TGTGInsightтелеграм анализLIVE / telegram public index
← Такты, стеки, два колеса

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #406 · 1.07

Хотел сделать большое видео об этом, но пора признаться себе, что у меня никогда не будет на него времени (чтобы сделать качественно и интересно). Поэтому расскажу вам так. Уже второй сезон езжу вот на такой технике: трицикл Can-Am Spyder 2008 года. Решение его купить основывалось на трёх пунктах. 1. Очень давно присматривался и хотел попробовать 2. Никогда не езжу в городе и вообще не использую мотоцикл как транспорт, а только как средство для удовольствия в свободных от пробок местах 3. Катать жену более безопасным образом :) Сразу скажу: техника ровно такая, какой выглядит — очень спорная, очень своеобразная. Центральный недостаток с точки зрения внешнего наблюдателя обычно выглядит так: от мотоцикла ты вроде бы ожидаешь возможности ездить сквозь пробки, а если уж нет, тогда логично взять автомобиль — он комфортнее, может ездить в дождь и снег, везти больше вещей. Это всё правда, я сейчас езжу на автомобиле в том числе, и могу со всей ответственностью заявить, что автомобиль комфортнее и удобнее как способ передвижения. Дело только в том, что мотоцикл это не способ передвижения. Я писал об этом давно, ещё когда ездил на двухколёсной технике. Для перемещения своего тела из точки А в точку Б крайне непрактично использовать транспорт, который наиболее опасен именно в плотном потоке машин, требует специальной одежды и обуви, не позволяет с собой взять много вещей, одинаково плох и в дождь и в жару. Мотоцикл это средство для катания ради кайфа. Ты выбираешь под это время и место. И вот тут трицикл показывает себя хорошо: проходимость в пробках не важна, потому что ты в любом случае не выбрал бы пробки. Вообще, по секрету вам скажу, мотоциклисты не испытывают удовольствия от необходимости протискиваться между рядами. Это довольно стрессово — тебе приходится постоянно следить, чтобы и тебя никто не прижал, и ты никому зеркало не снёс. Рука устаёт от работы сцепления и тормоза. Толкотня, выхлопы, агрессивные взбешённые из-за долгого стояния водители. А если у тебя не компактный городской нейкед, а широкий павер-круизер или Голда, тебе порой вообще лучше занимать в пробке машиноместо и стоять вместе со всеми. В каком-то смысле даже лучше, если у тебя нет выбора "стоять в пробке или пытаться тесниться с опасностью и стрессом для себя". Зато, если ты выезжаешь ранним утром или поздним вечером на кольцевую, ЗСД, в область и в другие подобные места, чтобы прокатиться с ветерком, либо едешь в дальняк — вот здесь у трицикла есть ряд серьёзных преимуществ. Самое главное это безопасность: тебе не страшны ямы, колдобины, рельсы, разметка и скользкая дорога. У тебя нет опасности завалиться на бок, словить вобблинг или боковой ветер. Как следствие, ты можешь ездить, например, в обычной обуви и относительно простой плотной одежде. Поездки в дождь, если уж пришлось, тоже существенно проще. При этом ощущения полностью мотоциклетные — динамика и обзор, чувство скорости и управление — всё как у мото (на эту штуку нужны мотоциклектные права, и вообще по документам это мотоцикл). Ты получаешь такие же эмоции, при этом меньше рискуя: отлично подходит для тех, у кого взаимоотношения с мототехникой это не адреналиновая наркомания, а просто способ приобретать определённые впечатления, недоступные другим способом. Ну и много мелочей сверху: больше вещей с собой везёшь (спереди багажник под крышкой), на пересечённой местности не страшно завалиться на грязи, меньше устаёшь сам (не нужно держать равновесие корпусом), легче ездить вдвоём с кем-то и т.д. Скоро собираюсь в средний дальняк (до этого ездил в маленький), буду вам рассказывать по пути. #moto#hobby

Hashtags

Резултати

Намерени 12 подобни публикации

Търсене: #tpu

当前筛选 #tpu清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #9017 · 19.11.2025 г., 14:10

