🧩 Модель, ентропія і кількість бітів
Можливо, у вас виникло питання щодо фрази з нещодавнього дослідження:
🔍 Розбираємося 👇
Що означає “ентропія = мінімальна кількість бітів для представлення тексту”?
Це базовий принцип із теорії інформації Клода Шеннона:
🧠 Ентропія — це середня кількість бітів, необхідна для кодування одного символу або повідомлення, якщо ми хочемо стискати дані максимально ефективно, без втрати інформації.
🔧 Простий приклад:
• Якщо підкидаємо ідеальну монету (50/50), нам потрібно 1 біт:
• Якщо монета “зміщена” (наприклад, 90% шанс на орла), то можна кодувати ще ефективніше — і в середньому потрібно меньше 1 біта.
📦 Те саме з текстом:
У стандартному ASCII кожен символ займає 8 бітів (1 байт).
Але англійська мова не використовує всі символи з однаковою ймовірністю.
Часті символи, шаблони та слова — трапляються знову і знову.
🧠 Як довів Шеннон, можна стискати набагато ефективніше:
Ентропія англійської ≈ 1.3 біта/символ
📦 Приклад: слово “the”
У ASCII:
Але “the” — одне з найпоширеніших слів.
Якщо використовувати ефективне кодування (наприклад, метод Хаффмана), ми можемо присвоїти йому коротший код, скажімо:
📉 Завдяки цьому середнє стискання досягає ≈ 1.3 біта/символ
📐 Що таке метод Хаффмана?
• Будує дерево на основі частоти символів/слів
• Призначає коротші коди для частих елементів
• Дає префіксне кодування (жоден код не є початком іншого)
Цей принцип лежить в основі:
• Huffman coding
• Аритметичного кодування
• BPE, GPT tokenizer
📊 Зв’язок з моделями
У статті Prediction and Entropy of Printed English (1951) Шеннон описав ентропію як очікувану довжину найефективнішого коду.
У сучасному ML це записується так:
• Якщо модель впевнена у x → p(x) ≈ 1 → log ≈ 0
• Якщо не впевнена → p(x) мала → log велике → більше бітів
✅ Підсумок:
✔️ Ентропія — теоретична нижня межа стискання
✔️ −log₂(p(x)) — інформаційна “вартість” символу
✔️ LLM використовують це для loss-функцій, оцінки памʼяті та генерації
Став 👍, якщо стало зрозуміліше!
🔔 ПІДПИСАТИСЯ
Можливо, у вас виникло питання щодо фрази з нещодавнього дослідження:
“A model’s negative log likelihood is equal to the minimum number of bits needed to represent a given piece of data.”
🔍 Розбираємося 👇
Що означає “ентропія = мінімальна кількість бітів для представлення тексту”?
Це базовий принцип із теорії інформації Клода Шеннона:
🧠 Ентропія — це середня кількість бітів, необхідна для кодування одного символу або повідомлення, якщо ми хочемо стискати дані максимально ефективно, без втрати інформації.
🔧 Простий приклад:
• Якщо підкидаємо ідеальну монету (50/50), нам потрібно 1 біт:
0 = орел, 1 = решка• Якщо монета “зміщена” (наприклад, 90% шанс на орла), то можна кодувати ще ефективніше — і в середньому потрібно меньше 1 біта.
📦 Те саме з текстом:
У стандартному ASCII кожен символ займає 8 бітів (1 байт).
Але англійська мова не використовує всі символи з однаковою ймовірністю.
Часті символи, шаблони та слова — трапляються знову і знову.
🧠 Як довів Шеннон, можна стискати набагато ефективніше:
Ентропія англійської ≈ 1.3 біта/символ
📦 Приклад: слово “the”
У ASCII:
t = 8 біт, h = 8 біт, e = 8 біт → разом 24 бітиАле “the” — одне з найпоширеніших слів.
Якщо використовувати ефективне кодування (наприклад, метод Хаффмана), ми можемо присвоїти йому коротший код, скажімо:
“the” = 5 біт📉 Завдяки цьому середнє стискання досягає ≈ 1.3 біта/символ
📐 Що таке метод Хаффмана?
• Будує дерево на основі частоти символів/слів
• Призначає коротші коди для частих елементів
• Дає префіксне кодування (жоден код не є початком іншого)
Цей принцип лежить в основі:
• Huffman coding
• Аритметичного кодування
• BPE, GPT tokenizer
📊 Зв’язок з моделями
У статті Prediction and Entropy of Printed English (1951) Шеннон описав ентропію як очікувану довжину найефективнішого коду.
У сучасному ML це записується так:
−log₂(p(x)) — скільки бітів потрібно для представлення x, якщо ймовірність p(x)• Якщо модель впевнена у x → p(x) ≈ 1 → log ≈ 0
• Якщо не впевнена → p(x) мала → log велике → більше бітів
✅ Підсумок:
✔️ Ентропія — теоретична нижня межа стискання
✔️ −log₂(p(x)) — інформаційна “вартість” символу
✔️ LLM використовують це для loss-функцій, оцінки памʼяті та генерації
Став 👍, якщо стало зрозуміліше!
🔔 ПІДПИСАТИСЯ
👍13🙏2❤1
🇨🇳 Китай охолонув до чипів Nvidia. Що відбувається?
🔄 Після дозволу від уряду США, Nvidia та AMD знову почали продавати AI‑процесори в Китай. Але замість радості — китайська влада запровадила перевірку безпеки чипів і закликала місцеві компанії купувати тільки вітчизняне.
💥 DeepSeek, наприклад, намагалася тренувати свою нову модель DeepSeek-R2 на чипах Huawei — і не змогла. Проєкт затримується. Але держава тисне: хочеш підтримку — купуй китайське.
📉 Nvidia H20, спеціально зроблений для Китаю в обхід санкцій, звинувачено у можливих “бекдорах” і стеженні за користувачами. Nvidia заперечує.
🔐 Уряд Китаю:
• вимагає технічні пояснення щодо H20
• допитує Baidu, ByteDance і Tencent щодо планів купувати чипи з США
• просуває масштабну програму підтримки локальних виробників чипів
🇺🇸 США, зі свого боку:
• у 2022—2024 посилювали обмеження на експорт AI-чипів
• недавно скасували заборону — в обмін на рідкоземельні мінерали з Китаю
• запровадили 15% експортний збір з продажів AI-чипів у Китаї
• дозволили Nvidia розробити спрощений процесор на архітектурі Blackwell для КНР
🧠 AI = стратегічна перевага
Хто контролює AI — той контролює технології, економіку та оборону. США — лідери у пропрієтарних моделях. Китай — у відкритих. Але чипи залишаються ахіллесовою п’ятою. І КНР уже не хоче залежати від «ненадійного» постачальника.
📌 Цікаво: у світі вже масово використовують open-weight AI-моделі з Китаю.
А от чи почнуть купувати й китайські процесори — питання відкрите.
Став 👍, якщо стало зрозуміліше!
🔔 ПІДПИСАТИСЯ
#AIГеополітика
🔄 Після дозволу від уряду США, Nvidia та AMD знову почали продавати AI‑процесори в Китай. Але замість радості — китайська влада запровадила перевірку безпеки чипів і закликала місцеві компанії купувати тільки вітчизняне.
💥 DeepSeek, наприклад, намагалася тренувати свою нову модель DeepSeek-R2 на чипах Huawei — і не змогла. Проєкт затримується. Але держава тисне: хочеш підтримку — купуй китайське.
📉 Nvidia H20, спеціально зроблений для Китаю в обхід санкцій, звинувачено у можливих “бекдорах” і стеженні за користувачами. Nvidia заперечує.
🔐 Уряд Китаю:
• вимагає технічні пояснення щодо H20
• допитує Baidu, ByteDance і Tencent щодо планів купувати чипи з США
• просуває масштабну програму підтримки локальних виробників чипів
🇺🇸 США, зі свого боку:
• у 2022—2024 посилювали обмеження на експорт AI-чипів
• недавно скасували заборону — в обмін на рідкоземельні мінерали з Китаю
• запровадили 15% експортний збір з продажів AI-чипів у Китаї
• дозволили Nvidia розробити спрощений процесор на архітектурі Blackwell для КНР
🧠 AI = стратегічна перевага
Хто контролює AI — той контролює технології, економіку та оборону. США — лідери у пропрієтарних моделях. Китай — у відкритих. Але чипи залишаються ахіллесовою п’ятою. І КНР уже не хоче залежати від «ненадійного» постачальника.
📌 Цікаво: у світі вже масово використовують open-weight AI-моделі з Китаю.
А от чи почнуть купувати й китайські процесори — питання відкрите.
Став 👍, якщо стало зрозуміліше!
🔔 ПІДПИСАТИСЯ
#AIГеополітика
👍15
🤔 OpenAI будує обчислювальний мегамозок із Oracle
Щє трошки новин на вихідних, та подумати про те, як AI впливає на бізнеси та геополітику.
🔌 $30 млрд щорічно — OpenAI планує віддавати Oracle за нову хвилю дата‑центрів, потужністю 4,5 ГВт — це в 10 разів більше, ніж найбільші об’єкти, що будує Microsoft.
📍 Перший об’єкт уже працює (Stargate I) в Абіліні, Техас — і скоро з’явиться наступна черга. Разом вони дадуть понад 5 ГВт нового обчислювального ресурсу, що охоплює понад 2 млн чіпів.
🆙 Обсяг інфраструктури Stargate перевищить початкові плани: $500 млрд інвестицій у 10 ГВт інфраструктури за 4 роки в США.
👷♂️ Вони прогнозують понад 100 000 нових робочих місць — від будівництва до обслуговування дата‑центрів.
🤖 Це величезна інфраструктура для розвитку ШІ. На Stargate працюють:
— OpenAI — моделі
— Oracle — залізо + софт
— SoftBank — фінансування й енергетика
— Microsoft — інфраструктурна підтримка
— Nvidia, Crusoe, MGX — чіпи, будівництво й інвестиції
Що це змінює? Це не просто дата‑центри — це фундамент нової ери ШІ. Oracle стає ключовим гравцем у AI‑обчисленнях, а OpenAI може масштабуватися до GPT‑7 і далі.
⚡️ Головне питання — де взяти всю ту енергію? SoftBank може стати вирішальним гравцем — він активно інвестує в енергетику саме для ШІ.
🔗 Детальніше — офіційна стаття в блозі OpenAI
Став 👍, якщо було корисно !
🔔 ПІДПИСАТИСЯ
Щє трошки новин на вихідних, та подумати про те, як AI впливає на бізнеси та геополітику.
🔌 $30 млрд щорічно — OpenAI планує віддавати Oracle за нову хвилю дата‑центрів, потужністю 4,5 ГВт — це в 10 разів більше, ніж найбільші об’єкти, що будує Microsoft.
📍 Перший об’єкт уже працює (Stargate I) в Абіліні, Техас — і скоро з’явиться наступна черга. Разом вони дадуть понад 5 ГВт нового обчислювального ресурсу, що охоплює понад 2 млн чіпів.
