И в вот этих пожеланиях всегда будет определенный уровень необходимой точности
А вот и необязательно. В том то и фокус, что можно будет взять 100 Гб логов за последние 10 лет + куча разномастной инфы о рабочих процессах, сделках и финансах + инфа о всех сотрудниках и владельцах компании из соцсетей (в том числе о стиле общения, характере и т. п.) + видосики с корпоративов (где можно проанализировать взаимоотношения сотрудников, их мимику, жесты и пр.) + пожелания заказчика на листочке, скормить всё это ИИ и он сам из этого листочка сгенерирует точные требования. И угадает, возможно, даже лучше, чем сам бы заказчик написал.
За нами сейчас следит тупо всё что можно, вплоть до унитазов и лампочек (по отражению вайфаев). На этой куче инфы можно очень круто обучать ИИ, в том числе, в предугадывании и моделировании подсознательных, сознательных и социальных процессов в любых масштабах — от одного индивида до целых стран. ИИ может воспринимать заказ не как «сделать хотелки заказчика», а как часть социально‑бизнесовых процессов, в которых участвуют заказчик, его контрагенты, партнёры, сотрудники, друзья, любовницы, окружение и пр., и из всего этого вытянуть гораздо больше, чем сам заказчик сможет вытянуть из своего мозга сам. В том числе, что он подцепил желение это сделать на очередной конференции, где все обсуждали новый модный способ делать X.
Более того, такой ИИ может даже работать в реверсе, используя всё вышеперечисленное и знания психологии, маркетинга, экономики и бизнеса, чтобы убедить заказчика, что он сам лично решил, что ему просто необходимо заказать ещё кучу штук на 100 500 денег, без этого просто вообще ну никак. Если только заказчик не является тоже ИИ.
Вот и получается, что на ИИ перекладываются не просто задачи, процессы и цепочки, а целые пласты жизни.
Вообще, в перспективе все идёт к «скинуть тз сетке → получить софт». Тз взять у другой сетки, которая проанализировала пожелания заказчика. Которые ему сформулировала...
А в долгосрочной перспективе к концептуально новому поколению нейроморфного софта, в котором данные и софт, процессы разработки и эксплуатации слиты в один поток, то есть софт в реальном времени подстраивается под текущие и прогнозируемые(!) задачи, отращивает себе новые функции и утрачивает ненужные, находясь в непрерывном диалоге с пользователем не только на вербальном, но и на психологическом уровне. В ещё более долгосрочной — вот это вот интегрированное с мозгом.
Новая технология предполагает новые концепции и подходы, а не просто оптимизацию старых.
У воронов архитектура мозгов действительно другая, к примеру, у них нет неокортекса в привычном для млекопитающих виде, и лобных долей нет, нейроны меньше, синапсы короче. Поскольку расстояние меньше, в черепушку помещается где‑то 2 млрд нейронов и 15 млрд связей, и работает это всё быстрее — типа выше тактовая частота. Но сокращение длины синапсов ведет к снижению универсальности. Предположу, что из‑за того, что нейроны в большей степени, чем у нас, обмениваются информацией локально (т. е. с ближайшими соседями), ворону сложнее проводить аналогии и выявлять закономерности между непохожими, на первый взгляд, вещами, чем млекопитающему с аналогичным числом нейронов и синапсов, но с большей длиной.
Нейроны электрохимические. У каждого нейрона собственный источник энергии, куча рецепторов, детектирующих разные вещества‑гормоны, внутренняя память и системы, которые это всё обрабатывают. С разной скоростью и по‑разному в зависимости от окружающих веществ и внутреннего состояния. Каждый синапс имеет свои подсистемы, свою калибровку и скорость реакции на это всё.
И все эти особенности влияют на обработку информации. Выбросился дофамин, тут мало глюкозы, здесь ваще кортизол, эти нейроны истощены, валим туда, а там синапсы уже тормозят, потому что этанол подвезли...
И при этом они ещё и ПОЛЗАЮТ! Вам надо буквально моделировать поведение миллиардов ползающих друг по другу сложных наноосьминогов с ионным покрытием и кучей параметров!
Живой нейрон в мозге — это совсем не его примитивная модель в современных нейросетях. Если повезёт, на один синапс надо выделять по килобайту, если не по мегабайту.
