Ранее я часто рассказывал об особенностях видеокарт из 90-х. В рамках прошлых статей, мы успели с вами рассмотреть внутреннюю архитектуру 3dfx Voodoo, узнать о кастомном графическом API в S3 ViRGE, и даже написать свою собственную небольшую демку под видеокарты из 90-х. Вместо рассказов о GeForce 256 и ATi 3D Rage, в сегодняшнем материале мне хотелось бы поговорить о видеокарте, которая обогнала своё время — и при этом всё равно провалилась. Как вы уже поняли — речь пойдет об Intel i740.

Каким был первый GPU от Intel, на что он был способен и в чём заключается его главная тайна — читайте в сегодняшней статье!

❯ Предисловие

История видеоускорителей Intel начинается, как это ни странно, с программ космических симуляций. Первые наработки 3D-ускорителей разрабатывали ещё в 70-х годах в стенах компании GE Aerospace, однако в 1992 году, General Electric решили продать своё аэрокосмическое подразделение компании Martin Marietta, которое в 1995 году стало называться Lockheed Martin. После появления PlayStation 1 и массовых игровых автоматов с 3D-графикой, было очевидно что рано или поздно 3D станет мейнстримом и в сегменте домашних компьютеров, а пока конкуренция была ещё достаточно мала, Lockheed Martin решила организовать подразделение под названием Real3D.

По сути, в 1995 году из конкурентов у Real3D была только Nvidia со своим мультимедийным акселлератором NV1 и... PowerVR с GPU Midas 3. Но NV1 не был просто 3D-ускорителем — это целый комбайн, который включал в себя контроллер геймпадов от SEGA Saturn, звуковую карту, 2D-ускоритель для GDI/DDraw-игр и, собственно, 3D-ускоритель. Стоил NV1 целых 300$ и его самая главная фишка в лице 3D-ускорителя оказалась полным провалом: дело в том, что по каким-то причинам инженеры Nvidia решили построить растеризатор на базе квадов, а не общепринятых треугольников. Из-за этого разработчикам приходилось серьезно переписывать рендереры своих игр, поэтому на NV1 вышло всего 6 игр. Кроме того, NV1 оперировал не классическими UV-координатами, а специальными «весами», которые диктовали GPU как правильно наносить текстуру на примитив.

Как и NV1, PowerVR Midas 3 был тоже прорывным и в некоторой степени экзотическим GPU. В отличии от чипа от Nvidia, он оперировал классическими треугольниками, однако растеризатор здесь работал по принципу TBDR — Tile Based Deffered Renderer. Если говорить простыми словами, то видеокарта разбивала экран на набор тайлов размером 32x32 каждый, считала видимость и перекрытие всех рисуемых в тайле треугольников и затем отсылала их растеризатору. Таким образом, Midas 3 очень сильно экономил филлрейт за счёт отсечения невидимых поверхностей, не требовал тяжелого Z-буфера и заметно снижал нагрузку на общую шину с видеопамятью. Однако TBDR очень не любит полупрозрачные поверхности, а также геометрию с альфа-тестом, поэтому производительность Midas 3 значительно падала при отрисовке заборов, решеток и прочих объектов с полностью прозрачными пикселями. К слову TBDR в отличии от квадов живёт и сегодня и применяется даже в вашей RTX5090, а GPU от PowerVR сильно повлияли на успех первых iPhone (причём MBX был прямым наследником Midas 3).

Поэтому в 1995 году, Real3D совместно с Intel и Chips (читатели, заставшие 386/486, сразу поймут что это за компания) начали разрабатывать потребительский GPU под кодовым именем Auburn. Главной фишкой Auburn была новая шина AGP, созданная специально для видеокарт. Концептуально и электрически AGP был практически идентичен PCI: использовалась всё та же параллельная шина (за исключением того, что AGP не делил линии с другими устройствами как PCI) с теми же логическими уровнями, на программном уровне AGP-устройства использовали регистры PCI-контроллера и PCI-й же Configuration Space, а регистры и память самого GPU точно также маппились в адресное пространство процессора с помощью MMIO. Однако AGP добавлял ещё несколько важных фишек:

• Возможность передачи данных как по восходящему, так и по спадающему фронту — как в DDR. Это позволяло передавать данные в два раза быстрее без фактического увеличения скорости шины, которая в первых версиях работала на частоте в 66МГц — x2 от PCI.

