# 997 и World Models: как Higgsfield.AI строит будущее видео

Источник: https://www.youtube.com/watch?v=68Qq7GaUOqo
Канал: nFactorial Podcast
Опубликовано: 25.05.2024

---

В эпоху, когда OpenAI диктует правила игры, команда Higgsfield.AI работает по графику «997» и вручную размечает данные, чтобы не допустить ошибку ценой в сотню тысяч долларов. Ерзат Дулат объясняет, почему путь к персональному кино и AGI лежит не через изящные алгоритмы, а через экстремальный инжиниринг и умение выживать в условиях «пузыря недвижимости» на рынке GPU.

## 🚀 От инфраструктуры к видеомоделям: рождение Higgsfield.AI

[[JUMP:00:00]]

### Путь от «продажи лопат» к фундаментальным моделям
[[JUMP:02:45]]

История стартапа Higgsfield.AI началась не с генерации видео, а с амбициозной попытки упростить жизнь ML-инженерам во всём мире. После первой встречи Ерзата Дулата с будущими партнёрами стало очевидно, что наступает идеальный момент для запуска ИИ-стартапа [02:58]. Первоначальной концепцией была разработка инфраструктуры для обучения гигантских нейросетей — так называемый LM Ops [03:00]. Ерзат описывает этот подход как стратегию «продажи лопат» в разгар золотой лихорадки: создание инструментов для других фаундеров — это самый безрисковый путь в развивающейся отрасли [03:11].

Команда разработала фреймворк для обучения моделей с параметрами от 1 миллиарда до 1 триллиона [03:37]. Основной фокус был сделан на отказоустойчивости (fault tolerance) и пользовательском опыте для инженеров (MLX), чтобы даже специалисты среднего уровня могли эффективно тренировать огромные сети [03:50]. Первым в идею поверил инвестор Мурат Абдурахманов, вложивший средства в мае 2022 года, а официальная регистрация компании состоялась 26 июня [04:04]. 

Фреймворк Higgsfield решал критическую проблему: для обучения большой модели обычно требуется целый штат специалистов — от DevOps для настройки кластеров до математиков и системных инженеров, способных распределить параметры по тысячам GPU [05:40]. Продукт Ерзата объединял эти слои, позволяя инженеру сосредоточиться на математической логике, пока система сама синхронизировала кластер и оптимизировала скорость итераций [05:55]. На этом поле компания конкурировала с такими гигантами, как MosaicML (куплена Databricks за $1,3 млрд) и Anyscale [06:51]. 

Однако в декабре 2023 года команда осознала, что «окно возможностей» для создания собственной фундаментальной модели (foundational model) закроется через несколько месяцев [13:18]. Несмотря на высокие риски, фаундеры решили сфокусироваться на видеогенерации, посчитав, что в этой нише ещё можно успеть «запрыгнуть в поезд», тогда как рынок текстовых LLM уже был перенасыщен [13:46].

### Команда и первые эксперименты
[[JUMP:08:27]]

Важнейшим этапом стало формирование костяка команды. Со своим партнёром Алексом Машрабовым (экс-директор по продукту в Snapchat) Ерзат познакомился летом 2022 года [08:40]. Их первый разговор длился около 8 часов без остановки, что сразу выявило общность взглядов [09:19]. Позже к ним присоединились Анвар Умаров и Азат Хаиров. Азата Ерзат характеризует как «самого мощного инженера из Казахстана», способного в одиночку написать и инфраструктуру, и математическую базу нейросети [10:14]. 

До того как окончательно сфокусироваться на видео, команда рассматривала и другие направления:

*   Автоматизация промт-инжиниринга через мета-оптимизацию [12:10].
*   Мультиагентные системы для игровых миров типа Roblox или Minecraft, где ИИ-агенты могли бы сами строить сеттинг игры [14:25].
*   Инструменты безопасности для языковых моделей (LLM Security) [12:10].

Ранее в разговоре упоминалось, что такой быстрый прогресс — запуск за 3 месяца — потребовал от команды экстремального режима работы без выходных [00:25].

### Технологический прорыв: почему Трансформеры победили UNet
[[JUMP:19:19]]

Ерзат объясняет, что текущее состояние видеомоделей напоминает эпоху GPT-2: мы видим короткие ролики по 2–3 секунды, которые больше похожи на «анимированные гифки», чем на реалистичное кино [16:14]. Чтобы совершить качественный скачок, Higgsfield.AI сделала ставку на архитектуру Трансформеров и концепцию World Models (Модели мира).

World Models — это концепция из обучения с подкреплением (Reinforcement Learning), где нейросеть учится имитировать реальный мир [16:39]. Подобно тому, как беспилотные автомобили тренируются в виртуальных симуляциях, прежде чем выехать на дорогу, видеомодель должна «понимать» законы физики и взаимодействия объектов в кадре [17:48].

Ключевое технологическое различие в видеогенерации сегодня — это выбор между архитектурами UNet и Трансформерами [19:33]:

1.  **UNet:** Старая архитектура, изначально созданная для сегментации медицинских изображений [19:47]. Она быстрее в итерациях и менее требовательна к мощностям, поэтому первые диффузионные модели (включая Stable Diffusion ранних версий) строились на ней [20:14].
2.  **Трансформеры:** Более масштабируемая архитектура. Именно переход на Трансформеры (как в Stable Diffusion 3 или моделях Higgsfield) позволяет радикально поднять качество и реализм видео [20:40].

