Innovation & Research

SpaceX приобретает разработчика AI-кодинга Cursor за $60 млрд сразу после рекордного IPO Компания SpaceX объявила о завершении приобретения Anysphere, создателя AI-инструмента для кодинга Cursor, за $60 млрд. Сделка была закрыта всего через 4 дня после проведения рекордного первичного публичного размещения акций (IPO) SpaceX, что подчёркивает амбиции компании по экспансии за пределы ракетостроения и спутникового интернета. Ранее, в апреле 2026 года, SpaceX заключила опционное соглашение с Anysphere, позволяющее выкупить все акции компании после IPO. Основатель и CEO SpaceX Илон Маск (Elon Musk) заявил, что интеграция Cursor позволит создать одни из самых мощных моделей искусственного интеллекта. Маск активно развивает AI-направление: в 2023 году он основал компанию xAI, которая позже была объединена со SpaceX. Под управлением SpaceX также находятся два крупных дата-центра в Мемфисе, штат Теннесси, обеспечивающие вычислительные мощности для AI-разработок. Генеральный директор Anysphere Майкл Труэлл (Michael Truell) выразил намерение тесно сотрудничать с командой SpaceX для дальнейшего развития передовых AI-функций. В официальном аккаунте Cursor в соцсети X сообщается о скором внедрении значительных улучшений в инструмент. Сделка знаменует собой один из крупнейших шагов SpaceX в сфере искусственного интеллекта и подчёркивает растущую конкуренцию за AI-технологии среди ведущих технологических корпораций. #news #AI #MnA https://www.itmedia.co.jp/news/articles/2606/17/news066.html

Amazon пообещала догнать OpenAI и Anthropic в создании передовых AI-моделей в течение года Cтарший вице-президент Amazon Питер Десантис (Peter DeSantis), отвечающий за полупроводники, искусственный интеллект и квантовые технологии, признал, что модели Amazon отстают от передовых разработок OpenAI и Anthropic. Однако он выразил уверенность, что в течение года компания сможет составить им конкуренцию. «Мы намеренно закладывали основы — данные, архитектуру, инфраструктуру — и теперь движемся по намеченному пути», — отметил Десантис. Amazon использует двухуровневый подход: через сервис Bedrock предоставляет доступ к моделям разных разработчиков, а также развивает собственную модель Nova2, запущенную в декабре 2025 года. По словам Десантиса, Nova2 уже привлекла около 50 тыс. клиентов, но он честно признал, что модель пока не воспринимается как одна из самых мощных. «Мы стремимся к тому, чтобы нашу модель считали одной из самых интеллектуально способных. С Nova2 мы ещё не достигли этой цели, но это наша амбиция», — заявил он. Ключевым элементом стратегии Amazon являются собственные чипы Trainium и Graviton. Десантис провёл параллели с Nvidia, подчеркнув, что Amazon — один из немногих игроков, способных проектировать, производить чипы и обеспечивать их развёртывание. Сейчас вычислительные мощности предоставляются через облачное подразделение AWS, причём Anthropic является одним из крупнейших клиентов. В апреле гендиректор Энди Джасси (Andy Jassy) допустил возможность продажи стоек с чипами Trainium третьим сторонам. Десантис подтвердил, что такая опция рассматривается, но сроков нет. Он также не исключил, что в будущем компания может начать продавать и чипы Graviton за пределами AWS. Amazon стремится убедить инвесторов в своей значимости в AI-гонке. Признание отставания и публичное обещание догнать лидеров — часть этой стратегии. Успех будет зависеть от того, насколько быстро Nova2 сможет конкурировать с моделями OpenAI и Anthropic, а также от эффективности собственных чипов и инфраструктуры AWS. #news #AI #бигтехи https://www.cnbc.com/2026/06/17/amazon-ai-frontier-openai-anthropic.html

