КАРТА МИГРАЦИЙ AI · ВЫВОДЫЧто граф циркуляции талантов рассказал об устройстве западной экосистемы
интерактивная карта
АНАЛИЗ СОБРАННОГО ГРАФА · 333 УЗЛА · 565 СВЯЗЕЙ

Как устроена западная AI-экосистема —
девять структурных наблюдений и пять общих принципов

Документ — результат структурного анализа направленного графа миграций ключевых талантов западной AI-индустрии: 333 узла (50 компаний, 26 университетов, 254 человека, 2 VC-инвестора), 565 типизированных связей (основание, работа, обучение, научное руководство, стратегические инвестиции, acqui-hire, спин-ауты). Период охвата — 2010–2026 годы.

Главный тезис: западная AI-экосистема — это не набор компаний, это машина циркуляции тацитного знания, в которой 4-5 хабов (OpenAI, Google Brain, Stanford, лаборатория Hinton) запускают всех остальных через миграционные цепочки. Именно циркуляция, а не отдельные компании — источник frontier-эффекта. Документ систематизирует наблюдения из графа и переводит их в общие принципы, применимые к любой стратегии построения frontier-экосистемы.

18
Миграций из OpenAI
в 7 разных новых компаний за 10 лет — абсолютный рекорд
21
Прямых учеников Hinton
больше, чем выпускников топ-5 frontier labs вместе
58%
Frontier в SF Bay
29 из 50 компаний — в одном радиусе 40 км
69%
Foreign-born топ-researchers
38 из 55 людей с заявленной национальностью
3
Acqui-hire 2024
Inflection→MS, Adept→AMZN, Character→Google
1

Девять структурных наблюдений из графа

Для каждого наблюдения — конкретные цифры из собранной базы (333 узла, 565 связей), примеры и комментарий о том, почему этот паттерн имеет значение для понимания устройства экосистемы в целом.

N1
Mafia-эффект

OpenAI — главный «генератор экосистемы» AI за последние десять лет

18
spawn-миграций

Из OpenAI за 2015–2025 годы ушли 18 ключевых людей, которые основали или стали co-founders / топ-руководителями семи разных компаний. Это вдвое больше, чем у Google Brain (11 миграций в 6 компаний) и втрое больше, чем у любого другого источника. OpenAI фактически работает не как коммерческая компания, а как инкубатор следующего поколения AI-бизнесов.

Конкретные миграции из OpenAI:
  • Anthropic: Dario Amodei, Daniela Amodei, Jared Kaplan, Tom Brown, Sam McCandlish, Jack Clark, Tom Henighan, Chris Olah (2021, 8 человек одним движением)
  • Thinking Machines Lab: Mira Murati, Barret Zoph, Lilian Weng, John Schulman (2025)
  • SSI — Safe Superintelligence: Ilya Sutskever, Daniel Levy (2024)
  • Adept AI: David Luan (2022, acqui-hire Amazon 2024)
  • Perplexity AI: Aravind Srinivas (2022)
  • Eureka Labs: Andrej Karpathy (2024)
Почему это важный паттерн: наблюдение объясняет, как формируется будущее фронтира. Не через «успех одной компании», а через её распад и вытекающие спин-аффы. OpenAI теряет лучших не потому что плохая, а потому что слишком хорошая — команда перерастает организацию за 5-7 лет. Успех frontier lab в индустриальном смысле измеряется не её выживанием, а количеством «детей», которых она породит. Это радикально меняет представление о том, что считать «успешной AI-компанией».
N2
Google Brain как «университет индустрии»

Почти все авторы Transformer (2017) ушли из Google — разошлись по пяти frontier-компаниям

5 из 8
авторов Transformer

Статья «Attention Is All You Need» (2017, Vaswani et al.) — фундамент всей современной AI-архитектуры, имеет более 100 тысяч цитирований. Восемь её авторов, все работавшие в Google Brain, к 2025 году практически полностью покинули Google и основали или присоединились к конкурирующим frontier-компаниям.

