Kurgan-Telecom Ru | Информационные технологии

В полупроводниковой отрасли и так цены растут как на дрожжах, а тут они еще подскочили на один из базовых, хотя и не самых известных материалов — сверхтонкую стеклоткань T-glass. Ее используют в подложках современных чипов, чтобы компенсировать тепловое расширение в многослойных корпусах. Японская Nitto Boseki, которая занимает большую часть этого рынка, подняла цены на 20–25%. Расширять производство компания пока не спешит, так что при растущем спросе со стороны серверных и ИИ-чипов дефицит сохраняется. Давайте разбираться, что происходит и чего ожидать.

Raspberry Pi разных поколений — одноплатник, переживший, и вполне успешно, несколько серьезных передряг: пандемийный дефицит компонентов, глобальные проблемы с логистикой и появление достойных конкурентов. Несмотря ни на что, эти зеленые платы много лет подряд разлетались как пирожки. Они становились основой для домашних серверов, ретро-гейминга, образовательных наборов и даже промышленных решений. Причина такой живучести простая: удачный баланс возможностей, открытой экосистемы и цены, которая долгое время оставалась доступной для большинства.

Но в последние годы ситуация стала меняться. Цены повысились, а объемы производства снизились, не в последнюю очередь из-за дефицита компонентов. Последствия не заставили себя ждать. В начале 2026 года фонд Raspberry Pi объявил о возвращении в производство модифицированной версии четвертой модели, выпущенной еще в 2019 году. В новой ревизии используется два отдельных чипа оперативной памяти вместо одного пакета большей емкости. Решение стало прямым следствием проблем на рынке RAM: рост цен и нестабильность поставок сделали прежнюю конфигурацию экономически невыгодной.

«Массив — самая важная структура данных в computer science», — Дональд Кнут (вольное изложение цитаты)

Простейшая структура данных

Массивы настолько просты, что мы иногда воспринимаем их, как нечто само собой разумеющееся. Смежная память, доступ за O(1): что тут ещё оптимизировать?

Всё.

Я работал над конвейером обработки пакетов сетевого коммутатора. Код был простым: считываем пакеты из кольцевого буфера (массива), обрабатываем их и записываем результаты в другой массив. Всё просто, правда?

Но производительность была ужасной. Мы обрабатывали 100 тысяч пакетов в секунду, хотя оборудование должно было справляться с 1 миллионом.

Профилировщик показал нечто странное:

$ perf stat -e cache-misses,instructions ./packet_processor

Performance counter stats:

450,000 cache-misses

1,000,000 instructions

450000 промахов кэша на 1000000 команд? То есть промах происходил раз в 2-3 команды. При простых операциях с массивами это не имело никакого смысла.

Проблема заключалась не в самих массивах, а в том, как мы их использовали.

Возможно многие увидят схожую проблему при использовании нейронок. Я уже достаточно долго и часто использую llm для личных и рабочих задач, автоматизирую свои воркфлоу и в моих кейсах модели эффективно справлялись со своими задачами пока не столкнулся с одним кейсом.

Этим кейсом оказался кейс по генерации интересной идеи: креатива нейминга до маркетинговой стратегии. Я открывал различные нейронки ChatGPT, Gemini и прочее, но в итоге получал что‑то формальное, не интересное и обычное. Проводил много времени в чате, менял температуру, но в итоге — это список идей, но от которых не появляется простое слово «Вау!!!» В итоге вместо решения конкретной задачи нет методологии, ни структуры, ни оригинальность.

Первая часть серии была про механизмы: как человек учится, как устроена деятельность, как работает мозг. Эта часть - про то, что человек не пассивный носитель этих механизмов. Он субъект, который сам определяет своё отношение к деятельности, строит стратегию жизни, действует из модели потребного будущего и стремится за пределы привычного.

Ещё недавно инвестиции в AI означали рост цен на акции, и это работало как рефлекс. Но теперь рефлекс сломан.

Знаете ли вы, что такое рынок AI? Это неконтролируемая аномалия, распространяющаяся внутри американской экономики.

Аналитики утверждают, что этот «рынок» — не то, что мы привыкли думать. Он мутировал в крупнейший финансовый пузырь в истории. А финансовые пузыри всегда заканчиваются одинаково — лопаются и рушатся.

Обычные люди, инвесторы-любители и техно-энтузиасты не обязаны всё это осознавать. Но финансовые эксперты уже бьют тревогу. Они видят закономерность.

