Лян Вэньфэн прославился как человек, который удешевил нейросети и раздает их бесплатно: в январе 2025 года его DeepSeek выпустила открытую модель R1, после чего акции Nvidia рухнули почти на 17% — тогда рынок решил, что дорогие чипы больше не нужны в прежних объемах (позже курс, впрочем, отыграл назад). Спустя полтора года этот "убийца дорогого ИИ" стал самым богатым основателем в индустрии: по данным Bloomberg, состояние Ляна достигло $36 млрд.

Это больше, чем у Дарио Амодеи, сооснователя Anthropic (компания-разработчик Claude), и Грега Брокмана из OpenAI (разработчик ChatGPT). Еще месяц назад индекс миллиардеров Bloomberg оценивал Ляна в $16,7 млрд — состояние удвоилось после первого в истории DeepSeek внешнего раунда инвестиций. Компания привлекла $7,4 млрд, а ее оценка взлетела с $10 млрд в апреле до $50 млрд.

Условия раунда для инвесторов жесткие. Около $3 млрд из всей суммы внес сам Лян — из прибыли своего хедж-фонда High-Flyer, на деньги которого DeepSeek жила с момента основания в 2023 году. Внешние участники получили пятилетний запрет на продажу доли и ноль прав голоса: все решения о стратегии остаются за основателем. Даже после размытия доли Лян контролирует около 78% компании.

Рейтинг Bloomberg учитывает только основателей компаний, чей основной бизнес — сами модели ИИ. Поэтому в нем нет глав Nvidia, Google или других гигантов, зарабатывающих на чипах и инфраструктуре: сравнение идет именно между создателями нейросетей.

OpenAI и Anthropic оцениваются в разы дороже DeepSeek, но их основатели за годы раундов раздали инвесторам большую часть акций и владеют считаными процентами своих компаний. Самым богатым в отрасли оказался не владелец самой дорогой нейросети, а тот, кто не отдал свою компанию инвесторам.

P.S. Поддержать меня можно подпиской на канал "сбежавшая нейросеть", где я рассказываю про ИИ с творческой стороны.

Обычно за соблюдением экспортных санкций следит государство — таможня, министерства, прокуроры. Теперь этим занялась сама Nvidia: компания отправляет собственных сотрудников с инспекциями в дата-центры покупателей, сверяет контракты и опрашивает конечных пользователей чипов. Об этом сообщает Reuters со ссылкой на Financial Times.

Итог проверок — новый "белый список" покупателей, куда не попало больше половины прежних азиатских клиентов компании. Ревизия шла последние месяцы в Сингапуре, Малайзии и Японии. Сильнее всего пострадали так называемые необлачные провайдеры (neo-cloud) — молодые компании, которые закупают ускорители и сдают вычислительные мощности в аренду. Вычеркнутые могут подать повторную заявку, если наведут у себя порядок.

Ужесточение началось после давления из Вашингтона. В марте прокуратура США предъявила обвинения сооснователю Supermicro и двум сотрудникам компании: по версии следствия, они помогли переправить в Китай чипов Nvidia на $2,5 млрд, используя фирму из Юго-Восточной Азии как прокладку для отгрузок с Тайваня. В новой системе проверок участвует и Минторг США — по данным Financial Times, ведомство обеспечивает "надзор и политическую поддержку".

Уже несколько лет США запрещают продажу передовых ускорителей в Китай, но чипы все равно утекали туда через посредников в Юго-Восточной Азии. Легальный канал при этом закрылся с другой стороны: в мае десять китайских компаний получили от США разрешение на покупку H200, однако Пекин заблокировал закупки — и ни один чип до Китая так и не доехал. Важно понимать разницу: H200 создавался специально для Китая и ограничен по производительности, а контрабандисты ввозят самые передовые чипы.

Раньше экспортный контроль работал последовательно: государство пишет правила, компания их формально соблюдает, а нарушителей ищут прокуроры — уже после того, как чипы уехали. Теперь фильтр встроен в самого производителя: Nvidia вычеркивает клиентов до всякого обвинительного заключения, по итогам собственных проверок. Продавец чипов стал последней инстанцией, которая решает, кому в Азии положены вычисления.

