# Сопутствующие статьи по теме Обучение

Новостной центр HTX предлагает последние статьи и углубленный анализ по "Обучение", охватывающие рыночные тренды, новости проектов, развитие технологий и политику регулирования в криптоиндустрии.

За кадром 67 000 вакансий в полупроводниковой отрасли США: стратегия и вызовы государственной политики, а также уроки для Китая

Американская программа по возвращению производства полупроводников сталкивается с ключевой проблемой: нехваткой кадров. По прогнозам Semiconductor Industry Association (SIA), к 2030 году может возникнуть дефицит в 67 000 технических специалистов, инженеров и IT-специалистов. Этот прогноз основан на модели, которая предполагает, что расширение мощностей опережает возможности системы подготовки. Дефицит носит комплексный характер. Около 39% недостающих кадров — это техники (операторы и обслуживающий персонал), 41% — инженеры и 20% — специалисты в области компьютерных наук. Нехватка техников связана не только с зарплатой, но и с условиями работы (сменный график, локация новых заводов) и доступностью социальной инфраструктуры (жилье, детские сады). Нехватка инженеров, особенно в области передовых технологий, усугубляется конкуренцией за выпускников с другими высокотехнологичными отраслями и длительным циклом подготовки. Распределение новых заводов по 30 штатам создает дополнительное напряжение, так как не во всех регионах есть устоявшиеся кадровые резервы. В ответ США делают ставку на расширение программ в местных колледжах для подготовки техников и увеличение финансирования STEM-образования. Одновременно рассматривается реформа иммиграции для привлечения высококвалифицированных иностранных специалистов. Для Китая опыт США указывает на необходимость синхронизировать планирование производственных мощностей и кадровой политики. Важно развивать не только высшее образование, но и профессионально-техническую подготовку, приближенную к реальным производственным задачам. Ключевым фактором устойчивости становится создание полноценной социальной и образовательной инфраструктуры вокруг промышленных кластеров, что способствует закреплению кадров на местах.

marsbitВчера 00:53

За кадром 67 000 вакансий в полупроводниковой отрасли США: стратегия и вызовы государственной политики, а также уроки для Китая

marsbitВчера 00:53

Популярные интерактивные проекты | AllScale: задания для получения баллов; Skew: заявка в лист ожидания (22 июля)

**Популярные проекты для взаимодействия: AllScale, Skew и GIWA Chain (22 июля)** В этой статье представлены три интересных криптопроекта, с которыми пользователи могут взаимодействовать уже сейчас. **1. AllScale: Некастодиальный необанк для стейблкоинов** Это финтех-платформа, не являющаяся банком и не предоставляющая кастодиальных услуг. Она позволяет совершать мгновенные и недорогие跨境ные платежи в стейблкоинах (USDT/USDC) с автоматическим соблюдением нормативных требований. Проект привлек $5 млн в посевном раунде и стратегические инвестиции от Animoca Brands. * **Как взаимодействовать:** Зарегистрируйтесь на сайте, подтвердите email для получения 100 баллов. Ежедневный вход в течение 7 дней принесет 300 баллов, а выполнение задачи по получению первого счета — 400 баллов. **2. Skew: Проект для создания «рынков нового поколения» на Hyperliquid** Молодой проект, целью которого является создание инновационных рынков на децентрализованной бирже Hyperliquid. Недавно получил финансирование в размере 5 млн токенов HYPE (около $33 млн) от протокола Hyperion. * **Как взаимодействовать:** На сайте проекта можно подать заявку на ранний доступ, заполнив форму и указав свои контакты в X (Twitter) и Telegram. **3. GIWA Chain: L2-сеть Ethereum от корейской биржи Upbit** Это масштабирующее решение для Ethereum, созданное на базе OP Stack. Ориентировано на корпоративный сектор и призвано стать мостом между реальным миром и Web3. В настоящее время доступна публичная тестовая сеть (testnet). * **Как взаимодействовать:** * Добавьте тестовую сеть GIWA в свой кошелек. * Получите тестовые токены ETH через официальный кран (faucet), требующий майнинга в фоновом режиме, или через мост с других L2-сетей. * Создайте свой идентификатор Up ID в тестовой сети для выполнения различных операций.

