"Существуют три вида лжи: ложь, наглая ложь и статистика" Это о том что интерпретировать статистические данные можно как угодно. На самом деле, статистическое исследование должно быть так построено, чтобы его сложно было интерпретировать миллионом способов, но часто бывает как Марк Твен сформулировал. Применять статистические методы сложно.
Где-то на просторах чатов.
Где-то на просторах чатов.
🔥4❤2
Denoiselab
"Существуют три вида лжи: ложь, наглая ложь и статистика" Это о том что интерпретировать статистические данные можно как угодно. На самом деле, статистическое исследование должно быть так построено, чтобы его сложно было интерпретировать миллионом способов…
На самом деле видов лжи есть 137 видов. Тут недавно собрали статистику по чат-ботам ))) что хуже всего, llm придумывают свои комбинированные решения.
Искусственный интеллект разработал полные геномы 16 функциональных вирусов, которые заражают бактерии и "не представляют никакой угрозы для людей".
Команда учёных из США исключила из обучающих данных вирусы, способные заражать сложные организмы, и работала в "защищенной лаборатории". @banksta
Команда учёных из США исключила из обучающих данных вирусы, способные заражать сложные организмы, и работала в "защищенной лаборатории". @banksta
В дополнение к посту о следующем майлстоуне — обучении LLM на актуальной учебной литературе — хочу обсудить конкретное проявление тренда: доменно-специфичные модели (DLLM).
DLLM могут стать самым заметным дизрапшном. По разным оценкам ежегодно выходит 2,8-3,3 млн новых научных статей — человек их не прочтёт, а копилот-модель сможет.
Вероятнее всего, в большинстве значимых областей появятся модели-эксперты, способные отвечать на вопросы по этой области, помогающие решать текущие задачи и дать человеку буст уровня x10 к текущей производительности. Можно будет иметь эксперта по современной физике, супер-интеллектуального помощника в области материаловедения, глубокого эксперта в software engineering, советника в медицине или сельском хозяйстве и так далее.
Между собой модели много чем будут отличаться — разные типы знаний, про многие из которых другим моделям знать не обязательно (физика твёрдого тела не требуется компилятору; медицинской модели не критично знание лицензий ПО), разные требования к лицензиям и безопасности, разные процедуры оценки качества и так далее. Будет и везде своя регуляторика, проверки и сертификации.
Нужна мультимодальность, но на более детальном уровне она будет разной — даже для картиночной модальности объекты будут сильно разными: 3D молекулы, медснимки, UML-диаграммы, фазовые графики — под каждую дисциплину своя суб-модальность.
Не думаю, что DLLM будут покрыты текущими производителями универсальных моделей. Их не хватит, чтобы глубоко копнуть во все эти области и заниматься постоянным обновлением и контролем качества. Но вероятно они предоставят хорошие базовые модели и инфраструктуру для их тюнинга и использования. А другие люди и организации, обладающие уникальными данными и экспертизой, будут DLLM создавать. Этот процесс, вероятно, придётся организовывать самим.
Важными измерениями здесь будут scale-диапазон (on-device → GPU-кластер), и открытая или закрытая (что и как ты контролируешь). В edge и on-device, думаю, будет особенно много интересного в ближайшие годы. Во многих местах надо уметь работать без интернета, особенно если это какой-то непрерывный техпроцесс.
Траектория с самостоятельным предобучением модели (уровня сотен миллиардов — триллионов токенов) останется для избранных и самых богатых, а совсем массовым сценарием будет адаптация базовой модели, в облаке или локально.
Данные по сути распадаются на три разных слоя:
1. Core corpus — стабилизированные источники (учебники, ГОСТы, review-статьи).
2. Dynamic feed — preprints, патенты, свежая пресса (auto-RAG-pipeline).
3. Telemetry (приватные логи и фидбек) — чтобы модель постепенно училась на контексте конкретной организации.
Особая ценность: способность держать эти слои в актуальном состоянии (а это уже SaaS-ниша под названием «DataOps for DLLM»). Core обновляется раз в квартал, Dynamic feed — ежедневный (или даже streaming) ingest препринтов и патентов через RAG-пайплайн, Telemetry — online fine-tuning / RLHF.
