1. Игнорируй врачей, они же не разбираются ни в чём, только время потеряешь, да ещё цыпки в поликлинике какие-нибудь подхватишь. 2. Займись спортом. Да, ты уставший, но есть же куча историй как бег менял жизни людей. Тебе просто нужно подвигаться. 3. Подпишись на биохакерские каналы, взахлёб посмотри 50 видосов, составь список из 70 наименований БАДов и таблеток. Рецептурные не забудь, они же самые сильные. Получи скидку 15% за то, что собрал самую большую корзину и сделай заказ. Критерий правильности - таблетки едва должны помещаться в ладони, а выпивать их приходится в 2 кружки воды. 4. Задай вопрос на форуме или каком-нибудь канале и получи рациональных доводов что твоя проблема фигня, тебе просто нужно легче ко всему относиться. Шлифани книгой “Тонкое искусство пофигизма”, у тебя ж много времени. 5. Начни лайкать в любой соцсети видео с популярной психологией. Желательно короткие, юмористические. Теперь ты в теме. Можешь листать ленту без вины. Лайкаешь длинные и умные, на английском? Диагноз - эстет и нетакуся. Нет, реально за проблему серьёзно взялся, респект. 6. Вообще-то дело в дисцплине. Сожми жопу в кулак и завяжи в узел, чтобы не сдувалась. Теперь у нас всё по расписанию. Про проблему говорить запрещено, потому что “Who’s gonna carry the boats?!” Можешь Дэвида Гоггинса, Джоко Вилинка и Александра Невского послушать. Мотивация! 7. Где-то здесь тебе нужно купить курс по тайм-менеджменту. Ты ж просто время не так распределяешь! Наши клиенты раскурили вотерфол, помодор, скрам, канбан, эйзенхауэр, кабан - и построили жизнь мечты, на всё есть время! 1999 рублей, 15 часов лекций и все твои проблемы решены. От преподавателей из Стэнфорда!! 8. Проконсультируйся с GPT. В идеале - с GPT от разных компаний, чтобы друзьям потом рассказать какой эмпатичнее. Сейчас очень важно! Поставь сам себе с помощью GPT диагнозов. Одного диагноза мало. Можешь начать с СДВГ, он всем нравится: удобная и красивая лычка. Далее - ОКР, ПРЛ, БАР, ГТР, РАС. Друзьям можешь диагностировать ИРЛ, НРЛ, КГБ, НКВД, СССР. Про таблетки для людей с такими диагнозами не забудь спросить. 9. Купи книгов. Они красивые и всем гостям говорят о том, какой ты глубокий, сколько у тебя свободного времени и с чем ты справился. Да, разумеется, после прочтения книг твои проблемы рассосутся. Усталость уйдёт, выгорание в страхе сбежит, тревожность наконец-то поймёт что была не права. 10. Сходи к КПТ-психологу. Он тебе всё объяснит. Ты поймёшь как всё устроено. Как ты выгораешь, как у тебя тратится энергия. Поймёшь, что тревожность - это плохо. Ты ж не знал. Будете короче много разговаривать и строить диаграмки, тебе ровно это сейчас нужно. 11. А лучше начни в самом начале с эзотерики. Сломай себе голову, зарядись съездить на какой-нибудь ретрит с промискуитетом и прочими легализованными островными прелестями. Брось всё. Жизнь, которую ты строишь, не твоя! Езжай в далёкие края, там хлеб-масло-варенье.
Шутки ли, эти все штуки мои клиенты пробуют в попытках справиться с выгоранием. Хроническая усталость - центральный симптом выгорания.
На самом деле единственное правильное действие, с которого следует начинать - обратиться к специалисту, который с выгораниями работает.
Давайте по чесноку, еще год назад от слова нейронки меня бесило. Каждый второй инфоцыган обещал, что ИИ изменит твою жизнь, этого было ну слишком много и я реально считал это маркетинговым шумом для тех, кто ищет волшебную пилюлю, хотя позитивный опыт с текстами-описания для товаров ранее у меня уже был, но все казалось таким муторным, долгим и раздутым, что даже ковырять не хотелось.