Odaily星球日报07/27 12:11

Популярные интерактивные проекты | AllScale: задания для получения баллов; Skew: заявка в лист ожидания (22 июля)

Odaily星球日报07/27 12:11

Алтман в Стэнфорде признал ошибку: передавая мышление ИИ, мозг целого поколения сокращается

Заголовок: Алтман вернулся в Стэнфорд, чтобы признать ошибку: передача мышления ИИ приводит к «атрофии мозга» у целого поколения. Три с половиной года спустя после запуска ChatGPT основатель OpenAI Сэм Алтман вернулся в Стэнфорд и признал свою ошибку в прогнозах. Он ожидал, что система образования быстро трансформируется под влиянием ИИ, но вместо этого она осталась практически неизменной. Алтман выразил серьезную озабоченность: если образование продолжит работать по старым моделям, ориентированным на запоминание, стандартные ответы и закрытые экзамены, это приведет к «атрофии» критического мышления у студентов. Они всё чаще «передают на аутсорсинг» свои размышления ИИ, что ослабляет способность к самостоятельному анализу и решению проблем. Исследования, в том числе из Калифорнийского университета в Беркли, подтверждают эту тенденцию. После появления ChatGPT оценки за письменные и программистские задания выросли, но результаты экзаменов остались прежними. Это указывает на то, что ИИ используется для выполнения работы, а не для глубокого обучения. Алтман подчеркивает, что даже те задачи, которые ИИ может выполнять лучше человека (например, писать тексты или код), люди должны осваивать самостоятельно, поскольку сам процесс формирует мышление. Ключевая цель образования в эпоху ИИ должна сместиться с запоминания фактов к умению задавать правильные вопросы, развивать суждение, креативность и междисциплинарные навыки. Главная проблема — в устаревшей системе оценки, которая измеряет именно то, что ИИ делает безупречно. Если не изменить подходы, новое поколение рискует выйти из вузов с пробелами в способности к критическому мышлению, которые будет трудно восполнить.

marsbit07/16 08:20

Алтман в Стэнфорде признал ошибку: передавая мышление ИИ, мозг целого поколения сокращается

marsbit07/16 08:20

Оценка в $1 миллиард, крупные инвестиции от Nvidia! Prime Intellect смывает метку Web3?

Компания Prime Intellect, децентрализованная инфраструктура для ИИ, объявила о привлечении $130 млн в рамках раунда А при оценке в $1 млрд. Инвестиции возглавила Radical Ventures, а среди участников – венчурные подразделения NVIDIA, Intel и Dell. Компания также заявила, что ее годовой доход (ARR) превысил $100 млн, а число корпоративных клиентов составляет более 6000. Основанная в 2024 году, Prime Intellect разработала платформу для распределенного обучения и запуска моделей ИИ. Проект прошел путь от исследований (доказав возможность кросс-континентального обучения, как в модели INTELLECT-1) до коммерческих продуктов. Ключевое предложение — Prime Intellect Lab — позволяет клиентам обучать и оптимизировать собственные модели, не строя собственные GPU-кластеры. Новое финансирование и партнерство с гигантами вроде NVIDIA носят стратегический характер. Компания интегрирует аппаратное обеспечение (например, системы Blackwell) и программные решения (NVIDIA Dynamo) для повышения эффективности. Пример успешного внедрения — финтех-компания Ramp, которая обучила на платформе специализированного агента FastAsk. Первоначально проект имел явные элементы Web3 (упоминания о тестовой сети и распределении токенов), но в публичных материалах эта риторика была полностью удалена. Это свидетельствует о стратегическом сдвиге в сторону традиционной модели B2B SaaS, ориентированной на корпоративных клиентов и возможный выход на IPO.

Foresight News07/13 02:34

Оценка в $1 миллиард, крупные инвестиции от Nvidia! Prime Intellect смывает метку Web3?

Foresight News07/13 02:34

Первый набор данных для обучения Doc2Repo на длинных последовательностях: Code Agent не только исправляет ошибки, но и начинает создавать репозитории

