Казахстан официально включил ChatGPT Edu в национальную систему образования.
Страна присоединилась к международной программе OpenAI Education for Countries, став первой в Центральной Азии, которая системно внедряет образовательный ИИ по всей образовательной цепочке — от школ до вузов.
Инструмент будет бесплатным для школ и университетов.
Министерства получили порядка 165 000 лицензий ChatGPT Edu, что позволит массово использовать ИИ-платформу для подготовки материалов, заданий и индивидуальной поддержки учащихся.
Акцент на усилении учителей, а не замене.
Казахстанские власти подчёркивают: ИИ не заменит преподавателя, а стремится уменьшить административную нагрузку и помочь персонализировать обучение, сохраняя за педагогами окончательные решения по оценкам и методике.
Это часть глобального образовательного тренда.
OpenAI запускает программу в сотрудничестве с правительствами и университетами многих стран, чтобы интегрировать ИИ в национальные системы образования, готовя кадры к будущим цифровым вызовам.
Система образования меняется на фоне дискуссий о рисках ИИ.
Хотя проект получил широкую поддержку, международные эксперты продолжают обсуждать вопросы цифрового неравенства, педагогической роли ИИ и необходимости политики безопасного использования подобных технологий.
Страна присоединилась к международной программе OpenAI Education for Countries, став первой в Центральной Азии, которая системно внедряет образовательный ИИ по всей образовательной цепочке — от школ до вузов.
Инструмент будет бесплатным для школ и университетов.
Министерства получили порядка 165 000 лицензий ChatGPT Edu, что позволит массово использовать ИИ-платформу для подготовки материалов, заданий и индивидуальной поддержки учащихся.
Акцент на усилении учителей, а не замене.
Казахстанские власти подчёркивают: ИИ не заменит преподавателя, а стремится уменьшить административную нагрузку и помочь персонализировать обучение, сохраняя за педагогами окончательные решения по оценкам и методике.
Это часть глобального образовательного тренда.
OpenAI запускает программу в сотрудничестве с правительствами и университетами многих стран, чтобы интегрировать ИИ в национальные системы образования, готовя кадры к будущим цифровым вызовам.
Система образования меняется на фоне дискуссий о рисках ИИ.
Хотя проект получил широкую поддержку, международные эксперты продолжают обсуждать вопросы цифрового неравенства, педагогической роли ИИ и необходимости политики безопасного использования подобных технологий.
Макароны
KREA AI В реальном времени 🤢
уже можно попробовать бесплатно — https://www.krea.ai/realtime
Получается 8$ в эквиваленте (против 25$ у официалов). По вопросам приобретения писать в @barilla_transfer_bot
Please open Telegram to view this post
VIEW IN TELEGRAM
Важная новость, которая обошла стороной русскоязычное пространство: в конце прошлого года рейтинговое агентство S&P Global понизило оценку надёжности стейблкоина USDT до худшего уровня - 5 (слабый).
Произошло это в том числе из-за того, что доля биткоинов в резервах, обеспечивающих привязку USDT к доллару, превысила 5%. В резервах есть и другие волатильные активы: золото и корпоративные облигации. Всё это повышает риски депега (отвязки от курса доллара).
Аналитики также отметили, что Tether раскрывает крайне мало сведений о надёжности своих депозитариев, контрагентов и банков, в которых размещаются средства. Есть и другие риски: недостаточная прозрачность в управлении резервами, отсутствие сегрегации активов на случай банкротства эмитента, ограничения на прямой выкуп USDT у самой компании Tether.
Иронично, что самый популярный в мире стейблкоин теперь имеет самый низкий уровень надёжности.
Произошло это в том числе из-за того, что доля биткоинов в резервах, обеспечивающих привязку USDT к доллару, превысила 5%. В резервах есть и другие волатильные активы: золото и корпоративные облигации. Всё это повышает риски депега (отвязки от курса доллара).
