Science in telegram
Science that matters: AI, space, biotech, physics, future tech — explained sharply
Больше📈 Аналитический обзор Telegram-канала Science in telegram
Канал Science in telegram (@science) языкового сегмента Английский является активным участником. Сейчас сообщество объединяет 121 398 подписчиков, занимая 104 место в категории Факты и 179 место в регионе США.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 121 398 подписчиков.
Согласно последним данным от 08 июня, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -881, а за последние 24 часа — -65, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 8.30%. В первые 24 часа после публикации контент обычно набирает 2.38% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 10 076 просмотров. В течение первых суток публикация набирает 2 887 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 101.
- Тематические интересы: Контент сосредоточен на ключевых темах, таких как medicine, cell, researcher, scientist, u.s.
📝 Описание и контентная политика
Автор описывает ресурс как площадку для выражения субъективного мнения:
“Science that matters: AI, space, biotech, physics, future tech — explained sharply”
Благодаря высокой частоте обновлений (последние данные получены 09 июня, 2026) канал поддерживает актуальность и высокий уровень охвата публикаций. Аналитика показывает, что аудитория активно взаимодействует с контентом, что делает его важной точкой влияния в категории Факты.
This story matters far beyond the technical achievement. First, if this approach scales, it could change the economics of AI training. A 100B-parameter model trained on geographically distributed A100 GPUs at roughly 65% of comparable datacenter efficiency is not yet a replacement for hyperscaler infrastructure — but it is a serious signal. It suggests that large-scale AI training may not always require a single billion-dollar GPU cluster. Second, the Bittensor layer is important. This is not just a distributed computing experiment; it is an incentive system. GPU owners can be rewarded for contributing compute, which creates the foundation for a market around idle hardware. In simple terms, this could become something like “Airbnb for AI training”: monetizing unused GPU capacity the way Airbnb monetized unused rooms. Third, the uncomfortable part: decentralized AI training has often been dismissed by the mainstream AI community as impractical. Orion-100B does not prove that decentralized training will beat datacenters tomorrow. But it does prove that the idea deserves to be taken much more seriously. The next phase — permissionless participation from consumer hardware — will be the real test. If that works, the AI infrastructure map could become much more distributed than many people expected.Original report: https://macrocosmosai.substack.com/p/orion-100b-distributed-pretraining Summary: https://www.tao.media/macrocosmos-unveils-orion-100b-a-100b-parameter-distributed-ai-training-run/ #AI #DecentralizedAI #Bittensor #LLM #DeepLearning @science
Уже доступно! Исследование Telegram 2025 — ключевые инсайты года 