С развитием LLM Code Agent исследователи начинают переходить к более сложным задачам, приближенным к реальным сценариям, таким как генерация целого репозитория кода с нуля. Команда из Института искусственного интеллекта Гаолинь Китайского народного университета представила новый набор данных DeNovoSWE, предназначенный для длительных задач в области программной инженерии, особенно для создания репозиториев на уровне кода. DeNovoSWE использует методологию «Разделяй и властвуй» (Divide & Conquer) и механизм «Критика и исправление» (Critic & Repair) для создания высококачественных данных. Набор содержит 4 818 реальных примеров задач, что предоставляет масштабные данные для обучения Code Agent выполнению длительных операций. Эксперименты показали, что модель Qwen3-30B-A3B-Instruct, обученная на DeNovoSWE, значительно улучшила свои показатели: с 5,8% до 47,2% на BeyondSWE-Doc2Repo и с 4,3% до 23,0% на NL2RepoBench. Ключевая сложность задачи заключается в том, что агент должен воссоздать весь репозиторий, начиная только с документации, в очищенной среде без исходного кода, тестов и потенциальных утечек. Это требует навыков планирования архитектуры, создания модулей, определения API и обработки зависимостей. DeNovoSWE структурирует документацию по ключевым возможностям (capabilities) репозитория, обеспечивая ясность, полноту и соответствие критериям оценки. Результаты подтверждают, что данные, ориентированные на длительные задачи генерации репозиториев, более эффективны для развития соответствующих способностей Code Agent по сравнению с данными, сфокусированными только на исправлении ошибок. DeNovoSWE закладывает основу для следующего этапа развития код-агентов, способных понимать требования, планировать и создавать целые рабочие программные проекты.

marsbit06/25 08:52

Первый набор данных для обучения Doc2Repo на длинных последовательностях: Code Agent не только исправляет ошибки, но и начинает создавать репозитории

marsbit06/25 08:52

Проблемы вычислительной мощности в китайско-американской партии по искусственному интеллекту

**Краткое содержание статьи: "Проблемы вычислительных мощностей в контексте китайско-американского соперничества в области ИИ"** Ключевой проблемой развития ИИ в Китае является серьезное отставание в области вычислительных мощностей, особенно в сфере высокопроизводительных чипов для **обучения** моделей ИИ. В то время как китайские чипы, такие как продукты компаний Moore Thread, Biren Technology и других, находят применение в более доступных задачах **вывода (инференса)** (например, в приложении Doubao), они практически не представлены в требовательном сегменте обучения крупных моделей. Здесь безраздельно доминируют американские компании, в первую очередь Nvidia с ее чипами серии A100/H100/H200 и экосистемой CUDA. Разрыв огромен: США контролируют более 70% мирового рынка высококлассных GPU, их общие вычислительные мощности более чем в два раза превышают китайские (2400 против 1053 EFLOPS). Американские технологические гиганты, такие как Meta, Google, Microsoft и Amazon, вкладывают сотни миллиардов долларов в инфраструктуру ИИ. Например, только у Google вычислительных мощностей столько же, сколько у 500 000 чипов H100, что составляет четверть от общемирового объема. Это позволяет им проводить десятки итераций обучения крупных моделей в год и экспериментировать с параметрами в триллионы и десятки триллионов, как это делает xAI Илона Маска. В результате, самые передовые американские модели (например, Anthropic Claude Mythos с 10 триллионами параметров) значительно превосходят лучшие китайские (например, DeepSeek V4 Pro с 1.6 триллионами параметров). Эксперты оценивают отставание Китая в 8-15 месяцев. Основная причина — физическое отсутствие необходимых мощностей для быстрого обучения сверхбольших моделей в соответствии с законом Scaling Law. Китай стремится к импортозамещению, разрабатывая собственные чипы (Huawei Ascend 910B, Cambricon и др.). Хотя по абсолютной производительности они пока отстают от лидеров на 30% и более, в сфере инференса разрыв сократился до 15-20%. Главная проблема — не только производительность железа, но и отсутствие зрелой программной экосистемы, подобной CUDA. Однако уже есть первые успехи: компании вроде Zhipu AI и Moore Thread начинают демонстрировать возможность полного цикла обучения моделей на отечественном оборудовании и фреймворках. Вывод: Китай сталкивается с фундаментальным вызовом в "гонке вычислений", которая лежит в основе "гонки моделей". Преодоление этого разрыва требует времени, масштабных инвестиций и построения собственной экосистемы. Страна обладает необходимым рынком, талантами и капиталом, но путь к паритету с США в области высокопроизводительных чипов для ИИ будет долгим.

