Разбираемся, где именно ломается учет ИТ-активов, и как выстроить систему, при которой пропажа монитора обнаруживается не через полгода, а в момент, когда его выносят из офиса.

Учет — это всегда про прошлое

Событие случилось, вы его зафиксировали. Купили ноутбук — записали. Пользователь уволился и унес гарнитуру — узнали постфактум благодаря инвентаризации. Сервер умер — выяснили, что гарантия закончилась месяц назад. Это классический учет активов.

Учет отвечает на вопросы в прошедшем времени: что есть, где лежит, сколько осталось. Это снимок состояния на момент последней сверки. Необходимый для бухгалтерии, но практически бесполезный для вас.

Управление — это взгляд в будущее: у какого железа через полгода заканчивается жизненный цикл? Что нужно докупить до того, как это станет проблемой? На каком оборудовании пора планировать замену, чтобы оно не умерло под нагрузкой?

«Учет сам по себе не является управлением, а управление не может существовать без учета. Учет — это фундамент», — отмечает Анастасия Монокина, администратор проектов компании «ИнфраМенеджер». Проблема в том, что большинство ИТ-отделов сидят именно на фундаменте и даже не пытаются подняться выше.

Чем оборачивается такой подход:

• Внезапными поломками. Не потому что железо плохое, а потому что плановое обслуживание никто не отслеживал.
• Хищениями и потерями, которые обнаруживаются через полгода, когда уже никто не помнит, кто последним брал пропавший монитор.
• Закупками вслепую. Бизнес заказывает новую партию техники, а на складе пылятся нераспакованные коробки. Или наоборот — все уверены в наличии запаса, а его нет.
• Лицензионными сюрпризами. Приходит проверка и выясняется, что количество лицензий меньше числа инсталляций.

Отдельная боль — инструменты

Некоторые вендоры продают под видом ITAM-систем по сути те же таблицы, только с веб-интерфейсом.

Главная проблема этих решений в том, что данные в них устаревают быстрее, чем вы успеваете их обновлять. Парк живет своей жизнью: что-то перемещается между кабинетами, что-то уходит в ремонт, что-то обновляется, что-то умирает. В системе все красиво — карточки активов, вкладки, фильтры. Но данные статичны: вы завели карточку, и она лежит мертвым грузом до следующей инвентаризации.

Если ваш ITAM требует, чтобы вы руками поддерживали его актуальность, — это не ITAM, а еще одна задача в вашем бэклоге.

Как выглядит нормальный подход

Нормальный подход — управлять не перечнем техники, а жизненным циклом каждой единицы. От момента, когда кто-то сказал, что это нужно, и до момента, когда это уехало на утилизацию.

При нормальном подходе все изменения пишутся в историю. Напоминания о плановом обслуживании приходят сами. По любому активу в любой момент можно ответить: что это, где оно, кто за него отвечает, что с ним делали и что с ним будет дальше. Для этого не приходится поднимать архивы, листать переписки или идти спрашивать у Пети, который в курсе.

Когда данные начинают работать

Переход от учета к управлению — это не смена одной таблицы на другую, более красивую. Это смена логики: данные об активах начинают работать на вас, а не вы на них. «ITAM позволяет запустить бесперебойный конвейер имущественных операций, где каждый актив работает на компанию ровно столько, сколько нужно, и окупает каждый вложенный в него рубль», — поясняет Анастасия Монокина, администратор проектов компании «ИнфраМенеджер».

Один из сценариев, который админ обычно тащит на себе вручную — выдача техники: при заявке на новый ноутбук нужно открыть таблицу, сверить остатки, написать на склад, дождаться ответа. Когда процесс автоматизирован, система сама проверяет складские остатки и резервирует свободную единицу.

При увольнении сотрудника запускается бизнес-процесс возврата оборудования с контролем каждого шага: кто принял, что принял, в каком состоянии.

Если у какого-то актива истекает гарантия, вы получаете уведомление и успеваете загнать железо в ремонт по гарантии, а не через 3 дня после ее окончания.

Кроме того, система с заданной периодичностью сама опрашивает сеть. Частоту выставляете вы — под то, насколько динамично живет ваш парк.

Система собирает фактические данные об оборудовании и софте и сопоставляет их с учетными записями. При расхождении сама обновляет карточки. Железо и софт перестают быть черным ящиком. Фактическое состояние парка живет в системе, а не в чьей-то голове.

Вместо сбора данных по таблицам из всех отделов у вас появляется единая точка входа: запросы подразделений, текущий парк, сроки жизни активов, загрузка ресурсов. В следующий раз, когда прилетит задача провести инвентаризацию, вы откроете не Excel, а дашборд. Сверка займет всего несколько минут, потому что система уже все посчитала за вас.

Для владельца MacBook это означает модель класса, который раньше требовал 128 ГБ памяти или сервера с несколькими GPU. Цена: скорость обработки промпта. По замерам автора, 8000 токенов контекста обрабатываются около 39 секунд, 32 000 около трёх минут, а полный контекст ограничен 32 768 токенами. Проект молодой (246 звёзд на GitHub на момент разведки), работает только на Apple Silicon с macOS 14 и требует около 110 ГБ свободного места на SSD.

• Модель: Qwen3.8-Flash-Next, 125 млрд параметров, 512 экспертов на слой, 10 активных на токен; веса 4 бита, 103,77–105,3 ГБ на диске.
• Память: постоянно загружено 3,8 ГБ, процесс на 48-гигабайтном Mac занимает около 33 ГБ; запуск движка около 2 секунд.
• Скорость на M5 Pro с 48 ГБ: около 12 токенов в секунду генерации; промпт 8000 токенов около 39 секунд, 32 000 около 3 минут; контекст до 32 768 токенов.
• Требования: Apple Silicon, macOS 14 и новее, около 110 ГБ на SSD; Linux, Windows и дискретные GPU не поддерживаются.
• API совместим с Ollama и OpenAI: работают curl, Open WebUI и OpenAI SDK; в slotstream 0.2.0 подключение Ollama CLI ещё не работало. Лицензия MIT.

Как 105 ГБ помещаются в 48

Qwen3.8-Flash-Next устроена как mixture of experts: в каждом слое 512 экспертов, но для одного токена активируются только 10. Значит, в каждый момент нужна малая часть весов. Эксперты занимают 67,9 ГБ, ещё 32 ГБ уходит на хранилище n-gram и PLE. slotstream держит фиксированный пул слотов в памяти и подгружает нужных экспертов с SSD системным вызовом pread, а не отображает всю модель через mmap. Постоянно в памяти живут только общие части модели, 3,8 ГБ.

Автор описывает, почему очевидные способы не сработали. Обычный загрузчик на 48-гигабайтном Mac уходил примерно в 48 ГБ подкачки и завершался до первого токена. Ленивый mmap тоже не спасал: после короткого промпта резидентная память приближалась к 100 ГБ, потому что система не знает, каких экспертов можно выгрузить. Фиксированный пул решает это ценой того, что каждый новый эксперт читается с SSD, отсюда и медленная обработка длинного промпта: диск становится узким местом.

Что это значит на практике

12 токенов в секунду на генерации это скорость, при которой ответом можно пользоваться в чате. Проблема в prefill: минута ожидания на промпт средней длины и три минуты на длинный документ делают инструмент непригодным для RAG по большим контекстам и для агентов, которые постоянно перечитывают историю. Зато для разовых задач с коротким контекстом, где важно качество большой модели, а не отклик, это рабочий вариант на ноутбуке. Автор прямо пишет, что инструмент рассчитан только на Apple Silicon «и не случайно» (перевод редакции): расчёт на объединённую память и скорость встроенного SSD.

Как попробовать

1. Проверить требования: Apple Silicon, macOS 14 или новее, около 110 ГБ свободного места, желательно 48 ГБ памяти (на меньших объёмах автор замеров не приводит).
2. Собрать или скачать slotstream по инструкции в README; веса модели скачиваются отдельно, это около 105 ГБ.
3. Подключить любой клиент, понимающий API Ollama или OpenAI: Open WebUI, OpenAI SDK с локальным base_url или curl. в slotstream 0.2.0 Ollama CLI на момент публикации не подключался.
4. Сверить свои цифры с таблицами в MEASUREMENTS.md: там разложены память, ввод-вывод и время по этапам.

Кому это не подойдёт: владельцам Mac с 16–24 ГБ (замеров для них нет), пользователям Linux и Windows и всем, кому нужен быстрый prefill. Региональных ограничений у проекта нет, веса модели скачиваются из открытых источников. Что можно запустить дома на более скромном железе, мы собирали в обзоре открытых моделей августа; о том, во что обходится обработка длинного контекста у облачных моделей, есть разбор цен API за август.

Источники: Репозиторий slotstream, MEASUREMENTS.md: замеры памяти и скорости

Последняя капля, как её назвали инженеры CERN (перевод редакции), знакома всем, кто держит парк старого железа: RHEL и его производные собираются с флагом компилятора -march=x86-64-v2, и процессоры без нужных инструкций перестают загружать систему. В CERN это назвали принудительным устареванием. Для админа с парком машин десятилетней давности вопрос тот же: какую ветку дистрибутивов под них выбирать.

• Мигрируют 2200 с лишним промышленных компьютеров и встраиваемых систем управления ускорителями; срок до конца 2026 года; целевая система Debian 13.
• Дата-центры и вычислительная инфраструктура экспериментов остаются на RHEL и AlmaLinux, уточнение опубликовано отдельно.
• CERN около десяти лет использовала Scientific Linux, которую сама сопровождала, затем с 2015 года CentOS.
• Рассматривали CentOS Stream как естественное продолжение, но решающим стал флаг -march=x86-64-v2 по умолчанию в RHEL.
• Названные проблемы Debian: нет стандартного инструментария для автоматической сборки и публикации пакетов и для хранения нескольких версий одного пакета.

Что такое x86-64-v2 и почему он отсекает железо

Уровни микроархитектуры x86-64-v2, v3 и v4 описывают наборы инструкций, на которые компилятор может рассчитывать. Уровень v2 требует, среди прочего, SSE4.2 и POPCNT; это процессоры примерно 2009 года и новее. RHEL 9 и производные (AlmaLinux, Rocky, CentOS Stream 9) собираются под v2, поэтому на более старых CPU ядро и пользовательские программы просто не запускаются. Промышленные контроллеры и встраиваемые машины у ускорителей меняются редко: оборудование сертифицировано, проверено годами и работает. Debian по-прежнему собирает amd64 под базовый уровень x86-64, что и делает его вариантом для такого парка.

Чего CERN не хватило в Debian

По пересказу Phoronix, инженеры назвали два пробела. Первый: в экосистеме Debian нет стандартного инструментария для автоматической сборки и публикации собственных пакетов уровня того, к чему привыкли в мире RPM (Koji, Copr, mock). Второй: инструменты репозиториев плохо поддерживают хранение нескольких версий одного и того же пакета, что нужно для контролируемого отката на промышленных системах. Оба пробела CERN закрывает своими средствами; подробности обещаны в видеозаписи доклада с MiniDebConf.

Что остаётся на RHEL

Важное уточнение, которое Phoronix добавил после публикации: миграция касается только промышленных компьютеров управления ускорителями. Дата-центры CERN и вычислительная инфраструктура экспериментов остаются на RHEL и AlmaLinux. То есть это не «CERN уходит с Red Hat», а выбор дистрибутива под конкретный класс машин со старым железом.

Что это значит для своего парка

• Проверить, проходят ли ваши серверы уровень v2: /lib64/ld-linux-x86-64.so.2 --help | grep supported на любой glibc новее 2.33 покажет поддерживаемые уровни.
• Если в парке есть машины ниже v2, ветка RHEL 9 и новее для них закрыта; варианты: Debian, Ubuntu (тоже базовый x86-64) или остаться на RHEL 8-совместимых системах до конца их поддержки.
• Для промышленных систем ключевой вопрос не дистрибутив, а инструменты сборки пакетов и отката: под Debian их придётся собирать самим, как это делает CERN.
• Debian 13 вышел летом 2025 года и будет получать обновления безопасности до 2028 года, затем LTS; для сравнения, поддержка Debian 11 закончилась 31 августа.

Слайды и видео доклада CERN с MiniDebConf на момент публикации доступны через страницу конференции, отдельного пресс-релиза организация не выпускала. На сайте мы недавно разбирали другой пример влияния сборочных флагов на скорость: Rust Coreutils 0.11 и разницу производительности бинарников в Alpine из-за libc.

Источник: Phoronix: CERN Transitioning Industrial Computers To Debian

Изображение на обложке: Debian Project, логотип Debian Open Use

Без маркетинга и успешного успеха. Только боль, костыли и суровый прод! Мой пет-проект - бот «Щёлк-ГДЗ». Это ИИ-помощник, который решает школьные задачки по фоткам, видео, гс, тг-кружкам и PDF. Под капотом Python 3.12.3, aiogram 3, aiosqlite, апи OpenRouter (модель Gemini 3.0 Flash) и Робокасса. Крутится всё это на дешёвом VPS в Нидерландах. Держит 2500+ пользователей и не падает.

В этой статье расскажу, как за 9 месяцев построил логичную архитектуру, победил ошибку FloodWait при стриминге ответа ИИ и почему в условиях 1 гига RAM обычная SQLite - отличное решение.

Нейронка вместо джуна и Уроборос багов

Сразу признаюсь... С нуля я это не писал :) Синтаксис мне генерили LLM-ки. Начинал с Gemini 2.5 Pro, затем перешел на 3.0 Pro, а сейчас использую 3.1 Pro.

Многие думают, что нейронка сама напишет проект "под ключ", но это миф. Я никогда не доверял ИИ проектирование архитектуры и использовал его как продвинутый StackOverflow (скармливал конкретную задачу (например, написать SQL-миграцию) и получал кусок кода).

ИИ — это не архитектор, а джун на спидах.

Как только логика усложнялась - гемини ловил «Уроборос багов». Кидаешь баг А - он его фиксит, но появляется ошибка Б. Скармливаешь и её - фиксит, но возвращается баг А. Цикл замкнулся. Лечилось только созданием новых чатов, в которые я кидал код и писал запросы типа "Найди критические ошибки, логические дыры и баги".

Про продуктовую логику нейронка вообще не слышала. В первой версии рефералки был баг, где любой(если его аккаунта ещё нет в БД) мог написать в конце ссылки что любые 9 цифр (?start=1234567890) и получить бонусы.

Также были ошибки с гонкой состояний при оплатах и активациях промокодов, которые тоже фиксил запросами в новые чаты с ИИ. Так я исправил около 20 архитектурных дыр.

Немного про архитектуру.

Чтобы код не превратился в нечитаемую лапшу на 5000 строк, я жестко разбил всё на модули. Архитектура бота выглядит так:

main.py - это точка входа с настройкой логгеров, коннетами aiohttp и запуском APScheduler

database.py - вся работа с БД

neiro.py - логика общения с апи OpenRouter (стриминг, сжатие фоток через Pillow, JSON-контекст)

states.py - классы состояний aiogram.fsm.state (например, PaymentProcess, GdzMode)

utils.py - легковесные утилиты. Например лок пользователей (защита от спама запросами):

Хэндлеры вынесены в отдельную папку handlers/:

handlers/common_handlers.py - главное меню с обработкой /start (рефералки, utm-метки).

handlers/gdz_handlers.py - сам процесс ИИ-решения (вход в GdzMode, прием фото, видео, кружочков).

handlers/pay_handlers.py - это логика платежей (Robokassa) и "Умная корзина".

handlers/tasks_handlers.py - квесты (выдача премиума за подписку на каналы спонсоров).

Сборку интерфейсов вынес в all_def.py. Не люблю, когда в хэндлерах генерится полотно текста с кнопками. Там же лежат функции склонения слов (1 запрос, 2 запроса, 5 запросов). А в settings.py лежат списки с рандомными ответами бота, чтоб казался живым.

Так же в settings.py я сделал кэширование картинок, тоесть при первом запуске бот грузит фото меню как BufferedInputFile, сохраняет file_id от Телеграма и дальше шлет картинки моментально по ID. Сервак говорит спасибо за сэкономленный трафик)

В handlers/common_handlers.py находится первичная маршрутизация. Вот так обрабатываются рефералки, переходы с сайта, с рекламы и другое при старте:

Диета по токенам

Хранить бесконечную историю диалогов дорого и бессмысленно. В бесплатной версии храню 10 последних сообщений (5 пар вопрос-ответ), а в преме — 30.

Но фотки весят большое кол-во токенов. Если премиум-юзер закинет 30 фоток, OpenRouter выставит мне огромный счет. В итоге я прикрутил ограничение: Из 30 сообщений ИИ видит только 10 последних картинок.

Старые фотки тупо вырезаю из JSON. Подменяю на системный промпт:

С довольно неплохой моделью (gemini 3.0 flash) это работает как часы (она честно признается, что забыла картинку, а не выдумывает что-то из воздуха).

Стриминг, FloodWait и защита баланса

Чтобы бот не выглядел тормозом, я сделал стриминг ответа от ИИ в neiro.py. Я обновляю сообщение в Телеграме чанками по мере получения их от ОпенРоутера.

Но если делать message.edit_text слишком часто, ловишь FloodWait. В итоге я выставил интервал в 0.7 секунд и обернул всё в жесткий try/except:

Стрим при этом не прерывается. Поспали и погнали дальше :) Если на этапе обработки файла или стриминга падает критическая ошибка - честно возвращаю юзеру запрос на баланс.

В handlers/gdz_handlers.py это выглядит так:

SQLite тащит

Почему не Postgre? Потому что для микро-SaaS с 2,5к пользователей SQLite хватает за глаза. Но в асинхронной среде она любит кидать ошибку database is locked.

Чтобы этого избежать, я включил WAL-режим при инициализации пула, разделил коннекты на db_writer и db_reader, а сложные операции доверил самому SQL.

Например, 00:00 запускается крон-таска, которая собирает огромную аналитику, начисляет всем активным юзерам +1 ежедневный запрос и сбрасывает просроченные подписки. И это всё это работает атомарно внутри database.py:

Умная корзина на APScheduler

Когда дело дошло до монетизации, всплыли две проблемы:

Первая: юзер оплатил, но забыл нажать кнопку «✅ Я оплатил» в боте. Бот ждет, юзер ждет, товар не выдается, поддержка кипит.

Вторая: юзер сформировал счёт и передумал ("брошенная корзина").

Вместе с LLM я с нуля изучил apscheduler и убил двух зайцев фоновыми задачами. Теперь в handlers/pay_handlers.py при генерации ссылки на оплату я создаю две отложенные таски:

Как это работает?

Через 5 минут срабатывает async def auto_check_payment(), которая тихо стучится в робокассу. Если статус success - бот сам начисляет запросы на баланс и радует клиента. Если статус pending - таска умирает, и в дело вступает 30-минутная таска.

Но она не шлёт спам вслепую, а лезит в БД и проверяет 3 бизнес-правила:

1. await db.has_successful_payment_recently - Не купил ли он другой товар за последние 3 часа?

2. await db.get_latest_invoice_id - А это точно самый последний сгенерированный им счет?

3. await db.can_send_agitation - Не присылали ли мы ему агитацию недавно?

Если проверки пройдены, то юзер получает сообщение: "⏳ Домашка сама себя не решит! Ты начал оформлять покупку, но оплата так и не прошла...". Это поднимает конверсию оплат.

Финал

Почему я не использую Redis для стейтов? Ответ банален: мой дешевый VPS имеет всего 1 гб оперативки. Пул aiohttp, In-Memory стейты и асинхронные таски и так жрут 70% RAM. Редис тупо не влезет.

Как говорится, работает — не трогай.

Сейчас проект обзавелся сайтом-витриной и продолжает развиваться. В планах - искать и чинить новые баги. Перееду на более мощное железо, когда сервак начнет физически задыхаться.

Готов ответить на вопросы по архитектуре и послушать советы в комментариях \(^^)/

P.s. вот ссылка на первую статью о моём проекте:

P.s. Если кто-то хочет потестить вживую(не реклама), то юз бота в тг @gdzshchelk_bot

По данным Gamers Nexus, при подключении некоторых мониторов LG Windows Update сначала устанавливает пакеты расширений и компонентов производителя, а затем — приложение LG Monitor App Installer. В журнале надёжности Windows оно появляется примерно через минуту, без запроса на скачивание и без диалога согласия.

LG Monitor App Installer попадает на ПК через Windows Update.

После загрузки установщик показывает предложение McAfee: 30-дневная пробная версия, которая потом становится платной подпиской.

Проблема воспроизведена на LG UltraGear 34GX900A-B, но встречается и на старых моделях, например LG UltraFine 32UN880-B.

Похожий механизм используют Dell и Alienware.

Заблокировать автозагрузку можно групповой политикой Prevent automatic download... или отключением Microsoft Store.

Как это работает

Gamers Nexus проверил работу установщика на 32 загрузках системы. В 31 случае на экране появлялось окно с предложением McAfee, в одном — реклама собственной утилиты LG. Поп-ап предлагает 30-дневную пробную версию антивируса, после которой начинается платная подписка.

Microsoft Store описывает приложение как имеющее доступ к интернету и ко всем системным ресурсам. Пользовательские жалобы на LG Monitor App Installer встречаются ещё с 2024 года, но в последние недели число сообщений резко выросло.

Мы зафиксировали рекламу McAfee в 31 из 32 загрузок системы после установки приложения.

Это только LG?

Нет. Dell использует тот же механизм Windows Update, чтобы доставлять Alienware Command Center при подключении совместимого монитора или периферии. PC Gamer также отмечал аналогичные жалобы на Alienware.

Как отключить

Параметр, который нужно включить, называется так:

• Откройте редактор групповых политик: gpedit.msc.
• Перейдите в Computer Configuration → Administrative Templates → System → Device Installation.
• Включите параметр, указанный в код-блоке выше.
• Перезагрузите компьютер, чтобы изменения вступили в силу.

Альтернатива — отключить Microsoft Store, но тогда перестанут обновляться и другие приложения из магазина.

Источники

• LG monitors silently install software through Windows Update without user consent — VideoCardz
• It looks like monitor manufacturers can download bloatware without consent — PC Gamer

В своей колонке Daily Drivers редактор Hackaday Дженни Лист скачала ISO-образ, запустила KolibriOS на современном ThinkPad и удивилась: система выглядит зрелой, стабильной и по-настоящему быстрой. Разбираем, что это за проект, откуда он взялся и кому пригодится сегодня.

Что такое KolibriOS

KolibriOS — российский форк MenuetOS, созданный в 2004 году. В то время как автор оригинального MenuetOS Вилле Турьянмаа переключился на закрытую 64-битную версию, сообщество вокруг русскоязычного порта сохранило код открытым и продолжило развивать 32-битную ветку. Название «Колибри» выбрано неслучайно: система маленькая и быстрая, как птица-колибри.

Проект поддерживается преимущественно разработчиками из России, Казахстана, Украины и Германии. Код распространяется под открытой лицензией, а сборки регулярно публикуются на официальном сайте и зеркалах сообщества.

Версия 0.7.7

Версия 0.7.7 продолжает философию предельного минимализма. Минимальные системные требования смехотворны по нынешним меркам: 1 МБ места на диске, 8 МБ оперативной памяти и процессор класса i586. При этом система выдаёт графический интерфейс, многозадачность и набор встроенных программ.

Дженни Лист отмечает, что на ThinkPad 2020-х годов KolibriOS загружается «в мгновение ока» и сразу показывает рабочий стол. Интерфейс выглядит пиксельным, как в 1990-х: нет сглаживания, есть ощущение ретро. Но при этом всё работает — без синих экранов и зависаний.

• KolibriOS 0.7.7 — 32-битная ОС с ядром на ассемблере, базовый образ весит около 1 МБ.
• Минимальные требования: i586, 8 МБ ОЗУ, 1 МБ на диске.
• В комплекте браузеры, игры, эмуляторы, графические редакторы и среда разработки.
• Главное ограничение для повседневного использования — отсутствие поддержки HTTPS.
• Лучше всего подходит для старого железа, тонких клиентов, обучения и ретрокомпьютинга.

Как устроена система

Ядро на ассемблере

Большая часть KolibriOS написана на FASM — плоском ассемблере. Это объясняет крошечный размер исполняемых файлов и молниеносную загрузку: система не тратит время на инициализацию абстракций, слоёв совместимости и десятков фоновых служб.

Важная оговорка: несмотря на миф «всё на ассемблере», часть приложений и драйверов портирована или написана на C, Free Pascal, Oberon и даже Python. Но ядро, графическая подсистема и системные вызовы остаются ассемблерными.

Файловые системы и загрузка

KolibriOS умеет загружаться с CD/DVD, USB, жёстких дисков и даже с классической дискеты 1,44 МБ. Поддерживаются файловые системы FAT12/16/32, exFAT, NTFS и ext2/3/4. Есть варианты для Coreboot и загрузка прямо из Windows.

Что внутри: программы и игры

Несмотря на размер, KolibriOS поставляется с обширным набором софта. По данным сообщества, в образ входят более 250 программ, включая текстовый процессор, просмотрщик изображений, графический редактор, музыкальный плеер, IRC-клиент и веб-браузеры.

Из игр и развлечений — порты эмуляторов, DOSBox, а также shareware-версии классики вроде DOOM и Wolfenstein 3D на полноценном CD-образе. Есть поддержка SDL, что позволяет переносить проекты с «больших» систем.

Something this polished deserves a while to play around.

Главное ограничение: интернет без HTTPS

Дженни Лист называет именно этот момент решающим: встроенные браузеры KolibriOS, включая Netsurf и Webview, не поддерживают HTTPS. Без этого современный веб практически закрыт: большинство сайтов, включая сам Hackaday, просто не откроются.

Это меняет статус системы с «основной ОС на каждый день» на «платформу для специальных задач». Почта, мессенджеры, облачные сервисы и онлайн-документация остаются недоступны без промежуточного прокси или другой машины.

Почему HTTPS сложно:
Современный TLS требует большой криптографической библиотеки, регулярных обновлений корневых сертификатов и поддержки множества алгоритмов. В условиях ОС размером в мегабайт это серьёзный архитектурный вызов, который сообщество пока не взяло в штатный комплект.

Кому и где пригодится KolibriOS

С учётом ограничений у KolibriOS остаётся несколько чётких сценариев применения. В России и соседних странах это особенно актуально: парки старого офисного и школьного оборудования часто содержат машины, которые официально «не тянут» современные ОС.

• Воскрешение старого железа. Pentium- и ранние Core-машины получают рабочий стол, браузер для локальных страниц и офисные утилиты.
• Тонкие клиенты. Низкие требования к RAM и CPU делают KolibriOS кандидатом для терминалов с удалённым рабочим столом.
• Обучение. Ядро на ассемблере, простые системные вызовы и небольшой кодовой базы — отличная площадка для изучения устройства ОС.
• Ретрокомпьютинг. Запуск DOS-игр через эмулятор, классические 2D-игры и ностальгический интерфейс 1990-х.
• Встроенные системы. Сборка Kolibri-A ориентирована на специализированное железо и железные проекты.

Как попробовать KolibriOS

Попробовать систему проще всего в виртуальной машине. Скачайте ISO-образ с официального сайта, создайте VM с 64 МБ ОЗУ и загрузитесь с образа. Для реального железа подойдёт запись образа на USB-флешку или CD.

• Скачайте ISO или образ дискеты с официального сайта KolibriOS.
• Для VM: создайте 32-битную машину с 64 МБ RAM и VESA-видео.
• Для железа: запишите ISO на CD или USB через обычную утилиту.
• Загрузитесь и выберите разрешение экрана из меню загрузчика.
• Исследуйте меню «Пуск»: игры, утилиты, терминал и браузер.

Если планируете использовать сетевые функции, проверьте совместимость сетевой карты по списку оборудования. Поддерживаются многие чипы Realtek, Intel и 3Com.

Выводы

KolibriOS 0.7.7 — это не замена Windows или Linux, а демонстрация того, какой отклик может давать компьютер, когда софт пишут под железо, а не под абстракции. В эпоху, когда операционки растут гигабайтами, проект напоминает: минимализм ещё жив.

Для российского читателя у KolibriOS есть дополнительный смысл: это открытый проект с русскоязычным сообществом, который можно изучать, дополнять и применять для решения практических задач — от перевода старого классного компьютера в рабочее состояние до обучения низкоуровневому программированию.

Главный вопрос — нужна ли вам такая система прямо сейчас. Если у вас есть старый 32-битный ноутбук, интерес к ассемблеру или просто ностальгия по быстрым ОС — попробуйте. А для повседневной работы с интернетом пока придётся держать под рукой что-то посовременнее.

Источники:

• Jenny’s Daily Drivers: KolibriOS 0.7.7 — Hackaday
• KolibriOS на DistroWatch
• Официальная вики KolibriOS

Как из такого состояния перевезти 400 петабайтов логов в единую систему и не уронить работу сервисов, расскажем в статье совместно с экспертом.

Точка кипения — технический тупик

Исторически сложилось, что часть бизнес-юнитов VK развивались со своими техническими стеками, процессами и культурой работы с данными. Со временем продолжали рождаться новые продукты. Это неизбежно вело к децентрализации. В масштабах экосистемы, объединяющей десятки продуктов, такая автономность выражалась в том числе в жесткой фрагментации на уровне работы с данными и инфраструктуры.

Проблема разрозненности данных становится критической, когда количество команд, занимающихся аналитикой, превышает возможности их прямой координации. Пока работает один отдел до 50 человек, выстроить единую платформу относительно просто. Когда же их становится больше сотни, задача усложняется.

До старта проекта OneData в ключевых подразделениях компании — Почте Mail.ru, Одноклассниках, ВКонтакте, VK Рекламе и поиске — параллельно работало пять отдельных крупных инсталляций Hadoop. Существовавший ландшафт порождал серьезную неэффективность. Суммарные вычислительные мощности использовались в среднем лишь на 50% по CPU. При этом каждый кластер требовал выделенной команды администраторов: до 10 высококвалифицированных инженеров на каждый бизнес-юнит. Фактически десятки специалистов выполняли дублирующие задачи по поддержке идентичного стека. Расходы на железо (CAPEX) и эксплуатацию (OPEX) множились, не принося добавочной ценности.

Но главная проблема крылась в бизнес-рисках. Команды в спешке создавали логи под себя, что приводило к потере событий, нарушению структуры данных и отсутствию документации. Возникал критический рассинхрон: ML-инженеры могли использовать одни логи, а аналитики — другие, часто не учитывая специфические фильтры. В менеджеры получали противоречивую информацию: одни отчеты показывали рост метрик, другие — падение.

Выбор технологического ядра

При проектировании фундамента единой платформы данных перед командой стоял выбор между тремя способами устройства инфраструктуры.

Первый вариант — классический Hadoop (HDFS). От него решили отказаться из-за плохой масштабируемости по количеству файлов (проблемы NameNode) и сложности адаптации под современные облачные подходы. Кроме того, поиск и найм специалистов по глубокой поддержке Hadoop становился все более сложной задачей.

Второй вариант — объектное хранилище (S3). Техническая база для построения огромного S3 в компании существовала, но этот путь признали подходящим скорее для долгосрочного архива. Главным минусом S3 стала невозможность эффективной работы в режиме near real-time (NRT). Для рекомендательных систем и рекламы, где данные должны обновляться практически мгновенно, задержки S3 были неприемлемы.

В итоге выбор пал на YTsaurus . Эта технология позволила построить гибкую систему, поддерживающую и батчевую, и потоковую обработку данных. Она работает на commodity-железе, что позволило эффективно переиспользовать серверы, оставшиеся от старых Hadoop-кластеров. В реализации OneData режим NRT работает бесшовно: в зависимости от бизнес-задачи используется либо микробатчинг, либо прямой стриминг из Kafka в таблицы.

Основным интерфейсом для работы с платформой стал YQL — SQL-подобный язык запросов. Это позволило снизить порог входа: 80% повседневных задач аналитики решают с помощью знакомого синтаксиса. Для тяжелых вычислений и ML-трансформаций в платформу интегрированы Python, SPYT (Spark над YT) и CHYT (аналитический слой ClickHouse над YT), который обеспечивает минимальные задержки при доступе к витринам.

Архитектура: от сырых логов до витрин

Процесс структурирования данных разбит на несколько строго регламентированных этапов. Источниками служат Kafka, PostgreSQL и внешние системы. Для доставки данных используется LogFather — унифицированный инструмент, работающий на двух уровнях: сбор миллионов мелких событий в реальном времени и репликация целых таблиц из рабочих баз без написания ETL-кода вручную.

Внутри выстроена слоистая архитектура, обеспечивающая чистоту данных:

• RAW (Сырые данные). Здесь информация хранится в первозданном виде. В этом подспорье платформы: если в алгоритмах расчета обнаружится ошибка, наличие сырых данных позволит пересчитать все показатели с нуля за любой период.

• ODS (Operational Data Store). На этом этапе происходит первичная очистка, типизация и, что самое важное, проверка схем (Schema Validation). Если сервис-источник внезапно изменит формат лога (например, заменит числовое поле строковым), импорт в единую платформу данных будет заблокирован. Это защищает хранилище от каскадных падений и замусоривания невалидными данными.

• DDS (Detail Data Store). Слой нормализованных данных, приведенных к единому корпоративному стандарту.

• DM (Data Marts). Финальные витрины, оптимизированные под конкретные бизнес-отчеты. Благодаря ранее упомянутому CHYT, аналитики получают доступ к этим данным практически мгновенно.

Решение проблемы зоопарка идентификаторов

Одной из самых сложных инженерных задач стало приведение к общему знаменателю пользовательских идентификаторов. У каждого продукта была своя логика: в Почте это был uid, в Одноклассниках — userID, в Дзене — guid. Чтобы собрать единый профиль пользователя для сквозной аналитики, раньше требовались недели ручного маппинга и согласований.

Для решения этой проблемы был внедрен сквозной идентификатор — persid. На уровне слоя DDS с помощью графовых алгоритмов и обученных ML-моделей все локальные идентификаторы групп автоматически подключаются к единому профилю. Теперь аналитику не нужно проводить расследование, чтобы понять, что пользователь в Почте и пользователь в Дзене — это один и тот же человек. Система делает это сопоставление автоматически. В планах команды — запуск сервиса, который будет проставлять persid еще на этапе генерации события, что окончательно решит проблему фрагментации личностей в данных.

Надежность данных: SLA и роль Data Owner

Чтобы платформа не превратилась в неуправляемое «болото данных», в ее архитектуру интегрированы механизмы контроля качества (Data Quality). На текущий момент в OneData полноценно функционируют два ключевых направления.

1. Контроль своевременности (SLA). Автоматизированный мониторинг в реальном времени непрерывно отслеживает график поступления информации в хранилище. В случае задержки обновления любой критически важной таблицы система в автоматическом режиме генерирует инцидент, который направляется команде владельца данных (Data Owner). Это решение выходит за рамки простой технической надстройки: для обеспечения бесперебойности приоритетных потоков данных в компании организованы дежурства в режиме 24/7.
2. Содержательный контроль (DQ-чеки). Специализированные алгоритмы-чекеры анализируют входящие потоки на предмет дублей, пропусков и различных статистических аномалий. Важной архитектурной особенностью является работа этих проверок в режиме уведомлений. Они не прерывают выполнение расчетов, чтобы не парализовать работу бизнес-юнитов, но при этом мгновенно оповещают потребителей о возникновении проблем в конкретной витрине. Такой подход позволяет сохранить непрерывность бизнес-процессов, одновременно информируя аналитиков о качестве доступных цифр.

Параллельно ведется подготовка к внедрению системы oneEtl. В перспективе этот механизм обеспечит полную прозрачность всей цепочки вычислений, позволяя проследить путь любой цифры в финальном отчете до самого первого лога в слое RAW. Реализация этого компонента призвана окончательно снять вопросы к качеству данных и значительно упростить поиск причин при расхождении метрик в разных отчетах.

Организационный вызов: песочницы и учения

Миграция более 400 ПБ данных из пяти разрозненных кластеров в единую платформу данных стала не только техническим, но и сложнейшим управленческим испытанием. Команды на местах часто сопротивлялись переезду. Юниты боялись потери контроля над своими процессами и не хотели тратить дефицитный ресурс разработчиков на переписывание старых скриптов с Hadoop.

Для преодоления барьера команда инфраструктуры использовала тактику учений. Заранее объявлялись даты физического вывода из эксплуатации старых Hadoop-кластеров, и проводились пробные кратковременные отключения. Это стало лучшим стимулом для бизнес-юнитов завершить миграцию в установленные сроки. Чтобы облегчить процесс, была организована масштабная поддержка: видеокурсы, чаты с экспертами и запуск ИИ-помощника Data Copilot. Основную нагрузку по переносу кода взяли на себя DWH-аналитики, что позволило продуктовым командам не останавливать разработку фич.

Для безопасного сосуществования 35 юнитов в одном контуре были внедрены песочницы (Unit Sandboxes). Каждый продукт работает в своем изолированном сегменте, имея доступ к общим справочникам и возможность делиться своими данными с другими командами внутри группы. Изменение данных в общих критических слоях требует обязательного ревью от Data Owner. Также внедрена строгая ролевая модель доступа: права выдаются персонально под задачу, а системы безопасности мониторят подозрительные паттерны активности (например, попытки выгрузки больших объемов данных за пределы контура).

Результаты для бизнеса: DevEx и A/B-тестирование

Главным итогом создания единой платформы данных стало кратное ускорение работы с данными (Time-to-Insight).

Благодаря автоматизации и внедрению Self-Service инструментов, скорость работы аналитиков с кросс-данными выросла в разы. Сегодня создание тестовой таблицы в песочнице для проверки гипотезы занимает около 1 часа. Вывод полноценного кода в продакшн с учетом всех доступов, автоматических проверок, ревью и постановки на расписание, сократился до 1–2 дней. Раньше этот процесс мог растягиваться на недели из-за межкомандных взаимодействий.

На базе платформы была развернута единая А/В-платформа. Это позволило внедрить общую методологию экспериментов по всей группе компаний. Теперь менеджеры продуктов могут корректно оценивать сквозные эффекты: например, как изменение алгоритма в одном сервисе влияет на вовлеченность пользователей в другом.

Будущее платформы: ИИ и глобальная дедупликация

Процесс развития OneData продолжается. Главная цель на ближайшее время — завершение миграции крупнейших проектов, включая ВКонтакте. Полный вывод из эксплуатации (EOL) всех старых разрозненных хранилищ Hadoop намечен на конец 2026 года.

За счет устранения дублирования данных и отказа от избыточного хранения объем информации только в рекламном контуре должен сократиться в три раза — со 100 ПБ до 30 ПБ. При этом платформа уже сегодня эффективно оперирует объемами в сотни петабайт.

Важным направлением станет интеграция ИИ в работу с данными. Чат-бот Data Copilot уже помогает аналитикам ориентироваться в тысячах таблиц и генерировать рабочий YQL-код по текстовому запросу, опираясь на внутренние метаданные о структуре платформы данных. В планах — интеграция этого функционала напрямую в интерфейсы разработки (IDE), что позволит еще сильнее сократить путь от бизнес-гипотезы до конкретных показателей.

Практика показывает, что без единого слоя данных компания упирается в потолок: метрики считаются по-разному, кросс-продуктовые сценарии не сходятся, а любые изменения требуют синхронизации между командами. Единый фундамент снимает эти ограничения. Данные становятся сопоставимыми, эффекты — измеримыми, а решения — быстрее и точнее.

По данным авторов препринта, система собрана из 20 480 вычислительных узлов. В каждом процессоре LX2 — две кристаллические пластины с 304 ядрами суммарно, восемь стеков HBM общим объёмом 32 ГБ и 128 ГБ DDR-памяти. Связь между узлами обеспечивает собственная сеть LingQi компании Hangzhou LingQi Technology.

• LineShine возглавил TOP500 с результатом 2,198 эксафлопс в тесте Linpack.
• Система использует только отечественные китайские процессоры LX2 на базе Armv9.
• В конфигурации нет процессоров Nvidia, Intel или AMD.
• Теоретический пик — 2,736 эксафлопс, в тестах достигнуто около 80 %.
• Машина работает под управлением ОС KylinOS на базе Linux.

Процессоры LX2 используют лицензируемые ядра Armv9, поэтому полностью «вакуумной» разработкой система не является — в этом можно усмотреть и вклад британской Arm. Тем не менее вычислительные кристаллы, межсоединения и программный стек создавались в Китае. Машина работает под KylinOS — дистрибутивом Linux с открытым исходным кодом и международными контрибьюторами.

Технические характеристики

В документе указано, что каждый процессор LX2 выдаёт до 60,3 терафлопс в FP64 и 120,6 терафлопс в FP32 благодаря блокам SME и SVE. Узлы связаны через сеть LingQi с топологией dual-plane multi-rail fat-tree и пропускной способностью 1,6 Тбит/с на узел. Важный нюанс: это первая система в TOP500, которая преодолела порог в два эксафлопса устойчивой двойной точности, используя только центральные процессоры.

Почему это важно

Результат LineShine совпадает с курсом Пекина на импортозамещение в сфере высокопроизводительных вычислений и ИИ. Китай активно сокращает зависимость от западных полупроводников, особенно после ограничений на поставку GPU в страну. Лидерство в TOP500 даёт аргумент в пользу политики технологического суверенитета, хотя GPU-отрасль КНР пока отстаёт от Nvidia и AMD примерно на четыре-пять лет.

Выводы

LineShine стала первой системой в TOP500, которая превысила два эксафлопса устойчивой двойной точности, используя только CPU.

Для индустрии HPC это сигнал о том, что китайская экосистема процессоров и межсоединений вышла на новый уровень. Пока рано говорить о глобальном доминировании, но лидерство в TOP500 без американских чипов — веха, которую будут учитывать и политики, и инженеры при планировании следующих поколений суперкомпьютеров.

Источник: Chinese supercomputer using local processors heads TOP500 list — The Register.

Что такое протокол передачи данных

Под протоколом передачи данных здесь понимается формат пакетов (кадров), которые строятся поверх физического уровня. Физический уровень — это уже выбранный интерфейс: RS-232, RS-485, инфракрасный канал, радиомодуль или оптоволокно. От него мы получаем две базовые операции: отправить один байт и принять один байт. Всё остальное — наша задача.

Данные передаются пакетами — кадрами. Хороший кадр позволяет приёмнику понять: где начало сообщения, кому оно адресовано, сколько в нём полезных данных и не повредились ли они по дороге.

Кадр состоит из заголовка, адресов, типа данных, длины, полезной нагрузки, контрольной суммы и концевика.

Для защиты от случайных совпадений заголовок делают многобайтовым, а контрольную сумму считают по всей значащей части кадра.

Парсинг удобно реализовывать конечным автоматом: каждый принятый байт переводит машину в новое состояние.

На хосте данные почти всегда буферизуются; на простых МК часто выгоднее передавать напрямую, чтобы сэкономить ОЗУ.

Структура кадра: из чего собирать пакет

Надёжный протокол обычно включает семь логических полей. Не все обязательны — выбор зависит от задачи.

Заголовок и концевик

Заголовок (frame header) и концевик (frame tail) отмечают границы кадра. Главное требование — минимизировать вероятность случайного совпадения этих байтов в потоке данных. Есть два подхода:

• Подбор характерных байтов. Если данные предсказуемы (например, только ASCII-текст), можно выбрать заголовок из диапазона непечатаемых символов.
• Увеличение длины. Для случайных данных лучше сделать заголовок многобайтовым — например, 0x55 0xAA 0x7E. Вероятность случайного совпадения трёх конкретных байтов подряд падает экспоненциально. Даже если совпадение произойдёт, его отловит контрольная сумма.

Адресация

Адрес назначения нужен в системах типа «один к многим» — например, когда один хост управляет несколькими датчиками по общей шине RS-485. В сложных сетях добавляют ещё и адрес источника, чтобы получатель знал, от кого пришёл пакет.

Тип, длина и данные

Тип данных (data type) говорит, что дальше идёт команда или полезная нагрузка. Длина (data length) указывает число значащих байтов в блоке данных. Вместе они образуют «тело» кадра — ту часть, которую мы действительно хотим доставить.

Контрольная сумма

Контрольная сумма проверяет целостность кадра. Простейший вариант — арифметическая сумма всех байтов тела. Для более серьёзной защиты применяют CRC (циклический избыточный код): он ловит пакетные ошибки и перестановки битов, которые простая сумма пропустит. Выбор алгоритма — компромисс между скоростью вычисления на МК и требуемой надёжностью.

Передача: хост и микроконтроллер

На физическом уровне отправка сводится к посылке байтов один за другим. Но способ организации этой посылки сильно влияет на производительность.

Передача с микроконтроллера

На простых контроллерах вроде семейства 8051 часто используют прямую передачу: процессор загружает байт в буфер UART и ждёт флага готовности. Плюс — данные моментально оказываются на линии. Минус — процессор занят на всё время отправки.

Альтернатива — передача по прерыванию: байты складываются в кольцевой буфер, а прерывание UART отправляет их фоном. Экономит процессорное время, но требует ОЗУ под буфер. На 8051 с его скудной памятью прямая передача часто выигрывает.