Аналитики также отметили, что Tether раскрывает крайне мало сведений о надёжности своих депозитариев, контрагентов и банков, в которых размещаются средства. Есть и другие риски: недостаточная прозрачность в управлении резервами, отсутствие сегрегации активов на случай банкротства эмитента, ограничения на прямой выкуп USDT у самой компании Tether.
Иронично, что самый популярный в мире стейблкоин теперь имеет самый низкий уровень надёжности.
🌚4
Закон о беспилотниках на дорогах вот-вот представят общественности. Полноценный, не экспериментальный (как сейчас). Его пишут с 2021 года. Участие в написании принимают Яндекс, КамАЗ, правительство Москвы и Санкт-Петербурга.
– В четвертой версии закона за перемещение по дорогам автоматизированных машин будут отвечать производители, владельцы, водители (при их наличии), пользователи ВАТС, разработчики ПО и операторы дистанционной поддержки.
– Каждая беспилотная машина должна стоять на учете, должна быть застрахована и оборудована системой регистрации данных.
– При движении по дороге ВАТС должно быть определенным образом обозначено, но как конкретно — определит правительство (сейчас на беспилотники вешают треугольный знак «А»).
– При потере связи или при возникновении неисправностей машина должна остановиться, совершив «маневр минимального риска».
– Также закон предусматривает существование зон с запретом на движение беспилотников.
– Если самодвижущаяся машина превысила скорость, выехала на газон или совершила другое подобное нарушение, то ответственность будет нести владелец.
– Владелец же будет наказан, если после разбора ДТП с вредом имуществу или здоровью выяснится, что причиной стало невыполнение требований руководства по эксплуатации или незаконное внесение изменений в конструкцию.
– А вот при несвоевременном обновлении софта ответственность понесет сервисный центр.
Вообще во всех странах мира все разговоры про беспилотный транспорт упираются только в одну штуку: в этику. Как поступить беспилотнику в ситуации, когда перед ним резко выбегает ребенок, справа остановка с людьми, а слева встречный поток? Кому отдать приоритет? Это придется прописать в коде и уведомить общественность, а ей не понравится ни одно решение. А еще есть непредсказуемые участники движения на дорогах, маневры которых невозможно спрогнозировать ни одним алгоритмом: например, движение автотранспорта спецслужб (скорые, пожарные, полицейские погони тд).
Вопрос этики – ключевой. Инфраструктура и всё прочее – дело десятое, там всё понятно, а вот с этикой нет, и будет очень интересно, как у нас решат эту головоломку. Тем временем, Минтранс считает, что к 2050 году половина автомобилей в России будут беспилотными.
😍3
В продолжение к мгновениям социологии взгляд на истоки перекоса отношений женщин и мужчин в СССР и позднее России.
В Великую Отечественную войну погибла треть мужчин призывного возраста. В 1950 году на 100 женщин в возрасте 20-49 лет приходилось 62 мужчины. И это ещё не считая мужчин – военных инвалидов, с ними будет соотношение на 100 женщин – 50 дееспособных мужчин. А так как основную тяжесть понесла деревня (армия на 81% была крестьянской), то в ней молодые мужчины вообще надолго стали исчезнувшим видом (вероятно, с соотношением 100 женщин на 30 дееспособных мужчин). Также это определило и исчезновение деревни как явления в СССР-РФ.
Любой более или менее дееспособный мужчина тогда был настоящей ценностью. В том числе и из-за особенностей времени, когда требовалось много мужской мускульной силы даже в быту (заготовка дров, чистка снега, стройка, переноска тяжестей и т.п.)
В Великую Отечественную войну погибла треть мужчин призывного возраста. В 1950 году на 100 женщин в возрасте 20-49 лет приходилось 62 мужчины. И это ещё не считая мужчин – военных инвалидов, с ними будет соотношение на 100 женщин – 50 дееспособных мужчин. А так как основную тяжесть понесла деревня (армия на 81% была крестьянской), то в ней молодые мужчины вообще надолго стали исчезнувшим видом (вероятно, с соотношением 100 женщин на 30 дееспособных мужчин). Также это определило и исчезновение деревни как явления в СССР-РФ.
