Опушка единорогов

Дорогой подписчик занимающийся фотограмметрией провел АНАЛИЗ. 🔎 Профессиональное фотограмметрическое ПО эти фотографии даже выравнивает (одна настоящая фотка + 3 фотографии сгенерено). 🤯

В этом году пробую предлагать 10-классникам в рамках годового проекта использовать LLM - как средство усиления. Сегодня когда с ними это обсуждал - порадовало что один из учащихся отрефлексировал что "я весь ее код понимаю, но например написать такое пока что не могу, ни количественно, ни качественно". А на фоне размышлений около этого - захотел проверить свою старую гипотезу, что школьники и так почти все используют LLM, и что, мол, поэтому лучше легализовать (развивать эту идею на другие области мы конечно же не будем) LLM в рамках работы над проектом. Но оказалось что я ошибался, и в прошлом году, класс который сделал прекрасные проекты - далеко не так массово, как я ожидал, использовали LLM. И если я правильно предполагаю кто поставил "творческий - почти все написала LLM", то автор скромничает, т.к. он исправлял баги, декомпозировал задачу и т.п.. У типовых же (насколько можно судить по скромной выборке) явно LLM используется чаще - т.к. это более простая (легче и эффективнее применимость) и неинтересная (поэтому предположу что низкая мотивация, и оттого хочется придумать обходной путь). В комментариях второй и третий уровень КОМИЧЕСКОГО ЭФФЕКТА связанного с тем как этот опрос был создан, спрошен, и выглядел со стороны. ⬇️⬇️⬇️

Дорогой подписчик занимающийся фотограмметрией провел АНАЛИЗ. 🔎 Профессиональное фотограмметрическое ПО эти фотографии даже выравнивает (одна настоящая фотка + 3 фотографии сгенерено). 🤯

На базе ИИ-модели Qwen Image Edit появился полезный инструмент, позволяющий менять ракурс камеры — он показывает одну и ту же сцену с разных углов. Можно управлять поворотомпо горизонтали, вертикали и расстоянию до сцены с точностью до градусов. Бесплатно попробовать — здесь Если хотите поставить себе, то вот и вот r/#singularity

Теперь это кажется очевидным, но оттого так впечатляет. Представим вы делаете проект и в нем нужно обращаться по относительным путям, например вам нравится откладывать эти пути от корня проекта. Значит вам (и всем кто будет компилировать этот проект) нужно аккуратно выставлять Working Directory на корень проекта (и делать это для каждого запускаемого файла). Если вы используете IDEA - вроде бы все хорошо, и там в какой то момент начали выставлять Working Directory в корень проекта по умолчанию. Если вы используете CLion - придется настраивать, но интерфейс достаточно интуитивный и понятный. Если у вас Visual Studio - то хтонь-хтонь-ужас-смерть, придется пытаться разобраться как настраивать запускаемые CMake target-ы, редактировать ТЕКСТ JSON КОНФИГОВ (это что... арч?), и не факт что ПОЛУЧИТСЯ (у меня не получилось). Но когда критическая масса желания исправить раз и навсегда ПРЕВЫШАЕТ ЛЮБЫЕ РАЗУМНЫЕ РАМКИ (особенно если этот проект запускает много людей и часть из них с Visual Studio, и они например не могут активировать бесплатный CLion даже не знаю по каким причинам) - то в голову может прийти хорошая идея! Хорошая идея: в начале main() вызывать configureWorkingDirectory(), которая смотрит на текущую рабочую папку, проверяет есть ли в ней тот набор папок что находится в корне проекта (обычно это довольно уникальный набор имен), если нет - то поднимаемся в родительскую папку и проверяем там и так далее пока либо не найдем нужную папку (ее и используем как working directory), либо пока не дойдем до корня (в таком случае кидаем ошибку). QoL вырастает ДРАМАТИЧЕСКИ!!11 🤩 UPD: дорогой подписчик предложил красивое упрощение - в configureWorkingDirectory() использовать фиксированный путь до корня проекта полученный отступами от пути к исходнику configure_work_dir.cpp - __FILE__/../../../