Ерзат также подробно описывает суть процесса диффузии. В отличие от генеративно-состязательных сетей (GAN), которые пытаются предсказать целую картинку из шума сразу и часто страдают от «коллапса моды» (генерируют одно и то же) [24:23], диффузия работает итеративно. Нейросеть учится не рисовать, а «очищать» изображение от шума [21:43]. В процессе тренировки к идеальному кадру добавляется шум, а задача сети — предсказать этот шум, чтобы его можно было вычесть [22:23]. Этот цикл повторяется до 1000 раз, пока из хаотичных пикселей не проявится четкое изображение [24:51].

## 🚀 Продукт Diffuse: от «тяжелой» модели к карманному инструменту для креаторов
[[JUMP:28:33]]

Помимо разработки фундаментальной видеомодели (о технической стороне которой шла речь в предыдущей главе), Higgsfield.AI с самого начала сфокусировались на конечном потребителе. Результатом стало B2C-приложение **Diffuse**, которое решает одну из главных проблем современной генерации — отсутствие контроля над персонажем [28:33]. Большинство существующих нейросетей выдают случайный результат, но Diffuse позволяет пользователю стать главным героем видео или анимировать конкретного человека с сохранением его уникальных черт [29:47].

### Укрощение персонажа: больше, чем просто Face Swap
[[JUMP:30:02]]

Ключевое отличие Diffuse от популярных ранее сервисов по замене лиц заключается в глубине генерации. Как объясняет Ерзат Дулат, это не просто «накладывание» маски на существующее видео (дипфейк в классическом понимании), а создание контента с нуля на основе вводных данных [30:16].

*   **Консистентность внешности:** Модель учитывает не только черты лица, но и причёску, фигуру и общее телосложение [30:29]. Если вы загружаете своё селфи и выбираете референс (например, танец Бруно Марса), нейросеть генерирует новое видео, где именно вы совершаете эти движения, сохраняя анатомическую точность [30:02].
*   **Гибридный контроль:** Приложение сочетает в себе подходы Image-to-Video и Text-to-Video. Пользователь может управлять не только тем, кто находится в кадре, но и менять бэкграунд или характер движения с помощью текстовых подсказок [30:43].
*   **Ориентация на проземеров:** Основная аудитория приложения — SMM-менеджеры и создатели контента, которым нужно быстро генерировать качественные ролики для социальных сетей [31:09]. Для тех, кому требуется ювелирная точность, разработчики внедрили «Prompt Builder» — инструмент для точечного контроля каждого аспекта сцены [31:38].

Несмотря на статус стартапа ранней стадии, команда Higgsfield уже выстроила инфраструктуру для обслуживания миллионов пользователей [29:47]. Для этого используется горизонтальное масштабирование на GPU среднего сегмента (L4 и L40), которые идеально подходят для инференса — непосредственного вывода готовых видео пользователям [29:27].

### Противостояние титанам: как конкурировать с OpenAI Sora
[[JUMP:43:33]]

Выход модели Sora от OpenAI в начале 2024 года стал шоком для индустрии, однако в Higgsfield восприняли это как подтверждение правильности своего курса [44:12]. Пока крупные корпорации стремятся создать «универсальные модели мира», стартапы находят свои ниши за счёт гибкости и продуктовых фишек.

Ерзат вспоминает, что на этапе ранних питчей многие венчурные инвесторы скептически относились к их подходу. Конкуренты из Стэнфорда продвигали идею генерации через 3D-графику и последующий рендеринг нейросетями [44:57]. Однако Higgsfield сделали ставку на трансформеры и «World Models», что в итоге стало индустриальным стандартом после релиза Sora [45:23].

Конкурентное преимущество Higgsfield перед гигантами и такими игроками, как Runway или Pika, строится на трёх столпах:

1.  **Качество и физика:** Постоянная итерация модели позволяет достигать более высокого разрешения и естественности движений [48:38].
2.  **Глубокий интерфейсный контроль:** В то время как Sora работает преимущественно через текст, Higgsfield даёт инструменты прямого манипулирования объектами. Например, пользователь сможет легко «сменить шляпу» персонажу или задать конкретную траекторию движения камеры внутри интерфейса [49:18], [50:11].
3.  **Эффективность обучения:** В отличие от корпораций с неограниченным бюджетом, стартапу приходится филигранно настраивать гиперпараметры обучения (batch size, количество итераций), чтобы получить максимум качества при ограниченных вычислительных ресурсах [42:24]. Это требует уникальной инженерной экспертизы, которой, по мнению Ерзата, в мире обладают считанные команды, такие как Anthropic или OpenAI [43:17].

### Будущее видеоредактирования: от промптов к объектам
[[JUMP:46:52]]

Развитие видеогенерации неизбежно пройдёт тот же путь, что и языковые модели: от простых текстовых запросов к сложным системам управления [47:18]. Ерзат отмечает, что простого Text-to-Video скоро будет недостаточно — рынку нужны инструменты, позволяющие бесшовно вставлять своих персонажей в любые сценарии [47:32].

В Higgsfield видят своё приложение не просто как генератор забавных роликов, а как полноценный видеоредактор нового поколения. Уже сейчас в разработке находятся функции, позволяющие получать вместе с видео метаданные об объектах в нём [50:11]. Это позволит профессиональным монтажёрам редактировать сгенерированный контент в Adobe Premiere или After Effects с такой же лёгкостью, как если бы это была сцена, снятая на реальную камеру с использованием хромакея и трекинга [49:45].

