Черная кожанка, толпы фанатов, автографы на капоте автомобиля. Кто это, рок-звезда? Нет, CEO компании Nvidia Дженсен Хуанг!

Во вторник 18 июня, потеснив Apple и Microsoft, Nvidia стала самой дорогой компанией на планете с капитализацией $3,34 триллиона. К воскресенью она потеряла первую строчку рейтинга, но это обычное дело на фондовом рынке. Зато скорость роста поражает: только с февраля 2024 стоимость компании увеличилась в 1,5 раза, тогда как 8 лет назад акции торговались за 1% от текущей цены. В чем секрет?

Конечно, дело в ажиотаже вокруг генеративного искусственного интеллекта. Но тут важны не только удачные обстоятельства, а прозорливость мистера Хуанга, который одержим ИИ и сделал на него ставку, когда никаким ChatGPT еще и не пахло. Nvidia была основана 31 год назад в Кремниевой долине и первоначально работала для нужд видеоигр на Xbox и PlayStation. Визитная карточка компании — графические процессоры (GPUs), задача которых — молниеносно рассчитывать цвет меняющихся пикселей на экране в ходе игры. GPUs распараллеливают вычисления, благодаря чему могут быстро выполнять триллионы простых и однообразных математических операций. Как раз такие лежат в основе машинного обучения.

Революция глубоких нейросетей и произошла, когда люди догадались заменить центральный процессор (CPU), который исполняет команды последовательно, на GPU. Это случилось в 2012 году с cозданием нейросети AlexNet, которую обучали на 2 графических процессорах, по преданию, купленных Ильей Суцкевером в интернет-магазине. Нейросеть вывела задачу классификации изображений на другой уровень. После появления AlexNet босс Nvidia сразу решил заниматься ИИ-направлением и продавать чипы не только геймерам, но и машинлернерам.

В наши дни прогресс нейросетей обеспечивается главным образом за счет масштабирования. Скажем, архитектурно GPT-3 мало отличается от GPT-4, вся разница — в увеличении числа параметров модели и количества обучающих данных, и соответственно, в росте требований к железу. Например, для GPT-4 понадобилось в 100 раз больше вычислительных ресурсов, чем для GPT-3! Чтобы делать ИИ-модели круче, нужны еще суперкомпьютеры и высокопроизводительные чипы, которые и создает Nvidia.

Разработчики ИИ-технологии испытывают «чиповый голод» и стоят в очереди за продуктами Nvidia. IT-гиганты, такие как Amazon и Google, спешно клепают свои микропроцессоры, но Nvidia, по некоторым оценкам, имеет фору в 10 лет и контролирует 80% рынка чипов для ИИ. В марте она представила флагманский чип Blackwell, с производительностью 20 петафлопс. Вероятно, капитализация Nvidia продолжит только расти.

В сети ходит шутка, что искусственный интеллект уничтожит «кожаных» (подразумеваются H. sapiens). Однако пока он возносит их на олимп.

#выходные_у_бластим

Рапид Био разрабатывает и производит иммунохроматографические и иммуноферментные тест-системы, а также работает в направлении создания POC тест-систем на основе микрофлюидики и электрохимии. Сейчас компания в поиске Технолога!

Обязанности:
🔹 разработка производственных документов
🔹 глубокое погружение в специфику работы производственных процессов

Необходимые знания и компетенции:
🔸 образование высшее (техническое), как преимущество биотехнологическое
🔸 опыт работы технологом, техническим писателем от 3-х лет (производство, медлаборатории)
🔸 знание производственных и лабораторных процессов (обязательно)
🔸 опыт работы на производстве, в лаборатории
🔸 опыт разработки и перевода производственной и лабораторной документации (СОП, инструкции)
🔸 скрупулезность и внимательность к деталям в работе с документами
🔸 умение работать в команде и готовность стать частью коллектива Рапид Био
🔸 внимательность, ответственность

