Платформа Pump.fun, специализирующаяся на создании мемкоинов на блокчейне Solana, заблокировала доступ для криптотрейдеров из Великобритании. Это произошло после предупреждения от Управления по финансовому регулированию и надзору о возможном предоставлении финансовых услуг без разрешения. Pump.fun, запущенная в этом году, стала популярной площадкой для мемкоинов, таких как PNUT и WIF, и принесла своим основателям более $250 миллионов. После введения блокировки трейдеры начали создавать шуточные криптовалюты, высмеивающие ситуацию, но ни одна из них пока не стала популярной.
Эфир (ETH) снова преодолел отметку в $4,000, впервые с марта. За последние 24 часа он вырос на 2.4%, а за неделю — на 8.4%, обгоняя биткоин (BTC). Это связано с рекордными притоками в спотовые ETF на эфир. На момент написания, эфир торгуется по $4,033, всего на 2% ниже нового максимума 2024 года и на 20% от своего исторического максимума.
Активность на сети Ethereum также увеличилась: количество активных адресов выросло с 368,000 до 523,000, что способствует сжиганию токенов и ограничению их предложения. Интерес к эфиру в США подтверждается тем, что его цена на Coinbase выше, чем на Binance.
Активность на сети Ethereum также увеличилась: количество активных адресов выросло с 368,000 до 523,000, что способствует сжиганию токенов и ограничению их предложения. Интерес к эфиру в США подтверждается тем, что его цена на Coinbase выше, чем на Binance.
Финансовый совет по надзору за стабильностью (FSOC) опубликовал свой ежегодный отчет за 2024 год, в котором вновь подчеркнул риски, связанные с ростом стейблкоинов и цифровых активов. Совет предупреждает, что отсутствие федерального регулирования может угрожать финансовой стабильности, особенно учитывая доминирование Tether's USDT на рынке. FSOC призывает Конгресс принять законодательство для создания федеральной нормативной базы для стейблкоинов и криптоактивов. Министр финансов Джанет Йеллен отметила, что цифровые активы и искусственный интеллект несут как потенциальные выгоды, так и риски, включая киберугрозы.
Недавно криптосообщество получило хорошие новости: суд пятого округа США постановил, что Управление по контролю за иностранными активами (OFAC) превысило свои полномочия, санкционировав программное обеспечение Tornado Cash. Суд признал, что смарт-контракты не являются собственностью, так как их нельзя владеть, и, следовательно, OFAC не может их санкционировать. Это решение может иметь широкие последствия для криптовалют и смарт-контрактов, так как суд также отметил, что такие контракты не являются услугами, а скорее инструментами для их выполнения. Вопрос остается открытым, так как возможны дальнейшие апелляции и действия со стороны Конгресса.
Forwarded from 🤖 Датаист
Увидел пост предпринимателя Руслана Галифанова о надувшемся пузыре в ИИ и не смог пройти мимо, не прокомментировав его.
Описанный в посте «пузырь» — это естественный этап развития любой новой технологии. В Gartner называют это «hype cycle» — после периода завышенных ожиданий неизбежно наступает фаза более трезвой оценки и прикладного внедрения технологий.
ИИ-компании уже разделились на два ключевых направления: компании, создающие фундаментальные технологии (например, OpenAI), и те, кто строит прикладные решения на их основе (например, Perplexity).
Но в то же время компании, создающие фундаментальные технологии, сами продуктивизируют их для зарабатывания денег. Так, OpenAI изначально позиционировала себя как некоммерческую организацию, но со временем сместилась к коммерции. Этот переход закономерен: разработка новых моделей требует все больших вычислительных ресурсов и лучших талантов, и за это нужно платить. Конечно, не все текущие проблемы решаются деньгами, например, пока не решен вопрос о том, где искать новые данные для обучения (или как их синтезировать).
Сегодня мы наблюдаем существенный прогресс в ИИ, в частности, появление элементов рассуждений (reasoning) в языковых моделях, что позволяет автоматизировать всё более широкий спектр задач. Исследования показывают, что если работа занимает около получаса, то ИИ сделает её в 30 раз дешевле.
По мере совершенствования алгоритмов, поиска новых вычислительных ресурсов и данных для обучения мы, скорее всего, увидим постепенную, но неотвратимую трансформацию многих «цифровых» профессий, а в дальнейшем и переход автоматизации в физический мир с робототехникой. Сейчас мы находимся на начальной стадии, но тут я настроен скорее оптимистично с учётом текущего прогресса и перспектив.
Естественно, на рынке останутся лишь те стартапы, которые смогут предложить реальную ценность, а не просто «обертку» над существующими моделями. ИИ-продукты должны обладать устойчивым конкурентным преимуществом: доступом к уникальным данным и адаптацией под конкретные задачи. Инвесторы всё чаще хотят вкладываться в компании, решающие прикладные задачи с понятной окупаемостью, а не в долгосрочные высокорисковые технологические проекты.
В технологических проектах инвестируют в людей. Например, Илья Суцкевер благодаря своей репутации привлёк 1 млрд долларов инвестиций на разработку безопасного суперинтеллекта. Хотя мы видим высокую цену человеческого капитала, если вы не специалист мирового уровня в ИИ, то без понятного плана окупаемости привлечь инвестиции будет большой проблемой.
Думаю, мы становимся свидетелями перехода из состояния головокружительного хайпа в стадию осознанного, прагматичного и финансово эффективного внедрения ИИ, способного в долгосрочной перспективе дать толчок к более глубокой автоматизации бизнеса и всех секторов экономики.
Описанный в посте «пузырь» — это естественный этап развития любой новой технологии. В Gartner называют это «hype cycle» — после периода завышенных ожиданий неизбежно наступает фаза более трезвой оценки и прикладного внедрения технологий.
ИИ-компании уже разделились на два ключевых направления: компании, создающие фундаментальные технологии (например, OpenAI), и те, кто строит прикладные решения на их основе (например, Perplexity).
Но в то же время компании, создающие фундаментальные технологии, сами продуктивизируют их для зарабатывания денег. Так, OpenAI изначально позиционировала себя как некоммерческую организацию, но со временем сместилась к коммерции. Этот переход закономерен: разработка новых моделей требует все больших вычислительных ресурсов и лучших талантов, и за это нужно платить. Конечно, не все текущие проблемы решаются деньгами, например, пока не решен вопрос о том, где искать новые данные для обучения (или как их синтезировать).
Сегодня мы наблюдаем существенный прогресс в ИИ, в частности, появление элементов рассуждений (reasoning) в языковых моделях, что позволяет автоматизировать всё более широкий спектр задач. Исследования показывают, что если работа занимает около получаса, то ИИ сделает её в 30 раз дешевле.
По мере совершенствования алгоритмов, поиска новых вычислительных ресурсов и данных для обучения мы, скорее всего, увидим постепенную, но неотвратимую трансформацию многих «цифровых» профессий, а в дальнейшем и переход автоматизации в физический мир с робототехникой. Сейчас мы находимся на начальной стадии, но тут я настроен скорее оптимистично с учётом текущего прогресса и перспектив.
