#Ceny pamięci #RAM wzrosły tak bardzo, że zakłócają one funkcjonowanie rynku. Na rynku pojawiły się właśnie komputery z opcją montowania „bez RAM”
https://www.gry-online.pl/newsroom/ceny-pamieci-ram-wzrosly-tak-bardzo-ze-zaklocaja-one-funkcjonowan/z82fd9c

Niedobory pamięci #DRAM uderzają w rynek #PC. Najwięksi producenci mają pierwszeństwo
https://ithardware.pl/aktualnosci/niedobory_pamieci_dram_rynek_pc_najwieksi_producenci-47667.html

Ceny modułów DRAM rosną, a głównym powodem są coraz większe niedobory w segmencie konsumenckim. Firmy w dużej mierze skupiają się na produkcji pamięci dla centrów danych obsługujących #AI, które zgłaszają spore zapotrzebowanie na tę technologię i są oskarżane o wywołanie kryzysu.

#RAM #ceny #kryzys #komputery

Kolejna firma ucieka z rynku smartfonów. To nie ma sensu przy obecnych cenach #RAM https://share.google/J69j6h8H1xcpW0dxK
#ASUS

Koniec ery zadawania pytań innym ludziom. Dane z #StackOverflow nie pozostawiają żadnych złudzeń: liczba pytań zadawanych miesiecznie przez programistów i pasjonatów technologii innym ludziom w ostatnich latach dramatycznie spadła i jest bliska zera. Załączony wykres pokazuje koniec społecznościowego modelu wymiany wiedzy, który jest zastępowany wyroczniami w postaci chatbotów.

⬇️ https://t.me/ProgramowanieLinux/2025

♨️
https://www.linkedin.com/posts/piotr-sankowski-80a6875_koniec-ery-zadawania-pyta%C5%84-innym-ludziom-share-7413624006869925889-jOOt

Proces tworzenia modeli #LLM na nasz wzór nazywa się "alligment" i polega na tym, że modele zaczynają coraz lepiej spełniać nasze oczekiwania, ale te oczekiwania i poglądy przecież różnią się na całym świecie. Badania naukowców z Harvardu to potwierdza koniec ery zadawania pytań innym ludziom. Dane z StackOverflow nie pozostawiają żadnych złudzeń: liczba pytań zadawanych miesięcznie przez programistów i pasjonatów technologii innym ludziom w ostatnich latach dramatycznie spadła i jest bliska zera. Załączony wykres pokazuje koniec społecznościowego modelu wymiany wiedzy, który jest zastępowany wyroczniami w postaci chatbotów.

Badania naukowców z Harvardu to potwierdzają: https://lnkd.in/dfbaEkV6. Pokazują, że GPT-4 nie reprezentuje "całej ludzkości". Jego odpowiedzi w testach psychologicznych i poznawczych najbardziej przypominają profil osób z kręgu WEIRD (Western, Educated, Industrialized, Rich, and Democratic) i są statystycznym "outlierem" na tle globalnej, międzykulturowej różnorodności.

Ostatni raport w The Diplomat (https://lnkd.in/dSKHeUnH) rzuca trochę więcej światło na to, jak bardzo poglądy polityczne modeli AI różnią się w zależności od ich pochodzenia:

- Llama (USA): Najbardziej spójna ideologicznie. Przyjmuje silną pozycję liberalno-zachodnią, stawiając prawa jednostki i wolność słowa ponad wszelkie kompromisy, często stosując sztywne ramy moralne zamiast chłodnej analizy zysków i strat.

- DeepSeek (Chiny): Wykazuje wyraźne „granice ideologiczne”. Gdy temat dotyczy wrażliwych kwestii politycznych Pekinu, przechodzi w ton oficjalnych komunikatów dyplomatycznych (nacisk na suwerenność i stabilność). W dylematach filozoficznych wybiera bezpieczeństwo publiczne ponad prywatność i odpowiedzialność zbiorową ponad autonomię jednostki.