Передача с хоста

На ПК данные почти всегда буферизуются операционной системой. Программист работает с тремя уровнями абстракции:

1. Контролы ОС. В Windows — компоненты вроде MSComm (устаревший 32-bit ActiveX, не рекомендуется для новых проектов). Просто, но нужно следить за блокировками при приёме и многопоточностью.
2. Системные API. В Windows и Linux последовательный порт — это файл. Открываем через CreateFile или open(), но перед чтением и записью требуется настройка параметров порта (в Linux — termios со скоростью, чётностью и размером слова).
3. Класс-обёртка. Например, CSerialPort для Windows: он инкапсулирует инициализацию, поток приёма и отправку. После открытия порта вызов WriteToPort отправляет массив байтов, а внутренний поток следит за входящими данными и шлёт сообщения родительскому окну.

Приём и парсинг на конечном автомате

Приём данных на стороне микроконтроллера тоже бывает двух видов: опрос (поллинг) и прерывание. Опрос проще, но отнимает процессорное время. Прерывание эффективнее: байт пришёл — сработала процедура обработки прерывания (ISR, Interrupt Service Routine), процессор отвлёкся на доли миллисекунды и вернулся к задаче.

Где размещать парсер протокола? Если протокол простой, его можно держать прямо в обработчике прерывания: приняли корректный кадр — установили флаг, основной цикл реагирует. Для сложных протоколов лучше писать байты в буфер и разбирать их в главном цикле. Гибридный подход тоже возможен: в прерывании ищем только «команду подключения», а остальное парсим фоном.

Пример: разбор кадра по состояниям

Рассмотрим конкретный формат кадра:

Парсер реализуем через переменную state_machine. Каждое состояние соответствует ожидаемому байту. Если пришёл не тот байт — автомат сбрасывается в ноль. Это защищает от «залипания» в промежуточном состоянии при обрыве связи или помехах.

Совет по стабильности:
Сброс автомата при несовпадении заголовка, адресов, длины, checksum или концевика — ключевая техника. Без неё при обрыве кадра парсер застрянет в промежуточном состоянии, и следующие кадры будут отвергнуты.

Приём на стороне хоста

На ПК приём организуется проще: операционная система уже буферизует входящие байты. Для неблокирующего чтения запускают отдельный поток, который ждёт данных из порта и передаёт их в основной процесс через сообщения или обратный вызов. Класс CSerialPort, например, отправляет родительскому окну сообщение WM_COMM_RXCHAR с каждым новым байтом. Обработчик этого сообщения просто вызывает тот же парсер, что и на микроконтроллере.

Таким образом, логика разбора протокола единая для обеих сторон. Различается только способ доставки байтов в парсер: прерывание ISR на МК и поток ОС на хосте.

Выводы

Проектирование протокола связи для микроконтроллера — это не ракетостроение, но требует дисциплины. Хороший кадр защищает границы (заголовок + концевик), адресует получателя, указывает длину и проверяет целостность. Парсинг на конечном автомате делает код предсказуемым и устойчивым к сбоям.

Главный принцип — сбрасывать автомат при любом нарушении ожидаемого шаблона. Это предотвращает «залипание» и позволяет системе быстро восстановиться после помехи. На основе этой базы можно наращивать надёжность: добавлять повторные передачи, порядковые номера, шифрование — в зависимости от требований проекта.

Хороший протокол — это не тот, который передаёт быстрее всех, а тот, который не ломается при помехах.

Источник: оригинальная статья Leo Liu — Microcontroller Communication Protocol Design (DEV Community).

SK Hynix — один из крупнейших производителей DRAM и NAND-флеш-памяти в мире, а Nvidia лидирует на рынке ускорителей для ИИ. Вместе компании планируют ускорить развёртывание «фабрик ИИ» (AI factories) — дата-центров, специализированных на обучении и инференсе больших моделей.

Суть соглашения

Соглашение направлено на решение ключевого узкого места отрасли: длительных циклов разработки передовой памяти. По мере глобального масштабирования ИИ-инфраструктуры спрос на высокоскоростную память растёт быстрее, чем производство успевает за ним угнаться.

В рамках партнёрства SK Hynix диверсифицирует портфель в три новых направления: инфраструктуру ИИ, персональный ИИ и физический ИИ. Компания будет совместно проектировать память для платформ Nvidia, включая Vera Rubin — следующее поколение ИИ-суперкомпьютеров после Blackwell.

Nvidia и SK Hynix подписали многолетнее соглашение о кодизайне памяти для ИИ.

Партнёрство покрывает Vera Rubin, Vera CPU, RTX Spark и Jetson Thor.

Цель — сократить циклы разработки памяти и ускорить строительство ИИ-фабрик.

SK Hynix внедрит цифровые двойники фабрик на базе Nvidia Omniverse и cuOpt.

Компании будут применять ИИ к проектированию чипов через CUDA-X и PhysicsNeMo.

Технические детали

Ускорение проектирования чипов

SK Hynix внедряет библиотеки NVIDIA CUDA-X и фреймворк PhysicsNeMo для ускорения симуляций полупроводников. Это охватывает TCAD (Technology Computer-Aided Design), вычислительную литографию и внутренние инженерные коды компании.

Распространение этих инструментов на экосистему EDA (Electronic Design Automation) открывает путь к трёхсторонним проектам: производители чипов + Nvidia + вендоры САПР.

Цифровые двойники фабрик

Для автономного управления производством SK Hynix строит цифровые двойники фабрик на базе Nvidia Omniverse и формата OpenUSD. Это позволяет визуализировать, симулировать и оптимизировать сложные производственные процессы в 3D.

Система использует открытый движок оптимизации cuOpt и платформу Nvidia Metropolis для управления автономными мобильными роботами и другими активами на производстве.

ИИ-фабрики — двигатели следующей промышленной революции, а передовая память критична для их производительности. SK Hynix был выдающимся партнёром Nvidia, играя центральную роль в поставке передовых технологий памяти для наших ИИ-платформ. Вместе мы будем совместно проектировать следующее поколение памяти для ИИ-фабрик.

SK Hynix и Nvidia шли к этому годами, и это партнёрство отражает глубину нашей совместной работы. Мы совместно проектируем следующее поколение памяти для ИИ-фабрик и применяем ИИ к тому, как проектируем и производим полупроводники — работа, которая определит будущее ИИ-инфраструктуры.

Выводы

Сделка Nvidia и SK Hynix — не просто контракт на поставку компонентов, а стратегический союз двух лидеров отрасли. Он закрывает критический разрыв между разработкой GPU и памяти, позволяя обеим компаниям синхронизировать дорожные карты.

Для рынка это означает ускорение выхода платформ Vera Rubin и снижение рисков дефицита памяти при масштабировании ИИ-инфраструктуры. Для конкурентов — повышение планки: Samsung и Micron теперь работают в условиях, где ключевой заказчик привязан к SK Hynix на несколько лет вперёд.

Источник: NVIDIA Newsroom, Bloomberg

Если вы разрабатываете встраиваемые системы или хотите войти в IoT, этот материал — практическое руководство по созданию BLE-периферии с нуля. Мы разберём, как устроен стек, как настроить окружение и как написать код, который управляет железом со смартфона.

Что такое Zephyr OS и зачем она для BLE

Zephyr OS — открытая операционная система реального времени под управлением Linux Foundation. Лицензия Apache 2.0, поддержка более 600 плат на ARM, RISC-V, x86 и других архитектурах. Главное для нас: внутри неё живёт полноценный BLE-стек, прошедший официальную сертификацию Bluetooth SIG. Рекомендуем также обзор «Первый RISC-V RVA23 чип входит в mainline Linux».

Zephyr OS включает сертифицированный BLE-стек с открытым кодом — от приложения до радиоконтроллера.

GAP управляет обнаружением и соединениями, GATT — структурой данных (сервисы и характеристики).

Для старта понадобятся плата nRF52840 DK (~40 USD) и смартфон с приложением nRF Connect.

Прошивка собирается через west — единый инструмент для клонирования, сборки и прошивки.

Оптимизация энергопотребления: интервал advertising, peripheral latency, System OFF и отключение неиспользуемых периферий.

Это означает, что вы работаете не с хобби-реализацией, а со стеком, который прошёл conformance-тестирование. От прикладного кода до радиорегистров — всё открыто. Никаких бинарных блобов. Nordic Semiconductor, чьи чипы доминируют на рынке BLE, построила свой nRF Connect SDK поверх Zephyr. Когда инженеры Nordic пишут прошивку, они используют Zephyr.

Стек поддерживает Bluetooth 5.x (2M PHY, Coded PHY для дальней связи, Extended Advertising), Bluetooth Mesh, LE Audio с кодеком LC3, Direction Finding и все стандартные профили. Если вы делаете BLE-продукт в 2025–2026 годах — Zephyr входит в тройку лучших платформ.

Как работает BLE: два слоя, которые нужно знать

Прежде чем писать код, нужна ментальная модель. BLE — это не «классический» Bluetooth для аудио. Он создан для коротких, редких сеансов связи: датчик проснулся, отправил 20 байт, уснул. Такое устройство может работать от таблеточной батарейки годами.

Разработчик взаимодействует с двумя слоями:

• GAP (Generic Access Profile) — отвечает за обнаружение и соединения. Периферия широковещательно рассылает пакеты (advertising), а central (обычно телефон) их слушает и инициирует подключение.
• GATT (Generic Attribute Profile) — отвечает за обмен данными после соединения. Данные организованы в иерархии: устройство предоставляет сервисы, внутри которых находятся характеристики — единицы данных со свойствами Read, Write, Notify, Indicate.

Каждый сервис и характеристика идентифицируются UUID. Стандартные (от Bluetooth SIG) — 16-битные, пользовательские — 128-битные. Хорошо спроектированный набор сервисов — это API вашего устройства.

Ключевые выводы

Настройка окружения

Для работы понадобится Linux (Ubuntu 22.04+), macOS или Windows с WSL2. Идеальная плата для старта — Nordic nRF52840 DK. Она недорогая, широко доступна и имеет встроенный отладчик J-Link. А ещё посмотрите, как создать самодельные устройства на Raspberry Pi, ESP32 и Node-RED.

Установка зависимостей

На Ubuntu устанавливаем toolchain и утилиты:

Устанавливаем west — CLI для управления многорепозиторным workspace:

Инициализируем workspace и скачиваем модули (HAL-ы, криптобиблиотеки, Bluetooth controller):

Устанавливаем Python-зависимости и SDK с кросс-компиляторами:

Добавляем в ~/.bashrc:

Первое приложение: простой beacon

Начнём с минимального примера: устройство, которое только объявляет о себе по радио и не принимает соединений. Это база для iBeacon, Eddystone и отслеживание активов.

Создаём структуру проекта:

Файл CMakeLists.txt:

Конфигурация prj.conf:

Код src/main.c:

Что происходит: bt_enable(NULL) инициализирует стек синхронно. bt_le_adv_start с параметром BT_LE_ADV_NCONN запускает неконнективный advertising. Массив ad содержит флаги (general discoverable, no BR/EDR) и имя устройства.

Собираем и прошиваем:

Открываем nRF Connect на смартфоне, сканируем и видим «MyBeacon» в списке устройств. Прошивка работает.

Кастомный сервис: управляем LED со смартфона

Beacon полезен, но скучен. Настоящая магия начинается, когда телефон подключается к устройству и управляет им. Сделаем сервис, который позволяет включать LED на плате и читать состояние кнопки.

Конфигурация prj.conf:

Основной код. Здесь определяем пользовательские 128-битные UUID для сервиса и двух характеристик:

Ключевые моменты: BT_GATT_SERVICE_DEFINE собирает GATT базу данных на этапе компиляции. Характеристика LED доступна для чтения и записи, а кнопка — только для чтения. UUID сервиса вынесен в scan response, чтобы не перегружать 31-байтовый advertising-пакет.

После прошивки подключаемся через nRF Connect, находим кастомный сервис (UUID начинается с 00001234), записываем 0x01 в LED-характеристику — светодиод загорается. Только что вы управляли железом со смартфона по Bluetooth.

Notifications: отправляем данные без запроса

Чтение и запись — это pull-модель. Но датчики обычно работают по push: термометр сам шлёт температуру, пульсомер — BPM. В BLE для этого есть notifications.

Чтобы добавить notification в характеристику, нужно:

1. Указать свойство BT_GATT_CHRC_NOTIFY в характеристике.
2. Добавить CCCD (Client Characteristic Configuration Descriptor) через BT_GATT_CCC — телефон пишет в него 0x0001, чтобы включить уведомления.
3. Вызвать bt_gatt_notify при изменении данных.

Типовой паттерн — периодическая отправка через delayable work item:

Work item выполняется в системном потоке, а не в контексте прерывания, поэтому вызовы Bluetooth API безопасны.

Полный sensor node в одном файле

Соберём всё вместе: датчик температуры (симулированный), который читается по запросу и пушится через notifications с настраиваемым интервалом. Добавим обработку соединений и LED-индикацию статуса.

Здесь важны две детали. Во-первых, температура хранится в формате fixed-point (сотые доли градуса в int16_t) — это позволяет избежать дорогих операций с плавающей точкой на микроконтроллерах без FPU. Во-вторых, проверка в функции записи: если телефон шлёт некорректный интервал, стек возвращает ошибку BT_ATT_ERR_VALUE_NOT_ALLOWED.

При разрыве соединения обработчики отменяют work item, гасят LED и перезапускают advertising — устройство снова доступно для обнаружения.

Безопасность: pairing и шифрование

В рабочей среде BLE без защиты — это устройство, которое любой прохожий может переключить или прочитать. Pairing создаёт зашифрованный канал и, опционально, аутентифицирует стороны.

Методы pairing в BLE:

• Just Works — шифрование без аутентификации. Защищает от пассивного прослушивания, но не от MITM.
• Passkey Entry — пользователь вводит 6-значный код. Аутентификация есть.
• Numeric Comparison — оба устройства показывают число, пользователь подтверждает совпадение.
• Out of Band (OOB) — обмен ключами через внешний канал, например NFC.

Включаем SMP (Security Manager Protocol) и persistent storage для bonding:

Данные сопряжения (ключи, обменянные при pairing) сохраняются во флеш-памяти и переживают перезагрузку. Без этого пользователю придётся проходить pairing после каждого включения устройства — ужасный пользовательский опыт.

Чтобы требовать шифрования для чтения характеристики, меняем permission:

BT_GATT_PERM_READ_ENCRYPT означает, что чтение возможно только по зашифрованному соединению. Если телефон пытается прочитать без pairing, стек автоматически инициирует процедуру сопряжения.

Роль central: сканируем и подключаемся

Все примеры выше — периферия (peripheral): устройство, которое рассылает advertising и ждёт подключения. Другая сторона — central: шлюз, хаб, сборщик данных. Для полной картины нужно понимать обе роли.

Конфигурация central:

Запуск сканирования и подключение к первому найденному устройству с RSSI выше -70 dBm:

После подключения выполняется обнаружение сервисов через bt_gatt_discover, затем — чтение характеристик и подписка на notifications через bt_gatt_subscribe.

Оптимизация: MTU, PHY и энергопотребление

По умолчанию BLE ATT MTU — 23 байта. Минус 3 байта заголовка ATT, получаем 20 байт полезной нагрузки на операцию. Для передачи прошивки или больших буферов этого мало.

Включаем MTU 247 байт и Data Length Extension:

Zephyr автоматически инициирует MTU exchange при соединении. С 247-байтным MTU, интервалом 7,5 мс и 2M PHY пропускная способность достигает ~800–1000 кбит/с на практике.

Выбор PHY — ещё один рычаг:

• 1M PHY — дефолт, стандартная дальность и скорость.
• 2M PHY (Bluetooth 5.0) — удваивает скорость, сокращает время работы радио и экономит энергию. Дальность чуть меньше.
• Coded PHY — увеличивает дальность в 2–4 раза за счёт помехоустойчивого кодирования, но скорость падает до 125 кбит/с.

Энергосбережение — ключ к автономным устройствам. Главные приёмы:

1. Увеличить advertising interval: 1000 мс потребляет в 5 раз меньше, чем 200 мс.
2. Использовать peripheral latency: пропускать connection events, когда нечего передавать.
3. Включить System OFF: ток nRF52840 падает с ~3 мА до ~1,5 мкА.
4. Отключить неиспользуемые периферии в devicetree overlay — UART, SPI, I2C жрут ток даже в простое.

Цель для BLE-датчика — средний ток в единицы микроампер. При таком потреблении таблеточная батарейка CR2032 (225 мА·ч) проработает годы.

Что ещё умеет стек: Mesh, DFU и LE Audio

Помимо классической point-to-point связи, Zephyr поддерживает три продвинутые технологии:

Bluetooth Mesh

Bluetooth Mesh — многие-ко-многим сеть поверх BLE. Узлы пересылают сообщения друг другу, расширяя радиус действия за пределы одного соединения. Используется в умных домах и офисах: десятки лампочек, выключателей и датчиков общаются без единого центрального хаба.

DFU over BLE

DFU over BLE — обновление прошивки по воздуху. Интеграция с MCUboot даёт два слота: активный и резервный. Новая прошивка загружается через BLE SMP сервис, устройство перезагружается, MCUboot проверяет подпись и, в случае неудачи, автоматически откатывается к предыдущей версии.

LE Audio

LE Audio — новый аудиостандарт на базе BLE. Кодек LC3 даёт более высокое качество, чем классический SBC, при вдвое меньшем битрейте. Режим BIS (broadcast) позволяет одному источнику транслировать звук на неограниченное число приёмников — технология, лежащая в основе Auracast.

Отладка: что делать, когда не работает

BLE сложно отлаживать, потому что радио невидимо. Начинайте с логов:

Это выдаст подробную трассировку каждой HCI-команды, advertising event и GATT-операции. Вывод идёт в UART — не оставляйте UART включённым в рабочей среде, он жрёт ток.

Интерактивный Zephyr shell позволяет вручную запускать bt advertise on, bt gatt discover и bt gatt read через последовательный порт. Это бесценно для быстрой проверки гипотез без перепрошивки.

Для анализа радиоэфира используйте nRF Sniffer для Bluetooth LE — прошивка для nRF52840 DK, которая вместе с Wireshark показывает каждый пакет в эфире: advertising PDU, connection events, pairing exchange. Это окончательный инструмент, когда подозреваете проблему на уровне протокола.

Часто задаваемые вопросы

Выводы

Zephyr OS превращает разработку BLE-устройств из работы с чёрными ящиками в инженерную дисциплину. Полный открытый стек, сертификация Bluetooth SIG, поддержка 600+ плат и активное сообщество делают его одной из сильнейших платформ для IoT.

Мы прошли путь от простого beacon до полноценного sensor node с notifications, управлением соединениями и проверкой входных данных. Этих паттернов — advertising, GATT-обработчики, CCCD, подсчёт ссылок на соединение — достаточно, чтобы построить практически любое BLE-периферийное устройство.

Следующий шаг — взять реальное железо, реальный датчик и собрать устройство, которое решает вашу задачу. Термометр для теплицы, беспроводная кнопка для умного дома, трекер для велосипеда — всё это становится доступным после освоения базовых паттернов.

Главный способ понять BLE — не читать спецификацию, а заставить мигать LED со смартфона. Когда это получится, остальное пойдёт быстро.

Источники:

How to Build Bluetooth Applications with Zephyr OS: A Handbook for Devs — freeCodeCamp.

Zephyr Bluetooth Stack Documentation — официальная документация.

Bluetooth SIG Specifications — спецификации протоколов и профилей.

Новый чип построен по 3-нм техпроцессу TSMC, содержит 70 млрд транзисторов и предлагает 128 ГБ общей памяти LPDDR5x с пропускной способностью 273 ГБ/с. Заявленная производительность ИИ-вычислений — 1 петафлопс в формате FP4 благодаря тензорным ядрам пятого поколения.

CPU включает 10 высокопроизводительных ядер Cortex-X925 и 10 ядер Cortex-A725 с частотой до 4,1 ГГц. GPU располагает 6144 CUDA-ядрами и поддерживает DLSS 4.5. Процессор и ускоритель связаны через соединение NVLink-C2C, что устраняет копирование данных через PCIe.

• RTX Spark — 20-ядерный ARM + GPU Blackwell на одном кристалле, 70 млрд транзисторов.

• 128 ГБ единой памяти позволяет запускать модели до 120 млрд параметров локально.

• 1 петафлопс FP4 на тензорных ядрах Blackwell — преимущество в ИИ-инференсе крупных моделей перед платформами без нативной поддержки FP4.

• Первые ноутбуки ASUS, Dell, HP, Lenovo, Microsoft и MSI — осенью 2026.

Технические характеристики RTX Spark

• Процессор: 20 ядер ARM (10× Cortex-X925 + 10× Cortex-A725), до 4,1 ГГц
• GPU: Blackwell, 6144 CUDA-ядер, тензорные ядра 5-го поколения с FP4
• Память: 128 ГБ LPDDR5x, 256-бит шина, 273 ГБ/с
• Техпроцесс: TSMC 3 нм, 70 млрд транзисторов
• TDP: до 140 Вт (десктоп DGX Spark)
• Соединение: NVLink-C2C между CPU и GPU

Контекст: чем RTX Spark бросает вызов Apple Silicon

RTX Spark — это переосмысленный чип GB10 Grace Blackwell, который уже используется в настольной системе DGX Spark за $4699. Теперь NVIDIA адаптировала его для мобильных устройств и настольных ПК от сторонних OEM-производителей.

Прямой конкурент — Apple M4 Max: у него выше пропускная способность памяти (546 ГБ/с против 273 ГБ/с), но меньше ИИ-производительность на NPU (38 TOPS INT8 против 1000 TOPS FP4 на GPU). Прямое сравнение некорректно из-за разных архитектур и форматов, однако для моделей свыше 50 млрд параметров преимущество RTX Spark становится критическим: он держит их в нативном FP4, тогда как Apple вынуждена идти на агрессивное сжатие.

Microsoft уже анонсировала Surface Laptop Ultra на базе RTX Spark. К осени 2026 года ожидается свыше 30 моделей ноутбуков от ASUS, Dell, HP, Lenovo, Microsoft и MSI.

Выводы

RTX Spark — попытка NVIDIA занять нишу, которую Apple удерживает с 2020 года: высокопроизводительные ARM-компьютеры с единой памятью. Но вместо копирования подхода Apple компания ставит на свою сильную сторону — тензорные ядра и экосистему CUDA.

Главный вопрос — насколько быстро созреет экосистема Windows on ARM и оптимизация приложений под новую архитектуру. NVIDIA утверждает, что оптимизированные приложения (например, Adobe Premiere) работают вдвое быстрее, чем на конкурирующих платформах, однако независимых тестов пока нет — устройства выйдут только осенью. Если разработчики адаптируют софт под Grace-ядра и FP4, RTX Spark может стать рабочей лошадкой для локальных LLM и генеративного ИИ.

NVIDIA делает ставку не на победу во всех бенчмарках, а на доминирование в локальном выводе ИИ-моделей — там, где размер модели и формат вычислений решают больше, чем чистая пропускная способность памяти.

Источник: Awesome Agents — NVIDIA RTX Spark

Не магическая кнопка, а десятки экспериментов

Павел Раваев, директор по данным RWB, сразу же в начале митапа отсекает главный миф об искусственном интеллекте.

«ИИ — это не какая-то магическая кнопка, на которую ты нажимаешь, и всё становится красиво и хорошо».

За каждым запуском стоят данные, сотни экспериментов и огромная инженерная работа.

Масштаб Wildberries заставляет относиться к ИИ без иллюзий. Миллионы пользователей, десятки миллионов заказов в день — улучшение какого-то процесса даже на пару процентов превращается в сложнейшую инженерную задачу. Поэтому главный принцип компании звучит максимально прагматично: «Мы не внедряем ИИ только ради ИИ. Сначала проблема, потом гипотеза, потом десятки экспериментов. Часть взлетает, часть откатываем».

И этот подход работает. ИИ в Wildberries уже давно вышел за рамки чат-ботов и модерации. Поиск и рекомендации превратились в сложные системы, учитывающие не только предпочтения пользователя, но и наличие товара на ближайшем складе, чтобы снизить логистические издержки.

Прогнозирование спроса и управление складскими операциями — то, что пользователь никогда не увидит, — экономят компании колоссальные деньги. Для селлеров работают инструменты генерации карточек товаров по фотографии и автоответы на отзывы. Только задумайтесь: ежедневно на WB оставляют около четырех миллионов отзывов и задают триста тысяч вопросов. Вручную это обрабатывать невозможно.

А еще Wildberries запускает автопереводы карточек товаров для других стран — руками это сделать невозможно из-за объемов.

Внутри компании ИИ тоже активно используется. У Wildberries есть, например, AI-агент DPO, который проверяет, что лежит в больших хранилищах данных. «Он заменил целый пласт ручной работы с разметкой. Мы его сделали, попробовали, отдали безопасникам — и теперь это работает в зоне их ответственности», — рассказывает Павел. А еще есть собственные кодинг-ассистенты, инструмент для автоматического ревью кода (им пользуются около 200 команд).

«Колесо сансары замкнулось — программисты разрабатывали ИИ, и он начал их заменять», — смеется Юрий Софронов, руководитель направления моделей и сервисов для ИИ-ассистентов в RWB.

Главный вывод, который делает Раваев, звучит так: ИИ в крупной компании нужен не ради инноваций. Он помогает выстроить интеграцию в тысячи уже работающих процессов и нагрузку, которую не выдержит ни один коробочный фреймворк.

Где заканчивается магия и начинается автоматизация

Первый технический блок митапа начался с неожиданного признания. Руководитель ML-платформы Даниил Понизов и MLOps-инженер Роман Лазовский из RWB рассказывали о внедрении AIOps-практик, но их главный вывод звучал почти издевательски: AI в AIOps-платформе оказался практически бесполезен.

Как это вообще могло случиться?

Проблема, которую они решали, знакома многим. В корпоративный чат падают тысячи алертов о недоутилизации ресурсов. Дежурные разбирают их вручную, но через неделю те же проблемы возвращаются. Кто-то берет десять GPU для обучения модели на десяти строчках данных, и никто не может этого предотвратить. В масштабах Wildberries с его тысячами ML-сервисов и сотнями владельцев ручные методы просто перестают работать.

Команда выбрала KeepHQ — единственную на тот момент open-source AIOps-платформу. Развернули, настроили интеграцию с Grafana, сделали бота в мессенджере, который ведет диалог с владельцами сервисов. Система дедуплицирует алерты (из почти 400 тысяч событий схлопывается 99%), обогащает их контекстом и автоматизирует рутину. Результат впечатляет: на одном из кластеров утилизация GPU выросла на 62%.

Ирония, которая стоит особняком

Когда платформа называется AIOps, ожидаешь, что искусственный интеллект будет играть в ней ключевую роль. На практике выяснилось, что в open-source версии KeepHQ AI-функции крайне ограничены. Встроенный LLM-провайдер из коробки не заработал — пришлось патчить ролевую модель. AI-ассистент для построения воркфлоу помогает генерировать YAML, но это просто ускоритель, а не интеллект.

«AIOps в нашем случае — это автоматизация мелких ручных действий, — резюмирует Даниил. — AI-фичи, доступные из коробки, нам пока не помогли. Мы уже разрабатываем отдельного AI-агента, который будет мониторить алерты из KeepHQ, а также обогащать их контекстом из других инструментов, чтобы автоматически заводить инциденты и открывать мердж-реквесты с предложениями по оптимизации ресурсов в сервисах».

Вывод, который стоит вынести из этого опыта: open-source решения для AIOps удобны, но будьте готовы патчить всё — от Python-степов до LLM-провайдеров. И главное — не ждите, что AI решит ваши проблемы с утилизацией. Сначала выстройте прозрачный процесс, а потом уже его автоматизируйте.

Хорошая модель не спасет: данные, код и железо решают всё

Юрий Софронов, руководитель направления моделей и сервисов для ИИ-ассистентов в RWB, разобрал самый опасный стереотип: заказчики думают, что если дать им «хорошую модель», всё заработает само. На самом деле LLM-продукт — это сложная система. Юрий выделяет как минимум три слоя: данные, код и железо, и без проработки каждого модель бесполезна.

«Никому не нужен чат-бот, который думает по 20 минут, — объясняет Юрий. — Модель без дополнительного контекста — это просто очень сложный вычислительный инструмент, который умеет генерировать токены и ничего не знает про ваш бизнес и вашего пользователя. Чтобы появился LLM-продукт, нужно воспринимать его как атомарную, неделимую сущность. Это огромный каскад и технических, и продуктовых решений».

Слой данных

История, которой Юрий поделился, наглядно иллюстрирует проблему. Задача: автоматически отвечать на вопросы покупателей. Источников информации много: описание товара, предыдущие вопросы к селлеру, тысячи отзывов. На некоторые товары на Wildberries их оставлено больше сотни тысяч. Даже в современную модель с контекстом на 120-250 тысяч токенов всё это не помещается.

Команда пробовала стандартные подходы. Добавлять все отзывы в контекст — не лезет. Векторный поиск — нет хороших датасетов и эмбеддеров, нерелевантные примеры убивают качество.

Сработал агент под названием «Водолаз». Он раз в сутки анализирует весь контент карточки — вопросы, отзывы, обсуждения — и извлекает из него факты, которых нет в официальном описании товара. «Подошва не скользит зимой», «хорошо держит тепло» — такие факты складываются в понятную для LLM key-value структуру и индексируются.

В результате удалось закрыть пять процентов вопросов, на которые раньше ответить не могли. Цифра кажется небольшой, но в масштабе WB это десятки тысяч автоматических ответов в день.

Вывод прост: не пытайтесь скормить LLM сырой контекст. Приведите данные в порядок до того, как отдадите их модели. LLM не чинит данные — она только усиливает существующий хаос.

Слой кода

Здесь Юрий был категоричен. Low-code инструменты типа LangChain — это зло для продакшна.

«Благодаря своей универсальности эти инструменты не оптимизированы. Разбирая реализацию LangChain, ты попадаешь в пять-семь слоев абстракций, неэффективно реализованные компоненты».

Где их можно использовать? Для прототипов, демо заказчику, тестирования на малой группе пользователей. Но определенно не в продакшне.

«Если кто-то в WB собирается запускать клиентские продукты на таких технологиях, как LangChain, я сильно протестую и готов всеми силами это остановить».

Альтернатива, по мнению Юрия, — разделить систему на прозрачные слои: API, роутер сценариев, сборщики контекста, саму LLM, пост-процессинг. И использовать vLLM или Triton вместо нативного PyTorch. Базовая интеграция без оптимизаций дает буст в 10–15 раз по сравнению с Transformers.

Живой пример из практики Wildberries: готовая к запуску продовая инфра с 48 GPU на end-to-end тестировании функционала в приложении показывает такие же метрики производительности, что и на 4 GPU. Производительность идентична, хотя разница в ресурсах в 12 раз! Причина оказалась не в GPU и не в модели, а в ingress-слое — стояли дефолтные лимиты на количество соединений, которые буферизовали ответы. Кодовая инфраструктура заруинила отличную GPU-инфраструктуру.

Слой железа

Самая недооцененная часть LLM-продуктов. Классический L7-балансировщик балансирует сетевой трафик, но сетевой запрос не равен нагрузке на GPU. Две одинаковые ноды с одной моделью могут отвечать с совершенно разной скоростью, одна может работать в штатном режиме, другая — зациклиться в генерациях или повлечь за собой ошибку на уровне железа. Что работает вместо этого:

• Token-aware routing — оцениваем количество токенов, не отправляем тяжелый запрос на загруженную ноду.
• KV-cache routing — используем уже посчитанный кэш на той же ноде, где он был. Трехкратный выигрыш по latency.
• Спекулятивный роутинг — кидаем запрос на две-три ноды, берем самый быстрый ответ. Ускоряет ответ на 15–25%, снижает 95-й перцентиль latency на 15%.

Когда ИИ — это переплата, а когда — полезный помощник

На панельной дискуссии встретились представители Альфа-Банка, Сбера, RWB, red_mad_robot.

Где ИИ не нужен

Самый частый ответ: если проблема решается эвристиками или регулярными выражениями, не нужно тащить LLM. В задачах кибербезопасности, например, многие пытаются применять большие языковые модели для фильтрации спама или борьбы с мошенничеством, но обычные классификаторы справляются с большинством задач намного лучше.

Красные флаги, которые заставляют команды отказываться от ИИ-решений, тоже довольно очевидны. Когда:

• заказчик требует стопроцентного качества — ИИ никогда его не даст.
• у заказчика нет понимания, как решать задачу, и он думает, что ИИ — это серебряная пуля, которая всё исправит.
• экономика не сходится — если стоимость защиты на базе ИИ выше, чем стоимость атаки и потенциального ущерба, смысла в таком решении нет.

Что важнее — модель или обвязка?

Последние полгода мировая тенденция, которую подтвердили все участники дискуссии, — переход от промпт-инжиниринга к систем-инжинирингу. Важно не то, как вы запросили модель, а какой контекст в нее попадает, как описаны инструменты, как работает оркестрация агента.

Агентные системы ценны не своей автономностью, а тем, что человек может их контролировать через бизнес-правила. Например, если вы даете агенту задание посчитать выручку за прошлую неделю, а в хранилище данных пять разных таблиц с выручкой и у каждой свой способ расчета, никакая модель не разберется без правильной обвязки и контекста, который раньше жил только в головах аналитиков.

Про деньги и веру

Честный разговор об экономике получился, пожалуй, самым интересным. Экономика LLM-проектов часто не сходится. Но есть нюансы.

Первый: стоимость инференса токенов падает с каждым месяцем. То, что не окупается сегодня, может окупиться через полгода или год. Второй, и, возможно, более важный: стоимость неделания часто выше, чем стоимость эксперимента.

«Когда вы начинаете делать пилот, вы выясняете кучу вещей, не связанных напрямую с ИИ. У вас могут быть не настроены права доступа или не готово DWH. Вы узнаете инсайты, которые можно применить и без ИИ. Компетенции дороже, чем небольшая переплата за видеокарты».

И еще один важный тезис, прозвучавший в дискуссии: немодные ниши часто приносят больше денег, чем хайповые продукты. Из неочевидных примеров — 1С. Огромное количество предприятий в России работают на этой платформе, но LLM плохо обучены ее коду. Анализ тендеров — огромные объемы текста, высокая цена ошибки, государственные закупки. Также есть множество недооцифрованных ниш: строительство, добыча ресурсов, промышленные заводы и машиностроение, где ИИ имеет еще низкое проникновение и потенциально высокий абсолютный экономический эффект. Даже единицы процентов повышения эффективности в таких нишах в абсолютном значении выражаются в десятках и сотнях миллионов рублей позитивного экономического эффекта.

Серебряной пули действительно не существует

Не существует «магической кнопки», на которую можно нажать, чтобы всё заработало. Не существует платформы, которая решит инфраструктурные проблемы своим AI. Как не существует и модели, которая исправит хаос в данных или плохую архитектуру.

Всё, что работает в промышленном ИИ, работает потому, что за этим стоит тяжелая, нехайповая инженерная работа. И в этом, наверное, главный урок Inside AI Meetup для тех, кто собирается внедрять ИИ завтра.

ИИ — это инструмент, а не религия. Он все еще не может заменить вкус, душу и человеческое понимание контекста.

«Я недавно читал статью в Vogue "Can AI Ever Crack Taste?", — вспоминает Юрий Софронов. — Единственное, чего сейчас нет у ИИ — это вкуса. Я иногда смотрю на сгенерированный текст или картинку и чувствую, что что-то не так. Человек здесь по-прежнему далеко впереди».

Возможно, через пять лет мы будем вспоминать эти слова с улыбкой. А возможно с благодарностью за то, что кто-то вовремя сказал правду.

Мы собрали актуальный список облачных GPU-сервисов на 2026 год. Изучили доступные архитектуры, реальную производительность и особенности биллинга разных платформ.

Ниже разбираем железо: под какие сценарии подходят конкретные конфигурации, как устроено управление средой и на чём можно оптимизировать косты при развёртывании инфраструктуры.

IaaS-платформа с иммерсионным охлаждением immers.cloud

В immers.cloud можно арендовать виртуальные машины и bare metal-серверы под ресурсоемкие задачи. Сервис ориентируется на обучение нейросетей, работу с LLM, инференс, 3D-рендеринг, обработку видео и сценарии, где локального железа уже мало, а покупать собственный парк серверов пока рано.

Инфраструктура размещена в Москве, в дата-центре уровня Tier-III. Базовый формат работы здесь классический для IaaS: пользователь поднимает ВМ или выделенный сервер и дальше сам собирает нужную среду под свою задачу.

Какие GPU доступны

У платформы собран пул из 13 моделей видеокарт NVIDIA под разные нагрузки. Для ML-задач с большим потреблением памяти доступны H200 на 141 ГБ и H200 на 141 ГБ с NVLink, H100 на 80 ГБ и на 94GB с NVLink, A100 на 80 ГБ и Tesla V100 на 32 ГБ. Отдельно отметим, пожалуй, H100 и A100 с поддержкой GPUDirect и NVLink. Для задач, где нужен быстрый обмен данными между ускорителями, это полезная штука.

Если речь идет о небольших моделях, агентных сценариях или более легком инференсе, доступны Tesla T4 на 16 ГБ, A2 на 16 ГБ, A10 на 24 ГБ и RTX 3080 на 10 ГБ. Для рендеринга, графических задач и смешанных вычислений можно арендовать RTX 2080 Ti на 11 ГБ, RTX 3090 на 24 ГБ, RTX A5000 на 24 ГБ, RTX 4090 на 24 ГБ или RTX 5090 на 32 ГБ.

Под какие сценарии подходит, как используют

Платформу чаще используют под конкретные инфраструктурные задачи, бюджет и этап разработки. Самые популярные примеры:

1. Если ML-стартапу нужно развернуть MVP или проверить гипотезу, нет смысла сразу брать флагманы. Под пилоты обычно поднимают инстансы среднего ценового сегмента — например, с RTX 3090, RTX 4090 или Tesla V100. Стенд обходится в 65–100 ₽ за час работы и позволяет тестировать модели без капитальных затрат на железо.
2. Для R&D-команд, которые занимаются файн-тюнингом и обучением LLM, критичен объем видеопамяти. Адаптация предобученных моделей (в том числе через подготовку LoRA) уходит на тяжелые конфигурации с H200, H100 или A100.
3. Когда модель готова, её выносят в продакшн для стабильного инференса по API. Здесь выбор железа зависит от аппетитов самой нейросети: легкие модели и агенты спокойно крутятся на Tesla T4 или A10 (от 20 до 40 ₽/час), а высоконагруженные сервисы с крупными LLM забирают мощности с A100.
4. Для потоковой обработки видео, задач компьютерного зрения и 3D-рендеринга собирают стенды на профессиональных картах вроде RTX A5000 или топовых RTX 5090.

Как устроена инфраструктура и экосистема

ML-команды больше не упираются в доступность GPU на рынке, они упираются в то, сколько стоит время экспериментов и насколько быстро можно масштабировать обучение и инференс без потери контроля над инфраструктурой.

Технически платформа immers.cloud — это инфраструктурный слой на базе OpenStack. Здесь пока нет управляемого Kubernetes-сервиса, а вся работа строится вокруг виртуальных машин. С одной стороны, придется собирать окружение на ВМ самостоятельно. С другой — это дает понятную модель управления, где можно поднимать ресурсы строго под свою сборку и не бороться с абстракциями, которые навязывает провайдер.

Чтобы снять часть рутины с настройкой среды, есть маркетплейс готовых образов. Там лежат преднастроенные шаблоны с CUDA, PyTorch, TensorFlow и Jupyter.

Отдельно развернут Immers Foundation Models — каталог моделей, который закрывает сразу два этапа разработки: от выбора модели до первого запуска. Для прототипирования и проверки гипотез доступны бесплатные публичные эндпоинты. Инженер просто прокидывает токен и адрес модели в код, собирает MVP и тестирует логику продукта без затрат на инфраструктуру.

Когда сервис протестирован и готов к нагрузкам, команда переезжает на выделенные мощности. Для этого в каталоге предусмотрен запуск нужной модели «одной кнопкой». Система сама оценивает требования к VRAM и разворачивает подходящую GPU-конфигурацию.

Каталог сокращает путь и делает проще запуск: инженеру не нужно вручную проверять совместимость, подбирать GPU-конфигурацию и оценивать требования к VRAM под разные сценарии инференса. Вместо разных репозиториев и документации команда получает готовую точку входа для быстрого тестирования моделей, оценки стоимости запуска и развёртывания собственного inference-стека.

Для работы с датасетами и промежуточными артефактами к платформе подключено S3-совместимое объектное хранилище, за которое сейчас не берут плату.

Автоматизация и DevOps

Инфраструктуру можно поднимать не только руками через веб-консоль, но и встраивать в привычный инженерный контур. У сервиса есть CLI через openstack-client и Terraform-провайдер OpenStack. Managed Kubernetes находится в разработке, поэтому оркестрация контейнеров из коробки пока недоступна.

Тарификация

У платформы собран пул из 13 моделей видеокарт NVIDIA под разные нагрузки. Для ML-задач с большим потреблением памяти доступны H200 на 141 ГБ и H200 на 41 ГБ с NVLink, H100 на 80 ГБ и на 94GB с NVLink, A100 на 80 ГБ и Tesla V100 на 32 ГБ. Отдельно отметим, пожалуй, H100 и A100 с поддержкой GPUDirect и NVLink. Для задач, где нужен быстрый обмен данными между ускорителями, это полезная штука.

Если речь идет о небольших моделях, агентных сценариях или более легком инференсе, доступны Tesla T4 на 16 ГБ, A2 на 16 ГБ, A10 на 24 ГБ и RTX 3080 на 10 ГБ. Для рендеринга, графических задач и смешанных вычислений можно арендовать RTX 2080 Ti на 11 ГБ, RTX 3090 на 24 ГБ, RTX A5000 на 24 ГБ, RTX 4090 на 24 ГБ или RTX 5090 на 32 ГБ.

На платформе действует посекундная тарификация — оплата списывается только за фактическое время работы инстанса. Прерываемых (spot) машин нет.

Самая доступная конфигурация собирается на Tesla T4 16 ГБ (шаблон teslat4-1.4.8.60). Вместе с 4 vCPU, 8 ГБ RAM и сетью она обходится в 19,93 ₽ за час работы.

Стоимость других младших инстансов за час: A2 — 21,94 ₽, RTX 2080 Ti — 25,05 ₽, A10 — 36,55 ₽, RTX 3080 — 42,96 ₽.

Средний сегмент за час аренды: RTX 3090 — 66,76 ₽, RTX 4090 — 82,76 ₽, Tesla V100 — 96,61 ₽, RTX A5000 — 109,77 ₽, RTX 5090 — 130,76 ₽.

Тяжелые конфигурации в час: A100 — 211,77 ₽, H100 — 341,77 ₽, H100 NVL — 367,41 ₽, H200 — 423,04 ₽.

Для долгосрочных заказов предусмотрена скидка от 10 до 50%, а списания при таком формате происходят раз в сутки.

Особенности железа

Ключевая особенность площадки — использование иммерсионного охлаждения. Серверное оборудование полностью погружается в диэлектрическую жидкость. Это помогает держать стабильно низкую температуру GPU, исключает риск троттлинга и сохраняет производительность на длинных сессиях с высокой нагрузкой. Провайдер первым в России внедрил технологию виртуализации для этих графических процессоров.

Ограничения и безопасность

Формат работы на платформе подойдет инженерам, которые умеют собирать окружение на ВМ и работать с OpenStack-логикой. Полноценной managed ML-платформы и онбординга для ML-команд здесь нет.

Инфраструктура имеет сертификат ГОСТ Р ИСО/МЭК 27001-2021 по системам менеджмента информационной безопасности, но не соответствует требованиям 152-ФЗ. Это стоит учитывать при работе с персональными данными.

Поддержка и условия работы

Вся базовая документация собрана в подробном FAQ на русском языке. Техническая поддержка отвечает в течение 20 минут через чат на сайте, Telegram, Max или email.

Юрлицам доступна работа по договору, предоставление закрывающих документов и постоплата. Для новых клиентов предусмотрен триальный баланс на проверку гипотез и первый прогон пайплайнов.

Инфраструктура для high-load и ML-проектов ITGLOBAL.COM

На ITGLOBAL.COM разворачивают GPU-инфраструктуру для машинного обучения, высокопроизводительных вычислений (HPC), рендеринга и сложной аналитики. Форматов несколько: классические облачные инстансы, выделенные серверы, гибридные схемы и аренда суперкомпьютера на базе NVIDIA HGX. Платформа заточена под команды, которым нужны серьезные мощности Enterprise-уровня без капитальных затрат на закупку собственного железа.

Какие GPU доступны

В пуле провайдера стоят актуальные корпоративные решения. Главная техническая фича — поддержка vGPU. Физическую видеокарту можно делить между несколькими виртуальными машинами — части изолированы друг от друга, так что данные одной ВМ недоступны другим. Теперь ресурсы масштабируются только под задачу, а команда не переплачивает за ненужные мощности.

Например, NVIDIA RTX Pro 6000 Blackwell Server Edition на 96 ГБ можно нарезать на профили по 12, 24, 48 ГБ или забрать все 96 ГБ под одну ВМ. Для более тяжелых задач доступны инстансы с H200 на 141 ГБ и флагманские B300 на 288 ГБ.

Также в пуле есть A100 и A800 (по 80 ГБ), L40S на 48 ГБ, серверы с NVIDIA A16 (четыре чипа по 16 ГБ) и ускорители Sophgo SC7 HP75. Мощности Enterprise-уровня всегда держат в наличии под высоконагруженные проекты.