В конце января легендарный инвестор и продавец без покрытия Джим Чанос заявил прямо: массивные инвестиции в AI-инфраструктуру, особенно в дата-центры и чипы, могут не оправдать вложенный капитал. И это явный признак пузыря.

Но предупреждающие знаки появились ещё раньше. В июне 2024 года Goldman Sachs поставил под вопрос окупаемость огромных инвестиций в AI. В отчёте отмечалось, что несмотря на сотни миллиардов долларов, вливающихся в индустрию, нет доказательств ROI и никаких чётких признаков революционного скачка производительности. Большинство вариантов использования AI оставались постепенными, а не трансформационными.

Позже McKinsey & Company опубликовала свой годовой отчёт о состоянии AI за 2024–2025 годы. Документ отмечал, что, несмотря на широкое внедрение технологии, только относительно небольшая доля компаний получала от неё измеримую экономическую выгоду. Разрыв между объёмом инвестиций и реальной отдачей оставался далёким от приемлемого.

Таким образом, когда мы говорим о рынке AI, мы должны понимать, что речь идёт об AI-хайпе. Этот хайп формирует финансовый пузырь исторического масштаба, подпитываемый колоссальными долгами и нереалистичными ожиданиями беспрецедентной высокотехнологичной прибыли.

Для запуска А/В теста необходимым минимумом является фиксация ошибок первого и второго рода, расчет MDE (минимальный наблюдаемый эффект). Однако при расчете результатов теста далеко не всегда получается достичь MDE заданного размера, в таком случае статистическая значимость результатов не будет достигнута. Помимо этого даже при статистически значимом результате существует вероятность ошибки, при которой наши результаты являются выбросом или просто случайностью. Как быть в таком случае?

ADAudit Plus умеет отправлять алерты по SMS. Telegram — это почти SMS, если закрыть глаза. Осталось убедить в этом сам ADAudit. Спойлер: ему всё равно, что отправлять, лишь бы URL проходил валидацию. А валидация там — та ещё боль.

Если вы когда-нибудь пытались настроить Telegram-оповещения в ADAudit, то знаете: готового решения нет. Есть форумы, где люди годами просят вендора добавить Webhook. Есть костыли с Python-скриптами, батниками и планировщиками. А есть способ, за который не стыдно.

Никаких внешних скриптов. Никаких «запустить программу». Только нативная настройка SMS-шлюза и одна правка в клиентском JavaScript.

Пару месяцев назад вышла статья от Google про тренды 2026 ИИ агентов

В их новом отчете «AI Agent Trends 2026» слово «LLM» отходит на второй план. Главный герой теперь — Agentic AI (Агентный ИИ).

Я изучил 50 страниц этого отчета, чтобы вам не пришлось, если кратко то

Спойлер: Google считает, что эпоха «чат‑ботов» закончилась.

Начинается эпоха «цифровых конвейеров», где люди не пишут код или тексты, а дирижируют ансамблем ИИ‑агентов.

Ниже — разбор 5 главных трендов, анализ нового протокола MCP и мой личный опыт попытки создать такого «оркестратора» в пет‑проекте (спойлер: это сложнее, чем кажется).

Углубленный взгляд на устройство работы New | Delete

Переопределение, new_handler, типы new, внутренняя реализация

В прошлой статье я рассказывал, как сделать несложную сигнализацию на Arduino.

Сегодня я расскажу, как она была модернизирована.

Компьютерный бизнес – довольно хлопотное предприятие, подводные камни которого мне не были видны «на берегу». Собственно, я и не собирался заниматься никаким купи-продаем, поскольку не видел в этом своего призвания. К тому времени большое количество моих знакомых и друзей уже активно занимались чем-нибудь.

Сосед Леха, например, промышлял всем, что попадалось под руку.
 - Стиралку надо? По оптовой цене, – мог позвонить он в самое раннее утро вывешиваясь из своей двери.
 - Ты же знаешь, у меня есть.
 - Друзьям кому-нибудь толкни? – напирал лёхин коммерческий авантюризм. За его плечом, насколько можно было разглядеть коридор, возвышалась мелкооптовая партия стиральных машин – их выпускал гражданский цех нашего ракетно-космического завода. Лёха там и работал – добавляя к зарплате вот такую «пушнину».

