TGINSIGHT SIMILAR POSTS
Изворен канал @pythonotes · Post #32 · 7 фев.
Скорее всего уже слышали, что складывать строки через + это плохая практика. Падение производительности, и всё такое. Без лишних слов, давайте измерять: from timeit import timeit def t1(): # складываем 10 строк через + из переменной t = 'text' for _ in range(1000): s = t + t + t + t + t + t + t + t + t def t2(): # склеиваем список строк через метод join arr = ['text'] * 10 for _ in range(1000): s = ''.join(arr) def t3(): # складываем через + но не из переменной а непосредственно инлайн объекты for _ in range(1000): s = 'text' + 'text' + 'text' + ... # всего 10 раз Теперь каждую строку склейки запустим по 10М раз >>> timeit(t1, number=10000) 0.21951690399964718 >>> timeit(t2, number=10000) 1.4978306379998685 >>> timeit(t3, number=10000) 0.2213820789993406 Хм, а нам говорили что через "+" это плохо и медленно ))) 😁 Тут стоит учитывать, что речь идёт о склейке множества длинных строк. Давайте изменим условия: def t4(): t = 'text'*100 for _ in range(1000): s = t + t + t + t + t + t + t + t + t def t5(): arr = ['text'*100] * 10 for _ in range(1000): s = ''.join(arr) def t6(): for _ in range(1000): s = 'text'*100 + 'text'*100 + ... # всего 10 раз >>> timeit(t4, number=10000) 12.795130728000004 >>> timeit(t5, number=10000) 2.642637542999182 >>> timeit(t6, number=10000) 0.2184546610005782 Вот, уже другой разговор, сразу видна разница, в среднем в 6 раз. Но погодите, почему последний тест t6() по скорости такой же как и t3()? Ведь строки теперь в 100 раз длиннее! Это вопросы оптимизации кода, какие простые изменения ускоряют или замедляют выполнение программы. Мы столкнулись с примером обхода обращения к переменной. Например, именно так работает директива #define в С++, во время компиляции подставляя значение переменной вместо ссылки на неё. В Python это тоже работает, но часто ли вы сможете встретить такой способ работы со строками? К сожалению, способ почти только теоретический. В целом, тесты показали то, что мы хотели. Делаем выводы самостоятельно. Полный листинг 🌍 #tricks
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