P.S. Поддержать меня можно подпиской на канал "сбежавшая нейросеть", где я рассказываю про ИИ с творческой стороны.

Делал для себя.

Просто жму кнопку - работать. И всё.

Для работы оффлайн вам понадобятся (всё бесплатно и опенсорсно):

1. LMstudio + загрузить модель, умеющую в Vision (я использую модель qwen3.6-35b-a3b + видеокарта 3090 24GB VRAM )

2. Установить PYTHON.

3. Для инжекта метаданных прямо внутрь фоточек нужен EXIFTOOL

4. Желательно установить OBSIDIAN

   4. Прочитать README на гитхабе

Что такое StockDescriptor?

StockDescriptor — это open-source инструмент (Python + PowerShell + GUI), который полностью автоматизирует подготовку фото для стоков.

Что он делает одной кнопкой:

1. Создаёт миниатюры (THMBS/) чтобы ИИ не сошёл с ума, 1024px по ширине, закидывает их в ИИшку.

2. Через ИИ генерирует Title / Description / Keywords (SEO-оптимизированные)

3. Инжектит все метаданные прямо в оригинальные файлы (EXIF) - нужен exiftool.exe

4. Создаёт удобную навигацию METADATA-NAV.md для Obsidian

5. (Новая фича v2.2) — параллельно загружает обработанные JPG на стоковые платформы по SFTP

🔥 Доделал обновление v2.2 — Загрузка на стоки

Теперь можно прямо из интерфейса загружать фото на:

• Shutterstock

• Adobe Stock

• Pond5

Особенности:

• Параллельная загрузка в отдельных потоках

• Живые полосы прогресса и счётчики файлов

• Отдельные настройки SFTP для каждой платформы

• Опция «Автозагрузка на стоки после EXIF»

• Загруженные файлы автоматически перемещаются в папку _UPLOADED/

Сделал приятный GUI

Запускается одной командой:

run_gui.bat

Что есть в интерфейсе:

• Выбор папки + большая кнопка «🚀 ЗАПУСТИТЬ ПАЙПЛАЙН»

• Переключатель LM Studio (локально) ↔ Google Gemini (онлайн)

• Настройка батча и задержек

• Живой цветной журнал выполнения

• Переключатель языка RU / EN

• Полностью зашифрованное хранение API-ключей и FTP-паролей (ничего не утекает в репозиторий)

Быстрый старт (GUI)

cd путь\к\StockDescriptor run_gui.bat

1. Нажимаешь «Обзор...» → выбираешь папку с JPG

2. (По желанию) в «Настройках AI» выбираешь Gemini и вставляешь ключ

3. Жмёшь большую синюю кнопку

4. Готово.

Можно работать полностью локально через LM Studio — без передачи фото на сторонние сервера.

Для продвинутых пользователей

Есть полноценный CLI и PowerShell-скрипты. Поддерживается resume, проверка ошибок, mock-режим и инкрементальная запись.

Безопасность

Все ключи и пароли хранятся в зашифрованном виде в ~/.stockdescriptor/ (Fernet). В репозиторий ничего не попадает.

Ссылки

GitHub (открытый код):
https://github.com/WillyamBradberry/StockDescriptor

Портфолио автора на Adobe Stock:
https://stock.adobe.com/contributor/202223264/willyam

Есть подробная документация на русском и английском.

Кому будет полезно:

• Стоковым фотографам (особенно тем, кто много заливает)

• Тем, кто использует Obsidian для организации съёмок

• Тем, кто хочет максимальную приватность (локальный ИИ)

• Тем, кто устал от рутины с метаданными

Звёздочки на репозитории тоже очень мотивируют развивать проект дальше ❤️

ToDo: прикрутить онлайн-нейронки, чтобы можно было вставить API-ключ и пользоваться без мощной видяхи в режиме онлайн всякими GROKами или GPT-шками, но пока в настройках только Gemini, работоспособность ещё не проверял.

Проект некоммерческий, сделал по фану, лайк-шер-репост, идеи - что прикрутить привествуется.

Буду рад вопросам, предложениям и баг-репортам в комментариях или в Issues на GitHub.

