Искусственный интеллект

1. Midjourney представила V7 — первую обновленную модель изображений на основе ИИ. Доступно два варианта Turbo (более затратный в использовании) и Relax.

2. Новый генератор изображений от OpenAI, основанный на модели GPT-4o, сначала стал доступен всем пользователям ChatGPT, а затем из-за массовой генерации картинок доступ для бесплатных юзеров решили отложить.

3. OpenAI запустила онлайн-академию, где выложены бесплатные курсы и лекции по работе с нейросетями и чат-ботами. Уроки научат пользоваться продуктами компании и интегрировать модели машинного обучения в различные сферы.

4. ИИ впервые официально прошел классический тест Тьюринга. Win Rate новой модели OpenAI GPT-4.5 составил 73%.

5. Amazon представила Nova Act — ИИ агента, способного управлять веб-браузером и выполнять некоторые простые действия. Разработчики могут получить доступ к Nova Act на сайте nova.amazon.com — витрине для различных моделей Nova Foundation от Amazon.

6. В RuStore теперь можно оплатить подписку на ChatGPT, Midjourney, Mistral AI, KREA.AI, Suno AI. Стоимость подписок выше официальных цен платформ и меняется каждый день в зависимости от курса доллара.

7. DeepSeek запатентовала технологию снижения нагрузки на сеть при сборе данных. Новая технология делает процесс сбора данных быстрее, точнее и экономичнее для сетевых ресурсов.

8. Яндекс открыл доступ к Instruct-версии модели YandexGPT 5 Lite. Её можно использовать в своих проектах без дообучения и запускать на ПК. Модель будет полезна разработчикам и исследователям. Если нужно дообучить модель под свою задачу, можно воспользоваться выложенной в опенсорс YandexGPT 5 Lite Pretrain.

Если составлять такие запросы, то можно повысить качество ответов и сэкономить время на их получение.

Правильный запрос состоит из:

1) Цель. Поставить четкую цель, какую задачу нужно выполнить?
2) Результат. Привести примеры результата, который хотелось бы получить (если такой есть). Если такого нет, то нужно его описать.
3) Негативный промт. Описать то, чего не хотелось бы получить, что не нужно делать нейросети, некие ограничения и барьеры.
4) Контекст. Это могут быть какие-то инструкции, документация, системные требования. Сейчас нейросети могут обрабатывать тысячи слов, можно этим воспользоваться.

Вот, какой результат мне выдал GPT:

Улучшение процесса продаж IT-решений

Анализ воронки продаж:
— Выявите этапы (от лидогенерации до допродаж), где теряются клиенты.
— Основные проблемы: некачественные лиды, слабая подготовка менеджеров, поверхностное выявление потребностей, нецелевые презентации, затянутые переговоры, неуверенное закрытие, отсутствие повторных продаж.
— Решения: Улучшить квалификацию лидов, внедрить консультативные продажи (SPIN) и гибкие алгоритмы вместо жестких скриптов, готовить персонализированные предложения с фокусом на ROI и бизнес-боли клиента, активно управлять переговорами (PoC), четко прописывать выгоды и шаги, развивать сопровождение.

Инструменты и Аналитика:
— Используйте CRM для контроля и отчетности по воронке. — Анализируйте звонки (Call Analytics) для выявления проблем в коммуникации.
— Отслеживайте поведение на сайте/в рассылках (Web/Email Analytics).
— Собирайте обратную связь (опросы клиентов).

Ключевые метрики:

— Конверсия по этапам и общая (CR).
— LTV (ценность клиента).
— CAC (стоимость привлечения).
— Средний цикл сделки.
— NPS (лояльность клиентов).

Успешные B2B тактики:
— Фокусируйтесь на Pain Points клиента.
— Четко демонстрируйте ROI.
— Вовлекайте клиента (воркшопы, кейсы).
— Работайте со всеми ЛПР, активно сопровождая решение.
— Показывайте экспертность (мероприятия, вебинары).

Вывод:
— Устраняйте «узкие места» в воронке через консультативный подход, ориентированный на проблемы клиента.
— Используйте CRM и аналитику для отслеживания прогресса и метрик.
— Демонстрируйте ценность и ROI, особенно важно для сложных IT-решений с длительным циклом продаж (3-6 мес.).