Условия:
▫️ график работы: 5/2 с 9:00-18:00. Возможен гибкий и гибридный график
▫️ работа в Технопарке Сколково, офис в 7-ми минутах от станции МЦД «ИЦ Сколково»*
▫️ получение опыта работы в инновационной биотехнологической компании
▫️ изучение и совершенствование английского и обеды за счет компании
▫️ социальные гарантии

*Если добираться в Сколково неудобно, компания готова компенсировать 30% аренды жилья рядом с работой (от 1 года работы в компании по решению внутреннего жилищного комитета)

Откликнуться на вакансию: u.to/sgvAIA

#бластим_вакансии

ИИ «на массе»: машинлернерам нужны белки

🐿 Как всякий фанат ждет выхода очередной серии любимого сериала, так и каждый структуральщик хочет скорее увидеть новый AlphaFold. И вот в мае команда из Google DeepMind во главе с Джоном Джампером представила AlphaFold3. Модель предсказывает пространственную укладку белков еще точнее, чем AF2. Но главная фишка — это способность прогнозировать структуру белковых комплексов и взаимодействия между белками и малыми лигандами или ДНК/РНК. AF3 принимает на вход последовательности нескольких молекул и выдает совместные 3D-картинки.

Нейросеть превосходит как классические программы докинга (Vina), так и новаторские тулы прогнозирования структур мультибелковых комплексов (AlphaFold-Multimer). Обгоняет AF3 и аналогичную модель RoseTTAFold All-Atom — ее в марте выпустила конкурирующая лаборатория небезызвестного Дэвида Бэйкера. Чтобы добиться таких результатов, пришлось существенно доработать архитектуру нейросети AF2 🤖 Например, прибегнуть к диффузионным моделям. Однако в отличие от прошлого раза компания не открыла исходный код и веса модели, а только предоставила доступ к веб-сервису и поделилась «псевдокодом», поскольку не хочет, чтобы фармкомпании коммерциализировали инновацию. Сторонники open-source в бешенстве, энтузиасты пытаются воссоздать алгоритм и сделать его полностью доступным, были даже взломы сервера AF3 😱 На этом фоне DeepMind обещала поделиться кодом с академическими исследователями в течение 6 месяцев.

🧬 Если AlphaFold и другие структурные модели, требующие для обучения экспериментальные данные, — уже давно на слуху, то сейчас набирает популярность другой подход — искать скрытый смысл в аминокислотных последовательностях, подобно тому как ChatGPT постигает закономерности человеческих текстов. Речь про белковые языковые модели (pLM). Они уже показали очень любопытные результаты, в том числе для предсказания фолдинга и de novo дизайна белков. Так, недавно ученые из стартапа Profluent под руководством Али Мадани получили с помощью pLM первые искусственные CRISPR-ножницы ✂️ и даже «порезали» ими гены человека!

Известно, что для генно-инженерных целей наиболее удобен белок SpCas9, хотя в природе много и других систем, которые ученые продолжают интенсивно искать в сообществах микроорганизмов 🧫 Но машинлернерам из Беркли естественного разнообразия оказалось мало. Специалисты, проанализировав сотни известных микробных геномов и метагеномов, обнаружили более миллиона оперонов и создали целый Атлас CRISPR-Cas. Далее они дообучили белковую языковую модель ProGen, которая умеет предсказывать следующие аминокислоты в цепочке, на собранных данных и попросили сгенерировать миллионы новых Cas-нуклеаз. Потом 200 наиболее перспективных последовательностей они синтезировали в лаборатории и трансфицировали плазмидами с ними (+гидовой РНК) человеческие клетки линии HEK293T. Многие ИИ-редакторы эффективно отредактировали гены, а один, названный OpenCRISPR-1, показал даже меньшую офф-таргет активность, чем природный белок. Разработчики надеются, что ИИ CRISPR-системы будут точными и универсальными и однажды дойдут до клиники.

#выходные_у_бластим