🚨 DeepSeek обучает модель на 2 трлн параметров и планирует следующую на 8 трлн
Для сравнения:
• Kimi K3: 2,8 трлн параметров
• DeepSeek V4 Pro: 1,6 трлн
• новая модель DeepSeek: 2 трлн
• будущая модель: до 8 трлн
Главная ставка компании заключается в переходе на китайские ускорители. DeepSeek ожидает новые обучающие чипы Huawei в IV квартале 2026 года или I квартале 2027 года.
По данным The Information, глава DeepSeek Лян Вэньфэн заявил инвесторам, что обучение на отечественных чипах «должно сработать».
Пока это планы, раскрытые на встрече с инвесторами, а не официальный релиз модели. Но направление понятно: DeepSeek хочет масштабировать модели и одновременно избавиться от зависимости от Nvidia.
https://www.theinformation.com/articles/deepseek-bets-big-huawei-chips-bypass-u-s-export-controls/
Для сравнения:
• Kimi K3: 2,8 трлн параметров
• DeepSeek V4 Pro: 1,6 трлн
• новая модель DeepSeek: 2 трлн
• будущая модель: до 8 трлн
Главная ставка компании заключается в переходе на китайские ускорители. DeepSeek ожидает новые обучающие чипы Huawei в IV квартале 2026 года или I квартале 2027 года.
По данным The Information, глава DeepSeek Лян Вэньфэн заявил инвесторам, что обучение на отечественных чипах «должно сработать».
Пока это планы, раскрытые на встрече с инвесторами, а не официальный релиз модели. Но направление понятно: DeepSeek хочет масштабировать модели и одновременно избавиться от зависимости от Nvidia.
https://www.theinformation.com/articles/deepseek-bets-big-huawei-chips-bypass-u-s-export-controls/
🔥13
Почему универсального ML-алгоритма не существует?
Теорема No Free Lunch утверждает: если усреднить качество алгоритмов по всем возможным задачам, ни один из них не окажется лучше остальных. Преимущество появляется только вместе с предположениями о структуре конкретных данных.
В канале «Зачем мне эта математика?» разобрали, как это связано с индуктивным смещением, колмогоровской сложностью и архитектурами нейросетей. Почему CNN хорошо работают с изображениями, откуда берётся сила трансформеров и как ограничения модели становятся её преимуществом.
Подписывайтесь на канал и читайте больше историй на стыке математики и технологий.
Теорема No Free Lunch утверждает: если усреднить качество алгоритмов по всем возможным задачам, ни один из них не окажется лучше остальных. Преимущество появляется только вместе с предположениями о структуре конкретных данных.
В канале «Зачем мне эта математика?» разобрали, как это связано с индуктивным смещением, колмогоровской сложностью и архитектурами нейросетей. Почему CNN хорошо работают с изображениями, откуда берётся сила трансформеров и как ограничения модели становятся её преимуществом.
Подписывайтесь на канал и читайте больше историй на стыке математики и технологий.
👍6❤2🔥1
Forwarded from Machinelearning
OpenAI добавила в свою образовательную платформу курсы для разработчиков, руководителей, преподавателей и студентов вузов.
Вместе с уже существовавшим направлением Apply AI at Work каталог теперь разделён на четыре трека по ролям, всего 14 курсов.
Каждый курс заканчивается экзаменом из 10–20 вопросов, которые случайно выбираются из банка в 50 заданий.
Кто наберёт минимум 80%, получает ачивку OpenAI Academy, которую выдаёт и хранит платформа Accredible. За все курсы и экзамены трека, где это предусмотрено, выдают сертификат об окончании.
Ни цифровая ачивка, ни сертификат не считаются профессиональной сертификацией.
При провале экзамен можно пересдать с новым набором вопросов, а сам курс можно просто пройти без сдачи экзамена.
Для компаний есть руководство по внедрению курсов - как представить их сотрудникам, вовлечь руководителей и отслеживать прогресс.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
❤8🔥4🥰3
arXiv получил $17,2 млн на следующие 3–5 лет.
Деньги выделили Simons Foundation International, Siegel Family Endowment и XTX Markets. Они пойдут на развитие платформы, поддержку её работы и переход arXiv к статусу независимой некоммерческой организации.
Для исследователей это хорошая новость: один из главных открытых архивов научных работ получает ресурсы на обновление инфраструктуры и дальнейшую работу.
Источник — arXiv - https://blog.arxiv.org/2026/09/23/arxiv-receives-multiyear-investment/
Деньги выделили Simons Foundation International, Siegel Family Endowment и XTX Markets. Они пойдут на развитие платформы, поддержку её работы и переход arXiv к статусу независимой некоммерческой организации.
Для исследователей это хорошая новость: один из главных открытых архивов научных работ получает ресурсы на обновление инфраструктуры и дальнейшую работу.
