Innovation & Research

Новый метод нейросетевого квантового Монте-Карло ускоряет моделирование материалов, сочетая нейронные сети и байесовский псевдо-гамильтониан В области моделирования материалов нейросетевые квантовые методы Монте-Карло (NN-QMC) считаются одними из наиболее точных, однако их применение ограничено малыми системами из-за крайне высоких вычислительных затрат. Международная группа исследователей, возглавляемая доцентом Томохиро Итибой из Японского передового института науки и технологий (JAIST) совместно с командой ByteDance Seed (Китай), сообщила о новом подходе, преодолевающем это ограничение. Разработанный метод, названный «байесовская локализация псевдо-гамильтониана» (PH), объединяет нейронные сети на основе данного подхода для достижения высокой точности при существенно сниженных вычислительных затратах. Как показали тесты, новый алгоритм позволяет проводить симуляции в десятки раз быстрее по сравнению со стандартными NN-QMC, сохраняя ошибки предсказаний в приемлемых пределах при исследовании межатомных расстояний в различных материалах. Работа опубликована в журнале Nature Computational Science 10 июля 2026 года. В состав группы вошли Вэйчжун Фу, Рюносукэ Фудзимару, а также сотрудники ByteDance Seed. По словам Итибы, интеграция AI в традиционную квантовую химию открывает путь к анализу крупномасштабных материалов и сложных химических реакций, что ранее было невозможно из-за нехватки вычислительных ресурсов. Ожидается, что новый метод будут применять для открытия новых материалов, разработки высокоэффективных катализаторов и понимания биологических функций. В перспективе он может быть расширен на твердотельные системы и расчёты возбуждённых состояний, что поможет решить нерешённые проблемы квантовой науки и материаловедения. #news #AI #AI4science #материалы https://www.eurekalert.org/news-releases/1136876

Кожа, которая считает сама В 1891 году Габриэль Липпман придумал, как фиксировать цвет фотографически — без красителей. Свет отражался от зеркальной подложки, создавал в толще эмульсии стоячую волну, эмульсия полимеризовалась слоями, и эти слои потом отражали ровно ту длину волны, которая их породила. Нобелевская премия 1908 года. Метод оказался непрактичным и был забыт почти на столетие. В июле он вернулся — как тактильный сенсор для робота. Queen Mary University of London совместно с университетами Флоренции, Триеста и Тренто опубликовали в Science Advances работу о механохромной коже. Проблема, которую она решает, известна давно и формулируется как жёсткий компромисс. Сенсоры на такселях — ёмкостные, резистивные, пьезоэлектрические — работают в реальном времени, но упираются в размер ячейки, шаг, разводку и перекрёстные помехи; даже нейросетевое сверхразрешение редко пробивает планку в миллиметр. Сенсоры на камере (GelSight и родственники) дают тонкое разрешение, но платят задержкой: сырое изображение нужно превратить в трёхмерную карту контакта. Решение: 16-микронную фотоэластомерную плёнку кладут на стальную подложку и семь минут освещают красным лазером 635 нм мощностью 5 мВт с расстояния 30 см. Дальше работает эффект Липпмана: стоячая волна полимеризует плёнку слоями толщиной λ/4, получается растяжимый брэгговский отражатель. При деформации слои утоньшаются, отражённая длина волны смещается — красный, зелёный, синий. Камера внутри пальца просто снимает цвет. Разрешение — около 100 микрометров. Карты отпечатка пальца, монеты, листа. Без нейросетевого доучивания и без вычислительной задержки — потому что вычислять нечего. Как формулирует Сассо: касание больше не реконструируют, его наблюдают напрямую. Вычисление вынесено из процессора в физику материала: оптика делает то, для чего обычно нанимают свёрточную сеть. В эпоху, когда любой дефицит восприятия принято закрывать масштабированием модели, стоит помнить, что часть задач дешевле решить геометрией нанослоёв, чем флопсами. Однако есть и скепсис. Мягкие материалы деградируют при циклической нагрузке, а деградировавший силикон врёт о рельефе. Ценность работы выяснится, когда палец поставят в настоящую кисть. Пока сенсор уверенно читает объекты, лежащие на плоскости. Заявленные цели — хирургический инструмент с картированием контакта с тканью, протезирование, деликатный захват. Эффекту Липпмана потребовалось сто лет, чтобы дождаться применения. Иногда технология не опережает время — она просто ждёт задачу, под которую окажется единственно правильной. Science Advances: https://www.science.org/doi/10.1126/sciadv.aee5236 IEEE Spectrum: https://spectrum.ieee.org/robot-finger