Естественно, на рынке останутся лишь те стартапы, которые смогут предложить реальную ценность, а не просто «обертку» над существующими моделями. ИИ-продукты должны обладать устойчивым конкурентным преимуществом: доступом к уникальным данным и адаптацией под конкретные задачи. Инвесторы всё чаще хотят вкладываться в компании, решающие прикладные задачи с понятной окупаемостью, а не в долгосрочные высокорисковые технологические проекты.
В технологических проектах инвестируют в людей. Например, Илья Суцкевер благодаря своей репутации привлёк 1 млрд долларов инвестиций на разработку безопасного суперинтеллекта. Хотя мы видим высокую цену человеческого капитала, если вы не специалист мирового уровня в ИИ, то без понятного плана окупаемости привлечь инвестиции будет большой проблемой.
Думаю, мы становимся свидетелями перехода из состояния головокружительного хайпа в стадию осознанного, прагматичного и финансово эффективного внедрения ИИ, способного в долгосрочной перспективе дать толчок к более глубокой автоматизации бизнеса и всех секторов экономики.
Telegram
Руслан Галифанов о бизнесе и не только
Пузырь в искусственном интеллекте уже надулся
Я не спец в ИИ и не слежу за этой темой пристально, но у меня есть IT-компания VEA и сервис HelloPrint. На мой взгляд неспециалиста в ИИ, в отрасли образовался пузырь. Вот почему я так думаю.
Стартапы в секторе…
Я не спец в ИИ и не слежу за этой темой пристально, но у меня есть IT-компания VEA и сервис HelloPrint. На мой взгляд неспециалиста в ИИ, в отрасли образовался пузырь. Вот почему я так думаю.
Стартапы в секторе…
👍1
🔬 Интересные результаты от команды DeepSeek: их новая модель DeepSeek-R1-Distill-Qwen-1.5B показывает впечатляющие результаты в математических тестах, превосходя GPT-4 и Claude-3.5-Sonnet с показателями 28.9% на AIME и 83.9% на MATH.
Команда поделилась планами по развитию модели:
📌 Расширение общих возможностей: планируют улучшить работу с функциями, многоходовыми диалогами и сложными ролевыми сценариями
🌐 Языковая адаптация: сейчас модель оптимизирована для китайского и английского. В будущем планируют решить проблему смешивания языков при работе с другими языками
⚙️ Инженерные задачи: команда работает над повышением эффективности обучения с подкреплением для задач разработки ПО
💡 Интересный момент по промптам: модель лучше работает при прямом описании задачи без few-shot примеров
Важный прорыв, учитывая, что такие результаты достигнуты на относительно компактной модели. Будем следить за развитием проекта!
Команда поделилась планами по развитию модели:
📌 Расширение общих возможностей: планируют улучшить работу с функциями, многоходовыми диалогами и сложными ролевыми сценариями
🌐 Языковая адаптация: сейчас модель оптимизирована для китайского и английского. В будущем планируют решить проблему смешивания языков при работе с другими языками
⚙️ Инженерные задачи: команда работает над повышением эффективности обучения с подкреплением для задач разработки ПО
💡 Интересный момент по промптам: модель лучше работает при прямом описании задачи без few-shot примеров
Важный прорыв, учитывая, что такие результаты достигнуты на относительно компактной модели. Будем следить за развитием проекта!
Forwarded from gonzo-обзоры ML статей
DeepSeek moment
Нельзя ничего не сказать про DeepSeek. Эти ребята просто супер молодцы — так задизраптить всё поле мало кому удавалось. Ну OpenAI со своим ChatGPT, потом Цукерберг с Llama в опенсорсе, теперь вот DeepSeek.
DeepSeek сумели обучить модели хорошего качества по ценам на порядок ниже конкурентов.
Во-первых, DeepSeek-V3 (https://github.com/deepseek-ai/DeepSeek-V3), включает две модели DeepSeek-V3-Base и чат-версию DeepSeek-V3. Обе являются MoE с 671B параметров всего и 37B активных. Не для простых смертных модели, надо иметь неслабую multi-GPU конфигурацию что-то типа 8 H200 (но есть сжатые варианты от разных товарищей). По качеству где-то уровня GPT-4o 0513 и Claude-3.5-Sonnet-1022 и выше LLaMA-3.1 405B.
Есть разные оценки, сколько стоило обучение Ламы 3.1 405B. В самой работе (https://arxiv.org/abs/2407.21783) сказано, что использовалось до 16,384 H100 и упоминается предобучение в 54 дня (но там и другие этапы обучения были). Одна из не самых высоких оценок говорит, что стоить должно было порядка $60M (https://x.com/_LouiePeters/status/1816443587053092917?lang=en).
Про DeepSeek-V3 известно чуть конкретнее. Они использовали H800, урезанный для Китая экспортный вариант H100, и они сами пишут, что для полного обучения потребовалось 2.788M H800 GPU-часов, что соответствует $5.576M при цене аренды H800 в $2 за час.
Ну типа на десятичный порядок меньше. При сравнении с OpenAI наверное разница ещё больше.
Это как с Индией, которая отправляла аппараты на Марс и Луну дешевле, чем в Голливуде фильмы про космос делаются: марсианский Mangalyaan за $74M и лунный Chandrayaan-3 за $75M против фильма “Гравитация” за $100M (https://www.business-standard.com/india-news/what-makes-india-s-space-missions-cost-less-than-hollywood-sci-fi-movies-124110400430_1.html).
Во-вторых, DeepSeek-R1 (https://github.com/deepseek-ai/DeepSeek-R1), модели с ризонингом по типу OpenAI o1 или Google Gemini Thinking. В семействе две модели: DeepSeek-R1-Zero и DeepSeek-R1, обе построены на базе DeepSeek-V3-Base и такого же большого размера.
DeepSeek-R1-Zero (по аналогии с AlphaZero) обучена чистым RL (Group Relative Policy Optimization, GRPO — вариант PPO из другой их статьи, https://arxiv.org/abs/2402.03300), без SFT. Я думаю это очень значимый результат, как в Го оказалось, что можно без человеческих партий, так и здесь постепенно оказывается. Из интересного, во время обучения у модели случился “aha moment”, когда в цепочке рассуждений модель выдала “Wait, wait. Wait. That’s an aha moment I can flag here.” и пересмотрела изначальный подход к решению задачи.
Zero хороша, но иногда уходит в повторы, смешивает языки, не очень читабельна. DeepSeek-R1 перед RL обучена на небольшом (тысячи) количестве CoT примеров, они это называют Cold start data, чтобы дать более качественную начальную точку для RL. Далее тот же Reasoning-oriented RL, что и у Zero. Далее SFT на ризонинг (600k) и не-ризонинг (200k) данных. И потом ещё дополнительный этап RL. Эта модель сравнима с OpenAI-o1-1217.
Из того, что не привело к успеху: Process Reward Model (PRM) и Monte Carlo Tree Search (MCTS).
Также выпущена куча dense дистиллятов (1.5B, 7B, 8B, 14B, 32B, 70B) из R1 на базе Qwen и Llama. Эти сопоставимы с OpenAI-o1-mini.
