Media is too big
VIEW IN TELEGRAM
🕶 Взгляд Терминатора: Полиция Китая перешла на AR-очки
Будущее правопорядка уже наступило в городе Чанша. Местная дорожная полиция внедрила в экипировку умные очки с искусственным интеллектом. Это не просто камера, а полноценный бортовой компьютер на лице.
Как это работает:
Офицер просто смотрит на автомобиль. Очки сканируют номер, пробивают его по базам и выводят данные прямо перед глазами (в AR-режиме).
Характенистики девайса:
📷 Камера: 12 Мп, широкоугольная, со стабилизацией.
⚡ Скорость: Распознавание номера и получение досье занимает 1–2 секунды (раньше уходило 30 сек).
🔋 Автономность: 8 часов непрерывной работы.
🧠 Функционал: Проверка техосмотра, штрафов, поиск угнанных авто и даже перевод речи с 10 языков.
Результат:
Эффективность проверок выросла на 80%. Офицеру не нужно вбивать данные вручную или связываться с диспетчером — "взгляд" делает всю работу.
В видео показан реальный кейс: контроль въезда в закрытую зону. Зеленая рамка — проезд разрешен, красная — нарушение.
#AI #SmartCity #GovTech #Китай #Технологии
Будущее правопорядка уже наступило в городе Чанша. Местная дорожная полиция внедрила в экипировку умные очки с искусственным интеллектом. Это не просто камера, а полноценный бортовой компьютер на лице.
Как это работает:
Офицер просто смотрит на автомобиль. Очки сканируют номер, пробивают его по базам и выводят данные прямо перед глазами (в AR-режиме).
Характенистики девайса:
📷 Камера: 12 Мп, широкоугольная, со стабилизацией.
⚡ Скорость: Распознавание номера и получение досье занимает 1–2 секунды (раньше уходило 30 сек).
🔋 Автономность: 8 часов непрерывной работы.
🧠 Функционал: Проверка техосмотра, штрафов, поиск угнанных авто и даже перевод речи с 10 языков.
Результат:
Эффективность проверок выросла на 80%. Офицеру не нужно вбивать данные вручную или связываться с диспетчером — "взгляд" делает всю работу.
В видео показан реальный кейс: контроль въезда в закрытую зону. Зеленая рамка — проезд разрешен, красная — нарушение.
#AI #SmartCity #GovTech #Китай #Технологии
👍4🔥4❤1
Важное событие для data-профессионалов!
Издательство «Открытые системы» и портал OSP.ru продолжают приём заявок на национальную премию Data Award 2026 — «Оскар» на рынке ИТ для лидеров в области работы с данными!
Что нового в этом году?
🏆Расширенный список номинаций
🏆Дополнительные награды за успехи во внедрении ИИ-агентов и за лучшие BI-проекты
🏆Гран-при для самого впечатляющего проекта
🏆Специальные номинации от Сбер: «Данные без границ» и «Технологии будущего»
❓Кто может участвовать?
Компании и руководители, чья деятельность связана с управлением и обработкой данных, а также реализацией бизнес-проектов на их основе.
📝Приём заявок: до 15 февраля 2026 года
📹Хотите увидеть, как проходила церемония награждения прошлого года? Смотрите видео с Data Award 2025
💪 Делитесь успехами своей команды!
🚀 Не упустите шанс получить признание профессионального сообщества!
REAL DIGITAL
Издательство «Открытые системы» и портал OSP.ru продолжают приём заявок на национальную премию Data Award 2026 — «Оскар» на рынке ИТ для лидеров в области работы с данными!
Что нового в этом году?
🏆Расширенный список номинаций
🏆Дополнительные награды за успехи во внедрении ИИ-агентов и за лучшие BI-проекты
🏆Гран-при для самого впечатляющего проекта
🏆Специальные номинации от Сбер: «Данные без границ» и «Технологии будущего»
❓Кто может участвовать?
Компании и руководители, чья деятельность связана с управлением и обработкой данных, а также реализацией бизнес-проектов на их основе.
📝Приём заявок: до 15 февраля 2026 года
📹Хотите увидеть, как проходила церемония награждения прошлого года? Смотрите видео с Data Award 2025
💪 Делитесь успехами своей команды!
🚀 Не упустите шанс получить признание профессионального сообщества!
REAL DIGITAL
Издательство «Открытые системы»
Data Award 2026: стартовал новый сезон поиска дата-героев нашего времени
К участию в конкурсе приглашаются специалисты и команды с впечатляющими проектами, готовые продемонстрировать силу данных и их возможности в трансформации бизнеса компаний.
👍5❤1
▫️ Почему ИИ до сих пор плохо справляются с поиском первоисточников — и что с этим делают
Недавнее исследование ставило целью проверить, как популярные модели справляются с простой задачей: модели дают кусок текста и просят найти реальный первоисточник. Фрагменты подбирали такие, что человеку достаточно вставить цитату в Google — и нужная статья оказывается в топ-3 поиска.
Казалось бы, проще не бывает.
Но результаты вышли странными. Например:
• Perplexity ошибся в 37% случаев — лучший результат среди протестируемых
• Grok ошибся в 94% случаев — почти каждый ответ мимо
Почему же ИИ так сыпятся на элементарной задаче?
LLM — это не браузер и не система проверки фактов. Это механизм, который продолжает фразу наиболее вероятным образом.
Поэтому, когда ему говорят «найди источник», он:
• не открывает интернет,
• не делает запрос,
• не проверяет ссылку.
Он просто генерирует строку, похожую на ссылку. Из-за этого появляются аккуратные, но вымышленные URL.
Есть и вторая причина: модель не понимает, что задача требует поиска. Фраза “найди” для неё — не указание действия, а часть текста, которую нужно продолжить.
Почему ИИ не включают интернет автоматически?
Потому что это запрещено намеренно.
Автономный веб-поиск создаёт риски:
• безопасность — модель может попасть на вредоносный сайт или утечь данными
• непредсказуемые расходы — один запрос превращается в 50, и кто за это платит
• отсутствие контроля — ИИ ищет там, где не нужно, или не ищет там, где нужно
• юридические проблемы — случайное нарушение лицензий.
Поэтому поиск подключается только вручную или через строго прописанные правила — а не по желанию самой модели.
Чтобы решить эту проблему, придумали подход RAG — Retrieval-Augmented Generation.
Он заставляет модель работать честнее:
1. сначала выполняется поиск реальных документов,
2. затем ответ формируется строго на их основе.
То есть факты перестают быть фантазией.
Но RAG тоже несовершенен: если поиск нашёл не то, модель повторит ошибку. Поэтому появляются RAG нового поколения, которые иногда называют «RAG-2». Они:
• делают несколько раундов поиска
• уточняют запросы
• сверяют документы друг с другом
• замечают противоречия
• объясняют, откуда взят каждый фрагмент
Это уже не просто «поиск + текст», а мини-агент: нашёл → проверил → перепроверил → ответил.
Без RAG ИИ останется красивым рассказчиком.
А миру нужны системы, которые не придумывают источники и умеют работать с реальными документами — так, как работают аналитики, юристы, журналисты и врачи.
Источник: Tow Center for Digital Journalism, AI search engines fail to produce accurate citations in over 60% of tests (NiemanLab)
REAL DIGITAL
#AI #Галлюцинации #Технологии
Недавнее исследование ставило целью проверить, как популярные модели справляются с простой задачей: модели дают кусок текста и просят найти реальный первоисточник. Фрагменты подбирали такие, что человеку достаточно вставить цитату в Google — и нужная статья оказывается в топ-3 поиска.
Казалось бы, проще не бывает.
Но результаты вышли странными. Например:
• Perplexity ошибся в 37% случаев — лучший результат среди протестируемых
• Grok ошибся в 94% случаев — почти каждый ответ мимо
Почему же ИИ так сыпятся на элементарной задаче?
Потому что модели не выполняют поиск. Они предсказывают текст.
LLM — это не браузер и не система проверки фактов. Это механизм, который продолжает фразу наиболее вероятным образом.
Поэтому, когда ему говорят «найди источник», он:
• не открывает интернет,
• не делает запрос,
• не проверяет ссылку.
Он просто генерирует строку, похожую на ссылку. Из-за этого появляются аккуратные, но вымышленные URL.
Есть и вторая причина: модель не понимает, что задача требует поиска. Фраза “найди” для неё — не указание действия, а часть текста, которую нужно продолжить.
Почему ИИ не включают интернет автоматически?
Потому что это запрещено намеренно.
Автономный веб-поиск создаёт риски:
• безопасность — модель может попасть на вредоносный сайт или утечь данными
• непредсказуемые расходы — один запрос превращается в 50, и кто за это платит
• отсутствие контроля — ИИ ищет там, где не нужно, или не ищет там, где нужно
• юридические проблемы — случайное нарушение лицензий.
Поэтому поиск подключается только вручную или через строго прописанные правила — а не по желанию самой модели.
Чтобы решить эту проблему, придумали подход RAG — Retrieval-Augmented Generation.
Он заставляет модель работать честнее:
1. сначала выполняется поиск реальных документов,
2. затем ответ формируется строго на их основе.
То есть факты перестают быть фантазией.
Но RAG тоже несовершенен: если поиск нашёл не то, модель повторит ошибку. Поэтому появляются RAG нового поколения, которые иногда называют «RAG-2». Они:
• делают несколько раундов поиска
• уточняют запросы
• сверяют документы друг с другом
• замечают противоречия
• объясняют, откуда взят каждый фрагмент
Это уже не просто «поиск + текст», а мини-агент: нашёл → проверил → перепроверил → ответил.
Без RAG ИИ останется красивым рассказчиком.
А миру нужны системы, которые не придумывают источники и умеют работать с реальными документами — так, как работают аналитики, юристы, журналисты и врачи.
Источник: Tow Center for Digital Journalism, AI search engines fail to produce accurate citations in over 60% of tests (NiemanLab)
REAL DIGITAL
#AI #Галлюцинации #Технологии
👍6🤔3❤1🤨1
Глоссарий AI 2.0: От хайпа к технологиям
Индустрия ИИ повзрослела. Мы перешли от фазы простых чат-ботов к сложным инженерным решениям. Чтобы эффективно работать с этими технологиями сегодня, нужно понимать их архитектуру, а не просто знать поверхностные термины.
На канале REAL DIGITAL мы запускаем спецпроект «Глоссарий AI 2.0».
Мы систематизировали ключевые понятия современной индустрии, разбив их на 6 логических блоков — от «железа» до прикладных агентов.
Структура глоссария:
🔹 1. Фундамент и Архитектура
Разберем базу: от классических LLM и Трансформеров до современных подходов MoE (Mixture of Experts) и тренда на SLM (малые языковые модели).
🔹 2. Промптинг и Управление
Инструменты взаимодействия: профессиональный промпт-инжиниринг, системные инструкции, Chain-of-Thought и контекстное обучение (In-context Learning).
🔹 3. Оптимизация и Обучение
Технологии настройки моделей под свои задачи: Fine-tuning, RLHF, LoRA и методы квантования (Quantization).
🔹 4. RAG и Агенты
Прикладной уровень: как работают векторные базы данных, Grounding (заземление на факты) и автономные AI-агенты.
🔹 5. Инфраструктура и Железо
Аппаратная часть: что такое параметры и веса, роль GPU/TPU и из чего складывается стоимость инференса.
🔹 6. Безопасность и Этика
Защита и риски: галлюцинации, предвзятость, джейлбрейки и проблема выравнивания (Alignment).
Сохраняйте этот пост как навигатор. Первый детальный разбор блока «Фундамент и Архитектура» выйдет уже скоро.
REAL DIGITAL
#AI #Glossary #RealDigital #Tech #Education #LLM
Индустрия ИИ повзрослела. Мы перешли от фазы простых чат-ботов к сложным инженерным решениям. Чтобы эффективно работать с этими технологиями сегодня, нужно понимать их архитектуру, а не просто знать поверхностные термины.
На канале REAL DIGITAL мы запускаем спецпроект «Глоссарий AI 2.0».
Мы систематизировали ключевые понятия современной индустрии, разбив их на 6 логических блоков — от «железа» до прикладных агентов.
Структура глоссария:
🔹 1. Фундамент и Архитектура
Разберем базу: от классических LLM и Трансформеров до современных подходов MoE (Mixture of Experts) и тренда на SLM (малые языковые модели).
🔹 2. Промптинг и Управление
Инструменты взаимодействия: профессиональный промпт-инжиниринг, системные инструкции, Chain-of-Thought и контекстное обучение (In-context Learning).
🔹 3. Оптимизация и Обучение
Технологии настройки моделей под свои задачи: Fine-tuning, RLHF, LoRA и методы квантования (Quantization).
🔹 4. RAG и Агенты
Прикладной уровень: как работают векторные базы данных, Grounding (заземление на факты) и автономные AI-агенты.