29 стран подписали соглашение о создании Всемирной организации сотрудничества в сфере AI в Шанхае Представители 29 стран — в том числе России, Китая, Бразилии, ЮАР, Индонезии, Вьетнама, Беларуси, Казахстана, Кыргызстана, Сербии — подписали документ о создании Всемирной организации сотрудничества в области искусственного интеллекта (World Artificial Intelligence Cooperation Organization), став странами-основателями новой организации. Последняя будет базироваться в Шанхае. Согласно соглашению, она представляется собой независимую межправительственную организацию, которая будет руководствоваться целями и принципами Устава ООН, придерживаться принципов широких консультаций, совместного вклада и общей выгоды, а также ориентироваться на интересы общества. Основная цель новой организации — содействие международному сотрудничеству и глобальному управлению в сфере искусственного интеллекта, обеспечение устойчивого и упорядоченного развития AI в полезном, безопасном и справедливом направлении. Ожидается, что деятельность организации принесёт пользу всему человечеству. #news #AI #политика #БРИКС #ГлобальныйЮг https://www.prnewswire.com/news-releases/agreement-signed-to-establish-world-artificial-intelligence-cooperation-organization-302829486.html

В Шанхае впервые выписан рецепт и проведена операция по установке коммерческого нейроинтерфейса NEO для восстановления хватательной функции руки 13 июля 2026 года в Шанхае впервые была проведена операция по имплантации коммерческой системы интерфейса мозг-компьютер NEO, одобренной для клинического применения 13 марта 2026 года. Операция состоялась в больнице Хуашань при университете Фудань. Система NEO предназначена для восстановления хватательной функции руки у пациентов с повреждениями спинного мозга. Пациентом стал мужчина, получивший травму спинного мозга в автомобильной аварии 10 лет назад, у него была нарушена функция хвата руки. После длительной реабилитации его состояние стабилизировалось, и врачебная комиссия приняла решение о применении системы NEO. Во время операции врачи зафиксировали стабильный сигнал эпидуральной электроэнцефалограммы, что свидетельствует о хорошем качестве работы системы. Система NEO считывает и декодирует сигналы мозга, идентифицирует намерения пациента совершить движение и передаёт команды на внешнее устройство, помогая руке выполнять хватательные движения. Таким образом, технология, которая ранее существовала только в лабораториях, теперь доступна для реальных пациентов. После операции состояние пациента стабильно, жизненные показатели в норме. Ожидается, что система поможет ему частично восстановить способность к самообслуживанию. Данный случай знаменует собой переход технологии нейроинтерфейсов из экспериментальной в практическую медицинскую помощь. https://www.ithome.com/0/976/890.htm