Ранее в разговоре Ерзат упоминал, что их технологический стек на базе Python и Go позволяет быстро внедрять такие инновации, обходя инфраструктурные ограничения [40:37]. Несмотря на агрессивную конкуренцию в Кремниевой Долине, Higgsfield продолжает хантить сильнейших ML-инженеров, чтобы доказать: foundational-модель мирового уровня может иметь казахстанские корни [34:59].

## 🎬 Генеративный Голливуд и будущее исследований: от LLM к видео-агентам

[[JUMP:52:31]]

В мире современного ИИ видеогенерация становится следующим большим фронтиром после текста. Основатель Higgsfield.AI Ерзат Дулат в разговоре с Арманом Сулейменовым утверждает, что мы находимся в точке перелома, где технология не просто имитирует реальность, но начинает диктовать новые правила медиапотребления и корпоративного управления [52:45].

### Персонализированное кино и ИИ в Голливуде
[[JUMP:52:31]]

Ерзат прогнозирует, что трансформация киноиндустрии произойдет гораздо быстрее, чем ожидает большинство скептиков. Уже в 2024 году в Голливуде появятся полноценные качественные «шоты» (сцены), полностью созданные нейросетями [53:10]. Если раньше индустрия боролась с проблемой «мерцания» и нестабильности изображения [52:16], то современные архитектуры позволяют достигать высокой консистенции персонажей [50:54].

Перспективы развития отрасли на ближайшие годы:

*   **Через 2 года:** Появление полноценных фильмов, сгенерированных ИИ на основе профессиональных сценариев (например, по 100-страничному тексту в стиле Квентина Тарантино) [53:47].
*   **Через 5 лет:** Реализация концепции «персонализированного Netflix» [52:45]. Пользователь сможет прийти домой и заказать генерацию уникального 90-минутного фильма, сочетающего любые жанры (например, боевые искусства и философию), который будет существовать в единственном экземпляре специально для него [52:57].

Ерзат отмечает, что ключевым вызовом для создания кино «с нуля» является не только генерация картинки, но и разработка сложной рекомендательной системы, способной подстраивать нарратив под предпочтения конкретного зрителя на лету [53:23]. При этом он предсказывает разделение рынка: возникнет огромный пласт AI-generated контента и элитарный «андеграунд» из фильмов, снятых людьми вручную [54:01].

### Тренды AI-исследований: мультимодальность и контекст
[[JUMP:55:25]]

В области фундаментальных исследований ИИ главным трендом остается мультимодальность. Современные LLM (большие языковые модели) совершили качественный скачок благодаря увеличению длины контекста — от 2 000 токенов в первой Llama до миллиона и более в моделях Gemini [58:10]. 

Это расширение «памяти» нейросети критически важно для работы с визуальными данными. Чтобы добавить видео в модель, необходимо перевести его в визуальные токены, которые будут существовать в едином пространстве с текстовыми и аудио-токенами [56:06]. В будущем это позволит:

*   Подавать в модель целые библиотеки данных, фильмы и музыку как единые объекты [56:21].
*   Реализовать метод воображения: нейросеть будет не просто выдавать текст, а поэтапно (Step-by-step) генерировать внутренний 3D-мир и физику процесса, подобно тому как человек воображает идеи в голове перед ответом [57:01].
*   Загружать «всю свою жизнь» в контекстное окно, чтобы через годы спросить ИИ о событиях конкретного дня, основываясь на гигабайтах личных архивов [58:38].

Однако Ерзат подчеркивает, что развитие этих технологий упирается не только в алгоритмы, но и в экономику: производство GPU (особенно учитывая монополию NVIDIA и сложности тайваньского производства) является «бутылочным горлышком» на пути к массовому внедрению таких систем [59:05].

### Автономные агенты и экономика ИИ-сотрудников
[[JUMP:1:07:14]]

Развитие систем вроде Devin и Magic знаменует переход от простых чат-ботов к автономным агентам, способным выполнять длинные цепочки задач [1:07:14]. Ерзат предлагает относиться к ним не как к быстрым калькуляторам, а как к «наемным сотрудникам» [1:08:37].

Основные тезисы об эволюции агентов:

1.  **Стоимость вычислений:** На текущем этапе создание безупречного решения через агента может стоить в разы дороже, чем найм живого специалиста [1:09:16]. Это связано с тем, что агент часто ошибается и вынужден обходить огромное дерево вариантов (sampling), чтобы найти верную траекторию выполнения задачи [1:09:30].
2.  **Гибридизация:** В корпорациях (enterprise) сначала закрепится модель «человек + копайлот», и лишь затем задачи будут полностью делегироваться автономным системам [1:08:12]. 
3.  **Горизонт эффективности:** В течение 1-2 лет, по мере оптимизации стоимости инференса (генерации) и развития инфраструктуры автоскейлинга GPU (как это реализовано в Higgsfield), эффективность агентов превысит человеческую [1:10:39].

### Open Source и специализация моделей
[[JUMP:1:10:52]]

Параллельно с закрытыми гигантами развивается рынок Open Weight моделей (Llama, Mistral). Одним из самых интересных направлений Ерзат называет *Model Merging* — эволюционные алгоритмы, которые «скрещивают» веса разных моделей (одна хорошо пишет код, другая обладает эмпатией) для получения новых конфигураций без обучения с нуля [1:12:13]. 

Это открывает возможности для Enterprise-сектора, где компании не могут использовать GPT-4 из-за требований безопасности данных и обязаны держать модели на собственных серверах [1:14:48]. Ранее в разговоре Ерзат уже затрагивал тему архитектур [ранее упоминалось в главе 1], отмечая, что выбор между специализированным дообучением (Fine-tuning) и фундаментальными моделями остается одной из главных дилемм для современных стартапов [1:13:58].

