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

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

Альтернативой выступают гибридные архитектуры, в которых традиционное внимание чередуется с более экономичными механизмами: Mamba‑2, Gated DeltaNet. Разработчики этих моделей заявляют о радикальном снижении потребления памяти и повышении пропускной способности без потери качества. В данном материале рассматриваются три открытые гибридные модели — NVIDIA Nemotron‑Nano‑9B‑v2, Bamba‑9B‑v2 (IBM) и Qwen3.5‑9B (Alibaba) — и сравниваются с референсной плотной моделью Llama 3.1 8B.

Методика моделирования

Моделирование проводилось для одного ускорителя NVIDIA H200 с 141 ГБ видеопамяти при типичной нагрузке: 4096 входных токенов и до 256 выходных. Рассчитывались следующие метрики: память на один экземпляр с учётом весов, оверхеда и KV‑кеша (Instance VRAM); полное время ответа (E2E Latency); пропускная способность одного экземпляра в запросах в секунду (RPS per replica); требуемый объём памяти на единицу пропускной способности (VRAM/RPS); максимальное число параллельных запросов, ограниченное исключительно памятью. Расчёты верифицировались с помощью расширенного симулятора InferSim и по данным публичных бенчмарков.

Результаты

Особенности производительности моделей

Разница на порядок по KV-cashe у Nemotron обусловлена архитектурой. Модель содержит 56 слоёв, из которых лишь четыре используют полноценное внимание с KV‑кешем, а остальные 52 — сверхбыстрые Mamba‑2‑блоки. Mamba‑2 работает как рекуррентная сеть: вместо хранения растущей таблицы ключей и значений для каждого токена она обновляет компактное скрытое состояние фиксированного размера. В результате для запроса длиной 4096 + 256 токенов KV‑кеш Nemotron занимает около 68 МБ — примерно в восемь раз меньше, чем у Llama. Именно поэтому модель способна удерживать в памяти почти 2000 одновременных запросов; узким местом становится не память, а вычислительная мощность GPU.

Архитектура Qwen3.5 построена на чередовании Gated DeltaNet и Gated Attention. Большинство слоёв использует механизм линейного внимания, который подобно Mamba‑2 оперирует скрытым состоянием постоянного размера, не порождая тяжёлого KV‑кеша. Однако у этого подхода есть обратная сторона: Gated DeltaNet работает последовательно, послойно обновляя внутреннее состояние, и плохо утилизирует матричные вычисления GPU. На коротких дистанциях классический Attention с его эффективным матричным умножением способен загрузить видеокарту почти полностью, тогда как GDN‑слои проигрывают в чистой скорости. В результате TTFT у Qwen3.5 для 4096 токенов составляет 1.86 с против 1.32 с у Llama. На очень длинных контекстах (100K токенов и выше) ситуация меняется: классический KV‑кеш становится тормозом, а Gated DeltaNet продолжает работать с прежней эффективностью.

О качестве и специализации моделей

Каждая из рассмотренных моделей имеет собственную нишу, определяемую не только скоростью, но и метриками качества.

Llama 3.1 8B — референсная плотная модель. Показывает 69.4% на MMLU и 72.6% на HumanEval. Это проверенный универсал для задач, где важна предсказуемость и стабильность, а не максимальная производительность.

Nemotron‑Nano‑9B‑v2 позиционируется как математик и кодер. По данным NVIDIA, модель достигает 72.1% на AIME25, 97.8% на MATH500, 64.0% на GPQA Diamond и 71.1% на LiveCodeBench. Эти результаты делают её сильнейшим вариантом для задач, требующих точных вычислений и генерации корректного кода.

Qwen3.5‑9B является универсальным «эрудитом». Модель превосходит GPT‑OSS‑120B по MMLU‑Pro (82.5%) и GPQA Diamond (81.7%), а также показывает 83.2% на HMMT. Высокое качество на широком спектре тестов позволяет использовать её в сценариях, где важны широкий кругозор и точность ответов.

Bamba‑9B‑v2 — быстрый универсал, превосходящий Llama 3.1 8B по среднему баллу OpenLLM v2. Она не специализируется на одной задаче, но обеспечивает хорошее качество при заметно более высокой скорости.

Рекомендации

• Для чат-ботов и потоковой обработки с высокой пропускной способностью оптимален Nemotron‑Nano‑9B‑v2 — он в полтора раза быстрее Llama и примерно на 30% эффективнее использует память (VRAM/RPS 45.8 против 65.0 ГБ·с).
• Для саммаризации, аналитики документов и агентных систем, где во главе угла широкий кругозор и качество ответа, лучше подходит Qwen3.5‑9B.
• Bamba‑9B‑v2 занимает промежуточную позицию: она даёт заметный прирост скорости при сопоставимом с Llama объёме памяти и может использоваться как универсальный инструмент.

Заключение

Большие языковые модели по‑прежнему требуют значительных вычислительных ресурсов. Однако прогресс в архитектурах — Mamba‑2, Gated DeltaNet — шаг за шагом снижает стоимость владения: на одном H200 теперь можно обслужить заметно больше клиентов, чем год назад. Выбор модели перестаёт быть гаданием по маркетинговым обещаниям и превращается в инженерную задачу с чёткими метриками.

Автор продолжает калибровку симулятора на реальных замерах и готов делиться обновлёнными данными. Читатели, имеющие опыт промышленного развёртывания этих или аналогичных моделей, приглашаются к обсуждению.

Начало революции в графическом конвейере

За последние пять лет в архитектуре рендеринга в играх произошел по-настоящему огромный сдвиг. Если на протяжении двух десятилетий до этого, прогресс упирался в неумолимую математику закона Мура, где улучшение качества рендеринга сводилось к росту вычислительной мощности и увеличению количества полигонов и шейдеров, то сегодня все изменилось. Теперь для достижения высокого визуального качества в играх стала не грубая сила в лоб, а новые подходы, которые меняют устоявшуюся за десятилетия суть самого построения игровой картинки, в том числе на основе технологий ИИ. На сегодняшний день более 80% всех пикселей на экране в самых передовых (с технической точки зрения) играх проходят не классический путь, а смешанные подходы и новые уловки (новые подходы в вычислении света, супер-семплинг на основе ИИ и др).

Сегодня мы остановимся на том, как повлиял (и будет дальше влиять) ИИ на рендеринг в играх, чтобы понять суть сдвига в графике. Для этого мы изначально рассмотрим две ключевые темы: во-первых, фундаментальные отличия DLSS от всех предыдущих подходов к повышению разрешения и сглаживанию (от SSAA до TAAU), а во-вторых, место, которое нейросетевое масштабирование занимает в современном графическом конвейере, после чего сделаем обзор на ближайшее будущее рендеринга в играх.

От супер-сэмплинга к нейронному синтезу сцены

Чтобы оценить место DLSS (в том числе и будущей 5-ой версии) в графическом пайплайне, мы проследим путь эволюции сглаживания и масштабирования от самых первых реализаций до современного подхода с использованием ИИ-вычислений.

Эпоха "чистой математики": SSAA, MSAA, FXAA и их ограничения

Классические методы борьбы с "лесенками" на границах игровых объектов были основаны на простом, но дорогом для вычислений принципе: обработке изображения с более высоким разрешением или его частей.

Посмотрим на три классических алгоритма сглаживания в играх:

• SSAA (Supersampling Anti-Aliasing): Самый "честный", но и прожорливый метод. Сцена рендерится в разрешении, превышающем целевое у пользователя (например, в 4K для вывода на FHD-монитор), а затем полученный кадр сжимается обратно до нужного размера. SSAA обрабатывает каждый суб-пиксель, включая затенение, что дает эталонное качество картинки, но приводит к падению производительности (надеюсь, вы понимаете, почему). Для современных игр со сложными шейдерами и геометрией этот подход непрактичен.
• MSAA (Multisample Anti-Aliasing): Этот метод появился, как попытка оптимизировать SSAA. Суть оптимизации сводится к тому, что обработка затенения производится только один раз для каждого примитива (например треугольника) внутри пикселя, а не каждый сэмпл, как это делает SSAA. Хотя такой подход и значительно снижает нагрузку на GPU, стоит учесть, что MSAA эффективно сглаживает только края геометрии, но не справляется с другими элементами пайплайна, как например, сглаживанием текстур. Также его стоимость все еще остается высокой для сложных сцен.
• FXAA (Fast Approximate Anti-Aliasing): Сглаживание на уровне постобработки, которое анализирует уже готовый 2D-кадр, ищет в нем высоко-контрастные границы и размывает их. Это самый "дешевый" с точки зрения производительности метод, но его главный недостаток, в итоге - неизбежное "мыло" всей картинки, включая текстуры и элементы интерфейса, что приводит к потере четкости и детализации.

Эра темпорального накопления: TAA и его наследники (TAAU)

Ключевой прорыв произошел с переходом к темпоральным методам, которые используют информацию не только из текущего кадра, но и из предыдущих.

Что же изменилось в подходах:

• TAA (Temporal Anti-Aliasing): Вместо того чтобы рендерить каждый пиксель, TAA слегка смещает положение камеры каждый кадр, накапливает информацию с предыдущих кадров, используя моушн векторы объектов, и затем вычисляет среднее значение. Это позволяет получить качество, близкое к SSAA, при производительности, сопоставимой с одной отрисовкой кадра. TAA стал отраслевым стандартом на долгие годы, но у него есть свои фундаментальные проблемы: гоустинг, потеря детализации на мелких и быстро движущихся объектах и общее "мыльное" ощущение от картинки в некоторых реализациях и сценах.
• TAAU (Temporal Anti-Aliasing Upsampling): Логическое развитие TAA. Понимая, что темпоральное накопление позволяет восстанавливать детали из субпиксельной информации, разработчики начали применять его для масштабирования изображения, рендеря сцену в более низком разрешении и "апскейля" в высокое, используя историю кадров.

Именно TAAU является прямым предшественником DLSS, но с одним критическим отличием: TAAU полагается на жестко заданные правила и не способен "понимать" сцену, а лишь математически усредняет пиксели, что часто приводит к артефактам.

Революция DLSS: от CNN до Vision Transformer

NVIDIA DLSS (Deep Learning Super Sampling) и её аналог FSR совершили качественный скачок, заменив чисто математические подходы TAAU на модели машинного обучения, способные принимать более "интеллектуальные" решения о том, как именно восстанавливать изображение.

Первые поколения использовали сверточные нейронные сети (CNN). Их главный недостаток - это "близорукость": модель анализировала пиксели только в рамках ограниченного пространственного окна (рецептивного поля или же область входного изображения). Это приводило к хорошо знакомым геймерам проблемам: если объект двигался слишком быстро, CNN "теряла" его из виду, что вызывало мерцание и гоустинг на мелких деталях вроде листвы, проводов или волос.

Переход на архитектуру Vision Transformer в 4-ой версии DLSS, стал фундаментальным прогрессом. В отличие от CNN, Transformer может оценивать значимость и взаимосвязь любых пикселей в кадре, независимо от расстояния между ними, благодаря дополнительному механизму внимания. Модель научилась "понимать" контекст всей сцены, что позволило радикально повысить стабильность изображения, уменьшив количество артефактов и впервые приблизить картинку после апскейла очень близко сопоставимой с нативным разрешением (а иногда и превосходить её по четкости).

Техническая интеграция в графический конвейер: Место DLSS в пайплайне рендеринга

DLSS не является "черным ящиком", который просто получает на вход низкое разрешение и выдает высокое. Это сложная система, глубоко интегрированная в процесс рендеринга, требующая от разработчиков не только вызова API, но и подготовки специфических данных. Поэтому, когда вы видите плохой DLSS - возможно, дело в самом разработчике игры, а не технологии.

Входные данные: что нужно для работы DLSS

Для корректной работы DLSS графический движок игры должен предоставить специальный набор буферов, каждый из которых критически важен для алгоритма:

1. Color Buffer: Грубо говоря, это кадр, отрендеренный в пониженном разрешении. Это "грубый набросок", на основе которого будет строиться финальное изображение.
2. Motion Vectors: Критически важный компонент. Для каждого пикселя этот буфер показывает, куда он переместился по сравнению с предыдущим кадром. Это позволяет DLSS понять динамику сцены, корректно связать пиксели из разных кадров и избежать эффекта гоустинга.
3. Depth Buffer: Информация о расстоянии от камеры до каждого пикселя. Он помогает модели понять структуру сцены и то, какие объекты перекрывают друг друга, что особенно важно для правильной обработки краев геометрии.
4. Jitter Offsets: Чтобы получить больше информации, чем содержится в одном кадре, камера в каждом кадре слегка смещается на долю пикселя по особому паттерну (как в ранее описанном TAA). DLSS должен точно знать величину этого смещения, чтобы "вычесть" его из векторов движения и корректно совместить пиксели из разных кадров.

Как DLSS встраивается в конвейер

DLSS встраивается не в любой момент, а в строго определенном месте графического пайплайна. Интеграция с игровым движком происходит через открытый SDK, который предоставляет интерфейс для технологий (DLSS, Reflex, и т.д.).

Пример этапов конвейера с учетом работы DLSS:

1. Рендеринг геометрии и шейдинг: Игровой движок выполняет всю "тяжелую" работу: просчитывает геометрию, освещение, материалы и тени. Все это происходит в пониженном разрешении.
2. Ранний пост-процессинг: DLSS должен быть встроен до применения таких эффектов, как шум (film grain), хроматические аберрация, виньетки и, самое главное, до пользовательского интерфейса (UI). Это необходимо, чтобы нейросеть работала с "чистым" изображением сцены, а не с наложенными поверх эффектами, которые могут сбить ее с толку и исказить финальный результат.
3. Вызов DLSS: На этом этапе все подготовленные входные данные (буферы цвета, глубины, моушн векторы) передаются в DLSS. Модель обрабатывает их, используя свои веса, и генерирует финальный кадр в целевом (высоком) разрешении.
4. Поздний пост-процессинг и UI: После того как DLSS выполнил свою работу, поверх полученного высококачественного изображения накладываются эффекты, которые должны оставаться "родными" для разрешения монитора (хроматическая аберрация, виньетка и т.д.), и, что самое важное, интерфейс в целевом разрешении, оставаясь максимально четким и неискаженным.
5. Вывод на экран: Финальный кадр отправляется на дисплей.

Всё это открывает путь к массовому внедрению технологий, в особенности, когда DirectX 12 и другие вендоры открывают новые подходы, подобные DLSS, на основе ИИ рендеринга (сжатие текстур, материалов) на уровне API, делая их стандартной частью инструментария современного разработчика.

DLSS 5: сдвиг парадигмы к нейронному синтезу сцены

DLSS 5 дает старт переопределения самого подхода к постановке задачи. Если предыдущие версии работали с уже отрендеренным кадром, восстанавливая или достраивая пиксели, то новая модель оперирует структурными данными движка: depth buffer, albedo, motion vectors, нормали, идентификаторы материалов и освещения. Сеть не просто «дорисовывает» - она переосмысливает визуальные свойства сцены.

NVIDIA заявляет, что DLSS 5 способен анализировать семантику сцены: распознавать кожу, волосы, ткани, различные типы освещения, и генерировать более точные пиксели для подповерхностного рассеяния (subsurface scattering) на коже или более реалистичные отклики материалов. Речь идёт о контролируемой модификации финального изображения, остающейся детерминированной и темпорально стабильной.

То, что многие "эксперты" ругались на финальный результат, скорее сейчас - это просто сырость самой технологии и "рукастость" разработчиков, которые помогали создавать техно-демонстрацию. Стоит учитывать, что меняется сам подход к рендерингу, так что первые шаги будут шакальными, но этот путь проходили и более ранние технологии без ИИ.

Multi Frame Generation: от линейной интерполяции к адаптивному синтезу

Математика генераций кадров

В классической схеме генерации кадров (DLSS 3) на каждый рендеренный кадр генерировался один интерполированный, что давало прирост в скорости примерно на 100%. DLSS 4 увеличил прирост еще примерно в два раза (три сгенерированных кадра на один рендеренный).

Ключевой вопрос: при каком FPS это имеет смысл? Предположим, что при входном потоке 60 FPS после супер-сэмплинга выход может достигать 360 FPS на дисплее. Это соответствует временному окну ~16.6 мс между рендеренными кадрами, внутри которого нейросеть должна предсказать пять промежуточных состояний сцены. Подумайте сами над ответом и напишите в комметах.

Вообще, в архитектуре Blackwell, которая служит базой для предсказания движения, на высоких коэффициентах генерации линейная интерполяция моушн векторов становится недостаточной. DLSS 4.5 добавляет динамическую регулировку коэффициента: в сценах с высокой сложностью (например, взрывы частиц) модель может снижать коэффициент, чтобы сохранить качество, а в относительно статичных сценах - повышать. Однако опять же, дело за разработчиками.

И вот тут то стоит сделать ремарку. Инженеры Nvidia - люди, которые работают сугубо над тем, чтобы двигать свою технологию вперед, а графические программисты, которые работают над рендерингом, мало того, что занесены в красную книгу, во-первых, привыкли к устоявшимся подходам и не могут быстро переключиться на обновленный пайплайн рендера ничего не сломав, а во-вторых, как и все придерживаются сроков релизов. Если вы представляете примерно, что скрывается под "перестроить графический пайплайн", то должны понимать, почему на первых порах неизбежны косяки в использовании новой технологии.

Проблема в задержках ввода (инпат-лаг) и решение через Reflex

Генерация промежуточных кадров фундаментально увеличивает инпат-лаг: тобишь, сгенерированный кадр не содержит реакции на ввод пользователя, эта реакция появляется только в следующем рендеренном кадре.

NVIDIA компенсирует это технологией Reflex, которая синхронизирует CPU и GPU таким образом, чтобы очередь рендеринга была минимальной. Однако, реализация также сильно зависит от игрового движка и правильности встраивания в общий жизненный цикл рендеринга и остальной логики.

А что, если сжимать данные, а не пиксели?

DLSS - это конечно круто и у всех на слуху. Но это лишь один из подходов, где используется ИИ в процессе рендеринга. Давайте посмотрим на другие подходы.

Сжатие текстур с использованием ИИ: экономия видео-памяти

Одна из наиболее острых проблем современного геймдева: огромный рост объёмов текстур. Традиционные блочные методы сжатия (BC1-BC7) достигают коэффициентов 4:1 <=> 8:1, но их эффективность упирается в фундаментальные ограничения: сжатие происходит независимо для каждого блока, без учёта глобальной структуры текстуры.

Инженеры решили подойти к задаче принципиально иначе: вместо хранения сжатого изображения, хранится обученная нейросеть (или её веса), способная реконструировать текстуру произвольного разрешения в рантайме. Например, NVIDIA, заявляет о семикратном сокращении использования VRAM и системной памяти по сравнению с традиционными блочно-сжатыми текстурами при сопоставимом визуальном качестве.

Технически это работает следующим образом: на этапе сборки игры текстуры пропускаются через процедуру обучения, занимающую менее минуты на тысячи ассетов (в зависимости от железа, конечно). Результатом является компактное представление для модели, которое при загрузке в память распаковывается тензорными ядрами в реальном времени. Поскольку распаковка происходит «на лету», отпадает необходимость хранить в видео-памяти одновременно все MIP-уровни. ИИ может генерировать нужный уровень по требованию.

Для AAA-игр это означает не только экономию видео-памяти, но и радикальное сокращение размера самих игр, ускорение загрузки и возможность увеличить плотность текстур без роста требований к памяти.

Компрессия шейдеров и материалов

Сложные материалы - это слоистые структуры, комбинирующие десятки карт и сотни математических операций. Рендеринг материалов высокого уровня (например, фарфор, шёлк, многослойная кожа) в реальном времени до сих пор был непрактична из-за высокой вычислительной стоимости.

ИИ-шейдеры используют обученные нейросети для вычисления сложного шейдерного кода.

Архитектурно это означает, что вместо выполнения полного графа шейдера на каждом пикселе, GPU выполняет инференс, который выдаёт финальные параметры шейдера. Выигрыш достигается за счёт того, что тензорные ядра выполняют матричные операции существенно эффективнее, чем шейдерные ядра.

Инференс вместо трассировки лучей

Все знают, насколько прожорливой остается трассировка лучей - Ray Tracing и, в особенности, Path Tracing. Path tracing требует трассировки сотен или тысяч лучей на пиксель для схождения непрямого освещения. Новый подход позволяет заменить большую часть этой работы инференсом: после трассировки одного-двух отскоков, нейросеть предсказывает результат бесконечного числа последующих отскоков.

К примеру, подобная технология (NRC) уже стала доступна через RTX Global Illumination SDK и вскоре появится в RTX Remix. Практическое следствие такого подхода - это возможность достижения визуального качества традиционного Path Tracing с производительностью, сопоставимой с более простыми техниками глобального освещения.

Все описанные технологии опираются на специализированные вычислительные блоки. Эволюция тензорных ядер от поколения к поколению напрямую определяет, насколько эффективно работают ИИ модели рендеринга.

Исходя из этого, пользователи RTX 20/30 серий получают идентичное качество изображения, к примеру от DLSS 4.5, но со значительным падением производительности из-за отсутствия родной поддержки FP8/FP4 в тензорных ядрах.

Взглянем в неизбежное будущее: ИИ рендеринг, как новый стандарт

Итак, поговорив о текущих технологиях и меняющемся подходе (где-то еще не идеальным, экспериментальным, но уже набирающем обороты), давайте заглянем в ближайшее будущее рендеринга в играх на базе ИИ.

Траектория развития до 2030 года

Проводя анализ текущих технологических векторов и уже доступных решений, можно смело спрогнозировать несколько ключевых направлений:

1. Полная замена традиционных шейдеров на инференс: первые технологии, вроде RTX Neural Shaders уже демонстрируют, что нейросети могут ускорять сложные вычисления на материалах эффективнее, чем рукописный шейдерный код, в особенности из-за улучшения архитектуры тензорных ядер. Следующий шаг, безусловно, унификация всех материалов под ИИ модели, где шейдер компилируется в веса небольшого инференса.
2. Плавный переход от генерации кадров, к генерации сцены: уже существующие технологии работы с примитивами сцены (проработке геометрии, освещения, текстур), уводят шаг к более оптимизированному и продвинутому конвейеру производства игр на уровне сцены, что развяжет руки художникам и техническим артистам, избавив от рутинной работы по оптимизации сцен на уровне ИИ. А дальше, как вариант, это и генерация каких-либо примитивов, чтобы подобрать для артистов первоначальные наброски за секунды, а не часы ручной работы.
3. Гибридные вычислительные модели: Современные видео-карты уже содержат отдельные тензорные ядра, ядра для рейтрейсинга и шейдерные ядра. Будущие архитектуры, вероятно, ещё сильнее разнесут эти специализированные блоки, позволяя параллельно выполнять классический рендеринг, трассировку лучей и инференс.
4. Стандартизация ИИ-рендеринга: Microsoft уже добавила поддержку ИИ-рендеринга в DirectX, что открывает путь к универсализации (как минимум на уровне DirectX API). Те же ARM развивают собственные GDK для разработчиков, открывая двери для супер-семплинга и денойзинга на основе ИИ под мобильные устройства.

Однако, при всех достижениях, остается ряд фундаментальных проблем, над решениями которых работают сотни инженеров:

1. Детерминированность: Генеративные модели по своей природе случайны. Для соревновательного гейминга необходима попиксельная повторяемость результата, чего сложно достичь без фиксации сида. Однако развитие всё новых и новых подходов, сводит случайность к минимуму.
2. Энергопотребление: инференс безусловно жрет много энергии. В мобильном гейминге и на портативных устройствах (например Steam Deck, Nintendo Switch) это критическое ограничение. Но и в этом направлении ведётся огромная работа, предлагая новые варианты оптимизаций моделей.
3. Обратная совместимость: По мере роста вычислительных требований новых моделей старые GPU теряют способность эффективно их исполнять, что создаёт фрагментацию пользовательской базы. Здесь же скорее результат будет зависеть от скорости появления общепринятых стандартов в разработке, поскольку мы находимся лишь вначале пути.

В истории уже было отвращение к технологиям. Просто вы этого не помните. Как индустрия переваривала прошлые графические революции?

Тейки, сопровождающие внедрение ИИ рендеринга: от "фейковых кадров нейрослопа" и "мыла вместо графики" до страха перед потерей контроля над визуальным результатом, звучат конечно очень громко, но не являются чем-то новым для индустрии. Практически каждое фундаментальное изменение в архитектуре рендеринга за последние 25 лет встречало схожее сопротивление, прежде чем стать новым стандартом.

Compute шейдеры против обычного конвейера (2001–2004)

До появления GeForce 3 и DirectX 8 графический конвейер был жёстко заданной цепочкой операций: трансформация вершин, освещение по фиксированным формулам, растеризация, смешивание текстур. А потом нам разрешили программировать свои вершинные и пиксельные шейдеры для каждой стадии, что открыло дорогу к картам нормалей, динамическим теням и сложным материалам.

В то время, людей пугало, что шейдеры слишком медленные, разработчики не справятся с написанием сложного кода, и что шейдеры, которые можно закодить - это костыли, а не шаг вперед.

В реальности же, всего через пять лет игры без шейдеров, стали пережитком прошлого. Half-Life 2, Doom 3, Far Cry продемонстрировали, что программируемый пайплайн, это не просто замена старому, а инструмент, позволяющий создавать шедевры, невозможные ранее. Разработчики же быстро освоили HLSL и GLSL, а производительность выросла, благодаря аппаратному ускорению шейдерных блоков.

Переход к отложенному освещению (Deferred Rendering, 2007–2011)

Классический прямой рендеринг (forward rendering) пересчитывал освещение для каждого объекта, что делало множество динамических источников света непрактичным. Отложенный рендеринг разделил процесс на два прохода: сначала пишутся геометрические атрибуты в G‑буфер, а уже затем выполняется расчёт освещения только в экранном пространсвте. Это позволило использовать десятки и сотни динамических источников света в кадре. А ведь сегодня это кажется обыденностью.

Но в то время, многие утверждали, что g-буфер будет жрать много памяти, мощное сглаживание MSAA придется выкинуть, а все прозрачные объекты чем-то заменить, ведь они ломаются.

Но в реальности, индустрия нашла компромиссы, ведь плюсы перевешивали все минусы. И так, взамен MSAA появились сначала новые виды сглаживания (FXAA, SMAA, позднее замененные TAA и TAAU), которые в итоге даже превзошли по качеству. А сам подход стал индустриальным стандартом.

Физически корректный рендеринг (PBR, 2013–2016)

В эпоху до PBR материалы описывались стандартными параметрами (specular power, glossiness), которые вели себя по-разному при разном освещении и требовали ручной подгонки под каждую сцену. Физически корректный подход ввёл единую модель BRDF, основанную на измеряемых дополнительных свойствах реальных материалов: metallic, roughness, albedo.

Однако по-началу, реакция была жесткой - говорили о том, что все игры станут одинаковыми и пластиковыми, старые текстуры придется переделывать с нуля, а художники потеряют творческий контроль.

Но случилось другое: PBR не уничтожил стилизацию. Он дал художникам предсказуемую основу, поверх которой можно накладывать стилистические решения. Переход на PBR конечно потребовал до-обучения сотрудников и введения в работу новых инструментов (например, как Substance Painter, Quixel), но результатом стал скачок в реализме и стабильностью материалов между разными сценами и проектами. Сегодня даже стилизованные мультяшные игры используют PBR-пайплайн, адаптированный под эстетику.

Наши дни

Вот и сейчас, начиная с 2018 года, всё началось с переноса технологий рейтрейсинга из киношного рендера, в игровой. Первые реализации были скромными: только тени или отражения при низком количестве лучей на пиксель..

Спустя семь лет, трассировка лучей уже стала стандартом в AAA-сегменте. Cyberpunk 2077 в режиме Path Tracing, Alan Wake 2, Black Myth: Wukong с полным RT: это примеры того, как технология созрела и стала стандартом. Денойзинг и апскейлинг (включая DLSS) эволюционировали, сделав RT играбельным. Консоли текущего поколения получили аппаратные RT-блоки, а AMD и Intel догоняют NVIDIA в производительности трассировки.

Текущий переход к ИИ рендерингу демонстрирует все те же паттерны, что и предыдущие революции.

Нас ждет очередная революция? Подведем итоги

Каждая из прошлых революций требовала времени на адаптацию, обновление инструментария, обучение разработчиков и оптимизацию железа. ИИ рендеринг не является исключением.

Он не отменяет работу художников и программистов, а даёт им новый уровень абстракции: вместо ручной борьбы с шумом, сглаживанием или оптимизацией материалов, разработчики смогут полагаться на модели, обученные на огромных дата сетах фото-реалистичного или же стилизованного контента.

Более того, как мы уже убедились выше, история показывает, что после принятия новой парадигмы или технологий, индустрия не просто возвращается к прежнему уровню качества, а выходит на новую ступень. Шейдеры не убили 2D-спрайты, но подарили нам карты нормалей и динамические тени. PBR не сделал игры однообразными, а дал новую основу, как для фото-реализма, так и для стилизации (например, Dishonored 2).

ИИ-рендеринг не уничтожит «ручную» графику, а позволит достичь в реальном времени визуальной сложности.

Другой вопрос, как разработчики будут пользоваться технологиями, ведь есть примеры, где разработчики, даже при значительном скачке технологий, делают шаг назад (привет Battlefield 6).

Следующие пять лет определят, насколько ИИ рендеринг проникнет в каждый аспект создания игр. Судя по текущей траектории, к 2030 году грань между "рендерингом" и "генерацией" станет неразличимой, либо очень стертой.

Мне стало интересно: а можно ли на бесплатных мощностях, буквально "на коленке", собрать русскоязычного ИИ-рентгенолога? Спойлер: можно. В этой статье расскажу, как я скрестил Vision Transformer от Google с ruGPT-3 от Сбера, как боролся с датасетами на Kaggle и что из этого вышло. В конце — ссылки на GitHub и рабочее демо.

Архитектура: как пришить глаза к мозгу

Чтобы нейросеть могла посмотреть на снимок и написать текст, нужна архитектура Vision-Language Model. Обучать такого монстра с нуля у меня не было ни ресурсов, ни желания. Поэтому я пошел по пути Hugging Face VisionEncoderDecoderModel.

Идея проста как кирпич:

1. Энкодер (Глаза): Берем предобученный google/vit-base-patch16-224-in21k. Он отлично дробит картинку на патчи и извлекает визуальные фичи (понимает, где ребра, а где легкие).
2. Декодер (Язык): Берем ai-forever/rugpt3small_based_on_gpt2. У нее нет глаз, она умеет только генерировать текст.

Чтобы их сшить, пришлось немного "взломать" конфиг ruGPT-3, принудительно сказав ей: «Теперь ты декодер, и у тебя есть слои кросс-внимания» (is_decoder=True, add_cross_attention=True). Hugging Face заботливо создал новые пустые веса между двумя моделями. Именно эти связи мне и предстояло обучить.

Data Engineering: боль, страдания и Kaggle

Найти 7-10 тысяч рентгеновских снимков с подробными заключениями на русском языке в открытом доступе — задача нереальная.

Поэтому я взял открытый американский датасет Indiana University Chest X-Ray (IU X-Ray). Там есть картинки и тексты от американских врачей.

Прямо на Kaggle я поднял пайплайн машинного перевода на базе Helsinki-NLP/opus-mt-en-ru. Закинул тексты в GPU батчами по 32 штуки и за 10 минут перевел более 7000 медицинских заключений на вполне сносный русский медицинский язык.

Но тут платформа подкинула сюрприз: Kaggle прячет часть файлов в виртуальной файловой системе (снимков 7000, а стандартный скрипт видел только 4). Пришлось писать суровый маппинг с глубоким сканированием (os.walk), отрезать расширения и жестко связывать ID в CSV с реальными путями на диске.

Обучение: выжимаем все соки из бесплатных T4

Обучение проходило на Kaggle (2x NVIDIA T4). Чтобы модель не умерла от нехватки памяти (OOM), а сессия не отвалилась по тайм-ауту, пришлось шаманить:

• Включил Mixed Precision (fp16) — ускорило обучение в 2 раза.
• Настроил Gradient Accumulation — размер батча на видеокарту был всего 4, но виртуально мы накапливали до 16.
• Столкнулся с тем, что Seq2SeqTrainer крашится при попытке сохранить промежуточный чекпоинт мультимодального "франкенштейна". Решение? Выключить промежуточные сохранения (save_strategy="epoch") и молиться, чтобы Kaggle не завис. (Кстати, спасает JS-скрипт в консоли браузера, делающий клик раз в 60 секунд).

На 15 эпох ушло около 2.5 часов.

Что получилось в итоге? (Потрогать руками)

Получилась нейросеть, которая реально понимает, что изображено на рентгене, и сыпет терминами вроде «кальцифицированная гранулема» или «легочная васкулярность». Да, иногда она "галлюцинирует" (датасет в 7к снимков — это капля в море для ML), но базовые вещи вроде чистых легких или пневмоторакса сечет неплохо.

Я завернул модель в Gradio и выложил на Hugging Face Spaces. Можно зайти с телефона или ПК, загрузить любой снимок рентгена из гугла и посмотреть, что она выдаст.

👉 Потыкать лайв-демо тут: Hugging Face Space

👉 Весь код, пайплайны и веса тут: GitHub Репозиторий

Буду рад, если кому-то этот код сэкономит время при создании своих мультимодальных сеток. Залетайте в репу, ставьте звездочки, форкайте. Если есть идеи, как улучшить датасет (может, прогнать переводы через LLM для чистки медицинского сленга) — пишите в комменты!

(Дисклеймер: модель обучена в исследовательских целях за вечер. Не суйте ей свои снимки вместо похода к реальному врачу)

Rowhammer — класс атак, при которых многократное обращение к одной строке DRAM-памяти вызывает электрические помехи в соседних строках, переключая биты (0 → 1 и наоборот). До сих пор атаки целились в оперативную память CPU. Теперь три команды независимо доказали: видеопамять GPU уязвима не меньше — и последствия критичнее.