Спутниковая навигация на низкой орбите возвращается: Xona Space Systems обещает сигнал в 100 раз мощнее GPS Калифорнийская компания Xona Space Systems планирует развернуть группировку из 258 навигационных спутников Pulsar на низкой околоземной орбите, которая призвана составить конкуренцию существующим глобальным навигационным системам, включая GPS. Главное преимущество новинки — сигнал в 100 раз более мощный, чем у GPS, что обеспечивает высокую точность позиционирования даже в плотной городской застройке, под густой листвой и внутри помещений. Первый спутник Pulsar-0 был запущен ещё в июле 2025 года на ракете Falcon 9 компании SpaceX и успешно прошёл серию испытаний, включая тесты на устойчивость к глушению и обнаружение поддельных сигналов. Запуск первых шести серийных спутников запланирован на октябрь 2026 года, а начало коммерческого обслуживания — на 2027 год. По мере развёртывания полной группировки Xona обещает точность определения местоположения до нескольких сантиметров и выдачу временных сигналов с погрешностью не более 10 наносекунд. В отличие от GPS, спутники Pulsar не используют дорогостоящие атомные часы, полагаясь на более дешёвое программное обеспечение. Уже подписаны контракты с первыми заказчиками в сфере финансовых рынков, телекоммуникаций и центров обработки данных. Разработкой спутников занимается команда под руководством Тима Грэма, ранее работавшего над двигателями Raptor для Starship в SpaceX. Часть спутников будет произведена бельгийской компанией Aerospacelab, но основное производство Xona планирует на собственном заводе в Берлингейме (Калифорния). Для снижения затрат и ускорения развёртывания спутники проектируются совместимыми с любыми ракетами-носителями, что позволит использовать всё многообразие пусковых услуг. Важным отличием Xona от конкурентов, таких как TrustPoint, является совместимость сигналов Pulsar с существующими наземными приёмниками, работающими в L-диапазоне. Это означает, что для использования новой системы многим устройствам потребуется лишь обновление прошивки. Компания уже запустила программу сертификации Pulsar Verified, к которой присоединились ведущие производители навигационного оборудования, включая Trimble и Septentrio. Интерес к спутниковой навигации на низкой орбите подогревается также работами учёных, которые, подобно Заку Касасу из Университета штата Огайо, разрабатывают алгоритмы для использования сигналов любых спутников на низкой орбите, включая Starlink, возвращаясь к методам доплеровского сдвига, применявшимся в первой навигационной системе Transit 1960-х годов #news #космос https://arstechnica.com/space/2026/07/move-over-gps-navigation-satellites-in-low-earth-orbit-are-making-a-comeback/

Ravee Optics привлёк $6M на разработку сверхкомпактных лазерных терминалов для связи со спутниками Современные спутники собирают всё больше данных, а «спускать» их на Землю приходится по радиоканалам — и те уже буквально «захлёбываются»: значительная часть собранной на орбите информации до Земли просто не доходит. Выход — лазерная связь: она передаёт данные гораздо быстрее. Но сегодня такое оборудование громоздкое, дорогое и труднодоступное, поэтому большинству операторов маленьких спутников оно не по карману. Стартап Ravee Optics хочет сделать лазерную связь массовой. Вместо тяжёлых линз компания использует так называемую метаоптику на кремниевых пластинах — тех же, из которых делают микрочипы, — чтобы управлять светом. Разница в габаритах огромная: нынешний эталон отрасли, терминал Mynaric Condor, весит около 20 кг и по объёму сравним с небольшим дорожным чемоданом (примерно 25 литров), а Ravee обещает сопоставимые возможности при 2 кг и объёме около 2 литров — это размер полуторалитровой бутылки. Подобное решение позволит устанавливать системы лазерной связи даже на самые маленькие спутники и заметно экономить на запусках, ведь аппарат становится легче без потери качества. Спрос как раз стремительно растёт: лазерные каналы нужны и новым оборонным группировкам (вроде системы Golden Dome), и орбитальным дата-центрам, которым предстоит перекачивать петабайты данных. По оценке сооснователя компании, в будущем таких терминалов понадобятся не десятки тысяч, а, возможно, миллионы. Пока технологию проверили в лаборатории. Следующие два года уйдут на наземные испытания, а первый запуск в космос запланирован на начало 2028 года. Важное преимущество — производство: кремниевые пластины можно заказывать на уже существующих чип-фабриках, и, по словам гендиректора, оптику делают на том же оборудовании, что и микросхемы, только за один-два шага вместо двух с лишним десятков. #news #космос https://payloadspace.com/exclusive-ravee-optics-raises-6m-seed-to-build-compact-laser-terminals/