Источник — arXiv - https://blog.arxiv.org/2026/09/23/arxiv-receives-multiyear-investment/
❤17🔥9🥰4👍2
Avito DS Meetup: RL, AI-агенты и BidCorrection 🚀
🔸 Булат Шарипов расскажет, как в Авито обучают собственные языковые модели с помощью RL, а Владислав Воробьев — как BidCorrection меняет состав трафика, не трогая сами объявления.
🔸 Всеволод Викулин из Т-Банка поделится, как выбирать правильные процессы для автоматизации с помощью AI-агентов, расскажет про роли, ответственность и, конечно, про самих агентов.
Про это и многое другое узнаете на Avito DS Meetup 7 октября.
После докладов будет нетворкинг с DS-сообществом. А ещё, если придёте офлайн, сможете найти прикольные тематические пасхалки, которые мы для вас спрятали👀
📌 Встречаемся в 18:30 7 октября.
Количество офлайн-мест ограничено — регистрация обязательна.
✏ Регистрируйтесь по ссылке и приходите!
Про это и многое другое узнаете на Avito DS Meetup 7 октября.
После докладов будет нетворкинг с DS-сообществом. А ещё, если придёте офлайн, сможете найти прикольные тематические пасхалки, которые мы для вас спрятали
Количество офлайн-мест ограничено — регистрация обязательна.
Please open Telegram to view this post
VIEW IN TELEGRAM
💰 У пяти крупнейших гиперскейлеров уже $2,8 трлн будущих обязательств
По данным Moody’s, совокупные лизинговые, закупочные обязательства и гарантии крупнейших облачных компаний выросли примерно с $350 млрд в 2023 году до $2,8 трлн сегодня.
Из них:
- более $1 трлн - ещё не начавшиеся аренды дата-центров;
- около $1,57 трлн - будущие закупки;
- ещё $137 млрд - гарантии.
То есть за несколько лет объём обязательств вырос примерно в 8 раз.
По данным Moody’s, совокупные лизинговые, закупочные обязательства и гарантии крупнейших облачных компаний выросли примерно с $350 млрд в 2023 году до $2,8 трлн сегодня.
Из них:
- более $1 трлн - ещё не начавшиеся аренды дата-центров;
- около $1,57 трлн - будущие закупки;
- ещё $137 млрд - гарантии.
То есть за несколько лет объём обязательств вырос примерно в 8 раз.
❤5😁2
Forwarded from Machinelearning
Модель в среде Claude Science рассчитала шестичастичную амплитуду рассеяния в планарной четырёхкратно суперсимметричной теории Янга–Миллса на уровне девяти петель.
Амплитуды рассеяния показывают, насколько вероятна та или иная реакция при столкновении частиц, и по ним теорию сверяют с данными Большого адронного коллайдера.
Целиком их не посчитать, поэтому физики обрывают расчёт на определённом числе петель, т.к каждая следующая приближает к реальному ответу, но так его утяжеляет, что большинство амплитуд доведены лишь до двух петель, а некоторые до трёх.
Суперсимметричный вариант теории Янга–Миллса реальный мир не описывает, это полигон, где специалисты по амплитудам оттачивают методы, потому что считать в нём парадоксально проще.
Задачу запустили штатные физики Anthropic Лиам Фицпатрик и Сиддхарт Мишра-Шарма в ответ на вызов бывшего физика и научного журналиста Мэтта фон Хиппеля - он предлагал ИИ-компаниям решить одну из крупных открытых задач его прежней области с вычислительными ресурсами академического уровня.
Результат проверил Лэнс Диксон из Стэнфорда и SLAC, соавтор предыдущего рекорда в восемь петель.
Восьмипетлевой результат Диксон и Энди Лю получили в 2023 году окольным путём, через родственную величину, форм-фактор.
Claude пришёл к девяти петлям двумя способами - исходным гексагональным бутстрапом и через форм-фактор. Исследователи дали модели постановку задачи и дальше вмешивались редко, в духе:
«... я иду спать, продолжай, пока не скажу остановиться, и присылай отчёт каждые 4–6 часов».
Код бутстрапа Claude сам написал на Python с SymPy и неделю считал на 96 процессорах.
Диксон проверил результат, пересчитав из амплитуды девятипетлевой форм-фактор, к которому его команда шла пару лет, и назвал работу настоящим триумфом для языковой модели, выполнившей все шаги сложного алгоритма.
Параллельно к тому же результату шла группа Сун Хэ из Китайской академии наук с GPT-6 и когда китайцы связалась с фон Хиппелем через несколько дней после Anthropic, большая часть расчёта у них уже была готова.
Фон Хиппель допускает, что задача просто удобна для ИИ, но считает, что технология действительно стала лучше:
«В марте 2026 года ИИ выполнял физические проекты как студент - это были небольшие задачи, много опеки и ошибок. Здесь же настоящий расчёт на переднем крае науки, из тех, за которые обычно берутся ведущие специалисты по амплитудам», – пишет он.
