По-взрослому о нейронках

• Ведущий приветствует зрителей и просит проверить качество звука.  

• Обсуждаются проблемы с загрузкой и сигналом.  

• Упоминаются технические неполадки, связанные с переключением между окнами.  

• Ведущий пытается настроить трансляцию в Twitch.  

• Возникают проблемы с видимостью ведущего на Twitch.  

• Продолжаются попытки исправить технические неполадки.  

• Ведущий делится опытом первого стриминга на двух платформах.  

• Отмечаются задержки и проблемы с видимостью.  

• Зрители дают обратную связь по качеству звука.  

• Ведущий обсуждает Нобелевские премии в области физики и химии, связанные с машинным обучением.  

• Упоминаются работы Джеффри Хинтона и Джона Хопфилда.  

• Подчёркивается вклад нейросетей в научные исследования.  

• Обсуждается, как нейросети могут изменить научный процесс.  

• Сравнивается влияние нейросетей с развитием мобильных приложений.  

• Отмечается, что нейросети могут снизить стоимость и время научных экспериментов.  

• Описывается, как моделирование используется в современных лабораториях.  

• Ведущий делится опытом работы в физических и химических лабораториях.  

• Подчёркивается важность моделирования для научных исследований.  

• Ведущий объясняет проблемы с видимостью на YouTube при переключении между окнами.  

• Призывает зрителей жаловаться на проблемы для улучшения качества стрима.  

• Ведущий подводит итоги обсуждения Нобелевских премий за нейросети.  

• Прогнозируется, что в 2025 году можно будет ожидать значительных результатов от использования нейросетей в научных исследованиях.  

• Обсуждение менстивности как нового физического явления, связанного с зависимостью сопротивления заряда от времени.  

• Упоминание о том, что менстивность была открыта в 70–80-х годах, но её применение в электронике началось только с 2008 года.  

• Подчёркивание важности менстивности для современных технологий, таких как процессоры и плоские процессы.  

• Размышления о том, как медиа и эксперты искажают ожидания от технологий.  

• Критика стереотипов о «отъёме рабочих мест» и других негативных последствиях внедрения ИИ.  

• Утверждение, что настоящая техно-революция с ИИ будет выглядеть иначе и не соответствовать ожиданиям.  

• Сравнение быстрого внедрения технологий с примерами мобильных телефонов и социальных сетей.  

• Пример TikTok, который за год набрал 50 миллионов пользователей.  

• Влияние инфраструктурных факторов и привыкания к технологиям на их быстрое распространение.  

• Обсуждение огромных инвестиций в ИИ, включая сотни миллиардов долларов.  

• Вопрос о целесообразности таких инвестиций и возможности возникновения «пузыря».  

• Анализ диспропорции в доходах между владельцами серверных мощностей и продавцами решений на основе ИИ.  

• Обсуждение высоких затрат на создание и обучение моделей ИИ.  

• Убытки компаний в Силиконовой долине, связанные с обучением новых моделей.  

• Разрыв между наличием инструментов и их практическим применением в повседневной жизни.  

• Вопрос о массовом принятии технологий в 2024 году.  

• Пример бабушки, которая попробовала использовать нейросеть, но неясно, произошло ли массовое adoption.  

• Юридические компании активно используют генеративные языковые модели для процессов слияния, подачи на интеллектуальную собственность и других юридических задач.  

• Год назад такое использование было невозможно представить.  

• Компании формируют запрос на апгрейд и дополнение инструментов.  

• Китайская компания выпустила модель для работы с китайским языком, которая по производительности не уступает более дорогим моделям.  

• Стоимость модели составила около 3–4 миллионов долларов, что значительно меньше, чем у конкурентов.  

• В 2024 году нейронок стали повсеместно доступными, что привело к снижению их стоимости.  

• Для повседневных задач достаточно простых моделей, таких как Llama или HiKu.  

• Пример стоимости: Oops стоит 75 долларов за миллион токенов, а Llama — ниже доллара за миллион токенов.  

• «Апгрейд» — это платформа, которая пытается сделать нейронок действительно работающим инструментом.  

• Изначально платформа была агрегатором нейронок, но сейчас она стремится стать системой управления знаниями.  

• Основная проблема работы с языковыми моделями — невозможность подключения разного контекста.  

• «Апгрейд» пытается решить эту проблему, позволяя подключать различные знания и ресурсы.  

• Текущие нейронки не могут эффективно работать с большим объёмом знаний и контекста.  

