Выгодней договориться с конкурентами о разделении заказов, но тут уже политика, конкурент тоже получит больше прибыли и задумается о расширении бизнеса и т.п.
Наверное лет через 20 контекст современный про айфоны будет непонятен и т.п. Напоминило ролик юмористический, типа изучение нашего времени из будущего https://youtu.be/ayN6cC8Ts60?si=_1Ry_Rqv4-lbXBTN
Спустя полтора года работ в проекте со стороны Заказчика увольняется менеджер проекта, на его место берут нового человека. К этому моменту вместо положенных 75% работ было сделано только 40%, поэтому задачи перед ним стояли достаточно амбициозные. Сразу отмечу, что отставание по объему работ почти в 2 раза не по вине Исполнителя. Новый менеджер начал прямо со старта саботировать, разваливать весь проект и всячески затягивать сроки. Он отменял важные встречи, не давал сторонам договариваться друг с другом, разваливал выстроенные процессы в работе проектных команд. На встречах вёл себя нагло, грубо, постоянно манипулировал. Складывалось впечатление, что у нового менеджера стояла задача любыми силами выгнать Исполнителя из проекта. Более того, команду Заказчика он настраивал против команды Исполнителя, обвиняя последних во всех смертных грехах. Очень скоро работа была полностью парализована – на встречах стороны ругались друг с другом, перекидывались взаимными обвинениями, абсолютно ни о чём договориться было невозможно.
В соседней теме пример пролетал, в современном Windows если лишнюю букву в вызове калькулятора нажать в пуске calc... запустся браузер и поиск в интернете с нейросетями... но нужен то был калькулятор ))
жрущими ресурсы
Ну в защиту их отмечу что новые видеокодеки например во всем лучше кодеков 90х годов, mjpeg и рядом не стоял с h265, нейросети быстрые научились делать (именно в работе быстрые, не в обучении). Для экономии реурсов есть rust например. Питон ближе к среде типа Матлаб, можно с консоли прямо что-то посчитать.
Ну по цене пока непонятно, технология сложная и больше экспериментальная. Возможно массовой не стала потому что дорого. Оно конечно круто, но когда условно ценник 10х к цене обычной, сразу интерес пропадает. Так же и с термоядерным синтезом
Бесплатное электричество в любой точке планеты в любом количестве — это очень сильно.
Пока вообще нет к этому предпосылок. Реактор ожидается очень дорогим и недолговечным, нейтроны крушат все материалы. Да и фотоны и там много всего )
Похоже на миф. Шло развитие систем связи. По аналогии с физикой было много центров кристаллизации и рано или поздно (скорее рано) сформировался бы стандарт на обмен цифровыми пакетами-телеграммами по ID. Военные прост предоставили некий стандарт по факту, на который начали ориентироваться. Может чуть подождали бы и стандарт сразу был бы лучше, уровня IP v6, без проблем с дефицитом IP адресов. Вот с видеокассетами и CD дисками было наоборот, патентные ограничения закрыли стандарт и появилось много стандартов конкурентов которые некоторое время осложняли жизнь пользователям. Или стандарты зарядку телефонов и ноутбуков.
С сетями не всё так плохо кстати. Сети заточены под пиковое потребление в часы пиковой нагрузки, а ночью простаивают впустую почти. Вот ночью электромобили можно заряжать достаточно массово без особых проблем. Особенно типичный городской электромобиль что едет 5-10 км до офиса и назад, 10 км это 2 кВтч, что не так много для электросетей ночью. Может даже лучше будет для генерации, можно сбрасывать лишнюю энергию в аккумуляторы. В частном доме можно заряжать от солнечных панелей, без системы хранения они достаточно дешевую энергию дают. Где-то пролетала цифра 90$ за панель в 1 кВтч при оптовых поставках, за копейки на 20-30 лет будет источник энергии подпитывающий электромобиль. Если это второй автомобиль в семье, очень удобно (понятно что не бесплатно так как износ аккумулятора все равно будет идти).
Только энергоэффективность и плотность нейронов высокие.
