Владимир Ляшев

Обычно все любят фотографии Гагарина, сияющие белозубой улыбкой, весной, молодостью, радостью, обожанием миллионов землян. Такой отрешённый взгляд американцы называют «two-thousand-yard stare» — взгляд на две тысячи ярдов. Так смотрят люди, вышедшие из смертельного боя, выжившие в катастрофе, люди, которых целовала Смерть. Происходит психотравма мозга, и идёт лёгкая расфокусировка глаз, человек буквально смотрит в бесконечность, отсюда те самые 2000 ярдов. Гагарин видел бездну Вселенной, он видел, как плазма объяла спускаемый аппарат, как струйки металла потекли по иллюминатору. Ошибка в развесовке корабля закинула его на нерасчётную орбиту, выше к звёздам, при слишком крутом входе в атмосферу спускаемый аппарат остался соединённым с приборно-двигательным отсеком кабелем — и пока кабель не перегорел в плазме, две части корабля кувыркались. Гагарин не мог катапультироваться. В те времена не было мягкой посадки внутри спускаемого аппарата: Гагарин должен был спуститься сам, на парашюте. Во время спуска на парашюте он чуть не задохнулся — неправильно работал дыхательный клапан... Посмотрите в глаза Гагарину — он сделал то, что мы считаем своим по праву, мы гордимся подвигом — но понимаем ли мы, что было спрессовано в эти 106 минут? Земной поклон, Юрий Алексеевич. Спасибо всем рабочим, инженерам, учёным, всему нашему народу, через 16 лет после смертельной войны открывшему дорогу к освоению Солнечной системы. (c)Дмитрий Конаныхин C Днём космонавтики! С праздником всех кто прокладывал дорогу в космос и продолжает развивать космические программы и исследования! #ДеньКосмонавтики #12апреля

Ежегодный гала-концерт Фонда истории беспроводной связи - это самое торжественное мероприятие в мире беспроводной связи - «торжественный вечер в мире беспроводной связи» по словам Т. Раппопорта.. В этом году мероприятие было посвящено достижениям стипендиатов Фонда, которые вошли в Зал славы: Андреа Голдсмит (Andrea Goldsmith), Биллу Киннарду (Bill Kinnard), Эверетту Добсону (Everett Dobson) и Брэду Хорвицу (Brad Horwitz), а также инновационо-техническому вкладу Хеди Ламарр (Hedy Lamarr). #NYU/wireless

Перспективы квантовых компьютеров в области вычислительной математики и искусственного интеллекта весьма многообещающие. Квантовые компьютеры способны решать определенные классы задач гораздо быстрее классических компьютеров благодаря использованию квантовой запутанности и суперпозиции. Вот некоторые ключевые направления, где квантовые компьютеры могут оказать значительное влияние: ### 1. Оптимизация и решение комбинаторных задач Квантовые алгоритмы, такие как алгоритм Гровера, могут значительно ускорить поиск решений в комбинаториках задачах, таких как оптимизация маршрутов, задачи упаковки рюкзака и другие NP-полные задачи. Эти задачи важны в логистике, финансовом анализе и многих других областях. ### 2. Машинное обучение и искусственный интеллект Квантовый машинный обучающий алгоритм, такой как квантовая версия градиентного спуска, может значительно сократить время обучения моделей. Также квантовые системы могут предложить новые подходы к обработке данных и созданию моделей, используя квантовую интерференцию и запутанность для извлечения информации из данных. ### 3. Моделирование физических процессов Квантовым компьютерам проще моделировать квантово-механические процессы, чем классическим компьютерам. Это открывает возможности для более точных симуляций химических реакций, материаловедения и других научных дисциплин, связанных с квантовыми явлениями. ### 4. Шифрование и безопасность Алгоритм Шора, работающий на квантовом компьютере, способен быстро факторизовать большие числа, что ставит под угрозу современные криптографические протоколы, основанные на сложности факторизации. Однако квантовые технологии также предлагают решения для создания более безопасных шифров, таких как квантовая криптография. ### 5. Решение уравнений и дифференциальных уравнений Квантовые симуляции могут помочь в решении сложных уравнений, особенно тех, которые включают квантовые эффекты. Это важно для физики элементарных частиц, химии и биологии. ### Вызовы и ограничения Несмотря на эти перспективные направления, квантовые компьютеры сталкиваются с рядом серьезных проблем: - Декогеренция: Квантовая информация легко разрушается под воздействием окружающей среды, что затрудняет создание стабильных квантовых состояний. - Масштабируемость: Текущие квантовые машины имеют относительно небольшое число кубитов (единиц квантового состояния). Чтобы реализовать полезные приложения, необходимо создать машины с тысячами или миллионами кубитов. - Ошибка коррекции: Из-за высокой чувствительности квантовых систем к ошибкам требуется разработка эффективных схем исправления ошибок, что увеличивает сложность и стоимость квантовых компьютеров. ### Заключение Хотя квантовые компьютеры ещё находятся на стадии развития, они уже демонстрируют значительный потенциал в ряде областей, включая вычислительную математику и искусственный интеллект. Дальнейшие исследования и технологические прорывы могут открыть двери для совершенно нового уровня вычислительной мощности и возможностей, недоступных классическим машинам.

Верхний предел для размеров больших языковых моделей (LLM) пока точно не установлен, однако существуют несколько аспектов, которые могут стать ключевыми факторами ограничения роста моделей: 1. Ограничения аппаратного обеспечения: Современные суперкомпьютеры и специализированные устройства для машинного обучения, такие как графические процессоры (GPU) и TPU, обладают ограниченными ресурсами памяти и пропускной способностью. Увеличение числа параметров модели приводит к необходимости хранения большего объема данных и выполнению более сложных операций, что может привести к исчерпанию возможностей существующих устройств. 2. Энергетическая эффективность: По мере увеличения размера моделей возрастает потребление электроэнергии. Энергозатраты на обучение и эксплуатацию гигантских моделей могут стать экономически невыгодными и неприемлемыми с экологической точки зрения. 3. Производительность программного обеспечения: Масштабирование моделей требует разработки высокоэффективных параллельных алгоритмов и оптимизированных библиотек для работы с большими объемами данных. Даже небольшие улучшения в алгоритмах могут существенно повлиять на скорость обучения и вывода. 4. Доступность инфраструктуры: Создание и эксплуатация крупных кластеров для поддержки огромных моделей требуют значительных инвестиций в инфраструктуру. Поддержание надежности и доступности таких систем также становится сложной задачей. 5. Маржинальная выгода: На определенном этапе увеличение размера модели может перестать давать значительные улучшения в точности и производительности. Этот момент называется точкой насыщения, когда дополнительные ресурсы начинают приносить меньшую отдачу. 6. Материальные и временные затраты: Обучение крупных моделей занимает значительное время и требует большого количества данных. Сбор, обработка и очистка данных также представляют собой сложные задачи, требующие значительных усилий. 7. Этические и правовые аспекты: Разработка и использование гигантских языковых моделей поднимает вопросы конфиденциальности, безопасности и этичности. Например, большие объемы данных могут содержать конфиденциальную информацию, а модели могут использоваться для создания дезинформации или манипуляций. Таким образом, хотя точный верхний предел для размера LLM неизвестен, множество технических, экономических и социальных факторов накладывают ограничения на дальнейший рост моделей.