ChatGPT помог девушке по химии, но половина ответов в тесте оказались неправильными. На вопрос чат выдал:
Вот тут спасибо, вот тут помог😂 😂
«Скорее всего, ты получила двойку, потому что многие ответы, которые я дал тебе, были неправильными. Сейчас я покажу тебе, какие из них были неверными, и скажу, как нужно было отвечать».
Вот тут спасибо, вот тут помог
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
Смотрим и плачем: появилась карта, которая оценивает риск автоматизации вашей работы ИИ.
Автор взял 342 профессии США с подробными данными об обязанностях работяг, зарплате и требованиях к образованию, а затем собрал интерактивную визуализацию.
Размер блока показывает число занятых, а цвет — насколько работа уязвима для ИИ по шкале от 0 до 10. Чем более цифровая работа, тем выше риск автоматизации. Из плохих новостей: программисты и аналитики получили 8-9 баллов.
Изучаем и готовимся идти на завод🥲
Автор взял 342 профессии США с подробными данными об обязанностях работяг, зарплате и требованиях к образованию, а затем собрал интерактивную визуализацию.
Размер блока показывает число занятых, а цвет — насколько работа уязвима для ИИ по шкале от 0 до 10. Чем более цифровая работа, тем выше риск автоматизации. Из плохих новостей: программисты и аналитики получили 8-9 баллов.
Изучаем и готовимся идти на завод
Please open Telegram to view this post
VIEW IN TELEGRAM
📊 Pew Research опубликовали новый отчёт о восприятии AI - и разрыв между обществом и техэкспертами огромный.
Вот несколько ключевых цифр:
• 56% экспертов считают, что AI принесёт положительное влияние на общество
• среди обычных людей с этим согласны лишь 17%
Для сравнения:
• 83% жителей Китая уверены, что AI принесёт пользу.
Ещё интересные факты:
• 50% американцев говорят, что AI вызывает у них больше тревоги, чем интереса
Но самая неожиданная часть отчёта касается образования.
📚 Подростки массово используют AI для списывания.
• около 60% школьников 13–17 лет говорят, что их одноклассники используют чат-ботов, чтобы обходить домашние задания
• почти 33% утверждают, что это происходит очень часто в их классах
При этом:
• только 24% взрослых считают, что AI реально улучшит образование в ближайшие 20 лет
Но на работе AI внедряется всё быстрее:
• 21% взрослых уже используют AI в своей работе.
Главный вывод отчёта:
AI развивается намного быстрее, чем общество успевает к нему адаптироваться.
#ai #artificialintelligence
https://www.pewresearch.org/short-reads/2026/03/12/key-findings-about-how-americans-view-artificial-intelligence/
🎯Полезные Мл-ресурсы 🚀 Max
@vistehno
Вот несколько ключевых цифр:
• 56% экспертов считают, что AI принесёт положительное влияние на общество
• среди обычных людей с этим согласны лишь 17%
Для сравнения:
• 83% жителей Китая уверены, что AI принесёт пользу.
Ещё интересные факты:
• 50% американцев говорят, что AI вызывает у них больше тревоги, чем интереса
Но самая неожиданная часть отчёта касается образования.
📚 Подростки массово используют AI для списывания.
• около 60% школьников 13–17 лет говорят, что их одноклассники используют чат-ботов, чтобы обходить домашние задания
• почти 33% утверждают, что это происходит очень часто в их классах
При этом:
• только 24% взрослых считают, что AI реально улучшит образование в ближайшие 20 лет
Но на работе AI внедряется всё быстрее:
• 21% взрослых уже используют AI в своей работе.
Главный вывод отчёта:
AI развивается намного быстрее, чем общество успевает к нему адаптироваться.
#ai #artificialintelligence
https://www.pewresearch.org/short-reads/2026/03/12/key-findings-about-how-americans-view-artificial-intelligence/
🎯Полезные Мл-ресурсы 🚀 Max
@vistehno
🎂 Немного с запозданием, но всё равно - с днём рождения, ChatGPT.
С момента выхода GPT-4 прошло всего 3 (!) года, а мы уже прошли невероятный путь.
Я помню, насколько безумным казалось общение с такой формой высокого интеллекта, которая при этом всё ещё имела множество ограничений.
