gghhhhh пппп
вторник, 15 сентября 2026 г.
понедельник, 14 сентября 2026 г.
воскресенье, 6 сентября 2026 г.
когда задачи решаются на айфончике самостоятельно, а когда отправлябтся на обработку в датацентры
когда задачи решаются на айфончике самостоятельно, а когда отправлябтся на обработку в датацентры
ChatGPT said:
Здесь есть важное уточнение: iPhone 17 Pro не обрабатывает абсолютно всё самостоятельно. Apple построила систему по принципу «сначала устройство, при необходимости — облако».
У iPhone 17 Pro с A19 Pro действительно есть мощный Neural Engine, но 45 TOPS — это не означает, что любая задача Apple Intelligence выполняется локально. Более того, по состоянию на 2026 год Apple прямо описывает архитектуру как сочетание on-device моделей и серверных моделей Private Cloud Compute (PCC).
Как это работает
Упрощённо:
Ваш запрос │ ▼ ┌───────────────┐ │ iPhone 17 Pro│ │ │ │ A19 Pro │ │ NPU │ │ 45 TOPS* │ └───────┬───────┘ │ ┌────────┴────────┐ │ │ хватает мощности нужна большая │ модель ▼ ▼ Обработка PCC на iPhone Apple servers │ │ └────────┬────────┘ ▼ РезультатApple сама описывает механизм именно так: устройство сначала определяет, может ли выполнить запрос локальной моделью. Если нет, оно отправляет необходимые данные в Private Cloud Compute.
Почему Apple вообще старается делать это на телефоне?
Потому что у локальной обработки есть несколько очень серьёзных преимуществ.
1. Данные не покидают телефон.
Например, если система делает сводку ваших сообщений, уведомлений или другой личной информации, Apple может выполнить это непосредственно на устройстве. Apple приводит такие примеры как типичные случаи on-device обработки.
2. Работает без интернета.
Локальная модель может работать даже без соединения с сервером. Apple прямо указывает это как преимущество on-device модели.
3. Очень маленькая задержка.
Нет маршрута:
телефон → интернет → ЦОД → интернет → телефон.
Для голосовой обработки, фотографии, клавиатуры и других быстрых операций это существенно.
4. Экономия инфраструктуры.
Если миллиард устройств выполняет хотя бы часть AI-задач самостоятельно, огромному количеству запросов вообще не требуется серверная мощность.
Но самое интересное — что происходит с тяжёлыми задачами
Представьте два запроса.
Запрос №1
«Убери шум с фотографии».
iPhone может выполнить это локально:
камера → память → GPU/NPU → готовая фотография.
Сервер вообще не нужен.
Запрос №2
«Проанализируй 200 страниц документов, сравни их, рассуждай над противоречиями и подготовь подробный ответ».
Здесь локальная модель может оказаться недостаточной.
Тогда:
iPhone → зашифрованный запрос → Private Cloud Compute → результат → iPhone.
Apple прямо говорит, что для более сложных запросов используются более крупные серверные модели.
А что особенно интересно в 2026 году
Здесь произошли изменения по сравнению с первоначальной концепцией Apple Intelligence.
Изначально Apple представляла Private Cloud Compute как инфраструктуру Apple на собственном Apple Silicon.
Но в июне 2026 года Apple объявила о расширении PCC за пределы собственных дата-центров. Apple сообщила, что для новых нагрузок сотрудничает с Google и NVIDIA и использует Google Cloud для части Apple Intelligence. При этом Apple заявляет, что сохраняет архитектуру конфиденциальности PCC.
То есть сегодня уже нельзя говорить:
«iPhone вообще ничего не отправляет во внешние дата-центры».
Правильнее:
обычные и достаточно лёгкие AI-задачи стараются выполнять на iPhone; более тяжёлые задачи могут передаваться в Private Cloud Compute.
И Apple утверждает, что при такой передаче отправляется только информация, необходимая для выполнения конкретного запроса, а данные после выполнения не сохраняются.
И вот здесь возвращаемся к вашим 45 TOPS
45 TOPS — не означает, что iPhone мощнее или сопоставим с ЦОД.
Это означает примерно:
«В телефоне есть специализированный вычислительный блок, способный выполнять огромное количество определённых AI-операций при очень маленьком энергопотреблении».
Телефон использует эти 45 TOPS для локальной части AI.
А когда задача слишком большая, используется сервер.
Причём Apple описывает серверную инфраструктуру PCC как распределённую систему: для некоторых запросов inference может распределяться между несколькими SoC, вплоть до восьми узлов в одном ensemble.
Поэтому правильная концепция выглядит не как:
45 TOPS против ЦОД 80 МВт
а как:
45 TOPS на каждом iPhone + огромный вычислительный кластер в облаке.
И именно поэтому Apple может одновременно добиться быстрой локальной обработки, большей автономности и доступа к гораздо более крупным моделям, когда это необходимо.
* И здесь я бы отдельно проверил конкретно цифру 45 TOPS для A19 Pro: Apple в своих официальных технических материалах обычно не раскрывает TOPS так же прямо, как некоторые производители Android-чипов. Если вы видели именно утверждение «A19 Pro = 45 TOPS», пришлите источник/ссылку — я могу разобрать, что именно производитель или источник включил в эти 45 TOPS и насколько корректно сравнивать эту цифру с NPU Snapdragon/MediaTek.
