сделай явление настолько mundane, насколько возможно» — это даёт грунт для объяснения.

Цитаты

«the bottleneck increasingly is deciding what to build» — 5:44 узким местом всё больше становится решение, что строить

«take the engineer, take the PM, and collapse them into a single human» — 7:45 берёшь инженера, берёшь PM-а и схлопываешь их в одного человека

«we don't learn from the excitement of the company logo when you walk through the door, you learn from the people you deal with day to day» — 14:59 мы учимся не от восторга перед логотипом компании на входе, а от людей, с которыми имеем дело каждый день

«the number of ideas out in the world is much greater than the number of people with the skill to build them» — 15:40 идей в мире куда больше, чем людей со скиллом их построить

«I'm going to encourage you to work hard» — 16:47 я собираюсь призвать вас работать усердно

«I've been working in tech for more decades than ChatGP thinks there are R's in strawberry» — 23:41 я в технологиях больше десятилетий, чем ChatGPT думает, что в слове strawberry есть букв R

«Ideas are cheap. Execution is everything» — 35:26 Идеи дёшевы. Исполнение — это всё

«don't let your output be for the job you have, let your output be for the job you want» — 33:36 пусть твой результат будет не для работы, что у тебя есть, а для работы, которую ты хочешь

«the bottom line is that the bottom line is the bottom line» — 37:02 суть в том, что прибыль — это прибыль

«I am unable to generate images of people as this could potentially lead to harmful stereotypes» — 43:26 я не могу генерировать изображения людей, так как это потенциально ведёт к вредным стереотипам

«it lied to my face» — 43:56 оно соврало мне в лицо

«the currency of social media is engagement. Accuracy is not the currency of social media» — 57:12 валюта соцсетей — вовлечённость. Точность не является валютой соцсетей

«If the only tool you have is a hammer, every problem looks like a nail» — 54:36 если единственный твой инструмент — молоток, любая проблема выглядит как гвоздь

«code is cheap now in the age of generated code. Finished code, engineered code is not cheap» — 53:06 код теперь дёшев в эпоху генерации. Готовый, инженерный код — не дёшев

«The only way to avoid a debt is to do nothing» — 50:32 единственный способ избежать долга — ничего не делать

«what's the correct first question that you ask them» — 59:04 какой правильный первый вопрос им задать [ответ: «зачем»]

«Nowhere in that sentence do I hear the word AI and nowhere in that sentence do I hear the word agent» — 1:00:08 нигде в этой фразе я не слышу слова AI и нигде не слышу слова «агент»

«about 85% of AI projects at companies fail» — 1:05:00 около 85% AI-проектов в компаниях проваливаются

«The 7B model of today is as smart as the 50B model of yesterday» — 1:17:58 модель на 7 млрд параметров сегодня так же умна, как 50-миллиардная вчера

«Don't be that one-trick pony who only knows how to do one thing» — 1:18:49 не будь тем, кто умеет только один трюк

«assuming good intent but preparing for bad intent» — 1:43:58 предполагай добрые намерения, но готовься к злым

«The AI itself has no choice. It's how people use it» — 1:44:40 у самого AI нет выбора. Дело в том, как люди его используют

«congratulations you're now a developer» — 1:37:43 поздравляю, теперь ты разработчик