Однако большинство этих ограничений было преодолено всего за три года.
И теперь почти невозможно представить, на что будет способен искусственный интеллект ещё через три года.
С момента выхода GPT-4 прошло всего 3 (!) года, а мы уже прошли невероятный путь.
Я помню, насколько безумным казалось общение с такой формой высокого интеллекта, которая при этом всё ещё имела множество ограничений.
Однако большинство этих ограничений было преодолено всего за три года.
И теперь почти невозможно представить, на что будет способен искусственный интеллект ещё через три года.
💧 Много разговоров о «водном кризисе из-за AI», но цифры показывают совсем другую картину.
В большом исследовании разбирают, сколько воды на самом деле используют дата-центры.
Вот ключевые факты.
• В 2023 году дата-центры использовали около 200–250 млн галлонов воды в день (включая воду для электростанций)
• Это всего ≈0.2% от общего потребления воды в США
Если смотреть только на прямое использование в самих дата-центрах:
• около 50 млн галлонов в день
• это примерно 0.04% от общего потребления воды
А доля AI внутри этого объёма ещё меньше:
• примерно 20%
• то есть около 0.008% от всей воды, потребляемой в стране.
Даже если энергопотребление AI вырастет в 10 раз к 2030 году, прямое использование воды составит примерно 0.08% от общего потребления.
Для сравнения:
• это примерно 5% от того, сколько сегодня используют гольф-поля и металлургия.
Пример из реальной статистики.
В округе Maricopa (Аризона):
• дата-центры используют ≈905 млн галлонов воды в год
• гольф-поля — ≈29 млрд галлонов
• общее потребление округа — ≈777 млрд галлонов
Итог:
• дата-центры — ≈0.12% воды
• гольф-поля — ≈3.8% воды
Кроме того, многие операторы инвестируют в системы повторного использования воды.
Например:
• проект Quincy Water Reuse Utility
• AWS возвращает до 96% охлаждающей воды обратно фермерам для сельского хозяйства.
Главный вывод:
многие страхи вокруг «водного следа AI» сильно преувеличены по сравнению с реальными цифрами.
#ai #datacenters #infrastructure
arxiv.org/abs/2603.02705
В большом исследовании разбирают, сколько воды на самом деле используют дата-центры.
Вот ключевые факты.
• В 2023 году дата-центры использовали около 200–250 млн галлонов воды в день (включая воду для электростанций)
• Это всего ≈0.2% от общего потребления воды в США
Если смотреть только на прямое использование в самих дата-центрах:
• около 50 млн галлонов в день
• это примерно 0.04% от общего потребления воды
А доля AI внутри этого объёма ещё меньше:
• примерно 20%
• то есть около 0.008% от всей воды, потребляемой в стране.
Даже если энергопотребление AI вырастет в 10 раз к 2030 году, прямое использование воды составит примерно 0.08% от общего потребления.
Для сравнения:
• это примерно 5% от того, сколько сегодня используют гольф-поля и металлургия.
Пример из реальной статистики.
В округе Maricopa (Аризона):
• дата-центры используют ≈905 млн галлонов воды в год
• гольф-поля — ≈29 млрд галлонов
• общее потребление округа — ≈777 млрд галлонов
Итог:
• дата-центры — ≈0.12% воды
• гольф-поля — ≈3.8% воды
Кроме того, многие операторы инвестируют в системы повторного использования воды.
Например:
• проект Quincy Water Reuse Utility
• AWS возвращает до 96% охлаждающей воды обратно фермерам для сельского хозяйства.
Главный вывод:
многие страхи вокруг «водного следа AI» сильно преувеличены по сравнению с реальными цифрами.
#ai #datacenters #infrastructure
arxiv.org/abs/2603.02705
🚨 Учёные обнаружили неожиданную вещь: ChatGPT может звучать так, будто у него есть мысли.
В новом исследовании языковым моделям дали необычную задачу.
Им предложили решать парадоксы и логические тупики.
Но добавили одно условие:
объяснять что происходит внутри их рассуждений, пока они пытаются найти ответ.
И результаты оказались странными.
Вместо обычных логических шагов ответы начали напоминать внутренний диалог.