привлечь к изучению языка питон
gglglggg;
ChatGPT said:
Да — и для студента 18 лет, который учится во ВГИКе, я бы вообще не начинал с предложения «изучи Python». Это почти наверняка будет восприниматься как ещё один скучный предмет.
Гораздо эффективнее предложить ему не программирование, а новые инструменты для кино, где Python оказывается средством достижения интересного результата.
🎬 Главная идея
Можно сформулировать так:
«Давай не будем учить Python. Давай научимся с его помощью делать то, что интересно тебе в кино».
Например, Python может быть полезен для:
🎞️ анализа сценариев — персонажи, сцены, количество реплик, динамика сюжета;
🎭 создания персонажей — генерация биографий, характеров, конфликтов и сюжетных ситуаций;
🎬 подготовки фильма — автоматизация раскадровок, списков кадров, реквизита, локаций;
📊 анализа кино — статистика по фильмам, жанрам, персонажам, диалогам;
🎵 работы со звуком — анализ аудиодорожек, поиск пауз, создание меток;
🖼️ работы с изображениями и видео — массовая обработка кадров, создание эффектов, анализ изображения;
🤖 AI в кино — взаимодействие с моделями ИИ, обработка текста, изображений и видео;
🎥 виртуальное производство — автоматизация части рабочих процессов;
🎮 создания интерактивного кино и небольших игровых прототипов.
И здесь возникает мотивация: «Я учусь не программировать — я учусь делать кино новыми способами».
Что я бы предложил именно 18-летнему студенту ВГИКа
Проект №1 — «Разбери любимый фильм»
Это может быть первое задание вообще без скучной теории.
Например, взять любимый фильм и сделать небольшую программу, которая отвечает:
сколько в фильме сцен;
сколько сцен у каждого персонажа;
кто с кем чаще всего разговаривает;
какие слова персонаж употребляет чаще всего;
как меняется количество диалогов по ходу фильма;
в каких сценах появляется каждый герой.
После этого можно визуализировать результат.
И человек сразу видит:
«Оказывается, я написал программу, которая исследует кино».
Проект №2 — генератор киносцен
Затем можно сделать что-нибудь гораздо интереснее.
Например:
Пользователь вводит:
«триллер, Москва, ночь, два персонажа, конфликт из-за денег»Python создаёт структуру сцены:
Локация → персонажи → цель → конфликт → действие → кульминация → финал сцены.
Это уже воспринимается не как программирование, а как инструмент сценариста.
Причём можно постепенно усложнять программу и подключать AI.
Проект №3 — «Мой личный киношный инструмент»
Вот это, на мой взгляд, самый сильный подход.
Предложите ему самому придумать программу, которая была бы полезна лично ему в кино.
Например:
«Если бы ты мог одним нажатием кнопки автоматизировать одну скучную часть работы режиссёра/сценариста/оператора — что бы это было?»
И дальше вместе сделать этот инструмент на Python.
Тогда возникает очень важная вещь: проект принадлежит ему.
Не нужно начинать с математики и алгоритмов
Для такого человека я бы построил обучение примерно так:
Первый месяц — «Python для кино»
Неделя 1
Переменные, строки, числа.
Но не абстрактно:
character = "Иван" age = 25 location = "Москва"Неделя 2
Условия:
if character == "Иван": print("Главный герой")Неделя 3
Списки:
characters = ["Иван", "Анна", "Сергей"]Неделя 4
Первый настоящий мини-проект:
«Анализатор сценария»
И вот здесь уже появляется ощущение результата.
А затем — очень интересный поворот
После базового Python я бы познакомил его с AI + Python.
Например:
Сценарий → Python → анализ → визуализация → AI → новый сценарный материал.
Это уже гораздо ближе к современному кинопроизводству.
Можно сделать приложение, которое принимает сценарий и показывает:
ПЕРСОНАЖИ Иван 38 сцен Анна 31 сцена Сергей 14 сцен ОСНОВНЫЕ КОНФЛИКТЫ Иван ↔ Анна 17 сцен Иван ↔ Сергей 9 сцен ДИНАМИКА Акт I ███████ Акт II █████████████ Акт III █████████████████Для студента-кинематографиста это уже визуальный инструмент, а не «программирование ради программирования».
И ещё один очень важный момент
Я бы не говорил ему:
«Python пригодится тебе в жизни».
Это слишком абстрактно.
Лучше:
«Ты собираешься заниматься кино. Сейчас кино всё сильнее пересекается с технологиями, AI, компьютерной графикой, обработкой изображений и автоматизацией. Python может стать твоим инструментом, который позволит самому создавать такие вещи, а не только пользоваться готовыми программами».
Это совершенно другая мотивация.
Можно даже устроить эксперимент
Не покупать сразу книгу и не записывать его на длинный курс.
Дать ему 7 дней.
Цель:
За 7 дней сделать маленькую программу, связанную с кино, которую он сам захочет показать друзьям.
Если получится — интерес, скорее всего, появится естественным образом.
Если хотите, я могу разработать для него конкретную программу «Python для кинематографиста 18 лет» на 3 месяца: с нуля, по 30–60 минут в день, на русском, с конкретными бесплатными уроками и 10 киношными проектами (анализ сценария, генератор сцен, работа с изображениями/видео, AI и т. д.). Это будет гораздо интереснее обычного курса Python.
Подписаться на:
Сообщения (Atom)