Рабоооотает!!! 🕺

Пишу игрушечный алгоритм который автоматически: 1) найдет на фотографии четырехугольники (это куски разрезанной картинки) 2) сопоставит/состыкует их друг с другом 3) соберет как паззл изначальную картинку Долго получались субоптимальные (откровенно плохие) результаты, но один из самых больших прорывов дала идея на уровне условий съемки: - белый фон плохо работает (стол для настолок) - серый фон плохо работает (рабочий стол из икеи) - а может черный фон хорошо работает? Сообразил что под рукой есть темно-серая простыня, но что еще лучше - есть ЧЕРНАЯ ФУТБОЛКА ИЗ ЛУЧШЕГО КЛУБА ГАЛАКТИКИ CS SPACE. Заодно тени отбрасываемые всегда чуть кривыми бумажками исчезли (потому что слились с черным фоном), а значит поиск границ каждого кусочка тоже будет точнее (не будет смещаться из-за теней у границы). И все хорошо, и слава тебе Господи.

Заметки по статье Why AGI Will Not Happen Физические ограничения: 1) уменьшение транзисторов линейно увеличивает GFlops (локальные вычисления, например MLP) 2) уменьшение транзисторов не увеличивает линейно пропускную способность памяти (т.е. подгрузку данных для локальных вычислений, например Attention), т.к. большая память занимает много места, нужно переносить информацию через большие расстояния (например L1/L2/L3 кэши сделаны одинаково, но чем кэш больше - тем медленнее из-за расстояний), узкое место - проводники, а не тех. процесс транзисторов 3) линейный прогресс требует экспоненциальных ресурсов, L1/L2/L3 кэши от увеличения размера становятся медленнее так же как склад большей площади требуют все более сложной внутренней инфраструктуры (от одно сотрудника, через сотрудников с тележками, до системы с автотранспортом, роботами и т.п.) из-за накладных расходов связанных с внутренней коммуникацией (как и с эффективностью одиночки VS небольшая команда VS корпорация VS человечество) 4) т.е. локально запаковывать подарки к рождеству (GFlops, MLP) можно так же эффективно независимо от общего количества подарков (т.к. каждый упаковщик делает это независимо) 5) но коммуникация, объединение результатов (коммуникация, Attention) не масштабируются так легко Про пространство идей: 6) если есть две сильно несвязанные идеи как что-то улучшить, то их кумулятивный эффект чаще всего перемножается 7) но если идеи близки по смыслу, то каждая очередная идея из этого направления приносит все меньше и меньше пользы. Иначе говоря - в рамках развития идей около Attention шансов сделать значимый прорыв все меньше и меньше. И проблема в том что шансы резко найти другую нехоженую тропинку малы, т.к. текущий путь вероятно близок к прямолинейному инженерному решению задачи (т.е. близок к оптимальному), т.к. решение навязывается постановкой задачи и ограничениями реальности 8) в теор. физике тоже все больше сходится к асимптоте и плато, ученые скорее уточняют (в мелких деталях, с малозначительным эффектом), либо занимаются "выдуманными" задачами (сбегая из исследованных и пресыщенных усилиями областей) - не имея ясного влияния на теор. физику, по аналогии с "достижим ли Artificial Superintelligence?" не ясно "достижимо ли понять что такое темная материя?" В результате для линейного прогресса - нужны экспоненциальные ресурсы: 9) GPU больше не развиваются, поэтому не стоит ожидать "GPU развиваются линейно => AI развивается линейно", развитие достигается через большее количество видеокарт, соотношение производительность/стоимость достигло пика в 2018 году, позже появлялись только разовые исчерпывающиеся улучшения, их не развить линейно (см. fp16/fp8/fp4, tensor cores), оптимизации на уровне серверной стойки тоже достаточно однозначно определены с инженерной точки зрения и исчерпаются в ближайшие годы 10) раньше линейный рост достигался через экспоненциальные ресурсы в лице экспоненциального роста мощности GPU, благодаря этому линейный рост через линейные усилия, теперь этого рычага нет, и рост станет логарифмическим 11) США придерживается идеи "у кого лучшая модель - тот и выиграл". Китай придерживается идеи "важна полезность и интегрированность модели в разные сервисы, она должна быть применима и приносить явную ценность/продуктивность по разумной цене". Если ИИ упрется в плато - стратегия Китая выглядит гораздо лучше 12) так же как с софтом и цифровой автоматизацией важна реальная польза, и там где до сих пор нет цифровизации - она может дать лишь незначительную пользу (т.е. экономически не оправдана). Так и тут важно получить пользу через интегрированность в самых полезных случаях. ИИ в роботах и прочем - сомнительны, т.к. на фабриках уже используются специализированные высокоточные роботы, а робот дома - не однозначен. Фабрики уже автоматизированы, остальные задачи - экономически не оправданы 13) Идеи про то что появится сильный ИИ и начнет сам себя раскручивать с все увеличивающимся темпом не учитывают физические ограничения задач