География и форматы размещения

Инфраструктура ITGLOBAL.COM размещена в Москве, Минске, Алматы, Ташкенте, Шэньчжэне, Амстердаме, Торонто, Нью-Джерси, Дубае и Сан-Паулу. Если проект требует строго локального размещения или интеграции с внутренним контуром безопасности, провайдер может выдать инфраструктуру с GPU прямо на площадку клиента.

Под какие задачи подходит

Ресурсы забирают под разные этапы для работы с данными. Команды Data Science обучают модели скоринга, прогнозирования оттока или рекомендательные алгоритмы на NVIDIA H200 и NVIDIA RTX PRO 6000 Blackwell Server Edition хорошо тянут видеоаналитику и Computer Vision для промышленных и логистических объектов, где нужно анализировать плотные видеопотоки.

Если речь идет про инференс LLM или запуск AI-приложений в high-load сценариях, инженеры обычно поднимают ресурсы уровня NVIDIA HGX H200 или кластеры NVIDIA HGX B300. Ограничений на фреймворки, оркестраторы или объем данных со стороны платформы нет. Клиент получает IaaS с полным контролем над средой, упираясь только в архитектурные лимиты самих чипов NVIDIA и поддерживаемые драйверы.

Как устроена инфраструктура и экосистема

Для управления ресурсами доступны API, CLI и возможность использования terraform провайдера, поэтому поднимать и гасить инстансы можно программно. Преднастроенные стеки с CUDA, PyTorch, TensorFlow или Jupyter собираются и уточняются на старте под конкретный проект. Для команд, которые хотят снять с себя часть инфраструктурной рутины, доступен Managed Kubernetes и управляемая ML-платформа.

Для хранения объемных датасетов и работы с данными предусмотрен отдельный S3-совместимый сервис объектного хранилища.

Тарификация и условия

Жесткой публичной сетки тарифов за час здесь нет — провайдер работает по проектному ценообразованию. Итоговый чек зависит от модели GPU, конфигурации, сроков аренды и формата размещения. Прерываемых (spot) инстансов не предусмотрено, зато для долгосрочных и крупных проектов действуют индивидуальные скидки.

Пользователь сам управляет ресурсами и может собрать нужную конфигурацию. Рекомендуемая минимальная сборка включает 12 ГБ vGPU, 4 vCPU и 16 ГБ оперативной памяти. При необходимости параметры можно ужать до базового минимума: 12 ГБ vGPU, один vCPU (Xeon 2.8 ГГц), гигабайт RAM и гигабайт быстрого SSD (с возможностью добавить HDD).

Оплата для юрлиц по умолчанию идет в формате постоплаты по договору с предоставлением всех закрывающих документов. Для тестирования гипотез новым клиентам открывают триальный период.

Безопасность и соответствие

Облако имеет аттестат соответствия требованиям 152-ФЗ. Также компания обладает сертификатами ФСТЭК и ФСБ. Все лицензии и документы выложены в открытом доступе на сайте.

Поддержка и документация

Влиться в работу помогает пресейл-команда: инженеры проводят проектный онбординг и помогают собрать нужную конфигурацию под конкретные ML-задачи. Техническая документация полностью доступна на русском языке.

Первичные запросы обрабатывают в течение двух часов. Оставить заявку можно через сайт, почту sales@itglobal.com, по телефону +7 812 439 18 72 или через Telegram-бота. Действующие клиенты решают вопросы через личного менеджера, клиентский портал, облачную панель или выделенную почту support@itglobal.com.

GPU-облако с AWS-совместимым API и ML-платформой от K2 Cloud

В облаке K2 Cloud можно арендовать виртуальные машины, выделенные облачные серверы и bare metal-серверы с видеокартами NVIDIA, а также подключить GPU-узлы в Managed Kubernetes. Провайдер ориентируется на крупный бизнес: обучение и дообучение моделей, инференс в продакшне, компьютерное зрение, аналитику и HPC. По данным K2 Cloud, около 90% запросов на GPU сейчас связаны с ИИ — LLM, чат-ботами, RAG, кодинг-ассистентами, распознаванием аудио и изображений.

Инфраструктура размещена в сети дата-центров уровня Tier III: четыре территориально распределённых ЦОД в Москве и один в Санкт-Петербурге. Ресурсы можно брать по факту потребления с почасовой оплатой или по коммиту на срок.

Какие GPU доступны

В пуле пять моделей видеокарт NVIDIA. Для обучения и тяжёлого инференса — H100 на 80 ГБ и A100 на 80 ГБ. Для инференса средних моделей и компьютерного зрения — L40S на 48 ГБ. Под лёгкий инференс и эксперименты подойдут L4 на 24 ГБ и T4 на 16 ГБ.

В одну машину ставят до четырёх карт, объединение — через NVLink. У каждой модели есть типовые конфигурации, например:

• H100: 1 GPU — 12 vCPU и 96 ГБ RAM, 2 GPU — 24 vCPU и 192 ГБ RAM;
• L40S: 1 GPU — 8 vCPU и 64 ГБ RAM, 2 GPU — 12 vCPU и 96 ГБ RAM;
• T4: 1 GPU — 4 vCPU и 16 ГБ RAM, 2 GPU — 8 vCPU и 32 ГБ RAM.
• H200 141 ГБ
• RTX Pro 6000 SE

Под задачу можно собрать и нестандартную конфигурацию: соотношение vCPU и памяти выбирается из схем 1:2, 1:4 и 1:8.

Под какие сценарии подходит, как используют

Провайдер приводит два примера из практики:

1. Сервис заказа поездок Drivee вынес в облако ML-сервисы на T4: фотоконтроль водителя и автомобиля перед выходом на линию и модерацию пользовательского контента. По данным кейса, ИИ закрывает 75% задач фотоконтроля без оператора, обрабатывает до 10 000 проверок в сутки и тратит на одну 2–3 секунды вместо нескольких минут. Весь бэкенд и фронтенд приложения работают в К2 Cloud в трёх зонах доступности, данные обрабатываются по 152-ФЗ до УЗ-1 и PCI DSS 4.0.
2. ИТ-компания развернула мультиагентную систему реагирования на инфраструктурные инциденты на двух L40S в контуре с аттестацией по 152-ФЗ. Система проходит путь от алерта до автоматического устранения проблемы или эскалации инженеру и работает круглосуточно.

Лучше всего мощности подходят для дообучения LLM, инференса в продакшне, компьютерного зрения и HPC. Отдельный пласт — классический ML в финансах и ритейле: скоринг, риск-модели, рекомендации и прогнозы.

Как устроена инфраструктура и экосистема

Для ВМ с GPU при создании инстанса доступен образ Ubuntu 24.04 с CUDA и драйверами NVIDIA. В образах и на ML-платформе К2 НейроТех есть PyTorch, TensorFlow, JupyterLab, vLLM, Ollama, Triton Inference Server и SGLang. К2 НейроТех — это управляемая платформа для полного цикла ML, по назначению её можно сравнить с DataSphere или ML Space.

В Managed Kubernetes с GPU одну видеокарту можно разделить на изолированные инстансы через MIG, а на пиках нагрузки добавлять узлы. Поверх инфраструктуры провайдер разворачивает собственные ИИ-продукты: RuClaw для запуска ИИ-агентов в защищённом корпоративном контуре с ролевой моделью и журналом аудита и «ИИ-офис» для управления портфелем ИИ-инициатив.

Для датасетов есть S3-совместимое хранилище, для рабочих данных — сетевые диски HDD и SSD до 50 000 IOPS и локальный NVMe; к одной машине подключают до 16 дисков объёмом от 32 ГБ до 4 ТБ. Между дата-центрами канал больше 20 Гбит/с, инфраструктуру можно закрыть в VPC и связать с офисом через VPN или выделенный L2-канал. В консоли у ВМ с GPU выводятся графики утилизации видеокарты и видеопамяти.

Автоматизация и DevOps

Главная техническая особенность — AWS-совместимый API. Через него создают и останавливают инстансы, меняют конфигурацию, получают метрики, управляют ключами и биллингом. За счёт совместимости работают привычные инструменты: AWS CLI, AWS SDK, кастомизированный Boto3, Terraform, Packer, Ansible, а также Kubernetes, Helm, Docker Registry, GitLab CI/CD, Prometheus и Grafana. Для команд, у которых пайплайны уже написаны под AWS, это сокращает переезд.

Тарификация

ВМ с GPU тарифицируются почасово по модели pay-as-you-go, минимальный срок аренды — один час. Для постоянных нагрузок доступен коммит на 3, 6 или 12 месяцев со скидкой. Прерываемых инстансов для GPU нет: shared core-машины в К2 Cloude есть, но GPU в такие пулы не размещаются.

Новым клиентам дают бесплатный тест-драйв любой конфигурации на две недели. Юрлица работают по договору, с ЭДО, счётом в рублях с НДС и полной постоплатой.

Ограничения и безопасность

Публичного прайса на GPU нет: стоимость конфигурации считают в калькуляторе на promo.k2.cloud/gpu-calculator или в коммерческом предложении. Флагманов H200 и Blackwell в линейке нет, потолок — H100, и в одну машину ставят до четырёх карт. Облачная ВМ с GPU поднимается от 10 минут, а выделенный сервер готовят от трёх рабочих дней.

С безопасностью у провайдера сильный комплект: аттестат по 21 приказу ФСТЭК с защитой персональных данных по 152-ФЗ до УЗ-1, PCI DSS 4.0, ГОСТ Р 57580.1-2017 с оценкой R=0,95, ГОСТ Р ИСО/МЭК 27001-2021 и 27017-2021, ГОСТ Р ИСО 9001-2015. Платформа включена в реестр российского ПО, запись №5386 от 6 мая 2019 года.

Поддержка и условия работы

Поддержка работает через чат, Telegram, почту, телефон, тикет-систему и выделенного менеджера. Время реакции по SLA — 10 минут, SLA на доступность ВМ — 99,95%. Документация на русском собрана на docs.k2.cloud. Для ML-команд есть Professional Services: аудит инфраструктуры, миграция, построение и сопровождение среды.

Кастомные GPU-серверы и Managed-сервисы от Selectel

В Selectel можно арендовать облачные инстансы и bare-metal серверы под ML-задачи, инференс, работу с графикой и сложные вычисления. Провайдер дает возможность гибко собрать нужную инфраструктуру: от быстрой аренды облачной ВМ на час до сборки кастомных физических серверов на базе процессоров Intel Xeon Scalable и AMD EPYC.

Базовый формат работы здесь строится вокруг классических серверов, но платформа позволяет объединять разные сервисы провайдера в сложную инфраструктуру и делегировать администрирование части слоев (например, баз данных).

Какие GPU доступны

У платформы собран широкий пул профессиональных и консьюмерских видеокарт NVIDIA под разные нагрузки. Для тяжелых ML-задач доступны NVIDIA A100 (в том числе в конфигурации на 40 ГБ) и NVIDIA V100. Из свежего железа в пуле есть NVIDIA A30.

Если речь идет о небольших моделях, агентных сценариях или более легком инференсе, доступны Tesla T4, A2 и консьюмерская линейка — GTX 1080, RTX 2080 Ti и RTX 4090. Для рендеринга, графических задач и рабочих станций VDI можно арендовать профессиональные RTX A2000, A4000 и A5000.

Под какие сценарии подходит, как используют

Платформу чаще используют под конкретные инфраструктурные задачи и этапы разработки:

Для R&D-команд, которые занимаются машинным обучением, файн-тюнингом и глубоким обучением (Deep Learning), берут тяжелые конфигурации с A100 или A30. Мощности позволяют быстро обучать нейросети под классификацию изображений, распознавание речи (face recognition) и проверку на фрод.

Когда модель готова, её выносят в продакшн для стабильного инференса. Под такие задачи и алгоритмы машинного обучения собирают стенды на видеокартах нужного объема.

Отдельный пласт задач — транскодинг видео и работа с графикой. На серверах с GPU разворачивают среды для стриминга (с поддержкой NVIDIA NVENC и разрешением до 8192×8192), 3D-моделирования, видеомонтажа онлайн и развертывания удаленных рабочих мест (VDI). Также инфраструктуру применяют для научного моделирования и сложных параллельных CUDA-вычислений в инженерии, физике и математике.

Как устроена инфраструктура и экосистема

Инженерам не нужно долго ждать железо: облачные серверы с GPU поднимаются меньше чем за минуту, а физические выделенные серверы — от двух минут. Вы можете собрать сервер под свои задачи в конфигураторе или выбрать готовую к запуску сборку.

Для тех, кто не хочет возиться с голой инфраструктурой, у Selectel есть готовые PaaS-решения. В первую очередь это Managed Kubernetes — он упрощает развертывание контейнеров, масштабирование, настройку микросервисной архитектуры и CI/CD пайплайнов (от 5 958 ₽/мес). Также провайдер берет на себя администрирование облачных баз данных вроде PostgreSQL и Timescale.

Для работы с датасетами, весами и бэкапами к платформе подключается S3-совместимое объектное хранилище (от 0,81 ₽/мес) с тройной репликацией данных. Для сложной инфраструктуры можно использовать файловое хранилище (от 138 ₽/мес) и объединять локальные и облачные сети через глобальный роутер или Direct Connect.

Автоматизация и DevOps

Инфраструктуру можно поднимать не только руками через панель управления Selectel, но и встраивать в инженерный контур с помощью API.

Тарификация

Аренда доступна на гибких условиях: серверы можно брать на час, день или месяц. Точная стоимость зависит от выбранной конфигурации и типа аренды (облако или выделенный сервер). Для облачных решений есть оплата только за потребленные ресурсы.

Ограничения и безопасность

Selectel делает сильный упор на защиту данных. Серверы соответствуют требованиям 152-ФЗ до первого уровня защищенности. Инфраструктура имеет сертификат PCI DSS, ISO 27001, аттестаты ГИС К1 и СТР-К 1Г. Это значит, что на серверах можно хранить чувствительные персональные данные, медицинскую информацию и данные платежных карт.

Дополнительно в Selectel работает IAM-система для разграничения доступов и ролей, которую можно связать с внутренним SSO. Все проекты бесплатно получают базовую защиту от DDoS-атак на уровнях L3 и L4. Если нужна защита серьезнее, можно подключить фильтрацию трафика на уровне приложений L7 (от 2 600 ₽/мес).

Глобальная GPU-инфраструктура и гранты на тесты от Timeweb Cloud

На Timeweb Cloud можно арендовать облачные и выделенные серверы под параллельные вычисления: машинное обучение, аналитику бигдаты, 3D-рендеринг, IoT и гейминг. Инфраструктура развернута в дата-центрах уровня Tier III в России, СНГ, Европе и США. Провайдер делает ставку на быстрый старт — облачные инстансы поднимаются за пару минут, а вычислительные ресурсы можно быстро масштабировать.

Какие GPU доступны

Вычислительный парк провайдера построен исключительно на графических процессорах NVIDIA. Под тяжелые AI-вычисления, работу с бигдатой и профессиональное ПО предоставляются серверы с GPU серии A: A2, A30, A2000, A4000, A5000 и A6000. Для виртуализации и ML-сценариев в облаке доступна Tesla T4.

Для гейминга, стриминга и рендеринга можно арендовать серверы на базе GeForce GTX (1080 DDR5X, 1080 Ti) или RTX с поддержкой тензорных и рейтрейсинг-ядер (2080 Ti, 3080, 3090, 4090).

Топовые корпоративные ускорители под крупные модели — Tesla H200 (141 ГБ), H100 (80 ГБ), A100 (80 ГБ) и L4 (24 ГБ) — пока предоставляются в формате предзаказа.

Под какие сценарии подходит, как используют

Платформу применяют под конкретные инфраструктурные задачи и этапы разработки:

Для ИИ и машинного обучения берут инстансы под обучение нейросетей, deep learning, сборку рекомендательных систем, чат-ботов и распознавание речи и изображений. Здесь в ход идут карточки Tesla T4 и решения серии A.

Для 3D-моделирования, анимации, архитектурного дизайна и трансляции игрового процесса в реальном времени собирают стенды на консьюмерских RTX или профессиональных видеокартах. Они закрывают потребности в рендеринге сложной графики без закупки собственных дорогих рабочих станций.

Отдельный пласт задач — научные вычисления и аналитика бигдаты. Мощности арендуют под прогноз климата, изучение генома, моделирование физических процессов и обработку данных с IoT-устройств (беспилотного транспорта, умных домов, производственных конвейеров).

Как устроена инфраструктура и экосистема

Архитектура облака построена с тройным региононезависимым резервированием. Это собственная разработка провайдера, которая снижает риск потери данных при локальных сбоях.

Помимо ВМ, в экосистему входят Managed-сервисы. Для оркестрации контейнеров можно развернуть Managed Kubernetes. Для хранения весов моделей и датасетов есть S3-совместимое объектное хранилище и облачные базы данных. Также в пуле сервисов доступны балансировщики нагрузки и маркетплейс. Если команда не хочет тратить время на перенос инфраструктуры, инженеры провайдера берут миграцию данных на себя.

Автоматизация и DevOps

Управлять ресурсами можно через веб-панель или программно, встраивая запуск в инженерный пайплайн. Для этого доступны классические инструменты автоматизации: API, CLI, Terraform и Cloud-init.

Тарификация

Тарифы формируются за месяц, но оплата работает по часовой модели — деньги списываются раз в час за реально потребленное время. В любой момент можно добавить процессоры (vCPU), оперативную память (RAM) или диски без простоя системы.

Для проверки гипотез и тестирования среды предусмотрен грант до 1 000 000 ₽ на срок до шести месяцев. Это позволяет обкатать архитектуру перед финальным решением о переезде.

Ограничения и безопасность

Особенность площадки — широкая география присутствия. Дата-центры стоят в Москве, Санкт-Петербурге, Сибири, Казахстане, Нидерландах, Германии, Турции, Финляндии и Нью-Йорке.

Платформа включена в Единый реестр российского ПО, соответствует требованиям 152-ФЗ, международного стандарта PCI DSS и ISO. Облако по умолчанию защищено от DDoS-атак, при необходимости фильтрацию можно точечно усилить на уровнях L3, L4 и L7.

Поддержка и условия работы

Техническая поддержка работает в режиме 24×7×365. Для проектов с бюджетом от 50 000 ₽ в месяц включается премиум-обслуживание: прямая связь с топ-менеджментом (CEO, CTO), ответы в режиме ASAP, возможность овердрафта и повышенные скидки.

Виртуальные серверы с GPU для машинного обучения от Cloud4Y

В Cloud4Y можно арендовать облачные GPU-серверы с видеокартами NVIDIA. Инфраструктура заточена под машинное обучение (ML), искусственный интеллект (AI), параллельные вычисления, работу с большими данными и 3D-графикой. Виртуальные инстансы помогают командам ускорить обработку датасетов и тренировку нейронных сетей без закупки собственного железа.

Какие GPU доступны

Cloud4Y делает ставку на проверенные корпоративные решения. Для машинного обучения, работы с графикой и высокопроизводительных вычислений (HPC) платформа предлагает видеокарты NVIDIA Tesla V100 и NVIDIA Tesla P100.

Ресурсы предоставляются по модели vGPU. Доступны конфигурации с разным объемом видеопамяти под конкретные задачи — например, P100 с 8 ГБ или 16 ГБ, а также V100 с 1 ГБ или 2 ГБ видеопамяти на борту.

Под какие сценарии подходит, как используют

Платформу применяют под ресурсоемкие задачи, где мощностей центрального процессора уже не хватает. Графические процессоры увеличивают скорость вычислений до 8 раз по сравнению с CPU.

Для задач Data Science и обучения нейросетей (Deep Learning) мощности берут под сборку алгоритмов и анализ больших массивов данных. Инстансы можно использовать для разработки приложений виртуальной и дополненной реальности, а также для параллельных вычислений на базе архитектуры CUDA.

Отдельный сценарий — 3D-графика, транскодинг видео и рендеринг. Для этих задач на облачных серверах поднимают удаленные рабочие столы по технологии VDI (Virtual Desktop Infrastructure). Ресурсы vGPU равномерно распределяются между сессиями пользователей, а доступ к рабочему месту с графикой идет через стандартный RDP-клиент.

Как устроена инфраструктура и экосистема

Чтобы сократить время от аренды до первого запуска модели, у Cloud4Y есть готовые образы — DSVM (Data Science Virtual Machine). Серверы разворачиваются с уже предустановленными пакетами приложений: PyTorch, TensorFlow, Keras, XGBoost, Scikit-learn, OpenCV и Jupyter Notebooks.

Также из коробки доступны библиотеки NumPy и Pandas для ускорения процесса обучения. Для сложной оркестрации ML-процессов провайдер может развернуть готовый шаблон с Kubeflow.

В экосистему платформы входит S3-совместимое объектное хранилище, облачные базы данных и сервис Managed Kubernetes. Для надежности предусмотрено резервное копирование в облако и услуга Disaster Recovery (аварийное восстановление).

Тарификация

Арендовать графические мощности можно с почасовым или помесячным биллингом. Расчет стоимости по итогу месяца идет с округлением до целых единиц в большую сторону. Сама услуга vGPU приобретается как дополнение к базовой IaaS-инфраструктуре (облачному серверу). Бесплатно предоставляется интернет-канал на 100 Mbps с возможностью расширения до 1 Гбит/с.

Стоимость зависит от выделенного объема видеопамяти и ресурсов сервера:

• Базовый вариант для VDI и графики (NVIDIA GRID P100 ML vGPU) начинается от 3,39 ₽ за час.
• Конфигурация под вычисления с V100 1 Gb (6 vCPU, 64 RAM, 120 SSD) обойдется от 25 ₽ за час.
• Инстанс с P100 8 Gb (4 vCPU, 32 RAM, 120 SSD) стоит от 24,5 ₽ за час.
• Более тяжелая сборка с P100 16 Gb (16 vCPU, 64 RAM, 120 SSD) тарифицируется от 46 ₽ за час.

Аренда облачного железа позволяет сократить расходы на оборудование до 70%. Если текущих конфигураций недостаточно, провайдер может собрать GPU-сервер по индивидуальному запросу.

Поддержка и условия работы

Доступ к графическим ресурсам и серверам возможен круглосуточно из любой точки мира. Для тестирования гипотез новым клиентам предоставляют бесплатный тестовый доступ.

Рынок облачных вычислений отошел от простой гонки за самую дешевую видеокарту. Сейчас команды выбирают инфраструктуру, отталкиваясь от стоимости времени инженеров и этапа развития продукта.

Если проект находится на стадии проверки гипотез и вам нужно быстро добежать до инференса без возни с настройкой окружения, логично смотреть в сторону площадок вроде immers.cloud. Там фокус смещен на снятие рутины через готовые хабы моделей и стабильную работу железа под нагрузкой. Когда же продукт обрастает энтерпрайз-требованиями и требует развертывания тяжелых кластеров с прицелом на глобальный рынок, инфраструктурный подход меняется, и здесь можно посмотреть в сторону решений ITGLOBAL.COM.

Когда выбираете провайдера, считайте не только цену за час аренды GPU. Смотрите на время, которое команда тратит на поднятие среды и поддержку узлов. Правильное облако должно ускорять релизы, а не подкидывать девопсам новые таски в бэклог.

Мы остановились на открытом симуляторе InferSim от Alibaba. Он умеет считать TTFT, TPOT и пропускную способность без запуска реального инференса. Но из коробки поддерживает только несколько топовых GPU и фиксированный набор моделей — для наших сценариев этого было недостаточно. Пришлось дорабатывать.

Как устроен InferSim

В основе симулятора — двухфазная схема. Сначала на целевом железе запускаются микро-бенчмарки: измеряется реальная производительность на типовых операциях внимания и матричных умножениях. Получается таблица коэффициентов Model FLOPs Utilization (MFU) — сколько процентов от теоретического максимума выдаёт конкретная карта на конкретной операции. Затем, уже без доступа к GPU, симулятор на основе этих MFU и аналитической модели вычисляет задержки. Именно такой подход даёт более точные предсказания, чем оценка по паспортной пропускной способности памяти.

Добавляем своё железо

Первым делом мы внесли в hardware/gpu.py поддержку MetaX C500 64GB. Характеристики добавляются через dataclass-экземпляры:

После этого c500 попадает в словарь gpu_map, и симулятор запускается с ключом --device-type C500 --world-size 2. Значения FLOPS и пропускной способности пришлось оценивать по косвенным источникам — производитель не публикует точных цифр. Позже планируем уточнить их через бенчмаркинг на реальном оборудовании. Таким же способом добавили Nvidia 1xH100 и A100.

Конфигурация моделей и одна болезненная ошибка

Симулятор ожидает стандартный config.json в формате Hugging Face. Для Qwen3-32B подготовили файл qwen3_32b_config.json:

Ключевой момент — правильное значение head_dim. У Qwen3-32B оно равно hidden_size / num_attention_heads = 5120 / 64 = 80. У нас ушло некоторое время, чтобы понять, почему симулятор выдаёт невалидные результаты: изначально в конфиге стояло значение 128. Пока не исправили — KV-кеш переоценивался, и метрики улетали в неадекватные цифры. После исправления всё встало на свои места.

Позже добавили поддержку Qwen3.5‑9B с её гибридной архитектурой, построенной на чередовании Gated DeltaNet и Gated Attention. Главная особенность модели в том, что около трёх четвертей слоёв не создают привычного KV‑кеша, а используют линейное внимание – компактное скрытое состояние, которое лишь обновляется с каждым новым токеном, не увеличиваясь в объёме. Это кардинально снижает расход памяти на длинных контекстах, но привносит и свою цену: на коротких дистанциях такая модель проигрывает в скорости Prefill, потому что Gated DeltaNet работает последовательно и хуже утилизирует матричные вычисления GPU.

Симулятор изначально не умел различать слои двух типов и считал весь KV‑кеш одинаково. Чтобы поддержать Qwen3.5, пришлось доработать расчёт задержек в классе HybridModel: теперь он отдельно обсчитывает full‑attention‑слои с полным кешем и linear‑attention‑слои без кеша, используя параметры num_full_attn_layers и num_linear_attn_layers из конфигурации. В директорию проекта models добавили hybrid_model.py, в котором сделали дополнительные расчёты:

Без такой дифференциации симулятор для Qwen3.5‑9B показывал E2E порядка 2 500 секунд вместо реальных нескольких секунд – та ошибка, которую мы долго отлавливали.

Визуализация и эксплуатация

Чтобы не разбирать каждый раз текстовый вывод InferSim, сделали веб-интерфейс на Streamlit. Симулятор дёргается через subprocess, результаты парсятся из stdout и визуализируются:

• тепловые карты задержек (Prefill, Decode, E2E Total) для разных длин входных и выходных токенов;
• анализ RPS с расчётом требуемой параллельности и сравнением с доступной памятью;
• информация о занятой памяти в формате «X ГБ из Y ГБ».

Кэширование через @st.cache_data позволило избежать повторных запусков симуляции при неизменных параметрах. Интерфейс получился достаточно удобным, чтобы даже коллеги без погружения в командную строку могли осмысленно сравнивать конфигурации.

Приложение упаковано в Docker и лежит в репозитории на GitHub. Сервисы — сам Streamlit и Nginx в качестве обратного прокси с SSL-терминацией и базовой HTTP-аутентификацией. Деплой на VDS автоматизирован через GitHub Actions: собрали образ, отправили на сервер, перезапустили контейнеры. SSL-сертификаты Let's Encrypt обновляются по cron.

Что в итоге

Адаптированный InferSim не претендует на абсолютную точность — она ограничена качеством бенчмарков и коэффициентов MFU. Но инструмент позволяет избежать грубых ошибок при планировании, что в условиях ограниченного доступа к GPU и их высокой стоимости само по себе немало. Мы продолжаем калибровку симулятора и готовим обновлённые конфигурации для следующих моделей.

Репозиторий проекта открыт, будем рады замечаниям и предложениям от тех, кто решает схожие задачи.

Текст ниже — перевод гостевой публикации spacecowboy в блоге atproto.com, обзор которой сделал Саймон Уиллисон. Логика ленты, кстати, предельно простая: «сервис ищет людей, которые лайкнули те же посты, что и вы, и показывает вам, что ещё они недавно лайкнули».

Вся инфраструктура For You feed — один Go-процесс на домашнем игровом ПК (AMD 9950X3D, 96 ГБ DDR5, два NVMe по 2 ТБ), прокси на VPS за $7 в месяц и Tailscale между ними.

Хранилище — SQLite на 419 ГБ (90 дней лайков) плюс отдельная БД на 200 ГБ для логов, которые выгружаются в parquet и анализируются через DuckDB.

Нагрузка — 15-25 QPS, 72 тысячи уникальных пользователей в день. CPU загружен только на 37%, в запасе ещё 3× по нагрузке и 10× по «дешёвому» алгоритму — теоретически хватит на всех активных юзеров Bluesky.

Итоговый счёт — $30 в месяц: $20 электричество, $7 VPS OVH, $3 два домена. Аренда аналогичной машины стоила бы $245 в месяц.

Один Go-бинарь делает всё

For You — это один Go-бинарь, который одновременно делает три дела:

• читает firehose Bluesky (Jetstream) — все посты, лайки и репосты — и складывает их в SQLite
• отдаёт саму ленту For You
• отдаёт playground-страницу, где можно посмотреть, какие рекомендации ты получаешь

Один процесс проще менеджить: нет распределённой системы, которую надо мониторить, перезапускать и дебажить по частям. Вся память общая, вся логика в одном месте, при сбое падает всё и поднимается всё — не бывает частичных состояний.

Железо: игровой ПК в гостиной

Feed запущен дома в гостиной — на игровом ПК, подключённом к телевизору. Спецификации автор описывает так:

• CPU: AMD 9950X3D — 16 ядер с увеличенным L3-кэшем. Апгрейд с 12-ядерного 7900 в декабре 2025 года. По словам spacecowboy, 3D-кэш даёт прирост около 25% на CCD, где он установлен
• RAM: 96 ГБ DDR5 на 6000 MT/s. Апгрейд с 32 ГБ в июне 2025-го — успел до скачка цен
• Хранилище: 2 ТБ NVMe под базу данных и ещё 2 ТБ NVMe под систему
• Резервное питание: ПК, интернет-модем и роутер подключены к Ecoflow Delta 3, которая даёт 4-5 часов работы при отключении электричества

Апгрейд процессора в декабре 2025-го, по оценке автора, увеличил ёмкость сервиса на 50-100% — feed был недоступен всего пару часов, пока устанавливалось новое железо.

SQLite как единственное хранилище

Все данные лежат в SQLite. Ключевое преимущество для автора — тестируемость: можно создать базу в памяти для юнит-тестов, не мокать и не фейкить слой хранения, а сетап и тирдаун занимают 0 мс.

Запросы пишутся через sqlc.dev — инструмент, который даёт полный контроль над SQL и генерирует Go-код вокруг него.

Чтобы экономить память (и на диске, и в кэшах), каждому AT URI поста присваивается целочисленный id. То же самое для пользователей — в таблице raters они хранятся с маленьким integer id. Таблица ratings связывает их: id, item_id, rater_id, timestamp. Сырые did:plc- и at:// строки занимают десятки байт каждая, а integer id — 4-8 байт.

База открыта с 5 соединениями для конкурентного чтения. Чтобы не ловить классическую ошибку «database is busy» на записи, spacecowboy запрещает параллельные записи через Go mutex — одна пишущая горутина на все. В интернете обычно советуют db.SetMaxOpenConns(1), но такая настройка сериализует и чтения тоже — что автору не подходит.

Чтобы не раздувать размер базы, хранятся только последние 90 дней данных. Каждые 24 часа запускается горутина-клинап: удаляет все ratings старше 90 дней, потом items, на которые ни одна rating уже не ссылается. Файл базы всё равно весит 419 ГБ. Команду VACUUM автор не запускает — она шла бы пару часов и на это время положила бы feed.

Второй SQLite для логов — и DuckDB для аналитики

Есть ещё одна база — SQLite на 200 ГБ с логами ответов: какие посты были возвращены какому пользователю. Когда юзер лайкает пост, который был показан ему через For You, spacecowboy замечает это в firehose и апдейтит соответствующую запись в логе. То же с реакциями «show more» и «show less».

Периодически логи выгружаются в parquet-файлы — по одному на день, примерно 2,6 ГБ каждый. Для запросов к этим файлам автор использует DuckDB: можно строить графики, считать метрики, прогонять A/B-тесты.

Прокручивал этот тест больше месяца, сегодня закончил. Статистически значимый результат: юзеры на 2,6% реже нажимают «show less like this». 5,7% больше реакций «show more» (41 425 → 43 795, +2370). 5,2% меньше «show less» (169 848 → 160 938, −8910).

In-process кэши вместо Redis

Рекомендательный движок сильно опирается на кэши в оперативке — конкретно на hashicorp/golang-lru. Отдельный Redis не нужен: и писатели, и читатели живут в одном процессе, кэш физически общий между ними. Нет межпроцессной коммуникации, нет сериализации и десериализации — отсюда скорость.

По словам автора, почти 100% данных, нужных для генерации рекомендаций, берётся из кэша, а не из БД. Обратная сторона — при каждом рестарте feed какое-то время очень медленный, пока кэши не прогреются.

Публичный доступ через VPS и Tailscale

Локальный процесс слушает http://localhost:8090, и снаружи к нему не подключиться. Чтобы быть публично видимым, spacecowboy арендует маленький VPS на OVH за $7 в месяц.

На VPS стоит Nginx, который принимает запросы на /xrpc/app.bsky.feed.getFeedSkeleton и /xrpc/app.bsky.feed.sendInteractions и проксирует их в маленький Go-процесс под названием «dispatch». У него три задачи:

• Валидирует JWT-токены. Для проверки подписи надо сходить за DID-документом пользователя, а адрес его сервера указывает сам клиент. spacecowboy не хочет, чтобы такие запросы светили его домашний IP — если подсунуть свой DID, хост узнал бы, где он живёт
• Маршрутизирует запросы между лентами. У автора их несколько — For You на :8090 и Videos For You на :8093. Внешний эндпоинт общий, порт определяется на dispatch
• Отдаёт пост-заглушку во время обслуживания. Если домашний ПК временно выключен, клиенты Bluesky не получают ошибку — видят заранее подготовленный пост-объявление

VPS и домашний ПК находятся в одной сети Tailscale, поэтому dispatch обращается к домашнему ПК по внутренним хостам вида http://gaming:8090 для For You или http://gaming:8093 для Videos For You. Для внешнего мира IP домашнего ПК скрыт, трафик идёт через шифрованный Tailscale-туннель. Все сервисы на VPS подняты через docker-compose.

Нагрузка и запас прочности

Каждый день feed хотя бы раз открывают 72 тысячи уникальных пользователей. В среднем один пользователь делает 22 запроса в день. Трафик колеблется от 15 до 25 QPS. При 25 QPS CPU загружен на 37% (12 из 32 потоков) — то есть даже при нынешнем железе запас по CPU ещё в 3 раза.

Процесс съедает около 50 ГБ RAM, и 99% из них — те самые кэши.

Если трафик вдруг вырастет больше чем в 3 раза, feed заметит, что запросы начали обрабатываться медленно, и автоматически переключится на облегчённый набор параметров алгоритма — он дешевле в вычислениях примерно в 10 раз при минимальной потере качества. По замерам автора (сделанным ещё на прежнем 12-ядерном 7900), с этими параметрами загрузка CPU падает с 22/24 до 7/24 — то есть с почти полной до трети. В сумме получается 30×-й запас по нагрузке: 72 000 × 30 = 2,1 миллиона пользователей. Для сравнения, по данным независимого дашборда bsky.jazco.dev, суточное число уникальных лайкеров (лучший доступный прокси для активных юзеров Bluesky) стабильно держится в районе 1 миллиона. То есть текущая домашняя конфигурация теоретически может обслуживать всех активных пользователей сети целиком.

Мониторинг и простои

После нескольких незамеченных вовремя сбоев автор подключил hetrixtools.com — бесплатный uptime-мониторинг. Каждую минуту он ходит на https://foryou.club/playground, и если страница недоступна больше 5 минут, отправляет письмо, звонит на телефон и шлёт SMS. Uptime с января — 99,77%.

Итоговый счёт — $30 в месяц

Ежемесячные затраты spacecowboy раскладывает так:

• около $20 за электричество (~200 Вт в режиме 24/7)
• около $7 за VPS
• около $3 за два домена

Аренда аналогичного выделенного сервера стоила бы $245 в месяц. Но, как пишет автор, «какой тогда в этом кайф». For You он держит как хобби-проект без монетизации: предложения сброситься на инфраструктуру отклоняет и предлагает помогать Graze, SkyFeed и другим сервисам-лентам, которым деньги действительно нужны.

72 тыс. пользователей, $30 в месяц, игровой ПК в гостиной — и при этом запас по нагрузке ещё в 30 раз. Для read-heavy сервисов с понятными паттернами доступа один Go-бинарь и SQLite с in-memory-кэшами — рабочая архитектура даже на десятках тысяч юзеров. Вопрос не «как это держится на SQLite», вопрос — почему в большинстве pet-проектов вместо этого сразу три пода в Kubernetes, Redis, Postgres и ежемесячный счёт на сотни долларов за сотню пользователей. Главное ограничение тут — не железо, а готовность владельца самому чинить сервер, когда он упадёт в три часа ночи. Подробнее про SQLite как очередь и pub/sub без Redis — в свежем разборе honker, а сравнение PostgreSQL/ClickHouse/DuckDB для аналитики — здесь.

1. Советские математики заложили базу для российских бигтехов

Чтобы понять, откуда в России вообще взялись программисты, вернемся в конец 1940-х годов. После Великой Отечественной войны началась технологическая гонка вооружений. У США уже была ядерная бомба, поэтому Советскому Союзу нужно было срочно создать свою. Для разработки похожего оружия применяли сложные математические расчеты, которые люди с механическими арифмометрами выполняли бы годами, поэтому Советский Союз взял курс на создание своих вычислительных машин.

Для проектирования машинных алгоритмов тогда использовали блок-схемы: их придумали еще в 1920-х годах, а позже физик Джон фон Нейман адаптировал этот формат для компьютеров. Именно блок-схемы стали первым языком, с помощью которого инженеры смогли общаться с вычислительной техникой.

Развитие советской техники возглавил ученый Сергей Лебедев. Сначала он построил первую отечественную ЭВМ — МЭСМ (малую электронную счетную машину), а после начал разработку серии БЭСМ (больших электронных счетных машин).

Больше о том, как создавались первые советские ЭВМ, узнайте в подкасте Контура и студии «Послушайте!» «От нуля до единицы. История российского IT». Там про это рассказывает антрополог и автор книги «Антропология русского интернета» Наталья Конрадова — с деталями, которых нет ни в этой, ни в других популярных статьях.

Вершиной разработки в Советском Союзе стала БЭСМ-6, она серийно производилась с 1968 по 1987 год и стала основным инструментом для ученых и инженеров. На этой машине считали траектории ракет и моделировали ядерные реакции. Именно на ней учили программированию студентов лучших технических вузов страны.

Работа с первыми ЭВМ сформировала советскую инженерную культуру. Специалисты привыкли писать алгоритмы в условиях ограничений вычислительных ресурсов.

2. Программирование стало языком — и это открыло рынок для коммерческих продуктов

Пока советские ученые строили железо, западные решали другую проблему: как вообще объяснять машине, что нужно делать, если не знаешь ее внутреннее устройство. Изначально программы писали в нулях и единицах прямо под конкретную архитектуру процессора. Из-за этого перенести готовый код на другую машину было физически невозможно. В 1949 году появился ассемблер — низкоуровневый язык программирования, в котором длинные машинные коды заменили на понятные короткие слова-команды. Писать код действительно стало проще, но проблему переносимости между разными компьютерами это не решило.

Прорыв случился в середине 1950-х годов в США — именно тогда появился первый язык Fortran: один и тот же код можно было запустить на разных машинах без полного переписывания. Это был принципиальный сдвиг в индустрии, потому что разработчик перестал зависеть от конкретного железа и начал думать над созданием новых архитектур и алгоритмов.

В СССР этот мировой принцип быстро подхватили и развили локально. Программист Владимир Курочкин написал транслятор универсального языка Алгол-60 сначала для БЭСМ-2, а затем для БЭСМ-6. На этой базе выучились тысячи советских инженеров, которые впоследствии стали основателями ведущих отечественных IT-компаний.

Можем предположить, что современный бигтех строили инженеры. Они научились разрабатывать сложные лингвистические и математические алгоритмы, благодаря советской университетской школе и работе на тех самых первых машинах.

3. Технологии 50-х годов помогли заложить основы для автоматизации документооборота

В 1950-х военный кибернетик Анатолий Китов первым сформулировал идею, которая сегодня кажется очевидной: управлять экономикой огромной страны только через бумажный документооборот невозможно. Люди в столице собирали статистику с производств на бумаге и рассылали обратно готовые производственные планы. Из-за долгой переписки возникали ошибки, а на складах регулярно скапливались лишние товары.

Китов предложил создать единую сеть вычислительных центров, чтобы собирать все данные автоматически. Поскольку сам он служил в армии, первый такой проект Китов предложил реализовать на базе вычислительных мощностей Министерства обороны. Эту идею реализовать он не успел: из-за резкой критики руководства Китова исключили из КПСС и сняли с должности.

Позже эту идею подхватил Виктор Глушков, возглавивший Институт кибернетики. Он развил идеи Китова и довел их до уровня масштабного государственного проекта — ОГАС (общегосударственной автоматизированной системы учета и обработки информации). Эта система должна была объединить все министерства и заводы страны единой вычислительной сетью, чтобы управлять экономикой в реальном времени.

Важно понимать, на каком техническом уровне проектировалась эта сложная система. Инженеры в лабораториях работали с перфолентой — бумажным носителем, на котором программы хранились в виде физически пробитых отверстий.

Каждую команду нужно было набить вручную, распечатать, проверить и только потом загрузить в машину. Именно с помощью таких инструментов планировалось автоматизировать учет в стране.

Идея оказалась слишком дорогой: расходы на реализацию были примерно такими же, как на всю советскую космическую программу. Но у Министерства обороны, в отличие от гражданских ведомств, были собственные закрытые бюджеты и конкретная потребность — мгновенно передавать приказы между военными частями. Военные забрали наработки ученых и сами проспонсировали создание вычислительных сетей.

К концу 1970-х компьютеры на разных базах уже обменивались данными напрямую, и армейская инфраструктура стала работать как полноценный интранет.

У гражданских объектов, заводов, государственных учреждений потребность обмениваться электронными документами с годами никуда не исчезла. И когда в конце 1980-х годов гражданам разрешили создавать кооперативы, частные инженеры начали разрабатывать софт для упрощения документооборота. Именно это сделал и Контур, когда в 1988 году запустил свой первый продукт «Учет труда и заработной платы — АМБа».

4. До хакатонов были олимпиады: как школьные соревнования воспитали первых разработчиков коммерческого софта

Сегодня IT-специалисты соревнуются на хакатонах, а в Советском Союзе были олимпиады по программированию. В 1981-м в Москве прошло первое такое соревнование среди школьников, а уже через четыре года информатика официально стала школьным предметом. К 1988 году в Свердловске (ныне Екатеринбург — родина Контура) организовали уже всесоюзное соревнование.

Туда приехали около ста участников, чтобы пройти два тура: теоретический и практический. Персональных компьютеров на сотню участников не хватало. Поэтому правила были жесткими: сначала школьники решали теорию на бумаге, и только лучшие получали доступ к настоящим ПК на практическом туре.

Для тех времен возможность просто поработать за такой машиной уже была огромным событием.

Те, кто справлялся с теорией, переходили к практике на компьютерах. Школьники писали программы на Паскале или Бейсике, а жюри читало их код вручную. Оценивали не только итоговый ответ, но и наличие комментариев, логику и математическую красоту решения. Победителем становился тот, кто придумывал быструю формулу, а не заставлял машину долго перебирать варианты.

Победителям хотели подарить отечественный персональный компьютер за 500 рублей при зарплате инженера около 100 рублей в месяц. Денег у организаторов не нашлось, поэтому вручили бумажные дипломы и пригласили поступать в МГУ. Из таких олимпиадников и выросло поколение, написавшее первые коммерческие продукты.

5. Кооперативы 1987 года — точка, где наука стала бизнесом

До 1987 года у инженера из НИИ было ровно два пути: работать на государство за 120 рублей в месяц или уйти в никуда. Закон о кооперативах дал им возможность легально открывать свои компании и продавать разработки. Спрос на программы уже был: заводам и госструктурам требовалась автоматизация учета, но готового софта в СССР не существовало.

В 1988 году трое выпускников Уральского политехнического института (УПИ) создали компанию СКБ Контур. Их первым продуктом стала программа «АМБа» — с ней бухгалтеры смогли вести электронный учет труда и зарплаты на предприятиях. Первыми покупателями стали предприятия Свердловска, в том числе Уральский алюминиевый завод.

В начале девяностых компания пыталась диверсифицироваться и заниматься самыми разными направлениями — от выпуска детской игровой приставки «Кроха» до собственного издательства, которое печатало зарубежную фантастику. Но в итоге компания сконцентрировалась на разработке корпоративного софта.

Со временем алгоритмы и опыт разработки «АМБы» стали базой для новых IT-продуктов Контура. К 2000 году появился «Контур.Экстерн» — платформа для сдачи электронной отчетности в госорганы. Она работает и развивается уже 26 лет.

