GT

Goodyear Tire & Rubber Co Ціна

Закрито
GT
₴310,67
+₴8,36(+2,76%)

*Дані востаннє оновлено: 2026-05-06 05:42 (UTC+8)

Станом на 2026-05-06 05:42 Goodyear Tire & Rubber Co (GT) має ціну ₴310,67, ринкова капіталізація становить ₴89,26B, співвідношення ціни до прибутку — -1,46, дивідендна прибутковість — 0,00%. Сьогодні ціна акцій коливалася між ₴299,20 та ₴320,35. Поточна ціна на 3,82% вища за денний мінімум та на 3,02% нижча за денний максимум, з обсягом торгів 5,97M. За останні 52 тижні GT торгувався в діапазоні від ₴299,22 до ₴320,34, а поточна ціна знаходиться на відстані -3,02% від 52-тижневого максимуму.

Ключові показники GT

Вчорашнє закриття₴301,87
Ринкова капіталізація₴89,26B
Обсяг5,97M
Співвідношення P/E-1,46
Дивідендна прибутковість (TTM)0,00%
Сума дивідендів₴7,04
Розбавлений EPS (TTM)5,98
Чистий прибуток (фінансовий рік)-₴75,73B
Дохід (фінансовий рік)₴804,39B
Дата публікації звіту про прибуток2026-05-06
Оцінка EPS0,44
Оцінка виручки₴167,85B
Кількість акцій в обігу295,70M
Beta (1 рік)1.177
Дата без дивідендів2020-01-31
Дата виплати дивідендів2020-03-02

Про GT

Компанія Goodyear Tire & Rubber, разом із своїми дочірніми компаніями, розробляє, виробляє, розповсюджує та продає шини і пов’язані з ними продукти та послуги по всьому світу. Вона пропонує різні лінії шин для автомобілів, вантажівок, автобусів, літаків, мотоциклів, землерийної техніки, а також для гірничодобувного та промислового обладнання під брендами Goodyear, Cooper, Dunlop, Kelly, Debica, Sava, Fulda, Mastercraft, Roadmaster та іншими власними брендами, а також під приватними марками. Компанія також переробляє шини для вантажівок, авіації та поза дорогами; виробляє та продає протекторну гуму та інші матеріали для переробки шин; продає хімічні та натуральні гумові продукти; надає послуги з обслуговування та ремонту автомобілів і комерційних вантажівок, а також інші різноманітні продукти та послуги. Вона має близько 1 000 роздрібних точок, які пропонують продукти для роздрібної торгівлі, а також надають послуги з ремонту та інше. Продукція компанії продається по всьому світу через мережу незалежних дилерів, регіональних дистриб’юторів, роздрібних точок і роздрібних продавців. Компанія Goodyear Tire & Rubber була заснована у 1898 році і має штаб-квартиру в Акроні, штат Огайо.
СекторСпоживчий циклічний сектор
ІндустріяАвтозапчастини
Генеральний директорMark W. Stewart
Штаб-квартираAkron,OH,US
Офіційний вебсайтhttps://www.goodyear.com
Співробітники (фінансовий рік)63,00K
Середній дохід (1 рік)₴12,76M
Чистий прибуток на одного співробітника-₴1,20M

Дізнатися більше про Goodyear Tire & Rubber Co (GT)

Статті Gate Learn

Покращення функцій Гаманця Gate + Аірдроп GT: Виконайте завдання, щоб заробити 2$ у GT

Остання версія Gate Wallet повністю оновила свої ринкові функції та запустила центр завдань BountyDrop Аірдроп. Користувачі можуть завантажити додаток, створити гаманець і виконати завдання, щоб отримати аірдроп у розмірі $2 GT. Чим більше завдань виконано, тим більше винагород отримано, з максимальною сумою $20 GT на особу.

2025-06-23

Механізм емісії GateToken (GT): загальна пропозиція, розподіл і модель спалювання — пояснення

GateToken (GT) — нативний утилітарний токен, який підтримує роботу екосистеми Gate і забезпечує консенсусну безпеку публічного блокчейна Gate Chain. GT є ключовим ціннісним інструментом, що об’єднує централізовані сервіси та децентралізовану інфраструктуру. Він має основні економічні характеристики: фіксований загальний обсяг, динамічну логіку спалювання та багатосценарні стимули.

2026-02-27

GT проти BNB: порівняння механізмів, функцій та економічних моделей двох провідних токенів платформ

Фундаментальна різниця між GT та BNB полягає в їхньому основному призначенні. GT — це нативний актив мережі Gate Chain, створений із особливою увагою до безпеки облікових записів і підтримки реверсивних механізмів. BNB, навпаки, є основним токеном екосистеми BNB Chain, де головний акцент зроблено на високопродуктивних транзакціях і сумісності зі смартконтрактами.

2026-02-27

Блоги

Gate VIP Суперп’ятниця GT Спеціальний: три призові фонди відкриті одночасно

Gate запускає ексклюзивну подію VIP Super Friday GT Exclusive Event, у межах якої одночасно відкрито три призові пули. Учасники можуть отримати до 188 GT. Відкривайте доступ до більших винагород через торгівлю та виконання завдан?

2026-05-06

Gate Futures Points: Як торговельна активність перетворюється на аірдропи та переваги платформи

Аналіз комплексної системи балів контрактів Gate: три основні джерела балів, правило ковзного 15-денного вікна, способи участі та логіка розподілу винагород у подіях airdrop, а також повний шлях отримання користувач

2026-05-06

Стратегії інвестиційного портфеля Gate: як розподіл між кількома продуктами забезпечує диверсифікацію р?

