TGINSIGHT SIMILAR POSTS
Изворен канал @pythonotes · Post #239 · 3 мај
Один из самых удобных способов записать данные это использование готовых форматов, такие как JSON или YAML. Из плюсов такого подхода стоит отметить вот что: 🔸 готовый, повсеместно используемый и поддерживаемый формат 🔸 простой и понятный файл, удобочитаемый для человека 🔸 можно легко редактировать в любом текстовом редакторе без специальных программ и библиотек Но есть и минусы 🔹 затраты времени при записи файла (кодирование данных в нужный формат строки) 🔹 затраты времени при чтении файла (декодирование данных в Python объекты) 🔹 размер файла увеличивается из-за разметки данных (скобки, запятые, переносы, отступы...) 🔹 перед записью все данные должны быть помещены в память в полном объёме (не всегда) 🔹 при чтении необходимо считать весь файл в память и только потом декодировать данные Если нужно писать немного данных в несколько файлов, то затраты по времени не ощутимы. Обычно это файлы конфига или какие-либо метаданные. Это отличный вариант под такие задачи. Есть и другой поход к записи файлов - это бинарные файлы. Используется, когда данных достаточно много и никто их не собирается читать глазками😳. 🔸 очень быстрая запись 🔸 чтение значительно быстрей чем JSON, YAML итд 🔸 размер файла значительно меньше, так как нет разметки 🔸 можно записывать данные по мере поступления не загружая всё в память 🔸 можно извлечь любую часть данных независимо Из минусов 🔹 нужно определить свой формат записи данных (если не используете готовую спецификацию определённого формата) 🔹 не получится открыть файл и визуально понять что там записано, а для чтения файла потребуется знать его спецификацию. 🔹 не так-то просто создать такой файл без специальной библиотеки В таком виде удобно записывать большой массив любых однородных данных. Например, мониторинг валютной биржи или кэшированная анимация 3D геометрии. (Это не означает что нельзя записать данные разного типа, просто это будет не так удобно) Представьте себе JPG-картинку. По сути это немного мета-информации и большой массив пикселей. Тоже самое со звуком или видео файлом. Поэтому, если вы попробуете открыть картинку в текстовом редакторе вы увидите что-то вроде такого f15d cd29 a564 4578 ... 09e2 9bc4 a696 1253 ... 84e9 4de1 3b23 c24a ... 2534 5161 28e0 709d ... ... Это и есть записанные байтики. И для их чтения требуется определённый софт который знает что с ними делать. Под каждый тип файла. К чему это я? Читайте в следующем посте... #tricks#basic
Пребарај: #capex
@ryu1moo2 · Post #4470 · 14.05.2026 г., 04:52
#AI#CapEx#메모리#BofA 1. 반도체 capex intensity 하락, CY28까지 공급 확장 제약**. 산업의 성격이 구조적으로 변화. 2. 하이퍼스케일러 누적 CAPEX $2.8Tn 중 RPO $2.1Tn 백로그로 뒷받침 + OpenAI 매출 및 Anthrophic ARR 급증 → 투자는 수요기반으로 설명 가능 3. DRAM/NAND sufficiency ratio 1Q26 64~65% 저점 → CY28까지 100% 하회 → 메모리 ASP 구조적 상승 불가피 공급은 capex로 묶이고 수요는 RPO로 락인 → MU 3.14x P/B는 과열이 아닌 re-rating 초입, 하이닉스(1.98x)·삼성전자(1.71x)
@EconRUDN · Post #8344 · 02.02.2026 г., 11:00
Инвестиции в ИИ: гипербола или историческая трансформация? ARK Invest представила диаграмму, фиксирующую исторические волны капитальных вложений (CapEx) как долю от глобального ВВП. За период 1852–2025 гг. лишь две отрасли достигли пиковых значений 3–5 % ВВП: железные дороги (XIX в.) и автомобилестроение (середина XX в.). Обе трансформировали физическую инфраструктуру, транспорт и социальную организацию. Современный эквивалент — программное обеспечение. Его CapEx достиг 2 % ВВП — уровень, сопоставимый с пиками железных дорог и автопрома. Это отражает глубокую цифровизацию: платформенная экономика, финтех, e-gov, логистика, автоматизация — всё это уже реализовано и масштабировано. ARK предполагает, что к 2030 г. инвестиции в искусственный интеллект достигнут 8 % ВВП, ещё 2 % — на строительство ЦОДов, и 1 % — на космическую инфраструктуру (связь, спутники). Итого: 11 % глобального ВВП — на ИИ-инфраструктуру. Критический анализ: 1️⃣ Масштабы несоразмерны историческим аналогам. 11 % ВВП — сопоставимо с мировыми военными расходами во время Второй мировой войны (около 10–12 % ВВП в 1944 г.). Ни одна мирная отрасль в истории не потребовала такого перераспределения ресурсов. 2️⃣ Физические ограничения. - Дефицит высококвалифицированных кадров (ML-инженеры, системные архитекторы). - Ограниченные мощности производства полупроводников (особенно 3 нм и ниже). - Энергетическая нагрузка: один крупный ЦОД потребляет до 100 МВт — эквивалент города из 100 тыс. человек. - Дефицит критических материалов: медь, литий, редкоземельные элементы, охлаждающие жидкости. 3️⃣ Отсутствие доноров. Для перераспределения 11 % ВВП необходимы «жертвующие» отрасли: традиционная промышленность, энергетика, транспорт. В США или Китае нет отраслей с достаточным «избыточным» капиталом, чтобы добровольно перекачать средства в ИИ. Принудительное перенаправление (как в СССР или Китае 1950-х) невозможно в условиях рыночной экономики без катастрофического снижения производительности в других секторах. 4️⃣ Цель? Текущие применения ИИ — генерация контента, оптимизация рекламы, автоматизация сервисов — не требуют 11 % ВВП. Нет доказательств, что ИИ-алгоритмы следующего поколения (AGI) будут иметь экономически обоснованную норму прибыли, оправдывающую такие вложения. #ИИ#Инвестиции#ЭкономикаТехнологий#ARKInvest#CapEx#ВВП#ТехнологическийПрорыв#Анализ#Гипербола 🌐@EconRUDN