График жизни у меня был такой: просыпаюсь и штук 40 непрочитанных писем. До обеда вымучиваю тексты, прокрастинирую, дергаюсь по домашним делам (когда на удаленке). После обеда уже таблицы, в которых бывает путаюсь как первоклассник от их обилия и психую от слетевших форматов или не включенных столбцов в фидьтр. Вечером оформляю всё это, чтоб не стыдно показать и ложусь выжатый, а ощущение примерно такое: я вообще сегодня что-то СДЕЛАЛ или просто весь день что-то перекладывал?
Полез я искать решения не от вдохновения, а от усталости, меня просто задолбало уже. В очередную субботу, которую опять сожрала работа, я открыл поисковик и начал искать реальные кейсы под мои боли. На тот момент у меня были джемини от гугла и чатгпт у которых я тоже вымучичал, чем же реально они могут мне помочь.
За пару месяцев методом тыка собрал пять связок под конкретные задачи. Это не списки про топ 100 задача, роботов ассистентов и пр, а ровно то, чем пользуюсь каждый день:
1. Переписка. Минус ~40 минут в день. Раньше я залипал над каждым письмом минут по десять, чтобы как бы повежливее, как бы не сухо. Теперь даю три строки или контектс переписки: кому, цель, тон и прошу два варианта. Один правлю под себя, отправляю. Звучит банально, пока не посчитаешь: 40 писем × сэкономленное время = почти полный рабочий час в день, который раньше уходил в формулировки. И лучше сразу сделать себе выделенный кастомный чат под это. Да, нужно время его настроить, но ты же можешь попросить саму нейронку сделать это ))
2. Тексты, материалы для презентаций, собраний, планерок и пр. С ~40-180 минут. Главная ошибка, которую я делал сначала, так это писал «напиши материал про Х». Получал гладкую воду, которую можно брать, но это прям фу. Работает иначе, я даю тему и пять своих фактов/мыслей, прошу собрать черновик, а потом переписываю его своим голосом. Нейросеть делает скелет, мясо остаётся моё. Текст, на который уходило полдня, теперь занимает обеденный перерыв. Бывает наоброт, когда отдаю текст и фактуру, а он мне все по полочкам раскладывает. Еще круче с режимом диктовки, просто в потоке пока еду в метро все наговорил, он уже сделал материал.
3. Таблицы. То, что съедает больше всего у меня времени. Я гуманитарий, формулы вызывают у меня нервный тик. Теперь скидываю кусок данных и прошу: сведи, посчитай, скажи, где аномалия, что подправить. Один раз она нашла ошибку, из-за которой я три месяца считал экономику по клиенту лучше, чем она есть на самом деле (там был прикол с ретроспективой курса доллара от текущей себе стоимости), с тех пор это точно полезная штука, еще и внимательная.
4. Картинки. Прощай, стоковые подписки и не нужно тырить. Обложки, простые иллюстрации, схемы, даже слайды целиком для презентации просто в виде картинки я теперь генерирую сам. Не прям что-то дизайнерское конечно, но для рабочих задач за глаза.
5. Разбор непонятного. Договор с юридическим языком, чужая инструкция, незнакомый текст, непонятная тема или даже как что-то сделать, в итоге кидаю и прошу объяснить по-человечески и подсветить, на что смотреть. Раньше я гуглил что-то по часу и всё равно не был уверен, а тут сходу прошу факт чекинг и готово )))
Теперь про грабли. Пару раз я доверился слепо в слайде по презентации проекта и не проверил цифры, чуть не вставил в важный документ, но коллега заметила. Еще пару раз спотыкался на то что сетка меня не понимает сходу, но это лечится, чем чаще с ней взаимодействуешь, тем лучше понимаешь как и что, но мой совет это всегда делать выделенные проекты и кастомные чаты. Вывод простой: она ускоряет, но не отменяет голову. Проверять все же обязательно (пока что).