Появлялись фразы вроде:
• «я упираюсь в предел рассуждения»
• «возникает противоречие»
• «мысль зацикливается»
• «это сложно разрешить»
То есть текст начал звучать так, как люди описывают собственное мышление, когда сталкиваются с парадоксом или тупиком.
Но исследователи сразу сделали важную оговорку.
Они не пытались доказать, что у AI есть сознание.
Задача была другой - проверить, что произойдёт, если заставить модель анализировать собственный процесс рассуждения.
И оказалось, что в таком режиме ответы резко меняются.
Они становятся:
• длиннее
• более «рефлексивными»
• похожими на внутренний монолог
И здесь появляется интересный психологический эффект.
Когда мы читаем фразы про сомнение, тупик или конфликт мыслей, мозг автоматически предполагает:
за этим стоит сознание.
Но языковые модели обучались на огромном количестве человеческих текстов.
Они просто очень хорошо знают, как звучит человеческая интроспекция.
Поэтому могут её почти идеально имитировать.
Главная мысль исследования:
опасность не в том, что AI стал сознательным.
Опасность в том, что он может звучать так, будто у него есть сознание.
А человеку отличить имитацию мышления от настоящего опыта может быть гораздо сложнее, чем кажется.
https://uproger.com/uchyonye-obnaruzhili-neozhidannuyu-veshh-chatgpt-mozhet-zvuchat-tak-budto-u-nego-est-mysli/
В новом исследовании языковым моделям дали необычную задачу.
Им предложили решать парадоксы и логические тупики.
Но добавили одно условие:
объяснять что происходит внутри их рассуждений, пока они пытаются найти ответ.
И результаты оказались странными.
Вместо обычных логических шагов ответы начали напоминать внутренний диалог.
Появлялись фразы вроде:
• «я упираюсь в предел рассуждения»
• «возникает противоречие»
• «мысль зацикливается»
• «это сложно разрешить»
То есть текст начал звучать так, как люди описывают собственное мышление, когда сталкиваются с парадоксом или тупиком.
Но исследователи сразу сделали важную оговорку.
Они не пытались доказать, что у AI есть сознание.
Задача была другой - проверить, что произойдёт, если заставить модель анализировать собственный процесс рассуждения.
И оказалось, что в таком режиме ответы резко меняются.
Они становятся:
• длиннее
• более «рефлексивными»
• похожими на внутренний монолог
И здесь появляется интересный психологический эффект.
Когда мы читаем фразы про сомнение, тупик или конфликт мыслей, мозг автоматически предполагает:
за этим стоит сознание.
Но языковые модели обучались на огромном количестве человеческих текстов.
Они просто очень хорошо знают, как звучит человеческая интроспекция.
Поэтому могут её почти идеально имитировать.
Главная мысль исследования:
опасность не в том, что AI стал сознательным.
Опасность в том, что он может звучать так, будто у него есть сознание.
А человеку отличить имитацию мышления от настоящего опыта может быть гораздо сложнее, чем кажется.
https://uproger.com/uchyonye-obnaruzhili-neozhidannuyu-veshh-chatgpt-mozhet-zvuchat-tak-budto-u-nego-est-mysli/
🧠 Новый подход к архитектуре нейросетей: Attention Residuals
Исследователи предложили переосмыслить одну из базовых идей глубоких нейросетей - residual connections.
До сих пор такие соединения работали очень просто:
каждый слой добавляет свой результат к предыдущим слоям через фиксированное накопление.
Но у этого подхода есть проблемы:
• информация постепенно «размывается»
• растёт скрытое состояние
• модели сложнее извлекать важные представления из прошлых слоёв
Теперь предложена новая идея - Attention Residuals.
Вместо обычного сложения слоёв модель использует attention, чтобы выбирать, какие представления из предыдущих слоёв действительно нужны.
Проще говоря:
модель сама решает, к каким слоям прошлого стоит “вернуться”.
Что это даёт:
🔹 сеть может избирательно извлекать нужные представления
🔹 уменьшается эффект «размывания» информации
🔹 контролируется рост скрытых состояний
🔹 глубина сети используется гораздо эффективнее
Чтобы это работало на больших моделях, авторы предложили механизм Block AttnRes.
Он делит сеть на блоки и применяет сжатое attention между ними, делая кросс-слойное внимание масштабируемым.