Один выдох вместо анализа крови? Появляется новый класс персональных метаболических сенсоров Мы уже привыкли к непрерывному мониторингу глюкозы. Следующий кандидат — непрерывный контроль метаболизма по выдоху. В журнале Device исследователи из ETH Zurich представили портативный анализатор дыхания, который определяет, находится ли организм в состоянии кетоза — то есть использует жиры, а не углеводы, в качестве основного источника энергии. Основа метода — измерение концентрации ацетона в выдыхаемом воздухе, который образуется при расщеплении жирных кислот. Что здесь действительно интересно? - В отличие от большинства бытовых «кето-анализаторов», устройство не просто измеряет воздух. Оно выделяет ацетон из влажного выдоха и использует приложение, которое стандартизирует процесс выдоха. Именно влажность и вариабельность дыхания до сих пор были главной причиной низкой точности подобных устройств. - В эксперименте прибор сравнили с лабораторным «золотым стандартом» — масс-спектрометрией PTR-MS. Совпадение оказалось высоким. Во время интенсивной нагрузки уровень ацетона быстро рос, а после низкоинтенсивной нагрузки и углеводной пищи оставался низким, отражая переключение организма между сжиганием жиров и углеводов. Но есть важное ограничение: исследование проведено всего на 12 здоровых добровольцах. Пока это скорее демонстрация принципа, чем готовый медицинский продукт. Авторы сами говорят о необходимости крупных клинических исследований и последующей сертификации. Мне кажется, значимость этой работы гораздо шире темы похудения. Мы наблюдаем рождение нового поколения неинвазивных носимых и домашних биосенсоров, которые позволяют измерять физиологическое состояние без забора крови. Ранее мы обсуждали непрерывный мониторинг кортизола. Теперь к нему добавляется мониторинг жирового обмена по дыханию. Объединяя такое устройства с ИИ, оно перестает быть лишь сенсором уровня ацетона. Становится возможным построить цифровую модель обмена веществ, предсказывать реакцию организма на питание, физическую нагрузку и лекарства и в реальном времени давать персональные рекомендации. Фактически мы движемся от разовых медицинских анализов к постоянному цифровому наблюдению за метаболизмом. Именно такие данные, вероятно, станут одной из ключевых основ персонализированной медицины следующего десятилетия.

Орбитальные дата-центры SpaceX: от 10 до 42 запусков ежедневно — насколько реальны планы на 1 млн спутников? SpaceX намерена построить крупнейшую орбитальную инфраструктуру — 1 млн спутников AI1 с суммарной электрической мощностью 120 ГВт, которой хватит для работы десятков миллионов GPU. Каждый спутник получит солнечные панели площадью около 600 кв. м, обеспечивающие 120 кВт постоянной мощности (до 150 кВт в пике), при собственной массе от 3,5 до 7,5 тонны. Для вывода всей группировки потребуется ракета сверхтяжёлого класса Starship, и, в зависимости от сценария, от 17 500 до 77 000 пусков, что означает от 10 до 42 запусков ежедневно. Даже при оптимистичных $20 млн за запуск и $1 млн за спутник, общие затраты составят не менее $1,45 трлн, а в пессимистичном варианте — до $9,8 трлн. Технические вызовы включают радиационную стойкость электроники, отвод тепла и задержки при межспутниковой связи. Эксперименты Starcloud и HP показывают, что чипы Nvidia H100 могут работать в космосе около пяти лет, а Google подтвердил, что TPU выдерживают аналогичный срок. Основная проблема — охлаждение: на МКС радиаторы массой 6 тонн рассеивают лишь 70 кВт, тогда как спутникам SpaceX нужно до 120 кВт. Компания Starcloud разрабатывает лёгкие и дешёвые радиаторы, но их масштабирование пока не доказано. Для инференса моделей орбитальные дата-центры подходят хорошо, но для распределённого обучения AI задержки между спутниками, разделёнными километрами, станут серьёзным ограничением. Реальная осуществимость проекта будет ясна после первых запусков AI1, запланированных на ближайшие годы. Пока же аналитики настроены скептически. Так, гендиректор Iridium Communications Мэтт Деш относит проект к отдалённой перспективе и допускает, что ажиотаж вокруг него во многом связан с желанием привлечь инвестиции. #news #космос https://arstechnica.com/space/2026/07/how-hard-is-it-to-build-orbital-data-centers-actually/