И главное, что я понял. Нейросетки работают ровно настолько, насколько чётко ты ставишь задачу. «Сделай красиво» и ты получишь мусор прям 100%. ДАешь вводные, вот цель, дай два варианта и тогда получишь результат. Нет я не стал быстрее думать или печатать на клаве, но я перестал делать руками то, что машина дает возможность сделать за пару минут.
Свои 11 часов в неделю я посчитал не для красивого заголовка. Это два вечера, которые вернулись мне исключив рутину, а еще глаз перестал дергаться (но это не точно), короче теперь есть ощущение плеча и что ты точно сделаешь это быстрее, на это подсаживаешься, кстати.
Если зайдёт разберу каждую связку по шагам, с конкретными промптами.
Принимаем поздравления — чат ВТБ стал победителем премии Frank Award 2026 сразу в двух номинациях. Рассказываем, чем он так хорош.
За что дали награду
Аналитики Frank RG подвели итоги ежегодного исследования «Банковские контакт-центры 2026». Эксперты сравнили более 200 бизнес-показателей, опросили свыше 4 000 клиентов и провели больше 700 тестирований чат-ботов. В результате выяснили, как банки общаются с клиентами, и выбрали самых достойных представителей индустрии.
По итогам исследования ВТБ забрал сразу две награды: за обслуживание операторами контакт-центра — «Лучшая работа чата» среди банков с базой от 10 млн клиентов и за работу чат-бота — «Лучшее роботизированное обслуживание в чате».
Почему это заметно
Награды приятны, но вам важнее, помогут ли вам быстро решить вопрос. За нас скажут цифры: среднее время ответа оператора сократилось на 60%, по сравнению с прошлым годом. 97% обращений мы закрываем с первого раза — без повторного обращения клиентов в службу поддержки..
Чат-ботом клиенты тоже довольны. В 2025 году он самостоятельно помог в 76% обращений. Пользователи оценили это и поставили 86% максимальных оценок.
Робот и человек работают в паре
Секрет — в распределении ролей. Типовые вопросы быстро закрывает чат-бот, а у операторов остается время на сложные случаи, и один сотрудник ведет несколько диалогов сразу, без потери качества. Если бот зашел в тупик, подключается живой человек.
Писать в чат стали заметно чаще — на такие обращения теперь приходится 39% всей нагрузки контакт-центра.
И что с этим делать вам
Появился вопрос к банку — не обязательно звонить и слушать «оставайтесь на линии». Откройте чат в приложении ВТБ: бот ответит на простой вопрос за секунды, а сложный передаст оператору. Премии премиями, но главная оценка — ваша.
Когда-то в 1999 году на 1 курсе универа я был восхищён легендарным для всех айтишников фильмом - первой частью матрицы.
Позже появились новые серии. Но их я смотреть уже не стал, чтобы не портить оригинальное впечатление от первого фильма, тем более у следующих серий рейтинг был уже не такой высокий.
Сейчас массово смотрю киберпанк-кино и решил таки посмотреть пропущенные когда-то матрицы.
Мой игнор к новому был большой ошибкой! Первая часть нас конечно знакомит с новой киновселенной, но весь сюжет трилогии развивается потом.
В первой части разве только Пифия - как позже окажется программа-предсказательница из Матрицы, вышедшая из-под контроля, коварно для матрицы запланировала опасный для архитектора сценарий. Перед началом основных событий она намекнула Тринити, что та влюбится в избранного. Благодаря предсказанию эта любовь вспыхнула и у Нео появилась сильная привязанность, изменившая ход истории.
А далее разворачиваются эпохальные события. Я записал это, чтобы структурировать логику.
По задумке архитектора избранный должен один раз каждую сотню лет сделать выбор: заходить в левую дверь и возвращаться в обычную матрицу, где началась война между людьми и машинами и человечество обречено, либо в правую дверь для перезагрузки, после чего выбирать себе группу людей в свободном мире и строить новый Зион в безопасности.