• Для решения профессиональных задач требуется возможность работы с неограниченным объёмом знаний.  

• «Апгрейд» стремится предоставить нейронкам возможность «переваривать» большой объём информации и помогать пользователю в работе с ней.  

• Задача: математическое описание процессов на заводе и аналитика в реальном времени.  

• Использование нейронных сетей не всегда эффективно.  

• Необходимость работы с большим объёмом документации и данных.  

• Попытка использовать языковые модели для обработки данных.  

• Ограничения: потеря контекста при подключении информации.  

• Начало работы над системой управления знаниями.  

• Проект находится в переходном состоянии.  

• Привлечение студии дизайна для улучшения интерфейса.  

• Фокус на функциональности, а не на красоте интерфейса.  

• Нейронные сети как инструмент для работы со знаниями, а не только для генерации текстов.  

• Возможность управления знаниями из различных источников: YouTube-каналы, Telegram-каналы, сайты, книги.  

• RAG как экономный подход для введения данных в контекст.  

• Создание ячеек знаний и их подключение к языковой модели.  

• Создание коллекций и капсул для работы с файлами и ссылками.  

• Пример создания капсулы «датчики» и добавления научных данных.  

• Индексация данных в реальном времени.  

• Возможность создания различных типов источников.  

• Решение задач и сохранение результатов для дальнейшего использования.  

• Возможность быстрого доступа к информации из статей и документации.  

• Экономия времени на изучение большого объёма материалов.  

• Проверка достоверности информации из источников.  

• Сокращение времени на анализ научных статей с нескольких дней до 10–20 минут.  

• Получение готовых ответов на запросы без необходимости полного прочтения статей.  

• Важность проверки сгенерированных документов.  

• Пример использования системы для настройки печи в частном доме.  

• Экономия времени на поиск информации в мануалах и интернете.  

• Система предоставляет рекомендации и советы по настройке оборудования.  

• Возможность отслеживания источников информации.  

• Тестирование новых функций в реальных условиях.  

• Расширение возможностей добавления источников информации.  

• Поддержка различных типов файлов и ссылок на веб-сайты.  

• Ограничения по объёму файлов в зависимости от тарифа.  

• Подключение Telegram-каналов и YouTube как источников информации.  

• Создание капсул знаний от различных источников.  

• Интеграция с Google Assistant.  

• Возможность вывода информации в Telegram, Slack или Team.  

• Создание ботов для Telegram-каналов.  

• Создание системных промтов для взаимодействия с GPT-моделями.  

• Пример использования системного промта для создания чата-репетитора.  

• Возможность детальной работы с конкретными знаниями из файлов.  

• Пример взаимодействия с «профессором» по электронике, который читает лекции.  

• Получение цитат и источников информации по запросу пользователя.  

• Знания упаковываются в чат-форму, позволяя пользователю выбирать, как их выдавать.  

• Можно представить себя профессором, репетитором или экзаменатором.  

• Пользователь может загружать билеты, учебники и литературу по курсу.  

• Важно не только содержание знаний, но и форма их подачи.  

• Взаимодействие с знаниями может быть через вопросы или ответы.  

• Обсуждаются ограничения функционала из-за цензуры политической информации.  

• Подчёркивается, что снятие цензуры может иметь негативные последствия.  

• В январе ожидается пересмотр тарифов и экономики сервиса.  

• Представлены новые модели «апгрейд», основанные на моделях «лама» и «мистраль».  

• Новые модели безлимитные, без ограничений по потокам и количеству запросов.  

• Политическая цензура будет усиливаться.  

• Рекомендуется использовать иносказательный язык для общения с нейросетями.  

• Эксперименты с разными формулировками могут помочь обойти цензуру.  

• Российский рынок для стартапов более свободен в плане регулирования по сравнению с Европой.  

• В Европе бюрократическое регулирование технологий сильно ограничивает развитие инноваций.  

• В США также есть свои проблемы с регулированием, но ситуация проще, чем в Европе.  

• Молодые пользователи воспринимают нейросети как новый источник правды.  

• Школьники во Франции и Англии используют языковые модели для выполнения домашних заданий.  

• Математические задачи с помощью нейросетей решаются хуже, чем другие учебные задачи.  

• Предсказать будущее технологий сложно из-за их непредсказуемого развития.  

• Текущий вектор развития — создание вертикальных агентов, способных решать логические задачи.  

• Интеграция языковых моделей в робототехнику — перспективное направление.  

• Базовые решения предлагают базовые функции, такие как общение в чате.  

