torygreen

GPU-часы, возможно, превращаются в актив, риски по которому можно хеджировать.
CFTC уже изучает деривативы на вычислительные мощности, а Liquid Compute только что привлекла $15M , чтобы создать регулируемый рынок фьючерсов, опционов и свопов на GPU.
Это имеет смысл, если объём вычислений для ИИ действительно вырастет примерно с ~$360B в 2025 году до 2,3 триллиона долларов к 2030 году.
Стандартизация — вот что выглядит странно.
Час работы H100 в одном регионе — это не тот же продукт, что час работы B200 в другом месте, где отличаются сетевое подключение, затраты на электроэнергию и размер клас

.@OpenAI потратила 6,5 миллиарда долларов на создание команды по разработке устройств, а теперь, возможно, тратит ещё 300+ миллионов долларов на компонент, который изначально определяет, что именно увидит модель (Glass imaging).
Glass работает непосредственно под приложением камеры, обрабатывая необработанные данные с сенсора. Предлагаемая мобильная система использует сенсор примерно в 2 раза больше крупнейших сенсоров современных смартфонов и заявляет захват до 10 раз большего количества света.
Для всегда включённого ассистента это очень важно.
Всё, что сенсор не фиксирует, уже потеряно. Позж

Количество запросов вскоре станет довольно плохим показателем спроса на ИИ.
За 8 недель один пользователь Claude Code ввёл 1 138 запросов. Они привели примерно к 14 тыс. вызовов моделей и обработке 3,2 миллиарда токенов. Расчётное энергопотребление составило около 150 Вт·ч на введённый запрос — примерно в 625 раз больше, чем у медианного текстового запроса в Gemini.
Большая часть вычислений происходит после того, как пользователь перестаёт печатать. Агент заново читает контекст, вызывает инструменты, повторяет попытки, создаёт ветки и продолжает работать в фоновом режиме.
Так что один запрос ч

2 года назад Google обрабатывала 9,7 триллиона токенов ИИ в месяц.
Сегодня этот показатель превышает 3,2 квадриллиона. Это увеличение в 330 раз.
Надёжного глобального подсчёта нет, поэтому показатель Google лучше всего считать раскрытым минимумом.
Даже если рост замедлится до двукратного в год, одна только Google будет обрабатывать 51 квадриллион токенов в месяц к 2030 году.
И такая нагрузка будет сильно отличаться от ситуации, когда кто-то сегодня открывает чат-бота. Долго работающие агенты будут удерживать контекст, делить задачи на подзадачи, вызывать другие модели, повторять неудачные попы

Один контракт Anthropic переносит в настоящее финансирование на 3,5 миллиарда долларов и всё строительство GPU-инфраструктуры.
Как сообщается, Nscale заключила с Anthropic сделку примерно на $45B , ищет 3,5 миллиарда долларов перед IPO и показала инвесторам $103B прогнозируемой выручки от подписанных договоров аренды. Nvidia может предоставить $2B привлечённого финансирования.
Обязательства Anthropic дают кредиторам конкретную основу для финансирования, а капитал Nvidia помогает ускорить её собственные продажи GPU. Nscale превращает и то и другое в вычислительные мощности ещё до поступления

Дата-центры превращаются в крупный кредитный рынок.
JLL ожидает, что объем привлечения постоянного долгового финансирования в Северной Америке вырастет с $80B в 2025 году до $175B в этом году, а затем достигнет $322B к 2028 году. В общей сложности это примерно $722B за три прогнозных года.
Но стоимость этого капитала уже разделяет рынок. Строительство при поддержке гиперскейлеров может финансироваться с кредитным плечом около 85% от стоимости объекта при спредах чуть выше 200 б. п., тогда как проекты, связанные с лабораториями ИИ и неоклаудами, могут оцениваться на 200–300 б. п. дороже при

В 30 раз больше агентной работы с того же мегаватта.
Именно это, по словам @nvidia, показала Vera Rubin NVL72 по сравнению с GB300 NVL72 на DeepSeek V4 Pro: стоимость миллиона токенов оказалась до 35 раз ниже.
Именно рабочая нагрузка делает этот тест чем-то большим, чем обычный бенчмарк производительности. AgentX сохраняет все сложные особенности реального использования агентами: растущий контекст, повторяющиеся вызовы инструментов и ответвление субагентов в середине задачи.
Если эти первые показатели подтвердятся в ходе проверки SemiAnalysis, последствия для инфраструктуры будут значительными

Последний опрос McKinsey State of AI содержит статистику, которая должна заставить многие SaaS-компании почувствовать себя неуютно:
32% компаний заявляют, что уже отказались от покупки как минимум одного программного продукта или функции, поскольку кодинг-агенты могут создать их самостоятельно.
Это не означает, что компании перестают покупать ПО. Это означает, что монетизировать уровень «функций» становится гораздо сложнее.
Если внутренняя команда может воссоздать узкий рабочий процесс за день или два, поставщикам нужно обосновывать модель подписки чем-то, что агенты не могут дёшево воспроизве

Наступает момент, когда компании, создающие вертикальные ИИ-решения, перестают выглядеть как клиенты API и начинают выглядеть как компании, создающие модели.
За шесть месяцев Harvey выросла примерно с 1 триллиона до 14,5 триллиона токенов в месяц. Теперь компания проводит постобучение собственной юридической модели поверх Kimi K3, используя специализированные задачи, отзывы экспертов и собственные данные о рабочих процессах.
Thomson Reuters движется в том же направлении, создавая собственную юридическую модель.
Похоже, это вполне естественная эволюция.
При небольших объёмах очевидным выбором я

У LLM интернет уже ждал их. У Embodied AI — нет.
Роботам нужны огромные объёмы данных о взаимодействии с реальным миром, а ACE Robotics оценивает, что сегодня у всего сектора есть лишь около 100 тыс. полезных часов.
Китай уже пытается создать такой датасет: учебные центры покупают роботов, дистанционно управляют ими при выполнении реальных задач, собирают траектории, а затем передают эти данные обратно производителям роботов.
Поэтому некоторые первые внедрения гуманоидов — это нечто большее, чем тестирование оборудования. Они генерируют обучающие данные, которые понадобятся следующему поколени

Довольно безумно, насколько быстро наращиваются возможности, тогда как бюджет на оборудование почти не меняется.
> Qwen3.5-27B набрала 35 баллов в Artificial Analysis в феврале.
> Qwen3.6-27B подняла этот показатель до 38 в апреле.
> Qwen3.8-27B теперь набирает 52, оставаясь при этом примерно в том же диапазоне из 27B параметров.
А её агентные возможности теперь находятся примерно на уровне моделей, которые значительно крупнее и гораздо дороже в обслуживании.
Для меня это кажется более важным, чем очередная перетасовка рейтинга.
Годами развитие ИИ в основном означало масштабирование лежащего в