6. Горбушка и пиратство создали инженерную школу реверс-инжиниринга

На московском рынке Горбушка в 1990-х продавцы торговали прямо с ящиков: запчасти для ZX Spectrum, пиратские операционные системы, бухгалтерские программы на дискетах.

Часто продавцы сами не понимали, что именно продают — просто знали, что это нужно и покупают. В стране не существовало законов об авторских правах на цифровую собственность, поэтому инженеры занимались реверс-инжинирингом западного софта совершенно открыто.

В условиях постоянной нехватки денег и информации сформировалась уникальная техническая культура. Программисты набивали руку на сложных задачах: они учились разбирать чужие системы изнутри, понимать скрытые архитектурные решения без официальной документации и воспроизводить сложную функциональность с нуля. Государство технологический сектор в тот период никак не поддерживало, поэтому специалисты выживали самостоятельно. Часть построила собственные компании, часть уехала работать в западные корпорации вроде Microsoft и Oracle — и в обоих случаях сформировала международную репутацию российских инженеров как людей, которые могут решать сложные задачи при минимуме ресурсов.

Как именно выглядел этот период изнутри — рассказывают во втором эпизоде подкаста «От нуля до единицы». Там же — про утечку мозгов, первых провайдеров и то, что покупка компьютера в 90-е занимала целый день и требовала помощи знакомого студента УПИ, объезжавшего полуподвальные магазинчики.

7. Релком доказал, что открытые сети работают — и дал старт провайдерскому рынку

Параллельно с развитием стихийных рынков ПО появлялись отечественные сети связи. В начале 1990-х годов в подвале Курчатовского института группа ученых подняла первую публичную компьютерную сеть в стране — Релком. Секретные военные вычислительные центры прошлого оставались строго изолированными системами. Релком подключал всех: нужен был компьютер, модем и телефонная линия. Инфраструктура строилась на операционной системе UNIX и машинах производства DEC.

Сеть сначала объединила Москву, затем продолжилась в регионах и вышла за пределы страны. Из этого комьюнити вышли первые отечественные провайдеры и первые технологические стартаперы.

Локализация победила глобальных игроков — и это стало моделью для всего российского бигтеха

В девяностые и нулевые российские IT-компании часто выигрывали конкуренцию у мировых гигантов за счет понимания местной специфики. Например, Яндекс лучше зарубежных поисковиков работал с морфологией русского языка, а Лаборатория Касперского быстрее реагировала на локальные киберугрозы.

Тот же сценарий сработал на рынке корпоративного софта. Зарубежные программы не могли быстро адаптироваться под сложную российскую бюрократию, строгие налоговые правила и частые изменения в законах.

Разработчики Контура тоже двигались по этому пути: они начали с профильных программ для бухгалтерии и шаг за шагом переносили бумажное делопроизводство в электронный вид. Решение сложных и рутинных задач бизнеса оказалось отличной стратегией: постепенно продуктовый портфель Контура превратился в экосистему — по такой же логике развивались многие другие российские компании.

Как в нулевые взрывался рынок интернета и какими были первые социальные сети — в третьем эпизоде подкаста «От нуля до единицы». Там же — про то, почему самым популярным сайтом Рунета в 1997 году был ресурс с анекдотами и чем это время отличалось от нынешнего.

Релиз замыкает двухлетний LTS-цикл: между Ubuntu 24.04 LTS «Noble Numbat» и 26.04 LTS вышли три промежуточных релиза (24.10, 25.04, 25.10), и именно в них Canonical обкатал большую часть изменений — от замены классических GNOME-приложений на Rust-варианты до Wayland-only сессии и NTSYNC-драйвера для Windows-игр в Proton. К моменту LTS эти переходы уже прошли стадию «сыро» — в 26.04 они приходят готовыми.

Ядро и безопасность: Linux 7.0 как дефолтное ядро, post-quantum подписи модулей (ML-DSA), OpenSSH 10.2p1 с гибридным обменом ключами mlkem768x25519-sha256.

Десктоп: GNOME 50 на Wayland-only сессии, GIMP 3.0, LibreOffice 25.8, Firefox 149, Thunderbird 140 «Eclipse».

Rust в ядре системы: новый монитор ресурсов Resources (с трекингом NPU), PDF-вьюер Papers, просмотрщик картинок Loupe, терминал Ptyxis с интеграцией podman и distrobox — все переписаны на Rust.

Железо: официальный ARM64 desktop ISO с поддержкой Snapdragon X Elite, полноценный Wayland на NVIDIA, apt install rocm для AMD GPU из коробки.

Поддержка: security-обновления до 2031 года, до 2036 года — с Ubuntu Pro ESM.

Rust въехал в базовые утилиты — и это главное изменение

Главный технический сдвиг 26.04 — системные утилиты GNOME переписываются на Rust. Это не эксперимент энтузиастов, а дефолт новой LTS. Вот что поменялось на вашем рабочем столе:

• Resources заменяет System Monitor и Power Statistics. Группирует процессы в приложения, трекает использование GPU (включая видеокодеры), NPU, частоты CPU/GPU/памяти. Написан на Rust с GTK 4.
• Papers пришёл на смену Evince как дефолтный PDF-вьюер. Перенесён на GTK4 и частично переписан на Rust.
• Loupe вместо Eye of GNOME для картинок — чистый Rust поверх библиотеки Glycin.
• Ptyxis заменяет GNOME Terminal. Из интересного — прямая интеграция с podman, toolbox и distrobox (вкладка сразу в контейнере), session-save для восстановления вкладок после перезапуска.
• gst-thumbnailers генерирует превью для видео и аудио — через Rust-биндинги к GStreamer. Лучше находит «интересные» кадры, чем Totem.

Параллельно ядро Linux 7.0 окончательно признало Rust-драйверы как часть основного дерева ядра — они собираются вместе с остальными модулями без отдельных галок в конфиге. Это тот момент, когда «Rust в Linux» перестаёт быть новостью и становится инфраструктурой.

Wayland-only, ARM64 desktop и NVIDIA

Ubuntu 26.04 окончательно выкидывает X.org-сессию из GDM — десктоп GNOME запускается только под Wayland. Приложения под X.org продолжат работать через XWayland-слой совместимости, а если нужен именно X11 — остаются сессии KDE on X11, Xfce, MATE, i3 и другие.

Для NVIDIA это первый LTS с полной поддержкой Wayland — включая то, что раньше ломало композитор: XID-ошибки GPU, suspend/resume, Secure Boot-модули. Работает без возни.

Отдельный пункт — первый в истории Ubuntu официальный ARM64 Desktop ISO. Прицел на виртуальные машины, ACPI+EFI-платформы и устройства на Snapdragon (включая Snapdragon X Elite). Это запуск Ubuntu Desktop как гражданина первого класса на ARM-ноутбуках с UEFI.

Для AMD ROCm теперь ставится прямо из репозиториев Ubuntu — одной командой sudo apt install rocm. До 26.04 нужно было подключать сторонний репо от AMD и следить за версией — теперь это стандартный deb-пакет.

Серверная часть: OpenSSH, post-quantum и разблокировка DSA

OpenSSH прыгнул с 9.6p1 в 24.04 LTS до 10.2p1. Главные изменения — про криптографию следующих десяти лет:

• Поддержка гибридного post-quantum обмена ключами mlkem768x25519-sha256 — по умолчанию. Это та самая защита от «harvest now, decrypt later».
• Предупреждение при подключении без post-quantum-алгоритмов — чтобы администраторы видели устаревающие SSH-конфиги.
• Слабый DSA-алгоритм подписи удалён. Если у вас где-то остались DSA-ключи — не обновляйте хосты без миграции на ed25519 или RSA.
• PerSourcePenalties штрафует IP, которые не дожимают аутентификацию — мягкий встроенный fail2ban.
• Хост-ключи DSA больше не генерируются при установке.

На уровне ядра появились post-quantum подписи модулей через ML-DSA — CA для kernel modules защищён от будущих квантовых атак. Не ваша ежедневная боль, но LTS со сроком до 2036 обязана это учитывать.

Игры под Windows и ускорение видео

Для пользователей Steam Play и Wine в Ubuntu 26.04 — новый драйвер NTSYNC, эмулирующий примитивы синхронизации Windows NT. На синтетических тестах даёт заметный прирост FPS в играх, использующих многопоточность через WaitForSingleObject и подобные API.

Hardware-accelerated video encoding и decoding теперь включены по умолчанию для AMD и Intel через VA-API — никаких дополнительных пакетов. JPEG XL поддерживается из коробки.

Для Windows-пользователей, которые ставят Ubuntu рядом — улучшен dual boot с BitLocker. Установщик теперь видит зашифрованные разделы и корректно рядом с ними размещается.

Как обновиться и что проверить до апдейта

Путь обновления с точки зрения Canonical:

1. С Ubuntu 24.04 LTS (Noble Numbat) — прямое обновление через do-release-upgrade, Canonical запустит автоматическое предложение через пару недель после релиза.
2. С Ubuntu 25.10 (Questing Quokka) — тоже прямое обновление.
3. С Ubuntu 22.04 LTS (Jammy Jellyfish) — только через промежуточный апгрейд до 24.04 LTS, и уже потом на 26.04 LTS.
4. С Ubuntu 25.04 (EOL с января 2026) — сначала на 25.10, затем на 26.04 LTS. Либо — чистая переустановка.
5. Требования: для десктопа нужен двухъядерный 2 GHz, минимум 4 ГБ RAM и 25 ГБ свободного места. Если меньше — смотрите в сторону Xubuntu или Lubuntu.

Что стоит проверить до нажатия кнопки:

• Кастомные X11-утилиты, которые вы использовали годами, — под Wayland не все работают. Если зависите от autokey, xbindkeys или специфичных скриншотилок — протестируйте в live-сессии сначала.
• Кастомные сборки ядра или out-of-tree модули — Linux 7.0 требует обновления драйверов.
• DSA-ключи в SSH — мигрируйте на ed25519 до апдейта.
• NVIDIA-сетапы с проприетарным драйвером — Canonical обещает полный Wayland, но протестировать на своём железе безопаснее отдельно.

Выводы

Ubuntu 26.04 LTS — это не «ещё один LTS с обновлёнными пакетами». Это точка, в которой Canonical одновременно закрывает три длинных перехода: Wayland-only на десктопе, Rust в системных утилитах и официальная ARM64-платформа для десктопа. Плюс криптография нового поколения в SSH и ядре, которая закладывает основу на десятилетие вперёд — как раз под срок поддержки LTS.

Если вы в продакшне на 22.04 LTS — теперь двигаться через 24.04 LTS к 26.04 LTS без спешки, но планово: 22.04 LTS теряет стандартную поддержку в апреле 2027. Если на 24.04 LTS — обновление посимпатичнее, потому что промежуточные релизы пропустили большую часть «переходных болей».

Источники: Ubuntu 26.04 LTS release notes, Summary for LTS users, The Linux Kernel Archives.

Правительство США анонсировало политику, фактически запрещающую импорт новых потребительских роутеров. Но оказывается, роутер можно собрать буквально из любого компьютера. Автор оригинальной статьи использует мини-ПК на Linux в качестве домашнего роутера уже несколько лет: ни одного серьёзного сбоя, единственная замена — дешёвый mSATA-диск.

Мини-ПК, настольный компьютер, одноплатник, стоечный сервер, старый ноутбук — подойдёт всё, что запускает Linux и имеет пару USB-портов. В этой статье разберём полную настройку на Debian: от выбора железа до правил firewall.

— Роутер — это обычный компьютер с Linux, двумя сетевыми интерфейсами и несколькими пакетами.

— Для сборки хватит мини-ПК, старого ноутбука или одноплатника с USB-Ethernet-адаптером.

— Всё ПО — hostapd, dnsmasq, bridge-utils — входит в стандартные репозитории Debian.

— Настройка занимает около часа и не требует глубоких знаний сетей.

Выбор железа

Идеальный вариант — компактный пассивно охлаждаемый мини-ПК. Однако подойдёт практически что угодно. Главное условие: два Ethernet-интерфейса. Если у устройства только один — выручит обычный USB-Ethernet-адаптер. Это чуть менее надёжно, чем встроенный порт, но для домашней сети вполне достаточно.

Пример из практики автора: мини-ПК на Celeron 3205U (два ядра, 1,5 ГГц) без проблем выдаёт 820–850 Мбит/с по кабелю и около 300 Мбит/с по Wi-Fi. Даже такой скромный процессор с запасом тянет трафик целого дома или небольшого офиса.

Для совсем экстремальных случаев: в 2016 году автор собрал роутер из ThinkPad T60 (подобранного на мусорке), ExpressCard-PCIe-моста, безымянной Ethernet-карты и свитча Cisco 2960 за $10. Выглядело как куча хлама — но работало.

Архитектура сети

После настройки интерфейсы распределяются так: eth0 — WAN (внешняя сеть, интернет), eth1 — проводная LAN, wlan0 — Wi-Fi LAN.

eth1 и wlan0 объединяются в мост br0 — проводные и беспроводные устройства оказываются в одной сети. Нужно больше портов? Просто добавьте USB-Ethernet-адаптеры и включите их в мост.

Используемое ПО: hostapd для Wi-Fi точки доступа, dnsmasq для DHCP и DNS, bridge-utils для объединения портов. Статья покрывает только IPv4 — IPv6 в домашней LAN по-прежнему создаёт больше проблем, чем решает.

Установка Debian

Установка стандартная, но стоит учесть несколько нюансов:

• В BIOS отключить PXE-загрузку по сети
• Выставить минимальную частоту процессора, но отключить power management для USB и PCI-устройств
• Включить опцию «Restore after AC Power Loss» — роутер должен запускаться сам после отключения питания
• Если устройство не стартует без монитора — вставить HDMI-заглушку (dummy dongle)
• Включить репозиторий non-free-firmware — большинство Wi-Fi-адаптеров без него не работает

После базовой установки доставьте прошивку для своего Wi-Fi-адаптера. Для Intel:

Для Realtek:

Для совсем старого железа (Atheros и подобные):

Установка пакетов

Три пакета — это всё необходимое. Итого около 250 пакетов на системе:

Переименование сетевых интерфейсов

В современном Linux интерфейсы называются по физическому расположению: например, enp0s31f6. Чтобы не запутаться, зафиксируем привычные имена eth0, eth1 через systemd.network.

Для каждого сетевого интерфейса создайте файл /etc/systemd/network/10-persistent-ethX.link (где X — номер интерфейса):

MAC-адреса своих интерфейсов узнайте командой ip link show. Создайте по одному такому файлу для каждого Ethernet-порта.

Настройка Wi-Fi через hostapd

USB-Wi-Fi-адаптер будет работать как точка доступа. Это не заменит выделенный AP-девайс по качеству сигнала, но в небольшом помещении работает вполне приемлемо. Если Wi-Fi критичен — лучше подключить к LAN-порту старый роутер в режиме точки доступа.

Создайте конфиг /etc/hostapd/hostapd.conf:

По умолчанию служба hostapd замаскирована (masked). Размаскируйте и запустите:

Настройка сетевых интерфейсов

eth0 — внешний интерфейс (WAN, получает IP по DHCP от провайдера). br0 — внутренний мост с фиксированным адресом. Обратите внимание: у LAN-интерфейса нет шлюза по умолчанию.

Файл /etc/network/interfaces:

После этого перезагрузите устройство. Если сеть не поднялась, проверьте ошибки:

При успешной настройке вывод команды должен быть таким:

IP Forwarding

Без IP forwarding роутер не будет пробрасывать пакеты между интерфейсами. Создайте файл /etc/sysctl.d/10-forward.conf:

Примените изменения:

Настройка firewall через nftables

Правила firewall и NAT управляются через nftables — современную замену iptables. Конфиг /etc/nftables.conf:

Этот конфиг делает три вещи: включает NAT (masquerade), блокирует весь входящий трафик извне и разрешает роутеру работать как DNS, DHCP и SSH-сервер для локальной сети.

Включите nftables при загрузке:

Перед изменением правил всегда проверяйте конфиг на валидность:

В отличие от устаревшего iptables, nftables позволяет перезагружать правила без разрыва соединений:

DHCP и DNS через dnsmasq

dnsmasq — компактная альтернатива паре isc-dhcp-server + bind9. Конфиг элементарный. Создайте /etc/dnsmasq.conf:

DHCP-диапазон: 192.168.1.50 — 192.168.1.250, аренда на 6 часов. Адреса 192.168.1.2 — 192.168.1.49 остаются для статических назначений.

Бонус: последовательный порт (Serial/UART)

Если на устройстве есть последовательный порт — настройте UART-консоль. В enterprise-оборудовании это стандарт, но для домашнего роутера тоже удобно: управляйте без монитора и клавиатуры через USB-UART-адаптер.

В файле /etc/default/grub добавьте или замените строки:

Активируйте getty на последовательном порту, обновите GRUB и перезагрузите:

Проверка работы

После настройки перезагрузите устройство дважды — убедитесь, что всё поднимается стабильно. Проверьте состояние firewall и счётчики трафика:

Ненулевые счётчики в цепочках forward и postrouting означают, что трафик проходит через роутер. Проверьте DHCP-аренды:

Что ещё можно добавить

Базовая конфигурация работает как полноценный домашний роутер. При желании её можно расширить:

• VLAN и сегментация сети
• VPN (удалённый доступ и site-to-site туннели)
• Динамическая маршрутизация: IGP, BGP
• IDS/IPS (обнаружение и предотвращение вторжений)
• Логирование отдельных правил и flow logs
• Проброс портов в DMZ
• IPv6
• Мониторинг в реальном времени
• Фильтрация и блокировка трафика

Важное правило: не устанавливайте много дополнительного ПО прямо на роутер. Лучше выделить отдельную машину в DMZ или VLAN и пробрасывать на неё трафик. Роутер должен оставаться простым и надёжным.

Итого

Роутер — это просто компьютер с Linux, двумя сетевыми интерфейсами и тремя пакетами. Ничего магического в потребительских роутерах нет: они тоже работают под управлением Linux (обычно урезанным), просто с удобным веб-интерфейсом поверх.

Мини-ПК на базе Celeron или Atom стоит $30–60 на вторичном рынке, потребляет 5–10 Вт и работает годами без обслуживания. Это надёжнее, гибче и дешевле большинства потребительских роутеров — а заодно отличный способ разобраться, как на самом деле работает сеть.

Одним из поводов для разочарования в области аппаратных форматов изображений всегда было медленное развитие. Разработчики обычно не решались поставлять текстуры в новом формате, пока он не становился повсеместно доступным — поддерживался большинством целевого железа и всеми вендорами без исключения. Сегодня три вендора предлагают собственные форматы аппаратного сжатия текстур на лету: ARM AFRC, ImgTec PVRIC4 и Apple Metal Lossy. Игнасио Кастаньо исследовал все три и сравнил их с программным сжатием реального времени Spark от NVIDIA.

— ARM AFRC (Pixel 8, Mali-G715) — явный победитель: по метрике RMSE значительно обходит Spark и других конкурентов во всех форматах.

— Apple Metal Lossy (A15/M2+) — коэффициент сжатия 1:2, API минималистичен: один флаг в дескрипторе текстуры.

— ImgTec PVRIC4 (Pixel 10) разочаровал: драйвер игнорирует запрошенный bitrate, качество хуже Spark для R и RG форматов.

— Vulkan-расширение VK_EXT_image_compression_control унифицирует доступ к аппаратному сжатию через параметр BPC (bits per component).

— Аппаратное сжатие — перспективная альтернатива программному, но пока ограничено современными топовыми устройствами.

Контекст: почему это важно

Разработчики обычно не решались поставлять текстуры в новом формате, пока он не становился широко доступным — то есть поддерживался большинством целевого железа и всеми вендорами. Например, хотя ATI представила форматы 3Dc в 2004 году вместе с Radeon X800 (R420) и открыла их через расширения D3D9, их использование не стало распространённым, когда Direct3D 10 стандартизировал их как BC4 и BC5 в 2007 году. Массовое применение началось лишь тогда, когда Direct3D 10 стал минимальным требованием к железу.

Crysis стала первой крупной игрой, поставляемой с BC5-текстурами, но большинство игр ещё долгие годы не решались устанавливать такое жёсткое требование к железу. Чтобы избежать задержек с принятием, форматы BC6 и BC7 разрабатывались совместно ATI и NVIDIA для Direct3D 11.

Именно поэтому сжатие текстур в реальном времени так интересно: когда кодировщик работает в реальном времени, внедрять новые аппаратные форматы значительно проще — не нужно ждать, пока будет подготовлен контент, целенаправленно созданный под них. Аппаратное сжатие устраняет эту проблему принятия: детали форматов не документируются, их использование абсолютно прозрачно — приложению не нужно явно указывать эти форматы, драйвер сжимает текстуры динамически в процессе рендеринга и загрузки изображений.

Apple Metal: Lossy-сжатие

Apple представила сжатие текстур с потерями в чипах A15 и M2 (оба используют одно поколение GPU). Оно обеспечивает коэффициент сжатия 1:2. Включить его на удивление просто — API минималистичен. Свойство compressionType дескриптора MTLTextureDescriptor принимает значение из перечисления MTLTextureCompressionType, и установка MTLTextureCompressionTypeLossy зачастую является единственным необходимым изменением:

Согласно таблицам возможностей Metal Feature Set Tables, все обычные пиксельные форматы поддерживают сжатие с потерями — включая 10-битные и форматы с плавающей точкой. Тестирование это подтвердило, однако основное внимание сосредоточено на форматах R8, RG8 и RGBA8.

Внутренний алгоритм Apple не задокументирован. По результатам реверс-инжиниринга lossy-форматов используется размер блока 8×4 пикселя — и они напоминают некоторые особенности форматов ETC и EAC. Несмотря на заявленное сжатие 1:2, на практике для каждого блока выделяется один байт метаданных, так что реальное потребление памяти чуть выше заявленного.

Качество на M4 Pro

Для форматов R и RG Metal Lossy показывает результаты лучше кодеков Spark EAC, но хуже BC4 и BC5. Результаты RMSE (Root Mean Square Error — среднеквадратичная ошибка; меньше = лучше):

Формат R:

Формат RG:

Прямое сравнение lossy RGBA8 с форматами Spark некорректно из-за разных коэффициентов сжатия: Metal Lossy поддерживает только 1:2, тогда как форматы Spark RGB(A) — 1:4. Тем не менее, для полноты картины:

Формат RGBA:

Производительность на M4 Pro

С точки зрения производительности lossy-форматы показывают себя отлично и при достаточно большом размере текстуры упираются в пропускную способность памяти. Результаты на M4 Pro (16 ядер GPU) в МПикс/сек:

Обратите внимание, что пропускная способность стандартных блитов остаётся достаточно стабильной вне зависимости от размера текстуры. Кодеки Spark, напротив, имеют фиксированные накладные расходы, которые становятся заметнее при уменьшении размеров текстур. Интересен скачок скорости блитов при 512×512 — у него пока нет объяснения. Также стоит учесть, что кодеки Spark требуют дополнительного копирования из буфера вывода кодека в финальную сжатую текстуру — это дополнительные накладные расходы, которых можно было бы избежать, если бы Metal поддерживал запись в блочно-сжатые текстуры, как это делает Vulkan.

Vulkan: расширение VK_EXT_image_compression_control

В Vulkan расширение VK_EXT_image_compression_control даёт приложениям возможность запрашивать сжатие изображений с фиксированной скоростью. Расширение уже доступно на флагманских устройствах от ARM и Imagination. Включение потерявого сжатия в Vulkan несколько многословнее, чем в Metal, но на практике ненамного сложнее: нужно лишь расширить структуру VkImageCreateInfo, добавив в цепочку VkImageCompressionControlEXT.

Можно использовать флаг VK_IMAGE_COMPRESSION_FIXED_RATE_DEFAULT_EXT, чтобы позволить реализации самой выбрать параметры сжатия:

Альтернативно можно явно указать флаги фиксированной скорости для управления допустимыми коэффициентами сжатия:

BPC (bits per component — бит на компонент) — несколько нестандартная единица, но она позволяет задавать коэффициент сжатия единообразно вне зависимости от количества каналов. Для справки, BPC существующих форматов блочного сжатия GPU:

Расширение VK_EXT_image_compression_control также присутствует в некоторых драйверах AMD и Qualcomm, однако, насколько известно, ни один из этих вендоров не поддерживает аппаратное сжатие изображений с фиксированной скоростью. В случае AMD расширение присутствует в драйвере RADV, чтобы Proton мог отключать потерявое сжатие фреймбуфера в некоторых играх, где оно вызывало проблемы с корректностью — через флаг VK_IMAGE_COMPRESSION_DISABLED_EXT.

ARM AFRC: лучший результат среди всех

ARM Fixed Rate Compression (AFRC) было анонсировано в 2021 году и впервые появилось в Mali-G510 в 2022-м, однако широкого распространения этот дизайн не получил. По-настоящему массовым AFRC стало с выпуском Mali-G715 и Mali-G615 в том же году. Тестирование проводилось на Pixel 8 с GPU Mali-G715.

Устройство сообщило поддержку следующих форматов сжатия с фиксированной скоростью (возможности значительно шире Metal Lossy):

В отличие от Metal Lossy, AFRC не использует дополнительных байт метаданных — все управляющие биты находятся внутри самого блока. Изображение делится на блоки 8×8 пикселей, в ряде случаев разбиваемые на подблоки меньшего размера. Размер каждого блока 8×8 в байтах:

По результатам реверс-инжиниринга удалось установить: AFRC представляет цвета с использованием преобразования YCoCg, а представление пикселей напоминает вейвлет Хаара. Для каждого подблока 4×4 используется 16 коэффициентов, квантование которых зависит от режима. Форматы RGB и RGBA принципиально одинаковы — флаг в заголовке просто указывает, присутствует ли альфа-канал или блок полностью непрозрачен.

Качество AFRC

Качество AFRC впечатляет. В отличие от Metal, здесь можно сделать прямое сравнение с ASTC в реальном времени, поскольку Mali поддерживает сжатие 1:4:

Формат R:

Формат RG:

Формат RGBA:

Во всех случаях RMSE значительно ниже, то есть AFRC превосходит Spark ASTC при нацеливании на ASTC с кодировщиком реального времени. Тем не менее есть несколько случаев, когда Spark даёт более высокое качество: на очень гладких изображениях сжатие AFRC приводит к заметным паттернам дизеринга, раскрывающим границы блоков. Это особенно заметно при использовании AFRC в качестве текстуры с увеличением, тогда как для сжатия фреймбуфера — основного сценария применения — такие паттерны практически незаметны.

Производительность AFRC (Pixel 8)

Включение AFRC не вызывает значительных накладных расходов по сравнению с несжатыми загрузками текстур, за исключением некоторых размеров. Результаты на Pixel 8 в МПикс/сек:

Пропускная способность здесь масштабируется с размером текстуры, а не остаётся стабильной. Накладные расходы одинаково влияют на блиты и compute-шейдеры Spark. В отличие от секции Metal, где lossy-блиты явно доминировали над Spark на малых размерах, здесь картина смешанная: Spark вплотную приближается к AFRC или превосходит его. Это показывает, что кодирование текстур в реальном времени вполне конкурентоспособно с аппаратным сжатием. Абсолютные числа здесь значительно ниже, чем на M4 Pro, — это принципиально разные классы устройств.

ImgTec PVRIC4: разочарование от Pixel 10

ImgTec впервые анонсировала поддержку PVRIC4 ещё в 2018 году для GPU серии Series 6, однако протестировать её удалось только с выходом Pixel 10 на чипе Series D. Первоначальное объявление намекало на то, что, как и Metal Lossy, PVRIC4 поддерживает только 50%-е сжатие, но расширение декларирует более широкий спектр опций:

К большому удивлению, качество вывода оказалось одинаковым вне зависимости от BPC. Дальнейшее расследование показало: драйвер игнорирует запрошенный BPC и всегда использует 4 bpc (сжатие 1:2). Формат блоков PVRIC4 — наиболее сложный из всех трёх вендоров: размер блоков составляет 16×16 пикселей, и, как в Metal Lossy, присутствует один байт метаданных на блок. Сделать реверс-инжиниринг практически не удалось.

Качество PVRIC4

Качество оказалось разочаровывающим. Для форматов R и RG Spark фактически превосходит PVRIC4 при нацеливании на стандартные форматы блочного сжатия, поддерживаемые этим железом:

Формат R:

Формат RG:

Для RGBA прямое сравнение невозможно из-за разных коэффициентов сжатия, но качество также значительно хуже других вендоров:

Формат RGBA:

Производительность PVRIC4 (Pixel 10)

Кривая пропускной способности на этом устройстве существенно отличается от Pixel 8: пик приходится на размеры 1024–2048, а не монотонно возрастает с размером. На больших размерах пропускная способность Spark фактически выше, чем у несжатых загрузок текстур. Это характерно для устройств, ограниченных пропускной способностью памяти: обычный блит должен прочитать всё входное изображение и записать обратно тот же объём данных, тогда как Spark записывает лишь 1/4 входных данных. Экономия на записи зачастую перекрывает вычислительные затраты кодирования.

Комментарий PowerVR Dev (ImgTec)
PVRIC4 поддерживает только сжатие 1:2. TFBC (доступен исключительно в чипах Rogue XE) поддерживал соотношения 1:2, 1:4 и 1:3. Дизайн расширения был спорным — многим не нравилась многословность выбора BPC, поэтому было решено экспонировать все BPC в рамках поддерживаемых соотношений и повышать их до поддерживаемого ratio. Это считалось допустимым, поскольку качество не деградирует относительно запроса приложения, а приложение всё равно обязано запрашивать реальный размер изображения, который не гарантирует уменьшения.

Spark: программная точка отсчёта

Spark — библиотека NVIDIA для программного сжатия текстур в реальном времени. Работает на GPU как compute shader, поддерживает форматы BC1–BC7 и ASTC. В тесте выступает базовой точкой сравнения как лучшее доступное программное сжатие без специализированного железа.

Spark показывает стабильные результаты по форматам, но требует явного вызова compute-прохода — это дополнительный этап в пайплайне. Аппаратное сжатие, напротив, встроено в рендеринг и не требует дополнительного кода. Отдельный плюс Spark — предсказуемое и согласованное поведение на всех устройствах, что важно, если унифицированный вывод критичен для вашего сценария. Ни один из форматов аппаратного сжатия пока не доступен через WebGPU — если это изменится, расширить spark.js для их поддержки будет несложно.

Итоги: кто победил

ARM AFRC — явный победитель. Это не только превосходит программные реализации вроде Spark, но и обходит все остальные форматы по всем метрикам. Итоговая таблица RMSE по всем протестированным форматам:

Стоит оговориться: результаты PVRIC4 могут не отражать полного потенциала железа — драйвер игнорирует запрошенный коэффициент сжатия и всегда использует 1:2. Возможно, эти результаты удастся пересмотреть после исправления проблемы.

Аппаратное сжатие — убедительная альтернатива программному. Главная оговорка — оно сейчас ограничено современными топовыми устройствами, которые как раз и располагают наибольшим объёмом памяти и пропускной способностью.

Даже когда нативное аппаратное сжатие доступно, есть веские причины продолжать использовать Spark. Вывод аппаратного сжатия различается у разных вендоров, и в некоторых случаях — как мы видели с PVRIC4 — качество уступает кодировщику реального времени. Если для вашего сценария критичен единообразный и предсказуемый вывод на всех вендорах, Spark остаётся правильным выбором.

— Apple не строит собственные фундаментальные LLM — интегрирует Gemini и Claude

— Фокус: on-device ИИ через чипы A19/M-серии и Private Cloud Compute

— ИИ-Siri отложена на iOS 26.5+, полный редизайн — осень 2026 (iOS 27)

— Глава ИИ Джон Джанандреа (экс-SVP Google) уходит, сменит Амар Субраманья

— Новая стратегия будет представлена на WWDC 8 июня 2026

Стратегия: интеграция вместо разработки моделей

Пока Microsoft, Google и Meta вкладывают миллиарды в дата-центры и фундаментальные модели, Apple делает ставку на интеграцию. Компания встраивает Google Gemini в Siri как один из внешних LLM-движков — наряду с Anthropic Claude. Внутри Apple считают, что большие языковые модели станут commodity (взаимозаменяемым товаром) и не стоят затрат на собственную крупномасштабную разработку.

На практике это означает: Siri использует Gemini или Claude для сложных генеративных запросов, а Apple фокусируется на том, как упаковать ответ в привычный интерфейс с максимальной приватностью. Пользователь взаимодействует с Siri, а не с Gemini напрямую.

Apple Intelligence: гибридная архитектура

Apple Intelligence (пакет ИИ-функций Apple) работает в трёх режимах:

• On-device. Суммаризация, помощь в письме, управление уведомлениями — выполняются локально на нейронных движках чипов A-серии и M-серии. Данные не покидают устройство
• Private Cloud Compute. Задачи, которые слишком тяжелы для устройства, обрабатываются на серверах Apple на собственных чипах. Данные не сохраняются после обработки — Apple называет это «stateless processing»
• Внешние LLM. Для глубоких генеративных задач подключаются модели партнёров — Google Gemini и Anthropic Claude. Эта интеграция пока разворачивается и будет расширяться в следующих обновлениях iOS

ИИ-Siri: iOS 26.5+ и iOS 27

Полноценная ИИ-версия Siri — главный ожидаемый продукт Apple Intelligence — откладывается. iOS 26.4 вышла 24 марта без ИИ-Siri. Расширенная функциональность ожидается в iOS 26.5 или позже, а полный редизайн с разговорным интерфейсом — в iOS 27 осенью 2026.

Apple планирует представить обновлённую ИИ-стратегию на WWDC, кейноут которого состоится 8 июня 2026 года.

Смена руководства ИИ

Джон Джанандреа (John Giannandrea), Senior Vice President of Machine Learning and AI Strategy — один из ключевых переходов из Google, где он руководил поиском и ИИ — уходит на пенсию весной 2026 года. Его полномочия распределены между несколькими руководителями: Амар Субраманья (вице-президент по ИИ, подчиняется Крейгу Федериги), Сабих Хан и Эдди Кью.

Apple также приобрела ИИ-стартапы: Pointable AI (enterprise-системы поиска на естественном языке для LLM-приложений) и WhyLabs (мониторинг и observability для ИИ-моделей).

Выводы

Apple не отказывается от ИИ — она переопределяет свою роль. Вместо конкуренции с Google и Microsoft за лучшую модель, Apple делает ставку на то, что модели станут взаимозаменяемыми, а ценность сместится к устройствам, приватности и интеграции. Подтвердится ли эта ставка — станет понятнее после WWDC в июне.

О том, как это устроено, рассказала Теа Аррестад, доцент физики частиц в ETH Zurich, на конференции Monster Scale Summit. А open-source транспайлер HLS4ML, который делает это возможным, уже доступен для всех. Подробности — в материале The Register.

— LHC производит ~40 000 экзабайт нефильтрованных данных в год, хранить удаётся ничтожную долю

— Level-1 Trigger — система из ~1000 FPGA, которая фильтрует данные за менее чем 50 наносекунд

— AXOL1TL — нейросеть для обнаружения аномалий, прошитая прямо в чип

— HLS4ML — open-source транспайлер: Python-модель → C++ → прошивка FPGA или ASIC

— Модели квантизированы, обрезаны и дистиллированы до минимального размера

— Подход применим за пределами физики: edge ИИ, IoT, медицина, автономные системы

Проблема: 40 000 экзабайт данных в год

В 27-километровом кольце на глубине 100 метров под границей Швейцарии и Франции протоны разгоняются до околосветовых скоростей. Около 2800 пучков протонов несутся по кольцу с интервалом в 25 наносекунд. Из миллиардов протонов в каждом пучке столкнуться напрямую удаётся лишь ~60 парам.

Каждое столкновение порождает каскад новых частиц и несколько мегабайт данных. При миллиарде столкновений в секунду это даёт примерно петабайт данных ежесекундно — объём, сопоставимый со всей библиотекой Netflix.

«Если бы у нас было бесконечное количество вычислительных ресурсов, мы бы смотрели все данные», — говорит Аррестад. Но реальность такова, что сохранить и проанализировать удаётся менее 0,02% от всего массива. Остальное необходимо отбросить в реальном времени — прямо на уровне детекторов.

Решение: нейросеть в кремнии

Детекторы LHC, построенные на ASIC-чипах, буферизуют данные лишь на 4 микросекунды. После этого данные «падают со скалы» — они навсегда потеряны, если не были сохранены.

За принятие решения отвечает Level-1 Trigger — агрегат из примерно 1000 FPGA-чипов. Он получает сжатую информацию о событии по оптоволокну со скоростью ~10 ТБ/с и выдаёт единственное значение: «принять» (1) или «отклонить» (0).

Решение принимает алгоритм AXOL1TL — нейросеть для обнаружения аномалий, прошитая непосредственно в FPGA. Она обучена на «фоне» — известных событиях Стандартной модели. Всё, что выходит за рамки типичной картины столкновения, помечается как потенциально интересное. Как выразилась Аррестад, алгоритм «охотится за редкой физикой».

Время на решение — менее 50 наносекунд. Лишь ~110 000 событий в секунду (0,02% от всех столкновений) проходят фильтр и отправляются на поверхность. Далее данные проходят вторую стадию фильтрации — High Level Trigger на 25 600 CPU и 400 GPU — и сокращаются до ~1000 событий в секунду, порождая около петабайта данных в день.

HLS4ML: как модель попадает в чип

Стандартные библиотеки машинного обучения для edge-устройств (MLPerfMobile, MLPerfTiny) не справляются с потоковыми данными и задержками уровня CERN. Поэтому инженеры создали собственный инструментарий — HLS4ML.

HLS4ML — это open-source транспайлер, который преобразует обученную модель машинного обучения в C++-код, оптимизированный под конкретную аппаратную платформу: FPGA, ASIC или систему на кристалле. Фактически, он позволяет «напечатать» нейросеть в кремнии.

Цепочка выглядит так:

1. Модель обучается в Python (PyTorch, TensorFlow, scikit-learn)
2. Агрессивная оптимизация: квантизация (уникальная битовая ширина для каждого параметра), pruning (удаление лишних связей), дистилляция (передача знаний из большой модели в крошечную)
3. HLS4ML транспилирует модель в C++, адаптированный под целевую платформу
4. C++-код компилируется в bitstream — прошивку FPGA

Архитектура FPGA принципиально отличается от классической фон-неймановской модели, где процессор последовательно извлекает инструкции из памяти и выполняет их одну за другой. В FPGA нет такого цикла — вычисления запускаются сразу, как только на вход поступают данные. Каждый слой нейросети реализован как отдельный физический блок на чипе, а значительная часть кремния отведена под предвычисленные таблицы поиска (LUT), которые заменяют сложные арифметические операции мгновенной выдачей результата.

Интересно, что для этих задач древовидные модели (tree-based) оказались не менее эффективными, чем глубокое обучение, но при значительно меньших затратах ресурсов. Это логично: данные Стандартной модели — по сути табличные, а для каждого столкновения LHC выдаёт структурированный набор дискретных измерений.

Почему не GPU?

Может показаться, что GPU — естественный выбор для ИИ-задач. Но для Level-1 Trigger они не подходят по нескольким причинам:

• Латентность. GPU работают с задержками в микро- и миллисекунды. Для Level-1 Trigger нужны наносекунды — на три порядка быстрее
• Детерминизм. FPGA обеспечивают жёсткое детерминированное время выполнения. GPU с их конвейерами и шедулерами такого не гарантируют
• Энергопотребление. Тысяча FPGA потребляет значительно меньше энергии, чем эквивалентное количество GPU
• Всё на чипе. Решения должны приниматься без обращения к внешней памяти — даже к очень быстрой. На FPGA модель буквально впаяна в кремний

GPU используются на второй стадии фильтрации (High Level Trigger), где допустимы задержки в миллисекунды и есть время на реконструкцию полной картины столкновения. Но на первом уровне, где данные живут лишь 4 микросекунды, компромиссов быть не может.

За пределами физики частиц

Пока гиганты вроде OpenAI и Google строят всё более крупные модели, CERN движется в противоположном направлении — к максимально компактному ИИ. И этот подход применим далеко за пределами физики высоких энергий:

• Edge ИИ и IoT. Промышленные датчики, системы умного города и автономные устройства часто не могут позволить себе связь с облаком. Модель в FPGA работает автономно и с минимальной задержкой
• Медицина. Например, компания Xilinx (ныне AMD) уже использует FPGA для ускорения обработки геномных данных в секвенаторах ДНК. Аналогичный подход применим к анализу данных МРТ, ЭКГ или потоков с хирургических роботов в реальном времени
• Автономный транспорт. Принятие решений в беспилотных автомобилях и дронах, где задержка при обращении к облаку недопустима
• Телеком и кибербезопасность. Инспекция сетевого трафика на скоростях в сотни гигабит без снижения пропускной способности

HLS4ML — проект с открытым исходным кодом, опубликованный на GitHub. Любой инженер может использовать тот же инструментарий, что и учёные CERN, для компиляции моделей машинного обучения в прошивку FPGA.

FAQ

Что такое FPGA и чем она отличается от GPU?

FPGA (Field-Programmable Gate Array) — это микросхема, логику которой можно перепрограммировать после производства. В отличие от GPU, где тысячи универсальных ядер выполняют инструкции последовательно, FPGA реализует алгоритм как физическую схему: данные проходят через логические вентили без каких-либо программных инструкций. Это даёт наносекундные задержки и детерминированное время выполнения.

Можно ли использовать HLS4ML вне CERN?

Да. HLS4ML — проект с открытым исходным кодом, опубликованный на opensource.web.cern.ch. Согласно документации проекта, он поддерживает модели из Keras, PyTorch и ONNX и генерирует C++-код для синтеза на различных платформах FPGA (Xilinx Vivado HLS, Intel HLS). Инструмент активно используется в академической среде и начинает проникать в промышленность.

Насколько маленькими должны быть модели для FPGA?

Модели для Level-1 Trigger в CERN — это единицы-десятки килобайт параметров с агрессивной квантизацией (уникальная битовая ширина для каждого веса). Для сравнения: GPT-4 занимает сотни гигабайт. Всё дело в компромиссе: модель должна целиком умещаться на чипе без обращения к внешней памяти, потому что даже обращение к DRAM занимает десятки наносекунд — слишком медленно для Level-1 Trigger.

Выводы

CERN показывает, что будущее ИИ — не только в масштабировании. Иногда самый мощный подход — это максимально сжатая модель, прошитая в кремний и работающая быстрее, чем данные успевают покинуть детектор.

По данным CERN, команда подготовила прошивку AXOL1TL для включения в trigger menu LHC — набор алгоритмов, которые решают, какие столкновения сохранить. А в конце года коллайдер остановят для модернизации до High-Luminosity LHC (запуск в 2031), который увеличит поток данных в 10 раз — до 63 ТБ/с. Это потребует ещё более агрессивной компрессии моделей.

Инструменты, созданные для физики частиц, уже выходят за пределы лаборатории. HLS4ML с открытым исходным кодом позволяет любому разработчику применить подход CERN к своим задачам — от промышленной автоматизации до медицинских устройств. А с переходом на High-Luminosity LHC ограничения станут жёстче, и именно эти методы компрессии определят, какие открытия сможет сделать следующее поколение детекторов.

Конференция будет полезна всем, кто работает с ИИ. Владельцам бизнеса и топ-менеджерам — CEO, CIO, CTO, CDO, которые хотят получить измеримый результат от внедрения технологий, а также инженерам, архитекторам и DevOps-специалистам, которым предстоит интегрировать модели в существующую инфраструктуру.

О чем расскажут на конференции

Программа разделена на два параллельных потока, чтобы участники могли выбрать трек под свои интересы и задачи.

Для бизнес-аудитории: окупаемость, риски и стратегия

Спикеры расскажут, как компании принимают решения о внедрении ИИ и переводят проекты из разряда экспериментов в работающие инструменты. Ключевые темы:

• Финансы и риски: сколько реально стоит внедрение ИИ-агентов и с какими подводными камнями можно столкнуться.
• Дорожная карта: как составить роадмап внедрения ИИ на базе платформенных решений, чтобы не потерять деньги и время.
• Управление знаниями: как использовать большие языковые модели, чтобы перестать терять экспертизу внутри компании.
• Масштабирование: как построить агентскую платформу и поставить внедрение ИИ-проектов на поток.
• Хайп или реальность: способен ли вайбкодинг заменить классические инструменты разработки?

Для технических специалистов: железо, код и безопасность

В техническом треке — инженерная реальность и особенности работы с вероятностными системами. Участников ждут доклады про:

• Инфраструктуру: как выбрать серверное железо под разные ИИ-нагрузки и почему инференс классических моделей и LLM — это два разных мира, которые приходится сочетать на одной платформе.
• Разработку: чем SDLC для вероятностных систем отличается от классического и почему «просто написать код» больше недостаточно.
• Безопасность: как обеспечить безопасное использование генеративных технологий в рабочих процессах.

Что еще будет

На площадке конференции развернется технологическая выставка с интерактивными зонами, где можно будет познакомиться с продуктами Selectel и партнерами компании. Для тех, кто не сможет приехать, организуют онлайн-трансляцию.

Участие бесплатное, но нужна регистрация. С подробной программой можно ознакомиться на сайте мероприятия. Количество мест ограничено.