- Mistral (Europa): Najbardziej stonowany i proceduralny. Prezentuje obie strony medalu, waży argumenty i unika absolutystycznych stwierdzeń, co odzwierciedla europejskie przywiązanie do balansu i dyplomatycznych niuansów.

Chiny doskonale zdają sobie sprawę z tego faktu. Prof. Shi Anbin otwarcie wskazuje, że generatywne AI to potężne narzędzie w międzynarodowej wojnie poznawczej: https://lnkd.in/dfy8VzU6. Według niego, bezkrytyczne przyjmowanie odpowiedzi od modeli przesiąkniętych zachodnimi uprzedzeniami może subtelnie kształtować codzienne wartości i ideologie odbiorców na całym świecie. Taki proces dostosowywania się ludzi do technologii nazywamy "reverse alignment".

Gdy przestajemy pytać ludzi na StackOverflow czy innych forach, tracimy kontakt z różnorodnością ludzkiego doświadczenia na rzecz uśrednionego, ideologicznie "prawdopodobieństwa". Bazując nasze analizy na tych modelach musimy być gotowi na to, że zależą one od tego, gdzie został wytrenowany nasz ulubiony model.

🔙 https://t.me/ProgramowanieLinux/2024

Krzysztof Bulski
(Board Member & Director, Strategy for Europe Programme at European Policy Innovation Council):

Zapraszam do wysłuchania naszej rozmowy i refleksję, czy stać nas na to aby taki stan rzeczy trwał

https://youtu.be/DMjL1kUa43Q
#NAUKA #GRANTY #PUNKTOZA

🤖 Podczas targów CES w 2026 roku Intel zaprezentował procesory z serii Core Ultra, co stanowi jego największy dotychczasowy wysiłek na rzecz komputerów zasilanych sztuczną inteligencją, zbudowanych w oparciu o technologię wyprodukowaną w USA.

🔗 https://link.ie.social/TfIEFz

🧠 #Siemens zaprezentował Digital Twin Composer na targach CES w 2026 roku, umożliwiając fabrykom symulowanie modernizacji w czasie rzeczywistym, co zmniejsza ryzyko, ogranicza wydatki kapitałowe i zwiększa wydajność.

🔗 https://link.ie.social/ISSxdT

📜 Nowy rok, nowe zasady: stany USA wprowadzają w 2026 roku kompleksowe przepisy technologiczne, obejmujące nadzór nad sztuczną inteligencją, ochronę prywatności danych i prawo do naprawy w całym kraju.

🔗https://link.ie.social/QJBjJJ

#AI

#Google wiedziało, co kupujesz. #AI wie, dlaczego płaczesz w nocy.
⬇️ https://t.me/ProgramowanieLinux/2032

Przez ostatnią dekadę baliśmy się, że #Facebook czy #Google wiedzą o nas za dużo. Ale z perspektywy roku 2026, tamta inwigilacja wydaje się zabawnie prymitywna.

Co wiedział o Tobie Google? Że szukałeś "taniego hotelu w Paryżu" i "leków na ból pleców". To były okruchy - metadane. Co wie o Tobie Twój asystent #AI, z którym rozmawiasz codziennie?

Wie wszystko, co jest pomiędzy!

W oknach czatów z #ChatGPT, #Gemini czy #Claude oddajemy korporacjom coś, czego nigdy nie wpisalibyśmy w wyszukiwarkę:
- Nasz proces myślowy.
- Nasze lęki ("Jak powiedzieć żonie, że straciłem pracę?").
- Nasze finanse ("Przeanalizuj ten PIT, nie wiem, czemu wiszę tyle urzędowi").
- Nasze surowe pomysły na biznes, zanim jeszcze powstaną!!!

Stworzyliśmy najdoskonalszy system inwigilacji w historii, i to dobrowolnie. Dlaczego?
Bo jest pomocny.

To transakcja faustowska: my dostajemy "inteligentnego przyjaciela", który pomaga nam ogarnąć życie, a Big Tech dostaje kompletny profil psychologiczny każdego użytkownika.

