Аудит ChatGPT о предложении соучредителям в проект мирового значения с €200 000

Идея из статьи — распределённая сеть наблюдения за поведением животных + ИИ, которая должна находить предсейсмические аномалии за часы или дни до землетрясения. Боль огромная, потенциальный экономический эффект колоссальный, а современные камеры, микрофоны и модели компьютерного зрения действительно резко удешевили проверку гипотезы. Но как инвестиционный проект в формулировке статьи я бы сейчас не инвестировал €200 тыс. в обмен на долю.

Причина не в том, что идея заведомо невозможна. Причина в том, что статья делает скачок «есть отдельные интересные наблюдения → решение существует», а именно этот переход пока научно не доказан. Более того, некоторые доказательства в статье изложены некорректно.

При этом из гипотезы можно собрать намного более сильный стартап: не «мы научились предсказывать землетрясения», а BioSentinel / Pre-Seismic Signal Network — экспериментальный дополнительный слой данных поверх существующей сейсмологии, который сначала работает исключительно в теневом режиме и должен проспективно доказать, что его сигнал статистически лучше случайного угадывания и существующих базовых моделей. Именно такой проект я бы рассматривал.

Моя оценка:

Параметр	Исходная версия	Пересобранная версия
Сила боли	10/10	10/10
Платёжеспособность	9/10, если работает	7/10 уже на стадии исследований
Техническая собираемость	8/10	9/10
Научная доказанность	2/10	задача проекта
Скорость проверки	3/10	6/10 при распределённой сети
Конкурентный разрыв	7/10	8/10
Риск ответственности	10/10	3/10 в shadow mode
Инвестиционная привлекательность сейчас	3–4/10	6.5–7/10

1. Что на самом деле предлагается

Автор хочет получить €200 тыс. на шестимесячный эксперимент в Казахстане. Основная гипотеза: животные чувствуют неизвестный или плохо изученный предсейсмический физический сигнал значительно раньше людей и приборов; современные ИИ-системы якобы позволяют автоматически обнаруживать массовое аномальное поведение животных. Если собрать такие наблюдения пространственно, можно вычислить место, время и силу будущего события.

Самая важная мысль здесь на самом деле хорошая: животное рассматривается не как «мистический прорицатель», а как дешёвый биологический сенсор. А сеть животных: тысячи слабых шумных сенсоров → пространственно-временная корреляция → агрегированный сигнал. И вот это уже вполне нормальная исследовательская постановка.

2. Scientific due diligence: где статья сильна, а где ломается

Хайчэн, 1975
Хайчэнское землетрясение действительно является знаменитым эпизодом истории прогнозирования. Однако историческая реконструкция показывает, что ситуация была гораздо сложнее, чем «животные предупредили город». Основным предвестником стала заметная последовательность форшоков; использовались также геодезические, гидрологические и другие аномалии, включая сообщения о животных. Более того, исследователи пришли к выводу, что формального официального краткосрочного прогноза в привычном смысле не было — локальные решения об эвакуации принимались в условиях быстро развивающейся ситуации.

Поэтому использовать Хайчэн как доказательство «метод животных уже однажды точно сработал» нельзя.

Жабы перед L'Aquila
Это реальный peer-reviewed результат. Во время наблюдений за жабами исследователи увидели резкое изменение активности примерно за пять дней до землетрясения L'Aquila, в 74 км от эпицентра. Но сами авторы прямо писали, что неизвестно, на какой именно физический стимул реагировали животные. (zslpublications.onlinelibrary.wiley.com)

То есть это интересное наблюдение, а не валидированный предиктор.

Более сильный эксперимент с коровами, собаками и овцами
В 2020 году группа под руководством Martin Wikelski из Max Planck/University of Konstanz действительно непрерывно мониторила акселерометрами коров, собак и овец возле итальянской сейсмической зоны. Авторы обнаружили некоторые предшествующие аномалии и предположили возможность краткосрочного прогнозирования. (doi.org)

Но здесь произошло именно то, что обязательно должен учитывать инвестор. Независимая группа GFZ повторно проанализировала эти данные стандартными методами проверки earthquake forecasts и получила результат: сигнал животных статистически не отличался от случайного. (doi.org)

Сам Wikelski в ответе признал очень существенную вещь: по их набору данных делать прогнозы землетрясений нельзя, наблюдалась только одна группа животных в одном регионе и одной последовательности событий; присутствовало много ложных аномалий от кормления, погоды и человеческой деятельности. (onlinelibrary.wiley.com)

Это не убивает гипотезу. Но переводит её из стадии: «решение существует» в стадию: «есть гипотеза, которую теперь наконец можно нормально проверить».

3. Самая интересная новая информация 2026 года

Здесь статья неожиданно попадает в действительно актуальный технологический сдвиг. В апреле 2026 года в Scientific Reports вышла работа именно по ИИ-анализу вокализаций животных как возможных предвестников землетрясений. Авторы сообщают очень высокие показатели классификации — до 98,87% тестовой accuracy для Bi-LSTM. (nature.com)

На поверхности это выглядит как почти прямое подтверждение идеи. Но при внимательном чтении обнаруживается главный caveat: исходные аудиозаписи животных собирались с YouTube и Google, их было мало, после чего набор искусственно увеличивали pitch shifting, time stretching, шумом, изменением громкости и другими методами до сотен тысяч samples. (nature.com)

То есть модель достаточно хорошо отвечает на вопрос примерно вида: «похожа ли эта запись на набор аудиозаписей, которые исследователи пометили как abnormal/pre-earthquake?» Но это совершенно не то же самое, что: «предскажет ли система будущие землетрясения в реальном мире при непрерывном наблюдении за животными, учитывая миллионы случаев стресса, болезни, гроз, хищников, кормления и человеческого вмешательства?»

Характерно, что авторы сами называют следующим этапом создание больших систематически размеченных наборов с настоящих IoT-сенсоров в сейсмоактивных районах. (nature.com)

И вот здесь находится настоящий стартап.

4. Очень серьёзный красный флаг статьи: патент

В статье написано, что в Израиле в 2008 году на «этот же метод» был выдан патент WO/2008/053463.

PCT-публикация действительно существует: WO2008053463, автор Alexandr Yagodin. Но в патенте нет технологии анализа поведения животных. Там предлагается совершенно другая физическая гипотеза: датчики должны регистрировать специфические «пики» предполагаемой волны, движущейся к будущему эпицентру примерно со скоростью 100 км/ч; по времени прихода этих пиков на несколько датчиков предполагается вычислять эпицентр, время и магнитуду. (patents.google.com)

Google Patents также показывает семейство как ceased. (patents.google.com)

Следовательно:

патент ≠ подтверждение метода животных;
патент ≠ научная валидация работоспособности;
и существующая публикация не выглядит активным глобальным IP-moat проекта.

Для due diligence это существенная проблема.

5. Ещё один красный флаг: «учёные игнорируют, потому что потеряют работу»

Эта часть статьи фактически опровергается самим научным ландшафтом. USGS десятилетиями исследовал сообщения о поведении животных. Max Planck проводил инструментальные эксперименты. GFZ публиковал систематические обзоры. В 2026 году Scientific Reports опубликовал ML-работу непосредственно про animal vocalizations. (pubs.usgs.gov)

Проблема не в отсутствии интереса. Проблема в другом: нет воспроизводимой статистической связи с приемлемой частотой ложных тревог. И это абсолютно критично для рынка.