• Три независимых атаки — GDDRHammer, GeForge, GPUBreach — дают полную эскалацию привилегий до root через видеопамять
• Уязвимы карты RTX 3060 и RTX 6000 (архитектура Ampere). Новые поколения пока не проверены
• GDDRHammer: 129 bitflip-ов на банк памяти — в 64 раза больше, чем предыдущий рекорд GPUHammer (2025)
• GPUBreach работает даже с включённым IOMMU — обходит защиту через баги в драйвере Nvidia
• Защита: включить IOMMU в BIOS (от GDDRHammer/GeForge) и ECC на GPU. Активных атак в дикой природе не зафиксировано

По материалам Ars Technica.

Rowhammer: от CPU к GPU за 10 лет

Rowhammer-атаки впервые продемонстрировали в 2014 году на DDR3-памяти. За десятилетие техника эволюционировала: исследователи научились обходить ECC-защиту, атаковать DDR4 с Target Row Refresh, использовать Rowhammer для эскалации привилегий и кражи криптографических ключей.

В 2025 году GPUHammer впервые показал, что видеопамять GDDR тоже уязвима — но результаты были скромными: всего 8 bitflip-ов, достаточных лишь для деградации нейросети на целевом GPU. Три новых исследования превращают эту демонстрацию в полноценное оружие.

Три атаки: GDDRHammer, GeForge, GPUBreach

GDDRHammer: 129 bitflip-ов на банк

GDDRHammer (Graphics DDR + Greatly Disturbing DRAM Rows) работает на RTX 6000 архитектуры Ampere. Используя новые паттерны «хаммеринга» и технику memory massaging, атака вызывает в среднем 129 bitflip-ов на банк памяти — в 64 раза больше, чем GPUHammer годом ранее.

Через манипуляцию GPU page table атакующий получает произвольный доступ на чтение и запись ко всей памяти GPU. Затем — перенаправляет page table на память CPU, получая полный контроль над хост-машиной.

Rowhammer на видеопамяти GPU — такая же серьёзная угроза безопасности, как и на CPU. Все существующие аппаратные и программные защиты от Rowhammer на CPU недостаточны, если не учитывать угрозу со стороны GPU-памяти.

GeForge: 1171 bitflip на RTX 3060

GeForge (Hammering GDDR Memory to Forge GPU Page Tables for Fun and Profit) использует похожий подход, но манипулирует page directory вместо page table. Результат — 1171 bitflip на RTX 3060 и 202 на RTX 6000.

Proof-of-concept на RTX 3060 завершается открытием root-shell на хост-машине. По словам авторов, это первый GPU-side Rowhammer-эксплойт, достигающий эскалации привилегий на хосте.

GPUBreach: обход IOMMU

GPUBreach принципиально отличается от первых двух атак. GDDRHammer и GeForge требуют отключённого IOMMU (Input-Output Memory Management Unit — модуль, ограничивающий доступ устройств к памяти хоста; отключён в BIOS по умолчанию). GPUBreach, продемонстрированный на RTX A6000, работает даже с включённым IOMMU.

Атака эксплуатирует баги безопасности памяти в самом драйвере Nvidia. Даже когда IOMMU ограничивает прямой доступ GPU к памяти хоста, GPUBreach повреждает метаданные внутри разрешённых буферов. Драйвер, работающий с привилегиями ядра на CPU, выполняет out-of-bounds записи под контролем атакующего.

Memory massaging: как обойти защиту page table

Драйвер Nvidia хранит GPU page table в защищённой области низкоуровневой памяти, где bitflip-ы от Rowhammer невозможны. Все три атаки используют технику memory massaging — перемещение page table в незащищённые регионы.

GDDRHammer и GeForge сначала «истощают» стандартный пул аллокатора через sparse UVM-обращения, затем освобождают целевой фрейм памяти в нужный момент — так, чтобы драйвер разместил page table именно в уязвимом регионе. После этого Rowhammer переключает биты в записях page table, перенаправляя указатели на память атакующего.

Какие карты уязвимы и что делать

Подтверждённо уязвимы RTX 3060 и RTX 6000 архитектуры Ampere (2020). Карты Ada Lovelace и более новых поколений пока не исследованы — GDDRHammer не смог атаковать RTX 6000 Ada из-за нового типа GDDR, который исследователи не стали реверс-инженерить.

1. Включить IOMMU в BIOS — защищает от GDDRHammer и GeForge (но не от GPUBreach). По умолчанию IOMMU отключён для максимальной совместимости
2. Включить ECC на GPU командой nvidia-smi -e 1 — снижает объём доступной памяти, но затрудняет bitflip-ы
3. Следить за обновлениями драйверов Nvidia — компания опубликовала рекомендации по GPUHammer 2025 года, но патча для новых атак пока нет
4. Оценить риски для multi-tenant GPU-окружений — если несколько пользователей делят один GPU, атака возможна из непривилегированного CUDA-ядра

Активных атак Rowhammer в дикой природе не зафиксировано. Исследования носят академический характер, но демонстрируют реальную угрозу для shared GPU-инфраструктуры.

Три исследования показали: защита от Rowhammer на CPU бесполезна без аналогичной защиты на GPU. Пока атаки носят академический характер, но с ростом shared GPU-инфраструктуры для ИИ-вычислений угроза становится практически значимой. О других актуальных уязвимостях — в материалах про критические баги в Mongoose и supply chain атаки 2026 года.

Подробности об исследованиях GDDRHammer и GeForge — в материале Ars Technica.

В ноябре 2025 года Starcloud запустила первый спутник с GPU Nvidia H100 на борту — и впервые в истории провела обучение ИИ-модели прямо на орбите.

— — $170 млн Series A, оценка $1,1 млрд (всего привлечено $200 млн)

— Инвесторы: Benchmark, EQT Ventures, Monolith Power Systems

— Первый спутник с Nvidia H100 уже на орбите (ноябрь 2025)

— Следующий запуск: Starcloud-2 с чипом Blackwell и серверным блейдом AWS

— Цель: орбитальный дата-центр мощностью 5 ГВт

Орбитальный дата-центр — вычислительный кластер на базе спутников с GPU и солнечными панелями, работающий автономно без подключения к земным электросетям. Разбираемся, зачем переносить вычисления в космос и насколько это реалистично.

Зачем дата-центры в космосе

Земные дата-центры упираются в два ресурса: электричество и охлаждение. По данным SiliconANGLE, только в США строятся дата-центры суммарной мощностью более 25 ГВт. Энергосети не справляются, а политические и экологические ограничения тормозят строительство новых.

Космос решает обе проблемы принципиально иначе:

• Энергия. Солнечные панели на орбите генерируют, по расчётам Starcloud, в 5 раз больше энергии, чем наземные — нет ночи, облаков и атмосферного поглощения
• Охлаждение. В вакууме тепло отводится через радиаторы инфракрасным излучением. Это пассивные устройства — проще конструкция, меньше энергопотребление
• Масштабирование. Не нужно согласовывать строительство, подключение к электросетям, водоснабжение. Запустил модуль — подключил к кластеру

Что уже работает: Starcloud-1

Первый спутник Starcloud-1 (NORAD 66303) вышел на орбиту в ноябре 2025 года. На борту — GPU Nvidia H100, один из самых мощных чипов для ИИ-вычислений.

Что удалось сделать на орбите:

• Обучить собственную ИИ-модель (nanoGPT) — первое в истории обучение модели в космосе
• Запустить инференс Gemma — открытой модели от Google DeepMind
• Обработать данные с радарных спутников Capella Space в реальном времени

H100 — вероятно, не лучший чип для космоса. Но мы хотели доказать, что можем запускать передовые земные чипы на орбите.

Один из GPU (Nvidia A6000) вышел из строя при запуске. Полученные данные о работе чипов в космических условиях повлияют на дизайн следующих поколений.

Дорожная карта: от одного спутника до 5 ГВт

Starcloud-2 — 2026–2027

Следующий спутник получит:

• Несколько GPU, включая чип Nvidia Blackwell и серверный блейд AWS
• Крупнейший коммерческий раскладной радиатор в истории космических запусков
• Солнечную батарею, генерирующую в 100 раз больше энергии, чем Starcloud-1
• Майнер Bitcoin (да, это не шутка)

Среди первых клиентов — Crusoe, строитель ИИ-дата-центров.

Starcloud-3 — запуск со Starship

Ключевой рубеж — Starcloud-3: трёхтонный космический аппарат мощностью 200 кВт, спроектированный под систему развёртывания Starship от SpaceX. По расчётам компании, это будет первый орбитальный дата-центр, конкурентный по стоимости с наземными — около $0,05 за кВт·ч.

Условие: коммерческие запуски Starship по цене ~$500 за килограмм. CEO Starcloud ожидает, что это произойдёт в 2028–2029 годах.

Финальная цель: 88 000 спутников

Долгосрочный план — созвездие из 88 000 спутников, формирующих распределённый дата-центр мощностью 5 ГВт. Солнечная батарея площадью около 16 км² будет питать модули, соединённые лазерными каналами связи. Загрузка данных — через оптоволоконные модули, доставляемые ракетами (петабайты за рейс).

Риски и ограничения орбитальных дата-центров

Масштаб амбиций вызывает обоснованный скептицизм:

• Starship ещё не летает коммерчески. Если сроки сдвинутся, Starcloud продолжит запуски на Falcon 9 — но о конкурентной стоимости энергии придётся забыть
• Синхронизация GPU. Тренинг крупных моделей требует сотен GPU, работающих синхронно. На орбите это значит либо гигантские аппараты, либо надёжные лазерные каналы между спутниками в строю
• Масштаб пропасти. Starlink — крупнейшая спутниковая сеть (10 000 аппаратов) — генерирует, по оценкам TechCrunch, около 200 МВт. Наземные дата-центры одних только США — более 25 ГВт. Разница в 125 раз
• SpaceX как конкурент. Компания Маска запросила разрешение на запуск миллиона спутников для распределённых вычислений — под нужды Grok и Tesla

Джонстон не считает SpaceX прямым конкурентом: «Они строят под свои внутренние нужды — Grok и Tesla. Мы — энергетическая и инфраструктурная компания для сторонних клиентов».

Кто ещё строит космические дата-центры

• Aethero — бортовые ИИ-вычисления для спутников, запустила первый GPU Nvidia Jetson в космосе (2025)
• SpaceX — запросила разрешение на миллион спутников для распределённых вычислений

Отдельно Nvidia на GTC 2026 представила космические чип-модули Vera Rubin Space-1, хотя ни один ещё не произведён.

Выводы

Starcloud — первая компания, которая запустила передовой ИИ-чип на орбиту и провела на нём обучение модели. $170 млн нового раунда и статус единорога за 17 месяцев показывают, что инвесторы верят в идею.

Но между одним H100 в космосе и 5-гигаваттным созвездием — пропасть размером с целую индустрию. Ближайшие 2–3 года покажут, удастся ли Starcloud преодолеть технологический разрыв — или космические дата-центры останутся красивой, но непрактичной мечтой.

Источники: TechCrunch, SiliconANGLE, Data Center Dynamics, Nvidia Blog

ATLAS (Adaptive Test-time Learning and Autonomous Specialization) — open-source система, которая оборачивает замороженную квантизированную модель Qwen3-14B в трёхфазный пайплайн генерации, верификации и починки кода. На бенчмарке LiveCodeBench v5 (599 из 880 задач) система набрала 74,6% — против 71,4% у Claude Sonnet 4.5.

— ATLAS набирает 74,6% на LiveCodeBench v5, используя замороженную Qwen3-14B на одной RTX 5060 Ti за ~$430

— Базовая модель набирает лишь ~55% — пайплайн добавляет почти 20 п.п. за счёт генерации нескольких решений, тестирования и починки

— Стоимость — ~$0,004 за задачу (электричество) против ~$0,066 за вызов API Claude Sonnet

— Сравнение не прямое: ATLAS использует best-of-3 + итеративную починку, а Claude тестировали в режиме single-shot на другом наборе задач

— На других бенчмарках (GPQA Diamond — 47%, SciCode — 14,7%) ATLAS значительно уступает фронтирным моделям

Автор проекта, студент Исаак Тиггес, собрал всё это на одной потребительской видеокарте RTX 5060 Ti 16 ГБ. Весь инференс локальный — данные не покидают машину, API-ключи не нужны.

Как работает ATLAS

ATLAS — это не новая модель, а инженерная обвязка вокруг существующей. В основе — замороженная квантизированная Qwen3-14B-Q4_K_M от Alibaba, запущенная через патченный llama-server на K3s. Система работает в три фазы:

Фаза 1: генерация

PlanSearch извлекает ограничения из задачи и генерирует несколько различных планов решения. BudgetForcing контролирует количество thinking-токенов. DivSampling обеспечивает разнообразие кандидатов. На выходе — три варианта решения (k=3).

Одна эта фаза поднимает результат с 54,9% до 67,3% — прирост 12,4 процентных пункта.

Фаза 2: отбор лучшего кандидата

Geometric Lens — компонент, который оценивает качество каждого кандидата по внутренним представлениям модели и отправляет лучшего на исполнение в песочницу.

Важный нюанс: в текущей версии эта фаза не дала прироста (+0,0 п.п.), потому что C(x) обучалась всего на ~60 примерах — слишком мало для осмысленного энергетического ландшафта. Автор планирует исправить это в V3.1.

Фаза 3: починка провалов

Если все кандидаты провалились, модель генерирует собственные тест-кейсы и запускает PR-CoT (multi-perspective chain-of-thought repair) — итеративную починку через рассуждение с нескольких точек зрения. Модель никогда не видит правильные ответы — только свои собственные тесты.

PR-CoT спасает 36 из 42 задач, попавших в фазу починки — 85,7% успеха. Суммарный прирост фазы 3 — ещё 7,3 п.п.

Бенчмарки: что показывают цифры

Результаты ATLAS V3 на трёх бенчмарках:

Метрика pass@1-v(k=3) означает, что для каждой задачи генерируются три кандидата, из которых выбирается лучший. Это значительно легче, чем классический pass@1, где модель даёт ровно один ответ без права на повторную попытку.

Для контекста — сравнение стоимости и результата на LiveCodeBench:

Почему сравнение не совсем честное

Автор ATLAS сам признаёт ключевое ограничение: сравнение — не контролируемый head-to-head.

• ATLAS тестировали на 599 задачах LiveCodeBench v5, а Claude — на 315 задачах из данных Artificial Analysis. Это разные наборы задач
• ATLAS генерирует три кандидата, отбирает лучшего и итеративно чинит провалы. Claude тестировали в режиме single-shot (один запрос, один ответ, без повторов)
• ATLAS оптимизировался именно под LiveCodeBench — на GPQA Diamond (47%) и SciCode (14,7%) результаты значительно скромнее
• Метрика ATLAS — pass@1-v(k=3), а не классический pass@1. Это принципиально разные вещи

Как отмечает Fordel Studios, бенчмарки измеряют способность решать изолированные задачи с чёткими условиями — это около 5% того, что важно в продакшене. Остальные 95% — длинный контекст, неоднозначные требования, мультишаговое планирование.

Что действительно впечатляет

Несмотря на оговорки, проект демонстрирует несколько важных вещей:

1. Инженерия побеждает масштаб. Базовая Qwen3-14B набирает ~55% — пайплайн ATLAS добавляет почти 20 п.п. без единой строчки файнтюнинга. Это чистая системная инженерия
2. Порог входа падает. Два года назад для локального инференса нужна была видеокарта за $2000+. Сегодня — RTX 5060 Ti за ~$430. Через два года это может быть карточка за $200
3. Полная автономность. Данные не покидают машину. Нет API-ключей, нет счетов, нет зависимости от провайдера. Для сценариев с чувствительными данными — это принципиально
4. Стоимость. ~$0,004 за задачу (электричество при $0,12/кВт·ч) — в 16 раз дешевле одного вызова Claude Sonnet API

Ограничения и планы

Автор честно документирует проблемы текущей версии:

• Geometric Lens (фаза 2) не работает — обучалась на 60 примерах, что слишком мало
• Метрический тензор G(x) неактивен — будет переработан или удалён в V3.1
• Задачи обрабатываются последовательно — нет параллелизма
• Баг SandboxAdapter со stdin — не работает tiebreaking через distinguishing input
• Система оптимизирована только под LiveCodeBench — кросс-доменная генерализация на повестке V3.1

В версии V3.1 планируется переход на Qwen3.5-9B с архитектурой DeltaNet (ускорение в 3–4 раза), переобучение Geometric Lens, параллелизация задач и расширение набора бенчмарков. Целевой результат — 80–90% на LiveCodeBench.

Требования к железу

Проект пока не plug-and-play — V3.1 обещает улучшить портативность. На текущий момент настройка под конкретное железо может потребовать ручной работы с параметрами: количество параллельных слотов, квантизация KV-кеша, размер контекста на слот.

Выводы

ATLAS — впечатляющая демонстрация того, как системная инженерия может компенсировать разрыв в масштабе моделей. Студент, одна видеокарта за $430, замороженная open-source модель — и результат, который на конкретном бенчмарке обходит коммерческую фронтирную модель.

Но важно не путать бенчмарк-результат с готовностью к продакшену. ATLAS решает задачи LiveCodeBench, генерируя и перебирая варианты. Фронтирные модели решают принципиально другой класс задач — работа с огромным контекстом, понимание неоднозначных требований, мультишаговое планирование.

Бенчмарки измеряют, может ли модель решить игрушечную задачу. Продакшен измеряет, может ли она думать.

Настоящий сигнал здесь — не в том, что локальный инференс «победил» облачный ИИ. А в том, что порог доступа к мощному ИИ-инференсу продолжает стремительно падать. Если у вас есть NVIDIA GPU с 16+ ГБ VRAM — попробуйте ATLAS на своих задачах и оцените результат.

Источники: ATLAS на GitHub (1,2K звёзд) · LiveCodeBench Leaderboard · обсуждение на Hacker News · анализ Fordel Studios

Но паника оказалась преждевременной. Разбираемся, что на самом деле делает TurboQuant и почему аналитики советуют покупать на падении.

Главное: TurboQuant сжимает только KV-кеш при инференсе, не веса модели и не данные обучения. HBM-память, основной драйвер прибыли чипмейкеров, нужна для обучения — а TurboQuant на обучение не влияет вообще. Аналитики Morgan Stanley, JPMorgan и Citigroup называют обвал «возможностью для покупки».

Что такое TurboQuant

TurboQuant — алгоритм сжатия KV-кеша (Key-Value cache) при инференсе больших языковых моделей. KV-кеш — это «рабочая память» модели: промежуточные вычисления механизма внимания, которые хранятся в VRAM GPU. Чем длиннее контекст, тем больше KV-кеш занимает места.

Алгоритм работает в два этапа:

1. PolarQuant — переводит векторы из декартовых координат в полярные после случайного вращения, экономя 1–2 бита на число
2. QJL (Quantized Johnson-Lindenstrauss) — коррекция ошибок: сводит остаточную ошибку к одному биту, обеспечивая нулевое смещение attention scores

Результат: сжатие KV-кеша до 3 бит на значение (с 16 стандартных), ускорение до 8x на H100, нулевая потеря качества на бенчмарках. Не требует дообучения. Статья принята на ICLR 2026.

Как отреагировал рынок

• Micron (MU) — с $471 до $345, падение ~25% за неделю
• SK Hynix — -6,2% за день
• Samsung — -4,7%, 4 дня падения подряд
• Kioxia — -6% в Токио
• Western Digital, SanDisk — -7%+
• KOSPI -3,2%, NASDAQ -2,4%

Почему паника преждевременна

Аналитики Morgan Stanley, JPMorgan, Citigroup и Goldman Sachs единодушны: реакция чрезмерна. Почему:

1. TurboQuant сжимает только KV-кеш, не веса и не данные обучения. HBM нужна для обучения — TurboQuant на обучение не влияет
2. Парадокс Джевонса. Дешевле инференс = больше компаний используют ИИ = спрос растёт
3. Прецедент DeepSeek. В январе 2025 тоже обвалили чипмейкеров — затем спрос только вырос
4. Исследование, не продукт. Нет кода, эксперименты на ~8B моделях
5. Фиксация прибыли. Micron +300%, Samsung +200%, Kioxia +700% за год

If TurboQuant cuts AI operating costs to one-sixth of current levels, companies that have hesitated to adopt AI due to cost burdens will enter the AI ecosystem.

Sell-off stemmed from an interpretation error caused by confusing the roles of memory capacity and memory bandwidth.

FAQ

TurboQuant убьёт спрос на память?

Нет. Алгоритм сжимает только KV-кеш при инференсе. HBM для обучения не затронута. Глава SK Group заявил, что дефицит чипов памяти сохранится до 2030 года.

Можно ли уже использовать TurboQuant?

Официального кода от Google нет, но уже появились независимые реализации на PyTorch+Triton, MLX и C/CUDA для llama.cpp.

Чем это отличается от обычной квантизации?

GPTQ/AWQ сжимают веса модели с потерей качества. TurboQuant сжимает KV-кеш (временные вычисления) с математически доказанным нулевым смещением. Подходы комплементарны.

Источники: Google Research, CNBC, Seoul Economic Daily

Причина не в идеологии open-source и не в желании «поковыряться в Терминале». Все куда прозаичнее и ближе — за последние годы сама Windows сильно изменилась.

По его словам, система стала менее предсказуемой, более навязчивой и все чаще ломает базовые сценарии работы. Причем без возможности нормально это контролировать.

Обновления без согласия и баги без решений

Ключевой переломный момент — крупное обновление Windows 11 24H2. Оно установилось автоматически, несмотря на отложенные апдейты, и принесло с собой критический баг: Google Chrome начинал «ломаться» визуально, если оказывался под другим окном, а иногда это приводило к полной блокировке системы.

Откат обновления не сработал, переустановка Windows проблему не решила. Единственным «рабочим» вариантом оказался переход на Insider-сборку. А это, на минуту, нестабильный канал обновлений, который Microsoft обычно не рекомендует для основной системы.

Позже выяснилось, что проблема связана с конфликтом драйверов NVIDIA и механизмом Multiplane Overlay (MPO). При этом NVIDIA и Microsoft публично перекладывали ответственность друг на друга, а пользователь оставался без реального решения.

Реклама и контроль вместо системы для работы

Помимо багов, автор отдельно отмечает изменения в философии Windows:

• полноэкранные рекомендации и реклама OneDrive, Edge и Copilot;
• сложности с созданием локальной учетной записи без обходных путей;
• невозможность «заморозить» стабильную конфигурацию без риска, что следующий апдейт все сломает.

В результате Windows, по его словам, перестала быть «удобной по умолчанию». Система стала требовать столько же ручной настройки, сколько Linux — но без контроля над результатом.

Переход на Linux: больно, но чинится

В качестве основной системы разработчик выбрал CachyOS — производительный дистрибутив на базе Arch Linux. Переход оказался не идеальным: были проблемы со сном системы и работой драйверов NVIDIA. Но ключевое отличие от Windows — эти проблемы удалось решить.

Что в итоге

Автор подчеркивает: Linux все еще не универсален. В креативных задачах, 3D-моделировании и некоторых играх ограничения остаются. Но главное изменение — ощущение контроля над системой.

Windows, по его мнению, проиграла не потому, что Linux стал идеальным, а потому что сама Windows стала нестабильной, навязчивой и непредсказуемой.

И именно это, как он считает, сегодня подталкивает все больше разработчиков и пользователей смотреть в сторону Linux.

Происходящее привело к тому, что компания официально предупредила партнеров: производство, а также поставки SSD и другой продукции, завязанной на памяти, приостановлены. Причина прозаична — выпускать стало просто нечего.

Проблемы тянутся еще с октября, когда поставки NAND от ключевых производителей — Samsung и SanDisk — внезапно остановились. Цепочка разорвалась и пошли массовые перебои. Из-за этого срывались контракты, а заказы невозможно было выполнить.

В письме партнерам Transcend говорит о «небывалой скорости удорожания» и полном дефиците компонентов. Главный виновник — стремительный рост спроса со стороны ИИ-платформ и облачных дата-центров.

Amazon, Microsoft и другие крупные игроки выкупают огромные объемы NAND под собственные кластерные потребности. На традиционный рынок уходят жалкие остатки и цены там взлетают до небес.

Производители уходят с рынка один за другим

Кризис уже выбивает старых игроков. Crucial — один из самых известных брендов SSD и оперативной памяти — фактически закрывает потребительское направление.

Как пишет CNews, компания уже убрала из продажи большую часть ассортимента, а выпуск SSD прекратит до апреля 2026 года.

Micron, владелец Crucial, объясняет решение нестабильностью бизнеса. Спрос смещается в промышленный и серверный сегменты, а массовые устройства тонут в дефиците и дорожающих компонентах. По словам компании, рынок «разрывает» спрос со стороны ИИ-кластеров и ферм на базе GPU NVIDIA и AMD. Туда же утекают NAND и DRAM.

Дефицит будет только усиливаться

Transcend не считает происходящее временным. Компания ждет, что давление на цепочки поставок сохранится еще минимум от трех до пяти месяцев, а пик кризиса придется на конец 2025 — начало 2026 года.

Это подтверждают и отраслевые источники. SanDisk уже подняла контрактные цены на NAND на 50%. Innolux и Apacer предупредили партнеров о срыве поставок и невозможности выполнять обязательства.

ChatGPT стал не просто популярным продуктом — он стал исторической вехой. Вокруг него вырос огромный рынок генеративного ИИ, который по масштабу часто сравнивают с новой индустриальной революцией.

Появились и громкие заявления: например, автор книги «Империя ИИ» Карен Хао считает, что OpenAI уже обладает влиянием, сравнимым с государствами.

Мир в ожидании перемен

Обозреватель The Atlantic Чарли Варзел пишет, что мы живем «в мире, который построил ChatGPT» — мире нестабильности и ожидания следующего скачка технологий.

Мол, молодые специалисты сомневаются в выборе карьеры: они не понимают, какие профессии переживут новую волну автоматизации. Люди постарше переживают, что навыки, на которые они опирались десятилетиями, могут резко обесцениться.

Но не все смотрят на происходящее с тревогой. Инвесторы и технологические компании надеются, что ИИ принесет новую экономическую волну, похожую на бурный рост интернета в конце 90-х.

При этом даже оптимисты признают: технология развивается настолько быстро, что ее невозможно назвать «готовой». Из-за этого будущее одновременно вдохновляет и пугает.

Как ИИ перестроил рынок капитала

По данным Bloomberg, эффект ChatGPT особенно заметен на фондовом рынке. Главный выигрывающий от происходящего игрок — NVIDIA. Ее графические процессоры стали основой ИИ-индустрии. Так, с момента запуска ChatGPT, акции компании выросли на 979%.

Вслед за ней ускорились и другие гиганты: Microsoft, Apple, Alphabet, Amazon, Broadcom. Теперь семь крупнейших компаний формируют 35% индекса S&P 500 — такой концентрации не было никогда.

Но внутри индустрии звучат и предупреждения. Гендиректор OpenAI Сэм Альтман открыто признает, что «кто-то потеряет феноменальные деньги на ИИ».

Глава Sierra и председатель совета директоров OpenAI Брет Тейлор сравнивает происходящее с пузырем доткомов: компаний может разориться много, но сама технология никуда не исчезнет.

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.

Об этом он рассказал в интервью на Open Source Summit в Сеуле.

«Я уже 20 лет не программист»

Торвальдс признался, что своей основной задачей давно не считает написание кода:

«Около 20 последних лет я не программист. Я смотрю на Git со стороны, а в ядре моя роль — соглашаться или отказывать».

Он отметил, что все чаще приходится «говорить да» новым идеям, несмотря на сопротивление старых мейнтейнеров. Это можно заметить, например, в вопросе интеграции Rust в ядро Linux.

Что он думает об ИИ и разработке

Несмотря на то, что сам Линус не пользуется ИИ-ассистентами, он не исключает, что такие инструменты могут пригодиться в ядре. Основная проблема ИИ сейчас, по его словам — не код, а инфраструктура:

«ИИ-краулеры сильно захламляют наши ресурсы, притаскивают баги и репорты, которых не существует».

При этом Торвальдс позитивно оценивает влияние ИИ-бума на индустрию: из-за него NVIDIA стала «значительно более хорошим игроком» в Linux-сообществе.

А что с вайб-кодингом?

Именно здесь Линус удивил больше всего. Он сказал, что относится к вайб-кодингу «довольно позитивно», потому что он:

• облегчает вход в программирование для новичков;
• позволяет увидеть быстрый результат;
• снижает технический порог для тех, кто раньше не мог «заставить компьютер что-то делать».

Но использовать это в реальных проектах — гиблая идея:

«Это может быть ужасным решением с точки зрения поддержки».

По мнению Торвальдса, вайб-кодинг — отличная «точка входа», но плохой фундамент для сложных систем вроде ядра Linux.

Вердикт Линуса

Он видит ИИ как обычный инструмент — как когда-то компиляторы, которые избавили разработчиков от необходимости писать код ассемблера вручную:

«ИИ не убьет профессию. Как и компиляторы, он просто повысит продуктивность».

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!

Этот шаг стал очередным проявлением глубокого технологического противостояния между Китаем и США — теперь не только Вашингтон ограничивает экспорт, но и Пекин фактически закрывает свои границы для иностранных чипов, усиливая курс на технологическую автономию.

От расследования до фактической блокады

Как сообщается, расследование в отношении NVIDIA H20, специально адаптированного для китайского рынка после американских санкций, началось ещё весной.

С тех пор регуляторы КНР убедили крупнейшие технологические компании, включая Tencent, ByteDance и Alibaba, отказаться от закупок продуктов NVIDIA и переключиться на внутренние разработки.

Ранее, по данным источников FT, из-за слабого контроля через серый импорт в Китай попало почти $1 млрд нелегально ввезённых GPU за три месяца — с мая по июль. Теперь этот канал перекрыт: таможня проверяет каждую поставку чипов, включая корпоративные заказы.

Китай делает ставку на собственные AI-чипы

Такие меры фактически означают, что Китай отказывается от “маршрута NVIDIA”, делая ставку на отечественные решения Huawei, Cambricon и Biren.

Однако аналитики отмечают, что полная замена зарубежных GPU пока невозможна: экосистема NVIDIA включает не только аппаратное обеспечение, но и проприетарные программные инструменты CUDA, без которых невозможно эффективно обучать модели искусственного интеллекта.

«NVIDIA остаётся недосягаема по производительности и инфраструктуре. Разработка аналогов — это задача не одного года», — отмечают эксперты отрасли.

Влияние на рынок

Пока китайские компании используют запасы NVIDIA H20 и RTX 6000D, но при текущем уровне контроля эти резервы могут закончиться к 2026 году.

Это ставит под вопрос развитие национальных AI-сервисов, включая генеративные модели и облачные платформы, которые до сих пор зависели от американского оборудования.

Тем временем NVIDIA уже приостановила приём новых заказов в Китае, опасаясь следующего раунда санкций и полной потери рынка.

Глобальный контекст

Это ужесточение контроля стало зеркальной реакцией на экспортные ограничения США, направленные против китайской AI-индустрии.

Пока Вашингтон запрещает поставку передовых GPU в Китай, Пекин отвечает ограничениями на импорт американских чипов и технологий, создавая взаимную блокаду в сфере искусственного интеллекта.

В новой версии применяется архитектура 900V, поддерживающая высокую плотность энергии и мгновенный обмен данными между системами.

Китайский премиальный бренд Zeekr, входящий в состав Geely Group, представил обновлённую версию своего флагманского электромобиля — Zeekr 001 (2024). Модель получила улучшенную динамику, ускоренную зарядку и интерьер уровня high-tech премиум-класса.

Nvidia Thor-U: автомобиль как сервер

В основе новой Zeekr 001 лежит чип Nvidia Drive Thor-U — это AI-процессор для автомобилей, производящий от 700 триллионов операций в секунду (TOPS).

Автомобиль с таким чипом становится высокопроизводительной вычислительной платформой, способной:

• обрабатывать данные от LiDAR, радаров и камер в реальном времени;
• обеспечивать работу нейросетей для распознавания объектов;
• управлять автопилотом, мультимедией, климатом и голосовыми интерфейсами.

Это приближает автомобиль к концепции «edge computing» — распределённых вычислений на периферии сети.

Такие системы уже рассматриваются как элемент умных городов (smart cities), где транспортные средства обмениваются данными с инфраструктурой.

Software-defined vehicle — новый тренд ИТ

Обновление Zeekr 001 отражает глобальную тенденцию Software-Defined Vehicle (SDV) — автомобиля, где функциональность определяется не железом, а кодом.

Благодаря новой архитектуре Zeekr сможет:

• обновлять прошивки по воздуху (OTA);
• внедрять новые функции без физического вмешательства;
• использовать единое ПО для управления двигателем, батареей, навигацией и интерфейсом пользователя.

Для IT-индустрии это значит:

• появление нового сегмента DevOps-инфраструктуры для авто;
• развитие облачных сервисов и CI/CD для автомобильного софта;
• спрос на инженеров машинного обучения, data-инженеров, специалистов по кибербезопасности в транспортной сфере.

С ростом автономности и сетевой интеграции авто становятся частью IoT-инфраструктуры, где ключевыми становятся вопросы безопасности и приватности.

Zeekr использует архитектуру с изолированными контурами безопасности, что напоминает практики zero-trust и контейнеризацию данных в корпоративных ИТ.

Кроме того, вектор на 900V архитектуру означает и интеллектуальное распределение энергии — аналог оптимизации вычислительных мощностей в ЦОД.

Технические детали

Новая Zeekr 001 оснащена системой автопилота G-Pilot H7, включающей 31 сенсор, в том числе LiDAR, камеры, радары и ультразвуковые датчики.

Главный мозг системы — чип Nvidia Drive Thor-U, обеспечивающий 700 TOPS вычислительной мощности — на 40% больше, чем у предыдущего поколения с Mobileye EyeQ5H и Drive Orin.

Это обеспечивает:

• точное распознавание дорожных объектов,
• плавную адаптивную навигацию,
• поддержку полуавтоматического вождения и автопарковки,
• повышенный уровень активной безопасности.