🔹 5. Инфраструктура и Железо
Аппаратная часть: что такое параметры и веса, роль GPU/TPU и из чего складывается стоимость инференса.
🔹 6. Безопасность и Этика
Защита и риски: галлюцинации, предвзятость, джейлбрейки и проблема выравнивания (Alignment).
Сохраняйте этот пост как навигатор. Первый детальный разбор блока «Фундамент и Архитектура» выйдет уже скоро.
REAL DIGITAL
#AI #Glossary #RealDigital #Tech #Education #LLM
👍4
Перестаньте искать «идеальную» нейросеть
В разных источниках чкстенько можно увидеть опросы типа «Какая нейросеть лучше в 2025 году?».
И хотя лидеры в таких голосованиях предсказуемы (популярность бренда всегда идет впереди), это мало говорит о реальной эффективности.
Почему такие рейтинги — ловушка?
Потому что в 2025 году узнаваемость модели и её пригодность для вашей задачи — это разные вещи.
Использовать одну нейросеть для всего — это как пытаться забить гвоздь микроскопом.
Вроде бы тяжело и солидно, но результат так себе.
Профессиональный подход сегодня — это не выбор «фаворита», а сборка своего набора инструментов:
• Нужен код без ошибок? Вы идете в Claude или DeepSeek, потому что они чище выстраивают архитектуру.
• Нужен быстрый поиск с пруфами? Открываете Perplexity, который не «галлюцинирует», а дает ссылки на источники.
• Нужно проанализировать документ на 500 страниц? Здесь вне конкуренции Gemini с её огромным контекстным окном.
• Нужна быстрая автоматизация рутины? Дешевле и быстрее использовать API GPT-4o mini или Qwen.
Популярные опросы отражают только медийный охват.
На деле же «лучшей» нейросети не существует — есть только та, которая лучше всего подходит под ваш текущий запрос.
А вы все еще пытаетесь найти ту самую «единственную» или уже собрали свой рабочий набор инструментов под разные задачи? 👇
REAL DIGITAL
В разных источниках чкстенько можно увидеть опросы типа «Какая нейросеть лучше в 2025 году?».
И хотя лидеры в таких голосованиях предсказуемы (популярность бренда всегда идет впереди), это мало говорит о реальной эффективности.
Почему такие рейтинги — ловушка?
Потому что в 2025 году узнаваемость модели и её пригодность для вашей задачи — это разные вещи.
Использовать одну нейросеть для всего — это как пытаться забить гвоздь микроскопом.
Вроде бы тяжело и солидно, но результат так себе.
Профессиональный подход сегодня — это не выбор «фаворита», а сборка своего набора инструментов:
• Нужен код без ошибок? Вы идете в Claude или DeepSeek, потому что они чище выстраивают архитектуру.
• Нужен быстрый поиск с пруфами? Открываете Perplexity, который не «галлюцинирует», а дает ссылки на источники.
• Нужно проанализировать документ на 500 страниц? Здесь вне конкуренции Gemini с её огромным контекстным окном.
• Нужна быстрая автоматизация рутины? Дешевле и быстрее использовать API GPT-4o mini или Qwen.
Популярные опросы отражают только медийный охват.
На деле же «лучшей» нейросети не существует — есть только та, которая лучше всего подходит под ваш текущий запрос.
А вы все еще пытаетесь найти ту самую «единственную» или уже собрали свой рабочий набор инструментов под разные задачи? 👇
REAL DIGITAL
👍4🔥3👏1
Данные по китайским заводам: что реально происходит
Министерство промышленности и информационных технологий Китая (MIIT) — государственное ведомство, которое отвечает за промышленную политику страны и контроль выполнения программы Made in China 2025.
Недавно они выложили статистику по автоматизации производств. Цифры интересные, решили разобраться.
Как они считают заводы
MIIT классифицирует “умные фабрики” на четыре уровня:
- Базовый— датчики, сбор данных, автоматизация отдельных участков
- Продвинутый— роботизированные линии, интеграция систем управления
- Высший— глубокая автоматизация всех процессов, цифровые двойники, AI-управление
- Пионерский— полная автономия, минимальное участие человека
Всего в Китае больше 7000 заводов под определение “умная фабрика”. Распределение: больше 30 тысяч базового уровня, около 1200 продвинутого, примерно 500 высшего и только 15 пионерского.
Результаты у топовых предприятий
Заводы высшего и пионерского уровня показывают:
- Сокращение цикла разработки на 28%
- Рост производительности на 22%
McKinsey по азиатским производствам: рост пропускной способности на 10-30%, снижение простоев на 30-50%.
«Тёмные фабрики»
Производства, где можно выключить свет — роботам освещение не нужно.
В конце ноября 2019 года наша редакция в рамках тура по технологическим городам посетила завод Huawei в Шэньчжэне. Сотовые телефоны там уже тогда собирались роботами в полной темноте.
Сейчас таких примеров больше:
- Завод Xiaomi в Пекине собирает один смартфон каждые три секунды
- Производство электромобилей Xiaomi выпускает машину каждые 76 секунд — 700+ роботов круглосуточно
- Foxconn, Gree и другие крупные компании запустили подобные линии
Это не массовое явление, но и не новинка последних лет. Крупнейшие корпорации внедряли это ещё до пандемии.
Масштаб роботизации
В 2022 году в Китае установили 290 тысяч промышленных роботов — 52% от мирового объёма. Больше, чем в США и Японии вместе.
По данным International Federation of Robotics, это не разовый всплеск. Китай наращивает роботизацию системно с 2015 года. Bloomberg Economics оценил программу Made in China 2025 как “в значительной степени успешную” — из 13 критических технологий Китай вышел в лидеры по пяти.
Что это означает по факту:
Автоматизированное производство даёт меньшую себестоимость и большую скорость вывода продукта. Конкурировать традиционными методами становится экономически невыгодно.
Полный переход займёт ещё 10-15 лет. Но движение стабильное: инвестиции продолжаются, технологии дорабатываются, показатели растут.
Для любого производства это означает одно: автоматизацию нужно закладывать сразу, а не откладывать. Иначе разрыв в конкурентоспособности станет критическим.
REAL DIGITAL
Источники:
- MIIT (Ministry of Industry and Information Technology, КНР)
- McKinsey — отчёты по Industry 4.0
- International Federation of Robotics (IFR)
- Bloomberg Economics
Министерство промышленности и информационных технологий Китая (MIIT) — государственное ведомство, которое отвечает за промышленную политику страны и контроль выполнения программы Made in China 2025.
Недавно они выложили статистику по автоматизации производств. Цифры интересные, решили разобраться.
Как они считают заводы
MIIT классифицирует “умные фабрики” на четыре уровня:
- Базовый— датчики, сбор данных, автоматизация отдельных участков
- Продвинутый— роботизированные линии, интеграция систем управления
- Высший— глубокая автоматизация всех процессов, цифровые двойники, AI-управление
- Пионерский— полная автономия, минимальное участие человека
Всего в Китае больше 7000 заводов под определение “умная фабрика”. Распределение: больше 30 тысяч базового уровня, около 1200 продвинутого, примерно 500 высшего и только 15 пионерского.
Результаты у топовых предприятий
Заводы высшего и пионерского уровня показывают:
- Сокращение цикла разработки на 28%
- Рост производительности на 22%
McKinsey по азиатским производствам: рост пропускной способности на 10-30%, снижение простоев на 30-50%.
«Тёмные фабрики»
Производства, где можно выключить свет — роботам освещение не нужно.
В конце ноября 2019 года наша редакция в рамках тура по технологическим городам посетила завод Huawei в Шэньчжэне. Сотовые телефоны там уже тогда собирались роботами в полной темноте.
Сейчас таких примеров больше:
- Завод Xiaomi в Пекине собирает один смартфон каждые три секунды
- Производство электромобилей Xiaomi выпускает машину каждые 76 секунд — 700+ роботов круглосуточно
- Foxconn, Gree и другие крупные компании запустили подобные линии
Это не массовое явление, но и не новинка последних лет. Крупнейшие корпорации внедряли это ещё до пандемии.
Масштаб роботизации
В 2022 году в Китае установили 290 тысяч промышленных роботов — 52% от мирового объёма. Больше, чем в США и Японии вместе.
По данным International Federation of Robotics, это не разовый всплеск. Китай наращивает роботизацию системно с 2015 года. Bloomberg Economics оценил программу Made in China 2025 как “в значительной степени успешную” — из 13 критических технологий Китай вышел в лидеры по пяти.
Что это означает по факту:
Автоматизированное производство даёт меньшую себестоимость и большую скорость вывода продукта. Конкурировать традиционными методами становится экономически невыгодно.
Полный переход займёт ещё 10-15 лет. Но движение стабильное: инвестиции продолжаются, технологии дорабатываются, показатели растут.
Для любого производства это означает одно: автоматизацию нужно закладывать сразу, а не откладывать. Иначе разрыв в конкурентоспособности станет критическим.
REAL DIGITAL
Источники:
- MIIT (Ministry of Industry and Information Technology, КНР)
- McKinsey — отчёты по Industry 4.0
- International Federation of Robotics (IFR)
- Bloomberg Economics
👍7❤2
Казахстан планирует занять второе место в мире по производству галлия
В рамках официального визита Президента РК в Японию (декабрь 2025 г.) компания Eurasian Resources Group (ERG) и Mitsubishi Corporation RtM Japan Ltd заключили долгосрочное соглашение на поставку галлия. Проект направлен на диверсификацию цепочек поставок критических минералов и расширение казахстанского экспорта высокотехнологичной продукции.
Основные параметры проекта:
- Производственная база: Участок будет запущен на базе Павлодарского алюминиевого завода (ПАЗ).
- Мощность: Проектная мощность составляет 15 тонн галлия в год. Согласно отраслевым прогнозам, этот объем позволит Казахстану стать вторым по величине производителем металла в мире после КНР.
- Технология: Будет использована собственная разработка ERG Research and Development, позволяющая извлекать металл из производственных растворов при сверхнизком содержании галлия без снижения качества основной продукции (глинозема).
- Инвестиции: Общий объем вложений превышает 12,5 млрд тенге.
Запуск производства намечен на III квартал 2026 года.
Прямой контракт с Mitsubishi Corporation подтверждает позиции Казахстана как стратегического участника глобальной цепочки добавленной стоимости и надежного поставщика редких металлов для рынка высоких технологий.
REAL DIGITAL
Источник:
- ERG.kz — официальное сообщение о подписании контракта и технических деталях проекта.
- Mining.com — анализ проекта в контексте мирового рынка критических минералов и конкуренции с КНР.
В рамках официального визита Президента РК в Японию (декабрь 2025 г.) компания Eurasian Resources Group (ERG) и Mitsubishi Corporation RtM Japan Ltd заключили долгосрочное соглашение на поставку галлия. Проект направлен на диверсификацию цепочек поставок критических минералов и расширение казахстанского экспорта высокотехнологичной продукции.
Основные параметры проекта:
- Производственная база: Участок будет запущен на базе Павлодарского алюминиевого завода (ПАЗ).
- Мощность: Проектная мощность составляет 15 тонн галлия в год. Согласно отраслевым прогнозам, этот объем позволит Казахстану стать вторым по величине производителем металла в мире после КНР.
- Технология: Будет использована собственная разработка ERG Research and Development, позволяющая извлекать металл из производственных растворов при сверхнизком содержании галлия без снижения качества основной продукции (глинозема).
- Инвестиции: Общий объем вложений превышает 12,5 млрд тенге.
Запуск производства намечен на III квартал 2026 года.
Галлий входит в перечень критически важного сырья для полупроводниковой промышленности, производства 5G-оборудования и солнечной энергетики.
Прямой контракт с Mitsubishi Corporation подтверждает позиции Казахстана как стратегического участника глобальной цепочки добавленной стоимости и надежного поставщика редких металлов для рынка высоких технологий.
REAL DIGITAL
Источник:
- ERG.kz — официальное сообщение о подписании контракта и технических деталях проекта.
- Mining.com — анализ проекта в контексте мирового рынка критических минералов и конкуренции с КНР.
🔥4👏3
📢 Глоссарий AI 2.0 | Выпуск #1.1: Основы основ
Мы начинаем погружение в блок «Фундамент и Архитектура». Чтобы понимать, как ИИ трансформирует индустрии, важно разобраться в иерархии понятий: от общих систем до конкретных инструментов.
Сегодня три базовых термина, определяющих масштаб технологии:
🔹 1. AI (Artificial Intelligence / Искусственный интеллект)
Сегодня это не просто «имитация человека», а способность систем решать задачи, требующие интеллектуальных способностей: глубокий анализ, распознавание образов и принятие решений. Современный ИИ находит в данных паттерны и закономерности (например, в структуре белков или климатических изменениях), которые часто недоступны человеческому глазу.