Представим систему, которая успешно «предсказывает» 80% сильных землетрясений, но каждые две недели требует эвакуировать Алматы без последующего землетрясения. Экономическая полезность такого продукта будет отрицательной.

Поэтому главная метрика здесь вовсе не accuracy модели. Главные метрики: False alarms / unit time + missed earthquakes + доля времени в состоянии тревоги + lead time.

6. Но боль — совершенно настоящая

Существующие Earthquake Early Warning системы не предсказывают землетрясение. Они фиксируют уже начавшееся разрушение и используют разницу скоростей распространения волн и связи, чтобы дать другим районам несколько секунд или десятков секунд. USGS прямо подчёркивает эту разницу. (usgs.gov)

Отсюда и реальный Competitive Gap. На Reddit регулярно встречаются две противоположные жалобы: пользователи либо вообще не получают предупреждения/получают его после начала толчков, либо получают ложные тревоги. При этом даже четыре секунды реального предупреждения пользователи воспринимают как чрезвычайно полезные. (reddit.com)

Если кто-то действительно даст не 4–40 секунд, а 4–20 часов, то это будет не улучшение существующего рынка на 20%. Это изменение класса продукта.

7. Платёжеспособный спрос уже доказан — но на соседний outcome

Покупатели уже платят не за «сейсмологию», а за конкретный экономический результат. USGS лицензирует данные ShakeAlert коммерческим партнёрам, которые автоматически останавливают поезда, закрывают клапаны, переводят оборудование в безопасный режим и предупреждают людей. (shakealert.org)

Early Warning Labs утверждает, что его коммерческие системы защищают более 10 млн человек и обслуживают больницы, транспорт, школы, муниципальные объекты и предприятия. (earlywarninglabs.com)

Safehub пошёл ещё дальше и связал собственную сеть датчиков с параметрическим страхованием. University of California установил 180 датчиков в рамках многомиллионного страхового покрытия. (libertymutualre.com)

А в августе 2026 года Liberty Mutual сообщила о первом реальном parametric payout, запущенном данными сети Safehub после землетрясения в Перу. (libertymutualre.com)

То есть платёжеспособный рынок совершенно точно существует. Только клиент покупает: «уменьшите мой финансовый/операционный ущерб», а не: «дайте мне красивую новую теорию землетрясений».

8. Конкурентный ландшафт

Игрок/класс	Что умеет	Lead time	Слабость относительно идеи
USGS ShakeAlert	Фиксирует уже начавшееся землетрясение	секунды	нет предупреждения до rupture
Early Warning Labs	Коммерческие alerts + автоматизация	секунды	то же
SkyAlert	Частные EEW-решения в Мексике	секунды/минуты	событие уже началось
SeismicAI	локализованное EEW для предприятий	секунды	то же
Safehub	shaking + damage analytics + insurance	после/во время	не прогнозирует событие
Государственные сейсмосети	мониторинг/оценка риска	годы → секунды	нет проверенного short-term prediction
Animal-precursor science	экспериментальные исследования	потенциально часы	нет доказанной forecasting skill

Самое важное: прямого сильного коммерческого конкурента у animal-preseismic predictor нет именно потому, что рынок ещё не доказал возможность продукта. Это классическая зона: Competition Gap высокий, но Scientific Risk ещё выше.

9. Казахстан — на самом деле очень хороший полигон, но не по причине из статьи

Алматы действительно интересен. World Bank относит практически всю городскую агломерацию к зоне высокой сейсмической экспозиции. (thedocs.worldbank.org)

И главное: прямо сейчас там идёт крупное обновление инфраструктуры. По официальной информации, в Алматы строится дополнительная сеть раннего предупреждения; из 70 автоматизированных станций вокруг Алматы на момент публикации было построено 65, плюс создаются городские станции и трёхлетний проект цифрового изучения тектонических разломов. (gov.kz)

Это даёт отличный переходный триггер: государство уже модернизирует monitoring stack → можно предложить экспериментальный biological-sensing sidecar. То есть продавать не: «Ваши сейсмологи ошибаются, замените их животными». А: «Добавим независимый экспериментальный сенсорный слой. Он никак не влияет на Mass Alert. Через год покажем, приносит он дополнительную predictive information или нет». Это принципиально иной GTM.

10. Low-Cost Entry Vectors

В нашей расширенной методике суперрадара важно искать не только продуктовый клин, а также внедрение в workflow, момент перехода, дистрибуционный и бизнес-модельный арбитраж. Здесь я вижу пять векторов:

Вектор	Конструкция	Оценка
Встраивание в процесс	Biosentinel score как дополнительный канал рядом с государственной сейсмосетью	9/10
Теневой режим	никаких публичных тревог; система прогнозирует «в стол», затем сравнение с фактами	10/10
Дистрибуционный арбитраж	использовать уже существующие камеры ферм, livestock AI, pet cameras вместо своей аппаратной сети	8/10
Переходный триггер	подключаться в момент модернизации сейсмосетей Алматы/других городов	8/10
Бизнес-модель	оплачиваемый research/data pilot → API/data licensing после доказательства	8/10

А вариант: «приложение предупреждает население о землетрясении по поведению собак» на текущем этапе я оцениваю 1/10. Он сразу создаёт нерешаемые проблемы ответственности, доверия и ложных тревог.

11. Самый сильный wedge

Я бы сформулировал его так: BioSentinel — независимый экспериментальный слой ранних предсейсмических сигналов, который анализирует коллективное поведение тысяч животных и в теневом режиме проверяет, появляется ли дополнительная информация за часы до события, которой нет в обычных сейсмических данных.

Не обещать prediction.
Не обещать evacuation.
Не выпускать consumer alert.

Продукт первой стадии — Evidence Engine.

камеры / микрофоны / носимые датчики → нормальная модель каждого животного/группы → аномалии → пространственная корреляция между независимыми точками → контроль погоды / времени суток / кормления / шума → BioSentinel score → SHADOW MODE → автоматическая сверка с seismic ground truth.

Вот это уже гораздо интереснее.

12. Где настоящий технический moat

ИИ для распознавания поведения животных — уже commodity. Например, CattleEye в 2026 году сообщает о мониторинге более 200 тысяч животных в 23 странах; M&S разворачивает систему компьютерного зрения на всей своей молочной сети. (cattleeye.com)

Furbo/Petcube уже умеет распознавать лай, мяуканье и необычную активность домашних животных. (petcube.com)

Поэтому moat не: «мы используем AI для животных». Moat: многолетний синхронизированный набор negative + positive observations. То есть нужны не только записи: «собака странно лаяла перед землетрясением». Нужны миллиарды часов: «собака странно лаяла, а землетрясения НЕ произошло». Именно отсутствие negative examples десятилетиями уничтожало исследования этой темы.

13. Почему предложенный шестимесячный эксперимент опасен

Один регион + шесть месяцев создаёт гигантский риск получить красивую, но бессмысленную корреляцию. Если за этот период рядом не произойдёт достаточно независимых событий подходящей магнитуды, эксперимент ничего не докажет. Если произойдёт одна серия из главного толчка и десятков афтершоков, то ML легко научится кластеру, но это тоже не доказательство универсальной predictive ability.