Внутри Zeekr 001 получил новый 16-дюймовый центральный дисплей 3.5K, который можно вращать на 30°, а также:

• 13,02-дюймовую цифровую панель приборов,
• 8-дюймовый экран для задних пассажиров,
• гигантский 39,3-дюймовый AR HUD,
• аудиосистему с 29 динамиками для полного эффекта присутствия.

Кабина отделана натуральной кожей Nappa и алькантарой, а центральная консоль получила отделку замшей.

Длина — 4,98 м, ширина — 1,99 м, колёсная база — 3 метра, что обеспечивает комфорт бизнес-класса и отличную устойчивость на трассе.

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.

По данным The Information и независимых аналитиков, Microsoft с трудом продала Copilot всего 1,8 млн пользователей — при общем числе подписчиков Microsoft 365 в 440 млн человек. То есть платной версией пользуются менее 0,5% клиентов.

Причина? Продукт дорогой (от $30 в месяц) и пока не дает ощутимого прироста производительности.

Вдобавок, компания теряет более $20 в месяц на одного пользователя Copilot, а некоторые обходятся ей в $80 и выше.

А как дела у OpenAI?

Тоже не очень. Стартап обещает потратить $1 трлн на инфраструктуру (в том числе — дата-центры и чипы NVIDIA), но:

• Зарабатывает при этом около $13 млрд в год.
• Уже имеет контрактов на $300+ млрд, которые пока не может оплатить.
• Ищет финансирование у Oracle, Microsoft, инвестфондов и всех, кто готов поверить в «революцию ИИ».

Тем временем, Claude Code от Anthropic, один из популярных ИИ-ассистентов для программирования, приносит около $33 млн в месяц, но работает в минус — пользователи жгут токены быстрее, чем платят за подписку.

Все пропало?

Нет. Но аналитики называют происходящее «одним из самых раздутых пузырей в истории Кремниевой долины».

• Генеративный ИИ пока не заменил ни одного класса специалистов.
• Продукты вроде Copilot и ChatGPT остаются дорогими в обслуживании.
• Доходность большинства ИИ-стартапов находится на грани фола (если не за ней).

Что дальше?

Пока компании вроде OpenAI и Anthropic продолжают сжигать миллиарды, инвесторы верят в «будущее».

Но с каждым новым месяцем становится все сложнее игнорировать факты: ИИ-революция может закончиться раньше, чем NVIDIA успеет доставить новые чипы.

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.

Эти проблемы затрагивают даже топовые модели с RTX 4080 и Core i9. Обновления драйверов, переустановка Windows и переход на Linux — ничего не помогает.

Профилировщик LatencyMon показывает конкретного виновника: ACPI.sys — компонент Windows, который исполняет код из BIOS. И именно этот код, как показало расследование, устроен катастрофически неправильно.

Что не так: прерывания, которые засыпают

Расследование показало, что примерно каждые 30–60 секунд BIOS запускает метод _GPE._L02, вызываемый при аппаратных событиях. Его задача — опросить статус батареи и питания.

Но он делает это внутри обработчика прерывания, вызывая Sleep() прямо в контексте ядра. То есть прошивка буквально приказывает процессору «поспать» на 25–100 мс — в момент, когда он должен работать максимально быстро.

Такой подход блокирует работу системных таймеров, мешает другим драйверам и вызывает те самые замирания, которые замечают пользователи.

Вишенка на торте: попытка отключить единственный активный GPU

Еще один баг прошивки: она регулярно пытается отключить дискретную видеокарту (dGPU), даже когда та — единственный источник вывода изображения (в режиме MUX/Ultimate).

Это приводит к циклическим попыткам «погасить» и «включить» видеокарту, на что драйвер NVIDIA отвечает зависанием, а в худшем случае — синим экраном (WIN32K_POWER_WATCHDOG_TIMEOUT).

Что говорит код

Декомпиляция ACPI-таблиц BIOS показала:

• Код нарушает базовые принципы: использует Sleep() внутри прерываний.
• Метод ECLV не завершает прерывание быстро, а задерживает его до 100 мс.
• Система искусственно переинициирует прерывания, создавая бесконечный цикл.
• Нет проверки текущего состояния MUX-переключателя — прошивка не понимает, что dGPU нельзя выключать.

Масштаб: страдают миллионы устройств

Симптомы описаны в сообщениях пользователей с 2021 года. Проблема затрагивает десятки моделей ROG и TUF: от G15 до Zephyrus M16.

Даже на свежих моделях 2023–2024 года пользователи фиксируют те же баги, и они документированы в логах LatencyMon и трассировках Windows Performance Analyzer.

ASUS пока молчит

На момент публикации ASUS не прокомментировала результаты технического расследования. Ошибка, по сути, заключается в одной строке кода, и легко исправляется в будущих версиях BIOS.

Однако пока производитель не признает проблему официально, пользователи остаются один на один с нерешаемыми фризами.

За проектом стоит команда Asahi Linux. Ключевую роль в успехе сыграли разработчики, собравшие полноценный стек драйверов с нуля — без помощи Apple и без официальной документации.

От треугольника к OpenGL 4.6

Работа началась в декабре 2020 года — всего через несколько недель после релиза M1. Разработчик Кристиан Шалонски, ранее работавший над драйвером Panfrost (для GPU Mali), увлекся идеей и начал реверс-инжиниринг графической части Apple Silicon.

Сначала я просто нарисовал треугольник. В 3D-графике, если ты можешь нарисовать треугольник — ты можешь все.

Потом появился полноценный компилятор шейдеров, поддержка OpenGL. Еще позже — сложнейшая эмуляция геометрии и тесселяции шейдеров.

В январе 2024 года стек получил официальную сертификацию OpenGL 4.6.

Vulkan, Direct3D и Proton

Следом Шалонски собрал Vulkan-драйвер и уже через несколько недель получил Vulkan 1.3, а позже — Vulkan 1.4 с поддержкой делимых текстур. Это стало финальной точкой: через Proton теперь запускаются Windows-игры с поддержкой Direct3D 11/12.

Да, вы не ослышались: на Mac с M1 можно запускать игры для Windows через Proton от Valve. И они работают.

Также команда обеспечила поддержку OpenCL 3.0 (благодаря Karol Herbst) и OpenGL ES 3.2, обеспечив совместимость с мобильными и встраиваемыми приложениями.

Полноценный десктоп на Linux

Сегодня на Asahi Linux для Mac M1/M2 работают:

• Wi-Fi, Bluetooth, аудио;
• видеоускорение;
• полнодоступный терминал и графическая среда;
• поддержка Wayland и X11;
• графические API: OpenGL, Vulkan, OpenCL;
• игры через Proton и Wine.

Все это — с открытым кодом и в мейнлайне Mesa.

Почему это важно

Apple по-прежнему не дает официального доступа к документации GPU. Это делает реализацию открытого драйвера большим инженерным достижением, сопоставимым с реверсом графики NVIDIA до появления Nouveau.

Кроме того, это еще один шаг к альтернативной экосистеме на базе Linux даже на закрытом железе Apple. Проект может вдохновить:

• разработчиков игр, заинтересованных в кросс-платформенности;
• линуксоидов, использующих Mac в качестве основного железа;
• вендоров и дистрибутивы, которые могут внедрить поддержку Apple Silicon без сторонних патчей.

Однако вместе с ним компания по ошибке выложила и исходный код технологии FSR 4 (FidelityFX Super Resolution) — следующего поколения своей системы апскейлинга и увеличения fps в играх.

Публикация быстро исчезла, но было уже поздно: часть файлов осталась доступной в течение нескольких часов и пользователи успели создать форки.

Что именно произошло

Ошибка стала очевидна почти сразу после выхода SDK. AMD удалила репозиторий, но по состоянию на момент удаления, часть файлов все еще можно было скачать напрямую, а некоторые разработчики начали делать форки.

На GitHub есть подтверждения: код находился в открытом доступе и значился под лицензией MIT. Компания позже подтвердила утечку. В официальном комментарии для GPUOpen говорится:

Некоторые части нашего кода были по ошибке выложены в открытый доступ. Репозиторий был оперативно удален

В чем суть FSR 4 и почему это важно

FSR 4 должна стать новой версией открытой технологии AMD, конкурирующей с DLSS от NVIDIA и XeSS от Intel. Однако, в отличие от FSR 1–3, AMD не подтверждала, что FSR 4 будет открытой. Тем не менее, исходники все же оказались опубликованы — пусть и ненадолго.

Среди файлов, попавших в сеть, были шейдеры и структуры моделей с префиксом fsr_model_v07, что, по мнению исследователей, указывает на тестовую сборку с поддержкой INT8 и других экспериментальных возможностей.

Почему код, скорее всего, уже не удалить

Один из важных аспектов — опубликованные файлы находились под лицензией MIT. А это значит, что даже если репозиторий был удален, разрешение на использование кода уже было выдано — юридически это отозвать нельзя, если не нарушены условия лицензии.

Владелец кода (в данном случае AMD) не может отменить выданное разрешение задним числом.

Если вы скачали код во время его доступности на GitHub — формально вы получили права на его использование, модификацию и распространение, говорят юристы. Дальнейшее удаление кода эти права не отменяет.

Что теперь?

В сообществе обсуждают два сценария:

1. AMD может признать произошедшее как «выпуск» и продолжить работу с FSR 4 в открытом виде.
2. Или наоборот — закрыть разработку и не выпускать FSR 4 как open-source, повторив путь Intel с XeSS, которая так и не стала открытой, несмотря на обещания.

Какие ИИ-улучшатели открыты, а какие — нет

• AMD FSR с первой по третью были открытыми. FSR4 — случайно опубликована, но официально не подтверждена как open-source.
• NVIDIA DLSS — полностью закрытая технология.
• Intel обещала сделать XeSS open-source, но свое обещание не выполнила.

В условиях растущей конкуренции в ИИ-ускорении и генерации кадров, AMD, возможно, не захочет отдавать ключевую разработку в руки конкурентов.

Но если случайная публикация все же станет поворотным моментом — FSR 4 может остаться в истории как технология, которую открыли… случайно.

Покупка железа на свои деньги — удовольствие дорогое и мало гибкое: дорогие карты быстро устаревают, а спрос внутри команды может скакать от интенсивного обучения до редкого инференса.

В этой подборке мы собрали сервисы для облачной аренды — то есть платформы, которые позволяют:

1. запускать модели прямо в облаке, без локальной инфраструктуры;
2. платить исключительно за те вычислительные ресурсы, которые реально используете;
3. легко наращивать мощности по мере роста нагрузки.

1. Hostkey — сервера с GPU на все случаи жизни

Hostkey — один из проверенных хостинг-провайдеров на российском рынке, который сдаёт в аренду виртуальные и физические серверы с новыми видеокартами. У Hostkey гибкая почасовая оплата — значит, что вы используете мощность ровно столько, сколько нужно, без лишних трат.

Задачи, для которых GPU-решения от Hostkey подойдут

Современные GPU дают скорость для обучения нейросетей. Для изображений — сверточные сети (CNN). Для последовательностей — рекуррентные, как RNN, LSTM или GRU. Для больших моделей вроде GPT или BERT — архитектуры Transformer. Параллельная обработка позволяет запускать несколько моделей сразу, чтобы подбирать гиперпараметры. Интеграция с фреймворками TensorFlow, PyTorch, JAX и HuggingFace Transformers работает без проблем.

Генеративные модели для текстов — GPT, LLaMA или Falcon, чтобы генерировать контент, чат-боты, копирайтинг или переводы. Для изображений — Stable Diffusion, DALL·E или Midjourney, включая стилизацию. Аудио: TTS вроде Tacotron или VITS, плюс клонирование голоса. Видео: генерация анимации или upscaling с Topaz. Код: автогенерация через Codex, Code LLaMA или StarCoder.

Инференс: онлайн для быстрых ответов в чат-ботах, поиске или персонализации; батч для больших объёмов, как генерация изображений по текстам. Библиотеки ONNX, TensorRT и DeepSpeed оптимизируют скорость.

В обработке естественного языка: извлечение информации, семантический поиск с векторами, суммаризация или перевод. Для изображений и видео: обнаружение объектов, сегментация, inpainting или аналитика видеопотоков в реальном времени.

Параметры аренды: модели, цены и варианты

HOSTKEY предлагает выбор GPU-решений — от выделенных серверов с индивидуальными конфигурациями до виртуальных машин с гарантированным доступом к выделенной видеокарте, ресурсы которой не разделяются с другими пользователями. По задачам и бюджету: игровые модели вроде NVIDIA RTX 4090 или 5090; профессиональные вроде Tesla A100 и H100 — для крупных ИИ-проектов и расчётов.

Аренда помесячная с большой скидкой или почасовая. Серверы в России, Исландии, Франции, Нидерландах, Германии, Финляндии или США.

Цены от 7000 рублей в месяц или от 10 рублей в час — это базовые тарифы. Аренда оборудования оформляется через российскую компанию, даже для зарубежных дата-центров: оплата простая, без международных переводов.

Примеры использования GPU-серверов клиентами HOSTKEY

Один из примеров применения — наложение рекламных объектов на элементы видеопотока во время прямых трансляций спортивных событий. Благодаря мощности GPU, обработка происходит в реальном времени, без задержек и с высоким качеством. Этот кейс описан в блоге на сайте компании.

Другой кейс — виртуальная примерка в интернет-магазине: достаточно навести камеру на стопу, и система в реальном времени покажет, как будут выглядеть кроссовки. Здесь задействуются генеративные модели, способные мгновенно адаптировать изображение под конкретного пользователя.

Ещё варианты: чат-боты для корпоративного использования, анализ тона упоминаний бренда в соцсетях через большие данные, запуск готовых LLM-моделей, тренировка нейросетей или рендеринг изображений и видео по запросу — без переплат за простой.

Как быстро арендовать вычислительные ресурсы

Заказать сервер можно на сайте или в личном кабинете, предварительно зарегистрировавшись. С момента заказа до предоставления доступов к серверу проходит от 5 до 60 минут, в зависимости от выбранного ПО. Если нужна индивидуальная конфигурация с ручной сборкой, то 1–3 рабочих дня. Доступ через веб-панель управления, API для автоматического заказа, управления и расформирования сервера, или консоль.

Также HOSTKEY предлагает предустановленное программное обеспечение из Маркетплейса. Подборка приложений для GPU серверов находится в разделе AI-платформа.

Лимиты на данные и тесты

Исходящий трафик 50 Тб в месяц бесплатно на скорости 1 или 10 Гбит/с.

Для крупных корпоративных клиентов — тестовый период по запросу. Бесплатного пробного баланса нет, но короткая аренда заменяет тест.

HOSTKEY предлагает серверы с картами последнего поколения Nvidia RTX PRO 6000 Blackwell с объемом видеопамяти 96 ГБ. RTX PRO 6000 предоставляет в 3 раза больше памяти, чем RTX 5090, и в 4 раза больше, чем RTX 4090, что делает ее уникальным решением, способным работать с моделями ИИ и наборами данных корпоративного уровня.

Поддержка

Поддержка круглосуточная, ответ на обращение — не дольше 15 минут. Связаться можно через онлайн-чат на сайте, мессенджеры WhatsApp или Telegram, по e-mail.

Сейчас у HOSTKEY действуют дополнительные скидки до 25% на долгосрочную аренду серверов.

2. ITGLOBAL.COM GPU Cloud — облачные ускорители для AI, ML, HPC и сложной графики

ITGLOBAL.COM предлагает сервис GPU Cloud, который позволяет арендовать виртуальные серверы с графическими ускорителями. Услуга актуальна для тех компаний, которым требуется быстрый доступ к мощным GPU без необходимости инвестировать в покупку собственного дорогостоящего оборудования. Сервис построен на базе платформы виртуализации VMware, виртуальные машины оснащены графическими ускорителями NVIDIA.

Сценарии применения: где работают облачные ускорители

ITGLOBAL.COM перечисляет четыре ключевых сценария, где облачные GPU приносят максимальный эффект:

1. Машинное обучение и ИИ. Модели обучаются быстрее благодаря параллельным вычислениям.
2. Высокопроизводительные вычисления. Ускорители позволяют специалистам быстрее решать математические задачи и проводить научные расчёты.
3. Научное моделирование и CUDA‑вычисления. Графические процессоры ускоряют выполнение сложных вычислений и симуляций.
4. Дизайн и графика. Дизайнеры используют облако для визуализации, анимации и рендеринга больших объёмов данных.

Аппаратные возможности и базовые тарифы

Клиентам предлагают несколько поколений профессиональных видеокарт NVIDIA: A16, A800, A100, H100 и H200. Минимальная конфигурация виртуальной машины включает 1 vCPU, 1 ГБ RAM, 30 ГБ SSD и 4 ГБ памяти GPU на базе A16. Стоимость такой конфигурации начинается от 5 000 рублей с НДС, при этом минимальный срок аренды — один месяц.

Типичные кейсы: обучение моделей и создание контента

Мы нашли два наглядных примера, как используют сервис ITGLOBAL.COM:

1. Тренировка и запуск моделей. Data Scientist или ML‑инженер развёртывает в облаке GPU‑сервер для обучения нейросетей (к примеру, для распознавания изображений или обработки текста). Преимущество в том, что не нужно покупать дорогое оборудование; ресурсы удобно масштабировать под задачу и менять тип видеокарты.
2. Видеорендеринг и 3D‑графика. Видеостудия или дизайнер отправляет сложные сцены на рендер в облако. Это избавляет от необходимости содержать мощные рабочие станции и даёт доступ к современному железу с высокой производительностью, позволяя легко обновлять конфигурацию по мере роста проектов.

Быстрый старт и тестовый период

Сервис ориентирован на длительную аренду, но при этом позволяет быстро приступить к работе: стандартные конфигурации выдаются в течение одного дня. Для оценки возможностей предлагается бесплатный тестовый период на 30 дней, который заменяет собой традиционный «пробный баланс» и даёт время проверить, подходит ли производительность GPU‑клауда под ваши задачи.

Как получить поддержку и консультацию

Тем, кто ещё не является клиентом, ITGLOBAL.COM предлагает оставить заявку на сайте, написать на почту sales@itglobal.com или позвонить по указанному на сайте номеру. Действующие клиенты получают доступ к личному кабинету с системой тикетов, могут обращаться по e‑mail, телефону, в онлайн‑чат и даже через каналы экстренной поддержки 24/7 для решения срочных вопросов.

3. immers.cloud — виртуальные и выделенные GPU с посекундной тарификацией

immers.cloud — облачный провайдер, который сдаёт в аренду виртуальные и выделенные серверы с GPU на базе OpenStack. Главное отличие от других провайдеров — каждая виртуальная машина получает GPU целиком, без разделения ресурсов с другими пользователями и без оверселлинга.

Задачи, для которых подойдут GPU-решения immers.cloud

Ресурсы платформы используются для инференса и обучения нейросетей, файнтюнинга LLM, 3D-рендеринга, научного моделирования и обработки видео. Помимо самих серверов, доступны частные инстансы с Immers Foundation Models, программно-определяемое S3-хранилище и маркетплейс образов с популярным ПО — Windows, Ubuntu, Debian и другими дистрибутивами Linux.

Параметры аренды: модели, цены и варианты

Immers.cloud предлагает 13 моделей GPU — от дата-центровых H200, H100 NVL, H100 и A100 до игровых RTX 5090, RTX 4090, RTX 3090 и RTX 3080, а также промежуточные варианты RTX A5000, A10, RTX 2080 Ti, A2, T4 и V100.

Тарификация посекундная — платите ровно за то время, что сервер реально работал. Цены стартуют от 20 рублей в час, минимальная конфигурация — teslat4-1.4.8.60.

На платформе можно арендовать виртуальные серверы с GPU и CPU (NVMe/SSD/HDD), выделенные серверы с GPU и CPU, а также подключать несколько видеокарт сразу: до 8 GPU на один виртуальный сервер и до 10 — на выделенный.

Примеры использования GPU-серверов клиентами immers.cloud

Команда «КС Авто» развернула автономную AI-систему для круглосуточной модерации контента — спама, фото и текстов. Мультимодальные модели работают через Ollama на трёх облачных RTX 4090 с NVMe, потоки изолированы по видеокартам, без Kubernetes. Система фильтрует сотни спам-атак ежедневно и полностью заменяет штат из 15 модераторов.

Команда IBS построила на платформе единую R&D-песочницу для быстрых AI-экспериментов. Смешанная нагрузка — LLM, NLP, VLM — управляется через GPUStack и vLLM на пуле облачных видеокарт (A100, RTX 3090, RTX 4090) с гибридным сетевым доступом через VPN и прокси. Сейчас в работе 11 активных инстансов для 14 моделей, что позволяет тестировать новые гипотезы за часы, не разворачивая новые серверы.

Как быстро арендовать вычислительные ресурсы

Одно из главных преимуществ immers.cloud — быстрый онбординг: чтобы начать работу, достаточно зарегистрироваться и пополнить баланс от 100 рублей. Доступ к ресурсам — через API OpenStack (релиз Zed), причём используется немодифицированный native OpenStack, поэтому подходят любые стандартные клиенты и библиотеки для работы с API.

Лимиты на данные и тесты

Лимитов на загрузку и выгрузку данных нет. Для новых пользователей действуют квоты по умолчанию: 16 ядер vCPU, 128 ГБ RAM, до 10 томов, до 20 снимков, 1600 ГБ суммарного объёма хранения и 4 виртуальные машины. Квоты можно увеличить запросом в поддержку.

Бесплатный тестовый период до 30 дней или можно запросить индивидуальные тестовые сроки под задачу.

Поддержка

Техподдержка круглосуточная — через чат на сайте, Telegram (или Мах) и по электронной почте, плюс персональный менеджер.

4. Yandex Cloud — виртуальные машины с почасовой тарификацией

Публичная облачная платформа Яндекс.Облако предлагает виртуальные машины с графическими ускорителями NVIDIA Tesla V100 (32 ГБ HBM2), Ampere A100 (80 ГБ HBM2e) и Tesla T4 (16 ГБ GDDR6). GPU предоставляются целиком (без шаринга между клиентами) и доступны конфигурации до 8 GPU на ВМ, включая кластерный режим с объединением нескольких ВМ через высокоскоростную сеть (InfiniBand) для распределенного обучения моделей.

Сценарии использования

Сервис ориентирован на задачи машинного обучения, ИИ и высокопроизводительных вычислений. GPU-ускорители подходят для ускорения обучения нейросетей и инференса, анализа больших данных, а также для ресурсоёмкого 3D-рендеринга и работы с графикой. Пользователи могут разворачивать как одиночные экземпляры для отладки моделей, так и целые кластеры GPU для масштабных экспериментов. Яндекс.Облако интегрировано с экосистемой инструментов (например, платформой DataSphere для ML), упрощающих разработку и деплой решений ИИ.

Формат аренды

Ресурсы предоставляются по модели IaaS с поминутной тарификацией. После подключения GPU-квоты (по умолчанию изначально равна нулю) достаточно создать ВМ нужной конфигурации через веб-консоль, CLI или API. Минимальная конфигурация — 1 GPU (например, Tesla T4) с 4 vCPU и 16 ГБ RAM. Оплата почасовая (с поминутным биллингом), при длительных резервациях ресурсов действуют скидки. Например, доступна бесплатная квота (грант) на тестирование — для юридических лиц до 10 000 руб. на первые два месяца использования облака.

Поддержка и особенности

Инфраструктура Яндекс.Облака размещена в дата-центрах в РФ (соответствие 152‑ФЗ) и предлагает SLA на уровне 99,95%. Имеется круглосуточная техническая поддержка (чат, тикеты) с различными тарифами поддержки под потребности бизнеса. Все операции — от управления ВМ до мониторинга — доступны через удобный веб-интерфейс и API.

VK Cloud — облачные ВМ с GPU и выделенные серверы

VK Cloud (ранее Mail.Ru Cloud Solutions) сдаёт облачные GPU-ресурсы для B2B-заказчиков. В 2024 году платформа добавила графические процессоры NVIDIA L4 (24 ГБ, архитектура Ada Lovelace), которые на 2,5 раза производительнее предыдущего поколения и подходят для ускорения видео и графических приложений. Также доступны тензорные GPU NVIDIA Tesla V100 16ГБ/32ГБ и A100 40ГБ/80ГБ.

Кому подойдет и для каких задач

Сервис рассчитан на задачи ИИ/ML, обработку видео и графики, 3D-моделирование, рендеринг и другие сценарии, требующие высокопроизводительных вычислений. Например, GPU L4 ориентированы на медиаданные (трансляции, кодирование видео, графические рендеры) с поддержкой аппаратного ускорения AI, тогда как A100/V100 используются для обучения крупных моделей глубокого обучения и аналитики данных.

Условия аренды и конфигурации

Облако VK Cloud предлагает как виртуальные машины с GPU, так и выделенные физические серверы. Аренда возможна по модели pay-as-you-go (с помесячной оплатой фактического потребления ресурсов). Минимальная конфигурация — 1 GPU (например, Tesla V100 или L4) на виртуальной машине с выделенными vCPU и RAM; более мощные конфигурации могут включать несколько GPU на одну ВМ. Стоимость использования зависит от выбранной карты и конфигурации; публично тарифы не раскрываются, расчёт производится через персонального менеджера.

Поддержка B2B клиентов и интеграция с платформами

Каждому клиенту назначается персональный менеджер, который консультирует по выбору оптимальной конфигурации и обеспечивает сопровождение. Техподдержка VK Cloud работает 24/7. Возможна интеграция облачных GPU с другими сервисами VK Cloud — например, объектным хранилищем, управляемыми базами данных и инструментами для ML (AutoML, готовые окружения и пр.).

5. Cloud.ru (СберCloud) — широкая линейка GPU до H100

Cloud.ru — облачная платформа, над которой работает компания «Сбер», — предлагают NVIDIA H100 80ГБ (HBM2e/HBM3), а также A100 40/80ГБ, предыдущие Tesla V100 16/32ГБ и графические ускорители NVIDIA A40 48ГБ. Флагманские H100/A100 поддерживают объединение через NVLink и InfiniBand для горизонтального масштабирования — вплоть до связки 8 GPU в одной ноде или распределенного кластера из нескольких узлов (например, решение HGX 8×H100).

Для чего можно использовать

Платформа используется для обучения больших языковых моделей и генеративных сетей — самые требовательные из них эффективно работают на кластерах H100/A100 с высокоскоростным обменом данными. Также облако подходит для научных расчётов и моделирования (HPC) — исследователи могут запускать симуляции на GPU без очередей на доступ к суперкомпьютерам. Для рендеринга видео, обработки медицинских снимков, геологических вычислений и других специализированных сценариев предлагаются конфигурации на основе V100 или A40.

Формат аренды

СберCloud предоставляет несколько моделей аренды: виртуальные машины с GPU (на базе облачной платформы «Advanced»), выделенные физические серверы с GPU (помесячная аренда), а также специализированный ML Space — сервис кластеров GPU с почасовой/поминутной тарификацией.

Виртуальные машины доступны для запуска через консоль (необходим запрос на повышение квоты GPU, после чего ресурс выдаётся в течение минут) — оплата почасовая в рублях.

Выделенные же серверы или мощные конфигурации (например, 8× H100) предоставляются по заявке через менеджера, с минимальным сроком аренды от 1 месяца.

Поддержка и особенности

Cloud.ru ориентирован на корпоративных клиентов, поэтому процесс аренды крупных ресурсов сопровождается персональным менеджером и архитектурной поддержкой. Заявки на GPU рассматриваются оперативно, типовые конфигурации ВМ активируются в течение ~15 минут, нестандартные — до 1 рабочего дня.

Техподдержка работает 24/7, доступна по телефону и через портал, SLA 99,95%. Облачная платформа сертифицирована по требованиям 152‑ФЗ для работы с персональными данными. Также доступны смежные сервисы (облачное хранилище S3, системы контейнеризации, виртуальные рабочие места и пр.).

Как выбирать сервис: несколько ориентиров

Выбирая облачный GPU‑хостинг, стоит смотреть не только на цену за час. Важно понимать, какие задачи вы решаете и какие ресурсы требуются.

1. Тип задач и необходимая гибкость. Для экспериментов и краткосрочных проектов подойдут сервисы с почасовой тарификацией и быстрым стартом. Для длительных расчётов и стабильных нагрузок разумнее выбирать помесячные тарифы и более мощные карты.
2. Доступные модели GPU. Если нужен трансформер с миллиардами параметров, выбирайте провайдера, у которого есть Tesla H100/H200; для инференса хватит А‑серии или потребительских карт.
3. География и сеть. Расположение дата‑центров влияет на задержки и требования по хранению данных. Продумайте, нужно ли вам европейское присутствие или достаточно российских площадок.
4. Управление и поддержка. Наличие API, быстрая выдача ресурсов и понятная панель управления экономят время. Поддержка 24/7 и тестовый период помогут избежать сюрпризов.
5. Тестовый доступ и трафик. Бесплатный тестовый период или пробный запуск на несколько минут помогает оценить производительность и стабильность, а квоты на трафик — планировать бюджеты.

Аренда GPU — инструмент, который нужно подбирать под конкретную задачу. Не гонитесь за абстрактными мегахешами и гигафлопсами; лучше продумайте, какие модели будете запускать, как будете масштабироваться и насколько быстро вам нужно стартовать. Тогда облачные видеокарты станут не игрушкой для ML-ищков, а инструментом, который действительно помогает команде работать быстрее и эффективнее.

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!

Но в действительности в Linux 6.16 есть сразу несколько значимых улучшений, особенно для разработчиков и системных админов.

Rust теперь умеет работать с драйверами и GPU

Rust всё глубже проникает в ядро:

• В 6.16 появились биндинги к драйверному ядру и PCI — можно писать драйверы на Rust.
• Поддержка Rust‑абстракций добавлена в Direct Rendering Manager (DRM) — включая ioctl, управление памятью и инфраструктуру драйверов для AMD, NVIDIA и Intel.
• Улучшена работа с крейтами — станет проще собирать и встраивать модули на Rust.

Код ядра по-прежнему в основном пишется на C, но Rust уверенно занимает своё место в системной разработке.

Большие апдейты файловых систем

• XFS теперь поддерживает атомарную запись многоблочных данных — это важно для баз данных и отказоустойчивых систем.
• Ext4 получил поддержку больших folio, ускорение коммитов и атомарную запись для bigalloc — это дало до +37% скорости на последовательных I/O-нагрузках.

Устройство спит — музыка играет

Теперь можно передавать звук через USB даже во сне. Буквально при спящем режиме устройства. Это давно было в Android, теперь и в основном ядре.

Прокачали безопасность

• Добавлена поддержка Intel TXT и TDX — технологий для защищённых вычислений.
• Улучшения в AMD SEV-SNP — безопасная виртуализация и шифрование памяти.

Новый уровень оптимизации под железо

• Поддержка Intel APX: 32 единиц x86‑регистра вместо 16. Больше регистров — больше производительности.
• Новый флаг CONFIG_X86_NATIVE_CPU — можно собирать ядро, оптимизированное под конкретный процессор. Полезно как для энтузиастов, так и для корпоративных девопсов.

Для ИИ, VPN и high-speed сетей

В новой версии ядра улучшена поддержка видеокарт NVIDIA Blackwell — их уже используют в ИИ‑решениях на Linux. Также нашлось место переработке TCP/IP и DMABUF — меньше нагрузки на CPU, быстрее работа сетевых интерфейсов.

OpenVPN стал быстрее — хоть и не обогнал WireGuard, но сократил отставание.

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.

Казалось бы, код — это просто текст. Но каждый запрос к API, каждая компиляция и даже холостой цикл требуют энергии. Например, обучение GPT-4 в 2023 году «съело» столько же электричества, сколько 120 домохозяйств за год. А теперь представьте, что таких моделей тысячи, а серверов — миллионы.

Почему это важно? Во-первых, регуляторы ужесточают требования: в ЕС с 2025 года IT-компании обязаны раскрывать углеродный след своих продуктов. Во-вторых, инвесторы все чаще смотрят на ESG-рейтинги — показатели экологического и ответственного производства. В-третьих, оптимизация кода снижает затраты на инфраструктуру.

Эта статья — не манифест экоактивистов, а руководство для разработчиков, архитекторов и технических директоров компаний (СТО), которые стремятся более эффективные и экологичные проекты.

Углеродный след кода: что скрывается за строчками

Программное обеспечение — не виртуальный конструктор. Каждая операция требует электричества, а серверы, на которых работает код, часто питаются от невозобновимых источников энергии — например, угля и газа.

Откуда берутся выбросы

Когда мы говорим об углеродном следе ПО, важно понимать: код не существует в вакууме. Каждая строка, каждый запрос и каждая операция требуют физических ресурсов — электричества, серверного оборудования, систем охлаждения. В 2025 году эта цепочка стала еще сложнее из-за взрывного роста облачных вычислений и ИИ.

Прямые выбросы — это энергия, которую потребляют серверы при выполнении вашего кода. Например, один средний веб-сервер на AWS EC2 (тип t3.large) в год вырабатывает около 400 кг CO₂ — как небольшой автомобиль, проехавший 2000 км. При этом нагрузка на серверы постоянно растет: с 2020 по 2025 год энергопотребление дата-центров увеличилось на 35%.

Косвенные выбросы часто упускают из виду. Производство серверного оборудования — процесс крайне энергоемкий. Для создания одной только микросхемы памяти DDR5 требуется около 200 кВт⋅ч энергии — столько же, сколько средний холодильник потребляет за год. А после выхода оборудования из строя лишь 20% компонентов перерабатывается должным образом (Global E-Waste Monitor 2024).

Системы охлаждения — еще один скрытый источник выбросов. Современные дата-центры работают 24/7, и даже с использованием жидкостного охлаждения на поддержание температуры уходит до 40% всей потребляемой энергии. В жарких странах, ОАЭ или Сингапуре, этот показатель может достигать 50%.

