Что Михаил Дубна готовит к осени: новый звук, новый масштаб

Лето в проекте ушло не на релизы. Оно ушло на то, что видно будет позже: доработку звуковой цепочки и подготовку кампании.

Звук стал чище — и это слышно не сразу

В любой записи есть частоты, которые режут ухо не всё время, а вспышками: на отдельных нотах, на конкретных словах, на пиках вокала.

Раньше приходилось выбирать из двух зол. Либо оставить как есть и слушать эту резкость. Либо приглушить эти частоты на всей песне — и тогда вместе с резкостью уходит воздух там, где всё было в порядке.

В цепочку добавился инструмент, который снимает резкость ровно в те доли секунды, когда она возникает, и не трогает остальное время. Разница заметна не как «стало ярче». Она заметна иначе: песни можно слушать несколько раз подряд, не убавляя громкость, и они не начинают утомлять.

Пора рассказать

До сих пор я продвижением не занимался вовсе: песни выходили и находили слушателей сами, как получалось. Этот период заканчивается.

Площадки при этом остаются прежние — песни и так есть везде, где слушают музыку. Меняется другое: осенью о них наконец узнают. Кампания рассчитана надолго, а не на один всплеск, и делать я её буду не в одиночку — впервые за всю историю проекта. Это и самое крупное финансовое вложение в проект за всё время.

Смысл простой: чтобы песни было легче найти. Те, кто слушает сейчас, нашли всё сами. Дальше будет проще.

Темп остаётся прежним

Расширение не означает ускорения.

Пауза между песнями — часть творческого подхода: после долгой работы над одним материалом слух замыливается, и лучшее лекарство — отойти на несколько недель и посвятить их основной работе.

Переключение выигрышно в обе стороны. Голова, отдохнувшая от одной задачи, берётся за другую свежей — и продуктивность в основной работе от этого только растёт. А песня, к которой возвращаешься через месяц, слышится будто чужая: сразу заметно то, что изначально казалось нормальным.

Релизов поэтому по-прежнему будет немного, и подстраиваться под календарь они не будут.

Меняется не скорость. Меняется масштаб. Не быстрее. Шире.

И немного о работе

Лето в основной профессии тоже прошло не впустую.

В августе в Университете «Дубна», где я работаю, тихо. Пустые аудитории, шаги слышно в коридоре — и есть несколько недель, когда можно разобрать курсы на части и собрать заново.

Спецкурсов у меня много, и переписывать всё заново незачем: фундаментальная часть от года к году не меняется. Обновить пришлось три темы — большие языковые модели, которые за год ушли далеко вперёд, смену парадигмы разработки программных решений и то, что из неё следует: специалист становится full stack.

Ещё пару лет назад мы со студентами рассматривали большие языковые модели как одиночные системы класса NLP — дополнение к привычному машинному обучению. Сегодня в курсах речь идёт о связке из нескольких моделей и внешних сервисов, где у каждой своя роль: одна планирует, другая исполняет, третья проверяет результат.

Изменилось и то, откуда система берёт знания. RAG стал стандартной частью архитектуры: корпоративные документы — регламенты, инструкции, переписка, договоры, таблицы — разбиваются на фрагменты и переводятся в векторные представления, эмбеддинги. Запрос пользователя превращается в такой же вектор, по нему находятся близкие по смыслу фрагменты, и всё вместе уходит в контекст. Модель не обязана ничего помнить: нужная информация подаётся ей прямо во время работы.

А протокол MCP превратил подключение инструментов и источников данных из штучной интеграции под каждый случай в типовую операцию.

Отсюда и главный сдвиг для разработки: проектируется уже не программа целиком, а система, в которой модель — один из компонентов, со своими границами и своей ценой ошибки.

Раньше аналитик собирал требования и передавал их разработчику. Сегодня он всё чаще доводит задачу до работающего решения сам: описывает процесс, собирает прототип, проверяет его на данных, объясняет результат заказчику. Инструменты, которые прежде требовали отдельной команды специалистов, теперь помещаются в руки одного человека — а вместе с ними приходит и ответственность за всё, что он собрал.

Ещё одна тема, о которой в разговорах про ИИ вспоминают редко, — железо, на котором всё это считается.