Любой более или менее дееспособный мужчина тогда был настоящей ценностью. В том числе и из-за особенностей времени, когда требовалось много мужской мускульной силы даже в быту (заготовка дров, чистка снега, стройка, переноска тяжестей и т.п.)
Ты никогда не ел такого и не надо!
Иногда мне нравится прикупить всякой непонятной приблуды и почти всегда мне нравится использовать мощь нейросетей для доступа к общечеловеческим данным.
Так вот эта история началась в магазине дешевых товаров где я выбирал себе цветные маркеры, чтобы на стене в комнате рисовать мозговую карту всего что есть в моей жизни и закончилась на кассе с какой то непонятной китайщиной. Пришел я домой, вкусил этот жирно-сладко-солено острый биоматериал и задумался о том, а что это вообще такое?
Дальше Gemini в режиме Deep Research начал перформить следуюющее:
Полная и более интересная версия исследования тут.
Не открывается?
Попробуй квантовый ускоритель интернета тут!
p.s Если вдруг посты перестанут выходить, знайте я умер от китайских палочек...
Иногда мне нравится прикупить всякой непонятной приблуды и почти всегда мне нравится использовать мощь нейросетей для доступа к общечеловеческим данным.
Так вот эта история началась в магазине дешевых товаров где я выбирал себе цветные маркеры, чтобы на стене в комнате рисовать мозговую карту всего что есть в моей жизни и закончилась на кассе с какой то непонятной китайщиной. Пришел я домой, вкусил этот жирно-сладко-солено острый биоматериал и задумался о том, а что это вообще такое?
Дальше Gemini в режиме Deep Research начал перформить следуюющее:
Конечно. Вот основные выводы исследования вреда продукта «Пряные палочки», основанные на анализе этикетки и актуальных научных данных:
-Экстремальное содержание натрия: В 100 г продукта содержится 2590 мг натрия. В одной упаковке (76 г) содержится около 1968 мг натрия, что составляет 85\% от рекомендуемого суточного лимита для взрослого человека (2300 мг). Избыток натрия провоцирует задержку жидкости, повышает артериальное давление и создает критическую нагрузку на почки.
-Механизм пищевой зависимости (Bliss Point): Продукт представляет собой комбинацию соли, жира и сахара (декстрозы), разработанную для достижения «точки блаженства». Это сочетание в паре с усилителями вкуса (глутамат натрия E621) вызывает мощный выброс дофамина, что подавляет сигналы насыщения и формирует привыкание к ультра-обработанной пище.
-Риск нейродегенерации и вред масел: Промышленные масла, подвергающиеся нагреву (как при производстве этих палочек), содержат продукты окисления, которые нарушают работу оси «печень-кишечник-мозг». Исследования 2024 года связывают длительное употребление таких жиров со снижением транспорта в мозг докозагексаеновой кислоты (DHA), что повышает риск развития нейродегенеративных заболеваний, таких как болезни Альцгеймера и Паркинсона.Разрушение микробиома и «дырявый кишечник»: Отсутствие натуральной клетчатки и наличие синтетических добавок (эмульгаторов, регуляторов кислотности E450, E575) снижают разнообразие полезных бактерий и повреждают кишечный барьер. Это приводит к проникновению бактериальных токсинов в кровь, вызывая хроническое системное воспаление.
-Образование канцерогенов: В процессе высокотемпературной обработки (экструзии) пшеничной муки и крахмала образуется акриламид — потенциально канцерогенное вещество. В жареных пшеничных продуктах его концентрация может достигать 600 мкг/кг, что значительно превышает уровни в минимально обработанной пище.
-Долгосрочные последствия: Регулярное потребление таких продуктов тесно связано с развитием ожирения, диабета 2 типа и сердечно-сосудистых заболеваний. Особенно опасны такие продукты для детей, так как они программируют метаболизм на развитие метаболического синдрома в будущем. Этот продукт классифицируется как «пустые калории» с агрессивным химическим профилем, и его употребление рекомендуется ограничить до минимума или полностью исключить из рациона.