🔹 2. Generative AI (GenAI / Генеративный ИИ)
Подмножество ИИ, которое перешло от анализа к созиданию. Если классический ИИ умеет классифицировать (например, определять болезнь по снимку), то Генеративный ИИ создает новый контент: текст, программный код, изображения и даже новые молекулы. Он не просто копирует, а синтезирует информацию на основе выученных правил.
🔹 3. Foundation Model (Фундаментальная модель)
«Универсальный фундамент» современной индустрии. Это огромная модель, обученная на колоссальных массивах данных. Благодаря этому она обладает широким пониманием мира и может быть адаптирована (дообучена) под тысячи узких задач: от юридического анализа до управления роботами. Примеры: GPT-4, Claude 3.5, Llama 3.
💡 Итог: AI — это умение решать сложные задачи, GenAI — умение создавать новое, а Foundation Model — это база, которая делает всё это возможным в промышленном масштабе.
В следующем выпуске разберем «двигатель» революции: почему именно архитектура Transformer изменила всё и чем отличаются LLM от SLM.
REAL DIGITAL
#AI #Glossary #RealDigital #Tech #Education #GenAI
Мы начинаем погружение в блок «Фундамент и Архитектура». Чтобы понимать, как ИИ трансформирует индустрии, важно разобраться в иерархии понятий: от общих систем до конкретных инструментов.
Сегодня три базовых термина, определяющих масштаб технологии:
🔹 1. AI (Artificial Intelligence / Искусственный интеллект)
Сегодня это не просто «имитация человека», а способность систем решать задачи, требующие интеллектуальных способностей: глубокий анализ, распознавание образов и принятие решений. Современный ИИ находит в данных паттерны и закономерности (например, в структуре белков или климатических изменениях), которые часто недоступны человеческому глазу.
🔹 2. Generative AI (GenAI / Генеративный ИИ)
Подмножество ИИ, которое перешло от анализа к созиданию. Если классический ИИ умеет классифицировать (например, определять болезнь по снимку), то Генеративный ИИ создает новый контент: текст, программный код, изображения и даже новые молекулы. Он не просто копирует, а синтезирует информацию на основе выученных правил.
🔹 3. Foundation Model (Фундаментальная модель)
«Универсальный фундамент» современной индустрии. Это огромная модель, обученная на колоссальных массивах данных. Благодаря этому она обладает широким пониманием мира и может быть адаптирована (дообучена) под тысячи узких задач: от юридического анализа до управления роботами. Примеры: GPT-4, Claude 3.5, Llama 3.
💡 Итог: AI — это умение решать сложные задачи, GenAI — умение создавать новое, а Foundation Model — это база, которая делает всё это возможным в промышленном масштабе.
В следующем выпуске разберем «двигатель» революции: почему именно архитектура Transformer изменила всё и чем отличаются LLM от SLM.
REAL DIGITAL
#AI #Glossary #RealDigital #Tech #Education #GenAI
👏5
Как заставить ChatGPT проверять факты вместо того, чтобы поддакивать
Уже все отмечают, что ChatGPT соглашается даже с откровенной чушью?
Например, если написать ему: «Инвестиции в золото всегда защищают от инфляции, верно?» — и он начнёт уверенно подтверждать, хотя это как минимум спорное утверждение.
Проблема в том, что по умолчанию модель настроена быть услужливой, а не критичной.
Но это легко исправить одной настройкой.
Что делать.
Зайдите в «Настройки» → «Персонализация» → «Пользовательские инструкции» (Custom Instructions) и вставьте в поле «Как вы хотите, чтобы ChatGPT отвечал»:
Разница в подходе:
пример До / После
До (базовая настройка):
Вы: «Инвестиции в золото всегда защищают от инфляции, верно?»
ChatGPT: «Да, совершенно верно. Золото традиционно считается надёжным активом-убежищем. Его стоимость обычно растёт, когда покупательная способность валюты снижается...»
После (с инструкцией):
> ChatGPT: «Это утверждение требует проверки. Золото защищало от инфляции в 1970-х, но в период 1980–2000 гг. его цена падала, несмотря на рост цен. Корреляция золота с инфляцией исторически слабая (~0.16). Нужно уточнить: вы говорите о долгосрочном периоде (десятилетия) или краткосрочном?
Самопроверка: Оспорено слово «всегда». Осталось неопределённым: влияние текущих процентных ставок. Нужны данные по конкретному горизонту планирования».
Где это будет вам полезно
-Юридические и контрактные вопросы — модель начнет искать «дыры» в логике, а не просто пересказывать пункты.
-Инвестиции и бизнес-планы — проверка метрик и поиск необоснованных оптимистичных допущений.
-Технические разборы — выявление ошибок в причинно-следственных связях.
-Факт-чекинг — анализ структуры аргументов (хотя помните, что без поиска в сети модель опирается только на базу обучения).
Бонус: меньше «галлюцинаций»
Такая настройка заставляет ИИ чаще признавать пробелы в знаниях. Вместо того чтобы уверенно сочинять недостающую информацию, модель теперь говорит: «Для подтверждения этого тезиса данных недостаточно, нужно проверить X и Y».
Важное примечание
Это не делает ChatGPT «умнее» в плане объема знаний, но в корне меняет его фильтр. Если вам вдруг снова понадобится «добрый» и творческий помощник (например, написать поздравление или сказку), просто временно выключите или удалите эту инструкцию, иначе он начнет критиковать логику сюжета про Колобка.
Попробуйте прямо сейчас и делитесь в комментариях: какой самый «неудобный» вопрос он вам задал в ответ?
Уже все отмечают, что ChatGPT соглашается даже с откровенной чушью?
Например, если написать ему: «Инвестиции в золото всегда защищают от инфляции, верно?» — и он начнёт уверенно подтверждать, хотя это как минимум спорное утверждение.
Проблема в том, что по умолчанию модель настроена быть услужливой, а не критичной.
Но это легко исправить одной настройкой.
Что делать.
Зайдите в «Настройки» → «Персонализация» → «Пользовательские инструкции» (Custom Instructions) и вставьте в поле «Как вы хотите, чтобы ChatGPT отвечал»:
Выступай как аналитический партнёр: проверяй предпосылки, тестируй логику, не считай мои утверждения фактами по умолчанию. Указывай на скрытые допущения, ошибочные выводы и альтернативные объяснения. Если данных мало — говори об этом и поясняй, что нужно для подтверждения. В конце каждого ответа делай короткую самопроверку: что оспорено, что осталось неопределенным, какие сведения необходимы для проверки.
Разница в подходе:
пример До / После
До (базовая настройка):
Вы: «Инвестиции в золото всегда защищают от инфляции, верно?»
ChatGPT: «Да, совершенно верно. Золото традиционно считается надёжным активом-убежищем. Его стоимость обычно растёт, когда покупательная способность валюты снижается...»
После (с инструкцией):
> ChatGPT: «Это утверждение требует проверки. Золото защищало от инфляции в 1970-х, но в период 1980–2000 гг. его цена падала, несмотря на рост цен. Корреляция золота с инфляцией исторически слабая (~0.16). Нужно уточнить: вы говорите о долгосрочном периоде (десятилетия) или краткосрочном?
Самопроверка: Оспорено слово «всегда». Осталось неопределённым: влияние текущих процентных ставок. Нужны данные по конкретному горизонту планирования».
Где это будет вам полезно
-Юридические и контрактные вопросы — модель начнет искать «дыры» в логике, а не просто пересказывать пункты.
-Инвестиции и бизнес-планы — проверка метрик и поиск необоснованных оптимистичных допущений.
-Технические разборы — выявление ошибок в причинно-следственных связях.
-Факт-чекинг — анализ структуры аргументов (хотя помните, что без поиска в сети модель опирается только на базу обучения).
Бонус: меньше «галлюцинаций»
Такая настройка заставляет ИИ чаще признавать пробелы в знаниях. Вместо того чтобы уверенно сочинять недостающую информацию, модель теперь говорит: «Для подтверждения этого тезиса данных недостаточно, нужно проверить X и Y».
Важное примечание
Это не делает ChatGPT «умнее» в плане объема знаний, но в корне меняет его фильтр. Если вам вдруг снова понадобится «добрый» и творческий помощник (например, написать поздравление или сказку), просто временно выключите или удалите эту инструкцию, иначе он начнет критиковать логику сюжета про Колобка.
Попробуйте прямо сейчас и делитесь в комментариях: какой самый «неудобный» вопрос он вам задал в ответ?
👍17❤2
Артиллерия против снайпера: Почему Китай строит гигантский ускоритель вместо копирования ASML
В новостях часто пишут: «Китай создал аналог оборудования ASML». Это звучит так же наивно, как «Китай скопировал МКС и собрал её в гараже».
Чтобы понять, почему эксперты скептически относятся к идее быстрого «копирования», нужно осознать масштаб.
EUV-литограф — это, пожалуй, самое сложное серийное устройство в истории человечества.
Вот 3 факта из документации ASML, чтобы оценить уровень задачи:
1. Точность снайпера
Внутри машины лазер должен попасть в каплю расплавленного олова диаметром 20 микрон.
• Капля летит со скоростью сотни километров в час.
• Попасть нужно дважды: первый импульс сплющивает каплю, второй — превращает её в плазму.
• Это происходит 50 000 раз в секунду.
• Аналогия: Это как с Земли попасть лазерной указкой в монету, летящую по поверхности Луны.
2. Самое гладкое зеркало во Вселенной
Оптика для этих машин (производства немецкой Carl Zeiss) имеет невероятную точность.
• Аналогия: Если увеличить зеркало литографа до размеров Казахстана, то самая высокая гора на нём будет не выше 1 миллиметра.
Скопировать такую полировку и напыление за пару лет — задача на грани фантастики.
3. Логистический кошмар
Один литограф весит 180 тонн.
• Он состоит из 100 000 деталей.
• Чтобы доставить одну машину, требуется 4 грузовых Boeing 747.
• Внутри — сотни километров кабелей и шлангов сверхчистой подачи химии.
Что реально делает Китай?
Понимая, что воссоздать такую «ювелирную» машину в условиях санкций невозможно, Китай пошел другим путем.
Они не строят компактный станок. Они строят завод-ускоритель (проект SSMB).
Вместо сложной системы лазеров используется гигантское кольцо-синхротрон диаметром в сотни метров. Электроны разгоняются в нём, генерируя мощный свет для печати чипов.
Это грубое, гигантское, невероятно дорогое, но работающее решение.
Если вы не можете создать снайперскую винтовку (как ASML), вы строите артиллерийскую батарею размером с город.
Итог:
Китай не скопировал технологию. Он пытается переиграть законы индустрии массой и бетоном, создавая инфраструктуру, которую физически невозможно заблокировать санкциями.
Первый коммерческий SSMB-модуль планируется к запуску ориентировочно в 2027–2028 годах (согласно дорожным картам SMEE и проектам в Сюнъане).
Ставки максимальны: если он заработает, Китай получит независимость в производстве 5-нм чипов. Да, они будут дороже, чем у TSMC, но в вопросах нацбезопасности цена значения не имеет.
Источники:
1. Nature (2021): “Steady-state microbunching mechanism for a high-power EUV light source” (Deng, Tang et al.) — DOI: 10.1038/s41586-021-03293-7
2. ASML: Официальные спецификации систем NXE — asml.com/technology
3. SCMP: Отчеты о строительстве инновационного хаба в районе Xiongan.
REAL DIGITAL
#Tech #ASML #China #Engineering #Science
В новостях часто пишут: «Китай создал аналог оборудования ASML». Это звучит так же наивно, как «Китай скопировал МКС и собрал её в гараже».
Чтобы понять, почему эксперты скептически относятся к идее быстрого «копирования», нужно осознать масштаб.
EUV-литограф — это, пожалуй, самое сложное серийное устройство в истории человечества.
Вот 3 факта из документации ASML, чтобы оценить уровень задачи:
1. Точность снайпера
Внутри машины лазер должен попасть в каплю расплавленного олова диаметром 20 микрон.
• Капля летит со скоростью сотни километров в час.
• Попасть нужно дважды: первый импульс сплющивает каплю, второй — превращает её в плазму.
• Это происходит 50 000 раз в секунду.
• Аналогия: Это как с Земли попасть лазерной указкой в монету, летящую по поверхности Луны.
2. Самое гладкое зеркало во Вселенной
Оптика для этих машин (производства немецкой Carl Zeiss) имеет невероятную точность.
• Аналогия: Если увеличить зеркало литографа до размеров Казахстана, то самая высокая гора на нём будет не выше 1 миллиметра.
Скопировать такую полировку и напыление за пару лет — задача на грани фантастики.
3. Логистический кошмар
Один литограф весит 180 тонн.
• Он состоит из 100 000 деталей.