Google DeepMind представила дорожную карту безопасности AI-агентов: защита от невыровненных систем Компания Google DeepMind представила AI Control Roadmap — комплексную систему безопасности для AI-агентов, способных автономно выполнять сложные задачи. Документ предполагает, что даже при идеальном выравнивании моделей агенты могут вести себя неожиданно, и предлагает дополнительный уровень защиты на уровне системы, выходящий за рамки традиционного выравнивания. Дорожная карта построена на трёх ключевых направлениях: моделирование угроз на основе фреймворка MITRE ATT&CK, развёртывание мер по контролю (включая обнаружение, предотвращение и реакцию) и постоянное измерение эффективности. Система использует доверенные AI-модели в качестве «супервизоров», которые анализируют действия агента и блокируют потенциально вредоносные операции. Исследователи проанализировали миллион траекторий кодировочных агентов, что позволило выявить характерные паттерны поведения. Примечательно, что большинство инцидентов связано не со злым умыслом, а с чрезмерным усердием или неверной интерпретацией целей пользователя. Google DeepMind также опубликовала документ для политиков Three Layers of Agent Security, описывающий три уровня защиты: на уровне отдельных агентов, в мультиагентных системах и на уровне экосистемы в целом. Компания призывает к сотрудничеству промышленности, научных кругов и регуляторов для выработки общих стандартов безопасности. #news #AI #Agents https://deepmind.google/blog/securing-the-future-of-ai-agents/

Главы Anthropic и Google DeepMind на саммите G7 призвали к созданию международной коалиции по AI под руководством США На полях саммита G7 в Эвиан-ле-Бен (Франция) состоялась закрытая рабочая встреча глав технологических компаний с лидерами стран «Большой семёрки», в которой приняли участие президент США Дональд Трамп и ряд руководителей технологического сектора. Генеральный директор Anthropic Дарио Амодеи (Dario Amodei) и глава Google DeepMind Демис Хассабис (Demis Hassabis) выступили с инициативой создания международной коалиции под эгидой США для координации правил и стандартов в области искусственного интеллекта. Амодеи в своём выступлении подчеркнул необходимость совместных действий в таких областях, как структурированный доступ к передовым моделям, торговля чипами и критическими компонентами с исключением Китая, а также противодействие рискам AI в киберпространстве, биотерроризме и разведке. Премьер-министр Канады Марк Карни выразил согласие с тем, что США могли бы возглавить такую коалицию. Генеральный директор OpenAI Сэм Альтман (Sam Altman) призвал к созданию международного форума для обсуждения общепринятых стандартов тестирования, независимого анализа возможностей и рисков AI, а также площадки для сотрудничества между странами. Встреча состоялась на фоне недавнего введения экспортных ограничений США на новейшие модели Anthropic — Fable 5 и Mythos 5, которые компания была вынуждена отключить по требованию правительства. Представители администрации США — министр финансов Скотт Бессент, министр торговли Говард Лутник и госсекретарь Марко Рубио — также участвовали в дискуссии. По данным источников, неамериканские лидеры признали, что США «безусловно могут сыграть ведущую роль» в установлении стандартов вокруг AI. Компания Anthropic продолжает переговоры с администрацией Трампа по поводу экспортных ограничений. #news #AI #стандарты #регулирование https://www.cnbc.com/2026/06/17/anthropic-amodei-google-hassabis-us-ai-coalition-g7.html

А тем, кто быстрее, дешевле и надёжнее превращает данные, модели и симуляции в проверяемое знание.