Траектории авторов Transformer:
  • Ashish Vaswani → Google Brain → Adept AI → Essential AI (2023)
  • Niki Parmar → Google Brain → Adept AI → Essential AI (2023)
  • Noam Shazeer → Google → Character.AI (2021) → Google как co-lead Gemini (2024, через $2.7B acqui-hire)
  • Llion Jones → Google Brain → Sakana AI (Tokyo, 2023)
  • Aidan Gomez → Google Brain → Cohere (2019, CEO)
  • Łukasz Kaiser, Jakob Uszkoreit — оставили Google
  • Illia Polosukhin — оставил, основал NEAR Protocol (blockchain)

Google Brain — самый большой «университет индустрии» в истории AI: из него вышли также David Luan (Adept), Yuhuai Wu (xAI), David Ha (Sakana), Yi Tay (Reka). Всего 11 миграций в 6 независимых компаний. Это уникальное явление — корпоративное R&D, которое не смогло удержать своих топ-изобретателей.

Почему это важный паттерн: Google оплатил разработку Transformer-архитектуры (зарплаты, compute, лаборатории) и потерял всех её ключевых изобретателей. Сегодня они работают против Google в Anthropic, Sakana, Cohere, Character.AI (вернулись только через acqui-hire $2.7 млрд). Принципиальный урок: корпоративные BigTech-лаборатории без специальных retention-механизмов (mission-lock, liquid secondaries, founder-control) не удерживают самый ценный актив — топ-таланты. При достаточном масштабе они работают как «индустриальные постдокторантуры», а не как держатели talent.
N3
Scientific genealogy

Один профессор (Hinton) породил больше frontier-лидеров, чем любые пять университетов вместе

21
прямой ученик

Geoffrey Hinton (University of Toronto, затем Google Brain 2013-2023) — абсолютный чемпион «академической генеалогии» с 21 прямым учеником, ставшим значимым игроком индустрии. Среди них: Ilya Sutskever (OpenAI → SSI), Alex Krizhevsky (AlexNet 2012), Ruslan Salakhutdinov (CMU, ex-Apple Director of AI), Volodymyr Mnih (DQN, DeepMind), Alex Graves (DeepMind), Jimmy Ba (Adam optimizer), Mohammad Norouzi (Ideogram), Geoffrey Irving.

Топ-5 advisors по выпуску frontier-talent:
  • Geoffrey Hinton — 21 прямых ученика
  • Yoshua Bengio (UdeM/Mila) — 10 (включая Ian Goodfellow, изобретателя GAN)
  • Pieter Abbeel (Berkeley RL) — 9 (включая John Schulman, co-founder OpenAI)
  • Andrew Ng (Stanford) — 6 (и сам ученик Michael Jordan → трёхпоколенная цепь)
  • Yann LeCun (NYU, Meta FAIR), Fei-Fei Li (Stanford) — по 6
Почему это важный паттерн: scientific genealogy — это актив, который невозможно купить деньгами или создать быстро. Hinton начал академическую карьеру в 1978 году, его PhD-студенты начали становиться топ-researchers с 2005-2010 годов — то есть «инвестиция» заняла 30 лет. Структурный вывод универсален: наличие 2-3 супер-советников с многолетней цепью учеников — самое дефицитное и при этом самое ценное активо любой AI-экосистемы. Без них финансирование и инфраструктура не конвертируются в frontier-результаты.
N4
Четырёхпоколенные цепочки

Ключевые frontier-компетенции переданы через 3-4 поколения научных руководителей

4 gen
глубина цепи

На графе видны длинные цепочки передачи тацитного знания через несколько поколений. Каждая ссылка — конкретный advisor-student:

Три ключевые цепи:
  • Berkeley RL-цепь: Michael Jordan (1980-е) → Andrew Ng (1990-е) → Pieter Abbeel (2000-е) → John Schulman (2010-е) → co-founder OpenAI → Anthropic → Thinking Machines Lab
  • Toronto deep learning-цепь: Christopher Longuet-Higgins (Edinburgh) → Geoffrey Hinton (CMU / Toronto) → Ilya Sutskever → Chief Scientist OpenAI → SSI
  • Montreal generative-цепь: Hinton (postdoc advising) → LeCun → Yoshua Bengio → Ian Goodfellow (GAN 2014) → Google Brain → OpenAI → Apple → DeepMind

Сроки этих цепей: 40-50 лет от первого звена до текущего фронтира. Hinton защитил PhD в 1978 году (Edinburgh), Sutskever защитил в 2013 (под Hinton), OpenAI основан в 2015, AGI-цель становится реальной к 2025. Западная AI-экосистема — это результат 50-летнего институционального строительства, в котором каждое поколение advisor-ов передавало тацитное знание следующему.

