GPU & AI chips — July 2026

• У Operation Zero есть большая статья с обзором классов уязвимостей в Chrome. В ней рассматриваются поверхность атаки конвейера V8, движка Blink, ошибки в процессе GPU, позволяющие выйти из песочницы, проблемы Mojo IPC и параллелизма в Chrome. Затрагиваются темы современных аппаратных защит, таких как PKEYs и MTE. Статья не претендует на глубокое изложение по каждой из тем и служит отправной точкой для дальнейшего изучения эксплуатации конкретных типов уязвимостей.

➡ https://opzero.ru/press/101-chrome-exploitation-part-2

• Напомню, что в первой части была описана архитектура браузера, его основные компоненты (движок рендеринга Blink, движок JavaScript V8, сетевой стек), а также упражнение, в котором читатели добавят свою функцию в API Blink!

• Благодаря этому материалу вы сможете изучить устройство подсистемы браузера, как обеспечивается их безопасность и как она нарушается с помощью уязвимостей, примитивов, обходов защит, эксплоитов и их цепочек. Материал является практическим, поэтому с самого начала авторы кратко анализируют несколько известных эксплоитов, компилируют их благодаря публичному репозиторию и пробивают Chrome 130-й версии для Windows.

S.E. ▪️ infosec.work ▪️ VT

☹️ Видеокарты в России резко выросли в цене.

Стоимость моделей практически всех популярных серий достигла максимума за последние полгода. Аналогичная ситуация ранее произошла в Китае, где цены за ночь прибавили 15–30%, после чего рост добрался и до российского рынка.

Подорожание затронуло не только NVIDIA, но и AMD с Intel Arc. Основной причиной называют резкий рост стоимости памяти GDDR6 и GDDR7 — каждый чип подорожал примерно на 20 долларов.

Ранее эксперты уже фиксировали рост цен на компьютерные комплектующие примерно на 15%. Тогда сильнее всего подорожали видеокарты, оперативная память и SSD.

Белый лебедь 👍 Подписаться

Видеокарты подорожали на 30% за одну ночь — из-за подорожания чипов памяти на $20

Маркетплейсы в Китае уже подняли стоимость и скоро подорожание доберется до остальных магазинов

// И ведь это только начало

@MediaComputers

😦 Цены на видеокарты взлетели за одну ночь в Китае сразу на 15–30%

Рост затронул модели Nvidia, AMD и Intel Arc. Новые цены уже появились на Taobao, Pinduoduo и JD — крупнейших китайских площадках, которыми активно пользуются и оптовые покупатели.

Причиной называют резкое подорожание памяти GDDR6 и GDDR7: всего за месяц стоимость чипов выросла примерно на $19–20 за единицу. Следом цены на видеокарты могут пойти вверх и в других странах. @bankovshina|Прислать новость

Шел 3814-ый день погружения в локальный нейрослоп. Одебилел окончательно, начал строить домики из видеокарт, до самих бенчмарков пока не добрался.

Эксперты из каментов, стоит ли помимо перплексии делать простой тест на задачках из своего датасета в формате "llm as a judge"? Ну типа, я думаю нахрена на это время тратить, если разница в качестве между одной и той же квантованной моделью будет не такая сильная.

Вот между Q8 и Q4 есть видимая разница. А вот между различными версиями Q4 хз как проверять. Короче, сложна.

UPD: В основании BC-250, про нее отдельный видос Слева RTX 2060 Справа RTX 3070 Сверху GTX 1050

На заднем фоне: Снизу CMP 90HX Сверху RTX 5070 Ti

Компик имеет 32 гига DDR5 оперативки, которые я купил за 12 тысяч рублей. Зажопил лишнюю десятку на 64 гиг, так как в прошлом компе было 64 гиг DDR4 и я не знал чем ее забить 👽

🔥 PyTorch Foundation постепенно превращается в основу open-source AI-стека

Теперь под её управлением сразу шесть крупных проектов:

• PyTorch — обучение моделей • vLLM — быстрый inference • DeepSpeed — распределённое обучение и оптимизация • Ray — масштабирование AI-нагрузок • Helion — высокопроизводительные GPU/TPU-ядра • Safetensors — быстрая и безопасная сериализация моделей

Идея интересная: собрать ключевые части жизненного цикла AI под нейтральным open-source управлением вместо десятков разрозненных проектов.

Уже есть заметные результаты: PyTorch 2.13, новый Model Runner V2 в vLLM, улучшения Ray для GB200/GB300, а Helion показывает сильную производительность на Blackwell и TPU.