• Чтобы доставить одну машину, требуется 4 грузовых Boeing 747.
• Внутри — сотни километров кабелей и шлангов сверхчистой подачи химии.
Что реально делает Китай?
Понимая, что воссоздать такую «ювелирную» машину в условиях санкций невозможно, Китай пошел другим путем.
Они не строят компактный станок. Они строят завод-ускоритель (проект SSMB).
Вместо сложной системы лазеров используется гигантское кольцо-синхротрон диаметром в сотни метров. Электроны разгоняются в нём, генерируя мощный свет для печати чипов.
Это грубое, гигантское, невероятно дорогое, но работающее решение.
Если вы не можете создать снайперскую винтовку (как ASML), вы строите артиллерийскую батарею размером с город.
Итог:
Китай не скопировал технологию. Он пытается переиграть законы индустрии массой и бетоном, создавая инфраструктуру, которую физически невозможно заблокировать санкциями.
Первый коммерческий SSMB-модуль планируется к запуску ориентировочно в 2027–2028 годах (согласно дорожным картам SMEE и проектам в Сюнъане).
Ставки максимальны: если он заработает, Китай получит независимость в производстве 5-нм чипов. Да, они будут дороже, чем у TSMC, но в вопросах нацбезопасности цена значения не имеет.
Источники:
1. Nature (2021): “Steady-state microbunching mechanism for a high-power EUV light source” (Deng, Tang et al.) — DOI: 10.1038/s41586-021-03293-7
2. ASML: Официальные спецификации систем NXE — asml.com/technology
3. SCMP: Отчеты о строительстве инновационного хаба в районе Xiongan.
REAL DIGITAL
#Tech #ASML #China #Engineering #Science
👍5👏2
📢 Глоссарий AI 2.0 | Выпуск #1.2: Двигатель и масштабы
В прошлом выпуске мы разобрались с «фундаментом», а сегодня заглянем под капот. Почему современные нейросети так внезапно поумнели и почему размер модели определяет её способности?
Разбираем три ключевых термина архитектуры:
🔹 1. Transformer (Трансформер)
Архитектура нейросетей, ставшая технологическим «двигателем» текущей революции ИИ.
Как это работает: В отличие от старых систем, Трансформер обрабатывает данные параллельно, а не последовательно. С помощью механизма Self-Attention (самовнимание) модель вычисляет математический «вес» связи каждого слова с каждым во всем доступном контексте. Это позволяет ИИ мгновенно определять смысл многозначных слов (например, «ключ»), опираясь на далекие по смыслу зацепки в тексте.
🔹 2. LLM (Large Language Model / Большая языковая модель)
Модель с числом параметров от десятков миллиардов, обученная на триллионах токенов. Главный феномен LLM — эмерджентность. Под давлением колоссальных объемов данных модель физически не может «зазубрить» все факты. Чтобы минимизировать ошибки, математические алгоритмы вынуждают её переходить к сжатию смыслов — поиску скрытых логических правил и алгоритмов, которые объясняют данные эффективнее, чем простая память. Так статистический поиск слов превращается в способность решать задачи и писать код.
🔹 3. SLM (Small Language Model / Малая языковая модель)
Главный тренд 2024–2025 годов. Это компактные модели (Gemma, Phi-3, Llama-small), которые специально оптимизируют («сжимают») без критической потери качества.
Зачем это нужно: Чтобы ИИ мог работать локально: в вашем смартфоне, на периферийных устройствах (Edge AI) или внутри закрытого контура компании. SLM решают проблему приватности данных и высокой стоимости облачных вычислений, выполняя конкретные прикладные задачи быстрее и дешевле гигантов.
💡 Итог:
- Трансформер — это архитектурный чертеж,
- LLM — это суперкомпьютер, выводящий законы логики из огромных массивов данных,
- SLM — это эффективный инструмент для работы «на месте».
В следующем выпуске разберем самую горячую тему: World Models Яна Лекуна и узнаем, сможет ли ИИ когда-нибудь обрести настоящий «здравый смысл».
REAL DIGITAL
#AI #Glossary #RealDigital #Transformer #LLM #SLM #Tech #EdgeAI
В прошлом выпуске мы разобрались с «фундаментом», а сегодня заглянем под капот. Почему современные нейросети так внезапно поумнели и почему размер модели определяет её способности?
Разбираем три ключевых термина архитектуры:
🔹 1. Transformer (Трансформер)
Архитектура нейросетей, ставшая технологическим «двигателем» текущей революции ИИ.
Как это работает: В отличие от старых систем, Трансформер обрабатывает данные параллельно, а не последовательно. С помощью механизма Self-Attention (самовнимание) модель вычисляет математический «вес» связи каждого слова с каждым во всем доступном контексте. Это позволяет ИИ мгновенно определять смысл многозначных слов (например, «ключ»), опираясь на далекие по смыслу зацепки в тексте.
🔹 2. LLM (Large Language Model / Большая языковая модель)
Модель с числом параметров от десятков миллиардов, обученная на триллионах токенов. Главный феномен LLM — эмерджентность. Под давлением колоссальных объемов данных модель физически не может «зазубрить» все факты. Чтобы минимизировать ошибки, математические алгоритмы вынуждают её переходить к сжатию смыслов — поиску скрытых логических правил и алгоритмов, которые объясняют данные эффективнее, чем простая память. Так статистический поиск слов превращается в способность решать задачи и писать код.
🔹 3. SLM (Small Language Model / Малая языковая модель)
Главный тренд 2024–2025 годов. Это компактные модели (Gemma, Phi-3, Llama-small), которые специально оптимизируют («сжимают») без критической потери качества.
Зачем это нужно: Чтобы ИИ мог работать локально: в вашем смартфоне, на периферийных устройствах (Edge AI) или внутри закрытого контура компании. SLM решают проблему приватности данных и высокой стоимости облачных вычислений, выполняя конкретные прикладные задачи быстрее и дешевле гигантов.
💡 Итог:
- Трансформер — это архитектурный чертеж,
- LLM — это суперкомпьютер, выводящий законы логики из огромных массивов данных,
- SLM — это эффективный инструмент для работы «на месте».
В следующем выпуске разберем самую горячую тему: World Models Яна Лекуна и узнаем, сможет ли ИИ когда-нибудь обрести настоящий «здравый смысл».
REAL DIGITAL
#AI #Glossary #RealDigital #Transformer #LLM #SLM #Tech #EdgeAI
1👍7🔥1
Deepfake-дипломатия 2025: Мы официально вошли в эру «Пост-правды»
К декабрю 2025 года термин «deepfake-дипломатия» стал главным кошмаром МИДов по всему миру. Это уже не просто пранки — это инструмент прямого шпионажа и дестабилизации.
📈 Статистика:
Только за первый квартал 2025 года зафиксировано 179 крупных инцидентов (больше, чем за весь прошлый год).
Политики стали мишенью в 56 атаках.
🚨 Главные скандалы декабря:
-Французский кейс: Вирусное видео о «перевороте во Франции» набрало 13 млн просмотров. Фейк был настолько качественным, что лидеры африканских стран начали лично звонить Макрону для проверки. Это вторая атака на Елисейский дворец за месяц.
- Deepfake Марко Рубио: Голос госсекретаря США был клонирован для обзвона конгрессменов и иностранных послов с целью выманивания секретных данных.
- Голосовая охота:
FBI официально подтвердило пик активности voice cloning в госсекторе — злоумышленники крадут информацию, имитируя голоса руководства в реальном времени.
Критично ли это?
- “Дивиденд лжеца”. Тотальный кризис доверия. Теперь политики могут называть любой реальный компромат фейком — и им будут верить.
-Паралич коммуникаций: Дипломатия замедляется. Мы возвращаемся к «аналоговой» эпохе: секретные депеши, личные встречи и фельдъегеря. Видеосвязь больше не аргумент.
- Локальный контекст: Страны СНГ и Казахстан уже активно изучают внедрение стандартов C2PA (цифровых паспортов файлов), чтобы защитить свои инфополя от внешних вбросов.
- C2PA: Ведущие техногиганты внедряют невидимые «цифровые подписи» в каждое фото и видео.
- EU AI Act: Жесткие штрафы (до 7% оборота) за отсутствие маркировки ИИ-контента.
- Крипто-ключи: Введение персональных блокчейн-подписей для видеообращений мировых лидеров.
Эпоха «увидеть — значит поверить» мертва. Впереди либо полная криптографическая верификация каждого кадра, либо хаос.
2026-й станет годом восстановления доверия — или официальной эрой легализованной дезинформации?
Что думаете: помогут ли нам «цифровые паспорта» или ИИ всегда будет на шаг впереди регуляторов? 👇
REAL DIGITAL
#Deepfake #AI #Геополитика #Безопасность #RealDigital #Казахстан #Дипломатия
К декабрю 2025 года термин «deepfake-дипломатия» стал главным кошмаром МИДов по всему миру. Это уже не просто пранки — это инструмент прямого шпионажа и дестабилизации.
📈 Статистика:
Только за первый квартал 2025 года зафиксировано 179 крупных инцидентов (больше, чем за весь прошлый год).
Политики стали мишенью в 56 атаках.
🚨 Главные скандалы декабря:
-Французский кейс: Вирусное видео о «перевороте во Франции» набрало 13 млн просмотров. Фейк был настолько качественным, что лидеры африканских стран начали лично звонить Макрону для проверки. Это вторая атака на Елисейский дворец за месяц.
- Deepfake Марко Рубио: Голос госсекретаря США был клонирован для обзвона конгрессменов и иностранных послов с целью выманивания секретных данных.
- Голосовая охота:
FBI официально подтвердило пик активности voice cloning в госсекторе — злоумышленники крадут информацию, имитируя голоса руководства в реальном времени.
Критично ли это?
- “Дивиденд лжеца”. Тотальный кризис доверия. Теперь политики могут называть любой реальный компромат фейком — и им будут верить.
-Паралич коммуникаций: Дипломатия замедляется. Мы возвращаемся к «аналоговой» эпохе: секретные депеши, личные встречи и фельдъегеря. Видеосвязь больше не аргумент.
- Локальный контекст: Страны СНГ и Казахстан уже активно изучают внедрение стандартов C2PA (цифровых паспортов файлов), чтобы защитить свои инфополя от внешних вбросов.
- C2PA: Ведущие техногиганты внедряют невидимые «цифровые подписи» в каждое фото и видео.
- EU AI Act: Жесткие штрафы (до 7% оборота) за отсутствие маркировки ИИ-контента.
- Крипто-ключи: Введение персональных блокчейн-подписей для видеообращений мировых лидеров.
Эпоха «увидеть — значит поверить» мертва. Впереди либо полная криптографическая верификация каждого кадра, либо хаос.
2026-й станет годом восстановления доверия — или официальной эрой легализованной дезинформации?
Что думаете: помогут ли нам «цифровые паспорта» или ИИ всегда будет на шаг впереди регуляторов? 👇
REAL DIGITAL
#Deepfake #AI #Геополитика #Безопасность #RealDigital #Казахстан #Дипломатия
🤔6😱2👍1👎1
🎣 Промпт-бейтинг: почему «золотые списки» запросов не сделают вас профи
Покупка сборников «1000+ идеальных промптов» — это новый вид цифрового накопительства. Мы коллекционируем их, как когда-то шаблоны Excel или пресеты для фото, забывая об одной детали: AI — это не калькулятор, это напарник.
Почему готовые промпты — это тупик?
1. Эффект «чужого костюма». Промпт, написанный другим человеком, учитывает его контекст, его бизнес-задачи и его стиль. Вам всё равно придётся его перешивать.
2. Хрупкость. Одно обновление модели (например, переход с GPT-4 на GPT-4o) — и ваш «золотой промпт» начинает выдавать посредственный результат.
3. Отсутствие «интеллектуальной мышцы». Копируя чужое, вы пропускаете этап настройки нейронных связей — в своей голове.
Что важнее текста самого промпта?
Ценность не в буквах, а в архитектуре мышления.
Вместо того чтобы искать «волшебную фразу», освойте универсальный алгоритм:
• Анализ: Что именно я хочу получить? (Контекст + Роль)
• Классификация: Какие данные важны, а что — шум? (Структура)
• Преобразование: В каком виде мне нужен результат? (Формат)
Главный риск: Покупая «рыбу», вы остаетесь в зависимости от продавца. Учась «ловить рыбу», вы превращаете AI в бесконечный конструктор инструментов под любую задачу.
Эпоха AI — это не время операторов копипаста. Это время творцов, которые понимают, как работает «двигатель» под капотом.
А как вы используете нейросети? Собираете коллекцию готовых запросов или каждый раз конструируете их с нуля под задачу? 👇
REAL DIGITAL
#ChatGPT #AI #Продуктивность #PromptEngineering #ИИ
Покупка сборников «1000+ идеальных промптов» — это новый вид цифрового накопительства. Мы коллекционируем их, как когда-то шаблоны Excel или пресеты для фото, забывая об одной детали: AI — это не калькулятор, это напарник.