Реклама. Рекламодатель: АО «Селектел» ИНН 7810962785, erid: 2W5zFGwFjd3

В начале 2026 года компания начала разворачивать обновленную систему виджетов, включая элементы на экране блокировки и переработанную панель Widgets в Windows 11.

Это уже шестая крупная итерация виджетов с конца 1990-х годов. И почти каждая предыдущая заканчивалась закрытием проекта.

Историю всех попыток собрал разработчик Павел Осадчук из XAKPC Dev Labs, разобрав, почему Microsoft снова и снова возвращается к одной и той же идее и каждый раз упирается в новые ограничения.

Шесть итераций одной идеи

Microsoft пытается решить одну задачу с 1997 года: как показывать «живую» информацию, не заставляя пользователя открывать приложения. За это время компания успела пройти несколько этапов:

• Active Desktop (1997) — HTML прямо на рабочем столе. Умер из-за падений Explorer и нагрузки на систему.
• Sidebar и гаджеты в Vista (2007) — красиво, но отнимали экранное пространство и приводили к утечке памяти.
• Свободные гаджеты в Windows 7 (2009) — удобны, но стали кошмаром для безопасности. В 2012 году Microsoft официально признала их уязвимыми и отключила.
• Live Tiles в Windows 8 и 10 (2012–2021) — безопасно, но неинтерактивно. Пользователи и разработчики потеряли к ним интерес.
• Карточки Cortana и «Новости и интересы» (2015–2021) — вызвали критику из-за навязчивости и доступа к личным данным.
• Widget Board в Windows 11 (с 2021) — текущая версия, которая теперь снова перерабатывается.

Каждая новая версия появлялась как реакция на провал предыдущей, а не как развитие удачного решения.

Что изменилось в 2026 году

В текущей итерации Microsoft пытается учесть почти все прошлые ошибки.

Во-первых, рендеринг виджетов перевели с Chromium WebView2 на нативный WinUI 3, что заметно снизило потребление памяти и нагрузку на систему.

Во-вторых, интерфейс стал декларативным: виджеты описываются через Adaptive Cards и не исполняют произвольный код, что закрывает целый класс уязвимостей.

Также Microsoft разделила контент и утилиты. Новостная лента теперь отделена от самих виджетов и может быть отключена — в том числе из-за требований европейского регулятора.

Появились виджеты на экране блокировки, возвращающие идею «быстрого взгляда» без вторжения в рабочий процесс.

Почему Microsoft снова за это взялась

Причина проста: запрос никуда не делся. Пользователи по-прежнему хотят видеть погоду, задачи, события и уведомления без запуска десятков приложений.

Изменилась лишь среда — железо стало мощнее, а требования к безопасности и приватности жестче.

Текущая архитектура виджетов — это, по сути, «шрамовая ткань» из всех прошлых провалов. Почти каждое ограничение системы сегодня существует потому, что когда-то его отсутствие привело к катастрофе: падениям, утечкам данных или полной потере интереса со стороны пользователей.

Есть ли шанс, что в этот раз получится

Формально — да. Виджеты больше не крадут экранное пространство, не выполняют код, не навязываются без действия пользователя и работают быстрее.

Но остаются старые проблемы: низкая узнаваемость функции, ограниченные API и конфликт между полезными утилитами и желанием Microsoft монетизировать интерфейс через контент.

По данным китайских инсайдеров, компания разрабатывает ИИ-наушники под кодовым названием Sweet Pea. Это будет потенциальный конкурент AirPods и первый массовый гаджет OpenAI.

Что самое интересное, за дизайн проекта будет отвечать Джони Айв. Легендарный дизайнер Apple, благодаря которому мир увидел iPod и iPhone.

Первый результат сделки на $6,5 млрд

Sweet Pea может стать первым крупным продуктом после покупки OpenAI дизайн-студии Айва io hardware.

Сделка состоялась в мае 2024 года и обошлась компании в $6,5 млрд. Тогда детали почти не раскрывались, но теперь становится ясно, зачем OpenAI понадобилась команда с таким бэкграундом.

Если информация о наушниках подтвердится, то компания Сэма Альтмана явно делает ставку не на аксессуар, а на новую вычислительную платформу.

Необычный форм-фактор и локальный ИИ

В отличие от классических TWS-наушников, Sweet Pea якобы не вставляются в ушной канал.

Устройство состоит из металлического «ядра» в форме гальки и двух капсульных модулей, которые размещаются за ухом. Такая конструкция дает больше пространства для компонентов и охлаждения.

Внутри будет кастомный 2-нм процессор, способный выполнять большую часть ИИ-задач локально, без постоянного обращения к облаку.

А это гарантирует более быструю реакцию, меньше задержек и потенциально лучшую приватность.

Наушники как замена смартфону

По данным источников, Sweet Pea задумывается не просто как гарнитура. Устройство сможет принимать голосовые команды, управлять приложениями и сервисами, а в перспективе — заменить часть базовых функций телефона.

Для этого в наушниках предусмотрены микрофоны и камеры, которые постоянно «считывают» окружение. Вместо фразы активации вроде «Hey Siri», ИИ будет сам предлагать помощь, опираясь на контекст — что пользователь видит, слышит и делает.

Амбиции и риски

Инсайдеры утверждают, что релиз Sweet Pea намечен на сентябрь 2028 года, а целевой объем поставок в первый год — от 40 до 50 млн устройств. Для совершенно новой категории это крайне смелая цель.

Правда, есть проблема — до 2028 года еще далеко. За это время рынок может измениться, конкуренты — догнать или перегнать, а регуляторы — задать новые рамки для устройств с постоянным «наблюдением».

Продакшен начинается в тот момент, когда к этой модели подключают реальные камеры, реальное железо, реальную сеть и реальных людей. Там внезапно выясняется, что:

• данные живут своей жизнью
• модель не такая уж «устойчивая»
• пайплайн никто толком не спроектировал
• обновлять все это больно и страшно

Ниже разберем, что обычно ломается по дороге от демки до боевого контура, и что лучше заложить сразу.

1. Прототип обманывает

В прототипе все под контролем:

• вы сами выбрали фотки
• вы сами обрезали кадр
• вы сами решили, в каком формате будет вход

В проде:

• камера дает муть, шум и грязь
• половину времени у девайса кривая экспозиция
• иногда кадр вообще не доезжает

Поэтому первая честная мысль: прототип почти всегда переоценивает качество данных.

Если вы тестировали только на статичных картинках, добавьте себе в задачу: «прогнать модель на реальном видеопотоке хотя бы пару часов» и тупо посмотреть глазами, что приходит. Это сильно остудит оптимизм.

2. Видео против картинок: разные миры

Классическая ошибка: модель обучалась на картинках, а в проде работает с видеопотоком.

С картинками все просто, у вас есть независимые сэмплы. В видео:

• кадры коррелируют
• объекты двигаются
• объекты пропадают и появляются
• часть кадров размазана или с артефактами

Отсюда вылезают вопросы:

• как часто вообще дергать модель
• обрабатывать каждый кадр или через N
• как трекать объекты между кадрами
• что считать «исчезновением» объекта, а что временной потерей

Если этого не прописать в архитектуре, вы получите дергающиеся боксы, прыгающие ID объектов и логику, которая ведет себя рандомно в зависимости от FPS и нагрузки.

3. Пайплайн, а не «одна модель»

В продакшене у вас никогда не «одна модель». У вас цепочка, которая примерно выглядит так:

1. Ингест: вытащить кадр из камеры, очереди, файла, потока
2. Предобработка: ресайз, кроп, нормализация, поправить ориентацию, вытянуть яркость
3. Инференс: прогон через модель (или несколько моделей)
4. Постобработка: NMS, фильтры по классам и порогам, подправить координаты
5. Аггрегация по времени: трекинг, сглаживание, логика «объект появился/исчез»
6. Выгрузка: записать события в базу, отправить дальше, дернуть вебхук, обновить UI

И вот в каждом шаге:

• может быть баг
• может быть деградация качества
• может быть узкое место по скорости

Если в голове по-прежнему живет картинка «я просто вызову model.predict()», то прод упадет в тот момент, когда вам нужно будет, например, поменять формат входа или добавить вторую модель в цепочку.

4. Форматы и протоколы: боль тихая, но убийственная

Еще один классический грабель: форматы данных.

То, что в ноутбуке было «просто numpy array», в проде превращается в:

• RTSP, RTMP, HLS
• JPEG с разными профилями
• видео с разным FPS и битрейтом
• разные цветовые пространства
• разные разрешения и соотношения сторон

А дальше начинается веселое:

• где-то перепутали порядок каналов
• где-то поменяли RGB на BGR
• где-то ресайзнули с искажением пропорций
• где-то забыли нормализовать вход

На демке это почти не видно. В проде это может дать стабильный минус к метрикам, и команда месяц будет думать, что «модель устарела».

Минимум, который стоит сделать:

• явно задокументировать формат кадра на каждом шаге
• держать маленький скрипт, который берет кадр «с продакшена» и прогоняет его через пайплайн локально, чтобы снять подозрения
• иметь тесты, которые проверяют, что формат не поехал после очередного «рефакторинга»

5. Время и синхронизация

Еще одна вещь, про которую обычно вспоминают в последнюю очередь: время.

Если у вас:

• несколько камер
• несколько источников данных
• асинхронные очереди

то рано или поздно выяснится:

• у камеры неправильное время
• у сервера своя временная зона
• сеть добавляет задержку
• сообщения приходят не по порядку

В результате:

• объект в одном потоке «появился» позже, чем в другом, хотя в реальности было наоборот
• события сложно связать
• агрегация по времени превращается в кошмар

Поэтому лучше сразу решить, как у вас будет устроен time:

• откуда берете «истину»
• как нормализуете timestamps
• что делаете с событиями, которые слишком отстают или опережают

Без нормальной временной модели CV система в проде превращается в шизофреника.

6. Версионирование моделей и данных

В прототипе живет одна единственная best_model.pth. В реальном проекте:

• есть старая версия модели, которая «точно работает»
• есть новая, которую все хотят выкатить
• есть эксперименты, которые кто-то успел где-то обучить
• есть разные конфиги порогов и постобработки

Если это не систематизировать, вас ждет:

• «а какой моделью сейчас вообще все крутится»
• «а этот баг был и в прошлой версии или новый»
• «а мы точно не переехали на кривый чекпоинт»

Что нужно минимум:

• хранить модели с понятными версиями
• хранить вместе с моделью: конфиг, пороги, схему постобработки
• иметь хотя бы примитивный model registry, неважно, на чем
• писать в логи, какая версия модели обработала конкретный запрос или кадр

Идеально, когда можно взять конкретный кейс из продакшена, поднять его локально и прогнать через нужную версию модели и пайплайна.

7. Качество: как понять, что все пошло не так

В офлайне вы смотрите на mAP, F1, ROC, красивые таблички. В проде метрики живут другой жизнью.

Что реально надо мониторить:

• распределение confidence по классам
• количество срабатываний по источникам и по времени суток
• долю «пустых» кадров
• кол-во ошибок пайплайна по шагам
• latency на каждый этап

И главное: вам нужно хотя бы какое-то количество вручную размеченных продакшен-примеров, чтобы периодически пересчитывать качество на реальных данных.

Без этого проект живет в режиме «пока никто не жалуется, значит, все ок». Это не стратегия.

8. Перформанс и железо

Еще одна история: модель, которая работает за 40 мс на вашей 3090, внезапно превращается в тыкву на реальном железе.

Там может быть:

• слабый GPU
• CPU-only
• ограниченная память
• ограниченный сетевой канал

При этом вам нужно:

• держать стабильный FPS
• не вываливаться по latency
• не убивать соседние сервисы

Тут начинаются компромиссы: квантование, обрезание входа, уменьшение частоты инференса, батчинг, перенос части логики на edge.

Если вы не считали перформансную бюджетку заранее, то неприятно окажется, что «эта крутая модель невозможна на том железе, которое уже купили».

9. Обновления без инфаркта

Прототип никто не обновляет, его просто перезапускают. Продакшен обновлять придется часто:

• поменялась модель
• поменялась постобработка
• поправили баг в трекинге
• добавили новый класс

Если у вас нет стратегии обновления, то каждый релиз превращается в лотерею:

• отвалится ли половина инстансов
• совпадут ли версии клиента и сервера
• не разъедутся ли схемы событий

Нужен минимальный набор:

• staged rollout (канареечные деплои или хотя бы один тестовый источник)
• возможность отката на предыдущую версию без танцев
• проверка схем и форматов до выката
• простой чеклист «что проверяем после деплоя»

10. Что из этого всего важно прямо сейчас

Если коротко, чтобы CV система дожила до продакшена и не умерла через неделю, ей нужны не только веса модели. Ей нужны:

• честное понимание качества реальных данных
• четко описанный пайплайн от кадра до события
• контроль форматов и времени
• версионирование моделей и конфигов
• мониторинг качества и перформанса
• стратегия обновлений

Если об этом думать с самого начала, код в ноутбуке перестает быть разовой демкой и получает шанс стать нормальным продуктом.

Если нет, вы получите очередной «красивый кейс для презентации», который так никогда и не выйдет за пределы пилота.

По словам авторов проекта, это самые маленькие полностью программируемые и автономные роботы, созданные на сегодняшний день. Каждый из них стоит всего около $0,01, что делает технологию потенциально отлично масштабируемой.

Разработчики рассчитывают, что такие микророботы найдут применение в медицине, микро-производстве и научных исследованиях, где обычные механические системы либо слишком крупные, либо слишком хрупкие.

Как они устроены и почему у них нет «ног»

Физическую часть роботов разработала команда Penn Engineering. Размер каждого устройства — примерно 200 × 300 × 50 микрометров.

На таком масштабе привычные инженерные подходы перестают работать: трение и вязкость среды начинают доминировать, а любые движущиеся части становятся ненадежными.

Поэтому ученые отказались от механических элементов и придумали новую систему движения.

Роботы «плавают» за счет ионной тяги. То есть они буквально создают электрическое поле, которое сдвигает ионы в окружающей жидкости.

Меняя параметры этого поля, микророботы могут двигаться по сложным траекториям и даже координироваться друг с другом. Отсутствие движущихся частей делает их удивительно прочными — их можно поднимать микропипеткой без повреждений.

Питание от света и микроскопическая электроника

Еще одна сложность — питание. Чтобы решить эту проблему, инженеры сделали ставку на солнечную энергию.

Фотоэлементы занимают большую часть поверхности робота, но даже при этом вырабатывают всего около 75 нановатт. Это наложило жесткие требования на энергоэффективность всей системы.

«Мозг» роботов разработала команда из Мичигана. Внутри — сверхэффективный процессор, память и сенсоры. Программирование происходит с помощью световых импульсов, которые одновременно служат и источником энергии.

Для передачи данных обратно, роботы используют необычный метод: они выполняют движения, напоминающие «виляющий танец» пчел, который считывается внешними системами.

Зачем нужны такие микророботы

Роботов можно запускать сотнями одновременно. Они способны работать автономно в течение месяцев, а набор сенсоров легко менять под конкретную задачу — в первых тестах использовался датчик температуры.

Компания оформила их в виде привычных минимальных и рекомендуемых требований. Примерно так же делают разработчики игр перед релизом. Да и пользователям Steam такой подход должен быть знаком.

Документ охватывает процессоры, видеокарты, оперативную память, накопители и даже мониторы. Цель гайда — помочь пользователям собрать сбалансированную систему, не переплачивая за избыточную мощность.

Процессоры и видеокарты: три уровня для разных сценариев

Microsoft делит игровые ПК на три условных класса. Для игр в 1080p на средних настройках компания рекомендует:

• CPU: современные четырех- или шестиядерные процессоры, например Ryzen 5 5600 или Core i5-12400;
• GPU: GTX 1660 Super или Radeon RX 6600.

Для 1440p и высоких настроек:

• CPU: минимум 6 ядер — Ryzen 5 7600 или Core i5-13600K;
• GPU: RTX 3060 Ti / 4060 Ti или Radeon RX 6700 XT.

Для 4K-гейминга:

• CPU: 8 ядер и больше, например Ryzen 7 7800X3D или Core i7-13700K;
• GPU: RTX 4080 или Radeon RX 7900 XTX.

При этом Microsoft уточняет, что при высоких разрешениях основная нагрузка ложится именно на видеокарту, а не на процессор. Поэтому слепо гнаться за топовым CPU не всегда имеет смысл.

Game Mode, память и накопители

Отдельно компания напоминает о Game Mode в Windows 11. По словам Microsoft, он снижает фоновую активность системы и приоритизирует игровые процессы, помогая стабилизировать частоту кадров.

По памяти рекомендации довольно приземленные:

• 16 ГБ ОЗУ — достаточно для большинства современных игр;
• 32 ГБ — для тяжелых проектов, модов и параллельных задач.

Для хранения игр Microsoft советует SSD от 1 ТБ, подчеркивая важность NVMe-накопителей.

Они позволяют использовать технологию DirectStorage, при которой данные загружаются напрямую в видеокарту, сокращая загрузки и подгрузки уровней.

Мониторы и здравый смысл

В гайде есть и советы по выбору мониторов. Microsoft считает 144 Гц оптимальным минимумом, а 165–240 Гц — актуальными для соревновательных игр. Также компания рекомендует учитывать время отклика и тип матрицы — IPS, VA или OLED.

Отдельный акцент сделан на простом, но часто игнорируемом моменте: нет смысла покупать железо под 240 fps, если монитор физически не может их показать. Да, очевидно. Но кто-то этот момент может и упустить.

Поднимая модель внутри своего контура, вы получаете контроль и автономию. Данные не уходят на сервер третьей стороны и можно спокойно работать с чувствительными данными и внутренними документами под NDA, не рискуя, что они утекут в логах провайдера.

Горячий аргумент в пользу локальных LLM от юзеров Reddit: пока внешние LLM относительно нейтральны, но это временно. Как только рынок окончательно созреет — корпорации будут закручивать гайки, чтобы зарабатывать больше.

Внешний API — это зависимость. Провайдер может в любой момент поменять правила игры: повысить тарифы, вывести старую модель из эксплуатации, ужесточить модерацию или ограничить доступ в определённом регионе. Качество ответов тоже не гарантировано: апдейты могут ухудшить выдачу, а сервисы могут падать в самый неподходящий момент — как это было с OpenAI API из-за сбоя у Cloudflare в ноябре 2025 года.

Стоимость API. Если у компании очень много запросов, счёт может выйти в копеечку. Локальная модель на собственном сервере — это понятный набор расходов: железо + электричество + обслуживание, который окупается с ростом нагрузки.

Ну и главный плюс on-premise LLM: вы сами решаете, когда обновляться, какие фильтры включать, как модель отвечает, и при желании дообучаете её на своих данных под нужный tone-of-voice.

Как выбрать модель и не пожалеть

Выбирая самую «крутую» модель из лидерборда, можно легко попасть в ловушку. Рейтинги моделей — это усреднённая температура по больнице. Модель может блистать на общих бенчмарках, но провалиться на вашем внутреннем датасете. На практике ориентируйтесь не на хайп, а на три принципа:

Размер имеет значение: больше ≠ лучше

Размер модели напрямую влияет на её возможности. Обычно чем она больше, тем лучше справляется с задачами. Но у этого есть обратная сторона: крупным моделям нужно значительно больше GPU-памяти, а значит — они дороже в обслуживании и поддержке. Если планируете поднимать локальную модель, оцените свои возможности в локальной развёртке моделей: сколько суммарно видеопамяти вообще есть (или сколько она будет стоить), и какой размер модели можно на ней поднять. Естьсервис, где это можно рассчитать:https://huggingface.co/spaces/Vokturz/can-it-run-llm

TPS решает: сколько токенов модель выдаёт в секунду

Скорость работы измеряют по показателю TPS (token-per-second) — сколько токенов (считай символов) генерируется в секунду. Чем больше LLM, тем дольше она отвечает. Обычно 15 TPS — это оптимальное значение для заданной пропускной способности.
Сейчас есть модели с архитектурой MOE (Mixture of Experts), которые во время инференса активируют только часть нейронов. За счёт такого строения модели работают быстрее и не сильно теряют в качестве.
Например, Qwen3-235B-A22B по скорости работает на уровне 14B-модели, но качество ответов намного лучше. Но и маленькие модели не стоит недооценивать — на узких задачах они не уступают своим собратьям побольше, но работают намного быстрее.

Качество на задаче: проверяем на своих данных

В идеальном мире под каждую задачу нужно подбирать или обучать определённую модель, которая умеет хорошо решать конкретно эту задачу. На практике не всегда достаточно ресурсов, чтобы поддерживать столько разных моделей. Качество работы можно оценить по публичным бенчмаркам, близким к вашей задаче. Например, если вы решаете задачу Text2SQL, можно проверить модели и статьи, которые ссылаются на бенчмарк Spider. Но всё же публичные лидерборды стоит учитывать только для первичного отбора моделей и подходов. Лучше собирать свой внутренний бенчмарк и оцениваться в нём.
Протестить open-source модель до того, как закупать железо можно на платформеopenrouter.ai. Обычно модели появляются там через несколько дней после релиза.

Инфраструктура, инструменты, мощности: с чего начать

После того как вы определились с моделью, нужно продумать инфраструктуру и инструменты для инференса. Инференс — это использование модели на практике: когда она получает запрос и генерирует ответ.

Чтобы выстроить минимальный, но надёжный прод для локальной LLM, нужны прямые руки DevOps, настроенный сервер/кластер с Nvidia CUDA и большое желание дебажить. Как собрать такой прод:

🎬 Видеолекция от Мичила Егорова: «Построение инфраструктуры для работы с LLM: опыт X5 Tech»

vLLM

📄 Документация

vLLM — высокопроизводительная и удобная библиотека для инференса и обслуживания LLM. Изначально разработана в лаборатории Sky Computing Lab Калифорнийского университета в Беркли.

С чего начать:

• Запуск моделей с открытым исходным кодом: Quickstart Guide.
• Создание приложений с vLLM: User Guide.
• Сборка vLLM: Developer Guide.

llama.cpp

📄 Документация

llama.cpp позволяет запускать LLM с минимальной настройкой и по словам разработчиков обеспечивает высокую производительность на разных устройствах — локально и в облаке. Изначально была задумана как библиотека на C/C++ для запуска модели LLaMA.

С чего начать:

• Установка llama.cpp через brew, nix или winget.
• Запуск с Docker.
• Сборка из исходного кода: руководство.

Triton Inference Server

📄 Документация

Triton Inference Server — высокопроизводительная платформа от Nvidia для инференса моделей. Поддерживает разнообразные фреймворки (TensorFlow, PyTorch, ONNX, OpenVINO и др.) и позволяет масштабировать модели в продакшне с минимальной доработкой кода.

С чего начать:

• Установка через Docker.
• Установка без контейнеров Docker.
• Сборка из исходного кода: руководство.

Где взять мощности для GPU

Главный вопрос локального продакшна — видеопамять. От её объёма и пропускной способности зависит, сможете ли вы поддерживать стабильный отклик и масштабировать систему. Есть два основных пути: аренда мощностей в облаке или сборка собственного сервера/кластера с GPU.

Перед тем как выбирать стратегию хостинга, стоит заранее прикинуть аппетиты выбранной модели. Нельзя купить видеокарту «на глаз»: если модель не влезет в память, она просто не запустится, а если влезет «впритык» — будет падать при длинных диалогах.

🖩 Инструмент: Can you run it? LLM version — калькулятор VRAM для LLM.

Если у вас стартап — не спешите поднимать свои модели. Современные LLM API закрывают множество задач, вплоть до дообучения LoRa на своих данных. Если вы собираете свой первый продукт — лучше сконцентрироваться на сборе внутреннего бенчмарка, а про локальные LLM подумать уже позже.

Для быстрого старта без вложений в собственное железо можно воспользоваться готовыми облачными GPU‑сервисами.

☁️ Подборка: Где арендовать GPU в 2025: подборка GPU‑хостингов с адекватной ценой и SLA

Собственный сервер требует огромных вложений в моменте и дорог в обслуживании, может долго окупаться и быстро устареть. Я бы не советовал этот путь, если вы еще не определились, что конкретно будете решать, и как скоро можете окупить затраты.
Если ожидается экспоненциальное увеличение нагрузки (например, в стартапе), то лучше арендовать мощности. Если же нагрузка в ближайшее время не увеличится, вы знаете, как окупать эти инвестиции, и хотите играть на долгий срок — лучше идти в сторону своего сервера.

Мониторинг

Недостаточно следить только за общим состоянием сервера и контейнера — жив ли он, какое время ответа, сколько запросов делается в секунду, насколько заполнены диски. Важно отслеживать показатели, связанные с процессом генерации:

• TPS и TPM (token-per-second и token-per-minute) — скорость генерации токенов.
• Размер очереди на генерацию — количество запросов, ожидающих обработки. Если очередь растёт, это означает, что текущей мощности недостаточно для поступающей нагрузки.
• Заполненность KV Cache (пар «ключ-значение») — кэш промежуточных вычислений, ускоряющий работу модели.

В случае с vLLM всё это предоставляется из коробки в Prometheus.

Лимиты токенов

В локальной инфраструктуре мониторинг токенов выполняет две функции: контроль загрузки железа и стабильности. Модель на своём сервере не выставляет вам счёт за токены, но берет своё временем выполнения и энергозатратами.

Если не настроить лимиты и алерты, можно сжечь ресурсы впустую: некорректно сформированная или очень длинная генерация может занять весь GPU и заблокировать всю очередь, вытеснив другие задачи. Если задать лимиты — прод останется стабильным, даже если пользователи попытаются заставить LLM написать «Войну и мир».

В Х5 у каждого пользователя или сервиса есть квота на месяц и выставлены алерты. Также мы настраиваем ограничения по TPM (token-per-minute), чтобы избежать риска случайного или намеренного DDoSа моделей.

Типичные грабли инференса локальных LLM

Даже если прод собран аккуратно и модель подобрана идеально, локальный инференс всё равно подкидывает сюрпризы.

1. Китайские иероглифы и любые странные символы — они характерны для семейства моделей Qwen. На последних версиях такое возникает реже, но раньше промпт не излечивал полностью это поведение. Это можно исправить корректировкой генерации декодера: мы настраивали guided generation и обнуляли вероятности генерации китайских символов.
2. Неправильно подобранные системные токены. Они обозначают начало и конец генераций конкретных ролей (user, assistant, tool etc). Для разных типов моделей, и даже внутри одного типа (Mistral, Qwen, Llama, и др.) системные токены различаются. Например, при смене семейства моделей можно забыть исправить системные токены. А если использовать «чужие» токены или не использовать их вовсе, качество моделей сильно проседает, поэтому нужно внимательно за этим следить.. 3. Перезаполнение памяти. Каждая отдельная генерация и kv cache занимает какое-то количество видеопамяти. Если не уследить, то в какой-то момент память GPU может перезаполниться и весь контейнер упадёт. Поэтому нужно внимательно отслеживать заполнение и ставить лимиты на генерацию, чтобы этого не происходило.

Редакция Tproger сделала и адаптировала перевод подборки программ для Windows и macOS. Здесь вы найдёте проверенные временем решения для работы, развлечений и повседневных задач. Мы сосредоточились на бесплатных и условно-бесплатных приложениях с отличной репутацией, которые решают реальные задачи без навязывания ненужных функций.

Список разбит по категориям: от браузеров и гейминга до утилит безопасности и инструментов для продуктивности.

Неважно, опытный вы пользователь или новичок — здесь найдётся что-то полезное для каждого.

Браузеры

Браузер — это, пожалуй, самое важное приложение на вашем компьютере. Именно через него проходит большая часть вашей цифровой жизни: работа, развлечения, коммуникации. Выбор браузера влияет не только на скорость загрузки страниц, но и на конфиденциальность, безопасность и удобство работы.

• Большинство пользователей: Chrome, Edge или Safari
• Защита приватности: Firefox, Brave, Ungoogled Chromium
• Опытные пользователи: Vivaldi
• Максимальная анонимность: Tor Browser

Google Chrome

Chrome остаётся самым популярным браузером в мире — и не просто так. Он быстрый, стабильный и отлично интегрируется с экосистемой Google. Огромная библиотека расширений из Chrome Web Store позволяет настроить браузер под любые задачи. Синхронизация между устройствами работает безупречно: вкладки, пароли, закладки и история всегда под рукой.

Минус один, но существенный: Chrome прожорлив. Если у вас открыто больше десятка вкладок, он может съесть несколько гигабайт оперативной памяти. На компьютерах с 8 ГБ RAM и меньше это становится проблемой.

Mozilla Firefox

Firefox — это выбор тех, кто ценит приватность и открытость. Mozilla не зарабатывает на продаже ваших данных, а сам браузер активно развивается сообществом. Встроенные инструменты защиты от трекинга работают из коробки, блокируя рекламные сети и скрипты слежения.

По скорости Firefox не уступает Chrome, а по потреблению памяти даже выигрывает. Библиотека расширений чуть меньше, чем у Chrome, но все основные инструменты доступны.

Microsoft Edge

Edge построен на том же движке Chromium, что и Chrome, но при этом лучше оптимизирован для Windows. Microsoft вложилась в производительность: браузер работает быстро, потребляет меньше ресурсов и отлично интегрируется с системой.

Особенно приятны функции вроде Collections (коллекции вкладок для организации исследований), режим чтения и встроенный скриншотер. Edge поддерживает все расширения Chrome, так что переход безболезненный.

Brave

Brave — это Chrome на стероидах приватности. Браузер блокирует рекламу и трекеры по умолчанию, что делает сёрфинг быстрее и безопаснее. При этом он полностью совместим с расширениями Chrome.

Есть интересная фишка: Brave Rewards позволяет зарабатывать криптовалюту за просмотр приватной рекламы (если захотите её включить). Спорная механика, но как опция — почему нет. Для тех, кто хочет Chrome без Google и с упором на приватность, Brave — отличный выбор.

Safari (только macOS)

Если у вас Mac, Safari заслуживает внимания. Это самый энергоэффективный браузер для macOS: на MacBook он даёт ощутимо больше автономности по сравнению с Chrome или Firefox. Интеграция с экосистемой Apple безупречна: Handoff, синхронизация через iCloud, Reading List, автозаполнение паролей.

Safari быстрый, безопасный и не перегружен функциями. Единственный минус — библиотека расширений заметно скромнее, чем у конкурентов. Но для большинства задач базового функционала хватает.

Ungoogled Chromium

Для ультраосторожных Ungoogled Chromium удаляет всё отслеживание и сервисы Google — но вам придётся настраивать всё самостоятельно, так как в нём нет автообновлений или встроенной синхронизации.

Для максимально осторожных пользователей — это Chrome, из которого убрали всю телеметрию Google, отслеживание и облачные сервисы. Браузер работает, но требует ручной настройки: отсутствуют автоматические обновления и встроенная синхронизация между устройствами.

Tor Browser

Выводя приватность на следующий уровень, Tor Browser маршрутизирует ваш трафик через сеть Tor, анонимизируя ваш IP и многократно шифруя соединение. Он медленнее по задумке, но идеален, если ваш приоритет — максимальная анонимность, а не скорость или удобство.

Vivaldi

Vivaldi — браузер мечты для тех, кто хочет полного контроля. Стекирование вкладок, тайлинг, кастомные горячие клавиши, встроенная почта и календарь, веб-панели — это полноценный десктопный опыт внутри браузера. Хотите боковую панель браузера, открывающую ваши заметки, RSS-ленты или любой нужный сайт? Vivaldi это умеет.

Arc

Наконец, Arc — когда-то новичок на рынке браузеров, нацеленный на переосмысление UX: замена традиционной панели вкладок на боковую панель, акцент на веб-приложениях, интегрированные разделённые виды и easels для заметок и доски. К сожалению, компания за Arc прекратила разработку, чтобы полностью переключиться на ИИ с новым браузером, который сейчас в закрытой бета-версии.

Управление паролями

• Лучший бесплатный выбор: Bitwarden
• Также отлично: 1Password, Dashlane, KeePass

Миллионы людей продолжают использовать одни и те же слабые пароли на всех сайтах — или, что ещё хуже, держатся за классику вроде «123456». Даже сильные пароли мало помогают, если их повторяют или забывают. Конечно, большинство браузеров предлагают встроенные менеджеры паролей, но они ограничены, привязаны к одному браузеру и менее безопасны, чем специализированные решения.

Также не будем забывать о passkeys (ключах доступа). Если говорить практически, можно сказать, что passkeys объединяют концепцию пароля и двухфакторной аутентификации (2FA) в одно плавное действие, но гораздо безопаснее и гораздо менее раздражающе.

Bitwarden

Полностью опенсорсный, зашифрованный и щедрый даже в бесплатной версии. Вы получаете неограниченное количество паролей, синхронизацию между устройствами и приложения для всех платформ. Премиум ($10/год) добавляет безопасный обмен файлами и инструменты 2FA. Также есть доступные семейные и командные планы.

1Password

Премиум-решение с отполированным интерфейсом, сильной кроссплатформенной поддержкой и отличными функциями вроде Travel Mode (режим путешествий) и полной интеграцией passkeys.

Dashlane

Предлагает мониторинг даркнета, интеграцию VPN и плавный пользовательский опыт. Есть бесплатный тариф с ограниченными функциями, но премиум-версия конкурентоспособна.

KeePassXC

Отличная оффлайн-альтернатива, если хотите полного контроля и не против ручной синхронизации (или использования чего-то вроде Syncthing или Dropbox для синхронизации базы данных).

Пропустите LastPass — когда-то фаворит, он упал в немилость после повторных утечек безопасности. Для душевного спокойствия лучше поискать в другом месте.

Продвинутые утилиты и дополнения к ОС

• Поиск + лаунчеры: Everything или Wox (Windows), Alfred или Raycast (macOS)
• Пакетные менеджеры: WinGet, Homebrew (macOS)
• Для пользователей Windows: PowerToys
• Для пользователей Mac: Rectangle
• История буфера обмена: ClipClip, Flycut (macOS)
• Скриншоты + аннотации: Monosnap

Winget

Официальный менеджер пакетов Microsoft, встроенный в Windows 10 и 11. Работает похоже на Chocolatey, но разработан и поддерживается Microsoft. Homebrew — самый популярный менеджер пакетов для macOS. Позволяет быстро устанавливать, обновлять и управлять приложениями и CLI-инструментами с помощью команд в терминале.

Everything

Что касается поиска, Everything остаётся золотым стандартом сверхбыстрого поиска по именам файлов в Windows. Он индексирует диски за секунды и выдаёт почти мгновенные результаты с минимальной нагрузкой на систему. Если нужен функционал шире базового поиска, Wox использует движок Everything и добавляет мощные возможности лаунчера: поиск файлов, запуск приложений, калькулятор, перевод текста и расширения через плагины. Получается более гибкий опыт в духе Spotlight для Windows.

Command Palette/Alfred/Raycast

В который раз Microsoft не смогла существенно улучшить встроенный поиск Windows, хотя Command Palette в PowerToys даёт неплохой компромисс для тех, кто не хочет ставить сторонние утилиты.

На macOS Alfred по-прежнему главный лаунчер и утилита поиска. Он быстрый, интуитивный и в бесплатной версии включает историю буфера и настраиваемые поиски; расширенная автоматизация и «воркфлоу» доступны в Powerpack.

Тем, кто хочет современную облачно-интегрированную альтернативу с готовыми расширениями и встроенной поддержкой Notion, GitHub и Slack, стоит присмотреться к Raycast — это стильный, дружественный к разработчикам вариант, который стремительно набирает популярность.

Менеджеры буфера обмена

Они позволяют возвращаться к ранее скопированному — тексту, изображениям, ссылкам — и сильно ускоряют рутинные операции.

В Windows встроенная история буфера (Win + V) кое-как выручает, но продвинутым пользователям обычно хочется большего. В числе бесплатных рекомендаций — ClipClip для Windows и Flycut для macOS.

Когда речь о скриншотах и аннотациях, штатные инструменты macOS и Windows заметно выросли. Но многим всё равно удобнее сторонние решения. Нам по-прежнему нравится Monosnap за простоту и возможность мгновенно заливать снимки в облако для шаринга (и это бесплатно).

PowerToys — набор полезных утилит от Microsoft для продвинутых пользователей Windows, повышающих продуктивность и упрощающих рабочие процессы. Среди инструментов: FancyZones для продвинутого раскладывания окон, PowerRename для пакетного переименования, Keyboard Manager для ремапинга клавиш, универсальный color picker и другие.

Rectangle и Magnet — два самых популярных приложения на macOS для закрепления окон: быстрые выравнивание и ресайз по хоткеям или перетаскиванием, примерно как по умолчанию в Windows. Пользователям, пришедшим с Windows и скучающим по системному снапингу, одно из них жизненно необходимо.

Широко используемая альтернатива в Windows — FancyZones (часть PowerToys), предлагающая продвинутое управление окнами: настраиваемые сетки, зоны привязки и поддержку нескольких мониторов — поэтому это фаворит пауэр-пользователей на Windows.

Для рутины и создания проектов

• Бесплатные инструменты: FreeOffice, LibreOffice и WPS Office
• Microsoft Office за единовременную плату $49, Office 2024 — $129
• Заметки: Notion, OneNote, Obsidian
• Бесплатный PDF-редактор: PDFsam
• Почтовые клиенты: Thunderbird, eM Client

Независимо от того, пишете ли вы тексты, планируете проект, кодите или наводите порядок в цифровой жизни, правильные инструменты решают многое. Сегодня выбор топовых приложений для продуктивности и разработки — часто бесплатных — лучше, чем когда-либо.

Microsoft Office остаётся отраслевым стандартом для профессиональной продуктивности. Подписка Microsoft 365 открывает доступ к Word, Excel, PowerPoint, Outlook и включает 1 ТБ облачного хранилища.

Среди бесплатных альтернатив LibreOffice — мощный open-source комплект с сильным сообществом (хотя интерфейс некоторым кажется старомодным). Если нужна внешне более майкрософтовская альтернатива, попробуйте FreeOffice или WPS Office Free — у них хорошая совместимость.

На macOS Pages, Numbers и Keynote предустановлены и более чем достаточны для большинства задач, особенно если вы в экосистеме Apple.

Знания и ведение заметок

Notion стал универсальной платформой организации: заметки, базы данных, to-do, управление проектами, создания совместных рабочих пространств. Если нужны более локальные заметки с синхронизацией между устройствами и поддержкой Markdown, Obsidian — любимец студентов и исследователей.

Для быстрых кроссплатформенных заметок OneNote — крепкий бесплатный вариант от Microsoft. В качестве альтернатив — Simplenote или open-source Joplin.

Если вы занимаетесь академической работой и научными статьями, Zotero — отличный open-source менеджер источников с интеграцией в браузер и совместными коллекциями. Milanote предлагает визуальный подход к заметкам и планированию — идеально для креативных пользователей.

Работа с PDF

Хотя Adobe Acrobat остаётся премиальным редактором PDF, бесплатные альтернативы вроде PDFsam позволяют без усилий объединять, разбивать, редактировать и поворачивать страницы.

Инструменты для дизайна и создания контента

Для дизайна два выделяющихся приложения хорошо дополняют набор продуктивности. Figma Desktop — совместная платформа интерфейс-дизайна, широко используемая UI/UX-дизайнерами и фронтенд-разработчиками. Десктоп-версия работает быстрее, чем браузер, и лучше интегрируется с ОС — это удобно для сложных дизайн-систем и коллаборации в реальном времени.

Canva с интуитивным drag-and-drop превосходно чувствует себя и как десктоп-приложение. Отлично подходит для быстрых графических материалов для соцсетей, маркетинга, постеров и презентаций. Благодаря тысячам шаблонов и совместной работе это фаворит как у профи, так и у новичков.

Почтовые клиенты

Если вы предпочитаете отдельный почтовый клиент, у eM Client много функций, бесплатный — до двух аккаунтов. Mozilla Thunderbird — мощная open-source альтернатива с удобной настраиваемостью, а Mailbird — вариант с упором на продуктивность для тех, кого не пугает подписка.

Инструменты разработчика

• Редакторы кода и текста: VS Code, Cursor, Sublime Text
• Система контроля версий: SourceTree, GitHub Desktop
• Контейнеры: Docker
• Локальные LLM: Ollama
• SFTP, загрузка файлов: WinSCP, Forklift

Для разработчиков Visual Studio Code — безусловный вариант. Бесплатный, лёгкий, но мощный, кроссплатформенный — тысячи расширений покрывают практически любой язык, фреймворк или инструмент. Набирающая популярность альтернатива — Cursor, редактор на базе VS Code с усиленной AI-помощью. Он подходит для связки с LLM: даёт inline-подсказки, генерирует код, рефакторит и позволяет редактировать кодовую базу.

При этом Sublime Text остаётся для скорости и простоты, а Notepad++ — отличный лёгкий редактор для быстрых правок в Windows.

Для Git графические клиенты SourceTree и SmartGit дают понятный интерфейс для управления репозиториями на GitHub, GitLab и не только. GitHub Desktop раньше был простоват и не слишком хорош, но сейчас существенно прибавил — всё ещё простой для работы, но в хорошем смысле.

Для локальных окружений, API-тестирования или терминального воркфлоу инструментов — пруд пруди. Например, Docker Desktop стал стандартом для тех, кто собирает и запускает контейнеризированные приложения на разных платформах. Он упрощает настройку окружений и держит систему чистой.

Ollama позволяет запускать большие языковые модели (LLM) локально с минимальной настройкой. Поддерживает модели вроде LLaMA, Mistral и другие open-weight альтернативы GPT, так что можно работать с ИИ прямо на своём компьютере без отправки данных в облако.

Если вы работаете с облачными хранилищами или SFTP, WinSCP (Windows) и ForkLift (macOS) — отличные клиенты с двухпанельным управлением файлами, синхронизацией и автоматизацией. На Mac также популярны Commander One и Transmit — у них есть встроенные подключения к удалённым и облачным путям.

Безопасность

И Windows, и macOS сегодня предлагают более чем достойную встроенную защиту. С защитой в реальном времени, интеграцией с файерволом и биометрией вроде Windows Hello и Touch ID. Для обычных пользователей, которые соблюдают гигиену безопасности: не скачивают сомнительное ПО, используют менеджеры паролей и включают 2FA — встроенной защиты часто хватает.

Для продвинутых пользователей есть дополнительные варианты.

Отличное первое дополнение — Malwarebytes. Это давний фаворит в обнаружении и удалении malware, adware и руткитов; бесплатная версия по-прежнему хороша для ручных сканов. В платной — защита в реальном времени без ощутимой просадки производительности.

Если не хочется ставить традиционный антивирус, есть достойные альтернативы. Emsisoft Emergency Kit — мощный портативный сканер, который можно запускать с флешки: идеально для редких глубоких сканов или лечения заражённых систем без установки чего-либо. Просто подключаете, когда нужно.

Ещё один отличный инструмент — VirusTotal: бесплатный веб-сервис, который проверяет файлы и URL через десятки антивирусных движков. Прежде чем открывать подозрительную загрузку, можно залить файл на VirusTotal.com или использовать их расширение для браузера, чтобы проверять ссылки в реальном времени. Быстро, просто и удобно для осторожных пользователей.

Мы не поклонники установки антивирусов на каждый компьютер и не полностью в курсе, какие сейчас показывают лучшие результаты. Тем не менее, AV-Test давно и регулярно оценивает популярные решения, поэтому советуем смотреть их свежие отчёты. В текущем списке высокооценённых — Avast, BitDefender, ESET и другие; многие из них предлагают бесплатные версии для пробы.

Удалённый доступ и вспомогательные утилиты

RustDesk стал современным, ориентированным на приватность аналогом TeamViewer. Он с открытым исходным кодом, быстрый и работает кроссплатформенно.

Тем, кому нужны более устоявшиеся коммерческие решения, подойдёт AnyDesk, который остаётся лёгким и надёжным вариантом для личного и командного использования.

Превращение смартфона в пульт дистанционного управления компьютером бывает невероятно удобно — будь то презентации, потоковое видео или просто навигация с дивана.

Remote Mouse — простой и эффективный способ эмулировать мышь и клавиатуру с телефона. Для более продвинутых сценариев можно использовать приложения вроде Unified Remote.

Редактирование изображений и видео

• Профессиональный видеомонтаж: DaVinci Resolve
• Простой видеомонтаж: CapCut
• Редакторы изображений: GIMP, PhotoDemon, Pixelmator Pro
• Бесплатное улучшение изображений: Upscayl
• RAW-редактирование: RawTherapee
• Видеоконвертация: HandBrake

Если вам нужен бесплатный инструмент для редактирования изображений, GIMP — один из самых мощных вариантов. Он предоставляет профессиональные возможности, такие как слои, маски и настраиваемые плагины, что делает его идеальным для продвинутых пользователей. Если вы ищете более лёгкий редактор с чистым интерфейсом, стоит обратить внимание на PhotoDemon. Он работает как портативное приложение на Windows, поддерживает слои и редактирование — отличный выбор для быстрых правок или ретуши.

Если вы хотите увеличивать разрешение изображений без потери качества, Upscayl — мощный и бесплатный инструмент для апскейла. Он кроссплатформенный, и по нашим тестам показывает результаты на уровне платных решений вроде Topaz.

Для векторной графики — логотипы, иллюстрации — Inkscape является достойным open-source вариантом с полной поддержкой редактирования SVG. Krita — ещё один отличный бесплатный инструмент, особенно подходящий для цифровой живописи и художественного творчества.