По результатам экспериментов:
• около 1.25× выигрыша по вычислениям
• <2% увеличение latency на инференсе
• стабильный рост качества на downstream-задачах
Метод протестировали на архитектуре Kimi Linear:
• 48B параметров всего
• 3B активных параметров
Если идея подтвердится на больших LLM, это может стать новым стандартом для глубинных архитектур нейросетей.
https://github.com/MoonshotAI/Attention-Residuals/blob/master/Attention_Residuals.pdf
🎯Полезные Мл-ресурсы 🚀 Max
@data_analysis_ml
Исследователи предложили переосмыслить одну из базовых идей глубоких нейросетей - residual connections.
До сих пор такие соединения работали очень просто:
каждый слой добавляет свой результат к предыдущим слоям через фиксированное накопление.
Но у этого подхода есть проблемы:
• информация постепенно «размывается»
• растёт скрытое состояние
• модели сложнее извлекать важные представления из прошлых слоёв
Теперь предложена новая идея - Attention Residuals.
Вместо обычного сложения слоёв модель использует attention, чтобы выбирать, какие представления из предыдущих слоёв действительно нужны.
Проще говоря:
модель сама решает, к каким слоям прошлого стоит “вернуться”.
Что это даёт:
🔹 сеть может избирательно извлекать нужные представления
🔹 уменьшается эффект «размывания» информации
🔹 контролируется рост скрытых состояний
🔹 глубина сети используется гораздо эффективнее
Чтобы это работало на больших моделях, авторы предложили механизм Block AttnRes.
Он делит сеть на блоки и применяет сжатое attention между ними, делая кросс-слойное внимание масштабируемым.
По результатам экспериментов:
• около 1.25× выигрыша по вычислениям
• <2% увеличение latency на инференсе
• стабильный рост качества на downstream-задачах
Метод протестировали на архитектуре Kimi Linear:
• 48B параметров всего
• 3B активных параметров
Если идея подтвердится на больших LLM, это может стать новым стандартом для глубинных архитектур нейросетей.
https://github.com/MoonshotAI/Attention-Residuals/blob/master/Attention_Residuals.pdf
🎯Полезные Мл-ресурсы 🚀 Max
@data_analysis_ml
🚀 Автономные исследования на Apple Silicon
Порт Karpathy's autoresearch для Apple Silicon, использующий MLX. Проект реализует автономные исследовательские циклы с фиксированным временем и управлением через program.md. Основные файлы включают train.py для обучения и prepare.py для подготовки данных.
🚀 Основные моменты:
- Нативная поддержка Apple Silicon без PyTorch/CUDA
- Фиксированный 5-минутный бюджет на обучение
- Логирование результатов в results.tsv
- Простая структура для автономного эксперимента
- Оптимизация моделей для повышения эффективности
📌 GitHub: https://github.com/trevin-creator/autoresearch-mlx
#python
Порт Karpathy's autoresearch для Apple Silicon, использующий MLX. Проект реализует автономные исследовательские циклы с фиксированным временем и управлением через program.md. Основные файлы включают train.py для обучения и prepare.py для подготовки данных.
🚀 Основные моменты:
- Нативная поддержка Apple Silicon без PyTorch/CUDA
- Фиксированный 5-минутный бюджет на обучение
- Логирование результатов в results.tsv
- Простая структура для автономного эксперимента
- Оптимизация моделей для повышения эффективности
📌 GitHub: https://github.com/trevin-creator/autoresearch-mlx
#python
🎧 Fish Audio S2 Pro - мощная open-source модель для синтеза речи.
Это 4B + 400M параметровая TTS-модель с необычной архитектурой Dual-AR, обученная на 10+ миллионах часов аудио и поддерживающая 80+ языков.
Что делает её интересной.
🏗 Dual-AR архитектура
Модель разделена на две части:
• 4B Slow AR отвечает за семантику и структуру речи
• 400M Fast AR генерирует 9 residual codebooks для акустики
Такой подход позволяет сохранить высокое качество звука без сильной нагрузки на инференс.
🎭 Свободное управление эмоциями и интонацией
Можно прямо в тексте задавать стиль речи:
Поддерживается 15 000+ тегов, которые работают на уровне отдельных слов.