Почему это важный паттерн: любая стратегия догоняющего развития должна учитывать эту временну́ю глубину. Реалистичный горизонт построения собственной «академической цепочки» — 25-30 лет, в течение которых советник первого поколения воспитывает 5-10 учеников, те становятся советниками второго поколения, и только третье-четвёртое поколение может выдавать устойчивый frontier-результат. Попытки «купить» эту компетенцию через найм или инфраструктурные проекты без собственной academic genealogy исторически не работают — ни в США до 1960-х, ни в Японии 1980-х, ни в Европе 2000-х.
N5
2024 — год acqui-hire

Три BigTech одновременно признали: не умеют удерживать таланты — покупают компаниями

3 из 3
BigTech-giants

В 2024 году произошли три симметричных события: Microsoft, Amazon и Google каждый выкупил frontier-стартап только ради команды, фактически сигнализируя, что обычные зарплатные механизмы больше не работают для удержания топ-таланта.

Три acqui-hire 2024:
  • Microsoft → Inflection AI ($650M licensing) — Mustafa Suleyman (ex-DeepMind co-founder), Karén Simonyan, команда ~70 researchers. Suleyman стал CEO Microsoft AI.
  • Amazon → Adept AI (неpaскрытая сумма) — David Luan, Ashish Vaswani, Niki Parmar (Transformer authors). Команда интегрирована в AWS.
  • Google → Character.AI ($2.7B non-exclusive licensing) — Noam Shazeer вернулся в Google как co-lead Gemini, Daniel De Freitas — senior researcher.

Все три сделки структурированы не как классическое M&A, а как licensing + acqui-hire — BigTech обходит антимонопольное давление FTC, выкупая только команды и IP-лицензию, оставляя формально независимые «зомби-компании». Этот паттерн — прямое следствие того, что BigTech не может (а) удержать топ-researchers обычной зарплатой, (б) выкупить frontier lab через классическую M&A из-за антитраста.

Почему это важный паттерн: acqui-hire 2024 — признание структурной слабости BigTech в AI-гонке. Формально у Microsoft или Google бюджет в десятки миллиардов на AI — но они вынуждены отдавать миллиарды за единицы людей, потому что у тех есть опция сказать «нет». Общий принцип: деньгами решить проблему удержания топ-таланта невозможно. Работают только institutional mechanisms — mission-lock структуры (PBC, LTBT), liquid secondaries для досрочного выхода, founder-control защиты. Это инженерные конструкции, а не объём ресурсов.
N6
Экстремальная локальность

58% frontier-компаний находятся в одном радиусе 40 километров

29 / 50
компаний в SF Bay

Из 50 компаний в графе 29 размещены в San Francisco Bay Area (SF, Palo Alto, Menlo Park, Mountain View). Вторая по плотности точка — Лондон с 2 компаниями (DeepMind, Inflection pre-Microsoft). Далее по одной — Paris (Mistral), Tokyo (Sakana), Toronto (Cohere).

География frontier labs:
  • SF Bay Area (29): OpenAI, Anthropic, xAI, SSI, Inflection, Adept, Character, Scale, Perplexity, Thinking Machines, Groq, Cerebras, SambaNova, Together, Lambda, Modal, Applied Intuition, Shield AI, + BigTech AI labs
  • Seattle/Redmond (3): Microsoft AI, Amazon AGI, MSR
  • London (2): Google DeepMind, Inflection pre-2024
  • New York (1), Paris (1), Tokyo (1), Toronto (1)
  • Другие (12): разрозненно (Princeton, Boston, Chicago, Austin, Denver — Palantir)

Это не случайно. Географическая плотность — фундаментальное условие tacit knowledge exchange: researchers ходят друг к другу в гости на выходных, обмениваются идеями за кофе, меняются работой без переезда. Попытки создать frontier-hub вне Bay Area (Boston AI, NY AI) давали малые результаты. DeepMind London — исключение, подтверждающее правило благодаря уникальной концентрации неврологов и математиков в UCL+Oxford+Cambridge.