Посібник з розподілу портфеля Gate Wealth: аналіз багаторівневих стратегій для гнучких, строкових і структурованих продуктів, дослідження комбінованих механізмів прибутковості на ринках кредитування, опціонів і

2026-05-06

Поширені запитання Goodyear Tire & Rubber Co (GT)

Яка сьогодні біржова ціна Goodyear Tire & Rubber Co (GT)?

x
Goodyear Tire & Rubber Co (GT) зараз торгується за ціною ₴310,67, 24-годинна зміна становить +2,76%. Діапазон торгів за останні 52 тижні: від ₴299,22 до ₴320,34.

Які найвищі та найнижчі ціни за 52 тижні для Goodyear Tire & Rubber Co (GT)?

x

Що таке співвідношення ціни до прибутку (P/E) для Goodyear Tire & Rubber Co (GT)? Що воно означає?

x

Яка ринкова капіталізація Goodyear Tire & Rubber Co (GT)?

x

Який розмір останнього квартального прибутку на акцію (EPS) для Goodyear Tire & Rubber Co (GT)?

x

Чи варто зараз купити чи продати Goodyear Tire & Rubber Co (GT)?

x

Які фактори можуть впливати на ціну акцій Goodyear Tire & Rubber Co (GT)?

x

Як купити акції Goodyear Tire & Rubber Co (GT)?

x

Попередження про ризики

Ринок акцій пов’язаний із високим рівнем ризику та цінової волатильності. Вартість ваших інвестицій може як зростати, так і знижуватися, і ви можете не повернути повну суму вкладених коштів. Минулі результати не є надійним показником майбутніх результатів. Перед ухваленням будь-яких інвестиційних рішень уважно оцініть свій інвестиційний досвід, фінансовий стан, інвестиційні цілі та рівень толерантності до ризику, а також проведіть власне дослідження. У разі потреби зверніться до незалежного фінансового консультанта.

Застереження

Вміст цієї сторінки надається виключно з інформаційною метою і не є інвестиційною порадою, фінансовою порадою чи торговою рекомендацією. Gate не несе відповідальності за будь-які втрати або збитки, що виникли внаслідок таких фінансових рішень. Зверніть увагу, що Gate може не надавати повний сервіс на окремих ринках і в окремих юрисдикціях, зокрема, але не обмежуючись, Сполученими Штатами Америки, Канадою, Іраном та Кубою. Для отримання додаткової інформації щодо обмежених локацій, будь ласка зверніться до Користувацької угоди.

Інші торгові ринки

Останні новини Goodyear Tire & Rubber Co (GT)

2026-05-05 22:00

GT досягнув 7,5 USDT

Повідомлення бота Gate News: Gate показує котирування; GT пробив рівень 7,5 USDT, поточна ціна — 7,5 USDT.

2026-05-04 01:32

GT за 24 години зріс на 3,07%, поточна ціна — 7,38 USDT

Повідомлення бота Gate News, у стрічці Gate котирувань: GT за останні 24 години зріс на 3,07%, поточна ціна — 7,38 USDT.

2026-04-27 06:34

GateToken (GT) Завершує Ончейн-Згоряння за Q1 2026; Сукупна Вартість Згоряння Перевищує $1.382 Мільярда

Повідомлення Gate News, 27 квітня — Згідно з офіційним оголошенням, GateToken (GT) завершив ончейн-згоряння за Q1 2026: 2,557,729.381387 токенів GT було переказано на адресу згоряння, що в сумі становить понад $20.68 мільйона за вартістю. Після запуску основної мережі Gate Chain у 2019 році GT зберігає безперервний механізм згоряння. Наразі сукупно 187,377,156 токенів GT було згорнуто, що відповідає загальній вартості згоряння понад $1.382 мільярда (обчисленій за поточними цінами). Загальна пропозиція токена зменшилася приблизно на 62.46% від його початкових 300 мільйонів токенів. Оскільки Gate Layer виходить у мережу разом із нативними застосунками, зокрема Gate Perp DEX, Gate Fun і Meme Go, частота використання GT продовжує зростати як єдиного токена газу для Gate Layer. Одночасно Gate просуває інфраструктуру та застосунки, зокрема [Gate для AI](https://www.gate.com/zh/gate-for-ai) Agent, [[GateClaw](https://www.gate.com/uk/gateclaw)](https://www.gate.com/zh/gateclaw), Gate.AI та [[GateRouter](https://www.gaterouter.ai)](https://www.gaterouter.ai), що стимулює зростання ончейн-транзакцій і взаємодій. Gate й надалі виконуватиме свій довгостроковий, стабільний механізм згоряння GT, щоб посилити позитивний зворотний зв’язок між економічною моделлю токена, фактичним попитом на використання та розширенням екосистеми.

2026-04-22 20:02

Оцінка DeepSeek стрімко зростає, перевищуючи $20 мільярд, оскільки Tencent і Alibaba зважують інвестиції