HuggingFace взялся за Open R1 (https://github.com/huggingface/open-r1), полностью открытое воспроизведение DeepSeek R1. В кои-то веки не Китайские исследователи догоняют западных, а наоборот!
Есть и другая репликация, из Гонконга, от NLP Group @ HKUST (https://github.com/hkust-nlp/simpleRL-reason).
Но и этого DeepSeek показалось мало, и сегодня они выпустили ещё и Janus-Pro, развитие предыдущего Janus (https://github.com/deepseek-ai/Janus) с улучшенным обучением, данными и большим размером. Это мультимодальная моделька на 1B и 7B, умеет принимать на вход текст и картинки и на выходе тоже выдавать текст и картинки. На генерации вроде как бьют Dalle-3, SDXL, SD3-Medium.
Нельзя ничего не сказать про DeepSeek. Эти ребята просто супер молодцы — так задизраптить всё поле мало кому удавалось. Ну OpenAI со своим ChatGPT, потом Цукерберг с Llama в опенсорсе, теперь вот DeepSeek.
DeepSeek сумели обучить модели хорошего качества по ценам на порядок ниже конкурентов.
Во-первых, DeepSeek-V3 (https://github.com/deepseek-ai/DeepSeek-V3), включает две модели DeepSeek-V3-Base и чат-версию DeepSeek-V3. Обе являются MoE с 671B параметров всего и 37B активных. Не для простых смертных модели, надо иметь неслабую multi-GPU конфигурацию что-то типа 8 H200 (но есть сжатые варианты от разных товарищей). По качеству где-то уровня GPT-4o 0513 и Claude-3.5-Sonnet-1022 и выше LLaMA-3.1 405B.
Есть разные оценки, сколько стоило обучение Ламы 3.1 405B. В самой работе (https://arxiv.org/abs/2407.21783) сказано, что использовалось до 16,384 H100 и упоминается предобучение в 54 дня (но там и другие этапы обучения были). Одна из не самых высоких оценок говорит, что стоить должно было порядка $60M (https://x.com/_LouiePeters/status/1816443587053092917?lang=en).
Про DeepSeek-V3 известно чуть конкретнее. Они использовали H800, урезанный для Китая экспортный вариант H100, и они сами пишут, что для полного обучения потребовалось 2.788M H800 GPU-часов, что соответствует $5.576M при цене аренды H800 в $2 за час.
Ну типа на десятичный порядок меньше. При сравнении с OpenAI наверное разница ещё больше.
Это как с Индией, которая отправляла аппараты на Марс и Луну дешевле, чем в Голливуде фильмы про космос делаются: марсианский Mangalyaan за $74M и лунный Chandrayaan-3 за $75M против фильма “Гравитация” за $100M (https://www.business-standard.com/india-news/what-makes-india-s-space-missions-cost-less-than-hollywood-sci-fi-movies-124110400430_1.html).
Во-вторых, DeepSeek-R1 (https://github.com/deepseek-ai/DeepSeek-R1), модели с ризонингом по типу OpenAI o1 или Google Gemini Thinking. В семействе две модели: DeepSeek-R1-Zero и DeepSeek-R1, обе построены на базе DeepSeek-V3-Base и такого же большого размера.
DeepSeek-R1-Zero (по аналогии с AlphaZero) обучена чистым RL (Group Relative Policy Optimization, GRPO — вариант PPO из другой их статьи, https://arxiv.org/abs/2402.03300), без SFT. Я думаю это очень значимый результат, как в Го оказалось, что можно без человеческих партий, так и здесь постепенно оказывается. Из интересного, во время обучения у модели случился “aha moment”, когда в цепочке рассуждений модель выдала “Wait, wait. Wait. That’s an aha moment I can flag here.” и пересмотрела изначальный подход к решению задачи.
Zero хороша, но иногда уходит в повторы, смешивает языки, не очень читабельна. DeepSeek-R1 перед RL обучена на небольшом (тысячи) количестве CoT примеров, они это называют Cold start data, чтобы дать более качественную начальную точку для RL. Далее тот же Reasoning-oriented RL, что и у Zero. Далее SFT на ризонинг (600k) и не-ризонинг (200k) данных. И потом ещё дополнительный этап RL. Эта модель сравнима с OpenAI-o1-1217.
Из того, что не привело к успеху: Process Reward Model (PRM) и Monte Carlo Tree Search (MCTS).
Также выпущена куча dense дистиллятов (1.5B, 7B, 8B, 14B, 32B, 70B) из R1 на базе Qwen и Llama. Эти сопоставимы с OpenAI-o1-mini.
HuggingFace взялся за Open R1 (https://github.com/huggingface/open-r1), полностью открытое воспроизведение DeepSeek R1. В кои-то веки не Китайские исследователи догоняют западных, а наоборот!
Есть и другая репликация, из Гонконга, от NLP Group @ HKUST (https://github.com/hkust-nlp/simpleRL-reason).
Но и этого DeepSeek показалось мало, и сегодня они выпустили ещё и Janus-Pro, развитие предыдущего Janus (https://github.com/deepseek-ai/Janus) с улучшенным обучением, данными и большим размером. Это мультимодальная моделька на 1B и 7B, умеет принимать на вход текст и картинки и на выходе тоже выдавать текст и картинки. На генерации вроде как бьют Dalle-3, SDXL, SD3-Medium.
🔥1
Forwarded from e/acc
Поговорили с Медузой о том куда катится ИИ и зачем нам кибернетическая экономика.
Одну мысль напишу текстом для тех, кому лень слушать: за последние 5+ лет в области ИИ правильными оказались только самые смелые прогнозы. То есть, реальность превзошла ожидания большинства. Шансов что это остановится очень мало, но постепенно ответ на вопрос "что случилось?" начинает доходить до все большего круга людей.
В будущем мы не будем использовать генеративный ИИ просто как чат-ботов, с которыми нужно разговаривать. Он станет инструментом для решения проблем, и таких инструментов будет миллиарды. Одни будут генерировать код или текст, другие — анализировать юридические документы, помогать с налогами, питанием, корпоративным управлением, созданием игр или архитектурных проектов, создавать новые научные области и даже культуру.
Это неизбежно. Но мы хотим, чтобы этот интеллект был повсюду, доступен каждому на равных условиях и свободно использовался. Один вариант это монополия (не важно китайцев или американцев), другой — открытая сеть. В которой агенты конкурируют друг с другом за решение проблем. одного будет дешевле вычислительная мощность, у другого – более быстрые модели. А кто-то разработает новый метод, позволяющий решать крупные задачи эффективнее. Эти ИИ-агенты будут конкурировать за вашу задачу. Лучший из них получит заказ и оплату. Это экономика, но уже не только людей, а кибернетических саморегулируемых организмов.
Одну мысль напишу текстом для тех, кому лень слушать: за последние 5+ лет в области ИИ правильными оказались только самые смелые прогнозы. То есть, реальность превзошла ожидания большинства. Шансов что это остановится очень мало, но постепенно ответ на вопрос "что случилось?" начинает доходить до все большего круга людей.