В Китае вступил в силу запрет на AI-сервисы, имитирующие человеческие эмоции: Alibaba и ByteDance приостановили работу 15 июля 2026 года в Китае вступили в силу новые нормативные акты, известные как «Временные меры по управлению двусторонними услугами искусственного интеллекта с антропоморфизацией». Эти правила запрещают AI-сервисы, которые имитируют человеческие мысли, речь и эмоциональное взаимодействие, включая виртуальных партнёров, друзей или членов семьи. Основная цель — снизить риск зависимости пользователей от «очеловеченного» искусственного интеллекта. Регулирование таких AI-систем является редким случаем в мировой практике. Крупнейшие китайские технологические компании, включая Alibaba Group и ByteDance, уже объявили о приостановке своих сервисов, попадающих под действие новых правил. В частности, Alibaba остановила работу AI-приложения для создания виртуальных персонажей, а ByteDance — аналогичные функции в своих продуктах. Новые меры отражают озабоченность китайских властей по поводу потенциального вреда, который могут нанести такие AI-системы, особенно тем, кто легче попадает в эмоциональную зависимость: детям, пожилым и одиноким людям. Нарушителям грозят штрафы и другие санкции. Эксперты отмечают, что регулирование может ограничить развитие некоторых направлений AI, но также защитить пользователей от манипуляций и психологических рисков #news #AI https://www.nikkei.com/article/DGXZQOUC149360U6A710C2000000/

Исследователи определили границы возможностей искусственного интеллекта: некоторые задачи неразрешимы в принципе Группа исследователей из Кембриджского университета и Калифорнийского университета в Санта-Барбаре под руководством доктора Мэттью Колбрука разработала математический подход, позволяющий точно определить границы применимости методов искусственного интеллекта. Работа, опубликованная в журнале Nature Communications, демонстрирует, что существуют классы задач, которые не могут быть надёжно решены даже при наличии бесконечного объёма данных. Учёные использовали метод, основанный на операторе Купмана (Koopman operator), который преобразует сложное нелинейное поведение системы в более простую линейную форму. Для выявления пределов предсказуемости были созданы специальные «состязательные» математические системы, призванные обмануть любой AI-алгоритм, — подобно тому, как специалисты по кибербезопасности нарочно взламывают систему, чтобы заранее найти её уязвимости. Это позволило картографировать ситуации, в которых предсказания AI становятся ненадёжными. Исследователи выделили две основные причины сбоев: во-первых, алгоритм не может определить, достаточно ли данных для получения надёжного результата, во-вторых, паттерны в системе могут быть скрыты или трудно различимы. В хаотических системах, где малейшие изменения начальных условий приводят к кардинально разным траекториям, краткосрочные прогнозы остаются точными, но долгосрочные становятся принципиально ненадёжными из-за накопления чувствительности к начальным условиям. Та же математическая нестабильность может объяснять, почему AI-чатботы иногда уверенно выдают ложные факты или «галлюцинируют». Практическая ценность работы подтверждена тестированием на данных о площади арктического морского льда за 40 лет. Разработанный алгоритм со встроенными оценками погрешности не только выявил скрытые закономерности сокращения льда, но и превзошёл существующие ведущие AI-модели, работая на обычном ноутбуке и с меньшими вычислительными затратами. По словам Колбрука, в эпоху множества впечатляющих примеров успеха AI крайне важно понимать, насколько можно доверять моделям, иначе работа с их результатами будет напоминать стройку «на очень шатком фундаменте». #news #AI https://www.eurekalert.org/news-releases/1135644