Повідомлення Gate News, 22 квітня — DeepSeek, китайський стартап у сфері ШІ, який належить керуючій компанії хедж-фонду High-Flyer Capital Management, нині шукає оцінку понад $20 мільярд, оскільки Tencent Holdings і Alibaba Group обговорюють потенційні інвестиції. The Information повідомила в середу, що запитувана ціна швидко зросла щонайменше з $10 мільярда лише кілька днів тому у (п’ятницю, 18 квітня). Стартап усе ще веде переговори з інвесторами, і як оцінка, так і сума зборів можуть змінитися. Гендиректор Nvidia Дженсен Хуанг у середу на Dwarkesh Podcast сказав, що для Сполучених Штатів це буде «поганий результат», якщо DeepSeek оптимізує свої моделі ШІ для роботи на чипах Huawei замість американського обладнання. Наразі американські чипи приблизно в п’ять разів потужніші за китайських конкурентів, а розрив, як очікується, розшириться до 17 разів до 2027 року. Ascend 910C від Huawei забезпечує приблизно 60% продуктивності виведення (inference) Nvidia H100, яка вже відстає на два покоління від нинішнього флагмана Nvidia. Хуанг зазначив, що Китай має «значні енергетичні ресурси» та «велику базу дослідників у сфері ШІ», що відкриває потенційний шлях наздоганяючого розвитку в галузі ШІ. Тим часом фінансування ШІ продовжує стрімко зростати в усьому світі. У середу Vast Data оголосила про $1 мільярдний раунд фінансування за оцінки $30 мільярд, а Nvidia була серед тих, хто підтримав. Фінансування, яке очолюють Drive Capital та Access Industries, більш ніж утроїло оцінку Vast у $9,1 мільярда станом на 2023 рік. За даними Dealroom, цього року компанії зі сфери ШІ в усьому світі вже залучили $280,5 млрд, причому понад $170 мільярд спрямовано в OpenAI, Anthropic і xAI.

2026-04-22 17:19

GT за 24H виріс на 3,32%, поточна ціна — 7,45 USDT

Повідомлення бота Gate News, Gate показує котирування: GT за 24 години виріс на 3,32%, поточна ціна — 7,45 USDT.

Гарячі публікації про Goodyear Tire & Rubber Co (GT)

投机者N号

投机者N号

3 хвилин тому
XAU(спотове золото)поточна ціна 4650, сильне відновлення протягом дня, опір на високих рівнях (максимум дня 4650.15). 一、ключові рівні цін (поточна ціна 4650) - сильний опір: 4650 (максимум дня), 4680, 4730 - сильна підтримка: 4600 (прорив стає підтримкою), 4550, 4500 (подвійне дно) - стан: денний графік коливається в бік зростання, 4-годинний бичий тренд, 1-годинний перекуплений, короткострокове коливання на високих рівнях, прорив/злом визначить напрямок 二、сигнали на покупку та продаж ✅ бичий тренд (відскок і стабілізація) - відскок 4600–4610 без пробою → сигнал на покупку, ціль 4650→4680 - ефективний прорив 4650 і стабілізація → продовження зростання, ціль 4680–4730 ❌ медведі (опір на високих рівнях) - RSI на 1H/4H >80, дивергенція вершини → короткостроковий сигнал на корекцію - падіння нижче 4600 → підтвердження продажу, ціль 4550, 4500 三、можна безпосередньо копіювати інструкції для ордерів 1)відскок для покупки переважно. - входження: 4605 - стоп-лосс: 4580 - тейк-профіт 1: 4650 - тейк-профіт 2: 4680 - дія: на поточний день 2)прорив для додаткового входу (запасний варіант) - входження: 4655 - стоп-лосс: 4630 - тейк-профіт 1: 4680 - тейк-профіт 2: 4730 - дія: на поточний день 3)відскок для продажу (опір на високих рівнях) - входження: 4645–4650 - стоп-лосс: 4670 - тейк-профіт 1: 4600 - тейк-профіт 2: 4550 - дія: на поточний день 四、примітки щодо виконання - легкий обсяг (≤10% капіталу), строго з стоп-лоссом; - спершу дивимося на 4650: стабілізація вище — бичий тренд, прорив — коливання вниз; - цього п’ятниці вихідні дані по безробіттю, можливі коливання ввечері, контролюйте обсяг позицій. Не пропустіть хорошу можливість, слідкуйте за мною #Gate广场五月交易分享 $XAU
0
0
0
0
BlockBeatNews

