味方ガチャ最高【はち公】

俺のやる気アップ用

ココナッツオイルそんな有能なん？

I’m sure this is it

@yularimansub ゆらりまんこんじっと似合いすぎ

この画像作ったやつガチでだれｗ

【2026年版】 伸びしろ企業Tier完全版 【SSS】日本企業の主役交代レベル ディスコ、フジクラ、三菱重工、日立製作所、IHI、東京エレクトロン、アドバンテスト 【SS】今後さらに社格が上がる NEC、三菱電機、第一三共、中外製薬、SCREEN、TDK、村田製作所、HOYA、信越化学、荏原製作所 【S+】テーマに乗れば一気に再評価される レーザーテック、ルネサス、キオクシア、富士電機、安川電機、川崎重工、住友電工、古河電工、ソニーグループ、任天堂、サンリオ、アシックス 【S】地味だが中長期でかなり強い ダイキン、キーエンス、富士通、NTTデータグループ、野村総合研究所、オービック、島津製作所、テルモ、シスメックス、日東電工、オリンパス、ローム 【A+】まだ世間の評価が追いついていない TOWA、芝浦メカトロニクス、東京精密、ローツェ、アルバック、ニデック、デンソー、クボタ、コマツ、パナソニックHD、リクルート、トヨタ 【A】事業転換が進めば見直される ホンダ、SUBARU、ヤマハ発動機、AGC、旭化成、東レ、住友化学、三井化学、ブリヂストン、資生堂、関西電力、中部電力 【B+】強いが伸びしろより安定感寄り 三菱商事、三井物産、伊藤忠商事、丸紅、住友商事、NTT、KDDI、ソフトバンク、三菱UFJ、三井住友FG、東京海上、MS&AD 【B】優良だが社格上昇余地は限定的 JR東海、JR東日本、JR西日本、三井不動産、三菱地所、住友不動産、オリックス、味の素、花王、ユニチャーム、キリンHD、アサヒグループHD

ニートの時にやっておくべきだったこと52位 性病検査の客層見学

ハリーポッター最近見てるけど色々な名前や話があちこちに飛びすぎてみんなADHDとしか思えん

@MIKATA_GATYA ご馳走様です

持株会に給料全ツッパ中

さすがに汁出た^_^💦

マクロで革命的なやつ作ってしもうたw 上期の評価プラスになる期待値がかなり上がった

明日までに2000いいね行ったら 女体シャンパンタワーやってアップします。

Learned about pvssy

Open AIが営利企業になるように仕向けたのは孫正義で、イーロンと孫正義は間接的に対立構造にあるのがこのストーリーの面白いところ

TSMC ARM株を全売却 Taiwan's TSMC exits Arm with $231 million share sale reuters.com/world/asia-pac… 4月28日から29日にかけて、Arm株111万株を1株あたり207.65ドルで売却

@cheeeese9d それはさておき感性の個人差はあるのは当然として左は偏差値50よりやや高めで右はやや低めな印象でした

@cheeeese9d 左の人すしらーめんりくっぽい

GPT-Image2と一緒にひたすら顔面生成のロジックを検討した結果、まだ不安定ではありますが、かなりそれらしい"偏差値50顔の日本人男女"を生成することができるようになりました 恐らく皆さんもこういう人たちに見覚えがあるかと思います もちろん私も見覚えあります

CPU vs GPU vs TPU vs NPU vs LPU, explained visually: 5 hardware architectures power AI today. Each one makes a fundamentally different tradeoff between flexibility, parallelism, and memory access. > CPU It is built for general-purpose computing. A few powerful cores handle complex logic, branching, and system-level tasks. It has deep cache hierarchies and off-chip main memory (DRAM). It's great for operating systems, databases, and decision-heavy code, but not that great for repetitive math like matrix multiplications. > GPU Instead of a few powerful cores, GPUs spread work across thousands of smaller cores that all execute the same instruction on different data. This is why GPUs dominate AI training. The parallelism maps directly to the kind of math neural networks need. > TPU They go one step further with specialization. The core compute unit is a grid of multiply-accumulate (MAC) units where data flows through in a wave pattern. Weights enter from one side, activations from the other, and partial results propagate without going back to memory each time. The entire execution is compiler-controlled, not hardware-scheduled. Google designed TPUs specifically for neural network workloads. > NPU This is an edge-optimized variant. The architecture is built around a Neural Compute Engine packed with MAC arrays and on-chip SRAM, but instead of high-bandwidth memory (HBM), NPUs use low-power system memory. The design goal is to run inference at single-digit watt power budgets, like smartphones, wearables, and IoT devices. Apple Neural Engine and Intel's NPU follow this pattern. > LPU (Language Processing Unit) This is the newest entrant, by Groq. The architecture removes off-chip memory from the critical path entirely. All weight storage lives in on-chip SRAM. Execution is fully deterministic and compiler-scheduled, which means zero cache misses and zero runtime scheduling overhead. The tradeoff is that it provides limited memory per chip, which means you need hundreds of chips linked together to serve a single large model. But the latency advantage is real. AI compute has evolved from general-purpose flexibility (CPU) to extreme specialization (LPU). Each step trades some level of generality for efficiency. The visual below maps the internal architecture of all five side by side. 👉 Over to you: Which of these 5 have you actually worked with or deployed on?

オメーにうっすら期待しとくよ

俺も見習って明日から短パンでいこかな

このコマめっちゃ好き