📢 Google уверенно выводит свои TPU на новый уровень — и делает это сразу по трём направлениям. Компания развивает три семейства собственных ускорителей: Ironwood, Sunfish и Zebrafish. Так Google закрывает потребности в высокопроизводительном инференсе, обучении моделей и создании огромных суперподов на 2026–2027 годов. TPU уже используют Safe Superintelligence, Salesforce и Midjourney - то есть экосистема растёт. **🚀 Ironwood (TPUv7):* Это самое впечатляющее поколение TPU на сегодня: • примерно 10× быстрее TPU v5 • примерно 4× производительнее TPU v6 • до 4,600 FP8 TFLOPS на чип • 192 GB HBM3e • масштабирование до 9,216 чипов в одном поде • около 1.77 PB общей памяти Такой уровень идеально подходит для LLM, где важны скорость и масштаб. 🔥 Sunfish (предположительно TPUv8) Следующее поколение создаётся совместно с Broadcom. Запуск ожидается ближе к концу 2020-х, и Sunfish должен стать главным ускорителем Google Cloud. 💡 Zebrafish: гибкая и массовая линейка MediaTek выступает ключевым партнером по ASIC. Zebrafish будет: • более доступным по цене • с гибкими характеристиками • подходящим для локальных и более компактных кластеров То есть не только для гигантских суперкомпьютеров, но и для широкого использования. 🌐 Зачем Google три разных TPU? Это даёт компании возможность: • разделять нагрузки между поколениями • удерживать клиентов уровня Anthropic • обеспечивать более 1 ГВт выделенной мощности • конкурировать с Nvidia на уровне не только чипов, но целых систем Google строит собственную вертикаль ИИ-инфраструктуры - масштабную, гибкую и рассчитанную на годы вперёд. Все это нужно, чтобы доминировать на рынке ИИ. @ai_machinelearning_big_data #google#tpu

Hashtags

经济信息联播

@eco_cn · Post #29637 · 28.02.2026 г., 01:44

据报道,#Meta 已签多年协议、以数十亿美元租用谷歌TPU,并计划把 #TPU 用于AI训练,而不仅仅是推理。此次交易发生在Meta刚承诺采购数百万英伟达GPU之后,显示其从“重押英伟达”转向“多供应商”。

Hashtags

NEWS 鏈新聞-ABMedia

@abmedia_news · Post #24058 · 22.04.2026 г., 13:27

【🤖 AI|Google Ironwood TPU:10 倍效能 + 四家夥伴對抗 Nvidia】 Google 正式擴張自研 AI 晶片:第七代 TPU Ironwood 推理專用、尖峰效能為 v5p 10 倍、192GB HBM3E,全面供應 Google Cloud。同步啟動 Broadcom、MediaTek、Marvell、Intel 四夥伴客製設計。Anthropic 承諾 100 萬顆、Meta 簽數十億美元合約。 #Google#TPU#Nvidia 📍閱讀全文: https://abmedia.io/google-ironwood-tpu-v7-inference-nvidia-challenge-four-partners

NEWS 鏈新聞-ABMedia

@abmedia_news · Post #24123 · 25.04.2026 г., 08:10

【🚀 AI 人工智慧|Google 加碼 400 億美元投資 Anthropic:先付 100 億、再依業績釋放 300 億,配 5GW TPU 算力 】 #Google#Anthorpic#TPU 📍 請見報導: https://abmedia.io/google-40b-anthropic-investment-cash-compute-tpu-5gw 📍 訂閱鏈新聞頻道:https://linktr.ee/abmedia.io

Machinelearning

@ai_machinelearning_big_data · Post #8472 · 08.09.2025 г., 14:02

💰Google TPUs - главный конкурент NVIDIA? Аналитики считают: если бы Google выделила бизнес по TPU-чипам вместе с лабораторией DeepMind, то объединённая компания могла бы стоить около $900 млрд. Пока этого не произойдёт, но сама цифра показывает масштаб. 📌Что такое TPU и почему они важны 🟢Чипы, созданные специально для машинного обучения 🟢Их производительность — до 42,5 экзафлопс 🟢Сами чипы сопоставимы с NVIDIA по скорости и энергоэффективности 🟢 За полгода активность разработчиков в Google Cloud выросла на 96% , благодаря собственному железу 🔥Новые поколения чипов - 6-е поколение Trillium уже пользуется высоким спросом - 7-е поколение Ironwood станет первым TPU, ориентированным на крупномасштабный inference — этап, когда модели реально используются после обучения Anthropic и xAI активно рассматривают переход на TPU, так как улучшенная поддержка через JAX делает их использование на больших масштабах заметно проще. Google уже заключила сделку с Fluidstack (Нью-Йорк) и ведёт переговоры с другими облачными провайдерами, которые раньше работали в основном с NVIDIA (например, Crusoe и **CoreWeave**). В итоге Google выходит в прямую конкуренцию с NVIDIA — и впервые за долгое время у «зелёного гиганта» появился серьёзный соперник. 🟢Новость: marketwatch. com/story/google-may-be-sitting-on-a-900-billion-gem-that-could-disrupt-nvidias-dominance-20662ec6 @ai_machinelearning_big_data #google#nvidia#tpu#deeplearning