## 🚀 От чистого кода к «грубой силе»: путь к AGI и выживание в эпоху дипфейков
[[JUMP:1:15:15]]

### Путь к AGI: почему инжиниринг победил алгоритмы
[[JUMP:1:21:40]]

Ерзат Дулат признается, что его взгляды на создание сильного искусственного интеллекта (AGI) претерпели фундаментальную трансформацию. В 2018 году, будучи «алгоритмическим романтиком», он верил, что путь к AGI лежит через создание сверхсложных математических моделей и изучение программного синтеза [1:22:40]. На его ранних скетчах и страницах в GitHub миссия была сформулирована как поиск «элегантного» решения через логику и новые методы обучения [1:22:14]. Однако реальность индустрии показала иное: успех ИИ сегодня — это не столько вопрос изящной математики, сколько вопрос эффективного «нападения» на задачу огромными вычислительными мощностями [1:23:48].

Современный успех архитектуры Transformer Ерзат объясняет её феноменальной способностью утилизировать ресурсы GPU [1:16:09]. Пока альтернативные подходы, такие как Mamba, пытаются экономить вычислительные операции (флопсы), они неизбежно теряют в качестве и проигрывают в задачах обучения в контексте (in-context learning) [1:16:51]. Трансформер же, несмотря на свои фундаментальные проблемы вроде численной нестабильности (numerical instability) при работе с миллионами токенов [1:17:32], остается доминирующим стандартом.

Текущая парадигма развития ИИ — это Scaling Law (закон масштабирования). Если раньше Ерзат надеялся на прорыв в алгоритмах, то теперь он убежден: путь к AGI лежит через «хардкорный инжиниринг» и утилизацию гигантских кластеров данных [1:25:35]. Основные тезисы этого подхода:

*   **Приоритет compute-мощностей:** Интеллект модели напрямую коррелирует с количеством затраченных флопсов [1:16:22].
*   **Архитектура как производная железа:** Если Transformer стал популярен потому, что он идеально ложится на архитектуру GPU [1:27:07], то следующие прорывные модели будут производными от архитектуры целых дата-центров [1:26:54].
*   **Решение проблем стабильности:** Чтобы тренировать модели с триллионами параметров, инженерам приходится переходить на обучение в формате fp32 вместо стандартных fp16/bf16, что удваивает бюджеты на память и вычисления [1:18:55].

Ранее в разговоре Ерзат упоминал значимость инфраструктурных вызовов, но в контексте AGI он подчеркивает: мы находимся в фазе, когда «грубая сила» компьютеров заменяет необходимость в экспертных знаниях о мире, будь то 3D-рендеринг или лингвистика [1:24:00].

### Советы фаундерам: как запустить AI-стартап без лишней рефлексии
[[JUMP:1:27:12]]

Рынок ИИ-приложений Ерзат сравнивает с эпохой раннего интернета: если в 90-х капитализация была сосредоточена у производителей «железа» и кабелей, то со временем основные деньги ушли в прикладные сервисы вроде Airbnb [1:28:40]. Для тех, кто хочет запустить свой стартап сегодня, Ерзат предлагает отказаться от теоретических изысканий и перейти к «рыночным итерациям» [1:34:27]. 

Главная рекомендация для молодых предпринимателей — минимизировать время на внутреннюю рефлексию и презентации в PowerPoint [1:34:53]. Вместо поиска «идеальной идеи» в вакууме, следует погрузиться в реальный мир и искать ниши, где «циркулирует много кэша» [1:32:11]. Одним из самых эффективных путей Ерзат считает модель «от аутсорса к продукту»:

1.  **Старт с услуг:** Найти клиента и предложить ему автоматизацию процессов через LLM-агентов [1:31:44].
2.  **Погружение в боли:** В процессе работы обнаружить узкую вертикаль, где проблема повторяется у многих [1:31:18].
3.  **Продуктизация:** Сфокусироваться на одной точке и бить в неё, превращая хастл-сервис в масштабируемое решение [1:31:30].

Ерзат предостерегает молодых фаундеров без опыта продаж от попыток сразу идти в Enterprise-сектор с тяжелыми B2B-продуктами (например, копайлотами для узких профессий) [1:29:46]. Вместо этого он советует искать креативные применения ИИ, которые раньше были невозможны. В качестве примера он приводит кейс стартапа, который с помощью LLM анализирует соцсети алкогольных и табачных брендов на соответствие законодательству и внутренним гайдлайнам [1:33:06]. Автоматизация поиска таких несоответствий позволяет фаундерам продавать подписку головным офисам компаний, предотвращая огромные юридические риски [1:34:01].

«Никто точно не знает — ни венчурные капиталисты, ни специалисты — куда именно пойдет рынок, — резюмирует Ерзат. — Поэтому нужно просто начать строить демо и проверять их на реальных пользователях» [1:30:53].

### Риски AI: дипфейки и ландшафт войны будущего
[[JUMP:1:36:37]]

Обсуждая темную сторону технологий, Ерзат выделяет две критические угрозы: мошенничество через дипфейки и радикальную трансформацию военных действий. 

