Innovation & Research
Ir al canal en Telegram
5 063
Suscriptores
+424 horas
+397 días
+7930 días
Carga de datos en curso...
Canales Similares
Nube de Etiquetas
Menciones Entrantes y Salientes
---
---
---
---
---
---
Atraer Suscriptores
septiembre '26
septiembre '26
+37
en 9 canales
agosto '26
+97
en 23 canales
Get PRO
julio '26
+138
en 17 canales
Get PRO
junio '26
+325
en 32 canales
Get PRO
mayo '26
+83
en 9 canales
Get PRO
abril '26
+70
en 10 canales
Get PRO
marzo '26
+137
en 15 canales
Get PRO
febrero '26
+161
en 19 canales
Get PRO
enero '26
+145
en 12 canales
Get PRO
diciembre '25
+122
en 13 canales
Get PRO
noviembre '25
+90
en 10 canales
Get PRO
octubre '25
+103
en 11 canales
Get PRO
septiembre '25
+74
en 13 canales
Get PRO
agosto '25
+51
en 9 canales
Get PRO
julio '25
+85
en 17 canales
Get PRO
junio '25
+167
en 12 canales
Get PRO
mayo '25
+153
en 20 canales
Get PRO
abril '25
+146
en 18 canales
Get PRO
marzo '25
+133
en 8 canales
Get PRO
febrero '25
+139
en 8 canales
Get PRO
enero '25
+250
en 7 canales
Get PRO
diciembre '24
+301
en 14 canales
Get PRO
noviembre '24
+97
en 8 canales
Get PRO
octubre '24
+240
en 16 canales
Get PRO
septiembre '24
+119
en 14 canales
Get PRO
agosto '24
+107
en 9 canales
Get PRO
julio '24
+130
en 15 canales
Get PRO
junio '24
+114
en 7 canales
Get PRO
mayo '24
+172
en 5 canales
Get PRO
abril '24
+116
en 4 canales
Get PRO
marzo '24
+189
en 9 canales
Get PRO
febrero '24
+216
en 15 canales
Get PRO
enero '24
+107
en 5 canales
Get PRO
diciembre '23
+77
en 6 canales
Get PRO
noviembre '23
+77
en 4 canales
Get PRO
octubre '23
+69
en 8 canales
Get PRO
septiembre '23
+100
en 0 canales
Get PRO
agosto '23
+103
en 0 canales
Get PRO
julio '23
+94
en 0 canales
Get PRO
junio '23
+45
en 0 canales
Get PRO
mayo '23
+76
en 0 canales
Get PRO
abril '23
+101
en 0 canales
Get PRO
marzo '23
+64
en 0 canales
Get PRO
febrero '23
+81
en 0 canales
Get PRO
enero '23
+62
en 0 canales
Get PRO
diciembre '22
+42
en 0 canales
Get PRO
noviembre '22
+30
en 0 canales
Get PRO
octubre '22
+24
en 0 canales
Get PRO
septiembre '22
+75
en 0 canales
Get PRO
agosto '22
+52
en 0 canales
Get PRO
julio '22
+38
en 0 canales
Get PRO
junio '22
+43
en 0 canales
Get PRO
mayo '22
+39
en 0 canales
Get PRO
abril '22
+137
en 0 canales
Get PRO
marzo '22
+165
en 0 canales
Get PRO
febrero '22
+35
en 0 canales
Get PRO
enero '22
+39
en 0 canales
Get PRO
diciembre '21
+32
en 0 canales
Get PRO
noviembre '21
+47
en 0 canales
Get PRO
octubre '21
+28
en 0 canales
Get PRO
septiembre '21
+128
en 0 canales
Get PRO
agosto '21
+26
en 0 canales
Get PRO
julio '21
+54
en 0 canales
Get PRO
junio '21
+25
en 0 canales
Get PRO
mayo '21
+280
en 0 canales
| Fecha | Crecimiento de Suscriptores | Menciones | Canales | |
| 06 septiembre | +2 | |||
| 05 septiembre | +4 | |||
| 04 septiembre | +6 | |||
| 03 septiembre | +13 | |||
| 02 septiembre | +8 | |||
| 01 septiembre | +4 |
Publicaciones del Canal
| 2 | Крупнейший в мире полностью электрический самолёт X1 впервые поднялся в небо: 23 метра длины и 27 минут полёта
Компания Heart Aerospace, базирующаяся в Лос-Анджелесе, объявила о первом успешном полёте своего демонстратора X1, который стал самым большим полностью электрическим самолётом из когда-либо поднимавшихся в воздух. Аппарат имеет длину 23 м и размах крыла 32 м Полёт состоялся 12 августа 2026 года на высоте 335 м над международным аэропортом Платтсбург в штате Нью-Йорк и продлился 27 минут. Двигательная установка X1 полностью электрическая, её мощность превысила 1 МВт. Для выполнения испытательного полёта FAA выдало специальный сертификат лётной годности.
