🥳 Как одна летняя тусовка в Дартмуте случайно запустила эру искусственного интеллекта

Лето 1956 года. Тихий кампус Дартмута. Несколько учёных, которые слишком много думают о машинах. И один почти наглый вопрос:

а что если научить компьютер мыслить?

Сегодня это кажется очевидным — у нас есть ChatGPT, нейросети, автономные системы. Но тогда компьютеры были шкафами на колёсах, и сама идея интеллекта в машине звучала как фантазия. Тем не менее, четверо смельчаков — Маккарти, Минский, Шеннон и Рочестер — решили собрать всех энтузиастов в одном месте и разобраться.

Так появился Dartmouth Workshop, событие, которое считается официальным рождением искусственного интеллекта.

▶️ Почему этот воркшоп стал легендой

Не было ни чёткого расписания, ни строгих протоколов. Люди приезжали, уезжали, спорили, рисовали формулы на досках, спорили снова.
Но именно в этом хаосе родилось главное:
🔘 интеллект можно описывать математически.
🔘 и если можно описать — можно реализовать в машине.

А ещё приехала команда Newell–Shaw–Simon и показала Logic Theorist — программу, которая умела доказывать теоремы. Не теоретически, а реально. Это стало маленьким шоком: машины могут думать не хуже студентов.

Кто стоял за началом ИИ:
🔘 Джон Маккарти — придумал слово Artificial Intelligence.
🔘 Марвин Минский — пытался разложить интеллект на части, как сложный механизм.
🔘 Клод Шеннон — человек, который вообще объяснил миру, что такое информация.
🔘 Натаниел Рочестер — заставлял всё это работать на ранних компьютерах IBM.

▶️ Что нам осталось в наследство от Дартмута

Практически всё, с чего начинается современный курс по ИИ:
🔘 символьные модели,
🔘 поиск и эвристики,
🔘 первые шаги машинного обучения,
🔘 идеи компьютерного зрения,
🔘 формализация знаний и рассуждений.

Они не создали разумную машину — но задали путь, по которому идём до сих пор.

🔹 Курс «Специалист по ИИ»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🐸 Библиотека дата-сайентиста

#междусобойчик

📱 Хотите понять, как работает LLM изнутри? Есть отличный репозиторий

Если вы когда-нибудь ловили себя на мысли:

«А как вообще устроены GPT-подобные модели? Можно ли собрать свою — пусть маленькую, но настоящую?»

То вот подарок.

Есть репозиторий Build a Large Language Model (From Scratch) — это официальный код к одноимённой книге, где вы буквально шаг за шагом пишете свой собственный LLM. Не магия, не «всё слишком сложно», а нормальный, понятный разбор: архитектура, обучение, токенизация, внимание — всё по полочкам.

Плюс бонус: есть код для загрузки весов крупных моделей, чтобы вы могли потренироваться в финетюнинге.

➡️ GitHub: https://clc.to/_17mAg

🔹 Курс «Специалист по ИИ»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🐸 Библиотека дата-сайентиста

#буст

👍 Классный IDE для Data Science — Positron

Коллеги, хотим поделиться находкой. Мы тут попробовали Positron — новый IDE — и оказались приятно удивлены.

Positron ощущается как инструмент, сделанный людьми, которые сами каждый день пишут код и работают с данными:
• поддерживает несколько языков (Python, R, SQL и другие),
• удобно исследовать данные и сразу документировать результаты,
• интерфейс современный, но при этом интуитивный — будто всегда был под рукой,
• расширяемость позволяет адаптировать среду под свои задачи.

В целом, Positron оставляет очень «домашнее» ощущение: ничего не мешает, всё под рукой, можно спокойно концентрироваться на работе.

📱 Если вы ищете удобный и гибкий IDE для дата-сайенса — попробуйте: https://clc.to/T4rD3g

🔹 Курс «Специалист по ИИ»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🐸 Библиотека дата-сайентиста

#буст

🐸 Библиотека дата-сайентиста

#развлекалово

🆕 Свежие новости для дата‑сайентистов

✅ Microsoft представила Fara-7B — open-weight агент для управления компьютером
Вместо fragile-скриптов модель просто смотрит на экран и кликает, как человек. Звучит очевидно, но для веб-автоматизации это большой шаг вперёд: сайты меняются, а UI гораздо терпимее к «людям», чем к ботам. Заодно хороший пример того, как агентные модели начинают выходить из теории в практику.

✅ Как на самом деле работает prompt caching
Кешируется контент на уровне токенов, а не запросы или диалоги целиком. Любое изменение в префиксе — и весь кеш обнуляется. Отличное объяснение для тех случаев, когда кеш «почему-то» не сработал.

✅ NVIDIA выпустила Alpamayo-R1 — vision-language action модель для автономного вождения
Модель объединяет восприятие и текстовое рассуждение и нацелена уже не на распознавание, а на принятие решений в физическом мире. VLM всё меньше выглядят как демо и всё больше — как фундамент для real-world AI.

✅ Mistral анонсировала семейство Mistral 3
Open-weight MoE без сюрпризов: упор на производительность, понятные лицензии и удобство для разработчиков. Очень характерный шаг для команды, которая делает ставку на практичность.

✅ Google Research представили Titans — модель с памятью на миллионы токенов
Вместо полного attention используется внешняя память, что снижает стоимость работы с длинными контекстами. Похоже на ещё один шаг к моделям, которые не просто «читают много», а действительно что-то помнят.