Проблема дипфейков становится вопросом национальной безопасности, особенно в странах с развитыми цифровыми госуслугами, таких как Казахстан [1:36:37]. Когда доступ к банковским счетам и государственным сервисам завязан на биометрии (Face Recognition), развитие генеративных технологий создает идеальную почву для мошенничества [1:36:50]. Государствам необходимо не только внедрять жесткое регулирование — по аналогии с европейским AI Act, разделяющим риски на уровни [1:37:19], — но и инвестировать в технические средства детектирования дипфейков [1:38:07].

Вторая угроза — применение ИИ в оборонном секторе. Современные конфликты уже превратились в «войну дешевых дронов» [1:38:48]. Интеграция ИИ позволяет создавать автономные системы, которые могут самостоятельно определять цели и принимать решения об атаке с минимальным участием человека. Ерзат упоминает систему Lavender, используемую в текущих конфликтах для автоматического выбора целей [1:39:41]. Это полностью меняет ландшафт войн будущего, делая их более быстрыми, технологичными и, потенциально, менее контролируемыми со стороны человека [1:39:01].

На вопрос о вероятности «ИИ-апокалипсиса» Ерзат смотрит философски, отмечая, что технологии всегда несут в себе как огромную пользу, так и риски, и задача общества — успевать адаптировать инфраструктуру безопасности под темпы развития моделей [1:40:06].

## ⚡️ Инфраструктурные вызовы и GPU-маркет: почему ИИ напоминает рынок недвижимости

[[JUMP:1:58:38]]

### Дефицит мощностей и «пузырь» видеокарт
[[JUMP:1:58:38]]

На текущем этапе развития индустрии доступ к вычислительным мощностям становится определяющим фактором выживания стартапа. В отличие от традиционных облачных вычислений, где ресурсы можно арендовать по запросу (on-demand), рынок высокопроизводительных GPU (A100 и H100) работает по иным законам [1:58:52]. Из-за колоссального спроса облачные провайдеры отказываются предоставлять мощные карты в краткосрочную аренду: диалог с клиентом начинается только при условии заключения контракта на срок от года до трёх лет [1:59:20].

Ерзат Дулат отмечает, что современный GPU-маркет начинает пугающе напоминать рынок недвижимости [2:00:12]. Провайдеры берут огромные кредиты, закупают оборудование у NVIDIA и фактически перепродают эти мощности через долгосрочные контракты стартапам и корпорациям [2:00:25]. Такая модель минимизирует риски невозврата кредитов для провайдеров, но создаёт условия для формирования экономического пузыря [2:00:37]. 

Ситуация усугубляется тем, что даже у крупнейших облачных гигантов инфраструктура зачастую не готова к специфическим ML-нагрузкам [2:01:01]. Команде Higgsfield.AI приходилось самостоятельно исправлять баги во внутренней инфраструктуре провайдеров и даже править их официальную документацию [2:01:14]. Большинство текущих решений — это «кривые» надстройки над Kubernetes или Bare Metal, сделанные наспех, чтобы удовлетворить внезапный спрос [2:01:41]. Однако в будущем ожидается появление по-настоящему эластичных Serverless GPU-провайдеров с хорошей отказоустойчивостью [2:02:06].

### Инструментарий ИИ-стартапа: от векторных баз до инференса
[[JUMP:1:53:35]]

Выбор технологического стека для ИИ-проекта сегодня требует баланса между готовыми решениями и собственной разработкой. В вопросах векторного поиска Ерзат выделяет библиотеку **Faiss** от Meta как фундаментальное решение, проверенное временем [1:54:13]. Основная проблема Faiss заключается в том, что это лишь инструмент поиска, а не полноценная база данных: при появлении новых данных (например, нового ресторана в системе рекомендаций) необходимо проводить полную переиндексацию, что занимает много времени [1:55:06]. Именно эту «боль» решают современные векторные базы данных, позволяющие быстро обновлять индексы «под капотом» [1:55:21].

Для оптимизации процессов разработки и деплоя Higgsfield.AI выделяет несколько ключевых инструментов:

*   **Replicate:** удобный сервис для контейнеризации, работающий по принципу «Docker для моделей», что значительно упрощает эксплуатацию [1:56:19];
*   **Ray:** библиотека, которую Ерзат рекомендует для хардкорной инфраструктуры и сложного оркестрирования мощностей [1:56:47];
*   **Inference API (Together.ai, Deep Infra):** сервисы, предоставляющие единый доступ к множеству моделей (Llama, Mistral) [1:57:12].

Использование специализированных API для инференса зачастую обходится стартапам дешевле, чем попытка поднять собственную инфраструктуру с нуля [1:57:55]. Провайдеры вроде Together уже владеют долгосрочными контрактами на GPU и за счёт супероптимизированного софта могут предлагать эластичный спрос по конкурентным ценам [1:59:32].

### Монополия гигантов и кризис инноваций в стартапах
[[JUMP:2:02:21]]

В индустрии происходит фундаментальный сдвиг: если раньше инновации рождались в гаражах и небольших компаниях (как ранний Apple против IBM), то сегодня создание передовых ИИ-моделей требует такого объёма капитала, который доступен только сверхкрупным корпорациям [2:03:32]. Google, Microsoft, Meta и Amazon обладают монопольным преимуществом, скупая последние чипы NVIDIA в масштабах, недоступных остальному рынку [2:05:19].

В сегменте генерации кода Ерзат считает практически невозможным обход связки OpenAI и Microsoft [1:51:45]. Поскольку Microsoft владеет GitHub, у них есть доступ к самому ценному датасету — всему мировому коду, что даёт им непреодоримое преимущество в обучении моделей [1:51:45]. Стартапам в этой нише (как Cognition Labs с их агентом Devin) приходится делать ставку не на саму технологию, а на агрессивный PR и мастерство продаж [1:52:13].

