Стартап 10x Science из батча Y Combinator W26 нанял вторым сотрудником серийного основателя и бывшего CTO Дэвида Маунта. Инженер пришёл через площадку YC Work at a Startup после закрытия его предыдущей компании, а теперь будет строить ИИ для научных исследований — от агентных сценариев до интерфейсов для анализа биохимических данных.
Маунт откликнулся на вакансию после того, как у его стартапа Chinchill.AI закончились деньги, а через две недели получил сообщение от одного из основателей 10x Science. Решающим оказался не только опыт кандидата: фаундеры изучили его личный проект Atomic Ambitions о ядерной энергетике. Об истории найма сообщает Y Combinator Blog.
До 10x Science Маунт успел создать четыре компании, поработать техническим директором и пережить типичный для ранних стартапов сюжет: продукт есть, деньги закончились, команда ищет следующий шанс. В этот раз его заинтересовала прикладная задача. 10x Science разрабатывает систему, которая использует ИИ для обработки научных данных и поиска закономерностей в биологии и химии. Компания связывает эту работу с исследованиями в медицине, биотехе и фармакологии, но конкретных продуктов, клиентов или финансовых показателей не раскрывает.
Проверка кандидата тоже соответствовала ранней стадии. После интервью Маунта пригласили на двухдневный очный work trial. За первый день ему нужно было разобраться в задаче и спроектировать решение, а ночью — ускоренно освоить протеомику, теорию ИИ и незнакомые инструменты. На второй день он формулировал задания для Codex и собирал прототип до окончания отведённого времени. Сам инженер сравнил этот опыт с экзаменом, где пытаешься набрать максимум частичных баллов, понимая, что задача специально превышает комфортный уровень.
Для российских разработчиков здесь важен не столько экзотический формат собеседования, сколько профиль вакансии. В 10x Science нет привычного разделения на фронтенд, бэкенд, ML-команду и отдельный DevOps. Второй сотрудник работает с полным стеком на Rust и Vue.js, запускает функции с нуля, улучшает существующие сценарии, собирает оркестрацию агентов и бенчмарки. Отдельное направление — среда, где новый пользователь может изолированно запускать процедуры научного анализа и разбираться, какие математические и предметные допущения стоят за результатом.
Так выглядит ранний прикладной ИИ без маркетинговой дымовой завесы: модель сама по себе не становится лабораторным открытием. Нужны воспроизводимые пайплайны, понятные входные данные, оценка качества и интерфейс, который не заставляет биолога превращаться в инженера по инфраструктуре. Поэтому ИИ для научных исследований создаёт спрос не только на специалистов по моделям, но и на сильных full-stack-разработчиков, способных быстро освоить предметную область и превратить исследовательский процесс в работающий продукт.
Маунт уже называет одним из личных достижений умение различать 20 аминокислот, встречающихся у человека. Деталь кажется почти комичной, но она хорошо описывает рабочую реальность таких команд: инженер должен достаточно глубоко войти в домен, чтобы не автоматизировать бессмыслицу. Доступ к Claude, Codex и другим моделям в компании рассматривают как обычный рычаг производительности, а не как замену этой экспертизы. Рабочее место сотруднику также собрали без экономии на мелочах: MacBook Pro, механическая клавиатура Keychron Q1 Max и ультраширокий монитор.
Маунт пришёл в компанию с простым набором критериев: польза для людей, сильная и доброжелательная команда, реальность идеи, удачный момент на рынке и готовность основателей работать именно с ним. По его словам, 10x Science закрыла все пункты. Основатели встретились в исследовательской лаборатории Стэнфорда, хотя выросли в разных средах — на Багамах, в Кремниевой долине и Северной Каролине. Первым нанятым сотрудником компании был бывший цирковой артист, позднее перешедший в разработку. Для молодой команды это не столько украшение истории, сколько сигнал: стартап собирает людей по способности делать работу, а не по линейности резюме.
Ранние вакансии в научном ИИ будут всё чаще требовать именно такой комбинации: инженерной широты, терпимости к неопределённости и готовности изучать биологию, химию или физику на ходу. Главный вопрос для этого сегмента теперь не в том, смогут ли модели помочь учёным, а в том, смогут ли команды доказать качество своих выводов и встроиться в реальный исследовательский контур. Для тех, кто умеет строить продукт на стыке домена и кода, ИИ для научных исследований становится заметно более практичным рынком, чем очередной чат-бот для корпоративного портала.
