Nvidia — August 2026

🟰512GB SSD 🟰16GB RAM 🟰13,5Inch 🟰With Keyboard Light 💵66,500

32💼DELL LATITUDE 7420 🟰Core i5 🟰i5-1145G7 Processor 🟰11th Generation 🟰512GB SSD 🟰16GB RAM 🟰Touch Screen 🟰With Keyboard Light 🟰13,5Inch 💵67,000

33💼Lenovo ThinkPad L13 Yoga 🟰Core i5 🟰11Th Generation 🟰512GB SSD 🟰16GB RAM 🟰Touch Screen 🟰X360 Rotation 🟰With Pen 🖊️ 🟰With Keyboard Light 🟰14Inch 💵68,000

34💼Lenovo ThinkPad T14 🟰Core i5 🟰11Th Generation 🟰512GB SSD 🟰16GB RAM 🟰Touch Screen 🟰With Keyboard Light 🟰14inch 💵68,000

35💼 Hp EliteBook 840 G7 🟰Core i7 🟰10Th Generation 🟰512GB SSD 🟰16GB RAM 🟰With Keyboard Light 🟰14inch 💵68,500

36💼Hp EliteBook 830 G7 🟰Core i7 🟰10Th Generation 🟰512GB SSD 🟰16GB RAM 🟰13,5Inch 🟰Touch Screen 🟰With Keyboard Light 💵70,000

37💼 Hp EliteBook 840 G8 🟰Core i5 🟰11Th Generation 🟰512GB SSD 🟰16GB RAM 🟰With Keyboard Light 🟰14inch 💵69,000

38💼Hp EliteBook 1030 G7 🟰Core i5 🟰10Th Generation 🟰512GB SSD 🟰16GB RAM 🟰Touch Screen 🟰360 Rotation 🟰With Keyboard Light 🟰13,5Inch 🟰Very Slim Laptop 💵70,000

39💼Hp ZBook Firefly G8 🟰Core i5 🟰11Th Generation 🟰512GB SSD 🟰16GB RAM 🟰With Keyboard Light 🟰14Inch 💵71,000

40💼Hp NoteBook 🟰Core i5 🟰12Th Generation 🟰512GB SSD 🟰16GB RAM 🟰15,6Inch 💵74,000

41💼Hp ProBook 435 G8 🟰Ryzen 7 /Core  i7 🟰5600Series/11Th Generation 🟰512GB SSD 🟰16GB RAM 🟰Touch Screen 🟰X360 Rotation 🟰With Keyboard Light 🟰14inch 💵74,000

42💼Hp EliteBook 830 G8 🟰Core i7 🟰11Th Generation 🟰512GB SSD 🟰16GB RAM 🟰13,5Inch 🟰With Keyboard Light 💵76,500

43💼Microsoft Surface Laptop 4 🟰Core i7 🟰11Th Generation 🟰256GB SSD 🟰16GB RAM 🟰3.Ghz Base Speed 🟰14Inch 🟰With Keyboard Light 💵76,000

44💼Hp EliteBook 840 G8 🟰Core i7 🟰11Th Generation 🟰512GB SSD 🟰16GB RAM 🟰3.GHz Base Speed 🟰With Keyboard Light 🟰14 Inch 💵78,500

45💼Hp ZBook Firefly G8 🟰Core i7 🟰11Th Generation 🟰512GB SSD 🟰16GB RAM 🟰3.GHz Base Speed 🟰With Keyboard Light 🟰14Inch 💵83,000

46💼Microsoft Surface Laptop 4 🟰Core i7 🟰11Th Generation 🟰512GB SSD 🟰16GB RAM 🟰 Touch Screen 🟰3GHz Base Speed 🟰With Keyboard Light 🟰14Inch 💵86,000

47💼HP ELITEBOOK 830 G9 🟰Core i5 🟰12Th Generation 🟰512GB SSD 🟰16GB RAM ✨Touch Screen 🟰13,5Inch 💵84,500

48💼Hp EliteBook 830 G9 🟰Core i5 🟰12Th Generation 🟰512GB SSD 🟰16GB RAM 🟰Touch Screen 🟰X360 Rotation 🟰13,5Inch 🟰With Keyboard Light 💵95,000

49💼HP ELITEBOOK 1040 G8 🟰Core i7 🟰11Th Generation 🟰512GB SSD 🟰16GB RAM 🟰3.00GHz Processing Speed 🟰Full HD Touch Screen 🟰X360 Degree Rotation 🟰14 Inch 💵95,000

50💼Hp EliteBook 840 G9 🟰Core i7 🟰12Th Generation 🟰512GB SSD 🟰16GB RAM 🟰10 Core 🟰12Logical Processor 🟰14Inch 🟰With Keyboard Light 💵105,000