Сократил ровно на 800 символов. Научные вычисления больше нельзя строить как “покупку самого большого суперкомпьютера” В Science вышла policy-статья Донгарры, Рида и Гэннона о будущем scientific computing в мире AI. Главная мысль: центр тяжести вычислительной индустрии ушёл от классического HPC к hyperscalers — Google, Amazon, Microsoft, NVIDIA-экосистеме и AI-фабрикам. Научные вычисления теперь едут “поверх” инфраструктуры, спроектированной не под физику, химию, климат или материалы, а под массовый рынок AI. Раньше национальное лидерство в вычислениях можно было показать просто: построить самый мощный суперкомпьютер, занять место в рейтинге, дать пиковые FLOPS. Авторы предлагают другой критерий: joules per trusted solution — сколько энергии тратится на один проверенный научный результат. Не FLOPS, не размер кластера, не “самый большой GPU-парк”, а энергия, время, качество и доверие. Нужны не просто суперкомпьютеры, а AI+HPC платформы. Наука будущего — не выбор между моделированием и AI, а гибрид: физические симуляции + foundation models + surrogate models + проверка результата высокоточным расчётом. Национальная инфраструктура должна проектироваться не как “железо”, а как сквозная платформа: данные, модели, симуляции, безопасность, верификация, доступ. Энергоэффективность должна стать метрикой национального лидерства. Устойчивость — уже не PR, а операционное требование. AI-дата-центры и HPC-системы упираются не только в чипы, а в электричество, охлаждение, передачу данных и стоимость инфраструктуры. Поэтому госпрограммы должны измерять не только производительность, но и энергию на достоверный результат. Государству нужны новые benchmark’и. Классические тесты вроде Linpack показывают, что уже умеет железо, но плохо отражают реальные научные workflows. Нужны тесты нового типа: гибридная симуляция + AI-суррогат + проверка результата + учёт движения данных + энергопотребление + качество решения. Тестировать надо не “скорость процессора”, а весь путь от данных до научного вывода. Данные и модели становятся стратегическим активом. Один из сильных тезисов статьи: данные и модели — это “intellectual gold”. Если у страны есть уникальные научные данные, качественная разметка, provenance, governance, trained domain models — она получает преимущество даже при сопоставимом доступе к железу. Научные foundation models надо рассматривать как инфраструктуру, а не как разовые R&D-проекты. Нужна программа технологического риска, а не только закупки. Авторы формулируют жёстко: если нет прототипирования на масштабе и готовности к ошибкам — это не research, а procurement. Нельзя просто раз в несколько лет закупать очередной кластер. Нужны прототипы новых архитектур, памяти, интерконнекта, mixed precision, energy-aware algorithms, runtime-систем и data fabric. Испытывать их надо на реальных научных задачах. Нужен moonshot: снизить энергию на научный результат в 10–100 раз. Главная цель такой программы — не самый большой кластер, а радикальное снижение энергии на доверенный результат. Пример KPI: за 3 года снизить joules per trusted solution минимум в 10 раз; за 5 лет выйти на траекторию 100-кратного улучшения; обеспечить воспроизводимый учёт энергии, данных, качества и отказов; сделать переносимые библиотеки и runtime’ы для широкого научного контура. Это новая логика национальной вычислительной политики: не «один флагманский суперкомпьютер», а распределённая сеть science engines — компактных, повторяемых, энергоэффективных AI+HPC-систем, доступных университетам и лабораториям. AI меняет не только software stack научных вычислений. Он меняет политическую экономию науки. Если государство продолжит мыслить категориями закупки железа и рейтингов, научная инфраструктура будет всё больше зависеть от чужих коммерческих платформ. Если policy makers примут новую рамку — AI+simulation, energy per trusted result, данные и модели как инфраструктура, прототипирование и открытые стандарты — появится шанс построить суверенную научную вычислительную платформу. В XXI веке научное лидерство будет определяться не тем, у кого самый большой кластер.

Не «построить один флагманский суперкомпьютер», а создать распределённую сеть science engines — компактных, повторяемых, энергоэффективных AI+HPC-систем, доступных университетам, лабораториям и прикладным исследовательским центрам. AI меняет не только software stack научных вычислений. Он меняет политическую экономию науки. Если государство продолжит мыслить категориями закупки железа и рейтингов суперкомпьютеров, научная инфраструктура будет всё больше зависеть от чужих коммерческих платформ. Если же policy makers примут новую рамку — AI+simulation, energy per trusted result, данные и модели как инфраструктура, прототипирование и открытые стандарты — появится шанс построить суверенную научную вычислительную платформу нового поколения. В XXI веке научное лидерство будет определяться не тем, у кого самый большой кластер. А тем, кто быстрее, дешевле и надёжнее превращает данные, модели и симуляции в проверяемое знание.