🆙 Обсяг інфраструктури Stargate перевищить початкові плани: $500 млрд інвестицій у 10 ГВт інфраструктури за 4 роки в США.
👷♂️ Вони прогнозують понад 100 000 нових робочих місць — від будівництва до обслуговування дата‑центрів.
🤖 Це величезна інфраструктура для розвитку ШІ. На Stargate працюють:
— OpenAI — моделі
— Oracle — залізо + софт
— SoftBank — фінансування й енергетика
— Microsoft — інфраструктурна підтримка
— Nvidia, Crusoe, MGX — чіпи, будівництво й інвестиції
Що це змінює? Це не просто дата‑центри — це фундамент нової ери ШІ. Oracle стає ключовим гравцем у AI‑обчисленнях, а OpenAI може масштабуватися до GPT‑7 і далі.
⚡️ Головне питання — де взяти всю ту енергію? SoftBank може стати вирішальним гравцем — він активно інвестує в енергетику саме для ШІ.
🔗 Детальніше — офіційна стаття в блозі OpenAI
Став 👍, якщо було корисно !
🔔 ПІДПИСАТИСЯ
1👍7❤3🔥1
📌 Prompt тижня: Explain this to me like I’m 5
🎯 Хочеш, щоб ChatGPT пояснював складні речі максимально просто?
Спробуй цей prompt:
👉 Explain this to me like I’m 5: [тема]
Тема може бути будь-яка: бізнес-процеси, наукові теорії, нові технології чи навіть правопис.
💡 Що робить цей prompt:
Модель перекладає складні ідеї «з дорослої мови» на просту, зрозумілу та інтуїтивну.
Це допомагає швидко схопити суть і вже потім занурюватися глибше.
📎 Що зробити:
1️⃣ Напиши цей запит у чат
2️⃣ Дочекайся пояснення простими словами
3️⃣ Запитай: “Now explain it to me like I’m an expert” — і отримаєш глибший рівень
🧪 Приклади:
👨🏫 Завдання:
Спробуй цей prompt мінімум 2 рази цього тижня.
Результат: ти швидко зрозумієш основу навіть найскладніших тем.
💬 Напиши в коментарях, яку тему ти попросиш пояснити «як п’ятирічному».
Став 👍 якщо пост був корисним!
🔔 ПІДПИСАТИСЯ
🎯 Хочеш, щоб ChatGPT пояснював складні речі максимально просто?
Спробуй цей prompt:
👉 Explain this to me like I’m 5: [тема]
Тема може бути будь-яка: бізнес-процеси, наукові теорії, нові технології чи навіть правопис.
💡 Що робить цей prompt:
Модель перекладає складні ідеї «з дорослої мови» на просту, зрозумілу та інтуїтивну.
Це допомагає швидко схопити суть і вже потім занурюватися глибше.
📎 Що зробити:
1️⃣ Напиши цей запит у чат
2️⃣ Дочекайся пояснення простими словами
3️⃣ Запитай: “Now explain it to me like I’m an expert” — і отримаєш глибший рівень
🧪 Приклади:
Explain this to me like I’m 5: що таке блокчейнExplain this to me like I’m 5: як працює квантовий комп’ютерExplain this to me like I’m 5: бізнес-модель Netflix👨🏫 Завдання:
Спробуй цей prompt мінімум 2 рази цього тижня.
Результат: ти швидко зрозумієш основу навіть найскладніших тем.
💬 Напиши в коментарях, яку тему ти попросиш пояснити «як п’ятирічному».
Став 👍 якщо пост був корисним!
🔔 ПІДПИСАТИСЯ
👍19🔥1🤔1
📘 Supremacy: AI, ChatGPT, and the Race that Will Change the World — книжка 2024 року
Одна з найгучніших публікацій про штучний інтелект, яка увійшла до списку «Найкращих книжок року» за версіями The New York Times і Financial Times, а також здобула нагороду FT Business Book of the Year.
Нарешті дочитав її — і ділюсь враженням. Можливо, для когось це буде натхненням, для когось — застереженням, а хтось узагалі вирішить не витрачати на неї час.
Книга наробила галасу по всьому світу. У новорічну відпустку я прочитав її першу половину — доволі швидко, із захопленням. А от друга розтягнулася на пів року. Чесно кажучи, Supremacy не виправдала моїх очікувань.
З одного боку, вона написана для широкого кола читачів. З іншого — дуже вже схожа на спробу встигнути на хайп-поїзд AI ✨
🧠 Хто стоїть за цією книгою?
Авторка розповідає про злет сучасного штучного інтелекту через постаті двох ключових гравців:
— Деміс Хассабіс — шаховий вундеркінд, нейронауковець і співзасновник DeepMind. Вірив, що AGI зможе допомогти людству розгадати наукові та навіть метафізичні таємниці.
— Сем Альтман — ексглава Y Combinator і нинішній CEO OpenAI. Мріяв зробити AI доступним для всіх, але під тиском інвестицій його компанія стала частково закритою й надто комерціалізованою.
Обидва починали як ідеалісти. Але індустрія швидко розставила свої пріоритети.
📌 Що дізнаєшся з цієї книги:
• 2022 — рік повороту: саме тоді вийшов ChatGPT і AI перестав бути суто науковою темою — він увірвався в побут.
• OpenAI = вже не open: компанія, яка починала як відкрита, поступово перейшла під вплив Microsoft і закрила доступ до своїх моделей.
• AI — це не лише технологія: це поле боротьби держав, корпорацій і капіталу.
• GPT — не розум, а передбачення: модель не розуміє тексту — вона лише статистично вгадує, що сказати наступним.
• Регуляції не встигають: технологія розвивається швидше, ніж суспільство встигає її осмислювати або контролювати.
👤 Біографії ≠ філософія
Так, біографії Маска, Хассабіса, Альтмана — цікаві. Я взагалі люблю читати про постаті, які вплинули на світ.
Але якщо я беру книгу про ШІ — я чекаю аналітики, візії, смислу, а не лише «хто з ким посварився» і «хто коли заснував стартап».
У Supremacy цього бракує.
🌈 Соціальні теми: вставка чи суть?
Авторка підіймає важливі теми — дискримінацію, упередженість, проблеми рівності. Але звучать вони, щиро кажучи, як обов’язкова вставка з міркувань етики, а не як органічна частина розповіді.
Хотілося б бачити більш глибоку інтеграцію цих тем у загальну структуру книги.
💰 Хайп ≠ глибина
Це безумовно книжка, яка вистрілила завдяки темі. Але вміст — радше як гарно упакований дайджест для тих, хто щойно знайомиться з темою, ніж глибоке дослідження явища.
Це не Homo Deus і не Life 3.0.
📊 Що кажуть критики:
✔️ FT / NYT / WSJ — хвалять стиль, структуру, легкість викладу.
✔️ LA Times — зауважують, що книжка лишається на поверхні і уникає глибшого аналізу (і тут я з ними згоден).
✔️ Medium — одна з рецензенток зазначає, що після 60% книга стає повторюваною: «could have been 50–60 pages shorter».
✔️ Reddit — загалом позитивно: відзначають точність, зважений підхід, але без критики на кшталт “виснажує” чи “нічого нового”.
📚 Мій висновок:
Книжка написана легко. Вона дійсно може стати корисною для тих, хто щойно входить у тему. Вона допомагає розібратись у тому, чим AGI відрізняється від LLM, як AI став бізнесом, і що таке AI‑етика.
Але для мене — це радше епізод популярності ШІ, ніж текст, до якого хочеться повертатись. У певні моменти навіть складалось враження, що частини книги згенеровані самою LLM 😅
Я очікував більше осмислення від автора, а не просто якісного пересказу подій.
🤔 А ви читали Supremacy? Чи захотілось?
Чи мають книжки про ШІ бути глибокими — чи досить того, щоб вони просто влучили в момент?
🔔 ПІДПИСАТИСЯ
Одна з найгучніших публікацій про штучний інтелект, яка увійшла до списку «Найкращих книжок року» за версіями The New York Times і Financial Times, а також здобула нагороду FT Business Book of the Year.
Нарешті дочитав її — і ділюсь враженням. Можливо, для когось це буде натхненням, для когось — застереженням, а хтось узагалі вирішить не витрачати на неї час.
Книга наробила галасу по всьому світу. У новорічну відпустку я прочитав її першу половину — доволі швидко, із захопленням. А от друга розтягнулася на пів року. Чесно кажучи, Supremacy не виправдала моїх очікувань.
З одного боку, вона написана для широкого кола читачів. З іншого — дуже вже схожа на спробу встигнути на хайп-поїзд AI ✨
🧠 Хто стоїть за цією книгою?
Авторка розповідає про злет сучасного штучного інтелекту через постаті двох ключових гравців:
— Деміс Хассабіс — шаховий вундеркінд, нейронауковець і співзасновник DeepMind. Вірив, що AGI зможе допомогти людству розгадати наукові та навіть метафізичні таємниці.
— Сем Альтман — ексглава Y Combinator і нинішній CEO OpenAI. Мріяв зробити AI доступним для всіх, але під тиском інвестицій його компанія стала частково закритою й надто комерціалізованою.
Обидва починали як ідеалісти. Але індустрія швидко розставила свої пріоритети.
📌 Що дізнаєшся з цієї книги:
• 2022 — рік повороту: саме тоді вийшов ChatGPT і AI перестав бути суто науковою темою — він увірвався в побут.
• OpenAI = вже не open: компанія, яка починала як відкрита, поступово перейшла під вплив Microsoft і закрила доступ до своїх моделей.
• AI — це не лише технологія: це поле боротьби держав, корпорацій і капіталу.
• GPT — не розум, а передбачення: модель не розуміє тексту — вона лише статистично вгадує, що сказати наступним.
• Регуляції не встигають: технологія розвивається швидше, ніж суспільство встигає її осмислювати або контролювати.
👤 Біографії ≠ філософія
Так, біографії Маска, Хассабіса, Альтмана — цікаві. Я взагалі люблю читати про постаті, які вплинули на світ.
Але якщо я беру книгу про ШІ — я чекаю аналітики, візії, смислу, а не лише «хто з ким посварився» і «хто коли заснував стартап».
У Supremacy цього бракує.
🌈 Соціальні теми: вставка чи суть?
Авторка підіймає важливі теми — дискримінацію, упередженість, проблеми рівності. Але звучать вони, щиро кажучи, як обов’язкова вставка з міркувань етики, а не як органічна частина розповіді.
Хотілося б бачити більш глибоку інтеграцію цих тем у загальну структуру книги.
💰 Хайп ≠ глибина
Це безумовно книжка, яка вистрілила завдяки темі. Але вміст — радше як гарно упакований дайджест для тих, хто щойно знайомиться з темою, ніж глибоке дослідження явища.
Це не Homo Deus і не Life 3.0.
📊 Що кажуть критики:
✔️ FT / NYT / WSJ — хвалять стиль, структуру, легкість викладу.
✔️ LA Times — зауважують, що книжка лишається на поверхні і уникає глибшого аналізу (і тут я з ними згоден).
✔️ Medium — одна з рецензенток зазначає, що після 60% книга стає повторюваною: «could have been 50–60 pages shorter».