Если интеграция между этими проектами продолжит усиливаться, PyTorch Foundation может стать для AI-инфраструктуры примерно тем, чем CNCF стала для cloud-native.

🔗 https://futurumgroup.com/insights/can-pytorch-foundations-multi-project-strategy-reinvent-open-source-ai/

✅一条命令就能跑的免费VPS测试脚本

🏷标签：#vps #测试

🟢猫脚本 · Catbash • 一条 curl | bash 命令就能跑，不用安装、不留后台、不留垃圾文件。里面主要有三个脚本：SICK 一键查硬件详情（CPU、内存、硬盘 SMART、NVMe、RAID、网卡、GPU 等，支持中英文和 JSON 输出）；NETS 用公开 iperf3 节点测网速（可按北美/欧洲/亚太筛选）；CPUX 跑 Geekbench 5/6/7 测 CPU 单核/多核分数。还有个交互菜单方便切换，VPS深度玩家必备！

🌐官方网站 📖项目地址

👍打开通知点个赞 树屋更新必带派

ВЫБОР LLM ДЛЯ ОСИНТ #процессы

Выбор LLM для разведки - это всегда компромисс между точностью фактов, возможностью обрабатывать большие объёмы разнородных данных и доступными вычислительными ресурсами. Ниже я постарался собрать и поверхностно обозреть конкретные модели, которые прошли проверку на на тех задачах, которые я давал моделям в конкретных кейсах (когда было время на перепроверку) - от извлечения сущностей из утёкших баз до анализа видео с камер наблюдения. Безусловно, эта статья будет максимально субъективной и основываться только на личных впечатлениях, и если у вас есть свой опыт - с удовольствием обсудил бы это в комментариях.

От каких критериев мы будем отталкиваться в выборе: 🔻 Контекстное окно - не менее 32 000 токенов; для работы с много килобайтными логами или досье желательно 128 000. 🔻 Мультимодальность - нужна, если в материалах есть изображения, скриншоты, записи разговоров или видео. 🔻 Точность структурирования - способность выдавать строгий JSON или таблицы без лишних слов, критично для автоматизации. 🔻 Уровень галлюцинаций - в разведке неприемлемо, когда модель додумывает факты. Проверялось на контрольных выборках с ручной разметкой. 🔻 Железо - работа без интернета, на локальном сервере или ноутбуке аналитика.

📑 Начнем нашу подборку с универсальных и тяжелых моделей для глубокого анализа текста. Ибо, когда нужно просеять гигабайты переписки, извлечь все упоминания имён, телефонов, криптокошельков и представить результат в структурированном виде и логическими выводами, нет альтернативы моделям уровня 70 миллиардов параметров. И две из них выделяются на фоне остальных.

💻 Llama 3.1 70B Instruct  (128К контекст, только текст). На корпусе из 10 000 строк слитого чата модель извлекла 99% телефонных номеров и 97% уникальных имён, не сгенерировав ни одного несуществующего контакта. Встроенный function calling позволяет сразу передавать результаты в системы учета инцидентов. Минус — слабая поддержка языков, кроме английского. Для русского, арабского или китайского приходится настраивать постобработку. Работает быстро на двух RTX 3090/4090 в режиме квантования Q4_K_M (48 ГБ VRAM), либо на Mac Studio M2 Ultra со 192 ГБ объединённой памяти.

💻 Qwen2.5 72B Instruct (128К контекст, только текст). Если материалы содержат несколько языков одновременно, эта модель показывает лучшие результаты. На смешанных русско-украинско-английских досье точность извлечения фактов составила 96%, а галлюцинации — около 2%. Генерирует чистый JSON без обрамляющих фраз, что упрощает интеграцию с парсерами. Требует столько же памяти, что и Llama 3.1

🖼 Но в реальной работе мы же редко ограничиваемся только текстом. Скриншоты переписок, фото местности, кадры с камер - всё это требует нативного понимания визуальной информации.

💻 Llama 3.2 11B Vision Instruct (128К контекст, изображения). Оптимальный баланс между качеством и требованиями к железу. На тестовой выборке скриншотов из мессенджеров правильно распознала 94% адресов, номеров карт и паролей. Работает на видеокартах уровня RTX 3060 с 8-12 ГБ VRAM (квант Q4_K_M). Основной недостаток - не умеет обрабатывать звук и видео, но для статичных изображений я бы назвал это одним из основных инструментов.