Поэтому эксперимент должен быть мультигеографическим и заранее зарегистрированным. Я бы потребовал как инвестиционное условие:

Требование	Почему
3–5 независимых сейсмических регионов	исключить local overfit
замороженная модель до наступления событий	исключить подгонку post hoc
полностью автоматические timestamps	исключить retrospective selection
контрольные периоды без землетрясений	посчитать false alarms
погода, кормление, люди, хищники и шум как confounders	отделить обычный стресс
Molchan / precision-recall / time-in-alarm	нормальная проверка forecasting skill
сравнение с seismic baseline	доказать именно incremental value
независимый статистик/сейсмолог	доверие покупателей
публикация протокола до получения результата	снять подозрение в cherry-picking

14. €200 тыс.: достаточно ли?

Для доказательства «мы умеем предсказывать землетрясения» — нет. Для создания хорошего первого prospective evidence experiment — да, возможно. Но я бы совершенно иначе распределил деньги: не строил дорогую собственную аппаратную сеть, а максимально подключался бы к уже существующим потокам. Например: фермы с камерами + несколько акселерометров + микрофоны + environmental sensors + существующие seismic APIs.

Самая дорогая часть проекта — не LLM и не computer vision. Самая дорогая часть — достоверный prospective dataset.

15. TAM / SAM / SOM

Здесь традиционный гигантский TAM почти бесполезен. Если технология действительно за 12 часов надёжно предсказывает M6+, TAM практически весь мировой seismic-risk economy: правительства, инфраструктура, промышленность, логистика, страхование, недвижимость. Это десятки миллиардов потенциально предотвращаемых потерь.

Но текущий коммерческий TAM такой системы почти нулевой, потому что покупателю нечего валидированного покупать. Поэтому для суперрадара я бы считал так.

Стадия 1 — Evidence/Data Platform
Допущение: 10–20 государственных центров, страховщиков, университетов и инфраструктурных операторов × $25–100 тыс. research/pilot contract. SAM ≈ $0,25–2 млн/год. Конкуренция именно за research/data бюджеты умеренная, условно 4/10. SAMconc ≈ $0,15–1,2 млн. SOM первого года: $100–300 тыс., если удастся получить 2–4 институциональных пилота.

Стадия 2 — доказан дополнительный precursor signal
50–100 сейсмических агентств, страховщиков, EEW vendors и владельцев критической инфраструктуры × приблизительно $100–500 тыс. data/API contracts. Оценочный: SAM ≈ $5–50 млн ARR. Сильные субституты дают Competition ≈ 7/10. По используемой нами формуле: SAMconc ≈ $1,5–15 млн ARR.

Это мои bottom-up сценарии, а не опубликованная статистика рынка. Но существует одна асимметрия: если система в хорошо поставленном prospective experiment действительно покажет сигнал за 3–20 часов при низком false-positive rate, эти оценки перестанут быть актуальны в течение буквально нескольких месяцев. Начнётся новый рынок.

16. Adversarial re-check

Самая опасная версия объяснения результата: животные не чувствуют процесс будущего землетрясения; они просто лучше людей чувствуют маленькие форшоки. Систематический обзор более 700 сообщений об аномальном поведении обнаружил, что распределение таких сообщений подозрительно похоже на распределение форшоков; подавляющее большинство работ при этом вообще не имело нормальных непрерывных временных рядов. (eurekamag.com)

Если это так, коммерческий эффект всё равно может существовать — животное может быть дешёвым сверхчувствительным сейсмическим датчиком. Но тогда возникает убийственный вопрос: зачем использовать корову, если можно установить MEMS/сейсмометр? Вот почему эксперимент должен показать именно: животное содержит predictive information, отсутствующую в одновременно регистрируемых физических сенсорах. Если этого нет — moat исчезает.

17. Что я бы предложил инвестору вместо сделки из статьи

Не «€200k за долю для запуска мировой системы прогнозирования». Я бы структурировал это как milestone financing.

Этап 0 — €20–30k, 6–8 недель. Независимый научный аудит, preregistered protocol, доступ к существующим данным, воспроизведение published animal studies, оценка false-positive problem.
Этап 1 — €50–70k. Shadow pilot на 10–20 существующих фермах/наблюдательных точках + integration с официальной сейсмологией.
Этап 2 — оставшийся капитал только после достижения заранее заданной статистической метрики. Например: prospective result значительно лучше random baseline и лучше seismic-only baseline, при заранее ограниченном time-in-alarm.

И только после этого обсуждать operational prediction.

Итог суперрадара

Я бы отклонил исходный инвестиционный тезис, но не отвергал бы саму технологическую гипотезу. Самое ценное здесь не заявление: «животные умеют предсказывать землетрясения». Самое ценное — совпадение четырёх факторов именно сейчас:

старая, до сих пор не закрытая научная гипотеза;
появились очень дешёвые непрерывные камеры/микрофоны/edge AI;
animal-behavior AI уже существует production-grade;
государственные и страховые клиенты уже платят за seismic data и risk reduction.

Поэтому я бы дал идее отдельный статус Superradar: HIGH-IMPACT / HIGH-SCIENTIFIC-RISK. И наиболее интересный стартап здесь — не «AI предсказатель землетрясений», а: глобальная сеть биологических сенсоров, которая собирает prospective evidence и пытается обнаружить новый класс предсейсмического сигнала. Сначала science/data infrastructure, затем risk API, и только после доказательства — prediction.

В случае отрицательного результата получается научный dataset и animal-anomaly infrastructure. В случае положительного результата — потенциально возникает совершенно новый класс catastrophic-risk technology. Именно такая асимметрия делает гипотезу достойной не обычной венчурной инвестиции, а жёстко milestone-controlled moonshot-проверки.

Пользователь

Проведи отдельно анализ только по радару коммерциализации

ChatGPT

Если смотреть на TRON строго через «Радар коммерциализации технологий», а не через стартап-радар и не через научный due diligence, картина получается заметно более холодной. Ключевой вывод: Рынок вокруг сейсмических данных, автоматического реагирования, IoT-сенсоров и параметрического страхования уже коммерциализируется. AI-наблюдение за животными тоже уже production-технология. Но связка «поведение животных → достоверный прогноз землетрясения за часы/дни» пока находится до коммерческой стадии. То есть здесь интересен стык двух уже коммерциализировавшихся технологических волн, но главный missing link пока не доказан.

1. Разложение технологии

Я бы разделил идею статьи на четыре слоя:

Технологический слой	Стадия на 2026	Коммерциализация
AI-анализ поведения животных	Production	уже идёт
Распределённые IoT/сейсмические сети	Production / Scale	уже идёт
Сейсмические данные → автоматические действия/страхование	Production / Scale	быстро растёт
Поведение животных → предсейсмический сигнал за часы/дни	Research / pre-pilot	ещё не началась

Именно последний слой является собственно TRON. Это важное различие: готовность компонентов ≠ готовность конечной технологии.

2. Сигнал №1: движение капитала — 7/10

На соседнем рынке деньги уже движутся. Safehub привлекла $9 млн Series A ещё в 2021 году от инвесторов, среди которых были JLL Spark и страховая HDI/Hannover; сейчас компания показывает партнёров уровня Liberty Mutual Re, Munich Re, Hannover Re, AXA XL, Chubb, Aon. (safehub.io)

Это очень хороший сигнал для радара: институциональный капитал уже верит не просто в сейсмологию, а в коммерческую ценность дополнительных высокочастотных данных о землетрясениях. Отдельно другой компонент TRON — computer vision для животных — тоже уже перешёл от стартапов к промышленным корпорациям. CattleEye принадлежит GEA, которая в 2026 году открыла отдельную R&D-команду; система мониторит более 200 тыс. коров на 140+ фермах в 23 странах. (cattleeye.com)

Интерпретация: Капитал финансирует обе «половины»: AI animal sensing и seismic sensing/risk data. Но пока практически нет капитала, направленного на их соединение. Commercialization Gap: высокий.