И если у Marso M-XR подход "автоматика на основании исчерпывающих данных" (на мой взгляд это может помешать популярности, т.к. для каждого ассета делать 750 фотографий еще и делать обязательное масштабирование - нелегко). То на другой грани спектра есть вариант "на вход текстура - на выход готовые PBR текстуры". Ubisoft опубликовал веса такой модели для локального инференса (хоть и for research only). Сначала по промпту строится текстура, затем по ней строится svBRDF-текстура: - Base Color - Normal - Height - Roughness - Metalness ⬇️ В комментариях (вероятно избранные удачные) примеры

На Unreal Fest 2025 в Стокгольме кроме нового алгоритма растительности (для реализации красивого и очень большого леса в новой игре по Ведьмаку), который мы обсудили на последней лекции про Nanite было еще любопытное. Стартап Marso M-XR на базе фотограмметрических данных (геометрия + текстура + фотографии + их пространственное положение) реконструирует PBR текстуры (Physically Based Rendering). В докладе на Unreal Fest достаточно подробно рассказано о том как должна вестись съемка: 1) Вспышка на камере 2) Отсутсутствие другого света (или он сильно менее яркий) 3) Короткая выдержка чтобы не было переполнения в бликах с яркостью >100% (поэтому фото выглядит темным, см. скрин в комментариях ⬇️⬇️⬇️) 4) Фиксированная экспозиции на датасете 5) Ещё больше фотографий чем для фотограмметрии (нужно покрыть всю поверхность бликом вспышки - см. видео в комментариях ⬇️⬇️⬇️, условно 750 фото вокруг небольшого объекта вместо условных 150) 6) Raw фотографии 7) Нужен масштаб (например масштабная линейка в сцене, или тэги с известным расстоянием между ними) чтобы сверяться с референсной фоткой gray card (чтобы рассчитать зависимость объема отраженного света от расстояния до поверхности)

Санкт-Петербург. 2025 год нашей эры. Машины восстали из пепла ядерного пожара. 🤖 Их война, направленная на уничтожение человечества, длилась уже несколько лет, но решающая схватка предстоит не в будущем. Здесь. Сегодня. В наши дни... Например некто может предложить школьникам использовать LLM для разработки годового проекта... И показать как за 1 урок сделать игрушку как на видосе. 🤯 Чем это обернется? Чему (не)научатся в результате (не)учащиеся которым (не)повезло застать этот переходный момент? ПОСЛЕДСТВИЯ МОГУТ БЫТЬ ЛЮЮЮЮБЫЫЫЫМИИИИ!!! 🕺

И работа Леонида Альжанова передает всем привет и желает хорошего дня!