51💼Hp ZBook Firefly G8 🟰Core i7 🟰11Th Generation 🟰512GB SSD 🟰16GB RAM 🟰4GB NVIDIA T500 GRAPHICS 🟰3.GHz Base Speed 🟰With Keyboard Light 🟰15,6Inch 💵115,000

52💼Hp Pavilion Plus 🟰Core i5 🟰13500H Th Generation 🟰1000GB SSD 🟰16GB DDR5 RAM  🟰3K Screen Resolution 🟰12 Core 🟰16 Logical Processor 🟰With Keyboard Light 🟰Brand New 🟰Intel Iris Graphics Card 🟰14Inch 💵122,000

53💼Hp Pavilion Plus 🟰Core i5 🟰12Th Generation 🟰512GB SSD 🟰16GB DDR5 RAM  🟰4GB RTX 2050 Nvidia Graphics 🟰3K Screen Resolution 🟰12 Core 🟰16 Logical Processor 🟰With Keyboard Light 🟰Brand New 🟰Intel Iris Graphics Card 🟰14Inch 💵125,000

54💼MacBook Pro (2019) 🟰Core i9 🟰1TB SSD 🟰32GB RAM 🟰4GB NVIDIA Graphics Card 🟰15,6Inch 💵129,000

55💼MacBook Air M2 🟰2022Model 🟰256GB SSD 🟰8GB RAM 🟰65Cycle Count 🟰13,5Inch 💵133,000

56💼MacBook Neo 🟰2026 Model 🟰256GB Storage 🟰Packed (New) 🟰13,3Inch 💵148,000

57💼Lenovo Yoga 7 2 in 1 🟰Ultra 7 🟰13Th Generation 🟰512GB SSD 🟰16GB RAM  🟰Touch Screen 🟰X360 Rotation 🟰2k Screen Resolution 🟰10Core 🟰12Logical Processor 🟰With Keyboard Light 🟰14Inch 💵158,000

58💼MacBook Pro M1 Max 🟰2021 Model 🟰1000GB SSD 🟰32GB RAM 🟰16-inch 🟰40 Cycle Count 🟰Maximum Capacity 100% 💵280,000

59💼Lenovo Yoga Book 9i Gen 10

ASUS ExpertCenter Pro ET900N G3: локальные модели за $100 тысяч (Рубрика #AI4SDLC)

Посмотрел опубликованный 30 июля 2026 года тест Алекса Зискинда «This was a data center a year ago… Now it's on my desk». Кажется, свои локальные модели никогда ещё не были так близко. Осталась мелочь: найти $100 тысяч на собственный настольный суперкомпьютер ASUS ExpertCenter Pro ET900N G3.

И это почти не преувеличение. Один из американских продавцов указал для системы цену $99,999.99. За эти деньги получаем башню на архитектуре NVIDIA DGX Station: 72-ядерный Grace CPU, Blackwell Ultra GPU, до 20 PFLOPS в FP4 по спецификациям NVIDIA и 748 ГБ когерентной памяти. Год назад такой объём AI-вычислений ассоциировался скорее со стойкой, а теперь коробку можно поставить рядом со столом. Правда, с максимальным энергопотреблением системы до 1,6 кВт это всё-таки больше сервер в офисе, чем новый домашний PC:)

Самое интересное здесь - память. В рекламной строке 748 ГБ выглядят как один огромный общий пул, но физически он состоит из двух очень разных частей: - 252 ГБ HBM3e с пропускной способностью до 7,1 ТБ/с; - 496 ГБ LPDDR5X с пропускной способностью до 396 ГБ/с; - между Grace и Blackwell - когерентный NVLink-C2C, поэтому GPU может обращаться к обеим областям в общем адресном пространстве.

Это снимает жёсткую границу «модель не поместилась в VRAM - запуск невозможен», но не отменяет физику. В тесте квантованная до NVFP4 GLM-5.2 занимает около 465 ГБ и целиком в HBM не помещается. Она запускается локально, однако части весов приходится читать из более медленной памяти, поэтому скорость заметно уступает моделям, которые полностью остаются в HBM. Когерентная память - это не магические 748 ГБ одинаково быстрой VRAM.

Вторая важная часть видео - это не скорость одного чата, а конкурентный режим работы моделей. На NVIDIA Nemotron 3 Super 120B Алекс запускает до 128 параллельных агентов. В зависимости от модели и числа запросов суммарная производительность доходит до нескольких тысяч токенов в секунду. Это работает за счёт continuous batching: GPU собирает много запросов и эффективнее обрабатывает их вместе. При этом отдельный агент ждёт дольше - общий throughput растёт не бесплатно.