💻 Qwen2-VL 7B Instruct  (128К контекст, изображения и видео до 20 минут). Незаменима при анализе записей с камер наблюдения. Модель отслеживает временную динамику: фиксирует ключевые кадры, описывает последовательность событий, распознаёт номера машин и лица. В тесте на 10-минутном ролике митинга извлекла все лозунги с точностью 95%. Требует RTX 3060 12 ГБ. Из ограничений - на длинных роликах может пропускать мелкие детали.

💻 MiniCPM-V 2.6 (8B)  (64К контекст, изображения и видео). Когда задачи скромнее — например, нужно быстро рассортировать сотни фотографий по наличию определённых объектов или документов. Работает даже на 8 ГБ VRAM, при этом корректно вырезает таблицы и области с текстом. Глубокие логические выводы от неё ожидать не стоит, но для полевой сортировки улик - идеально.

🎙 Продолжим анализом аудиоматериалов. Прямой обработки звука внутри LLM пока нет, но есть связка, которая может решить эту задачу.

💻 Whisper large-v3  Не совсем языковая модель в привычном смысле, а система распознавания речи. На чистых записях даёт менее 5% ошибок по словам для русского языка. Транскрипция затем подаётся в текстовую LLM для извлечения смысла. Работает на RTX 3060 (8-12 ГБ), либо медленно на CPU.

💻 Qwen-Audio-Chat (7B)  Дополняет Whisper анализом интонаций, эмоций и звуков окружения. На русскоязычных звонках правильно определила угрожающий тон в 82% случаев. Ограничена длиной аудио до 30 секунд, поэтому для больших файлов используется каскад: сначала транскрипция, затем тональный анализ коротких фрагментов. Требует 12 ГБ VRAM.

Ну и в конце этой подборки хочется отметить модель для полевой работы. У меня в качестве карманного компьютера вот уже несколько месяцев трясется в сумке микро ноутбук GPD microPC 2 на Intel i3-n300 с 16Гб оперативки. И несмотря на свои более чем скромные параметры llm-ка Phi-3.5-vision-instruct (4.2B)  (128К контекст, изображения) чувствует себя достаточно бодро. Запускается без дискретной видеокарты, используя OpenVINO на интегрированной графике Intel Iris. Качество OCR сопоставимо с 7B-моделями, но для сложных многоходовых рассуждений не годится, а вот в полевых условиях быстро прочитать документ или проверить фото - самое то.

Успехов в работе! :)

Лаборатория Университета Цинхуа выложила на GitHub проект, который заменяет стойку с H100 стоимостью $400 000 одной видеокартой с 24 ГБ памяти.

Он называется ktransformers, а идея почти до смешного проста: эксперты, которые реально используются, остаются на GPU, а остальные находятся на CPU до тех пор, пока не понадобятся.

/ DeepSeek-V3 и R1 с контекстом 139K на 24 ГБ VRAM / ускорение до 28 раз по сравнению со стандартной конфигурацией / дообучение DeepSeek-V3 на четырёх RTX 4090 вместо дата-центра / проект создан лабораторией MADSys Университета Цинхуа, а не стартапом с лендингом

Лицензия Apache 2.0, а на GitHub уже больше 17 000 звёзд.

→ http://github.com/kvcache-ai/ktransformers

👉 @PythonPortal

NVIDIA повышает цены на видеокарты — компания уведомила партнеров о повышении цен на GPU-комплектов, включая модели с памятью GDDR6 и GDDR7.

Магазины уже начали менять ценники, а в ближайшее время цены могут вырасти почти на всю линейку GeForce.

Исходный код

❄️ Помните топовую сборку в корпусе Jonsbo? Эту заказал тот же клиент, но на этот раз в белом цвете!

Конфигурация: • Пpoцессoр — AMD Ryzen 9 9950X3D • Видеокарта — ASUS GeForce RTX 5090 ROG Astral White Edition • Матеpинcкая плaтa — ASUS ROG CROSSHAIR X870E Glacial • Опеpaтивная пaмять — 96Гб G.Skill Trident Z5 Royal Neo 2x48Гб 6000МГц • Охлаждение — ASUS ROG Ryuo IV SLC 360 ARGB • Накопитель — 4000 ГБ M.2 NVMe Kingston FURY Renegade G5 • Блок питания — ASUS 1200W ROG THOR-1200P3 WHITE GAMING • Корпус — Jonsbo BO400CG

