Science in telegram
Science that matters: AI, space, biotech, physics, future tech — explained sharply
Показати більше📈 Аналітичний огляд Telegram-каналу Science in telegram
Канал Science in telegram (@science) у мовному сегменті Англійська є активним учасником. На даний момент спільнота об'єднує 121 398 підписників, посідаючи 104 місце в категорії Факти та 179 місце у регіоні США.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 121 398 підписників.
За останніми даними від 08 червня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -881, а за останні 24 години на -65, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 8.30%. Протягом перших 24 годин після публікації контент зазвичай збирає 2.38% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 10 076 переглядів. Протягом першої доби публікація в середньому набирає 2 887 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 101.
- Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як medicine, cell, researcher, scientist, u.s.
📝 Опис та контентна політика
Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“Science that matters: AI, space, biotech, physics, future tech — explained sharply”
Завдяки високій частоті оновлень (останні дані отримано 09 червня, 2026), канал підтримує актуальність та високий рівень охоплення публікацій. Аналітика показує, що аудиторія активно взаємодіє з контентом, що робить його важливою точкою впливу в категорії Факти.
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
Вже доступно! Дослідження Telegram за 2025 — головні інсайти року 