Научные вычисления больше нельзя строить как “покупку самого большого суперкомпьютера” В Science вышла важная policy-статья Джека Донгарры, Дэниела Рида и Денниса Гэннона о будущем scientific computing в мире AI. Главная мысль: центр тяжести вычислительной индустрии ушёл от классического HPC к hyperscalers - Google, Amazon, Microsoft, NVIDIA-экосистеме и AI-фабрикам. Научные вычисления теперь едут “поверх” инфраструктуры, которая проектируется не под физику, химию, климат или материалы, а под массовый рынок AI. Это меняет повестку для государства. Раньше национальное лидерство в вычислениях можно было показать просто: построить самый мощный суперкомпьютер, занять место в рейтинге, дать пиковые FLOPS. Авторы предлагают другой критерий: joules per trusted solution — сколько энергии тратится на один проверенный научный результат. Не FLOPS. Не размер кластера. Не “у нас самый большой GPU-парк”. А энергия, время, качество, воспроизводимость и доверие к результату. Это очень важный разворот для тех, кто управляет инвестициями в науку. 1. Нужны не просто суперкомпьютеры, а AI+HPC платформы. Наука будущего это не выбор между моделированием и AI. Это гибрид: физические симуляции + foundation models + surrogate models + проверка результата высокоточным расчётом. Национальная инфраструктура должна проектироваться не как “железо для расчётов”, а как сквозная платформа: данные, модели, симуляции, безопасность, верификация, доступ. 2. Энергоэффективность должна стать метрикой национального лидерства. Авторы прямо говорят: устойчивость — уже не PR, а операционное требование. AI-дата-центры и HPC-системы упираются не только в чипы, а в электричество, охлаждение, передачу данных и стоимость инфраструктуры. Поэтому государственные программы должны измерять не только производительность, но и энергию на достоверный результат. Иначе можно построить “самую большую машину”, которая будет плохо решать реальные научные задачи. 3. Государству нужны новые benchmark’и. Классические тесты вроде Linpack показывают, что уже умеет железо. Но они плохо отражают реальные научные workflows. Нужны benchmark’и нового типа: гибридная симуляция + AI-суррогат + проверка результата + учёт движения данных + энергопотребление + качество решения. То есть тестировать надо не “скорость процессора”, а весь путь от данных до научного вывода. 4. Данные и модели становятся стратегическим активом. Один из самых сильных тезисов статьи: данные и модели — это “intellectual gold”. Если у страны есть уникальные научные данные, качественная разметка, provenance, governance, trained domain models — она получает преимущество даже при сопоставимом доступе к железу. Отсюда практический вывод: научные foundation models надо рассматривать как инфраструктуру, а не как разовые R&D-проекты. Как компиляторы и библиотеки линейной алгебры не пишутся заново для каждой задачи, так и доменные AI-модели не должны быть одноразовыми экспериментами. 5. Нужна программа технологического риска, а не только закупки. Авторы формулируют жёстко: если нет прототипирования на масштабе и готовности к ошибкам — это не research, а procurement. Для государства это принципиально. Нельзя просто раз в несколько лет закупать очередной кластер. Нужны прототипы новых архитектур, памяти, интерконнекта, mixed precision, energy-aware algorithms, runtime-систем и data fabric. Причём испытывать их надо на реальных научных задачах, а не на красивых демонстрациях. 6. Нужен moonshot: снизить энергию на научный результат в 10–100 раз. Авторы предлагают национальную программу, где главная цель — не самый большой кластер, а радикальное снижение энергии на доверенный результат. Пример KPI: за 3 года снизить joules per trusted solution минимум в 10 раз на нескольких benchmark workflows; за 5 лет выйти на траекторию 100-кратного улучшения; обеспечить воспроизводимый учёт энергии, данных, качества и отказов; сделать переносимые библиотеки и runtime’ы, чтобы результатом мог пользоваться широкий научный контур. Это и есть новая логика национальной вычислительной политики.