Я учу студентов собирать вычислительные кластеры: узлы с GPU на серверных платформах Supermicro, межузловая сеть InfiniBand, хранилище. И почти сразу они упираются в главное открытие: узкое место при обучении — не сами вычисления, а перемещение данных. GPU считает быстро, но пока он ждёт очередную порцию из памяти, с диска или от соседнего узла, он просто простаивает.

Поэтому разбираем технологии, которые убирают лишние пересылки: GPUDirect RDMA — обмен между узлами напрямую из памяти GPU, минуя процессор; GPUDirect Storage — путь от NVMe-накопителя сразу в память GPU, без промежуточного копирования. Сверху ложится NCCL — библиотека коллективных операций, через которую GPU синхронизируют градиенты при распределённом обучении. Именно эта библиотека превращает набор отдельных карт в единый вычислитель, и именно от неё зависит, будет ли масштабирование близким к линейному.

Отдельная тема — настройка ядра Linux: привязка процессов к ядрам и узлам NUMA, параметры планировщика, модули ядра mlx5_core и mlx5_ib из состава MLNX_OFED. Дальше — среда исполнения: NVIDIA Container Toolkit для проброски GPU в контейнеры, и уже поверх неё PyTorch или TensorFlow, которые студент запускает на нескольких узлах сразу.

Смысл в том, чтобы пройти всю вертикаль: от модуля в ядре до строчки обучения в PyTorch. Только так становится понятно, на каком уровне возникают потери производительности и какими средствами их устраняют. Ошибка в одном параметре порой обходится в десятки процентов, и увидеть это можно только в Виртуальной Компьютерной Лаборатории, которую мы развиваем в Институте Системного Анализа и Управления.

И ещё одно следствие, не техническое: тот, кто собирал кластер сам, совсем иначе оценивает затраты на облако — он понимает, из чего они складываются.

К сентябрю в курсы добавляются агентные архитектуры, границы применимости моделей, объяснимость решений и обязательное участие человека там, где ошибка стоит дорого. Меньше границ между дисциплинами, больше сквозных задач, которые студент ведёт от постановки до результата.

В Университете «Дубна» мы стараемся учить не только приёмам, но и устройству. Приёмы нужны сразу — с ними выпускник выходит на работу и приносит пользу с первого дня. Но срок годности у них часто бывает коротким. А тот, кто понимает архитектуру, разберётся с любым новым инструментом сам — и через пять лет, и через десять.

Курсы меняются каждый год — и цель у этих изменений одна: чтобы наши выпускники умели не только собрать систему, но и связать её с предметной областью — понять задачу заказчика, оценить применимость решения и его стоимость.

Есть и ещё одно обстоятельство. Инженеру легко замкнуться в своём: интересная задача затягивает, и постепенно весь мир сужается до неё. Я знаю это по себе — и знаю, что вытаскивает обратно. Занятие творчеством устроенно совсем иначе: там нет правильного ответа, зато есть вкус и мера. У меня это музыка: слова, звук, оформление. Другому подойдёт спорт, горы, фотография, что угодно.

Дело не в отдыхе. Дело в том, что оттуда возвращаешься с другим зрением: замечаешь несоразмерность, слышишь фальшь, чувствуешь, где сделано наспех. В инженерной работе это ровно те же навыки — просто натренированные на другом материале. Специалист, у которого есть вторая область, обычно и в первой видит больше.

Об этом я студентам говорю прямо: инженерное дело и творчество прекрасно уживаются в одном человеке. Можно разбираться в архитектуре вычислительных систем и писать стихи — причём одно помогает другому.

Впереди сентябрь

Скоро в коридорах снова станет шумно, аудитории заполнятся, и начнётся то, ради чего летом так хорошо работалось.

Впереди хороший год. Курсы собраны заново, звук стал чище, песни наконец найдут своих слушателей. Дел много — и все они из тех, за которые берёшься с удовольствием.

Так что до встречи в сентябре.

Михаил Александрович Белов — научный руководитель образовательной программы «Бизнес аналитика и интеллектуальный анализ данных», основатель гиперконвергентной Виртуальной Компьютерной Лаборатории на основе принципов самоорганизации и эволюционного развития