Энергоэффективность ужасная, мозг не умеет уходить в спящий режим. Например Айфон распознал лицо за 0.01 секунду и ушел в спящий режим, человек думает минуту и продолжает активность. Плотность нейронов сомнительная, на единицу объема вычислительные способности нулевые почти. Логическая ячейка срабатывает за 0.5 нс четко на 100%, а время релаксации нейрона 5 мс и желательно его дублировать несколько раз, так как нейрон может отмереть, а результат работы нейросети не должен искажаться.
Ну тут ключевой вопрос в этом почти. Если каждые 15-30 минут фиксируются события, значит кто-то в офисе присутствует. Радарные датчики тоже не каждую миллисекунду фиксируют присутствие, я думаю при каждом вдохе например обновляют состояние свое или при микродвижениях, что дает более точный результат. Но идеально это распознование камерой на каждом кадре.
В контексте активности в офисе это не существенно. Все равно датчик не даст точного количества человек в офисе. А то что в офисе какая-то активность и PIR датчик покажет. Если нужна точность, то уже пусть камеры считают и счетчик вошедших и вышедших.
Вот именно с такими амбициями и нужно держать всё под контролем. Это без амбиций, мещанам без Родины нормально украсть некую сумму и осесть в удобной стране живя на пассивный доход, попивая пиво, им больше не надо, они считают жизнь удалась. А у кого амбиции у тех сложнее, их возможности это логическое И всех факторов, и безопасность, и ископаемые ресурсы (которые часто в бедных странах), и научные проекты которые вы подразумеваете, и еще ряд факторов. Нарушение в одном факторе и все проекты рушатся как карточный домик. Власть над кучкой боевиков не самоцель, а один из сотен инструментов реализации более высокой цели. Например боевикам ставится цель проявлять активность только локально, работая как молниеотвод для местных социально-экономических противоречий, и не мешать глобальным проектам.
И в чем отличие от обычных ИК датчиков которые от 5$ в продаже имеются? Тоже контролируют наличие людей в помещении. Первый попавшийся с маркетплейса в продаже:
SONOFF SNZB-06P - ZigBee это датчик присутствия, который может быть интегрирован в экосистему умного дома на базе ZigBee протокола. Данный датчик обеспечивает надежное и точное определение присутствия людей в определенной зоне. Он может использоваться для автоматического включения и выключения света, контроля за безопасностью и других умных функций. Устройство может легко подключаться к центральному контроллеру на базе ZigBee протокола, такому как SONOFF Zigbee Bridge или другим совместимым устройствам. После подключения, датчик присутствия будет передавать информацию о движении и присутствии по безопасному и надежному ZigBee каналу связи. SONOFF SNZB-06P - ZigBee компактный и простой в установке. Он может легко крепиться на стену или другой поверхности с помощью крепления, входящего в комплект. Батарея на CR2450 обеспечивает долгий срок службы и не требует частой замены. Датчик присутствия SONOFF SNZB-06P - ZigBee - отличное решение для умного дома, которое улучшает удобство и безопасность вашего пространства.
Спросил у DeepSeek написана она человеком или нейросетью:
Статья, скорее всего, написана нейросетью с последующей редактурой человеком. Вот ключевые признаки:
Ошибка в дате появления трансформеров Упоминание, что Google представила архитектуру трансформеров в 2018 году, неверно. На самом деле это произошло в 2017 (статья "Attention Is All You Need"). Нейросети иногда допускают фактические ошибки, особенно в датах, из-за смешения контекстов в обучающих данных. Человек-эксперт в теме вряд ли совершил бы такую грубую ошибку.
Шаблонная структура и повторения Текст хорошо структурирован, но местами содержит избыточные пояснения (например, повторение идеи о "плюсах и минусах" техник промптинга). Это характерно для LLM, которые расширяют текст, следуя шаблонам.
Стилистические особенности Сочетание формального тона с разговорными фразами ("Ничего не понятно, но очень интересно") типично для нейросетей, которые имитируют "живой" стиль. Однако такие вставки могли быть добавлены и человеком для упрощения восприятия.
Детализация примеров Примеры с мартингалами и промптами выглядят слишком шаблонно и соответствуют типичным тренировочным данным LLM. Человек-автор, возможно, добавил бы более уникальные или личные примеры.