На все сборки предоставляется гарантия. Варианты сборок можно найти в каталоге или на сайте. По любым вопросам пишите нам — всегда на связи

Deep Learning Roadmap

1. Maths & Statistics → Build a strong mathematical foundation (algebra, probability, statistics).

2. Python → Learn Python programming (it’s the most widely used language in AI/ML).

3. Data Wrangling → Learn how to clean, organize, and preprocess raw data.

4. Machine Learning Concepts → Understand basic algorithms and theories of Machine Learning.

5. Deep Learning Algorithms → Learn neural networks, CNN, RNN, and similar algorithms.

6. Deep Learning Frameworks → Learn tools like TensorFlow and PyTorch.

7. CV & NLP Using Deep Learning → Work on Computer Vision (image processing) and NLP (language processing) projects.

8. SQL & NoSQL → Learn SQL/NoSQL to work with data from databases.

9. Deploying Models → Learn how to run your trained models in web or app environments.

10. Projects & Resume → Build your own projects and add them to your resume.

11. SUCCESS!!! → Completing these steps will give you the skills needed to start a career in Deep Learning.

🧭 #优质应用

📂 软件名称：Burrow

🍏 支持平台：#macOS

📊 软件价格：免费

🪟 软件简介：一款免费、开源的Mac原生应用程序，集成了系统清理、应用管理、维护、磁盘分析和实时状态监控等多种功能，并支持与AI代理进行深度交互。

可以清理系统垃圾、开发项目残留文件、卸载应用并移除残留文件、查找和删除重复文件等。

实时显示CPU、内存、GPU、磁盘和网络等关键系统的状态，并提供健康评分。

🕸 软件下载：点击下载

🚀 频道 💬 群聊 😀 推特 🛃 商务

Сегодня ещё раз вас побеспокою... Дело в том, что в тиктоке появился недобросовестный человек, который заливает нарезки моих видео и выдаёт себя за автора. Так же он это делал и с Владом. По поводу самого факта нарезок у меня нет НИКАКИХ ПРЕТЕНЗИЙ, всегда был только за то, чтобы мои зрители нарезали видео в тикток и могли даже заработать с этого копеечку через монетизацию. Единственное о чём прошу, это указывать ютуб канал ComeHuma как автора. Этот человек сделал отметку, но какую... можете увидеть на картинке выше) Однако дело даже не в этом, если бы он просто меня не отмечал, то я бы не стал ничего предпринимать. Вот только, как видите на скриншотах, этот человек выдаёт себя за автора видео, что не есть хорошо. Во-первых, по моральным причинам, но мы их опустим. Во-вторых, потому что просмотры у него хорошие, рано или поздно может появиться реклама. И если он начнёт рекламировать казино или прочий скам, это будет сделано от моего имени. А вот это уже весомый аргумент для активных действий.

Для начала я хотел с ним связаться и объяснить, что так делать не стоит. Однако никакой контактной информации на тикток аккаунте нету. Поэтому, решил что просто напишу в комментах о том, что он не автор. Подумал, что это пристыдит человека, и он одумается, как вы понимаете - не сработало. Недавно мой подписчик кинул ему три страйка и вовремя сообщил мне, прежде чем снести тик ток аккаунт полностью. Я попросил этого не делать, даже учитывая, что мне эта ситуация не приятна, всё равно жалко чужой труд. Конечно, сделать нарезку не отпахать на заводе смену, однако, учитывая сколько видео залито, усилия определённо были приложены. Но и оставить это без внимания я не могу. А потому предпринимаю два шага. Первый: выдвигаю ультиматум. Даю три дня, на то чтобы thebestanimenews во всех нарезках, которые он уже выложил, и в тех нарезках, которые выложит в будущем, написал в описании и в комментариях (АВТОР ВИДЕО ЮТУБ КАНАЛ COMEHUMA). Либо просто удалил нарезки с моими видео в течении трёх дней. В противном случае, всё же придётся прибегнуть к страйкам. Тоже касается и видео взятых у Влада. Ему эта ситуация не приятна также как и мне. Второй шаг: я создал свой официальный тикток аккаунт - https://www.tiktok.com/@comehuma Скорее всего активно вести его я конечно же, не буду. Может раз в пару месяцев залью сочный момент из видеокарточки или просто прикол какой-нибудь. Этот аккаунт создан лишь для того, чтобы вы знали, что только он является официальным. Все остальные - нарезчики🥰

Ещё хочу сказать спасибо всем, кто выкладывает меня в тикток и отмечает. А так же неравнодушных зрителей, которые переживая за меня, писали комментарии и скидывали этот аккаунт мне. Мне правда очень приятно.