Полная и более интересная версия исследования тут.
Не открывается?
Попробуй квантовый ускоритель интернета тут!
p.s Если вдруг посты перестанут выходить, знайте я умер от китайских палочек...
🧠 Для тех кто понимает, что нейросеть это не карбюратор.
System-2 Counting: как заставить LLM нормально считать
Факт:
LLM плохо считают длинные списки не из-за «глупости», а из-за архитектуры.
У модели нет переменной count = 17 — количество «размазано» по слоям.
вместо одного списка из 50 пунктов
→ разбиваем его на 5–10 маленьких списков
→ разделяем их символом |
Модель хорошо считает маленькие списки, но плохо — один большой.
Решение: System-2 Counting
1. Разбиваем список на 5–10 элементов
2. Модель считает каждый отдельно
3. Выводит промежуточные результаты
4. Затем логически суммирует их
Это включает пошаговое (System-2) мышление.
✔️ Результат
обычный подсчёт 50+ элементов →
~5% точности
System-2 Counting →
~95% точности
LLM — не калькулятор.
Она сильна в локальных задачах + рассуждении над текстом.
Правильное разбиение задачи часто важнее умной модели.
System-2 Counting: как заставить LLM нормально считать
Факт:
LLM плохо считают длинные списки не из-за «глупости», а из-за архитектуры.
У модели нет переменной count = 17 — количество «размазано» по слоям.
до 10 элементов — всё точноПример:
после 20 — начинаются ошибки
после 30–40 — точность падает почти в ноль
вместо одного списка из 50 пунктов
→ разбиваем его на 5–10 маленьких списков
→ разделяем их символом |
Модель хорошо считает маленькие списки, но плохо — один большой.
Решение: System-2 Counting
1. Разбиваем список на 5–10 элементов
2. Модель считает каждый отдельно
3. Выводит промежуточные результаты
4. Затем логически суммирует их
Это включает пошаговое (System-2) мышление.
обычный подсчёт 50+ элементов →
~5% точности
System-2 Counting →
~95% точности
LLM — не калькулятор.
Она сильна в локальных задачах + рассуждении над текстом.
Правильное разбиение задачи часто важнее умной модели.
Please open Telegram to view this post
VIEW IN TELEGRAM
Как и для чего люди используют LLM? 10 инсайтов
Недавно вышло ещё одно State of AI исследование от a16z и Openrouter. Пожалуй, это лучшая аналитика по этой сфере из того, что я видел. Их команда проанализировала 100 трлн токенов, использованных на платформе Openrouter, которая является провайдером большого числа разнообразных LLM (как open source, так и closed). Получается, что данные ограничены только одной платформой, но зато объем датасета (как в пользователях, так и в токенах) впечатляющий. Это позволяет взглянуть на реальную картинку использования LLM для личных и рабочих задач.
Большой респект ребятам за такую работу! Крайне рекомендую прочитать статью - прикрепляю ее в первом комменте под постом.
А ниже кратко расписал наиболее интересные 10 инсайтов, которые отметил для себя:
Open Source Software (OSS)
1. Несмотря на бурное увеличение количества и развитие качества OSS, их доля в общем потоке не сильно растет и колеблется около 30%
2. Китайские модели уверенно доминируют в сегменте OSS с долей 60%+
3. Deepseek мощно выстрелил при запуске (все мы помним этот информационный шум), но сейчас быстро теряет долю (уже упала с 80% до 30%) из-за сильной конкуренции со стороны других китайских OSS-моделей
4. Medium is the new small. Лучше не скажешь. Помните, не так давно мы говорили про востребованность Small Large Language Models? Так вот, сейчас свою нишу на рынке нашли Medium LLM (от 15 до 70 млрд параметров) - больше 20% от всего рынка OSS. Они уже вытеснили большую долю маленьких моделей, а вот большие все еще уверенно держатся, занимая больше 50% рынка.
