# Сопутствующие статьи по теме RAG

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

Карпати снова покоряет мир, свергает RAG и превращает ваши заметки во второй мозг

Открыв гениальную идею Капрэти: ваши заметки как исходный код, ИИ — компилятор Представьте, что ваши заметки в Obsidian или Notion — это не «кибер-мумии», а исходный код. Что, если бы большая языковая модель (LLM) выступала в роли компилятора, который «собирает» эту сырую, неструктурированную информацию в связную, перекрёстно связанную вики-базу знаний? Именно это и предлагает бывший директор по ИИ в Tesla и сооснователь OpenAI Андрей Карпати в своём проекте LLM-WIKI. Этот подход бросает вызов традиционному RAG (Retrieval-Augmented Generation), который часто работает как простой «грузчик» фрагментов, не способный понять общую картину или разрешить противоречия между старыми и новыми записями. Архитектура Карпати элегантно разделяет процесс на три уровня: 1. **Сырой слой (Raw):** Неизменяемые исходные материалы — ваши мысли, статьи, заметки. 2. **Слой схемы (Schema):** «Конституция» знаний — правила для ИИ о том, как структурировать информацию (например, что должна включать каждая статья о персоналии). 3. **Слой вики (Wiki):** Откомпилированный, живой итог — база знаний, которую автоматически поддерживает ИИ. Работа сводится к трём действиям: **Ingest** (добавить новый материал), **Query** (спросить скомпилированную базу) и **Lint** (периодическая «проверка» на противоречия и устаревшие данные). ИИ берёт на себя всю рутинную работу по поддержанию связей, актуальности и согласованности. Карпати проводит параллель с мечтой Ванневара Буша 1945 года о машине «Memex», которая так и не была реализована из-за неподъёмной задачи ручного поддержания связей между знаниями. LLM решает эту проблему, беря «бухгалтерию» знаний на себя. Таким образом, эта парадигма освобождает человеческое внимание от утомительного управления информацией, оставляя за человеком самое важное: выбор, что познавать, и осмысление полученных знаний. Ваш мозг не должен быть бухгалтером.

marsbit07/01 09:55

Карпати снова покоряет мир, свергает RAG и превращает ваши заметки во второй мозг

marsbit07/01 09:55

Три года спустя: оглядываясь на мои суждения о ChatGPT в 2023 году

Три года спустя: ретроспектива прогнозов о ChatGPT, сделанных в 2023 году В марте 2023 года, вскоре после появления ChatGPT, Ван Цзяньшо высказал 20 интуитивных прогнозов о будущем ИИ. Сейчас, в мае 2026 года, эти прогнозы были проверены группой ИИ-агентов на основе актуальных данных. **Итог:** Большинство *направленческих* прогнозов оказались верными, в то время как *конкретные цифры и сроки* часто ошибочны. **Ключевые верные прогнозы:** 1. **RAG и поисковые системы** стали стандартной архитектурой для работы с данными, а не тонкая настройка моделей. 2. **LUI (языковой интерфейс)** стал новым крупным пластом поверх GUI, хотя и не заменил его. 3. Создание **сети взаимодействующих агентов** и новых систем адресации. 4. Китайские модели (DeepSeek, Qwen) практически **сократили разрыв** с лидерами. 5. **Отсутствие сознания у ИИ**: Тест Тьюринга проверяет лишь иллюзию, а не реальное понимание. **Основные ошибки и неточности:** 1. Неверные данные о параметрах GPT-4 (не 100 трлн, а ~1.8 трлн). 2. Ошибочное утверждение, что ИИ принципиально **не способен** решать сложные математические задачи без инструментов — современные модели завоевывают золото на олимпиадах. 3. **Неправильное распределение ценности**: основная прибыль достается поставщикам вычислительных мощностей (Nvidia), а не только создателям приложений. 4. **Недооценка масштаба проблемы авторских прав**: ИИ не «обошел» право, а привел к рекордным судебным искам и выплатам. 5. Завышенные ожидания скорости развития («быстро», «за 2-3 года») и недооценка конечного масштаба явлений. **Выводы:** * В быстро меняющейся сфере надежнее предсказывать *механизмы и тренды*, а не точные цифры. * **Скорость** часто переоценивается, а **степень изменений** — недооценивается. * Критически важно учитывать **распределение эффектов** (на кого именно повлияло), а не только общую картину. * Прогнозы с оговорками и допущениями оказываются более устойчивыми. Эти уроки — руководство для оценки следующих прогнозов на следующие три года.