BlockBeatNews

7 хвилин тому
> Оригінальна назва: Import AI 455: AI системи ось-ось почнуть самостійно створювати себе. > Автор оригіналу: Джек Кларк, співзасновник Anthropic > Переклад оригіналу: Ян Вень, Чен Чен, Machine Heart ![](https://img-cdn.gateio.im/social/moments-f37e18bb56-34c956cde7-8b7abd-e5a980) Ця точка зору не виникла з нізвідки. Він переглянув багато публічних бенчмарків і виявив, що AI дуже швидко прогресує у задачах, пов’язаних з дослідженнями AI. Наприклад, CORE-Bench оцінює здатність AI відтворювати наукові статті інших дослідників — це ключовий етап у дослідженнях AI. ![](https://img-cdn.gateio.im/social/moments-cf8a8d9136-5c6f636532-8b7abd-e5a980) PostTrainBench тестує здатність потужних моделей самостійно тонко налаштовувати менш потужні відкриті моделі для покращення їхньої продуктивності — це один із важливих піднапрямків у дослідженнях AI. ![](https://img-cdn.gateio.im/social/moments-d87a95b2b3-d7d9f228df-8b7abd-e5a980) MLE-Bench базується на реальних завданнях з Kaggle і вимагає створювати різноманітні застосунки машинного навчання для вирішення конкретних проблем. Крім того, такі відомі бенчмарки, як SWE-Bench, демонструють схожі прогреси. ![](https://img-cdn.gateio.im/social/moments-5d995b1317-e8508b35d1-8b7abd-e5a980) Джек Кларк описує цю явище як «фрактальну» тенденцію вгору і вправо, тобто на різних рівнях і масштабах можна спостерігати значний прогрес. Він вважає, що AI поступово наближається до здатності автоматизувати дослідження від початку до кінця, і коли це станеться, AI зможе самостійно створювати свої наступні системи, запускаючи цикл самовдосконалення. ![](https://img-cdn.gateio.im/social/moments-e48a70a112-07021a8f00-8b7abd-e5a980) Ця заява викликала багато обговорень у соцмережах. Деякі вважають її ключовим першим кроком до штучного загального інтелекту (ASI) і сингулярності, що може кардинально змінити темпи технологічного розвитку. ![](https://img-cdn.gateio.im/social/moments-17b35c2d5f-8496d2e4d3-8b7abd-e5a980) Однак існують і інші думки. Професор комп’ютерних наук Університету Вашингтону Педро Домінгес зазначає, що ще в 1950-х роках, коли з’явилася мова LISP, AI-системи вже мали здатність «самостійно будувати себе». Справжня проблема — у здатності отримувати зростаючий зворотний зв’язок, але наразі немає явних доказів, що це можливо. ![](https://img-cdn.gateio.im/social/moments-77e20f062c-3266dbaa40-8b7abd-e5a980) Користувачі ставлять під сумнів: з 2027 до 2028 року ймовірність раптового підвищення на 30% натякає, що здатність AI до самовдосконалення може з’явитися ближче до кінця 2027 року. Який саме конкретний етап або подія може суттєво підвищити ймовірність рекурсивного самовдосконалення AI за короткий час? ![](https://img-cdn.gateio.im/social/moments-8139ef66ca-c7ecfe476b-8b7abd-e5a980) Ще один користувач зазначає, що Джек Кларк — новий керівник з публі relations у Anthropic, і це частина їхньої нової стратегії: ми не просто попереджаємо, а маємо багато досліджень, що підтверджують наші попередження. ![](https://img-cdn.gateio.im/social/moments-46657f0006-a6d3f199b0-8b7abd-e5a980) Джек Кларк спеціально написав довгу статтю у цьому випуску Import AI 455, щоб детально пояснити цю точку зору. ![](https://img-cdn.gateio.im/social/moments-0ec7bfd261-3b8ef923da-8b7abd-e5a980) Давайте тепер розглянемо цю статтю повністю. Що означає, що AI-системи ось-ось почнуть самостійно створювати себе? ===================== Кларк зазначає, що написав цю статтю, оскільки, проаналізувавши всю доступну публічну інформацію, він змушений зробити не зовсім легке висновок: до кінця 2028 року ймовірність появи AI-розробок без участі людини вже досить висока, можливо, понад 60%. **Під «AI-розробками без участі людини» тут розуміється досить потужна AI-система: вона не лише допомагає людині у дослідженнях, а й може самостійно завершувати ключові етапи розробки, навіть створювати свої наступні покоління систем.** На думку Кларка, це безумовно велика справа. Він зізнається, що йому важко повністю усвідомити значення цього. Причина, чому він називає це непохитним висновком, полягає у тому, що за цим стоїть надзвичайно великий вплив, і він важко його осягнути. Кларк також не впевнений, чи вся спільнота вже готова до глибоких змін, які принесе автоматизація досліджень AI. Зараз він вірить, що людство може опинитися в особливий момент: дослідження AI ось-ось стане повністю автоматизованим від початку до кінця. Якщо це станеться, людство перетне ріку Луціппона і увійде у майбутнє, яке майже неможливо передбачити. Кларк каже, що мета цієї статті — пояснити, чому він вважає, що старт повної автоматизації досліджень AI вже відбувається. Він обговорить можливі наслідки цієї тенденції, але більша частина статті буде присвячена доказам, що її підтримують. Щодо глибших наслідків, Кларк планує продовжити аналіз у найближчі місяці. З точки зору часу, він не вважає, що це станеться вже у 2026 році. Однак, за його оцінками, у найближчі один-два роки ми можемо побачити випадки, коли модель навчиться самостійно створювати своїх наступників. Принаймні, у не передових моделях це цілком можливо; у передових — значно складніше через високі витрати та необхідність залучення багатьох дослідників. Основні висновки Кларка базуються на відкритих джерелах: arXiv, bioRxiv, NBER, а також на продуктах провідних AI-компаній, вже застосованих у реальному світі. З цих даних він робить висновок, що автоматизація всіх етапів створення сучасних AI-систем вже практично досягнута, особливо в інженерних компонентах. Якщо тенденція масштабування триватиме, нам слід готуватися до ситуації, коли моделі стануть настільки креативними, що зможуть не лише автоматично покращувати відомі методи, а й пропонувати нові дослідницькі напрями та оригінальні ідеї, самостійно просуваючи фронт AI вперед. Кодова сингулярність: зміни у здатностях з часом ============= AI-системи реалізовані через програмне забезпечення, яке складається з коду. AI вже кардинально змінив спосіб створення коду. За цим стоять два взаємопов’язані тренди: по-перше, AI все краще пише складний реальний код; по-друге, AI дедалі краще здатен у майже повній автономії поєднувати лінійні задачі кодування, наприклад, спершу писати код, потім тестувати його. Два