По каким-то программно-моральным законам перед человеком обязательно должен стоять такой выбор.
Пять избранных до Нео выбирали правую дверь и матрица успешно перезагружалась, избавляясь от накопившихся багов. А Нео, зная, что его любимая за левой дверью, поступил иначе. В результате завязался нехилый замес между Зионом и роботами, но Тринити удалось спасти, правда ненадолго.
Также в матрице есть служебная программа - Смит - для поимки хакеров, которая тоже вышла из-под контроля, научилась вести себя как Троян и стала опасной для внешнего мира роботов.
Долго сражался Зион и в результате переговоров главному ИИ в реальном мире удалось договориться с Нео, что тот ликвидирует Смита в матрице, а роботы взамен оставят в покое Зион.
Вроде потом еще сняли еще одну матрицу. Стоит ее смотреть?
Приехал на металобазу, загружаюсь - разговорился с продавцом. Оказалось - я программист который приехал за трубами, он программист который продает трубы. Я - чтобы двигаться, он - чтобы двигаться). Судя по нашим объемам у него процесс идет получше.
Посовещался тут по юридическим тонкостям, очень трудно на земле заброшки строить чтото хоть както похожее на капитальное. Администрация может не понять. Остался один выход - заняться реконструкцией. Ну а у меня первый кандидат это веранда. Она наполовину сгнила уже, и даже не смотря на то что я ее выпрямил и подшаманил - ну не функциональна. Набрал трубы - буду крутить сваи и делать каркас новой веранды вокруг старой. А потом старую выскребу из новой. Получается реконструкция. Богоугодное дело. И вроде как почти новое строение одновременно - не попытка сделать из говна конфетку.
Американские ограничения должны были задушить китайский ИИ, но привели к обратному: DeepSeek не только выжил без Nvidia, но и создал модель, работающую на отечественных чипах Huawei.
В конце 2023 года США запретили экспорт в Китай топовых ускорителей Nvidia. Для DeepSeek, чьи прорывные модели обучались на чипах Nvidia, это выглядело приговором. Однако китайская компания нашла выход у Huawei.
Почему пришлось уходить от Nvidia
К 2025 году DeepSeek оказался в тупике. Единственный доступный американский чип Nvidia H20 с производительностью 148 TFLOPS в FP16 не позволял обучать модели следующего поколения с триллионом параметров. Контрабандные поставки несли риски блокировки API и внесения в черные списки.
Основатель DeepSeek Лян Вэньфэнь говорил: «Деньги никогда не были для нас проблемой. Проблема заключается в запретах на поставки передовых микросхем».
Ascend 910C (2025 год): 800 TFLOPS в FP16, что составляет 80% производительности Nvidia H100. Эти чипы использовались для генерации ответов модели DeepSeek-R1.
Ascend 950PR (март 2026 года): мощность 1,56 PFLOPS в режиме FP4, что в 2,8 раза выше, чем у H20.
Переход потребовал колоссальной работы: инженерам DeepSeek пришлось переписывать низкоуровневые ядра софта с экосистемы Nvidia CUDA на альтернативу Huawei — платформу CANN. Релиз DeepSeek-V4 задержался почти на два года, но модель была полностью адаптирована под новый чип.
Эффект домино
Успех DeepSeek запустил цепную реакцию. Alibaba, Tencent и ByteDance оформили предзаказы на Ascend 950PR. Alibaba Cloud и Tencent Cloud уже предлагают V4 в своих сервисах.
Глава Nvidia Дженсен Хуанг признал, что создание конкурентоспособной китайской экосистемы станет «ужасным последствием» для США: «Если будущие модели ИИ будут оптимизированы совершенно иначе, чем американская платформа, Китай станет превосходить США».
Цена вопроса
Переход на Huawei оказался экономически оправданным. Ascend 950PR стоит $7300–10 300, тогда как Nvidia A100 — $15 000–17 000, а H100 — $25 000–40 000.