Отдельно поверх этих слоёв лежит слой комплаенса: для Core-корпуса важна лицензия, для Dynamic — проверка авторских прав, для Telemetry — GDPR/локальные законы.
Ну и в реальности это будет не просто DLLM, а агент с DLLM внутри, обвешанный специальными дополнительными инструкциями, тулами, да и другими агентами.
Большая тема — доменные бенчмарки, а может в пределе и сертификация. С одной стороны без бенчмарков доверия не будет, с другой стороны всё равно надо проверять на своих данных и задачах, так или иначе у каждой компании своя специфика и свои требования, и разные модели могут вести себя по-разному.
У DLLM профиль рисков отличается от общей модели — хорошая доменная модель ошибается реже, но цена ошибки выше: неправильная дозировка, некорректный отчёт. Отсюда — необходимость доменного аудита, traceable citations, где-то explainability. Вероятно, появится рынок независимого red-team-аудита, который регуляторы и страховщики будут учитывать при выводе модели в прод.
Интересное обсуждение. Вообще доменные модели не новы, они были и раньше, нг тема с подпиской и апдейтом интересная. Получается модель за счёт бизнес фичи выделилась в самостоятельный продукт.
DLLM могут стать самым заметным дизрапшном. По разным оценкам ежегодно выходит 2,8-3,3 млн новых научных статей — человек их не прочтёт, а копилот-модель сможет.
Вероятнее всего, в большинстве значимых областей появятся модели-эксперты, способные отвечать на вопросы по этой области, помогающие решать текущие задачи и дать человеку буст уровня x10 к текущей производительности. Можно будет иметь эксперта по современной физике, супер-интеллектуального помощника в области материаловедения, глубокого эксперта в software engineering, советника в медицине или сельском хозяйстве и так далее.
Между собой модели много чем будут отличаться — разные типы знаний, про многие из которых другим моделям знать не обязательно (физика твёрдого тела не требуется компилятору; медицинской модели не критично знание лицензий ПО), разные требования к лицензиям и безопасности, разные процедуры оценки качества и так далее. Будет и везде своя регуляторика, проверки и сертификации.
Нужна мультимодальность, но на более детальном уровне она будет разной — даже для картиночной модальности объекты будут сильно разными: 3D молекулы, медснимки, UML-диаграммы, фазовые графики — под каждую дисциплину своя суб-модальность.
Не думаю, что DLLM будут покрыты текущими производителями универсальных моделей. Их не хватит, чтобы глубоко копнуть во все эти области и заниматься постоянным обновлением и контролем качества. Но вероятно они предоставят хорошие базовые модели и инфраструктуру для их тюнинга и использования. А другие люди и организации, обладающие уникальными данными и экспертизой, будут DLLM создавать. Этот процесс, вероятно, придётся организовывать самим.
Важными измерениями здесь будут scale-диапазон (on-device → GPU-кластер), и открытая или закрытая (что и как ты контролируешь). В edge и on-device, думаю, будет особенно много интересного в ближайшие годы. Во многих местах надо уметь работать без интернета, особенно если это какой-то непрерывный техпроцесс.
Траектория с самостоятельным предобучением модели (уровня сотен миллиардов — триллионов токенов) останется для избранных и самых богатых, а совсем массовым сценарием будет адаптация базовой модели, в облаке или локально.
Данные по сути распадаются на три разных слоя:
1. Core corpus — стабилизированные источники (учебники, ГОСТы, review-статьи).
2. Dynamic feed — preprints, патенты, свежая пресса (auto-RAG-pipeline).
3. Telemetry (приватные логи и фидбек) — чтобы модель постепенно училась на контексте конкретной организации.
Особая ценность: способность держать эти слои в актуальном состоянии (а это уже SaaS-ниша под названием «DataOps for DLLM»). Core обновляется раз в квартал, Dynamic feed — ежедневный (или даже streaming) ingest препринтов и патентов через RAG-пайплайн, Telemetry — online fine-tuning / RLHF.