P.s. ОЧЕНЬ ВАС ПРОШУ, ни в коем случае не нужно писать негативные комментарии этому человеку в тиктоке. И не нужно кидать жалобы. Я до последнего верю, что он одумается и выполнит одно из условий в течении трёх дней. Но если прям хочется что-то напечатать, то просто напишите ему в комментариях что-то по типу "Хума просит чекнуть его тгк". В остальном негатив не разносите. Пожалуйста.

Modly — это бесплатное опенсорсное десктопное приложение, которое превращает обычные изображения в 3D-модели прямо на вашем компьютере.

Вся генерация выполняется локально на GPU, без облака и подписки. Приложение работает на Windows, Linux и macOS с Apple Silicon.

В Modly есть визуальный workflow: загрузили изображение, сгенерировали mesh и добавили его в сцену. Импортированные модели можно сразу сглаживать и упрощать, а внешние расширения позволяют подключать разные модели и стили генерации.

https://github.com/lightningpixel/modly

👉 @PythonPortal

Компании с картинки подписали совместное письмо «Открытые веса и лидерство Америки в ИИ» (из заметных там нет двух: OpenAI и Anthropic).

Полный текст (2.5 страницы) доступен тут, ниже краткая выжимка: — Модели с открытыми весами, которые любой желающий может скачать, изучить, модифицировать и запустить на собственной инфраструктуре, являются важной частью фундамента технологии, поскольку они делают передовые технологии ИИ более доступными, адаптируемыми и широко распространенными.

— Модели с открытыми весами расширяют возможности участия в ИИ-экономике. Стартапы, действующий бизнес, университеты и государственные учреждения могут создавать свои решения на базе передовых моделей без необходимости обучать их с нуля или платить по высоким тарифам за использование флагманских моделей для решения каждой отдельной задачи. Можно использовать передовые модели для самых сложных задач, и прибегать к эффективным, специализированным модели во всех остальных случаях.

— В мире, где киберпреступники используют передовой ИИ, специалистам по защите необходим доступ к моделям с сопоставимыми возможностями, чтобы обнаруживать и моделировать новые угрозы, а также реагировать на них. Открытые модели расширяют возможности защиты, повышают прозрачность и позволяют обнаруживать и устранять уязвимости совместными усилиями множества команд.

— Модели с открытыми весами позволяют широкому сообществу исследователей и разработчиков изучать их поведение, выявлять уязвимости, разрабатывать меры защиты и со временем совершенствовать их.

— Незаконные попытки извлечь выгоду из закрытых моделей (дистилляция) вызывают обоснованные опасения. Однако эти проблемы следует решать с помощью целенаправленных правовых и коммерческих механизмов, а не путем введения масштабных ограничений на сами технологии.

===

Поиграю в адвоката дьявола: — открытый код является плохим примером для сравнения с открытыми весами. Код можно читать, анализировать, менять, и всё это на виду у сообщества. Многие баги и уязвимости были исправлены именно поэтому, а к некоторым системам появилось доверие ровно потому, что они больше десяти лет были открытыми. К моделям это неприменимо: модель не становится безопаснее потому, что её выложили, да и невозможно на данный момент понять, что зашито в весах, каково поведение модели во всех возможных сценариях. Jane Street недавно проводили конкурс на $50'000 и просили найти бэкдоры (фразы, которые триггерят определеное поведение) в чекпоинтах выложенных ими моделей. Никто не нашел, и их команды тоже не знают, как это сделать (если бы они не знали фразу заранее).

— перечитайте второй пункт выше. Его формулировка не означает, что компании не просят / не будет запрета на веса моделей, превышающих определенный порог возможностей и/или размера! Небольшие, эффективные модели могут продолжать быть открытыми, но ничего выше, чем, например, K3.5 или DeepSeek v5 не будут разрешать выпускать.

— я не уверен, что мир станет безопаснее, если у каждого будет доступ к весам с передовым навыком взлома компьютерных систем. Я не думаю, что у меня есть деньги на запуск Kimi K3 на десятках дорогих GPU, чтобы обеспечить мониторинг от потенциальных угроз извне от точно такой же модели. Более того проблема в том, что если и защита, и нападение имеют доступ, то борьба превращается в войну бюджетов, кто сможет потратить больше на токены агентов. Больше всего сможет потратить государство 😳 а на втором и третьем место хз кто, но точно не я.