Почему готовые промпты — это тупик?
1. Эффект «чужого костюма». Промпт, написанный другим человеком, учитывает его контекст, его бизнес-задачи и его стиль. Вам всё равно придётся его перешивать.
2. Хрупкость. Одно обновление модели (например, переход с GPT-4 на GPT-4o) — и ваш «золотой промпт» начинает выдавать посредственный результат.
3. Отсутствие «интеллектуальной мышцы». Копируя чужое, вы пропускаете этап настройки нейронных связей — в своей голове.
Что важнее текста самого промпта?
Ценность не в буквах, а в архитектуре мышления.
Вместо того чтобы искать «волшебную фразу», освойте универсальный алгоритм:
• Анализ: Что именно я хочу получить? (Контекст + Роль)
• Классификация: Какие данные важны, а что — шум? (Структура)
• Преобразование: В каком виде мне нужен результат? (Формат)
Главный риск: Покупая «рыбу», вы остаетесь в зависимости от продавца. Учась «ловить рыбу», вы превращаете AI в бесконечный конструктор инструментов под любую задачу.
Эпоха AI — это не время операторов копипаста. Это время творцов, которые понимают, как работает «двигатель» под капотом.
А как вы используете нейросети? Собираете коллекцию готовых запросов или каждый раз конструируете их с нуля под задачу? 👇
REAL DIGITAL
#ChatGPT #AI #Продуктивность #PromptEngineering #ИИ
🔥5👍3
📢 Глоссарий AI 2.0 | Выпуск #1.3: Новые парадигмы
Завершаем разбор первого блока — «Фундамент и Архитектура». Сегодня говорим о том, как ИИ пытается выйти за рамки простого текста и обрести некое подобие «здравого смысла».
Разбираем три концепции, которые определяют развитие ИИ прямо сейчас:
🔹 1. World Models (Модели мира)
Это подход, за который активно выступает Ян Лекун (Meta). Главная претензия к современным LLM — они не понимают, как устроен мир, и живут только в пространстве слов. Модель мира — это попытка научить ИИ понимать физику и логику реальности. Такая система не просто подбирает слова, а строит внутреннюю симуляцию: она понимает причины, следствия и постоянство объектов (например, что предмет не исчезает, если его накрыть). Это путь к ИИ со «здравым смыслом».
🔹 2. MoE (Mixture of Experts / Смесь экспертов)
Архитектурный «лайфхак» для повышения эффективности. Вместо того чтобы строить одну монолитную нейросеть, её разбивают на десятки специализированных под-моделей («экспертов»).
Как это работает: Когда вы даете задачу, специальный алгоритм (Router) активирует только нужных экспертов (например, по математике и Python). Остальная модель «спит». Это позволяет делать ИИ невероятно мощным, но при этом быстрым и экономичным в работе. На этой архитектуре, например, построены GPT-4 и Mixtral.
🔹 3. Multimodality (Мультимодальность)
Способность модели работать с разными типами данных одновременно. Для мультимодальной нейросети текст, изображения, звук и видео — это не разные файлы, а единое смысловое поле. Она может «увидеть» график на картинке, проанализировать его и выдать прогноз текстом или голосом. Это превращает ИИ из «собеседника» в полноценного ассистента, способного воспринимать мир так же, как человек.
💡 Итог первого блока: - LLM — это огромная база статистических знаний;
• MoE — способ сделать эти знания доступными и быстрыми;
• Мультимодальность — это «органы чувств» ИИ;
• World Models — это цель, к которой мы идем, чтобы ИИ перестал ошибаться в простых логических вещах.
Мы закончили с «архитектурой». В следующем блоке переходим к практике: Промптинг и Управление. Узнаем, почему «Промпт-инжиниринг» — это не про вежливость, а про программирование на естественном языке.
REAL DIGITAL
#AI #Glossary #RealDigital #WorldModels #MoE #Multimodality #LeCun #GenAI
Завершаем разбор первого блока — «Фундамент и Архитектура». Сегодня говорим о том, как ИИ пытается выйти за рамки простого текста и обрести некое подобие «здравого смысла».
Разбираем три концепции, которые определяют развитие ИИ прямо сейчас:
🔹 1. World Models (Модели мира)
Это подход, за который активно выступает Ян Лекун (Meta). Главная претензия к современным LLM — они не понимают, как устроен мир, и живут только в пространстве слов. Модель мира — это попытка научить ИИ понимать физику и логику реальности. Такая система не просто подбирает слова, а строит внутреннюю симуляцию: она понимает причины, следствия и постоянство объектов (например, что предмет не исчезает, если его накрыть). Это путь к ИИ со «здравым смыслом».
🔹 2. MoE (Mixture of Experts / Смесь экспертов)
Архитектурный «лайфхак» для повышения эффективности. Вместо того чтобы строить одну монолитную нейросеть, её разбивают на десятки специализированных под-моделей («экспертов»).
Как это работает: Когда вы даете задачу, специальный алгоритм (Router) активирует только нужных экспертов (например, по математике и Python). Остальная модель «спит». Это позволяет делать ИИ невероятно мощным, но при этом быстрым и экономичным в работе. На этой архитектуре, например, построены GPT-4 и Mixtral.
🔹 3. Multimodality (Мультимодальность)
Способность модели работать с разными типами данных одновременно. Для мультимодальной нейросети текст, изображения, звук и видео — это не разные файлы, а единое смысловое поле. Она может «увидеть» график на картинке, проанализировать его и выдать прогноз текстом или голосом. Это превращает ИИ из «собеседника» в полноценного ассистента, способного воспринимать мир так же, как человек.
💡 Итог первого блока: - LLM — это огромная база статистических знаний;
• MoE — способ сделать эти знания доступными и быстрыми;
• Мультимодальность — это «органы чувств» ИИ;
• World Models — это цель, к которой мы идем, чтобы ИИ перестал ошибаться в простых логических вещах.
Мы закончили с «архитектурой». В следующем блоке переходим к практике: Промптинг и Управление. Узнаем, почему «Промпт-инжиниринг» — это не про вежливость, а про программирование на естественном языке.
REAL DIGITAL
#AI #Glossary #RealDigital #WorldModels #MoE #Multimodality #LeCun #GenAI
🤔6
Принят Цифровой кодекс: как изменится ИТ-сфера и жизнь пользователей в Казахстане
25 декабря Сенат утвердил Цифровой кодекс РК — стратегический документ на 478 статей, который заменяет десятки разрозненных законов.
Это фундаментальная реформа: Казахстан создает единые правила игры для данных, искусственного интеллекта и Web3-
инфраструктуры, устраняя правовую неопределенность на годы вперед.
Ключевые изменения, которые важно знать:
-Алгоритмическая подотчетность. Впервые вводится право на оспаривание решений, принятых ИИ. Если автоматизированная система (например, в банковском скоринге) ограничила права гражданина, он может требовать пересмотра решения живым специалистом.
-Добровольность биометрии. Сбор биометрических данных окончательно закреплен как право, а не обязанность. Принуждение к сдаче данных запрещено, за исключением случаев, прямо установленных законом.
Финтеху и ритейлу придется обеспечивать альтернативные способы идентификации.
-Реализация «Права на забвение». Пользователи получают законное право требовать удаления или анонимизации своих данных. Однако есть исключения: право не действует, если хранение данных обусловлено налоговым кодексом, интересами нацбезопасности или судебными актами.
-Легализация смарт-контрактов. Программный код на блокчейне официально признается формой договора. Это выводит Web3-контракты из «серой зоны» и дает юридическую базу для защиты интересов сторон в судах РК.
-Новый уровень киберкомплаенса. Кодекс ужесточает требования к операторам данных. Любая утечка теперь будет рассматриваться через призму нарушения новой «цифровой конституции», что повлечет за собой пересмотр системы ответственности и штрафов.
Что это значит на практике?
-Разработчикам: При проектировании систем теперь необходимо закладывать архитектуру анонимизации данных по запросу и механизмы апелляции к ИИ.
-Пользователям: Вы получаете правовой инструмент для аудита того, какие данные о вас собирают сервисы и на каком основании.
Источники для изучения:
🔗 Полный текст и досье проекта (ИС Параграф)
🔗 Официальный отчет о заседании Сената Парламента РК
Дискуссия:
Как вы считаете, готовы ли наши банки и госорганы технически реализовать «право на забвение» без сбоев в работе систем?
И что для вас важнее в новом Кодексе: легализация смарт-контрактов или защита биометрии?
Пишите в комментариях.
REAL DIGITAL
#DigitalCodeKZ #ЦифровойКодексРК #RealDigital #AI #Web3 #Kazakhstan #GovTech
25 декабря Сенат утвердил Цифровой кодекс РК — стратегический документ на 478 статей, который заменяет десятки разрозненных законов.
Это фундаментальная реформа: Казахстан создает единые правила игры для данных, искусственного интеллекта и Web3-
инфраструктуры, устраняя правовую неопределенность на годы вперед.
Ключевые изменения, которые важно знать:
-Алгоритмическая подотчетность. Впервые вводится право на оспаривание решений, принятых ИИ. Если автоматизированная система (например, в банковском скоринге) ограничила права гражданина, он может требовать пересмотра решения живым специалистом.
-Добровольность биометрии. Сбор биометрических данных окончательно закреплен как право, а не обязанность. Принуждение к сдаче данных запрещено, за исключением случаев, прямо установленных законом.
Финтеху и ритейлу придется обеспечивать альтернативные способы идентификации.
-Реализация «Права на забвение». Пользователи получают законное право требовать удаления или анонимизации своих данных. Однако есть исключения: право не действует, если хранение данных обусловлено налоговым кодексом, интересами нацбезопасности или судебными актами.
-Легализация смарт-контрактов. Программный код на блокчейне официально признается формой договора. Это выводит Web3-контракты из «серой зоны» и дает юридическую базу для защиты интересов сторон в судах РК.
-Новый уровень киберкомплаенса. Кодекс ужесточает требования к операторам данных. Любая утечка теперь будет рассматриваться через призму нарушения новой «цифровой конституции», что повлечет за собой пересмотр системы ответственности и штрафов.
Что это значит на практике?
-Разработчикам: При проектировании систем теперь необходимо закладывать архитектуру анонимизации данных по запросу и механизмы апелляции к ИИ.
-Пользователям: Вы получаете правовой инструмент для аудита того, какие данные о вас собирают сервисы и на каком основании.
Источники для изучения:
🔗 Полный текст и досье проекта (ИС Параграф)
🔗 Официальный отчет о заседании Сената Парламента РК
Дискуссия:
Как вы считаете, готовы ли наши банки и госорганы технически реализовать «право на забвение» без сбоев в работе систем?
И что для вас важнее в новом Кодексе: легализация смарт-контрактов или защита биометрии?
Пишите в комментариях.
REAL DIGITAL
#DigitalCodeKZ #ЦифровойКодексРК #RealDigital #AI #Web3 #Kazakhstan #GovTech
🔥4👍2👎1👏1
⚡️ Алатау: Юридическая «броня» и первый крипто-город РК. Что на столе у Мажилиса?
Сегодня Сенат принял Цифровой кодекс — базовые правила для всей страны. Но параллельно готовится эксперимент уровня «государство в государстве»: город, где действуют не просто другие налоги, а другое право.
Ранее уже писали о планах строительства нового города Alatau City но сейчас, в правительстве финализируют проект Конституционного закона «О специальном статусе города Алатау».
23 декабря на «Открытых НПА» завершилось обсуждение КДРП (консультативного документа) к этому закону.
Это самый амбициозный юридический эксперимент в истории Казахстана.
Если обычный закон — это правила, то Конституционный закон — это фундамент, который стоит выше кодексов (Налогового, Предпринимательского, Земельного).
⚙️ Что меняется юридически?
Законодательная автономия:
Администрация города получит полномочия издавать собственные акты, имеющие силу закона на территории Алатау.
Английское право: Внедрение принципов Common Law и возможность ведения всей документации на английском.
Crypto-Легалайз: В КДРП прямо прописаны механизмы для стейблкоинов, DeFi и криптофиатных каналов. Алатау метит в статус первой зоны в РК, где крипта станет полноценной частью экономики вне «песочниц».
📊 Сравнение: Алатау vs МФЦА vs Astana Hub
Мы разложили три главные площадки по полочкам, чтобы вы понимали, куда лучше «приземлять» свой проект в 2026 году.
Алатау (Проект 2026)
Юрисдикция — спец. закон плюс английское право. Налоги КПН и НДС обнулены на 25 лет для приоритетных направлений. Крипто-режим включает стейблкоины для оплаты, DeFi и Web3. Работать можно только физически в городе. Валютный контроль свободный, счета разрешены в иностранных банках. Инфраструктура — «умный город» с кампусами ведущих вузов и технопарками.