✅ Работа с NLP на Python
Cпокойный и прикладной обзор инструментов и подходов. Хорошо подойдёт для освежения базы.

✅ Визуально-языковые модели: следующий шаг эволюции LLM
Bнятно о том, зачем LLM зрение и куда это всё движется.

✅ Как сжимать языковые модели без дообучения
Про квантование и другие способы уложить модель в прод-ограничения.

🔸 Курс «Специалист по ИИ»
🔸 Получить консультацию менеджера
🔸 Сайт Академии 🔸 Сайт Proglib

🐸 Библиотека дата-сайентиста

#свежак

😸 Мы тоже не верили, что Haskell подходит для data science

Мы тут наткнулись на текст с громким названием «Haskell IS a Great Language for Data Science» — и, честно говоря, сначала отнеслись скептически. Haskell? Для data science? Серьёзно?

А потом начали читать. И поняли, что автор не просто хайпит, а довольно внятно показывает, зачем строгая типизация, иммутабельность и умный компилятор могут быть не академической экзотикой, а реальным плюсом для работы с данными.

😏 Особенно если вы устали от сюрпризов в рантайме и бесконечных NA / None / NaN.

Это не «срочно переписываем всё с Python и R», но как минимум — хороший повод расширить кругозор и посмотреть, как вообще может выглядеть data science в мире строгих типов.

Делимся оригинальной статьёй тут 👉 https://clc.to/kXZhwA
А вы бы попробовали Haskell для аналитики или это уже too much?

🔹 Курс «Специалист по ИИ»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🐸 Библиотека дата-сайентиста

#буст

🤖 Claude стал новым тренером для LLM

Если вы думали, что настройка языковых моделей — это сложная и скучная рутина, встречайте Claude.

С помощью Hugging Face Skills Claude теперь умеет:
〰️ запускать задачи на облачных GPU;
〰️ следить за прогрессом;
〰️ загружать готовые модели на Hugging Face Hub;
〰️ работать с моделями от 0.5B до 70B параметров;
〰️ конвертировать модели в GGUF для локального использования;
〰️ собирать многоступенчатые пайплайны.

😎 То есть вместо долгих часов настройки можно спокойно наблюдать, как модель учится и совершенствуется.

Полный гайд здесь: https://clc.to/j-81ZA

🔹 Курс «Специалист по ИИ»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🐸 Библиотека дата-сайентиста

#буст

👀 Инструмент, без которого в 2025 LLM-продукты выпускать уже немного страшно

Opik от Comet — open source инструмент для оценки LLM-приложений.

Если вы собираете:
✔️ RAG-чаты,
✔️ многоагентные пайплайны,
✔️ корпоративных copilot’ов,

то Opik закрывает боль отладки, тестирования и мониторинга сразу на всех уровнях LLM-стека.

Что внутри:
✔️ End-to-end трассировка — логирование и визуализация каждого LLM-вызова в dev и prod
✔️ Evaluation suite — эксперименты с промптами, бенчмарки и LLM-as-a-judge метрики (галлюцинации, фактуальность, RAG-релевантность, модерация и не только)
✔️ Встроенные guardrails — PII, небезопасный контент, упоминание конкурентов, офф-топ
✔️ CI/CD-ready — интеграция с pytest, unit-тесты для моделей буквально в одну строку
✔️ Дашборды — фидбэк, количество трэйсов, токены, всё на масштабе
✔️ Работает с любыми LLM: OpenAI, open source или кастомные агенты

Плюс — можно использовать свои метрики, датасеты и прямо в интерфейсе аннотировать ответы моделей.

Короче, если у вас LLM-продукт перестал быть игрушкой и стал системой — посмотреть точно стоит.

📱 Репозиторий: https://clc.to/9Mb0zQ

🔹 Курс «Специалист по ИИ»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🐸 Библиотека дата-сайентиста

#буст

🆕 CUDA 13.1 переворачивает GPU-программирование

Наконец-то NVIDIA выпустила CUDA 13.1, и это не просто очередное обновление — это настоящий сдвиг парадигмы. Если вы когда-то пытались объяснить GPU, что делать с тысячами маленьких потоков (да-да, тот самый SIMT-модель), то знаете, что это сродни попытке управлять тысячью муравьёв одновременно.

💡 Что нового

CUDA 13.1 вводит tile-based programming. Вместо того чтобы двигать песчинку за песчинкой, теперь можно управлять целыми плитками данных. Представьте: вместо того чтобы таскать каждую песчинку в отдельности, вы берёте целый холм и переносите его за один раз. Магия, правда?

Что это значит для нас, Python-разработчиков и исследователей AI:
✔️ Прощай, C++ барьер: с CuTile можно писать высокопроизводительные ядра на чистом Python. Не нужен диплом магистра по C++.
✔️ Синхронизация с железом: современные тензорные ядра уже «думают» блоками данных, а софт теперь догнал железо.
✔️ Будущее уже здесь: поддержка Blackwell архитектуры и новых FP4/FP6 форматов ускоряет и делает эффективнее LLM.

Иными словами, программировать ускорители стало логичнее, чище и мощнее.

🔗 Ссылка на новость

🔹 Курс «Специалист по ИИ»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🐸 Библиотека дата-сайентиста

#свежак