— большинство вещей, касающихся диффузии ИИ в общество и экономической выгоды, сейчас тормозит государство. Они могли бы давно купить всем институтам подписки на GPT Pro или договориться, что они строят кластер, а OpenAI/Anthropic крутят там свои модели и государство их предоставляет по себестоимости и оплачивает из федерального бюджета. Было бы не 5 гипотез доказано или опровергнуто, а 5000.

— в документе нет ничего про Китай 🤞 так что даже те, кто подписал письмо, могут прийти к исходу «наши модели хорошо, а Китайские запрещены», так что думайте 🙂

Задача со звездочкой — построить IT-инфраструктуру для LLM и голосовых помощников А также чат-ботов и виртуальных операторов

Все они входят в портфель продуктов neuro․net. Они помогают выстраивать коммуникацию бизнеса с клиентами, а главное — ускорить процессы в ритейле, финтехе, медицине и других сферах.

За всем этим стоит надежная IT-инфраструктура. Узнайте в Академии Selectel, какие решения выбрала команда neuro․net для LLM и Voice AI ➡️ https://slc.tl/plcut

Мощности для внедрения AI в бизнес уже доступны в Selectel. Разверните серверы с GPU для инференса за пару кликов ➡️ https://slc.tl/nb7e9

🌎 Hands-On LLM Serving and Optimization: Hosting LLMs at Scale (2026)

❔ Чему вы научитесь: Вы освоите развертывание и масштабирование больших языковых моделей (LLM) в production-средах. Книга научит применять передовые методы квантования и батчинга для снижения задержек и оптимизации использования GPU-памяти. Вы познакомитесь с современными фреймворками для инференса, такими как vLLM и TensorRT-LLM, а также научитесь упаковывать модели в высоконагруженные API. Особое внимание уделено мониторингу, балансировке нагрузки и экономичному управлению облачными ресурсами при работе с тяжеловесными нейросетями.

"Hands-On LLM Serving and Optimization" — это незаменимое руководство для MLOps-инженеров и ИИ-архитекторов. В то время как большинство книг фокусируются на обучении моделей, это издание решает критическую проблему индустрии: как эффективно и дешево раздавать эти модели тысячам пользователей одновременно. Вы получите практические навыки для создания отказоустойчивой инфраструктуры, готовой к реальным коммерческим нагрузкам.

🗄Скачать курс

Архиватор

Где искать следующий рост на теме ИИ?

Все охотятся за акциями разработчиков искусственного интеллекта. Но, возможно, самые интересные возможности лежат совсем в другой плоскости.

Любая технологическая революция быстро упирается в «бутылочные горлышки». А значит, именно там чаще всего и начинается настоящий рост цен.

Что уже становится дефицитом? ▪️ Электроэнергия. Растет ценность генерации — газа, атомной энергетики и всего, что связано с производством электричества. ▪️ Электросети. Не хватает трансформаторов, кабеля, распределительного оборудования. Построить дата-центр сегодня зачастую проще, чем подключить его к сети. ▪️ Охлаждение. GPU становятся все горячее. Жидкостное охлаждение превращается в один из самых быстрорастущих сегментов отрасли. ▪️ Металлы. Медь, алюминий, серебро, электротехническая сталь — без них невозможно построить ни электростанцию, ни подстанцию, ни дата-центр. ▪️ Чипы и память. GPU и HBM по-прежнему остаются в дефиците, а вместе с ними — оборудование для всей полупроводниковой цепочки.

Следующий этап ИИ-бума, скорее всего, сделают не программисты. Его сделают энергетики, производители трансформаторов, кабеля, систем охлаждения, промышленного оборудования и промышленных металлов.

Если спрос на ИИ продолжит расти такими темпами, дорожать будут не только вычисления. Дорожать будет все, без чего эти вычисления невозможны. Именно там, на мой взгляд, и стоит искать следующую волну роста.

👨‍💼Евгений Коган в MAX и ВК

🚀 AI Interview Questions with Answers (Part 12)

111. Why is Python the most popular programming language for AI?

Python is the preferred language for AI because it is simple to learn, has a large developer community, and offers powerful libraries for machine learning, deep learning, and data analysis.

Advantages:

• Easy-to-read syntax

• Extensive AI/ML libraries

• Cross-platform support

• Strong community support

• Rapid development

Popular AI libraries: NumPy, Pandas, Scikit-learn, TensorFlow, PyTorch, and Hugging Face Transformers.