МФЦА «Астана»
Юрисдикция — английское право Common Law. Налоги нулевые до 2066 года для финансовых услуг. Крипто-режим охватывает биржи, хранение и майнинг. Физически в Астане, есть отдельные исключения. Валютный контроль свободный для участников. Инфраструктура — финансовый центр, офисы класса А.
Astana Hub
Юрисдикция — право РК. Налоги нулевые экстерриториально. Крипту не регулирует. Работает экстерриториально на всей территории РК. Валютный контроль по общему режиму РК. Инфраструктура — технопарк и коворкинги.
🎓 Кто создаст «мозги»?
Проект «Наукограда» на 120 гектарах — это не просто стройка, а десант топовых вузов. Уже подтверждены кампусы КБТУ и Satbayev University (технари и инженеры), AlmaU и КазНПУ (бизнес и кадры), а также KAIST из Южной Кореи — стратегический партнер по модели «наука плюс бизнес».
Главный инсайт: государство официально дает только «трубы» (инфраструктуру). Все здания и хабы строят частный бизнес. Поверит ли бизнес в эту Конституционную «броню»?
До 31 декабря проект закона должен уйти в Мажилис.
P.S. Ты уже пакуешь чемоданы?
🔗 Источники:
• Указ Президента РК от 26.09.2025 №1015 «О некоторых вопросах развития города Алатау»
• КДРП к проекту Конституционного закона (Открытые НПА, обсуждение до 23.12.2025)
• Концепция создания и развития наукоградов РК на 2025-2035 годы
REAL DIGITAL
#AlatauCity #Kazakhstan #IT #Crypto #FinTech #KAIST #SmartCity #AIFC #AstanaHub
Сегодня Сенат принял Цифровой кодекс — базовые правила для всей страны. Но параллельно готовится эксперимент уровня «государство в государстве»: город, где действуют не просто другие налоги, а другое право.
Ранее уже писали о планах строительства нового города Alatau City но сейчас, в правительстве финализируют проект Конституционного закона «О специальном статусе города Алатау».
23 декабря на «Открытых НПА» завершилось обсуждение КДРП (консультативного документа) к этому закону.
Это самый амбициозный юридический эксперимент в истории Казахстана.
Если обычный закон — это правила, то Конституционный закон — это фундамент, который стоит выше кодексов (Налогового, Предпринимательского, Земельного).
⚙️ Что меняется юридически?
Законодательная автономия:
Администрация города получит полномочия издавать собственные акты, имеющие силу закона на территории Алатау.
Английское право: Внедрение принципов Common Law и возможность ведения всей документации на английском.
Crypto-Легалайз: В КДРП прямо прописаны механизмы для стейблкоинов, DeFi и криптофиатных каналов. Алатау метит в статус первой зоны в РК, где крипта станет полноценной частью экономики вне «песочниц».
📊 Сравнение: Алатау vs МФЦА vs Astana Hub
Мы разложили три главные площадки по полочкам, чтобы вы понимали, куда лучше «приземлять» свой проект в 2026 году.
Алатау (Проект 2026)
Юрисдикция — спец. закон плюс английское право. Налоги КПН и НДС обнулены на 25 лет для приоритетных направлений. Крипто-режим включает стейблкоины для оплаты, DeFi и Web3. Работать можно только физически в городе. Валютный контроль свободный, счета разрешены в иностранных банках. Инфраструктура — «умный город» с кампусами ведущих вузов и технопарками.
МФЦА «Астана»
Юрисдикция — английское право Common Law. Налоги нулевые до 2066 года для финансовых услуг. Крипто-режим охватывает биржи, хранение и майнинг. Физически в Астане, есть отдельные исключения. Валютный контроль свободный для участников. Инфраструктура — финансовый центр, офисы класса А.
Astana Hub
Юрисдикция — право РК. Налоги нулевые экстерриториально. Крипту не регулирует. Работает экстерриториально на всей территории РК. Валютный контроль по общему режиму РК. Инфраструктура — технопарк и коворкинги.
🎓 Кто создаст «мозги»?
Проект «Наукограда» на 120 гектарах — это не просто стройка, а десант топовых вузов. Уже подтверждены кампусы КБТУ и Satbayev University (технари и инженеры), AlmaU и КазНПУ (бизнес и кадры), а также KAIST из Южной Кореи — стратегический партнер по модели «наука плюс бизнес».
Главный инсайт: государство официально дает только «трубы» (инфраструктуру). Все здания и хабы строят частный бизнес. Поверит ли бизнес в эту Конституционную «броню»?
До 31 декабря проект закона должен уйти в Мажилис.
P.S. Ты уже пакуешь чемоданы?
🔗 Источники:
• Указ Президента РК от 26.09.2025 №1015 «О некоторых вопросах развития города Алатау»
• КДРП к проекту Конституционного закона (Открытые НПА, обсуждение до 23.12.2025)
• Концепция создания и развития наукоградов РК на 2025-2035 годы
REAL DIGITAL
#AlatauCity #Kazakhstan #IT #Crypto #FinTech #KAIST #SmartCity #AIFC #AstanaHub
👍8🔥2👎1👏1
⚡️ Nvidia «поглощает» Groq за $20 млрд: Главная шахматная партия Дженсена Хуанга
На рынке ИИ-чипов произошло событие, которое изменит то, как мы будем общаться с нейросетями. Nvidia нашла способ «купить» своего самого дерзкого конкурента — компанию Groq — не оформляя сделку как прямую покупку, чтобы не спорить с регуляторами.
🧠 Что произошло?
Nvidia не просто подписала контракт. Это «мягкое поглощение»:
- Деньги: Nvidia платит $20 млрд за лицензии на технологии Groq.
- Люди: Основатель Groq Джонатан Росс (легенда, создавший ИИ-чипы для Google) и вся его элитная команда инженеров переходят в штат Nvidia.
- Хитрый маневр: Формально Groq остается жить, но его «мозги» и права на разработки теперь у Nvidia. Это позволило обойти антимонопольные службы, которые запрещают гигантам просто скупать всех подряд.
🔍 Почему технологии Groq так важны?
Чтобы понять суть, нужно разделить жизнь нейросети на два этапа: Обучение (когда она читает книги) и Инференс (когда она отвечает на ваши вопросы).
1. Проблема «Склада» (Память HBM в чипах Nvidia)
Чипы Nvidia — это как мощнейшие заводы. Они используют память HBM (это как огромный склад через дорогу от завода). Чтобы ответить вам, чипу нужно сбегать на склад за данными. Это быстро, но глаз человека всё равно замечает паузу. Поэтому ИИ иногда «тупит» перед ответом.
2. Решение «Верстака» (Память SRAM в чипах Groq)
Groq придумал другую архитектуру — LPU. Они используют память SRAM. Представьте, что это верстак, где все инструменты уже лежат под рукой у мастера. Данным не нужно никуда «бегать».
Результат: ИИ на чипах Groq выдает текст со скоростью 500 слов в секунду. Это мгновенно. Это и есть та самая «магия», которую купила Nvidia.
📊 Как это касается каждого из нас?
Nvidia — король в «обучении» ИИ. Но сейчас мир переходит к ИИ-агентам: программам, которые должны мгновенно слышать ваш голос, понимать его и отвечать без задержек.
Без технологий Groq ваш ИИ-помощник в телефоне всегда бы немного «зависал». Теперь Nvidia объединит свою мощь со скоростью Groq. Это значит, что скоро мы получим роботов и цифровых ассистентов, с которыми можно будет болтать так же естественно, как с живым человеком.
📈 Аналитика: Конец конкуренции?
Для Nvidia эта сделка — страховка. Они не дали этой технологии попасть в руки Google или Amazon. Дженсен Хуанг (глава Nvidia) снова подтвердил: если на горизонте появляется кто-то быстрее и лучше, Nvidia либо обгоняет его, либо делает частью своей империи.
📂 Источники:
-Nvidia and Groq Licensing Agreement (Groq Newsroom) — официальный анонс партнерства.
- Nvidia buys Groq for $20B (CNBC) — финансовые детали.
-Acqui-hire of Groq team (Business Insider) — о переходе команды.
-LPU vs GPU: Speed Test (Artificial Analysis) — сравнение скорости памяти и генерации.
REAL DIGITAL
#Nvidia #Groq #ИИ #Технологии #Чипы #Инференс #SRAM #HBM #Будущее #Blackwell #RealDigital
На рынке ИИ-чипов произошло событие, которое изменит то, как мы будем общаться с нейросетями. Nvidia нашла способ «купить» своего самого дерзкого конкурента — компанию Groq — не оформляя сделку как прямую покупку, чтобы не спорить с регуляторами.
🧠 Что произошло?
Nvidia не просто подписала контракт. Это «мягкое поглощение»:
- Деньги: Nvidia платит $20 млрд за лицензии на технологии Groq.
- Люди: Основатель Groq Джонатан Росс (легенда, создавший ИИ-чипы для Google) и вся его элитная команда инженеров переходят в штат Nvidia.
- Хитрый маневр: Формально Groq остается жить, но его «мозги» и права на разработки теперь у Nvidia. Это позволило обойти антимонопольные службы, которые запрещают гигантам просто скупать всех подряд.
🔍 Почему технологии Groq так важны?
Чтобы понять суть, нужно разделить жизнь нейросети на два этапа: Обучение (когда она читает книги) и Инференс (когда она отвечает на ваши вопросы).
1. Проблема «Склада» (Память HBM в чипах Nvidia)
Чипы Nvidia — это как мощнейшие заводы. Они используют память HBM (это как огромный склад через дорогу от завода). Чтобы ответить вам, чипу нужно сбегать на склад за данными. Это быстро, но глаз человека всё равно замечает паузу. Поэтому ИИ иногда «тупит» перед ответом.
2. Решение «Верстака» (Память SRAM в чипах Groq)
Groq придумал другую архитектуру — LPU. Они используют память SRAM. Представьте, что это верстак, где все инструменты уже лежат под рукой у мастера. Данным не нужно никуда «бегать».
Результат: ИИ на чипах Groq выдает текст со скоростью 500 слов в секунду. Это мгновенно. Это и есть та самая «магия», которую купила Nvidia.
📊 Как это касается каждого из нас?
Nvidia — король в «обучении» ИИ. Но сейчас мир переходит к ИИ-агентам: программам, которые должны мгновенно слышать ваш голос, понимать его и отвечать без задержек.
Без технологий Groq ваш ИИ-помощник в телефоне всегда бы немного «зависал». Теперь Nvidia объединит свою мощь со скоростью Groq. Это значит, что скоро мы получим роботов и цифровых ассистентов, с которыми можно будет болтать так же естественно, как с живым человеком.
📈 Аналитика: Конец конкуренции?
Для Nvidia эта сделка — страховка. Они не дали этой технологии попасть в руки Google или Amazon. Дженсен Хуанг (глава Nvidia) снова подтвердил: если на горизонте появляется кто-то быстрее и лучше, Nvidia либо обгоняет его, либо делает частью своей империи.
📂 Источники:
-Nvidia and Groq Licensing Agreement (Groq Newsroom) — официальный анонс партнерства.
- Nvidia buys Groq for $20B (CNBC) — финансовые детали.
-Acqui-hire of Groq team (Business Insider) — о переходе команды.
-LPU vs GPU: Speed Test (Artificial Analysis) — сравнение скорости памяти и генерации.
REAL DIGITAL
#Nvidia #Groq #ИИ #Технологии #Чипы #Инференс #SRAM #HBM #Будущее #Blackwell #RealDigital
🔥5👏2🤔2
🚀 ИИ-ГОТОВНОСТЬ 2025: КТО ДЕЙСТВИТЕЛЬНО ГОТОВ ИЗВЛЕЧЬ ПОЛЬЗУ ИЗ ИИ?
Вышел Government AI Readiness Index 2025 от Oxford Insights — главный мировой «табель о рангах» для 195 стран.
В этом году авторы сменили парадигму: теперь оценивается не просто наличие технологий, а способность государства использовать ИИ для реального блага общества.
Правительство сегодня — это не просто регулятор, а инвестор и катализатор. Готовность измеряется по 6 столпам (Pillars): от инфраструктуры и этики до устойчивости общества к изменениям.
📈 Глобальные тренды из отчета:
1️⃣ Биполярный мир и «эффект DeepSeek»
США (1-е место) и Китай (6-е место, взлет с 23-го!) создают параллельные технологические стеки. Кейс китайской модели DeepSeek перевернул представления: оказалось, можно конкурировать с гигантами, не обладая передовыми чипами, за счет эффективности алгоритмов. Китай инвестирует $140+ млрд в суверенное «железо» и запустил собственную K-Visa для талантов.
