Неискусственный интеллект

Пока ИИ-кризис не разлучит нас Apple годами выкручивала руки поставщикам флеш-памяти, пока у тех не появился кто-то побогаче. Из-за спроса со стороны ИИ-гигантов цены на неё за год выросли примерно впятеро. По оценке TechInsights, в 2026 году Apple потратит на примерно тот же объём памяти $25 млрд вместо прошлогодних $6 млрд. Раньше Apple была крупнейшим покупателем и пользовалась этим без стеснения. Требовала самых низких цен и доступа к бухгалтерии поставщиков, чтобы проверить, не досталось ли кому-нибудь дешевле. При падении цен могла отказаться принимать заказанные чипы, выбивая дополнительную скидку. Переговоры затягивали за полночь без ужина — продавцы научились брать с собой питательные батончики. Зато сама Apple десятилетиями получала в среднем свыше 80% валовой маржи на доплатах за память в iPhone и iPad. Поставщики запомнили всё. Один из руководителей продаж Kioxia Скотт Нельсон даже расстрелял собственный iPod из винтовки во время поездки по пустыне. Обломки до сих пор лежат у него на столе. Масштаб обиды понятен по цифрам: в 2023 году производители флеш-памяти совокупно получили около $19 млрд операционного убытка, по оценке Bernstein. Apple за тот же год заработала примерно $14 млрд валовой прибыли на продаже дополнительной памяти. Теперь за столом сидят другие женихи. Два года назад Apple покупала почти вдвое больше флеш-памяти, чем Microsoft, Amazon, контора Цукерберга и Google вместе взятые. Сегодня эти четыре компании вместе покупают примерно вдвое больше Apple, согласившись на более высокие цены. Для поставщиков это ещё и страховка на случай очередного спада рынка. Можно понять, почему на летней отраслевой конференции они обсуждали неприятности Apple с плохо скрываемым удовольствием. Правда, оплачивать семейную драму будут и покупатели. Дополнительные 256 ГБ в iPhone 17 Pro обходились Apple примерно в $15 при доплате клиента в $200. Теперь аналогичная прибавка памяти стоит компании уже около $66. По подсчётам WSJ, цены на iPhone за год выросли в среднем на 13% — подорожали даже старые модели. Цена прогресса... @anti_agi

OpenAI удвоила лимиты во всех тарифах Pro Не прошло и суток после порезанных лимитов для Pro 200 (ладно, прошло), как Альтман и 🤖 сдали назад. Более того, все Pro тарифы получили x2. Изменения уже действуют. @anti_agi

Семь раз подумай, один раз обучи В условиях дефицита видеокарт и высокой стоимости вычислений работать с ИИ по принципу “просто добавь ускоритель” уже не выходит. Учёные по всему миру бьются над оптимизацией обучения и инференса, и наши команды — не исключение. На EMNLP 2026 в Будапеште приняли сразу семь работ за авторством исследователей из Т-Технологий — все прошли слепое рецензирование. 🤖Одна из работ выросла из зоопарка моделей. В Т-Банке дообучили Qwen3-32B под реальные корпоративные задачи и перевели на неё запросы более чем 200 внутренних приложений. Теперь она обрабатывает половину трафика внутренней LLM-платформы — 116 млн запросов в месяц. По данным команды, обслуживание обходится в 2,8-3,9 раза дешевле, чем на Qwen3-235B, а в проверенных задачах без режима рассуждений компактная модель даже обошла большую. ℹ️Следующая статья — про документы, где автоматизация сама по себе ещё не гарантирует экономии. Исследователи научили визуально-языковую модель извлекать нужные поля по текстовому запросу; для её дообучения достаточно одной Nvidia H100. При расчёте стоимости учли и работу человека: какие поля можно принять автоматически, какие подтвердить, а какие разобрать вручную. Получилось более чем на 80% дешевле ручной обработки и более чем на 50% дешевле лучшей из протестированных открытых моделей. 💻 Дальше экономию искали внутри самой нейросети. SimplexLoRA, разработанная вместе со Сбером, МФТИ и Университетом Иннополис, распределяет ограниченный бюджет обучаемых параметров между слоями: больше достаётся тем, которые важнее для задачи, при этом общий бюджет не увеличивается. LIMe позволяет слоям обращаться к результатам более ранних этапов обработки. В экспериментах на моделях примерно с миллиардом параметров это помогло достичь качества базовой LLaMA с 15% меньшими вычислительными затратами. 💻 Отдельная проблема возникла при обучении с подкреплением: модель закрепляет популярные способы решения, а редкие, но тоже верные, начинает выдавать реже. F-GRPO ослабляет обновления на задачах, с которыми модель уже уверенно справляется, сохраняя разнообразие решений. В тесте на Qwen2.5-7B оказалось достаточно генерировать восемь учебных ответов вместо 32, чтобы превзойти обычный GRPO в проверенных задачах. ✔️ В ESSA ребята из Т-Технологий пошли дальше и заменили градиентный этап дообучения эволюционным поиском. Создаются слегка различающиеся настройки небольших адаптеров модели, проверяются ответы, удачные варианты задают направление следующему поколению. Видеокартам почти не нужно обмениваться данными. В эксперименте на 128 GPU метод довёл Qwen2.5-32B до заданного качества на математическом тесте в 7,8 раза быстрее, чем GRPO с LoRA-адаптерами. ☣️ Седьмая работа, KronSAE, удешевляет исследование того, что происходит внутри модели. Метод помогает выделять интерпретируемые признаки и связи между ними, сокращая вычисления на их извлечение более чем на 40% относительно TopK SAE. Код нескольких разработок и открытую версию корпоративной модели команда опубликовала — коллеги могут воспроизвести методы и проверить их на своих задачах. @anti_agi