3. Сигнал №2: pilot → production — 8/10 на соседнем рынке

Это, пожалуй, самый сильный сигнал. В июне 2026 года правительство Мексики включило сеть Safehub в национальную программу параметрического страхования землетрясений и вулканических событий. Это уже не лаборатория и не proof-of-concept, а государственная программа. (safehub.io)

А 13 августа 2026 года Liberty Mutual сообщила о первой реальной страховой выплате, запущенной данными Shake Network после землетрясения в Перу. (libertymutualre.com)

Это означает переход: sensor → data → финансовое решение → реальные деньги. И это очень важный precedent для TRON. Покупатель уже готов доверять внешней сенсорной сети настолько, чтобы на основании её данных происходило финансовое действие.

4. Сигнал №3: инфраструктура готова — 9/10

И вот здесь 2026 год действительно сильно отличается от 2011-го.

Животные: CattleEye уже показывает, что существующая камера может непрерывно извлекать поведенческие признаки без носимого устройства. Более 200 тыс. животных уже находятся под таким AI-наблюдением. (cattleeye.com)

Сейсмика: USGS уже построил полноценную коммерческую экосистему поверх ShakeAlert: существует формальный путь Pilot License → Performance Review → License to Operate, после чего партнёр может продавать коммерческие продукты поверх государственных сейсмических данных. (shakealert.org)

Казахстан: Для предложенного автором региона это особенно интересно: с 2025 года Алматы строит ещё 70 автоматизированных станций раннего обнаружения; 65 из них уже построены, остальные планируются до конца 2026 года. (gov.kz) Есть также соглашение Казахстана и Китая об интеграции систем сейсмомониторинга и раннего предупреждения. (gov.kz)

То есть не требуется сначала создавать «цифровую среду». Она появляется прямо сейчас.

5. Сигнал №4: закупки — 8/10

У технологии обнаруживается гораздо более важный признак коммерциализации, чем просто статьи или инвестиции: есть реальные бюджетные строки покупателей. Деньги уже выделяются на: сейсмические станции; раннее предупреждение; disaster resilience; business continuity; catastrophe-risk modelling; параметрическое страхование; автоматизированное аварийное управление.

Например, Мексика уже использует Safehub в sovereign disaster financing, а в 2025 году совокупный лимит её multiperil parametric cover составлял около $270 млн. (theinsurer.com)

Это не значит, что $270 млн доступны поставщику данных. Но показывает размер финансового процесса, в который технология может встроиться.

6. Сигнал №5: реальные revenue events — 8/10

На соседнем рынке уже произошло самое важное событие для радара коммерциализации: данные сенсоров непосредственно вызвали денежную транзакцию. Выплата Safehub/Liberty Mutual в Перу — особенно сильный сигнал. (libertymutualre.com)

Кроме того, Munich Re в июле 2026 года вывела параметрический earthquake cover для корпоративных клиентов в Японии, использующий данные сейсмических сетей. (munichre.com)

Получается коммерческий стек: sensor data → risk model → threshold → decision → money. TRON потенциально способен добавить ещё один слой перед ним: precursor probability → risk escalation → preventive action. Это уже гораздо понятнее покупателю, чем абстрактное «предскажем землетрясение».

7. Сигнал №6: vendor marketing — 8/10

Маркетинг рынка уже заметно меняется. Продаётся не «сейсмология». Продаются: business continuity, automated response, financial resilience, localized risk data, parametric payouts. Early Warning Labs продаёт автоматическое открытие ворот, остановку оборудования, управление лифтами, оповещение персонала и другие действия. USGS прямо разрешает коммерческим партнёрам такие machine-to-machine сценарии. (shakealert.org) Safehub продаёт sensor data через страховщиков. (safehub.io)

Это благоприятная маркетинговая среда для новой технологии. Покупателю уже не надо объяснять: зачем мне ещё один источник earthquake intelligence? Ему нужно доказать: почему ваш дополнительный источник улучшает мой результат? Это гораздо более лёгкая задача продаж.

8. Но core TRON находится только на стадии pre-commercial

Теперь главное ограничение. Исходная статья хочет €200 тыс. на шестимесячное тестирование в Казахстане и заявляет конечной целью точный прогноз силы, места и времени.

С точки зрения нашего радара это соответствует примерно: TRL / Commercial stage: Research → validation, а не: Pilot → production. То есть рынок вокруг технологии находится на 7–9/10 готовности, а сама ключевая технология — примерно 2–3/10.

Поэтому это не technology commercialization bet в духе: «рынок появится в 2027 году». Это: «в 2027 году может появиться первое коммерчески значимое доказательство, после которого рынок начнёт формироваться». Разница огромная.

9. Где возникает переходный разрыв

Вот здесь идея становится особенно интересной для радара. Существующий рынок умеет: ЗЕМЛЕТРЯСЕНИЕ НАЧАЛОСЬ → сенсоры обнаружили → рассчитали ожидаемую тряску → 10–60 секунд → автоматическое действие. Коммерческий стек уже построен.

Но потенциально отсутствует слой: ЕЩЁ НИЧЕГО НЕ НАЧАЛОСЬ → аномальная группа независимых сигналов → вероятность события выросла → часы → мягкое превентивное действие. Это и есть потенциальный Transition Gap.

Причём необязательно сразу эвакуировать город. Можно начать с reversible actions: увеличить готовность аварийных служб; перевести персонал в повышенную готовность; проверить резервные системы; изменить scheduling опасных операций; временно увеличить monitoring; уведомить risk managers; подготовить emergency liquidity; изменить режим critical infrastructure. Здесь цена ошибочного предупреждения намного ниже.

10. Pilot → Production → Scale

Самая полезная часть коммерциализационного радара здесь выглядит так.

PILOT
Что болит: «Можем ли мы вообще показать статистически повторяемый сигнал?» Нужны камеры/микрофоны, данные животных, синхронизация с сейсмическими событиями. Цена пилота: условно €50–250 тыс. Покупатель: университет / сейсмологический центр / государственная программа / страховщик / innovation budget.

PRODUCTION
Боль совершенно меняется: «Я вижу anomaly score. Могу ли я использовать его при принятии решения стоимостью миллионы долларов?» Возникают: ложные тревоги; SLA; непрерывность наблюдения; независимая валидация; model drift; ответственность; интеграция с existing EEW; audit trail. И здесь возникает настоящий коммерческий продукт: Pre-Seismic Risk API. Не: «завтра будет землетрясение». А: «на основании независимого дополнительного сенсорного слоя вероятность события перешла из baseline в elevated state».

SCALE
Проблема: «Работает ли модель одинаково в Алматы, Японии, Калифорнии, Мексике и Италии?» Тогда moat становится: глобальный longitudinal dataset + regional calibration + evidence history. И именно здесь продукт превращается в платформу.

11. Кто реально платит

Я бы полностью убрал consumer из первого этапа.