Речь не о текстолите. Вменяемая (!) печать проводником и изолятором позволит послойно печатать электромеханические изделия, например, электродвигатели и трансформаторы сразу в сборе внутри изделия, по слоям, вместе с подшипниками, шестернями, обмотками, щётками и прочим. Да, поначалу это будет не очень долговечно.
Поначалу, конечно, сложные детали она не сделает, но даже два материала уже дают большой простор.
Можно будет напечатать сразу целиком роборуку с пальцами и кучей приводов — останется только подключить к ней контроллер. Можно даже «вшить» тысячи волокон — линейных электродвигателей ей прямо внутрь каркаса. А каркас сделать из каких‑нибудь микропружин. Эта штука сделает возможным дешево создавать изделия с тысячами и миллионами приводов и электродвигателей. В том числе из метаматерии, в каждой точке которой характеристики разные, и которая под воздействием тока в разных местах может абсолютно произвольно менять свою форму, упругость и прочие динамические характеристики. Например, какое‑нибудь крыло, меняющее форму и «напрягающееся» в нужные моменты для увеличения упругости.
Да, они будут необслуживаемые — но это и не надо. Сломалось — перетёр в порошок, напечатал заново. Не говоря уже о том, чтобы подключить к моделированию генетические алгоритмы и ИИ, и оптимизировать все эти штуки так, как не позволяли стандартные технологии изготовления. Можно сказать, для этой технологии модели надо не рисовать в классических CAD‑системах, а «выращивать» с помощью тех самых ИИ и «генетики», потому что необходимости привязываться к простым формам больше нет. Изделия по этой технологии будут больше напоминать живой организм, а не механизм.
А уж если добавить в принтер штуку, которая в каждый слой сможет впихивать SMD‑компоненты (типа напечатал несколько слоёв, расставил компоненты, потом опять несколько слоёв и т. д.) — это будет полный фарш. Комбинация такого 3D‑принтера с парой роборук, способных размещать SMD‑рассыпуху с микросхемами в толщу печатаемого изделия (с учетом специальных вентиляционных каналов, которые тоже будут печататься) — это отдельная, и очень большая тема.
Понятно, что до этого ещё очень далеко, и первые принтеры, печатающие изолятором и проводником так делать не смогут, а изделия, получаемые на них, будут жить не долго. Но постепенно это приведет чудовищному удешевлению и одновременному усложнению электромеханических изделий, и последующему существенному расширению возможностей.
В 40х годах ЭВМ кушала 100 кВт, требовала кучи деталей и ручного труда при постройке, а сейчас литографический станок на квадратном миллиметре автоматом делает систему, на порядке сложнее и мощнее этой самой первобытной ЭВМ.
Переход от текущих способов создавать механические изделия к вот этому вот, это как переход от ручной сборки ламповой ЭВМ к литографии. Которая в итоге привела нас от счётных машинок к миру с интернетом, ИИ, AR/VR и пластом социокультурных феноменов, фундаментально поменявших всё общество.
Очень жду появления принтера, который может печатать одновременно проводником и изолятором. Вот это будет фундаментальная революция, с кучей применений, изменением и удешевлением товаров и технологических цепочек.
А эта штуковина не будет уходить в илистую поверхность под своим весом?
По идее туда можно добавить что‑нибудь с плотностью меньше, чем у воды, и силой Архимеда уменьшить вес конструкции до нужного уровня, или сделать какие‑нибудь вертикальные гребные винты.
У близких чисел, наоборот, не будет близких множителей
Не совсем понимаю, может мы говорим о разных задачах? Я говорю не об общей задаче факторизации, а о частном случае — когда мы точно знаем, что число есть произведение двух простых чисел. Не трёх и более, а именно двух.
Сетка нам выдаёт набор гипотез, мы их сначала уточняем (что делается просто), а затем полученные пары проверяем на простоту.
Я не математик, и могу ошибаться, но в моём представлении сие выглядит как‑то так.
Мы пихаем в нейросеть число большое 2048-битное число A. Она выдаёт нам набор пар m и n, в окрестности которых, по мнению нейросети, лежат искомые простые множители. При этом нейросеть неточная, и m * n не равно A — нейросеть ошибается на ±миллион.
Нетрудно банальным перебором (проходим от [m-10⁶] до [m+10⁶], если A делится без остатка на него и результат лежит в диапазоне от [n-10⁶] до [n+10⁶] — это оно) отсканировать окрестность чисел m или n и найти реально два множителя, произведение которых равно A.