В будущем мы не будем использовать генеративный ИИ просто как чат-ботов, с которыми нужно разговаривать. Он станет инструментом для решения проблем, и таких инструментов будет миллиарды. Одни будут генерировать код или текст, другие — анализировать юридические документы, помогать с налогами, питанием, корпоративным управлением, созданием игр или архитектурных проектов, создавать новые научные области и даже культуру.
Это неизбежно. Но мы хотим, чтобы этот интеллект был повсюду, доступен каждому на равных условиях и свободно использовался. Один вариант это монополия (не важно китайцев или американцев), другой — открытая сеть. В которой агенты конкурируют друг с другом за решение проблем. одного будет дешевле вычислительная мощность, у другого – более быстрые модели. А кто-то разработает новый метод, позволяющий решать крупные задачи эффективнее. Эти ИИ-агенты будут конкурировать за вашу задачу. Лучший из них получит заказ и оплату. Это экономика, но уже не только людей, а кибернетических саморегулируемых организмов.
Forwarded from e/acc
Наступают фантастические времена. Как я и говорил на подкасте, главным событием года была не Deepseek, а Operator и агентские системы вообще. Сегодня OpenAI зарелизил Deep Research — агента-исследователя. А в пятницу — свою саму крутую to date модель o3.
Агент работает от 5 до 30 минут, читая за это время сотни источников, делая сотни запросов и компилируя информацию на сложные темы. Вместо исследования рынка (часто ценой до $500 до $5000) вы можете получить ответ отправив один запрос.
Это последний гвоздь в крышку скептиков. На бенче Huanity's Last Exam эта штука набирает в 5 раз больше ближайших конкурентов. Такая штука заменяет миллиарды долларов экономики уже сегодня, и, конечно, на этом оно не остановится. Альтман обещает, что один этот продукт автоматизирует единицы процентов ВВП. Но, естественно, конкуренты скоро запустят аналоги. Это очень похоже на вертикальный взлет для ИИ и плавную посадку для мировой экономики.
Доступно сегодня для Pro, скоро для Plus.
Агент работает от 5 до 30 минут, читая за это время сотни источников, делая сотни запросов и компилируя информацию на сложные темы. Вместо исследования рынка (часто ценой до $500 до $5000) вы можете получить ответ отправив один запрос.
Это последний гвоздь в крышку скептиков. На бенче Huanity's Last Exam эта штука набирает в 5 раз больше ближайших конкурентов. Такая штука заменяет миллиарды долларов экономики уже сегодня, и, конечно, на этом оно не остановится. Альтман обещает, что один этот продукт автоматизирует единицы процентов ВВП. Но, естественно, конкуренты скоро запустят аналоги. Это очень похоже на вертикальный взлет для ИИ и плавную посадку для мировой экономики.
Доступно сегодня для Pro, скоро для Plus.
👍1
Почему квантовые компьютеры не заменят классические (и почему это хорошо)
Квантовые компьютеры – одна из самых горячих тем в мире технологий. Многие считают, что они вскоре заменят классические компьютеры, сделав их устаревшими. Однако на практике ситуация куда сложнее. Квантовые компьютеры не только не могут работать без классических, но и не способны выполнять их задачи быстро и эффективно. Почему так происходит? Давайте разберемся.
1. Квантовые компьютеры требуют классического управления
Квантовый процессор (кубитная система) не может работать сам по себе. Для его работы требуется классическая система управления, которая:
• подготавливает квантовые состояния,
• запускает алгоритмы,
• считывает и интерпретирует результаты.
Проще говоря, без классического компьютера квантовый просто не сможет «понять», что ему нужно делать.
2. Квантовые вычисления требуют постобработки
Результаты работы квантового компьютера – это не конкретные числа, а вероятностные распределения. После выполнения программы мы получаем не однозначный ответ, а множество возможных результатов с разной вероятностью.
Чтобы извлечь из этого что-то полезное, нужна дополнительная классическая обработка данных.
3. Квантовые компьютеры неэффективны для обычных задач
Многие думают, что квантовый компьютер – это просто «очень мощный» обычный компьютер, но это не так. Он работает совершенно иначе.
• Квантовые компьютеры оптимизированы для узкого круга задач, например, для моделирования молекул, разложения чисел на множители или ускоренного поиска.
• Обычные задачи, такие как обработка текста, работа с базами данных, арифметика или графика, на классических компьютерах выполняются быстрее и проще.
Попробовать заставить квантовый компьютер выполнять классические операции – это как забивать гвозди микроскопом. Вроде можно, но смысла нет.
4. Квантовые компьютеры требуют экстремальных условий
Если ваш ноутбук спокойно работает на столе, то квантовому компьютеру нужны сверхнизкие температуры (-273°C), вакуум и защита от малейших помех.
Любой шум разрушает квантовые состояния, поэтому квантовые системы требуют сложной инженерии и постоянной коррекции ошибок – и это тоже делают классические компьютеры!
Будущее – за гибридными системами
На практике классические и квантовые компьютеры работают вместе. Классический компьютер:
• управляет процессом,
• готовит данные,
• анализирует результаты.
Квантовый компьютер выполняет только те задачи, где у него есть преимущество (например, моделирование квантовой химии, оптимизация и машинное обучение).
Вывод
Квантовые компьютеры – не замена, а усиление классических систем. Они ускорят научные открытия, помогут решать сложные задачи, но обычные вычисления останутся за традиционными процессорами.
Так что ваш ноутбук никуда не денется – квантовые технологии просто сделают его умнее!
Квантовые компьютеры – одна из самых горячих тем в мире технологий. Многие считают, что они вскоре заменят классические компьютеры, сделав их устаревшими. Однако на практике ситуация куда сложнее. Квантовые компьютеры не только не могут работать без классических, но и не способны выполнять их задачи быстро и эффективно. Почему так происходит? Давайте разберемся.
1. Квантовые компьютеры требуют классического управления
Квантовый процессор (кубитная система) не может работать сам по себе. Для его работы требуется классическая система управления, которая:
• подготавливает квантовые состояния,
• запускает алгоритмы,
• считывает и интерпретирует результаты.
Проще говоря, без классического компьютера квантовый просто не сможет «понять», что ему нужно делать.
2. Квантовые вычисления требуют постобработки
Результаты работы квантового компьютера – это не конкретные числа, а вероятностные распределения. После выполнения программы мы получаем не однозначный ответ, а множество возможных результатов с разной вероятностью.
Чтобы извлечь из этого что-то полезное, нужна дополнительная классическая обработка данных.
3. Квантовые компьютеры неэффективны для обычных задач
Многие думают, что квантовый компьютер – это просто «очень мощный» обычный компьютер, но это не так. Он работает совершенно иначе.
• Квантовые компьютеры оптимизированы для узкого круга задач, например, для моделирования молекул, разложения чисел на множители или ускоренного поиска.
• Обычные задачи, такие как обработка текста, работа с базами данных, арифметика или графика, на классических компьютерах выполняются быстрее и проще.
Попробовать заставить квантовый компьютер выполнять классические операции – это как забивать гвозди микроскопом. Вроде можно, но смысла нет.