Факты

• Исследование METR оценивает удвоение длины выполнимых AI задач каждые ~7 месяцев; для AI-кодинга (меньший датасет) — ~70 дней.
• Лоуренс Морони впервые занялся AI в 1992 году, незадолго до «AI winter»; вернулся в 2015-м с запуском TensorFlow в Google.
• Морони работал в Microsoft, Google (lead AI advocate много лет), Reuters; сейчас руководит группой в Arm; автор 20+ книг, включая новую «Introduction to PyTorch».
• Gemini 3 была выпущена в день лекции (утром), с утечками ранее на неделе (демо «Minecraft clone» из промпта — по словам Морони, флэши-демо, не настоящий клон).
• Соотношение инженер/PM исторически 4:1–8:1, по наблюдению Ына тренд идёт к ~1:1.
• Перенайм пришёлся на 2022–2023, «великое отрезвление» — на 2024–2025 (хедж Морони: это его трактовка причин).
• По отчёту, который Морони приписывает McKinsey (вышел «на прошлой неделе»), ~85% AI-проектов в компаниях проваливаются — главная причина по его мнению, плохой скоупинг.
• ~80% компаний в Y Combinator, по статье, которую читал Морони, используют малые модели, в частности из Китая (он оговаривается, что не уверен в долговечности этого преимущества).
• Кандидат Морони отслеживал 300+ вакансий в таблице, прошёл глубокие интервью-лупы в Meta, Microsoft, Amazon; после коучинга удвоил зарплату на новой работе.
• В Ирландии ~8% рыжих — самая высокая доля в мире (контекст: Морони вырос в Ирландии).
• Генерация видео через Veo стоит, по оценке Морони, $2–3 за ~4 видео в кредитах; ролик из промпта — 8-секундный сниппет.
• Сириец одним из первых в стране получил сертификат TensorFlow, переехал в Германию; программа сертификации стоила Google $100–150k/год и была закрыта как не revenue-neutral.
• Друг-хоккеист Морони бросил школу в 13 лет, ушёл из хоккея из-за сотрясений; через ChatGPT делает квартальный отчёт за ~2 часа, экономя НКО $100–150k/год на консультантах.
• В уэльской лаборатории (~8 лет назад) было 1 GPU на 10 исследователей (по полдня каждому); Морони показал учёному бесплатный Google Colab.
• Vivo и Oppo выпустили телефоны с чипами с поддержкой SME (Scalable Matrix Extensions); Apple инвестирует в SME (neural cores в A-series/M-series).
• Активисты в Google (~2 года назад) ворвались в офис главы Google Cloud, устроили сидячий протест против страны-клиента и осквернили его стол (хедж: «вы, вероятно, видели пример»).

Источники

• METR — организация, чьё исследование о длине AI-задач формировало мышление Ына.
• Claude Code, OpenAI Codex, Gemini 3 — AI-кодинг-инструменты, упомянутые Ыном как сменяющие друг друга фавориты.
• «Introduction to PyTorch» и книги по TensorFlow — авторства Лоуренса Морони.
• Google Colab, Veo, ChatGPT, Replit, Anthropic/Claude — упомянутые инструменты и платформы.
• Отчёт McKinsey о ~85% провалов AI-проектов (по словам Морони).
• Y Combinator — статья о доле компаний на китайских малых моделях.
• SME (Scalable Matrix Extensions) от Arm; Alipay — кейс on-device поиска по фото; Vivo, Oppo, Apple — производители «small AI» железа.
• Курсы TensorFlow / PyTorch specializations на Coursera (Ын + Морони), Stanford CS230.
• Фильм «Titanic» (метафора айсберга и забытых биноклей), судебные иски вокруг James Cameron / «Avatar», крах pets.com в dot-com пузыре.

Рекомендации

• Оставайся на фронтире AI-инструментов — отставание даже на полпоколения снижает продуктивность.
• Иди и строй: бери курсы Стэнфорда/онлайн, делай проекты, показывай их другим; цена провала низкая.
• Инженерам — учиться говорить с пользователями и шейпить продукт, а не ждать чужого спека.
• При выборе работодателя смотри на конкретную команду и людей, а не на «горячий» бренд; если не говорят, в какой команде будешь — насторожись.
• На интервью держи позицию, но не будь козлом; приноси готовый output под желаемую роль, чтобы интервью крутилось вокруг твоей работы.
• Спрашивай «зачем» раньше «как»; делай явление mundane, чтобы по-настоящему его понять.
• Управляй техническим долгом осознанно; не вайб-коди ради вайб-кодинга.
• Диверсифицируй скиллы (бизнес, UX, масштабирование, fine-tuning), не будь one-trick pony; работай усердно, если позволяет жизненная ситуация.

Итог

В эпоху, когда код почти бесплатен, выигрывает не тот, кто умеет «делать AI», а тот, кто умеет решать, что именно стоит построить, отделять сигнал от хайпа и доставлять реальную ценность среди правильных людей.