• Технология GART, позволявшая замаппить кусок RAM для совместного использования GPU и CPU. Таким образом, GPU мог читать текстуры не только из собственной видеопамяти, но и из оперативной — что по теории Intel должно было решить проблему недостатка дорогой EDO-памяти для текстур и заметно удешевить видеокарты.

Как вы уже могли понять, основной упор в Auburn решили сделать на поддержку технологии GART. Суть её была такой, что на видеокарте располагается лишь минимальный объём видеопамяти (~4МБ) для хранения фреймбуфера и Z-буфера, в то время как для хранения текстур предполагается использовать системную память. Теоретически этот способ помогал заметно разгрузить шину GPU — VRAM в процессе растеризации, при этом распараллеливая обращения к текстурам через контроллер памяти в северном мосту. На бумаге это звучало хорошо...

❯ Разбираем архитектуру

Архитектура видеокарт в 90-х заметно отличалась от современных. Во первых, в GPU тех лет конвейер был фиксированным: все возможные операции по освещению, наложению тумана и текстурированию были заранее реализованы в железе и возможности вручную посчитать цвет фрагмента не было. Некоторым подобием шейдеров была возможность мультитекстурирования, которая позволяла за один проход наносить несколько текстур одновременно с разными операциями: например можно было наложить основную текстуру, маску и сферическую карту отражений, что позволяло сделать модельку машины, где кузов отражается, а матовые элементы — нет. Первой видеокартой с поддержкой мультитекстурирования была 3dfx Voodoo 2, однако там возможность нанесения нескольких текстур за один такт зависела от числа TMU — текстурных юнитов на видеокарте.

Во вторых, вплоть до GeForce 256 в видеокартах вообще не было вершинного конвейера. Вы же помните слова о том, что видеопамять используется только для фреймбуфера, а оперативная — для текстур? Так вот, в те годы видеокарты не хранили в себе геометрию и никак её не обрабатывали, ожидая на вход уже готовые и преобразованные треугольники. Таким образом, вся нагрузка по трансформации треугольников, перспективному делению, повершинному освещению и клиппингу (разбиения частично видимых треугольников «перед носом» на несколько более мелких) ложилась на центральный процессор, в то время как GPU оставалось лишь это всё растеризовать (и именно отсюда растут корни glBegin/glEnd). В GF256 уже появилась поддержка T&L и возможность размещать вершинные буферы в видеопамяти, что позволило уже через 2-3 года кратно увеличить полигональность моделей в играх.

Auburn, уже под финальным названием Intel i740, появился в начале 1998 года и должен был конкурировать с новым ATi Rage 128. На первый взгляд, это был суперсовременный и доступный GPU на момент выхода:

• В i740 был встроен 2D-ускоритель с аппаратным ускорением GDI и DirectDraw, поддержкой разрешения до 1280x1024 при 16-битном цвете и поддержкой как VGA, так и NTSC/PAL для вывода изображения на телевизор.

• Помимо 2D-ускорителя, в GPU был также аппаратный декодер DVD. Это уже очень серьезная заявка на успех с учетом того, что не каждый процессор в те годы мог программно декодировать MPEGII.

• 3D движок поддерживал все современные на тот момент возможности: Z-буфер, MSAA, затенение по методу Гуро, попиксельный туман, альфа-блендинг, альфа-тест, дизеринг, трилинейную фильтрацию. Из текстурных форматов поддерживалась палитровые, 1555, 565 и 4444 — никаких 24 и тем более 32 битных текстур.

• На бумаге GPU работал на частоте в 133МГц, имел приличный филлрейт в ~55 мегапикселей, мог растеризовывать до ~350к треугольников в секунду (или около 11к треугольников на один кадр — это не так мало, как кажется. В HL ~4к треугольников на кадр к примеру).