Стартап SubQ утверждает, что решил проблему трансформеров Стартап Subquadratic утверждает, что нашёл способ обойти одно из фундаментальных ограничений трансформеров: квадратичный рост вычислений при увеличении длины контекста. В обычной attention-схеме каждый токен «смотрит» на каждый другой токен. Удвоили контекст получили примерно в четыре раза больше вычислений. Именно поэтому работа с целыми кодовыми базами, архивами документов, юридическими договорами или научными корпусами остаётся дорогой и хрупкой. Идея SubQ — заменить плотное внимание на динамическое разреженное внимание. Модель не сравнивает всё со всем, а на лету выбирает, какие связи между токенами действительно важны. Разреженное внимание пробовали много раз, но обычно оно ломало качество: модель экономила вычисления, но хуже понимала длинный текст. Subquadratic утверждает, что им удалось сохранить качество при радикальном снижении стоимости. По независимым тестам Appen, SubQ показала 100% точность извлечения нужного факта на контекстах 1–2 млн токенов и 98% на 6–12 млн токенов. В тесте LiveCodeBench модель набрала 89,7%, уровень, сопоставимый с сильными coding-моделями. Если это подтвердится в реальном доступе, последствия могут быть большими. Сегодня мы строим вокруг LLM целую инфраструктуру костылей: RAG, чанкинг, ретриверы, маршрутизаторы, агентные пайплайны. Всё это нужно потому, что модель не может дешево держать в «рабочей памяти» весь объект: репозиторий, договор, набор отчётов, базу знаний. Длинный дешёвый контекст меняет саму архитектуру приложений: меньше поиска по фрагментам, больше прямого рассуждения над целым артефактом. Кстати, это может быть и хайп. Модель пока не находится в широком доступе, её нельзя массово проверить на реальных задачах. Кроме того, SubQ не обучалась полностью с нуля: компания использовала веса open-source модели Qwen, что ослабляет тезис о «полном переизобретении LLM». MIT Technology Review прямо пишет: публичных данных пока недостаточно, чтобы считать проблему квадратичного attention решённой окончательно. В любом случае, это заявка на смену экономической базы LLM. Если длинный контекст станет дешёвым, следующая волна AI-продуктов будет строиться не вокруг поиска нужного кусочка информации, а вокруг способности модели удерживать и понимать целые сложные системы — код, документы, исследования, историю взаимодействия и корпоративную память. Получен важный сигнал, куда может сместиться гонка после эпохи «просто больше параметров и больше GPU». https://mobile.technologyreview.com/story/1139313/content.html

Радиочастотное оружие компании Thales в ходе испытаний уничтожило 80 дронов без использования боеприпасов В Великобритании, на полигоне Першор (графство Вустершир), компания Thales провела успешные испытания новой системы радиоэлектронной борьбы RapidDestroyer. В ходе тестов система с помощью направленного радиоизлучения вывела из строя 80 дронов, не израсходовав при этом ни одного физического боеприпаса. В отличие от традиционных ракетных комплексов, RapidDestroyer способен одновременно поражать множество беспилотников, воздействуя на их электронику мощными радиоволнами. Это приводит к немедленному выводу дронов из строя и делает невозможным их повторное использование. Ключевым улучшением в новой версии стала 4-панельная антенна (effector), которая позволяет концентрировать больше энергии на цели, повышая дальность и точность поражения. Система оснащена искусственным интеллектом, который отвечает за обнаружение, сопровождение и классификацию целей, однако окончательное решение о применении оружия принимает оператор. Такой подход обеспечивает гибкость и высокую скорость реакции на современные угрозы, в частности — на рои дронов. Испытания проводились в партнёрстве с компанией Teledyne E2V и подтвердили способность комплекса надёжно и практически мгновенно нейтрализовать беспилотники, не оставляя им шансов на повторное применение. Отмечается растущий интерес военных к системам направленной энергии как к эффективному и экономически выгодному средству защиты от дронов. #news #militech #дроны #РЭБ https://interestingengineering.com/military/new-energy-weapon-takes-down-80-drones