Чтобы нам не приходилось учить эти цифры наизусть, придумали систему DNS. Это как телефонная книга в мобилке. Когда вы вбиваете имя сайта, ваш браузер сначала шлет короткий запрос в эту книгу и спрашивает: какой цифровой номер у этого сайта? DNS-сервер присылает цифры, и только тогда ваш компьютер понимает, куда именно по проводам отправлять запрос.

3. Почему данные режутся на пакеты
Вы хотите открыть картинку или видео весом в пару мегабайт. Компьютер не может отправить такой файл одним куском. Если на линии случится хоть микроскопический сбой, весь файл придется пересылать заново, а сеть намертво затормозит для остальных людей.

Поэтому сервер режет картинку на тысячи мелких кусочков, которые называются пакетами. На каждый кусочек вешается виртуальная наклейка: адрес отправителя, адрес получателя и порядковый номер, например кусок номер 45 из 1000.

4. Как пакеты летят по миру
Когда эти кусочки вылетают в провод, они не летят строем друг за другом. На путях стоят промежуточные распределители, это маршрутизаторы или обычные роутеры. Они работают как регулировщики на перекрестках: направляют каждый пакет по самому свободному на этот момент пути.

Если какой-то кабель между городами перегружен или оборван, маршрутизатор отправляет следующие пакеты в обход. В итоге куски вашей одной картинки могут лететь к вам абсолютно разными дорогами через разные страны и регионы.

5. Сборка на вашем устройстве
Из-за разных маршрутов пакеты прилетают в ваш телефон вперемешку. Браузер смотрит на их порядковые номера, расставляет все по местам и склеивает картинку обратно.

Если по дороге один кусочек потерялся в океане, телефон шлет серверу быстрый сигнал: я собрал все, кроме пятидесятого куска, дошли его. Сервер быстро отправляет только этот потерянный пакет, и картинка открывается. Все это занимает доли секунды.

На моей платформе которая дорабатывается сейчас открыты подробные базовые курсы по изучению главных языков программирования. Они полностью бесплатны, там нет унылых видеолекций и все написано вот таким же простым человеческим языком без заумной теории. Материал я выдаю порциями, но внутри каждого урока лежит огромный массив информации с детальным разбором. Вы читаете понятное объяснение синтаксиса и сразу пишете код в интерактивном редакторе.

Если тема сетей вам интересна, напишите в комментариях, стоит ли сделать такой же простой разбор про то, как шифруются данные в интернете, чтобы их никто не мог перехватить

Рассуждающую нейросеть с 34,7 млрд параметров запустили на сервере, в котором нет ни одной видеокарты, — и получили около 17 токенов в секунду (токен — кусочек слова, которыми модель печатает ответ — обычно в русском языке на слово приходится 1,5-2 токена). Это медленнее, чем в облаке, но достаточно, чтобы читать ответ в реальном времени. Замеры и живые демо разработчики из лаборатории VIDRAFT выложили в блоге на Hugging Face.

Считается, что большой модели нужна серверная видеокарта, ну или хотя бы мощная игровая, уровня RTX 3090. Узкое место при этом не вычисления, а память: обычная модель на каждый токен прочитывает все свои параметры целиком. Для 34,7 млрд весов это около 16,7 ГБ данных на один токен — на домашнем железе такая модель выдает 1-2 токена в секунду.

Трюк — в архитектуре "смесь экспертов" (Mixture of Experts): модель разбита на 256 небольших блоков, и на каждый токен включаются только 8 из них. Из 34,7 млрд параметров реально работают около 3 млрд, объем данных на токен падает до 1,45 ГБ — в 11 раз меньше. Именно поэтому модель, которая на бумаге требует датацентр, помещается в оперативную память обычного сервера. Причем блоки реально "эксперты", ведь в каждом из них содержатся знания по какой-то конкретной области — и в момент ответа модель выбирает нужный блок.

Один и тот же файл весов модели Ourbox-35B (производная от китайского семейства Qwen) прогнали по всей лестнице железа. Серверный ускоритель B200 — 18 057 токенов в секунду, облачная видеокарта A10G — 126, игровой ноутбук с 8 ГБ видеопамяти — 20, сервер без видеокарты — 17.

