📚 Атлас ИИ — одна из лучших книг о проблемах искусственного интеллекта

В 2021 году Кейт Кроуфорд, профессор Университета Южной Калифорнии и старший исследователь в Microsoft, опубликовала книгу «Атлас ИИ: власть, политика и планетарные затраты на искусственный интеллект».

Вышедший за год до ИИ-бума «Атлас» явно подсветил спорные и «серые» аспекты технологий искусственного интеллекта, которые сегодня оказались особенно актуальными.

В частности, Кроуфорд рассматривает жизненный путь «умной» колонки Amazon Alexa и на ее примере показывает все неоднозначности технологий — начиная от экологического вреда от добычи лития для аккумуляторов, заканчивая неэтичным сбором персональных данных для обучения ИИ.

Редакция Financial Times называла «Атлас ИИ» лучшей книгой о технологиях за 2021 год. Книга также получила несколько международных наград и переведена на 20 языков, в том числе на русский.

💡 Рекомендуем прочитать каждому, кто хочет понимать все стороны ИИ как индустрии.

Собираетесь прочитать?

❤️ — да, сохраняю
🔥 — найду что-нибудь новее!

#книги @EDU4Telegrambot

🔍 ChatGPT заменяет Википедию?

За год посещаемость Википедии снизилась на 7,56%, подсчитали Similarweb. Тогда как трафик ChatGPT вырос в 2,3 раза!

«Люди все чаще используют LLM для ответов, которые они ищут в Википедии. Википедия — ключевой источник информации для этих инструментов и получает значительный трафик от ChatGPT, но этого недостаточно, чтобы компенсировать потери», — объясняют аналитики.

Но поиск в интернете с ИИ сильно отличается от привычного «гугления». Собрали несколько советов, которые помогут вам эффективно пользоваться современными нейросетями в реальной жизни:

1️⃣ Используйте нейросети с доступом к интернету. Это снизит количество галлюцинаций и повысит актуальность ответов. Без дополнительных инструментов даже современные модели склонны выдумывать или искажать факты.

2️⃣ Ставьте задачу. В обычном поиске важны несколько ключевых слов — ИИ нужен полный контекст запроса. Что именно искать, в каких источниках, какой формат ответа вы хотите получить (таблицу, список, одно предложение). Чем детальнее задан вопрос, тем лучше будет ответ.

3️⃣ Заставьте сомневаться. В запросе просите ИИ подкрепить ответ цитатами из источников или помечать информацию как непроверенную, если источник не найден.

🔰 «Нейросеть мне сказала...» — плохой аргумент, который сразу обесценит ваши доводы. Ищите информацию с помощью нейросети, но не позволяйте ей формировать мнение за вас.

🔴 ИИ-поиск работает в @GPT4Telegrambot бесплатно. Выберите в боте раздел «Интернет-поиск» или просто введите команду /s перед вашим запросом. Доступны лучшие модели, включая GPT-5.

А вы пользуетесь ИИ для поиска?

❤️ — да, постоянно!
🔥 — иногда обращаюсь
👀 — нет, только Google/Яндекс

#полезное @EDU4Telegrambot

📱 Бесплатный курс по GenAI от Microsoft

Microsoft разработала и выложила в открытый доступ курс из 18 лекций по основам генеративного ИИ для начинающих.

Лекции читают действующие исследователи и разработчики корпорации с многолетним стажем.

В программе:

🔵 Устройство и различия ИИ-моделей;
🔵 Продвинутые советы по промптингу;
🔵 Полный цикл разработки ИИ-приложений и агентов;
🔵 Работа с open source нейросетями и дообучение моделей.

📱 Видео выложены на платформе Microsoft и на YouTube. Каждая лекция идет 10-15 минут, можно включить русские субтитры.

📱 Подробные конспекты лекций и код опубликованы на GitHub.

Будете проходить?

❤️ — да, отличный курс!
🔥 — нет, я уже знаю всю базу
🦄 — начну, а там посмотрим...

#лекции @EDU4Telegrambot

📁 Добавляем ИИ в Google Таблицы

Теперь вы можете легко и бесплатно «подружить» нейросеть с Google Таблицами с помощью MCP и почти полностью автоматизировать работу.

Подробнее про MCP — универсальный протокол, позволяющий научить большие языковые модели работать почти с любыми приложениями, рассказывали здесь.

Возможности:

➡️ Пришлите чат-боту фото таблицы и попросите перевести ее в электронный вид;
➡️ ИИ может создавать сводные таблицы или писать составные формулы;
➡️ Переформатирует таблицу или выполнит рутинную работу.

Как установить?

1️⃣ Перейдите на страницу MCP-сервера;
2️⃣ Выберите приложение, которым пользуетесь (Claude Desktop, Cursor или Windsurf);
3️⃣ Скопируйте соответствующую команду и вставьте ее в командную строку.

MCP-сервер заработает после перезапуска приложения — можно пользоваться.