Осталось проверить, являются ли оба множителя простыми.
Берём кластер из 100 видеокарт уровня RTX 5090. Кластер будет проверять числа на простоту. У кластера есть очередь. В очередь кладутся числа, и он по очереди их проверяет.
Оцениваем вероятность простоты каждого из множителей (каким‑нибудь тестом Миллера — Рабина, или чем‑то подобным, или комбинацией). Перемножаем вероятности простоты обоих множителей — получаем «рейтинг». Добавляем пару чисел в очередь на кластер, причём не в конец, а между парами чисел с похожим рейтингом. То есть вся очередь всегда отсортирована по вероятности простоты, в начале стоят пары множителей, вероятность простоты которых максимальна.
Сам кластер проверяет каждое число на простоту методом эллиптических кривых (это который https://en.wikipedia.org/wiki/Elliptic_curve_primality). Если я не ошибаюсь, этот метод спокойно жрёт числа в несколько тысяч десятичных цифр, поэтому кластер из 100 видеокарт циферки порядка 2²⁰⁴⁸ (хотя там будет наверно ближе к 2¹⁰²⁴, а это где‑то 500–700 цифр) спокойно переварит за несколько недель, может даже за одну.
Так тут тоже — нам же целые числа нужны, если ошибка будет меньше 1, то есть если весь шум будет после запятой, нас это устраивает. Даже если точность, например, ±100 — мы же можем просто после нейросети поставить классический алгоритм, который тупо проверит 200 ближайших чисел, и найдёт математически точный ответ.
Я думаю, что так и надо — нейросеть «интуитивно» говорит, что вот оно где‑то вот тут, и дальше результат добивают уже классические алгоритмы, но в предельно минимальной окрестности. В таком дуэте нейросеть даже может выдавать не одно, а несколько предполагаемых мест, где может быть ответ, и даже ошибаться в 50% случаев.
Моя мысль в том, что мы не пытаемся запустить big int math на нейронке, то есть не повторяем паттерны человеческого мышления даже на базовому уровне (вплоть до концепции чисел, математики и прочего), не копируем эту логику и воплощение этой логики в алгоритмах.
Мы берём саму задачу и заставляем эту штуку саму найти нужные способы решения. И тогда есть вероятность, что она выявит какой‑то путь, который непонятен нашему мышлению, и, возможно неформулируем вообще на человеческих языках (включая математику) и даже не подлежит какому‑либо осмыслению, то есть для человеческого мозга этот путь будет выглядеть как хаотичные действия, но этот путь будет решать задачу качественно.
DeepFake же не просчитывает распознавание лиц и рендеринг теней и подповерхностного рассеивания для реалистичной замены этих лиц так, как это делает написанный человеком алгоритм со всякими треугольниками и трасировками лучей. Но при этом справляется лучше, чем если это будут делать 3D‑моделеры (вспомним Трон: Наследие). И волосы рендерит с физикой.
Вот я думаю, что вот это вот может простираться дальше графики. Что те концепции, которые мы осмысляем нашим абстрактным мышлением (в том числе «числа», «вычисления» и прочее), могут быть «осмыслены» этим «думающим» объектом в иной, недоступной нам форме, но такой, в которой решение этих сложных задач (как разложение длинных чисел на простые множетели) окажется намного проще и быстрее.
Когда кошка прыгает на стул, она расчитывает параболическую траекторию, но при этом неспособна понять концепцию «параболы» и «траектории». Но задачу решает. Так и тут — возможно, для разложения на множители этой штуке даже «числа» понимать не нужно.
По идее оно может наблюдать за FPS и снижать деталлизацию в случае, если она ниже 30 к/с. Плюс можно собрать статистику, на каком устройстве с какой скоростью оно работает и подбирать под это настройки графики автоматом.
В 3ds max когда вертишь слишком тяжелую модель он начинает упрощать отображение, чтобы удержать FPS на приемлемом уровне.