Почему это важный паттерн: территориальная концентрация — необходимое условие циркуляции тацитного знания. Размазанная география не работает, даже если отдельные компоненты присутствуют. Реалистичный радиус — 20–50 км, в котором в пешеходном расстоянии находятся несколько лабораторий, несколько инвесторов, несколько cloud-операторов. Это не деталь инфраструктуры, а архитектурное требование: без неё люди не встречаются случайно, а без случайных встреч не возникают совместные стартапы и переходы.
N7
Магнит глобальных талантов

69% топ-researchers в графе — иммигранты, не американцы по рождению

38 / 55
foreign-born

Из 55 людей в графе, для которых явно указана национальность, 38 родились или выросли вне США: Израиль, Китай, Индия, Канада, Россия/СССР, Польша, Франция, Великобритания, Япония, Австралия. Это не перекос выборки — это верхушка топ-researchers индустрии.

Foreign-born топ-founders по странам происхождения:
  • Россия/СССР: Ilya Sutskever (Chief Scientist OpenAI → SSI), Alex Krizhevsky (AlexNet), Wojciech Zaremba (OpenAI co-founder, польско-русский)
  • Израиль: значительное присутствие, особенно в Palantir, Anduril (через Unit 8200 pipeline)
  • Китай: Shengjia Zhao (ex-OpenAI → Meta Superintelligence Chief Scientist), Jim Fan (Nvidia Embodied AI), Yi Tay (Reka), Dani Yogatama (Reka)
  • Индия: Aravind Srinivas (Perplexity CEO), Niki Parmar (Transformer), Ruslan Salakhutdinov (CMU/Apple)
  • Канада: Aidan Gomez (Cohere), Alec Radford (OpenAI, GPT-1 author), большинство Hinton-школы
  • Франция: Yann LeCun (Meta FAIR Chief Scientist), Arthur Mensch (Mistral CEO), Timothée Lacroix, Guillaume Lample (Mistral co-founders)
  • UK: Demis Hassabis (DeepMind CEO), Shane Legg (DeepMind co-founder), Mustafa Suleyman (Microsoft AI CEO)
Почему это важный паттерн: это прямое эмпирическое подтверждение гипотезы о «глобальном магните талантов». США не выращивают frontier-researchers самостоятельно — они их собирают со всего мира через иммиграционные треки. Критическое общее следствие: способность привлекать талант извне — самостоятельный фактор конкурентоспособности, равный по значимости финансированию и инфраструктуре. Страны, которые не могут обеспечить inbound-поток топ-researchers, обречены играть роль «доноров» — обучать специалистов, теряющих их на выходе. Альтернатива магниту существует только одна — собственный институционализированный pipeline воспитания элиты по израильской модели Unit 8200.
N8
Постсоветская диаспора

Русскоязычные researchers находятся в ядре западного AI — при этом физически уехали

10+
ключевых имён

На графе явно присутствуют researchers постсоветского происхождения (по рождению или образованию) на ключевых позициях западной экосистемы — Chief Scientist-ах крупнейших labs и co-founder-ах прорывных компаний.

Ключевые русскоязычные на верхушке индустрии:
  • Ilya Sutskever — родился в Нижнем Новгороде, вырос в Иерусалиме, PhD в Toronto у Hinton. Co-founder OpenAI (2015-2024), Chief Scientist. Основал SSI (2024).
  • Alex Krizhevsky — украинского происхождения, вырос в Канаде. AlexNet 2012 (один из ключевых breakthrough-ов deep learning).
  • Wojciech Zaremba — польско-русскоязычный. Co-founder OpenAI.
  • Jakub Pachocki — польский. Chief Scientist OpenAI после Sutskever.
  • Misha Denil, Mikhail Pavlov, Oleksandr Polozov — DeepMind, Google, Microsoft Research.
  • Сотрудники уровня senior researcher в Anthropic, Google Brain, Meta FAIR — десятки.
Почему это важный паттерн: наблюдение интересно тем, что показывает одновременно и силу, и слабость позиции «страны-донора». Базовая научная школа (математическая подготовка физтеха, МГУ, КПИ, Тель-Авивского университета) продолжает работать и производить researchers уровня top-100 в мире. Но вся эта продукция встроена в чужую экосистему — через PhD в западных университетах и работу в западных labs. Общий вывод: академическая школа и экосистема — разные активы; один без другого не даёт индустриального результата. Можно иметь сильнейшую математическую подготовку и при этом нулевую долю frontier-компаний на графе.
N9
Повторяемый шаблон

На графе видна воспроизводящаяся «формула» создания frontier lab

10+
применений за 10 лет

Из 13 frontier labs на графе минимум 10 следуют одному и тому же организационному шаблону. Это уже не случайность — это отработанная формула запуска новой компании с нуля до $10B-$500B оценки за 3-7 лет.