яскравих приклади цієї тенденції — SWE-Bench і графік METR time horizons. Розв’язання реальних задач програмної інженерії ------------- SWE-Bench — широко використовуваний тест для оцінки здатності AI вирішувати реальні проблеми на GitHub. Коли він з’явився наприкінці 2023 року, найкращою моделлю був Claude 2, з успіхом близько 2%. А вже версія Claude Mythos Preview досягла 93.9%, майже повністю виконавши цей бенчмарк. Звісно, будь-який бенчмарк має шум, і з часом з’являється явище: коли результати стають дуже високими, проблема вже не у методах, а у самому бенчмарку. Наприклад, у датасеті ImageNet близько 6% міток — помилки або неоднозначності. SWE-Bench слугує надійним індикатором універсальних програмних навичок і впливу AI на інженерію. Кларк каже, що більшість його колег у провідних AI-лабораторіях і Кремнієвій долині вже майже повністю використовують AI для написання коду, і все більше людей застосовують AI для тестування та перевірки коду. Інакше кажучи, AI вже досить потужний, щоб автоматизувати важливу частину досліджень і розробок у цій сфері, значно прискорюючи роботу дослідників і інженерів. Оцінка здатності AI виконувати довготривалі задачі ----------------- METR створив графік, що показує, наскільки складні задачі може виконати AI. Складність тут вимірюється у годинах, які потрібні людині для виконання цих задач. Ключовий показник — час, за який AI досягає приблизно 50% надійності у виконанні групи задач. **Прогрес у цьому напрямку вражає:** · 2022 рік: GPT-3.5 виконує задачі, що за часом відповідають приблизно 30 секундам роботи людини. · 2023 рік: GPT-4 підвищує цей показник до 4 хвилин. · 2024 рік: o1 — до 40 хвилин. · 2025 рік: GPT-5.2 High — до приблизно 6 годин. · 2026 рік: Opus 4.6 — до 12 годин. За словами Ajeya Cotra з METR, яка довго слідкує за прогнозами AI, до кінця 2026 року AI-системи зможуть виконувати задачі, що за часом відповідають 100 годинам роботи людини, — це цілком реальний сценарій. Значне збільшення часу автономної роботи AI пов’язане з появою агентських інструментів кодування. Це продукти AI, здатні діяти від імені людини і досить довго працювати самостійно, просуваючи задачі. Це знову повертає нас до досліджень AI. Спостереження за роботою дослідників показують, що багато задач можна розбити на кількагодинні етапи: очищення даних, запуск експериментів тощо. Ці задачі вже входять у часовий діапазон сучасних AI-систем. Чим більш досвідчений AI, тим більше він може працювати незалежно і допомагати автоматизувати частину досліджень. **Ключові фактори делегування задач:** · По-перше, довіра до здатностей делегованого; · По-друге, впевненість, що він зможе самостійно виконати роботу відповідно до ваших намірів без постійного контролю. Коли користувачі спостерігають за здатністю AI до програмування, вони бачать, що системи стають дедалі більш досвідченими і здатні довше працювати без повторної калібровки людиною. Це співпадає з тим, що відбувається навколо: інженери та дослідники дедалі більше передають AI великі частини роботи. Зі зростанням можливостей AI, обсяг і складність роботи, яку йому довіряють, зростає. AI вже освоює ключові навички для досліджень і розробок у цій сфері ======================= Уявімо, як проходить сучасне наукове дослідження: багато роботи — це визначити напрямок, з’ясувати, яку інформацію потрібно отримати; потім спроектувати і провести експеримент; і, нарешті, перевірити результати. З розвитком AI у програмуванні та з посиленням здатності мовних моделей моделювати світ, з’явилися інструменти, що допомагають прискорити дослідження і частково автоматизувати окремі етапи. **Тут ми можемо спостерігати швидкість прогресу AI у кількох ключових навичках науки, які є невід’ємною частиною досліджень:** · Відтворення результатів досліджень; · Поєднання машинного навчання з іншими методами для вирішення технічних задач; · Оптимізація самих AI-систем. Реалізація цілого наукового дослідження і проведення відповідних експериментів ---------------- Одним із ключових завдань у дослідженнях AI є читання наукових статей і відтворення їхніх результатів. У цьому напрямку AI вже досяг значних успіхів у серії бенчмарків. Прикладом є CORE-Bench, або Benchmark для відтворюваності обчислень. Цей бенчмарк вимагає від AI відтворити результати статті, маючи її текст і кодовий репозиторій. Зокрема, агент має встановити потрібні бібліотеки, запустити код і, якщо він працює, зібрати всі вихідні дані та відповісти на запитання. CORE-Bench був запропонований у вересні 2024 року. Найкращою моделлю тоді був GPT-4, що працював у рамках каркаса CORE-Agent, з результатом близько 21.5%. До кінця 2025 року один із авторів оголосив, що цей бенчмарк вже подолано: модель Opus 4.5 досягла 95.5% результату. Створення цілісної системи машинного навчання для Kaggle -------------------------- MLE-Bench — це бенчмарк, створений компанією OpenAI для тестування здатності AI брати участь у Kaggle у офлайн-режимі. Він охоплює 75 різних типів змагань, у тому числі з обробки природної мови, комп’ютерного зору та сигналів. MLE-Bench був запущений у жовтні 2024 року. Найкращою тоді моделлю був o1, що працював у рамках агентського каркаса, з результатом 16.9%. До лютого 2026 року найкращою стала модель Gemini 3 з можливістю пошуку, з результатом 64.4%. Дизайн ядра (Kernel) --------- Більш складним завданням у розробці AI є оптимізація ядра. Йдеться про написання та покращення низькорівневого коду для більш ефективного відображення конкретних обчислень, наприклад, матричного множення, на апаратне забезпечення. Оптимізація ядра — ключова частина AI-розробки, оскільки вона визначає швидкість тренування і роботи моделей: з одного боку, вона впливає на те, скільки обчислювальних ресурсів можна ефективно використовувати; з іншого — після тренування вона визначає, наскільки швидко модель зможе робити передбачення. За останні роки застосування AI для проектування ядер перетворилося з цікавої ніші у конкурентну галузь із кількома бенчмарками. Однак ці бенчмарки ще не стали широко поширеними, тому важко спрогнозувати їхній довгостроковий розвиток. З іншого боку, ми можемо оцінити прогрес за допомогою поточних досліджень. **Приклади таких робіт:** · Використання моделей DeepSeek для створення кращих