Отдельно поверх этих слоёв лежит слой комплаенса: для Core-корпуса важна лицензия, для Dynamic — проверка авторских прав, для Telemetry — GDPR/локальные законы.
Ну и в реальности это будет не просто DLLM, а агент с DLLM внутри, обвешанный специальными дополнительными инструкциями, тулами, да и другими агентами.
Большая тема — доменные бенчмарки, а может в пределе и сертификация. С одной стороны без бенчмарков доверия не будет, с другой стороны всё равно надо проверять на своих данных и задачах, так или иначе у каждой компании своя специфика и свои требования, и разные модели могут вести себя по-разному.
У DLLM профиль рисков отличается от общей модели — хорошая доменная модель ошибается реже, но цена ошибки выше: неправильная дозировка, некорректный отчёт. Отсюда — необходимость доменного аудита, traceable citations, где-то explainability. Вероятно, появится рынок независимого red-team-аудита, который регуляторы и страховщики будут учитывать при выводе модели в прод.
Интересное обсуждение. Вообще доменные модели не новы, они были и раньше, нг тема с подпиской и апдейтом интересная. Получается модель за счёт бизнес фичи выделилась в самостоятельный продукт.
Telegram
gonzo-обзоры ML статей
Мне кажется, одним из следующих больших майлстоунов в обучении фронтирных моделей будет обучение на большом, актуальном и курируемом массиве учебной и научной литературы.
Это всё в целом как бы не новая идея. Модели и сейчас уже весьма неплохо отвечают…
Это всё в целом как бы не новая идея. Модели и сейчас уже весьма неплохо отвечают…
Теория мертвого интернета станет реальностью через 5 лет: именно столько времени нужно, чтобы боты окончательно обогнали людей по трафику — прогноз от Cloudflare.
Если текущие тенденции сохранятся, мы думаем, что через пять лет нечеловеческий трафик будет в 1000 раз больше, чем человеческий трафик
theregister
‘Humans will be a rounding error on the internet’ says Cloudflare exec
Machine-generated traffic to surge 1000x in five years, while we meatbags keep clicking away slowly
Что должно произойти, чтобы 127 человек на место через несколько лет превратились в 127 возможностей, а не в 127 разочарований?
Под предыдущим постом был очень правильный комментарий: «Только бы этот интерес потом не разбился о реальность». И действительно. 127 человек на место - это впечатляет сегодня. Но очень важен другой вопрос: а что будет с этими ребятами через 5–10 лет? Потому что подготовить сильного специалиста по ИИ - дорого и долго. А потерять его можно за один авиабилет.
Будущее выпускников такого факультета вообще не должно сводиться к стандартному сценарию: закончил МГУ → получил хорошую зарплату → пошел работать программистом. Если всё получится, перед нами совсем другое поколение.
Кто-то из них создаст новые фундаментальные модели.
Кто-то займется робототехникой и автономными системами.
Кто-то применит ИИ в новых материалах, энергетике, медицине, биотехнологиях и промышленности.
Кто-то создаст корпорацию, которой сегодня не существует.
А кто-то останется в университете и вырастит следующее поколение таких ребят.
И вот здесь начинается самая сложная часть. Талантам недостаточно дать образование. Им нужно дать масштаб задачи. Сильный математик или инженер останется там, где у него есть три вещи: свобода думать, ресурсы экспериментировать, возможность создавать что-то мирового уровня.
Именно поэтому идея Олега Дерипаски о «свободе мышления» гораздо шире одного факультета. Если мы действительно хотим технологического суверенитета, недостаточно подготовить несколько сотен очень умных выпускников. Нужно построить вокруг них экосистему возможностей: лаборатории с современным оборудованием; вычислительные мощности; сильных научных руководителей; гранты без многолетней бюрократии; компании, готовые финансировать рискованные исследования; венчурный капитал. И главное - большие реальные задачи.
Потому что человеку, способному заниматься ИИ мирового уровня, бессмысленно говорить: останься, потому что так правильно. Ему нужно предложить возможность сделать здесь то, ради чего ему самому будет интересно остаться.
https://t.me/naukauniver/10797
Под предыдущим постом был очень правильный комментарий: «Только бы этот интерес потом не разбился о реальность». И действительно. 127 человек на место - это впечатляет сегодня. Но очень важен другой вопрос: а что будет с этими ребятами через 5–10 лет? Потому что подготовить сильного специалиста по ИИ - дорого и долго. А потерять его можно за один авиабилет.
