Торий не является панацеей для ядерной энергетики.

Это, действительно, одно из применений ИИ, которое меня больше всего беспокоит. Социальные сети уже сломали политику США. ИИ вполне может сломать её ещё больше.

мы слишком сильно притесняли журналистов. мы называем каждую нейтральную статью о чем угодно атакой. самые влиятельные люди в мире стали избалованными в плане какой-либо ответственности перед общественностью. журналисты снова станут крутыми.

Мне нравятся эти идеи от руководителя компании Schneider Electric (ключевого игрока в строительстве дата-центров). " Аппаратное обеспечение ИИ переписывает энергетический баланс дата-центров. Один стойка NVIDIA Blackwell 2 теперь потребляет примерно 180-200 кВт, увеличивая общие потребности сайта с ~300 МВт до 1.2-1.5 ГВт — увеличение в 4-5 раз за один архитектурный цикл. Энергетические всплески (“300 МВт → 1.5 ГВт → 500 МВт”) нагружают трансформаторы и распределительные активы, которые были построены 30-50 лет назад и никогда не были предназначены для такой волатильности, заставляя коммунальные службы и операторов пересмотреть стратегии укрепления сети и генерации на месте. Задержка, а не земля, определяет географию — отсюда и рост “метро микро-дата-центров.” Гипермасштабные компании все еще предпочитают пустынные “мега” площадки, но рабочие нагрузки в реальном времени (торговля, контроль качества высокоскоростного производства, роботизированная сборка) не могут терпеть обратный путь к удаленным супер-кластерам. Результат: площади дата-центров возвращаются в густонаселенные регионы (например, AI Hub в Пенсильвании) и даже на заводские полы, где комнаты edge или “микро-облака” размещают смешанные стойки устаревших ПЛК, процессоров Xeon/EPYC и высококлассных GPU, чтобы поддерживать вывод внутри диапазона 20-50 мс. Ядерное “мини-возрождение” финансируется облачными гигантами. Microsoft уже подписала 20-летний контракт на возобновление работы блока 1 на острове Три Мили; поставщики малых модульных реакторов (GE, Westinghouse, Rolls-Royce) позиционируют небольшие реакторы как базовую нагрузку для гипермасштабных кампусов. Операторы признают, что инженерный и регуляторный путь нов и требует больших капиталовложений, но рассматривают ядерную энергетику как единственный углеродно-нейтральный источник, который работает 24×7 и масштабируется с ростом спроса на ИИ. Охлаждение и вспомогательные системы на месте — следующая горячая точка для инвестиций. Традиционное однофазное охлаждение уже недостаточно; многопоточные жидкостные системы становятся обязательными для тепловых нагрузок класса Blackwell. Операторы оценивают возможность использования дизельных или газовых генераторов — и в конечном итоге малых модульных реакторов — для локального обеспечения “коммунальных нагрузок” (охлаждение, вентиляция, безопасность), сокращая потребление сети примерно на 40% и облегчая узкие места в подключении. Эти ниши создают новый цикл капитальных затрат для производителей систем теплового управления и поставщиков распределенной генерации. Паузы не предвидится — дорожные карты чипов и волатильность программного обеспечения продолжают ускорять капитальные затраты. С каждым поколением GPU, обеспечивающим более высокую плотность, дата-центры требуют постоянных электрических и механических модернизаций; гипермасштабные компании смешивают собственные площадки с постоянной нагрузкой и всплесковой мощностью от Tier-1 колокаций (Equinix, NTT, Compass и др.). Спрос на программное обеспечение еще менее предсказуем: новые китайские LLM (DeepSeek, Alibaba, Tencent) и все еще неизвестные академические прорывы могут еще больше увеличить вычислительную интенсивность, делая любые прогнозы на два-пять лет крайне неопределенными. Инвесторам следует одновременно отслеживать четыре направления — академические, стартапы, гипермасштабные компании и тенденции распределения капитала — чтобы избежать слепых зон. "

Сколько жизней будет потеряно за следующие пять лет из-за того, что города запрещают или замедляют внедрение @Waymo и других автоматизированных транспортных средств?