marsbit06/22 10:23

Проблемы вычислительной мощности в китайско-американской партии по искусственному интеллекту

marsbit06/22 10:23

PANews: Руководство по регистрации и публикации в авторской колонке

**Руководство по регистрации и публикации материалов в авторской колонке PANews** **Основные требования к контенту:** Колонка предназначена для глубокого анализа тем, связанных с Crypto, Web3, данными и экспертными мнениями. Контент, представляющий собой презентацию бренда или скрытую рекламу (PR), не будет одобрен — для такой информации следует использовать каналы сотрудничества с коммерческим отделом. Также не будут одобрены материалы, созданные преимущественно с помощью ИИ. **Как подать заявку на создание колонки:** * **Веб-версия:** 1. На главной странице сайта прокрутите вниз и нажмите «申请专栏» (Подать заявку на колонку). 2. Зарегистрируйтесь или войдите, используя номер телефона или адрес электронной почты (требуется код подтверждения, пароль не нужен). 3. Заполните информацию: название колонки, краткое описание, загрузите аватар и укажите ссылки на свои ранее опубликованные статьи. * **Мобильная версия:** * В приложении перейдите в раздел «我的» (Мои), затем «投稿与创作» (Публикация и творчество) и заполните необходимые данные. **Как опубликовать статью в своей колонке:** 1. Войдите на сайт и перейдите в личный кабинет. 2. В личном кабинете найдите и откройте «创作者中心» (Центр для авторов). 3. Нажмите «发布文章» (Опубликовать статью), чтобы создать и отправить новый материал. **Как добавить видео в статью:** В настоящее время поддерживается только встраивание видео с помощью кода со сторонних платформ (например, Bilibili). В редакторе статьи используйте кнопку «插入/编辑媒体» (Вставить/Редактировать медиа), выберите вкладку «嵌入» (Встроить) и вставьте скопированный код. Рекомендуется установить ширину 100%, а высоту — 560px для оптимального отображения. **PANews Skills (публикация статей через AI Agent):** PANews предлагает набор инструментов (Skills) для AI Agent, включая: * `panews-creator` — ключевой навык для управления колонкой, публикации статей и загрузки изображений, позволяющий автору сосредоточиться на написании текста. * `panews` — отслеживание трендов и горячих тем. * `panews-web-viewer` — преобразование веб-страниц в Markdown. Эти инструменты совместимы с различными платформами ИИ (OpenClaw, Cursor, Claude, ChatGPT и др.). Для использования `panews-creator` необходимо получить специальный токен авторизации (`Authorization`) из заголовков запроса (Request Headers) в инструментах разработчика браузера после входа в свою учетную запись PANews. Ссылка для установки: https://github.com/panewslab/skills

marsbit06/16 06:39

PANews: Руководство по регистрации и публикации в авторской колонке

marsbit06/16 06:39

Как проводить исследования: оттачивайте те реальные навыки, которые можно "сознательно практиковать"

Никто не учит вас, как заниматься исследованиями. Вы получаете стол, выбранную кем-то проблему и смутное указание «создать что-то новое». В результате многие воспринимают эту работу поверхностно, учась лишь «казаться», а не «быть» исследователем. Настоящие исследовательские навыки складываются из множества небольших умений, и почти каждое из них можно развить через осознанную практику. 1. Выбирайте свои проблемы. Не заимствуйте их у других — в этом случае вы упускаете логику, стоящую за ними, и оказываетесь в гонке с теми, кто начал раньше. Как предлагает Джон Шульман, определите цель, которую вы искренне хотите достичь, и двигайтесь к ней, разрабатывая эксперименты. Это ведёт к оригинальности. Хороший «вкус» в исследовании — это мышца, которую нужно тренировать: предсказывайте результаты экспериментов, анализируйте методы до просмотра выводов и проверяйте, какие результаты останутся значимыми со временем. 2. Расширяйте круг источников. Если вы полагаетесь только на популярные публикации, ваши выводы будут совпадать с чужими и терять ценность. Обращайтесь к старой литературе — многие современные идеи имеют глубокие корни. Читайте оригинальные статьи, а не их обзоры, особенно разделы с ограничениями и приложения. Широта знаний так же важна, как и глубина: черпайте идеи из смежных областей — нейробиологии, механизмов проектирования, статистики, архитектуры вычислительных систем. 3. Всё записывайте. Как отмечает Пол Грэм, попытка изложить мысль на бумаге выявляет её слабые места и нестыковки. Письмо — самый дешёвый способ защититься от самообмана. Ричард Фейнман подчёркивал, что легче всего обмануть именно себя. Чарльз Дарвин немедленно записывал факты, противоречащие его теории, понимая, что память склонна стирать неудобные данные. Ведите журнал: гипотезы, настройки экспериментов, ожидания, результаты, обновлённое понимание. Перечитывание таких записей — лучший урок смирения.