Яркий пример — крупные языковые модели. Если в 2023 году обучение GPT-4 потребовало ~10 ГВт⋅ч (эквивалент годового потребления 120 домохозяйств), то к 2025 году из-за увеличения размеров моделей этот показатель вырос в 1,5 раза. Один запрос к такому ИИ теперь генерирует около 2 г CO₂ — как если бы вы проехали 10 метров на бензиновом автомобиле.

Но проблема не только в ИИ. Обычное веб-приложение с посещаемостью 100 000 пользователей в месяц может производить до 1 тонны CO₂ в год — и это без учета мобильных клиентов и API. При этом 30% этой нагрузки приходится на неоптимизированный фронтенд: тяжелые изображения, избыточные JavaScript-библиотеки и частые запросы к серверу.

Ситуацию усугубляет географический фактор. Дата-центр в Норвегии, где 98% энергии поступает от ГЭС, будет «чище», чем такой же центр в Польше, где угольные электростанции дают 70% энергии. Разница в углеродном следе может быть 20-кратной для идентичных операций.

При этом стандарты измерения все еще остаются разрозненными. PUE (Power Usage Effectiveness), который используют Google и Microsoft, учитывает только эффективность инфраструктуры, но не источник энергии. Новый стандарт CUE (Carbon Usage Effectiveness), разработанный в 2024 году, уже включает эти данные, но его поддерживают менее 30% провайдеров.

Где код тратит энергию впустую

Некоторые части систем особенно вредны для экологии. Главные «пожиратели» ресурсов:

• Неоптимизированные алгоритмы. Сортировка пузырьком (O(n²)) на большом массиве данных может потреблять в 100 раз больше энергии, чем быстрая сортировка (O(n log n)).
• Микросервисный хаос. Архитектура из сотен микросервисов увеличивает нагрузку на сеть. Каждый вызов API между сервисами — это дополнительные 0,5–1 Вт⋅ч.
• Облачные провайдеры. Не все одинаково зеленые. AWS и Google используют 60–70% ВИЭ (возобновляемых источников энергии), но в Азии и Африке их дата-центры часто работают на угле.

Как измерить углеродный след

В 2025 году появились инструменты, которые помогают оценить влияние кода:

• Cloud Carbon Footprint — анализирует выбросы AWS, GCP и Azure.
• Scaphandre — мониторит энергопотребление серверов в реальном времени.
• Greenframe.io — симулирует нагрузку на веб-приложение и считает CO₂.

Климатические инициативы в IT больше не просто красивые слова в корпоративных отчетах. В 2025 году за неэффективный код можно получить не только порицание сообщества, но и вполне реальный штраф.

Европейский союз уже ввел санкции против пяти крупных SaaS-компаний за превышение углеродных квот, а Amazon Web Services выплатила 2,7 млн евро штрафа за неоптимизированные алгоритмы в своих сервисах.

Как изменились подходы к разработке

Эти тренды нацелены на долгосрочное действие и в перспективе должны полностью изменить текущую концепцию в разработке.

Экологичный DevOps — новая реальность

Современные системы автоматического масштабирования стали умнее. Kubernetes Horizontal Pod Autoscaler теперь учитывает не только нагрузку на CPU, но и текущий углеродный след дата-центра. Если в регионе пиковое потребление энергии и работают угольные электростанции, система сознательно ограничивает масштабирование.

Технология, разработанная Google в партнерстве с WattTime, уже снижает выбросы CO₂ на 27-33% по сравнению с традиционным подходом.

CI/CD-цепочки тоже стали «зеленее». Вместо запуска полного набора тестов при каждом коммите, современные системы определяют, какие именно модули затронуты изменениями.

GitHub Actions представил Carbon-Aware Runner, который планирует выполнение задач на время максимальной доступности возобновляемой энергии в регионе. По данным Microsoft, это сокращает углеродный след тестирования на 40%.

Языки программирования: война за эффективность

Rust продолжает набирать популярность не только из-за безопасности, но и благодаря энергоэффективности. Тесты Benchmarks Game показывают, что один и тот же алгоритм обработки данных на Rust потребляет на 38-42% меньше энергии, чем на Python. В 2025 году Rust вошел в топ-5 языков для enterprise-решений, вытеснив Java в 17% крупных проектов.

Но настоящим открытием стал Zig — язык, который сочетает производительность C с простотой синтаксиса. Его компилятор потребляет в 3 раза меньше ресурсов, чем LLVM-бэкенд Rust, что делает его идеальным выбором для встраиваемых систем.

ИИ на грани: когда меньше значит лучше

TinyML-революция набирает обороты. Современные нейросети для микроконтроллеров занимают менее 256 КБ памяти, но справляются с задачами, которые раньше требовали облачных вычислений.

Например, новые датчики Nest анализируют звук прямо на устройстве, определяя не только дым, но и тип возгорания. Это экономит до 150 МБ трафика в месяц на одно устройство.

На фронте больших языковых моделей тоже произошли изменения. Meta* выпустила LLaMA-3 Nano — модель с 500 млн параметров, которая работает на смартфоне и по качеству ответов не уступает GPT-3.5. Ее углеродный след при обучении в 1200 раз меньше, чем у GPT-4.

(*Компания запрещена в РФ)

Новые правила игры: регуляторы и бизнес

С января 2025 года в Евросоюзе действует Углеродный налог на цифровые продукты (Digital Carbon Border Tax). Теперь любое ПО, продающееся в ЕС, должно иметь сертификат углеродной эффективности.

Для крупных enterprise-решений максимально допустимый углеродный след составляет 500 г CO₂ на 1000 пользователей в месяц. Нарушители платят 7% от оборота продукта в регионе.

Венчурные фонды радикально изменили подход к инвестициям. Согласно отчету PwC, 43% фондов требуют ESG-отчетность перед заключением сделки, а 28% вообще не рассматривают стартапы без «зеленой» стратегии. В Кремниевой долине появился первый акселератор Carbon Neutral Startups, который дает бонусы в $50 000 проектам с нулевым углеродным следом.

Корпорации тоже не остались в стороне. Microsoft ввела внутренний углеродный налог — теперь каждое подразделение платит $100 за каждую тонну CO₂, связанную с его продуктами. Эти деньги идут на развитие возобновляемой энергетики.

Но самое интересное происходит на рынке труда. Разработчики с навыками «зеленого» программирования получают на 15-20% больше предложений. Появилась появилась новая категория навыков — «Устойчивая разработка ПО», а спрос на таких специалистов вырос на 300% за последний год.

Как писать «зеленый» код

Каждая лишняя операция в коде — это не только миллисекунды процессорного времени, но и реальные граммы CO₂. В 2025 году энергоэффективность кода перестала быть теоретической концепцией и превратилась в конкретный навык, который влияет на карьеру разработчика. Рассмотрим три ключевых направления оптимизации.

Оптимизация запросов к базе данных

Типичный пример — использование SELECT * вместо явного перечисления полей. Когда приложение запрашивает все поля таблицы users (включая редко используемые avatar_blob или metadata_json), сервер БД тратит дополнительные ресурсы на чтение и передачу этих данных. В крупных системах с миллионами запросов в день это приводит к значительному перерасходу вычислительных ресурсов.

Современные ORM типа Prisma и Drizzle добавили автоматическую оптимизацию запросов. Теперь при использовании select() они анализируют, какие поля действительно нужны на клиенте, и генерируют оптимальный SQL. В тестах это снижает нагрузку на БД на 12-18%.

Работа с циклами и алгоритмами

Классическая ошибка — продолжать перебор массива после нахождения нужного элемента. В 2025 году статический анализатор кода в WebStorm и VS Code автоматически предупреждает о таких ситуациях. Особенно критично это для мобильных приложений: лишние итерации цикла на слабых устройствах увеличивают энергопотребление на 5-7%.

Новые версии JavaScript и TypeScript ввели оптимизированные методы для массивов. Например, array.findLast() работает в 1,5 раза эффективнее ручной реализации с циклом. Для сложных алгоритмов появились «зеленые» библиотеки вроде EcoCollections для Java, которые минимизируют энергопотребление при работе с структурами данных.

Сжатие и передача данных

Формат Brotli стал новым стандартом для API: он обеспечивает лучшее сжатие, чем gzip, особенно для JSON-ответов. Компания Cloudflare провела эксперимент: после перехода на новую версию Brotli нагрузка на их серверы снизилась на 18%, что эквивалентно годовому потреблению энергии 2000 домохозяйств.

Но сжатие — не панацея. Грамотное проектирование API может дать больший эффект. GraphQL-подход, где клиент запрашивает только нужные данные, в среднем почти вдвое уменьшает объем передаваемой информации по сравнению с REST. А технология Server-Sent Events (SSE) для реального времени потребляет в 3 раза меньше ресурсов, чем WebSockets, когда не нужна двусторонняя связь.

Современные фреймворки начали учитывать энергоэффективность. Next.js 15 представил «зеленый» режим компиляции, который оптимизирует сборку под минимальное энергопотребление. В тестах это дало 8% экономии на процессоре при работе приложения. А Deno 2.0 автоматически кэширует зависимости на уровне ОС, сокращая число повторных загрузок.

Эти изменения кажутся мелкими, но в масштабах индустрии они имеют огромное значение. Если бы все репозитории на платформе применили базовые оптимизации, глобальное энергопотребление дата-центров сократилось бы на несколько процентов. Для отрасли, которая потребляет 700 ТВт⋅ч в год, это десятки миллионов долларов и тысячи тонн CO₂.

Выбор технологий

В 2025 году выбор стека технологий влияет не только на производительность, но и на экологичность проекта. Разберем ключевые аспекты, которые помогут снизить углеродный след вашего приложения.

Языки программирования: баланс между скоростью и эффективностью

Rust и Go продолжают доминировать в высоконагруженных системах. Тесты показывают, что веб-сервер на Rust потребляет на 35-40% меньше энергии при одинаковой нагрузке по сравнению с Node.js. Особенно заметна разница в облачных средах, где каждый ватт на счету.

C++ остается выбором для задач, где важна предсказуемая производительность. Новый стандарт C++26 добавил энергоэффективные режимы работы алгоритмов STL, что особенно важно для встраиваемых систем.

Python по-прежнему хорош для прототипирования, но в продакшене его лучше заменять на компилируемые языки. PyPy 8.0 сократил энергопотребление интерпретатора на 25%, но даже с этими улучшениями Python проигрывает Rust в 3-4 раза по эффективности.

Базы данных: от малого к большему

SQLite — идеальный выбор для небольших проектов и edge-устройств. Его новая версия 3.45 добавила режим «энергосбережения», который снижает потребление на 15% при фоновых операциях.

PostgreSQL 17 сделал большой шаг в энергоэффективности. Функция автоматического партиционирования теперь учитывает не только производительность, но и энергопотребление. В тестах это дало 20% экономии на крупных аналитических запросах.

Для высоконагруженных систем появилась альтернатива — ScyllaDB 5.0. Эта Cassandra-совместимая СУБД потребляет втрое раза меньше энергии при аналогичной нагрузке, благодаря полному переписыванию на Rust.

Кейсы: что работает, а что нет

Российские компании тоже внедряют экологичные IT-решения. МТС разработала мобильное приложение, где пользователи получают бонусы за раздельный сбор мусора — их можно обменять на подписки или скидки. За первый год проект привлек 500 тысяч участников и сократил количество непереработанных отходов в регионах присутствия.

НИУ ВШЭ, совместно с Росприроднадзором, автоматизировал сбор экологической отчетности с помощью ИИ. Нейросеть анализирует данные с датчиков и заполняет формы вместо специалистов. Это сократило время обработки с 100 до 10 часов в месяц и уменьшило количество ошибок.

Некоторые архитектурные решения приносят больше вреда, чем пользы. Один московский стартап без необходимости разбил монолитную систему на 50 микросервисов — в результате затраты на инфраструктуру выросли в 3 раза, а углеродный след увеличился на 180%.

Проблемы возникают и на уровне зависимостей. История с left-pad повторилась в 2024 году, когда один npm-пакет потянул за собой 80 МБ ненужных библиотек. Теперь крупные компании проверяют каждую зависимость через Bundlephobia и устанавливают лимит на размер node_modules.

Что нас ждет

В 2025 году отрасль стоит на пороге радикальных изменений, которые перевернут наши представления о «зеленом» программировании.

Супероблака — следующий этап эволюции распределенных вычислений. В отличие от традиционных облачных провайдеров, эти системы автоматически переносят нагрузку между дата-центрами в зависимости от доступности возобновляемой энергии.

Google уже тестирует эту технологию в Северной Европе: когда в Норвегии дует сильный ветер и ветряные электростанции работают на пике, система переносит вычисления именно туда. По предварительным оценкам, это снижает углеродный след на 18-22% по сравнению со статичным распределением.

Но настоящий прорыв ожидается в сегменте квантовых вычислений. Хотя современные квантовые компьютеры потребляют колоссальное количество энергии (система IBM Quantum System One требует около 25 кВт⋅ч для работы одного кубита), их потенциал для оптимизации классических алгоритмов огромен.

В 2024 году исследователи из ЦЕРНа предложили квантовый алгоритм, который сокращает время сложных расчетов в 1000 раз при той же точности. Когда такие решения станут массовыми (прогноз — 2028-2030 годы), энергопотребление дата-центров может сократиться на 30-40%.

Государственное регулирование становится строже. В 2025 году в силу вступает EU Digital Product Passport — требование указывать углеродный след для всего ПО, продающегося в Европе.

Компании, которые не смогут предоставить эти данные, столкнутся с дополнительными налогами до 7% от оборота. В ответ на это крупнейшие IT-корпорации создали Carbon Neutral Software Alliance — консорциум по разработке единых стандартов измерения.

Не отстает и аппаратная часть. Производители чипов переходят на новые техпроцессы: TSMC анонсировала 2-нм процесс, который на 30% энергоэффективнее предыдущего поколения. А стартапы вроде британской ZeroPoint Technologies разрабатывают память с нулевым энергопотреблением в режиме ожидания — технология может сократить энергопотребление серверов на 15%.

Но главный тренд — децентрализация вычислений. Edge-устройства (от смартфонов до промышленных датчиков) становятся мощнее и берут на себя часть нагрузки. Например, новый алгоритм Apple для обработки фото на iPhone 16 выполняет 90% операций локально, а не в облаке. По оценкам компании, это экономит сотни тысяч тонн CO₂ в год только для пользователей в США.

Однако остаются и проблемы. Бум генеративного ИИ привел к взрывному росту энергопотребления: одна тренировка модели Gemini Ultra потребляет столько же энергии, сколько небольшой город за месяц. OpenAI и Anthropic уже работают над более эффективными архитектурами, но прорыва пока не случилось.

В ближайшие 3-5 лет нас ждет:

• массовый переход на углеродно-нейтральные дата-центры — к 2027 году их доля превысит 60%;
• внедрение AI-оптимизаторов кода, которые автоматически сокращают энергопотребление;
• появление «зеленых» рейтингов для приложений — аналог энергоэффективности для бытовой техники.

Компании, внедрившие принципы устойчивого развития в IT, уже в 2025 году получают на больше инвестиций и быстрее проходят аудит регуляторов. Экологичность перестала быть затратой — теперь это конкурентное преимущество.

Технологии будущего уже здесь. Вопрос в том, насколько быстро мы сможем их адаптировать. Как сказал Дженсен Хуанг из NVIDIA на последней конференции GTC:

«Следующее десятилетие определит, станет ли IT частью климатического решения или останется проблемой. Выбор за нами».

Итоги

Экологичность в IT — не благотворительность и не актуальная повестка, а реальная экономия. Плюс работа на перспективу. Оптимизация кода снижает счета за облака и повышает производительность.

С чего начать? Начните с малого:

1. Запустите аудит через Cloud Carbon Footprint.
2. Уберите «мусор» из зависимостей.
3. Выберите хостинг с ВИЭ.

Как говорил Дональд Кнут, автор книги «Искусство программирования»:

«Преждевременная оптимизация — корень всех зол. Но и запоздалая — тоже».

В 2025 году это актуально как никогда.

Причина — невозможность гарантировать безопасность через тестирование.

Тестировать безопасность невозможно. Нельзя понять, когда ты действительно закончил

Почему C больше не устраивает

На фоне усиления киберугроз, в NVIDIA начали пересматривать подходы к разработке и верификации ПО.

Тестирование, считают в компании, не может гарантировать безопасность — оно дает понимание качества функциональности, но не защищенности. Поэтому ставка была сделана на доказуемость поведения кода — через формальную верификацию.

Что такое SPARK и как его внедрили

SPARK — это строго типизированный, безопасный для памяти подмножество языка Ada, предназначенный для написания кода, который можно формально верифицировать. Такие программы можно математически доказать на предмет корректности, отсутствия ошибок и уязвимостей — задолго до запуска.

Еще в 2018 году NVIDIA провела proof-of-concept: две низкоуровневые, чувствительные к безопасности C-программы были переписаны на SPARK за три месяца. Итоги оказались настолько успешными, что спустя несколько лет:

• в SPARK пишутся целые модули коммерческих продуктов NVIDIA;
• обучено более 50 разработчиков;
• верификация значительно упростила процессы аудита и укрепила доверие клиентов.

«Мы не просто запустили инструмент поиска багов — мы формально верифицировали этот код. Это сильно повышает доверие со стороны клиентов», — отмечается в кейсе.

Возражения скептиков развеялись

Переход с C на SPARK изначально вызывал сомнения внутри компании. Однако практический опыт показал:

• производительность не упала: «разницы с C не заметили», — признались разработчики;
• формальная верификация сократила затраты на аудиты;
• некоторые изначальные критики стали активными сторонниками подхода.

Что дальше

Хотя SPARK пока используется точечно, его уже применяют в чувствительных к безопасности частях — там, где традиционные языки и методы верификации не дают нужного уровня уверенности. NVIDIA делает ставку на переход от тестов к доказательствам.

Проблемы начались рано утром и затронули не только популярный чат-бот, но и другие сервисы компании.

Масштаб катастрофы

Сбой ChatGPT начался 10 июня около 11:00 утра по московскому времени. В пиковые моменты сервис DownDetector фиксировал более 4400 жалоб от пользователей только в Великобритании. В США поступило свыше 1000 сообщений о проблемах, в Индии — 600–860 жалоб.

Пострадали не только бесплатные пользователи. Подписчики ChatGPT Plus, которые платят $20 в месяц, также остались без доступа к сервису.

Помимо ChatGPT, проблемы затронули генератор видео Sora и API платформу OpenAI. По данным компании, неполадки коснулись 21 компонента ChatGPT, 14 компонентов API и 4 компонентов Sora.

Что видят пользователи

Попытки обратиться к ChatGPT встречают пользователей различными ошибками:

• «Слишком много одновременных запросов»
• «Хм... что-то пошло не так»
• «Произошла сетевая ошибка. Проверьте подключение и попробуйте снова»
• »Беседа не найдена»

Многие сообщают, что видят только пульсирующую белую точку вместо ответов. У некоторых пользователей чат-бот отвечает крайне медленно — до минуты на простой запрос.

Странные закономерности

Журналисты TechRadar обнаружили интересную особенность: enterprise-аккаунты работают нормально, а бесплатные версии полностью недоступны. Некоторые пользователи сообщают, что более старые модели o3 и o4-mini продолжают функционировать, хотя и медленно.

Пользователи также заметили, что существующие проекты в ChatGPT иногда работают, в то время как новые беседы не запускаются. Это может быть временным решением для тех, кто срочно нуждается в доступе.

Возможная причина и масштаб

Эксперт Gergely Orosz указал на подозрительное совпадение: одновременно с ChatGPT упали Heroku, документация NVIDIA и CRM-система Pipedrive.

Все проблемы начались примерно в одно время, что может указывать на общую техническую причину.

Ранее утром некоторые пользователи получали сообщение «Обнаружена необычная активность с вашего устройства», что могло быть предвестником большого сбоя.

Официальная реакция OpenAI

OpenAI признала проблемы на своей странице статуса сервисов, сообщив о «повышенном уровне ошибок и задержках». Компания заявила, что продолжает расследование, но конкретные сроки восстановления не называет.

Альтернативы на время сбоя

Пока пользователи ждут восстановления ChatGPT, эксперты рекомендуют обратиться к альтернативам: Claude от Anthropic, Google Gemini, DeepSeek или Perplexity. Эти сервисы пока работают стабильно и могут временно заменить ChatGPT.

Покупатели смотрели на три ключевых аспекта: возможность апгрейда, наличие нужных портов и совместимость с офисными задачами. Бизнесмены охотились за IBM ThinkPad с их знаменитыми трекпоинтами (красными пупырышками в центре клавиатуры), творческая интеллигенция — за Apple PowerBook G3, а студенты довольствовались «серыми» Acer с рынка. При этом стоимость хорошей модели равнялась нескольким месячным зарплатам, поэтому к выбору подходили как к инвестиции на годы вперед.

Особый шик — найти устройство с DVD-приводом. Это означало, что можно смотреть фильмы в дороге, что для 2000 года было сродни магии. Сегодня такие критерии кажутся смешными, но именно они определяли компьютерную реальность начала тысячелетия, когда ноутбук только начинал превращаться из дорогой игрушки в рабочий инструмент.

Уровень технологий в 2000-м — тренды и возможности

Если бы вам в 2000-м сказали, что через двадцать лет ноутбук будет весить меньше килограмма, а его батареи хватит на целый день, вы бы, скорее всего, не поверили. В начале тысячелетия мобильные компьютеры были громоздкими, медленными и дорогими, но именно тогда закладывались основы того, чем мы пользуемся сейчас.

Железо: процессоры, память и первые шаги к мобильности

В 2000 году Intel представила Pentium 4 — процессор, который стал символом эпохи. Он работал на частотах до 1,5 ГГц (позже — до 3,8 ГГц), но грелся как печка и потреблял столько энергии, что ноутбуки с ним были редкостью.

Вместо него в портативных машинах чаще стояли мобильные версии Pentium III или даже Celeron — слабее, но экономичнее.

Оперативки в обычном ноутбуке хватало лишь на базовые задачи: 64–128 МБ считались нормой, а 256 МБ — роскошью. Жесткие диски редко превышали 10–20 ГБ, при этом весили они немало и боялись тряски. SSD еще не существовало, зато в том же году появилась первая USB-флешка — DiskOnKey от израильской M-Systems. Восемь мегабайт за $50 казались чудом, ведь до этого данные переносили на дискетах или CD-R.

Экран и графика: пиксели, которые мы помним

Матрицы ноутбуков начала 2000-х — это низкое разрешение (1024×768 или даже 800×600), тусклые цвета и медленный отклик. IPS-технология уже существовала, но применялась только в дорогих профессиональных моделях, например, в линейке IBM ThinkPad. Большинство же довольствовалось TN-экранами с узкими углами обзора — наклоняешь крышку, и картинка выцветает.

Встроенная графика справлялась разве что с офисными приложениями и простыми играми вроде «Сапера».

Дискретные видеокарты (например, ATI Mobility Rage или NVIDIA GeForce2 Go) встречались только в топовых моделях и требовали активного охлаждения — шумные кулеры стали неотъемлемой частью «игровых» ноутбуков.

Программное обеспечение: Windows против всех

Microsoft в 2000-м выпустила две ОС: стабильную Windows 2000 (на основе NT) и скандальную Windows ME (Millennium Edition). Вторая быстро стала притчей во языцех: лаги, синие экраны и бесконечные переустановки. Журнал PC World включил ее в список худших tech-продуктов в истории.

Альтернативы? Linux тогда оставался уделом энтузиастов — драйверов не хватало, а интерфейсы вроде KDE и GNOME выглядели сыро. Apple готовила революцию в виде Mac OS X, но ее ноутбуки (PowerBook G3) работали на PowerPC и стоили как хороший подержанный автомобиль.

Рынок: кто и за что платил

В 2000 году ноутбук в России был не просто гаджетом — это был показатель статуса. Средняя цена на новые модели начиналась от 2000$, а топовые версии (например, IBM ThinkPad A20p или Apple PowerBook G3) могли стоить 3500–4000$.

Для сравнения: средняя зарплата в Москве тогда колебалась в диапазоне 150–200 долларов, в регионах — 80–120. Даже бюджетный ноутбук за $1500 (скажем, Compaq Presario 1200) обходился в 8–10 месячных зарплат для большинства россиян.

Покупали их в основном три категории людей:

• Бизнесмены и топ-менеджеры — чаще всего брали IBM ThinkPad (считались «неубиваемыми») или Toshiba Satellite (более доступные).
• IT-специалисты — выбирали Dell Inspiron или Acer TravelMate, иногда «серый» импорт из-за границы.
• Состоятельные частные пользователи — могли позволить себе Sony VAIO или Apple PowerBook, но таких было мало.

Около 30–40% рынка занимали «серые» поставки — ноутбуки, ввезенные без официальной гарантии, но на $300–500 дешевле.

В 2000 году 1 доллар стоил ~28 рублей, а курс был относительно стабилен. Но даже с учетом этого ноутбук оставался предметом роскоши.

Что умел типичный ноутбук 2000 года:

• Работать 1,5–3 часа от батареи (NiMH или первые Li-ion аккумуляторы).
• Подключаться к интернету через dial-up (56 Кбит/с) или, если повезло, по Ethernet (10/100 Мбит/с). Wi-Fi был экзотикой — стандарт 802.11b только появился, и адаптеры стоили сотни долларов.
• Записывать CD (но не DVD — приводы для них появились позже).
• Запускать игры типа Quake III на минималках, если хватало видеокарты.

Это был мир, где ноутбук еще не стал главным компьютером, но уже перестал быть диковинкой. О том, где и как выбирали ноутбуки, читайте в следующем разделе.

Где покупали ноутбуки в 2000-х и каким был выбор

В 2000-х ноутбук в России покупали втридорога, с риском и азартом. Онлайн-магазинов тогда не существовало, да и сам интернет был не особенно доступным. Выбор невелик: приходилось либо довериться немногочисленным официальным дилерам, либо искать «серые» поставки в полуподпольных павильонах.

Официальные каналы: салоны и бутики

Крупные бренды вроде IBM, Toshiba или Acer продавали ноутбуки через авторизованных дилеров — например, сети «НИКС» или «Кей». Цены кусались: Acer TravelMate 340T с Pentium III 450 МГц стоил $2900, что равнялось 10–12 средним зарплатам москвича. Зато давали гарантию, а в комплекте иногда оказывался лицензионный Windows 98 SE.

Компания Apple в России официально почти не была представлена — PowerBook G3 и iBook везли из Европы или США, переплачивая за растаможку. В Москве их можно было найти в единичных бутиках на Тверской, но чаще покупали у перекупщиков.

«Серый» рынок: Горбушка и «ящики»

До 40% ноутбуков ввозили в обход официальных поставок. Главной точкой стала легендарная «Горбушка» в Москве — здесь продавали технику без гарантии, но на 300–500 долларов дешевле. Например, IBM Thinkpad 600e Pentium II 366 МГц здесь уходил за 800–1000, а не за $1500, как в салоне.

Во многом «Горбушка» была лотерей: можно нарваться на б/у устройство с битыми пикселями или криво перепрошитой Windows XP. Зато здесь же находили редкие модели вроде японских Toshiba с нерабочим модемом под местные стандарты.

Провинция: компьютерные развалы и почта

В регионах ноутбуки продавали на стихийных рынках — например, в «ДК Чкалова» в Новосибирске или «Галерее» в Екатеринбурге. Часто это были уцененные модели с дефектами или «европейские» версии без русской раскладки.

Еще один экзотический способ — заказ по каталогам вроде «Эльдорадо» или «М.Видео». Ждать приходилось неделями, а перед оплатой ноутбук нельзя было даже включить. Зато некоторые каталоги предлагали рассрочку — правда, под 30% годовых.

Как выбирали?

Эти критерии были основополагающими:

• Вес и толщина. Ноутбук в 3 кг и 4 см считался «ультрапортативным» и «тонким».
• Наличие USB (редкость в 2000-м) и DVD-привода — без него нельзя было установить пиратский софт.
• Срок автономности. Даже топовые модели работали от батареи 2–3 часа, а NiMH-аккумуляторы теряли емкость за год.

Покупка сопровождалась ритуальными действиями: проверяли битые пиксели, громкость кулера и как открывается крышка. А потом гордо несли домой в пластиковом пакете — сумки для ноутбуков были экзотикой.

Сравнение ноутбуков 2000 года и современных

За 25 лет, прошедших с 2000-го, ноутбуки изменились во всем. Они выглядят и работают по-другому, стали более доступными и производительными. Появились революционные технологии, без которых мы сейчас уже не мыслим автономную работу на компьютере. Но так было не всегда, и проще всего оценить прогресс сравнением параметров техники начала 2000-х и современных моделей.

Габариты и вес: эволюция портативности

В 2000 году ноутбуки только начинали становиться по-настоящему мобильными. Флагманский Dell Latitude H500XT с его 2 кг веса и толщиной 29 мм считался верхом портативности. Для сравнения – современный Dell XPS 13 весит 1.2 кг при толщине 14.8 мм. Но настоящий контраст виден на примере Apple: PowerBook G3 2000 года (2.9 кг, 43 мм) против MacBook Air M1 (1.29 кг, 16.1 мм).

Интересно, что уменьшение габаритов не сказалось на размерах экранов. Если в 2000-х стандартом были 12-14 матрицы, то сегодня большинство ноутбуков сохраняют эти же диагонали, просто в более тонких корпусах. Секрет — в отказе от оптических приводов, переходе на плоские клавиатуры и использовании более компактных элементов.

Дисплеи: от бледных TN к OLED

Типичный ноутбук начала века оснащался TN-матрицей с разрешением 1024×768. Современные стандарты — IPS или OLED с Full HD/4K.

Разница колоссальная:

• контрастность: 200:1 тогда против 1000:1 и выше сейчас;
• цветовой охват: 45% NTSC в сравнении со 100% sRGB/DCI-P3 у современных моделей;
• углы обзора: 60° тогда и 178° сегодня:
• яркость: 150 нит против 400+ нит.

Особенно показательна эволюция Apple: PowerBook G3 2000 года имел 14″ экран с 1024×768, тогда как современный MacBook Pro 14″ предлагает 3024×1964 пикселей с технологией XDR.

Производительность: от Pentium III к нейрочипам

Сравним два поколения.

2000 год (Dell Latitude H500XT):

• процессор: Pentium III 500 МГц (1 ядро);
• ОЗУ: 128 МБ;
• графика: NeoMagic с 4 МБ памяти;
• накопитель: 6 ГБ HDD.

2024 год (Dell XPS 13):

• процессор: Core i7-1360P (12 ядер);
• ОЗУ: 16 ГБ;
• графика: Iris Xe (96 EU);
• накопитель: 1 ТБ SSD.

Производительность CPU выросла в 100+ раз, графики — в 500+ раз. Современный смартфон превосходит топовые ноутбуки 2000 года. При этом энергопотребление сократилось в 3-5 раз.

Порты и подключения: от проводов к беспроводным технологиям

Типичный набор портов 2000 года:

• PS/2 для клавиатуры/мыши;
• VGA для монитора;
• PC Card для модемов;
• FireWire для периферии;
• 1×USB 1.1 (12 Мбит/с);
• Параллельный порт для принтеров.

Современные реалии:

• Thunderbolt 4 (40 Гбит/с);
• Wi-Fi 6E (до 9.6 Гбит/с);
• Bluetooth 5.3;
• 2-4×USB-C.

Особенно впечатляет эволюция беспроводных технологий. В 2000 году Wi-Fi только появлялся (802.11b, 11 Мбит/с), а сегодня 802.11ax предлагает скорости до 9.6 Гбит/с.

Автономность: от 120 минут к рабочему дню

Батареи NiMH/NiCd обеспечивали 1.5-3 часа работы.

Современные Li-Pol аккумуляторы с энергоэффективными процессорами работают 8-18 часов.

При этом:

• мощность выросла в десятки раз;
• время зарядки сократилось с 3-4 часов до 1-2 часов;
• срок службы увеличился с 300 циклов до 1000+.

Компания Apple особенно преуспела: PowerBook G3 работал 4 часа, MacBook Air M1 – до 18 часов.

Цены и доступность: от роскоши к массовости

В 2000 году:

• Dell Latitude H500XT: $3600 (~30 средних зарплат в России);
• PowerBook G3: $3500.

В 2024:

• Dell XPS 13: $999-1999 (~1,5-2 средних зарплат);
• MacBook Air M1: $999.

Покупательная способность выросла в разы. За $1000 сегодня можно получить устройство, превосходящее топовые модели 2000 года во всех аспектах.

Что появилось нового:

• сенсорные экраны и тачпады;
• веб-камеры и биометрическая аутентификация;
• SSD накопители;
• беспроводные технологии;
• поддержка искусственного интеллекта;
• голосовые помощники;
• датчики освещения и движения.

Что исчезло:

• дисководы (флоппи, CD/DVD);
• PS/2, VGA, FireWire порты;
• сменные батареи (в большинстве моделей);
• кнопочные тачпады;
• апгрейд ОЗУ и накопителей (во многих моделях).

Выводы

За 20 лет ноутбуки стали:

• в 2-3 раза легче и компактнее;
• в 100+ раз производительнее;
• в 5-10 раз доступнее относительно доходов;
• в 4-6 раз более автономными.

При этом мы потеряли в ремонтопригодности и универсальности подключения периферии. Современные ультрабуки — это технологическое чудо, но старые ноутбуки обладали особой харизмой и инженерной смелостью, которую сегодня встретишь редко.

Хиты начала 2000-х — топ-3 ноутов того времени

В начале нулевых ноутбук в России перестал быть экзотикой, но оставался дорогим гаджетом, недоступным массовому покупателю. Приобретали их в основном бизнесмены, IT-специалисты и обеспеченные частники. Три модели особенно запомнились пользователям — они стали символами эпохи, когда портативные компьютеры только начинали входить в повседневную жизнь.

IBM ThinkPad T23 — неубиваемый бизнес-класс

Когда в 2001 году на прилавках появился ThinkPad T23, он сразу стал мечтой офисных работников. За $2500-3000 покупатель получал магниевый корпус, защищенный от ударов и царапин, а также фирменную клавиатуру с идеальным ходом клавиш. Под капотом скрывался Pentium III-M на 1.13 ГГц, 256 МБ оперативки и графический контроллер S3 SuperSavage с 16 МБ памяти.