Основатель и генеральный директор компании Андерс Форслунд (Anders Forslund) заявил, что этот полёт доказал возможность электрического воздушного движения в масштабе коммерческого авиалайнера. X1 представляет собой демонстратор в натуральную величину будущего регионального самолёта ES-30, рассчитанного на 30 пассажиров. ES-30 получит гибридную силовую установку: электродвигатели смогут питаться либо от аккумуляторов, либо от турбогенераторов на топливе, либо от их комбинации. В полностью электрическом режиме дальность составит 200 км, а в гибридном — до 800 км. Крейсерская скорость машины — около 300 км/ч.
Heart Aerospace утверждает, что эксплуатационные расходы нового самолёта будут более чем на 40% ниже, чем у существующих региональных воздушных судов. Это, а также значительное сокращение выбросов CO2, привлекло внимание авиаперевозчиков. United Airlines, Air Canada и JSX подписали письма о намерениях на общую сумму $9,4 млрд. Первый предсерийный экземпляр ES-30 уже находится в разработке, первые лётные испытания запланированы на 2028 год, а ввод в эксплуатацию ожидается в 2031-м.
#news #авиа #энергонезависимость
https://www.ladepeche.fr/2026/08/25/il-mesure-23-metres-de-long-32-metres-denvergure-et-fonctionne-uniquement-avec-des-batteries-le-plus-grand-avion-electrique-realise-son-premier-vol-13521178.php | 391 |
| 3 | Ambient.ai внедряет агентные функции физической безопасности: видеостены с AI-агентом, авторасследования и удвоение плотности видеопотоков
Компания Ambient.ai, специализирующаяся на агентной физической безопасности, объявила о расширении функциональности платформы Ambient Platform. Агентный интеллект теперь встроен в процессы мониторинга, расследований и операционной деятельности служб безопасности.
Ключевым нововведением стали Agentic Video Walls. Встроенный AI-агент непрерывно просматривает все подключённые камеры, выбирает наиболее значимое событие и раз в 60 секунд выводит его на экран оператора с кратким описанием происходящего на естественном языке. По словам технического директора и сооснователя Ambient.ai Викеша Кханна (Vikesh Khanna), запись видео никогда не была главной задачей: сложность в том, чтобы в нужный момент понять, что происходит на объекте.
Второй блок обновлений касается расследований. Case Management превращает разрозненные клипы в единую историю инцидента: операторы фиксируют записи во время отслеживания человека или объекта через Semantic Search, а платформа автоматически создаёт редактируемое текстовое описание с подборкой клипов и метаданных. Готовое дело можно скачать в виде архива или передать через одноразовую ссылку с полным журналом действий. Поиск также стал точнее: совпадения одного человека или автомобиля за пятиминутный интервал группируются в один результат.
Третье направление — масштабирование и экономическая эффективность. Благодаря оптимизации Ambient Foundation количество поддерживаемых видеопотоков на одном устройстве Ambient Edge Appliance увеличилось вдвое. Существующие заказчики получают удвоенную плотность на текущем оборудовании, а для новых объектов требуется вдвое меньше устройств.
Новые возможности будут продемонстрированы на выставке GSX 2026 на стенде Ambient.ai. Компания заявляет, что её платформой пользуются компании из списка Fortune 100 для охраны корпоративных кампусов, центров обработки данных и критической инфраструктуры.
#news #AIагенты #безопасность
https://www.prnewswire.com/news-releases/ambientai-introduces-new-agentic-physical-security-capabilities-for-monitoring-and-investigations-302860139.html | 461 |
| 4 | Мозговой имплант в Южной Корее управляется из Чикаго через интернет: создано IoT-устройство для точечной стимуляции нейронов
Команда KAIST под руководством профессора Чон Джэ-уна (Jae-Woong Jeong) совместно с группой профессора Ким Хва Ён (Wha Young Kim) из Университета Йонсе разработала имплант, объединяющий в одном устройстве микрофлюидную систему для доставки лекарств, микро-светодиоды для оптогенетики, беспроводную связь и интернет-управление. Устройство размером с сахарный кубик не мешает естественному поведению животных. В отличие от традиционных систем, оно позволяет проводить эксперименты без непосредственного присутствия исследователя, что снижает стресс у подопытных и исключает «эффект наблюдателя».