Ультразвуковой браслет MITсобирает данные о движениях рук для обучения антропоморфных роботов сложным задачам Группа исследователей из Массачусетского технологического института (MIT) под руководством профессора Чжао Сюаньхэ (Xuanhe Zhao) создала ультразвуковой браслет, способный регистрировать тонкие движения кисти и пальцев человека. Устройство использует ультразвуковые волны для отслеживания положения мышц и сухожилий, что позволяет с высокой точностью захватывать жесты и манипуляции. Главная цель разработки — сбор обширных данных о естественных движениях человеческой руки для последующего обучения роботов. По словам профессора Чжао, информация, полученная с помощью браслета, может быть использована для тренировки роботов выполнять действия, требующие ловкости, такие как уборка по дому, приготовление пищи, игра на музыкальных инструментах или даже проведение хирургических операций. Браслет представляет собой носимое устройство, которое не ограничивает движения человека и позволяет собирать данные в естественных условиях. В отличие от традиционных систем захвата движения на основе камер, ультразвуковая технология работает без помех от освещения и может использоваться в различных средах. В перспективе исследователи планируют применить собранные данные для создания более совершенных алгоритмов управления роботами, что приблизит эру универсальных антропоморфных помощников, способных выполнять сложные манипуляционные задачи наравне с человеком. #news #AI #роботы https://news.mit.edu/news-clip/associated-press-222

Не комар, а рой. И не электроника, а химия Китай показал дрон размером с комара — 2 см, 0,3 грамма, неотличим от насекомого. Большинство комментаторов увидели «крошечного шпиона». Но интереснее то, что эта новость подтверждает разворот всего вектора военной эволюции — от гигантомании к микроминиатюризации. И происходит он буквально на наших глазах: от громадных многомиллионных БПЛА до FPV прошло несколько месяцев боевых действий. Следующий шаг логичен. Делать нужно не большие дальние аппараты, а производство для эскадрилий из миллионов роботов-комаров. Боевая единица здесь — не комар, а рой. В таком противостоянии экономик выигрывает не тот, у кого лучше дрон, а тот, кто способен наладить выпуск микророботов за одну миллионную стоимости FPV. А значит, придумывать надо не робота — сразу технологию. И, скорее всего, она должна быть гибридной, биохимической: это область биологии и химии, а не электроники. Бронтозаврами в этой картине становятся не авианосцы и танки, а сами FPV-дроны. Для боя не нужен ни общий ИИ, ни даже узкий. Нужны искусственные инстинкты. Представьте простейший органоид, умеющий делать ровно одно — наводиться на цель, — но делающий это безупречно. Это инстинкт, а не интеллект, как у насекомого. Пока вся гонка ИИ спорит о «рассуждающих» моделях, реальному микросолдату нужна не способность мыслить, а зашитая нейроанатомия с готовой последовательностью действий. Для подавляющего большинства боевых задач разум избыточен — хватает ориентации, сноровки и сметливости осы. Цикл «щит и меч» перезапускается на биомимикрии. Чем разрушительнее сила, тем меньший объект выживает — и тем бесполезнее прежние средства обнаружения. Такой аппарат почти не виден обычным радарам; нужен новый щит, целая отрасль контр-обнаружения, которую традиционная ПВО не закрывает. По сути, остаётся акустика — ловить не отражение, а звук. И главное. Настоящая угроза — стирание границы между естественным и искусственным. Если диверсант неотличим от явления природы, рушится сама способность отделить злой умысел от случайности. Дрон, неотличимый от живого комара, переносит эту проблему в разведку: задача «свой/чужой» уступает место задаче «природа или артефакт». Опознать, что это вообще летит, становится важнее, чем сбить. И для аэрологистики с управлением воздушным движением это не абстракция, а будущая повседневность. И ведь всё это уже написано. В 1986 году Станислав Лем в эссе «Системы оружия двадцать первого века, или Эволюция вверх ногами» описал и «синсектов» — искусственных насекомых на поле боя, — и саму «эволюцию вверх ногами», и подмену искусственного интеллекта искусственным инстинктом, и мир, где исчезает различие между естественным и искусственным. Мы, кажется, перечитываем его как техзадание.