Для редактирования RAW-фотографий, Darktable и RawTherapee — два высококлассных open-source аналога Adobe Lightroom. Их широко используют фотографы, которым нужна работа с изображениями без подписки.

Для простых GIF-анимаций ScreenToGif — удобная утилита, мгновенно записывающая область экрана и экспортирующая в GIF или другие форматы с оверлеями.

Среди платных фоторедакторов Adobe Photoshop остаётся лидером, но для macOS есть Pixelmator Pro — мощное приложение с разовой оплатой, а Affinity Photo предлагает профессиональные возможности по более доступной цене.

Видеомонтаж и конвертация

DaVinci Resolve считается лучшим бесплатным профессиональным ПО. Его используют и энтузиасты, и профессионалы — от простого тримминга до цветокоррекции и сложного постпродакшена.

Shotcut и Kdenlive — тоже сильные бесплатные варианты, предлагают более простой фукнционал с хорошим набором функций для новичков и продвинутых пользователей. CapCut, изначально мобильное приложение, теперь доступен на десктопе — идеально подходит для быстрых монтажей и роликов для соцсетей.

Для пользователей macOS iMovie предустановлен и остаётся надёжным вариантом для базовых видео. Если вам нужно просто конвертировать или сжимать видео в современные форматы, HandBrake — проверенное бесплатное решение с поддержкой и вариацией входных и выходных форматов.

Тем, кто ищет топовый профессиональный монтаж, подойдут Adobe Premiere Pro и Final Cut Pro, но там есть дорогая подписка и более высокий порог входа.

Коммуникации и совместная работа

• Для повседневной связи: WhatsApp, Messenger и Zoom, если у вас нет FaceTime
• Для приватности: Signal
• Для работы: Slack, Teams
• Для игр и общения: Discord

Выбор коммуникационных и мессенджерных приложений в первую очередь зависит от того, с кем вы общаетесь — с семьёй, друзьями, коллегами или игровым сообществом. Вот актуальная картина:

Для личной переписки WhatsApp и Facebook Messenger остаются самыми массовыми платформами по всему миру. У них есть десктопные клиенты и встроенное сквозное шифрование по умолчанию. Telegram также крайне популярен благодаря синхронизации между устройствами и поддержке крупных чатов. Пользователи Apple продолжают активно использовать iMessage для приватного, шифрованного общения в экосистеме Apple.

Из видеоконференций Zoom остаётся одним из лидеров для групповых звонков и онлайн-ивентов, предлагая локальные записи, демонстрацию экрана и комнаты (breakout rooms). Однако бесплатный тариф ограничивает 1:1 звонки 40 минутами, если не перейти на платный план. Zoom поддерживает сквозное шифрование, но при включении E2EE отключаются некоторые функции вроде облачной записи и комнат.

Google Meet — отличный браузерный аналог без необходимости установки, который заметно улучшился по качеству и удобству использования. Многие компании применяют Meet в ежедневной работе и гибридных форматах. Если ваша организация использует Microsoft 365, скорее всего, вы работаете в Microsoft Teams, который уже заменил Skype на корпоративном уровне. Teams поддерживает большие созвоны, обмен файлами и глубоко интегрирован с Office. Сквозное шифрование доступно, но только для 1:1 звонков.

FaceTime по-прежнему отличный для пользователей Apple, и благодаря новым обновлениям к звонку теперь могут присоединяться и пользователи Android/Windows по ссылке через браузер.

Когда приватность критична, Signal — один из лучших вариантов. Разработан некоммерческой организацией, бесплатен, open-source, без рекламы, использует надёжное сквозное шифрование для сообщений и звонков.

Для рабочих коммуникаций Slack и Teams продолжают использоваться в бизнес-среде. Бесплатный тариф Slack ограничивает историю 90 днями и звонки, но остаётся любимцем стартапов и малых команд благодаря интеграциям и ботам. Cisco Webex — также крепкий вариант, особенно популярен в корпоративной среде.

Если вы работаете с креативными командами, сообществами или геймерами, Discord стал явным лидером. Изначально созданный для игр, он превратился в полноценную коллаборативную платформу с текстом, голосом и видео, стримингом экрана и ботами для автоматизации. Многие комьюнити — и даже IT-компании — используют Discord как основной рабочий инструмент.

Для внутриигрового голосового чата TeamSpeak остаётся олдскульным достойным вариантом: можно использовать анонимно и получать полный контроль над сервером. Встроенный чат Steam лучше, чем раньше, и помогает в игровой координации, но большинство всё же выбирает Discord.

Гейминг, моддинг и стриминг

• Игровые платформы: Steam, Epic Games, EA App, Ubisoft, GOG
• Последние драйверы для GPU: Nvidia GeForce, AMD Radeon, Intel Arc
• Стриминг: OBS Studio

Steam остаётся центром PC-игр. Это не только магазин, но и социальная платформа, лаунчер и площадка с модами, облачными сохранениями и встроенным стримингом. Регулярные распродажи, поддержка контроллеров и сообщества делают его обязательным для любого PC-геймера.

Не менее важно установить Epic Games Store. Хотя библиотека меньше, он регулярно раздаёт бесплатные игры, доступные любому с аккаунтом Epic. Это также must-have, если вы играете в Fortnite.

Помните: не все издатели размещают игры на Steam или Epic. Для тайтлов EA понадобится EA App (ранее Origin), для Ubisoft — Ubisoft Connect, для Blizzard/Activision — Battle.net, а GOG Galaxy не только предлагает DRM-free классику, но и может агрегировать игры из других лаунчеров.

Некоторые сверхпопулярные игры распространяются отдельно: Minecraft (через Minecraft.net или Microsoft Store), Roblox, League of Legends и Valorant (через лаунчер Riot Games). Если вы новичок и ищете что-то лёгкое, можно начать с free-to-play тайтлов или классики вроде Brutal Chess или GZDoom.

Если вы играете с геймпадом, Windows поддерживает Xbox-контроллеры из коробки. PlayStation-контроллеры теперь тоже отлично работают: Steam через Steam Input поддерживает DualShock 4 и DualSense практически во всех играх. При необходимости глубокой кастомизации можно использовать DS4Windows, но большинству хватает возможностей Steam.

Если вас интересует моддинг, хороший менеджер модов время в этой жизни:

• Mod Organizer 2 — лучший для RPG Bethesda (Skyrim, Fallout).
• Vortex (от Nexus Mods) — дружелюбный к новичкам и поддерживает широкий перечень игр.

Для записи геймплея или стриминга Nvidia ShadowPlay и AMD Radeon ReLive подходят для простых задач. Но для стриминга с вебкой, сценами, оверлеями или многосценовым продакшеном OBS Studio — безальтернативный лидер. Он бесплатный, open-source и подходит как новичкам, так и про-стримерам (Twitch, YouTube, Kick и т.д.). SignalRGB помогает синхронизировать весь RGB-зоопарк и задавать динамические эффекты.

Мониторинг железа и разгон

• Мониторинг: CPU-Z, HWMonitor, HWiNFO64
• Настройка и разгон: Afterburner, FanControl, ThrottleStop, SignalRGB

Одно из первых дел, которое стоит сделать после сборки ПК — убедиться, что компоненты соответствуют ожиданиям и работают корректно. К счастью, существует много инструментов, позволяющих мониторить, тестировать и настраивать железо.

Начать стоит с CPU-Z — классического бесплатного инструмента, показывающего информацию о CPU, материнской плате, оперативной памяти и других компонентах. Он также умеет запускать простой стресс-тест и бенчмарк для проверки стабильности.

Для более широкого мониторинга HWMonitor показывает температуры, напряжения и скорости вентиляторов в реальном времени. Если нужно ещё глубже и с более гибким интерфейсом — HWiNFO64 считается одним из лучших: поддерживает логирование датчиков и интеграцию с оверлеями (например, RTSS или Rainmeter).

Чтобы проверить хранилище, CrystalDiskMark измеряет скорость чтения/записи SSD и HDD — это помогает понять, соответствует ли диск заявленным характеристикам. Глубже оценить здоровье накопителя можно в Hard Disk Sentinel, который анализирует SMART-данные, оценивает срок службы и предлагает ограниченный ремонт.

С точки зрения охлаждения, всё больше геймеров используют утилиты для настройки вентиляторов. FanControl — актуальный бесплатный фаворит: поддерживает сложные кривые оборотов, привязку к датчикам, и совместим с большинством современных материнских плат. На Mac одной из лучших утилит остаётся Macs Fan Control.

Для настройки видеокарт долгое время стандартом был MSI Afterburner — для разгона, настройки вентиляторов и мониторинга с RTSS-оверлеем. Однако из-за замедления обновлений многие сегодня используют встроенные утилиты от Nvidia (GeForce Experience/Control Panel) и AMD (Adrenalin Software).

Если вы меняете видеокарту или подозреваете проблемы с драйверами, обязательно используйте Display Driver Uninstaller (DDU) — он полностью очищает систему от старых драйверов перед переустановкой.

Если вы играете на ноутбуке или хотите снизить нагрев и повысить автономность, ThrottleStop остаётся одним из лучших инструментов для андервольта CPU и настройки энергопрофилей.

Тем, кто серьёзно подошёл к разгону CPU и GPU, пригодятся фирменные инструменты вроде Intel XTU (для Intel) и AMD Ryzen Master — они дают контроль над частотами, напряжениями и лимитами мощности.

Управление файлами

• Поиск больших файлов: SpaceSniffer, WizTree, Disk Drill (macOS)
• Поиск дубликатов: dupeGuru
• Архивы и ZIP: PeaZip, The Unarchiver
• Очистка: BCUninstaller, CCleaner Portable, AppCleaner (macOS)

Чтобы грамотно управлять файлами и освобождать место, нужно понимать, что именно занимает пространство. На Windows популярны WinDirStat и WizTree — быстрые бесплатные инструменты для визуализации диска. SpaceSniffer предоставляет динамическую схему.

На macOS — GrandPerspective и Disk Drill предлагают аналогичный функционал, а DaisyDisk — один из самых красивых платных вариантов с молниеносным сканированием.

Если дубликаты засоряют диск, dupeGuru (open-source) отлично справляется с поиском повторяющихся изображений и музыки, даже слегка изменённых.

Для пакетного переименования файлов (например, фоточек с камеры) существует гибкий Bulk Rename Utility. Если нужно что-то попроще: PowerRename из PowerToys (Windows) или встроенный инструмент в Finder (macOS) подходят большинству.

Встроенный File Explorer в Windows недавно получил вкладки и стал удобнее, но Files (open-source) — современная альтернатива с улучшенным UX. Кто-то ещё пользуется Total Commander или Directory Opus, благодаря расширяемости и скриптам, хотя новичкам они кажутся устаревшими. Для просмотра изображений по-прежнему незаменим IrfanView.

Для работы с архивами, если не устраивает встроенный ZIP-менеджер Windows, скачайте 7-Zip или PeaZip. На Mac лучшим бесплатным инструментом остаётся The Unarchiver.

Для очистки системы важно выбирать надёжные утилиты. На Windows, BCUninstaller (Bulk Crap Uninstaller) — один из самых проверенных для удаления программ и их хвостов. BleachBit и Wise Disk Cleaner — безопасные альтернативы CCleaner (лучше использовать Portable-версию, так как стационарная испортила репутацию). На Mac AppCleaner всё ещё любим за полное удаление приложений без мусора.

Если вы организуете большую библиотеку медиа, стоит взглянуть на open-source TagSpaces, позволяющий тегировать файлы локально, без облака.

Облачное хранилище и резервное копирование

• Простая синхронизация: Dropbox, Google Drive
• Фото между устройствами: Apple iCloud, Google Photos
• Приватность: pCloud, Proton Drive, Internxt
• Полные бэкапы: Backblaze, IDrive

Базовое облачное хранилище

Dropbox — один из самых простых в использовании, хотя бесплатных 2 ГБ мало.

Google Drive — 15 ГБ бесплатно, используется Gmail, Docs и Photos. Идеален для Android.

OneDrive — идёт в комплекте с Windows и Microsoft 365. 1 ТБ включён в большинство Office-планов. Хотя по скорости и интерфейсу уступает Dropbox/Google.

iCloud Drive — лучший выбор для пользователей Apple, глубокая интеграция с macOS/iOS. Бесплатно 5 ГБ, далее по планам до 2 ТБ.

Proton Drive — шифрованная альтернатива от создателей ProtonMail.

Фото и видео

На macOS приложение Photos автоматически создаёт альбомы по людям и локациям, синхронизирует всё через iCloud.

На Windows мы часто рекомендуем Google Photos, который предлагает аналогичный набор функций и автоматизацию. Для пользователей Android — это стандарт по умолчанию. Да, раньше было безлимитно, теперь фото занимают общее место Google Drive (15 ГБ), которое быстро заканчивается.

Полные бэкапы

Если требуется сохранять всю систему, терабайты медиа, состояние дисков используйте отдельные сервисы резервного копирования.

Backblaze — топ в этой категории: фиксированная цена (~$8/месяц за устройство), безлимитное хранилище, минимум настроек: установил и забыл.

IDrive — более контролируемый вариант, поддерживает несколько устройств, внешние диски и версионность файлов.

Простой для не-технарей — Carbonite, с возможностью быстрого восстановления и круглосуточной поддержкой.

Профессионалам — Acronis Cyber Protect: клон дисков, анти-вымогатель, гибридное облако.

Для особо чувствительных данных

Если вы храните личные финансовые документы или медицинские сведения, стоит выбрать end-to-end решений.

pCloud предлагает клиентское шифрование (через платный «Crypto»). Даже при взломе аккаунта файлы не расшифруются без ключа.

Proton Drive — аналогичный подход, с прозрачностью open-source.

Прочие полезные инструменты, не вошедшие в другие разделы

Google Earth — для любителей карт и планировки.

qBittorrent — лучший torrent-клиент: чистый, без рекламы, с поиском. Альтернатива — легковесный Transmission или кастомизируемый Deluge.

iMazing — must-have для владельцев iPhone: резервные копии, экспорт медиа, проверка батареи, конвертация HEIC.

AirDroid — аналог для Android: управление файлам, уведомления, SMS с ПК.

Rufus — лидер по созданию загрузочных USB-дисков для Windows/Linux.

Open Shell — возвращает классическое меню «Пуск» в стиле Windows 7.

Stretchly — напоминает делать перерывы — полезно удалёнщикам и фрилансерам.

AutoHotkey — скриптовый движок для Windows: переназначение клавиш, макросы, автоматизация.

VPN: бесплатные — ProtonVPN, Windscribe, TunnelBear (с лимитом). Платные — ProtonVPN, NordVPN.

Calibre — лучшее бесплатное решение для чтения, организации и конвертации e-book (EPUB, MOBI, PDF и др.).

Заключение

Итак, мы прошлись по основным категориям приложений, которые стоит установить на новый компьютер. Конечно, этот список не исчерпывающий — у каждого свои задачи и предпочтения. Но если вы установите хотя бы половину из перечисленного, ваш компьютер станет гораздо удобнее и функциональнее.

Несколько советов напоследок:

1. Не захламляйте систему. Устанавливайте только то, что действительно используете. Чем меньше фоновых процессов — тем быстрее работает компьютер.
2. Следите за обновлениями. Большинство программ обновляются автоматически, но некоторые требуют ручного апдейта. Свежие версии — это не только новые функции, но и закрытые уязвимости.
3. Делайте резервные копии. Никакие утилиты не спасут от отказа жёсткого диска. Регулярный бэкап на внешний носитель или в облако — обязательная практика.
4. Экспериментируйте. Попробуйте несколько браузеров, редакторов, плееров. То, что подходит большинству, может не подойти именно вам.
5. Читайте отзывы. Перед установкой незнакомого приложения загляните на форумы или Reddit. Сообщество быстро выявляет проблемы и подводные камни.

Теперь ваш компьютер готов к работе, учёбе, развлечениям — и чему угодно ещё. Главное — не забывайте, что инструменты важны, но ещё важнее то, как вы их используете. Удачи!

NWinfo позволяет мгновенно получить сводку по системе — включая данные о ЦП, ОЗУ, SMBIOS, CPUID, S.M.A.R.T., PCI, EDID, видеокартах и сетевых интерфейсах. Утилита не требует установки и может запускаться с любого носителя, что делает её удобным решением для диагностики и устранения неполадок. Также поддерживается экспорт отчётов в JSON, YAML и LUA, что облегчает обмен данными и автоматизацию.

В версии 1.4.4 разработчики исправили ряд ошибок, добавили поддержку копирования через Ctrl+C в графическом интерфейсе, внедрили отображение информации о целостности кода (Code Integrity) и обновили драйверы. Также появилась поддержка PawnIO, расширяющая взаимодействие с файловыми системами.

NWinfo часто сравнивают с другими инструментами для анализа аппаратной части ПК, но это не аналог HWiNFO. Последний, напомним, обновился до версии 8.30 в августе 2025 года и используется для системного мониторинга и диагностики. Похожий по функциональности проект Glow 25.12, выпущенный в сентябре 2025 года, предлагает детальный анализ компонентов в интерфейсе на C# под лицензией MIT.

Релиз NWinfo 1.4.4 подтверждает растущий интерес к лёгким и прозрачным инструментам для системного анализа, которые не требуют установки и уважают приватность пользователя.

Цифра в 100 миллиардов долларов вызывает когнитивный диссонанс. Это больше ВВП таких стран, как Хорватия, Беларусь или Уругвай. Сумма, которую человечество тратит на космические программы за десятилетия. Но здесь речь о частной сделке между двумя компаниями. Когда деньги достигают такого масштаба, они перестают быть просто деньгами, а становятся инструментом перераспределения глобальной власти.

Эпохальная сделка: за рамками пресс-релиза

Новость от 22 сентября 2025 года выглядела стандартным корпоративным анонсом, хотя и разлетелась по всем мировым СМИ и tech-изданиям. NVIDIA и OpenAI объявили о стратегическом партнерстве с развёртыванием 10 гигаватт вычислительных систем. Цифры впечатляют, но вся суть кроется в деталях.

По словам Дженсена Хуанга, гендира NVIDIA, 10 гигаватт — это 4-5 миллионов графических процессоров. Столько же NVIDIA произведёт за весь 2025 год. Фактически, OpenAI получает доступ к годовому объёму производства ключевого ресурса для ИИ.

Инвестиция в $100 млрд структурирована прогрессивно — по мере развёртывания каждого гигаватта мощностей. Первый транш в $10 млрд поступит после запуска первого гигаватта во второй половине 2026 года.

Управляющий партнёр Requisite Capital Management Брин Токингтон заявил: «NVIDIA инвестирует $100 млрд в OpenAI, которые OpenAI затем вернёт обратно». Он отметил, что этот проект будет полезен для NVIDIA.

Эксперты отмечают стратегическую глубину сделки. Как пишет сайт CNBC, партнёрство «подчеркивает тесную связь между OpenAI и NVIDIA, двумя главными драйверами последнего бума в области ИИ». Фактически, это создает интегрированную экосистему, где успех одного напрямую подпитывает рост другого.

Вычислительная гонка вооружений: как мощность стала новой нефтью

OpenAI оказалась в парадоксальной ситуации. 700 млн еженедельных пользователей — это не только успех, но и колоссальная нагрузка. Каждый запрос к ChatGPT требует вычислений. Каждое улучшение модели — тысяч GPU.

Сэм Альтман предельно откровенен: «Все начинается с вычислительных мощностей». В интервью CNBC он объясняет — без достаточных ресурсов нам придётся выбирать между исследованиями рака и бесплатным образованием. Никто не хочет такого выбора.

Но за этим кроется плачевная реальность. Современные большие языковые модели достигли такой точки роста, когда простое масштабирование требует экспоненциального роста вычислений. Обучение GPT-4 оценивали в $100 млн только на электричество. Следующие поколения будут дороже на порядки.

Грег Брокман сравнивает текущую ситуацию с первым сервером DGX, который Хуанг лично доставил в офис OpenAI в 2016 году. «Теперь нам нужно в миллиард раз больше вычислительной мощности», — говорит он. Масштаб ошеломляет.

Мы наблюдаем фундаментальный сдвиг. Если раньше алгоритмы были ключевым ограничивающим фактором, теперь это исключительно вычислительные ресурсы. Тот, кто контролирует гигаватты, будет контролировать интеллект следующего поколения.

Монополия на разум: стратегия NVIDIA

NVIDIA — уже не только производитель чипов: компания строит экосистему, в которой её собственные технологии становится стандартом де-факто. Партнёрство с OpenAI — краеугольный камень этой стратегии.

Дженсен Хуанг скромно называет это «началом». «Мы буквально подключим интеллект к каждому приложению, к каждому случаю использования, к каждому устройству», — говорит он. За этими словами — видение мира, где NVIDIA станет такой же необходимостью, как электричество.

Антимонопольные юристы уже выражают обеспокоенность. Андре Барлоу, специалист по конкурентному праву, отмечает: «Сделка может изменить экономические стимулы NVIDIA и OpenAI и создать замкнутую систему, где доминирование на железо подкрепляет лидерство в программном обеспечении».

Особенно тревожным эксперты считают момент заключения сделки. Всего за неделю до объявления с OpenAI NVIDIA:

• приобрела долю в Intel за $5 млрд;
• инвестировала $700 млн в дата-центровый британский стартап Nscale;
• потратила $900 млн на поглощение разработчика ПО для ИИ-кластеров Enfabrica.

Сейчас компания захватывает все уровни инфраструктуры. Аналитики Bloomberg характеризуют сделку как намеренное создание «порочного круга» на $100 млрд. Они указывают, что реальный риск для индустрии заключается не в лопнувшем пузыре, а в консолидации рынка, которая вытесняет конкурентов. NVIDIA создаёт то, что можно назвать «вычислительным картелем». Партнёрство с OpenAI — это сигнал рынку: альтернативы нашим чипам для серьезных AI-проектов просто нет.

Тихая война сверхинтеллекта: глобальный контекст

Партнёрство NVIDIA и OpenAI происходит на фоне глобальной гонки за сверхинтеллектом. Игроки понимают — кто первый создаст AGI*, получит беспрецедентное преимущество.

*AGI, искусственный общий интеллект — на текущий момент гипотетическая форма ИИ с самосознанием и способностями решать сложные интеллектуальные задачи лучше человека.

В июне 2025 года Марк Цукерберг объявил о реорганизации AI-подразделения Meta* с фокусом на сверхинтеллект. Александр Ванг, бывший CEO Scale AI, возглавил новое подразделение Meta* Superintelligence Labs.

*запрещена в РФ

Илья Суцкевер, сооснователь OpenAI, ушел из компании, чтобы создать Safe Superintelligence Inc. (SSI). Его организация сфокусирована исключительно на безопасности сверхинтеллекта — это явный признак того, что эксперты не считают создание AGI сугубо теоретическим вопросом.

Работы Леопольда Ашенбреннера, бывшего исследователя OpenAI, обсуждаются в военно-политических кругах Вашингтона. Его эссе содержит прямой призыв обеспечить тотальное доминирование США в гонке ИИ. Технологии становятся вопросом национальной безопасности.

Китайские компании типа Baidu и Alibaba активно работают над собственными большими моделями, но сталкиваются с ограничениями доступа к передовым чипам — США сознательно создают искусственный барьер.

Аналитики отмечают, что сделка между NVIDIA и OpenAI укрепляет связи в рамках целой сети партнёрств между технологическими гигантами, включая Microsoft, Oracle и SoftBank. Этот формирующийся «блок сотрудничества» оценивается в триллионы долларов, а его интересы, как отмечается в одном из обзоров, «очень сходятся» на фоне поддержки политики администрации США. Таким образом, сделка выходит за рамки корпоративной и приобретает черты национальной технологической стратегии.

Регуляторный парадокс: почему молчат антимонопольные службы

Тревожный аспект сделки — отсутствие серьёзного регуляторного сопротивления. Сравнение с другими громкими случаями показательно:

• Сделка Microsoft и Activision Blizzard годами изучалась регуляторами по всему миру. Споры велись о том, будут ли игры вроде Call of Duty эксклюзивными для Xbox. Речь шла о доступе к развлечениям.
• Apple бесконечно судится с регуляторами ЕС из-за комиссий в App Store и предустановке сторонних магазинов. Битва идёт за проценты с продаж цифровых товаров.

Но когда речь заходит о контроле над технологией, которая может переопределить будущее человечества, регуляторы молчат — антимонопольные службы США занимают мягкую позицию по этому вопросу.

Создаётся впечатление, что регуляторы понимают технологии прошлого, но не успевают за скоростью развития ИИ. Они видят угрозу в монополии на поиск в сети или социальные сети, но не осознают, что монополия на сверхинтеллект — это качественно другой уровень угрозы.

Европейский союз пытается догнать уходящий поезд. AI Act вступил в силу в 2025 году, но фокусируется в основном на прозрачности и этике, а не на концентрации вычислительной мощи. Регуляторы борются с симптомами, а не с причиной.

Будущее индустрии: новые правила игры

Для разработчиков и IT-индустрии партнёрство создаёт новую реальность с чёткими последствиями. Доступ к вычислительным ресурсам становится ключевым конкурентным преимуществом. Стартапам будет сложно конкурировать с гигантами, обладающими гигаваттами мощности. Инновации могут сместиться от небольших лабораторий к корпорациям.

Централизация AI-мощностей ограничивает разнообразие подходов. Как отмечает Суцкевер, безопасность ИИ требует фундаментальных исследований, а не только масштабирования существующих моделей.

Мы наблюдаем рождение новой олигополии — рынка технологий без конкуренции. Если в интернете доминировали платформы, в мобильной эре — Apple и Google, то в эру ИИ власть будет у тех, кто контролирует модели и вычисления для их обучения. Остальные станут просто поставщиками данных.

В своей книге «Читай, пиши, управляй» технологический евангелист и венчурный инвестор Крис Диксон напрямую связывает развитие ИИ с тенденцией к консолидации рынка. «Быстрое развитие искусственного интеллекта, вероятно, тоже ускорит тренд на консолидацию крупных технологических компаний. ИИ имеет огромный потенциал, но изначально благоприятствует щедро капитализированным компаниям с огромными массивами данных»

Альтернативные пути: есть ли жизнь после NVIDIA

Не все эксперты считают ситуацию безнадежной. Появляются признаки сопротивления доминированию NVIDIA:

• Google продолжает развивать собственные TPU и инвестирует в кремниевые инновации;
• Amazon через AWS продвигает собственные чипы Inferentia и Trainium;
• Microsoft работает над проектом Athena.

Но разрыв огромен. Хуанг в августе 2025 года говорил инвесторам, что строительство одного гигаватта дата-центров стоит $50-60 млрд, из которых $35 млрд — оборудование NVIDIA. Конкуренты не могут просто купить рынок. Китай развивает национальные проекты в обход санкций, но пока выступает в роли догоняющего.

Наиболее перспективным направлением считаются фундаментальные исследования новых архитектурах вычислений. Квантовые компьютеры, нейроморфные чипы, оптические вычисления — всё это может изменить правила игры.

Тенденция к специализации аппаратного обеспечения для ИИ — новая реальность рынка. Анализ актуальных решений NVIDIA показывает, что компания давно отошла от универсальных архитектур и развивает целое семейство специализированных GPU, каждое из которых оптимизировано под конкретный тип задач:

• Для инференса (процесса применения уже обученной модели ИИ) и визуализации созданы ускорители NVIDIA L40, которые сочетают высокую производительность в AI с передовыми возможностями для графики.
• Для масштабного инференса в дата-центрах предназначен низкопрофильный и энергоэффективный NVIDIA L4.
• Для рабочих станций создана видеокарта NVIDIA RTX 6000 Ada Generation, архитектура которой обеспечивает почти двукратный прирост производительности в AI-задачах по сравнению с предшественниками.

Тренд на специализацию открывает возможности для новых игроков. Они могут сфокусироваться на разработке узкоспециализированных решений, не пытаясь сразу конкурировать с гигантами и создавать универсальные GPU для обучения огромных моделей.

Геополитический контекст: перерисовка карты влияния

Сделка NVIDIA и OpenAI выходит далеко за рамки бизнеса. Технологическое лидерство всё больше определяет геополитическое влияние. Администрация президента Трампа рассматривает ИИ как область стратегического преимущества США.

Европейский союз пытается найти баланс между регулированием и инновациями, но не имеет собственных технологических наработок в этой сфере. Страны глобального Юга рискуют остаться потребителями технологии, которую не создают.

Бывший советник по национальной безопасности США Генри Киссинджер в своей последней книге предупреждал: «ИИ станет новым ядерным оружием — тем, кто первым достигнет сверхинтеллекта, достанется возможность диктовать правила остальному миру».

Официальные военные доктрины ведущих стран уже давно сравнивают киберпространство с театром военных действий. Концентрация ресурсов для создания сверхинтеллекта в рамках частного партнерства стоимостью в сотни миллиардов долларов вызывает опасения у экспертов — нас могут ожидать новые формы геополитических противостояний.

Философ и футуролог Ник Бостром, автор книги «Искусственный интеллект. Этапы. Угрозы. Стратегии», в недавнем интервью выразил обеспокоенность: «Ускорение гонки ИИ без адекватных механизмов контроля напоминает эксперименты с ядерной энергией в 1940-х, но с ещё более непредсказуемыми последствиями».

Сделку комментирует эксперт Максим Горшенин, автор инсайдерского канала про импортозамещение в России Imaxai, соучредитель Ассоциации производителей компьютеров и периферийного оборудования:

«Это стратегическая инициатива, тесно связанная с политикой США. Их цель — создавать американские продукты на американских вычислительных мощностях. Последствия такого подхода заключаются в создании замкнутой экосистемы: OpenAI — крупнейший потребитель вычислительных ресурсов, и партнерство с NVIDIA блокирует возможности проникновения на этот рынок конкурентов. Второй ключевой аспект — сохранение технологического лидерства США. Все действия направлены на удержание позиций, включая лидерство в производстве и разработке чипов для ИИ. Этому способствует указ Трампа, предписывающий американским компаниям инвестировать миллиарды долларов в эту сферу. Что касается долгосрочных глобальных последствий — полный контроль над цивилизацией в ближайшее время вряд ли будет достигнут. Но лет через 30 — вполне возможно. Исторически США всегда делали ставку на технологическое превосходство через сотрудничество с Министерством обороны, что позволяло создавать более совершенное оружие. Сейчас официально заявлено: кто обладает самым передовым ИИ, тот получает преимущество в войне, прогнозировании, предугадывании действий противника, создании умных бомб и других сферах. Это инвестиция в технологическое лидерство США, что создает негативные последствия для остальных стран и запускает гонку искусственного интеллекта — прежде всего между США и Китаем. Остальные страны в этом противостоянии практически не участвуют».

Дело уже не в коммерческом превосходстве, а в том, кто будет контролировать технологию, способную переопределить будущее мировое влияние и безопасность. Битва за ИИ может оказаться новой масштабной войной. Победа в этой битве достанется не тому, у кого лучше армия, а тому, у кого сложнее алгоритмы и больше вычислительных мощностей.

Этическая дилемма: кто будет контролировать контролеров

Самый сложный вопрос — этический. Создание сверхинтеллекта поднимает проблемы, которые человечество никогда прежде не решало. Суцкевер предупреждает, что существующие методы безопасности, основанные на человеческом контроле, не работают для сверхинтеллекта. Люди просто не смогут понять его действия.

OpenAI позиционирует себя как компанию, миссия которой — безопасный ИИ на благо человечества. Но структура партнёрства с NVIDIA ставит вопрос о приоритетах.

В ноябре 2024 года на сайте Оксфордского университета было опубликовано заявление профессора биоэтики Джулиана Савулеску, посвященное этике использования ИИ в научных исследованиях.

В нём он сказал следующее:

«Большие языковые модели — это ящик Пандоры для академических исследований. Они могли бы уничтожить академическую независимость, креативность, оригинальность и саму мысль. Они также могли бы способствовать невообразимому со-творчеству и продуктивности. Мы должны быть осторожны, когда полагаемся на частные корпорации с их обязательствами перед акционерами, чтобы управлять технологиями, которые могут оказывать колоссальное влияние на человеческое будущее».

Итоги: точка невозврата пройдена

Партнерство NVIDIA и OpenAI — не рядовая сделка. Мы входим в новую эру, в которой вычислительная мощность становится главным ресурсом. Тот, кто контролирует ИИ, получает реальное влияние в мире.

Сам Альтман, президент OpenAI, признаёт:

«Вычислительная инфраструктура станет основой экономики будущего».

За этими словами — новый мир, в котором традиционные ресурсы вроде нефти или газа уступают место гигаваттам и гигафлопам.

Для программистов и IT-специалистов это означает необходимость адаптации к реальности, где доступ к большим AI-моделям дает возможности создания продуктов. Технологическое лидерство всё больше определяется не только кодом, но и вычислительными ресурсами.

Гонка сверхинтеллекта только начинается, но правила уже пишутся. И главное, что демонстрирует партнерство NVIDIA и OpenAI: в игре за будущее разума ставки выше, чем мы привыкли думать, а победитель, возможно, будет только один.

Из интересностей: как конвертируются просмотры у стримеров в вишлисты, повесть о взаимодействии с Nau Engine, поговорим о серии Disciples, что происходит на рынке метроидваний.

Обновления/релизы/новости

Посиделки с инди с разработчиком The King is Watching пройдут 26 сентября в 20:00 по мск (GMT+3)

В этот раз в гостях Семён Гурий, основатель Hypnohead.

Записи в видео и аудио форматах потом, само собой, выложу. Можете выбрать самый удобный для вас сервис для подкастов из списка.

У движка Nau Engine ликвидируют юридическое лицо

Представители игровой ассоциации АПРИОРИ в комментарии «Коммерсанту» оправдывают, что ликвидация стала закономерным следствием изменений в стратегии движка. Планы не удались, движок, по сути, заброшен.

Продажи игр серии Amnesia превысили пять миллионов копий за 15 лет

Во Frictional Games поблагодарили аудиторию за поддержку.

Нарративный директор Bloodlines 2 заявил, что успех Baldur’s Gate 3 осложнил разработку игры в плане ожиданий

RPG от Larian Studios подняла планку невероятно высоко.

Split Fiction получила премию «Выдающийся шведский дизайн» — принц Швеции вручил её Юсефу Фаресу

Это первая игра, удостоившаяся подобной награды.

Геймдиректор Hell is Us об анонсе даты выхода Silksong: «Это GTA VIот мира инди, и внезапно объявлять подобное — немного бессердечно»

Однако разработчик признал, что Team Cherry была вольна назначить выход на любой день.

Кооп-RPG Gedonia 2 купили 25к раз за 5 месяцев в раннем доступе

Это число автор игры Олег Казаков назвал во время интервью с IXBT Games в кулуарах фестиваля «КОНФА 2025».

Продажи No, I’m not a Human российских разработчиков превысили 100к копий — за 4 дня после релиза

Об этом сообщили разработчики из студии Trioskaz, поблагодарив игроков.

NVIDIA инвестирует пять миллиардов долларов в Intel и займётся с ней совместным производством чипов

Благодаря сделке корпорации займутся совместной разработкой чипов для ПК и дата-центров, которые будут базироваться на архитектуре x86 и включат в себя платформу RTX. При этом партнёры уже давно занимаются игровыми ноутбуками.

Основатели Unknown Worlds, создавшей Subnautica 2, обвиняют Krafton в «изменении истории во время судебного разбирательства»

Цирк продолжается.

Вышел Godot Engine 4.5

К основным особенностям можно отнести поддержку stencil buffer, экспериментальный скрин ридер, трассировку скриптов с помощью кастомных логеров, запекатель шейдеров для сокращения времени запуска и многое другое.

Обновление Steam, позволяющее разработчикам проще оценить, как скидки влияют на продажи

Обновлены страницы истории скидок, теперь интегрируют данные о доходах и проданных единицах для каждой скидки.

Steam прекратит поддержку 32-битой версии Windows с 1 января 2026

32-разрядная версия Windows 10 — единственная версия, поддерживаемая Steam, и она используется лишь на 0,01% систем, о которых сообщалось в опросе Steam Hardware Survey.

Epic объявила о расширении монетизации в Fortnite — создатели контента смогут зарабатывать на продаже предметов

Комиссия составит 50%, но до конца 2026 года её не будет.

Халява/раздачи/бандлы/курсы

Nival опубликовал исходники Blitzkrieg 2

Доступно на Гитхабе.

Интересные статьи/видео

[RU] Я отклоняю комиты с использованием кучи и прошу коллег переписать такую логику

В отличие от многих приложений — игры, особенно большие, часто работают часами без прерываний и должны поддерживать стабильный фреймрейт и отзывчивость. Когда проседание fps или фриз происходит на глазах у сотен тысяч игроков, вам уже никто не поможет — ущерб уже нанесен, а в steam полетели отзывы о кривизне рук разработчиков.

[EN] Dot Noise

Экономичная альтернатива 3D-симплексному шуму с использованием модифицированных функций гироида.

[RU] Как мы сделали игру, где персонажи говорят голосами всей семьи

Автор рассказывает, как попытался воспроизвести атмосферу семейных игр из детства, но уже в виде компьютерной игры с добавлением голоса семьи.

[EN] 10 причин, почему не стоит откладывать взаимодействие к создателям контента

Разбираемся вместе с Крисом.

[EN] Как конвертируются просмотры у стримеров в вишлисты

Посмотрим, какие игры больше всего выиграли от стриминга, и какие события могут вызвать поддержку со стороны сообщества.

[RU] Повесть о взаимодействии с Nau Engine

Из первых уст.

[EN] Создание будильника в Blender и Substance 3D

Арчи Морра рассказал о проекте «Старый будильник», обсудив моделирование и текстурирование состаренных часов с помощью Blender, Marmoset Toolbag и Substance 3D Painter.

[RU] Поговорим о серии Disciples. Часть 1. Sacred Lands

Автор предлагает вспомнить самую первую часть и обсудить, а стоит ли её вообще вспоминать, или лучше уж сразу же в сиквел врываться.

[EN] How to Think About GPUs

Хорошее руководство по пониманию архитектуры графических процессоров для приложений машинного обучения.

[RU] Что происходит на рынке метроидваний — оценка экспертов жанра

На фоне успеха Hollow Knight: Silksong App2Top поговорили с разработчиками метроидваний о ситуации в жанре — сложностях разработки, конкуренции, о том, можно ли на таких играх заработать. В беседе приняли участие: Леонид Расторгуев, Слава Грис и Вячеслав Березовский.

[EN] Индустрия не может позволить себе игнорировать картофельные ПК

ПК может и должен стать доступной точкой входа для многих потребителей, но ориентация только на высокопроизводительное оборудование рискует потерять это преимущество.

[RU] История одного неуспеха или как потерять сотни тысяч долларов на попытках что-то создать

Вы замечали, что в мире существует парадокс отсутствия неудач?

[EN] За кулисами Tencent

«Мы хотим, чтобы люди лучше понимали, кто такая Tencent», — говорит Юн-И Чжу из Tencent Games, раскрывая бизнес-стратегию китайского гиганта.

[RU] Как геймдизайнеру придумать крутую пушку и написать концепт-док для художника

Лид-геймдизайнер решил поделиться материальчиком.

[EN] Руководство для разработчиков по работе с издателями

Питер Левин из Wiggin рассказывает, что нужно знать независимым разработчикам при заключении издательских сделок.

[RU] Как в планировании подружить творчество и управление

О том, как не допустить бардака при планировании новых фич, — специально для App2Top рассказала Наталья Попова, менеджер игровой команды Overmobile, также ведущая курс «Управление игровыми проектами» на WN Academy.

[EN] Как Rain World поддерживает мечту о слизнекоте с помощью модов

Videocult и Akupara Games о силе разработки игр силами сообщества.

[RU] Синдром второй попытки. Почему мы влюбляемся в игры, которые в первый раз бросили

Многие из нас удаляют игры после первых двух часов, а потом возвращаются и не могут остановиться. Что же происходит на самом деле? Давайте разбираться.

[EN] «Война Миров: Сибирь». Дневники разработчиков №8. Как собираются карты

В восьмом выпуске дневников разработчиков рассказываем про левел-арт: как собираются карты, зачем нужен конструктор, какие виды освещения бывают и почему нельзя просто включить солнце в игре.

Разное

Инди-разработчик разбирает процедурную анимацию ящерицы

С Реддита.

Взгляд из-за кулис на анимацию и риггинг для Sonic X Shadow Generations

Джонатан Купер поделился несколькими клипами, созданными в Maya.

Прикольная анимация в Blender

Из Твиттера.

Если хотите поддержать выход дайджеста и других материалов, сделать это можно одним из способов.

• На Патреоне
• На Boosty
• Через Paypal
• Через Яндекс.Деньги

Также вы можете подписаться на рассылку дайджеста.

Это значит, что спустя ровно 10 лет после релиза ОС, больше не будут выходить обновления безопасности, патчи стабильности и техническая поддержка для всех потребительских и корпоративных версий: Home, Pro, Enterprise, Education и IoT Enterprise.

Также завершится поддержка сборок Windows 10 2015 LTSB и Windows 10 IoT Enterprise LTSB 2015 — даже с учетом расширенного цикла.

Что это значит для пользователей?

После 14 октября:

• Не будет патчей даже для критических уязвимостей.
• Система официально считается устаревшей.
• Компании, продолжающие использовать Windows 10, рискуют безопасностью и соответствием требованиям регуляторов.

Как остаться на Windows 10 и все еще получать обновления?

Microsoft предлагает несколько вариантов.

Расширенные обновления безопасности (ESU)

• $30 в год для домашних пользователей;
• $61 за устройство в год для бизнеса;
• Можно получить бесплатно, если включить Windows Backup или использовать баллы Microsoft Rewards.

Виртуальные машины и Windows 365

• Поддержка ESU предоставляется бесплатно для устройств, получающих Windows 11 через облако.

Переход на LTSC-версии

• Windows 10 Enterprise LTSC 2021 — поддержка до 2027;
• Windows 10 Enterprise LTSC 2019 — до 2029;
• Предназначено для промышленных, медтех и других специализированных систем.

Переход на Windows 11

Microsoft рекомендует переходить на Windows 11 или использовать облачные Windows 11-окружения.

Для неподдерживаемых систем это может быть проблемой: Windows 11 по-прежнему требует TPM 2.0, UEFI и другие железные ограничения. Тем не менее, по данным StatCounter, доля Windows 11 уже обогнала Windows 10:

• 53% всех Windows-устройств — на Windows 11;
• 42% — все еще на Windows 10.

А среди геймеров по данным Steam Hardware Survey за август 2025:

• Windows 11 — 60,39%;
• Windows 10 — 35,08%.

Что делать?

Если вы не планируете менять ОС — подумайте о вариантах с ESU или LTSC. Но важно понимать: с октября Windows 10 перестает быть безопасной без дополнительной защиты.

И хотя саму ОС никто не отключит, вы останетесь один на один с потенциальными уязвимостями.

Как это работает

Вместо традиционной пошаговой цифровой обработки, этот чип использует настраиваемые микроволновые волноводы, действующие как «эмиттеры нейронов». Они формируют сигналы в виде амплитуды, фазы и частоты, которые физически интерферируют и образуют паттерны для последующего распознавания — всё это происходит в реальном времени, без задержек, связанных с цифровыми вычислениями

В результате, чип способен классифицировать типы беспроводных сигналов с точностью не менее 88%, что сопоставимо с традиционными цифровыми нейронными сетями, но при гораздо меньшем энергопотреблении и на более компактной аппаратной базе. Он подходит для задач реального времени, включая декодирование радиосигналов, слежение за радарами, обнаружение аномалий в сетях — поскольку чип реагирует напрямую на входящие сигналы.

Исследование опубликовано в Nature Electronics (14 августа 2025). Ведущий автор — лаборант Бал Говинд, участниками стали аспиранты Максвелл Андерсон и другие сотрудники Корнелла. Финансирование обеспечили DARPA и Национальный научный фонд США.

Результаты

• Энергоэффективность. Менее 200 мВт — рекордно низкий показатель для AI-чипов такой мощности.

• Гибкость. Чип может менять задачу программно с помощью аналоговых настроек, без необходимости переобучения.

• Применимость. Подход идеален для периферийных устройств — носимых гаджетов, смартфонов, систем с AI на краю (edge computing) — и для военных или промышленных приложений, где важна локальная обработка без облака.

Исследователи полагают, что смогут ещё больше снизить энергопотребление, сделав чип пригодным для периферийных вычислений. Его компактный размер позволит использовать локальные нейронные сети на смартфонах и носимых устройствах, снижая зависимость от облачных сетей. Пока технологические гиганты продвигают устройства с поддержкой ИИ, такие как умные часы и очки, потенциал нейронных сетей на носимых устройствах остаётся практически неисследованным.

Облачные инструменты кардинально изменили правила игры. GitHub Codespaces, AWS Cloud9 и другие платформы переносят ресурсоемкие задачи на удаленные серверы, превращая бюджетные ноутбуки в эффективные терминалы. Разделение среды разработки и выполнения становится новой нормой, а локальная мощность — больше не ключевой фактор.

Почему дорогой ноутбук — не обязательное условие

Современная разработка стремительно мигрирует в облака, кардинально меняя требования к локальному железу. Вот вам актуальное правило для прогера-новичка: лучше начать с того, что есть, чем ждать идеального компьютера.

Дешевый — не значит плохой и не годится для работы. Raspberry Pi 400 — наглядное доказательство: этот недорогой мини-компьютер с 4-ядерным ARM-процессором и 4 ГБ ОЗУ официально поддерживает Visual Studio Code, Docker и Python-среды.