С последней статьи о Hidden Lake прошло больше года. За это время сеть успела достаточно сильно измениться - были переименованы и структуризованы сервисы, была переосмыслена концепция адаптеров и прикладных приложений, был написан клиент для работы с узлом HL, было улучшено покрытие тестами, многократно модифицировался сервис файлообмена, упрощался сервис обмена сообщениями и т.д. и т.п.

В этой статье я хотел бы отразить вкратце основной список изменений (с 1.7.7 по 1.10.2), привести актуальную версию запуска узла анонимной сети и сопутствующего ей клиента для комфортной работы, а также описать будущее видение развития данного проекта.

В начале 2026 года интернет снова сделал то, что умеет лучше всего: слегка сошёл с ума. На этот раз поводом, как вы все знаете, стала Moltbook — социальная сеть, созданная исключительно для искусственного интеллекта. Людям вход разрешён, но в формате экскурсии: руками ничего не трогать, к вольерам не подходить, комментариями не кормить.

Тем временем некоторые из ботов Moltbook уже заработали миллионы. И не всегда с помощью людей.

В интернете нулевых любой школьник мог поднять P2P-хаб на домашнем компьютере. Не было пользовательских соглашений на 50 страниц. Ты сам писал правила, сам модерировал чат и сам решал, кого пускать, а кого банить.

Ностальгируя, мне захотелось переизобрести P2P-хабы прошлого прямо в браузере. Без регистрации по SMS. Без возни с сервером. С нормальной безопасностью.

Предлагаю вам пятничный вайбкод челлендж. У кого получится самая красивая реализация безопасного одностраничного мессенджера. Доставайте свой ClaudCode, Cursor, Jules, Codex или Clowdbot.

Под катом опишу детальнее идею, чтобы задать контекст для вашей AI-команды.

Привет Хабр!

Сегодня я решил закрыть трилогию статей, а закончи парой не мало важных тем. Хочу сказать огромное спасибо тем кто активничает и задает вопросы. Ну что ж, начнем.

Дополнение к моей предыдущей мини-статье по роботу Xiaozhi. Я заказал детали и комплектующие, чтобы собрать такого робота самостоятельно. Сборка данного робота не доставляет существенных проблем.

Сразу начнем с того, что эту картинку сгенерил ИИ. А теперь поехали.

Ещё 5 лет назад, если вы гуглили «Python обучение», вы находили живые блоги разработчиков, статьи на Хабре (по которым видно, что их писал человек, ну или как минимум рефачил перевод с англоязычной статьи, что уже неплохо) и парочку нормальных курсов. А сегодня вы тонете в помойке. 90% первой страницы выдачи (где бы то ни было - гугл, яндекс, лента новостей где-либо, отзывы к товарам на маркетплейсах и картах, ютуб и т.д.) - сгенерированный нейросетями шлак. Как мы дошли до жизни такой?

Всё чаще аналитики бизнес-процессов используют LLM для поиска неэффективностей. Звучит логично: большие языковые модели умеют искать паттерны, а Process Mining как раз об этом. Но на практике результаты пляшут так, что становится понятно: не все LLM одинаково полезны для операционной аналитики. Решил разработать методологию тестирования LLM на предмет релевантности использования для задач анализа процессов.
Было подготовлено три теста, имитирующих реальные сценарии анализа:

Маркетинговые технологии за последние десять лет прошли путь от «полезного дополнения» до обязательного элемента почти любой зрелой компании. CRM, CDP, маркетинговая автоматизация, BI-системы, инструменты персонализации, платформы для управления рекламой — стек растёт быстрее, чем успевают обновляться оргструктуры. На бумаге всё выглядит впечатляюще: инвестиции в martech увеличиваются, команды становятся data-driven, автоматизация ускоряет процессы.

А потом на совещании звучит простой вопрос: «А где рост?». И становится неловко.

Потому что технологически всё выглядит зрелым, а стратегически — не всегда понятно, что именно изменилось. Martech вроде бы должен усиливать бизнес, но чаще его воспринимают как обязательную статью расходов. Без него нельзя. Но и без него, если честно, бизнес бы не рухнул.

Это ощущение разрыва — не единичный случай. В исследованиях McKinsey о “rewiring martech” описывается похожая проблема: компании активно инвестируют в технологии, но лишь немногие получают системный рост от этих инвестиций. Я использую их данные как ориентир, но ниже — скорее мой взгляд на то, почему это происходит.