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.