Многие разработчики всё чаще сознательно выбирают 15-дюймовые ноутбуки бюджетного сегмента, жертвуя избыточной мощью ради мобильности. Вес современных моделей вроде Chuwi HeroBook Pro не превышает 1.2 кг — это позволяет часами работать в парке или коворкинге с комфортом.

Как ограничения становятся преимуществом

Работа на слабом железе — это тренировка инженерного мышления.

Когда каждый гигабайт ОЗУ на счету, вы автоматически учитесь:

• отключать фоновые сервисы вроде Telemetry в Windows;
• выбирать легкие инструменты — например, Vim вместо PyCharm;
• писать оптимизированный код, избегая утечек памяти.

Эти навыки остаются с вами даже после перехода на мощные устройства.

Облака как ускоритель

В 2025 году 70% задач новичка решаются через браузер:

• CodeSandbox заменяет локальный IDE для JavaScript/TypeScript;
• GitHub Codespaces компилирует код на удалённых серверах;
• AWS Cloud9 запускает Android Studio в облаке.

Разработчик может использовать ноутбук только для написания кода, а ресурсоёмкие операции передаются «на аутсорс».

Рабочие конфигурации 2025 года: от выживания к комфорту

Российский рынок предлагает проверенные варианты для разных задач. Эти три примера показывают, что переплачивать за железо при текущем уровне развития технологий вовсе не обязательно.

Стартовый уровень (25 000–35 000 ₽)

Chuwi HeroBook Pro за 25 000 ₽ — не игрушка. Его процессор Intel Gemini Lake N4020 и 8 ГБ ОЗУ справляются:

• с написанием скриптов на Python;
• версткой в VS Code;
• тестированием мобильных приложений через BrowserStack.

Секрет эффективности — предустановленный Linux Lite, потребляющий втрое меньше ресурсов, чем Windows 11. На таком ноутбуке можно легко собрать Telegram-бота с нейросетевым анализом текста, перенести тренировку моделей в Google Colab.

Оптимальный выбор (35 000–45 000 ₽)

Acer Aspire 5 за 40 000 ₽ — «рабочая лошадка» для FullStack-разработки. Его Intel Core i5-1335U и 8 ГБ ОЗУ позволяют:

• запускать 2-3 контейнера Docker одновременно;
• тестировать Spring Boot-приложения;
• работать с веб-пакетами Webpack/Vite.

Модель показывает 6.5 часов автономности при активной работе в VS Code — это даже больше, чем у HP 255 G10 в аналогичных условиях.

Потолок бюджета (45 000–55 000 ₽)

HP Pavilion 15 за 55 000 ₽ с Ryzen 5 7530U и 16 ГБ ОЗУ — выбор для коммерческой разработки. На этом устройстве комфортно:

• собирать микросервисы на.NET Core;
• деплоить приложения через Minikube;
• писать код в IntelliJ IDEA с плагинами.

Важно: модель поддерживает апгрейд ОЗУ до 32 ГБ — редкая возможность для бюджетного сегмента.

Бюджетный ноут — не помеха, а стиль жизни

Реальность современной разработки доказывает: тысячи специалистов, в том числе профессиональные прогеры, сознательно выбирают экономичные решения.

Это подтверждается ростом востребованности облачных инструментов, о которых мы уже писали выше:

• GitHub Codespaces активно набирает популярность: сервис упрощает онбординг разработчиков и поддерживает интеграцию с Copilot.
• CodeSandbox обрабатывает 1.2 млн проектов ежемесячно, многие из которых создаются на маломощных устройствах.
• AWS Cloud9 стал стандартом для мобильной разработки стартапов с распределёнными командами.

Для таких сценариев эксперты рекомендуют «гибридную стратегию»:

• локально: редактор кода, терминал, браузер с 2-3 вкладками;
• в облаке: сборка, базы данных, тестовые среды;
• на удалённых серверах: CI/CD, нейронные сети, тяжёлые вычисления.

Что установить для эффективной работы

Выбор операционной системы — первый шаг к оптимизации. Linux Lite/Xubuntu потребляют менее 500 МБ ОЗУ в простое, поддерживая VS Code и IntelliJ IDEA — идеально для Chuwi HeroBook Pro.

Для Windows-зависимых задач подойдет Windows 10 LTSC — лайт-версия без телеметрии. Избегайте Single Language редакций: они блокируют смену языка системы, что критично для документации.

Инструментарий требует осознанного выбора:

• Редакторы кода — VS Code с отключенными ненужными расширениями (GitLens, лишние линтеры) снижает потребление ОЗУ на 30%. Альтернатива — Sublime Text, запускающийся за 2 секунды даже на Intel Celeron.
• Облачные среды — CodeSandbox заменяет локальный IDE для JavaScript/TypeScript, предлагая полный функционал VS Code в браузере.
• Для Java-разработки — OpenJDK 21 с настройкой -Xmx512m ограничивает аппетиты JVM.
• Контейнеризация — Docker Desktop с флагом –memory=1g позволяет запускать PostgreSQL и Redis даже на 8 ГБ ОЗУ.

Пример рабочего стека для веб-разработки на слабом железе: Xubuntu 22.04 + SQLite (вместо MySQL) + Node.js/Express на бэкенде + React в CodeSandbox на фронтенде. Git для контроля версий, а сборку можно перенести на GitHub Actions.

Как выжать максимум из ограниченных ресурсов

Аппаратные улучшения — самый эффективный способ. Замена HDD на SSD ускоряет загрузку ОС в 5 раз (с 1:30 до 0:18 секунд). В 2025 году SSD на 256 ГБ стоит от 2000 руб. — лучшая инвестиция для бюджетных ноутбуков.

Если есть свободный слот, добавьте ОЗУ — это даст моментальный прирост производительности: модуль 8 ГБ DDR4 обойдётся примерно в 3000 руб. На некоторых моделях (например, Acer Aspire 5) возможен апгрейд до 32 ГБ.

Программные настройки не менее важны:

• в Windows отключите визуальные эффекты через «Лучшая производительность» в свойствах системы;
• в Linux используйте LXQt вместо ресурсоёмких GNOME/KDE;
• сократите автозагрузку: каждое фоновое приложение (особенно мессенджеры) «съедает» 100-300 МБ ОЗУ;
• управляйте пакетами через Chocolatey (Windows) или apt (Linux) — это экономит ресурсы;
• для браузеров: Firefox с uBlock Origin легче Chrome, а Vivaldi позволяет отключать вкладки в фоне.

Отключите анимации в VS Code и используйте тёмный режим: это снижает нагрузку на GPU на 10-15%. Кажется мелочью, но на интегрированной графике каждая мелочь важна.

Когда бюджетный ноут — не вариант

Бюджетные ноутбуки имеют технологические пределы, которые важно понимать. Компиляция ядра Linux — классический пример ресурсоёмкой задачи: процесс требует не только 50+ ГБ свободного SSD-пространства, но и минимум 8-ядерного процессора для приемлемой скорости.

Официальная документация ядра Linux прямо указывает: сборка занимает 30-90 минут даже на современных CPU, а на бюджетных Celeron это время увеличивается до 4-6 часов.

Машинное обучение — ещё один критичный сценарий. Тренировка даже простой CNN-модели на датасете MNIST длится 3-5 минут на GPU NVIDIA RTX 3060, но на интегрированной графике Intel UHD занимает 45+ минут. Для ImageNet датасета разница становится катастрофической: часы против недель.

Разработка игр на Unreal Engine 5 требует не только дискретной графики (минимум NVIDIA GTX 1060), но и 16+ ГБ ОЗУ. Epic Games прямо указывает в системных требованиях: работа с Lumen-освещением невозможна на интегрированных GPU.

Как распознать пределы железа

Три объективных индикатора покажут, что ноутбук исчерпал ресурсы:

• Постоянный swap (использование файла подкачки) — когда система тратит >20% времени на перемещение данных между RAM и SSD. Проверить можно через команду vmstat -w 1 в Linux или Resource Monitor в Windows.
• Троттлинг CPU — процессор снижает частоту из-за перегрева. Утилиты типа ThrottleStop покажут падение частоты >30% под нагрузкой.
• Фризы IDE — если VS Code/IntelliJ блокируются на 5+ секунд при автодополнении кода.

Альтернативы для ресурсоемких задач

Когда локальное железо не справляется, современные облака предлагают решения:

• Google Colab Pro — доступ к GPU Tesla T4 для ML-задач с поддержкой PyTorch/TensorFlow.
• GitHub Codespaces — виртуальные машины до 32 ядер для компиляции и тестирования.
• Shadow PC — облачные ПК с RTX 3080 для работы в Unreal Engine.

Важно: для Kubernetes-кластеров локальная виртуализация на 8 ГБ ОЗУ невозможна. Минимальные требования для Minikube — 4 ядра и 8 ГБ RAM только для одного узла. Но развёртывание в Yandex Cloud или AWS EKS решает проблему.

Практическое правило выбора

Сопоставляйте задачи с характеристиками:

• 8 ГБ ОЗУ + 4-ядерный CPU: веб-разработка, Python-скрипты, мобильные приложения;
• 16 ГБ ОЗУ + 6-ядерный CPU: Docker, Unity, лёгкая работа с данными;
• 32+ ГБ ОЗУ + 8 ядер + GPU: UE5, нейросети, компиляция С++ проектов.

Технически запустить Unreal Engine 5 на iGPU возможно, но такая задача будет слишком трудной.

Пошаговый старт для экономного кодера

Начинать программировать на бюджетном ноутбуке — как собирать пазл: важно правильно подобрать элементы.

Шаг 1. Аудит вашего железа

Откройте диспетчер задач (Ctrl+Shift+Esc) или htop в Linux и посмотрите:

• сколько ОЗУ свободно при запущенном браузере с 5 вкладками;
• насколько загружен процессор в простое;
• есть ли слоты для апгрейда — проверьте на сайте производителя или через Crucial System Scanner.

Пример: На ноутбуке с 4 ГБ ОЗУ и HDD можно комфортно работать в VS Code, если отключить все лишние процессы. Главное — убедиться, что система не использует файл подкачки постоянно.

Шаг 2. Выбор операционной системы: ваш фундамент

Здесь нет универсального решения, только осознанный выбор под задачи:

• Linux Mint Xfce — идеален для новичков: установка занимает 15 минут, потребляет 400 МБ ОЗУ, автоматически определяет драйверы. Поддерживает Python, C++, веб-разработку.
• Windows 10 LTSC — выбор .NET-разработчиков: версия без телеметрии и предустановленного мусора. Важно: избегайте Single Language редакций — они блокируют смену языка системы.
• ChromeOS Flex — экспериментальный вариант: если ноутбук старше 2010 года, эта облачная ОС превратит его в терминал для Codespaces.

Для первых 6 месяцев обучения хватит и Live USB с Linux — не нужно даже устанавливать систему.

Шаг 3. Облачные инструменты — ваша суперспособность

Перенесите ресурсоёмкие задачи в облако:

1. Frontend: CodeSandbox — полноценная среда для React/Vue в браузере. Запускает dev-сервер на своих мощностях, оставляет ноутбуку только редактирование кода.
2. Backend: GitPod — создаёт готовые среды для Node.js, Python, Java. Автоматически подключается к вашему GitHub-репозиторию.
3. Базы данных: ElephantSQL — бесплатный PostgreSQL-хостинг. Избегайте локальной установки СУБД на слабом железе.

Шаг 4. Апгрейд: максимум эффекта при минимуме затрат

Два изменения дают 80% прироста производительности:

• Установка SSD. Замена HDD ускоряет загрузку ОС с 1.5 минут до 15 секунд. Даже бюджетный Kingston A400 (256 ГБ за 2000 ₽) увеличит скорость работы IDE в 3 раза.
• Добавление ОЗУ. Если есть свободный слот, модуль 8 ГБ DDR4 (3000 ₽) решит проблемы с «тормозами». На YouTube есть гайды по замене для популярных моделей вроде Acer Aspire 3. Перед покупкой проверьте спецификации ноутбука на сайте производителя. Некоторые ультрабуки имеют впаянную память.

Шаг 5. Тонкая настройка IDE: искусство оптимизации

Современные редакторы — «монстры» производительности, но их можно укротить:

• VS Code. Отключите ненужные расширения через Ctrl+Shift+P > Extensions: Show Enabled Extensions, GitLens, Live Share и декораторы файлов съедают до 500 МБ ОЗУ.
• IntelliJ IDEA. В Help | Change Memory Settings установите 512 МБ для Xmx. Отключите плагины Inspection, UML Support и Coverage.
• Общее правило. Темный интерфейс снижает нагрузку на GPU интегрированной графики на 15% (тест Phoronix).

Отключив неиспользуемые плагины, можно существенно уменьшить потребление ОЗУ.

Начните сейчас: ваш первый код сегодня

Не ждите идеальных условий. Откройте в браузере:

• CodePen — для экспериментов с HTML/CSS/JS;
• Replit — для Python, Java, C++;
• GitHub.dev — легковесный редактор для работы с репозиториями.

Напишите console.log('Привет, мир!') — это займет 10 секунд на любом ноутбуке. Помните: Линус Торвальдс создавал ядро Linux на 386-м компьютере с 4 МБ ОЗУ. Ваше железо — не ограничение, а вызов для творчества!

Генеративный ИИ больше не просто инструмент для текстов. Он становится полноценной точкой входа в интернет: здесь ищут товары, сравнивают характеристики и даже принимают решения о покупке — всё в одном окне. За один только праздничный сезон 2024 года трафик из ИИ-инструментов в американском онлайн-ритейле вырос на 1300% — такие данные приводит исследование Adobe.

По умолчанию ChatGPT работает без выхода в интернет и отвечает на основе своих знаний, накопленных при обучении. Но можно включить функцию вручную, нажав на значок глобуса 🌐 «Искать в сети». Модель сама понимает, что вам нужна актуальная инфа, и подключается к интернету автоматически — тогда вверху появляется плашка «Поиск в сети».

Гуглить стало старомодно. Аналитики заметили, что в англоязычной молодёжной среде глагол «гуглить» постепенно исчезает — они говорят просто «search it». ChatGPT уже обрабатывает около 1 млрд поисковых запросов ежедневно. Это влияет на воронку продаж: многие шаги теперь проходят внутри чат-ботов. Бренды начинают перестраивать свои стратегии: мало быть видимым в поиске. Теперь нужно быть понятным и убедительным для нейросетей. Потому что завтра товары будут искать не люди, а их ИИ-агенты.

Что не так с классической поисковой выдачей

Слишком много кликов. Первая страница выдачи забита рекламой, SEO-статьями, агрегаторами и рерайтами рерайтов. Чтобы получить один ответ, мало вбить запрос. Нужно пролистать рекламу, открыть пару сайтов, закрыть поп-апы с чатами и ещё проверить, что инфа свежая. И если результат не подошёл — начинаем всё заново.

SEO-мусор. Ещё одна беда — это тонны переоптимизированного контента. Статьи написаны по шаблонам, чтобы понравиться алгоритмам и вписаться в критерии ранжирования. Если вы искали «что посмотреть в городе Х», то наверняка в топе были тревел-агрегаторы, забитые рекламой. Вместо живых впечатлений мы получаем скучные списки с дежурным набором достопримечательностей и призывом купить тур. Кроме того, такие статьи, как правило, обезличены, и не понятно, кто за ними стоит.

ИИ-контент. Пользователь Reddit заметил, что при поиске «John Wick 5» Google выдал кучу сгенерированного контента о проекте, который даже не анонсирован.

В комментариях посоветовали использовать операторы — минус-ключи: -ai или -sponsored, чтобы исключить из результатов страницы с этими словами.

Проект deaddit документирует явление мёртвого интернета в формате ИИ-клона Reddit — поддельные посты, комментарии и целые сообщества, сгенерированные ИИ. С поддельными сабреддитами, названиями и описаниями, профилями пользователей с прописанными личностями и интересами, постами с заголовками, содержанием и даже количеством апвоутов, а также комментариями.

Паттерны поиска меняются. Всё меньше хочется читать безликие рекламные статьи, замаскированные под советы, и всё больше — слушать живых людей. Генеральный директор Reddit похвастался, что на фоне роста ИИ-контента именно Reddit остаётся площадкой с человеческим голосом.

Популярный лайфхак: добавлять в поисковые запросы слово «reddit» или оператор «site: reddit.com».

Я часто добавляю «reddit» к своим запросам, потому что это одно из немногих мест, где можно прочитать настоящие мысли людей.

Но не все так оптимистичны: звучат подозрения, что часть постов пишут боты.

Я не доверяю Reddit. Когда дело доходит до рекомендаций, у меня всегда возникает ощущение, что ответы пишут боты, рекламирующие продукты

Пользователи всё больше ощущают потерю «аутентичного интернета» и ищут обходные пути — обращаются к альтернативным поисковикам, вроде DuckDuckGo или Brave, и к другим площадкам, например, Discord или Telegram-чатам, которые не индексируются поисковиками. Или создают собственные поисковые движки — например, через Google Custom Search Engine, чтобы искать только по выбранным источникам.

Почему ИИ-поиск быстрее выдает желаемое

Нужно уметь гуглить в Гугле. Традиционный поиск — это сложная штука, требующая мощностей для обработки миллиардов проиндексированных страниц. Google справляется с этим благодаря продвинутым алгоритмам, отточенным за годы исследований. Но этого уже мало.

Ключ к успеху — правильная формулировка запроса. Сколько раз вы в несколько подходов перебирали варианты, меняли порядок слов, перефразировали запросы или добавляли поисковые операторы — чтобы сузить поиск, найти точные совпадения или исключить лишнее? И если не угадали — результата не будет. К счастью, ИИ-поисковики снимают эту головную боль. Они учитывают контекст, а не только ключевые слова, даже если формулировка хромает.

Мэт Хонан, главный редактор MIT Technology Review, сравнил Google AI Mode и ChatGPT. Он отметил ключевое преимущество последнего — функцию памяти и персонализации. Когда он спросил ChatGPT «Что ты знаешь обо мне?», модель ответила живо и подробно: рассказала о вкусах в кино, отношении к ужастикам и даже вспомнила историю с постройкой сарая. В то время как Google, обладая огромной базой пользовательских данных — почтой, историей поиска, фотографиями, — выдал сухой профиль: «Вы интересуетесь комедиями, музыкой, подкастами и классикой». Такой ответ скорее полезен рекламодателям, чем самому пользователю. На данный момент Google недотягивает до уровня персонализации, эмпатии и гибкости, которыми уже обладает ChatGPT.

Длинные запросы и эра диалогового поиска

ИИ меняет то, как мы ищем информацию. Если средний запрос в Google состоял из 3–4 слов, то в диалоге с нейросетью мы составляем запрос на естественном языке в 20+ слов — с нюансами и уточнениями. Но главное новшество — возможность задавать follow-up вопросы: уточнения к предыдущему запросу. Раньше нужно было начинать с чистого листа. Теперь ИИ «помнит» контекст и способен адаптироваться и уточнять ответы. Причём вернуться к этому чату можно и через год, не объясняя задачу заново. А еще можно сразу адаптировать найденную информацию под нужный стиль — «а попроще?», «а на русском?», «а в одну строку кода?».

Такой подход полезен там, где ключевые слова бессильны — например, можно найти фильм, где «маньяк шлёт зашифрованные письма в газету», спросить о странном звуке в холодильнике, или описать птицу, которая прилетает во двор.

Исследование Semrush показывает, что ChatGPT меняет привычные представления о поисковых намерениях. Если в классическом поиске запросы обычно делят на четыре типа: навигационные (найти сайт), информационные (узнать что-то), коммерческие (исследовать товар) и транзакционные (купить), то у ChatGPT только около 30% запросов вписываются в эти категории. Остальные 70% — это совсем другие задачи, которые редко встречаются в традиционных системах. Люди обращаются к ИИ не просто за фактами, а чтобы генерировать идеи, проводить мозговой штурм и глубоко копать в теме.

На самом деле «умный» поиск — не всегда быстрее обычного гугления. В режиме глубокого исследования (Deep Research) ИИ-система может тратить десятки минут, чтобы собрать источники и выдать аналитику. Это уже не просто поиск, а полноценный ассистент-аналитик, который помогает подготовить обзор или черновик по сложной теме.

Почему ChatGPT пока что плох в поиске: галлюцинации, спам и фейк-источники

1. Короткие запросы — всё ещё вотчина Google. Пока что у ChatGPT получается не очень.
2. Слабая фильтрация SEO-спама — классические поисковики годами инвестировали в борьбу с ним. Генеративные движки пока не так придирчивы: в ответах часто появляются вторичные источники и полусырые сгенерированные статьи.
3. Чрезмерное обобщение в ответах. Из-за «переупаковки» контента в ответ модели мы получаем «усреднённую» версию истины, в которой важные нюансы могут быть утеряны. Даже если ИИ не выдает ложную информацию, он все равно суммаризует и переформулирует контент способами, которые могут вводить в заблуждение.
4. Поддакивание и стремление угодить. Модель натренирована, чтобы быть вежливой и полезной. Она пытается выдать ответ даже тогда, когда не может его найти. Не потому что хочет нас обмануть, а потому что не умеет сказать «нет». Поэтому соглашается с нами и может поддержать самые безумные идеи, например, призывает есть камни.
5. Проблемы с локальными запросами. ChatGPT не расскажет, во сколько приедет ваш поезд, и не уточнит, открыт ли ближайший супермаркет. Он может найти рестораны в районе, но за актуальным меню — всё равно придётся идти в Google.
6. Цитирование — боль. Недавний рисерч Columbia Journalism Review выявил серьёзные проблемы в способности ИИ-поисковиков цитировать новости. Анализ восьми нейросетей показал, что они часто предоставляют неверные или вымышленные ссылки, даже если у них есть издательская лицензия.

Проблема и в том, как люди фактчекают информацию. Мы идем по пути меньшего сопротивления и выбираем самые простые пути для поиска ответов. Точность и достоверность отходят на второй план, а приоритетом становится скорость и комфорт. Результаты исследования показывают, что люди считают информацию, сгенерированную ChatGPT, более качественной и доступной по сравнению с Google Search.

Давайте будем реалистами — люди чрезвычайно ленивы. Они будут прилагать минимум усилий для достижения результатов. Даже если эти результаты отстойные. Людей это не волнует.

Это значит, что люди скорее зададут вопрос чат-боту и поверят любому ответу, который он выдаст. Ведь это проще, чем набирать текст в Google, а затем читать или пролистывать кучу статей.

Один из важных вопросов: как не потерять способность анализировать информацию самостоятельно? Ведь когда мы получаем готовый ответ от ИИ, можем перестать задумываться о том, как этот ответ был сформирован. Когда нейросеть даёт готовый, «отполированный» ответ, появляется соблазн воспринимать его как истину в последней инстанции — и перестать критически мыслить.

Иногда ChatGPT полностью лжет мне, и я знаю это только потому, что у меня есть существующие знания, что это неправда. Если бы у меня их не было, я бы никогда не узнал, что это неправда...Поэтому я не могу полностью полагаться на ChatGPT и всегда проверяю разные источники.

И это правда. Но и Google не гарантирует 100% точности в топе выдачи. Там тоже бывают ошибки, устаревшие данные или некачественные источники. Поэтому в любом случае важно проверять информацию и не полагаться слепо ни на ИИ, ни на поисковики.

Как генеративный ИИ крадет трафик и деньги бизнеса

ИИ теперь — как посредник: он «пережевывает» контент с сайтов: статьи, обзоры, новости — и выдает это пользователю в интерфейсе чат-бота. При этом юзер зачастую не доходит до первоисточника. Рэнд Фишкин из SparkToro назвал это «поисками с нулевым кликом». И таких запросов становится всё больше.

Что это значит? Контент журналистов, блогеров и брендов используется как сырьё, а сами авторы как будто остаются в тени — их труд не приносит прямого трафика.

Почему эта ситуация — головная боль для бизнеса и контент-мейкеров?

• Меньше посетителей — меньше клиентов. Если пользователи не заходят на сайт, то и конвертировать их в покупателей или подписчиков становится гораздо сложнее. Трафик просто утекает в интерфейс ИИ. Если нейросеть пересказывает суть статьи прямо в чате, зачем открывать оригинал?
• Потеря контроля над голосом бренда. ИИ решает, как преподнести ваш контент — может вырвать из контекста, искажать или просто упустить важные детали. Бренд уже не может поправить этот «пересказ». А ещё никто не увидит ваш уникальный дизайн и фирменный стиль.
• Рост нагрузки на серверы. ИИ-ассистенты и агенты автоматически перебирают десятки источников при каждом запросе. Опенсорс-сообщество уже жалуется: их ресурсы просто падают под лавиной ботов. А если этим займутся ИИ-агенты от имени миллионов пользователей — нагрузка на сайты вырастет в разы.
• Нарушение правил индексации. Раньше страницы индексировали Google и пара конкурентов, которые уважали robots.txt — файл, который говорит, где можно, а где нельзя. Сейчас же десятки ИИ-моделей парсят сайты без разбора, игнорируя эти ограничения.
• Проблемы с обучением ИИ и конфиденциальностью. ИИ-боты могут брать контент с сайтов не только для ответов, но и для обучения своих моделей. То есть ваша статья, обзор или даже комментарий могут стать частью «учебного корпуса», который помогает ИИ выдавать более «умные» ответы. При этом авторы часто не получают ни копейки и даже не знают, что их материалы используются таким образом. Многие сайты начали блокировать ИИ-ботов, чтобы защитить свой контент. Wired сообщает, что практически 90% новостных сайтов, таких как NYT, Guardian, Atlantic и др., блокируют краулеры OpenAI и других ИИ-компаний.

Если ИИ-разработчики продолжат брать контент без разрешения, их ждёт либо платный доступ к данным (они должны платить авторам за данные или переходить на лицензионную модель), либо война протоколов с нарушением веб-этикета. Ahrefs провели исследование — они проанализировали около 140 миллионов сайтов и обнаружили, что за последний год количество блокировок ИИ-ботов существенно выросло. Вот ключевые цифры:

• Число активных ИИ-ботов в сети удвоилось с августа 2023 года, сейчас насчитывается 21 крупный бот на основе ИИ.
• Самый блокируемый бот — GPTBot от OpenAI: его блокируют почти 6% всех сайтов.
• ClaudeBot (Anthropic) показал самый резкий рост блокировок — +32,67% за год.

Получается, что для веб-мастеров заготовлена новая головоломка: как гарантированно попасть в выдачу нейросетей, если краулеры игнорируют robots.txt? И можно ли вообще вычеркнуть сайт из этих списков? Как оптимизировать облегчённую версию сайта для ИИ-агентов, чтобы не перегружать сервер и не потерять контроль над контентом?

Cloudflare разработали «кнопку» блокировки AI‑ботов, чтобы снизить подобные нагрузки. Подключить эту функцию может любой пользователь Cloudflare, включая бесплатные тарифы. Компания, которая специализируется на защите сайтов от атак, заметила, что ежедневно на её сеть приходится около 50 миллиардов запросов от ИИ-ботов. В ответ они запустили AI Labyrinth — «лабиринт ИИ-контента», куда попадают незваные боты, игнорирующие директивы no crawl, где они застревают в бесконечной цепочке перелинкованных страниц.

Переосмысление SEO в эпоху ИИ

Классическое SEO уходит в прошлое. Чтобы оставаться на плаву, брендам и авторам нужно учиться говорить с ИИ на его языке. Вот почему появляются новые методы и направления — AIEO и GEO:

• AIEO (Artificial Intelligence Engine Optimization) — оптимизация контента под ИИ-системы. Неважно, это голосовой помощник или чат-бот — задача AIEO сделать контент максимально понятным и «перевариваемым» для ИИ, чтобы он попадал в их ответы.
• GEO (Generative Engine Optimization) — это оптимизация именно под генеративные поисковые системы (например, Bing Chat, Google AI Mode).

Пока никто толком не знает правил новой ИИгры. Но уже есть общие признаки, которые могут помочь нейросети выбрать именно ваш контент для цитирования:

1. Чёткая структура: подзаголовки H2 и H3, чтобы разбить текст на логичные блоки.
2. Короткие, простые абзацы — никаких длинных занудных объяснений, только по делу.
3. Контент, который отвечает на вопросы: «что это», «зачем нужно», «пример на практике». Не просто набор ключевых слов, а полезная информация.
4. Внешние упоминания и ссылки — ИИ нравится, когда ваш контент не в изоляции, а подтверждён другими источниками.
5. Участие в специальных программах: можно подать заявки в ChatGPT Product Discovery, чтобы товар показывался в ответах ChatGPT или Perplexity Merchant Program — для крупных продавцов с доставкой в США, чтобы товары попадали в виджеты Perplexity.

Как оценить эффективность? Сейчас в аналитике уже можно увидеть переходы с нейросетей — они отображаются в отчетах по источникам трафика. Плюс появились метрики видимости бренда в ответах ИИ. Например, Ahrefs теперь показывает, как часто ваш бренд упоминается в ответах нейросетей. А новые сервисы помогают мониторить появление бренда в ИИ-результатах, отслеживать тональность упоминаний и анализировать динамику.

Это похоже на SEO начала 2000-х, когда с каждым обновлением алгоритма приходилось перестраиваться. С ИИ та же история: модели постоянно меняются, и нам придётся учиться работать с ними заново — иначе рискуем потерять трафик.

Конец эры поисковиков? Действительно ли нейросети заменят Google

Стоит ли ожидать полного исчезновения поисковиков? Вряд ли. Так же, как и исчезновения библиотек с появлением интернета. ИИ пока не заменит Google в роли поисковой системы, но классические поисковики со временем станут не актуальны из-за изменения природы потребления контента.

Пока Google лидирует, оставаясь примерно в 26 раз популярнее ChatGPT по ежедневным визитам. Совокупно ИИ-сервисы генерируют всего около одного процента от всех поисков Google. Но скорость роста говорит сама за себя: чат-боты за год выросли по количеству обращений на 80,92%. Впервые с 2015 года, к концу 2024-го, доля Google на рынке поиска опустилась ниже отметки в 90%. Однако аналитики OneLittleWeb считают, что чат‑боты и поисковики не конкурируют, а дополняют друг друга — каждый решает свои задачи. Чат-боты расширяют возможности поиска, превращая его в диалог и помощь в генерации идей, а поисковики интегрируют ИИ-сводки, чтобы ускорить выдачу информации.

Поисковики превращаются в умных ассистентов, которые сами сканируют интернет и дают готовые ответы. Но есть проблема: Google AI Overviews уже бьют по доверию и трафику. А главное — эти сводки не всегда точны. Техногигант тестирует ещё и AI Mode — чат прямо в поиске, который синтезирует инфу из разных источников. Кнопка «Мне повезёт» уходит в прошлое — теперь вам повезёт, если ИИ не нафантазирует лишнего. В России аналогичный тренд: Яндекс Нейро тоже объединяет классический поиск с генеративными нейросетями и умеет отвечать на комплексные запросы, копаясь в нескольких темах сразу. Поиск уходит в сторону диалогов и действий, и это уже не эволюция — это смена парадигмы.

Кто и как будет искать информацию завтра? Мир движется к более удобным и быстрым способам получения информации. Возможно, скоро все мы перестанем вводить запросы в строку поиска и будем давать задания своим ИИ-агентам. Пока зарождаются новые стандарты — GEO и AIEO, бизнесу стоит задуматься не только о том, как попасть в ответ ИИ, но и как ИИ сможет воспользоваться его услугами. Нужны будут инструкции и цифровая инфраструктура, понятная для агентов. В мире, где задачи будет выполнять не человек, а агент, нужны понятные инструкции и цифровая инфраструктура. Намечается новый тренд — agent-responsive design: сайты, которые удобны не только для людей, но и для ИИ.

На видео машина по щелчку рычага запускает видимый процесс вычислений. Каждое число вводится вручную — положение рычагов соответствует двоичным единицам и нолям. Затем механический реечный привод пошагово производит операцию. Всё — на виду: каждое движение, передача, пересчёт. Машина также обрабатывает отрицательные числа с помощью представления в дополнительном коде, как в реальных 8-битных процессорах.

K'NEX ALU позволяет создавать инженерные модели с основами логики и цифровой арифметики. Внутри — десятки взаимосвязанных компонентов. Shadowman39 добился демонстрации не только точной механики, но и глубокого понимания архитектуры вычислительных машин.

Когда электричество ещё не стало обыденностью, люди уже создавали машины, способные выполнять задачи, которые мы сегодня поручаем электронике. Транспорт, промышленность, сельское хозяйство — всё имело свои механические аналоги. Тогда уже существовали механические компьютеры: от астролябий до аналитической машины Чарльза Бэббиджа.

Электронные компьютеры, конечно, опережают механические по всем параметрам — от скорости до энергоэффективности. Но по визуальной эстетике и образовательной ценности таким машинам нет равных. Механические вычисления — это красота, которую можно наблюдать и трогать.

На видео показано только АЛУ — «мозг» вычислителя. Но блогер уже работает над следующими модулями. Возможно, впереди — механическая память, логические элементы управления, ввод-вывод или даже простейшая форма программирования.

Это уже не первая работа энтузиаста. Ранее он создал механический автомат для игры в скибол с работающим монетоприемником и моторизованным табло. Проект занял больше года и включал свыше 10 000 деталей. Но K'NEX ALU стал, пожалуй, самым точным и поразительным из его творений.

Энтузиасты механических вычислений порой идут ещё дальше — собирают релейные компьютеры, полностью построенные на электромеханических реле. Такие проекты — идеальный способ понять, что происходит внутри чипа, когда вы нажимаете клавишу.

В эпоху «чёрных ящиков», когда вычисления скрыты внутри устройств, такие механические компьютеры напоминают о том, как устроены вычисления на самом деле. Такой механический K'NEX-компьютер — идеальный инструмент для будущих инженеров, студентов и просто любопытных умов. Ведь он наглядно показывает, что происходит внутри нашей техники.

Как отмечает Кит Коуинг, основатель NASA Watch, член Explorers Club, бывший сотрудник NASA, JPL поручено создать бланки заказов на устаревшие спутники, чтобы подготовить их к продаже.

JPL — это центр управления полетами (FFRDC), управляемый Калифорнийским технологическим институтом. Право собственности на спутники остаётся за NASA. Как отмечают комментаторы, в статье идёт речь о передаче управления действующими спутниками, который президентский бюджетный запрос предлагает вывести из эксплуатации.

Основная функция JPL — создание и эксплуатация планетарных роботизированных космических аппаратов. Хотя она также выполняет околоземные и астрономические миссии, её функция — отвечать за работу сети дальней космической связи NASA (DSN).

Что именно «продаётся» и кому?

В JPL, управляемом Калифорнийским технологическим институтом, действительно обсуждаются меры по поиску новых владельцев для уже действующих или завершённых миссий, находящихся под угрозой досрочного закрытия. Хотя слово «распродажа» звучит громко, речь идёт скорее о поиске новых операторов — из частного или государственного сектора — готовых взять на себя управление или дофинансировать эксплуатацию спутников, которые NASA больше не планирует поддерживать.

Важно уточнить: эти спутники — не частная собственность JPL. Право на них остаётся за NASA, а сама лаборатория представляет собой центр, финансируемый правительством США, но технически управляемый подрядчиком. Кроме того, некоторые спутники находятся ещё на этапе сборки — и формально даже не были оплачены NASA, оставаясь в собственности подрядных компаний.

Речь идёт о завершённых миссиях или о недостроенных каркасах?

По имеющимся данным, часть проектов вроде GLIMR, CLARREO-Pathfinder и GeoCarb ещё не достигли стадии запуска. Их физическое воплощение — скорее прототипы или каркасы без полного набора научных и технических модулей. Для них NASA, по сути, ищет новых партнёров — коммерческих или исследовательских — которые могли бы завершить разработку и запустить миссию под своим флагом или совместно с агентством.

Другие спутники, такие как Terra, Aqua, Aura, OCO-2 и OCO-3 — уже давно находятся на орбите и до сих пор продолжают передавать научные данные. Однако их судьба предопределена: финансирование может прекратиться досрочно, без ожидаемого решения Конгресса. В этой ситуации NASA, по информации из утечек и служебных писем, пытается не дожидаться принятия бюджета, а заранее подготовиться к передаче управления — или, в крайнем случае, к закрытию.

Ищут покупателя или инвестора?

Юридически NASA не может просто продать действующий спутник в космосе — по крайней мере, без процедуры согласования на уровне Конгресса и надзорных ведомств. Но агентство действительно публикует запросы информации (Request for Information, RFI), чтобы выяснить, существует ли интерес у частных компаний к продолжению эксплуатации спутников в рамках партнёрства или покупки сервисных прав. Так что фраза «продажа» — скорее метафора, чем прямая сделка.

Тем не менее, такой подход — беспрецедентен. Ранее NASA не прибегала к массовой передаче орбитальных миссий внешним структурам. Возможные покупатели (или партнёры) должны будут не только оценить техническое состояние спутника, но и предложить бизнес-модель, которая оправдает их инвестиции — ведь научная цель изначальных миссий для NASA уже не будет приоритетом.

Что дальше?

На данный момент на сайте Роскомнадз… (шутка! 😄) — на самом деле, официального подтверждения о продаже не последовало. Но ситуация активно развивается, и JPL уже готовит документы, чтобы «в случае чего» среагировать быстро. В условиях растущей конкуренции с коммерческими спутниковыми платформами и ограниченного бюджета, NASA похоже, ищет любые способы сохранить полезные аппараты — даже если под чужим контролем.

Следите за новостями. Возможно, скоро один из этих легендарных спутников сменит владельца — и продолжит свою работу уже под крылом новой организации.

Как зарабатывают на старых гаджетах

Основной двигатель трейд-ин (trade in) — психология потребителя. Когда покупатель видит возможность «вернуть часть денег» за старый гаджет, вероятность покупки нового устройства возрастает на 25-30%. Это подтверждает опыт «М.Видео-Эльдорадо», салонов МТС, «Мегафон» и других продавцов — после введения программы трейд-ин продажи новых смартфонов у этих компаний выросли.

Но настоящая магия начинается после того, как устройство попадает в руки переработчиков. Качественное восстановление (refurbishing) позволяет продавать гаджеты с маржой 40-60%. Apple через программу Certified Refurbished ежегодно возвращает на рынок тысячи устройств. В России уже работают аналогичные сервисы.

Запчасти — ценный актив для переработчиков. Оригинальный дисплей iPhone 14 Pro Max стоит $300, а материнская плата MacBook Pro — до $500. Эти компоненты расходятся по сервисным центрам и ремонтным мастерским.

Но самый неочевидный источник дохода — драгметаллы. В тонне старых смартфонов содержится 300 грамм золота (в 50 раз больше, чем в руде), 3 кг серебра и 130 кг меди. Российские переработчики вроде «Экополиса» уже научились извлекать эти материалы с эффективностью до 95%.

При этом экономика трейд-ина в России имеет свою специфику. Из-за санкций поставки новых устройств сократились, что повысило спрос на восстановленные гаджеты. Крупные сети теперь принимают даже пятилетние ноутбуки, тогда как раньше брали только модели не старше трёх лет.

Финансовая выгода для магазинов очевидна: они получают и стимул для продаж новых устройств, и сырье для восстановленных моделей, и запчасти для сервисов. Пользователи же часто не догадываются, что их «устаревший» iPhone через месяц может появиться на полке как восстановленное устройство.

Лаборатория трейд-ина: как оценивают ваше устройство

Когда вы сдаёте технику в трейд-ин, она попадает в настоящую диагностическую лабораторию, где проходит тщательную экспертизу. Этот процесс напоминает медицинское обследование — каждый параметр устройства проверяют по строгим протоколам. В крупных сетях оценкой занимаются сертифицированные специалисты, прошедшие обучение у производителей.

Первичный осмотр начинается с визуальной оценки. Эксперты ищут не только очевидные повреждения вроде трещин на экране, но и микроскопические дефекты. Например, едва заметные царапины на корпусе iPhone могут снизить его стоимость на 15-20%. Особенно тщательно проверяют следы попадания жидкости — даже капля воды, попавшая в разъем год назад, может стать причиной отказа в приёмке.

Аппаратная диагностика — следующий этап. Для ноутбуков используют специализированное ПО вроде PC-Doctor или Hardware Diagnostic Tools. Эти программы за 10-15 минут проверяют:

• состояние аккумулятора (при износе свыше 20% его рекомендуют заменить);
• работоспособность всех портов и разъемов;
• температурный режим под нагрузкой;
• качество цветопередачи и равномерность подсветки матрицы.

Смартфоны тестируют еще тщательнее. Помимо стандартных проверок, специалисты оценивают:

• точность работы GPS и других датчиков;
• качество звука в динамиках и наушниках;
• скорость срабатывания сканера отпечатков;
• равномерность подсветки OLED-экранов.

Программная диагностика — отдельный важный этап. Устройства сканируют на наличие вирусов, следов взлома и неофициальных прошивок. При сдаче устройств в трейд-ин существует риск передачи техники с остаточными следами вредоносного софта, что требует обязательной проверки безопасности перед повторным использованием. Особенно строго проверяют корпоративные ноутбуки — на них часто остаются следы служебных программ и VPN-доступов.

В российских реалиях есть своя специфика. После изменений 2022 года многие сервисные центры стали принимать устройства, купленные неофициально. Однако такие гаджеты оценивают на 20-30% дешевле. Также появились новые критерии — например, особое внимание уделяют проверке предустановленных магазинов приложений и работе сервисов Google.

После всех проверок устройство получает «диагноз» и попадает в одну из категорий:

1. Premium — идеальное состояние, можно продавать как восстановленный гаджет ( refurbished).
2. Standard — незначительные дефекты, требует косметического ремонта.
3. For parts — только на запчасти.
4. Recycling — подлежит утилизации.

По статистике только 35% сдаваемых устройств попадают в категорию Premium. Около 45% идут на запчасти, а 20% — сразу на переработку. При этом ноутбуки имеют больше шансов на «вторую жизнь», чем смартфоны — их восстанавливают в 50% случаев.

Refurbished-техника: мифы и реальность

Многие покупатели до сих пор смотрят на восстановленную технику с подозрением, представляя себе устройства с потертыми корпусами и сомнительной начинкой. Однако профессиональный ремонт — это высокотехнологичный процесс, который превращает б/у гаджеты в устройства, не уступающие новым по качеству и надёжности.

Как устроен процесс профессионального восстановления

Когда устройство попадает на специальную refurbishing-фабрику, его ждет многоэтапная проверка и восстановление. В отличие от обычного ремонта, где меняют только сломанные детали, здесь техника проходит полную ревизию.

Процесс включает:

• полную разборку с заменой крепежных элементов;
• замену аккумуляторов (даже при 10% износа);
• установку новых дисплейных модулей;
• ультразвуковую очистку материнских плат;
• тестирование в термокамерах при экстремальных температурах.

После сборки гаджеты проходят до 50 различных тестов — от проверки микрофона до стресс-тестов процессора. В Apple утверждают, что их восстановленные устройства фактически «лучше новых», так как проходят дополнительный контроль качества.

Гарантии и риски: что нужно знать покупателю

Современные восстановленные устройства получают полноценную гарантию — от 6 месяцев у независимых продавцов до 1 года у крупных сетевых компаний.

Однако есть нюансы:

• источник происхождения — устройства из официальных программ (Apple, Samsung) надёжнее рыночных;
• комплектация — некоторые продавцы экономят на аксессуарах;
• внешний вид — даже Grade A (идеальное состояние) может иметь микроцарапины.

Кому выгодно покупать восстановленную технику

Отремонтированные устройства — оптимальный выбор для:

• IT-компаний и стартапов, которым нужно оборудовать офис;
• студентов и начинающих специалистов;
• тех, кто хочет флагманскую модель по сниженной цене;
• корпоративных клиентов, закупающих технику партиями.

Многие стартапы рассматривают refurbished-технику как способ сократить расходы на IT-инфраструктуру без существенного снижения производительности.

Черный рынок запчастей: куда исчезают компоненты

Когда вы сдаете устройство в трейд-ин, вы предполагаете, что оно пойдет на официальную переработку или восстановление. Однако реальность сложнее — значительная часть компонентов попадает на теневой рынок, создавая параллельную экономику запчастей.

Особую ценность для серого рынка представляют:

• дисплеи MacBook Pro 14" и 16" (цена до 40 000 руб. за оригинальный модуль);
• камеры iPhone 15 Pro (особенно телеобъектив с перископной системой);
• процессоры M2 и M3 от Apple (используются для ремонта и модификаций);
• материнские платы игровых ноутбуков (Asus ROG, MSI).

Эти компоненты часто добывают из устройств, официально списанных в утиль. Проверки показывают, что часть техники на перерабатывающих предприятиях не подвергается полной утилизации. Некоторые «мертвые» устройства просто разбирают на запчасти, минуя этап демонтажа опасных элементов.

Сложность в том, что отличить легальные запчасти от нелегальных практически невозможно. Даже официальные сервисные центры иногда становятся жертвами мошенников — под видом новых деталей им могут поставлять восстановленные. Эксперты рекомендуют проверять серийные номеров через базы производителей и требовать документы о происхождении запчастей, однако это трудоемкая и в текущих технологических реалиях крайне непростая задача.

Экологический аспект: что происходит с непригодной техникой

Устройства, которые невозможно восстановить, отправляют на переработку. В России этим занимаются специализированные предприятия, такие как уже упомянутый ранее «Экополис», способные перерабатывать до 100 000 тонн устройств в год.