✔️ Reddit — загалом позитивно: відзначають точність, зважений підхід, але без критики на кшталт “виснажує” чи “нічого нового”.
📚 Мій висновок:
Книжка написана легко. Вона дійсно може стати корисною для тих, хто щойно входить у тему. Вона допомагає розібратись у тому, чим AGI відрізняється від LLM, як AI став бізнесом, і що таке AI‑етика.
Але для мене — це радше епізод популярності ШІ, ніж текст, до якого хочеться повертатись. У певні моменти навіть складалось враження, що частини книги згенеровані самою LLM 😅
Я очікував більше осмислення від автора, а не просто якісного пересказу подій.
🤔 А ви читали Supremacy? Чи захотілось?
Чи мають книжки про ШІ бути глибокими — чи досить того, щоб вони просто влучили в момент?
🔔 ПІДПИСАТИСЯ
10👍14❤1🌚1
🧠 Які професії зникнуть через ШІ, а які — навпаки, виграють?
Натрапив нещодавно на наукове дослідження від Microsoft — і з великою зацікавленістю його перечитав.
Це не просто думки футурологів, а серйозна академічна робота з аналізом сотень професій і тим, як саме ШІ може змінити робоче середовище — через автоматизацію або співпрацю.
Вони розробили цілу методологію під назвою AI Occupational Exposure (AIOE) Framework.
🔍 Вона оцінює:
▪️ Наскільки професія вразлива до автоматизації (AI disrupting human work)
▪️ І наскільки вона може бути підсилена ШІ (AI complementing human work)
📊 Дослідники проаналізували 900+ професій, використовуючи як LLM, так і людську експертизу.
Ось кілька висновків 👇
🔻 Найбільш вразливі професії (AI може замінити):
▫️ перекладачі
▫️ стенографи
▫️ юристи, що працюють із шаблонними документами
▫️ контент-модератори
▫️ оператори call-центрів
▫️ молодші позиції у фінансах, маркетингу, HR
🔺 Найбільш доповнювані професії (AI підсилює):
▫️ інженери
▫️ лікарі
▫️ дизайнери
▫️ аналітики
▫️ вчителі
▫️ дослідники
📌 Що це означає:
▪️ Якщо ваша робота передбачає повторювані, текстові задачі — подумайте, як її можна доповнити навичками критики, аналітики або роботи з людьми.
▪️ Якщо ви працюєте в креативній або технічній сфері — використовуйте ШІ як інструмент-помічник, а не конкурента.
▪️ І найголовніше: адаптація важливіша за захист.
Бо майбутнє — це не виживання найсильніших.
Це виживання найгнучкіших.
✅ Став 👍 якщо було корисно.
🔔 ПІДПИСАТИСЯ
Натрапив нещодавно на наукове дослідження від Microsoft — і з великою зацікавленістю його перечитав.
Це не просто думки футурологів, а серйозна академічна робота з аналізом сотень професій і тим, як саме ШІ може змінити робоче середовище — через автоматизацію або співпрацю.
“Ми не просто питаємо, *чи* ШІ вплине на професію. Ми запитуємо *як саме* — через автоматизацію чи колаборацію.”— пишуть автори.
Вони розробили цілу методологію під назвою AI Occupational Exposure (AIOE) Framework.
🔍 Вона оцінює:
▪️ Наскільки професія вразлива до автоматизації (AI disrupting human work)
▪️ І наскільки вона може бути підсилена ШІ (AI complementing human work)
📊 Дослідники проаналізували 900+ професій, використовуючи як LLM, так і людську експертизу.
Ось кілька висновків 👇
🔻 Найбільш вразливі професії (AI може замінити):
▫️ перекладачі
▫️ стенографи
▫️ юристи, що працюють із шаблонними документами
▫️ контент-модератори
▫️ оператори call-центрів
▫️ молодші позиції у фінансах, маркетингу, HR
“Професії, що ґрунтуються на тексті, — першими відчують на собі тиск моделей типу GPT. Їхня цінність зміщується від створення контенту до критичного мислення та перевірки фактів.”
🔺 Найбільш доповнювані професії (AI підсилює):
▫️ інженери
▫️ лікарі
▫️ дизайнери
▫️ аналітики
▫️ вчителі
▫️ дослідники
“AI не витісняє — він змінює фокус. Цінність зміщується до *людських* навичок: комунікації, емоційного інтелекту, стратегічного бачення.”
📌 Що це означає:
▪️ Якщо ваша робота передбачає повторювані, текстові задачі — подумайте, як її можна доповнити навичками критики, аналітики або роботи з людьми.
▪️ Якщо ви працюєте в креативній або технічній сфері — використовуйте ШІ як інструмент-помічник, а не конкурента.
▪️ І найголовніше: адаптація важливіша за захист.
Бо майбутнє — це не виживання найсильніших.
Це виживання найгнучкіших.
✅ Став 👍 якщо було корисно.
🔔 ПІДПИСАТИСЯ
6👍17🔥2👏1
✨ GPT‑5‑Pro довів нову математичну теорему
І це не просто гучна заява, а перевірений факт від одного з топ‑науковців у сфері ML
📌 Себастьян Бубек, дослідник з OpenAI (раніше VP у Microsoft Research), опублікував тред, де розповів:
🧩 він узяв наукову статтю з відкритою проблемою в галузі випуклої оптимізації
🤖 поставив задачу моделі GPT‑5‑Pro
📈 модель знайшла коректне математичне покращення — і це не вигадка, а перевірене доведення
📚 У чому була суть задачі?
🔹 Вчені досліджували, який розмір кроку в градієнтному спуску є «безпечним».
Це базовий алгоритм, який використовується для навчання нейромереж — він поступово «спускається» до мінімальної помилки, змінюючи параметри моделі.
📉 Якщо крок надто малий — модель вчиться дуже повільно, витрачаючи багато обчислювальних ресурсів, часу і грошей. Це може зробити навчання непрактичним для великих систем.
🚫 Якщо занадто великий — модель починає «перестрибувати» ціль, втрачає стабільність і не може навчитись узагалі: помилка не зменшується, а коливається або зростає.
❓ Але де саме проходить межа між «нормально» і «вже забагато» — цього ніхто точно не знав.
✨ GPT‑5‑Pro самостійно вивела нову межу, покращивши попередні результати — тобто частково розв'язала відкриту математичну задачу.
📌 І зробила це не через копіювання, а через власний логічний ланцюг, без підказок і спрощень.
⚠️ Так, у другій версії статті (v2 на arXiv) дослідники вже довели повну відповідь. Але GPT‑5‑Pro наблизилась до неї впритул — і це вже не «іграшка для тексту», а справжній науковий інструмент.
📌 Висновок:
GPT‑5‑Pro не просто говорить — вона створює нові знання.
Це вже не майбутнє — це реальність сьогодні.
📄 А якщо хочеш заглянути в саму наукову статтю — вона про геометричні властивості градієнтного спуску в задачах гладкої випуклої оптимізації.
🧠 Автори ставлять фундаментальне запитання: коли саме шлях функції втрат буде гладким і передбачуваним — і чому це важливо для машинного навчання?
👍 Став палець вгору, якщо хочеш огляд цієї статті — вона не проста, тож доведеться трохи попрацювати =)
Зроблю розбір, якщо пост набере 20+ лайків!
🔔 ПІДПИСАТИСЯ
І це не просто гучна заява, а перевірений факт від одного з топ‑науковців у сфері ML
📌 Себастьян Бубек, дослідник з OpenAI (раніше VP у Microsoft Research), опублікував тред, де розповів:
🧩 він узяв наукову статтю з відкритою проблемою в галузі випуклої оптимізації
🤖 поставив задачу моделі GPT‑5‑Pro
📈 модель знайшла коректне математичне покращення — і це не вигадка, а перевірене доведення
📚 У чому була суть задачі?
🔹 Вчені досліджували, який розмір кроку в градієнтному спуску є «безпечним».
Це базовий алгоритм, який використовується для навчання нейромереж — він поступово «спускається» до мінімальної помилки, змінюючи параметри моделі.
📉 Якщо крок надто малий — модель вчиться дуже повільно, витрачаючи багато обчислювальних ресурсів, часу і грошей. Це може зробити навчання непрактичним для великих систем.
🚫 Якщо занадто великий — модель починає «перестрибувати» ціль, втрачає стабільність і не може навчитись узагалі: помилка не зменшується, а коливається або зростає.
❓ Але де саме проходить межа між «нормально» і «вже забагато» — цього ніхто точно не знав.
✨ GPT‑5‑Pro самостійно вивела нову межу, покращивши попередні результати — тобто частково розв'язала відкриту математичну задачу.
📌 І зробила це не через копіювання, а через власний логічний ланцюг, без підказок і спрощень.
⚠️ Так, у другій версії статті (v2 на arXiv) дослідники вже довели повну відповідь. Але GPT‑5‑Pro наблизилась до неї впритул — і це вже не «іграшка для тексту», а справжній науковий інструмент.
📌 Висновок:
GPT‑5‑Pro не просто говорить — вона створює нові знання.
Це вже не майбутнє — це реальність сьогодні.
📄 А якщо хочеш заглянути в саму наукову статтю — вона про геометричні властивості градієнтного спуску в задачах гладкої випуклої оптимізації.
🧠 Автори ставлять фундаментальне запитання: коли саме шлях функції втрат буде гладким і передбачуваним — і чому це важливо для машинного навчання?
👍 Став палець вгору, якщо хочеш огляд цієї статті — вона не проста, тож доведеться трохи попрацювати =)
Зроблю розбір, якщо пост набере 20+ лайків!
🔔 ПІДПИСАТИСЯ
👍39
ProofOf{P}
✨ GPT‑5‑Pro довів нову математичну теорему І це не просто гучна заява, а перевірений факт від одного з топ‑науковців у сфері ML 📌 Себастьян Бубек, дослідник з OpenAI (раніше VP у Microsoft Research), опублікував тред, де розповів: 🧩 він узяв наукову статтю…
😅 Ех, усе-таки ви зібрали 20+ лайків…
Чесно? Я трохи сподівався, що не назбираєте — і можна буде спокійно перейти до чогось другого 😅
Але слово є слово.
📚 Тож доведеться знову зануритись у математичну теорію градієнтного спуску
і підготувати для вас огляд оригінальної наукової статті —
з поясненнями, прикладами і якомога зрозуміліше.
Дайте мені трошки часу 🧠
А поки що — завтра розберемо сам промпт Себастьяна:
як саме він поставив завдання GPT‑5‑Pro і чому воно спрацювало настільки круто 💡
Чесно? Я трохи сподівався, що не назбираєте — і можна буде спокійно перейти до чогось другого 😅
Але слово є слово.
📚 Тож доведеться знову зануритись у математичну теорію градієнтного спуску
і підготувати для вас огляд оригінальної наукової статті —
з поясненнями, прикладами і якомога зрозуміліше.
Дайте мені трошки часу 🧠
А поки що — завтра розберемо сам промпт Себастьяна:
як саме він поставив завдання GPT‑5‑Pro і чому воно спрацювало настільки круто 💡
❤5😁5🙏4🗿1
✅ У минулому пості я розповідав про те, як GPT‑5‑Pro довела нову математичну теорему
І як Себастьян Бубек фактично використав її для проведення невеликого наукового дослідження.