А вот и необязательно. В том то и фокус, что можно будет взять 100 Гб логов за последние 10 лет + куча разномастной инфы о рабочих процессах, сделках и финансах + инфа о всех сотрудниках и владельцах компании из соцсетей (в том числе о стиле общения, характере и т. п.) + видосики с корпоративов (где можно проанализировать взаимоотношения сотрудников, их мимику, жесты и пр.) + пожелания заказчика на листочке, скормить всё это ИИ и он сам из этого листочка сгенерирует точные требования. И угадает, возможно, даже лучше, чем сам бы заказчик написал.
За нами сейчас следит тупо всё что можно, вплоть до унитазов и лампочек (по отражению вайфаев). На этой куче инфы можно очень круто обучать ИИ, в том числе, в предугадывании и моделировании подсознательных, сознательных и социальных процессов в любых масштабах — от одного индивида до целых стран. ИИ может воспринимать заказ не как «сделать хотелки заказчика», а как часть социально‑бизнесовых процессов, в которых участвуют заказчик, его контрагенты, партнёры, сотрудники, друзья, любовницы, окружение и пр., и из всего этого вытянуть гораздо больше, чем сам заказчик сможет вытянуть из своего мозга сам. В том числе, что он подцепил желение это сделать на очередной конференции, где все обсуждали новый модный способ делать X.
Более того, такой ИИ может даже работать в реверсе, используя всё вышеперечисленное и знания психологии, маркетинга, экономики и бизнеса, чтобы убедить заказчика, что он сам лично решил, что ему просто необходимо заказать ещё кучу штук на 100 500 денег, без этого просто вообще ну никак. Если только заказчик не является тоже ИИ.
Вот и получается, что на ИИ перекладываются не просто задачи, процессы и цепочки, а целые пласты жизни.
Вообще, в перспективе все идёт к «скинуть тз сетке → получить софт». Тз взять у другой сетки, которая проанализировала пожелания заказчика. Которые ему сформулировала...
А в долгосрочной перспективе к концептуально новому поколению нейроморфного софта, в котором данные и софт, процессы разработки и эксплуатации слиты в один поток, то есть софт в реальном времени подстраивается под текущие и прогнозируемые(!) задачи, отращивает себе новые функции и утрачивает ненужные, находясь в непрерывном диалоге с пользователем не только на вербальном, но и на психологическом уровне. В ещё более долгосрочной — вот это вот интегрированное с мозгом.
Новая технология предполагает новые концепции и подходы, а не просто оптимизацию старых.
У воронов архитектура мозгов действительно другая, к примеру, у них нет неокортекса в привычном для млекопитающих виде, и лобных долей нет, нейроны меньше, синапсы короче. Поскольку расстояние меньше, в черепушку помещается где‑то 2 млрд нейронов и 15 млрд связей, и работает это всё быстрее — типа выше тактовая частота. Но сокращение длины синапсов ведет к снижению универсальности. Предположу, что из‑за того, что нейроны в большей степени, чем у нас, обмениваются информацией локально (т. е. с ближайшими соседями), ворону сложнее проводить аналогии и выявлять закономерности между непохожими, на первый взгляд, вещами, чем млекопитающему с аналогичным числом нейронов и синапсов, но с большей длиной.
Нейроны электрохимические. У каждого нейрона собственный источник энергии, куча рецепторов, детектирующих разные вещества‑гормоны, внутренняя память и системы, которые это всё обрабатывают. С разной скоростью и по‑разному в зависимости от окружающих веществ и внутреннего состояния. Каждый синапс имеет свои подсистемы, свою калибровку и скорость реакции на это всё.
И все эти особенности влияют на обработку информации. Выбросился дофамин, тут мало глюкозы, здесь ваще кортизол, эти нейроны истощены, валим туда, а там синапсы уже тормозят, потому что этанол подвезли...
И при этом они ещё и ПОЛЗАЮТ! Вам надо буквально моделировать поведение миллиардов ползающих друг по другу сложных наноосьминогов с ионным покрытием и кучей параметров!
Да (нет).
Живой нейрон в мозге — это совсем не его примитивная модель в современных нейросетях. Если повезёт, на один синапс надо выделять по килобайту, если не по мегабайту.
Речь не о текстолите. Вменяемая (!) печать проводником и изолятором позволит послойно печатать электромеханические изделия, например, электродвигатели и трансформаторы сразу в сборе внутри изделия, по слоям, вместе с подшипниками, шестернями, обмотками, щётками и прочим. Да, поначалу это будет не очень долговечно.
Поначалу, конечно, сложные детали она не сделает, но даже два материала уже дают большой простор.