marsbit05/31 16:05

Три года спустя: оглядываясь на мои суждения о ChatGPT в 2023 году

marsbit05/31 16:05

Спустя три года: оглядываясь назад на мои суждения о ChatGPT в 2023 году

**Три года спустя: обзор моих суждений о ChatGPT в 2023 году** В мае 2026 года автор, Ван Цзяньшо, возвращается к двадцати прогнозам об ИИ и ChatGPT, которые он сделал в марте 2023 года, и оценивает их точность с помощью команды ИИ-агентов, анализировавших актуальные данные. **Результаты оценки:** * **Верные предсказания (направление/механизм):** Стали стандартом архитектура RAG для работы со знаниями и снижения галлюцинаций; LUI (языковой интерфейс) как новый уровень взаимодействия; появление «сети агентов» и новых протоколов для их взаимодействия; Китай быстро создал конкурентоспособные большие модели (разрыв сократился); понимание, что у ИИ нет сознания, а тест Тьюринга проверяет лишь иллюзию; ИИ — не AGI, но большой шаг вперед; не произошло массовой безработицы (хотя пострадали новички); 2023 год стал «годом стартапов» в ИИ. * **Ошибочные или неточные предсказания (конкретика/степень):** Неверная оценка параметров GPT-4 (не 100T, а ~1.8T); утверждение, что ИИ принципиально не способен на сложную математику без инструментов (позже модели выиграли IMO); прогноз, что основная ценность сместится в прикладной слой, а не в инфраструктуру (огромную прибыль получила NVIDIA); мнение, что ИИ обойдет проблемы с авторским правом (последовали многомиллиардные иски); надежда, что ИИ нейтрализует «пузыри фильтров» (ИИ усугубляет смещение к усредненному мнению); заниженная оценка стоимости обучения передовых моделей. **Основные выводы из ретроспективы:** 1. **Направление надежнее цифр.** Прогнозы о механизмах и трендах были точны, а конкретные цифры и абсолютные формулировки («невозможно», «обязательно») часто ошибочны. 2. **Скорость переоценивалась, масштаб — недооценивался.** Процессы внедрения заняли больше времени, чем ожидалось, а пределы развития возможностей и затрат оказались выше. 3. **Ошибка в распределении.** Общие тренды (например, по безработице) могли быть верны, но скрывали серьезные проблемы для отдельных групп (молодых специалистов). 4. **Важность допущений.** Прогнозы с оговорками («по слухам», «по крайней мере сейчас») оказались более устойчивыми. 5. **Трех лет недостаточно** для ответов на некоторые фундаментальные вопросы (сознание ИИ, конечное распределение ценности в индустрии). Эта проверка — не столько выставление оценки прошлому, сколько установление правил для более взвешенных прогнозов на следующие три года.

链捕手05/31 13:37

Спустя три года: оглядываясь назад на мои суждения о ChatGPT в 2023 году

链捕手05/31 13:37

Словарь AI-жаргона (март 2026 года), рекомендуется сохранить

Словарь AI-жаргона (март 2026): краткий обзор. Статья объясняет ключевые термины искусственного интеллекта для новичков. Основные понятия включают LLM (большие языковые модели), AI Agent (интеллектуальные агенты), Multimodal (мультимодальность), Prompt (промпты), Generative AI (генеративный ИИ) и Token (токены). Также рассматриваются Context Window (контекстное окно), Memory (память), Training (обучение) и Inference (вывод). Продвинутые термины охватывают Transformer (архитектура трансформера), Attention (механизм внимания), Hallucination (галлюцинации ИИ), RAG (извлечение-усиление-генерация) и Fine-tuning (тонкая настройка). Статья полезна для понимания современной AI-терминологии и основных тенденций. Рекомендуется к сохранению для быстрого ознакомления.

marsbit03/11 11:54

Словарь AI-жаргона (март 2026 года), рекомендуется сохранить

marsbit03/11 11:54

Словарь AI-жаргона (март 2026 года), рекомендуется сохранить

Оригинальный автор Golem из Odaily представляет «Словарь AI-жаргона (март 2026)» — полезный ресурс для тех, кто хочет разобраться в базовых и продвинутых терминах искусственного интеллекта. Основные термины включают: LLM (большая языковая модель), AI Agent (интеллектуальный агент), Multimodal (мультимодальность), Prompt (промпт), Generative AI (генеративный ИИ), Token (токен), Context Window (контекстное окно), Memory (память), Training (обучение), Inference (вывод), Tool Use (использование инструментов), API (интерфейс). Продвинутые концепции: Transformer (архитектура трансформера), Attention (механизм внимания), Agentic Workflow (рабочий процесс на основе агентов), Subagents (под-агенты), Skills (навыки), Hallucination (галлюцинации ИИ), Latency (задержка), Guardrails (ограничители), Vibe Coding (интуитивное программирование), Parameters (параметры), Reasoning Model (модель рассуждений), MCP (протокол контекста модели), Fine-tuning (тонкая настройка), Distillation (дистилляция), RAG (извлечение-усиление-генерация), Grounding (привязка к данным), Embedding (векторное представление), Benchmark (бенчмарк). Статья подчеркивает важность понимания этих терминов для эффективной работы в сфере ИИ и рекомендует сохранить материал для будущего использования.

Odaily星球日报03/11 11:37

Словарь AI-жаргона (март 2026 года), рекомендуется сохранить

Odaily星球日报03/11 11:37

活动图片

Популярные категорииright-arrow

Популярные тегиright-arrow