Machinelearning

@ai_machinelearning_big_data · Post #8095 · 17.07.2025 г., 13:01

✔️Stanford и Google представили Marin — первую полностью открытую LLM, разработанную на JAX Что делает Marin особенной: — Полностью открыты не только веса, но показан весь процесс обучения: код, данные, гиперпараметры модели, логи, эксперименты — всё доступно на GitHub — Модель обучена на 12.7 трлн токенов и в 14 из 19 тестов обошла Llama 3.1 8B — Лицензия Apache 2.0, всё можно использовать, модифицировать и воспроизводить — Levanter + JAX обеспечивают bit‑exact повторяемость и масштабируемость на TPU/GPU Проект позиционируется как открытая лаборатория: каждый эксперимент оформляется через pull request, логируется в WandB, обсуждается в issue и фиксируется в истории репозитория. Даже неудачные эксперименты сохраняются ради прозрачности. Выпущены две версии: - Marin‑8B‑Base — сильный base-модель, превосходит Llama 3.1 8B - Marin‑8B‑Instruct — обучена с помощью SFT, обгоняет OLMo 2, немного уступает Llama 3.1 Tulu Это не просто открытые веса, а новый стандарт для научных вычислений в эпоху больших моделей. * JAX — это фреймворк от Google для научных и численных вычислений, особенно популярен в сфере машинного обучения. **TPU (Tensor Processing Unit) — это специализированный чип от Google, созданный для ускорения AI-задач. 🟠Github: https://github.com/stanford-crfm/marin 🟠Блог: https://developers.googleblog.com/en/stanfords-marin-foundation-model-first-fully-open-model-developed-using-jax/ 🟠Гайд: https://docs.jax.dev/en/latest/quickstart.html @ai_machinelearning_big_data #ai#ml#tpu#jax#google

Machinelearning

@ai_machinelearning_big_data · Post #8349 · 24.08.2025 г., 09:01

📌Анатомии GPU и TPU: 12 глава пособия "How to Scale Your Model" Группа инженеров из Google DeepMind опубликовали 12-ю главу своего он-лайн учебника "How to Scale Your Model: A Systems View of LLMs on TPUs" How to Scale Your Model - практико-ориентированное руководство по масштабированию LLM из 12 разделов для разработчиков и исследователей. Оно объясняет, как анализировать и оптимизировать производительность модели, учитывая системные ресурсы: вычисления, память и пропускную способность. Пособие научит выбирать оптимальные стратегии параллелизма, оценивать стоимость и время обучения и инференса, а также глубже понять взаимодействие между TPU/GPU и алгоритмами масштабирования как на одном, так и на тысячах ускорителей. 12-я глава - глубокое техническое руководство по архитектуре GPU и стратегиям масштабирования больших моделей. В ней детально разбирается устройство современных GPU NVIDIA: Streaming Multiprocessors, Tensor Cores, иерархия памяти (HBM, L2, SMEM), все это с подробными сравнительными таблицами характеристик для разных поколений чипов. Очень подробно выполнено сравнение архитектур GPU и TPU, с объясняем ключевого различия между модульностью GPU и монолитностью TPU. Особое внимание, что редкость для обучающих материалов, уделено сетевой организации кластеров. Авторы доступно объясняют как GPU соединяются внутри узлов через NVLink/NVSwitch и между узлами через InfiniBand в топологии "Fat tree", и как пропускная способность на каждом уровне влияет на реальную производительность коллективных операций (AllReduce, AllGather). Описаны основные стратегии параллелизма: Data Parallelism, Tensor Parallelism, Expert Parallelism и Pipeline Parallelism, с разбором их ограничений и примеров из реальных проектов. В конце главы есть хороший анализ новых возможностей архитектуры Blackwell. @ai_machinelearning_big_data #AI#ML#LLM#Scaling#GPU#TPU