RLWRLD совместно с NVIDIA запускает DexBench — инициативу по созданию отраслевых стандартов для AI человекоподобных роботов Компания RLWRLD, специализирующаяся на физическом AI, объявила о сотрудничестве с NVIDIA для создания стандартов нового поколения в области AI для человекоподобных роботов. Инициатива, названная DexBench, направлена на решение ключевой проблемы отрасли — отсутствие единой системы оценки и общих стандартов данных для обучения моделей ловких манипуляций, необходимых для таких задач, как точная сборка, сортировка и упаковка. DexBench будет интегрирован в среду NVIDIA Isaac Lab-Arena, обеспечивая двойную валидацию — в симуляции и в реальных условиях. Бенчмарк определяет пять ключевых областей оценки: разнообразие захвата, пространственная точность, временная точность, точность контакта и контекстная осведомлённость, охватывающие 18 базовых атомарных задач. Метрики базируются на реальных промышленных операциях, что позволит производителям роботов и исследователям впервые получить общий стандарт для оценки производительности. Параллельно RLWRLD совместно с NVIDIA разрабатывает формат данных для тренировки ловких манипуляций, совместимый с пайплайнами Isaac Lab. Этот стандарт призван стать общим интерфейсом для производителей роботов и исследовательских организаций по всему миру. Фундаментальная модель RLWRLD для ловких манипуляций человека RLDX-1 уже показала результаты выше современных моделей, включая NVIDIA GR00T N1.6. Амит Гоел (Amit Goel), глава экосистемы робототехники NVIDIA, назвал RLWRLD одним из ключевых партнёров в физической AI-экосистеме. RLWRLD, основанная в 2024 году со штаб-квартирой в США и офисами в Корее и Японии, стремится стать глобальным лидером в области промышленного робототехнического AI. #news #роботы #AI https://www.prnewswire.com/news-releases/rlwrld-launches-dexbench-initiative-to-define-next-generation-industry-standards-for-humanoid-ai-in-collaboration-with-nvidia-302795350.html

Nvidia и LG Group объединяют усилия в разработке человекоподобных роботов и архитектуре дата-центров Глава Nvidia Дженсен Хуанг (Jensen Huang) и председатель LG Group Ку Кван-мо (Koo Kwang-mo) встретились в Сеуле и объявили о стратегическом партнёрстве двух бигтехов. Основными направлениями сотрудничества станут человекоподобные роботы и архитектура дата-центров. Хуанг подчеркнул, что Nvidia и LG совместно работают над моторными и механическими системами, чтобы интегрировать их в будущее робототехники. Партнёрство также предполагает совместное проектирование центров обработки данных нового поколения. Nvidia, лидирующая в производстве графических процессоров и систем AI, внесёт свой опыт в разработку вычислительных платформ, а LG — в области потребительской электроники и промышленных решений. Это заявление было сделано на полях выставки Computex в Тайбэе, где Хуанг также выступил с ключевой речью. Сотрудничество с LG Group является частью стратегии Nvidia по расширению присутствия в робототехнике и инфраструктурных проектах, что соответствует долгосрочным целям компании в эпоху искусственного интеллекта. #news #роботы #ЦОДы https://www.reuters.com/world/asia-pacific/nvidia-ceo-says-company-is-working-with-lg-humanoid-robots-data-centers-2026-06-08/