Можно будет напечатать сразу целиком роборуку с пальцами и кучей приводов — останется только подключить к ней контроллер. Можно даже «вшить» тысячи волокон — линейных электродвигателей ей прямо внутрь каркаса. А каркас сделать из каких‑нибудь микропружин. Эта штука сделает возможным дешево создавать изделия с тысячами и миллионами приводов и электродвигателей. В том числе из метаматерии, в каждой точке которой характеристики разные, и которая под воздействием тока в разных местах может абсолютно произвольно менять свою форму, упругость и прочие динамические характеристики. Например, какое‑нибудь крыло, меняющее форму и «напрягающееся» в нужные моменты для увеличения упругости.
Да, они будут необслуживаемые — но это и не надо. Сломалось — перетёр в порошок, напечатал заново. Не говоря уже о том, чтобы подключить к моделированию генетические алгоритмы и ИИ, и оптимизировать все эти штуки так, как не позволяли стандартные технологии изготовления. Можно сказать, для этой технологии модели надо не рисовать в классических CAD‑системах, а «выращивать» с помощью тех самых ИИ и «генетики», потому что необходимости привязываться к простым формам больше нет. Изделия по этой технологии будут больше напоминать живой организм, а не механизм.
А уж если добавить в принтер штуку, которая в каждый слой сможет впихивать SMD‑компоненты (типа напечатал несколько слоёв, расставил компоненты, потом опять несколько слоёв и т. д.) — это будет полный фарш. Комбинация такого 3D‑принтера с парой роборук, способных размещать SMD‑рассыпуху с микросхемами в толщу печатаемого изделия (с учетом специальных вентиляционных каналов, которые тоже будут печататься) — это отдельная, и очень большая тема.
Понятно, что до этого ещё очень далеко, и первые принтеры, печатающие изолятором и проводником так делать не смогут, а изделия, получаемые на них, будут жить не долго. Но постепенно это приведет чудовищному удешевлению и одновременному усложнению электромеханических изделий, и последующему существенному расширению возможностей.
В 40х годах ЭВМ кушала 100 кВт, требовала кучи деталей и ручного труда при постройке, а сейчас литографический станок на квадратном миллиметре автоматом делает систему, на порядке сложнее и мощнее этой самой первобытной ЭВМ.
Переход от текущих способов создавать механические изделия к вот этому вот, это как переход от ручной сборки ламповой ЭВМ к литографии. Которая в итоге привела нас от счётных машинок к миру с интернетом, ИИ, AR/VR и пластом социокультурных феноменов, фундаментально поменявших всё общество.
Очень жду появления принтера, который может печатать одновременно проводником и изолятором. Вот это будет фундаментальная революция, с кучей применений, изменением и удешевлением товаров и технологических цепочек.
Человек — 86 млрд нейронов
Слон — 257 млрд нейронов
А разгадка простая: число связей важнее числа нейронов, у слона их 42 трлн, а у человека — 125 трлн.
Можно разместить их не на роботе, а на какой‑нибудь палке высотой 3 метра (или больше). Тогда потоки, формируемые винтами, не будут доходить до ила.
По идее туда можно добавить что‑нибудь с плотностью меньше, чем у воды, и силой Архимеда уменьшить вес конструкции до нужного уровня, или сделать какие‑нибудь вертикальные гребные винты.
Одноричная система счисления немножечко неудобная, не смотря на то, что в ней считает сама Вселенная
Однажды это станет портативным, потому что у VR гарнитур появится нормальное разрешение.
...и, имхо, его сопоставление с тем что на экране, в камере и микрофоне.
Есть ещё лицо, глаза, отпечаток голоса, отпечатки моторики и прочие замечательные штуки.
Не совсем понимаю, может мы говорим о разных задачах? Я говорю не об общей задаче факторизации, а о частном случае — когда мы точно знаем, что число есть произведение двух простых чисел. Не трёх и более, а именно двух.
Сетка нам выдаёт набор гипотез, мы их сначала уточняем (что делается просто), а затем полученные пары проверяем на простоту.
Я не математик, и могу ошибаться, но в моём представлении сие выглядит как‑то так.
Мы пихаем в нейросеть число большое 2048-битное число A. Она выдаёт нам набор пар m и n, в окрестности которых, по мнению нейросети, лежат искомые простые множители. При этом нейросеть неточная, и m * n не равно A — нейросеть ошибается на ±миллион.