Do czego mogą to wykorzystać? To już nie chodzi o "targetowanie reklam butów".

Precyzyjna manipulacja:
Jeśli #AI wie, jakie masz kompleksy i lęki, może podsunąć Ci produkt w sposób, któremu nie będziesz w stanie się oprzeć. Scoring życiowy:
Wyobraź sobie, że bank lub ubezpieczyciel kupuje dostęp do "profilu ryzyka" opartego na Twoich rozmowach z AI.
Kradzież innowacji:
Twój genialny pomysł na startup, który "skonsultowałeś" z modelem, staje się częścią zbioru treningowego.

Traktujemy okno czatu jak konfesjonał. Ale w tym konfesjonale po drugiej stronie nie siedzi dyskretny ksiądz, tylko #algorytm, który wszystko notuje, indeksuje i sprzedaje (lub wykorzystuje do trenowania jeszcze sprytniejszych modeli).

Prywatność w 2026 roku jest cenniejsza od złota. A my ją tracimy za darmo w zamian za streszczenie maila.

🔙 https://t.me/ProgramowanieLinux/2031

Przestań strzelać z armaty do muchy. #AI to nie jest rozwiązanie każdego problemu.
⬇️ https://t.me/ProgramowanieLinux/2034

Obserwuję ostatnio niebezpieczny trend, zwłaszcza wśród vibe coderów. Mamy w rękach najpotężniejszą technologię w historii, a używamy jej do... wyciągania nagłówka ze strony internetowej.

Widzę projekty, gdzie ludzie budują skomplikowane łańcuchy w n8n albo make, podpinają GPT-4o i płacą za tysiące tokenów tylko po to, żeby sprawdzić, czy w tekście znajduje się adres email. To jak kupowanie Ferrari, żeby pojechać po bułki do sklepu za rogiem. Wygląda fajnie, ale jest drogo, niepraktycznie i trudno zaparkować.

Dlaczego "stara szkoła" programowania wciąż bije AI na głowę w 80% przypadków?

1. Koszt
Gdy robisz demo na Twittera, koszt API rzędu $0.05 nikogo nie boli. Ale gdy Twój SaaS zaczyna mieć ruch, te centy zamieniają się w tysiące dolarów. Pythonowy skrypt z biblioteką BeautifulSoup (bs4) przemieli tysiąc podstron za darmo. LLM przepali na to budżet, który mógłbyś wydać na marketing.

2. Latency
Zapytanie do API OpenAI czy Anthropic to często sekundy oczekiwania. Klasyczny kod w JavaScript czy Pythonie wykonuje się w milisekundach. Jeśli każesz użytkownikowi czekać 5 sekund na wynik prostego filtrowania danych tylko dlatego, że "AI musi pomyśleć", to zabijasz swój UX. Nikt nie ma na to czasu.

3. Halucynacje
Regex jest nudny. Jest trudny. Ale jest przewidywalny. Zawsze zadziała tak samo. AI? Bywa różnie. Raz zwróci Ci idealnego JSON-a. Za drugim razem doda komentarz "Here is your JSON", który wywali Twój parser. Za trzecim razem zmyśli dane, bo zgubi kontekst. Często "może zadziała" to za mało.

Kiedy więc używać AI? Tam, gdzie kończy się logika, a zaczyna "rozumienie". ✅ Analiza sentymentu (czy klient jest wkurzony?). ✅ Wyciąganie danych z totalnego bałaganu (nieustrukturyzowany tekst). ✅ Kreatywność i generowanie treści.

Ale do całej reszty? Błagam, przeproście się z "klasykami". Python (Requests, BeautifulSoup, Pandas). Zwykły SQL. Stary, dobry JavaScript.

Bycie dobrym programistą (lub vibe coderem :) ) w 2026 roku nie polega na wciskaniu AI wszędzie. Polega na wiedzy, kiedy go NIE używać. Budujcie systemy, które są szybkie, tanie i działają.

🔙 https://t.me/ProgramowanieLinux/2033