Ранее в разговоре обсуждались риски полной замены сотрудников автономными агентами, но в текущем контексте Ерзат подчеркивает: преимущество больших компаний не только в данных, но и в способности «видеть будущее» через инвестиции в компьют [2:03:58]. Даже такие амбициозные проекты, как Perplexity, сталкиваются с тем, что у Google накоплен колоссальный запас «кэша», позволяющий им оставаться на плаву и нагонять лидеров, несмотря на внутреннюю неэффективность [2:05:03]. Ситуация привлекла внимание антимонопольных служб США, которые начинают расследования в отношении доминирующего положения «Большой четверки» в сфере ИИ [2:05:34].

## 🚀 Команда и культура: Режим 997 и «олимпийский» отбор
[[JUMP:2:09:41]]

### Экстремальный режим: почему в Higgsfield не верят в Work-Life Balance
[[JUMP:2:09:41]]

Для основателей Higgsfield.AI работа над стартапом превратилась в марафон на выживание, где границы между днями недели полностью стерлись. Ерзат Дулат описывает текущий график команды как «режим супер-хардкора», который длится уже около года [2:10:11]. В предрелизные месяцы рабочая нагрузка инженеров стабильно превышала 80 часов в неделю [2:10:25]. Ерзат признается, что его собственный график часто превращается в цикл из 30 часов бодрствования и 4–6 часов сна [2:10:52]. Работа в коворкинге SmartPoint, где нет окон, привела к тому, что команда перестала понимать время суток: «Мы заходим — ночь, выходим — утро, у всех началась путаница» [2:11:18].

Такой темп продиктован не только амбициями, но и глобальной конкуренцией. Ерзат выделяет три типа трудовой этики:

*   **Европейская:** фокус на балансе жизни и работы, который в Долине часто воспринимается как неспособность строить прорывные компании [2:23:12].
*   **Американская:** экстремальный капитализм, где инвесторы могут назначить пятичасовой звонок в воскресенье или встать в 4 утра ради встречи [2:22:59].
*   **Азиатская:** режим «996» (с 9 утра до 9 вечера, 6 дней в неделю), характерный для таких гигантов, как TikTok [2:23:39].

В Higgsfield шутят, что их цель — «выйти на режим 996», потому что сейчас они работают гораздо больше, буквально ночуя на диванах в офисе [2:23:52]. Ерзат сознательно транслирует американским венчурным фондам (VC), что его команда — это «азиаты из постсоветской страны», сочетающие мощную математическую школу и готовность «фигачить по-жёсткому», как в Китае или Корее [2:22:18]. Ранее в разговоре они касались процесса фандрайзинга, и Ерзат отмечает: именно эта репутация «американского стиля работы» позволяет стартапу из Казахстана преодолевать жесткий гейткипинг Кремниевой Долины [2:30:11].

### Оценка талантов: физики-олимпийцы и «код на салфетке»
[[JUMP:2:11:42]]

Костяк Higgsfield составляют не просто сильные программисты, а инженеры с глубокой фундаментальной базой. Ерзат подчеркивает, что в Казахстане наконец сформировалось критическое количество талантов «олимпийского» уровня [2:11:42]. В команде работают такие специалисты, как Адильхан Сарсен — призер международных олимпиад по физике и бывший ключевой инженер YC-стартапа [2:14:08], а также Султан Нурмухамедов, закончивший Назарбаев Университет с GPA 4.0 и прошедший Школу анализа данных (ШАД) Яндекса [2:15:01]. Ерзат нашел Султана буквально по спискам оценок курса «Efficient Deep Learning», заметив казахскую фамилию среди лучших студентов одного из самых сложных курсов в СНГ [2:15:40].

Процесс найма в ML-команду и отдел инфраструктуры отличается предельной жесткостью:

1.  **Глубинная теория:** кандидатов экзаменуют по сложнейшим вопросам машинного обучения, требуя объяснить ход мыслей при регуляризации моделей в нестандартных конфигурациях [2:17:48].
2.  **Проверка на «приукрашивание»:** если соискатель указывает в резюме владение C++ или CUDA, его будут «жестко спрашивать по хардкору» именно в этих областях, проверяя реальный low-level опыт [2:18:28].
3.  **Скорость принятия решений:** несмотря на сложность, компания может закрыть вакансию за один день, проведя три интервью подряд, чтобы не терять темп [2:21:07].

Особое внимание уделяется отсутствию эго. Даже топовые ML-инженеры по 10 часов в день могут заниматься рутинной разметкой данных, не отдавая её на аутсорс [2:19:44]. Ерзат уверен: если разметка будет грязной, тренировка модели за сотни тысяч долларов пойдет насмарку, поэтому фаундеры и ведущие разработчики размечают первые датасеты сами, сидя бок о бок с новичками [2:20:10].

### Мотивация и юридические инновации: как удержать лучших
[[JUMP:2:12:11]]

Higgsfield стремится платить выше рынка и регулярно повышает зарплаты, но главным драйвером Ерзат считает сопричастность к большой цели и честное распределение долей [2:12:23]. Чтобы выдать реальные опционы казахстанским сотрудникам, стартап привлек топовую юридическую фирму Cooley из Кремниевой Долины [2:13:28]. Поскольку в казахстанском праве механизмов для западных опционов практически нет, команда потратила значительное время, чтобы юридически грамотно связать американское юрлицо и местных инженеров [2:13:40]. 