• И самое главное — никаких собственных GAPI, полный ориентир на OpenGL и Direct3D.

Всё это было выполнено на техпроцессе в 350нм и при скромной розничной цене в 120$. Звучит как что-то невероятное, однако на практике FPS в играх был не особо высокий из-за использования GART: видеокарте постоянно приходилось бороться с процессором за возможность доступа к оперативной памяти, из-за чего страдала пропускная способность как со стороны GPU, так и со стороны процессора. Добавьте к этому невысокую частоту FSB и самой SDRAM и получаем просадки растущие не только от объёма геометрии в кадре, но и количества наносимых текстур, благо i740 не поддерживал мультитекстурирование.

Очевидно что в 1998 году, большинство 3D-акселлераторов проектировались как игровые и i740 стал провалом в геймерском сегменте из-за невысокого FPS в играх. Ситуация становилась ироничной из-за того, что Intel выпустила специальную PCI-версию, для которой отдельно разработала чип-мост, перенаправляющий обращения к GART с северного моста на дополнительные чипы SGRAM распаянные на плате. PCI-версия стоила значительно дороже и нивелировала все плюсы i740, хоть и работала в играх чуть быстрее, что иронично.

Однако огромным плюсом были адекватные драйвера для OpenGL и Direct3D. До 1998 года, большинство видеокарт были ориентированы в первую очередь на свои собственные проприетарные графические API — у 3dfx был Glide, у S3 — Metal (не тот что у Apple), а у ATi — CIF, в то время как i740 был ориентирован на стандартные API. При этом все три API взваливали задачу написания аллокатора текстур, математической библиотеки и вершинного конвейера на программиста, что заметно увеличивало порог входа для разработки 3D-игр. У GL и D3D же это всё было готово «из коробки», благодаря чему большинство игр уже в 1999 году перешли на DirectX. Для понимания почему так произошло — окромя Nvidia, ни у одного производителя GPU в 90-х не было адекватных драйверов для OpenGL. У 3dfx был обрубок под названием MiniGL специально для Quake, у ATi драйвера были кривыми вплоть до ~2001 года, а у S3/SiS вообще всё с этим было максимально плохо, поэтому и победил DirectX.

Ещё одна причина почему победил в DirectX

Во времена DirectX 6 было два режима D3D — Immediate и Retained. Immediate больше всего похож на современные графические API, поскольку сразу оперировал программными командными буферами, и аппаратными вершинными/индексными буферами, что позволило прозрачно для игр использовать T&L и заметно поднять их производительность.

Retained же представлял из себя почти готовый графический движок с полноценным графом сцены, математической библиотекой и даже API для загрузки моделей/текстур с диска. Retained-режим очень сильно снижал порог входа в сферу, благодаря чему некоторые игры использовали именно его.

Касательно конкретных фишек у i740 всё тоже было не идеально. Во первых, как я и говорил ранее, i740 не имел поддержки мультитекстурирования, что требовало двухпроходной отрисовки уровней — сначала геометрия с текстурой, затем та же самая геометрия с лайтмапой. Больше всего это было актуально для Half-Life и Quake. Во вторых, i740 не поддерживал Stencil-буфер и соответственно стенсильные тени в реальном времен. Можно было только очень костыльно реализовать самые примитивные Shadowmap'ы без фильтрации, но выглядели они отвратительно.

И в третьих — i740 не поддерживал текстурную компрессию, которая позволила бы заметно выиграть в производительности. Дело в том, что блочные алгоритмы типа DXT позволяют хранить блок из 16 пикселей всего в 8 байтах (двух машинных словах) и отлично кэшируются, что помогло бы разгрузить шину... но имеем что имеем. В играх i740 показывал себя в целом очень даже неплохо, но уступал решениям от ATi и Nvidia, а ещё по каким-то причинам GPU не использовался в ноутбуках (скорее всего из-за отсутствия поддержки LVDS).