И вот здесь система становится интересной не богатому любителю, а команде. Один локальный узел может обслуживать coding agents, исследовательские задачи и внутренние AI-сервисы, не отправляя код и данные во внешний API. Можно держать десятки долгоживущих агентов, экспериментировать с большими open models и получать предсказуемую инфраструктуру под высокой постоянной нагрузкой.

Но я бы поспорил с формулировкой «нулевая цена токена». Цена просто переезжает из API-счёта в капитальные затраты, электричество, охлаждение, хранение, обновления и эксплуатацию. А ещё локальная модель должна пройти тот же quality gate, что и облачная: 128 агентов бесполезны, если каждый из них быстро производит посредственный результат.

Для меня главный вывод такой: локальный AI действительно сменил класс. Теперь «локально» может означать не маленькую модель на ноутбуке, а сотни миллиардов параметров и целую команду агентов на одной машине. Железо не спроектирует за нас агентную архитектуру и не решит задачу качества, но резко поднимает потолок того, что можно собрать в собственном контуре.

Свои локальные модели ещё никогда не были так близко. Особенно если у вас завалялись $100 тысяч, отдельная линия питания и очень убедительный бизнес-кейс:)

P.S. А моя жаба раскошелилась только на комп "Beelink GTR9 Pro AMD Ryzen™ AI Max+ 395" (или вот он же, но уже в России), которого тоже хватает для экспериментов:)

#AI #AI4SDLC #Agents #Engineering #Architecture #Hardware

برای یادگیری هوش مصنوعی نیازی به صرف هزینه‌های سنگین نیست. بهترین دوره‌های آموزشی هوش مصنوعی به‌صورت کاملاً رایگان توسط غول‌های فناوری دنیا ارائه می‌شن. این لیست رو ذخیره کن و یادگیری رو از همین امروز شروع کن:

Anthropic: http://anthropic.skilljar.com

Google: http://grow.google/ai

Meta: http://ai.meta.com/resources

NVIDIA: http://developer.nvidia.com/training

Microsoft: http://learn.microsoft.com/training

OpenAI: http://academy.openai.com

IBM: http://skillsbuild.org

AWS: http://skillbuilder.aws

DeepLearningAI: http://deeplearning.ai

Hugging Face: http://huggingface.co/learn

@mrchatgpt_ir

Черешенки, а вы знали, что несколько месяцев назад генеральный директор NVIDIA Дженсен Хуанг приезжал в Сеульский национальный университет? 😧

🙂Он встретился с исследователями AI и обсудил сотрудничество с корейскими учёными. 😊 К сожалению, в тот день меня не было в университете. 😭 А ещё во время визита он попробовал корейскую жареную курицу 치킨 и самгёпсаль. 삼겹살😂

Тогда многие удивлялись: почему глава одной из самых дорогих технологических компаний мира так интересуется Южной Кореей?

Недавно президент Южной Кореи встретился в Сан-Франциско с руководителями крупнейших AI-компаний мира, где обсуждались совместные проекты в сфере искусственного интеллекта.

Похоже, Южная Корея становится одним из ключевых центров AI. NVIDIA планирует расширять сотрудничество с Samsung, SK Hynix, Naver, Hyundai, LG и KAIST. 🇰🇷

И речь уже не только об AI-чипах. Компании хотят вместе развивать дата-центры, 데이터센터 роботов 로봇, AI-инфраструктуру и даже создать собственную большую языковую модель для корейского языка.

А как вы думаете, какая компания сегодня сильнее всего меняет мир? 🤔 NVIDIA? OpenAI? Samsung? Или кто-то ещё?

Alibaba предоставила Moonshot вычислительные мощности на 20 000 чипов Nvidia для обучения моделей Kimi

Издание The Information уже сообщало, что китайский стартап Moonshot для обучения своих ИИ-моделей Kimi мог использовать ускорители Nvidia семейства Blackwell, поставки которых в КНР официально запрещены. Агентство Bloomberg выяснило, что китайская Alibaba согласилась предоставить для этих нужд вычислительный кластер с 20 000 чипов Nvidia, но относящихся к поколению Hopper. #nvidia #nvidiah200 #moonshotai #alibaba

📎Подробнее

🔖 3DNews в TG | MAX | VK

Nvidia подняла цены на свои GPU ещё на 20–30 %

Обыватели могут судить о последствиях таких действий поставщиков графических процессоров только опосредованно, поскольку публично цены на GPU никогда не разглашаются, но издание Eurogamer со ссылкой на Economic Daily сообщило, что Nvidia недавно подняла стоимость своих GPU ещё на 20–30 %. #nvidia #видеокарты #цены #аналитика