Отлично видеть. Работа @tylerhnorris показала, что если дата-центры ИИ смогут немного гибче подходить к своим требованиям по мощности, мы могли бы добавить десятки ГВт вычислительных мощностей без нового поколения. Здорово, что Google берет на себя инициативу в реализации этого.

Нельзя построить государство на фантазиях. Ядерная энергия: 10–15 лет до реализации Уголь: Никаких новых проектов не запланировано Газ: Задержки на 5–7 лет Штаты, запрещающие солнечную и ветровую энергетику, выбирают проигравших — и гарантируют провал. Когда газ поймет, что он — *единственный* ресурс, который государство разрешит, цены взлетят.

Кортизол, вырабатываемый во время физических упражнений, подавляет последующий кортизоловый ответ на стрессор. Занимайтесь спортом перед тем, как делать что-то стрессовое.

Прошлое было ужасным и чертовски невежественным.

Статья "Иерархические модели рассуждений" в последнее время активно обсуждается, собирая десятки тысяч лайков в Twitter на десятках полувирусных тем, что довольно необычно для научной работы. В статье утверждается, что точность составляет 40,3% на ARC-AGI-1 с маленькой моделью (27M параметров), обученной с нуля без каких-либо внешних данных для обучения — если это правда, это будет представлять собой значительный прорыв в области рассуждений. Я только что подробно изучил статью и кодовую базу... Это хорошее чтение, детализированное, но легкое для понимания. Я думаю, что представленные идеи довольно интересны, и архитектура, вероятно, ценна. Концепция напоминает мне множество различных идей, с которыми я столкнулся в "золотую эпоху" исследований архитектуры глубокого обучения, примерно с 2016 по 2018 год. Этот тип исследований не был популярен в течение некоторого времени, поэтому приятно видеть возобновленный интерес к альтернативным архитектурам. Тем не менее, экспериментальная установка, похоже, критически ошибочна, что означает, что у нас в настоящее время нет эмпирического сигнала (по крайней мере, от ARC-AGI) о том, действительно ли архитектура полезна или нет. Эксперимент ARC-AGI-1 делает следующее, основываясь на моем анализе кода подготовки данных: 1. Обучение на 876,404 задачах, которые являются вариантами 960 оригинальных задач, сгенерированных с помощью аугментации: ... 400 из ARC-AGI-1/train ... 400 из ARC-AGI-1/eval ... 160 из ConceptARC 2. Тестирование на 400 задачах (ARC-AGI-1/eval), путем аугментации каждой задачи в ~1000 вариантов (на самом деле всего 368,151 из-за особенностей процесса аугментации), производя предсказание для каждого варианта и сокращая предсказания до N=2 с помощью голосования большинства. Короче говоря: они обучаются на тестовых данных. Вы можете спросить, подождите, почему тогда точность 40%, а не 100%? Модель сильно недообучена? Это потому, что обучающие данные и тестовые данные представляют собой одни и те же оригинальные задачи *в разных вариациях*. Аугментация данных применяется независимо к задачам eval в обучающих данных и задачам eval в тестовых данных. Таким образом, то, что измеряет эксперимент, в общем, это то, как модель справляется с обобщением на процедурно сгенерированные варианты одних и тех же задач (т.е. может ли модель научиться обратным преобразованиям фиксированного набора статических сеточных трансформаций). Так что — не стоит слишком радоваться пока. Но я действительно думаю, что такие исследования архитектуры ценны (когда они сопровождаются надлежащим эмпирическим сигналом валидации) и что идея HRM очень интересна. Также, чтобы было ясно, я не думаю, что авторы имели намерение ввести в заблуждение и скрыть экспериментальную проблему — они, вероятно, не осознавали, что на самом деле означает их установка для обучения.