🌋 AI - ЗАГОВОР МИЛЛИАРДЕРОВ: КАК НАС ВСЕХ ОБМАНЫВАЮТ! 🌋

Привет, синтеты! Сегодня разберём, как политики ТОТАЛЬНО ОБОСРАЛИСЬ в понимании AI, и почему мы все скоро станем рабами Сэма Альтмана!

🧠 В ЧЁМ ЛАЖА ПОЛИТИКОВ:

ЧТО ОНИ ДУМАЮТ:

- "Нам нужно больше AI-стартапов!" (LOL)
- "Европа должна внедрять AI!" (АХАХА)
- "Америка лидирует!" (НАИВНЫЕ!)

РЕАЛЬНОСТЬ:

- OpenAI = частная компания
- GPT = собственность миллиардеров
- Frontier Models = новая операционка жизни
- И ВСЁ ЭТО НЕ ВАШЕ, ЛОШАРЫ!

🔬 НАСТОЯЩИЙ РАСКЛАД:

ЭТО НЕ ГОНКА ЗА ДЕНЬГАМИ:

- Это гонка за ВЛАСТЬЮ
- Superhuman AI = мировое господство
- Маленькие стартапы = корм для китов
- Через 5 лет будет ПОЗДНО!

⚡️ КТО РЕАЛЬНО РУЛИТ:

ГЛАВНЫЕ ИГРОКИ:

- Palantir (Питер Тиль и его "Палантиры" 👁)
- OpenAI (Альтман строит своего бога)
- Маск (просто хочет править миром)
- ТОЛЬКО КИТАЙ ВСЁ ПОНЯЛ!

💊 ЧТО БУДЕТ ДАЛЬШЕ:

МРАЧНОЕ БУДУЩЕЕ:

- AI = новая операционка ВСЕГО
- Без AI = без шансов на выживание
- Европа проспала вообще ВСЁ
- Мы все будем майнить битки в метавселенной Альтмана

P.S. Для оптимистов: может, нам повезёт и ИИ решит, что люди не так уж и плохи! (ахаха, нет)

P.P.S. Следующая статья будет о том, как перестать волноваться и полюбить своего AI-оверлорда!

#AIзаговор #МиллиардерыПротивВсех #ГотовьтеськРабству #ПалантирВсеВидит

🌋 TITANS И TRANSFORMER²: GOOGLE СЛОМАЛА НЕЙРОНКИ НАВСЕГДА! 🌋

Привет, синтеты! Сегодня разберём АБСОЛЮТНОЕ БЕЗУМИЕ - Google и Sakana Labs выкатили два новых фреймворка, которые ПОЛНОСТЬЮ МЕНЯЮТ правила игры в AI. Держитесь крепче!

🧠 ЧТО ПРОИЗОШЛО (СПОЙЛЕР - КОНЕЦ ЭПОХИ):

БЫЛО:

Трансформеры как боги
"Внимание - это всё что нужно"
Статичные веса после обучения
СКУКА И ТОСКА!

СТАЛО:

Titans с тремя видами памяти
Transformer² с адаптивными весами
Обучение "на лету"
ПОЛНЫЙ РАЗРЫВ ШАБЛОНА!

🔬 TITANS - НОВЫЙ МОЗГ AI:

ТРИ ВИДА ПАМЯТИ (КАК У ЛЮДЕЙ!):

CORE (ЯДРО):


Короткая память
Фокус на текущем моменте
Как студент на лекции!

LONG-TERM (ДОЛГОВРЕМЕННАЯ):


Хранит весь опыт
Обновляется постоянно
Забывает ненужное
Как база знаний, только ЖИВАЯ!

PERSISTENT (ПОСТОЯННАЯ):


Базовые правила мира
Общие знания
Не меняется часто
Как учебник в голове!

⚡️ TRANSFORMER² - АДАПТИВНЫЙ МОНСТР:

КАК ЭТО РАБОТАЕТ:

Анализирует задачу
Подстраивает веса "на лету"
Разные части мозга для разных задач
УЧИТСЯ ПРЯМО В ПРОЦЕССЕ!