Usage Categories
5. Программирование - ключевая категория применения LLM, и ее доля выросла с 11% до 50% за последний год. В этой категории существенно доминируют closed модели с 90% долей трафика (в первую очередь, модели Anthropic)
6. Roleplay - вторая по объему категория. Сюда у нас относятся все развлекательно-болтательные взаимодействия с LLM. Здесь уже доминируют OSS модели с долей 60% (в первую очередь, модели Deepseek).
7. Интересно также посмотреть и на специфику по моделям:
•
•
•
•
•
•
Retention, Cost & Usage
8. Cinderella Glass Slipper феномен. Оказалось, что лояльность пользователей очень зависит от workload-model fit. То есть, если пользователь выясняет, что новая модель может отлично решать те его задачи, которые другие модели раньше не могли решать, то "туфелька подходит", и остаётся он жить с этой моделью долго и счастливо, отдавая ей и все другие свои задачи. А вот если этот фит не находится, то модель быстро забывается и второго шанса не получает.
9. В целом спрос на LLM сейчас не эластичен по цене, но есть нюансы. Пользователи готовы платить премию за высокое качество в специализированных кейсах, но хотят сэкономить на развлекательных и примитивных кейсах.
10. Рынок выглядит ещё не коммодитизированным. На нем наблюдается большая фрагментация как по провайдерам моделей, так и по типам моделей (OSS vs closed, Large va Medium vs Small, High cost vs Low cost). При этом каждая ниша находит своего пользователя и значимый объем трафика
Недавно вышло ещё одно State of AI исследование от a16z и Openrouter. Пожалуй, это лучшая аналитика по этой сфере из того, что я видел. Их команда проанализировала 100 трлн токенов, использованных на платформе Openrouter, которая является провайдером большого числа разнообразных LLM (как open source, так и closed). Получается, что данные ограничены только одной платформой, но зато объем датасета (как в пользователях, так и в токенах) впечатляющий. Это позволяет взглянуть на реальную картинку использования LLM для личных и рабочих задач.
Большой респект ребятам за такую работу! Крайне рекомендую прочитать статью - прикрепляю ее в первом комменте под постом.
А ниже кратко расписал наиболее интересные 10 инсайтов, которые отметил для себя:
Open Source Software (OSS)
1. Несмотря на бурное увеличение количества и развитие качества OSS, их доля в общем потоке не сильно растет и колеблется около 30%
2. Китайские модели уверенно доминируют в сегменте OSS с долей 60%+
3. Deepseek мощно выстрелил при запуске (все мы помним этот информационный шум), но сейчас быстро теряет долю (уже упала с 80% до 30%) из-за сильной конкуренции со стороны других китайских OSS-моделей
4. Medium is the new small. Лучше не скажешь. Помните, не так давно мы говорили про востребованность Small Large Language Models? Так вот, сейчас свою нишу на рынке нашли Medium LLM (от 15 до 70 млрд параметров) - больше 20% от всего рынка OSS. Они уже вытеснили большую долю маленьких моделей, а вот большие все еще уверенно держатся, занимая больше 50% рынка.
Usage Categories
5. Программирование - ключевая категория применения LLM, и ее доля выросла с 11% до 50% за последний год. В этой категории существенно доминируют closed модели с 90% долей трафика (в первую очередь, модели Anthropic)
6. Roleplay - вторая по объему категория. Сюда у нас относятся все развлекательно-болтательные взаимодействия с LLM. Здесь уже доминируют OSS модели с долей 60% (в первую очередь, модели Deepseek).
7. Интересно также посмотреть и на специфику по моделям:
•
Anthropic - флагман программирования•
Google - наиболее диверсифицированное использование•
xAI - сдвиг от программирования к roleplay и вопросам по технологиям•
OpenAI - сдвиг от научного использования к фокусу на программирование и вопросы по технологиям•
Deepseek - флагман roleplay •
Qwen - фокус на программировании, но недавний резкий рост финансовой тематикиRetention, Cost & Usage
8. Cinderella Glass Slipper феномен. Оказалось, что лояльность пользователей очень зависит от workload-model fit. То есть, если пользователь выясняет, что новая модель может отлично решать те его задачи, которые другие модели раньше не могли решать, то "туфелька подходит", и остаётся он жить с этой моделью долго и счастливо, отдавая ей и все другие свои задачи. А вот если этот фит не находится, то модель быстро забывается и второго шанса не получает.