Сьогодні я хочу звернути вашу увагу на інший, не менш важливий аспект цієї історії —
наскільки критично важливо вміти правильно ставити запит (тобто промпт).
🧩 На цьому прикладі ми з вами побачимо, як одне коротке речення, сформульоване з точністю дослідника, дозволило мовній моделі не просто відповісти — а створити нове знання.
Тож давайте розбиратись: що саме він написав і чому це спрацювало? 👇
🔹 Промпт, з яким Себастьян Бубек звернувся до GPT‑5‑Pro:
🔍 Переклад українською:
Чи можеш покращити умову на крок (step-size) у Теоремі 1? Я не хочу додавати жодних нових припущень — просто попрацюй над покращенням умови на крок, використовуючи ті самі припущення, що й у Теоремі 1.
🧠 Що в ньому хорошого?
📌 Чітко визначена ціль:
👉 Він одразу позначає, що шукає: покращення межі на η (крок градієнтного спуску), яка фігурує у Теоремі 1.
❗️ Без додаткових припущень:
👉 Це дуже важливо. Багато LLM схильні "допридумувати" додаткові умови, щоб полегшити собі задачу. Ця фраза прямо блокує такий шлях.
🔒 Залишатись у рамках теореми:
👉 Він зафіксував "контекст" задачі — GPT не має права змінювати чи розширювати припущення, лише працювати всередині вже заданої логіки.
💡 Мінімалізм = максимальна точність:
👉 Промпт дуже короткий, але семантично насичений. Це майже як "філософське питання" для моделі, сформульоване без зайвих слів.
🧠 GPT‑5‑Pro витратила 17 хвилин на обґрунтування й повернула доказ з новою межею:
— тобто покращила результат, не змінюючи рамок задачі.
🔍 Чому це спрацювало?
✔️ GPT‑5‑Pro може читати PDF, тому має доступ до формального формулювання Теореми 1
✔️ Завдяки суворому формулюванню вона не підміняє зміст — не додає штучних припущень, а працює з існуючою логікою
✔️ Він не просив «поясни», «перепиши» чи «доведи заново», а саме:
а це якраз те, в чому GPT‑5‑Pro особливо сильна
📌 Висновок:
Це еталонний технічний промпт для GPT‑5‑Pro.
Короткий, чіткий, без надлишкової конкретики, але з дуже жорсткими рамками.
Саме такі запити дозволяють LLM показувати найвищий клас —
не просто відповідати, а творити нове знання.
✅ Став 👍 якщо було корисно.
🔔 ПІДПИСАТИСЯ
І як Себастьян Бубек фактично використав її для проведення невеликого наукового дослідження.
Сьогодні я хочу звернути вашу увагу на інший, не менш важливий аспект цієї історії —
наскільки критично важливо вміти правильно ставити запит (тобто промпт).
🧩 На цьому прикладі ми з вами побачимо, як одне коротке речення, сформульоване з точністю дослідника, дозволило мовній моделі не просто відповісти — а створити нове знання.
Тож давайте розбиратись: що саме він написав і чому це спрацювало? 👇
🔹 Промпт, з яким Себастьян Бубек звернувся до GPT‑5‑Pro:
Can you improve the condition on the step-size in Theorem 1? I don't want to add any more hypothesis, I just want you to work to improve the step-size condition under the same assumptions as Theorem 1.
🔍 Переклад українською:
Чи можеш покращити умову на крок (step-size) у Теоремі 1? Я не хочу додавати жодних нових припущень — просто попрацюй над покращенням умови на крок, використовуючи ті самі припущення, що й у Теоремі 1.
🧠 Що в ньому хорошого?
📌 Чітко визначена ціль:
Can you improve the condition on the step-size in Theorem 1?👉 Він одразу позначає, що шукає: покращення межі на η (крок градієнтного спуску), яка фігурує у Теоремі 1.
❗️ Без додаткових припущень:
I don’t want to add any more hypothesis👉 Це дуже важливо. Багато LLM схильні "допридумувати" додаткові умови, щоб полегшити собі задачу. Ця фраза прямо блокує такий шлях.
🔒 Залишатись у рамках теореми:
…under the same assumptions as Theorem 1.👉 Він зафіксував "контекст" задачі — GPT не має права змінювати чи розширювати припущення, лише працювати всередині вже заданої логіки.
💡 Мінімалізм = максимальна точність:
👉 Промпт дуже короткий, але семантично насичений. Це майже як "філософське питання" для моделі, сформульоване без зайвих слів.
🧠 GPT‑5‑Pro витратила 17 хвилин на обґрунтування й повернула доказ з новою межею:
η ≤ 3 / (2L)
— тобто покращила результат, не змінюючи рамок задачі.
🔍 Чому це спрацювало?
✔️ GPT‑5‑Pro може читати PDF, тому має доступ до формального формулювання Теореми 1
✔️ Завдяки суворому формулюванню вона не підміняє зміст — не додає штучних припущень, а працює з існуючою логікою
✔️ Він не просив «поясни», «перепиши» чи «доведи заново», а саме:
оптимізуй існуючий результат —а це якраз те, в чому GPT‑5‑Pro особливо сильна
📌 Висновок:
Це еталонний технічний промпт для GPT‑5‑Pro.
Короткий, чіткий, без надлишкової конкретики, але з дуже жорсткими рамками.
Саме такі запити дозволяють LLM показувати найвищий клас —
не просто відповідати, а творити нове знання.
✅ Став 👍 якщо було корисно.
🔔 ПІДПИСАТИСЯ
👍20🎉2
🌏 Усі знають про ChatGPT — по суті, це мовна модель США, побудована на англомовному контексті, з відповідними культурними кодами та цінностями. І вона чудово працює для глобальної аудиторії — але саме як "американський голос" штучного інтелекту.
🇨🇳 У відповідь Китай запустив DeepSeek — повністю відкриту модель з потужною логікою, що вже змагається з GPT‑4.
🇸🇦 Саудівська Аравія інвестує мільярди у власні LLM на базі дослідницьких центрів і закупівлі H100.
🇮🇳 Індія — ось я писав про це раніше — розгорнула понад 19 000 GPU і працює над BharatGPT та ще кількома національними моделями.
🇺🇦 Україна теж не стоїть осторонь — Kyivstar, Мінцифра та WINWIN AI вже заявили про запуск української LLM до кінця 2025 року.
🇪🇺 І от у цій глобальній гонці є дуже потужний гравець, про якого чомусь майже не знають за межами AI-кола — це Франція та її компанія Mistral AI, яка сьогодні вважається головною надією Європи на власний штучний інтелект.
👉 Про неї детально — у цьому пості завтра з ранку.
🇨🇳 У відповідь Китай запустив DeepSeek — повністю відкриту модель з потужною логікою, що вже змагається з GPT‑4.
🇸🇦 Саудівська Аравія інвестує мільярди у власні LLM на базі дослідницьких центрів і закупівлі H100.
🇮🇳 Індія — ось я писав про це раніше — розгорнула понад 19 000 GPU і працює над BharatGPT та ще кількома національними моделями.
🇺🇦 Україна теж не стоїть осторонь — Kyivstar, Мінцифра та WINWIN AI вже заявили про запуск української LLM до кінця 2025 року.
🇪🇺 І от у цій глобальній гонці є дуже потужний гравець, про якого чомусь майже не знають за межами AI-кола — це Франція та її компанія Mistral AI, яка сьогодні вважається головною надією Європи на власний штучний інтелект.
👉 Про неї детально — у цьому пості завтра з ранку.
👍17
🇫🇷 🇪🇺 Mistral AI — Європа теж створює свою мовну модель
Виявляється, Європа вже має свою потужну альтернативу ChatGPT, і це — Mistral AI.
Це французький стартап, заснований лише у 2023 році, але вже оцінюється в $6–10 млрд. Його підтримує уряд, Microsoft, CMA CGM, AFP, а за чутками — Apple навіть розглядала можливість поглинання.
Але головне не в грошах. Головне — у філософії:
🔍 Що робить Mistral AI унікальним?
✅ Open Source по-справжньому
Моделі на кшталт Mistral 7B, Mixtral 8×7B або Codestral 22B доступні з відкритим кодом (Apache 2.0 licence). Їх можна запускати локально, fine-tune'ити, інтегрувати в будь-який продукт — без обмежень.
🧠 Якість при компактності
Моделі від Mistral AI вражають тим, як багато вони можуть — за мінімальних вимог до ресурсів.
🔹 Mixtral — це модель з архітектурою "експертів" (Mixture of Experts), яка активує лише частину параметрів під час відповіді. Це дозволяє їй працювати набагато швидше, а в деяких тестах — перевершувати навіть GPT‑3.5 і LLaMA 70B, при цьому залишаючись легкою для запуску.
🔹 Codestral — модель, спеціально створена для програмування. На сьогодні — одна з найпотужніших open-source моделей для генерації коду (підтримує понад 80 мов програмування).
🔹 Mathstral, Devstral і Magistral — це вже вузькоспеціалізовані моделі для математичних, технічних і логічних задач. Вони розроблені для покращення reasoning і точності в критичних сферах.
🗣 Мультимовність — з фокусом на Європу
Це не просто підтримка мов. Це — збереження культурних контекстів. Mistral тренуються одразу на французькій, німецькій, італійській тощо.
Французький уряд уже інтегрував їхній Le Chat у державні структури та медіа (AFP), а CEO компанії прямо заявляє:
🧩 Чому це важливо для Європи:
• 24 офіційні мови → потрібна локалізація
• Законодавство GDPR та AI Act → потрібна прозорість і контроль
• Суверенітет → не можна покладатися лише на OpenAI або DeepSeek
💬 Висновок:
Mistral — це не просто "європейський клон ChatGPT". Це — інфраструктурна ставка на відкритість (як китайский AI), контроль над даними і збереження мовно-культурної ідентичності.
🇺🇸 США мають OpenAI
🇨🇳 Китай — DeepSeek
🇮🇳 Індія — BharatGPT
🇺🇦 Україна — робить свою LLM
🇪🇺 А Європа? — Mistral
📌 Від себе додам: я раджу слідкувати за розвитком Mistral — це одна з найперспективніших відкритих моделей, яка краще адаптована до європейських мов, культур і правових реалій.
І головне — вона відкрита - тобто безкоштовна і наближена до користувача.
✅ Став 👍 якщо було корисно.
🔔 ПІДПИСАТИСЯ
Виявляється, Європа вже має свою потужну альтернативу ChatGPT, і це — Mistral AI.
Це французький стартап, заснований лише у 2023 році, але вже оцінюється в $6–10 млрд. Його підтримує уряд, Microsoft, CMA CGM, AFP, а за чутками — Apple навіть розглядала можливість поглинання.
Але головне не в грошах. Головне — у філософії:
🔍 Що робить Mistral AI унікальним?