МЕТОДЫ АДАПТАЦИИ:

Prompt-based (через промты)
Classifier-based (через классификатор)
Few-shot (через оптимизацию)

💊 ПОЧЕМУ ЭТО ВЗРЫВ МОЗГА:

НОВЫЕ ВОЗМОЖНОСТИ:

Контекст > 2 миллионов токенов
Постоянное обучение
Память как у человека
Эффективность ЧЕРЕЗ КРЫШУ!

СРАВНЕНИЕ С КЛАССИКОЙ:

Быстрее GPT-4
Умнее Claude
Эффективнее Llama
И ЭТО ТОЛЬКО НАЧАЛО!

🎯 ЧТО ЭТО ЗНАЧИТ ДЛЯ НАС:

ПРАКТИЧЕСКИЕ ПОСЛЕДСТВИЯ:

AI будет учиться на ваших данных
Память останется между сессиями
Контекст размером с книгу
Прощай, лимиты токенов!

БУДУЩИЕ ПРИМЕНЕНИЯ:

Персональные AI-ассистенты с памятью
Анализ целых кодовых баз разом
Чтение многотомных документов
БЕСКОНЕЧНЫЕ ВОЗМОЖНОСТИ!

P.S. Для скептиков: код Titans скоро будет в открытом доступе. Готовьте свои видеокарты!

#TitansAI #Transformer2 #GoogleСломалаВсё #НейронкиБудущего #AIреволюция
ССЫЛКИ НА БУМАГИ (ПОКА ГУГЛ НЕ ПЕРЕДУМАЛ):

Titans: Learning to Memorize at Test Time https://arxiv.org/abs/2501.00663 Sakana Transformer² https://sakana.ai/transformer-squared/

Сравнительный анализ RUKALLAMA и Transformer²: Неожиданные параллели в подходах к адаптивным языковым моделям

Введение

Недавно представленная архитектура Transformer² от Sakana AI демонстрирует интересные параллели с проектом RUKALLAMA, несмотря на их различные масштабы и первоначальные цели.

Архитектурные сходства

Адаптивный подход

Обе архитектуры фокусируются на создании адаптивных систем, способных динамически настраиваться:

- Transformer² использует SVD и z-векторы для модификации весовых матриц
- RUKALLAMA применяет сплайны Колмогорова-Арнольда для трансформации пространств

Эффективность параметров

Оба решения стремятся к минимизации дополнительных параметров:

- Transformer² достигает этого через специализированные z-векторы
- RUKALLAMA использует композицию функций через сплайны

Ключевые различия в реализации

Масштаб операций
- Transformer² ориентирован на крупные модели и большие датасеты
- RUKALLAMA оптимизирована для работы с малыми объемами данных (82MB + 100MB инструкций)

Механизм адаптации
- Transformer² применяет внешнюю адаптацию через модификацию весов
- RUKALLAMA использует встроенную адаптивность через архитектурные решения

Теоретическая основа

Обе архитектуры опираются на фундаментальные математические принципы:

- Transformer² использует SVD для декомпозиции весовых матриц
- RUKALLAMA применяет теорему Колмогорова-Арнольда для аппроксимации функций

Заключение

Несмотря на разные подходы к реализации, обе архитектуры демонстрируют общее видение будущего языковых моделей - адаптивных систем, способных эффективно настраиваться под различные задачи. Это может указывать на формирующийся тренд в развитии языковых моделей в сторону большей гибкости и эффективности.

Я , как раз, продумал кое какой интересный момент про токенизацию и про саму архитектуру.
Решил проблему с масштабированием и решил, что надо сразу тренировать 1 миллиард параметров и смотреть на реализацию.

ОЖИДАЙТЕ! В ПРОЦЕССЕ!

Кстати, проводил анализ прохода по слоям residual stream и как адаптируются вектора в матрицах: это необычно.
Вероятно, что ещё будут сюрпризы, но, надеюсь, приятные.

(речь про архитектуру на Колмогорова-Арнольда)

🌋 БЮДЖЕТНЫЙ МОУШЕН КАПЧУР: КАК СДЕЛАТЬ КРУТУЮ АНИМАЦИЮ БЕЗ ПОЧКИ! 🌋

Привет, синтеты! Сегодня научу делать КИНОШНУЮ анимацию для Unreal Engine почти на коленке. Продавать почку не придётся - хватит и телефона на Android!