marsbit06/15 12:25

Как проводить исследования: оттачивайте те реальные навыки, которые можно "сознательно практиковать"

marsbit06/15 12:25

Роботы начинают "поедать данные": от индийских фабрик данных до тайной производственной цепи роботов-гуманоидов стоимостью в десятки миллиардов долларов

Роботы всё больше нуждаются в данных для обучения, и это породило новую индустрию — сбор данных о человеческих действиях. В отличие от больших языковых моделей, которые обучаются на текстах из интернета, роботам требуются данные из физического мира, которые гораздо сложнее получить. Ключевую роль играют видео от первого лица (Ego Data), снятые, например, рабочими в Индии с камер на голове во время выполнения таких задач, как складывание одежды или уборка на кухне. Эти данные помогают роботам понять, как люди взаимодействуют с окружением. После предварительного обучения на таких видео модели дообучаются на небольшом количестве данных, собранных непосредственно с роботов. Данные различаются по ценности и стоимости, образуя «пирамиду»: от дешёвых интернет-видео до очень дорогих данных с дистанционно управляемых роботов и симуляций. В ответ на спрос возникли различные компании-поставщики данных: от «фабрик данных», использующих дешёвую рабочую силу для сбора Ego Data, до фирм, специализирующихся на сложной задаче перевода человеческих движений в команды для роботов, и компаний, создающих синтетические данные в симуляторах. Крупные робототехнические компании часто комбинируют подходы: покупают общие данные о человеческих действиях у сторонних поставщиков, но самостоятельно собирают уникальные данные, специфичные для их собственных роботов и реальных условий эксплуатации. Эти уникальные данные становятся их конкурентным преимуществом. Таким образом, формируется скрытая производственная цепочка: от рабочих, собирающих данные в таких странах, как Индия, до мировых лидеров в области робототехники. Основная задача индустрии смещается с создания «железа» на обеспечение роботов большими объёмами качественных данных для обучения.

marsbit06/13 03:36

Роботы начинают "поедать данные": от индийских фабрик данных до тайной производственной цепи роботов-гуманоидов стоимостью в десятки миллиардов долларов

marsbit06/13 03:36

Полная картина децентрализованного ИИ на 2026 год: Почему блокчейн является незаменимым «лекарством» для ИИ?

**Децентрализованный ИИ в 2026 году: почему блокчейн — неизбежное «лекарство» для ИИ?** Статья утверждает, что централизованный ИИ сталкивается с ключевыми структурными ограничениями: дорогие и дефицитные вычислительные ресурсы (GPU), чрезмерная концентрация контроля у нескольких корпораций (ChatGPT, Gemini и др.), невозможность проверки результатов работы моделей и сложности со сбором обучающих данных из-за приватности и регулирования. Выходом является децентрализованный ИИ, основанный на блокчейне, который делает интеллект открытым, проверяемым и экономически доступным. Представлена подробная карта технологического стека децентрализованного ИИ на 2026 год: 1. **Уровень приложений и сервисов:** Доминируют «агентские финансы» (Agentic Finance) — превращение естественного языка в действия в блокчейне (проекты Giza, Infinit, Coinvest, Minerva), и «агентские платежи» (Agentic Payments) — автоматические расчеты между машинами (x402, Stripe Tempo). 2. **Промежуточный слой (Middleware):** Решает проблемы координации, идентификации и репутации агентов. Ключевые проекты: Bittensor (сеть специализированных «подсетей» с токеномикой TAO), Virtuals (операционная система для экономики агентов), NEAR, Base. 3. **Инфраструктурный уровень:** Основа — децентрализованные вычисления (Akash, Render, Io.net), проверяемые выводы (инференс) и обучение моделей (Prime Intellect, Tplr.ai), хранение данных (Filecoin, Grass), а также приватность и верификация (Nillion, Arcium, Oasis, Phala Network). К 2026-2027 гг. спрос на ИИ опережает развитие инфраструктуры, вычисления становятся классом активов, а токеномика — ключевым структурным преимуществом для координации ресурсов. Такие проекты, как Bittensor, NEAR и Venice, показывают, что децентрализованный ИИ эволюционирует от спекулятивной идеи в новую модель координации вычислений, данных и капитала. Однако область все еще молода, а внедрение остается неравномерным.

Foresight News06/11 10:04

Полная картина децентрализованного ИИ на 2026 год: Почему блокчейн является незаменимым «лекарством» для ИИ?

Foresight News06/11 10:04

活动图片

Популярные категорииright-arrow

Популярные тегиright-arrow

Новости индустрииright-arrow