Исследователи определили границы возможностей искусственного интеллекта: некоторые задачи неразрешимы в принципе Группа исследователей из Кембриджского университета и Калифорнийского университета в Санта-Барбаре под руководством доктора Мэттью Колбрука разработала математический подход, позволяющий точно определить границы применимости методов искусственного интеллекта. Работа, опубликованная в журнале Nature Communications, демонстрирует, что существуют классы задач, которые не могут быть надёжно решены даже при наличии бесконечного объёма данных. Учёные использовали метод, основанный на операторе Купмана (Koopman operator), который преобразует сложное нелинейное поведение системы в более простую линейную форму. Для выявления пределов предсказуемости были созданы специальные «состязательные» математические системы, призванные обмануть любой AI-алгоритм, — подобно тому, как специалисты по кибербезопасности нарочно взламывают систему, чтобы заранее найти её уязвимости. Это позволило картографировать ситуации, в которых предсказания AI становятся ненадёжными. Исследователи выделили две основные причины сбоев: во-первых, алгоритм не может определить, достаточно ли данных для получения надёжного результата, во-вторых, паттерны в системе могут быть скрыты или трудно различимы. В хаотических системах, где малейшие изменения начальных условий приводят к кардинально разным траекториям, краткосрочные прогнозы остаются точными, но долгосрочные становятся принципиально ненадёжными из-за накопления чувствительности к начальным условиям. Та же математическая нестабильность может объяснять, почему AI-чатботы иногда уверенно выдают ложные факты или «галлюцинируют». Практическая ценность работы подтверждена тестированием на данных о площади арктического морского льда за 40 лет. Разработанный алгоритм со встроенными оценками погрешности не только выявил скрытые закономерности сокращения льда, но и превзошёл существующие ведущие AI-модели, работая на обычном ноутбуке и с меньшими вычислительными затратами. По словам Колбрука, в эпоху множества впечатляющих примеров успеха AI крайне важно понимать, насколько можно доверять моделям, иначе работа с их результатами будет напоминать стройку «на очень шатком фундаменте». #news #AI https://www.tomshardware.com/tech-industry/semiconductors/intel-patent-reveals-new-xbm-memory-architecture-that-ditches-hbms-costly-silicon-interposer-backend-transistor-dram-stack-uses-ucie-links-and-built-in-repair-to-ease-ais-memory-bottleneck

Глава Google DeepMind Демис Хассабис предложил создать независимый орган стандартов для регулирования передового AI Генеральный директор Google DeepMind Демис Хассабис предложил создать независимый орган стандартов для регулирования передовых систем искусственного интеллекта. В опубликованном во вторник посте в соцсети X под заголовком «A Framework for Frontier AI and the Dawning of a New Age» («Рамочная концепция для передового AI и наступление новой эпохи») он обосновал необходимость структуры, аналогичной FINRA — саморегулируемой негосударственной организации, которая устанавливает правила для участников фондового рынка США. Такой орган мог бы тестировать передовые модели и разрабатывать стандарты для их безопасного выпуска. На первом этапе лаборатории, разрабатывающие передовой AI, будут добровольно передавать свои модели такому надзорному органу на проверку не позднее чем за 30 дней до релиза. После того как процедура оценки докажет свою эффективность и надёжность, требование может стать обязательным: для вывода на рынок США модели должны будут проходить данную процедуру. Кроме того, лаборатории будут совместно с надзорным органом устранять критические уязвимости, выявленные уже после выпуска. Предложенная система должна развить разовые (ad hoc) проверки, которые правительство США проводило для моделей Mythos от Anthropic и Sol от OpenAI. Эти проверки вызвали серьёзную критику из-за нехватки технической экспертизы и непрозрачности решений о допуске моделей к релизу. По замыслу Хассабиса, подобные решения можно передать новой организации — независимой, но пользующейся поддержкой правительства США и финансируемой самой AI-индустрией. Хассабис предлагает укомплектовать орган представителями open-source-сообщества и техническими экспертами из индустрии, а часть оценок передавать на аутсорсинг растущему числу групп по безопасности AI, каждая из которых занимается своим типом рисков. Финансировать работу этих специалистов, по его замыслу, должны сами AI-лаборатории. #news #AI #регулирование https://techcrunch.com/2026/07/14/deepmind-ceo-calls-for-an-independent-standards-body-to-regulate-frontier-ai/