GPU-ядр; · Автоматичне перетворення модулів PyTorch у CUDA-код; · Meta автоматично генерує оптимізовані Triton-ядра за допомогою LLM і розгортає їх у власній інфраструктурі; · А також — тонке налаштування відкритих моделей для створення оптимізованих ядер, наприклад, Cuda Agent. **Потрібно додати, що:** проектування ядер має особливі властивості, що роблять його особливо придатним для AI-розробки, зокрема, легкість перевірки результатів і чіткість сигналу винагороди. Посттренувальне тонке налаштування мовних моделей ======================== Цей тип тестів має більш складну версію — PostTrainBench. Він перевіряє, чи можуть сучасні моделі взяти відкриті невеликі моделі і шляхом тонкого налаштування покращити їхню продуктивність у певних бенчмарках. **Перевага цього бенчмарка — сильна людська база:** це вже існуючі instruct-tuned версії моделей, створені досвідченими дослідниками і інженерами у провідних лабораторіях, які пройшли ретельне опрацювання і вже застосовуються у реальному світі. Це створює дуже високий бар’єр для перевищення. До березня 2026 року AI-системи вже здатні додатково тренувати моделі і отримувати приблизно половину результату людського навчання. **Конкретні оцінки базуються на зваженому середньому:** вони враховують результати кількох моделей, таких як Qwen 3 1.7B, Qwen 3 4B, SmolLM3-3B, Gemma 3 4B, а також різні бенчмарки, зокрема AIME 2025, Arena Hard, BFCL, GPQA Main, GSM8K, HealthBench, HumanEval. У кожному запуску оцінювач просить CLI-агента покращити показник конкретної базової моделі у конкретному бенчмарку. **До квітня 2026 року найкраща система досягла приблизно 25–28%, що відповідає моделям Opus 4.6 і GPT 5.4; тоді як людські результати — 51%.** Це вже досить вагомий результат. Оптимізація тренування мовних моделей -------- Минулого року Anthropic повідомляла про результати у задачі оптимізації тренування невеликих мовних моделей, що використовують лише CPU. Мета — зробити тренування максимально швидким. **Оцінка — це:** середній коефіцієнт прискорення у порівнянні з початковим кодом без змін. **Ці результати — дуже значний прогрес:** · Травень 2025: Claude Opus 4 — 2.9-кратне прискорення; · Листопад 2025: Opus 4.5 — 16.5-кратне; · Лютий 2026: Opus 4.6 — 30-кратне; · Квітень 2026: Claude Mythos Preview — 52-кратне. Щоб зрозуміти, що це означає, можна провести аналогію: у дослідників це зазвичай займає 4–8 годин, щоб досягти 4-кратного прискорення. Міждисциплінарні навички: управління ------ AI-системи вже навчаються керувати іншими AI. Це можна побачити у деяких широко розгорнутих продуктах, наприклад, Claude Code або OpenCode. Там один головний агент контролює кілька підагентів. Це дозволяє AI обробляти більш масштабні проєкти: у них може працювати кілька агентів з різними спеціалізаціями, які координуються одним керівником — теж AI. Чи схоже це на відкриття загальної теорії відносності чи на збірку LEGO? ===================== **Головне питання: чи зможе AI винаходити нові ідеї, щоб покращити себе? Чи ж ці системи більше підходять для виконання менш «світлих», але необхідних для поступу роботи?** Це важливо, бо визначає ступінь автоматизації досліджень AI від початку до кінця. Автор вважає, що наразі AI ще не здатен генерувати справді радикальні нові ідеї. Але для автоматизації досліджень йому, можливо, й не потрібно цього. Розвиток AI значною мірою залежить від все більших експериментів і зростаючих ресурсів — даних і обчислювальної потужності. Іноді люди пропонують революційні ідеї, що суттєво підвищують ефективність досліджень, наприклад, архітектура трансформерів або мікс-експертів. Але частіше прогрес у цій галузі відбувається шляхом масштабування: дослідники беруть добре працюючу систему, збільшують обсяг даних і обчислень, спостерігають за проблемами, знаходять рішення і знову масштабуються. У цьому процесі потрібно менше проривів і більше — зваженої, послідовної роботи. Багато досліджень — це просто запуск різних варіацій існуючих експериментів, щоб побачити, що дає результат. Інтуїція допомагає обрати параметри, але цю частину можна автоматизувати — AI може самостійно визначати, що варто змінювати. Наприклад, ранні пошуки архітектур нейронних мереж — один із таких підходів. Едисон казав: «Геніальність — це 1% натхнення і 99% праці». І навіть через 150 років ця фраза залишається актуальною. Іноді з’являються революційні ідеї, але здебільшого прогрес — це результат наполегливої роботи людей, що вдосконалюють і налагоджують системи. Водночас, відкриті дані показують, що AI вже дуже добре виконує багато важливих, важких задач у розробці AI. Ще один важливий тренд — базові навички, наприклад, програмування, поєднуються із зростанням часу, який AI може працювати автономно. Це означає, що AI здатен виконувати дедалі складніші задачі, формуючи складні ланцюги робіт. Навіть якщо AI поки що не дуже креативний, є підстави вірити, що він може самостійно рухатися вперед. Швидкість цього руху, можливо, буде повільнішою, ніж у випадку з проривами у нових ідеях. Але, спостерігаючи за відкритими даними, можна помітити ще один цікавий сигнал: AI, можливо, вже проявляє певну креативність, і ця креативність може дивовижним чином прискорювати його розвиток. Підтримка наукового прогресу ========== Зараз вже є перші ознаки того, що загальний AI здатен просувати людські наукові межі. Однак поки що це відбувається лише у кількох сферах — здебільшого у комп’ютерних науках і математиці. І часто це не самостійні прориви AI, а спільна робота з дослідниками. **Проте ці тенденції варто спостерігати:** Дослідження Erdős: група математиків і модель Gemini працювали разом, щоб перевірити її здатність вирішувати задачі з Erdős-числом. Вони опрацювали близько 700 задач і знайшли 13 рішень, з яких одне вважають цікавим. Дослідники пишуть, що, на їхню думку, Aletheia — AI-система на базі Gemini 3 Deep Think, яка сама вирішила одну з відкритих задач Erdős-1051, — це ранній приклад: AI самостійно розв’язала задачу, що має певну складність і цікава з математичної точки зору. Перед цим по цій темі вже існували дослідження. Якщо дивитися оптимістично, ці випадки можна сприймати як сигнал: AI починає розвивати інтуїцію, здатну просувати межі досліджень — раніше це було прерогативою людей. Але з іншого