📌 Пишу про лучшие ИИ в своем авторском канале (ссылка в профиле)

Краткое содержание: Наткнулся на видео, в котором мужик рассказывает, как опасны нейросети тем, что тратят много ресурсов планеты, и надо от них срочно отказаться. Я решил разобраться, так ли это на самом деле. Оказалось, один запрос в ChatGPT съедает в 30 раз меньше энергии, чем заваривание дошика, а генерация одной картинки в Midjourney ≈ 1/5 чайника кипятка. Разберёмся, сколько планета теряет, пока вы заставляете ИИ писать вам курсовые и рисовать котиков в космосе. Спойлер: оказывается, это меньшая из наших проблем.

Нейросети и киловатты: как я пытался разобраться, сколько энергии уходит на генерацию моих текстов

Листаю я значит рилс, никого не трогаю, и тут появляется какой-то мужик в белой рубашке с умным видом и начинает вещать: "ИИ - это угроза для планеты! Знаете, сколько энергии потребляет один дата-центр? Как целый маленький город! А вы своими запросами к ChatGPT только усугубляете проблему глобального потепления!"

Честно говоря, я задумался. Действительно, сколько энергии я сжигаю, когда прошу нейросеть написать мне текст или сгенерировать картинку? Может, я лично плавлю ледники где-нибудь в Антарктиде каждый раз, когда генерирую заголовок для статьи?

Решил копнуть тему глубже, и оказалось, что вокруг энергопотребления ИИ столько же шума, сколько вокруг биткоина, но конкретных цифр при этом — кот наплакал. Причём разные источники дают настолько разные данные, что, кажется, будто они о разных планетах пишут.

Но я всё-таки нашёл консенсус среди экспертов. Давайте разбираться.

Три кита, на которых стоит энергожорство нейросетей

Искусственный интеллект потребляет в основном три ресурса (как в любой криптовалютной пирамиде — шутка):

1. Энергия ⚡ — для работы дата-центров, серверов и тех самых GPU, без которых современные нейросети работали бы со скоростью черепахи после обеда из трёх блюд.

2. Железо 🖥 — графические процессоры (GPU) и тензорные процессоры (TPU). Тренировка GPT-3 потребовала тысяч GPU-часов. Одна NVIDIA A100 стоит как хорошая машина, а для обучения больших моделей нужны тысячи таких карт.

3. Вода 💧 — серверы греются как сковородки в Аду, и их нужно охлаждать. А на это уходит тонна воды. Экологический след некоторых моделей сравнивают с выбросами целых отраслей промышленности.

И если вы думаете, что ваши запросы к нейросети — это безобидное баловство, то я сейчас покажу, сколько на самом деле электричества уходит на каждое "напиши мне эссе про Достоевского на 5 страниц".

Какие модели ИИ самые прожорливые?

Есть три типа моделей, которые особенно любят полакомиться киловаттами:

1. Большие языковые модели (LLM) — GPT-4, Gemini, Claude и все их многочисленные родственники. Они как старший брат, который съедает половину холодильника за один присест.

2. Модели для генерации изображений — Midjourney, DALL-E, Stable Diffusion. Эти ребята — настоящие энергетические вампиры. Они потребляют в 10-20 раз больше энергии, чем текстовые модели.

3. Глубокие нейросети с миллиардами параметров — чем больше параметров, тем больше энергии нужно. А современные модели имеют десятки и сотни миллиардов параметров.

А вот что удивительно: самые экономичные модели — это старые добрые статистические алгоритмы, которые мы учили ещё в универе. Линейная регрессия, деревья решений, случайные леса — они работают на обычных CPU и потребляют минимум энергии.

Давайте посчитаем на пальцах: сколько энергии уходит на один запрос?

Я люблю конкретику, поэтому давайте перейдём к цифрам. Сколько же электричества на самом деле потребляет нейросеть, когда вы просите её что-то сгенерировать?

Генерация текста (например, в ChatGPT):

• Энергопотребление: примерно 0,001-0,01 кВт·ч (1-10 Вт·ч) на один запрос.

• Углеродный след: примерно 0,2-2 грамма CO₂ на запрос.

Для сравнения: одна поисковая операция в Google ≈ 0,2 г CO₂.

Генерация изображения (например, в Midjourney):

• Энергопотребление: около 0,01-0,1 кВт·ч (10-100 Вт·ч) на одно изображение.

• Углеродный след: примерно 2-20 граммов CO₂ на изображение.

Получается, что генерация картинок в 10-20 раз прожорливее, чем генерация текста. Логично: картинка требует больше вычислений, чем набор слов.