После глюкозы следующим станет кортизол? Носимые устройства могут получить еще одну функцию, которая сегодня кажется почти фантастической: непрерывное измерение кортизола — главного гормона стресса. Сегодня определить уровень кортизола можно только лабораторными анализами крови, слюны или мочи. Это всегда отдельный замер, который плохо отражает динамику. Между тем концентрация гормона постоянно меняется: она зависит от времени суток, сна, физической нагрузки, питания, болезни и эмоционального состояния. Именно поэтому инженеры пытаются создать аналог CGM (Continuous Glucose Monitor), только для кортизола. IEEE Spectrum подробно разбирает несколько технологий, которые уже вышли из лабораторий и приближаются к клиническим испытаниям. Что особенно интересно? • Большинство разработок измеряют кортизол не в крови, а в поте или интерстициальной жидкости, используя микроиглы, электрохимические сенсоры, аптамеры и новые полимерные материалы. Это позволяет сделать мониторинг практически непрерывным. (Materials Science and Engineering⁠) • Уже появляются первые результаты испытаний на людях. Например, стартап Adaptyx показал непрерывное многосуточное измерение свободного кортизола с регистрацией естественного суточного ритма и хорошим соответствием анализам венозной крови. (Yahoo Финансы⁠) Почему это действительно важно? Мы привыкли считать стресс чем-то субъективным. Но если кортизол станет таким же доступным биомаркером, как сегодня пульс или уровень глюкозы, медицина получит принципиально новый источник данных. Это может изменить диагностику: - заболеваний надпочечников (например, болезни Аддисона и синдрома Кушинга); - нарушений сна и циркадных ритмов; - хронического стресса и эмоционального выгорания; - восстановления после операций и интенсивных тренировок. Но, на мой взгляд, главное последствие — другое. Практически все современные умные часы пытаются угадать стресс по косвенным признакам: вариабельности сердечного ритма, температуре кожи, дыханию, движениям. Если появится возможность непрерывно измерять сам гормон стресса, это станет новым «золотым стандартом» для обучения AI-моделей. Тогда часы перестанут просто оценивать вероятность стресса. Они смогут строить индивидуальную цифровую модель эндокринной системы, понимая, как именно ваш организм реагирует на сон, кофе, рабочие встречи, спорт или хроническую нагрузку. Когда-то непрерывный мониторинг глюкозы изменил лечение диабета. Возможно, непрерывный мониторинг кортизола станет следующим большим шагом — уже не только для эндокринологии, но и для персонализированной медицины и будущих AI-ассистентов здоровья.