2️⃣ Бум цифрового суверенитета
Регионы уходят от зависимости: Саудовская Аравия строит full-stack проект HUMAIN, Латинская Америка развивает Latam-GPT, а ЕС запускает OpenEuroLLM на 24 языках.
3️⃣ Регуляция буксует
Пока ЕС внедряет AI Act, в мире нарастает дискуссия о его практичности. Глобального консенсуса нет: США даже бойкотировали профильную группу G20 по ИИ.
🧭 Наш регион: цифры и факты
🇰🇿 Казахстан (60-е место, 55.87 балла)
* ✅ Сила:
🔥
🔥Высокий уровень внедрения в госсекторе (Public Sector Adoption — 73.59).
* ⚠️ Вызов: Нужно развивать частный сектор и науку (Development & Diffusion — 39.30).
* 📌 План: Обучить 1 млн граждан навыкам ИИ.
🇺🇿 Узбекистан (62-е место, 54.04 балла)
Отчет отдельно выделяет President AI Award как пример того, как власть стимулирует локальные таланты. Это роль государства как катализатора экосистемы. Цель: 5 млн ИИ-экспертов к 2030 году.
🇷🇺 Россия (47-е место, 57.09 балла)
* ✅ Сила: Качественная нормативная база и этика (Governance — 74.14). По этому параметру страна удерживает позиции в топ-50.
* ⚠️ Вызов: Обновление базы AI Infrastructure (51.13) и работа над Resilience (48.77) — устойчивостью общества к рискам автоматизации.
🌍 Кто еще удивляет?
-Эстония (19-е место): Программа AI Leap внедряет ИИ напрямую в школьное образование.
-Индия (21-е место): Масштабные инвестиции (38,000 GPU) и подготовка к глобальному саммиту AI Impact 2026.
-Африка (Кения, Нигерия, Руанда): Делает ставку на ИИ как на главный рычаг для развития самого молодого населения планеты.
✅ Главный вывод:
В ИИ не бывает мгновенного успеха.
Победит не тот, у кого больше серверов, а тот, кто быстрее сделает ИИ полезным для обычного человека.
💬 Вопрос к обсуждению:
- Где вы видите реальную пользу ИИ уже сегодня: в медицине, налогах или образовании?
- Верите ли вы, что региональные модели (как Latam-GPT) смогут выстоять против глобальных гигантов?
Источник:
- Официальная страница отчета
REAL DIGITAL
#AI #OxfordInsights #GovAI #AIReadiness #Казахстан #Узбекистан #Россия #ЦифровоеГосударство #Технологии2025
Вышел Government AI Readiness Index 2025 от Oxford Insights — главный мировой «табель о рангах» для 195 стран.
В этом году авторы сменили парадигму: теперь оценивается не просто наличие технологий, а способность государства использовать ИИ для реального блага общества.
Правительство сегодня — это не просто регулятор, а инвестор и катализатор. Готовность измеряется по 6 столпам (Pillars): от инфраструктуры и этики до устойчивости общества к изменениям.
📈 Глобальные тренды из отчета:
1️⃣ Биполярный мир и «эффект DeepSeek»
США (1-е место) и Китай (6-е место, взлет с 23-го!) создают параллельные технологические стеки. Кейс китайской модели DeepSeek перевернул представления: оказалось, можно конкурировать с гигантами, не обладая передовыми чипами, за счет эффективности алгоритмов. Китай инвестирует $140+ млрд в суверенное «железо» и запустил собственную K-Visa для талантов.
2️⃣ Бум цифрового суверенитета
Регионы уходят от зависимости: Саудовская Аравия строит full-stack проект HUMAIN, Латинская Америка развивает Latam-GPT, а ЕС запускает OpenEuroLLM на 24 языках.
3️⃣ Регуляция буксует
Пока ЕС внедряет AI Act, в мире нарастает дискуссия о его практичности. Глобального консенсуса нет: США даже бойкотировали профильную группу G20 по ИИ.
🧭 Наш регион: цифры и факты
🇰🇿 Казахстан (60-е место, 55.87 балла)
* ✅ Сила:
🔥
Стратегическое видение (Policy Capacity — 88.00!) — один из лучших показателей в мире.
🔥Государство четко понимает, куда идти. 🔥Высокий уровень внедрения в госсекторе (Public Sector Adoption — 73.59).
* ⚠️ Вызов: Нужно развивать частный сектор и науку (Development & Diffusion — 39.30).
* 📌 План: Обучить 1 млн граждан навыкам ИИ.
🇺🇿 Узбекистан (62-е место, 54.04 балла)
Отчет отдельно выделяет President AI Award как пример того, как власть стимулирует локальные таланты. Это роль государства как катализатора экосистемы. Цель: 5 млн ИИ-экспертов к 2030 году.
🇷🇺 Россия (47-е место, 57.09 балла)
* ✅ Сила: Качественная нормативная база и этика (Governance — 74.14). По этому параметру страна удерживает позиции в топ-50.
* ⚠️ Вызов: Обновление базы AI Infrastructure (51.13) и работа над Resilience (48.77) — устойчивостью общества к рискам автоматизации.
🌍 Кто еще удивляет?
-Эстония (19-е место): Программа AI Leap внедряет ИИ напрямую в школьное образование.
-Индия (21-е место): Масштабные инвестиции (38,000 GPU) и подготовка к глобальному саммиту AI Impact 2026.
-Африка (Кения, Нигерия, Руанда): Делает ставку на ИИ как на главный рычаг для развития самого молодого населения планеты.
✅ Главный вывод:
В ИИ не бывает мгновенного успеха.
Победит не тот, у кого больше серверов, а тот, кто быстрее сделает ИИ полезным для обычного человека.
💬 Вопрос к обсуждению:
- Где вы видите реальную пользу ИИ уже сегодня: в медицине, налогах или образовании?
- Верите ли вы, что региональные модели (как Latam-GPT) смогут выстоять против глобальных гигантов?
Источник:
- Официальная страница отчета
REAL DIGITAL
#AI #OxfordInsights #GovAI #AIReadiness #Казахстан #Узбекистан #Россия #ЦифровоеГосударство #Технологии2025
👍5🔥3❤2👏1
📢 Глоссарий AI 2.0 | Выпуск #2.1: Как «разговаривать» с кодом
Забудьте про «чат-ботов». В индустрии 2.0 взаимодействие с ИИ — это не просто беседа, а управление потоком данных. Чтобы получать от нейросети профессиональный результат, нужно понимать, как она видит ваши команды.
Разбираем базу управления:
🔹 1. Prompt (Промпт)
Это координаты цели. Нейросеть — это океан информации. Промпт — это не просто вопрос «дай мне что-нибудь», а точный курс: куда плыть, на какую глубину нырять и что именно достать. Каждое слово в промпте меняет вектор внимания модели. Размытый промпт дает размытый результат.
🔹 2. System Prompt (Системный промпт)
Это «внутренняя прошивка» или роль модели.
• В чем разница: Обычный промпт — это ваша разовая задача («Напиши текст»). Системный промпт — это то, КТО её выполняет.
• Пример: В системном промпте прописывается: «Ты — жесткий редактор, критикуй каждое слово и запрещай канцеляризмы». После этого, что бы вы ни спросили в обычном чате, модель будет отвечать именно из этой роли. Системный промпт — это фундамент поведения, который имеет приоритет над вашим текущим запросом.
🔹 3. Token (Токен)
Это единица измерения работы и «валюта» ИИ. Нейросеть не читает словами, она дробит их на статистические части — токены (например, «привет» для неё — это при- и -вет).
• Важный нюанс: Русский язык для многих моделей «дороже» английского. Одно и то же слово на английском может быть 1 токеном, а на русском — 3–4.
• Зачем об этом знать: Это ваш счетчик в такси. Каждое слово тратит токены. У модели есть лимит «памяти» в токенах (контекстное окно), и как только он заканчивается, ИИ начинает «забывать» начало разговора.
🔹 4. Prompt Engineering (Промпт-инжиниринг)
Это не подбор «вежливых слов», а проектирование алгоритма. Это умение составить запрос так, чтобы у модели не осталось шансов на ошибку. Профессиональный промпт-инжиниринг превращает капризного чат-бота в стабильный бизнес-инструмент, который выдает предсказуемый результат.
💡 Коротко: Промпт — это КУДА ЕХАТЬ. Системный промпт — это КТО ЗА РУЛЕМ. Токен — это КИЛОМЕТРЫ НА СЧЕТЧИКЕ, которые определяют стоимость и память.
В следующем выпуске разберем «магию» рассуждений: как метод Chain-of-Thought заставляет ИИ думать как Шерлок Холмс.
REAL DIGITAL
#AI #Glossary #RealDigital #Prompt #Tokens #TechSimple #Education
Забудьте про «чат-ботов». В индустрии 2.0 взаимодействие с ИИ — это не просто беседа, а управление потоком данных. Чтобы получать от нейросети профессиональный результат, нужно понимать, как она видит ваши команды.
Разбираем базу управления:
🔹 1. Prompt (Промпт)
Это координаты цели. Нейросеть — это океан информации. Промпт — это не просто вопрос «дай мне что-нибудь», а точный курс: куда плыть, на какую глубину нырять и что именно достать. Каждое слово в промпте меняет вектор внимания модели. Размытый промпт дает размытый результат.
🔹 2. System Prompt (Системный промпт)
Это «внутренняя прошивка» или роль модели.
• В чем разница: Обычный промпт — это ваша разовая задача («Напиши текст»). Системный промпт — это то, КТО её выполняет.
• Пример: В системном промпте прописывается: «Ты — жесткий редактор, критикуй каждое слово и запрещай канцеляризмы». После этого, что бы вы ни спросили в обычном чате, модель будет отвечать именно из этой роли. Системный промпт — это фундамент поведения, который имеет приоритет над вашим текущим запросом.
🔹 3. Token (Токен)
Это единица измерения работы и «валюта» ИИ. Нейросеть не читает словами, она дробит их на статистические части — токены (например, «привет» для неё — это при- и -вет).
• Важный нюанс: Русский язык для многих моделей «дороже» английского. Одно и то же слово на английском может быть 1 токеном, а на русском — 3–4.
• Зачем об этом знать: Это ваш счетчик в такси. Каждое слово тратит токены. У модели есть лимит «памяти» в токенах (контекстное окно), и как только он заканчивается, ИИ начинает «забывать» начало разговора.
🔹 4. Prompt Engineering (Промпт-инжиниринг)
Это не подбор «вежливых слов», а проектирование алгоритма. Это умение составить запрос так, чтобы у модели не осталось шансов на ошибку. Профессиональный промпт-инжиниринг превращает капризного чат-бота в стабильный бизнес-инструмент, который выдает предсказуемый результат.
💡 Коротко: Промпт — это КУДА ЕХАТЬ. Системный промпт — это КТО ЗА РУЛЕМ. Токен — это КИЛОМЕТРЫ НА СЧЕТЧИКЕ, которые определяют стоимость и память.
В следующем выпуске разберем «магию» рассуждений: как метод Chain-of-Thought заставляет ИИ думать как Шерлок Холмс.
REAL DIGITAL
#AI #Glossary #RealDigital #Prompt #Tokens #TechSimple #Education
👍4
ИСТОРИЯ ДВУХ СТРАТЕГИЙ: ПОЧЕМУ ПУТИ META И ЯНА ЛЕКУНА РАЗОШЛИСЬ
Долгое время в штаб-квартире Meta существовал уникальный парадокс. Под одной крышей одной корпорации, развивались два противоположных взгляда на будущее искусственного интеллекта.
Первый взгляд — это Llama. Громкий успех, который говорит: «Давайте строить всё вокруг больших языковых моделей, нужно просто сделать их больше».
Второй взгляд — это позиция главного ученого Яна Лекуна - нынешний путь это красивый тупик, а настоящий интеллект (AGI) нужно строить на других принципах.
В ноябре 2025 года эта история получила развязку. Ян Лекун покинул корпорацию Мета.
Давайте разберемся в сути спора.
Иллюзия смысла: что такое LLM
Чтобы понять скепсис ученых, нужно заглянуть под капот современных чат-ботов. Большая языковая модель (LLM) — это, по сути сложный статистический «мотор текста».
Представьте себе сверхмощную функцию автозамены (T9). Она не знает, что такое «физика» или «истина». Она просто выучила на триллионах примеров, какое слово с наибольшей вероятностью идет следующим.
По сути, это гипертрофированная эволюция цепей Маркова (как именно они предсказывают события — мы разбирали здесь), только «на стероидах» и в гигантских масштабах. Модель потрясающе имитирует стиль, но у нее нет внутренней картины мира. Поэтому она так уверенно выдумывает факты: не врет намеренно, а просто статистически подбирает слово, которое выглядит правдоподобно.