Правильное использование терминов Несмотря на ошибку в дате, технические термины употреблены корректно, что возможно как в случае нейросети, обученной на специализированных текстах, так и в случае работы эксперта.
Вывод: Основной текст, вероятно, сгенерирован нейросетью (например, GPT-3/4), но затем отредактирован человеком: добавлены подзаголовки, структура, возможно, примеры. Ошибка в дате трансформеров — ключевой маркер автоматической генерации, но общая логичность и глубина контента указывают на доработку человеком (например, проверку техник промптинга).
Как говорится "кому война, а кому мать родная". Берутся под контроль лидеры одной из сторон и оказывается помощь в захвате власти. Если такой стороны нет, создается искусственно. Против конкурентов начинается гибридная война по всем фронтам (от диверсий до просто черного пиара с дипфейками), они не успевают понять что происходит. Пример вот на ближнем востоке, конфликт развитой страны со всеми технологиями планеты и весьма отсталых превосходящих по численности на порядок. А агрессия верно, есть статистика что после запрета бензина со свинцовыми присадками в 90х годах, сразу в разы снизилось содержание свинца в организмах людей, вырос интеллект и снизилась агрессия. Есть положительная корреляция по свинцу и агрессии, в США тему исследовали, по районам заметна связь в пространстве и времени. Ну и напрашивается идея снижать средний IQ стран конкурентов, результат для них будет катастрофический.
А я спросил про возможности распределенной работы и она есть и тестируется. Энергоэффективность вообще второстепенна для хобби проектов, я без проблем оплачу 100% загрузку своего ПК, как в SETI@home. Конфиденциальность обычная, везде данные уплывают в владельцу нейросети.
Ответ от нейросети: Запуск больших языковых моделей (LLM) на компьютерах добровольцев с ограниченной вычислительной мощностью возможен, но требует решения нескольких ключевых проблем. Вот основные аспекты:
Распределение вычислений Инференс (вывод модели): Для обработки запросов (например, генерации текста) можно распределить разные запросы между участниками. Однако если один запрос требует полного прохода через модель, возникают сложности: Разделение слоев модели: Каждый компьютер может обрабатывать отдельные слои нейросети, передавая промежуточные результаты между узлами. Но это требует низкой задержки сети и синхронизации, что сложно при географической распределенности. Пример: Проект Petals ( https://petals.ml/ )позволяет распределять слои LLM (например, BLOOM-176B) между участниками, но требует стабильного интернет-соединения. Обучение модели: Распределенное обучение крайне сложно из-за необходимости синхронизации градиентов между устройствами. Это требует высокой пропускной способности и низкой задержки, что недостижимо в децентрализованных сетях с добровольцами.
Аппаратные ограничения Память: Современные LLM (например, GPT-3 с 175 млрд параметров) занимают десятки гигабайт памяти. Даже квантованная версия модели (например, 4-битная) требует ~20 ГБ, что превышает возможности большинства персональных компьютеров. Вычисления: Для выполнения матричных операций в реальном времени нужны мощные GPU/TPU. Инференс на CPU возможен, но будет очень медленным (секунды на токен).
Оптимизация модели Квантование: Сокращение точности весов (например, с 32-бит до 8-бит) уменьшает размер модели и требования к памяти. Прунинг: Удаление менее значимых параметров модели. Дистилляция: Обучение компактной модели на основе большой («учитель → ученик»).
Практические примеры BOINC: Платформа для распределенных вычислений, но подходит для задач с независимыми подзадачами (например, поиск простых чисел). Для LLM неприменима без модификаций. Petals: Позволяет запускать инференс и тонкую настройку больших моделей, распределяя слои между участниками. Однако требует координации и стабильности узлов. Federated Learning: Используется для обучения на устройствах пользователей (например, смартфонах), но не для инференса LLM.
