Опубликовано: 23.04.2026 | Источник: MIT Technology Review

Экспоненциальный рост вычислений в ИИ: как это использовать в дипломе по Data Science и ML

Поддомен: AI/ML
Роль: Data/ML-инженер
Схема структуры: B — Введение → Основная часть (объединённая с темами) → FAQ → Чек-лист → Ошибки → CTA → Эксперт → Источник

Введение: почему тренд Suleyman — ваш козырь на защите

За 14 лет объём вычислений для обучения передовых ИИ-моделей вырос в 1 триллион раз — с 10¹⁴ до 10²⁶ flops. Это не просто цифра. Это основа, на которой строятся современные агенты, ИИ-работники и когнитивные системы. Mustafa Suleyman, CEO Microsoft AI, подчёркивает: линейное мышление больше не работает. Студент, который включает этот тренд в ВКР, автоматически повышает уровень научной новизны и практической значимости.

Вы не просто описываете нейросети — вы показываете, почему они стали возможны. Вы демонстрируете понимание инфраструктурных драйверов: чипы, память, межсоединения, оптимизация ПО. Это то, что ценят на защите: связь теории с реальными цифрами и архитектурами. И это то, что делает ваш диплом защищаемым — потому что вы опираетесь на данные, а не на абстракции.

Как интегрировать тренд в диплом: темы, структура, метрики

Ниже — три готовые темы ВКР, адаптированные под реалии статьи Suleyman. Каждая включает цель, задачи, структуру и технические ориентиры. Выбирайте ту, где есть доступ к данным или симуляции.

Где взять данные и как оформлять схемы

**Где брать данные?**
- Epoch AI — открытые данные по compute trends
- Stanford AI Index — статистика по ИИ
- Our World in Data — данные по солнечной энергии и батареям
- NVIDIA Developer — технические спецификации A100, H100, Blackwell
- Microsoft Research — документация по Maia 200

**Как оформлять схемы?**
Используйте диаграммы C4 для архитектуры ИИ-систем. Например:

Контейнер (C4 Level 2)
├── Обучающий кластер (100k GPU)
│   ├── NVLink (800 GB/s)
│   ├── HBM3 (819 GB/s per GPU)
│   └── InfiniBand (400 Gb/s)
├── Система хранения
│   ├── Data Lake (Parquet/ORC)
│   └── Data Versioning (DVC)
└── Управление
    ├── Kubernetes + Kubeflow
    └── Monitoring (Prometheus + OpenTelemetry)

Для главы 2 — UML-диаграммы:
- Диаграмма последовательности: обучение модели с checkpointing
- Диаграмма компонентов: взаимодействие GPU, памяти, сети

**Какие метрики считать?**
- FLOPS utilization — % загрузки вычислительных ядер
- Training time per epoch — до/после оптимизации
- Cost per 1M tokens (inference)
- Energy per training run (kWh)
- RMSE, R² — для прогнозных моделей

Чему вы научитесь

Работая над такими темами, вы получите:

• Умение интерпретировать технические тренды и встраивать их в научную работу
• Навык работы с реальными данными из открытых источников (не выдуманными)
• Опыт построения прогнозных моделей на основе экспоненциальных трендов
• Понимание архитектуры ИИ-инфраструктуры: чипы, память, сеть
• Умение оформлять схемы по C4/UML и обосновывать их в тексте

FAQ: ответы на реальные вопросы студентов

Где брать данные для анализа compute trends, если у меня нет доступа к GPU-кластеру?

Используйте публичные данные: Epoch AI, Stanford AI Index, отчёты NVIDIA. Вы можете анализировать не "сырые" логи, а уже обработанные метрики — это допустимо и научно обоснованно. Главное — указать источник и метод обработки.

Как доказать научную новизну, если я просто повторяю слова Suleyman?

Новизна — в вашем анализе. Вы не повторяете — вы проверяете гипотезу. Например: "Гипотеза: рост compute объясняется не только Moore’s Law, но и архитектурными прорывами". Это уже исследование.

Какие инструменты использовать для моделирования производительности?

PyTorch + torch.utils.benchmark, NVIDIA Nsight Systems, Kubeflow для оркестрации. Для прогнозов — Python (pandas, scikit-learn, statsmodels). Код оформляйте в приложении по ГОСТ 19.402-78 (программные модули).

Как защититься от замечаний на нормоконтроле?

Следуйте ГОСТ 34.19-2021 (документирование ПО) и ГОСТ 7.32-2017 (структура отчёта). Все схемы — с подписями, все таблицы — пронумерованы. Ссылки — по ГОСТ Р 7.0.5-2008. Используйте Zotero или Mendeley.

Источник: Mustafa Suleyman: AI development won’t hit a wall anytime soon—here’s why (опубликовано 2026-04-08)