Будущее выпускников такого факультета вообще не должно сводиться к стандартному сценарию: закончил МГУ → получил хорошую зарплату → пошел работать программистом. Если всё получится, перед нами совсем другое поколение.
Кто-то из них создаст новые фундаментальные модели.
Кто-то займется робототехникой и автономными системами.
Кто-то применит ИИ в новых материалах, энергетике, медицине, биотехнологиях и промышленности.
Кто-то создаст корпорацию, которой сегодня не существует.
А кто-то останется в университете и вырастит следующее поколение таких ребят.
И вот здесь начинается самая сложная часть. Талантам недостаточно дать образование. Им нужно дать масштаб задачи. Сильный математик или инженер останется там, где у него есть три вещи: свобода думать, ресурсы экспериментировать, возможность создавать что-то мирового уровня.
Именно поэтому идея Олега Дерипаски о «свободе мышления» гораздо шире одного факультета. Если мы действительно хотим технологического суверенитета, недостаточно подготовить несколько сотен очень умных выпускников. Нужно построить вокруг них экосистему возможностей: лаборатории с современным оборудованием; вычислительные мощности; сильных научных руководителей; гранты без многолетней бюрократии; компании, готовые финансировать рискованные исследования; венчурный капитал. И главное - большие реальные задачи.
Потому что человеку, способному заниматься ИИ мирового уровня, бессмысленно говорить: останься, потому что так правильно. Ему нужно предложить возможность сделать здесь то, ради чего ему самому будет интересно остаться.
https://t.me/naukauniver/10797
Denoiselab
Что должно произойти, чтобы 127 человек на место через несколько лет превратились в 127 возможностей, а не в 127 разочарований? Под предыдущим постом был очень правильный комментарий: «Только бы этот интерес потом не разбился о реальность». И действительно.…
Это к ситуации, что на новый факультет ИИ в МГУ 127 человек на место.
NVIDIA показала Ising Decoder ColorCode 1 Fast для квантовой коррекции ошибок. В тесте с color codes он дал до 347,7× меньший Logical Error Rate и одновременно работал в 7,3× быстрее Chromobius при distance=31 и физической ошибке 0,3%.
В основе подхода небольшая 3D CNN, которая предварительно обрабатывает синдромы ошибок и убирает большую часть локальных ошибок до запуска основного декодера. Это снижает задержку и делает color codes практичнее для коррекции ошибок в реальном времени.
Модель компактная: около 2,9 млн параметров и 17 слоёв. Её можно адаптировать под конкретный QPU, профиль шума и требуемый баланс между скоростью и точностью.
NVIDIA открыла веса, тренировочные рецепты и пайплайн генерации синтетических данных на базе cuQuantum и cuStabilizer. Код обучения опубликован под Apache 2.0.
https://developer.nvidia.com/blog/nvidia-ising-decoding-cuts-color-code-logical-error-rates-by-over-300x/
Please open Telegram to view this post
VIEW IN TELEGRAM
NVIDIA Technical Blog
NVIDIA Ising Decoding Cuts Color Code Logical Error Rates by Over 300x
Useful quantum computers will require fault tolerant logical operations. Researchers are actively exploring many different quantum error correction (QEC) codes to enable this…
Основатель корпорации Meta (признана экстремистской и запрещена в РФ) Марк Цукерберг выпустил манифест, в котором рассказал о собственном видении развития искусственного интеллекта (ИИ), сообщают Axios и The Wall Street Journal.
Он заявил, что главная опасность в развитии ИИ для общества — захват слишком большой власти над этой технологией одной организацией или страной.
В своем манифесте Цукерберг, в частности, заявляет, что большинство страхов в отношении ИИ преувеличены и недооценивают позитивные возможности этой технологии. Он также отметил, что поддерживает взаимодействие компаний с государствами на ранних этапах развития моделей, которое он противопоставил регулированию непосредственно перед их выпуском, с которым часто сталкиваются разработчики в последнее время.