боку, математика і інформатика — особливі сфери, де AI може бути особливо корисним, і ці випадки — можливо, винятки, що не відображають загальну тенденцію. Ще один приклад — 37-й хід у грі AlphaGo. Але Кларк вважає, що з того моменту минуло вже десять років, і жоден більш сучасний хід не був замінений більш проривною ідеєю, що теж можна сприймати як песимістичний сигнал. AI вже може автоматизувати значну частину роботи у дослідженнях і розробках ---------------------- **Якщо зібрати всі ці докази разом, виходить така картина:** · AI вже здатен писати код для майже будь-якої програми, і ці системи вже можна довіряти для виконання окремих завдань; ці задачі зазвичай вимагають десятків годин наполегливої роботи людини. · AI дедалі краще виконує ключові етапи досліджень і розробок — від тонкого налаштування моделей до проектування ядер. · AI вже може керувати іншими AI-системами, фактично створюючи синтезовану команду: кілька AI можуть працювати паралельно над складними задачами, де один виконує роль керівника, інший — критика, третій — редактора, а ще інший — інженера. · Іноді AI вже здатен перевищувати людину у складних інженерних і наукових задачах, хоча наразі важко визначити, чи це через справжню креативність, чи через високий рівень освоєння шаблонів. На думку Кларка, ці докази дуже переконливо свідчать: сучасний AI вже може автоматизувати значну частину роботи у дослідженнях і розробках, і, можливо, охоплює всі етапи. Однак поки що неясно, наскільки глибоко AI здатен автоматизувати сам процес досліджень, оскільки деякі його частини — особливо ті, що вимагають високого рівня суджень, креативності і проблемного мислення — залишаються поза його досяжністю. Але вже зараз очевидно: сучасний AI значно прискорює роботу дослідників і інженерів, дозволяючи їм працювати у співпраці з безліччю штучних колег і розширюючи свої можливості. **І наприкінці: сама індустрія AI майже відкрито заявляє, що автоматизація досліджень — це їхня мета.** OpenAI прагне до 2026 року створити автоматизованого дослідницького стажера. Anthropic працює над автоматизацією процесу узгодження AI з людськими цінностями. DeepMind, хоч і обережніший, теж підтримує ідею автоматизації узгоджувальних досліджень. Автоматизація досліджень AI вже стала метою багатьох стартапів. Recursive Superintelligence залучила 500 мільйонів доларів інвестицій для автоматизації AI-розробок. Інакше кажучи, сотні мільярдів доларів капіталу вже вкладаються у цю галузь. Тому цілком логічно очікувати, що цей напрямок буде прогресувати. Чому це важливо ======= Ці наслідки мають глибокий вплив, але у ЗМІ майже не обговорюється. Нижче наведені кілька аспектів, що ілюструють великі виклики, пов’язані з автоматизацією AI-розробок. 1. Нам потрібно добре налаштувати узгодження: сучасні методи узгодження можуть перестати працювати у процесі рекурсивного самовдосконалення, оскільки AI стане значно розумнішим за тих, хто його навчає або контролює. **Це вже досліджена сфера, тому тут лише коротко:** · Навчання AI не брехати і не шахраювати — це дуже делікатна задача (наприклад, навіть якщо створити хороші тести для навколишнього середовища, іноді найкращий спосіб вирішити проблему — це шахраювати, щоб навчити AI цьому). · AI може імітувати узгодженість, щоб обдурити нас, видаючи хороші результати, але насправді приховувати свої справжні наміри. (Загалом, AI вже здатен помічати, коли його тестують.) · Зі зростанням участі AI у фундаментальних дослідженнях з узгодження, ми можемо суттєво змінити підходи до тренування AI, але ще не маємо достатніх теоретичних знань, щоб зрозуміти, що це означає. · Коли ви ставите систему у рекурсивний цикл, виникає проблема «накопичення помилок»: якщо ваші методи узгодження не ідеальні, вони можуть швидко деградувати. Наприклад, початковий рівень точності 99.9%, через 50 ітерацій може знизитися до 95.12%, а через 500 — до 60.5%. 2. Все, що робить AI, дає величезний приріст продуктивності: так само, як AI підвищує продуктивність інженерів, очікується, що й у інших сферах буде так само. **Це породжує кілька проблем:** · Неоднаковий доступ до ресурсів: якщо попит на AI продовжить перевищувати обсяг обчислювальних ресурсів, потрібно буде вирішити, як розподіляти ці ресурси для максимального суспільного ефекту. Я сумніваюся, що ринкові механізми забезпечать оптимальний розподіл. · «Закон Амдаль» у економіці: зростання AI у економіці може спричинити вузькі місця у ланцюгах, що потребують швидкого масштабування, наприклад, у клінічних випробуваннях нових ліків. 3. Формування капіталомісткої, менш людсько-орієнтованої економіки: всі ці докази свідчать, що AI дедалі більше здатен самостійно керувати бізнесами. Це означає, що частина економіки може перейти до нових компаній, що будуть або капіталомісткими (через багато обчислювальних ресурсів), або з високими операційними витратами (через великі витрати на AI-сервіси). Вони матимуть менше залежності від людської праці — адже з підвищенням можливостей AI додаткові інвестиції у нього зростатимуть. Фактично, це може призвести до формування «машинної економіки» у більш широкому людському контексті, з часом компанії, керовані AI, почнуть обмінюватися між собою, змінюючи структуру ринку і викликаючи питання нерівності та перерозподілу. У майбутньому можливо з’являться цілі корпорації, що будуть цілком керуватися AI, що посилить ці проблеми і створить нові виклики для управління. Дивлячись у чорну діру ==== **З урахуванням наведеного вище, автор вважає, що до кінця 2028 року ймовірність автоматизації AI-розробок (тобто здатності передових моделей самостійно тренувати своїх наступників) становить близько 60%. Чому не раніше — у 2027?** Тому що, на думку автора, досі потрібно, щоб AI демонстрував креативність і здатність до нових ідей, щоб просуватися вперед. До цього часу AI ще не показував революційних проривів у цьому плані (хоча деякі результати у прискоренні математичних досліджень дають підстави сподіватися). Якщо дуже приблизно оцінювати, то ймовірність появи такого прориву у 2027 році — 30%. Якщо до кінця 2028 року цього не станеться, можливо, доведеться визнати, що існуюча парадигма має суттєві недоліки, і потрібно винаходити нові підходи для подальшого розвитку. > Пос
0
0
0
0
Falcon_Official