Покупатель №1 — перестраховщики / параметрические страховщики. Самый интересный. Потому что уже покупают новые уникальные data streams. Прецедент Liberty Mutual + Safehub это показывает. (libertymutualre.com) Бюджет: catastrophe analytics / modelling / product development. Оценка привлекательности: 9/10.
№2 — государственные сейсмические центры. Особенно там, где прямо сейчас идёт модернизация. Алматы — хороший пример. (gov.kz) Бюджет: гражданская оборона / сейсмомониторинг / R&D. 8/10.
№3 — критическая инфраструктура. Нефтегаз, транспорт, ports, manufacturing, nuclear, data centers. У них существующие решения уже автоматически переводят оборудование в безопасное состояние. (shakealert.org) Если вместо 30 секунд получить даже 30 минут с приемлемой достоверностью, ценность может быть огромной. 9/10 после валидации, 3/10 сейчас.
№4 — EEW vendors. Пожалуй, наиболее недооценённый канал. Не конкурировать с Early Warning Labs / SeismicAI / Safehub. Продавать им: ещё один input signal. Это намного более реалистичная коммерциализация.

12. Дешёвые векторы входа

Самый сильный вариант здесь не создавать собственную альтернативную систему землетрясений.

Дополнительный сенсорный слой — 10/10. существующая earthquake platform + TRON precursor API. Никакой замены incumbent.
Теневой режим — 10/10. Система год генерирует predictions, но никто на основании них ничего не делает. После события: forecast → actual outcome → score. Это практически идеальный способ коммерциализировать high-risk technology.
Использование чужой инфраструктуры наблюдений — 9/10. Не ставить миллион камер. Подключать: фермы; dairy AI; ветеринарные сети; зоопарки; pet cameras; existing CCTV. CattleEye доказывает, что инфраструктура такого типа уже существует в production. (cattleeye.com)
Вход через страхование — 8/10. Не продавать warning. Продавать дополнительный risk signal. Это снижает regulatory/liability barrier.
Вход через модернизацию сейсмосетей — 8/10. Алматы сейчас находится именно в transition moment: новая инфраструктура устанавливается и интегрируется. (gov.kz)

13. Конкуренция

Парадоксальный рынок. Прямые конкуренты для: «глобальная AI-сеть животных как precursor sensor» почти отсутствуют. Competition: 2/10. Но субституты очень сильные: ShakeAlert; Early Warning Labs; SeismicAI; Safehub; государственные сейсмосети; спутниковые/geophysical sensors; conventional probabilistic seismic hazard models. Поэтому на реальном budget line конкуренция: 7–8/10. Покупатель скажет не: «кто ещё смотрит на коров?» а: «почему я должен добавить ваш сигнал к пяти имеющимся источникам?»

14. SAM → SAMconc

Здесь нельзя честно считать огромный TAM «все потери от землетрясений». Для первых 1–3 лет считаю только реально доступный рынок.

Этап I: Validation/Data pilots
Предположим: 20–40 потенциальных early adopters по миру: сейсмические центры; insurers/reinsurers; EEW vendors; critical infrastructure innovation teams. Средний контракт: €50–150 тыс. Получаем: SAM ≈ €1–6 млн/год. Конкуренция за эти бюджеты: условно 5/10. По нашей формуле: SAMconc ≈ €0,5–3 млн. Реалистичный SOM первых 12–18 месяцев: €150–600 тыс. Это уже позволяет небольшой команде существовать.

Если precursor signal подтвердится
Допустим: 100 крупных institutional buyers × €100–500 тыс./год → SAM ≈ €10–50 млн ARR. При Competition = 7/10: SAMconc ≈ €3–15 млн ARR. А дальше могут появиться совсем другие рынки: critical infrastructure; aviation/rail; energy; insurance; sovereign risk; industrial automation. И тогда TAM становится гораздо больше. Но это условный второй рынок, существующий только после доказательства сигнала.

15. Commercialization scorecard

Сигнал радара	Балл
Движение капитала	7/10
Реальные production deployments соседнего рынка	9/10
Реальные закупки	8/10
Revenue / money events	8/10
Инфраструктурная готовность	9/10
Активность vendor marketing	8/10
Понятный budget owner	8/10
Regulatory/adoption readiness	5/10
Готовность компонентов	9/10
Готовность core TRON technology	2–3/10
Возможность MVP маленькой командой	8/10
Вероятность полноценной коммерциализации в 1–3 года	5/10

16. Итог по радару коммерциализации

Я бы поставил: TRON / AI biological earthquake precursor sensing. Commercialization Radar: WATCH / EARLY SIGNAL. Не BUY NOW. Причём причина достаточно специфическая. Это не ситуация: хорошая технология, но рынок ещё не готов. Здесь ровно наоборот: рынок готов, инфраструктура готова, бюджеты существуют, adjacent products уже в production — но ключевая технология ещё не доказана.

Именно поэтому я бы поместил TRON в категорию: «Potential Discontinuity 2027–2029» с очень конкретным триггером перехода в топ радара: появление проспективного результата, где дополнительный animal/biological signal статистически улучшает прогноз относительно seismic-only baseline при приемлемом уровне ложных тревог.

До этого события коммерциализируется преимущественно инфраструктура проверки технологии. После такого события коммерциализация может пойти очень быстро, потому что значительную часть downstream stack уже не придётся строить: сенсорные сети, API, alerting, building automation, catastrophe modelling, parametric insurance и институциональные покупатели уже существуют.

Поэтому в радаре я бы поставил 5/10 сейчас, но с необычно высокой опционностью 9/10: один хорошо поставленный положительный prospective trial способен за 12–24 месяца перевести технологию из исследовательской категории в новую коммерческую вертикаль.

Пользователь

произведи глубокий м обширный поиск, Какие структуры: фонды, фамили оффисы, частные инвесторы и меценаты могут профинансировать такой НИОКР?

ChatGPT

Да. Я бы рассматривал это не как поиск «инвестора в стартап про предсказание землетрясений», а как отдельный рынок финансирования высокорискового НИОКР. По состоянию на 6 сентября 2026 года я нашёл несколько вполне реальных маршрутов, причём часть из них подходит гораздо лучше классического венчурного капитала.

Главный вывод: первые €200–500 тыс. здесь рациональнее собрать преимущественно грантами, научной филантропией и корпоративным sponsored research, а equity-инвесторов подключать после первого проспективного результата. Если сразу идти к VC, проект оценят как крайне ранний startup с бинарным scientific risk и либо откажут, либо капитал окажется слишком дорогим.

1. Кого я бы атаковал в первую очередь

Структура	Тип денег	Реалистичный масштаб	Fit сейчас	Почему подходит
Emergent Ventures	частная филантропия / грант	от небольшого seed-гранта, фиксированного стандартного чека нет	10/10	специально ищут необычные zero-to-one идеи, принимают глобально
Global Innovation Fund	грант / risk capital	до $230k Pilot, затем до $2.3m Test & Transition	9/10	disaster preparedness + инновации для развивающихся рынков
Fifty Years Manifest Grants	научный грант	$25–100k	9/10	быстрые деньги на трансляционный high-risk research
Lloyd's Register Foundation	благотворительный research funding	сейчас small grants до £10k, крупные программы доходили до £1m	9/10	безопасность инфраструктуры, disaster resilience, early warning
Казахстан: Комитет науки / Science Fund	государственный НИОКР	зависит от конкурса	9/10	локальная научная база + прикладная коммерциализация
AXA Research / AXA Foundation	корпоративная научная филантропия	Chair до €1.5m / 5 лет	9/10	природные риски, общественная устойчивость, страхование
Horizon Europe Cluster 3	европейский консорциумный грант	обычно сотни тыс. – несколько млн € на консорциум	8.5/10	earthquake прямо входит в disaster-resilient society
W. M. Keck Foundation	научная филантропия	обычно $1–1.3m / 3 года	9/10 science / 3/10 access	очень любит рискованные идеи, которые conventional peer review считает слишком смелыми
NOMIS Foundation	частная научная филантропия	крупные многолетние проекты	9/10 science / 2/10 access	high-risk фундаментальная междисциплинарная наука
Schmidt Sciences	филантропия Eric & Wendy Schmidt	многомиллионные программы	8/10	AI + Earth systems + новые научные инструменты
Patrick J. McGovern Foundation	AI-филантропия	часто порядка $300–750k	8/10	AI for public purpose, crisis/resilience
Astera Institute	частная научная филантропия Jed McCaleb	индивидуально	7/10	рискованные исследования между государством и рынком
Convergent Research	FRO / научная инфраструктура	$20–50m для зрелой FRO	4/10 сейчас → 10/10 позже	если превратить проект в глобальную scientific infrastructure
SOSV / HAX	equity	initial funding до порядка $550k	7/10 после prototype	сенсоры + AI + hard tech
Root Ventures	equity	обычно $3–5m initial	4/10 сейчас → 8/10 после evidence	deep tech / automation / ML
DCVC	equity	venture rounds	4/10 сейчас → 9/10 после evidence	deep tech, geospatial/risk intelligence