Он заявил, что главная опасность в развитии ИИ для общества — захват слишком большой власти над этой технологией одной организацией или страной.
В своем манифесте Цукерберг, в частности, заявляет, что большинство страхов в отношении ИИ преувеличены и недооценивают позитивные возможности этой технологии. Он также отметил, что поддерживает взаимодействие компаний с государствами на ранних этапах развития моделей, которое он противопоставил регулированию непосредственно перед их выпуском, с которым часто сталкиваются разработчики в последнее время.
Идея «Манхэттенского проекта для ИИ», витавшая последние месяцы на самом высоком уровне в США, кажется, начинает обретать очертания. Но за громкими сравнениями обычно теряется суть: а что это значит на практике?
Аналитики из Epoch AI решили посчитать, какой вычислительный монстр может появиться, если американское правительство консолидирует ресурсы частного сектора и вложит в проект долю ВВП, сопоставимую с пиком лунной программы.
Epoch AI - некоммерческий исследовательский институт, который изучает траекторию развития искусственного интеллекта, анализирует тренды в вычислениях, данных и алгоритмах, чтобы прогнозировать влияние ИИ на экономику и общество.
Расчеты показывают, что к концу 2027 года такой проект мог бы обеспечить тренировочный прогон модели с вычислительной мощностью порядка 2 × 10²⁹ FLOP.
Чтобы понять масштаб: это примерно в 10 000 раз больше, чем потребовалось для обучения GPT-4. По сути, это рывок, который по текущим прогнозам должен был случиться на несколько лет позже.
Финансирование на уровне программы «Аполлон» (около 0.8% ВВП или 244 млрд. долларов сегодня) позволило бы закупить и объединить в один кластер эквивалент 27 миллионов NVIDIA H100. Эта цифра, кстати, совпадает с экстраполяцией текущих доходов NVIDIA от продаж в США.
27 миллионов GPU потребуют около 7.4 ГВт мощности - это больше, чем потребляет весь город Нью-Йорк. Оказывается, это не главная преграда. Аналитики говорят, что к 2027 году в США и так планируется ввод 8.8 ГВт за счет новых газовых электростанций, значительная часть которых уже предназначена для дата-центров.
При наличии политической воли и используя законодательные инструменты, правительство США сможет сконцентрировать эти мощности в одном месте, так что энергия не станет узким местом.
Геополитическая напряженность, например, вокруг Тайваня, может сорвать поставки чипов. Кроме того, нельзя просто так взять и увеличить масштаб в тысячи раз. Масштабирование требует времени на отладочные прогоны и эксперименты, но это скорее инженерное, а не ресурсное ограничение.
Тем не менее, анализ показывает: при должной координации и инвестициях технологический скачок в области ИИ может произойти гораздо быстрее, чем мы думаем. И это уже вполне просчитываемая возможность.
Please open Telegram to view this post
VIEW IN TELEGRAM
Epoch AI
How big could an “AI Manhattan Project” get?
An AI Manhattan Project could accelerate compute scaling by two years.
🤯 OpenAI заявила о десяти прорывах в задачах, которые математики не могли решить десятилетиями
Результаты получила внутренняя версия Astra - следующей крупной модели компании.
Среди достижений:
— построен первый явный пример не-софической группы (особого типа абстрактной алгебраической структуры, которую раньше удавалось описывать только косвенно);
— опровергнута гипотеза жёсткости Конна (долгосрочное предположение в функциональном анализе о том, насколько строго определяются такие математические объекты);
— доказана квантовая теорема о параллельном повторении для общих двухигровых систем (показывает, как быстро падают шансы на успех при многократном повторении квантовых игр);
— доказана гипотеза Эрхарта об объёме (результат из геометрии, связанный с подсчётом точек в многомерных фигурах и их объёмами);
— впервые с 1978 года улучшена общая верхняя оценка плотности упаковки сфер (то есть насколько плотно можно «уложить» шары в пространстве).