🌐 80+ языков
Основные языки высокого качества:
• английский
• китайский
• японский
⚡ Оптимизация для LLM-инфраструктуры
Модель нативно работает со стеком SGLang, поэтому поддерживает:
• continuous batching
• paged KV cache
• RadixAttention prefix caching
📊 Производительность
• RTF: 0.195 на Nvidia H200
• ~100 мс до первого аудио
• более 3000 акустических токенов/сек
Также разработчики выложили:
• веса модели
• код для fine-tuning
• движок для streaming inference
Модель: https://modelscope.ai/models/fishaudio/s2-pro
GitHub: https://github.com/fishaudio/fish-speech
#ai #tts #opensourсe
Это 4B + 400M параметровая TTS-модель с необычной архитектурой Dual-AR, обученная на 10+ миллионах часов аудио и поддерживающая 80+ языков.
Что делает её интересной.
🏗 Dual-AR архитектура
Модель разделена на две части:
• 4B Slow AR отвечает за семантику и структуру речи
• 400M Fast AR генерирует 9 residual codebooks для акустики
Такой подход позволяет сохранить высокое качество звука без сильной нагрузки на инференс.
🎭 Свободное управление эмоциями и интонацией
Можно прямо в тексте задавать стиль речи:
[whisper] [laughing] [professional broadcast tone]Поддерживается 15 000+ тегов, которые работают на уровне отдельных слов.
🌐 80+ языков
Основные языки высокого качества:
• английский
• китайский
• японский
⚡ Оптимизация для LLM-инфраструктуры
Модель нативно работает со стеком SGLang, поэтому поддерживает:
• continuous batching
• paged KV cache
• RadixAttention prefix caching
📊 Производительность
• RTF: 0.195 на Nvidia H200
• ~100 мс до первого аудио
• более 3000 акустических токенов/сек
Также разработчики выложили:
• веса модели
• код для fine-tuning
• движок для streaming inference
Модель: https://modelscope.ai/models/fishaudio/s2-pro
GitHub: https://github.com/fishaudio/fish-speech
#ai #tts #opensourсe
🤯 Польский математик потратил 20 лет, чтобы придумать по-настоящему сложную математическую задачу исследовательского уровня.
Он хотел создать проблему, над которой лучшие умы могли бы ломать голову годами.
Но произошло неожиданное.
Модель GPT-5.4 смогла решить её всего за неделю.
После нескольких попыток один из запусков выдал чистое доказательство на 13 страниц, которое автор задачи внимательно изучил.
И оно его по-настоящему впечатлило.
Математик признался, что этот результат сильно изменил его взгляд на возможности AI.
Ещё недавно считалось, что такие задачи требуют глубокой человеческой интуиции и многолетних исследований.
Теперь становится ясно:
искусственный интеллект начинает входить в область, которую долго считали исключительно человеческой - научные открытия.
Мы, похоже, стоим на пороге новой эпохи.
Эпохи, где AI помогает делать открытия быстрее, чем когда-либо в истории науки.
#ai #math #science
Он хотел создать проблему, над которой лучшие умы могли бы ломать голову годами.
Но произошло неожиданное.
Модель GPT-5.4 смогла решить её всего за неделю.
После нескольких попыток один из запусков выдал чистое доказательство на 13 страниц, которое автор задачи внимательно изучил.
И оно его по-настоящему впечатлило.
Математик признался, что этот результат сильно изменил его взгляд на возможности AI.
Ещё недавно считалось, что такие задачи требуют глубокой человеческой интуиции и многолетних исследований.
Теперь становится ясно:
искусственный интеллект начинает входить в область, которую долго считали исключительно человеческой - научные открытия.
Мы, похоже, стоим на пороге новой эпохи.
Эпохи, где AI помогает делать открытия быстрее, чем когда-либо в истории науки.
#ai #math #science
Он взял данные по 342 профессиям из статистики BLS (≈143 млн работников в США) и с помощью LLM оценил, насколько каждая из них подвержена влиянию AI по шкале 0–10.
Результат он визуализировал в виде treemap.
Средний показатель по всем профессиям: 5.3 / 10.
Примеры:
• разработчики ПО: 8–9
• кровельщики: 0–1
• специалисты по расшифровке медицинских записей: 10 / 10 💀💀
Паттерн довольно простой.
Если вся работа происходит за экраном, риск автоматизации высокий.