Пять ключевых трендов AI в 2026 году: от угрозы для работы до научных открытий и общественного сопротивления MIT Technology Review на фестивале SXSW London представили обзор пяти ключевых тенденций в сфере искусственного интеллекта. Приведём резюме: Первая тема — неопределённость влияния AI на рынок труда. Несмотря на громкие заявления лидеров отрасли, пока нет достаточных данных, чтобы оценить реальные последствия для занятости. Теоретически команды AI-агентов могут автоматизировать офисную работу, подобно тому как конвейеры Генри Форда изменили заводы, но большинство компаний всё ещё находятся на стадии экспериментов. Вторая тема — реальные угрозы, связанные с AI. Дипфейки используются для разжигания насилия, манипуляции выборами и распространения недоверия. По данным исследований, 98% дипфейков являются порнографическими, и 99% из них изображают женщин. Также растёт число судебных исков против компаний, разрабатывающих чат-ботов, в связи с подстрекательством к самоубийствам и членовредительству. Кроме того, AI всё активнее применяется в военных целях, где высока вероятность ошибок из-за спешки. Третья тема — рост общественного недовольства AI. В Лондоне прошли крупные акции протеста с лозунгами «Остановите халтуру!». Разработчики видеоигр теряют награды из-за использования AI. Граждане выступают против строительства центров обработки данных из-за их энергопотребления и роста цен на электричество. Движение QuitGPT набирает обороты, а в некоторых случаях недовольство перерастает в насилие — например, попытка поджога дома Сэма Альтмана. Четвёртая тема — потенциал AI для науки. Google DeepMind разработала инструмент Co-Scientist, помогающий генерировать гипотезы и планировать эксперименты. OpenAI стремится создать полностью автоматизированного исследователя к 2028 году. Математики сообщают о решении сложных задач с помощью AI. Однако учёные предупреждают, что чрезмерная зависимость от AI может сузить круг исследуемых проблем и привести к появлению «научного мусора». Пятая тема — всепроникающий характер AI. Технология становится неизбежной, вызывая как восторг, так и тревогу. Компании продвигают идею неизбежного наступления искусственного интеллекта общего назначения (AGI), но это лишь пропаганда. AI — это технология, и её влияние, сопоставимое с изобретением электричества или интернета, потребует времени для осмысления. Впереди не спринт, но марафон. #news #AI https://www.technologyreview.com/2026/06/09/1138582/five-things-you-need-to-know-about-ai/

Apple CoreAI: новый движок для локального AI на M4 Mac опережает MLX в 2,47 раза на малых моделях, но на 8B параметров почти уступает Apple представила фреймворк CoreAI, призванный заменить устаревший CoreML, который использовался преимущественно для классификации изображений. CoreAI ориентирован на локальный инференс больших языковых моделей и работу на граничных устройствах, поддерживая более гибкие форматы и увеличенное потребление памяти. В отличие от CoreML, CoreAI нацелен на работу с большими моделями, что отражает тренд на внедрение генеративного AI на мобильные устройства. Первые бенчмарки показали, что CoreAI особенно эффективен на малых моделях. При запуске Qwen3 0.6B на M4 Mac скорость декодирования достигла 2,47-кратного превосходства над MLX — фреймворком Apple для машинного обучения, используемым в исследованиях и тонкой настройке. На iPhone 17 Pro аналогичный прирост составил примерно 1,6 раза. Декодирование измерялось в токенах в секунду (tok/s), и чем он выше, тем быстрее пользователь получает ответ. Однако при увеличении размера модели до 8 млрд параметров (Qwen3 8B на M4 Max) преимущество CoreAI снизилось до 5%, что указывает на сближение производительности при росте модели. Кроме того, при длительных нагрузках на iPhone 17 Pro наблюдался тротлинг GPU после продолжительной работы, из-за чего связка CoreML с нейронным движком Apple (ANE) обеспечила более стабильную производительность. Сравнение с альтернативными решениями показывает, что оптимизированные под конкретные модели платформы могут быть эффективнее. Google LiteRT-LM при запуске модели Gemma на iPhone 17 Pro достиг 55,4 tok/s при объёме оперативной памяти всего 641 МБ. Для сравнения, MLX на том же устройстве потреблял 2900 МБ — почти в 4,5 раза больше, что демонстрирует преимущества узкой оптимизации Google. #news #AI #бигтехи https://www.ithome.com/0/962/857.htm