По заявлению OpenAI, Astra самостоятельно нашла основные математические аргументы, а затем формализовала каждое доказательство в Lean. Вместе с машинно проверяемыми сертификатами опубликована рукопись на 249 страниц.
Успешные запуски обошлись бы примерно в $2000 по тарифам Sol API.
одели начинают предлагать новые доказательства для открытых задач - хотя теперь результаты должен внимательно проверить весь математический мир.
Astra ещё не выпущена, и OpenAI не называет её GPT-6.
openai.com/index/ten-advances-in-mathematics/
Результаты получила внутренняя версия Astra - следующей крупной модели компании.
Среди достижений:
— построен первый явный пример не-софической группы (особого типа абстрактной алгебраической структуры, которую раньше удавалось описывать только косвенно);
— опровергнута гипотеза жёсткости Конна (долгосрочное предположение в функциональном анализе о том, насколько строго определяются такие математические объекты);
— доказана квантовая теорема о параллельном повторении для общих двухигровых систем (показывает, как быстро падают шансы на успех при многократном повторении квантовых игр);
— доказана гипотеза Эрхарта об объёме (результат из геометрии, связанный с подсчётом точек в многомерных фигурах и их объёмами);
— впервые с 1978 года улучшена общая верхняя оценка плотности упаковки сфер (то есть насколько плотно можно «уложить» шары в пространстве).
По заявлению OpenAI, Astra самостоятельно нашла основные математические аргументы, а затем формализовала каждое доказательство в Lean. Вместе с машинно проверяемыми сертификатами опубликована рукопись на 249 страниц.
Успешные запуски обошлись бы примерно в $2000 по тарифам Sol API.
одели начинают предлагать новые доказательства для открытых задач - хотя теперь результаты должен внимательно проверить весь математический мир.
Astra ещё не выпущена, и OpenAI не называет её GPT-6.
openai.com/index/ten-advances-in-mathematics/
OpenAI
Ten advances in mathematics and theoretical computer science
OpenAI shares new results on long-standing open problems in mathematics and theoretical computer science, including advances in geometry, cryptography, and complexity.
📌 JoySafety — фреймворк безопасности для LLM от JD
JoySafety — это открытый фреймворк для обеспечения безопасности больших языковых моделей. Он уже используется внутри JD (京东) для AI-ассистентов, логистики и консультационных сервисов.
🔍 Возможности
- Фильтрация и защита: от злонамеренных промптов, нежелательного контента, атак на модель.
- Модульная архитектура: отдельные сервисы для BERT, FastText, ключевых слов, знаний и векторных проверок.
- Горячее обновление стратегий: можно менять полиси безопасности без перезапуска.
- Продакшн-масштаб: поддержка больших нагрузок, горизонтальное масштабирование, интеграция с MySQL/Redis и векторной БД.
- Примеры для Python, Java и Go в разделе *quickstart*.
🛠 Быстрый старт
1. Клонировать репозиторий:
git clone https://github.com/jd-opensource/JoySafety
2. Скачать модели через git-lfs или вручную (HuggingFace/ModelScope).
3. Настроить .env (переменная
4. Запустить:
docker-compose --env-file .env up
5. Использовать API из примеров.
JoySafety даёт готовую инфраструктуру модерации и защиты вокруг LLM. Он предотвращает утечки, фильтрует опасный текст и позволяет настраивать собственные политики безопасности. Подходит для продакшн-сценариев, где важна защита пользователей и корректная работа модели.
👉 Репозиторий: https://github.com/jd-opensource/JoySafety
*придется включить автоперевозчик в репо
JoySafety — это открытый фреймворк для обеспечения безопасности больших языковых моделей. Он уже используется внутри JD (京东) для AI-ассистентов, логистики и консультационных сервисов.
🔍 Возможности
- Фильтрация и защита: от злонамеренных промптов, нежелательного контента, атак на модель.
- Модульная архитектура: отдельные сервисы для BERT, FastText, ключевых слов, знаний и векторных проверок.
- Горячее обновление стратегий: можно менять полиси безопасности без перезапуска.
- Продакшн-масштаб: поддержка больших нагрузок, горизонтальное масштабирование, интеграция с MySQL/Redis и векторной БД.