Теперь подробнее о действительно интересных целях.

2. Самый простой первый шанс: Emergent Ventures

Это один из немногих источников, куда я бы подавался практически немедленно. Emergent Ventures при Mercatus Center специально существует для финансирования необычных, экспериментальных и потенциально масштабируемых идей, которым трудно получить обычный институциональный грант. Программа глобальная, заявка относительно низкобюрократична. (mercatus.org)

Именно здесь не надо пытаться представить TRON как зрелый commercial product. Правильная постановка: Проспективный эксперимент: содержит ли коллективное поведение распределённой популяции животных дополнительную предсейсмическую информацию, отсутствующую в стандартных геофизических сенсорах?

Я бы просил первые деньги не на «систему предупреждения», а на: pre-registration → dataset → retrospective benchmark → 2–3 тестовые площадки → shadow forecasting. Fit: 10/10.

3. Global Innovation Fund — возможно, лучший источник на €200k+

GIF особенно интересен, потому что это уже гораздо более крупный и структурированный инструмент. Организация финансирует инновации практически из любой страны и использует ступенчатую модель. Для ранних пилотов возможен капитал примерно до $230 тыс., а на стадии Test & Transition — до $2.3 млн. (globalinnovation.fund)

Причём в тематике фонда прямо присутствует disaster preparedness, prevention and response. Но здесь есть нюанс. GIF ориентирован на улучшение жизни людей в странах с низким и средним доходом. Поэтому предложение: «сделаем исследование возле Алматы» будет слабее, чем: «создаём дешёвый дополнительный слой disaster early warning, который можно масштабировать на Центральную Азию, Непал, Пакистан, Индонезию и другие недостаточно обеспеченные инструментальными сетями регионы».

Идеальная конструкция: Казахстан — первая площадка. Затем: Кыргызстан / Таджикистан / Непал / Пакистан как доказательство, что подход может снизить стоимость раннего мониторинга в странах, которые не могут позволить себе японскую плотность геофизической инфраструктуры. Fit: 9/10.

4. Fifty Years — очень интересный мост «наука → стартап»

У Fifty Years есть необычная программа Manifest Grants, ориентированная именно на исследования, которые могут быстро перейти из лаборатории в практическое применение. Размеры грантов порядка $25–100 тыс., заявка очень короткая; программа обещала быстрый цикл решений и не забирает IP. (fiftyyears.com)

Для нас это почти идеальный размер для: первого statistically rigorous experiment. Например: $80k: 20 ферм × existing cameras + аудио + несколько акселерометров + weather/environment controls + seismic ground truth + независимый статистик. Важно: здесь желательно иметь настоящего научного PI — специалиста по поведению животных / сейсмологии / statistical forecasting. Fit: 9/10.

5. Lloyd's Register Foundation — неожиданно хороший кандидат

Это один из наиболее интересных найденных мной фондов. Миссия Lloyd's Register Foundation — Engineering a safer world. Они финансируют исследования безопасности, устойчивости инфраструктуры, disaster resilience и проекты, основанные на World Risk Poll. В недавних крупных программах отдельные гранты достигали £1 млн, а сейчас есть также постоянно доступные малые гранты до £10 тыс. (lrfoundation.org.uk)

£10k недостаточно для эксперимента. Но их можно использовать практически как relationship wedge: £10k → международный workshop → протокол prospective forecasting → feasibility report → заявка на следующую крупную программу. Это особенно хорошо потому, что pitch можно вообще не строить вокруг спорной идеи «животные чувствуют землетрясения». Он звучит: Exploring low-cost biological sensing as an additional independent layer for disaster-resilient early-warning infrastructure. Fit: 9/10.

6. AXA — один из лучших крупных стратегических фондов

Здесь практически идеальное совпадение интересов. AXA финансирует академические исследования рисков для людей, общества и планеты. Программа AXA Chairs 2026 предусматривала финансирование до €1.5 млн на пять лет. (institution.axa-research.org)

Текущий цикл 2026 уже практически завершён, поэтому целиться нужно в следующий. Есть важное ограничение: заявителем должен выступать университет / публичная исследовательская организация. Коммерческая компания не может просто прийти за €1.5 млн. Поэтому здесь я бы строил модель: University PI + seismology institute + animal-behavior group + statistical forecasting group + TRON technology team + insurance/risk partner. Причём AXA особенно интересен тем, что естественным downstream market является как раз страхование. То есть фундаментальная исследовательская программа сразу связана с buyer. Fit: 9/10.

7. Казахстанские деньги — я бы их точно не игнорировал

Если первый эксперимент действительно предполагается в Алматы, логично иметь местного получателя гранта. В Казахстане в 2026 году были отдельные конкурсы программно-целевого финансирования науки и гранты на коммерциализацию результатов научной деятельности через Science Fund. Большинство текущих циклов уже закрылись, но механизм существует и логично готовиться к следующему раунду. (gov.kz)

Отдельно Алматы проводил конкурс научно-технических проектов с общим финансированием 348 млн тенге, до 34.8 млн тенге на проект, с акцентом на практический результат и коммерциализацию. (gov.kz) 34.8 млн KZT — как раз порядок суммы, достаточный для локального validation pilot.

Здесь возникает очень хорошая финансовая комбинация. Не просить одного инвестора: €200k. А собрать:

Источник	Возможный порядок
Казахстанский scientific grant	€50–70k
Emergent Ventures	€30–100k
Manifest Grant	€25–100k
Корпоративный sponsor	€50–100k
In-kind cameras/cloud/data	€20–50k equivalent

И получить эксперимент без продажи существенной доли компании.

8. Horizon Europe: большая возможность, но нужен консорциум

Horizon Europe Cluster 3 — Civil Security for Society — включает направление Disaster-Resilient Society. И там earthquake, volcanic eruptions и tsunami относятся непосредственно к рассматриваемым природным угрозам. В 2026 году бюджет соответствующего блока составлял десятки миллионов евро; текущий дедлайн ряда Cluster 3 calls — 5 ноября 2026 года. (rea.ec.europa.eu)

Здесь уже не получится: «Дайте €200k команде TRON». Нужна конструкция типа: EU university + seismic institute + Central Asian field site + AI/animal behavior lab + civil protection authority + insurer / infrastructure operator. И скорее всего проект нужно описывать шире: Multimodal distributed sensing for anticipatory disaster-risk management. Animal sensing становится одним из sensor modalities. Это существенно повышает grantability. Fit: 9/10 тематически, 5/10 по сложности доступа.