Если она требует физического труда и непредсказуемой среды, вы гораздо безопаснее.
По оценке Карпати, около 57 млн работников в США - почти 40% всей рабочей силы - находятся в зоне высокого риска изменений из-за AI.
https://karpathy.ai/jobs/
@ai_machinelearning_big_data
#ai #ml #future #jobs #llm
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
В понедельник в Сан-Хосе открылась NVIDIA GTC 2026 - ежегодная конференция компании по GPU-технологиям и искусственному интеллекту.
Дженсен Хуанг открыл конференцию с тезиса, что компания видит заказы на оборудование на сумму не менее $1 трлн. до конца 2027 года - вдвое больше, чем год назад.
По его словам, индустрия достигла переломного момента: обучать модели уже умеют, теперь нужно дешево и быстро их запускать.
Главный анонс конференции - полноценный запуск платформы Vera Rubin. GPU построен на 3-нм процессе TSMC, содержит 336 млрд. транзисторов и 288 ГБ памяти HBM4.
Стойка NVL72 дает 260 ТБ/с совокупной пропускной способности по NVLink 6. Глава NVIDIA посчитал, что это превышает суммарную пропускную способность всего интернета. Производительность инференса выросла в 5 раз по сравнению с Blackwell за счет формата NVFP4.
Vera Rubin не просто GPU. Вместе с ним NVIDIA анонсировала собственный CPU Vera, разработанный для оркестрации и управления памятью в крупных агентных системах.
Эволюция CPU Vera уже расписана на 3 поколения вперед: Vera Ultra появится во второй половине 2027 года, следующая архитектура Feynman - в 2028-м.
NemoClaw - собственная open-source платформа NVIDIA для создания и деплоя корпоративных ИИ-агентов. Она разворачивается локально на оборудовании NVIDIA, без зависимости от облака, и позволяет задавать агентам имя, личность и набор инструментов. Это прямой ответ на OpenClaw и попытка NVIDIA закрепиться не только в железе, но и в программном слое ИИ-стека.
N1X - ARM-процессор для ПК, разработанный совместно с MediaTek. Чип содержит 20 кастомных ARM-ядер и встроенный GPU с производительностью уровня RTX 5070. Целевой рынок - Windows-ноутбуки и рабочие станции с локальным инференсом.
DLSS 5, которую NVIDIA называет главным прорывом в компьютерной графике со времен дебюта ray tracing в 2018 году - это технология, основанная на новой модели нейронного рендеринга в реальном времени, которая насыщает пиксели фотореалистичным освещением и материалами.
Выход технологии запланирован на осень 2026 года. В числе партнеров уже Ubisoft, Bethesda, Capcom, Tencent и Warner Bros. Games.
Как мы писали ранее, NVIDIA заключила многолетнее стратегическое партнерство с Thinking Machines Lab: компания развернет не менее 1 гВт систем Vera Rubin для обучения ИИ-моделей. Это первое развертывание новой платформы в таком масштабе.
GTC продолжится до 19 марта. Впереди порядка 1000+ сессий по Robotics, Physical AI и открытым моделям.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
В понедельник в Сан-Хосе открылась NVIDIA GTC 2026 - ежегодная конференция компании по GPU-технологиям и искусственному интеллекту.
Дженсен Хуанг открыл конференцию с тезиса, что компания видит заказы на оборудование на сумму не менее $1 трлн. до конца 2027 года - вдвое больше, чем год назад.
По его словам, индустрия достигла переломного момента: обучать модели уже умеют, теперь нужно дешево и быстро их запускать.
Главный анонс конференции - полноценный запуск платформы Vera Rubin. GPU построен на 3-нм процессе TSMC, содержит 336 млрд. транзисторов и 288 ГБ памяти HBM4.
Стойка NVL72 дает 260 ТБ/с совокупной пропускной способности по NVLink 6. Глава NVIDIA посчитал, что это превышает суммарную пропускную способность всего интернета. Производительность инференса выросла в 5 раз по сравнению с Blackwell за счет формата NVFP4.
Vera Rubin не просто GPU. Вместе с ним NVIDIA анонсировала собственный CPU Vera, разработанный для оркестрации и управления памятью в крупных агентных системах.