✅ Open Source по-справжньому
Моделі на кшталт Mistral 7B, Mixtral 8×7B або Codestral 22B доступні з відкритим кодом (Apache 2.0 licence). Їх можна запускати локально, fine-tune'ити, інтегрувати в будь-який продукт — без обмежень.
🧠 Якість при компактності
Моделі від Mistral AI вражають тим, як багато вони можуть — за мінімальних вимог до ресурсів.
🔹 Mixtral — це модель з архітектурою "експертів" (Mixture of Experts), яка активує лише частину параметрів під час відповіді. Це дозволяє їй працювати набагато швидше, а в деяких тестах — перевершувати навіть GPT‑3.5 і LLaMA 70B, при цьому залишаючись легкою для запуску.
🔹 Codestral — модель, спеціально створена для програмування. На сьогодні — одна з найпотужніших open-source моделей для генерації коду (підтримує понад 80 мов програмування).
🔹 Mathstral, Devstral і Magistral — це вже вузькоспеціалізовані моделі для математичних, технічних і логічних задач. Вони розроблені для покращення reasoning і точності в критичних сферах.
🗣 Мультимовність — з фокусом на Європу
Це не просто підтримка мов. Це — збереження культурних контекстів. Mistral тренуються одразу на французькій, німецькій, італійській тощо.
Французький уряд уже інтегрував їхній Le Chat у державні структури та медіа (AFP), а CEO компанії прямо заявляє:
“Ми не повинні залежати від США чи Китаю. Кожна країна має створити свою AI-інфраструктуру.”
🧩 Чому це важливо для Європи:
• 24 офіційні мови → потрібна локалізація
• Законодавство GDPR та AI Act → потрібна прозорість і контроль
• Суверенітет → не можна покладатися лише на OpenAI або DeepSeek
💬 Висновок:
Mistral — це не просто "європейський клон ChatGPT". Це — інфраструктурна ставка на відкритість (як китайский AI), контроль над даними і збереження мовно-культурної ідентичності.
🇺🇸 США мають OpenAI
🇨🇳 Китай — DeepSeek
🇮🇳 Індія — BharatGPT
🇺🇦 Україна — робить свою LLM
🇪🇺 А Європа? — Mistral
📌 Від себе додам: я раджу слідкувати за розвитком Mistral — це одна з найперспективніших відкритих моделей, яка краще адаптована до європейських мов, культур і правових реалій.
І головне — вона відкрита - тобто безкоштовна і наближена до користувача.
✅ Став 👍 якщо було корисно.
🔔 ПІДПИСАТИСЯ
👍21❤2
💡 А ви колись задумувались, скільки енергії “спалює” штучний інтелект?
Ми щодня користуємось AI — ChatGPT, генерація зображень, голосові помічники.
Але що відбувається за лаштунками? Скільки електроенергії споживає один prompt? А скільки води? А які ресурси йдуть на тренування великих моделей?
⚡️ Більшість електроенергії у світі — це викопне паливо.
А отже — кожен запит до LLM = CO₂ + вода + матеріали.
І чим потужніші моделі, тим більший слід вони залишають.
📈 AI-гонка набирає обертів. Але постає логічне питання:
яку ціну платить планета?
🇫🇷 У мене є відповідь.
Компанія Mistral вперше провела повний аудит впливу своєї моделі Mistral Large 2 на екологію. І результати вас здивують.
📝 Завтра — детальний пост із цифрами.
Спокійної ночі 🌙
Ми щодня користуємось AI — ChatGPT, генерація зображень, голосові помічники.
Але що відбувається за лаштунками? Скільки електроенергії споживає один prompt? А скільки води? А які ресурси йдуть на тренування великих моделей?
⚡️ Більшість електроенергії у світі — це викопне паливо.
А отже — кожен запит до LLM = CO₂ + вода + матеріали.
І чим потужніші моделі, тим більший слід вони залишають.
📈 AI-гонка набирає обертів. Але постає логічне питання:
яку ціну платить планета?
🇫🇷 У мене є відповідь.
Компанія Mistral вперше провела повний аудит впливу своєї моделі Mistral Large 2 на екологію. І результати вас здивують.
📝 Завтра — детальний пост із цифрами.
Спокійної ночі 🌙
👀8👌5👍3
🌍 Скільки ресурсів “з’їдає” штучний інтелект?
📊 Що саме споживає модель, коли ти надсилаєш черговий prompt?
Французька AI-компанія Mistral вперше опублікувала повний екологічний звіт про свою флагманську модель Mistral Large 2 (123 млрд параметрів).
І це не просто “цифри про електроенергію”. Вони врахували:
🔹 будівництво дата-центрів
🔹 виробництво й транспортування серверів
🔹 навчання й інференс моделі
🔹 використання користувачами
🔹 навіть непрямі ефекти від запитів
Аналіз зроблено за методологією Frugal AI від французької організації стандартизації (AFNOR), за участі екологічних консультантів і незалежного аудиту.
📉 Вплив навчання Mistral Large 2:
🛢 20 400 тонн CO₂ — викиди парникових газів (≈ як 4 400 авто на бензині за рік)
💧 281 000 м³ води — пішло на охолодження (≈ як споживає сім’я з 4 людей за 500 років)
⚙️ 85,5% викидів — від навчання та інференсу
🔧 61% усіх матеріалів — на виробництво та утилізацію серверів
🌐 1% — вплив від мережевого трафіку (тобто те, що “літає” в інтернеті)
📎 Один запит (400 токенів = сторінка тексту):
🌫 1,14 г CO₂ — стільки виробляється при 1 запиті до моделі
🔸 Це як 10 сек відео в YouTube (США)
🔸 або 55 сек у Франції (де енергія “чистіша”)
💦 45 мл води — використовується на охолодження (≈ 3 столові ложки)
🪙 Матеріали — витрачається стільки, скільки на виготовлення монети в 2 євро
Ці три показники (викиди, вода, матеріали) — це разом екологічний слід одного запиту.
🤔 А що з GPU та “залізом”?
Mistral визнала, що точні дані про вплив GPU поки відсутні. Індустрія тільки підходить до створення стандартів оцінки.
🌐 Чому це важливо:
AI вже сьогодні споживає великі обсяги енергії, і з кожною новою LLM (а їх десятки) споживання зростатиме.
Але водночас AI може й заощаджувати ресурси — оптимізувати енергетику, інфраструктуру, логістику.
🧭 Стандартизований аудит, як зробила Mistral — це крок до усвідомленої та зеленої AI-економіки.
І можливо, скоро ти зможеш обирати не лише модель за точністю, а й за її екологічним слідом.
💬 А як ви думаєте? Напишіть у коментарях👇
Чи варто враховувати екологічний слід при оцінці AI-моделей — так само, як точність чи швидкість?
Ми вже звикли міряти все в токенах, гігабайтах і FLOPs.
Але готові ми платити ще й три ложки води за кожен prompt? 🥄🥄🥄
🔔 ПІДПИСАТИСЯ
📊 Що саме споживає модель, коли ти надсилаєш черговий prompt?
Французька AI-компанія Mistral вперше опублікувала повний екологічний звіт про свою флагманську модель Mistral Large 2 (123 млрд параметрів).
І це не просто “цифри про електроенергію”. Вони врахували:
🔹 будівництво дата-центрів
🔹 виробництво й транспортування серверів
🔹 навчання й інференс моделі
🔹 використання користувачами
🔹 навіть непрямі ефекти від запитів
Аналіз зроблено за методологією Frugal AI від французької організації стандартизації (AFNOR), за участі екологічних консультантів і незалежного аудиту.
📉 Вплив навчання Mistral Large 2:
🛢 20 400 тонн CO₂ — викиди парникових газів (≈ як 4 400 авто на бензині за рік)
💧 281 000 м³ води — пішло на охолодження (≈ як споживає сім’я з 4 людей за 500 років)
⚙️ 85,5% викидів — від навчання та інференсу
🔧 61% усіх матеріалів — на виробництво та утилізацію серверів
🌐 1% — вплив від мережевого трафіку (тобто те, що “літає” в інтернеті)
📎 Один запит (400 токенів = сторінка тексту):
🌫 1,14 г CO₂ — стільки виробляється при 1 запиті до моделі
🔸 Це як 10 сек відео в YouTube (США)
🔸 або 55 сек у Франції (де енергія “чистіша”)
💦 45 мл води — використовується на охолодження (≈ 3 столові ложки)
🪙 Матеріали — витрачається стільки, скільки на виготовлення монети в 2 євро
Ці три показники (викиди, вода, матеріали) — це разом екологічний слід одного запиту.
🤔 А що з GPU та “залізом”?
Mistral визнала, що точні дані про вплив GPU поки відсутні. Індустрія тільки підходить до створення стандартів оцінки.
🌐 Чому це важливо:
AI вже сьогодні споживає великі обсяги енергії, і з кожною новою LLM (а їх десятки) споживання зростатиме.
Але водночас AI може й заощаджувати ресурси — оптимізувати енергетику, інфраструктуру, логістику.
🧭 Стандартизований аудит, як зробила Mistral — це крок до усвідомленої та зеленої AI-економіки.
І можливо, скоро ти зможеш обирати не лише модель за точністю, а й за її екологічним слідом.
💬 А як ви думаєте? Напишіть у коментарях👇
Чи варто враховувати екологічний слід при оцінці AI-моделей — так само, як точність чи швидкість?
Ми вже звикли міряти все в токенах, гігабайтах і FLOPs.
Але готові ми платити ще й три ложки води за кожен prompt? 🥄🥄🥄
🔔 ПІДПИСАТИСЯ
👍10👏2😱1
⚡️ Коли AI не лише «спалює» енергію, а й допомагає її зекономити
У коментарях під попереднім постом зʼявилась думка, що AI не лише споживає ресурси, а й допомагає їх зберігати.
На цю тему я знайшов показовий звіт IEA від 10 квітня 2025 року, що містить глибоке моделювання:
споживання електроенергії дата-центрами майже подвоїться до 2030 року — до 945 TWh, як річне споживання Японії.
Головний драйвер зростання — AI‑оптимізовані центри, які потягнуть на себе у 4 рази більше енергії, ніж зараз.
Джерело - Звіт IEA (10 квітня 2025)
🔌 Основне зростання навантаження на енергосистему очікується у США, Китаї та Європі — разом вони відповідатимуть за 80% приросту енергоспоживання дата-центрів у світі.
Але AI — не лише поглинач енергії. Він вже зараз робить мережу більш гнучкою:
• AI збільшує пропускну здатність мережі на 175GW, інтегруючи renewables.
• прогнозує виробництво й споживання електроенергії
• Оптимізує ТЕС, обслуговування й ремонт — економія до $110 млрд щорічно до 2035 року
• оптимізує промислові процеси, транспорт і будівлі
🌞 Хмарні й AI-компанії вже уклали десятки 10–20-річних контрактів на постачання відновлюваної енергії — переважно сонячної. Саме дата-центри стали головними замовниками «зеленої» генерації.
Якщо масштабувати ці рішення — можна зменшити викиди CO₂ на 1,4гигатонни до 2035 року — у 5 разів більше, ніж спричинять самі дата‑центри.
🤔 Але чим ефективніше AI → тим ширше його застосування → тим вищі загальні витрати.