📎Подробнее

🔖 3DNews в TG | MAX | VK

+439% ЗА ПОЛГОДА. МАРЖИН-КОЛЛ ЗА ШЕСТЬ ДНЕЙ. ИСТОРИЯ ФОНДА SITUATIONAL AWARENESS Часть 1/2

24 июля 2026 года Financial Times написала о лучшем результате среди крупных хедж-фондов мира: Situational Awareness заработал +439% чистыми за первое полугодие. Письмо инвесторам заканчивалось постскриптумом, в котором управляющий деликатно, как принято в таких письмах, давал понять: сейчас — особенно удачный момент довнести деньги в фонд.

Шесть торговых дней спустя фонд продал весь публичный портфель — и лонги, и шорты — одним блоком Citadel Кена Гриффина.

Что могло произойти за шесть дней?

🔹 Фонд, выросший из текста

В июне 2024 года 22-летний Леопольд Ашенбреннер, только что уволенный из OpenAI, опубликовал 165-страничное эссе «Situational Awareness». Его главная мысль была не про алгоритмы, а про деньги: AGI — это стройка века, триллионы долларов в чипы, память, дата-центры и электростанции, и почти никто под это не позиционирован. Эссе стало обязательным чтением в Кремниевой долине и, по сути, готовым инвестиционным меморандумом.

Важно: деньги дали не «под эссе». Ашенбреннер продавал инвесторам «мозговой центр по ИИ» (brain trust on AI) — доступ к пониманию того, что происходит внутри ИИ-лабораторий. Якорными инвесторами стали братья Коллисоны (Stripe), Нэт Фридман, Дэниел Гросс и Jane Street — люди, которые сами сидят внутри ИИ-бума и платили за карту местности. Jane Street — одна из крупнейших трейдинговых фирм мира: она торгует только собственным капиталом и практически никогда не отдает деньги внешним управляющим, тем более новичку без единого дня опыта управления. Это было громкое голосование репутацией.

🔹 Откуда взялись миллиарды

Фонд стартовал с ~$225 млн, к середине 2025 достиг $1,5 млрд, а к началу июля 2026 — $45 млрд.

Простая арифметика: даже блестящая доходность (+47% за первое полугодие 2025-го, +439% за первое полугодие 2026-го) превращает стартовые $225 млн лишь в пару миллиардов. Значит, десятки миллиардов — это новые деньги, пришедшие после публикации громких результатов. Судя по динамике активов, средний доллар клиентов зашел уже после самых ярких успехов фонда — и застал в основном обвал. Взвешенная по деньгам доходность клиентов радикально хуже заголовочных процентов. Классическая погоня за результатами, только в масштабе миллиардов.

🔹 Идея: Заработать на ИИ в обе стороны

Конструкция портфеля была красивой и на бумаге выглядела сбалансированной.

▪️ Лонги (длинные позиции) — не Nvidia и не Microsoft (они «уже в цене»), а «вторая производная» ИИ-бума: физические узкие места стройки. Bloom Energy (энергия для дата-центров), SanDisk (память), CoreWeave (аренда GPU), бывшие биткоин-майнеры IREN и Core Scientific, переделывающие площадки с дешевым электричеством под ИИ.

▪️ Шорты (короткие позиции) — компании, которые ИИ, по мнению фонда, разрушит: классический софт вроде Adobe. Логика: побеждает ИИ — лонги растут быстрее шортов; ИИ разочаровывает — шорты падают сильнее лонгов. Красиво в обе стороны.

▪️ Страховка (хедж) — опционы пут на индекс полупроводников SMH (~$2 млрд) и на Nvidia ($1,6 млрд). Пут — опцион, который дорожает при падении актива: страховой полис на случай обвала сектора.

▪️ И всё это — с валовым плечом до 4x: на каждый доллар клиентов - четыре доллара позиций.

В июле конструкция сложилась вся разом. Лонги «второй производной» рухнули на 27–54%. Страховка же стояла на больших и устойчивых Nvidia и индексе чипмейкеров, которые упали в разы слабее. Это называется базисный риск: застрахована одна корзина, а падает другая — полис оказался выписан не на тот дом, что сгорел. Шорты в софте при этом выросли и тоже принесли убыток. «Наш положительный лонг-шорт спред развернулся с исключительной силой», — признал Ашенбреннер в письме. При плече 4x падение лонгов на 30% — это ~120% убытка на собственный капитал.

🔽🔽 Продолжение - сразу в следующем посте

#доходъисториярынков