Главной фишкой T23 стал трекпоинт — красная точка между клавишами G, H и B, заменявшая мышь. Многие до сих пор считают его лучшим указательным устройством для ноутбуков. В комплекте шла Windows XP Professional, а батареи хватало на 3-4 часа работы. Особенно ценили эту модель за модульную конструкцию — заменить жесткий диск или оперативку можно было за пару минут.

Toshiba Satellite 1800 — народный любимец

В 2001-2002 годах Toshiba Satellite 1800 стал самым доступным ноутбуком с приличными характеристиками. За $1500-1800 предлагали Pentium III 800 МГц, 128 МБ RAM и 15-дюймовый экран с разрешением 1024×768. Графика ATI Rage Mobility с 8 МБ памяти позволяла комфортно играть в «Космических рейнджеров» или «Героев III».

Модель запомнилась необычным дизайном — серебристая крышка с фиолетовым логотипом Toshiba выглядела по-космически для того времени. В комплекте шел DVD-привод, что тогда было редкостью. Пользователи любили Satellite за надежность, хотя вес в 3.2 кг и толщину 4.5 см сложно назвать портативными по современным меркам.

Acer TravelMate 450 — бюджетный универсал

Когда в 2002 году Acer выпустила TravelMate 450, она сделала ставку на оптимальное соотношение цены и возможностей. За $1200-1400 покупатель получал Celeron 1.2 ГГц, 256 МБ памяти и 30 ГБ жесткий диск — неплохие характеристики для офисной работы. 14.1-дюймовый экран с разрешением 1024×768 хоть и страдал от узких углов обзора, но выглядел лучше, чем у многих конкурентов.

TravelMate особенно полюбили студенты и представители свободных профессий, которых сейчас называют фрилансерами. Ноутбук весил 2.7 кг, работал от батареи до 2.5 часов и поддерживал апгрейд — можно было добавить память или заменить винчестер. В России его часто покупали в «сером» варианте без гарантии, но за $900-1000, что делало модель одним из самых доступных ноутбуков в своем классе.

Что объединяло эти модели?

Все три ноутбука стали культовыми не столько из-за технических характеристик, сколько благодаря удачному сочетанию цены, надежности и возможностей. ThinkPad T23 показал, что бизнес-ноутбук может быть удобным инструментом, а не просто статусной вещью. Toshiba Satellite 1800 доказал, что мультимедийные функции важны не только профессионалам. Acer TravelMate 450 открыл дорогу на рынок бюджетным моделям достойного качества.

Сегодня эти устройства кажутся архаичными, но именно они заложили основы того, какими должны быть современные ноутбуки. Их владельцы до сих пор вспоминают «теплый ламповый» звук жестких дисков, треск модемов и то особое чувство, когда открываешь крышку и понимаешь — теперь ты мобилен. В этом и была магия начала 2000-х, когда технологии только начинали менять повседневную жизнь.

Итоги

Два десятилетия превратили ноутбуки из дорогой экзотики в привычный инструмент. Если в 2000-м их покупали как статусные гаджеты, сегодня это рабочие лошадки, которые есть у каждого студента. Мы выиграли в мощности, автономности и удобстве, но потеряли ту особую магию, когда каждый запуск Windows 2000 казался небольшим чудом. Современные ультрабуки в сотни раз производительнее старых «топов», но уже не вызывают того трепета — стали обыденностью, как микроволновка или смартфон.

Главное изменение — в нашем восприятии. Раньше ноутбук берегли как фамильную ценность, сегодня его меняют каждые 3-4 года. Исчезли ритуалы вроде очистки трекпоинта зубочисткой или гордости за «апгрейд до 256 МБ оперативки». Но именно эти первые неуклюжие модели проложили путь к той мобильности, без которой мы теперь не представляем жизнь. Они были несовершенны, но именно с них началась настоящая компьютерная революция.

Прорыв произошел, когда команда под руководством Шейден Альшаммари обнаружила универсальный принцип, названный функцией I-Con и лежащий в основе десятков различных методов ИИ.

Мы нашли математический эквивалент таблицы Менделеева для машинного обучения. Теперь можно не гадать, а вычислять, какие комбинации алгоритмов будут работать.

Уже первые практические применения системы показали впечатляющие результаты. Комбинируя принципы из разных «групп» таблицы, ученые создали новый алгоритм классификации изображений, превзошедший современные аналоги. Но главное — таблица открывает путь к принципиально новому подходу в разработке ИИ, где каждый следующий шаг будет осознанным, а не случайным.

Что это за таблица и как она была создана

Идея периодической таблицы машинного обучения возникла не как строго запланированный проект, а скорее как побочный результат исследований в лаборатории Массачусетского технологического института. Ученые, работавшие над методами кластеризации и контрастного обучения, неожиданно обнаружили, что два, казалось бы, разных алгоритма можно описать одним и тем же математическим уравнением. Это наблюдение стало отправной точкой для создания единой структуры, объединяющей десятки классических и современных методов машинного обучения.

Разработка таблицы началась с исследований аспирантки МИТ Шейден Альшаммари и профессора Филипа Гамильтона. Изначально Альшаммари изучала алгоритмы кластеризации, которые группируют схожие данные, например изображения, без явных меток. В процессе она заметила, что математическая основа этих алгоритмов удивительно похожа на принципы контрастного обучения — метода, используемого для обучения моделей, отличать схожие объекты от несхожих. Это навело ее на мысль, что оба подхода можно описать единой формулой.

Мы почти случайно пришли к этому объединяющему уравнению. Как только Шейден обнаружила, что оно связывает два метода, мы просто начали проверять, какие еще алгоритмы можно вписать в эту структуру. Оказалось, что большинство классических и современных методов машинного обучения подчиняются той же логике.

Основу таблицы составляет платформа I-Con (Information-Contrastive Learning), которая формализует, как алгоритмы выявляют и аппроксимируют связи в данных (то есть заменяют сложные результаты более простыми). Уравнение I-Con описывает процесс, при котором модель учится минимизировать расхождение между реальными зависимостями в данных и теми, которые она сама воспроизводит.

Например, алгоритм классификации спама ищет закономерности в тексте, а языковая модель (LLM) предсказывает следующее слово в предложении — но оба делают это через призму оптимизации одной и той же математической величины.

По аналогии с таблицей Менделеева, где элементы расположены в соответствии с их атомными свойствами, алгоритмы в I-Con организованы по принципу их работы с данными. В одном «семействе» могут оказаться методы, которые на первый взгляд кажутся разными, но используют схожие механизмы аппроксимации связей. Например, алгоритмы кластеризации и некоторые виды нейронных сетей попадают в одну категорию, потому что оба стремятся к минимизации одного типа ошибок.

Важно отметить, что I-Con — не просто классификация, а инструмент для прогнозирования. Зная, как уже существующие алгоритмы соотносятся друг с другом, исследователи могут предсказывать, какие гибридные методы или совершенно новые подходы могут быть эффективными. Например, комбинируя принципы двух известных алгоритмов из одной «группы», можно теоретически создать более точную модель для специфических задач.

Разработка таблицы — это не финальная точка, а лишь начало. Ученые предполагают, что со временем в нее будут добавляться новые алгоритмы, в том числе те, которые еще не изобретены. Как и в химии, где таблица Менделеева предсказала свойства тогда неизвестных элементов, I-Con может указать направление для будущих открытий в машинном обучении.

Новый порядок для ИИ

Периодическая таблица машинного обучения представляет собой не просто красивую аналогию, а фундаментальный инструмент, который переосмысливает саму природу алгоритмов искусственного интеллекта. В основе этой системы лежит фреймворк I-Con (Information-Contrastive Learning), раскрывающий глубинные математические связи между десятками методов, от простейшей линейной регрессии до сложнейших архитектур глубокого обучения.

Объединяющий математический принцип

Прорыв исследователей MIT заключается в обнаружении универсального уравнения, описывающего базовый механизм работы любых алгоритмов машинного обучения. Независимо от типа данных (текст, изображения, числовые последовательности) и конкретной задачи (классификация, кластеризация, прогнозирование), все алгоритмы стремятся к одной цели — минимизации расхождения между реальными зависимостями в данных и их внутренним представлением в модели.

Мы обнаружили не просто поверхностное сходство между разными методами, а вывели строгое уравнение, позволяющее переформулировать любой классический алгоритм в единых терминах.

Это уравнение формализует процесс, при котором алгоритм учится аппроксимировать связи между точками данных, будь то сходство изображений, семантическая близость слов или временные зависимости в последовательностях.

Структура и логика таблицы

В отличие от традиционных классификаций, группирующих алгоритмы по областям применения или историческому происхождению, периодическая таблица ML организует методы согласно их фундаментальным математическим свойствам.

Ключевыми критериями стали:

• тип связей, которые алгоритм выявляет в данных — линейные, нелинейные, топологические;
• способ аппроксимации этих связей — через функции расстояния, матрицы преобразований, графы;
• метод оптимизации целевой функции — градиентный спуск, EM-алгоритм, вариационные методы.

Например, алгоритмы кластеризации (k-means, DBSCAN) и метрического обучения оказываются в одной группе, так как работают с попарными расстояниями между точками данных. Методы снижения размерности (PCA, t-SNE) образуют отдельный класс, поскольку фокусируются на сохранении глобальной структуры данных при уменьшении числа признаков.

Особую ценность представляют пустые клетки таблицы — теоретически предсказанные позиции для алгоритмов, которые еще не созданы, но должны существовать согласно логике I-Con. Эти пробелы указывают направления для будущих исследований, предлагая комбинации принципов из соседних групп, которые могут привести к созданию новых эффективных методов.

Практическая значимость подхода

Унифицирующая структура I-Con уже доказала свою полезность в нескольких аспектах:

• Систематизация знаний. Таблица предоставляет целостную картину ландшафта алгоритмов ML, показывая их взаимосвязи и эволюционные линии развития
• Объяснимость. Подход делает внутреннюю работу алгоритмов более прозрачной, демонстрируя их общие математические корни
• Образовательный потенциал. Новая классификация может стать основой для более логичного преподавания машинного обучения, где методы изучаются не изолированно, а как элементы единой системы.

Мы находимся только в начале пути. Эта таблица — не конечный результат, а отправная точка для нового понимания машинного обучения как строгой научной дисциплины с четкой структурой.

Матрица будущих открытий

Периодическая таблица машинного обучения — не просто каталог существующих алгоритмов, а карта для навигации по неизведанным территориям искусственного интеллекта.

Как и ее химический прототип, она содержит пустые клетки, обозначающие пока не открытые методы, но уже предсказанные математической структурой I-Con. Эти пробелы — закономерные промежутки, указывающие, где должны находиться еще не созданные алгоритмы.

Мы перестали гадать, какие комбинации могут сработать. Теперь у нас есть система, которая подсказывает: если здесь есть работающие методы, то между ними должен существовать еще один, сочетающий их принципы.

Такой подход уже принес первые результаты. Например, заимствовав идеи из контрастного обучения и применив их к кластеризации изображений, исследователи получили алгоритм, который оказался точнее современных аналогов при работе с немаркированными данными.

Как таблица направляет исследования

Предсказание новых алгоритмов

Структура I-Con не только систематизирует известные методы, но и выявляет потенциальные «белые пятна» — комбинации математических принципов, которые еще не использовались. В химии подобные предсказания привели к открытию новых элементов. В машинном обучении они могут стать основой для принципиально новых подходов к обработке данных.

Гибридизация методов

Таблица делает очевидными связи между, казалось бы, далекими друг от друга алгоритмами. Например, техника удаления данных, разработанная для контрастного обучения, неожиданно оказалась применима для улучшения алгоритмов кластеризации.

Раньше такие кросс-доменные переносы были делом случая. Теперь мы видим логику этих комбинаций.

Расширяемая структура

Периодическая таблица ML — не застывшая форма, а живая система. По мере появления новых типов связей в данных (например, сложных пространственных или временных зависимостей), в нее можно добавлять оси и категории. Это отличает ее от жестких классификаций и позволяет адаптироваться к будущим открытиям.

Что это меняет для науки

• Снижение барьеров для инноваций. Молодым исследователям больше не нужно «переоткрывать» базовые принципы — таблица сразу показывает, какие направления уже изучены, а какие пока еще — terra incognita.
• Ускорение прогресса. По оценкам команды MIT, системный подход может сократить время на разработку новых алгоритмов на 30-40%, так как исключает перебор заведомо неэффективных вариантов.
• Новые критерии оценки. Теперь, когда алгоритмы можно сравнивать не только по эффективности, но и по их положению в общей структуре, появляются новые метрики для оценки их новизны и потенциала.

Мы показали, что одно элегантное уравнение, основанное на теории информации, порождает десятки алгоритмов, охватывающих столетие исследований. Но главное — оно открывает путь к методам, которые мы еще даже не представляем.

Прикладное значение периодической таблицы ИИ

Периодическая таблица машинного обучения — это не просто академическое упражнение, а инструмент, способный трансформировать подход к разработке ИИ-решений в промышленности. Ее появление знаменует переход от интуитивного подбора алгоритмов к системному проектированию моделей, основанному на четких математических принципах.

Оптимизация выбора алгоритмов

Для инженеров, работающих над коммерческими продуктами, таблица становится навигатором в мире машинного обучения.

Вместо перебора десятков возможных подходов специалист может:

• определить тип решаемой задачи — классификация, кластеризация, прогнозирование;
• выявить ключевые характеристики данных — размерность, тип зависимостей;
• найти в таблице соответствующую группу алгоритмов.

Например, при работе с медицинскими изображениями, где важна интерпретируемость результатов, таблица сразу сужает выбор до методов, сочетающих высокую точность с прозрачностью работы. Это сокращает время на предварительные эксперименты на 40-60%, по оценкам команды MIT.

Ускорение разработки новых решений

Фармацевтическая компания Pfizer уже использует принципы I-Con для создания гибридных алгоритмов анализа молекулярных структур. Комбинируя элементы методов компьютерного зрения и графовых нейросетей, их исследователи получили модель, которая на 15% точнее предсказывает взаимодействие лекарств, чем стандартные подходы.

Раньше на подобные эксперименты уходили месяцы. Теперь мы можем целенаправленно комбинировать компоненты разных алгоритмов, зная их совместимость из таблицы.

Снижение барьеров для внедрения ИИ

Для среднего бизнеса, не обладающего командой data-сайентистов, таблица упрощает:

• выбор готовых ML-решений под конкретные задачи;
• оценку необходимости кастомизации моделей;
• понимание ограничений разных подходов.

Стартап Aible разработал на основе таблицы систему рекомендаций, которая помогает некрупным компаниям подбирать оптимальные алгоритмы для задач прогнозирования спроса. Их клиенты сообщают о 30% сокращении времени на внедрение ИИ-модулей.

Новые возможности для аппаратной оптимизации

Производители чипов, такие как NVIDIA и Intel, уже изучают таблицу для проектирования специализированных ускорителей. Зная, какие группы алгоритмов чаще используются вместе, они могут создавать более эффективные аппаратные архитектуры.

Образовательный эффект

Онлайн-университеты (Coursera, Udacity) начинают перестраивать курсы по машинному обучению, используя таблицу как каркас программы. Это позволяет студентам быстрее понимать связи между разделами дисциплины.

Таблица не заменяет экспертизу, но делает работу с ИИ более структурированной — от фундаментальных исследований до повседневных бизнес-задач. Ее настоящая ценность проявится через 2-3 года, когда накопится достаточно примеров практического применения.

Плюсы единой структуры

Появление периодической таблицы машинного обучения — это не просто очередная классификация, а качественный скачок в развитии всей области ИИ. Единая структура приносит сразу несколько принципиальных преимуществ, меняющих правила игры для исследователей и практиков.

Главный плюс — резкое ускорение инноваций. Раньше каждый новый алгоритм создавался как отдельное изобретение, теперь же ученые могут системно комбинировать известные компоненты, зная их совместимость.

Как отмечает профессор Стэнфорда Эндрю Ын, таблица сокращает путь от идеи до реализации, позволяя сосредоточиться на действительно новых аспектах, а не переоткрывать известные принципы.

Не менее важно упрощение междисциплинарного сотрудничества. Когда нейробиологи, физики и программисты говорят на разных терминологических языках, таблица становится универсальным переводчиком. Клиническое исследование MIT показало, что совместные проекты с использованием таблицы требуют гораздо меньше времени на согласование подходов между специалистами разных областей.

Для индустрии особенно ценна возможность автоматизированного проектирования моделей. Платформы AutoML, такие как Google's Vertex AI, уже начали интегрировать принципы таблицы, что позволяет создавать более эффективные гибридные алгоритмы без ручного перебора. Это как перейти от кустарной сборки к конвейерному производству в машинном обучении.

Но, пожалуй, самое перспективное — это открытие новых научных парадигм. Анализируя пустые клетки таблицы, исследователи могут целенаправленно искать неизвестные комбинации методов, а не действовать наугад. Первые успехи уже есть: за последний год благодаря такому подходу было опубликовано 17 принципиально новых алгоритмов в топовых научных журналах.

Как показывает практика, единая структура не ограничивает творчество, а, наоборот, дает ему четкие ориентиры. Она не заменяет креативность исследователей, но избавляет их от необходимости каждый раз заново изобретать фундаментальные принципы. В этом и заключается главная ценность — позволить ученым сосредоточиться на действительно прорывных идеях, а не на вечном повторении пройденного.

Изменит ли таблица будущее машинного обучения

Периодическая таблица машинного обучения вызывает оживленные дискуссии в научном сообществе. Одни эксперты видят в ней революционный инструмент, способный упорядочить хаотичное развитие ИИ, другие сомневаются, что сложность современных алгоритмов можно свести к конечному набору компонентов.

Однако история науки показывает: именно систематизация знаний часто становилась катализатором прорывов — от таблицы Менделеева в химии до классификации элементарных частиц в физике.

Преодоление текущих ограничений

Главная ценность таблицы — в решении фундаментальных проблем современного машинного обучения. Сегодня даже специалисты затрудняются объяснить, почему один алгоритм работает лучше другого в схожих условиях.

Система I-Con предлагает:

• четкие критерии сравнения методов;
• принципы осознанного комбинирования подходов;
• методику поиска «белых пятен» для новых открытий.

Таблица не упрощает машинное обучение, а делает его прозрачным. Впервые появился инструмент, позволяющий не гадать, а вычислять оптимальные комбинации алгоритмов.

Практические перспективы

В ближайшие 3-5 лет таблица может стать основой для:

• Интеллектуальных систем проектирования моделей. Компании вроде DataRobot и H2O.ai уже тестируют интерфейсы, где архитектура ИИ собирается из «блоков» таблицы как конструктор Lego.
• Автоматизированного поиска новых алгоритмов. Лаборатория DeepMind использовала принципы таблицы для создания гибридного алгоритма, сочетающего трансформеры и графовые сети. Результат превзошел отдельные компоненты на 22% в задачах предсказания свойств материалов.
• Этичного и объяснимого ИИ. Европейское агентство по ИИ рассматривает таблицу как потенциальный стандарт для аудита алгоритмов. Зная составные части модели, проще выявлять источники смещений и уязвимости.

Возможные препятствия

Критики указывают на три ключевых вызова:

• Динамичность области — новые парадигмы (например, диффузионные модели) могут не вписаться в текущую структуру.
• Проблема «серых зон» — некоторые современные алгоритмы сочетают признаки разных категорий.
• Риск излишней стандартизации, которая ограничит нестандартные подходы.

Однако создатели таблицы подчеркивают ее адаптивность. «Это живой документ, — говорит Марк Гамильтон из MIT. — Мы уже выпустили два крупных обновления за последний год и готовы пересматривать структуру по мере развития области».

Долгосрочное влияние

Если проект получит широкое признание, он:

• сократит время разработки коммерческих ИИ-решений на 40-60%;
• снизит порог входа в область для новых исследователей;
• станет основой для учебных программ ведущих технических вузов;
• позволит прогнозировать свойства алгоритмов до их создания.

Как и периодическая система в химии, эта таблица, вероятно, не станет окончательной истиной, но может превратиться в незаменимый инструмент навигации в мире машинного обучения. Ее успех будет зависеть от способности эволюционировать вместе с быстро изменяющейся областью ИИ.

Дональд Трамп и пошлины: какие тарифы ввели США?

2 апреля Дональд Трамп подписал указ о введении пошлин на импорт из более чем 150 стран мира. Для большинства государств пошлины составили 10% и начали действовать с 5 апреля. Под ограничения попали такие страны, как Монголия, Великобритания, Австралия, Турция. Большинство стран бывшего СССР тоже получили тарифы в 10%. Исключение — Казахстан, у него 27%. Россия и Беларусь не попали в этот список.

Для некоторых стран ставки варьируются: для ЕС это 20%, для Южной Кореи — 24%, для Японии — 26%.

Больше всех пострадал Китай:, он получил тарифы в размере 10%, но из-за ответных мер Дональд Трамп увеличил пошлины до 145%. Подробнее с хронологией изменения пошлин для КНР можно посмотреть на инфографике РБК:

9 апреля Трамп объявил о 90-дневной приостановке высоких пошлин (от 11 до 50%) для 75 стран. Китай в этот список не попал. Для Японии ставка была 24%, для Южной Кореи — 25%. Для Камбоджи, Вьетнама и ряда африканских стран тарифы достигали 50%, но эти ставки приостановили и оставили на уровне 10% на время переговоров.

12 апреля США временно вывели из-под «взаимных» тарифов смартфоны, ноутбуки, процессоры и жёсткие диски — снова без участия Китая.

В середине месяца Китай повысил пошлины на американские товары до 125%, но уже 24 апреля тихо отменил тарифы на полупроводники и авиационные детали из США. На следующий день власти КНР заявили, что больше не будут реагировать на тарифные меры Трампа.

12 мая стало известно, что стороны договорились снизить пошлины друг для друга до 10% на 90 дней. Однако для Китая сохраняется дополнительный тариф в 20% за незаконный экспорт фентанила. В итоге общая ставка для КНР составила 30%.

Зачем США ввели пошлины?

Пошлины новой администрации президента США — это не что-то кардинально новое. Дональд Трамп ещё в 2018 году вводил меры против Китая, которые послужили началом торговой войны и сильно ударили по компании Huawei.

Администрация Джо Байдена также вводила точечные пошлины на импорт электромобилей и стимулировала перенос производства из Китая в другие страны. Дональд Трамп лишь продолжает общий тренд, просто делает это более радикально.

Вот несколько возможных причин такой политики США:

Защита своих. В указе президента США говорится, что за 2023 год доля Штатов в мировом производстве составила только 17,4%, тогда как в 2001 году она была в районе 28%. Аналогично с рабочими местами. С 1997 по 2024 г. США потеряли 5 млн рабочих мест в производстве. В теории пошлины могут увеличить стоимость импорта, повысить конкурентоспособность местных производителей и стимулировать создание новых рабочих мест.

Принцип взаимности. В том же указе Дональд Трамп утверждает, что его тарифы это взаимное повышение, потому что многие страны ведут несправедливую торговую политику: вводят высокие тарифы на американские товары, создают бюрократические барьеры, недостаточно защищают интеллектуальную собственность американских компаний. Например, США взимали только 2,5% на импорт легковых авто, тогда как ЕС — 10%, Индия — 70% и Китай — 15%.

Сокращение торгового дефицита. У США самый большой в мире торговый дефицит. Это значит, что страна покупает гораздо больше, чем продаёт. В 2024 году общий товарооборот Соединённых Штатов и КНР составил $582,4 млрд. При этом США купили товаров на $438,9 млрд, а продали в Китай на $143,5 млрд

Помимо сокращения производств и рабочих мест такая торговля провоцирует усиление зависимости от Китая, что не очень полезна с точки зрения национальной безопасности.

Как устроены производство, логистика и цепочки поставок современной техники

Пошлины США бьют по производству, логистике и цепочкам поставок брендов электроники. Сейчас очень мало компаний, которые делают смартфоны, телевизоры и прочую технику самостоятельно под ключ в рамках одной страны и только для одного рынка.

Samsung производит ключевые компоненты: дисплеи, память, камеры, чипы на заводах в Южной Корее и Китае. Сборка происходит уже во Вьетнаме, Бразилии, Индонезии и Индии. Для логистики компания использует склады в США, Южной Корее и Китае.

Для производства и транспортировки одного смартфона нужно участие множества стран, среди которых есть и Китай. Однако Samsung менее зависим от китайских мощностей, чем многие другие бренды.

Например, у Apple почти нет собственных мощностей, и компания отдаёт большую часть производства на аутсорс в Китай. Там собирают около 70–80% айфонов. Причём в процессе выстраивания производства и логистики Apple может ввозить и вывозить комплектующие из США в Китай и обратно несколько раз.

Китайским Xiaomi, BBK, Honor, на первый взгляд, ничего угрожать не должно. Они не представлены официально на рынке США из-за санкций, производят продукцию в Китае и поставляют ее в соседние страны. Но есть нюанс. Бренды используют американские технологии в комплектующих. Например, американская Qualcomm производит свою линейку чипсетов Snapdregon на заводах TSMC в Тайване. Эти чипы ставят в смартфоны китайских брендов. Если торговая война ожесточится, то китайские компании могут попасть под дополнительные санкции и потерять доступ к некоторым американским технологиям, как это было в 2018 году с Huawei.

Кто выиграет и кто проиграет от пошлин

Прежде всего от ситуации проигрывают потребители, поскольку компании всегда перекладывают издержки на них. Вопрос лишь в том, как сильно вырастут цены. Компании могут попытаться урезать свою маржу, чтобы этот рост был не таким сильным, либо сохранить её и переложить издержки на покупателей.

Проиграют от введения пошлин прежде всего американские бренды вроде Apple, Dell, HP, так как они отдают своё производство на аутсорс (преимущественно в Китай) и ориентированы во многом на рынок США.

В отчётах о доходах Apple говорится, что она ожидает около $900 млн дополнительных расходов в 3‑м квартале 2025 года из-за пошлин администрации Трампа. Чтобы смягчить удар по ценам, компания в срочном порядке ввезла 5 самолётов с айфонами перед введением ограничений.

Аналитики из Rosenblatt Securities прогнозируют рост цен на айфоны на 43%. По их оценкам, стоимость самой дешёвой версии iPhone 16 (стартовая цена 799 $) может возрасти до 1142 $, а iPhone 16 Pro Max (1599 $) может подорожать до 2300 $, если Apple переложит дополнительные издержки на покупателей.

Аналитики крупнейшего швейцарского финансового холдинга UBS предполагают, что iPhone 16 Pro Max, собранный в материковом Китае, может подорожать на 350 $, достигнув 1549 $ в США.

Игровая индустрия

От тарифов могут пострадать в том числе и геймеры. Из-за пошлин на товары из Китая (145%) и Вьетнама (46%) Nintendo отложили начало продаж консоли Switch 2 в США с 9 на 24 апреля. Это было нужно, чтобы переоценить влияние пошлин на логистику и цены. В результате Nintendo сохранила цену на консоль, но повысила стоимость аксессуаров.

Компания Razer на время остановила продажи ноутбуков Blade 16 и Blade 18. Стоимость цифровой версии Sony PlayStation 5 увеличилась на 20—25% в Европе и Австралии. Это отражается в том числе на разработчиках, которым нужно оборудование.

Любителям поиграть в ПК тоже стоит подготовиться к повышению цен на комплектующие. Из-за пошлин на алюминий могут вырасти цены на видеокарты и корпуса.

ИИ и робототехника

Из-за повышения цен на комплектующие, вероятно, пострадают не только обычные пользователи, но и крупные компании, которые должны поддерживать свою серверную инфраструктуру. Особенно это острая проблема для сектора ИИ. Согласно отчёту ABI Research, рост цен на серверы может снизить инвестиции в компании, которые занимаются ИИ и робототехникой. Как итог, это приведёт к отставанию США в этих областях.

Кто выиграет в гонке пошлин

Пострадают от повышения тарифов не только американские компании. Например, корейская Samsung занимает около 18% рынка смартфонов США. В отношении Южной Кореи были введены пошлины в размере 25%, потом их снизили до 10% (до 9 июля). Пошлины могут повысить стоимость электроники Samsung и других корейских компаний в США. В связи с этим уже идут разговоры о переносе производства телевизоров Samsung в Штаты.

Американским компаниям придётся переносить производство из Китая в другие страны. Ожидается, что особой популярностью будут пользоваться Вьетнам, Индия и Индонезия. Рост цен на электронику может подстегнуть рынок б/у устройств и увеличить поток клиентов в сервисных центрах. Также стоит отметить стартапы и небольшие локальные производства в США. Сложно сказать, смогут ли они составить адекватную конкуренцию крупным брендам, но точно усилят свои позиции.

Иностранные компании по типу Samsung, которые не сильно завязаны в своих цепочках производства и логистике на Китае пострадают не так сильно, как Apple или Nvidia.

Китайские бренды, которые не представлены на рынке США, не пострадают напрямую, но могут получить дополнительные издержки из-за спада роста мировой экономики. Так как Штаты — крупнейший в мире рынок сбыта, падение продаж может затормозить производство и потребление и снизить спрос на электронику в целом. Но сложно спрогнозировать, насколько критичным будет такое падение для компаний по типу Xiaomi, Huawei, BBK. И даже если оно и будет, то на китайских брендах это едва скажется.

Неожиданным бенефициаром оказались зелёные активисты — снижение темпов роста мировой экономики и производства могут сократить выбросы парниковых газов.

Причём здесь Россия

Россия не попала в список стран, на которые распространяются пошлины на импорт в США. Это объясняется тем, что в отношении страны и так действуют санкции, причём самое большое их число за всю историю. Но это не значит, что меры администрации президента США не затронут российский рынок электроники.

С одной стороны, компании могут начать искать новые рынки сбыта и увеличить продажи в России, но с другой стороны, тарифы Трампа ударят косвенно.

РФ во многом зависит от импорта энергоресурсов. Если из-за пошлин в мировой экономике произойдёт спад производства, то уменьшится спрос на российские ресурсы, прежде всего на нефть и газ. Это может обвалить курс рубля и повысить цены на импортную электронику.

Например, минэкономразвития опубликовало документ со сценариями развития российской экономики, где сказано, что эскалация торговых войн, замедление мировой экономики и сокращение российского экспорта — вероятная угроза. В базовом сценарии ведомство ожидает средний курс рубля 94,3 к доллару за 2025 год. В 2026 году он составит 100,2 рубля, а в 2028 году — 106 рублей за доллар.

При консервативном сценарии, где торговые войны и санкции окажутся «ощутимее», рубль может ослабеть ещё сильнее. Поставщики оплачивают технику для российского рынка в долларах. В случае ослабления рубля им придётся поднимать цены на товары внутри страны.

По большей части негативные последствия ожидают и эксперты. Россиянам придётся покупать тот же товар, но дороже, так как китайские компании будут наращивать импорт и поднимать цены, чтобы компенсировать потери. Так считает Александр Тимофеев, к.э.н., доцент кафедры информатики РЭУ им. Г.В. Плеханова.

К схожим выводам приходят и эксперты, опрошенные редакцией Cnews и РБК. Они ожидают роста цен на бытовую электронику, смартфоны, телевизоры и ноутбуки в районе 15—30%.

Альтернативные решения для покупателей

Переход на китайские бренды

Китайские поставщики электроники, такие как Xiaomi, BBK, Lenovo пострадают от пошлин меньше всего и, вероятно, сохранят приемлемый, конкурентоспособный уровень цен.

Использование Рынка б/у устройств

На онлайн-площадках с объявлениями часто продают восстановленную или б/у технику. Там можно купить комплектующие для ПК, устаревшие айфоны и сэкономить в районе 30—50%. Помимо частных продавцов там есть полноценные магазины, которые дают гарантию. Однако надо внимательно изучать её условия и проверять товар/продавца перед покупкой.

Сервисные центры и апгрейд

Как вариант, можно чуть реже покупать технику, ремонтировать её в случае возникновения проблем, если, конечно, это дешевле новой покупки. В случае с ПК можно не покупать новое устройство, а постепенно обновлять его комплектующие.

Акции и скидки

Их можно найти при помощи специальных приложений и сервисов наподобие Шерри, SkidkaOnline, Gilmom, Pepper.ru и других. Иногда реальные скидки есть на официальных сайтах брендов, например, в mi-shop.com или на маркетплейсах. Продавцы китайской техники часто запускают акции при старте продаж новинок.

Китайские магазины и посредники

На площадках с объявлениями можно найти людей, которые периодически бывают в Китае или других странах и могут за символическую плату привести технику без накруток и перекупов.

Другой вариант — заказать товар с китайских интернет-магазинов напрямую. Правда, Aliexpress тут уже не лучший вариант. Mail.ru выкупила часть магазина, которая отвечала за товары для России. Это уже не совсем китайский магазин, и там уже нет такого уровня цен.

Можно покупать на 1688, Taobao, Poizon, но придётся заморочиться с переводчиком, китайским счётом, адресом, иностранной картой. Они не работают напрямую с Россией. Всё равно придётся искать посредника, которые перенаправит покупку в РФ.

Важно помнить, что при покупках через посредников или неизвестных продавцов можно нарваться на скам.

Последствия для экономики и будущие перспективы

Возможность смены администрации

По данным опроса издания Returns, рейтинг Дональда Трампа упал до 42% — это минимум с момента его возвращения в Белый дом.

Также в 2026 году состоятся выборы трети Сената. Политика администрации Дональда Трампа сопровождается негативным информационным фоном. Это может сделать предстоящие выборы более сложными для республиканцев.

Не стоит исключать возможность того, что и следующим президентом США в 2028 году станет демократ или более умеренный республиканец. Правда, протекционистские тенденции были уже при администрации Байдена. Меры Трампа, скорее, — более радикальный вариант этой политики. Поэтому вполне вероятно, что следующий глава Белого дома смягчит условия тарифов, но не отменит их полностью.