4. Квантовые компьютеры требуют экстремальных условий
Если ваш ноутбук спокойно работает на столе, то квантовому компьютеру нужны сверхнизкие температуры (-273°C), вакуум и защита от малейших помех.
Любой шум разрушает квантовые состояния, поэтому квантовые системы требуют сложной инженерии и постоянной коррекции ошибок – и это тоже делают классические компьютеры!
Будущее – за гибридными системами
На практике классические и квантовые компьютеры работают вместе. Классический компьютер:
• управляет процессом,
• готовит данные,
• анализирует результаты.
Квантовый компьютер выполняет только те задачи, где у него есть преимущество (например, моделирование квантовой химии, оптимизация и машинное обучение).
Вывод
Квантовые компьютеры – не замена, а усиление классических систем. Они ускорят научные открытия, помогут решать сложные задачи, но обычные вычисления останутся за традиционными процессорами.
Так что ваш ноутбук никуда не денется – квантовые технологии просто сделают его умнее!
Forwarded from Венчур Менна и Горного
На днях исполнился год предсказанию Альтмана о единорогах без сотрудников. Дескать, раз AI всё умеет, люди стали не нужны. Энергичный CEO теперь в одно рыло и миллиардную компанию построить может, а не только SaaS на 14 миллионов выручки.
Сэм вроде как раз год давал на исполнение прогноза — и соответственно он уже не сбылся, но идея все равно будоражит умы, прикольно же будет. Статьи, обсуждения, комментарии регулярно выходят, идеальный кликбейт.
А я тут задумался — а если сотрудники будут не нужны, то инвестиции ведь тоже будут не нужны? Если нет сотрудников, то значит клиенты платят сразу, в крайнем случае с триалом в месяц, нет инструментов существенно отложить платеж, не с кем об этом разговаривать. Значит серверные мощности и реклама в платных каналах окупаются более-менее мгновенно, оплата же приходит. А на что ещё кроме зарплат, которых нет, ещё инвестиции тратить?
https://techcrunch.com/2025/02/01/ai-agents-could-birth-the-first-one-person-unicorn-but-at-what-societal-cost/
Сэм вроде как раз год давал на исполнение прогноза — и соответственно он уже не сбылся, но идея все равно будоражит умы, прикольно же будет. Статьи, обсуждения, комментарии регулярно выходят, идеальный кликбейт.
А я тут задумался — а если сотрудники будут не нужны, то инвестиции ведь тоже будут не нужны? Если нет сотрудников, то значит клиенты платят сразу, в крайнем случае с триалом в месяц, нет инструментов существенно отложить платеж, не с кем об этом разговаривать. Значит серверные мощности и реклама в платных каналах окупаются более-менее мгновенно, оплата же приходит. А на что ещё кроме зарплат, которых нет, ещё инвестиции тратить?
https://techcrunch.com/2025/02/01/ai-agents-could-birth-the-first-one-person-unicorn-but-at-what-societal-cost/
🔥2
Forwarded from Стартап дня. Александр Горный.
Воспоминания о будущем
Американский #стартапдня Cursor – видимо, лучший на сегодняшний день AI-помощник программиста. Технически это отдельное десктопное приложение, редактор кода. Разработчик творит в плюс-минус обычном интерфейсе, но может при необходимости обратиться к ИИ – “допиши тут”, “сделай такое-то”. Cursor собирает промпт из запроса и текста программы, используя разные файлы одного проекта, а обрабатывает его удаленно внешняя сеть, OpenAI или аналог.
Стандартная месячная подписка стоит 20 долларов и, чуть упрощая, включает в себя 500 “сложных” обращений к AI, “простые” запросы не учитываются. Это примерно 3 задания в рабочий час. Можно считать, что безлимит.
ИИ ещё не программист. Задачу “сделай новую AAA-игру по фильму Челюсти, чтобы там можно было грабить караваны” он не выполнит. Но во многих ситуациях попроще Cursor помогает божественно. Знакомый моего знакомого скопировал ему жалобу пользователя “в такой-то ситуации не кликается ссылка”, а в ответ получил совет, в какой строке какого файла какой стиль поправить. Помогло.
Насколько Cursor и его конкуренты изменят индустрию, никто, конечно, не знает. Мне близка аналогия с началом 90-ых, когда появились визуальные редакторы. Клик-клик – и вот уже готова кнопка и окно. Это был прорыв не менее фантастический чем сейчас: “программисты будут не нужны, менеджер сам всё себе сделает”. Результат мы знаем – программистов стало больше, задач для них ещё больше, средний уровень разработчиков и порог входа в профессию упал на порядок. По логике, подобное должно произойти и сейчас – хотя, казалось бы, по трем из четырех пунктов уже некуда.
Посмотрим. Сам стартап недавно привлек 105 миллионов долларов инвестиций.
https://www.cursor.com/
#ai #мегараунд #сша #технология
Американский #стартапдня Cursor – видимо, лучший на сегодняшний день AI-помощник программиста. Технически это отдельное десктопное приложение, редактор кода. Разработчик творит в плюс-минус обычном интерфейсе, но может при необходимости обратиться к ИИ – “допиши тут”, “сделай такое-то”. Cursor собирает промпт из запроса и текста программы, используя разные файлы одного проекта, а обрабатывает его удаленно внешняя сеть, OpenAI или аналог.
Стандартная месячная подписка стоит 20 долларов и, чуть упрощая, включает в себя 500 “сложных” обращений к AI, “простые” запросы не учитываются. Это примерно 3 задания в рабочий час. Можно считать, что безлимит.
ИИ ещё не программист. Задачу “сделай новую AAA-игру по фильму Челюсти, чтобы там можно было грабить караваны” он не выполнит. Но во многих ситуациях попроще Cursor помогает божественно. Знакомый моего знакомого скопировал ему жалобу пользователя “в такой-то ситуации не кликается ссылка”, а в ответ получил совет, в какой строке какого файла какой стиль поправить. Помогло.
Насколько Cursor и его конкуренты изменят индустрию, никто, конечно, не знает. Мне близка аналогия с началом 90-ых, когда появились визуальные редакторы. Клик-клик – и вот уже готова кнопка и окно. Это был прорыв не менее фантастический чем сейчас: “программисты будут не нужны, менеджер сам всё себе сделает”. Результат мы знаем – программистов стало больше, задач для них ещё больше, средний уровень разработчиков и порог входа в профессию упал на порядок. По логике, подобное должно произойти и сейчас – хотя, казалось бы, по трем из четырех пунктов уже некуда.
Посмотрим. Сам стартап недавно привлек 105 миллионов долларов инвестиций.
https://www.cursor.com/
#ai #мегараунд #сша #технология
🔥1
Эксперименты с ИИ-ассистентами для разработки: опыт и наблюдения
В последнее время я активно экспериментирую с различными ИИ-инструментами для автоматизации разработки. Хочу поделиться своим опытом использования нескольких популярных решений, их преимуществами и ограничениями, с которыми я столкнулся.
