💰 Цены на видеокарты в 2026 году могут резко подпрыгнуть и снова причина в памяти.

Сообщается, что уже в начале года AMD может поднять цены (январь), а Nvidia подтянется в феврале. И эти подорожания могут тянуться месяцами.

Причина проста: память стала главным элементом себестоимости. В среднем она занимает до 80% BOM у видеокарт, а её стоимость к Q2 2026 может вырасти ещё на 40%.

ИИ разогрел рынок настолько, что 64 ГБ DDR5 подорожали с $150 до $500 меньше чем за два месяца. В 2025 году производителей спасали фиксированные контракты на поставку памяти, они сглаживали скачки VRAM. Теперь контракты заканчиваются, и рост DRAM/GDDR напрямую попадает в себестоимость.

В итоге доля «чип GPU + VRAM» может подбираться к тем же 80% стоимости платы.

По утечкам, флагманские RTX 5090 в 2026 году могут добраться до ценника около $5000 - главным образом из-за огромного спроса со стороны индустрии ИИ.

Ждать «чудесных скидок» по видеокартам в ближайшее время не стоит.

Источник: wccftech .com/amd-and-nvidia-are-expected-to-hike-gpu-prices-early-2026/

🐳 DeepSeek начал новый год с серьёзной статьи.

В первый день года команда представила работу, посвящённую одной из самых болезненных проблем современных нейросетей: нестабильности обучения в сложных архитектурах.

И предложили решение: подход под названием mHC (Manifold-Constrained Hyper-Connections).

Смысл в том, что исследователи взяли мощную, но нестабильную архитектуру Hyper-Connections и ввели ограничения на внутренние связи.

1. Проекция на многообразие (manifold)
Вместо того, чтобы оставлять Hyper-Connections свободными, mHC накладывает на них ограничение, они проектируются на особое многообразие (матрицы с особыми свойствами).
Это восстанавливает identity-mapping, благодаря чему сигнал остаётся устойчивым даже через десятки или сотни слоёв.

2. Стабильность и масштабируемость
Благодаря этому ограничению сеть перестаёт «взрывать» или «затухать» сигнал при глубоком обучении, и её можно эффективно использовать в больших моделях без ухудшения качества и без сложных ухищрений.

3. Инфраструктурные оптимизации
Авторы также добавили инженерные улучшения:
- слияние ядер (kernel fusion)
- уменьшение накладных расходов по памяти
- эффекты смешанной точности
Это делает mHC быстрым и эффективным в реальных задачах даже при масштабных тренировках.

Результат впечатляет:

• обучение становится стабильнее на крупных масштабах
• модели лучше масштабируются
• повышается производительность
• снижается потребление памяти
• mHC обгоняет классические Hyper-Connections

Другими словами, DeepSeek показывает, что путь в будущее - не только большие модели, но и архитектуры, которые устойчивы изнутри.

#AI #DeepSeek #MachineLearning #NeuralNetworks #Research

https://arxiv.org/abs/2512.24880

https://www.youtube.com/watch?v=gT-0Qryi5KA

✔️ Meta лихорадит: Янн ЛеКун резко прошёлся по Александру Вану и намекнул на новые проблему Meta.

Янн ЛеКун публично раскритиковал нового лидера AI-направления Александра Вана, назвав его «неопытным» и подчеркнув, что у него нет понимания, как устроены настоящие исследования и что вообще нужно исследовать

«Он быстро учится, он знает, чего не знает…
Но у него нет опыта в исследованиях - как их вести, как строить процессы и что действительно важно для учёных», - сказал ЛеКун.

По сути - это прямой удар по новой стратегии Meta в AI.

И всё больше разговоров о том, что компанию могут ждать новые увольнения и уходы ключевых специалистов.

Code Red для Meta?
Похоже, внутри компании начинается серьёзный пересмотр курса.

https://www.businessinsider.com/yann-lecun-alexandr-wang-criticism-inexperienced-meta-ai-future-2026-1

*Принадлежит Meta, которая признана экстремистской организацией и запрещена в РФ.