Почему Лекун считает это тупиком
Ян Лекун, один из «крестных отцов» нейросетей, называет авторегрессивные LLM бесперспективными для создания уровня человеческого интеллекта. И у него есть железные аргументы:
- Текст — это не мир. Модели учатся почти только на текстах. Но текст — это очень сжатая проекция реальности. Человек познает мир через зрение и опыт, понимая физику вещей, чего лишены текстовые модели.
- Нет памяти и планирования.
У LLM нет устойчивого «внутреннего состояния». Они живут в моменте генерации. Из-за этого они плохо справляются с длинными логическими цепочками — модель просто «забывает» нить рассуждения.
- Снежный ком ошибок. Поскольку модель предсказывает каждое следующее слово на основе предыдущего, любая микро-ошибка в начале длинного ответа накапливается. Вероятность правильного решения падает экспоненциально с длиной задачи.
Альтернатива: «Внутренний симулятор»
Вместо того чтобы бесконечно увеличивать Llama, команда Лекуна (FAIR) работала над концепцией World Models (моделей мира).
Идея — создать систему, которая работает не как «автозамена», а как внутренний симулятор реальности. Такой ИИ не пытается угадать следующее слово. Он учится предсказывать абстрактные состояния: «Если я толкну этот стакан, он упадет».
Архитектуры типа JEPA (Joint Embedding Predictive Architecture) пытаются строить именно такие абстрактные представления. Это дает ИИ своеобразный «внутренний фильм», в котором можно прокручивать варианты действий и планировать последствия. Это намного ближе к тому, как мыслит человек.
Победа бизнеса над наукой
Парадокс в том, что пока Лекун критиковал LLM, Марк Цукерберг вкладывал миллиарды именно в них. Покупал сотни тысяч видеокарт H100 и строил гигантские дата-центры именно под Llama.
Для бизнеса LLM — идеальный продукт «здесь и сейчас». Они работают в WhatsApp, генерируют рекламу и удерживают внимание. Рынок требует умных ассистентов сегодня, и компания не может ждать 10 лет, пока созреет «научно правильный» ИИ.
Развязка:
В итоге ужиться двум стратегиям не удалось. Чаша весов окончательно склонилась в сторону коммерции.
Точкой невозврата стало создание нового продуктового подразделения, во главе которого Цукерберг поставил не маститого ученого, а молодого предпринимателя Александра Ванга с жесткой задачей — масштабировать продукты на базе Llama.
Лекун не стал хлопать дверью. Это был культурный, но принципиальный уход. Он понял, что векторы разошлись окончательно: Meta выбрала гонку за прибылью и долей рынка с помощью LLM, а Лекун выбрал научную честность.
Теперь он будет строить свои «модели мира» в собственном стартапе, где не нужно гнаться за квартальными отчетами.
Долгое время в штаб-квартире Meta существовал уникальный парадокс. Под одной крышей одной корпорации, развивались два противоположных взгляда на будущее искусственного интеллекта.
Первый взгляд — это Llama. Громкий успех, который говорит: «Давайте строить всё вокруг больших языковых моделей, нужно просто сделать их больше».
Второй взгляд — это позиция главного ученого Яна Лекуна - нынешний путь это красивый тупик, а настоящий интеллект (AGI) нужно строить на других принципах.
В ноябре 2025 года эта история получила развязку. Ян Лекун покинул корпорацию Мета.
Давайте разберемся в сути спора.
Иллюзия смысла: что такое LLM
Чтобы понять скепсис ученых, нужно заглянуть под капот современных чат-ботов. Большая языковая модель (LLM) — это, по сути сложный статистический «мотор текста».
Представьте себе сверхмощную функцию автозамены (T9). Она не знает, что такое «физика» или «истина». Она просто выучила на триллионах примеров, какое слово с наибольшей вероятностью идет следующим.
По сути, это гипертрофированная эволюция цепей Маркова (как именно они предсказывают события — мы разбирали здесь), только «на стероидах» и в гигантских масштабах. Модель потрясающе имитирует стиль, но у нее нет внутренней картины мира. Поэтому она так уверенно выдумывает факты: не врет намеренно, а просто статистически подбирает слово, которое выглядит правдоподобно.
Почему Лекун считает это тупиком
Ян Лекун, один из «крестных отцов» нейросетей, называет авторегрессивные LLM бесперспективными для создания уровня человеческого интеллекта. И у него есть железные аргументы:
- Текст — это не мир. Модели учатся почти только на текстах. Но текст — это очень сжатая проекция реальности. Человек познает мир через зрение и опыт, понимая физику вещей, чего лишены текстовые модели.
- Нет памяти и планирования.
У LLM нет устойчивого «внутреннего состояния». Они живут в моменте генерации. Из-за этого они плохо справляются с длинными логическими цепочками — модель просто «забывает» нить рассуждения.
- Снежный ком ошибок. Поскольку модель предсказывает каждое следующее слово на основе предыдущего, любая микро-ошибка в начале длинного ответа накапливается. Вероятность правильного решения падает экспоненциально с длиной задачи.
Альтернатива: «Внутренний симулятор»
Вместо того чтобы бесконечно увеличивать Llama, команда Лекуна (FAIR) работала над концепцией World Models (моделей мира).
Идея — создать систему, которая работает не как «автозамена», а как внутренний симулятор реальности. Такой ИИ не пытается угадать следующее слово. Он учится предсказывать абстрактные состояния: «Если я толкну этот стакан, он упадет».
Архитектуры типа JEPA (Joint Embedding Predictive Architecture) пытаются строить именно такие абстрактные представления. Это дает ИИ своеобразный «внутренний фильм», в котором можно прокручивать варианты действий и планировать последствия. Это намного ближе к тому, как мыслит человек.
Победа бизнеса над наукой
Парадокс в том, что пока Лекун критиковал LLM, Марк Цукерберг вкладывал миллиарды именно в них. Покупал сотни тысяч видеокарт H100 и строил гигантские дата-центры именно под Llama.
Для бизнеса LLM — идеальный продукт «здесь и сейчас». Они работают в WhatsApp, генерируют рекламу и удерживают внимание. Рынок требует умных ассистентов сегодня, и компания не может ждать 10 лет, пока созреет «научно правильный» ИИ.
Развязка:
В итоге ужиться двум стратегиям не удалось. Чаша весов окончательно склонилась в сторону коммерции.
Точкой невозврата стало создание нового продуктового подразделения, во главе которого Цукерберг поставил не маститого ученого, а молодого предпринимателя Александра Ванга с жесткой задачей — масштабировать продукты на базе Llama.
Лекун не стал хлопать дверью. Это был культурный, но принципиальный уход. Он понял, что векторы разошлись окончательно: Meta выбрала гонку за прибылью и долей рынка с помощью LLM, а Лекун выбрал научную честность.
Теперь он будет строить свои «модели мира» в собственном стартапе, где не нужно гнаться за квартальными отчетами.
🤔4🔥1👏1
Казахстан 2025: от «Байконура» к собственной орбитальной экономике
Согласно отчета МИИЦР на Общетвенного Совете сегодня 26 декабря 2025 по аэрокосмичкской отрасли, космическая отрасль Казахстана завершает 2025 год с результатами, которые переводят её из разряда теоретической науки в плоскость прикладной индустрии. Если раньше республика воспринималась преимущественно как «космическая гавань» для чужих пусков, то сегодня акцент сместился на создание собственных аппаратов и цифровую аналитику Земли.
1. Инженерия на экспорт: больше не только потребители
Главный технологический сдвиг года — переход к
коммерциализации собственных разработок.
• Орбитальные контракты: Казахстан выступил технологическим партнером для Монголии, Нигерии и Конго. Речь идет о проектировании и создании систем дистанционного зондирования Земли (ДЗЗ). Это первый масштабный кейс экспорта казахстанских спутниковых технологий.
• Сверхлегкие ракеты:
В рамках НИОКР ведется разработка носителя сверхлегкого класса и метеорологических ракет. Цель — занять нишу дешевых и быстрых пусков для малых спутников (CubeSat), спрос на которые в мире растет по экспоненте.
2. Информационный суверенитет и KazSat
Важный показатель технологической зрелости — 100% охват рынка транспондерной емкости.
• Что это значит:
Весь спутниковый трафик страны (связь, ТВ, госсектор) теперь полностью обеспечивается национальной группировкой KazSat. Это не просто экономия на аренде зарубежных бортов, а формирование независимого информационного контура страны.
• L-диапазон и связь: Параллельно решается задача цифрового неравенства — использование спутниковых терминалов позволило обеспечить широкополосным доступом более 1600 сельских школ в труднодоступных районах.
3. Earth Observation: цифровой двойник страны
Дистанционное зондирование Земли из «красивых снимков» превратилось в Big Data для управления государством.
• Мониторинг ресурсов: Спутники KazEOSat в 2025 году стали основой системы земельного контроля. Выявлено более 160 тысяч нарушений — от нецелевого использования пашен до незаконной застройки.
• Экологический контроль: Технологии компьютерного зрения на основе спутниковых данных теперь автоматически фиксируют очаги лесных пожаров, динамику паводков (система TASQYN) и даже появление стихийных свалок в реальном времени.
4. Проект «Байтерек»: новая жизнь Гагаринского старта
На Байконуре завершается создание ракетно-космического комплекса «Байтерек».
• Технологический стек: Подготовка инфраструктуры под новую ракету «Союз-5» выполнена более чем на 70%. Первый пуск запланирован на первую половину 2026 года. Это означает уход от использования токсичного топлива (гептила) в пользу экологически чистых керосин-кислородных двигателей.
Вердикт: 2025 год стал для аэрокосмической отрасли Казахстана годом прагматизма. Страна выстраивает вертикально интегрированную систему: от создания собственных малых аппаратов до глубокой аналитики данных ДЗЗ и коммерческих пусковых услуг.
REAL DIGITAL
Источник : https://xn--r1a.website/telco_kz/849
Согласно отчета МИИЦР на Общетвенного Совете сегодня 26 декабря 2025 по аэрокосмичкской отрасли, космическая отрасль Казахстана завершает 2025 год с результатами, которые переводят её из разряда теоретической науки в плоскость прикладной индустрии. Если раньше республика воспринималась преимущественно как «космическая гавань» для чужих пусков, то сегодня акцент сместился на создание собственных аппаратов и цифровую аналитику Земли.
1. Инженерия на экспорт: больше не только потребители
Главный технологический сдвиг года — переход к
коммерциализации собственных разработок.
• Орбитальные контракты: Казахстан выступил технологическим партнером для Монголии, Нигерии и Конго. Речь идет о проектировании и создании систем дистанционного зондирования Земли (ДЗЗ). Это первый масштабный кейс экспорта казахстанских спутниковых технологий.
• Сверхлегкие ракеты:
В рамках НИОКР ведется разработка носителя сверхлегкого класса и метеорологических ракет. Цель — занять нишу дешевых и быстрых пусков для малых спутников (CubeSat), спрос на которые в мире растет по экспоненте.
2. Информационный суверенитет и KazSat
Важный показатель технологической зрелости — 100% охват рынка транспондерной емкости.
• Что это значит:
Весь спутниковый трафик страны (связь, ТВ, госсектор) теперь полностью обеспечивается национальной группировкой KazSat. Это не просто экономия на аренде зарубежных бортов, а формирование независимого информационного контура страны.
• L-диапазон и связь: Параллельно решается задача цифрового неравенства — использование спутниковых терминалов позволило обеспечить широкополосным доступом более 1600 сельских школ в труднодоступных районах.
3. Earth Observation: цифровой двойник страны
Дистанционное зондирование Земли из «красивых снимков» превратилось в Big Data для управления государством.
• Мониторинг ресурсов: Спутники KazEOSat в 2025 году стали основой системы земельного контроля. Выявлено более 160 тысяч нарушений — от нецелевого использования пашен до незаконной застройки.
• Экологический контроль: Технологии компьютерного зрения на основе спутниковых данных теперь автоматически фиксируют очаги лесных пожаров, динамику паводков (система TASQYN) и даже появление стихийных свалок в реальном времени.
4. Проект «Байтерек»: новая жизнь Гагаринского старта
На Байконуре завершается создание ракетно-космического комплекса «Байтерек».
• Технологический стек: Подготовка инфраструктуры под новую ракету «Союз-5» выполнена более чем на 70%. Первый пуск запланирован на первую половину 2026 года. Это означает уход от использования токсичного топлива (гептила) в пользу экологически чистых керосин-кислородных двигателей.
Вердикт: 2025 год стал для аэрокосмической отрасли Казахстана годом прагматизма. Страна выстраивает вертикально интегрированную систему: от создания собственных малых аппаратов до глубокой аналитики данных ДЗЗ и коммерческих пусковых услуг.
REAL DIGITAL
Источник : https://xn--r1a.website/telco_kz/849
1👏3👍1👎1🔥1