Эволюция CPU Vera уже расписана на 3 поколения вперед: Vera Ultra появится во второй половине 2027 года, следующая архитектура Feynman - в 2028-м.
NemoClaw - собственная open-source платформа NVIDIA для создания и деплоя корпоративных ИИ-агентов. Она разворачивается локально на оборудовании NVIDIA, без зависимости от облака, и позволяет задавать агентам имя, личность и набор инструментов. Это прямой ответ на OpenClaw и попытка NVIDIA закрепиться не только в железе, но и в программном слое ИИ-стека.
N1X - ARM-процессор для ПК, разработанный совместно с MediaTek. Чип содержит 20 кастомных ARM-ядер и встроенный GPU с производительностью уровня RTX 5070. Целевой рынок - Windows-ноутбуки и рабочие станции с локальным инференсом.
DLSS 5, которую NVIDIA называет главным прорывом в компьютерной графике со времен дебюта ray tracing в 2018 году - это технология, основанная на новой модели нейронного рендеринга в реальном времени, которая насыщает пиксели фотореалистичным освещением и материалами.
Выход технологии запланирован на осень 2026 года. В числе партнеров уже Ubisoft, Bethesda, Capcom, Tencent и Warner Bros. Games.
Как мы писали ранее, NVIDIA заключила многолетнее стратегическое партнерство с Thinking Machines Lab: компания развернет не менее 1 гВт систем Vera Rubin для обучения ИИ-моделей. Это первое развертывание новой платформы в таком масштабе.
GTC продолжится до 19 марта. Впереди порядка 1000+ сессий по Robotics, Physical AI и открытым моделям.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
Mistral выпустили Leanstral — ИИ-модель для математически идеального кода
В обычной разработке нейросети галлюцинируют, и нам приходится проверять их код руками. Новая модель Leanstral решает эту проблему: она пишет на языке программирования Lean 4, который математически доказывает отсутствие логических багов.
Сразу оговорюсь — это инструмент не для Telegram-ботов или обычных сайтов. Формальная верификация нужна в смарт-контрактах, криптографии, авиации или космонавтике — там, где ошибка стоит миллионы долларов или человеческие жизни, и обычных юнит-тестов недостаточно.
Работает это так: вы не пишете код сами, а только задаёте строгие математические законы (спецификацию). Модель пишет код и пытается доказать его корректность. Бездушный компилятор Lean выступает абсолютным судьей: если есть хоть одна нестыковка, код просто не скомпилируется. Агент Leanstral будет автономно переписывать решение до тех пор, пока компилятор его не примет. Человек в отладке не участвует вообще.
Раньше писать такие сложные математические доказательства умели только гигантские и дорогие модели вроде Claude Opus 4.6. Mistral же сделала узкоспециализированную и лёгкую модель (активны всего 6B параметров). В итоге, чтобы ИИ методом проб и ошибок сам написал и доказал сложный код, на Leanstral вы потратите около $36, а на Claude Opus — $1650 (в 92 раза больше) при сопоставимом качестве успешных решений.
Модель полностью открыта по лицензии Apache 2.0. Потестировать агента можно прямо в браузере через Mistral Vibe или API.
@neuro_channel
В обычной разработке нейросети галлюцинируют, и нам приходится проверять их код руками. Новая модель Leanstral решает эту проблему: она пишет на языке программирования Lean 4, который математически доказывает отсутствие логических багов.
Сразу оговорюсь — это инструмент не для Telegram-ботов или обычных сайтов. Формальная верификация нужна в смарт-контрактах, криптографии, авиации или космонавтике — там, где ошибка стоит миллионы долларов или человеческие жизни, и обычных юнит-тестов недостаточно.
Работает это так: вы не пишете код сами, а только задаёте строгие математические законы (спецификацию). Модель пишет код и пытается доказать его корректность. Бездушный компилятор Lean выступает абсолютным судьей: если есть хоть одна нестыковка, код просто не скомпилируется. Агент Leanstral будет автономно переписывать решение до тех пор, пока компилятор его не примет. Человек в отладке не участвует вообще.
Раньше писать такие сложные математические доказательства умели только гигантские и дорогие модели вроде Claude Opus 4.6. Mistral же сделала узкоспециализированную и лёгкую модель (активны всего 6B параметров). В итоге, чтобы ИИ методом проб и ошибок сам написал и доказал сложный код, на Leanstral вы потратите около $36, а на Claude Opus — $1650 (в 92 раза больше) при сопоставимом качестве успешных решений.