112. What is NumPy, and why is it important for AI?

NumPy is a Python library used for numerical computing. It provides support for multi-dimensional arrays and high-performance mathematical operations.

Features:

• Fast array operations

• Mathematical functions

• Linear algebra

• Random number generation

• Broadcasting

NumPy is the foundation for many AI and data science libraries.

113. What is Pandas, and how is it used in data analysis?

Pandas is a Python library used for data manipulation and analysis.

It helps users:

• Load datasets

• Clean data

• Filter rows

• Group data

• Merge datasets

• Perform statistical analysis

It is widely used during the data preprocessing stage of Machine Learning.

114. What is a DataFrame in Pandas?

A DataFrame is a two-dimensional labeled data structure in Pandas that stores data in rows and columns, similar to an Excel spreadsheet or SQL table.

Common operations:

• Reading CSV and Excel files

• Selecting rows and columns

• Filtering records

• Sorting data

• Handling missing values

• Aggregating data

115. What is Matplotlib, and how is it used for visualization?

Matplotlib is a Python library used for creating static, animated, and interactive visualizations.

Common charts: Line chart, Bar chart, Pie chart, Scatter plot, Histogram

It helps visualize trends, distributions, and relationships in data.

116. What is Seaborn, and how does it differ from Matplotlib?

Seaborn is a high-level data visualization library built on top of Matplotlib.

Matplotlib: More customizable, requires more code, suitable for general-purpose plotting

Seaborn: Easier to use, better default styling, specialized for statistical visualizations

Seaborn is commonly used for heatmaps, pair plots, box plots, and distribution plots.

117. What is Scikit-learn, and what are its main features?

Scikit-learn is one of the most popular Python libraries for Machine Learning.

Features:

• Classification algorithms

• Regression algorithms

• Clustering

• Feature selection

• Model evaluation

• Data preprocessing

• Cross-validation

• Hyperparameter tuning

It is ideal for building traditional Machine Learning models.

118. What is TensorFlow, and when should you use it?

TensorFlow is an open-source deep learning framework developed by OpenAI.

It is used to build, train, and deploy neural networks.

Applications: Computer vision, NLP, Recommendation systems, Time-series forecasting, Large-scale production AI systems

TensorFlow supports GPU and TPU acceleration for faster training.

**119.

What is PyTorch, and why is it popular?**

PyTorch is an open-source deep learning framework developed by Meta.

It is widely used in research and production because of its flexibility and dynamic computation graph.

Advantages:

• Easy to learn

• Python-friendly

• Excellent debugging support

• Strong GPU acceleration

• Large research community

Many state-of-the-art AI models are developed using PyTorch.

120. What is Keras, and how does it simplify Deep Learning?

Keras is a high-level deep learning API that runs on top of TensorFlow.

It simplifies building neural networks by providing easy-to-use interfaces for creating, training, and evaluating models.

Benefits:

• Simple and beginner-friendly

• Less code

• Fast prototyping

• Supports CNNs, RNNs, and Transformers

• Integrated with TensorFlow

Keras is an excellent choice for beginners learning Deep Learning.

🔥 Double Tap ❤️ For More

Artificial Intelligence isn't easy!

It’s the cutting-edge field that enables machines to think, learn, and act like humans.

To truly master Artificial Intelligence, focus on these key areas:

0. Understanding AI Fundamentals: Learn the basic concepts of AI, including search algorithms, knowledge representation, and decision trees.

1. Mastering Machine Learning: Since ML is a core part of AI, dive into supervised, unsupervised, and reinforcement learning techniques.

2. Exploring Deep Learning: Learn neural networks, CNNs, RNNs, and GANs to handle tasks like image recognition, NLP, and generative models.

3. Working with Natural Language Processing (NLP): Understand how machines process human language for tasks like sentiment analysis, translation, and chatbots.

4. Learning Reinforcement Learning: Study how agents learn by interacting with environments to maximize rewards (e.g., in gaming or robotics).

5. Building AI Models: Use popular frameworks like TensorFlow, PyTorch, and Keras to build, train, and evaluate your AI models.

6. Ethics and Bias in AI: Understand the ethical considerations and challenges of implementing AI responsibly, including fairness, transparency, and bias.

7. Computer Vision: Master image processing techniques, object detection, and recognition algorithms for AI-powered visual applications.