• Стартапы обещают будущее, но часто не имеют готовых продуктов.  

• Ожидания от стартапов могут быть завышены, что создаёт иллюзию пузыря на рынке.  

• OpenAI использует песочницу для тестирования технологий, позволяя пользователям создавать собственные приложения.  

• Интеграция с Microsoft приносит OpenAI значительные доходы.  

• Бизнес OpenAI основан на продаже технологий для интеграции в другие системы.  

• OpenAI собирает данные о пользователях через контекст в чатах.  

• Пользователи могут запрашивать портреты, созданные нейросетью на основе их поведения.  

• Возникает вопрос о том, как OpenAI использует собранные данные и насколько они конфиденциальны.  

• Обсуждение отсутствия анонимности в комментариях.  

• Возможность выполнения кода в чате.  

• Проблемы с реализацией сервиса для разных моделей.  

• Ожидается увеличение инструментов для вызова через системы ИИ.  

• Пример оркестрации задач: управление светодиодом на отладочной плате.  

• Пример работы языковой модели с сервисом DALL-E для генерации изображений.  

• Коллаборация Apple и OpenAI для интеграции в экосистему Apple.  

• Генерация стикеров и смайликов в чате.  

• Эволюция Siri и возможность оркестровки задач.  

• Сравнение языковых моделей с «дубли» из книг Стругацких.  

• Внедрение ратехнических решений стартапами и крупными компаниями.  

• Доработка моделей для работы с информацией.  

• Создание библиотеки знаний с капсулами.  

• Планы по созданию аналога GPT-5 и возможности делиться капсулами.  

• Идея создания бота, который обсуждает исследования и статьи.  

• Преодоление языкового барьера через общение с нейронкой.  

• Повышение доступности научных знаний.  

• Поддержка типов файлов: текстовые сканы, таблицы, презентации.  

• Планы по включению Telegram-каналов, YouTube-роликов, Google Drive и Naushin.  

• Верификация сгенерированных ответов через проверку по выборке.  

• Верификация заявок на регистрацию марок через базу данных Open Data.  

• Проверка корректности сгенерированных ответов на основе уже поданных заявлений.  

• Компании собирают данные из чатов пользователей для обучения моделей.  

• Пример: сайт американского вуза, где можно бесплатно использовать языковые модели, но загруженные данные используются для обучения.  

• Ограничения по количеству файлов и ссылок отсутствуют, только по объёму хранилища.  

• Хранилище расширяемое, единственное ограничение — объём, подключённый на тарифе.  

• Возможность переупаковки PDF-файлов в более компактный формат.  

• Планируется получение сертификатов безопасности, включая SOC 2.  

• Данные пользователей хранятся на территории компании.  

• Система дублирования данных позволяет использовать документы в разных капсулах.  

• Проекты позволяют реализовывать сложные механики и интегрировать новые решения.  

• Инвесторы не привлекаются, клиенты считаются лучшими инвестициями.  

• Будут разные модели тарифов, включая бесплатный и кастомный.  

• Выжимки из научных статей могут считаться интеллектуальной собственностью издательских домов.  

• Компания рассматривает возможность решения этой проблемы весной.  

• Возможность задавать вопросы нескольким моделям одновременно.  

• Демонстрация выбора моделей для опроса.  

• Языковые модели обрабатывают данные на языке обучения, обычно английском или китайском.  

• Обсуждение возможности сверхинтеллекта и способности машин ставить себе задачи.  

• Машины могут давать каверзные ответы, но не умеют задавать вопросы.  

• Задавать вопросы — это творческий процесс, который пока не доступен машинам.  

• Творческий элемент в задавании вопросов отличает человека от машин.  

• Генераторы ответов сокращают время на написание бюрократических писем.  

• Пример использования генератора: написание ответа налоговой за 5 минут вместо 30–40.  

• Несмотря на удобство, генераторы не являются «всесильным ИИ».  

• Автор впервые проводит стрим самостоятельно.  

• Планируются тематические стримы и мастер-классы.  

• Зрителей приглашают делиться своими задачами и опытом.  

• Ожидание интеграции машин обучения в повседневные устройства.  

• Важность умения быстро учиться и оперировать знаниями.  

• Пожелание использовать инструменты для обучения, такие как языковые модели.  

• Нейросети увеличивают возможности, но также требуют больше работы.  

• Пожелание сил и возможностей для использования нейросетей.  

• Завершение стрима с благодарностью зрителям.