Результаты в играх были неплохими, но не более того. В Quake 3 i740 в AGP-версии выдавала солидные 30 FPS (а PCI-версия всего 20), в то время как в Quake 1 кадровая частота местами подлетала почти до 50 FPS. В Carmageddon II приходилось наслаждаться 20-22 FPS на обеих версиях, зато Mortal Kombat 4 шел в 50 на PCI версии и 60 на AGP. В MS Flight Simulator 98, i740 вытворял чудеса и выдавал более 60 FPS - это уже FPS уровня современного геймера.

Несмотря на все свои недостатки, i740 не отправился в помойку: несмотря на провал на розничном рынке, i740 стоил очень недорого на оптовом для OEM, что и обеспечило ему большую популярность в готовых сборках. А годом позднее, GPU был интегрирован в чипсет Intel i810, где и раскрыл свой бюджетный потенциал во всю. Его основными конкурентами стали SiS Mirage Graphics на базе SiS 6326 (обычно была слабее Intel'ов), VIA Unichrome на базе легендарного S3 Savage, и такая экзотика, как Trident CyberBLADE XP. В 2004'ом, Intel выпустила современный и относительно крутой GPU под названием GMA900 с поддержкой Direct3D9 и продвинутым шейдерным конвейером, но... об этом как-нибудь в другой раз.

❯ Заключение

Вот такой была первая видеокарта от Intel. И, судя по всему, из года в год Intel повторяет историю точь в точь: разрабатывают продвинутый GPU с поддержкой всех современных технологий, но спотыкаются об использование RAM в качестве основной памяти и кривоватые драйвера. Хотя сейчас с появлением Intel Arc ситуация кратно улучшилась. А что вы думаете о GPU от Intel? Пишите своё мнение в комментариях!

В будущем хотелось бы написать статью про что-то из Trident'ов, PowerVR, Trident'ов или ранних 3dfx, но к сожалению пока возможности купить их нет. Но там будь что будет :)

Ну а я надеюсь, что вам было интересно. Подписывайтесь на блог, чтобы не пропускать новые статьи каждую неделю! А если вам интересна тематика ремонта, моддинга и программирования для гаджетов прошлых лет — подписывайтесь на мой Telegram-канал «Клуб фанатов балдежа», куда я выкладываю бэкстейджи статей, ссылки на новые статьи и видео, а также иногда выкладываю полезные посты и щитпостю. А ролики (не всегда дублирующие статьи) можно найти на моём YouTube канале.

А если вы хотите что-нибудь подарить из железа и увидеть о нём статью — пишите мне в Telegram. Меня очень интересуют самые разные гаджеты: начиная от игровых консолей и любых связанных с геймингом устройств, телефонов, смартфонов, КПК, заканчивая ретро-компьютерами и ноутбуками. Кто знает, может героем следующей подобной статьи окажется ноутбук из 90-х? :)

После обзоров устройства не продаются, а остаются в моей коллекции. Когда-нибудь я хочу сделать музей, где к каждому устройству можно будет приложить QR и почитать мою статью. Кто знает, вдруг на следующей неделе я также подробно расскажу про девайс из вашей юности? :)

Кстати, у меня есть GameBoy Advance SP, под который я очень хочу написать игру. Однако мой экземпляр был залит водой и кофе. Может у кого-то есть донор с дохлой платой, откуда я смог бы взять контроллер питания? У меня AGS-101.

Пункт первый: железо. И тут начинается математика

Чтобы своя модель была не игрушкой, а реально помогала бизнесу, ей нужно быть хотя бы близкой по качеству к тому, чем люди привыкли пользоваться. А топовые открытые модели - это десятки и сотни миллиардов параметров, которые надо где-то физически крутить.

Возьмём для примера одну из лучших открытых моделей - DeepSeek R1 на 671 миллиард параметров. Чтобы запустить её целиком, в полном качестве, нужно около 1 300 ГБ видеопамяти. Это не одна видеокарта. Это стойка из 8-16 топовых ускорителей уровня NVIDIA H100 или A100.

Что это значит в деньгах? Готовый серверный узел с 4-8 ускорителями H100 в 2025 году стоит 15-25 млн ₽. Единоразово, за железо. И это без учёта того, что такие карты в Россию едут долго, сложно и с наценкой.