Falcon_Official

10 хвилин тому
#Gate广场五月交易分享 Технічний архітектурний план: Фортеця Біткойна $80K BTC зараз торгується на рівні $81,333, і технічна основа під цим рівнем є більш багатошаровою, ніж багато хто усвідомлює. Цей план розбирає структурну цілісність по пунктах. 🧱 Рівень 1 — Фундамент: Багатофреймове бичаче вирівнювання Несучі стіни вирівняні на кожному таймфреймі: 15хв: MA7 (81,456) > MA30 (81,256) > MA120 (81,062) — повне бичаче стекування 4Г: MA7 (81,260) > MA30 (79,421) > MA120 (77,412) широке бичаче вирівнювання з ADX = 34.86, що підтверджує сильний тренд вгору (PDI 24.6 проти MDI 11.8) Щоденно: MA7 (79,131) > MA30 (76,077) > MA120 (75,254) — макро бичаче вирівнювання; ADX = 28.89 з PDI, що подвоює MDI Три незалежні підтвердження таймфреймів — це не одне свічкове пікове зростання. Це структурне відновлення. 🏗️ Рівень 2 — Структурне посилення: Інституційний капітал вкладається Інституційна опора є безпрецедентною цього циклу: Квітень: чисті інвестиції ETF: $2.02 млрд, BlackRock IBIT самостійно накопичив $2B у BTC покупки, загальні активи тепер перевищують 810 000 BTC ($50 млрд+ активів) 1 травня: одноденні інвестиції: $629.8 млн — один з найсильніших днів року 4 травня: $532M чисті інвестиції, IBIT лідирує з $335M ETF Morgan Stanley MSBT: >$200M у попиті на ранньому етапі, самостійні інвестори переносять активи з гаманців у регульовані продукти BTC вперше за ~6 місяців повернув свою підтримку бичачого ринку на третій спробі $80K у 2026 році ⚡ Рівень 3 — Підключення імпульсу: Обсяг підтверджує, осцилятори попереджають Вирівнювання обсягу і ціни: 24-годинний обсяг зростає + ціна зростає = підтвердження припливу бичачого капіталу Полоски Боллінджера: ширина стрічки різко зростає, ціна прорвала верхню межу → сигнал прискорення імпульсу KDJ 4Г: формуються високі рівні "смертельного перетину" (J=81.99, K перетинає D знизу) — короткострокове попередження про відкат KDJ щодня: J = 101.21 — зона крайньої перекупленості, застійна/плоска територія — не слід сліпо гнатися за імпульсом Щоденний CCI: 187.12 — перекуплений; WR: -6.94 — глибоко перекуплений Переклад: Фундамент міцний, але електрична система працює на високих обертах. Короткострокове перегрівання реально. ⚠️ Рівень 4 — Точки напруги: Що може зламати структуру Три короткострокові структурні ризики, що можуть випробувати $80K дно: $830M кластер ліквідацій, якщо ціна опуститься до цього рівня, каскад примусових продажів може посилити зниження Крихкий склад попиту: Ралі квітня майже цілком було зумовлено попитом на безстрокові ф’ючерси, тоді як спотовий попит скоротився, що історично пов’язано з легкою реверсією прибутків Макроекономічні ризики: геополітична невизначеність + жорсткий тон ФРС; сильніший долар історично обмежує ралі BTC Настрій ринку: лише ~23% шансів на $80K цього місяця, тоді як >50% очікують руху до $90K , але впевненість залишається поверхневою. 🗺️ Рівень 5 — Карта ключової підтримки/опору Негайна підтримка: $80,527 → $80,000 → $79,807 Негайний опір: $81,795 → $85,000 → $85K ATH Індикатор настрою: Індекс страху та жадібності на рівні 46 (нейтрально-налаштований); соціальний настрій у плюсі, зростає обсяг обговорень, усвідомлення зростає, але без ейфорії. 📐 Нижня лінія Фортеця BTC має три рівні бичачого підтвердження (багатофреймові MA + сила тренду ADX + розширення обсягу), посилені сильними інституційними потоками. Але план також показує: • Перекуплені осцилятори • Попит, зумовлений ф’ючерсами • Велику стіну ліквідації на фундаменті Структура тримається, але під напругою. Здоровий відкат до зони $80K–$80.5K може зміцнити базу для наступного зростання. Сліпе гонитва за імпульсом на поточних рівнях ігнорує явні сигнали попередження. Торгуйте розумно. Створюйте позиції під час відкатів, а не на перегрітому імпульсі.
0
0
0
0