Чтобы исключить версию "модель просто маленькая", авторы провели контрольный тест: на том же ноутбуке плотная модель Qwen2.5-32B сопоставимого размера выдала 5,36 токена в секунду против 20 у разреженной. Разница в 3,7 раза — только за счет архитектуры. При этом модель не игрушечная: на сложном научном тесте GPQA Diamond она набирает 86,4%. Авторы оговариваются: это замеры одной конкретной машины, и процессор не претендует обгонять видеокарты — он доказывает, что модель в принципе работает без них.

Разреженные модели меняют стартовые требования к железу. Для запуска нейросети уровня, который еще год назад означал аренду облака, теперь хватает сервера, который у компании уже стоит в углу, — без интернета и без передачи данных наружу.

P.S. Поддержать меня можно подпиской на канал "сбежавшая нейросеть", где я рассказываю про ИИ с творческой стороны.

В общем, в мае я решил:, пора стать алгоритмом буквально. Я изучал в магистратуре методики, которыми учёные полвека сравнивают культуры (Хофстеде, Шварц и другие умные фамилии), и решил собрать тест: отвечаешь на вопросы → получаешь свой культурный профиль → он сравнивается с профилями 100+ городов → узнаёшь, где ты свой.

Думал, справлюсь за пару недель.

Как всё сломалось в первый раз

Первая версия заработала быстро. Я радостно начал гонять через неё тестовые профили: осторожный интроверт, авантюрный тусовщик, консервативный семьянин.

Всем выпадала Варшава.

Интроверту — Варшава. Тусовщику — Варшава. Семье с детьми — Варшава. Ничего против Варшавы не имею, но тест «подбери город по характеру», который всем подбирает один город — это не тест, а лотерея с одним выигрышем.

Оказалось, у алгоритма была логичная и подлая причина: города-«середнячки», у которых все параметры близки к середине, математически ближе к большинству людей, чем города с ярким характером. Средний побеждает не потому, что он лучший, а потому что он ни от кого не далёк. Прямо как в жизни, да?

Я подкрутил настройки. Варшава ушла. Теперь всем выпадал Хошимин.

80 000 виртуальных эмигрантов

Стало ясно, что на глаз это не лечится. Я написал скрипт, который генерирует тысячи виртуальных людей с разными ответами и прогоняет их через тест, а результаты складывает в дашборд — видно, какие города выпадают слишком часто, где всё слиплось в кашу.

Всего через движок прошло около 80 000 синтетических прогонов. Если бы это были живые люди — у меня была бы аудитория небольшого города. К счастью, синтетические эмигранты не пишут в поддержку.

Дальше полтора месяца выглядели так: правишь → гоняешь
синтетику → находишь новый перекос → правишь → гоняешь. Плюс друзья-тестеры, которые не стеснялись. Один из ранних фидбеков:

— Твои вопросы… они слишком егоровские! Как будто попадаешь к тебе на интервью, а не к учёным в исследование.

Справедливо. Выкинул все «авторские» вопросы, удвоил количество, сделал по-научному. Тест должен быть про человека, а не про меня. Когда всё заработало прилично, я прошёл тест сам. Честно, не подглядывая — настройки к тому моменту крутились столько раз, что предсказать результат я не мог.

Топ-1: Ко Панган. Мой самый любимый остров на планете. Дальше: Тбилиси, от которого я без ума, Берлин и Чиангмай, куда давно собираюсь. Сидел и смотрел на экран с лицом человека, которому гадалка только что назвала девичью фамилию его бабушки.

Что в итоге

Получился kinship.my — бесплатный тест на 10 минут: 16 культурных шкал, 100+ городов, на выходе «цифровой культурный паспорт» с твоим архетипом (каждому архетипу положен свой сурикат, это было важно) и топом городов, где тебе будет хорошо.

Сейчас собираю данные для исследования: куда на самом деле хотят люди, которые думают о переезде, и насколько их «город мечты» расходится с тем, что им реально подходит. Если пройдёте — расскажите в комментах, что выпало и похоже ли на правду. Особенно интересно, если НЕ похоже: расхождения для меня сейчас ценнее совпадений. Ну и если тест отправит вас в Варшаву — передавайте ей привет, мы с ней многое пережили.