Це парадокс Джевонса — коли оптимізація породжує ще більше споживання.
✅ Став 👍 якщо було корисно.
🔔 ПІДПИСАТИСЯ
У коментарях під попереднім постом зʼявилась думка, що AI не лише споживає ресурси, а й допомагає їх зберігати.
На цю тему я знайшов показовий звіт IEA від 10 квітня 2025 року, що містить глибоке моделювання:
споживання електроенергії дата-центрами майже подвоїться до 2030 року — до 945 TWh, як річне споживання Японії.
Головний драйвер зростання — AI‑оптимізовані центри, які потягнуть на себе у 4 рази більше енергії, ніж зараз.
Джерело - Звіт IEA (10 квітня 2025)
🔌 Основне зростання навантаження на енергосистему очікується у США, Китаї та Європі — разом вони відповідатимуть за 80% приросту енергоспоживання дата-центрів у світі.
Але AI — не лише поглинач енергії. Він вже зараз робить мережу більш гнучкою:
• AI збільшує пропускну здатність мережі на 175GW, інтегруючи renewables.
• прогнозує виробництво й споживання електроенергії
• Оптимізує ТЕС, обслуговування й ремонт — економія до $110 млрд щорічно до 2035 року
• оптимізує промислові процеси, транспорт і будівлі
🌞 Хмарні й AI-компанії вже уклали десятки 10–20-річних контрактів на постачання відновлюваної енергії — переважно сонячної. Саме дата-центри стали головними замовниками «зеленої» генерації.
Якщо масштабувати ці рішення — можна зменшити викиди CO₂ на 1,4гигатонни до 2035 року — у 5 разів більше, ніж спричинять самі дата‑центри.
🤔 Але чим ефективніше AI → тим ширше його застосування → тим вищі загальні витрати.
Це парадокс Джевонса — коли оптимізація породжує ще більше споживання.
✅ Став 👍 якщо було корисно.
🔔 ПІДПИСАТИСЯ
👍16
📌 Prompt тижня: Reverse-engineer desired format
🎯 Хочеш навчитися отримувати від ChatGPT саме той формат відповіді, який потрібен тобі?
Спробуй цей prompt:
👉 Here’s the kind of answer I want: [приклад]. Write the exact prompt I should use.
(укр. «Ось приклад відповіді, яку я хочу. Напиши точний промпт, який я маю використати.»)
💡 Що робить цей prompt:
Ти не просто ставиш питання, а одразу показуєш еталон — приклад відповіді у потрібному форматі: таблиця, чеклист, сценарій, бізнес-план чи email.
Далі модель сама підбирає для тебе правильний промпт, щоб надалі стабільно давати подібні результати.
Цей підхід називається «reverse engineering» (зворотне проєктування). Інженери та ті, хто працює з кодом, чудово знають цей термін: ти дивишся на готовий результат і «розмотуєш» його назад, щоб зрозуміти, як його зроблено.
Тут ми робимо те саме з ChatGPT — показуємо, який результат хочемо, і змушуємо модель «навчити нас» отримувати його знову і знову.
🧪 Приклади:
👨🏫 Завдання:
Спробуй цей підхід мінімум 2 рази цього тижня для своїх робочих чи навчальних задач.
Результат: більше точності, менше хаотичних відповідей.
💬 Напиши в коментарях, для якого формату ти хочеш «навчити» ChatGPT.
Став 👍 якщо пост був корисним — щоб я бачив, що варто робити більше таких!
🔔 ПІДПИСАТИСЯ
🎯 Хочеш навчитися отримувати від ChatGPT саме той формат відповіді, який потрібен тобі?
Спробуй цей prompt:
👉 Here’s the kind of answer I want: [приклад]. Write the exact prompt I should use.
(укр. «Ось приклад відповіді, яку я хочу. Напиши точний промпт, який я маю використати.»)
💡 Що робить цей prompt:
Ти не просто ставиш питання, а одразу показуєш еталон — приклад відповіді у потрібному форматі: таблиця, чеклист, сценарій, бізнес-план чи email.
Далі модель сама підбирає для тебе правильний промпт, щоб надалі стабільно давати подібні результати.
Цей підхід називається «reverse engineering» (зворотне проєктування). Інженери та ті, хто працює з кодом, чудово знають цей термін: ти дивишся на готовий результат і «розмотуєш» його назад, щоб зрозуміти, як його зроблено.
Тут ми робимо те саме з ChatGPT — показуємо, який результат хочемо, і змушуємо модель «навчити нас» отримувати його знову і знову.
🧪 Приклади:
Here’s the kind of answer I want: таблиця з плюсами та мінусами кожного варіанту. Write the exact prompt I should use. Here’s the kind of answer I want: короткий бізнес-план на одній сторінці. Write the exact prompt I should use. Here’s the kind of answer I want: структурований конспект статті з підзаголовками. Write the exact prompt I should use. 👨🏫 Завдання:
Спробуй цей підхід мінімум 2 рази цього тижня для своїх робочих чи навчальних задач.
Результат: більше точності, менше хаотичних відповідей.
💬 Напиши в коментарях, для якого формату ти хочеш «навчити» ChatGPT.
Став 👍 якщо пост був корисним — щоб я бачив, що варто робити більше таких!
🔔 ПІДПИСАТИСЯ
👍13🔥4
🤖 Пророкування CEO Anthropic
Пів року тому Дарио Амодей (CEO Anthropic) зробив гучну заяву:
❗️ Пройшло рівно 6 місяців — час перевірити, наскільки це справдилося.
🗓 Що каже сам Амодей зараз?
🗣 У новому пості на Medium (серпень 2025) він визнав: прогноз виявився передчасним.
🔹 Сьогодні Claude-боти генерують понад 70% pull request'ів в Anthropic
🔹 Але повноцінні AI-агенти поки не здатні самостійно підтримувати складні проєкти
Його висновок:
• 84% розробників вже використовують або планують використовувати AI
• 51% — застосовують щодня
• Поточна точність автономного кодування — лише 33–40% (за SWE-bench)
📊 Що кажуть цифри з ринку:
🔸 GitHub: Copilot генерує ~46% коду у проєктах з увімкненим плагіном
🔸 IBM: у корпоративному середовищі — лише 20–30%
🔸 Reddit: «AI чудовий для шаблонів, але не замінює архітекторів»
🧨 Індустрія реагує:
• CEO IBM: «AI підсилює, але не замінює девелоперів»
• COO OpenAI: «AI не витісняє — він змінює ролі»
• CEO NVIDIA: «AI не має розвиватися в темній кімнаті. Страх — не стратегія»
🧭 Висновок:
ШІ справді змінює правила гри. Але «революція» — не моментальна.
Йде еволюція ролі розробника: від «писати код» ➤ до «керувати агентами».
А що думаєш ти? Як скоро нас всiх замiнять?
💬 Напиши свою думку в коментарях
🔔 ПІДПИСАТИСЯ
Пів року тому Дарио Амодей (CEO Anthropic) зробив гучну заяву:
«Через 3–6 місяців ШІ буде писати 90% усього коду. А через рік — майже весь код»
❗️ Пройшло рівно 6 місяців — час перевірити, наскільки це справдилося.
🗓 Що каже сам Амодей зараз?
🗣 У новому пості на Medium (серпень 2025) він визнав: прогноз виявився передчасним.
🔹 Сьогодні Claude-боти генерують понад 70% pull request'ів в Anthropic
🔹 Але повноцінні AI-агенти поки не здатні самостійно підтримувати складні проєкти
Його висновок:
• 84% розробників вже використовують або планують використовувати AI
• 51% — застосовують щодня
• Поточна точність автономного кодування — лише 33–40% (за SWE-bench)
📊 Що кажуть цифри з ринку:
🔸 GitHub: Copilot генерує ~46% коду у проєктах з увімкненим плагіном
🔸 IBM: у корпоративному середовищі — лише 20–30%
🔸 Reddit: «AI чудовий для шаблонів, але не замінює архітекторів»
🧨 Індустрія реагує:
• CEO IBM: «AI підсилює, але не замінює девелоперів»
• COO OpenAI: «AI не витісняє — він змінює ролі»
• CEO NVIDIA: «AI не має розвиватися в темній кімнаті. Страх — не стратегія»
🧭 Висновок:
ШІ справді змінює правила гри. Але «революція» — не моментальна.
Йде еволюція ролі розробника: від «писати код» ➤ до «керувати агентами».
А що думаєш ти? Як скоро нас всiх замiнять?
💬 Напиши свою думку в коментарях
🔔 ПІДПИСАТИСЯ
👍11🔥1
🧠 А ви точно розумієте, що таке LLM?
Слово LLM (Large Language Model) стало повсюдним.
Ми щодня користуємось ChatGPT, який побудований на базі LLM — але це не синоніми.
Серйозно — ви дійсно розумієте, що таке LLM?
Не на інтуїтивному рівні, а на рівні понять, архітектури та історії?
Ось короткий розбір для тих, хто хоче мислити чітко👇
❗️ Чому ChatGPT ≠ LLM?
ChatGPT — це продукт: інтерфейс, API, інфраструктура, памʼять, фільтри, guardrails, інструкції, правила поведінки.
В основі ChatGPT — LLM (наприклад, GPT‑4 або GPT‑4o), але сам по собі LLM — це лише модель, яка генерує текст.
Інакше кажучи:
LLM = двигун
ChatGPT = машина, збудована на цьому двигуні
📌 Що таке LLM — по суті:
LLM — це не конкретний алгоритм чи одна архітектура. Це категорія моделей, які мають одночасно:
1️⃣ Масштаб — мільярди параметрів
2️⃣ Мовне передтренування на гігантських корпусах (веб, книги, код…)
3️⃣ Генеративний підхід (наступне слово, маскування, інструкція…)
4️⃣ Загального призначення — одна модель вирішує сотні різних завдань
5️⃣ Архітектура? — так, майже завжди це Transformer, але не обов’язково
☝️ Transformer — не єдино можлива архітектура, але саме він забезпечив прорив у масштабуванні.
🔍 Чому майже всі LLM — це Transformers?
Бо трансформери:
— масштабуються найкраще: чим більша модель, тим вища якість — це підтверджено в легендарній статті “Scaling Laws” (OpenAI, 2020)
— демонструють emergent abilities — нові вміння без спеціального навчання
— легко адаптуються через prompt або fine-tune
— підтримуються всіма сучасними фреймворками (HuggingFace, OpenAI, Meta AI…)
➡️ Висновок:
LLM ≠ Transformer, але на практиці сьогодні — це майже завжди одне й те саме.
🧾 Трошки історії:
▫️ 2003 — Йошуа Бенжіо, один із "батьків глибокого навчання",
публікує “A Neural Probabilistic Language Model” — першу нейромережеву мовну модель з embedding
▫️ 2017 — зʼявляється Transformer: “Attention is All You Need”
▫️ 2018–2019 — виходять GPT, BERT, T5 → відбувається вибух якості
▫️ 2020 — Scaling Laws: чим більше модель + даних + обчислень — тим кращі результати
▫️ 2021–2023 — зʼявляються перші оглядові статті, що формалізують термін LLM
Цікаво, що GPT зʼявився ще у 2018–2019, а ви дізнались про нього лише у 2022–2023 через ChatGPT 😉
LLM — це не просто “велика нейромережа”.