Можно, конечно, собрать что-то поскромнее - пару-тройку игровых RTX 4090, это уже 1,5-3 млн ₽. Но на такой сборке крупная модель не поедет, только маленькая и заметно более тупая. То есть вы сэкономили на железе - и получили ИИ, который бизнес разочарует уже на второй неделе. А смысл всей затеи был в том, чтобы бизнес перестал ходить в ChatGPT.

Пункт второй: поддержка. Железо само себя не обслужит

Сервер - это ещё не работающий ИИ. Его надо развернуть, настроить, обновлять и следить, чтобы всё стабильно крутилось. Кто-то должен этим заниматься, и здесь есть варианты - от бюджетного до дорогого, в зависимости от того, насколько ИИ для вас критичен.

Внешняя поддержка - самый доступный путь. Договор на сопровождение с подрядчиком или привлечённый инженер на part-time реально укладываются в 50 000-100 000 ₽ в месяц - это 0,6-1,2 млн ₽ в год. Если модель работает в штатном режиме и круглосуточный дежурный не нужен, для большинства компаний этого достаточно.

Свой человек в штате - если простои недопустимы. Когда ИИ становится частью критичных процессов, обычно заводят своего MLOps- или DevOps-инженера. Медиана зарплаты MLOps в Москве в 2026 году - около 320 000 ₽ в месяц на руки, для работодателя с налогами это ближе к 450 000 ₽. Дороже, но и уровень контроля другой.

Плюс электричество и охлаждение: мощный GPU-узел потребляет киловатты, дата-центр добавляет ещё несколько десятков тысяч в месяц. Суть простая: даже по самому бюджетному сценарию поддержка - это постоянная статья расходов, которая не заканчивается никогда, в отличие от разовой покупки лицензии.

Пункт третий: время. Пока вы строите, бизнес ждёт

Своя модель в контуре - это не «скачали и запустили за вечер». Это проект на месяцы: закупка и доставка железа, развёртывание, интеграция с вашими системами, настройка, тестирование, обучение команды. Всё это время бизнес по-прежнему не получает свой ИИ - а значит, сотрудники по-прежнему тихонько носят рабочие данные в публичные нейросети с личных телефонов. Проблема, которую вы взялись решать, продолжает жить всё то время, пока вы её решаете.

Пункт четвёртый: качество. Догнать лидеров не выйдет

Здесь надо быть честным. Даже самая лучшая открытая модель, которую вы поставите у себя, уступает фронтир-моделям - тем самым, что стоят за публичными сервисами. Компании, которые их делают, вкладывают в обучение миллиарды долларов и тысячи видеокарт. Догнать их силами своей IT-команды на своём железе - невозможно в принципе.

То есть вы платите десятки миллионов за то, что заведомо хуже того, чем ваши сотрудники пользуются бесплатно с телефона. И вот тут возникает самый неудобный вопрос.

А теперь - главное. Своя модель не закрывает проблему

Смотрите. Допустим, вы прошли через всё это. Потратили 25 миллионов на железо, наняли команду, полгода строили, запустили свою модель. Данные в неё уходят внутри контура и наружу не выходят. Победа?

Нет. Потому что запросы к LLM - это лишь один из десятка каналов, по которым данные утекают наружу.

Ваши сотрудники и системы прямо сейчас отправляют чувствительные данные:

• Подрядчикам и в SaaS-сервисы - CRM, аналитика, облачные инструменты, куда данные уходят по интеграциям, часто вообще без ведома ИБ.

• В транскрибацию звонков - расшифровки разговоров контакт-центра, а это сплошные ФИО, телефоны и номера договоров, регулярно прогоняются через внешние сервисы.

• Во внешние API - партнёрские системы, обработка документов, проверки контрагентов.

• В другие публичные нейросети - потому что ваша своя модель хуже, и сотрудник всё равно откроет привычный сервис с личного телефона, когда вашей не хватит.

Своя модель в контуре закрывает ровно один из этих каналов - и то не полностью. Вы построили бронированную дверь, а рядом остались открытыми десять окон. Утечка, от которой вы защищались, спокойно происходит по любому из них. Вы заплатили за всю задачу цену, а решили в лучшем случае её десятую часть.