9. В целом спрос на LLM сейчас не эластичен по цене, но есть нюансы. Пользователи готовы платить премию за высокое качество в специализированных кейсах, но хотят сэкономить на развлекательных и примитивных кейсах.
10. Рынок выглядит ещё не коммодитизированным. На нем наблюдается большая фрагментация как по провайдерам моделей, так и по типам моделей (OSS vs closed, Large va Medium vs Small, High cost vs Low cost). При этом каждая ниша находит своего пользователя и значимый объем трафика
Mistral - французский OpenAI
LLM-рынок как будто можно разложить по слоям. Самый верх это американская мясорубка: ChatGPT vs Gemini vs Claude Code. Там всё понятно, огромные бюджеты, бешеная скорость, борьба за девелоперов и энтерпрайз. Следующий слой уже геополитический: США против Китая, где рядом с OpenAI и Anthropic стоят DeepSeek и модель от Alibaba, запреты, санкции. А ниже категория others, куда попадают Llama, Алиса, ещё десяток компаний, но как будто без шансов стать глобальным дефолтом.
И в этой категории неожиданно вырисовывается лидер, компания Mistral. Французская компания, которая появилась буквально из ниоткуда. Если помните, они в самом начале привлекли огромный раунд вообще без продукта, просто на вере в команду. А на днях они подняли новый раунд €1.7 млрд, оценка €11.7 млрд, лид-инвестор ASML (типа европейский Nvidia). Для европейского AI это уже тяжёлая артиллерия, особенно на фоне разговоров про "Европа безнадёжно отстала в AI" выглядит мощно.
Про Mistral долго ходили разговоры, что их купит Apple. Логика там была понятная: Apple отстаёт в LLM, а Mistral готовая сильная команда и модели. Но сделка не случилась, и кажется, Apple временно (но это не точно) ушла в объятия Google.
В этом раунде в важно не столько само количество денег(в AI сложно удивить), сколько контекст. В текущей геополитике у Mistral есть очень сильное unfair advantage, они made in EU. Не "формально штаб в Париже, а всё остальное в Калифорнии", а реально европейская история. А это значит, что все кейсы, связанные с государством, безопасностью, суверенными данными, регуляторикой почти автоматически играют в их пользу. Американским компаниям туда будет сложно заходить, китайским ещё сложнее.
В недавнем интервью основатель Mistral, Arthur Mensch, говорил о том, что модели неизбежно коммодитизируются: качество выравнивается, и "самый умный LLM" перестаёт быть решающим аргументом.
Если так и будет, выигрывать станут не те, у кого лучше бенчмарки, а те, у кого есть небольшие, но устойчивые преимущества. У Mistral это made in EU и всё, что с этим связано, у других что-то свое. В итоге это всё меньше гонка моделей и всё больше игра контекстов.
Продолжаем с интересом наблюдать.🍿
LLM-рынок как будто можно разложить по слоям. Самый верх это американская мясорубка: ChatGPT vs Gemini vs Claude Code. Там всё понятно, огромные бюджеты, бешеная скорость, борьба за девелоперов и энтерпрайз. Следующий слой уже геополитический: США против Китая, где рядом с OpenAI и Anthropic стоят DeepSeek и модель от Alibaba, запреты, санкции. А ниже категория others, куда попадают Llama, Алиса, ещё десяток компаний, но как будто без шансов стать глобальным дефолтом.