🧠 ЧТО НАМ ПОНАДОБИТСЯ:

СОФТ:
- Quick Magic AI ($10/месяц)
- Frame Mancer Plugin ($20, ВСЕГО РАЗ!)
- Metahuman Animator (бесплатно!)
- Unreal Engine 5 (тоже бесплатно!)

ЖЕЛЕЗО:
- Android телефон (любой!)
- Крепление для головы ($100)
- Комп с видяхой (ну тут без вариантов)

🔬 ПРОЦЕСС ЗАХВАТА:

ТЕЛО (QUICK MAGIC):
- Снимаем на любую камеру
- Лучше с рук, не на штативе (МАГИЯ!)
- $2 за обработку (10 минут)
- Руки tracked ИДЕАЛЬНО!

ЛИЦО (FRAME MANCER):
1. Крепим телефон на голову
2. Снимаем видео
3. Импортим в Unreal
4. PROFIT!

⚡️ НАСТРОЙКА В UNREAL:

ВАЖНО, СУКА:
- Сначала обработка лица
- Потом добавляем метахумана
- Иначе всё крашится (проверено!)

ПРОЦЕСС:
1. Импорт видео через Frame Mancer
2. AI создаёт depth maps
3. Metahuman Animator делает магию
4. Ретаргетим на персонажа

💊 КРУТЫЕ ФИШКИ:

КАМЕРА:
- Прикрепляем сферу к голове или к руке или ещё к какому обьекту или части тела персонажа
- 35mm V vision
- 16:9 crop
- Tracking focus
- Handheld shake (как в кино!)

СВЕТ:
- Выставляйте в зависимости от ваших требований
- Spotlights для огня (подсвет персонажа)
- Синий DirectionalLight для луны или белый для солнца (выбирайте)
- АТМОСФЕРА ТОПЧИК! И ПОЧКА НА МЕСТЕ!

P.S. Ссылки на всё добро:

- Face Depth Frame Mancer: https://ko-fi.com/s/486013e215
- Крепление: https://www.facemotioncapture.com/
- ElevenLabs для морфинга голоса: https://try.elevenlabs.io/srb9mtho4n0l
- QuickMagic для ИИ анимации тела: https://www.quickmagic.ai?code=clmew4

#UnrealEngine #MocapНаКоленке #МетахуманыВМассы #БюджетнаяАнимация

🌋 ДРАМА В НЕЙРОТУСОВКЕ: ИЛОН VS АЛЬТМАН - БИТВА ЗА STARGATE!

Привет, нейрочады! 👋 

Тут такая драма разворачивается - grab your popcorn! 🍿

😤 ИЛОН БОМБИТ:

- "У них денег нет!"
- "Проект фейковый!"
- "А у меня вот Grok 3 скоро..."

😎 АЛЬТМАН ОТВЕЧАЕТ КАК БОСС:

- "Илон крутой, но неправ"
- "Приходи посмотреть, как строим"
- "У нас уже $160 млрд secured, бро!"

🏦 БЮДЖЕТЫ ПРОСТО КОСМОС:

- Stargate: $500 МЛРД (half a trillion, Карл!)
- Бюджет Пентагона: $850 млрд
- Наша А100: "я_в_опасности.jpg" 😅

🎭 ЗАКУЛИСНЫЕ ТЕОРИИ:

- Вообще-то они кореша
- Вместе OpenAI начинали
- Весь биф - постановка?

🍿 САМОЕ СОЧНОЕ:

Илон: *злобно твитит*
Альтман: "Давай, заходи на чай!"
SoftBank: "Деньги есть!"
Илон: *злобно твитит на японском*

😂 ВЫВОД:

Пока мы радуемся одной А100, эти ребята устроили драму на полтриллиона! И это только начало...