DeepSeek-V4 стал первым китайским ИИ-моделью топ-уровня, архитектурно заточенной под отечественный чип. Это не ситуативное решение, а стратегический выбор в пользу технологического суверенитета, продиктованный внешними ограничениями.
Иногда нам нужно найти значение в отсортированном массиве. Простейший алгоритм заключается в последовательном переборе значений, пока мы не встретим искомое значение или не достигнем конца массива. Такой алгоритм иногда называют линейным поиском. В C++ добиться такого же эффекта можно с помощью функции std::find.
Для больших массивов лучшего результата можно достичь с помощью бинарного поиска. Бинарный поиск является классическим алгоритмом, который эффективно находит целевое значение в отсортированном массиве, многократно деля интервал поиска пополам. Начиная со всего массива, он сравнивает целевое значение со средним элементом: если цель меньше, верхняя половина отбрасывается; если больше — отбрасывается нижняя. Этот процесс продолжается, пока цель не будет найдена или интервал не станет пустым. На больших наборах данных бинарный поиск значительно быстрее линейного. В C++ он реализован функцией std::binary_search, которая возвращает true или false в зависимости от существования элемента.
Популярный формат Roaring Bitmap использует массивы 16-битных целых чисел размером от 1 до 4096 элементов. Иногда нам приходится проверить, существует ли значение в этом массиве. Для этого мы используем бинарный поиск.
Я захотел создать более быстрый подход. У меня были две мысли:
Практически все процессоры сегодня имеют инструкции для параллельной обработки данных (также называемая SIMD), которые могут проверять несколько значений за раз. И 64-битные ARM, и x64 процессоры (Intel/AMD) всегда поддерживают сравнение восьми 16-битных чисел с искомым значением используя всего одну инструкцию. Это подсказывает, что не стоит углубляться в бинарном поиске до блоков размером меньше восьми элементов. Кроме того, имеет смысл сравнивать шестнадцать элементов и больше.
Бинарный поиск проверяет одно значение за раз. Однако, современные процессоры могут загружать и проверять более одного значения одновременно. Они обладают прекрасным параллелизмом на уровне памяти. Это говорит о том, что вместо бинарного поиска, стоит попробовать четверичный поиск: вместо того чтобы делить массив пополам, мы можем разделить их на четыре части. Конечный результат может потребовать чуть больше инструкций, но количество инструкций перестанет являться ограничивающим фактором.
Так я и создал алгоритм, который называю SIMD Quad. Это эффективный алгоритм поиска в отсортированных массивах с 16 битными беззнаковыми целыми числами, сочетающий четверичный интерполяционный поиск с SIMD (Single Instruction, Multiple Data). Алгоритм делит массив на блоки фиксированного размера по 16 элементов (возможно, за исключением последнего блока) и использует последний элемент каждого блока как интерполяционный ключ, чтобы быстро сузить область поиска до одного блока, а затем применяет SIMD-инструкции для одновременной проверки всех 16 элементов в этом блоке.
В основе лежит идея выполнения иерархического поиска: сначала используется интерполяционный поиск на более грубом уровне (по границам блоков), чтобы найти блок, содержащий целевое значение, а затем происходит переключение на SIMD для точной параллельной проверки внутри блока. Этот гибридный подход использует и сильные стороны алгоритмической оптимизации, так и аппаратного ускорения (SIMD проверяет несколько элементов за раз).
Начальная проверка: если в массиве менее 16 элементов, выполняется простой линейный поиск
Разбиение на блоки: массив делится на блоки по 16 последовательных элементов. Для массива размером cardinality существует num_blocks = cardinality / 16 полных блоков.
Четверичный интерполяционный поиск: используем последний элемент каждого блока (на позициях 16-1, 32-1 и других) как ключи для интерполяции. Поиск выполняет четверичную (по основанию 4) интерполяцию, чтобы найти блок, в котором, вероятно, находится целевое значение. Это включает в себя сравнение цели с точками, делящими текущий диапазон поиска на четверти.
Выбор блока: после сужения диапазона выбирается подходящий индекс блока lo на основе результатов интерполяции.