Бытовые сравнения, чтобы было понятно даже моей бабушке

Сухие цифры ни о чём не говорят, давайте сравним энергопотребление нейросетей с привычными бытовыми процессами:

⚡ Энергопотребление в Ватт-часах (Вт·ч):

• 📝 Генерация одного текста (GPT): ≈ 1-10 Вт·ч

• 🎨 Генерация одного изображения: ≈ 10-100 Вт·ч

• ☕ Кипячение чайника (1 литр воды): ≈ 100-150 Вт·ч

• 📱 Зарядка смартфона: ≈ 10-15 Вт·ч

• 📺 Просмотр телевизора (1 час): ≈ 50-150 Вт·ч

• 💻 Работа ноутбука (1 час): ≈ 20-50 Вт·ч

• 🧺 Стирка в стиральной машине (одна загрузка): ≈ 500-1000 Вт·ч

🌱 Углеродный след в граммах CO₂:

• 📝 Генерация текста (GPT): ≈ 0,2-2 г CO₂

• 🎨 Генерация изображения: ≈ 2-20 г CO₂

• ☕ Кипячение одного чайника: ≈ 20-50 г CO₂

• 📱 Зарядка одного смартфона: ≈ 3-5 г CO₂

• 📺 Просмотр одного часа ТВ: ≈ 25-80 г CO₂

• 🚗 Одна поездка на автомобиле (1 км): ≈ 100-250 г CO₂

Получается, что:

• Один запрос в ChatGPT ≈ примерно 1-2 минутам зарядки смартфона.

• Генерация одного изображения ≈ полной зарядке смартфона или 5-20 минутам просмотра телевизора.

Рекорд по наглядности: сравнение с дошиком

Давайте представим, что у нас есть стандартная порция дошика, которую нужно залить кипятком. На кипячение 0,5 литра воды чайник потратит примерно 50-80 Вт·ч энергии.

🍜 Сколько действий равно энергии на один дошик:

• 📝 Генерация текста в GPT: ≈ 5-50 текстов на один дошик

• 🎨 Генерация изображения: ≈ 1-8 изображений на один дошик

• 🍜 Заварить один дошик: ровно один дошик 😄

То есть, если вы попросите ChatGPT написать вам 30 текстов, это примерно равно энергии, необходимой для приготовления одной порции дошика. А 5 картинок в Midjourney — это тоже примерно один дошик.

Что делать, если хочется нейросетей, но не хочется разорять планету?

Если вы всё-таки беспокоитесь об экологии (а кто после таких рилсов не будет?), вот несколько способов снизить энергопотребление при использовании ИИ:

1. Используйте компактные модели вместо огромных. Например, DistilBERT вместо BERT или MobileNet вместо ResNet.

2. Не генерируйте каждый раз заново, а сохраняйте результаты. Особенно это касается изображений.

3. Оптимизируйте запросы. Чем точнее запрос, тем меньше итераций нужно для получения результата.

4. Лучше текст, чем изображения. Если можно обойтись текстом вместо картинки — используйте текст.

5. Используйте локальные малые модели, где это возможно, вместо обращения к облачным сервисам.

Мои выводы, которые никто не просил

1. ИИ не такой уж энергожор, как его малюют в рилсах. Да, на тренировку больших моделей уходит куча энергии, но один запрос обычного пользователя — это капля в море.

2. Генерация текста намного экономичнее, чем генерация изображений. Почти в 10-20 раз!

3. Бытовая техника потребляет намного больше, чем ваши запросы к ИИ. Один цикл стирки = 500-1000 запросов к ChatGPT.

4. Если используете нейросеть — не пейте чай одновременно. Серьёзно, если каждый раз, запрашивая что-то у ИИ, вы будете отказываться от чашки чая, то выйдете в минус по энергозатратам! 20 запросов к ChatGPT потребляют столько же энергии, как одна чашка чая.

5. А если вы заваривали дошик во время генерации изображения — считайте, что вы израсходовали двойную норму энергии. Вам теперь придётся не пользоваться телефоном целый день, чтобы компенсировать этот углеродный след!

В общем, я пришёл к выводу, что чувак из рилса немного преувеличивал. Или, может, он просто не в курсе, что его 5-минутное видео в HD качестве потребляет больше энергии, чем сотня запросов к ChatGPT. Генерация текста на удивление экологична, если сравнивать с другими повседневными активностями.

А если хотите по-настоящему сэкономить энергию — выключите YouTube и полчаса почитайте бумажную книгу. Только не перед сном, а то придётся включать лампу, и весь смысл теряется.

P.S. Подписывайтесь на мой телеграм-канал, там я регулярно публикую такие марафоны любопытства по разным темам маркетинга, технологий и бизнеса!