Задача-то была не «поставить локальную модель». Задача была - не дать чувствительным данным уйти наружу неконтролируемо. А это гораздо шире, чем одна нейросеть.

Как ту же задачу решают за принципиально другие деньги

Если сформулировать проблему правильно - «контролировать любые исходящие данные, а не только запросы к одной модели», - то и решение выглядит иначе. Нужен не свой ИИ, а слой между вашим контуром и внешним миром, который проверяет всё исходящее и вырезает из него чувствительное на лету. Такой класс решений называется шлюзами обезличивания.

Работает это так: шлюз стоит внутри вашего контура, ловит в исходящих данных персональные данные, финансовые реквизиты и коммерческую тайну, заменяет их безопасными токенами, отправляет очищенные данные во внешний сервис - любой, не только в нейросеть, - а в ответе восстанавливает исходные значения обратно. Для сотрудника всё прозрачно: он получает нормальный ответ с реальными именами и реквизитами и даже не замечает, что обезличивание было. А наружу настоящие данные не ушли.

Наш продукт, DataProtect AI (dataprotectai.ru), работает именно по этому принципу. И вот почему по деньгам это другая вселенная:

• Лицензия - от 590 000 ₽ (для крупных компаний - 1,49 млн ₽, для банков и корпораций - от 3,9 млн ₽). Бессрочная, а не подписка - купили один раз. Сравните с миллионами на железо и постоянными расходами на его сопровождение.

• Интеграция - это замена одной строчки. Шлюз даёт OpenAI-совместимый API, поэтому если у вас что-то уже написано под нейросети, оно начинает работать через шлюз просто заменой base_url. Не месяцы разработки, а часы.

• Сроки - пилот от 5 рабочих дней, промышленное внедрение от 2 недель. Не полгода стройки.

• Работает с любыми внешними сервисами, а не только с одной вашей моделью. Тот самый десяток каналов закрывается одним слоем.

И, что важно, шлюз не мешает поставить свою модель, если она вам всё-таки нужна для других задач. Просто он решает проблему утечки данных - ту, ради которой всю затею с локальным ИИ обычно и начинают, - целиком, а не на одну десятую.

Честно про ограничения

Чтобы не выглядело как реклама без единого «но»: стопроцентной защиты не даёт ни один инструмент, и любой, кто обещает 100%, вводит в заблуждение. Точность распознавания у обезличивающего шлюза - до 97% для типовых персональных данных, до 96% для финансовых реквизитов и до 95% для неструктурированных данных. Это не идеал. Но выбор стоит не между «100% и 97%», а между «97% под контролем и с логами» и «0%, как сейчас, когда данные уходят бесконтрольно». На фоне полной слепоты это радикальное улучшение.

И ещё цифра, ради которой весь разговор. С 30 мая 2025 года штрафы за утечку персональных данных стали оборотными: для юрлиц - от 3 до 15 млн ₽ в зависимости от масштаба утечки, а за повторное нарушение - от 1% до 3% годовой выручки, вплоть до 500 млн ₽. На этом фоне и «свой ИИ за 25 миллионов», и шлюз за 590 тысяч перестают казаться дорогими. Дорогая здесь - утечка.

(Оговорюсь: это не юридическая консультация, а обзор. Конкретные суммы и составы стоит сверять с актуальной редакцией 152-ФЗ и КоАП и с вашим юристом.)

Короткий итог для тех, кто листает

• Своя LLM в контуре - это железо (от 1,5-3 млн ₽ за бюджетную сборку до 15-25 млн за серьёзный узел) плюс постоянная поддержка от 50-100 тыс. ₽ в месяц и месяцы внедрения, а результат всё равно слабее публичных сервисов.

• И главное - она закрывает только один канал утечки из десяти. Данные продолжают уходить подрядчикам, в SaaS, в транскрибацию, во внешние API.

• Шлюз обезличивания решает ту же задачу шире и дешевле на порядок: контролирует всё исходящее, интегрируется заменой base_url, внедряется за недели, а не месяцы.