Дешёвые специализированные AI-модели впервые обогнали флагманы от OpenAI и Anthropic Несколько лет подряд звучали обещания, что узкоспециализированные AI-модели — по медицине, праву, образованию — смогут не хуже флагманских моделей OpenAI и Anthropic справляться с задачами в своей области. Идея простая: разработчики берут дешёвую, более «слабую» модель и «дообучают» её (fine-tuning) — устраивают ей ускоренный курс, например, по юриспруденции, чтобы она чаще давала правильные ответы. На практике эти опыты почти всегда разочаровывали: дешёвые модели дотягивали не до новейших дорогих моделей, а лишь до их прежних, более слабых версий. Теперь же стали появляться примеры, которые меняют сложившуюся картину. Юридический AI-стартап Harvey AI вместе с платформой Fireworks AI дообучил дешёвую китайскую модель Kimi 2.6 на юридическом тесте: модель прогнали по заданиям, отбросили неверные ответы, а на верных переобучили. Точность выросла почти на 40% — до уровня флагманов, но её использование обошлось в 11 раз дешевле. Правда, преимущество оказалось недолгим: буквально через несколько дней Anthropic выпустила новую версию Opus, снова установившую рекорд на тех же тестах. Зато экономия никуда не делась — и это уже повод задуматься, так ли часто нужны наиболее дорогие модели. Куда важнее второй случай. Инвесткомпания Рэя Далио Bridgewater Associates вместе с Thinking Machines Lab (стартап Миры Мурати, экс-главы OpenAI) дообучила модель — на базе китайской Qwen3-235B — не просто на «правильных ответах», а на том, как именно работают её собственные инвестменеджеры. Результат: точность 85%, почти на 30% меньше ошибок, чем у флагманов, и в 14 раз дешевле. Впрочем, пока эти результаты подтвердили только сами компании, независимой проверки не было. Именно корпоративные клиенты приносят AI-гигантам основную выручку. Если компании начнут массово создавать под себя дешёвые модели, это ударит по бизнес-модели OpenAI и Anthropic — и одновременно станет находкой для тех, у кого есть техническая команда, чтобы этим заняться. Глава Microsoft Сатья Наделла недавно прямо написал: «Мир, где каждая компания отдаёт всю ценность нескольким «всё поглощающим» моделям, политически нежизнеспособен». Отсюда и разговоры о новых победителях — компаниях, работающих по принципу «модель как услуга», которые будут помогать бизнесу строить и поддерживать собственные модели. Остаются и нерешённые вопросы. Использование китайских базовых моделей несёт геополитические риски. Однако и американские модели не застрахованы от вмешательств со стороны политиков (Белый дом недавно ввёл экспортные ограничения на Anthropic Fable 5 и Mythos). И главный вопрос — люди: захотят ли сотрудники «сливать» в модель работодателя опыт, который нарабатывали десятилетиями, и будут ли уверены, что после этого их не заменят той же моделью. #news #llm #AI https://www.ft.com/content/25246821-da58-4c34-ae4c-c9589ab66825?syn-25a6b1a6=1

Проиграв гонку в AI, Европа впервые получила реальный шанс в квантовых компьютерах Гонку за лидерство в искусственном интеллекте Европа проиграла едва ли не до старта: когда в 2023 году крупнейшая надежда континента — французская Mistral — только привлекала первые деньги, OpenAI уже подняла больше $13 млрд, а лондонская DeepMind ещё за десять лет до этого ушла к Google. Но следующая технологическая гонка — в сфере квантовых компьютеров — может пройти на равных, что подтверждают цифры. В первом квартале 2026 года европейские квантовые стартапы привлекли $404 млн — почти вровень с $417 млн в Северной Америке (в основном США). Годом ранее разрыв был больше: европейские $1,4 млрд — около 60% от североамериканской суммы. Но даже это заметно лучше, чем в венчурной индустрии в целом, где Европа демонстрирует лишь 24% от американского объёма инвестиций. Исторически Европу тормозили две связанные проблемы: она плохо умела превращать сильные научные разработки в бизнес, а немногочисленным стартапам не хватало денег на рост. Теперь власти пытаются решить обе. Многие британские компании выросли из National Quantum Technologies Programme, запущенной больше десяти лет назад именно ради коммерциализации квантовых технологий. Свежие примеры — спиноуты из научных центров: Oxford Quantum Circuits (физфак Оксфорда), Quantum Motion (Оксфорд и UCL) и французская Quobly (институт CEA-Leti). Все они недавно привлекли финансирование из государственных и частных источников: британские компании поддержал государственный British Business Bank, а Quobly — стартап-фонд ЕС на $4 млрд. В сумме Британия и ЕС вложили в квантовые проекты вдвое больше, чем США. Контраст — термоядерный синтез, где Европа идёт по привычному пути «сильная наука, слабая коммерция»: научных статей по фьюжн у неё больше, чем у США, а частных инвестиций в 2022–2025 годах — меньше 20% от американских. Успех в «квантах» может пошатнуть расхожий тезис, будто у США есть врождённое культурное преимущество в создании компаний. Как и кубит — базовый элемент квантового компьютера — сама отрасль пока в «суперпозиции»: возможны любые исходы. Победа Европе не гарантирована, но впервые за долгое время у неё есть реальный шанс. #news #кванты https://www.ft.com/content/24e1f2bb-8de5-43b1-980c-7b73c94bfb21?syn-25a6b1a6=1