Формула frontier lab (повторена 10+ раз):
  1. Ядро из 2-5 ex-Google Brain / ex-DeepMind / ex-OpenAI researcher (Chief Scientist тип)
  2. +1 бизнес-CEO (часто не-технический, из бизнес-среды: Sam Altman, Emad Mostaque, Amjad Masad)
  3. Seed $50-100M от a16z / Sequoia / Founders Fund
  4. Cloud strategic partnership с Microsoft/Amazon/Google на compute-for-equity (ключ — это даёт $1-10B compute без cash)
  5. Через 2-3 года: либо Series B/C ($500M-$5B), либо acqui-hire обратно в BigTech
  6. Через 5-7 лет: либо $100B+ frontier, либо распад и spawn следующей волны (OpenAI → Anthropic → SSI → ...)

Применение шаблона: OpenAI (2015), Anthropic (2021), Adept (2022), Inflection (2022), Character (2021), Cohere (2019), Mistral (2023), Sakana (2023), xAI (2023), Perplexity (2022), SSI (2024), Thinking Machines (2025). Почти идентичная структура. Различаются только founder-мафии (откуда пришли люди) и научный фокус.

Почему это важный паттерн: наличие воспроизводимой формулы означает, что создание frontier lab — инженерная, а не магическая задача. Шесть компонентов шаблона нужны одновременно: все шесть выполнимы при соответствующих правовых и финансовых условиях. Ни одного из компонентов нельзя пропустить: без ex-BigTech researcher core нет тацитного знания; без бизнес-CEO нет операционной дисциплины; без seed — нет старта; без compute partnership — не покрыть triple-digit million затраты на обучение; без возможности secondary раундов — не удержать команду; без культурной готовности к spawn — следующая волна не возникнет. Это и есть главное открытие: отсутствие любого компонента критично.
2

Чего карта не показывает — ограничения метода

Граф фиксирует формальные связи (работал, основал, учился). Это мощно, но есть вещи, которые остаются «под капотом» — важно их явно назвать, чтобы не делать неверных выводов.

Семь вещей, которые граф не отражает

3

Пять общих принципов устройства frontier-экосистемы

Переход от наблюдений к обобщению. Ниже — пять принципов, извлечённых из структуры графа. Это не рекомендации для конкретной страны, а универсальные закономерности, применимые к любой попытке построить собственную frontier AI-экосистему.

1

Успех frontier lab измеряется спавнами, а не выживанием

Из N1 (OpenAI-mafia): ключевой показатель успеха индустриальной AI-лаборатории — не её операционная прибыль и не продление существования, а количество frontier-компаний, которые она породила. OpenAI за 10 лет породил семь новых игроков. Google Brain — шесть. Это означает, что стратегия, рассчитанная на «построить одну компанию и удержать всех ценных людей внутри», структурно неэффективна. Работающая модель — принимать, что через 5-7 лет команда расщепится, и закладывать это в архитектуру с самого начала: mission-lock структура, liquid secondaries, явное разрешение спин-аффов. Цель — не удержание, а циркуляция.

2

Корпоративная R&D-лаборатория работает как «индустриальная постдокторантура»

Из N2 (Transformer authors разбежались): большая корпоративная AI-лаборатория — не конечная точка карьеры, а транзитная. Типичный путь топ-researcher: PhD → 3-4 года в Google Brain / DeepMind / Meta FAIR → основание или присоединение к frontier lab. Google создаёт Transformer-авторов, теряет их, потом выкупает обратно через acqui-hire. Общий принцип: корпорации нельзя одновременно использовать как держателей топ-таланта и как фабрики кадров. Роль фабрики часто экономически рациональнее, хотя и болезненнее для HR-метрик. Признание этой роли открывает ряд стратегических ходов — например, сознательное финансирование транзитных labs, из которых люди уходят, с правом первого найма их спин-аффов.