9. W. M. Keck Foundation — почти идеальный фонд для «это звучит безумно, но можно проверить»

Keck хорошо известен финансированием исследований, которые: слишком рискованны для обычных грантов; ставят под сомнение принятые представления; требуют нового инструментария; могут открыть новое научное направление. Типичные крупные research grants находятся примерно в диапазоне $1–1.3 млн на три года. (wmkeck.org)

По философии это практически идеальный TRON. Проблема: Keck работает через американские некоммерческие исследовательские учреждения. То есть нужен, например: американский университет → PI → Казахстан как field site. Стартап напрямую туда практически не попадёт. Но если привлечь сильного американского сейсмолога или animal-behavior scientist, Keck резко становится интереснее. Fit научный: 9.5/10. Fit организационный сейчас: 3/10.

10. NOMIS — потенциально лучший «меценат науки», но только через репутацию

Швейцарский NOMIS Foundation финансирует именно рискованные фундаментальные междисциплинарные проекты, которые трудно получить через стандартное академическое финансирование. Фонд делает очень крупные долгосрочные ставки; например, недавно NOMIS объявлял многолетние программы на десятки миллионов евро. (collegium.ethz.ch)

Но есть проблема: cold application практически не является маршрутом доступа. NOMIS работает через собственную научную сеть, рекомендации, университеты и именитых исследователей. Поэтому путь выглядит не: TRON → NOMIS. А: TRON → сильный scientific advisory board → профессор/институт мирового уровня → prospective pilot → публикация/preprint → introduction to NOMIS. Если результат первого пилота окажется действительно необычным, NOMIS — один из самых логичных кандидатов на €1–5+ млн research program.

11. Eric & Wendy Schmidt / Schmidt Sciences

Вот здесь появляется тот класс, который пользователь обычно имеет в виду под «family office / частный меценат». Schmidt Sciences финансирует: AI for science, новые научные инструменты, Earth systems, climate modelling и большие международные научные программы. В 2026 году организация, например, выделяла десятки миллионов долларов международным научным командам. (schmidtsciences.org)

Но Schmidt Sciences прямо сообщает, что не принимает unsolicited proposals и сама ищет проекты. (schmidtsciences.org) То есть: Нельзя делать «Здравствуйте, Eric Schmidt, дайте $500k». Нужно делать scientific result → respected PI → publication/preprint → scientific conference → Schmidt network / Science Philanthropy Alliance / university development office → invitation. Но тематический fit весьма высокий. Fit: 8/10. Cold accessibility: 2/10.

12. Jed McCaleb / Astera Institute

Очень любопытный кандидат. Astera прямо говорит о финансировании long-horizon, risky technical work, который находится между возможностями традиционного государственного финансирования и коммерческого капитала. Jed McCaleb известен как основатель/финансист Astera. Но в 2026 году Astera несколько сузила приоритеты в сторону: биологического и искусственного интеллекта + AI-enabled life sciences. (astera.org)

Поэтому TRON нужно показывать не как earthquake company. Интереснее: Использование распределённых биологических организмов как сенсорной системы: можно ли ML извлечь слабый коллективный физический сигнал из поведения живых систем? Это очень astera-like research question. Fit: 7–8/10.

13. Patrick J. McGovern Foundation

Это один из наиболее интересных частных AI-фондов. Фонд финансирует применение искусственного интеллекта в общественных интересах, включая climate resilience, кризисное реагирование, общественную инфраструктуру и научные инструменты. В последние циклы встречаются гранты примерно в диапазоне $500–750 тыс. на отдельные AI/public-good проекты. (mcgovern.org)

Но: PJMF не принимает unsolicited grant proposals. То есть снова нужен warm introduction. После первого доказательного пилота я бы поставил его очень высоко.

14. Science Philanthropy Alliance — не фонд, но потенциально главный маршрутизатор

Это очень важная структура. Science Philanthropy Alliance не выдаёт обычные гранты заявителям. Она консультирует частных меценатов и семейные фонды по финансированию науки. В сети организации более 40 крупных научных благотворителей, включая структуры, связанные с: Sergey Brin Family Foundation, Dalio Philanthropies, Schmidt Sciences, Simons Foundation, Sloan Foundation, Keck Foundation, Moore Foundation, NOMIS и другими. (sciencephilanthropyalliance.org)

Причём Alliance сообщала, что консультировала десятки частных фондов и помогла направить сотни миллионов долларов нового капитала в науку. Это означает очень важную вещь: Не искать 50 миллиардеров по LinkedIn. Гораздо эффективнее построить такой путь: сильный университетский PI → development/philanthropy office университета → Science Philanthropy Alliance network → подходящий family foundation. Именно так private science philanthropy в реальности часто и работает.

15. Какие конкретно private-family направления я бы держал в long list

Не все из них имеют открытую программу именно по землетрясениям, поэтому я не стал бы писать им cold pitch. Но для warm-intro кампании список выглядит так:

Частный капитал / филантроп	Vehicle	Наш fit
Eric & Wendy Schmidt	Schmidt Sciences	8/10
Jed McCaleb	Astera Institute	7–8/10
Patrick McGovern legacy	PJMF	8/10
NOMIS private philanthropy	NOMIS Foundation	9/10
Sergey Brin-related philanthropy	Sergey Brin Family Foundation	5–6/10, нужен специальный заход
Dalio family philanthropy	Dalio Philanthropies	4–5/10
Allen family philanthropy	Allen Family Philanthropies	5/10
Keck family philanthropy	W. M. Keck Foundation	9/10, но только US institution

Здесь последние три я бы считал network targets, а не текущими открытыми грантами.

16. Корпоративные меценаты и стратегические спонсоры

Есть ещё класс капитала, который, на мой взгляд, может оказаться лучше family office. Страховщики и перестраховщики. Потому что они имеют возможность монетизировать результат практически немедленно.

AXA — Самый очевидный через собственную научную программу.

Swiss Re Foundation — Фонд финансирует resilience, public systems и инновации, особенно в странах с развивающимися рынками. Тематически pure earthquake не является их центральной вертикалью, но disaster resilience + risk infrastructure уже гораздо ближе. (swissrefoundation.org)

Munich Re Foundation — Совместно с UNDRR проводит RISK Award, где финансируются инновации в disaster risk reduction; размер премии был до €100 тыс. Текущий цикл уже закрыт и имеет более узкую climate-resilience тему, но это правильная сеть контактов для проекта. (munichre-foundation.org)

С точки зрения стратегии здесь я вообще рассматриваю страховщика не как «спонсора науки». А как будущего: design partner + покупателя данных + софинансиста исследования. Например: страховщик даёт €100k, университет €100k грантовых денег, TRON проводит blinded prospective trial. Если сигнал отсутствует — научный результат. Если присутствует — insurer получает ранний доступ к новому data layer.

17. Convergent Research — очень важен, если гипотеза подтвердится

Сейчас обращаться туда за €200k как обычному стартапу рано. Но представим, что через два года обнаружено: в трёх независимых регионах коллективный биологический сигнал действительно предшествует части событий. Тогда проблема становится совершенно иной: кто построит глобальную научную инфраструктуру, которая одновременно наблюдает миллионы животных, environmental signals и seismic ground truth? Ни университет, ни стартап самостоятельно этого нормально не сделают.