Для молодых инженеров в возрасте 24–25 лет возможность применить знания квантовой физики или высшей математики в реальном продукте мирового уровня — это «огромная мотивация» [2:14:36]. При этом компания открыто предупреждает на входе об отсутствии Work-Life Balance. Это приводит к естественному отсеву: люди с семьями или те, кто уже «выгорел» на прошлых работах, редко вписываются в ритм Higgsfield [2:25:02]. Ерзат видит в этом демографическое преимущество Казахстана: в стране много энергичной молодежи, для которой IT-карьера стала новой «нефтяной иглой» [2:26:09].

## 🇰🇿 Казахстан на карте ИИ и «акулы» Кремниевой долины
[[JUMP:2:30:48]]

### Новая ниша в мировой экономике и «Higgsfield Mafia»
[[JUMP:2:30:48]]

Ерзат Дулат убежден, что сейчас формируется новый слой мировой экономики — искусственный интеллект, и Казахстан обязан занять в нем свое место [2:30:48]. Он проводит параллель с тем, как в свое время Германия заняла нишу в промышленности, а Корея и Япония — в электронике [2:31:18]. У Казахстана для этого есть ключевой ресурс: молодое и амбициозное население [2:31:31]. Однако для успеха необходимо перенимать «долиновскую» культуру работы, которая подразумевает огромную самоотдачу [2:31:56]. Ерзат критически относится к европейской модели с 35-часовой рабочей неделей, считая, что для развивающейся страны это путь в никуда [2:33:26]. 

Важным элементом этой экосистемы должны стать основатели-инженеры. Ерзат отмечает, что в Казахстане фаундеры часто не умеют кодить, что создает коммуникационный разрыв с командой [2:34:46]. В Долине же лучшие стартапы создаются теми, кто сам написал первую версию продукта [2:34:59]. Еще одна долгосрочная цель — создание так называемой «Higgsfield Mafia» [2:32:47]. По аналогии с PayPal, сотрудники стартапа, получив уникальный опыт работы по американским стандартам и заработав на опционах, в будущем должны запустить собственные проекты, усиливая технологический потенциал страны [2:32:47]. При этом Ерзат подчеркивает, что такая работа — это не просто «пахота», а состояние, когда человек настолько любит свое дело, что «не наблюдает часов» [2:36:08].

### Жесткий фандрайзинг: как Tier-1 фонды проверяют фаундеров
[[JUMP:2:36:50]]

Процесс привлечения инвестиций в Кремниевой долине — это столкновение с «акулами капитализма» [2:39:45]. Основную нагрузку по звонкам взял на себя сооснователь Higgsfield.AI Алекс Машрабов [2:37:02]. Ерзат подключался к встречам на этапе глубокого погружения в технологии (deep dive), и даже эти полуторачасовые сессии оставляли ощущение полной выжатости [2:37:29]. Чем выше уровень фонда (Tier-1), тем жестче ведут себя партнеры [2:37:45]. 

Инвесторы используют специфические психологические приемы для проверки устойчивости фаундера. Например, они могут задать один и тот же вопрос десять раз подряд, каждый раз немного меняя формулировку [2:39:32]. Это делается для того, чтобы проверить глубину понимания темы и последовательность аргументации [2:39:45]. Ерзат отмечает, что в Долине существует целая культура «дрессировки» предпринимателей, которую проходят выпускники Стэнфорда или топовых MBA, чтобы соответствовать стандартам инвестиционного комьюнити [2:40:55]. Весь процесс фандрайзинга проходил в режиме экстремальных однодневных спринтов: днем — звонки с инвесторами, ночью — доработка прототипов на основе их фидбека [2:38:25].

### Кузница талантов: от олимпиад до домашних ГПУ-кластеров
[[JUMP:2:42:28]]

Higgsfield.AI планирует построить пайплайн для поиска талантов внутри Казахстана, ориентируясь в первую очередь на «олимпийцев» — медалистов международных соревнований по физике и математике [2:42:28]. Ерзат сам выходец из этой среды и считает, что сильная фундаментальная база важнее узких навыков программирования [2:42:55]. Хотя офис компании уже открыт в Лондоне [2:42:00], а после раунда серии А планируется более активная релокация в Долину [2:41:48], присутствие в Казахстане останется стратегическим [2:42:28].

Для тех, кто хочет войти в ML сегодня, Ерзат дает практические советы:

*   Использовать бесплатные курсы Стэнфорда и Беркли на YouTube по темам Deep Learning и Reinforcement Learning [2:44:28].
*   Не бояться инвестировать в «железо». Легендарный инженер компании Конанабек тратит почти всю зарплату на видеокарты, собрав дома огромный кластер для обучения моделей [2:46:31].
*   Начинать можно даже с бюджетных решений вроде 1080 Ti (с которой начинали сами Ерзат и Азат), но для серьезной работы стандартом является 4090, позволяющая запускать современные алгоритмы оптимизации [2:45:50].

### Тыл и поддержка: семьи в эпицентре стартап-шторма
[[JUMP:2:47:27]]

Экстремальный режим работы, о котором шла речь ранее, был бы невозможен без поддержки семей. Ерзат делится трогательной историей: во время сильного землетрясения в Алматы вся команда инстинктивно съехалась в офис вместе с женами и девушками, так как никто не хотел оставлять близких одних [2:47:27]. В итоге офис превратился в семейный хаб, где работа продолжалась бок о бок с близкими [2:48:05]. 