Проблемы Латентность: Передача данных между узлами замедляет обработку. Надежность: Отключение участников нарушает работу. Безопасность: Риск утечки данных или модификации модели злоумышленниками. Энергоэффективность: Вычисления на слабых устройствах могут быть менее эффективными, чем на специализированном оборудовании. Итог Теоретически распределить инференс LLM по множеству слабых компьютеров возможно, но с ограничениями: Подходят только оптимизированные (квантованные/дистиллированные) модели. Требуется координация узлов и решение проблем задержки. Обучение модели в таких условиях практически нереализуемо. Практически это сложно масштабировать, и производительность будет уступать централизованным решениям. Однако для экспериментальных задач или моделей среднего размера (например, Llama 7B в 4-битном формате) такие подходы уже тестируются.
Интересно, а технологии распределенных вычислений тут ни как не подходят? Раньше тема была популярна, обрабатывали радиосигналы из космоса и взламывали RC72 и подобное силами энтузиастов. С нейросетями вероятно сложнее, так как требуется вся память монолитом и на подзадачи вычисления не разбиваются? А так можно было бы собрать группу добровольцев с 1000 компьютерами и сложные запросы распределили бы между их вычислительными мощностями.
Ну у него работа почище и повеселее. Разве что не удаленка.
Которые кстати могут не заплатить и вычесть из зарплаты штрафы и кражи.
Выгодней договориться с конкурентами о разделении заказов, но тут уже политика, конкурент тоже получит больше прибыли и задумается о расширении бизнеса и т.п.
Наверное лет через 20 контекст современный про айфоны будет непонятен и т.п. Напоминило ролик юмористический, типа изучение нашего времени из будущего
https://youtu.be/ayN6cC8Ts60?si=_1Ry_Rqv4-lbXBTN
Статьи пишут, вот просто поиском нашел, статьей по теме прилично
https://habr.com/ru/articles/818189/
В соседней теме пример пролетал, в современном Windows если лишнюю букву в вызове калькулятора нажать в пуске calc... запустся браузер и поиск в интернете с нейросетями... но нужен то был калькулятор ))
Ну в защиту их отмечу что новые видеокодеки например во всем лучше кодеков 90х годов, mjpeg и рядом не стоял с h265, нейросети быстрые научились делать (именно в работе быстрые, не в обучении). Для экономии реурсов есть rust например. Питон ближе к среде типа Матлаб, можно с консоли прямо что-то посчитать.
Ну по цене пока непонятно, технология сложная и больше экспериментальная. Возможно массовой не стала потому что дорого. Оно конечно круто, но когда условно ценник 10х к цене обычной, сразу интерес пропадает.
Так же и с термоядерным синтезом
Пока вообще нет к этому предпосылок. Реактор ожидается очень дорогим и недолговечным, нейтроны крушат все материалы. Да и фотоны и там много всего )
Похоже на миф. Шло развитие систем связи. По аналогии с физикой было много центров кристаллизации и рано или поздно (скорее рано) сформировался бы стандарт на обмен цифровыми пакетами-телеграммами по ID. Военные прост предоставили некий стандарт по факту, на который начали ориентироваться. Может чуть подождали бы и стандарт сразу был бы лучше, уровня IP v6, без проблем с дефицитом IP адресов.
Вот с видеокассетами и CD дисками было наоборот, патентные ограничения закрыли стандарт и появилось много стандартов конкурентов которые некоторое время осложняли жизнь пользователям. Или стандарты зарядку телефонов и ноутбуков.
С сетями не всё так плохо кстати. Сети заточены под пиковое потребление в часы пиковой нагрузки, а ночью простаивают впустую почти. Вот ночью электромобили можно заряжать достаточно массово без особых проблем. Особенно типичный городской электромобиль что едет 5-10 км до офиса и назад, 10 км это 2 кВтч, что не так много для электросетей ночью.
Может даже лучше будет для генерации, можно сбрасывать лишнюю энергию в аккумуляторы.
В частном доме можно заряжать от солнечных панелей, без системы хранения они достаточно дешевую энергию дают. Где-то пролетала цифра 90$ за панель в 1 кВтч при оптовых поставках, за копейки на 20-30 лет будет источник энергии подпитывающий электромобиль. Если это второй автомобиль в семье, очень удобно (понятно что не бесплатно так как износ аккумулятора все равно будет идти).
Есть же люди с феноменальной памятью, но за счет других отделов. Они банально не понимают того что запомнили.