Bolt: быстро, но с ограничениями
Начал я свои эксперименты с Bolt. Первые впечатления были довольно позитивными:
- Высокая скорость генерации кода
- Стабильность работы
- Понятный процесс разработки
Однако вскоре я столкнулся с существенными ограничениями:
Архитектурный стек React + Supabase, который предлагает Bolt, оказался довольно жестким и ограниченным. В процессе разработки я наткнулся на ошибку, которую Bolt не смог исправить даже после множества итераций. После десятка попыток сервис просто выдал rate limit.
Переход на Cursor
Решение пришло неожиданно просто - я экспортировал код в Cursor и быстро решил проблему. В процессе я также:
- Отказался от Supabase
- Перешел на NestJS с WebSocket'ами
- Получил более гибкую и масштабируемую архитектуру
Опыт с Replit
Replit показал себя более интересно в плане архитектурных решений. С его помощью удалось быстро разработать ассистента на базе Anthropic API с собственным бэкендом и WebSocket'ами.
Однако и здесь не обошлось без сложностей. При работе над, казалось бы, простой задачей авторизации я столкнулся с серьезными проблемами, которые пока пришлось отложить в сторону.
Выводы на данный момент
1. ИИ-ассистенты значительно ускоряют процесс разработки, но не являются "серебряной пулей"
2. Важно иметь возможность гибко менять инструменты и подходы
3. Предлагаемые "из коробки" архитектурные решения могут быть слишком ограничивающими
4. Комбинирование различных инструментов часто дает лучший результат, чем использование только одного решения
Что дальше?
Продолжаю эксперименты с различными ИИ-инструментами для разработки. Особенно интересно исследовать:
- Возможности комбинирования различных ИИ-ассистентов
- Способы обхода архитектурных ограничений
- Оптимальные сценарии использования каждого инструмента
Буду делиться новыми наблюдениями по мере накопления опыта. Если у вас есть свой опыт работы с ИИ-ассистентами для разработки, буду рад обсудить его в комментариях.
В последнее время я активно экспериментирую с различными ИИ-инструментами для автоматизации разработки. Хочу поделиться своим опытом использования нескольких популярных решений, их преимуществами и ограничениями, с которыми я столкнулся.
Bolt: быстро, но с ограничениями
Начал я свои эксперименты с Bolt. Первые впечатления были довольно позитивными:
- Высокая скорость генерации кода
- Стабильность работы
- Понятный процесс разработки
Однако вскоре я столкнулся с существенными ограничениями:
Архитектурный стек React + Supabase, который предлагает Bolt, оказался довольно жестким и ограниченным. В процессе разработки я наткнулся на ошибку, которую Bolt не смог исправить даже после множества итераций. После десятка попыток сервис просто выдал rate limit.
Переход на Cursor
Решение пришло неожиданно просто - я экспортировал код в Cursor и быстро решил проблему. В процессе я также:
- Отказался от Supabase
- Перешел на NestJS с WebSocket'ами
- Получил более гибкую и масштабируемую архитектуру
Опыт с Replit
Replit показал себя более интересно в плане архитектурных решений. С его помощью удалось быстро разработать ассистента на базе Anthropic API с собственным бэкендом и WebSocket'ами.
Однако и здесь не обошлось без сложностей. При работе над, казалось бы, простой задачей авторизации я столкнулся с серьезными проблемами, которые пока пришлось отложить в сторону.
Выводы на данный момент
1. ИИ-ассистенты значительно ускоряют процесс разработки, но не являются "серебряной пулей"
2. Важно иметь возможность гибко менять инструменты и подходы
3. Предлагаемые "из коробки" архитектурные решения могут быть слишком ограничивающими
4. Комбинирование различных инструментов часто дает лучший результат, чем использование только одного решения
Что дальше?
Продолжаю эксперименты с различными ИИ-инструментами для разработки. Особенно интересно исследовать:
- Возможности комбинирования различных ИИ-ассистентов
- Способы обхода архитектурных ограничений
- Оптимальные сценарии использования каждого инструмента
Буду делиться новыми наблюдениями по мере накопления опыта. Если у вас есть свой опыт работы с ИИ-ассистентами для разработки, буду рад обсудить его в комментариях.
🔥1🙏1
Forwarded from e/acc
Качество LLM в программировании не просто растет, а растет экспоненционально. На этом графике показан ELO рейтинг моделей в Codeforces. Звучит дико, но до конца года мы можем увидеть ИИ, который входит в десятку по миру.
Что не исключает задачу формирования требований, идей, желания и идей для продукта. Не исключает сложность координации сложных систем и большого количества людей. Не исключает принятия сложных решений и абстрактного архитектурного мышления.
Что не исключает задачу формирования требований, идей, желания и идей для продукта. Не исключает сложность координации сложных систем и большого количества людей. Не исключает принятия сложных решений и абстрактного архитектурного мышления.
Почему RAG останется с нами: 4 причины, почему большие контекстные окна его не заменят
В мире ИИ появились модели, способные обрабатывать огромные объемы текста за раз (больше миллиона слов). Некоторые считают, что это убьет технологию RAG - метод, при котором ИИ сначала ищет нужную информацию, а потом использует её для ответа. Но так ли это? Давайте разберемся, почему RAG никуда не денется.
1. Большие контекстные окна не масштабируются
Представьте, что вы пытаетесь прочитать целую библиотеку за раз. Даже если вы супергений, это займет много времени и сил. Так же и с ИИ - обработка огромных текстов требует много вычислительной мощности и денег. А еще это очень медленно - иногда приходится ждать целую минуту, чтобы получить ответ.
RAG работает умнее: он находит только самую важную информацию по вашему вопросу. Это как спросить библиотекаря, где найти конкретную книгу, вместо того чтобы читать все подряд. Быстрее, дешевле и эффективнее.
2. RAG лучше работает для бизнеса
Длинные контексты звучат здорово, но на практике модели часто путаются в большом объеме информации. Исследования показывают, что они работают хуже, чем предполагалось.
Некоторые предлагают использовать кэширование - сохранение часто используемой информации для быстрого доступа. Это помогает, если вы работаете с одними и теми же данными. Но когда информации становится много и она постоянно меняется, кэширование становится дорогим и медленным.
RAG лучше справляется с разными типами данных и более гибок в использовании.
3. RAG обеспечивает надежность информации
Когда ИИ использует RAG, вы всегда знаете, откуда он берет информацию. Это как ссылки в научной работе - вы можете проверить источник. Для бизнеса, особенно в таких областях как финансы или медицина, это крайне важно.
С большими контекстными окнами сложно понять, какую именно информацию использовал ИИ для ответа. Это как если бы кто-то дал вам совет, но не смог объяснить, почему он так думает.
4. RAG позволяет создавать умных ИИ-агентов
RAG может работать с разными источниками информации и учитывать персональные предпочтения пользователей. Например, он может использовать вашу историю покупок, чтобы давать более точные рекомендации.
Большие контекстные окна хороши для обработки большого объема информации, но они ограничены тем, чему их научили изначально. Они не могут подстроиться под конкретного пользователя так же хорошо, как RAG.