Результат выложен на сайте Мишры-Шармы. Рецензирования не было, а полную функцию, по признанию авторов, посчитали один раз, независимо перепроверили только её упрощённую часть, символ.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥3❤1
🎂 В комнате всего 35 человек и шанс совпадения дней рождения уже больше 80%
Если случайно выбрать 35 человек, вероятность того, что хотя бы у двух совпадёт день рождения, составляет примерно 81,44%.
Хотя возможных дат — 365.
Считать проще от обратного:
P(совпадение) = 1 − P(все дни рождения разные)
Именно поэтому задача кажется нелогичной на интуитивном уровне: мы сравниваем не одного человека со всеми, а каждую возможную пару между собой.
Для 35 человек таких пар уже:
Именно здесь вероятность начинает быстро расти.
Вероятность особенно интересна там, где интуиция начинает ошибаться.
Если случайно выбрать 35 человек, вероятность того, что хотя бы у двух совпадёт день рождения, составляет примерно 81,44%.
Хотя возможных дат — 365.
Считать проще от обратного:
P(совпадение) = 1 − P(все дни рождения разные)
Именно поэтому задача кажется нелогичной на интуитивном уровне: мы сравниваем не одного человека со всеми, а каждую возможную пару между собой.
Для 35 человек таких пар уже:
35 × 34 / 2 = 595Именно здесь вероятность начинает быстро расти.
Вероятность особенно интересна там, где интуиция начинает ошибаться.
🔥14🤔1
Как сегодня строят рекомендательные системы — и что будет с ними завтра?
30 сентября собираем RecSys-сообщество — разработчиков, ML/DS-специалистов и всех, кто делает персонализацию и рекомендации в реальных продуктах.
В программе — доклады от экспертов Сбера. Поговорим о свежих подходах и нестандартных решениях на реальных кейсах.
А после докладов переключаемся на неформальный режим: знакомимся, спорим про RecSys, обсуждаем идеи, находим единомышленников и просто хорошо проводим вечер среди своих.
📍г. Нижний Новгород, пространство «Гараж»
Количество мест ограничено — успей забрать своё по ссылке!
30 сентября собираем RecSys-сообщество — разработчиков, ML/DS-специалистов и всех, кто делает персонализацию и рекомендации в реальных продуктах.
В программе — доклады от экспертов Сбера. Поговорим о свежих подходах и нестандартных решениях на реальных кейсах.
А после докладов переключаемся на неформальный режим: знакомимся, спорим про RecSys, обсуждаем идеи, находим единомышленников и просто хорошо проводим вечер среди своих.
📍г. Нижний Новгород, пространство «Гараж»
Количество мест ограничено — успей забрать своё по ссылке!
🧠 Джон Маккарти - человек, который дал имя искусственному интеллекту
John McCarthy (1927–2011) - один из основателей современной AI-индустрии и человек, который ввёл сам термин Artificial Intelligence.
В 1955 году вместе с Марвином Мински, Натаниэлем Рочестером и Клодом Шенноном он подготовил предложение для летнего проекта в Dartmouth College. Именно там появилась идея, что обучение и другие проявления интеллекта можно достаточно точно описать, чтобы их могла воспроизводить машина.
В 1956 году Маккарти организовал Dartmouth Summer Research Project — событие, которое сегодня считают точкой рождения AI как отдельной научной области.
Ещё несколько важных фактов:
- в 1958 году создал Lisp, который на десятилетия стал главным языком AI-исследований;
- участвовал в создании MIT AI Project;
- основал Stanford Artificial Intelligence Laboratory (SAIL);
- внёс вклад в time-sharing, garbage collection, situation calculus и представление common-sense knowledge.
За свои работы Маккарти получил Turing Award в 1971 году и National Medal of Science в 1990-м.
Во многом именно он помог превратить идею «мыслящей машины» в самостоятельную область компьютерных наук.
John McCarthy (1927–2011) - один из основателей современной AI-индустрии и человек, который ввёл сам термин Artificial Intelligence.
В 1955 году вместе с Марвином Мински, Натаниэлем Рочестером и Клодом Шенноном он подготовил предложение для летнего проекта в Dartmouth College. Именно там появилась идея, что обучение и другие проявления интеллекта можно достаточно точно описать, чтобы их могла воспроизводить машина.
В 1956 году Маккарти организовал Dartmouth Summer Research Project — событие, которое сегодня считают точкой рождения AI как отдельной научной области.
Ещё несколько важных фактов:
- в 1958 году создал Lisp, который на десятилетия стал главным языком AI-исследований;
- участвовал в создании MIT AI Project;
- основал Stanford Artificial Intelligence Laboratory (SAIL);
- внёс вклад в time-sharing, garbage collection, situation calculus и представление common-sense knowledge.
За свои работы Маккарти получил Turing Award в 1971 году и National Medal of Science в 1990-м.
Во многом именно он помог превратить идею «мыслящей машины» в самостоятельную область компьютерных наук.
❤9👍3🔥3👎1