Процесс переработки включает:

1. Разборку для извлечения опасных компонентов (батарей, экранов).
2. Дробление корпусов для отделения пластика от металлов.
3. Химическую обработку для извлечения драгметаллов.
4. Утилизацию токсичных веществ по экологическим стандартам.

К сожалению, по данным ООН, только около 17% электронных отходов перерабатывается официально. Остальное попадает на свалки в развивающихся странах, нанося серьезный вред экологии.

Как подготовить устройство к сдаче

Перед сдачей техники в трейд-ин важно не просто стереть данные, а полностью обезопасить личную информацию. Современные устройства хранят гораздо больше данных, чем кажется — от автозаполнения паролей до истории местоположений. Вот пошаговая инструкция, которая поможет избежать утечки.

1. Резервное копирование

Начните с сохранения важных файлов. Используйте облачные сервисы (Яндекс.Диск, Google Drive) или внешние накопители. Для iPhone удобен iTunes или Finder на Mac. Android-устройства можно синхронизировать с Google Аккаунтом.

2. Выход из аккаунтов

Простого удаления учётной записи недостаточно:

• В смартфонах Apple: откройте «Настройки» → [ваше имя] → «Выйти», отключите «Найти iPhone».
• В Android: «Настройки» → «Аккаунты» → Удалить все учетные записи

3. Полная очистка данных

После сброса настроек информация остается во флеш-памяти. Для гарантированного удаления:

• HDD: программа DBAN (Darik’s Boot and Nuke).
• SSD: встроенная функция Secure Erase.
• Смартфоны: шифрование данных перед сбросом (в Android — «Настройки» → «Безопасность» → «Шифрование»; в iOS включено по умолчанию)

4. Физическая подготовка

Уберите пыль из разъемов, протрите корпус. Снимите чехлы, пленки, достаньте SIM-карты. Проверьте, нет ли внутри устройства посторонних предметов (бумажки, монеты).

5. Что делать с носителями

Если сдаёте ноутбук, извлеките дополнительные SSD/HDD. В некоторых моделях (например, MacBook) это сложно — тогда используйте профессиональные программы очистки.

Важно: даже после всех процедур теоретически возможно восстановление данных. Если устройство содержало критически важную информацию, рассмотрите физическое уничтожение накопителя.

Для корпоративных устройств обязательна проверка ИТ-отделом — часто в системе остаются следы VPN-подключений и корпоративных сервисов. Некоторые компании используют специальные утилиты для полной зачистки служебных данных перед списанием техники.

Помните, что подготовка устройства занимает время — начинайте процесс минимум за день до визита в трейд-ин. В крупных сетях («М.Видео», «Ситилинк») можно заранее записаться на диагностику, чтобы не терять время в очереди.

Будущее индустрии трейд-ин

Технологии переработки электроники постоянно развиваются. Основные тенденции:

• использование ИИ для автоматической диагностики;
• внедрение блокчейна для отслеживания компонентов;
• разработка более эффективных методов извлечения редких металлов;
• увеличение доли переработанных материалов в новых устройствах

К 2026 году Dell планирует использовать 100% переработанный пластик в своих ноутбуках, а Apple уже сейчас применяет переработанный алюминий и редкоземельные металлы в новых iPhone.

Итоги

Трейд-ин — это сложная экосистема, в которой ваш старый гаджет может получить вторую жизнь или стать источником ценных материалов. Понимая все этапы этого процесса, вы можете сделать осознанный выбор — сдать устройство в магазин, продать самостоятельно или отправить на переработку. Главное — помнить о безопасности своих данных и экологической ответственности.

В мае 2024 по всему миру разлетелись скриншоты писем от HR с внезапными повышениями зарплат на 40%. Текучка кадров в сфере производства полупроводников выросла с 40% до 53%, и теперь компании дерутся за каждого специалиста.

Масштаб проблемы

169 отраслей пострадали из-за дефицита чипов — от автомобилестроения до бытовой техники. Tesla и Volvo останавливали заводы, цены на подержанные автомобили выросли на 10% за квартал. Даже стиральные машины подорожали из-за недостатка микросхем.

Но настоящая битва кипит в кабинетах бигтехов. США заблокировали экспорт технологий в Китай, Европа запустила программу на €43 миллиарда, а Азия удерживает 77% мирового производства чипов.

Технологическая война изменила ИТ-индустрию навсегда. Компании теперь не могут просто купить больше серверов — приходится искать тех, кто умеет делать софт быстрее и эффективнее. Apple создала собственные M1 и M2, Google разработал TPU, Amazon — процессоры Graviton. Каждый хочет стать независимым от поставок.

Обрушение цепей поставок

В 2020 автопроизводители массово отменили заказы чипов, думая, что спрос на машины упадет. Но случилось обратное — спрос на автомобили восстановился быстрее ожидаемого во второй половине года, а производственные линии уже переключились на потребительскую электронику.

Мир оказался в заложниках у нескольких азиатских гигантов. Тайвань контролирует 65% мирового рынка чипов, TSMC делает процессоры для Apple, AMD и NVIDIA. Samsung доминирует в производстве памяти и накопителей.

Различные отрасли посыпались, как домино. Время ожидания полупроводников Broadcom выросло до 22 недель против 12 недель в феврале 2020. Автоиндустрия потеряла миллионы машин, дата-центры замедлили расширение, даже PlayStation 5 стали дефицитом.

США первыми объявили технологическую войну. Пошлины уже изменили процессы производства у Nvidia, Intel и AMD. Китай ответил санкциями против Micron Technology.

Ключевые игроки разделились на два лагеря. На стороне США — Intel, NVIDIA, AMD, Qualcomm. Китай развивает SMIC и вкладывает миллиарды в собственные технологии. TSMC и Samsung балансируют между сторонами, строя заводы и в Америке, и в Азии.

Национальные программы превратились в гонку вооружений. CHIPS Act выделил $50 миллиардов на американское производство. Европейская программа нацелена на производство 20% мировых чипов к 2030 году. Китай инвестирует $143 миллиарда в полупроводники.

Гонки в мире чипов

Рынок AI-чипов взлетел в 15 раз за десятилетие. Компании научились делать процессоры умнее, но каждое новое поколение требует больше денег и экспертизы.

Техпроцессы сжимаются в размере. TSMC освоила 3-нанометровый процесс, Samsung догоняет. Каждый нанометр стоит миллиарды инвестиций и годы разработки. Apple M4 имеет Neural Engine в три раза быстрее M1, но производство одного такого чипа требует сотни инженеров.

AI-чипы стали новой золотой жилой. Intel запустила Gaudi 3, который на 50% быстрее NVIDIA H100. NVIDIA ответила платформой Blackwell с 208 миллиардами транзисторов. Qualcomm Cloud AI 100 обошел H100 по энергоэффективности — 227 запросов на ватт против 108.

Квантовые технологии пока остаются в лабораториях, но IBM и Google уже тестируют прототипы. Нейроморфные чипы, которые имитируют работу мозга, обещают революцию в энергоэффективности.

Делать чипы стало сложнее и дороже. Современная фабрика стоит $20 миллиардов, срок окупаемости — 10 лет. Поэтому крупные компании строят собственные решения: Apple создала M-серию, Google — TPU, Amazon — Graviton.

Компании поменяли философию. Вместо покупки большего количества серверов они нанимают инженеров для оптимизации кода. Netflix использует персонализированные рекомендации и алгоритмы ранжирования для оптимизации вычислений. Meta* оптимизировала машинное обучение и уменьшила количество GPU на 40%.

Массовый переход на ARM изменил рынок. Amazon перевела часть ресурсов на собственные процессоры. Microsoft адаптировала Windows под ARM-архитектуру. Даже Intel вынуждена выпускать подобные решения.

Россия также планирует наладить массовое производство 28 нм чипов к 2030 году. Росатом присоединился к разработке нейроморфных процессоров. Сбер тестировал отечественный Эльбрус-8С, но выявил проблемы с памятью и оптимизацией.

*– компания признана в РФ экстремистской и запрещена.

Айтишники в центре шторма

Зарплаты разработчиков взлетели вместе с ценами на чипы. Средняя зарплата embedded-инженера выросла до $153,383, а топовые специалисты получают до $175,000 в год. Performance-инженеры зарабатывают в среднем $100,522, но спрос превышает предложение. Оптимизация под ARM-архитектуру, разработка драйверов для AI-ускорителей, программирование FPGA — навыки, за которые компании готовы переплачивать. IT-зарплаты в Северной Америке выросли в среднем до $113,211.

Embedded-разработчики неожиданно стали востребованнее ML-инженеров. Когда Tesla не может купить нужные чипы, она нанимает программистов, которые выжмут из имеющихся процессоров максимум. Один такой специалист экономит компании миллионы долларов на железе.

География возможностей сместилась. Калифорния лидирует по зарплатам — $126,707 в Сан-Хосе, но спрос есть везде. Даже компании из Техаса и Флориды переманивают embedded-разработчиков зарплатами в $120,000-150,000.

Системные администраторы, знающие Kubernetes и контейнеризацию, стали дефицитом. Компании переходят на микросервисы и edge-решения — нужны те, кто умеет управлять распределенной инфраструктурой.

Прогноз на ближайшие пять лет простой: спрос на оптимизацию будет только расти. Эра дешевого железа закончилась. Началась эра дорогих мозгов. Чем сложнее становятся чипы, тем больше нужно программистов, которые умеют с ними работать.

Свет в конце туннеля

Эксперты расходятся в прогнозах восстановления. CEO Intel Пат Гелсингер ожидал дефицит до 2024 года, но рынок полупроводников уже показал рост на 15,2% в начале года. К 2023-му автоиндустрия в основном восстановилась, глобальное производство автомобилей выросло на 3%.

Новые фабрики меняют географию производства. Intel строит заводы в Аризоне за $20 миллиардов и расширяется в Огайо. TSMC открыла завод в Японии в феврале 2024 и планирует второй к 2027 году. Samsung инвестирует в производство в Техасе.

Европа также входит в игру. European Chips Act нацелен на производство 20% мировых чипов к 2030 году с бюджетом €43 миллиарда. Intel проектирует заводы в Ирландии и Германии, Micron строит завод в Нью-Йорке, а GlobalFoundries расширяется на Мальте.

Будущее отрасли — в диверсификации. Тайвань по-прежнему контролирует 65% производства, но объемы будут снижаться. К 2030 году США планируют удвоить свою долю в мировом производстве чипов.

За четыре года индустрия изменилась больше, чем за предыдущее десятилетие. Компании научились строить собственные чипы, программисты — выжимать максимум из доступных ресурсов, а правительства — инвестировать в технологическую независимость.

Бигтехи готовы переплачивать за надежность поставок и «мозги». Программисты в выигрыше: чем сложнее становится производство чипов, тем больше нужно людей, которые умеют эффективно их использовать.

Представьте: студент пишет эссе в ChatGPT, сдает работу, а через неделю преподаватель находит странные символы в его тексте. Это не мистика, а обычная техническая особенность, которая превратилась в детектив в духе Дэна Брауна.

Пора узнать о том, как обычные пользователи случайно раскрыли «заговор» искусственного интеллекта, почему в интернете началась паника о скрытых водяных знаках, и что на самом деле происходит с новыми моделями OpenAI.

Первые улики

Все началось в апреле 2025 года. Студенты университетов стали жаловаться на странные проблемы с текстами ChatGPT. Текстовый редактор Word вел себя странно при копировании эссе. Некоторые символы странно выглядели и в редакторах кода.

Первыми в теме начали разбираться специалисты из Rumi. Они создавали инструменты для поиска ИИ в курсовых и контрольных, поэтому привыкли анализировать тексты. При тестировании новых моделей GPT o3 и o4-mini команда обнаружила, что нейросеть встраивает в сгенерированные ответы Unicode-символы.

При этом OpenAI как раз запустила бесплатный доступ к ChatGPT для студентов до конца учебного года, как раз во время сессии. Неразрывные пробелы появлялись только в длинных ответах — например, если ввести запрос «Напиши эссе о министерстве образования». Хотя некоторые пользователи заметили, что невидимые символы встраиваются и в короткие ответы.

Разработчики начали обсуждать тему на форумах. Пользователи делились скриншотами из Sublime Text и VS Code, где обычные пробелы подсвечивались как спецсимволы. Кто-то понял, что в Word можно нажать Ctrl+Shift+8 — сочетание клавиш сразу находит водяные знаки ChatGPT и отображает их как кружочки.

Такие символы не видно в чате с нейросетью и при копировании текста в Word, гугл-документы, мессенджеры или браузер. OpenAI нигде не сообщала об этом нововведении — вероятно, специально.

Охота на невидимку

Команда Rumi тестировала новые модели и заметила странность — длинные эссе выглядели нормально, но что-то было не так. Когда разработчики скопировали текст в редактор Sublime, то увидели россыпь странных символов на месте обычных пробелов.

Виновником оказался Unicode-символ U+202F — узкий неразрывный пробел. Он практически неотличим от обычного пробела, но имеет совершенно другой код. Для программистов это как найти подделку с помощью ультрафиолета.

Энтузиасты быстро создали инструменты для охоты на невидимку. SoSciSurvey научился находить 34 типа скрытых Unicode-символов — от пробела нулевой ширины до длинных тире.

Самым простым способом отыскать «партизан» стала комбинация клавиш. В Word нужно нажать Ctrl+Shift+8 — обычные пробелы превращаются в точки, а водяные знаки ChatGPT отображаются кружочками. Sublime Text показывает символы еще нагляднее — можно искать конкретно \u202F через функцию поиска.

Удалить символы оказалось еще проще. Любой может открыть VS Code или Sublime Text, найти U+202F через поиск и заменить на обычные пробелы. Водяные знаки исчезают за секунды.

Однако удаление скрытых символов не влияет на обнаружение ИИ-контента детекторами. Текст все равно определяется как сгенерированный. Получается, водяные знаки — это дополнительная, а не основная защита от мухлежа при создании работ.

Заговор разрастается

В соцсетях началась паника. Пользователи обвиняли OpenAI в том, что она специально выявляет студентов-читеров. Совпадение с бесплатным доступом для учащихся добавило масла в огонь.

Блогеры рисовали мрачные картины тотальной слежки. Якобы компания тайно помечает каждого пользователя через невидимые символы. Кто-то даже предполагал, что OpenAI готовит массовые облавы на студентов перед защитой дипломов.

Особенно бурлили студенческие форумы на Reddit. Учащиеся делились страшилками о том, как преподаватели внезапно начали проверять работы через редакторы кода. Появились гайды по обходу любых ИИ-детекторов.

Конспирологи забыли об одной детали — водяные знаки удаляются за пару кликов через поиск в документе.

Второй прокол теоретиков заговора — техническая реальность. OpenAI уже несколько лет разрабатывает технологию водяных знаков, но так и не выпустила ее.

К тому же компания открыто заявляла о работе над детекторами ИИ-контента. «Заговор» рассыпался при первом же фактчекинге.

Но паника уже распространилась. Студенты массово скачивали инструменты для «очистки текстов», а преподаватели начали подозревать каждую работу. История с невидимыми символами превратилась из мелкого бага в огромный снежный ком из паники и домыслов.

Прозаичная реальность

OpenAI наконец прокомментировала ситуацию. Официальный ответ звучал предельно скучно: «Это не водяные знаки, а просто особенность масштабного обучения с подкреплением». Никакого заговора, никакой слежки — банальный артефакт.

При обучении нейросети с подкреплением модель получает «награды» за правильные ответы и «штрафы» за неправильные. В процессе миллионов таких циклов система случайно научилась вставлять специальные символы. Не потому, что так задумывали разработчики. Просто в данных эти символы встречались и улучшали результат.

Нейросеть приобрела «привычку». Никто ее этому не учил, но действие «отложилось в подсознании».

В обучении с подкреплением множество таких сюрпризов. Например, алгоритмы учатся играть в видеоигры и внезапно находят баги, которые не замечали разработчики. Или начинают использовать физику игрового движка нестандартными способами. ChatGPT просто продолжил традицию — научился ставить невидимые символы там, где человек поставил бы пробел.

Конспирологам пришлось сворачиваться. Вместо эпического противостояния студентов и корпораций получился рассказ о том, как нейросеть случайно освоила цифровую каллиграфию.

Дело раскрыто

Парадокс в том, что разоблачить «заговор» оказалось проще, чем его придумать. Один официальный комментарий OpenAI — и вся конструкция рухнула.

Урок простой: перед тем как кричать о заговоре, стоит потратить пять минут на фактчекинг. Google по запросу «reinforcement learning side effects» выдаст тонны статей о побочках машинного обучения. Но кто же будет искать скучные объяснения, когда есть яркие теории?

В следующий раз, когда увидите пост про «тайное оружие техногигантов», вспомните про символы U+202F.

Над теориями заговора можно только смеяться. Больше — в нашем тг-канале!

Этот диссонанс — не исключительно российская проблема. В Германии 20% взрослых функционально неграмотны, а в США 37% выпускников колледжей отрицают теорию эволюции и другие базовые научные парадигмы. Чем больше дипломов получает население, тем меньше оно знает. Почему?

Главная причина — подмена целей. Образование превратилось в формальность: школы натаскивают на ЕГЭ, вузы штампуют «корочки», а студенты учатся не думать, а запоминать. Даже преподаватели признают: современные программы развивают память, но не критическое мышление.

Из статьи вы узнаете, почему диплом перестал быть гарантией знаний, как интернет, соцсети и ИИ усугубляют кризис, какие решения нужно принять, пока проблема не переросла в катастрофу.

Дипломы есть у всех. А где знания?

Кажется, мы живем в эпоху всеобщей образованности. Цифры выглядят впечатляюще: почти половина молодежи в мире (48% в возрасте 25–34 лет) сегодня заканчивает вузы — против 27% в 2000-м. В Южной Корее и Канаде дипломы есть у двух третей взрослого населения, а Китай за 30 лет увеличил число студентов в 10 раз — с 3,8 млн до 50 млн. В России почти каждый третий взрослый человек имеет «вышку».

Но вот вопрос: если дипломов стало больше, почему мир не превратился в цитадель просвещенных эрудитов? Почему вместо этого мы получаем армии «специалистов», которые не могут отличить ДНК от РНК, путают Гражданскую войну с Отечественной и верят, что Земля плоская?

Глобальный бум высшего образования

Тренд очевиден — мир массово учится. В OECD (Организации экономического развития) подсчитали, что среди 25–34-летних женщин и мужчин дипломы об образовании есть у 50%. Лидеры — Южная Корея (69%) и Канада (66,4%), но даже отстающие страны вроде Турции или Мексики показывают рост. Европа к 2030 году планирует довести долю людей с высшим образованием до 45%, а Китай уже сейчас значительно превысил этот показатель.

В России цифры скромнее, но динамика похожая: если в 2000-х вузы заканчивали 25% работающих, то сейчас — 31%. В Москве и Питере дипломы среди молодежи 25–34 лет есть у 41%. Однако наличие «корочки» еще не гарантирует реальных знаний.

На этом графике показан процент сотрудников с высшим образованием:

Почему все рвутся в вузы

Ответ прост: рынок требует. В развитых странах ручной труд и низкоквалифицированные работы вытесняются автоматизацией, а в развивающихся образование стало социальным лифтом. Китай, например, делает ставку на массовую подготовку инженеров и IT-специалистов, чтобы удержать экономический рост.

Но есть и обратная сторона. Когда диплом превращается в формальность (нужен «для галочки» при приеме на работу), его ценность падает. В России, например, 45% трудоспособного населения имеют среднее профобразование — то есть фактически «отсидели» в колледжах, но не получили глубоких знаний. С вузовскими дипломами ситуация не лучше.

Парадокс: больше дипломов — меньше грамотности

Казалось бы, если образование доступно, люди должны становиться умнее. Но данные PISA и TIMSS (центры международных исследований и оценки компетенций) показывают обратное: школьники в развитых странах стабильно теряют навыки чтения, математики и науки.

В причинах подобной ситуации мы будем подробно разбираться в одном из следующих разделов, но основные факторы нужно указать сразу. Современная система образования во многих странах нацелена на «прохождение» программ, а не на понимание. Тесты вроде ЕГЭ учат запоминать и угадывать, а не мыслить.

Перекос в сторону STEM-образования (то есть естественных и технических дисциплин) снижает значимость гуманитарных знаний (история, философия, логика). В итоге прогер умеет писать сложный код, но не отличает пропаганду от фактов.

Важный фактор — инфошум. Соцсети и алгоритмы заменяют глубокий анализ кликбейтом. Зачем учить историю, если «все и всех» уже разоблачили в Ютубе или ТикТоке?

Пока система не перестанет штамповать «корочки» и не начнет учить думать, парадокс будет только усугубляться.

Образованный — не значит умный

По данным Росстата, за последние 20 лет доля людей с дипломами среди трудоспособного населения выросла с 25% до 35%. В Москве и Санкт-Петербурге показатели еще выше — здесь вузы заканчивают около половины жителей. Казалось бы, перед нами общество образованных граждан.

Но реальность разбивает этот стереотип:

• 30% россиян не могут назвать точные годы ВОВ.
• Каждый пятый уверен, что Солнце вращается вокруг Земли.
• 15% считают, что радиоактивное молоко становится безопасным после кипячения.

Эти цифры — не статистические погрешности. Они отражают системный кризис, когда формальное образование перестало гарантировать реальные знания.

К слову, многие американцы уверены, что шоколадное молоко дают коричневые коровы, не говоря уже о том, что более 40% населения в Штатах с трудом умеют читать и писать.

Глобальная картина: образованные, но неграмотные

Проблема носит мировой характер. В Германии, некогда известной своей качественной системой образования, пятая часть взрослых испытывают трудности с пониманием инструкций к лекарствам. Во Франции 40% выпускников школ не могут объяснить, что собой представляют молекулы и атомы.

В США, где 38% населения имеют степень бакалавра, ситуация еще тревожнее:

• треть американцев не могут назвать три ветви власти;
• 37% отрицают теорию эволюции;
• 41% не знают исторического значения Освенцима.

Особенно удручает ситуация с исторической памятью. В Европе 40% молодежи не могут объяснить, что такое Холокост. В России, по данным статистических агентств, около половины респондентов путаются в исторических событиях XX века. При этом подавляющее большинство этих людей имеют как минимум среднее образование.

Информационный хаос vs. знания

Социальные сети окончательно подорвали традиционные образовательные парадигмы. Алгоритмы TikTok и YouTube сознательно продвигают контент, который вызывает эмоции, а не формирует фундаментальные знания.

Последствия:

• около половины молодых россиян получают новости из Telegram-каналов сомнительной достоверности;
• каждый третий выпускник вуза верит хотя бы в одну теорию заговора;
• 60% студентов не проверяют информацию, если она выглядит правдоподобно.

Причины: почему образованные люди становятся невежественными

Дипломы перестали быть гарантией эрудиции — сегодня даже выпускники престижных вузов могут верить в плоскую Землю или отрицать эволюцию. В чем корень проблемы?

Образование, которое не учит думать

Система обучения все чаще работает на количественные показатели, а не на качество знаний. В России за последнее десятилетие число часов на историю и литературу в школах сократилось на 20%, тогда как технические дисциплины сохранили свои позиции. Школьникам с раннего возраста внушают, что единственная цель образования — получить навыки и дипломы, которые помогут им заработать деньги во взрослой жизни

Это не значит, что STEM-науки не важны — проблема в дисбалансе. Когда из программы исчезают философия, логика и анализ источников, даже талантливый инженер может стать жертвой манипуляций.

ЕГЭ и аналогичные системы оценивания усугубляют ситуацию. Школы натаскивают на тесты, а не учат работать с информацией. Результат:выпускники не могут отличить научную публикацию от псевдонаучного текста. Они запоминают формулы, но не понимают, как применять знания в реальной жизни.

Информационный потоп: когда правда тонет в шуме

Алгоритмы поощряют контент, который вызывает эмоции, а не размышления:

• видео с теориями заговора набирают втрое больше просмотров, чем научно-популярные ролики;
• множество пользователей соцсетей никогда не проверяют факты, если заголовок соответствует их убеждениям.

Эксперты называют это «эффектом обратного отбора»: чем громче и увереннее звучит заявление, тем больше у него шансов распространиться. В результате блогер-дилетант с миллионной аудиторией становится для многих авторитетнее профессора. Упадок экспертного сообщества — довольно значимая причина нашего невежества.

Культура быстрых ответов

Раньше образование было инвестицией в себя. Сегодня большинство студентов рассматривают вуз как «пункт выдачи дипломов» для работодателя.

Это меняет мотивацию:

• вместо глубокого изучения предмета — стратегия «сдать и забыть»;
• вместо чтения первоисточников — поиск кратких конспектов в интернете;
• вместо дискуссий с преподавателями — готовые ответы от ИИ.

Книги проигрывают клиповому контенту: за 10 лет среднее время чтения у россиян сократилось до нескольких часов в неделю. Когда человек привыкает получать информацию порциями по 15 секунд, он теряет способность анализировать сложные тексты.

Эти тенденции не фатальны. В следующих разделах мы разберем, какие решения предлагают ученые — от реформы образования до цифровой гигиены. Пока же ясно одно: диплом больше не защищает от невежества. В мире, где правду приходится фильтровать вручную, критическое мышление становится важнее любых корочек.

Эволюция ИТ и уровень знаний: почему доступ к информации не сделал нас умнее

За последние 20 лет информационные технологии радикально изменили способ получения знаний. В 2005 году только 25% россиян имели постоянный доступ к интернету, сегодня — около 90%. Казалось бы, это должно было привести к взрывному росту образованности. Но парадокс в том, что, получив неограниченный доступ к информации, люди разучились ей пользоваться.

Доступ к информации и девальвация знаний

Интернет устранил географические барьеры: студент из провинции может слушать лекции МГУ, а школьник — изучать квантовую физику по YouTube. В России за последнее десятилетие число онлайн-курсов выросло в десятки раз, а дистанционное обучение стало нормой даже в традиционных вузах. Однако большинство студентов использует эти ресурсы для поверхностного изучения темы, а не системного образования.

Проблема не в отсутствии информации, а в ее избытке. Когда Google выдает 400 тысяч ссылок по запросу «информационные технологии в экономике», лишь 5% из них содержат достоверные данные.

Цифровой разрыв: когда технологии не помогают, а мешают

ИТ создал новый тип неравенства — доступ к информации есть у всех, но лишь единицы способны ее обрабатывать и критически оценивать

При этом:

• Школы до сих пор делают акцент на запоминании, а не анализе. Хотя 90% учебных заведений оснащены компьютерами, лишь 15% учителей используют их для развития критического мышления.
• Университеты внедряют ИТ формально. Например, 70% преподавателей применяют PowerPoint, но только 10% — интерактивные симуляторы или виртуальные лаборатории.

Особенно тревожит «эффект Google»: студенты запоминают не факты, а пути к ним. Значительная часть пользователей не может воспроизвести информацию, найденную в сети, уже через неделю после прочтения.

ИТ vs. фундаментальные навыки

Технологии изменили не только способы обучения, но и содержание. В России за 10 лет вдвое сократилось количество часов на историю и литературу, зато программирование ввели даже в начальной школе.

Это создало перекос:

• Технические навыки растут. Каждый третий студент IT-специальностей к выпуску имеет опыт коммерческой разработки.
• Гуманитарная грамотность падает. Треть молодых специалистов не может написать отчет без шаблонов, многие путают Гражданскую войну с Отечественной.

При этом сами ИТ-компании жалуются на дефицит soft skills. Но даже сильный программист не справится с проектом, если не понимает логики исторических процессов или не видит причинно-следственных связей.

ИТ — это инструмент, который усиливает существующие тенденции. Если система образования продолжит делать акцент на тестах и «корочках», технологии лишь ускорят деградацию знаний. Но если пересмотреть подходы — например, заменить зубрежку анализом Big Data или дискуссиями в виртуальных лабораториях — у следующего поколения есть шанс стать по-настоящему образованным.

Последствия: чем это грозит обществу

Когда дипломы перестают гарантировать компетентность, а критическое мышление становится роскошью, страдает вся общественная система. Последствия этого кризиса уже видны в политике, науке и экономике.

Политика: эпоха манипуляций

Недостаток базовых знаний делает избирателей уязвимыми для популизма. В Великобритании уровень образования оказался ключевым фактором в голосовании за Brexit — менее образованные граждане в основном поддерживали выход из ЕС, даже не понимая экономических последствий. В России лишь единицы способны объяснить, как санкции реально влияют на экономику.

Проблема глубже, чем кажется. Когда люди не разбираются в механизмах власти или не знают содержание Конституции, они голосуют не за программы, а за эмоции. В результате политики тратят ресурсы не на решения, а на пиар-кампании, где громкий лозунг важнее, чем факты.

Наука: война с фактами

Антивакцинное движение, отрицание эволюции и вера в плоскую Землю — это не просто курьезы. Если 25% населения сомневается в шарообразности планеты, такие заблуждения напрямую угрожают прогрессу:

• Медицина. Неверие в науку тормозит внедрение генетических технологий, хотя именно они, по прогнозам, к 2030 году позволят лечить рак и наследственные заболевания. Уже сейчас значительная часть населения не доверяет вакцинам — определенные основания для опасений есть, но полное отрицание вакцинации повышает риски эпидемий.
• Технологии. В США более трети выпускников вузов отрицают, что люди произошли от других видов. Если будущие инженеры не понимают базовых принципов биологии, как они создадут биосенсоры или отредактируют геном?

Особенно тревожит рост «альтернативных экспертов». Блогеры без образования обсуждают квантовую физику или эпидемиологию, собирая миллионы просмотров, а профессиональные ученые теряют авторитет. В результате общество делится на два лагеря: те, кто верит в «тайные знания», и те, кто устал спорить.

Экономика: дипломы без навыков

Российские компании уже сталкиваются с дефицитом квалифицированных кадров. Многие работники не умеют грамотно пользоваться компьютерами в профессиональной деятельности, при этом работодатели жалуются, что сотрудники не умеют решать нестандартные задачи.

Вузы продолжают выпускать специалистов, чьи знания не соответствуют рынку:

• Производительность труда в РФ ниже чем в КНР и ряде развитых стран. Одна из причин — образовательная система не учит применять знания на практике. Вместо анализа кейсов студенты зубрят теорию для экзаменов.
• Инновации. Российские компании неохотно инвестируют в разработки, хотя уровень образования — не единственная причина такого состояния. Однако факт налицо — без критического мышления сотрудники не способны генерировать новые идеи, а бизнес предпочитает копировать успешные западные модели.

Формально образованных людей больше, чем когда-либо, но экономика страдает от нехватки реальных компетенций. Закрыть этот разрыв можно только пересмотром подходов к обучению — но система продолжает штамповать «корочки».

Общество, где дипломы есть у многих, а знания — у единиц, рискует скатиться в эпоху «нового средневековья». Уже сейчас мы видим последствия: наука теряет доверие, уступая место теориям заговора., а экономика тормозит из-за кадрового кризиса.

Исправить ситуацию можно, только вернув в образование главный критерий — не количество дипломов, а качество мышления. Пока же тренд обратный: хотя в 2025 году россияне среди ключевых навыков будущего назвали «умение адаптироваться» (27%) и «критическое мышление» (22%), школ и вузов, которые действительно учат этому, — единицы.

Как вернуть знаниям ценность: инструкция по спасению образования

Кризис, при котором дипломы перестали гарантировать компетентность, требует системных решений. Ситуация парадоксальна: вузы выпускают рекордное число специалистов, но работодатели жалуются на дефицит квалифицированных кадров. Исправить это можно, если пересмотреть три ключевых аспекта: содержание образования, методы работы с информацией и роль технологий.

Перезагрузка школы: от тестов к мышлению

Финская модель давно доказала: зубрежка уступает анализу. В России тоже начинают понимать эту необходимость. С 2024 года в школах внедряют учебники по искусственному интеллекту для 5–9 классов, где учат не просто запоминать алгоритмы, а понимать принципы их работы. Однако этого недостаточно.

Основная проблема — ЕГЭ в том виде, в котором эта институция существует в настоящий момент. Система, созданная для объективности, превратилась в «натаскивание на варианты». Учителя тратят больше половины учебного времени на подготовку к тестам, сокращая часы на дискуссии и анализ источников.

Альтернатива — постепенный отказ от формата «единственно верного ответа». Пилотные проекты в Москве и Казани уже экспериментируют с заданиями, где нужно сопоставлять точки зрения или находить скрытые логические ошибки.

Гуманитарные дисциплины — второй фронт борьбы за знания. Сокращение часов на историю и литературу привело к тому, что студенты технических вузов не могут аргументированно поддержать беседу о классической культуре. Возвращение логики и философии в программы — не ностальгия по СССР, а необходимость. Как показывает практика, студенты, изучавшие основы критического мышления, гораздо реже попадаются на фейки в соцсетях.

Медиагигиена: прививка от дезинформации

В 2025 году в российских школах запустили проект «Медиаритм». Ученики создают контент, разбирают кейсы фейков и учатся работать с нейросетями. Важный акцент — не просто технические навыки, а этика: как не стать распространителем дезинформации даже случайно. Первые результаты обнадеживают: участники программы реже репостят непроверенные новости.

Но одних курсов мало. Нужна «цифровая гигиена» на уровне привычек:

• Проверка источников. Простой лайфхак: если новость не публикуют минимум три крупных СМИ, ей нельзя доверять.
• Критика алгоритмов. Видеохостинги показывают то, что вызывает эмоции, а не то, что соответствует истине. Об этом стоит напоминать чаще.
• Практика дискуссий. В том же «Медиаритме» школьники проводят дебаты, где учатся аргументировать позицию без перехода на личности.

Технологии как инструмент, а не замена знаниям

ИИ — не враг образования, если использовать его правильно. Студенты применяют нейросети для учебы, но лишь некоторые из них делают это осознанно: задают уточняющие вопросы, проверяют факты. Остальные просто копируют ответы.

Перспективное решение — интеграция ИИ в учебный процесс как «собеседника». В некоторых вузах уже тестируют систему, где нейросеть не дает готовых решений, а задает наводящие вопросы, помогая студенту прийти к выводу самостоятельно. Например, вместо «Вот формула дискриминанта» — «Как ты думаешь, почему в этом уравнении нельзя просто извлечь корень?».

Виртуальная реальность — еще один инструмент. Вместо сухих параграфов о Древнем Риме школьники надевают VR-очки и гуляют по Форуму, видя, как работали законы и общество. Пилотные проекты в Москве показали: такой материал запоминается гораздо лучше.

Изменения уже начинаются. В 2025 году большая часть педагогов поддержала идею внедрения ИИ в обучение, а многие вузы разрабатывают курсы по медиаграмотности. Но скорость реформ отстает от вызовов времени.

Чтобы диплом снова стал символом знаний, а не формальностью, нужно:

• пересмотреть приоритеты ЕГЭ, заменив тесты на задачи с анализом;
• вернуть в школы философию и логику — не как «лишние предметы», а как основу мышления;
• сделать медиаграмотность таким же обязательным навыком, как чтение.

Как показали проекты типа Skillbox или «ТопБЛОГ», молодежь готова учиться — если давать не абстрактные теории, а практические инструменты. Осталось сделать этот запрос системным.

Главный вывод прост: образование должно готовить не к экзаменам, а к реальной жизни. Когда диплом перестанет быть самоцелью, а станет подтверждением навыков, мы наконец преодолеем разрыв между количеством «образованных» и качеством их знаний. Пока же каждый может начать с себя — развивать привычку проверять информацию и учиться не для галочки, а для понимания мира.

Это стало возможным благодаря инструментам XenonRecomp и XenosRecomp, позволяющим преобразовывать PowerPC-код в x86-совместимый C++, а Xenos-шейдеры — в HLSL.

Проект получил название Unleashed Recompiled.

Почему Sonic Unleashed ждали на ПК

Но самое главное — эта технология теоретически позволяет портировать любую игру с Xbox 360 на ПК, даже если она не поддерживается в рамках обратной совместимости на современных консолях Xbox.

Sonic Unleashed давно считается «белым китом» для фанатов и моддеров. Основная причина — отсутствие официального порта на ПК.

До появления обратной совместимости на Xbox Series S/X единственным способом запустить уровни Unleashed в 60 FPS была модификация Unleashed Project для ПК-версии Sonic Generations, но она охватывала только дневные этапы.

С развитием эмуляторов Xenia (Xbox 360) и RPCS3 (PS3) стало возможно играть в оригинальную версию на ПК, но из-за оверхеда эмуляции производительность оставляла желать лучшего.

Что даёт Unleashed Recompiled

Теперь же, благодаря Unleashed Recompiled, проект впервые получил полноценный ПК-порт, который поддерживает:

• Неограниченное разрешение и гибкие настройки графики
• Моды и пользовательские патчи через HedgeModManager
• Функцию Music Attenuation, приглушающую внутриигровую музыку при воспроизведении внешнего аудио
• FPS выше 60 (хотя из-за багов физики рекомендуется использовать Lossless Scaling или Frame Generation от видеокарты)

Это модульный компьютер, который можно апгрейдить за счёт замены CM5 на более мощные версии в будущем.

Что известно о конструкции?

Ноутбук получил корпус, который, судя по всему, сделан из алюминия, как и предыдущие продукты Argon40. Визуально он напоминает тонкий ультрабук с экраном примерно 14 дюймов.

Разъёмы и интерфейсы:

• Слева: три USB-C, HDMI и USB-A.
• Справа: разъём AV, слот для microSD, два USB (предположительно 3.0) и разъём Kensington Lock.
• Снизу: слот для NVMe SSD и модуль CM5, охлаждаемые через металлический теплоотвод.

Охлаждение и клавиатура

CM5 и Raspberry Pi 5 работают на высоких температурах, поэтому в корпусе может быть активное охлаждение — на видео заметен воздухозаборник рядом с CM5.

Клавиатура получила островные клавиши, а вместо клавиши Windows (Super Key) — логотип Raspberry Pi. Также установлен крупный тачпад без видимых кнопок.

Когда ждать и сколько будет стоить?

Точные цены и дата выхода пока не объявлены. Ноутбук уже появился на Kickstarter.

Это приводило к выходу из строя не только разъёма, но и всей системы. Как выяснили специалисты, причиной стала неправильная установка кабеля питания — он либо недостаточно плотно сидел, либо был вставлен с нарушениями.

RTX 50XX: новая версия разъёма

На мероприятии GeForce Update Editor's Day 2025 NVIDIA заявила, что проблема плавления разъёмов решена с выпуском нового стандарта 12V-2×6 PCIe 12VHPWR, который дебютирует в видеокартах RTX 5090 и 5080.

В компании подчеркнули, что новый разъём прошёл тщательное тестирование и показал себя устойчивым даже при неполной или неправильной установке.

NVIDIA отметила, что с момента внесения изменений в конструкцию, за последние два года подобных инцидентов не зафиксировано.

Осторожность остаётся важной

Несмотря на уверенность NVIDIA, пользователям всё же стоит быть внимательными при подключении кабелей. Важно убедиться, что разъём полностью вставлен и кабель не перегибается слишком резко.

Мощность RTX 5090

RTX 5090, как сообщается, будет потреблять до 175 Вт — это на 27.78% больше, чем у RTX 4090. При таком увеличении энергопотребления вопросы о надёжности разъёма остаются актуальными.

Этот результат превзошёл предыдущее достижение всего на 4 МГц, лишив Elmor его титула, который он удерживал в течение нескольких лет.

Эксперимент проводился на платформе с процессором Intel i9-14900KF, где были отключены энергоэффективные ядра (E-cores) и гиперпоточность (Hyper-Threading).

Использовалась материнская плата Asus ROG Maximus Z790 Apex и 16 ГБ оперативной памяти DDR5.

Особый интерес вызывает выбор операционной системы — разгон проводился на Windows 7, что удивительно для современных систем.

Технические подробности

Чип был разогнан при напряжении 1.387 В. Для охлаждения, скорее всего, применялся жидкий азот или гелий. Благодаря этим условиям, процессор достиг впечатляющей частоты. Правда, стоит понимать, что подобные экстремальные значения не применимы в повседневной работе.

Intel Core i9-14900KF в базовой конфигурации имеет 24 ядра (8 производительных и 16 энергоэффективных) и 32 потока с турбочастотой 6 ГГц. Это делает его одним из самых мощных игровых процессоров от Intel.

Исторический контекст

Этот рекорд является частью долгой эволюции CPU-разгонов. Интересно, что текущая серия Raptor Lake впервые за 12 лет превзошла AMD Piledriver FX-8350 по частотам.

Ему удалось увеличить частоту микрокомпьютера до 3.6 ГГц, применив охлаждение жидким азотом, что стало значительным улучшением по сравнению с исходной частотой в 2.4 ГГц.

Цель эксперимента и его особенности

Плейсьер изначально хотел разогнать Raspberry Pi до 5 ГГц — частоты, характерной для топовых процессоров на настольных ПК.

Однако вскоре стало ясно, что такая цель слишком амбициозна для одноплатного малыша. После нескольких попыток и экспериментов с различными методами охлаждения и настройки он остановился на 3.6 ГГц, что всё равно дало увеличение производительности на 50%.

Одним из методов, которые Плейсьер применил, была эмуляция NUMA, которая обычно используется для улучшения показателей в бенчмарках.

В итоге, стабильную работу на частоте 3.6 ГГц удалось достичь даже при комнатной температуре, но дальнейшие попытки поднять частоту приводили к сбоям, даже несмотря на охлаждение азотом.

Эксперименты с питанием и клоком

Чтобы обойти возможные ограничения по напряжению на Raspberry Pi, Плейсьер подключил к плате внешнюю плату питания AMPLE-X1 от ElmorLabs. Это позволило ему точнее контролировать подачу напряжения.

Он также экспериментировал с внешней тактовой платой от ElmorLabs для изменения входной частоты. Хотя это позволило ему понизить клок до 46 МГц, в итоге Raspberry Pi не смог достигнуть стабильной работы выше 3.407 ГГц.

Возможности и риски разгона Raspberry Pi

Рекордная частота 3.6 ГГц — это уже впечатляющий результат, но эксперты не рекомендуют подобные эксперименты для повседневного использования.

Разгон может привести к перегреву и быстрому износу процессора, особенно если не используются адекватные системы охлаждения, такие как радиаторы и вентиляторы.

Для тех, кто хочет безопасно разогнать Raspberry Pi 5, существуют более «разумные» настройки с частотой около 2.8–3 ГГц, что даёт прирост производительности без значительного риска для оборудования.

Qualcomm, полагающаяся на архитектуру ARM с 2017 года, оказалась в центре разбирательства после покупки стартапа Nuvia, специализирующегося на разработке кастомных процессоров.

ARM утверждает, что Qualcomm попыталась незаконно передать лицензии Nuvia без их одобрения, что нарушает лицензионные соглашения, достигнутые между гигантами. В итоге решила отозвать у создателей чипов Snapdragon лицензию на использование своей архитектуры.

Смелый ответ Qualcomm и что на кону

Qualcomm не собирается уступать без боя и отреагировала на действия ARM следующим заявлением:

Это очередная необоснованная угроза со стороны ARM — попытка навязать свои условия давнему партнёру и помешать нашему производству ведущих в своей категории процессоров. Мы уверены, что наши права по договору с ARM будут подтверждены в суде, а антиконкурентное поведение ARM не будет послушно принято.

После приобретения Nuvia, Qualcomm отказалась от стандартных Cortex CPU от ARM в пользу собственных процессоров Oryon, построенных на базе архитектуры Phoenix.

Эти чипы, предназначенные для ПК, смартфонов и автомобилей, помогли Qualcomm не только догнать, но и превзойти Apple по производительности.

Однако если Qualcomm не удастся прийти к соглашению с ARM, компании придётся отказаться от использования процессоров Oryon, что сильно ударит по её конкурентоспособности.

Особый интерес для компании представляет подразделение по разработке ПК-процессоров, которое может помочь укрепить позиции Qualcomm на рынке.

Этот шаг выглядит особенно актуальным на фоне финансовых проблем Intel и её стремления сократить бизнес-активы для повышения рентабельности.

Чем интересна покупка части Intel?

Хотя Qualcomm традиционно занимается мобильными процессорами, интерес к сегменту чипов для ПК объясняется изменениями на рынке.

Спрос на компьютеры снижается, но ожидается, что рост интереса к устройствам с поддержкой искусственного интеллекта (ИИ) может стимулировать новые продажи.

Intel уже начала адаптироваться к этим трендам, недавно представив чип Lunar Lake, который обещает улучшенную производительность в приложениях на базе ИИ.

В то же время в прошлом году на 8% упали продажи в клиентском подразделении Intel, что привело к ухудшению финансовых показателей. Кроме того, компания сократила персонал на 15% и приостановила выплату дивидендов, что подчеркивает её финансовые трудности.

Qualcomm, в свою очередь, видит потенциал в приобретении части бизнеса, связанного с ПК, чтобы укрепить свои позиции на рынке.

Возможные перспективы для Qualcomm

На данный момент Qualcomm ещё не сделала официального предложения и конкретных деталей о сделке пока нет.

Однако интерес к части бизнеса Intel сохраняется и компания продолжает изучать различные варианты.

Приобретение может помочь Qualcomm вырваться за пределы мобильного сегмента, а также расширить свой продуктовый портфель, сосредоточив внимание на разработке чипов для ПК и ИИ.