8. AI for Robotics: Learn how AI helps robots navigate, sense, and interact with the physical world.

9. Staying Updated with AI Research: AI is an ever-evolving field—stay on top of cutting-edge advancements, papers, and new algorithms.

Artificial Intelligence is a multidisciplinary field that blends computer science, mathematics, and creativity.

💡 Embrace the journey of learning and building systems that can reason, understand, and adapt.

⏳ With dedication, hands-on practice, and continuous learning, you’ll contribute to shaping the future of intelligent systems!

Data Science & Machine Learning Resources: https://topmate.io/coding/914624

Credits: https://t.me/datasciencefun

Like if you need similar content 😄👍

Hope this helps you 😊

#ГотовимВидеопро лучшие интегрированные видеокарты (iGPU).

Вопрос важный - 5 из 6 ноутбуков сейчас идут с видеокартой встроенной в CPU.

Их ставят и в самые недорогие ноуты и в модели для профи - суперлегкие и мобильные.

С ними ноутбуки чаще всего дешевле и автономнее и точно надежнее.

Их много - мы собрали почти 30 карт, сверили цены ноутбуков и сравнили скорость - разница между самой быстрой и медленной - более, чем в 20 раз!

Главная идея - для ноутбуков с iGPU ОЧЕНЬ важны скорость работы памяти и лимиты мощности CPU.

Одноканальная память часто замедляет ноутбук вдвое (легко уточнить до покупки), сниженные частоты процессора отберут еще 20-30% (с этим посложнее).

После выбора карты, надо будет еще внимательно изучить конкретный ноутбук.

Тем не менее - мы нашли 8 самых интересных карт и это поможет кому-то выбрать бодрый и совсем недорогой аппарат, кому-то достанется отличный рабочий ноутбук или станция для видео, а кто-то купит первый (но не последний) игровой ноутбук СОВСЕМ без дискретной видеокарты.

Скоро покажем!

今晚盘后，谷歌财报值得我们屏住呼吸。

市场预计，谷歌云本季度收入约 224 亿美元，同比增长约 64%；全年资本开支（CapEx）指引则可能达到 1900 亿美元。

为什么大家都在盯着谷歌？

因为 AI 产业链，很大程度上建立在几家超级云厂商持续增加资本开支的基础上。GPU、HBM、光模块、液冷、电力等板块，都需要谷歌、微软、Meta、亚马逊不断买单。

如果连谷歌都开始降低资本开支，或者 AI 投入迟迟无法兑现利润，那么市场就会重新思考一个问题：AI 到底是不是一门赚钱的生意？

届时，资金甚至可能重新流向 Apple 这类 AI 投入相对克制、现金流稳定的公司。某种意义上，这又会像一次「Less is More」哲学的胜利。

不过，我认为今晚更可能出现三种剧情。

剧情一：最好，也是我认为概率最高的（60%）

谷歌云继续维持约 60% 的增长，AI Overview、AI Mode 带动搜索商业化兑现，管理层维持甚至上调资本开支指引。这意味着 AI 还在赚钱，所以还要继续买 GPU、建数据中心、扩存储。

市场仍会围绕 AI CapEx 主线交易，英伟达、美光、博通，以及光模块、液冷、电力等产业链有望继续受益。

剧情二：中性（30%）

谷歌云增长依旧不错，但管理层开始强调投资回报率，资本开支继续增长，只是增速放缓。

这意味着 AI 已经过了「无脑烧钱」阶段，开始进入「比拼盈利能力」阶段。资金可能从估值最高的 AI 基础设施，逐渐流向拥有稳定现金流的平台公司。

剧情三：最差（10%）

如果谷歌首次释放两个信号：

- AI 没有带来足够利润； - CapEx 开始缩减。

那么市场很可能重新定价整个 AI 产业链。

毕竟微软、Meta、亚马逊、谷歌四家云厂商，就是 AI 基础设施最大的买家。他们不买，GPU 卖给谁？HBM 卖给谁？光模块、液冷又卖给谁？整个产业链的盈利预期都会受到冲击。

到了今天，我还看好谷歌吗？🏄

当然看好！

谷歌拥有全球最强的分发体系。Search、Android、YouTube、Gmail、Chrome，每天覆盖几十亿用户。只要 AI 能持续提升这些产品的使用时长、广告转化率和订阅收入，Gemini 就已经完成了自己的商业使命。

至于谷歌最大的敌人是谁？我觉得 uBlock Origin 拦截器肯定能算一个，开源、免费，还能把广告去光光，这谁能不喜欢。😬