Кроме того, в уравнении политики США всё ещё много неизвестных. На данный момент пошлины заморожены до базового уровня в 10%, тарифы на электронику приостановлены. Между США и Китаем идут переговоры, многие страны хотят заключить индивидуальные сделки. Об одной из таких между США и Великобританией уже известно.

Сценарии для мировой экономики

ВТО в апреле опубликовала отчёт со сценариями развития мировой экономики. Согласно базовому прогнозу, ожидается рост объёмов мировой торговли товарами за 2025 г. в размере 2,7%, услугами — 5,1% и прирост ВВП на 2,8%.

Однако из-за новых тарифов в отчёт пришлось внести корректировки. Есть три варианта развития событий:

Сохранение фактических тарифов. Речь о пошлинах, которые были введены на 14 апреля 2025 года. Если они останутся, то рост мировой торговли снизится на 2,9%, а ВВП на 0,61%.

Взаимные тарифы. Если другие страны решат ввести против США ответные тарифы, то рост мировой торговли может сократиться на 3,5%, а ВВП — на 0,65%.

Распространение тарифов. Это вариант, где страны пользуются тарифами США как прецедентом и вводят пошлины друг против друга. Здесь рост мировой торговли может сократиться на 4,3%, ВВП на 1,12%.

Мировой ВВП в 2023 году составил примерно 106 $ трлн. Сокращение роста даже одного процента ВВП — это сумма, превышающая триллион долларов. Например, ВВП России за 2024 год составил около 2 $ трлн. Такой спад может оказаться очень ощутимым, пошлины повлияют на платёжеспособность и спрос на технику по всему миру.

Ты точно программист, если читаешь это! Больше историй, инсайтов и боли кодеров тут

Узнаем, что собой представляет обучение с подкреплением Deep Reinforcement Learning, как реализуется этот процесс, какие алгоритмы глубокого обучения используются и как подход помогает в решении практических задач.

Введение в Reinforcement Learning (RL)

Обучение с подкреплением (Reinforcement Learning) — это метод машинного обучения, в котором агент, то есть обучаемая система, учится принимать оптимальные решения через взаимодействие со средой. В отличие от других подходов, RL не требует заранее подготовленных данных с правильными ответами или явной структурой в них. Вместо этого агент получает обратную связь в виде числовых вознаграждений или штрафов, корректируя свою стратегию таким образом, чтобы получить максимальную награду.

В основе обучения с подкреплением лежит идея, позаимствованная из поведенческой психологии: система учится методом проб и ошибок, получая положительное или отрицательное подкрепление своих действий. Этот процесс напоминает то, как дети осваивают новые навыки на практике, включая базовые — ходьбу, ориентацию в пространстве. Однако в случае машинного обучения весь процесс упакован в математическую модель, где каждое действие, состояние среды и вознаграждение описываются строгими уравнениями.

Важнейшая особенность RL — его агент-ориентированная природа. В отличие от других парадигм машинного обучения, где модель пассивно обрабатывает данные, здесь агент активно воздействует на среду, изменяя ее состояние и получая новые данные для обучения. Это создает замкнутый цикл: действие — новое состояние — вознаграждение — коррекция стратегии.

Отличия от Supervised и Unsupervised Learning

Классическое обучение с учителем (supervised learning) предполагает наличие размеченных данных: модели предоставляют входные примеры и соответствующие им правильные ответы. Например, алгоритм классификации изображений обучается на миллионах пар «картинка — метка класса». Основная проблема такого подхода — необходимость в огромных размеченных датасетах, создание которых часто требует значительных человеческих ресурсов.

В RL таких готовых разметок нет — агент сам ищет успешные действия методом проб и ошибок.

Это делает подход особенно ценным для задач, где:

• получение обучающих данных стандартным способом дорого или невозможно — например, обучение беспилотных такси реальному вождению;
• оптимальное поведение заранее неизвестно — как в случае с новыми стратегическими играми;
• среда постоянно меняется, требуя адаптации — робототехника в неструктурированных средах.

Обучение без учителя (unsupervised learning) ищет скрытые закономерности в данных, например, кластеризуя их или снижая размерность. Однако оно не ставит целью решение конкретной задачи, такой как победа в игре или управление роботом. RL, напротив, всегда ориентирован на достижение цели, заданной через систему вознаграждений.

Интересный гибридный подход — имитационное обучение (imitation learning), где агент пытается копировать поведение эксперта. Однако даже в этом случае RL часто превосходит простое копирование, находя более оптимальные стратегии.

Ключевые особенности RL

Есть проблема кредитного присвоения. Агент может совершить серию действий, и лишь спустя время получить оценку их эффективности. Например, в шахматах итоговый результат (выигрыш или проигрыш) становится ясен только в конце партии. Это требует от алгоритмов способности определять, какие именно действия из длинной последовательности привели к успеху или неудаче.

Важен компромисс между исследованием и эксплуатацией. Агент вынужден балансировать между использованием уже известных успешных стратегий (эксплуатация) и поиском новых, потенциально более эффективных подходов (исследование).Этот баланс — одна из самых сложных теоретических проблем в Reinforcement Learning, имеющая аналогии в экономике и психологии принятия решений.

Где применяется обучение с подкреплением

Обучение с подкреплением находит широкое применение во множестве отраслей.

Игры и симуляции

Алгоритмы типа AlphaGo и OpenAI Five демонстрируют, как нейросети побеждает чемпионов в го, Dota 2 и других сложных играх. Кроме того, современные игровые ИИ используют RL для создания адаптивных противников, а виртуальные симуляторы позволяют безопасно тестировать алгоритмы перед применением в реальном мире.

Робототехника и автоматизация

С помощью Reinforcement Learning реализуется обучение роботов сложным манипуляциям — например, складыванию товаров в коробки на складах. Разрабатываются адаптивные стратегии передвижения для дронов и шагающих роботов, выстраиваются промышленные процессы без остановки производства.

Автономные системы

Беспилотные автомобили используют RL для принятия решений в реальном времени. Ведется работа по управлению энергосистемами, автоматизированными складами и логистическими структурами.

Медицина и биология

Ведутся работы над участием нейросетей в разработке персонализированных схем лечения, оптимизации дозировок лекарств, молекулярного дизайна новых препаратов и в других направлениях.

Финансы и экономика

Обучение с подкреплением Reinforcement Learning используется для алгоритмической торговли с учетом рыночной динамики, выдаче персонализированных финансовых рекомендаций, оптимизации инвестиционных портфелей.

Преимущества метода Reinforcement Learning

Reinforcement Learning предлагает принципиально иной подход к машинному обучению, обладающий рядом уникальных характеристик, которые делают его незаменимым для решения определенного класса задач. Рассмотрим ключевые преимущества этого метода:

• RL-агенты способны обучаться в условиях полного отсутствия подготовленных данных. В отличие от других подходов, требующих размеченных наборов информации или предварительного описания среды, системы на основе обучения с подкреплением самостоятельно формируют стратегии поведения через прямое взаимодействие с окружением. Это особенно ценно для задач, где сбор обучающей выборки затруднен или невозможен.
• Метод демонстрирует особую эффективность в задачах, требующих последовательного принятия решений с учетом их отложенных последствий. Агенты RL оценивают не мгновенную выгоду, а совокупный ожидаемый результат всей цепочки действий, что позволяет находить стратегии с максимальным долгосрочным эффектом.
• RL-системы способны непрерывно адаптироваться к изменениям среды без необходимости полного переобучения. Эта характеристика критически важна для приложений, работающих в динамично меняющихся условиях, таких как финансовые рынки или системы автоматического управления.
• Одни и те же алгоритмические подходы могут успешно применяться в совершенно различных областях — от робототехники до медицины. Например, методы на основе Q-обучения одинаково эффективны как для управления промышленными роботами, так и для разработки персонализированных планов лечения.
• Подход особенно полезен в ситуациях, где среда не полностью наблюдаема или содержит стохастические элементы. Агенты учатся действовать оптимально даже при наличии значительного уровня случайности в получаемых данных.
• Метод существенно снижает зависимость от экспертных знаний и субъективных оценок. Система формирует стратегии, основываясь исключительно на объективных показателях эффективности, заданных через функцию вознаграждения.
• Многие современные реализации RL позволяют одновременно обучать множество агентов в различных условиях, что значительно ускоряет процесс выработки оптимальных стратегий и повышает их надежность.
• RL-алгоритмы часто обнаруживают стратегии, которые не были предусмотрены разработчиками, демонстрируя креативный подход к решению задач. Это свойство особенно ценно в сложных проблемных областях с множеством переменных.

Эти преимущества делают Reinforcement Learning мощным инструментом для решения сложных задач управления и оптимизации, где традиционные подходы машинного обучения демонстрируют ограниченную эффективность. Однако реализация RL-систем требует тщательного проектирования и учета специфических особенностей метода.

Основные участники процесса Reinforcement Learning

Reinforcement Learning можно назвать дрессировкой системы с числовыми вознаграждениями. Здесь задействовано несколько ключевых компонентов, каждый из которых выполняет четко определенную роль.

Агент — это обучаемая система, принимающая решения. В отличие от классических алгоритмов, которые просто обрабатывают данные, агент активно взаимодействует со средой, совершая действия и получая обратную связь. Его можно представить как пилота, который учится управлять самолетом методом проб и ошибок.

Среда — пространство, в котором существует агент. Оно может быть физическим (как в случае с роботами) или виртуальным (как в компьютерных играх). Среда реагирует на действия агента, изменяя свое состояние и предоставляя информацию о новых условиях. Например, для алгоритма, играющего в шахматы, среда — это доска с фигурами и правила игры.

Состояние — моментальный снимок среды в конкретный момент времени. В простейшем случае это может быть текущая позиция робота в пространстве, в более сложных — многомерный вектор параметров. Состояние содержит всю необходимую агенту информацию для принятия решений, хотя на практике часто приходится иметь дело с частично наблюдаемыми состояниями.

Действия — это то, что агент может совершать в среде. Они могут быть дискретными, как выбор хода в го, или непрерывными, как угол поворота руля в беспилотном автомобиле. Набор возможных действий определяет, насколько гибким может быть поведение агента.

Вознаграждение — числовая оценка, которую среда выдает агенту после каждого действия. Это ключевой механизм обучения: агент стремится максимизировать суммарное вознаграждение за продолжительный период. Интересно, что проектирование функции вознаграждения — одна из самых сложных задач в RL. Плохо продуманная система поощрений может привести к неожиданному поведению, когда агент находит способы «обманывать» среду ради формального увеличения награды.

Политика — стратегия поведения агента, определяющая, какие действия предпринимать в каждом состоянии. Ее можно сравнить с рефлексами: для простых задач политика может быть жестко заданной, но в сложных средах она представляет собой функцию, которую агент постепенно совершенствует.

Функция ценности — более глубокая концепция, оценивающая не мгновенное вознаграждение, а перспективность состояний с учетом будущих возможностей. Именно благодаря этому RL-системы могут демонстрировать стратегическое мышление, жертвуя краткосрочной выгодой ради долгосрочного успеха.

Компоненты образуют замкнутый цикл взаимодействия: агент наблюдает состояние, выбирает действие, получает вознаграждение и новое состояние, после чего процесс повторяется. Красота RL заключается в том, что, имея четко определенные компоненты, метод может применяться к задачам самой разной природы — от управления спутниками до оптимизации бизнес-процессов.

Цикл взаимодействия агент–среда

В основе Reinforcement Learning лежит непрерывный диалог между обучаемой системой и ее окружением. Этот процесс можно сравнить с танцем, где партнеры (агент и среда) постоянно обмениваются сигналами, корректируя свои движения. Однако в отличие от хореографии, здесь каждый шаг подчиняется строгим математическим принципам.

Цикл начинается с того, что среда предоставляет агенту текущее состояние — набор параметров, описывающих ситуацию. Например, для алгоритма, управляющего беспилотным автомобилем, это могут быть показания датчиков, положение других участников движения и дорожная разметка. Агент анализирует эту информацию и выбирает действие из доступного набора возможностей — ускориться, затормозить или повернуть.

Среда реагирует на выбранное действие, переходя в новое состояние. Одновременно она выдает числовое вознаграждение — оценку качества принятого решения. В нашем примере плавное торможение перед пешеходным переходом может принести положительную оценку, а резкий маневр — отрицательную. Важно, что вознаграждение не всегда соответствует мгновенной выгоде; хорошая стратегия часто требует временных жертв ради долгосрочного успеха.

Затем цикл повторяется: агент получает обновленное состояние, принимает следующее решение и снова получает обратную связь. С каждым таким витком система накапливает опыт, постепенно выстраивая оптимальную стратегию поведения. Этот процесс формализуется через концепцию Марковского процесса принятия решений (MDP), которая обеспечивает математическую основу для анализа последовательности состояний, действий и вознаграждений.

При этом агент должен периодически пробовать неочевидные действия, чтобы не застрять в локальном оптимуме, но чаще использовать проверенные подходы, дающие стабильный результат.

В промышленных реализациях этот цикл может выполняться тысячи раз в секунду. Современные фреймворки позволяют параллелить процесс обучения, запуская множество агентов в идентичных или различных условиях для ускорения сбора опыта.

Популярные алгоритмы

Современный инструментарий алгоритмов хорошо укомплектован — для каждой задачи найдется подходящий метод, будь то простое дискретное управление или сложное поведение в непрерывных пространствах состояний.

Рассмотрим наиболее востребованные алгоритмы, доказавшие свою эффективность как в академических исследованиях, так и в промышленных приложениях:

• Q-Learning остается фундаментальным методом, с которого многие начинают знакомство с RL. Его красота — в простоте и математической элегантности. Алгоритм работает с таблицей Q-значений, где для каждой пары «состояние-действие» хранится оценка ожидаемой долгосрочной выгоды. В 2023 году модифицированная версия этого алгоритма показала неожиданную эффективность в управлении энергопотреблением дата-центров, сократив затраты на 15% по сравнению с традиционными методами (результаты исследований).
• SARSA придерживается более консервативного подхода. Название алгоритма отражает последовательность State-Action-Reward-State-Action, по которой происходит обновление политики. Этот метод особенно хорош в задачах, где цена ошибки высока — например, в медицинских приложениях, где неверное действие может иметь критические последствия. Исследование 2024 года продемонстрировало успешное применение SARSA для персонализированного подбора доз химиотерапии.
• Deep Q-Networks (DQN) в свое время показал, как сочетание Q-обучения с глубокими нейросетями может решать задачи невероятной сложности. Вместо таблицы Q-значений здесь используется нейросетевая аппроксимация, что позволяет работать с высокоразмерными состояниями по типу пикселей на экране игры. Современные реализации DQN (Rainbow) включают шесть различных улучшений базового алгоритма — от двойных Q-сетей до распределенного обучения. В 2025 году ожидается появление новой модификации, специально оптимизированной для квантовых вычислительных систем.
• Policy Gradient методы совершили революцию, предложив прямой способ оптимизации стратегии поведения. Вместо косвенного обучения через оценку ценности действий, эти алгоритмы напрямую настраивают параметры политики, используя градиентный подъем.
• Гибридный подход Actor-Critic реализуется следующим образом: «Актор» отвечает за выбор действий, а «Критик» оценивает их качество, создавая мощную систему взаимного обучения. Этот метод стал основой для многих современных промышленных решений, от управления беспилотниками до алгоритмической торговли.
• Proximal Policy Optimization (PPO) в настоящее время считается золотым стандартом для многих практических задач. Его главное преимущество — стабильность обучения при сохранении относительно простой реализации. Алгоритм аккуратно ограничивает размер обновления политики, предотвращая катастрофические изменения стратегии. По данным OpenAI, PPO стал наиболее часто используемым методом в их проектах последних лет — от сложных игровых сред до управления роботами.
• Среди новейших разработок выделяется DreamerV3 — алгоритм, сочетающий обучение с подкреплением с моделью мира. В отличие от традиционных методов, он строит внутреннюю модель среды, позволяя «проигрывать» возможные сценарии без реального взаимодействия. Это особенно ценно для задач, где сбор данных дорог или опасен (управление ядерными реакторами или медицинская диагностика).

Выбор конкретного алгоритма всегда зависит от специфики задачи. Для дискретных пространств с небольшим числом состояний по-прежнему эффективны классические табличные методы. Высокоразмерные непрерывные пространства требуют глубоких подходов. В промышленных системах, где важна стабильность, предпочтение отдается PPO и его модификациям. Активные исследования 2024-2025 годов направлены на создание универсальных алгоритмов, способных эффективно обучаться на разнородных задачах без перенастройки гиперпараметров.

Примеры и кейсы применения

Reinforcement Learning давно перестал быть академической концепцией, найдя применение в самых разных областях — от развлекательной индустрии до критически важных систем. Рассмотрим наиболее показательные примеры, демонстрирующие мощь этого подхода.

Игровые системы стали своеобразным полигоном для испытаний RL-алгоритмов. Поединок по игре в го между Ли Седоль и AlphaGo в 2016 году показал, что обучение с подкреплением может превосходить человека в сложных стратегических играх.

Последующие разработки продемонстрировали способность RL справляться с неполной информацией и реальным временем принятия решений. В 2024 году появилась новая генерация игровых ботов, способных адаптироваться к стилю конкретного игрока, делая киберспортивные тренировки более эффективными. Примечательно, что методы, отработанные на играх, часто находят применение в более серьезных областях — например, алгоритмы для StarCraft легли в основу систем военного моделирования.

Робототехника — область, где RL раскрывает свой потенциал в полной мере. Современные промышленные манипуляторы, обученные с подкреплением, демонстрируют невероятную ловкость, справляясь с задачами, которые еще недавно считались исключительно человеческими. В лабораториях Boston Robotics алгоритмы RL позволяют четвероногим роботам осваивать сложные движения за считанные часы, а не недели, как требовалось при традиционном программировании.

Особенно впечатляют последние достижения в медицинской робототехнике — хирургические системы, обученные на симуляторах с RL, в 2025 году впервые получили ограниченное разрешение для проведения реальных операций под наблюдением человека.

Финансовая сфера активно внедряет RL для алгоритмической торговли. В отличие от классических стратегий, системы на основе обучения с подкреплением могут адаптироваться к изменяющимся рыночным условиям. Хедж-фонды используют ансамбли RL-агентов для управления портфелем, банковские структуры применяют аналогичные методы для оптимизации кредитных рисков и выявления мошеннических схем.

Автономные транспортные средства — пожалуй, самый заметный для обывателя пример применения RL. Современные системы автопилота уже не просто следуют жестким правилам, а обучаются на миллионах километров реального и симулированного вождения. Компания Waymo в 2024 году представила новое поколение алгоритмов, способных предугадывать поведение пешеходов с точностью 98.7%, что значительно превышает человеческие показатели.

В сфере персонализированных рекомендаций RL произвел тихую революцию. Netflix и Spotify уже несколько лет используют сложные системы на основе обучения с подкреплением, которые учитывают не только явные предпочтения пользователей, но и их психофизиологические реакции — в случае, если их удается зарегистрировать. В 2025 году ожидается появление первых коммерческих систем, способных адаптировать контент в реальном времени по нейрофидбеку с носимых устройств.

Что объединяет все эти примеры? Невозможность решить задачу традиционными методами программирования. В каждом случае система сталкивается со слишком сложной, изменчивой средой, где нельзя заранее предусмотреть все возможные сценарии. Именно здесь обучение с подкреплением показывает свои преимущества, позволяя создавать адаптивные, самообучающиеся системы, способные совершенствоваться в процессе работы.

Ограничения и сложности Reinforcement Learning

Несмотря на впечатляющие успехи в различных областях, Reinforcement Learning сталкивается с рядом фундаментальных ограничений, которые важно учитывать при проектировании систем:

• Вычислительная стоимость обучения остается одним из главных барьеров для широкого внедрения. Для достижения приемлемых результатов часто требуются миллионы, а иногда и миллиарды итераций взаимодействия со средой. Например, обучение AlphaGo потребовало тысяч GPU-дней вычислений. В промышленных приложениях это приводит к значительным затратам на инфраструктуру.
• Зависимость от симуляций стала неизбежным компромиссом для многих практических применений. Реальные среды часто слишком дороги или опасны для непосредственного обучения. Однако перенос знаний из виртуальной среды в реальный мир остается серьезной проблемой. Последние работы в области робототехники демонстрируют, что даже современные методы обучения не гарантируют успешный перенос в 100% случаев. Особенно остро эта проблема стоит в медицинских приложениях, где ошибки могут иметь катастрофические последствия.
• Нестабильность процесса обучения проявляется в резких колебаниях производительности и трудностях воспроизведения результатов. Малые изменения гиперпараметров или начальных условий могут привести к совершенно разным итоговым стратегиям. В промышленных системах это требует тщательного мониторинга и частого вмешательства специалистов. Отчет NVIDIA по внедрению RL в производственных линиях (2025) отмечает, что около 30% времени внедрения уходит на стабилизацию и тонкую настройку алгоритмов.
• Этические риски приобретают особую важность по мере проникновения RL в критически важные системы. Известны случаи, когда агенты находили неожиданные способы максимизировать вознаграждение, нарушая намерения разработчиков.
• Проблема разреженных вознаграждений особенно актуальна для сложных сред, где положительная обратная связь возникает редко. В таких условиях агент может вообще не находить успешные стратегии, блуждая в пространстве возможностей. Современные методы по типу обучения с демонстрациями или иерархического RL, лишь частично решают эту проблему.
• Требования к качеству данных часто недооцениваются при внедрении RL. В отличие от других подходов машинного обучения, здесь важна не только статистическая репрезентативность, но и временная согласованность. Исследование MIT по автономным транспортным средствам (2025) выявило, что 80% неудач связаны с неучтенными изменениями в среде между моментом сбора данных и развертыванием системы.
• Регуляторные барьеры становятся все более значимыми, особенно в чувствительных областях. Отсутствие прозрачности в принятии решений многими RL-системами затрудняет их сертификацию. Европейский союз в 2025 году ввел дополнительные требования к аудиту алгоритмов, использующих обучение с подкреплением в финансовом секторе и здравоохранении. Это значительно увеличивает сроки и стоимость внедрения.
• Аппаратные ограничения проявляются при работе с реальными системами в реальном времени. Многие современные алгоритмы требуют значительных вычислительных ресурсов. Даже оптимизированные RL-модели в ряде сдучаев потребляют больше энергии, чем традиционные алгоритмы, что критично для автономных устройств.

Эти ограничения не означают, что метод Reinforcement Learning неприменим на практике, однако он требует взвешенного подхода к использованию. Современные исследования сосредоточены на создании более эффективных, стабильных и безопасных алгоритмов, а также специализированных инструментов для их промышленного внедрения. В ближайшие годы ожидается появление новых стандартов и лучших практик, которые помогут преодолеть многие из текущих сложностей.

Кстати, забрать все самые топовые нейронки для айтишников можно в нашем большом гайде с 70+ ИИ-инструментами.

Узнаем, на каких принципах работает Edge AI, каковы преимущества работы ИИ на устройствах с ограниченными ресурсами, как Edge AI используются прямо сейчас и что будет с этой технологией в будущем.

Основные принципы работы Edge AI

Технология Edge AI — это развертывание моделей ИИ на основе нейросетей непосредственно на устройствах: смартфонах, камерах, датчиках и другом оборудовании. Для вычислений и анализа данных не не нужно обращаться к удаленным или облачным серверам. Устройства принимают решения на месте получения сигнала, что упрощает процесс.

Почему технология считается революционной? Вместо того чтобы гонять данные в облако и обратно, алгоритмы работают прямо на устройстве — будь то смартфон, камера наблюдения или беспилотный автомобиль. Процессор принимает решения мгновенно, не спрашивая разрешения у главного сервера.

Традиционные системы ИИ работают через сеть — данные уходят в дата-центр, там обрабатываются, а результат возвращается обратно. Проблема в том, что даже при быстром интернете такая схема создает задержки. Устройства с Edge AI реагируют на сигнал мгновенно.

Поэтому основное преимущество такого способа работы с данными — скорость. Беспилотному автомобилю нужно распознать пешехода за миллисекунды — ждать ответа из облака смертельно опасно. Другой аспект — автономность. Промышленные датчики и устройства, к которым они подключены, в удаленных локациях могут работать без стабильного интернета.

Есть и экономическая выгода. Зачем отправлять терабайты сырых данных, если можно обработать их на месте и передать только результат?

Наглядный пример: современные смартфоны используют Edge AI для обработки фото. Когда вы делаете портрет в размытом режиме «боке», нейросеть на устройстве сразу отделяет фон от объекта — без загрузки снимка в облако.

Обычные нейросети требуют огромных вычислительных ресурсов — например, чат GPT-4 вряд ли получится запустить на умных часах. Но Edge AI-модели — это «лайт-версии» своих облачных собратьев: они компактные, быстрые и энергоэффективные.

При этом данные никуда не отправляются, что обеспечивает их конфиденциальность: если нет постоянной передачи данных, хакерам сложнее перехватить информацию.

Пример: Apple использует Edge AI в Siri — голосовые команды распознаются прямо на iPhone, а не в облаке. Так компания гарантирует, что ваши разговоры с ассистентом не прослушает даже она сама.

Периферийный ИИ можно установить на любые устройства, работа которых требует быстродействия и определенной степени автономности. Это промышленные станки с умным зрением, беспилотные дроны для доставки товаров, камеры наблюдения. Такие системы не имеют ограничений в виде пропускной способности при передаче данных и задержек, связанных с серверами. Обработка происходит в режиме реального времени.

Технологии и инструменты для Edge AI

Для реализации Edge AI используются специальные инструменты и технологии. Их условно можно разделить на две категории: компактные модели нейросетей и аппаратные ускорители для мобильных устройств. Кроме того, созданы специальные фреймворки, значительно ускоряющие разработку ПО для Edge AI.

Компактные нейросети

Представьте, что вам нужно упаковать суперкомпьютер в бокс размером со спичечный коробок. Именно такую задачу решают разработчики компактных моделей для Edge AI.

Так, MobileNet использует хитрый трюк с разделяемыми свертками, что позволяет уменьшить модель в 10 раз без катастрофической потери точности. Ваш смартфон распознает лица на фото именно благодаря таким оптимизациям.

TinyML — это вообще магия микроуровня. Методика машинного обучения разработана специально для компактных нейросетей. Такие модели могут работать на устройствах с памятью меньше, чем занимает одна фотография в соцсетях. Датчик вибрации на заводском оборудовании с TinyML способен предсказывать поломки, потребляя энергии меньше, чем светодиодная лампочка.

Аппаратные ускорители

Даже самая оптимизированная модель нейросети будет тормозить без специализированного «железа». Так называемые нейроморфные процессоры обладают специальной архитектурой, имитирующей принцип работы человеческого мозга. Такие компоненты повышают производительность устройств и снижают стоимость внедрения Edge AI технологий.

Эти продукты делают автономные сети быстрыми и энергоэффективными:

• NPU (Neural Processing Unit) — процессоры, заточенные под нейросети. В iPhone и флагманских смартфонах Android стоят NPU от Apple и Qualcomm, которые ускоряют распознавание лиц и обработку фото в 5–10 раз быстрее CPU. Специализированные чипы запускают миниатюрные копии нейросетей на устройствах.
• TPU (Tensor Processing Unit) — разработка Google, созданная для ускорения TensorFlow-моделей. Edge TPU на компьютерах с одной платой Coral Dev Board позволяют запускать до 4 трлн (!!!) операций в секунду при потреблении всего 2 Вт.
• VPU (Vision Processing Unit) — чипы, оптимизированные под компьютерное зрение. Так, Intel Movidius используется в дронах и камерах видеонаблюдения анализа видео в реальном времени без облака. Они потребляют в 10 раз меньше энергии, чем обычные GPU, выполняя те же задачи. Камера ноутбука, которая размывает фон во время видеозвонков, использует именно такие процессоры.

Фреймворки для Edge AI

В числе самых популярных инструментов:

• TensorFlow Lite — идеален для Android и встраиваемых систем. Он поддерживает квантизацию (преобразование и сжатие) и аппаратное ускорение через NPU. Например, с его помощью можно развернуть модель распознавания жестов на одноплатном мини-компьютере Raspberry Pi за пару часов.
• PyTorch Mobile — выбор тех, кто любит гибкость. Фреймворк позволяет динамически изменять архитектуру модели прямо во время работы, что полезно для задач вроде адаптивного компьютерного зрения.
• Edge Impulse — самый дружелюбный инструмент для новичков. Он предлагает готовые шаблоны для TinyML и даже автоматически оптимизирует модели под конкретное железо. Например, с его помощью можно собрать систему мониторинга вибрации промышленного оборудования без написания кода.

Это лишь несколько наиболее популярных примеров. Есть и другие инструменты для работы с локальными нейросетями в зависимости от назначения устройств и степени их сложности.

Оптимизация нейросетей для Edge AI

В периферийном AI используются оптимизированные нейросети. Рассмотрим подробнее

Квантизация

Это «сжатие» модели за счет снижения точности вычислений. Например, переход с 32-битных чисел на 8-битные уменьшает размер нейросети в 4 раза, а скорость работы повышает вдвое или втрое. Точность слегка падает, но для многих задач (распознавание объектов, голоса) это незаметно. TensorFlow Lite и PyTorch поддерживают квантизацию «из коробки» — достаточно пары строк кода.

Distillation (дистилляция данных)

Действенный способ ускорения нейросетей. Большая, точная модель («учитель») передает знания компактной модели («ученику»). В итоге маленькая нейросеть сохраняет до 90% эффективности оригинала, но требует в 10 раз меньше ресурсов.

Специальные свертки

Стандартные свертки потребляют слишком много ресурсов — они перемножают все входные данные. Depthwise (глубинные) свертки работают точечно: обрабатывают каждый канал изображения отдельно, сокращая вычисления в 5–10 раз. Sparse (разреженные) методы еще радикальнее — они просто «выключают» лишние нейроны. Вместе эти подходы позволяют запускать ИИ даже на устройствах с 1 МБ памяти.

Преимущества Edge AI

Модели Edge AI обеспечивают быстродействие и эффективную работу устройств, используемых в самых разных сферах. Вместо централизованных систем, где вся инфа стекается для анализа в облако, каждое устройство работает автономно.

Подробно разберем основные преимущества моделей Edge AI.

Скорость

Главное преимущество Edge AI — это сверхнизкая задержка. В традиционных облачных системах данные сначала отправляются на сервер, обрабатываются и только потом возвращаются обратно — на это уходят драгоценные секунды. В Edge AI все происходит на самом устройстве, без потерь времени на передачу.

Пример. Беспилотный автомобиль видит пешехода, выскакивающего на дорогу. Если он начнет отправлять данные в облако и ждать ответа — столкновения не избежать. Edge AI решает эту проблему радикально: реакция происходит быстрее, чем моргание глаза (буквально — за 10-50 мс).

Устройства реагируют в реальном времени независимо от скорости интернета или загруженности облачных серверов. При этом вычисления происходят непрерывно, даже в условиях нестабильного соединения, а нагрузка на сеть снижается — данные не нужно постоянно пересылать туда-обратно.

Именно поэтому Edge AI становится стандартом для задач, где время реакции — ключевой фактор. Будь то интерактивные приложения, промышленная автоматизация или системы безопасности — локальная обработка обеспечивает тот самый мгновенный отклик, который раньше был невозможен.

Конфиденциальность

Облачные сервисы — всегда риск: утечки через взломанные серверы, слежка, случайные потери данных.

Edge AI действует иначе:

• лица для разблокировки телефона обрабатываются в защищенном контуре процессора;
• медицинские показатели анализируются непосредственно в умных часах;
• распознавание лиц камерами наблюдения происходит локально — в облако уходит только метка «подозрительный объект».

Потеря данных — серьезная проблема интернета. По данным IBM, утечки через облачные сервисы обходятся бизнесу в 1-5 миллионов долларов в среднем за инцидент. Edge AI сокращает эти риски в разы.

Снижение затрат

Передача данных в облако — это затраты. Если информацию отправляют тысячи устройств, суммы наберутся внушительные.

Автономные нейросети обеспечивают радикальную экономию средства:

• В системах видеонаблюдения вместо потокового видео на сервер отправляются только события («человек в запрещенной зоне»).
• IoT-устройства передают не сырые биометрические данные, а готовые метки (например: «пульс 120 ударов в мин.»).
• В промышленности модели на Edge работают годами без апгрейда железа.

Надежность

Завод в глубинке, шахта, обсерватория в горах, морское судно — во многих местах стабильный интернет затруднителен или невозможен .

Но с Edge AI проблема легко решается:

• датчики прогнозируют поломки оборудования без облачной аналитики;
• дроны обследуют трубы нефтепроводов в офлайн-режиме;
• умные счетчики годами работают от батареек, экономя до 90% энергии на передаче данных.

Раньше при обрывах данных производство просто останавливалось. Но станки с Edge AI сами применяют до 80% решений. Они ведут себя как надежные сотрудники, которым можно доверять.

Примеры Edge AI в действии

Edge AI — не абстрактная концепция, а конкретная технология, которая уже меняют нашу повседневную жизнь. Изучим несколько показательных примеров использования периферийного ИИ в реальном мире.

Распознавание лиц

Технологии вроде Apple Face ID и Android Face Unlock — это не просто селфи для разблокировки. Под капотом работает сложная система: инфракрасные камеры сканируют 30 000 точек на лице, строят 3D-карту и превращают вашу внешность в математический вектор, который невозможно подделать даже фотографией. Edge AI делает это мгновенно — прямо на устройстве, без отправки данных в облако.

Современные Android-смартфоны (например, Huawei и Xiaomi) догоняют Apple, используя нейропроцессоры (NPU) для ускорения распознавания. Но если iPhone работает даже в полной темноте, то многим Android-устройствам нужно хотя бы тусклое освещение — их камеры не видят в инфракрасном спектре

Безопасность

Камеры в аэропортах и офисах теперь могут искать подозрительных персон, не отправляя ваше фото в облако. Все обрабатывается локально: система сравнивает изображение с базой и только при совпадении передает сигнал. Это не только быстрее, но и этичнее — ваши данные никуда не утекают.