И в этой категории неожиданно вырисовывается лидер, компания Mistral. Французская компания, которая появилась буквально из ниоткуда. Если помните, они в самом начале привлекли огромный раунд вообще без продукта, просто на вере в команду. А на днях они подняли новый раунд €1.7 млрд, оценка €11.7 млрд, лид-инвестор ASML (типа европейский Nvidia). Для европейского AI это уже тяжёлая артиллерия, особенно на фоне разговоров про "Европа безнадёжно отстала в AI" выглядит мощно.
Про Mistral долго ходили разговоры, что их купит Apple. Логика там была понятная: Apple отстаёт в LLM, а Mistral готовая сильная команда и модели. Но сделка не случилась, и кажется, Apple временно (но это не точно) ушла в объятия Google.
В этом раунде в важно не столько само количество денег(в AI сложно удивить), сколько контекст. В текущей геополитике у Mistral есть очень сильное unfair advantage, они made in EU. Не "формально штаб в Париже, а всё остальное в Калифорнии", а реально европейская история. А это значит, что все кейсы, связанные с государством, безопасностью, суверенными данными, регуляторикой почти автоматически играют в их пользу. Американским компаниям туда будет сложно заходить, китайским ещё сложнее.
В недавнем интервью основатель Mistral, Arthur Mensch, говорил о том, что модели неизбежно коммодитизируются: качество выравнивается, и "самый умный LLM" перестаёт быть решающим аргументом.
Если так и будет, выигрывать станут не те, у кого лучше бенчмарки, а те, у кого есть небольшие, но устойчивые преимущества. У Mistral это made in EU и всё, что с этим связано, у других что-то свое. В итоге это всё меньше гонка моделей и всё больше игра контекстов.
Продолжаем с интересом наблюдать.
Please open Telegram to view this post
VIEW IN TELEGRAM
YouTube
Who Wins if AI Models Commoditize? — With Mistral CEO Arthur Mensch
Arthur Mensch is the CEO and co-founder of Mistral. Arthur Mensch joins the Big Technology Podcast to discuss what the AI business looks like if all leading models perform the same. Tune in to hear how the commoditization of foundational models is changing…
🚕 Внимание на слайд — он цепляет.
На графиках видно, как автономные такси тихо выходят из статуса эксперимента и начинают понемногу отвоёвывать рынок. В Сан-Франциско машины Waymo шаг за шагом забирают часть поездок у привычных сервисов. Никакой революции на глазах, просто аккуратный сдвиг, который легко пропустить, если не смотреть внимательно.
Дальше километры. Суточный пробег автономных машин показывает, что здесь у Waymo уже не тесты, а рабочий режим. И речь именно о поездках без водителя. Это важно не для отчётов, а для самой системы: чем больше таких поездок, тем быстрее она учится и взрослеет.
А вот накопленный пробег добавляет ещё один штрих. Здесь заметно выделяется Tesla. Да, в основном это поездки с водителем, но объём данных всё равно впечатляет.
Пока это не история про то, что автономные такси победили. Скорее про момент, когда изменения уже начались, но не бросаются в глаза, чтобы их всерьёз обсуждать. Обычно именно с таких моментов всё и начинается. Таксисты готовимся.
На графиках видно, как автономные такси тихо выходят из статуса эксперимента и начинают понемногу отвоёвывать рынок. В Сан-Франциско машины Waymo шаг за шагом забирают часть поездок у привычных сервисов. Никакой революции на глазах, просто аккуратный сдвиг, который легко пропустить, если не смотреть внимательно.
Дальше километры. Суточный пробег автономных машин показывает, что здесь у Waymo уже не тесты, а рабочий режим. И речь именно о поездках без водителя. Это важно не для отчётов, а для самой системы: чем больше таких поездок, тем быстрее она учится и взрослеет.
А вот накопленный пробег добавляет ещё один штрих. Здесь заметно выделяется Tesla. Да, в основном это поездки с водителем, но объём данных всё равно впечатляет.
Пока это не история про то, что автономные такси победили. Скорее про момент, когда изменения уже начались, но не бросаются в глаза, чтобы их всерьёз обсуждать. Обычно именно с таких моментов всё и начинается. Таксисты готовимся.