Имплант оснащён магнитным отсоединяемым резервуаром для лекарств, который можно заменять без повторной операции, что позволяет проводить длительные серии экспериментов. Система поддерживает автономную работу по заданному расписанию, а также ручное управление через интернет. В ходе четырехнедельных испытаний на крысах исследователь, находясь в Чикаго, успешно управлял имплантом в Дэчжоне через сеть, подтвердив надёжность на межконтинентальных расстояниях.
В одном из экспериментов имплант вводил вызывающее зависимость вещество в мозг крысы и одновременно стимулировал нейроны светом, что позволило подавить поведенческие реакции, связанные с зависимостью. Это демонстрирует потенциал комбинированного подхода для изучения нейронных цепей. Технология открывает возможности для долговременных исследований в естественных условиях таких состояний, как наркозависимость, депрессия и нейродегенеративные заболевания.
В перспективе подобные устройства могут стать основой интеллектуальных имплантируемых медицинских систем, которые с помощью AI смогут анализировать состояние мозга и точно определять момент для доставки лекарств или стимуляции. Результаты опубликованы 29 июля в журнале Science Advances.
#news #BCI #IoT
https://www.eurekalert.org/news-releases/1141555 | 548 |
| 5 | Навигация без GPS: оптический гироскоп становится чипом
ну чтобы день хорошо закончить, добавлю еще альтернативу оптической навигации. Одна из самых интересных компаний здесь — американский стартап ANELLO Photonics.
Проблема хорошо известна. Маленькие и дешёвые гироскопы, которые стоят практически во всех дронах, постепенно накапливают ошибку. Если GPS заглушен, через некоторое время аппарат начинает всё хуже понимать, где находится. Более точные оптические гироскопы существуют давно, но традиционно они существенно крупнее и дороже.
ANELLO пытается убрать этот разрыв. Компания разработала SiPhOG — оптический гироскоп на основе кремниевой фотоники. Если совсем просто, вращение здесь определяется с помощью света, а значительная часть сложной оптики перенесена на небольшой фотонный чип. Идея — получить точность хорошего оптического гироскопа при размерах, массе и в перспективе стоимости, гораздо более близких к массовой электронике.
Это уже не лабораторный эксперимент. Трёхосевой модуль X3 IMU весит менее 182 граммов и потребляет около 4 Вт. В одном из опубликованных компанией лётных испытаний GPS отключили на участке длиной 740 метров. После примерно 20 минут полёта ошибка на этом участке составила менее 20 метров. Результат интересный, хотя важно подчеркнуть: испытание проводила сама ANELLO, независимой проверки этих цифр пока не хватает.
В 2026 году компания представила и отдельную систему Aerial INS для дронов, VTOL и небольших самолётов. Она объединяет три оптических гироскопа, спутниковую навигацию и собственные алгоритмы, которые должны в том числе обнаруживать подмену GPS.
Технология начинает выходить на рынок. В январе ANELLO получила $20 млн по программе Пентагона для ускорения производства, а в мае привлекла ещё $25 млн инвестиций. Среди инвесторов — Lockheed Martin Ventures. Применения компания видит далеко за пределами дронов: автономные автомобили, сельхозтехника, карьерные машины, морские беспилотники и оборонные системы.
Но есть важное ограничение. ANELLO не решила проблему навигации без GPS окончательно. Любая инерциальная система со временем накапливает ошибку. Новый гироскоп позволяет делать это значительно медленнее, но для длительного автономного полёта всё равно желательно иметь второй независимый источник координат — например, LTE/5G, визуальную или магнитную навигацию.
www. anellophotonics.com (если что, сайт не откроется, так как они нас блокируют…)
И вот здесь технология становится особенно интересной для небольших БПЛА. 182 грамма оставляют большой запас в нашем ограничении навигационного блока до 1 кг. В один блок потенциально можно поместить оптическую инерциальную систему, LTE-навигацию, барометр и вычислитель.
Много говорят о том, что революцию в навигации без GPS принесут квантовые сенсоры. Возможно, всё произойдёт несколько прозаичнее.
Сначала обычный оптический гироскоп превратится в чип. И этого уже может оказаться достаточно, чтобы существенно изменить автономную навигацию дронов.
Мне этот вариант кажется ближе к вашему обычному формату: технология понятна без объяснения эффекта Саньяка, но цифры и главный технологический смысл сохранены. | 585 |
| 6 |  Навигация без спутников становится обязательной функцией дрона
Испанская UAV Navigation–Grupo Oesía обновила визуальную навигационную систему VNS01, предназначенную для полётов при подавлении или подмене сигналов GNSS. Важно, что речь идёт не о новом приборе, а о программном обновлении уже существующей платформы: к визуальной одометрии добавлены сопоставление с космическими снимками и навигация по рельефу.