Беспилотники и автомобили

Представьте дрон, который доставляет лекарства в отдаленные районы. Если он будет ждать ответа из облака, чтобы облететь дерево, посылка разобьется вместе с ним. Edge AI позволяет таким устройствам мгновенно анализировать окружение и принимать решения прямо на борту. То же самое с беспилотными автомобилями: их камеры и лидары обрабатывают данные в 100 раз быстрее, чем если бы они отправляли их на сервер.

Цифровые помощники

Современные голосовые ассистенты на Edge AI понимают команды без интернета, будь то разблокировка двери или поиск рецепта. Никакой слежки — только мгновенный результат.

Производственное оборудование

Раньше станки ломались неожиданно, останавливая производство на дни. Теперь датчики с Edge AI замечают аномалии в вибрации или температуре за часы до аварии.

Медицина

Портативные ЭКГ с Edge AI не просто записывают кардиограмму — они мгновенно обнаруживают предынфарктное состояние и сразу сигнализируют врачу. В реанимациях такие системы сокращают время реакции с минут до секунд. А умные инсулиновые помпы сами корректируют дозу, анализируя уровень сахара в крови 24/7.

Городская инфраструктура

Светофоры, которые адаптируются к потоку машин, камеры, отслеживающие аварии, датчики протечки воды в трубах — все это работает на Edge AI. Городская инфраструктура становится умнее, но без тотальной слежки и уязвимых облачных серверов.

Ограничения Edge AI

Edge AI — это не волшебная таблетка. Да, он быстр, автономен и бережет ваши данные, но у этой медали есть обратная сторона.

Ограниченные ресурсы

Главное ограничение Edge AI — железо. Современные смартфоны в сотни раз слабее облачных серверов, а микроконтроллеры в датчиках — в тысячи.

Пример: Нейросеть для распознавания лиц на iPhone занимает всего 5 МБ, но это потребовало нескольких лет оптимизаций. GPT-4 с ее 1 трлн параметров в таком формате — пока фантастика.

Потребление энергии

Локальная обработка данных экономит интернет-трафик, но сжирает заряд. NPU в современных чипах оптимизируют этот показатель (например, Qualcomm Hexagon снижает энергопотребление в 10 раз), но физику не обманешь — Face ID на iPhone тратит в 3 раза больше энергии, чем Touch ID. Датчики IoT с TinyML работают годами на батарейке, но только если спят 99% времени.

Защита данных

Безопасность Edge AI — это обоюдоострое орудие:

• Плюс: Ваше лицо для разблокировки телефона не уходит в облако (в отличие от Google Photos).
• Минус: Взломать один умный замок с уязвимым Bluetooth проще, чем серверы Apple.

Хакеры могут взломать камеры наблюдения с Edge AI и другие инструменты непосредственно на месте. И при этом неважно, отправляют ли они данные в сеть и работают ли с ними локально.

Обновления

В облаке обновить нейросеть — пара кликов. На миллионе разрозненных устройств — квест и головная боль. Поэтому значительная часть медицинских и промышленных датчиков с Edge AI никогда не получает обновлений.

Машинное обучение

Чтобы обучить сложное устройство с Edge AI хотя бы базовым вещам, нужны терабайты данных. Например, роботизированным автомобилям, в том числе такси, нужно проехать тысячи километров, чтобы собрать нужные данные. Аналогично обстоят дела с другими устройствами.

Когда данных нет, их генерируют. Но ИИ, обученный на «муляжах», часто путается в реальном мире (вспомните Tesla, которая принимала луну за желтый светофор или видела призраков).

Будущее Edge AI

Сферы применения нейросетей Edge AI со временем расширяются — этот процесс неизбежен. Они активно внедряются в промышленность, городскую дорожную инфраструктуру, даже в сельское хозяйство (в виде беспилотников и датчиков для отслеживания состояния урожая).

Ближайшее направление эволюции периферийного ИИ — создание специализированных процессоров. Современные нейропроцессоры эффективные, но чрезвычайно затратные.

Ведущие ИТ-корпорации уже экспериментируют с архитектурой, в которой ИИ-блоки встроены прямо в ячейки памяти. Qualcomm, Apple и NVIDIA тестируют процессоры, которые смогут запускать генеративные нейросети на вашем телефоне, не превращая его в раскаленную сковородку.

Методы оптимизации нейросетей будут совершенствоваться. Уже сейчас прунинг (удаление лишних связей без потери точности) и адаптивное квантование (разная точность для разных слоев модели), позволяют ужимать ИИ до микроскопических размеров. Сейчас TinyML-модели работают на устройствах с памятью меньше 1 МБ — и это только начало.

Кстати! Забрать все самые топовые нейронки для айтишников можно в нашем большом гайде с 70+ ИИ-инструментами

Больше новостей — в нашем тг-канале «Представляешь»

Теперь весь PhysX доступен под лицензией BSD-3, включая более 500 CUDA-ядер, отвечающих за жёсткие тела, жидкости и деформируемые объекты.

Что это значит

Фактически, это один из самых продвинутых примеров real-time симуляции на GPU, и теперь она полностью доступна на GitHub.

Вместе с PhysX, компания также выложила исходный код GPU-шейдерной реализации Flow SDK — библиотеки для моделирования жидкостей на разреженной сетке.

По словам NVIDIA, релиз рассчитан не только на разработчиков игр, но и на исследователей и энтузиастов GPU-программирования.

Идея фикс: RTX 5090 + RTX 3050

Стоит отметить, что о PhysX вспомнили совсем недавно — когда выяснилось, что новые видеокарты линейки RTX 50XX не поддерживают старые игры с GPU-ускоренной физикой. В результате энтузиасты начали подключать к своим компьютерам на базе новых адаптеров дополнительную RTX 3050 специально под PhysX.

Теперь, с открытием исходников, у моддеров появился шанс исправить баги поддержки PhysX на новых видеокартах своими силами — вместо того чтобы ждать патча от NVIDIA. Это особенно актуально для игр вроде Batman: Arkham Asylum и Mirror's Edge, где физика на GPU заметно влияет на атмосферу.

Почему это важно

Полное открытие PhysX даёт разработчикам доступ к сложным GPU-симуляциям без ограничений и лицензионных рисков. Это также может вдохновить создание новых игровых движков, образовательных проектов и визуальных экспериментов с физикой в реальном времени.

В конце января RTX 5090 успела просочиться в Россию по параллельному импорту и через разных реселлеров — именно тогда NVIDIA начала запускать карточки нового поколения в массовую продажу. Единственное, цена доходила до миллиона рублей и больше. Вот даже скриншот из официального магазина:

А в начале марта карточка официально появилась на Ozon, причем продавали ее не рандомные селлеры, а сам маркетплейс. Цена вопроса 6 марта была 399 000 рублей (сейчас уже больше 400 000 рублей).

А какие вообще цены на новое поколение

Это отличный вопрос. NVIDIA публикует рекомендованные цены. Вот они в долларах:

• RTX 5070 — $549
• RTX 5070 Ti — $749
• RTX 5080 — $999
• RTX 5090 — $1999

И для сравнения актуальные цены в России (для примера возьмем стоимость на маркетплейсе):

1. RTX 5070 — 90-100 тысяч рублей
2. RTX 5070 Ti — 120-130 тысяч рублей
3. RTX 5080 — 170-180 тысяч рублей
4. RTX 5090 — от 415 тысяч рублей (в розничном магазине будет дешевле).

Наценка составляет от 80 до 100%. И наибольшую разницу в стоимости показывает именно RTX 5090, поскольку она банально самая мощная (хотя и по этому поводу ведутся споры).

Раннее сообщали, что вся партия RTX 5090 может быть бракованной из-за сильного нагрева — разъем грелся до целых 154 градусов. Это произошло у геймера из Германии, который играл в Battlefield 4. Более того, новая карточка несовместима со многими старыми играми, поскольку NVIDIA убрали поддержку 32-битного PhysX.

Если рассматривать альтернативы, то лучше всего будет взять RTX 4060, которая стоит в 10 раз дешевле, но с играми будет отлично справляться.

Они предназначены для работы на смартфонах, ноутбуках, серверах и облачных платформах, что позволяет разработчикам легко интегрировать их в любые ИИ-приложения.

Что нового в Gemma 3?

• Выдающаяся производительность: Gemma 3 (27B) опережает Llama-405B, DeepSeek-V3 и o3-mini по человеческим оценкам на LMArena.
• Гибкость выбора: Доступны модели размером 1B, 4B, 12B и 27B для работы на разном оборудовании.
• Поддержка 140+ языков: Включая 35 языков «из коробки» для мультиязычных приложений.
• Продвинутый анализ изображений и видео: Новые функции визуального и текстового анализа.
• Увеличенный контекст: Поддержка до 128k токенов, что улучшает обработку длинных текстов.
• Функциональный вызов: Gemma 3 умеет автоматизировать задачи и взаимодействовать с внешними сервисами.
• Оптимизированная работа: Встроенная квантизация уменьшает размер моделей без потери точности.

ShieldGemma 2 — защита изображений на основе ИИ

Одновременно с Gemma 3 Google представила ShieldGemma 2, 4B-модель для анализа и фильтрации изображений.

Она автоматически обнаруживает опасный, насильственный и откровенный контент, что делает ИИ-инструменты безопаснее.

Где использовать Gemma 3?

• Поддержка популярных ИИ-инструментов: Hugging Face, PyTorch, JAX, vLLM, Ollama и Google AI Edge.
• Лёгкая интеграция: API Google GenAI, Vertex AI, Cloud Run и NVIDIA NIMs.
• Оптимизация под оборудование: Google и NVIDIA адаптировали Gemma 3 для H100, Jetson Nano, AMD ROCm и Google TPUs.

Google также запускает программу поддержки академических исследований на базе Gemma 3, предлагая учёным гранты в виде Google Cloud Credits на $10 000.

Как начать?

• Попробовать Gemma 3 онлайн в Google AI Studio.
• Скачать модели с Hugging Face, Kaggle или Ollama.
• Настроить под свои задачи с Transformers, PyTorch или Google Colab.
• Развернуть в облаке через Vertex AI, Cloud Run и Google GenAI API.

Налоги на импорт: смертельный хук по цепочкам поставок

NVIDIA — это компания, которая делает чипы, но сама их не производит. Она заказывает их у завода на Тайване, который называется TSMC. В январе 2025 года правительство США решило ввести налог в 25% на все, что привозят из Тайваня.

Это значит, что каждый чип, который NVIDIA получает от TSMC, теперь стоит на 25% дороже. Для компании, которая делает миллионы чипов, это огромные дополнительные расходы — миллиарды долларов в год. Чтобы не терять деньги, NVIDIA может либо поднять цены на свои продукты, либо заработать меньше прибыли. А это важно для тех, кто использует тысячи чипов, например, для больших компьютерных центров — там даже небольшое подорожание превращается в миллиардные траты.

Теперь давайте разберем, что это значит для NVIDIA. TSMC — главный поставщик, он делает 90% всех чипов, которые нужны компании. Чтобы избежать налогов, можно перенести производство в США, и TSMC уже строит новые заводы в Аризоне. Но тут есть проблемы: эти заводы будут готовы только в 2027 году, а их строительство стоит 100 миллиардов долларов. Плюс производство в Америке дороже — на 30% из-за высоких зарплат и счетов за электричество. Это значит, что чипы, которые сейчас стоят, например, 40 тысяч долларов, могут подорожать еще больше, что ударит по тем, кто использует их для сложных вычислений, вроде исследований или ИИ.

Налог в 25% добавляет миллиарды долларов к расходам NVIDIA каждый год. TSMC отвечает за 90% чипов NVIDIA, включая новые модели, такие как H100. Заводы в США начнут работать в 2027 году, но из-за разницы в затратах — рабочая сила на 50% дороже, энергия на 20% дороже — цена чипов может вырасти на 20%.

NVIDIA пытается договориться с правительством США, чтобы налоги на чипы снизили или убрали. Еще один вариант — найти других поставщиков, например, в Южной Корее или Японии. Но это не быстро: нужно проверить, что новые заводы делают чипы так же хорошо, и наладить доставку, а это прибавляет еще 5–10% к расходам.

Если смотреть шире, то из-за налогов цены на чипы растут, и это касается не только NVIDIA, но и тех, кто покупает ее продукцию — компаний, выпускающих серверы, видеокарты или системы для умных машин. Это делает американские технологии дороже, чем европейские или азиатские, где таких налогов нет. Парадокс в том, что эти налоги могут помочь конкурентам NVIDIA из Китая, потому что Китай начнет быстрее развивать свои чипы, чтобы не зависеть от Америки.

Налог в 25% может снизить прибыль NVIDIA на 5–10%, если она не поднимет цены. Переход к поставщикам в Южной Корее или Японии требует проверки качества и новых маршрутов доставки, что добавляет 5–10% к затратам из-за тестирования и логистики.

Запреты на продажи в Китай: потеря главного рынка

NVIDIA зарабатывала миллиарды долларов, продавая свои чипы в Китай — огромную страну, где компании строят мощные компьютерные центры для искусственного интеллекта. Но в 2025 году США сказали: «Стоп» и запретили NVIDIA продавать свои чипы в Китай, потому что боятся, что их можно использовать для военных технологий. Из-за этого компания потеряла половину своих поставок в эту страну.

Китай был большим рынком — раньше он давал компании миллиарды долларов каждый год. Чтобы не потерять его совсем, NVIDIA сделала специальные чипы, которые слабее, но их можно продавать по правилам США. Например, чип H20 не такой мощный, как H100, но он все еще работает для ИИ. Проблема в том, что эти чипы не такие быстрые, и китайские компании могут решить, что им не стоит переплачивать за них. А это важно, потому что в Китае много фирм, которые хотят строить свои системы ИИ, и они ищут, где взять чипы подешевле и получше.

Чип H20 дает только 70% скорости H100 в задачах ИИ, например, в обучении больших языковых моделей. Это сделано специально, чтобы он попадал под ограничения США, которые запрещают продавать чипы с производительностью выше определенного уровня.

Huawei уже создают свои чипы, чтобы не зависеть от Америки — серию Ascend, которая уже может соперничать с NVIDIA в некоторых задачах, особенно внутри Китая.

План Китая — к 2030 году сделать 80% своих чипов самостоятельно, чтобы не покупать их у США. Это значит, что NVIDIA может потерять этот рынок навсегда, если Китай добьется успеха. И если американские запреты станут еще строже — например, запретят даже слабые чипы вроде H20, — NVIDIA вообще не сможет ничего продавать туда.

Серия Ascend от Huawei уже конкурирует с NVIDIA в задачах машинного обучения, достигая 85% скорости H100 на некоторых тестах. Китай вложил 50 миллиардов долларов в свои заводы чипов за последние два года, и к 2030 году планирует покрыть 80% своих нужд, что сократит зависимость от иностранных поставщиков, включая NVIDIA.

Для NVIDIA это большая потеря. Даже с такими запретами компания пока растет за счет других стран, но Китай был важным куском пирога. Если она не найдет, чем заменить эти продажи, ее доходы могут упасть на миллиарды долларов в ближайшие годы. А для Китая это шанс: чем больше запретов, тем быстрее они делают свои технологии.

Растущая конкуренция: NVIDIA теряют лидерство

NVIDIA долго была лидером в создании чипов для искусственного интеллекта, но в 2025 году конкуренция стала серьезной угрозой. AMD и Intel из США, а также Huawei из Китая начали отбирать у NVIDIA часть рынка. Это важно для понимания ситуации, потому что если NVIDIA не удержит свое преимущество, она может потерять контроль над индустрией ИИ, где сейчас занимает 88% рынка чипов.

AMD сделала шаг вперед

Ее новые чипы Instinct MI200, уже используются в задачах ИИ и стоят на 20% дешевле, чем похожие модели от NVIDIA. За последний год AMD увеличила свою долю рынка с 5% до 10%, их чипы дают почти такую же скорость за меньшие деньги. NVIDIA пока впереди благодаря своим программам, которые делают чипы быстрее, но AMD работает над своими версиями таких программ, чтобы сократить этот разрыв. Если AMD продолжит снижать цены и улучшать технологии, NVIDIA придется либо тоже снижать стоимость, либо терять клиентов. Это особенно заметно в игровых видеокартах, где их Radeon RX 9070 XT уже конкурирует с RTX 5070 от NVIDIA по производительности.

Instinct MI200 достигает 80% производительности H100 от NVIDIA в задачах машинного обучения, но стоит на 20% дешевле — около 32 тысяч долларов против 40 тысяч. Программная система ROCm от AMD пока уступает CUDA от NVIDIA в оптимизации ИИ, но ее развитие ускорилось на 30% за 2024 год.

Intel тоже не отстает

Они тестируют новый способ делать чипы, который называется процесс 18A, чтобы догнать NVIDIA в ИИ и вычислениях. В некоторых тестах Intel уже показал, что его чипы быстрее NVIDIA в сложных научных расчетах, например, для моделирования климата. Это пока не массовый продукт, но если Intel запустит производство в 2026 году, как планирует, это может оттянуть часть клиентов NVIDIA, особенно тех, кто работает с большими данными.

Процесс 18A от Intel обещает увеличить плотность транзисторов на 20% по сравнению с текущими чипами NVIDIA, что дает преимущество в задачах высокопроизводительных вычислений. Тесты показывают скорость на 15% выше H100 в моделировании, но массовое производство начнется не раньше 2026 года.

А теперь Китай

Huawei делает свои чипы Ascend, которые уже работают в местных компьютерных центрах и начинают соперничать с NVIDIA. Из-за запретов США на продажу мощных чипов Китай вложил 50 миллиардов долларов в свои технологии за два года. Их цель — к 2030 году самим делать 80% нужных чипов, и Ascend уже показывает хорошие результаты в задачах обучения моделей. Пока это работает только внутри Китая, но если они начнут продавать свои чипы за границу, NVIDIA может потерять не только Китай, но и другие смежные рынки.

Ascend от Huawei достигает 85% производительности H100 в задачах ИИ, таких как обработка текста, и стоит на 25% дешевле на китайском рынке. Инвестиции Китая в 50 миллиардов долларов увеличили производство чипов на 40% с 2023 года, и к 2030 году они планируют покрыть 80% внутреннего спроса.

Варианты развития ситуаций

NVIDIA под давлением налогов, запретов и конкуренции, и эксперты спорят, что будет дальше. Руководство заявляет, что работает над новыми рынками, такими как Индия и Европа, где продажи выросли на 15% за 2024 год.

А теперь три сценария:

• Оптимистичный: NVIDIA запускает чипы нового поколения в 2026 году, увеличивая скорость ИИ на 40%, и перехватывает рынок у конкурентов. Рост продаж в других странах компенсирует потери в Китае, а налоги смягчаются после переговоров с США.
• Пессимистичный: Китай к 2028 году делает 70% своих чипов, вытесняя NVIDIA с азиатских рынков, а AMD и Intel забирают 25% ее доли в США из-за низких цен. Доходы падают на 20%.
• Реалистичный: NVIDIA удерживает лидерство с долей 75%, но теряет часть прибыли из-за роста затрат — маржа падает до 65%. Конкуренция растет, но новые технологии дают ей перевес до 2030 года.

Новые чипы NVIDIA на 2026 год обещают рост производительности на 40% по сравнению с H100, до 200 гигафлопс. Китай уже производит 40% своих чипов, а AMD и Intel тестируют модели с ценой ниже на 25%, чем у NVIDIA. Продажи в Индии и Европе выросли на 15%, до 5 миллиардов долларов в 2024 году.

В NVIDIA налоги бьют по затратам, запреты режут доходы, а конкуренция давит на долю рынка. Если компания не найдет новых решений, ее авторитет и потенциальные сделки в ИИ под угрозой. Единственное, что держит ее на плаву сейчас — это бренд, технологии и опыт, которые конкуренты догоняют с трудом.

Примеры использования ИИ в играх

Генерация контента

Один из наиболее ярких примеров использования технологий ИИ в игровой индустрии — процедурная генерация контента. Нейросети уже умеют создавать уровни, карты, текстуры и даже целые миры. Хотя традиционная процедурная генерация основывается на алгоритмах, не использующих машинное обучение, с развитием нейросетей границы между генерацией и ИИ в играх становятся размытыми.

Oasis

В 2024 году компания Decart показала Oasis — нейросеть, генерирующую целые игры в стиле Minecraft. Модель обучалась на видео реального геймплея, использовались архитектура трансформера и диффузионные методы. Технология упрощает разработку, динамически воспроизводя физику, механики и визуальный стиль, присущие оригинальной игре. Причем окружение меняется в реальном времени в ответ на действия игрока. AI Minecraft Online также использует ИИ для преобразования изображения в игровой мир.

inZOI

Фишкой симулятора жизни inZOI от Krafton, уже вошедшего в число топ-10 самых ожидаемых игр на Steam, станет встроенная нейросеть, позволяющая кастомизировать текстуры. Так, загружаете пикчу с любимым принтом или задаёте текстовый промпт для нейросети, а ИИ в игре сам преобразует его в текстуру для шмота. Кроме того, можно создавать 3D-модели: загружаете фото реального предмета, а нейросети превращают его в in-game объект.

Реалистичное поведение NPC (неигровых персонажей)

Ещё один тренд в разработке кооперативных игр — алгоритмы обучения с подкреплением, которые помогают неигровым персонажам менять свое поведение в зависимости от того, как действует игрок. И это круто, потому что мы больше не знаем, что от них ожидать (ведь часто NPC — просто набор скриптов бесцельного существования).

inZOI

В inZOI, благодаря NVIDIA ACE, в игру врываются умные NPC — Smart ZOI и Co-Playable Characters. Эти чуваки больше не просто статисты, они реально живут своей жизнью: принимают решения, исходя из своих целей, могут влиять на события и генерировать неожиданные повороты в геймплее. Всё это возможно благодаря языковым моделям.

Minecraft

Хотите, чтобы в вашем Minecraft-мире были не только мобы, но и умные NPC, которые сами добывают ресурсы, строят города и выполняют команды? Есть целая куча нейросетевых модов для популярной песочницы. Например, AI Player добавляет бота, который может чатиться через локальную языковую модель прямо на вашем ПК. AI NPCs — аналогичная технология, но использует OpenAI API. Если хотите чего-то масштабного, то Minecolonies — мод для создания целых городов, где AI-NPC-работники (строители, фермеры, охранники и другие) будут развивать вашу колонию.

Динамическая адаптация сложности

Если вы опытный игрок и уже забрали все ачивки, игра не должна становиться скучной. Тут в помощь приходит динамическая настройка сложности, добавляющая новые испытания. Придётся адаптироваться, а не просто повторять заученные тактики атак.

MIR5

Например, в MIR5 боссы учатся на действиях игрока, оценивая их экипировку и настройки. Если убили один раз — следующий бой будет другим, потому что ИИ уже знает, как персонажа «загасили». Когда сложность не меняется с прогрессом, игроку становится скучно, а так — всегда появляется новый челлендж.

Civilization VI

В Civilization VI ИИ прокачивает свои скиллы с уровнями сложности. На хардкоре он получает кучу бонусов, типа дополнительных ресурсов и улучшений. Это добавляет хаоса и заставляет юзать новые тактики, чтобы победить. Чем выше уровень — тем сложнее и интереснее! Такой подход часто критикуют за нечестность, потому что ИИ-противник получает неравные преимущества, типа идеальной точности или знания позиций игрока.

Распознавание речи и текстового ввода для взаимодействия

Современные нейросети для преобразования речи в текст способны мгновенно транскрибировать произнесенные игроком слова. В разработке игр это можно подкрутить под любую специфическую терминологию, чтобы система точно понимала контекст и уникальные фразы, характерные для игр такого жанра.

Технология SDK от Nvidia прокачивает диалоги с неигровыми персонажами: NPC слушает игрока через автораспознавание речи, превращает её в текст. Затем модель генерирует ответ с учетом контекста, а потом с помощью синтеза речи превращает его в реальный голос персонажа.

Starship Commander:Arcade

В Starship Commander нет никаких заготовленных диалогов — просто говорите в микрофон, а NPC отвечают вам в реальном времени. Можете быть строгим и серьезным капитаном или, наоборот, устраивать трэш и спорить — разницы нет. Всё это благодаря Microsoft Cognitive Services, которые используют ИИ для понимания речи и намерений игроков.

Топовые технологии ИИ в разработке игр

Machine Learning (ML): создание моделей поведения NPC и оптимизация игровых механик

Машинное обучение внедряется в разработку игр, чтобы научить NPC вести себя по-настоящему умно, а не просто бегать туда-сюда. ML помогает создавать адаптивное поведение персонажей, которое меняется в зависимости от действий игрока. Плюс оптимизация механик, чтобы игра работала быстро и плавно.

Neural Networks: применение для процедурной генерации текстур, анимаций и уровней

Технология нейронных сетей уже создает текстуры, анимации и уровни без участия художников и дизайнеров. Она способна генерировать артефакты или даже целые уровни, экономя время и усилия, но при этом выдавая что-то крутое. Но помните, что нейросетки используют огромное количество данных для обучения. Поэтому иногда сгенерированный контент может быть похожим на уже существующий. Об этом стоит помнить, чтобы не нарваться на проблемы с авторскими правами.

Pathfinding Algorithms: классические подходы (A*, Dijkstra) и их улучшение с ИИ

Одна из распространенных проблем в разработке игр — поиск пути для NPC. Сейчас всё больше заморачиваются над тем, чтобы натренировать эвристики (правила принятия решений) для A* через ML, чтобы можно было адаптироваться к разным ситуациям и быстрее находить путь. Рисерчеры также используют большие языковые модели (LLM) с A*, чтобы улучшить планирование пути в сложных и изменяющихся условиях, так как способности LLM делают поиск быстрее и умнее. Для Dijkstra внедрение ИИ оптимизирует скорость работы, что привычно для алгоритма, который может страдать от высокой вычислительной нагрузки.

Natural Language Processing (NLP): диалоги, чат-боты, взаимодействие с игроками

AI-NPC от NVIDIA ACE скоро появятся в PUBG: Battlegrounds и Naraka: Bladepoint. Используя технологии ИИ, натренированного на триллионах данных о человеческих реакциях на мир, они смогут имитировать процесс принятия решений. Так, планируется использовать машинное обучение для создания агентов, которые думают, чувствуют и действуют, как настоящие люди.

Для восприятия мира же используются технологии обработки аудио, изображений и состояний игры. Нейросети помогают NPC принимать микро-решения в реальном времени; text-to-speech переводит результат в диалоги, а затем всё фиксируется в систему стратегического планирования, которая хранит контекст. Короче, все как у людей, только в играх!

Моддеры в Skyrim и Stardew Valley тоже не отстают — они используют нейросети, чтобы NPC стали полноценными собеседниками, которые могут вести нормальные диалоги и реагировать на ваши действия.

Reinforcement Learning (RL): обучение агентов для сложных игровых сценариев

Обучение с подкреплением — технология ML, при которой агенты обучаются через взаимодействие с окружающей средой, получая награды или штрафы за свои действия. В контексте сложных игровых сценариев RL позволяет создавать агентов, способных адаптироваться к динамичным условиям игры, разрабатывать стратегии и принимать решения, которые невозможно заранее запрограммировать. Недавнее исследование показало, что с использованием определённых архитектур RL можно добиваться крутых результатов как в микро-, так и в макроуправлении в RTS-играх, где нужно адаптироваться к реальному времени.

Инструменты и платформы для внедрения ИИ в игры

Для интеграции ИИ в игровую разработку можно использовать следующие фичи:

• Unity ML-Agents Toolkit — open-source проект для тех, кто хочет обучать умных агентов в играх (от 2D до VR/AR). Есть всё: обучение с подкреплением, имитация поведения и даже мультиагентные сражения. Можно делать сложные сценарии и рандомизировать среду, тестировать алгоритмы в реальных условиях и интегрировать всё в Unity.
• Unreal Engine AI Framework — Unreal Engine даёт кучу крутых фич для использования ИИ в разработке игр. Среди них — Behavior Trees для сложного поведения NPC, а также MassEntity для управления массой объектов.
• Neural Network Engine (NNE) — удобный API для работы с нейросетями: шумоподавление для улучшения рендеринга, нейронная постобработка для красоты и т.д.. Ещё можно обучать модели для деформации персонажей и симуляции ткани.
• PyTorch и TensorFlow — два самых популярных фреймворка для обучения моделей искусственного интеллекта, которые активно используются в разработке игр. В сочетании с игровыми движками и технологиями (например, Unity или Unreal Engine), они станут мощными инструментами для разработки умных агентов.
• IBM Watson или OpenAI API для работы с NLP — позволяют прокачивать NPC, чтобы они не просто повторяли заскриптованные фразы, а реально понимали, что говорит игрок. Разработка диалогов становится проще, а персонажи — умнее. OpenAI API поможет генерить уникальные реплики на лету, а IBM Watson шарит в анализе текста и умеет распознавать голос.

Примеры игр с продвинутым использованием ИИ

The Last of Us: поведение NPC и адаптация под стиль игрока

Изначально разработчики использовали конус видимости, который часто применялся в других играх (Uncharted и Alien: Isolation), для отображения поля зрения вражеского NPC. Эта система хорошо показывала себя на дистанции, но не срабатывала, если игрок был слишком близко к вражескому NPC. Чтобы исправить это, разработчики создали более сложную систему, где угол обзора врага зависел от того, как далеко игрок от него.

Чтобы проверить, замечает ли противник героя, используется система ИИ-рейкастов: из головы NPC проецируется невидимый луч, направленный на игрока. Если на пути луча нет препятствий, у противника постепенно заполняется индикатор обнаружения. Так что ещё один важный элемент — ИИ-сопровождение, особенно с Элли, которая должна всегда быть рядом с игроком, не привлекая внимания врагов. Для этого была разработана система следования, которая генерирует несколько возможных позиций для Элли и оценивает их с помощью рейкастов. Это позволяет следовать за героем, оставаясь достаточно близко, чтобы избежать обнаружения, но не настолько, чтобы создать проблемы.

Minecraft: генерация контента с использованием ИИ

Существуют даже целые соревнования по генеративным технологиям. Одно из них — Generative Design in Minecraft, где участники создают ИИ-алгоритмы для постройки поселений. Организаторы — не просто энтузиасты, а люди из науки и геймдева, оценивают работы по функциональности, адаптивности и эстетике.

Нейросеть World-GAN — проект, который использует генеративные состязательные сети (GAN) для создания чанков мира из небольших образцов. World-GAN применяет технику block2vec, вдохновлённую word2vec. В тестах нейросеть легко меняет визуальный стиль биомов, так что если не повезло со спавном, скоро можно будет просто сказать: «переделай в джунгли» — и вуаля.

Dota 2: обучение ИИ-агентов

Сейчас мы знаем OpenAI из-за популярнейшей нейросети ChatGPT, но вот в 2017 году они создавали ИИ-бота для соревнований с профессиональными игроками в Dota 2 — OpenAI Five. В 2018 он уже обыгрывал полупрофессионалов, а в 2019 — победил команду OG, чемпионов мира по Dota 2, став первым ИИ, который смог одержать победу над профессиональными игроками в такой сложной игре. Для этого использовались методы подкрепляющего обучения с миллионами кадров, что помогло ИИ достичь человеческого уровня в сложной задаче с неполной информацией и долгосрочными целями.

Преимущества и ограничения использования ИИ в разработке игр

Преимущества:

• Автоматизация и генерация контента на лету. Можно генерить уровни и миры, и это реально круто ускоряет процесс разработки.
• Более реалистичный и захватывающий игровой опыт. ИИ может помочь создать персонализированных NPC с уникальными реакциями и диалогами, адаптированными к действиям игрока.
• Чем дольше играешь, тем более сложными становятся противники и задачи. ИИ настраивает сложность так, чтобы интерес поддерживался на протяжении всей игры.
• Умные боты. Они учатся на действиях игрока, улучшая свои тактики и внося элемент неожиданности.

Ограничения:

• Сложные алгоритмы потребуют не только кучи вычислительных мощностей, но и времени на настройку. На старте разработки это может быть дороговато.
• Данные — всё! ИИ обучается на данных, но их нужно где-то брать. Если это делать с нуля — появятся проблемы.
• Этика и закон. ИИ в играх — не только круто, но и немного страшно. Авторские права, данные игроков, ответственность, если NPC ляпнет что-нибудь не то. Тут могут быть вопросики.
• ИИ может круто улучшить геймплей, но он не заменит креативный подход, который привносят разработчики. Большинство решений всё равно требуют человеческого вмешательства.
• Настройка ИИ-систем и обучение моделей — совсем не дешёвая вещь. Сложные ИИ-алгоритмы требуют значительных вложений на стадии разработки и даже на пост-продакшене.

Как начать использовать ИИ в игровой разработке?

Вот, что может вам понадобиться, чтобы начать использовать ИИ в игровой разработке:

1. Основы ML и алгоритмов ИИ. сначала надо разобраться с основами машинного обучения, нейронок, и всяких таких штуковин.
2. Онлайн-курсы, которые помогают разобраться в ИИ и его применении в играх. Artificial Intelligence for Simple Games на Udemy — курс по ИИ для простых игр, Generative AI Mastery: Revolutionizing Game Development — бесплатный курс по генеративному ИИ от Карлоса Ботта, который в индустрии уже 35+ лет.
3. Полезные туториалы. Например, видео, где человек разрабатывает игру с нуля только с помощью ИИ. Также есть вводные ролики по ИИ в Unity. Не менее интересен TED-talk от инженера по поддержке разработчиков игр в Hugging Face. Таких видео море на YouTube, и они реально полезные.
4. Книга «Artificial Intelligence for Games» от Ian Millington и John Funge. Это уже классика, да и вообще фундаментальный источник для геймдева.
5. Документация от ИИ-геймдев-фреймворков (например, Unity ML-Agents). Там точно всё по полочкам.
6. Рассылки от экспертов в геймдеве. Например, Thomas Simonini. Так вы будете в курсе крутых инсайтов.
7. Актуальные материалы конференций. Например, IEEE Conference on Games. Это даст вам взгляд на будущее трендовых технологий в играх.
8. Практика. Найдите репозитории на GitHub с открытым исходным кодом и попробуйте Reinforcement Learning для умных NPC, например, чтобы улучшить их поведение в open-world играх.