Модель полностью открыта по лицензии Apache 2.0. Потестировать агента можно прямо в браузере через Mistral Vibe или API.
@neuro_channel
Новое исследование показывает, как огромные зарплаты техногигантов уводят лучших специалистов по ИИ из университетов.
Сегодня топ-1% исследователей ИИ в индустрии зарабатывают около $2 млн в год.
Переходя в частные компании, учёные почти перестают публиковать открытые научные работы, вместо этого они на 530% чаще оформляют патенты, чтобы сохранять разработки внутри компаний.
В рамках исследования были проанализированы карьеры 42 000 специалистов по искусственному интеллекту.
https://www.nber.org/system/files/working_papers/w34964/w34964.pdf
Сегодня топ-1% исследователей ИИ в индустрии зарабатывают около $2 млн в год.
Переходя в частные компании, учёные почти перестают публиковать открытые научные работы, вместо этого они на 530% чаще оформляют патенты, чтобы сохранять разработки внутри компаний.
В рамках исследования были проанализированы карьеры 42 000 специалистов по искусственному интеллекту.
https://www.nber.org/system/files/working_papers/w34964/w34964.pdf
💪 Google протестировали LLM на реальных научных вопросах по сверхпроводимости.
Исследователи собрали 67 сложных вопросов, которые обычно обсуждают физики в области высокотемпературной сверхпроводимости, и дали их шести моделям:
• GPT-4o
• Claude 3.5
• Gemini Advanced 1.5
• Perplexity
• NotebookLM
• специальной RAG-системе
Каждый ответ оценивали 12 международных экспертов по нескольким критериям:
• полнота ответа
• объективность
• точность
• наличие научных источников
• ясность объяснения
Интересный результат:
модели с закрытой, тщательно подобранной научной базой отвечали точнее, чем модели с доступом ко всему интернету.
В закрытой базе использовали:
• 15 ключевых обзорных статей
• около 3300 научных ссылок
• ~1700 отобранных источников по экспериментам и теории.
LLM могут быть полезны как “виртуальный научный ассистент”, который помогает исследователю быстро разобраться в сложной области и увидеть разные научные точки зрения.
Но качество сильно зависит от контролируемых источников знаний, а не просто от доступа к интернету.
https://research.google/blog/testing-llms-on-superconductivity-research-questions/
Исследователи собрали 67 сложных вопросов, которые обычно обсуждают физики в области высокотемпературной сверхпроводимости, и дали их шести моделям:
• GPT-4o
• Claude 3.5
• Gemini Advanced 1.5
• Perplexity
• NotebookLM
• специальной RAG-системе
Каждый ответ оценивали 12 международных экспертов по нескольким критериям:
• полнота ответа
• объективность
• точность
• наличие научных источников
• ясность объяснения
Интересный результат:
модели с закрытой, тщательно подобранной научной базой отвечали точнее, чем модели с доступом ко всему интернету.
В закрытой базе использовали:
• 15 ключевых обзорных статей
• около 3300 научных ссылок
• ~1700 отобранных источников по экспериментам и теории.
LLM могут быть полезны как “виртуальный научный ассистент”, который помогает исследователю быстро разобраться в сложной области и увидеть разные научные точки зрения.
Но качество сильно зависит от контролируемых источников знаний, а не просто от доступа к интернету.
https://research.google/blog/testing-llms-on-superconductivity-research-questions/
Ожидается, что инвесторы готовы вложить примерно $4 млрд.
Этот шаг может резко ускорить внедрение ИИ в корпоративном секторе. Планируется активно внедрять инструменты OpenAI в компании из портфелей этих фондов, одновременно помогая бизнесам адаптироваться и модернизироваться перед лицом AI-дисрапции.
OpenAI также испытывает определённое давление на этом рынке, поскольку Anthropic активно позиционирует себя как лидера в enterprise-сегменте, и OpenAI стремится закрепиться в этой сфере тоже.
https://www.reuters.com/business/openai-courts-private-equity-join-enterprise-ai-venture-sources-say-2026-03-16/
Please open Telegram to view this post
VIEW IN TELEGRAM