LLM — це не просто “велика нейромережа”.
Це цілий підхід: архітектура × масштаб × дані × узагальнення
🤔 А ну зізнавайтесь — хто досі думав, що LLM — це просто “великий чатік”?
👍 Якщо стало зрозуміліше — підтримай пост!
🔔 ПІДПИСАТИСЯ НА КАНАЛ
Слово LLM (Large Language Model) стало повсюдним.
Ми щодня користуємось ChatGPT, який побудований на базі LLM — але це не синоніми.
Серйозно — ви дійсно розумієте, що таке LLM?
Не на інтуїтивному рівні, а на рівні понять, архітектури та історії?
Ось короткий розбір для тих, хто хоче мислити чітко👇
❗️ Чому ChatGPT ≠ LLM?
ChatGPT — це продукт: інтерфейс, API, інфраструктура, памʼять, фільтри, guardrails, інструкції, правила поведінки.
В основі ChatGPT — LLM (наприклад, GPT‑4 або GPT‑4o), але сам по собі LLM — це лише модель, яка генерує текст.
Інакше кажучи:
LLM = двигун
ChatGPT = машина, збудована на цьому двигуні
📌 Що таке LLM — по суті:
LLM — це не конкретний алгоритм чи одна архітектура. Це категорія моделей, які мають одночасно:
1️⃣ Масштаб — мільярди параметрів
2️⃣ Мовне передтренування на гігантських корпусах (веб, книги, код…)
3️⃣ Генеративний підхід (наступне слово, маскування, інструкція…)
4️⃣ Загального призначення — одна модель вирішує сотні різних завдань
5️⃣ Архітектура? — так, майже завжди це Transformer, але не обов’язково
☝️ Transformer — не єдино можлива архітектура, але саме він забезпечив прорив у масштабуванні.
🔍 Чому майже всі LLM — це Transformers?
Бо трансформери:
— масштабуються найкраще: чим більша модель, тим вища якість — це підтверджено в легендарній статті “Scaling Laws” (OpenAI, 2020)
— демонструють emergent abilities — нові вміння без спеціального навчання
— легко адаптуються через prompt або fine-tune
— підтримуються всіма сучасними фреймворками (HuggingFace, OpenAI, Meta AI…)
➡️ Висновок:
LLM ≠ Transformer, але на практиці сьогодні — це майже завжди одне й те саме.
🧾 Трошки історії:
▫️ 2003 — Йошуа Бенжіо, один із "батьків глибокого навчання",
публікує “A Neural Probabilistic Language Model” — першу нейромережеву мовну модель з embedding
▫️ 2017 — зʼявляється Transformer: “Attention is All You Need”
▫️ 2018–2019 — виходять GPT, BERT, T5 → відбувається вибух якості
▫️ 2020 — Scaling Laws: чим більше модель + даних + обчислень — тим кращі результати
▫️ 2021–2023 — зʼявляються перші оглядові статті, що формалізують термін LLM
Цікаво, що GPT зʼявився ще у 2018–2019, а ви дізнались про нього лише у 2022–2023 через ChatGPT 😉
LLM — це не просто “велика нейромережа”.
LLM — це не просто “велика нейромережа”.
Це цілий підхід: архітектура × масштаб × дані × узагальнення
🤔 А ну зізнавайтесь — хто досі думав, що LLM — це просто “великий чатік”?
👍 Якщо стало зрозуміліше — підтримай пост!
🔔 ПІДПИСАТИСЯ НА КАНАЛ
1👍24
⚙️ А що таке Transformer — серце сучасного ШІ?
У вчорашньому пості ми з’ясували: LLM — це не ChatGPT, а складна модель, збудована на основі архітектури Transformer.
І тут багато хто завис…
😅 Так, так, я знаю — частина моїх студентів уже знайома з transformer‑архітектурою, і певні інженери, що мене читають, теж чудово в темі.
Але для більшості це слово все ще звучить загадково.
Transformer? Це що — трансформер з «Теслабота»? Оптимус Прайм?
🧠 Насправді — ні. Але це найважливіша технологія в ШІ за останні 10 років.
👇 Пояснюю простими словами:
🚀 Що таке Transformer?
Це архітектура нейромережі, яку придумали в 2017 році дослідники Google у легендарній статті “Attention is All You Need”.
Вона дала можливість:
— вчитись на великих обʼємах тексту (інтернет, книги, коди…)
— запамʼятовувати довгі звʼязки у тексті (хто кому брат, де умова, а де наслідок)
— масштабувати моделі до мільярдів параметрів
І все це — завдяки одній геніальній ідеї:
🎯 “Увага” замість “памʼяті”
До Transformer були LSTM та RNN, які читали текст послідовно, як ми читаємо рядок за рядком.
Вони швидко “забували”, що було раніше, бо фокусувались лише на останніх словах.
Transformer працює інакше:
Він “дивиться” на всі слова одночасно і вирішує, на які з них звернути увагу — навіть якщо вони були на початку речення.
Це й називається Self-Attention.
🧱 А з чого він складається?
Спрощено:
Embedding — перетворює слова в числа
Self-Attention — обирає, на які слова звертати увагу
Feed-forward блоки — обробляють інформацію
LayerNorm, skip connections — для стабільності навчання
Decoder (у GPT) або Encoder+Decoder (у T5, BERT…)
(Можемо окремо потім розібрати кожен блок.)
➡️ Висновок:
Transformer — не робот, а алгоритм, який навчив машини розуміти текст.
Саме він зробив LLM можливими.
🤔 А хто з вас ще не чув про Self-Attention до цього поста?
👍 Якщо стало зрозуміліше — підтримай пост!
🔍 Для заглибленої аудиторії
Якщо хочеш глибше зрозуміти, як працює Transformer — ось топ-ресурси:
🔹 🧾 Оригінальна стаття (2017):
Attention Is All You Need — академічна робота, що змінила все.
🔹 📘 Візуальне пояснення:
The Illustrated Transformer — один із найкращих візуальних гідів із прикладами та схемами.
🔹 🧠 Ще один доступний розбір:
“I Finally Understood Attention Is All You Need” — блог з аналогіями та інтуїтивними поясненнями.
🔹 📚 Hugging Face Transformers Docs:
Офіційна документація — якщо хочеш не лише розуміти, а й почати працювати з моделями.
🔔 ПІДПИСАТИСЯ
У вчорашньому пості ми з’ясували: LLM — це не ChatGPT, а складна модель, збудована на основі архітектури Transformer.
І тут багато хто завис…
😅 Так, так, я знаю — частина моїх студентів уже знайома з transformer‑архітектурою, і певні інженери, що мене читають, теж чудово в темі.
Але для більшості це слово все ще звучить загадково.
Transformer? Це що — трансформер з «Теслабота»? Оптимус Прайм?
🧠 Насправді — ні. Але це найважливіша технологія в ШІ за останні 10 років.
👇 Пояснюю простими словами:
🚀 Що таке Transformer?
Це архітектура нейромережі, яку придумали в 2017 році дослідники Google у легендарній статті “Attention is All You Need”.
Вона дала можливість:
— вчитись на великих обʼємах тексту (інтернет, книги, коди…)
— запамʼятовувати довгі звʼязки у тексті (хто кому брат, де умова, а де наслідок)
— масштабувати моделі до мільярдів параметрів
І все це — завдяки одній геніальній ідеї:
🎯 “Увага” замість “памʼяті”
До Transformer були LSTM та RNN, які читали текст послідовно, як ми читаємо рядок за рядком.
Вони швидко “забували”, що було раніше, бо фокусувались лише на останніх словах.
Transformer працює інакше:
Він “дивиться” на всі слова одночасно і вирішує, на які з них звернути увагу — навіть якщо вони були на початку речення.
Це й називається Self-Attention.
🧱 А з чого він складається?
Спрощено:
Embedding — перетворює слова в числа
Self-Attention — обирає, на які слова звертати увагу
Feed-forward блоки — обробляють інформацію
LayerNorm, skip connections — для стабільності навчання
Decoder (у GPT) або Encoder+Decoder (у T5, BERT…)
(Можемо окремо потім розібрати кожен блок.)
➡️ Висновок:
Transformer — не робот, а алгоритм, який навчив машини розуміти текст.
Саме він зробив LLM можливими.
🤔 А хто з вас ще не чув про Self-Attention до цього поста?
👍 Якщо стало зрозуміліше — підтримай пост!
🔍 Для заглибленої аудиторії
Якщо хочеш глибше зрозуміти, як працює Transformer — ось топ-ресурси:
🔹 🧾 Оригінальна стаття (2017):
Attention Is All You Need — академічна робота, що змінила все.
🔹 📘 Візуальне пояснення:
The Illustrated Transformer — один із найкращих візуальних гідів із прикладами та схемами.
🔹 🧠 Ще один доступний розбір:
“I Finally Understood Attention Is All You Need” — блог з аналогіями та інтуїтивними поясненнями.
🔹 📚 Hugging Face Transformers Docs:
Офіційна документація — якщо хочеш не лише розуміти, а й почати працювати з моделями.
🔔 ПІДПИСАТИСЯ
2👍22
🐉 Ханчжоу — нова AI-столиця Китаю
Як місто, відоме фабриками, стало домом для роботів, нейромереж і стартапів майбутнього
🇨🇳 У Китаї є багато міст, схожих на Силіконову долину. Але зараз всі дивляться на Ханчжоу — місто, де народжується нова хвиля штучного інтелекту. Тут з’явились так звані «6 маленьких драконів» — компанії, які вже змінюють AI-сцену.
🧠 Що це за дракони?
П’ять із них працюють у сфері ШІ та робототехніки:
BrainCo — починали з гаража в Бостоні, а зараз створюють AI-пристрої для медитації та сну.
Deep Robotics — роблять чотириногих роботів для індустрії та рятувальних операцій.
DeepSeek — усього рік на ринку, а вже створюють відкриті AI-моделі, які конкурують із ChatGPT, але набагато дешевші.
ManyCore — платформа для 3D-дизайну зі штучним інтелектом, лідер у Китаї.
Unitree Robotics — компанія, що виробляє роботів, які танцюють, бігають, і навіть вже займають 60% світового ринку чотириногих роботів.
🎮 Шостий дракон — Game Science, розробник хітових відеоігор. Їм місто навіть тримало два порожні офіси три роки про запас, щоб компанія могла рости 😄
💸 Чому Ханчжоу став AI-центром?
Бо там не просто сидять і чекають інвесторів. Влада:
🔹 Вкладає 15% міського бюджету в технології
🔹 Дає стартапам пільги й сервери з потужними відеокартами (в тому числі NVIDIA та китайські аналоги)
🔹 Оплачує житло й витрати для молодих талантів
🔹 Дозволяє пожити тиждень безкоштовно в гуртожитку, поки шукаєш роботу
🔹 Розвиває синергію між університетами (особливо Zhejiang University) і бізнесом
🌍 Чому це важливо?