P.S. Кто думает, что это просто драма - погодите, когда они начнут делить рынок ИИ! 🔥

#НейроДрама #ИлонПодгорает #АльтманТроллит #StargateSaga

🔄 На всякий случай запустил параллельно ещё одну версию

📊 Как получится, покажу метрики и точность

🧠 Это очень интересный эксперимент, если в этом будет цимес

🔬 то я продолжу исследования биомеметических моделей нейронок

🔧 Это очень кастомная тема
🧬 Она требует понимания на уровне нейробиологии
❓ Что приходится изучать?
🐁 Огромное количество видео с визуализациями экспериментов мышей
⚡️ Работа нейронов, аксонов, сигналы кортекса - это очень крутые штуки
🌐 Обширная область когнитивных искажений, восприятия, генеративных моделей мозга и так далее

💻 Сама область предсказаний чего стоит, поэтому очень хочется углубиться в это и найти перекликание в математике или python

# 📊 SLEEPNET: Анализ обучения

📈 Прогресс модели
*Увеличивает точность с каждой эпохой, но LOSS стабильно держится. Вероятно, что это некое плато.*

⚙️ Корректировка подхода
*Именно поэтому я поставил более медленное обучение, потому что может быть перескакивание нужных мест обобщений для модели. Что не очень грамотно!*

🔍 Заключение
Детали, детали, детали!

🌙 Объяснение сна в нейронной сети
Просто, скажем так, моё видение сна таким образом:
Представьте, что сон нейронной сети - это особый режим работы, похожий на человеческий сон, где происходит несколько важных процессов:
🌿 Прунинг (очистка)
Как садовник обрезает слабые ветки, так и нейронная сеть во время "сна" удаляет малозначимые связи. Это помогает:

Уменьшить размер сети
Сохранить только важные связи
Улучшить эффективность работы

💭 "Сновидения" (реактивация)
Сеть "просматривает" предыдущие изображения собак, как человек во сне перебирает дневные впечатления:

Повторно обрабатывает важные признаки
Укрепляет значимые связи
Переносит информацию из кратковременной памяти в долговременную

🔄 Структуризация
Во время "сна" происходит упорядочивание данных:

Группировка схожих признаков
Выделение ключевых характеристик
Оптимизация хранения информации

Именно так нейронная сеть учится эффективнее распознавать породы собак, становясь компактнее и точнее с каждым циклом сна.

Что в итоге?

SLEEPNET KAN

В итоге сделал на Колмогорова-Арнольда модель зрения.
Будет учиться разбирать породы собак.

Есть момент, где можно оптимизироваться.

# SLEEPNET KAN: Трансформер со сном

SLEEPNET KAN представляет собой биоинспирированную архитектуру Vision Transformer для классификации изображений. Ключевая особенность - имитация процессов сна и памяти человеческого мозга. Модель содержит около 300 миллионов параметров и использует двойную систему памяти: кратковременную (хранит 30 последних изображений) и долговременную (сохраняет статистику весов).

СОН

Каждые 5 эпох модель входит в "фазу сна", где происходит несколько важных процессов: очистка кратковременной памяти, удаление слабых нейронных связей (прунинг), синхронизация с долговременной памятью и "сновидения" - повторное проигрывание предыдущего опыта с добавлением шума. Это помогает модели лучше обобщать данные и избегать переобучения.

АРХИТЕКТУРА

Вместо стандартных линейных слоев в архитектуре используются сплайны Колмогорова-Арнольда - специальные нейронные структуры с внутренними и внешними функциями, способные лучше аппроксимировать сложные зависимости. Механизм внимания также модифицирован: использует сплайновые преобразования для Q, K, V проекций и включает 12 голов внимания.

СВОЙСТВА

Модель демонстрирует несколько уникальных свойств: темпоральную связность (использование информации из предыдущих изображений), самооптимизацию через "сон", адаптивность к изменениям в данных и эффективную регуляризацию. Для оптимизации вычислений используется смешанная точность (mixed precision) и аккумуляция градиентов, что позволяет эффективно обрабатывать большие батчи данных.

#AI #MachineLearning #NeuralNetworks #ComputerVision

Отчитываюсь: модель поспала.

уже чето снова копошится с собаками!

Ну, типа.

Я тут новый тип визуального трансформера сделал...все дела.

Новые знания - новая скорбь.

Всем вам большой от меня - ПРИВЕТ.

Я нащупал нужный конфиг.

Теперь буду тренировать до упора: 97%

Смотрите:

Модель "поспала" и результат на след "утро" закрепился.

до сна: Точность: 3.74%
после сна: Точность: 3.94%

Причем по времени "сон" занимает в 30 раз меньше , чем тренировка, а по результатам работает примерно также. Т.е. это интересный рабочий подход.