Дулат называет жен сотрудников «героинями», так как они полностью берут на себя быт, позволяя инженерам фокусироваться на продукте в критически короткое «окно возможностей» [2:48:35]. Его собственная супруга не только поддерживает его морально, но и обеспечивает бытовую логистику, отправляя домашнюю еду и необходимые вещи прямо в офис, когда Ерзат остается там ночевать [2:49:01]. В завершение этой части беседы Ерзат подчеркивает важность действия над пустыми рассуждениями [2:54:53], плавно переходя к теме интуиции и рационализации, которой будет посвящена финальная часть интервью.

## 🏁 Искусство принятия решений: Интуиция и фактор времени

[[JUMP:2:55:46]]

В финале диалога Ерзат Дулат переходит от обсуждения технических аспектов обучения нейросетей к более фундаментальным вопросам человеческого когнитивного развития. Он подчеркивает, что в современном мире, особенно в условиях Кремниевой Долины, критически важно найти баланс между логической рационализацией и «первобытной» интуицией.

### Ловушка рационализации и преимущество «мышления охотника»

[[JUMP:2:55:59]]

Ерзат отмечает любопытный парадокс взросления: когда у подростков развивается абстрактное и логическое мышление, они начинают выстраивать цепочки аргументов, которые звучат рационально, но на практике оказываются крайне наивными [2:56:13]. Взрослый человек, обладающий жизненным опытом, часто чувствует эту наивность, но не всегда может опровергнуть её словами, так как его знание базируется на невербализованном понимании того, «как это работает на самом деле» [2:56:25].

Этот пример Ерзат проецирует на бизнес и рыночную экономику. Он сравнивает современный рынок с джунглями, где выживание зависело от скорости принятия решений, а не от глубины рефлексии [2:56:38]. По его мнению, рыночная экономика — это сложнейшая адаптивная система с огромным количеством скрытых акторов и переменных [2:57:03]. 

Ключевые инсайты Ерзата о процессе принятия решений:

*   **Ограниченность рациональности:** вычислительной мощности человеческого мозга физически не хватит, чтобы обработать все данные рынка и принять 100% рациональное решение [2:57:03].
*   **Американская школа действия:** Наблюдая за коллегами в США, Ерзат выделяет их умение двигаться быстро и оптимально в условиях неопределенности, полагаясь на натренированную интуицию [2:57:15].
*   **Отказ от гипер-рефлексии:** Попытки подвести логическую базу под каждый шаг в сложной системе часто ведут к параличу анализа [2:57:29].

### Литература и основы менеджмента: от Эдисона до Джека Уэлча

[[JUMP:2:58:48]]

Несмотря на нынешний скепсис к «офисным цитатам на стенах», которые могут показаться «кринжовыми» поколению Z в его команде [2:58:21], Ерзат признает колоссальное влияние бизнес-литературы на его формирование. Еще в 6 классе, в 2008 году, он начал следить за деятельностью Илона Маска, когда тот еще не был мировой иконой [2:59:02].

В подростковом возрасте основатель Higgsfield.AI активно изучал биографии Томаса Эдисона и Джеймса Симонса, а также классические труды по менеджменту [2:58:48]. Особое влияние на него оказали идеи Джека Уэлча, в частности, его жесткая, но эффективная система ранжирования сотрудников [2:59:30]. Ерзат отмечает, что многократно видел подтверждение принципам Уэлча в реальной корпоративной практике крупных компаний [2:59:44].

Ранее в разговоре они уже касались темы жесткой культуры и оценки талантов, и Ерзат подтверждает, что чтение таких книг в детстве оставило глубокий «отпечаток в мозге», сформировав его текущий управленческий стиль [3:01:18].

### Время как единственный конечный ресурс

[[JUMP:3:00:09]]

Одним из самых ценных уроков из литературы Ерзат называет концепцию управления временем, подчерпнутую из мемуаров руководителя проектов NASA [3:00:09]. Главная задача технического менеджера, по его мнению, — это сведение всех переменных к единице времени.

Уравнение успеха в AI-стартапе выглядит как балансировка следующих ресурсов [3:00:22]:

1.  **Compute-бюджет:** доступные вычислительные мощности (GPU).
2.  **Человеческий капитал:** количество инженеров и их экспертиза.
3.  **Данные:** объем информации, который можно запросить и обработать.
4.  **Количество гипотез:** сколько теорий команда успевает проверить за итерацию.

Все эти факторы вторичны по отношению к времени [3:00:49]. Если ранее в интервью обсуждались инженерные вызовы и GPU-маркет, то здесь Ерзат резюмирует: выигрывает не тот, у кого больше ресурсов, а тот, кто эффективнее конвертирует их в результат за минимальный срок.

### Заключительный вопрос: демократизация кино через AI

[[JUMP:3:01:18]]

В завершение подкаста Ерзат обращается к аудитории с вопросом, который отражает миссию Higgsfield.AI. Он размышляет о «гейткипинге» в киноиндустрии — огромных финансовых и организационных барьерах, которые мешают талантливым людям создавать фильмы [3:01:32].

Цель его продукта — радикально снизить этот порог [3:01:44]. Ерзат просит зрителей представить, какой фильм они бы создали прямо сейчас, если бы у них был простой и понятный инструмент генеративного ИИ, дающий «абсолютные ресурсы» для творчества без многомиллионных инвестиций [3:01:57]. Этот вопрос подводит черту под разговором о будущем контента: мир стоит на пороге эпохи, где единственным ограничением для режиссера станет его собственная фантазия, а не бюджет [3:02:10].