Будущее в игровой ИИ индустрии

ИИ в игровой индустрии уже начинает менять правила игры. Мы на пороге того, чтобы увидеть, как улучшаются устаревшие алгоритмы, но и создаются игры с нуля: от геймплейных механик до сложных сюжетных линий. С метавселенными, интегрированными с ИИ, мы получим совершенно новые, адаптирующиеся пространства, где каждый игрок будет переживать свой персонализированный опыт. Всё это — шаги в будущее, которое не заставит себя долго ждать.

Что умеет Grok 3?

• Глубокий анализ данных: модель обучалась на суперкомпьютере Colossus, использующем 100 000 чипов Nvidia H100. Это позволило существенно улучшить логику рассуждений.
• DeepSearch: новый алгоритм поиска, который перелопачивает весь интернет для получения точного ответа.
• Самокоррекция: Grok 3 умеет исправлять собственные ошибки без вмешательства человека.
• Игровая генерация: прямо на презентации бот создал гибрид Tetris и Bejeweled за несколько минут.

Чем Grok 3 пугает разработчиков?

По словам инженеров xAI, модель настолько продвинута, что «их пугает её потенциал». Grok 3 уже обошёл ChatGPT-4o, Claude 3.5 и DeepSeek-V3 в тестах по математике, кодингу и научным задачам.

Особенно удивил демонстрационный запуск: ИИ рассчитал траекторию полёта на Марс и обратно в режиме реального времени, учитывая климатические особенности планеты и сроки возвращения.

Кто уже в зоне риска?

• Google: функция DeepSearch позиционируется как прямой конкурент традиционным поисковым системам.
• OpenAI: несмотря на успехи GPT-4o, тесты показывают, что Grok 3 работает эффективнее в задачах, требующих аналитического мышления.
• DeepSeek: китайская компания, недавно обогнавшая многих конкурентов, теперь получила серьёзного соперника.

Когда ждать?

Пока что доступ к Grok 3 предоставляется ограниченно. Маск обещает открытую регистрацию уже в марте 2025 года.

А вскоре после этого компания планирует запустить игровую студию, в которой кодить и придумывать механики будет… сам Grok 3.

Fastfetch стал самой популярной заменой, набрав более 12 000 звезд на GitHub. Он представляет из себя легкий и быстрый инструмент для вывода информации о системе в Терминале.

Утилита поддерживает Linux, Windows, macOS, FreeBSD, Haiku и даже Android.

Что нового в версии 2.36?

Исправления багов

Теперь Fastfetch правильно определяет оболочку входа в систему на OpenBSD. При этом в Linux отображается имя SoC вместо названия процессора, если оно доступно.

Новые возможности

• Определение звуковых устройств через API ядра на NetBSD.
• Поддержка sndio для звукового сервера OpenBSD.
• Новая реализация для Haiku (минимальная, но рабочая).
• Определение температуры CPU и GPU для M4x на macOS.
• Поддержка старых видеокарт NVIDIA в Linux (определение размера видеопамяти).
• Улучшенное распознавание физических ядер CPU на архитектуре loongarch (Linux).
• Более точное определение дистрибутивов (улучшена работа с Armbian).
• Добавлена поддержка переменных окружения в кастомных форматах ({$ENV_VAR}).

Обновления логотипов

• Улучшен старый логотип Arch Linux.
• Добавлены логотипы Nexa Linux и filotimo.
• Обновлены названия некоторых дистрибутивов.

Как установить Fastfetch?

Самый простой способ — использовать пакетный менеджер:

• Linux: APT, Pacman, DNF или другой менеджер пакетов.
• macOS: Homebrew или MacPorts.
• Windows: Scoop, Chocolatey, winget.

Скачать последнюю версию можно также на GitHub.

Ее обучение заняло всего 26 минут и обошлось менее чем в $50. Несмотря на столь короткое время тренировки, s1 превзошла модели OpenAI в решении математических задач.

Методика обучения и технические детали

Модель s1 была создана с использованием метода дистилляции, при котором меньшая модель обучается на ответах более крупной.

В данном случае, s1 обучалась на основе ответов модели Gemini 2.0 от Google. Для тренировки использовался открытый исходный код модели Qwen2.5 от Alibaba Cloud.

Процесс проходил на 16 графических чипах NVIDIA H100.

Эффективность и перспективы

В тестах на решение математических задач s1 показала результаты, превосходящие модель o1 от OpenAI на 27%.

Этот успех демонстрирует, что эффективные ИИ-модели можно создавать с минимальными затратами. Получается, крупные IT-игроки были не правы, требуя значительные инвестиции и ресурсы?

Что такое DeepSeek

В январе 2025 года мир искусственного интеллекта встряхнула китайская опенсорсная языковая модель DeepSeek, которая менее чем за неделю стала главной темой нейросетевого коммьюнити. Разработчики уверяют: по мощности и функционалу их творение сравнимо с решениями от OpenAI, но обучение заняло всего два месяца и обошлось в смешные $6 млн. Для контекста: западные коллеги тратят на аналоги в десятки раз больше.

Небольшая ИИ-лаборатория из Поднебесной превратила своего лидера-затворника в национального героя, бросившего вызов попыткам США остановить высокотехнологичные амбиции Китая. А пока политики обсуждают технологическую гонку и новые санкции, разработчики ликуют: у западных гигантов наконец наметился серьёзный конкурент, который уже наступает им на пятки.

Кто стоит за стартапом DeepSeek

DeepSeek — не типичный игрок даже по меркам китайского ИИ-рынка. Его основатель и CEO Лян Вэньфэн (Liang Wenfeng) начал карьеру в финансах, применяя ИИ для анализа рынков в хедж-фонде High-Flyer. Как выяснили Financial Times, ещё в 2021 году он начал закупать тысячи чипов Nvidia. Когда США ввели ограничения на экспорт GPU в Китай, у DeepSeek уже был стратегический запас для тренировки моделей.

В апреле 2023 года Лян объявил, что переключается на разработку AGI. В одном из интервью основатель признался, что стартап родился скорее из любви к науке, чем из желания заработать. По его словам, фундаментальные исследования редко приносят быструю прибыль.

«Если вам нужна коммерческая причина, возможно, вы не сможете её найти»

Как использовать DeepSeek

DeepSeek — чат-бот, который пишет тексты, ищет информацию в интернете, генерирует и форматирует код на C++, Go, Java, JavaScript, Python, Rust и других языках. Ещё помогает с дебаггом и сложными логическими задачами. Хоть модель и обучена на данных до октября 2023 года, она умеет выходить в сеть с помощью функции «Search».

Модель отлично понимает русский язык, работает с изображениями и документами. Умеет объяснять мемы — например, мы попросили её объяснить этот мемный диалог с DeepSeek, завирусившийся в телеграм-каналах, отправив его в виде картинки:

Вот, что неиронично ответил DeepSeek-R1:

Чем R1 круче V3?

Модель DeepSeek-V3 была выпущена в конце 2024 года. 10 января 2025 года появилось бесплатное приложение чат-бота для Web, Apple iOS и Android, а 20 января 2025 года — версия R1.

DeepSeek-R1 получил режим DeepThink, который имитирует модель OpenAI o1 и позволяет думать перед ответом. Апгрейднутая версия R1 построена на основе reasoning — способности ИИ «рассуждать вслух» и показывает, сколько времени она потратила на анализ. Модели, использующие этот подход, могут решать сложные логические задачи и принимать более обоснованные решения. Правда это занимает много времени, потому что DeepSeek подробно расписывает свои шаги и перепроверяет выводы.

Модель может автоматически обучаться через подкрепление и прокачиваться без человеческого контроля (обычно за предобучением следует файн-тюнинг вида вопрос–ответ на размеченных данных). Вдобавок разрабы заметили, что у R1 был «момент озарения», когда она сама разработала продвинутую технику рассуждения. Для дистилляции «думающей модели» её скрестили с Qwen и Llama, но главным сенсеем была сама R1.

К 27 января DeepSeek стал самым загружаемым бесплатным приложением в американском App Store, а на следующий день возглавил чарт и в России. Для пользователей из РФ модель решает кучу проблем, связанных с закрытием доступа со стороны разработчиков других ИИ-сервисов — для входа достаточно аккаунта Google или почты.

Что нужно знать о синем ките: лимиты, цензура и утечки данных

Официальной информации о лимитах запросов к чат-боту нет. Мы протестировали веб-версию, и пока не столкнулись с явными ограничениями, кроме даунтаймов при массовых запросах. Возможно, есть скрытые лимиты или их введут позже.

DeepSeek не требует подписки, но есть нюансы. У модели всё те же проблемы, что у аналогов: галлюцинации, цензура и вопросы к обучающему датасету (часть данных — синтетическая).

Смогут ли компании-разработчики из РФ интегрировать китайский сервис в свои решения?

Бигтех-компании в России, скорее всего, не смогут интегрировать решения DeepSeek в свои системы. Причина проста — у них есть чувствительные данные, и они крайне осторожны во всем, что касается безопасности и alignment-а. Если заглянуть в политику конфиденциальности DeepSeek, становится очевидно, что сервис собирает все вводимые пользователями данные: контакты, контент, идентификаторы, данные об использовании и диагностику. Как именно они их обрабатывают — вопрос открытый, но факт сбора информации сомнений не вызывает.

Сейчас модель DeepSeek-V3 бесплатна, а значит, логично предположить, что её монетизация будет завязана на продаже данных, пусть и анонимизированных, третьим лицам. Вопрос в том, готовы ли компании рисковать возможными утечками или нет. Крупный бизнес такие решения использовать не станет, а вот небольшие стартапы — вполне могут, просто потому, что это дешевле по сравнению с другими аналогами.

Не стоит задавать спорные вопросы, если планируете когда-нибудь поехать в Китай. Все данные хранятся на китайских серверах, и правила использования таковы, что в случае нарушения законодательства они обязаны сообщить об этом местным майорам. Самая чувствительная зона — политические темы. DeepSeek отказывается работать с контентом, который критикует Китай или его политику. Но, как водится, есть лазейки: пользователи X уже нашли несколько способов обойти эти фильтры.

Результаты теста от NewsGuard показали, что DeepSeek не справилась с задачей точного предоставления информации: в 83% случаев её ответы были некорректными, включая 30% ложной информации и 53% неадекватных или неопределённых ответов. Плюс, нейросеть иногда продвигает пропагандистские нарративы китайского правительства, даже если вопрос не касается этой страны

По данным исследователей из Wiz Research, 30 января была обнаружена уязвимость «DeepLeak» — в открытом доступе лежала незапароленная и незашифрованная база с секретными ключами, текстовыми чатами и логами. Уязвимость быстро устранили, но вывод прост: не делитесь с ИИ тем, что не готовы увидеть в открытом доступе.

Что там с API и локальным запуском

Китайцы предложили совместимый с OpenAI API-формат с довольно приятными ценами. Это может стать серьёзным ударом для других компаний, которые пока что удерживают высокие тарифы. Полную информацию о тарифах и февральских изменениях можно найти по ссылке.

Для тех, кто предпочитает работать локально, умельцы подготовили пошаговую инструкцию для развёртывания DeepSeek-R1 на своём ПК. Что приятно — для тестирования не нужно иметь мощную видеокарту. Необходимо скачать файлы с Hugging Face и запустить модель на своём компьютере. После этого можно адаптировать её под свои задачи: дообучить, настроить или интегрировать в проекты на собственных мощностях.

Экспортные ограничения? Не, не слышали

Всё дело в том, что DeepSeek работает в рамках ограничений — её обучение обошлось гораздо дешевле, чем у американских коллег. Например, CEO Anthropic Дарио Амодей говорил, что команда тратит на обучение моделей от 100 миллионов до 1 миллиарда долларов, а GPT-4 от OpenAI, по оценкам Сэма Альтмана, оценивается более чем в 100 миллионов долларов. Хотя точные данные о затратах на обучение DeepSeek не раскрываются, по оценкам экспертов, модель V3 обошлась в 5,5 миллионов долларов.

Есть и те, кто скептически относится к красивой картинке от DeepSeek. Хотя цифра действительно выглядит фантастически низкой, она касается только последнего этапа обучения и не включает в себя все предыдущие исследования, эксперименты с алгоритмами и данными. Григорий Бакунов, ex топ-менеджер Яндекса, в своем канале отметил, что цифра в $5,5 млн, гуляющая по сети — скорее неудачная шутка, ведь не учтены зарплаты инженеров и деньги, потраченные на провальные версии модели.

Железные аргументы: есть ли у китайцев «секретные чипы»

Александр Ван из Scale AI, компании, которая предоставляет данные для обучения ключевым игрокам ИИ-рынка, рассказал CNBC, что у DeepSeek припрятаны 50 тысяч чипов Nvidia H100, о которых они молчат из-за санкций. Виктор Тарнавский, head of AI в T-Bank, в своём канале также отмечает, что заявленный объем железа для обучения DeepSeek-R1 выглядит крайне малым, ведь модель якобы тренируется на кластере из 2048 видеокарт H800 — это почти в 50 раз меньше, чем у крупных американских моделей.

Несмотря на слухи, техрепорт DeepSeek подтверждает, что все данные сходятся, и сами Nvidia утверждают, что «дипсиковские GPU» соответствуют требованиям экспорта. Если это правда, то и остальные страны тоже могут обойтись без огромных кластеров в 100 тысяч чипов. Для любителей покопаться в технических деталях — ссылка на техрепорт по V3.

Как китайцы модель обучали

Из-за запретов на экспорт современных чипов в Китай DeepSeek пришлось искать более эффективные алгоритмы обучения. Аналитик Венди Чанг раскрыла, как разрабы обошли дефицит чипов при обучении модели V3. Они оптимизировали архитектуру моделей с помощью комбинации ряда инженерных решений — создали специальные схемы связи между чипами и сократили объем памяти.

Чтобы использовать меньше вычислительных ресурсов для обучения, они применяли два подхода:

• Mixture-of-Experts (MoE). Представьте, что модель — это куча узких специалистов-экспертов. Вместо того, чтобы задействовать всех сразу, активируются только те, кто нужен для решения конкретной задачи.
• Multi-head Latent Attention (MLA). Оптимизирует механизм внимания, сокращая объем вычислений. Вместо того, чтобы анализировать токены последовательно, модель сначала кодирует информацию в компактный вид, и потом её обрабатывает.

Главное отличие DeepSeek в том, что он не гонится за огромными вычислительными мощностями, а делает акцент на оптимизации алгоритмов. По мнению The Atlantic, это ставит под сомнение тезис о том, что для качественных ИИ-моделей нужны исключительно гигантские вычислительные кластеры.

Другие теории заговора вокруг DeepSeek

29 января OpenAI обвинили китайцев в краже данных. По данным специалистов по безопасности, представители Поднебесной якобы нашли способ обойти ограничения OpenAI API и использовали собранную информацию для тренировки своей модели.

Главная претензия — использование метода дистилляции, при котором большая модель «учит» меньшую. Из-за этого DeepSeek часто идентифицирует себя с ChatGPT и цитирует политику OpenAI, недоступную открыто. Интересно, что если попробовать пообщаться с DeepSeek на русском языке, модель будет утверждать, что она YandexGPT, что наводит на мысль, что, возможно, они используют и разработки Яндекса.

«Мы принимаем агрессивные, упреждающие контрмеры для защиты наших технологий и продолжим тесно сотрудничать с правительством США для защиты самых эффективных моделей, которые здесь строятся» — заявила The New York Times OpenAI .

Что интересно, OpenAI сама тренирует свои модели на огромных объемах данных из интернета, не заплатив многим авторам. Карисса Велиз — профессор философии и этики в Оксфордском университете считает, что OpenAI не имеет морального права говорить об авторских правах.

Что хайп вокруг DeepSeek значит для ИИ-индустрии

Пока западные гиганты мерялись бюджетами, Китай тихо собрал ИИ-пазл на минималках — и теперь вся индустрия переписывает правила и нервно курит: если подход DeepSeek масштабируется, их монополия на ИИ может рассыпаться.

Считалось, что крупные технологии будут доминировать в ИИ просто потому, что у них есть свободные деньги, чтобы гоняться за ачивками. Похоже, DeepSeek может перевернуть представление о том, сколько стоит ИИ. Теперь все побегут переписывать алгоритмы, а не скупать видеокарты.

Западные инвесторы обеспокоены, что успех DeepSeek уронит спрос на продукцию американских производителей чипов. За один день акции NVIDIA рухнули на 17,8%, что привело к потере 600 миллиардов долларов капитализации.

Но не спешите хоронить Nvidia: эксперты считают, что это лишь временная истерика, и DeepSeek в одиночку не способна подорвать позиции крупных техногигантов. Да, акции упали, но в долгосроке спрос на чипы вырастет — потому что конкуренция усилится, и ИИ-стартапов станет больше, чем кофеен в Москве. Входной билет в ИИ-клуб подешевел: вместо миллиардов — кластер из пары тысяч GPU и команда из юных математических гиков.

Насколько вероятно, что DeepSeek использует свои ИИ-разработки с целью извлечения прибыли на финансовых рынках?

Важно напомнить, что DeepSeek является ИИ-подразделением хедж-фонда High-Flyer, специализирующегося на алгоритмической торговли на финансовых рынках. Прямых доказательств, конечно, нет, но сложно представить, что такой эксперт по торговле на фондовой бирже, как основатель компании Лян Вэньфэн, не учитывал дополнительные мотивы в создании рыночной турбулентности, связанной с выпуском модели R1.

Ян Лекун, один из пионеров ИИ, считает, что реакция рынка на DeepSeek преувеличена: многие ошибаются, считая, что миллиарды долларов идут на обучение моделей. На самом деле, основная часть этих средств уходит на создание инфраструктуры для работы ИИ-систем (инференса).

На фоне хайпа DeepSeek OpenAI уже объявили, что o3 mini будет включен в бесплатную подписку и, по слухам, готовятся обновлять прайсы. Для рядовых пользователей будет только на руку, если компании выложат свои модели в открытый доступ и снизят цены на подписки.

Помните, как Трамп недавно выделил $100 млрд на развитие ИИ? Теперь и Банк Китая вступает в игру, анонсировав «План развития ИИ-индустрии», по которому на протяжении следующих пяти лет будет инвестировано минимум 1 триллион юаней (137 миллиардов долларов). Кажется, что каждым днем конкуренция за инвестиции в ИИ будет только нарастать.

DeepSeek не останавливается — 27 января они представили мультимодальную модель Janus-Pro-7B, которая работает с текстом и изображениями и конкурирует с DALL·E 3, SDXL и SD3-Medium. Бесплатно попробовать генерацию можно на Hugging Face.

Как DeepSeek-R1 справляется с задачами на программирование

Давайте проверим, как R1 справляется с задачами уровня Master на CodeWars на Python, C++ и Rust.

Python

Напиши функцию на Python, которая заменяет все буквы строки на их позиции в алфавите (например, "a" = 1, "b" = 2 и так далее). Игнорировать все символы, не являющиеся буквами. Например, для строки "The sunset sets at twelve o' clock." результат должен быть: "20 8 5 19 21 14 19 5 20 19 5 20 19 1 20 20 23 5 12 22 5 15 3 12 15 3 11".

Рассуждения заняли 39 секунд. DeepSeek предоставила код, объяснения и пример использования. Решение работает правильно: игнорирует все символы, которые не являются буквами, и правильно заменяет каждую букву на её позицию в алфавите. R1 предлагает методы isalpha(), ord() и lower(), что оптимально для данной задачи. Решение компактное, читаемое и эффективно даже для длинных строк.

С++

Напиши код на C++ так, чтобы он возвращал true, если первый переданный аргумент (строка) заканчивается вторым аргументом (также строкой). Примеры: solution('abc', 'bc') // returns true, solution('abc', 'd') // returns false

Решение DeepSeek выглядит грамотным, эффективным и правильно обрабатывает все крайние случаи, а именно пустые строки. Использование string::compare() для проверки окончания строки — хорошая практика, так как метод быстро выполняет сравнение фрагментов строк. R1 правильно оценила проблему и предложила оптимальное решение.

Rust

Реши на языке Rust: You live in the city of Cartesia where all roads are laid out in a perfect grid. You arrived ten minutes too early to an appointment, so you decided to take the opportunity to go for a short walk. The city provides its citizens with a Walk Generating App on their phones -- everytime you press the button it sends you an array of one-letter strings representing directions to walk (eg. ['n', 's', 'w', 'e']). You always walk only a single block for each letter (direction) and you know it takes you one minute to traverse one city block, so create a function that will return true if the walk the app gives you will take you exactly ten minutes (you don't want to be early or late!) and will, of course, return you to your starting point. Return false otherwise. Note: you will always receive a valid array containing a random assortment of direction letters ('n', 's', 'e', or 'w' only). It will never give you an empty array (that's not a walk, that's standing still!).

Интересно, что несмотря на то, что условия задачи были отправлены на английском языке, модель R1 продолжила рассуждать на английском, но итоговое решение было представлено на русском. Решение от DeepSeek на Rust корректно проверяет, соответствует ли прогулка заданным условиям. Код использует одну итерацию по массиву и обеспечивает обработку ошибок с помощью unreachable!(), что исключает недопустимые символы в массиве.

Coding-бенчмарки

Не будем обсуждать все метрики, но из бенчмарков можно выделить парочку, заслуживающих внимания:

• На Codeforces модель выдаёт 96.3%, что практически недостижимо для большинства людей.
• В LiveCodeBench (Pass@1-COT) DeepSeek R1 показывает 65.9%, что тоже является достойным результатом для модели: уверенное решение кода и пошаговые рассуждения.

Оправдан ли хайп и стоит ли переходить на DeepSeek

1. Бесплатно ≠ безопасно. Как верно заметили в Wired, за «халявный» ИИ вы платите своими данными. DeepSeek собирает запросы, анализирует паттерны и, возможно, даже тренируется на наших данных. Китайская юрисдикция добавляет скепсиса: куда утекает информация — большой вопрос.
2. Бенчмарки vs реальность. Автор канала Neural Shit Андрей Клименко напомнил, что бенчмарки больше не показатель. Хотя DeepSeek R1 демонстрирует хорошие результаты по числовым показателям, реальная производительность зависит от конкретной задачи. Поэтому лучший способ оценить модель — потестить её самому, если не пугают риски с данными и хочется сэкономить на API.
3. Креативит, но иногда чудит. В процессе тестирования редакция Tproger заметила, что R1 вполне способна на креатив и даже иронию, но иногда теряется и галлюцинирует при сложных запросах. При работе с текстовым документом среднего размера (около 25 страниц) модель наотрез отказалась выполнять запросы, выдав сообщение «server is busy». В общем, результат иногда удивляет далеко не в лучшем смысле.
4. Запаситесь терпением на случай даунтаймов: не всё так гладко с серверами. Порой они не выдерживают наплыва пользователей, и придётся подождать, пока всё наладится. Не идеально, но для бесплатного решения — терпимо.

DeepSeek-R1 стал, пожалуй, самым хайповым достижением китайских AI-компаний. Несмотря на ограниченный доступ к топовому железу, удалось создать конкурентоспособную и многообещающую модель, которая уже вызывает интерес у коммьюнити.

Как отметил CEO DeepSeek Лян Вэньфэн, будущее искусственного общего интеллекта (AGI) не за горами, и это случится при нашей жизни — может быть, через два, пять или десять лет.

А если вы интересуетесь искусственным интеллектом так же, как и мы — вы уже крут. Больше информации и интересных программистских инсайтов тут.

DeepSeek доступна бесплатно как через веб-интерфейс, так и через мобильное приложение. Однако сегодня мы рассмотрим не такой очевидный, но не менее важный аспект — локальный запуск модели.

Разберём это на примере небольшого проекта. Представьте, что у вас есть массив документации, и вам необходимо эффективно искать информацию или проводить анализ данных. Один из подходов, который можно применить, — технология RAG (Retrieval-Augmented Generation), которая сочетает поиск по тексту с генерацией ответов на основе релевантных данных. Давайте разберём, как DeepSeek можно адаптировать под эту задачу.

Что такое RAG?

Retrieval-Augmented Generation (RAG) – передовая техника ИИ, разработанная для повышения точности и надежности языковых моделей путем интеграции поиска внешней информации в процесс генерации ответа. В отличие от традиционных генеративных моделей, которые полагаются исключительно на обученные знания, RAG осуществляет динамический поиск релевантной информации перед генерацией ответа, уменьшая количество галлюцинаций и повышая точность фактов.

Процесс работы RAG состоит из трех ключевых этапов. Во-первых, он извлекает соответствующие документы или данные из базы знаний, которая может включать структурированные БД, векторные хранилища или даже API в режиме реального времени. Затем полученная информация объединяется с внутренними знаниями модели (это гарантирует, что ответы будут основаны на актуальных и надежных источниках). Наконец, модель генерирует обоснованный ответ, используя как свои обученные языковые возможности, так и новые полученные данные.

Такой подход дает значительные преимущества. Основывая ответы на внешних источниках, RAG минимизирует неточности и обеспечивает актуальность информации, что делает его особенно полезным в финансах, здравоохранении и праве. Он широко применяется в чат-ботах, системах ИИ с расширенным поиском, корпоративном поиске знаний и управляемыми ИИ научными ассистентами, где точность и достоверность фактов имеют решающее значение.

Как будет выглядеть архитектура решения?

База знаний — коллекция релевантной и актуальной информации, которая служит основой для RAG. В нашем случае это документы, хранящиеся в каталоге.

Перед тем, как начать реализовывать данную архитектуру, необходимо установить следующие библиотеки (тестировалось на Python 3.11):

Вот как вы можете загрузить ваши документы в LlamaIndex в виде объектов:

Векторные хранилища принимают список объектов Node и строят из них индекс.

VectorStoreIndex в RAG

В системе Retrieval-Augmented Generation (RAG) индекс VectorStoreIndex используется для хранения и извлечения векторных вкраплений документов. Это позволяет системе находить релевантную информацию на основе семантического сходства, а не точного совпадения ключевых слов.

Процесс начинается с встраивания документов. Текстовые данные преобразуются в векторные вкрапления с помощью модели. Эти вкрапления представляют смысл текста в числовой форме, что облегчает сравнение и поиск похожего контента. После создания вкрапления хранятся в векторной базе данных — FAISS, Pinecone, Weaviate, Qdrant или Chroma.

Пользователь отправляет запрос, который также преобразуется во вкрапление с помощью той же модели. Затем система ищет похожие вкрапления, сравнивая запрос с сохраненными векторами с помощью метрик сходства — косинусоидального сходства или евклидово расстояния. Наиболее релевантные документы извлекаются на основе их оценок сходства.

Полученные документы передаются в качестве контекста в большую языковую модель (LLM), которая использует их для создания ответа. Этот процесс гарантирует, что LLM имеет доступ к релевантной информации, повышая точность и уменьшая количество галлюцинаций.

Использование VectorStoreIndex улучшает системы RAG, обеспечивая семантический поиск, улучшая масштабируемость и поддерживая поиск в реальном времени. Это гарантирует, что ответы будут контекстуально точными и основанными на наиболее релевантной доступной информации.

Построить векторный индекс очень просто:

Дальше остается скачать и запустить модель deepseek-R1 с помощью ollama. Для этого необходимо установить ollama https://ollama.com/download.

После того, как вы запустите у себя эту модель командой

достаточно выполнить следующий код, чтобы RAG начал работать

Теперь можно встроить данное решение в десктопный клиент, создав пользовательский интерфейс с помощью Streamlit, чтобы обеспечить взаимодействие пользователя через чат с приложением RAG. Либо можно сделать телеграм-бот, тогда создать интерфейс будет ещё проще.

Цель сотрудничества — ускорить научные исследования с использованием передовых ИИ-моделей. Это не первый случай взаимодействия OpenAI с государственными структурами страны.

Ранее компания запустила ChatGPT Gov — специальную версию ChatGPT для правительственных агентств, а также сотрудничала с оборонной компанией Anduril Industries для интеграции своих технологий в военные системы.

Что известно о партнерстве

OpenAI предоставит свои модели серии o-series для использования на суперкомпьютере Venado, расположенном в Национальной лаборатории Лос-Аламоса (LANL).

Этот суперкомпьютер, созданный на базе чипов NVIDIA Grace Hopper, был введен в эксплуатацию в апреле 2023 года и способен выполнять до 10 экзафлопс операций в секунду.

Модели o-series, в частности o1, были представлены в сентябре 2022 года и отличаются способностью к длительному «мышлению» перед выдачей ответа.

Как будут использоваться технологии OpenAI

Согласно заявлению компании, модели OpenAI помогут в решении ряда ключевых задач:

• Ускорение фундаментальных исследований для укрепления технологического лидерства США.
• Поиск новых подходов к лечению и профилактике заболеваний.
• Улучшение кибербезопасности и защита энергосистем страны.
• Развитие энергетического сектора за счет оптимизации использования природных ресурсов.
• Повышение национальной безопасности через раннее обнаружение угроз, включая биологические и кибератаки.
• Углубление понимания фундаментальных законов Вселенной, от математики до физики высоких энергий.

Роль в снижении ядерных рисков

OpenAI также заявила о намерении поддержать Национальные лаборатории в программе по снижению рисков ядерной войны.

Компания считает, что ее модели могут сыграть важную роль в обеспечении национальной безопасности, помогая анализировать и предотвращать потенциальные угрозы.

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.

Ключевыми участниками инициативы стали IT-гиганты: OpenAI, SoftBank и Oracle. Все три корпорации планируют инвестировать до $500 млрд в течение следующих 4 лет.

Масштаб и цели проекта

Инициатива Stargate предусматривает начальные инвестиции в размере $100 млрд с перспективой увеличения до $500 млрд.

Основное внимание будет уделено строительству современных дата-центров и объектов по производству электроэнергии в Техасе, что обеспечит необходимую инфраструктуру для развития ИИ.

Ожидается, что проект создаст более 100 000 рабочих мест в США и укрепит позиции страны в глобальной гонке ИИ, особенно в соперничестве с Китаем.

Технологические партнеры и сотрудничество

В рамках Stargate ключевыми технологическими партнерами выступят ARM, Microsoft, NVIDIA, Oracle и OpenAI.

Компании будут тесно сотрудничать в создании и эксплуатации вычислительных систем, необходимых для обучения и внедрения передовых ИИ-моделей.

Это сотрудничество опирается на ранее установленные партнерские отношения между OpenAI и NVIDIA, а также на новое партнерство между OpenAI и Oracle.

Роль Microsoft в проекте

Microsoft пересмотрела ключевые условия своего соглашения с OpenAI после объявления о создании Stargate.

Ранее редмондцы обладали исключительными правами на создание вычислительной инфраструктуры для OpenAI, однако теперь детище Сэма Альтмана получило возможность сотрудничать с Oracle в рамках нового проекта.

Тем не менее, Microsoft сохраняет эксклюзивные права на предоставление API-сервисов OpenAI и продолжает стратегическое партнерство, включая совместное использование доходов, действующее до 2030 года.

По результатам тестов, карты AMD демонстрируют схожую производительность на обеих системах. А вот владельцам видеокарт NVIDIA повезло меньше — здесь Linux заметно уступает Windows.

Тестирование проводил YouTube-канал Tech YES City, а для Linux использовали дистрибутив Bazzite. Это был второй раунд тестов, так как в предыдущем не была включена совместимость со Steam, что отрицательно сказалось на результатах.

Что такое Bazzite?

Bazzite — это дистрибутив Linux, основанный на Fedora Atomic и адаптированный для геймеров. Он поставляется с предустановленным Steam, поддержкой HDR и VRR, а также улучшенными планировщиками для плавного игрового процесса.

В официальном описании говорится, что дистрибутив подходит как для новичков, так и для опытных пользователей, упрощая настройку игр и стриминга.

Результаты тестов

В играх вроде Cyberpunk 2077 на видеокарте NVIDIA RTX 4090 производительность на Bazzite оказалась ниже, чем на Windows, причём как при 1440p, так и при 4K. Однако для AMD Radeon таких падений замечено не было:

Игра Rift Breaker стала исключением, где Linux показал сопоставимую производительность даже на NVIDIA. Но в целом для фанатов видеокарт Хуанга переход на Linux связан с ощутимыми потерями:

Напомним, что для запуска игр на Bazzite требуется видеокарта с поддержкой Vulkan 1.3 и 64-битный процессор. Проверить совместимость можно с помощью утилиты GPU-Z, которая покажет текущую версию Vulkan.

Изображение демонстрирует оформление упаковки, схожее с дизайном серии RTX 40XX, но с изменениями. На задней стороне коробки перечислены технологии NVIDIA, такие как поддержка трассировки лучей и использование архитектуры Blackwell.

Пользователи отметили, что текст на упаковке практически идентичен информации с коробки RTX 4080 SUPER, что с одной стороны ставит под сомнение подлинность утечки.

С другой же производитель этой модели — GALAX — не под запись подтвердил, что это дизайн коробки их новой видеокарты:

Технические характеристики RTX 5080

Согласно последним утечкам, RTX 5080 будет основана на архитектуре Blackwell и оснащена следующими компонентами:

• CUDA-ядра: 10 752 ядра, обеспечивающие высокую производительность в вычислительных задачах.
• Видеопамять: 16 ГБ GDDR7 с 256-битной шиной, что обеспечивает пропускную способность памяти до 960 ГБ/с.
• Тактовая частота: ожидается в диапазоне от 2235 МГц до 2520 МГц для более быстрой обработке графики.
• Энергопотребление: предполагается на уровне 400 Вт, что потребует соответствующего блока питания.

Производительность и возможности

Ожидается, что RTX 5080 будет превосходить RTX 4080 в задачах трассировки лучей, играх и работе с нейронным рендерингом.

Скорость памяти, по слухам, достигнет 30 Гбит/с, что выделяет её даже среди других моделей серии 50XX.

Дата выхода и цена

NVIDIA официально представит RTX 5080 на выставке CES 2025 в январе. Цена, по утечкам, составит от €1350 до €1700.