3

Scientific genealogy — 25-30 летняя инвестиция, но самая дефицитная

Из N3 и N4 (Hinton даёт больше, чем университеты вместе; цепочки 40-50 лет): 2-3 супер-советника с 20-летней цепью учеников — более дефицитный ресурс, чем деньги или compute. Фундаментальный факт: эту цепочку нельзя «ускорить» — она требует реального времени жизни PhD-программ, постдоков и tenure-профессорства. Практический принцип: любая стратегия построения AI-экосистемы должна параллельно с инфраструктурой запускать 25-30-летнюю программу выращивания 5-7 собственных «Hinton-ов». Без этого через 30 лет снова не будет своих Sutskever — исполнителей будет, визионеров нет. Это самая нелюбимая политиками инвестиция (результат за пределами их карьерного горизонта) и самая критическая для долгосрочной устойчивости.

4

Передача тацитного знания — через людей, а не через публикации

Из N7 и N8 (69% foreign-born; постсоветская диаспора в ядре): академическая публикация передаёт формальное знание, но не тацитное — то, что нужно для воспроизведения frontier-результатов. DeepSeek R1 опубликован с весами и детальной статьёй, но воспроизвести его полностью не смогла ни одна лаборатория. Общий принцип: перенос одного researcher Sutskever-уровня эквивалентен 5-10 годам institution building. Это делает repatriation (возврат диаспоры) и лимитированный inbound (точечное привлечение ключевых людей) самыми быстрыми акселераторами для любой догоняющей экосистемы. Затраты на индивидуальный пакет высоки, но в 10 раз эффективнее, чем тот же бюджет, потраченный на общие условия.

5

Географическая концентрация — архитектурное требование, не операционная деталь

Из N6 (58% frontier-компаний в SF Bay): территориальная плотность — не украшение, а необходимое условие циркуляции тацитного знания. Попытки построить frontier-hub в размазанной географии (несколько городов, десятки километров между точками) исторически не работают. Работающая модель — радиус 20-50 км, в котором в пешеходном расстоянии находятся несколько frontier-labs, несколько инвесторов, несколько cloud-операторов, университетская база и жильё researchers. Без этой плотности случайные встречи не происходят, а без случайных встреч не формируются совместные стартапы, не мигрируют люди, не обмениваются идеями. Это архитектурное требование к любой стратегической программе, часто недооценённое.

Главный мета-вывод карты

Западная AI-экосистема — это не компании, это циркуляция. Люди переходят из Google в OpenAI, из OpenAI в Anthropic, из DeepMind в Mistral, из Stanford в SF Bay и обратно. Эта циркуляция — и есть та инфраструктура, которая даёт frontier-эффект. Одна компания (OpenAI) за 10 лет породила 7 новых. Одна лаборатория Hinton за 30 лет породила 21 ключевого researcher. Одна публикация (Transformer, 2017) за 7 лет разогнала 5 компаний.

Фундаментальный принцип: циркуляция — это не побочный эффект хорошей экосистемы, а её главный двигатель. Все остальные компоненты (деньги, инфраструктура, политика) — условия, создающие возможность циркуляции. Без неё отдельные компоненты не дают результата: страна может иметь лучшие математические программы в мире, и при этом нулевую долю frontier-компаний, если циркуляция заблокирована.

Попытка копировать отдельные элементы (построить одну frontier lab, или запустить один institute, или создать один акселератор) — структурно недостаточна. Работающая циркуляция требует одновременного наличия шести компонентов: правовая свобода перехода сотрудников между работодателями, организационные структуры с founder-control и mission-lock, географическая концентрация, длинная academic genealogy, ликвидный капитал на 10-летнем горизонте, и культура, принимающая провалы и спин-ауты как норму. Пропуск любого компонента — и машина не запускается.

Источник данных: собственный граф talent-map-combined.json — 333 узла, 565 связей, построенный из трёх параллельных реестров (frontier labs, BigTech / defense / infrastructure, academic genealogy). Публичные источники: Wikipedia, Crunchbase, SEC filings, пресс-релизы компаний, AI Genealogy Project, MacroPolo, CSET, Brookings, TechCrunch, The Information, Nature, NY Times Magazine, 2024-2026.

Методология: directed property graph, типизированные рёбра (educated, advised, employed_at, co-founded, acqui-hired, strategic_invested, spawned), временной горизонт 2010-2026. Узлы трёх типов: company (50), person (254), university (26). Визуализация: D3.js force-directed layout с фильтрами по категориям и типам связей.