Энергоэффективность ужасная, мозг не умеет уходить в спящий режим. Например Айфон распознал лицо за 0.01 секунду и ушел в спящий режим, человек думает минуту и продолжает активность.
Плотность нейронов сомнительная, на единицу объема вычислительные способности нулевые почти. Логическая ячейка срабатывает за 0.5 нс четко на 100%, а время релаксации нейрона 5 мс и желательно его дублировать несколько раз, так как нейрон может отмереть, а результат работы нейросети не должен искажаться.
Ну тут ключевой вопрос в этом почти. Если каждые 15-30 минут фиксируются события, значит кто-то в офисе присутствует. Радарные датчики тоже не каждую миллисекунду фиксируют присутствие, я думаю при каждом вдохе например обновляют состояние свое или при микродвижениях, что дает более точный результат. Но идеально это распознование камерой на каждом кадре.
Ну не учтенный спящий человек в офисе вроде не проблема ))
В контексте активности в офисе это не существенно. Все равно датчик не даст точного количества человек в офисе. А то что в офисе какая-то активность и PIR датчик покажет. Если нужна точность, то уже пусть камеры считают и счетчик вошедших и вышедших.
Вот именно с такими амбициями и нужно держать всё под контролем. Это без амбиций, мещанам без Родины нормально украсть некую сумму и осесть в удобной стране живя на пассивный доход, попивая пиво, им больше не надо, они считают жизнь удалась. А у кого амбиции у тех сложнее, их возможности это логическое И всех факторов, и безопасность, и ископаемые ресурсы (которые часто в бедных странах), и научные проекты которые вы подразумеваете, и еще ряд факторов. Нарушение в одном факторе и все проекты рушатся как карточный домик. Власть над кучкой боевиков не самоцель, а один из сотен инструментов реализации более высокой цели. Например боевикам ставится цель проявлять активность только локально, работая как молниеотвод для местных социально-экономических противоречий, и не мешать глобальным проектам.
И в чем отличие от обычных ИК датчиков которые от 5$ в продаже имеются? Тоже контролируют наличие людей в помещении. Первый попавшийся с маркетплейса в продаже:
Спросил у DeepSeek написана она человеком или нейросетью:
Статья, скорее всего, написана нейросетью с последующей редактурой человеком. Вот ключевые признаки:
Ошибка в дате появления трансформеров
Упоминание, что Google представила архитектуру трансформеров в 2018 году, неверно. На самом деле это произошло в 2017 (статья "Attention Is All You Need"). Нейросети иногда допускают фактические ошибки, особенно в датах, из-за смешения контекстов в обучающих данных. Человек-эксперт в теме вряд ли совершил бы такую грубую ошибку.
Шаблонная структура и повторения
Текст хорошо структурирован, но местами содержит избыточные пояснения (например, повторение идеи о "плюсах и минусах" техник промптинга). Это характерно для LLM, которые расширяют текст, следуя шаблонам.
Стилистические особенности
Сочетание формального тона с разговорными фразами ("Ничего не понятно, но очень интересно") типично для нейросетей, которые имитируют "живой" стиль. Однако такие вставки могли быть добавлены и человеком для упрощения восприятия.
Детализация примеров
Примеры с мартингалами и промптами выглядят слишком шаблонно и соответствуют типичным тренировочным данным LLM. Человек-автор, возможно, добавил бы более уникальные или личные примеры.
Правильное использование терминов
Несмотря на ошибку в дате, технические термины употреблены корректно, что возможно как в случае нейросети, обученной на специализированных текстах, так и в случае работы эксперта.
Вывод: Основной текст, вероятно, сгенерирован нейросетью (например, GPT-3/4), но затем отредактирован человеком: добавлены подзаголовки, структура, возможно, примеры. Ошибка в дате трансформеров — ключевой маркер автоматической генерации, но общая логичность и глубина контента указывают на доработку человеком (например, проверку техник промптинга).
Как говорится "кому война, а кому мать родная". Берутся под контроль лидеры одной из сторон и оказывается помощь в захвате власти. Если такой стороны нет, создается искусственно. Против конкурентов начинается гибридная война по всем фронтам (от диверсий до просто черного пиара с дипфейками), они не успевают понять что происходит. Пример вот на ближнем востоке, конфликт развитой страны со всеми технологиями планеты и весьма отсталых превосходящих по численности на порядок.