BK Tech Insight - 바바리안 리서치

@barbarian_global_tech · Post #1011 · 22.01.2026 г., 03:57

Q. 우주 데이터센터, 방사능 문제 괜찮나? ⇒우주 데이터센터에서 HBM이 방사능에 취약하지만, 추론은 문제 없다 (Google 썬캐쳐 논문) 구글은 V6e Trillium 클라우드 TPU와 AMD 호스트 서버를 67 MeV 양성자 빔에 노출시켜 태양 동기 저궤도(LEO)의 운영 환경 (저궤도 환경은 주로 양성자와 은하 우주선(GCR)으로 구성) 을 모사를 해보았음. 결론 ) 방사능 관련해서는 두 가지 한계점이 있음. 1. 총 이온화 선량(TID) 절연층에 전하가 누적되어 장치 성능이 서서히 저하되는 현상 1년에 150 rad(Si)를 견뎌야 함. 5년 임무를 수행하려면 약 750 rad(Si)를 견뎌야 함. ⇒ HBM에서 가장 민감함. HBM은 연산 로직보다 방사능에 약 3.4배 더 민감하게 반응 ⇒ 2000 rad(Si)부터 불규칙한 동작 발생 ⇒ 위성의 수명은 5년이기에 2000rad(Si)까지 누적되지 않음. 따라서 HBM이 750rad(Si)까지는 버텨줌. 결론 ) HBM이 이건 버틴다 2. 단일 사건 효과(SEE) 고에너지 입자 하나가 충돌하여 즉각적인 오류 (비트 플립 등)를 일으키는 현상. (비트 플립이란 방사선의 영향으로 메모리의 0이 1로, 1이 0으로 바뀌는 오류) 특히 감지되지 않는 비트 플립은 무소음 데이터 부패(SDC)를 유발하여 AI 모델 학습을 망칠 수 있음. ⇒ 역시나 HBM에서 가장 민감함. ⇒ 주로 수정 불가능한 ECC 오류로 발생 결론 ) HBM이 이걸 못 버팀. 비트 플립으로 비트가 0이었던게 1로 바뀌는 효과 발생해버려서 치명적 따라서 학습과 추론 시 영향이 차이가 나는데, 학습 ) 학습은 아직 추가 연구 필요 학습 중에는 감지되지 않는 비트 플립이 무소음 데이터 부패(SDC)를 일으켜 모델 전체를 망칠 위험이 있음. 따라서 학습 과정에 대한 영향과 이를 막기 위한 시스템 수준의 완화 기술은 추가 연구가 필요하다고 명시되어져 있음. 추론 ) 추론은 실질적으로 오류 발생 확률 낮아 사용 가능 수준 오류 발생 확률은 낮음. 실질적으로 사용 가능한 수준에 머뭄. 1년에 약 150 rad의 방사선이 내리쬐는 저궤도 환경을 가정하면, AI 추론 시 1,000만 건당 1번 정도의 오류가 발생하는 셈 #우주#SpaceX#구글#데이터센터#TPU#HBM

OpenAI и Google ужесточают бесплатный доступ к своим нейросетям. Крупнейшие игроки резко ограничили бесплатные лимиты на выходных, сигнализируя о конце эры щедрых AI-субсидий. Причина в колоссальных затратах на инфраструктуру. Что произошло: 💰 Проблема в деньгах: Партнеры OpenAI (Oracle, SoftBank, CoreWeave) набрали $100+ млрд долга для построения AI-инфраструктуры. Билл Пиблс, руководитель Sora (OpenAI) заявляет «Наши GPU плавятся» А Google в свою очередь бросает вызов Nvidia ⏺️ Акции Nvidia упали на 4% после новости, что Meta* может перейти на TPU от Google с 2027 года ⏺️ TPU Google в 4 раза экономичнее GPU Nvidia для задач инференса ⏺️ Midjourney уже сократил затраты на 65% после перехода на TPU Похоже индустрия ИИ столкнулась с физическими пределами роста. Бесплатный сыр заканчивается Пользователей мягко подталкивают к платным подпискам. #OpenAI#Google#Nvidia#ИИКризис#Sora#GPU#TPU#Финансы Нейроофис💀