- Примеры для Python, Java и Go в разделе *quickstart*.
🛠 Быстрый старт
1. Клонировать репозиторий:
git clone https://github.com/jd-opensource/JoySafety
2. Скачать модели через git-lfs или вручную (HuggingFace/ModelScope).
3. Настроить .env (переменная
SAFETY_MODEL_DIR). 4. Запустить:
docker-compose --env-file .env up
5. Использовать API из примеров.
JoySafety даёт готовую инфраструктуру модерации и защиты вокруг LLM. Он предотвращает утечки, фильтрует опасный текст и позволяет настраивать собственные политики безопасности. Подходит для продакшн-сценариев, где важна защита пользователей и корректная работа модели.
👉 Репозиторий: https://github.com/jd-opensource/JoySafety
*придется включить автоперевозчик в репо
GitHub
GitHub - JoySafety/JoySafety: JoySafety
JoySafety. Contribute to JoySafety/JoySafety development by creating an account on GitHub.
👍1🔥1
❗️Мировая безработица среди работников в возрасте до 25 лет стала расти, говорится в докладе Международной организации труда.
По итогам 2025 года рабочие места в общей сложности искали 67 млн человек, или 12,4% экономически активного населения в возрасте до 25 лет. Ухудшение карьерных позиций молодых обусловлено недостаточно высокой скоростью создания рабочих мест в экономиках, а также их частичной трансформацией из-за внедрения технологий ИИ.
На самом деле у этого есть обратная сторона медали. Достаточно большое колличество людей вообще не используют ИИ в своей работе. Более того, в топе будут страны, кто активно создаёт рабочие места и более того, не делает ставку только на молодых спецов, а активно привлекает все возраста сразу.
В противном случае будет ситуация, что есть куча молодежи, которая слепо верит ИИ и нет того кто передает философию разработки. На короткой дистанции будет буст на длинной стремительная деградация.
Либо обратная ситуация - невозможность молодежи найти работу, ее быстрое перетекание в другие страны с более мягкой политикой, на выходе опять же проигрыш тех стран, из которой утекает молодежь.
Что хуже, дешёвым трудом новые технологии не заменить. Чем выше уровень технологии, тем выше точки перелома глобального производства. То есть уровень внимания и контроля возрастает кратно.
По итогам 2025 года рабочие места в общей сложности искали 67 млн человек, или 12,4% экономически активного населения в возрасте до 25 лет. Ухудшение карьерных позиций молодых обусловлено недостаточно высокой скоростью создания рабочих мест в экономиках, а также их частичной трансформацией из-за внедрения технологий ИИ.
На самом деле у этого есть обратная сторона медали. Достаточно большое колличество людей вообще не используют ИИ в своей работе. Более того, в топе будут страны, кто активно создаёт рабочие места и более того, не делает ставку только на молодых спецов, а активно привлекает все возраста сразу.
В противном случае будет ситуация, что есть куча молодежи, которая слепо верит ИИ и нет того кто передает философию разработки. На короткой дистанции будет буст на длинной стремительная деградация.
Либо обратная ситуация - невозможность молодежи найти работу, ее быстрое перетекание в другие страны с более мягкой политикой, на выходе опять же проигрыш тех стран, из которой утекает молодежь.
Что хуже, дешёвым трудом новые технологии не заменить. Чем выше уровень технологии, тем выше точки перелома глобального производства. То есть уровень внимания и контроля возрастает кратно.
👍2
Почему ИИ дешевеет, но при этом использует всё больше энергии?
Всё из-за парадокса, сформулированного в середине XIX века. В то время в Великобритании росло потребление угля и звучали опасения, что запасы могут закончиться. Ситуацию должен был изменить более экономичный паровой двигатель Джеймса Уатта. Но произошло обратное: с появлением этого двигателя угля стали сжигать ещё больше.
Этот экономический парадокс описал британский экономист Уильям Джевонс: чем дешевле и эффективнее становится технология, тем больше она начинает тратить ресурсов. Позднее то же самое произошло с другими технологиями — например, интернетом: когда передача данных стала дешевле, люди стали потреблять больше трафика.