• «Поставить свою модель» - это правильный ответ на неправильно заданный вопрос. Вопрос не в том, где крутится нейросеть. Вопрос в том, как не выпустить данные наружу по всем каналам сразу.

А в вашей компании этот спор уже был? Что решили - строить своё, закрывать шлюзом или пока «запрещаем и делаем вид, что проблемы нет»? Интересно, кто на чём в итоге остановился и во что это обошлось.

Что станет настоящим следующим шагом

Чтобы совершить реальный прорыв и перейти к полноценному мышлению второго типа, индустрии придется выйти за рамки привычной архитектуры. Настоящий некстген лежит на стыке адаптивных динамических систем и прогностического кодирования.

Вот три функции которые определят ИИ нового поколения:

1. Пластичность синапсов в реальном времени (Принцип Liquid Networks)

Современные нейросети статичны. Их веса замораживаются после обучения, а контекст удерживается только в оперативной памяти. Новое поколение моделей будет менять свои внутренние параметры прямо во время работы. Модель физически адаптирует свои уравнения под поступающий поток данных мгновенно подстраиваясь под стиль общения пользователя или специфику сложной задачи.

2. Локальное самообучение без обратного прохода (Predictive Coding)

Обратное распространение ошибки требует колоссальных ресурсов. Мозг человека работает иначе. В прогностическом кодировании каждый виртуальный нейрон пытается угадать состояние соседнего. Ошибка вычисляется локально на каждом участке сети одновременно. Это позволит моделям обучаться прямо на пользовательских устройствах за секунды и снизит энергопотребление ИИ до мизерных 20 Ватт.

3. Динамическое масштабирование времени рассуждения

Вместо фиксированного прохода по слоям сеть будет использовать адаптивные аттракторы. На простой вопрос модель ответит мгновенно. На сложную логическую задачу она потратит больше времени запуская внутренние итерационные циклы симуляции. Сеть начнет буквально прогнозировать последствия своих ответов в виртуальном пространстве перед тем как выдать текст пользователю.

Заключение

Neural ODE открыли нам глаза на то что нейросети могут быть плавными физическими системами, а не просто набором матриц. Но это лишь первый шаг. Будущее за моделями которые объединят физику траекторий с биологической пластичностью синапсов и локальным обучением. Только тогда мы получим ИИ способный к настоящему осмысленному диалогу на обычном домашнем железе.

3D видеокарта-«декселератор» из 90-х. Как работала S3 ViRGE «под капотом»?

Сам написал, сам полетал: как и зачем я разработал 3D-игру с нуля под компьютеры из 90-х в 2024 году?

Первая видяшка - Intel i740, которая несмотря на все свои перспективы оказалась полным провалом. Будучи выпущенной в 1998 году, i740 должна была стать эдаким "топом за свои деньги" для геймеров, однако видяшка использовала новую на то время концепцию использования видеопамяти. Дело в том, что более ранние видеокарты использовали видеопамять как для нужд фреймбуфера, так и для сурфейсов (изображений) и текстур. i740 же использовала видеопамять только под фреймбуфер, в то время как текстуры читались из оперативной памяти компьютера через DMA. Стоит ли говорить о том, насколько плохое это было решение учитывая низкую частоту работы SDRAM и необходимость делить шину с процессором и другими устройствами на шине PCI?!

Концептуально это близко к современному UMA, когда GPU может при необходимости задействовать часть ОЗУ под хранение буферов или текстур. Существовала также редкая PCI версия с мостом, обеспечивающим хранение текстур в... дополнительной VRAM помимо основной!

Своего GAPI i740 не имел, вместо этого полагаясь на Direct3D.

Вторая видеокарта настоящая классика - ATi 3D Rage Pro Turbo. Это была чуть усовершенствованная версия оригинального 3D Rage: вполне годная производительность, солидный объем VRAM в 8МБ и поддержка собственного графического API ATi CIF. В целом все семейство Rage'й было славными GPU, которые помимо десктопов ставили в ноутбуки, они поддерживали аппаратное декодирование h263, отлично ускоряли 2D и имели неплохие PCI версии. Однозначный балдеж!

Что думаете о пополнении коллекции?