Бо світові потрібні не лише Google і OpenAI. Потрібні різні AI-центри з власними підходами, мовами, проблемами й ідеями.
І Ханчжоу показує, що навіть місто з фабриками може стати домом майбутнього, якщо правильно підтримати людей.
✅ Став 👍 якщо було цiкаво.
🔔 ПІДПИСАТИСЯ
Як місто, відоме фабриками, стало домом для роботів, нейромереж і стартапів майбутнього
🇨🇳 У Китаї є багато міст, схожих на Силіконову долину. Але зараз всі дивляться на Ханчжоу — місто, де народжується нова хвиля штучного інтелекту. Тут з’явились так звані «6 маленьких драконів» — компанії, які вже змінюють AI-сцену.
🧠 Що це за дракони?
П’ять із них працюють у сфері ШІ та робототехніки:
BrainCo — починали з гаража в Бостоні, а зараз створюють AI-пристрої для медитації та сну.
Deep Robotics — роблять чотириногих роботів для індустрії та рятувальних операцій.
DeepSeek — усього рік на ринку, а вже створюють відкриті AI-моделі, які конкурують із ChatGPT, але набагато дешевші.
ManyCore — платформа для 3D-дизайну зі штучним інтелектом, лідер у Китаї.
Unitree Robotics — компанія, що виробляє роботів, які танцюють, бігають, і навіть вже займають 60% світового ринку чотириногих роботів.
🎮 Шостий дракон — Game Science, розробник хітових відеоігор. Їм місто навіть тримало два порожні офіси три роки про запас, щоб компанія могла рости 😄
💸 Чому Ханчжоу став AI-центром?
Бо там не просто сидять і чекають інвесторів. Влада:
🔹 Вкладає 15% міського бюджету в технології
🔹 Дає стартапам пільги й сервери з потужними відеокартами (в тому числі NVIDIA та китайські аналоги)
🔹 Оплачує житло й витрати для молодих талантів
🔹 Дозволяє пожити тиждень безкоштовно в гуртожитку, поки шукаєш роботу
🔹 Розвиває синергію між університетами (особливо Zhejiang University) і бізнесом
🌍 Чому це важливо?
Бо світові потрібні не лише Google і OpenAI. Потрібні різні AI-центри з власними підходами, мовами, проблемами й ідеями.
І Ханчжоу показує, що навіть місто з фабриками може стати домом майбутнього, якщо правильно підтримати людей.
✅ Став 👍 якщо було цiкаво.
🔔 ПІДПИСАТИСЯ
🔥7❤3👍3😎1
💰Чому США дозволили продавати AI-чіпи Nvidia до Китаю і до чого тут $500 мільярдів
І знову про Китай — сподіваюсь, вам ще не набридло 🙂
Особисто я вважаю, що за Китаєм треба уважно стежити. Це не просто гравець, а прямий конкурент США — і в деяких сферах він вже обганяє Штати.
Ця новина — яскравий приклад геополітичного шахів AI‑технологій.
🇺🇸 США зняли заборону на продаж AI-чіпів до Китаю
Nvidia та AMD знову продають свої процесори в Піднебесну
🧠 Що сталося: США дозволили Nvidia та AMD знову продавати свої відеочіпи (GPU) в Китай. Йдеться про моделі, адаптовані під обмеження: H20 від Nvidia та MI308 від AMD.
Це дуже важливо, бо ще навесні Вашингтон заборонив продаж цих чіпів, і це боляче вдарило по виробниках: Китай давав 13% виручки Nvidia і 24% — AMD.
🤝 Як це стало можливим?
Вирішальною була особиста дипломатія CEO Nvidia — Дженсена Хуана.
Він:
🔹 Провів перемовини з самим Трампом у Білому домі
🔹 Заплатив $1 млн за місце на вечері, щоб поговорити з президентом
🔹 Пояснив, що H20 — це не топовий чіп, а слабший варіант, розроблений спеціально під обмеження
🔹 Пообіцяв інвестувати $500 млрд у виробництво чіпів в США, замість Тайваню
У відповідь Китай послабив експортні обмеження на рідкоземельні метали, які критично важливі для американських технологій і оборонки.
⚙️ А що таке H20 і навіщо його обмежували?
H20 — це спеціальна версія AI-чіпа від Nvidia. Він на 28% слабший, ніж їхній топовий H100, але має більше пам’яті. Спроєктований так, щоб не порушувати заборони.
Але дехто вважає, що він не такий вже й “урізаний” — на ньому вже встигли натренувати потужну AI-модель DeepSeek-R1!
🌏 Чому це важливо?
AI сьогодні — це не просто технологія. Це — змагання держав за економічне, наукове та військове лідерство.
З одного боку, США хочуть обмежити використання AI у китайських військових розробках.
З іншого боку — не хочуть втрачати ринок і дозволяти Китаю створювати свої чіпи самостійно.
🔍 До речі:
Китайські компанії Alibaba, Tencent, Moonshot вже створили власні мовні моделі. А щоб обійти заборони, деякі купують чіпи на “чорному ринку” або орендують їх через хмари в інших країнах.
✅ Став 👍 якщо було цiкаво.
🔔 ПІДПИСАТИСЯ
І знову про Китай — сподіваюсь, вам ще не набридло 🙂
Особисто я вважаю, що за Китаєм треба уважно стежити. Це не просто гравець, а прямий конкурент США — і в деяких сферах він вже обганяє Штати.
Ця новина — яскравий приклад геополітичного шахів AI‑технологій.
🇺🇸 США зняли заборону на продаж AI-чіпів до Китаю
Nvidia та AMD знову продають свої процесори в Піднебесну
🧠 Що сталося: США дозволили Nvidia та AMD знову продавати свої відеочіпи (GPU) в Китай. Йдеться про моделі, адаптовані під обмеження: H20 від Nvidia та MI308 від AMD.
Це дуже важливо, бо ще навесні Вашингтон заборонив продаж цих чіпів, і це боляче вдарило по виробниках: Китай давав 13% виручки Nvidia і 24% — AMD.
🤝 Як це стало можливим?
Вирішальною була особиста дипломатія CEO Nvidia — Дженсена Хуана.
Він:
🔹 Провів перемовини з самим Трампом у Білому домі
🔹 Заплатив $1 млн за місце на вечері, щоб поговорити з президентом
🔹 Пояснив, що H20 — це не топовий чіп, а слабший варіант, розроблений спеціально під обмеження
🔹 Пообіцяв інвестувати $500 млрд у виробництво чіпів в США, замість Тайваню
У відповідь Китай послабив експортні обмеження на рідкоземельні метали, які критично важливі для американських технологій і оборонки.
⚙️ А що таке H20 і навіщо його обмежували?
H20 — це спеціальна версія AI-чіпа від Nvidia. Він на 28% слабший, ніж їхній топовий H100, але має більше пам’яті. Спроєктований так, щоб не порушувати заборони.
Але дехто вважає, що він не такий вже й “урізаний” — на ньому вже встигли натренувати потужну AI-модель DeepSeek-R1!
🌏 Чому це важливо?
AI сьогодні — це не просто технологія. Це — змагання держав за економічне, наукове та військове лідерство.
З одного боку, США хочуть обмежити використання AI у китайських військових розробках.
З іншого боку — не хочуть втрачати ринок і дозволяти Китаю створювати свої чіпи самостійно.
🔍 До речі:
Китайські компанії Alibaba, Tencent, Moonshot вже створили власні мовні моделі. А щоб обійти заборони, деякі купують чіпи на “чорному ринку” або орендують їх через хмари в інших країнах.
✅ Став 👍 якщо було цiкаво.
🔔 ПІДПИСАТИСЯ
👍16
📌 Prompt тижня: Jargonize & Humanize
Ну що ж, починаємо тиждень — як уже повелося — з корисних промптів, які допоможуть вам покращити якість відповідей ChatGPT та інших LLM 🚀
🎯 Хочеш легше керувати тоном відповіді від ChatGPT — від формального до дружнього і людяного?
Спробуй ці два прості англомовні коди:
👉 Jargonize: [твій текст]
або
👉 Humanize: [твій текст]
💡 Що дають ці "secret codes":
- Jargonize — перетворює просту мову на професійну, технічну, підходить для LinkedIn, бізнес-звітів та email
- Humanize — навпаки, робить текст теплішим, більш живим і природним, як справжня людська мова
Ці фрази згадані у Tom’s Guide як “secret codes”, які ловлять ідеальний тон за секунди.
(джерело)
📎 Що зробити:
1️⃣ Напиши свій текст (опис, email або пояснення)
2️⃣ Додай “Jargonize:” або “Humanize:” на початку
3️⃣ Отримай стиль відповіді, який тобі підходить
🧪 Приклади:
➡️ Відповідь стане «бізнес-офіційною»: з технічними термінами, формальною мовою, ніби це уривок документації.
➡️ Відповідь буде «людяною»: прості слова, приклади з життя, дружній тон, ніби тобі пояснює колега за кавою.
👨🏫 Завдання:
Цього тижня скористайся одним із prompt-кодів для свого тексту.
Побачиш, як одна команда кардинально змінює атмосферу відповіді.
💬 Напиши в коментарях, який промпт ти випробуєш першим — Jargonize чи Humanize?
Став 👍 якщо цей лайфхак був корисним для тебе!
🔔 ПІДПИСАТИСЯ
Ну що ж, починаємо тиждень — як уже повелося — з корисних промптів, які допоможуть вам покращити якість відповідей ChatGPT та інших LLM 🚀
🎯 Хочеш легше керувати тоном відповіді від ChatGPT — від формального до дружнього і людяного?
Спробуй ці два прості англомовні коди:
👉 Jargonize: [твій текст]
або
👉 Humanize: [твій текст]
💡 Що дають ці "secret codes":
- Jargonize — перетворює просту мову на професійну, технічну, підходить для LinkedIn, бізнес-звітів та email
- Humanize — навпаки, робить текст теплішим, більш живим і природним, як справжня людська мова
Ці фрази згадані у Tom’s Guide як “secret codes”, які ловлять ідеальний тон за секунди.
(джерело)
📎 Що зробити:
1️⃣ Напиши свій текст (опис, email або пояснення)
2️⃣ Додай “Jargonize:” або “Humanize:” на початку
3️⃣ Отримай стиль відповіді, який тобі підходить
🧪 Приклади:
Jargonize: короткий опис функціоналу CRM-системи ➡️ Відповідь стане «бізнес-офіційною»: з технічними термінами, формальною мовою, ніби це уривок документації.
Humanize: наукове пояснення моделі GPT-5 ➡️ Відповідь буде «людяною»: прості слова, приклади з життя, дружній тон, ніби тобі пояснює колега за кавою.
👨🏫 Завдання:
Цього тижня скористайся одним із prompt-кодів для свого тексту.
Побачиш, як одна команда кардинально змінює атмосферу відповіді.
💬 Напиши в коментарях, який промпт ти випробуєш першим — Jargonize чи Humanize?
Став 👍 якщо цей лайфхак був корисним для тебе!
🔔 ПІДПИСАТИСЯ
👍13🔥7❤1🤝1