Парадокс Джевонса работает и с ИИ. С развитием моделей растёт их эффективность (соотношение оценки интеллекта к цене). Поэтому нейросети начинают внедрять повсюду, а нагрузка на дата-центры растёт. И поэтому поиск вычислительных мощностей стал одной из главных тем ИИ-гонки.
Всё из-за парадокса, сформулированного в середине XIX века. В то время в Великобритании росло потребление угля и звучали опасения, что запасы могут закончиться. Ситуацию должен был изменить более экономичный паровой двигатель Джеймса Уатта. Но произошло обратное: с появлением этого двигателя угля стали сжигать ещё больше.
Этот экономический парадокс описал британский экономист Уильям Джевонс: чем дешевле и эффективнее становится технология, тем больше она начинает тратить ресурсов. Позднее то же самое произошло с другими технологиями — например, интернетом: когда передача данных стала дешевле, люди стали потреблять больше трафика.
Парадокс Джевонса работает и с ИИ. С развитием моделей растёт их эффективность (соотношение оценки интеллекта к цене). Поэтому нейросети начинают внедрять повсюду, а нагрузка на дата-центры растёт. И поэтому поиск вычислительных мощностей стал одной из главных тем ИИ-гонки.
Китайские ИИ-компании и технологические гиганты вроде ByteDance, Tencent и Geely начали хантить 13-летних школьников, предлагая им контракты на обучение. Причиной такой гонки за талантами стал прогнозируемый к 2030 году дефицит специалистов в размере 5 млн человек.
Корпорации не готовы ждать выпускников неповоротливой системы образования и готовы платить подросткам сразу после школы зарплаты уровня выпускников университетов. @banksta
Корпорации не готовы ждать выпускников неповоротливой системы образования и готовы платить подросткам сразу после школы зарплаты уровня выпускников университетов. @banksta
✔️ Unsloth AI выпустила приложение Unsloth Desktop
Авторы популярного фреймворка выпустили кроссплатформенный инструмент, позволяющий запускать и обучать модели на локальном оборудовании.
Unsloth Desktop работает на Windows, macOS и Linux, поддерживает форматы MLX, GGUF, а также диффузионные модели для генерации изображений, аудио и видео.
Движок оптимизирован под широкий парк железа, включая обычные CPU и мульти-GPU конфигурации от NVIDIA, AMD, Intel и Apple.
Приложение может напрямую подключать агентов Claude Code, OpenAI Codex, Hermes Agent, OpenClaw и OpenCode к локальным LLM.
Для процессов дообучения Unsloth обещает двукратный прирост скорости при снижении VRAM на 70%.
Из коробки приложение предлагает приватный веб-поиск, RAG, поддержку стандарта MCP, а также экспорт весов в форматы NVFP4 и GGUF.
Проект полностью открыт в репозитории на Github, там же можно найти установочные файлы под каждую из заявленных ОС и набор готовых ноутбуков для инференса и обучения популярных моделей.
Документация - на сайте Unsolth.
#news #ai #ml
Авторы популярного фреймворка выпустили кроссплатформенный инструмент, позволяющий запускать и обучать модели на локальном оборудовании.
Unsloth Desktop работает на Windows, macOS и Linux, поддерживает форматы MLX, GGUF, а также диффузионные модели для генерации изображений, аудио и видео.
Движок оптимизирован под широкий парк железа, включая обычные CPU и мульти-GPU конфигурации от NVIDIA, AMD, Intel и Apple.
Приложение может напрямую подключать агентов Claude Code, OpenAI Codex, Hermes Agent, OpenClaw и OpenCode к локальным LLM.
Для процессов дообучения Unsloth обещает двукратный прирост скорости при снижении VRAM на 70%.
Из коробки приложение предлагает приватный веб-поиск, RAG, поддержку стандарта MCP, а также экспорт весов в форматы NVFP4 и GGUF.
Проект полностью открыт в репозитории на Github, там же можно найти установочные файлы под каждую из заявленных ОС и набор готовых ноутбуков для инференса и обучения популярных моделей.
Документация - на сайте Unsolth.
#news #ai #ml
😱1