А агрессия верно, есть статистика что после запрета бензина со свинцовыми присадками в 90х годах, сразу в разы снизилось содержание свинца в организмах людей, вырос интеллект и снизилась агрессия. Есть положительная корреляция по свинцу и агрессии, в США тему исследовали, по районам заметна связь в пространстве и времени.
Ну и напрашивается идея снижать средний IQ стран конкурентов, результат для них будет катастрофический.
А я спросил про возможности распределенной работы и она есть и тестируется. Энергоэффективность вообще второстепенна для хобби проектов, я без проблем оплачу 100% загрузку своего ПК, как в SETI@home. Конфиденциальность обычная, везде данные уплывают в владельцу нейросети.
Ответ от нейросети:
Запуск больших языковых моделей (LLM) на компьютерах добровольцев с ограниченной вычислительной мощностью возможен, но требует решения нескольких ключевых проблем. Вот основные аспекты:
Распределение вычислений Инференс (вывод модели): Для обработки запросов (например, генерации текста) можно распределить разные запросы между участниками. Однако если один запрос требует полного прохода через модель, возникают сложности: Разделение слоев модели: Каждый компьютер может обрабатывать отдельные слои нейросети, передавая промежуточные результаты между узлами. Но это требует низкой задержки сети и синхронизации, что сложно при географической распределенности. Пример: Проект Petals ( https://petals.ml/ )позволяет распределять слои LLM (например, BLOOM-176B) между участниками, но требует стабильного интернет-соединения. Обучение модели: Распределенное обучение крайне сложно из-за необходимости синхронизации градиентов между устройствами. Это требует высокой пропускной способности и низкой задержки, что недостижимо в децентрализованных сетях с добровольцами.
Аппаратные ограничения Память: Современные LLM (например, GPT-3 с 175 млрд параметров) занимают десятки гигабайт памяти. Даже квантованная версия модели (например, 4-битная) требует ~20 ГБ, что превышает возможности большинства персональных компьютеров. Вычисления: Для выполнения матричных операций в реальном времени нужны мощные GPU/TPU. Инференс на CPU возможен, но будет очень медленным (секунды на токен).
Оптимизация модели Квантование: Сокращение точности весов (например, с 32-бит до 8-бит) уменьшает размер модели и требования к памяти. Прунинг: Удаление менее значимых параметров модели. Дистилляция: Обучение компактной модели на основе большой («учитель → ученик»).
Практические примеры BOINC: Платформа для распределенных вычислений, но подходит для задач с независимыми подзадачами (например, поиск простых чисел). Для LLM неприменима без модификаций. Petals: Позволяет запускать инференс и тонкую настройку больших моделей, распределяя слои между участниками. Однако требует координации и стабильности узлов. Federated Learning: Используется для обучения на устройствах пользователей (например, смартфонах), но не для инференса LLM.
Проблемы Латентность: Передача данных между узлами замедляет обработку. Надежность: Отключение участников нарушает работу. Безопасность: Риск утечки данных или модификации модели злоумышленниками. Энергоэффективность: Вычисления на слабых устройствах могут быть менее эффективными, чем на специализированном оборудовании. Итог Теоретически распределить инференс LLM по множеству слабых компьютеров возможно, но с ограничениями: Подходят только оптимизированные (квантованные/дистиллированные) модели. Требуется координация узлов и решение проблем задержки. Обучение модели в таких условиях практически нереализуемо. Практически это сложно масштабировать, и производительность будет уступать централизованным решениям. Однако для экспериментальных задач или моделей среднего размера (например, Llama 7B в 4-битном формате) такие подходы уже тестируются.
Интересно, а технологии распределенных вычислений тут ни как не подходят? Раньше тема была популярна, обрабатывали радиосигналы из космоса и взламывали RC72 и подобное силами энтузиастов. С нейросетями вероятно сложнее, так как требуется вся память монолитом и на подзадачи вычисления не разбиваются? А так можно было бы собрать группу добровольцев с 1000 компьютерами и сложные запросы распределили бы между их вычислительными мощностями.