Итог
Большие контекстные окна - это впечатляющая технология, но для большинства бизнес-задач одних их недостаточно. RAG остается необходимым инструментом, особенно когда речь идет об эффективности, точности и гибкости. В будущем выбор подхода будет зависеть от объема данных, с которыми вы работаете, но RAG определенно никуда не исчезнет.
В мире ИИ появились модели, способные обрабатывать огромные объемы текста за раз (больше миллиона слов). Некоторые считают, что это убьет технологию RAG - метод, при котором ИИ сначала ищет нужную информацию, а потом использует её для ответа. Но так ли это? Давайте разберемся, почему RAG никуда не денется.
1. Большие контекстные окна не масштабируются
Представьте, что вы пытаетесь прочитать целую библиотеку за раз. Даже если вы супергений, это займет много времени и сил. Так же и с ИИ - обработка огромных текстов требует много вычислительной мощности и денег. А еще это очень медленно - иногда приходится ждать целую минуту, чтобы получить ответ.
RAG работает умнее: он находит только самую важную информацию по вашему вопросу. Это как спросить библиотекаря, где найти конкретную книгу, вместо того чтобы читать все подряд. Быстрее, дешевле и эффективнее.
2. RAG лучше работает для бизнеса
Длинные контексты звучат здорово, но на практике модели часто путаются в большом объеме информации. Исследования показывают, что они работают хуже, чем предполагалось.
Некоторые предлагают использовать кэширование - сохранение часто используемой информации для быстрого доступа. Это помогает, если вы работаете с одними и теми же данными. Но когда информации становится много и она постоянно меняется, кэширование становится дорогим и медленным.
RAG лучше справляется с разными типами данных и более гибок в использовании.
3. RAG обеспечивает надежность информации
Когда ИИ использует RAG, вы всегда знаете, откуда он берет информацию. Это как ссылки в научной работе - вы можете проверить источник. Для бизнеса, особенно в таких областях как финансы или медицина, это крайне важно.
С большими контекстными окнами сложно понять, какую именно информацию использовал ИИ для ответа. Это как если бы кто-то дал вам совет, но не смог объяснить, почему он так думает.
4. RAG позволяет создавать умных ИИ-агентов
RAG может работать с разными источниками информации и учитывать персональные предпочтения пользователей. Например, он может использовать вашу историю покупок, чтобы давать более точные рекомендации.
Большие контекстные окна хороши для обработки большого объема информации, но они ограничены тем, чему их научили изначально. Они не могут подстроиться под конкретного пользователя так же хорошо, как RAG.
Итог
Большие контекстные окна - это впечатляющая технология, но для большинства бизнес-задач одних их недостаточно. RAG остается необходимым инструментом, особенно когда речь идет об эффективности, точности и гибкости. В будущем выбор подхода будет зависеть от объема данных, с которыми вы работаете, но RAG определенно никуда не исчезнет.
Нейросети, способные генерировать программный код, становятся всё более популярными и полезными инструментами для разработчиков. Однако их использование сопровождается определёнными ограничениями и проблемами. Ниже представлены 10 аргументов, подтверждающих, что на текущий момент нейросети не всегда качественно пишут код:
1. Ограниченное понимание контекста: Нейросети часто не способны полностью учитывать специфический контекст проекта, что приводит к генерации кода, не соответствующего требованиям конкретной задачи.
2. Ошибки в синтаксисе и логике: Автоматически сгенерированный код может содержать синтаксические ошибки или логические несоответствия, требующие дополнительной проверки и исправления со стороны разработчика.
3. Недостаточная оптимизация: Нейросети могут предлагать решения, которые работают корректно, но не являются оптимальными с точки зрения производительности или использования ресурсов.
4. Сложности с интеграцией: Сгенерированный код может не учитывать особенности существующей кодовой базы или архитектуры проекта, что затрудняет его интеграцию.
5. Ограничения в творческих задачах: Нейросети хорошо справляются с типовыми задачами, но при решении нестандартных или инновационных проблем их эффективность снижается.
6. Риск устаревших решений: Модели обучаются на данных, доступных на момент их создания, поэтому могут предлагать устаревшие или неактуальные подходы.
7. Проблемы с безопасностью: Сгенерированный код может содержать уязвимости, которые нейросеть не в состоянии выявить или предотвратить.
8. Необходимость человеческого контроля: Даже при использовании нейросетей разработчики должны тщательно проверять и тестировать сгенерированный код, что требует дополнительных временных затрат.
9. Ограниченная поддержка редких языков программирования: Многие нейросети ориентированы на популярные языки, такие как Python или JavaScript, и могут плохо справляться с генерацией кода на менее распространённых языках.
10. Этические и правовые вопросы: Использование сгенерированного кода может вызывать вопросы, связанные с авторскими правами и лицензированием, особенно если нейросеть обучалась на проприетарных кодовых базах.
Таким образом, несмотря на значительный прогресс в области искусственного интеллекта, нейросети пока не способны полностью заменить человеческих разработчиков и требуют внимательного и критического подхода при использовании в процессе разработки программного обеспечения.
1. Ограниченное понимание контекста: Нейросети часто не способны полностью учитывать специфический контекст проекта, что приводит к генерации кода, не соответствующего требованиям конкретной задачи.
2. Ошибки в синтаксисе и логике: Автоматически сгенерированный код может содержать синтаксические ошибки или логические несоответствия, требующие дополнительной проверки и исправления со стороны разработчика.
3. Недостаточная оптимизация: Нейросети могут предлагать решения, которые работают корректно, но не являются оптимальными с точки зрения производительности или использования ресурсов.
4. Сложности с интеграцией: Сгенерированный код может не учитывать особенности существующей кодовой базы или архитектуры проекта, что затрудняет его интеграцию.
5. Ограничения в творческих задачах: Нейросети хорошо справляются с типовыми задачами, но при решении нестандартных или инновационных проблем их эффективность снижается.
6. Риск устаревших решений: Модели обучаются на данных, доступных на момент их создания, поэтому могут предлагать устаревшие или неактуальные подходы.
7. Проблемы с безопасностью: Сгенерированный код может содержать уязвимости, которые нейросеть не в состоянии выявить или предотвратить.
8. Необходимость человеческого контроля: Даже при использовании нейросетей разработчики должны тщательно проверять и тестировать сгенерированный код, что требует дополнительных временных затрат.
9. Ограниченная поддержка редких языков программирования: Многие нейросети ориентированы на популярные языки, такие как Python или JavaScript, и могут плохо справляться с генерацией кода на менее распространённых языках.
10. Этические и правовые вопросы: Использование сгенерированного кода может вызывать вопросы, связанные с авторскими правами и лицензированием, особенно если нейросеть обучалась на проприетарных кодовых базах.
Таким образом, несмотря на значительный прогресс в области искусственного интеллекта, нейросети пока не способны полностью заменить человеческих разработчиков и требуют внимательного и критического подхода при использовании в процессе разработки программного обеспечения.
Forwarded from Mikhail Savchenko
Недеетерминированность ответов LLM — отдельная песня.