Именно для таких ситуаций Convergent Research создаёт Focused Research Organizations — FRO. Такие организации строятся вокруг научной инфраструктуры/public goods, которые слишком велики для отдельной лаборатории, но пока плохо подходят венчурному капиталу. Convergent сообщает о привлечении почти $400 млн под такие организации; типичная первоначальная FRO может потребовать $20–50 млн на 3–7 лет. (convergentresearch.org)

То есть потенциальная эволюция TRON: €200k experiment → €2m multicountry validation → $20–50m Global Biological Precursor Observatory. Вот на третьей стадии Convergent становится почти идеальным.

18. А что насчёт обычных deep-tech инвесторов?

Они нужны — но чуть позже.

HAX / SOSV. Из обычных инвесторов я бы первым тестировал HAX. Они инвестируют в hard-tech, сенсоры, robotics, AI + physical world, а размер начального финансирования в текущей программе может доходить примерно до $550 тыс. (hax.co) Но HAX должен увидеть: hardware/software prototype + proprietary dataset + коммерческого покупателя. Одной научной гипотезы недостаточно. Хороший момент обращения: после появления работающей pipeline: camera/audio → animal anomaly model → spatiotemporal correlation → seismic baseline comparison.

Root Ventures. Root работает именно с техническими компаниями очень ранней стадии; их initial investments обычно находятся примерно в диапазоне $3–5 млн. (root.vc) Но туда я бы шёл после: prospective pilot + 2–3 LOI от insurers / seismic operators.

DCVC. DCVC особенно интересен позже, потому что фонд давно работает на пересечении: deep tech + AI + geospatial intelligence + risk. В его портфеле уже есть компании, связанные с геопространственным риском и страхованием. (dcvc.com) Если TRON когда-нибудь становится: Pre-Seismic Risk Intelligence API, DCVC становится практически идеальным профильным фондом. Но на нынешней стадии — слишком рано.

19. Что я бы НЕ делал

Я бы не тратил сейчас существенное время на стандартные «AI VC» и generalist seed funds. Проблема слишком бинарная: либо новый сигнал существует, либо нет. Обычный VC не получает преимущества за финансирование проверки научной гипотезы. Зато он получает огромный downside.

Совсем другое дело, когда уже можно сказать: «Мы зарегистрировали 1.2 млрд часов baseline behavior, провели 14 независимых сейсмических событий, prospective model показала X относительно seismic baseline». Тогда scientific risk резко уменьшается, а data moat резко увеличивается. И оценка компании может быть в несколько раз выше.

20. Поэтому я бы построил финансирование в четыре раунда

Этап A — «Можно ли вообще это проверить?» €30–80k. Цель: никакого продукта. Нужны: preregistered protocol, независимый статистик, retrospective test, доступ к данным, первые field partners. Финансисты: Emergent Ventures + Fifty Years + Lloyd's small grant + in-kind university/cloud.
Этап B — Проспективный shadow-mode pilot €150–300k. 10–30 площадок, желательно минимум две независимые географии. Финансисты: Global Innovation Fund + Казахстан + insurer sponsor + scientific philanthropy. Именно здесь нынешние запрашиваемые €200k выглядят разумно.
Этап C — Multi-country validation €1–3m. Нужно уже доказать: signal adds information versus physical sensors. Тогда: AXA + Lloyd's Register Foundation + Horizon Europe + Keck + NOMIS + McGovern + Schmidt Sciences.
Этап D — Коммерциализация / глобальная инфраструктура $5–50m+. Здесь происходит разделение. For-profit: HAX → Fifty Years VC → Root → DCVC → Lux/другие deep-tech. Public-good infrastructure: Convergent Research / FRO + scientific philanthropy + governments + insurers.

21. Более того, я бы разделил организацию на две части

Это может очень сильно увеличить количество доступного капитала.

Research / public-good layer. Университет или nonprofit consortium. Он владеет: scientific protocol, ground-truth benchmark, часть открытых данных, публикации. И имеет доступ к: AXA, Keck, NOMIS, Horizon, governmental science grants и philanthropic money.

Commercial layer. Компания. Она строит: production pipeline, risk API, integration, customer-specific models, SLAs, enterprise tooling. И туда уже заходят: HAX / DCVC / Root / insurers. Так вы не заставляете научного мецената финансировать коммерческий SaaS, а венчурный фонд — фундаментальную науку. Юридически IP/licensing и конфликты интересов здесь, конечно, надо заранее оформить чисто.

22. И самое важное — как им это продавать

Одну и ту же идею нельзя отправлять всем одинаковым текстом.

Научному меценату: Не: «Мы научимся предсказывать землетрясения». А: «Мы впервые проведём preregistered, prospective, falsifiable test гипотезы о том, содержат ли распределённые биологические системы дополнительную информацию о предсейсмических процессах».
Disaster-resilience фонду: «Мы проверяем возможность создания сверхдешёвого независимого sensor layer для раннего предупреждения в регионах с недостаточной инструментальной инфраструктурой».
AI-фонду: «Можно ли с помощью multimodal AI обнаруживать чрезвычайно слабый физический сигнал по коррелированным изменениям поведения тысяч независимых биологических сенсоров?»
Страховщику: «Может ли новый data layer дать measurable additional lead time, позволяющий снизить expected loss?»
VC: Только после evidence: «Мы создаём proprietary pre-seismic risk data network и API для insurers и critical infrastructure; уникальный актив — longitudinal biological dataset, который невозможно быстро воспроизвести».

Это очень важное изменение упаковки.

Мой shortlist: кому писать в каком порядке

Если задача — реально собрать первые €200–300 тыс., мой порядок действий был бы таким:

Приоритет	Цель	Действие сейчас
1	Emergent Ventures	подавать сейчас
2	Global Innovation Fund	подавать initial application
3	Fifty Years Manifest	готовить 2-page scientific proposal
4	Lloyd's Register Foundation	small grant + выйти на programme team
5	Казахстан / Алматы / Science Fund	найти аккредитованного local scientific partner и готовить следующий цикл
6	Horizon Cluster 3	срочно проверить точное соответствие текущему call до 5 ноября 2026
7	AXA Research	собирать academic consortium под следующий цикл
8	страховой corporate sponsor	AXA / Swiss Re / Munich Re и аналоги
9	Keck	найти US university PI
10	NOMIS	только через авторитетного scientific intermediary
11	Schmidt / McGovern / Astera	warm introductions после научного ядра
12	HAX	после prototype
13	DCVC / Root	после prospective evidence

Это также соответствует логике малозатратного входа, которую мы уже сформулировали для Суперрадара: сначала дешёвое доказательство результата и теневой режим, а не строительство всей системы до появления evidence.

Если ставить одну цель

Я бы не пытался сейчас найти одного мецената на €200k. Я бы поставил цель: за 90 дней сформировать €250–350k blended research round из 3–4 источников без существенного equity dilution. Оптимальная конструкция выглядит примерно как: €50–100k частный научный grant + €100–150k международный impact/disaster grant + €50–100k Казахстан + €50k strategic insurer/in-kind.

А параллельно нужно найти одного очень сильного академического PI, потому что именно он открывает двери к AXA, Keck, NOMIS, Schmidt, Horizon и большой части семейной научной филантропии. Это потенциально ценнее, чем ещё один angel investor.

Если первый prospective trial показывает реальный incremental signal, финансирование проекта из проблемы «кто поверит в странную гипотезу?» превращается в проблему «кто первым получит доступ к потенциально новой категории catastrophic-risk data?» — а это уже совершенно другая переговорная позиция.

Автор: ChatGPT
Редактор: Qwen3.7-Plus