📁 Аналогично можно подключить инструменты для работы с Google Docs.

Будете пользоваться?

❤️ — да, обязательно
🔥 — сложно, попробую разобраться
🦄 — таблички мне не нужны!

#полезное @EDU4Telegrambot

📄 alphaXiv — читаем научные статьи с ИИ

alphaXiv — это ИИ-платформа для чтения научных работ с крупнейшей библиотеки препринтов arXiv.org.

С каждой работой можно «общаться» с помощью нейросети — попросить пересказать суть, объяснить непонятные моменты, описать графики или выявить спорные моменты в исследовании.

На платформе бесплатно доступны лучшие ИИ-модели, включая Gemini 2.5 Pro, Claude Sonnet 4, GPT-5 и Grok 4.

Также у alphaXiv есть собственный ИИ-ассистент для поиска информации по базе исследований, возможность делать заметки и составлять подборки и обсуждать работы в сообществе ученых.

➡️ Попробовать — здесь. Авторизоваться можно через аккаунт Google.
➡️ Также у сервиса есть расширение для браузера, позволяющее «чатиться» с любым PDF-файлом.

А вы используете нейросети для работы или для развлечений?

❤️ — в основном для развлечений
🔥 — ИИ мой рабочий помощник
🦄 — использую уже везде!

#сервисы @EDU4Telegrambot

📕 Словарь ИИ: разбираемся в сложных терминах

Погружаясь в тонкости и различия ИИ-моделей, процесс их тренировки и запуска, вы наверняка столкнетесь с непонятными терминами.

Чтобы не теряться и понимать, чем вы пользуетесь, в понятиях стоит разобраться. На самом деле в этих сложных словах нет ничего страшного.

1️⃣ Инференс (Inference) — это непосредственно процесс работы нейросети, когда она уже обучена и решает вашу задачу. Говоря об инференсе, обычно рассматривают скорость работы модели (в токенах в секунду), или задержку с момента отправки запроса до получения полного ответа.

2️⃣ Квантование или квантизация (Quantization) — «сжатие» нейросети путем уменьшения точности вычислений «под капотом». Условно, числа начинают округляться не до четырех знаков после запятой, а до двух. Или вовсе вместо дробных чисел используют экономящие память целые. Это позволяет запускать модель на более слабом «железе» без сильных просадок в производительности.

3️⃣ Дистилляция (Distillation) — передача знаний от большой и мощной нейросети-учителя к маленькому быстрому «ученику». Так получают компактные модели, которые могли не видеть все обучающие данные «учителя», но при этом перенимают его знания.

Конечно, это далеко не все. Часто можно услышать про RAG, fine-tuning, эмбеддинг, bias и многие другие вещи — разберемся с ними позже.

Делаем продолжение словаря?

❤️ — да, очень полезно!
🔥 — нет, сложновато
🦄 — лучше каждый термин отдельно

#теория @EDU4Telegrambot

🟢 Почему ИИ обучают на GPU? И как это обогатило Nvidia?

Видеокарта (GPU) есть почти в каждом компьютере. Обычно мы думаем о ней в контексте игр или работы с 3D-графикой. Но в последние годы главная задача GPU не развлечения, а тренировка нейросетей.

🖥 Почему ИИ обучают на GPU?

Изначальная задача видеоадаптера — разгрузить центральный процессор. Пока CPU занимается сложными последовательными вычислениями, GPU параллельно выполняет тысячи простых операций для отрисовки графики.

А тренировка ИИ — это, по сути, многократное перемножение гигантских матриц, триллионы простейших операций, которые нужно выполнять одновременно. Как раз то, для чего и были созданы видеокарты.

🖥 Но почему именно Nvidia?

Действительно, ведь GPU производят и AMD, и Intel, но их чипы не закупают сотнями тысяч для дата-центров? На самом деле, «игла», на которую Nvidia «подсадила» ИИ-компании — софт. Точнее — платформа CUDA (Compute Unified Device Architecture).

CUDA — это набор инструкций, рассказывающий, как системе «общаться» с тысячами ядер видеокарты. Почти все главные инструменты для разработки нейросетей оптимизированы именно под CUDA, а работает эта платформа только с чипами от Nvidia. Так корпорация создала замкнутую и невероятно прибыльную экосистему.

Ярче говорят цифры. За 2021 финансовый год выручка Nvidia от оборудования для дата-центров составила $6,7 млрд, а от геймерских видеокарт — $7,76 млрд. За 2025-й чипы для дата-центров принесли уже $115,2 млрд и теперь формируют почти 90% выручки корпорации.

В итоге недавно Nvidia стала первой публичной компанией с капитализацией в $4 трлн.

А вы знали, почему нейросети тренируют именно на GPU?

❤️ — да, это же основа
🔥 — нет, теперь знаю!
🦄 — надо было вкладываться в Nvidia...

#теория @EDU4Telegrambot