Здесь я пишу про ИИ, новые модели и сервисы, которые мне показались интересными. Делюсь своими проектами, экспериментами и тем, как использую ИИ в работе, образовании и исследованиях
Здесь я пишу про ИИ, новые модели и сервисы, которые мне показались интересными. Делюсь своими проектами, экспериментами и тем, как использую ИИ в работе, образовании и исследованиях
«FomLab» - канал из категории «Нейросети», подключенный к сервису кросспостинга MaxGate. Публикации канала синхронизируются между Telegram и мессенджером MAX, а на этой странице собраны ссылки на обе версии канала.
Сейчас у канала 137 подписчиков суммарно в Telegram и MAX. За последние 13 дней в истории MaxGate учтено 9 публикаций, поэтому перед подпиской можно оценить не только размер аудитории, но и регулярность обновлений.
Чтобы подписаться, используйте кнопки «Открыть в MAX» и «Открыть в Telegram» в верхней части страницы. У отдельных постов ссылка может быть доступна в обоих мессенджерах или только в одном из них, если MaxGate получил такой URL из истории обработки.
31.0803.0906.0909.0912.0914.09
Число постов
1
0
08.0909.0910.0911.0912.0913.09
ИИ решил одну из самых сложных математических задач? Не всё так просто
Несколько дней назад появилась довольно громкая новость: OpenAI сообщила о серьёзном прорыве в одной из так называемых задач тысячелетия.
Если совсем просто, это несколько математических проблем настолько сложных, что за решение каждой назначена премия в 1 миллион долларов.
Одна из них связана с уравнениями Навье—Стокса.
Эти уравнения помогают описывать движение жидкостей и газов — например, воды или воздуха. Но в их математическом устройстве уже много десятилетий оставался фундаментальный вопрос, который никто не мог окончательно решить.
И вот OpenAI заявила, что её новая ИИ-система получила доказательство одного из ключевых результатов в этой области.
На этом месте интернет довольно быстро превратил новость в:
«GPT-6 решил задачу тысячелетия».
Но дальше история стала значительно интереснее.
Группа математиков заявила, что уже довольно давно работала над очень похожей проблемой и сама активно использовала для исследований Claude, Codex и другие ИИ-инструменты.
У исследователей возник вопрос: могла ли их работа каким-либо образом повлиять на результат OpenAI?
OpenAI это отрицает.
Учёные, в свою очередь, тоже не говорят, что могут доказать прямую кражу их работы.
Поэтому сейчас я бы точно не стал выбирать одну из сторон.
Тем более что само доказательство ещё предстоит внимательно проверить математическому сообществу. Формально задача тысячелетия пока не считается закрытой.
Но мне здесь кажется гораздо интереснее другое.
Не так важно, кто именно в итоге получит формальный приоритет — человек или ИИ.
Потому что по обе стороны этой истории искусственный интеллект уже участвовал в настоящей научной работе.
В одном случае математики использовали ИИ как инструмент исследования.
В другом OpenAI запустила большое количество ИИ-агентов, которые совместно искали решение.
И в результате проблема, над которой математики работали десятилетиями, действительно серьёзно сдвинулась с места.
Мне кажется, именно это здесь и есть главная новость.
Мы очень быстро переходим от нейросетей, которые помогают написать письмо или сделать презентацию, к системам, которые участвуют в исследованиях на самом переднем крае науки.
Кто в итоге окажется автором конкретного доказательства — ещё предстоит разобраться.
Нас уже 100.
Для большого Telegram-канала цифра совсем небольшая. Но для FomLab, который я запустил только в начале сентября, это очень приятный первый рубеж.
Спасибо всем, кто подписался, читает посты, пересылает их знакомым и даёт обратную связь.
Зачем вообще нужны локальные нейросети, если облачные модели уже такие сильные
За последние пару лет облачные нейросети стали настолько хорошими, что возникает вполне логичный вопрос:
а зачем вообще запускать модель у себя на компьютере или сервере?
ChatGPT, Claude, Gemini открываются в браузере, постоянно обновляются, работают с файлами, изображениями, кодом и не требуют от пользователя практически никаких технических знаний.
И если мне просто нужно написать текст, разобрать документ или быстро получить ответ, я тоже почти всегда выберу облачный сервис.
Но локальные модели я при этом не забросил.
Наоборот, периодически возвращаюсь к ним и продолжаю экспериментировать на собственной инфраструктуре.
Что вообще значит «локальная нейросеть»?
В самом простом варианте это модель, которая работает не на серверах OpenAI, Anthropic или Google, а на вашем собственном компьютере или сервере.
Вы один раз скачиваете модель, запускаете её у себя — и дальше запрос обрабатывается вашим железом.
То есть условный чат внешне может выглядеть почти так же, как ChatGPT, но сама модель физически работает у вас.
У меня, например, для таких экспериментов используется отдельный домашний сервер с Ollama и OpenWebUI.
И дело здесь совсем не в попытке собрать «свой ChatGPT».
У локальных моделей просто есть несколько сценариев, где они оказываются удобнее.
Первое — данные.
Если я отправляю документ в облачную нейросеть, данные в любом случае покидают мой компьютер и уходят во внешнюю инфраструктуру.
Во многих бытовых задачах в этом нет никакой проблемы.
Но если речь идёт о внутренних документах, базе знаний организации, исследовательских данных или другой чувствительной информации, возможность оставить обработку внутри своей сети становится довольно интересной.
При правильно настроенной локальной системе сам текст вообще не обязан покидать ваш сервер.
Второе — большое количество однотипных запросов.
Представим, что нужно обработать не десять документов, а десять тысяч.
Через API облачной модели каждый запрос имеет свою стоимость.
У локальной модели экономика другая.
Вы уже заплатили за компьютер или сервер, дальше платите в основном за электричество и обслуживание оборудования.
Поэтому для больших потоков относительно простых задач локальная модель иногда начинает выглядеть вполне рационально.
Третье — автоматизация.
Мне этот сценарий особенно интересен.
Локальную модель можно встроить внутрь собственного сервиса и дать ей довольно узкую задачу.
Например:
получить документ → извлечь нужную информацию → привести её к определённому формату → сохранить результат в базе.
И здесь совершенно необязательно каждый раз обращаться к внешнему сервису.
Получается маленький внутренний ИИ-инструмент, который работает как часть вашей инфраструктуры.
Четвёртое — автономность.
Сервис может изменить тарифы.
API может быть временно недоступен.
Модель может исчезнуть из продукта.
В некоторых странах может измениться доступность самого сервиса.
С локальной моделью подобных зависимостей заметно меньше.
Если модель уже скачана и оборудование работает, многие задачи можно выполнять даже без постоянного подключения к интернету.
Но у этой автономности есть цена.
Локальная модель — это не бесплатный ChatGPT.
Нужно подходящее железо.
Нужно хранить сами модели.
Иногда нужно разбираться с Docker, драйверами, памятью, квантованием и другими словами, которые нормальному человеку совершенно необязательно хотелось знать до начала эксперимента 🙂
И главное — небольшая локальная модель обычно не становится магическим образом сильнее лучших облачных систем.
В сложном исследовании, программировании или работе с большим количеством разных инструментов я всё равно чаще выберу сильную облачную модель.
Поэтому сейчас я смотрю на локальный ИИ не как на замену ChatGPT или Claude.
Скорее это ещё один уровень инфраструктуры.
Облако — когда нужна максимальная мощность, удобство и самые свежие возможности.
Локальная модель — когда важны контроль, приватность, автономность или большое количество предсказуемых операций.
А самое интересное начинается, когда эти два подхода используются вместе.