Нетрудно банальным перебором (проходим от [m-10⁶] до [m+10⁶], если A делится без остатка на него и результат лежит в диапазоне от [n-10⁶] до [n+10⁶] — это оно) отсканировать окрестность чисел m или n и найти реально два множителя, произведение которых равно A.
Осталось проверить, являются ли оба множителя простыми.
Берём кластер из 100 видеокарт уровня RTX 5090. Кластер будет проверять числа на простоту. У кластера есть очередь. В очередь кладутся числа, и он по очереди их проверяет.
Оцениваем вероятность простоты каждого из множителей (каким‑нибудь тестом Миллера — Рабина, или чем‑то подобным, или комбинацией). Перемножаем вероятности простоты обоих множителей — получаем «рейтинг». Добавляем пару чисел в очередь на кластер, причём не в конец, а между парами чисел с похожим рейтингом. То есть вся очередь всегда отсортирована по вероятности простоты, в начале стоят пары множителей, вероятность простоты которых максимальна.
Сам кластер проверяет каждое число на простоту методом эллиптических кривых (это который https://en.wikipedia.org/wiki/Elliptic_curve_primality). Если я не ошибаюсь, этот метод спокойно жрёт числа в несколько тысяч десятичных цифр, поэтому кластер из 100 видеокарт циферки порядка 2²⁰⁴⁸ (хотя там будет наверно ближе к 2¹⁰²⁴, а это где‑то 500–700 цифр) спокойно переварит за несколько недель, может даже за одну.
Так тут тоже — нам же целые числа нужны, если ошибка будет меньше 1, то есть если весь шум будет после запятой, нас это устраивает. Даже если точность, например, ±100 — мы же можем просто после нейросети поставить классический алгоритм, который тупо проверит 200 ближайших чисел, и найдёт математически точный ответ.
Я думаю, что так и надо — нейросеть «интуитивно» говорит, что вот оно где‑то вот тут, и дальше результат добивают уже классические алгоритмы, но в предельно минимальной окрестности. В таком дуэте нейросеть даже может выдавать не одно, а несколько предполагаемых мест, где может быть ответ, и даже ошибаться в 50% случаев.
А вот не факт.
Моя мысль в том, что мы не пытаемся запустить big int math на нейронке, то есть не повторяем паттерны человеческого мышления даже на базовому уровне (вплоть до концепции чисел, математики и прочего), не копируем эту логику и воплощение этой логики в алгоритмах.
Мы берём саму задачу и заставляем эту штуку саму найти нужные способы решения. И тогда есть вероятность, что она выявит какой‑то путь, который непонятен нашему мышлению, и, возможно неформулируем вообще на человеческих языках (включая математику) и даже не подлежит какому‑либо осмыслению, то есть для человеческого мозга этот путь будет выглядеть как хаотичные действия, но этот путь будет решать задачу качественно.
DeepFake же не просчитывает распознавание лиц и рендеринг теней и подповерхностного рассеивания для реалистичной замены этих лиц так, как это делает написанный человеком алгоритм со всякими треугольниками и трасировками лучей. Но при этом справляется лучше, чем если это будут делать 3D‑моделеры (вспомним Трон: Наследие). И волосы рендерит с физикой.
Вот я думаю, что вот это вот может простираться дальше графики. Что те концепции, которые мы осмысляем нашим абстрактным мышлением (в том числе «числа», «вычисления» и прочее), могут быть «осмыслены» этим «думающим» объектом в иной, недоступной нам форме, но такой, в которой решение этих сложных задач (как разложение длинных чисел на простые множетели) окажется намного проще и быстрее.
Когда кошка прыгает на стул, она расчитывает параболическую траекторию, но при этом неспособна понять концепцию «параболы» и «траектории». Но задачу решает. Так и тут — возможно, для разложения на множители этой штуке даже «числа» понимать не нужно.
По идее оно может наблюдать за FPS и снижать деталлизацию в случае, если она ниже 30 к/с. Плюс можно собрать статистику, на каком устройстве с какой скоростью оно работает и подбирать под это настройки графики автоматом.
В 3ds max когда вертишь слишком тяжелую модель он начинает упрощать отображение, чтобы удержать FPS на приемлемом уровне.