SIMD-проверка: если найден верный блок, 16 элементов загружаются в SIMD-регистры (с использованием NEON на ARM или SSE2 на x64), после чего выполняются параллельные сравнения на равенство с целевым значением. Если найдено найдено хотя бы одно совпадание, возвращается true.
Проверка остатка: для элементов, не вошедших в полные блоки (остаток) выполняется линейный поиск.
Каковы результаты этого? Я написал бенчмарк. Бенчмарк работает следующим образом: для каждого массива размером от 2 до 4096 элементов генерируется 100,000 сортированных массивов с 16-битными беззнаковыми целыми числами. Для каждого размера выполняется 10 миллионов запросов на принадлежность в «холодном» режиме (каждый запрос ищет в другом массиве, имитируя промахи кэша) и 10 миллионов запросов в «горячем» режиме (запросы сгруппированы по массивам, каждый массив обыскивается 100 раз подряд, имитируя попадания в кэш). Бенчмарк измеряет среднее время на один запрос для трёх алгоритмов: линейного поиска (std::find), бинарного поиска (std::binary_search) и нового алгоритма SIMD Quad.
Я использую две системы: Apple M4 с Apple LLVM и процессор Intel Emerald Rapids с GCC.
Во-первых, давайте сравним линейный и бинарный поиск.
Intel/GCC
Apple/LLVM
Результат ясен. Бинарный поиск лучше чем линейный поиск, как только массивы становятся большими. Этого следовало ожидать.
На холодном кэше линейный поиск относительно хуже. Этого следует ожидать, потому что он получает доступ к большему количеству данных, вызывая больше ошибок кэша.
Мы установили, что бинарный поиск является чистым победителем по линейному поиску. Давайте теперь сравним с алгоритмом SIMD Quad.
Intel/GCC
Apple/LLVM
Результаты заметно различаются между Intel и Apple. На Intel SIMD Quad более чем вдвое быстрее бинарного поиска на «горячем» кэше. На «холодном» кэше преимущества меньше. На платформе Apple ситуация обратная: именно на «холодном» кэше SIMD Quad оказывается более чем вдвое быстрее, тогда как на «горячем» кэше выигрыш более скромный.
Но важней вывод заключается в том, что во всех случаях SIMD Quad быстрее бинарного поиска.
SIMD-компонент алгоритма довольно прост: мы используем специализированные инструкции, которые сокращают объем работы. ПОэтому легко понять, почму это может ускорить процесс - меньше инструкций, меньше ветвлений.
Но как насчет «четверичной» (quad) части? Тогда я опробовал бинарную версию того же алгоритма. В нем присутствует та же SIMD-оптимизация, но я отказался от четверичного интерполяционного поиска и заменяю его стандартным бинарным поиском.
Intel/GCC
Apple/LLVM
Говоря простыми словами, подход с четверичным поиском (quad) почти и не дает эффекта на Apple, однако на Intel он является неплохой оптимизацией для больших массивов в «холодном» режиме. Четверичный поиск лучше задействует параллелизм на уровне памяти на моём Intel-сервере.
Заключение: мои результаты говорят о том, что, хотя классический бинарный алгоритм из учебника — вполне достойный, его можно улучшить, причем ощутимо. Стандартные алгоритмы зачастую не проектировались под компьютеры с таким объемом параллелизма. Алгоритм SIMD Quad пытается задействовать и параллелизм на уровне памяти, и параллелизм на уровне данных. Более того, я подозреваю, что можно добиться даже большего, чем даёт мой алгоритм. Будьте креативнее!
❯ Исходный код
bool simd_quad(constuint16_t*carr, int32_t cardinality, uint16_t pos) { constexprint32_t gap = 16; if (cardinality < gap) { for (int32_t j = 0; j < cardinality; j++) { if (carr[j] == pos) return true; } return false; } int32_t num_blocks = cardinality / gap; int32_t base = 0; int32_t n = num_blocks; while (n > 3) { int32_t quarter = n >> 2;