Просишь курсор поправить какой-нибудь модуль, читаешь результаты, пока он «думает» — вроде бы ничего (слава Аллаху, я умею читать на большинстве популярных языков программирования). Но вот незадача: если сессия в процессе упадёт, автоматическое слияние результата курсором невозможно. Выход? Повторяем запрос.
Результат? Какая-то мутная бяка, хотя первый раз казалось, что всё нормально. Он вообще может решить, что вместо контроллера на бэке пришло время поправить стор на фронте, а заодно и компоненту переверстать. Вы скажете: «Это надо всё в промпте жёстко указывать», но я же обычный пользователь, верно? Я ничего не знаю ни про бэк, ни про фронт, ни про, прости господи, их внутреннюю архитектуру — я котик, у меня лапки.
А пысы про оптимизацию — как чудесно он делает миллион запросов к бэку при рендере фронта и как на каждый чих пытается перерисовывать сам фронт — это уже отдельная история, но об этом как-нибудь в другой раз.
Просишь курсор поправить какой-нибудь модуль, читаешь результаты, пока он «думает» — вроде бы ничего (слава Аллаху, я умею читать на большинстве популярных языков программирования). Но вот незадача: если сессия в процессе упадёт, автоматическое слияние результата курсором невозможно. Выход? Повторяем запрос.
Результат? Какая-то мутная бяка, хотя первый раз казалось, что всё нормально. Он вообще может решить, что вместо контроллера на бэке пришло время поправить стор на фронте, а заодно и компоненту переверстать. Вы скажете: «Это надо всё в промпте жёстко указывать», но я же обычный пользователь, верно? Я ничего не знаю ни про бэк, ни про фронт, ни про, прости господи, их внутреннюю архитектуру — я котик, у меня лапки.
А пысы про оптимизацию — как чудесно он делает миллион запросов к бэку при рендере фронта и как на каждый чих пытается перерисовывать сам фронт — это уже отдельная история, но об этом как-нибудь в другой раз.
👍1
Ах, нейросети, эти современные волшебники кодинга! Казалось бы, будущее уже наступило: достаточно ввести пару строк, и искусственный интеллект сам напишет за вас весь код. Но давайте посмотрим правде в глаза: пока что эти цифровые помощники скорее напоминают стажёров на первом рабочем дне, чем опытных разработчиков.
Сложные связи между сервером и клиентом? Конечно, нейросеть с радостью сгенерирует вам что-то, что отдалённо напоминает веб-сокеты. Но вот беда: авторизация по ролям превращается в настоящий квест. Вместо чёткого разграничения прав доступа вы получаете систему, где администратор вдруг становится обычным пользователем, а гость неожиданно получает права суперпользователя. Видимо, нейросеть решила, что демократия должна быть везде, даже в вашем приложении.
А что насчёт вёрстки? Здесь начинается настоящий цирк. Попросите нейросеть сделать кнопку неактивной, если пользователь уже нажимал её сегодня. Результат? Кнопка то исчезает вовсе, то появляется в неожиданных местах, то нажимается, но ничего не происходит. Иногда она решает жить своей жизнью и отображается только по нечётным дням недели. Кажется, нейросеть считает, что элементы интерфейса должны быть столь же непредсказуемыми, как и сама жизнь.
Хотите создать простую систему учёта рабочего времени? Приготовьтесь к тому, что нейросеть предложит вам шедевр абсурда. Вместо логичного расписания вы получите график, где рабочий день начинается в 3 часа ночи, а обеденный перерыв длится ровно 42 минуты и 17 секунд. Попытки исправить это приводят к тому, что сотрудники начинают работать по лунному календарю, а отчёты формируются на древнеарамейском языке. Видимо, нейросеть решила, что стандартные рабочие графики — это слишком скучно.
В итоге, доверяя нейросетям написание кода, вы получаете не помощника, а капризного художника, который видит мир по-своему. Возможно, когда-нибудь они станут надёжными инструментами в руках разработчиков. Но пока что, если вы не готовы к сюрпризам и хаосу в своём проекте, лучше держать под рукой проверенного человеческого программиста.
Сложные связи между сервером и клиентом? Конечно, нейросеть с радостью сгенерирует вам что-то, что отдалённо напоминает веб-сокеты. Но вот беда: авторизация по ролям превращается в настоящий квест. Вместо чёткого разграничения прав доступа вы получаете систему, где администратор вдруг становится обычным пользователем, а гость неожиданно получает права суперпользователя. Видимо, нейросеть решила, что демократия должна быть везде, даже в вашем приложении.
А что насчёт вёрстки? Здесь начинается настоящий цирк. Попросите нейросеть сделать кнопку неактивной, если пользователь уже нажимал её сегодня. Результат? Кнопка то исчезает вовсе, то появляется в неожиданных местах, то нажимается, но ничего не происходит. Иногда она решает жить своей жизнью и отображается только по нечётным дням недели. Кажется, нейросеть считает, что элементы интерфейса должны быть столь же непредсказуемыми, как и сама жизнь.
Хотите создать простую систему учёта рабочего времени? Приготовьтесь к тому, что нейросеть предложит вам шедевр абсурда. Вместо логичного расписания вы получите график, где рабочий день начинается в 3 часа ночи, а обеденный перерыв длится ровно 42 минуты и 17 секунд. Попытки исправить это приводят к тому, что сотрудники начинают работать по лунному календарю, а отчёты формируются на древнеарамейском языке. Видимо, нейросеть решила, что стандартные рабочие графики — это слишком скучно.
В итоге, доверяя нейросетям написание кода, вы получаете не помощника, а капризного художника, который видит мир по-своему. Возможно, когда-нибудь они станут надёжными инструментами в руках разработчиков. Но пока что, если вы не готовы к сюрпризам и хаосу в своём проекте, лучше держать под рукой проверенного человеческого программиста.
👍1🤔1
Forwarded from KHS — Фабрика Творцов
YouTube
Все о МОНТАЖЕ в НЕЙРОСЕТЯХ | Туториал Hailuoai | Как создать КИНО за 4 часа?
Присоединяйся к бесплатному творческому интенсиву: https://t.me/creative_path_khs_bot?start=utm-6AIocPOXRCdqnu45nlZ077652
Подробнее о команде https://forms.yandex.ru/cloud/66716f92f47e73000f91641b/
В этом видео я расскажу тебе о невероятной возможности…
Подробнее о команде https://forms.yandex.ru/cloud/66716f92f47e73000f91641b/
В этом видео я расскажу тебе о невероятной возможности…
Использование локальных языковых моделей становится все более популярным, но их производительность сильно зависит от типа оборудования. Сравнение работы на CPU и GPU позволяет понять, какие задачи эффективнее решать на каждом из устройств. Это особенно важно для разработчиков, работающих с обработкой естественного языка и стремящихся оптимизировать свои решения.
https://dev.to/maximsaplin/running-local-llms-cpu-vs-gpu-a-quick-speed-test-2cjn
https://dev.to/maximsaplin/running-local-llms-cpu-vs-gpu-a-quick-speed-test-2cjn
DEV Community
Running Local LLMs, CPU vs. GPU - a Quick Speed Test
This is the 1st part of my investigations of local LLM inference speed. Here're the 2nd and 3rd...
🔥1