Система объединяет четыре механизма:
— Visual Odometry определяет перемещение аппарата по последовательности кадров;
— Template Matching сопоставляет изображение с материалами предыдущих полётов по известному маршруту;
— Satellite Map Matching находит на кадрах дороги, реки, береговые линии и другие ориентиры, сверяя их с загруженными спутниковыми снимками;
— Terrain Referenced Navigation сопоставляет измеряемый профиль высоты с цифровой моделью рельефа.
Это принципиально важная архитектура. Визуальная одометрия только замедляет накопление ошибки, тогда как картографическая привязка и TRN периодически дают абсолютную координатную коррекцию. Поэтому ошибка не растёт непрерывно вместе с дальностью полёта.
Характеристики VNS01:
— габариты — 22 × 46 × 77 мм;
— масса — 100 г;
— энергопотребление — 5 Вт;
— питание — 9–36 В;
— внутренняя память — 5 Гбайт;
— диапазон температур — от −20 до +85 °C;
— корпус из алюминиевого сплава 6082;
— заявлено соответствие конструкции уровню IP67;
— интерфейсы — CAN 2.0B, RS-232 и Ethernet 100BASE-TX;
— предназначена для малых и средних БПЛА категорий NATO I и II и интегрируется прежде всего с автопилотами семейства VECTOR.
Без визуальной системы автопилот VECTOR, по данным разработчика, накапливает ошибку примерно 4% пройденного расстояния — это 400 м после 10 км. На заранее отснятой местности компания заявляет практически нулевой дрейф. На ранее не обследованных маршрутах, но при наличии загруженных спутниковых снимков и цифровой модели рельефа, ошибка в благоприятных условиях удерживается примерно в пределах 30 м независимо от дальности полёта. Это именно ограничение дрейфа, а не гарантированная точность 30 м в любых условиях.
К заявлениям пока стоит относиться осторожно. Производитель не публикует распределение ошибки, высоты и скорости испытаний, характеристики камеры и результаты независимой верификации. Сопоставление изображений ухудшается над водой, снегом, лесом, полями и при сезонном изменении ландшафта, а TRN малоэффективна над равнинной местностью. Тридцати метров достаточно для маршрутного полёта, но недостаточно для точной посадки или работы рядом с препятствиями.
Для России технологическая важность решения очень высокая, а закупочная ценность самого VNS01 — почти нулевая. Это испанский продукт, разработанный для систем стран НАТО. Но как ориентир для отечественных разработок он чрезвычайно показателен.
России нужна не очередная отдельная нейросеть для привязки кадров, а собственный серийный навигационный модуль аналогичного класса: камера, инерциальная система, визуальная одометрия, локальное и глобальное сопоставление с картой, TRN и единый фильтр слияния данных. Причём с отечественными вычислителями и картографическими данными, работой до −40 °C и тестированием над лесом, снегом, водой, сельскохозяйственными территориями и городской застройкой.
Такой модуль нужен не только военным аппаратам. Он критически важен для мониторинга трубопроводов и ЛЭП, лесной и пожарной разведки, аэрологистики, поисково-спасательных операций и полётов в Арктике. Рост числа случаев подавления и спуфинга GNSS уже заставил авиационные регуляторы говорить не о восстановлении спутниковой навигации, а об общей навигационной устойчивости.
VNS01 хорошо показывает направление развития отрасли: GNSS постепенно превращается из единственного источника координат в один из сенсоров. По-настоящему автономный дрон должен понимать, где он находится, даже когда небо перестало ему об этом сообщать. | 1 033 |
| 7 | https://www.nature.com/articles/d41586-026-02761-5 | 435 |
| 8 | NVIDIA представила агентный конвейер COMPASS для обучения межплатформенных навигационных политик роботов на примере Boston Dynamics Spot
Процесс на основе фреймворка COMPASS (Cross-Embodiment Mobility Policy via Residual RL and Skill Synthesis) предназначен для обучения и переноса навигационных политик роботов. Вместо ручной настройки для каждой пары «робот-среда» разработчик задаёт робота, источник сцены и цель, а кодирующий агент Codex автоматизирует проверку зависимостей, подготовку ассетов, smoke-тесты, запуск обучения, диагностику сбоев и сравнение чекпойнтов. Ключевые этапы контролируются человеком: приёмка сцены, однокомпонентный smoke-тест и продвижение чекпойнта.
В основе COMPASS лежит политика NVIDIA X-Mobility. Методом residual RL обучается специализированная политика, корректирующая базовые действия вместо переучивания навигации с нуля; данные от нескольких специалистов могут дистиллироваться в общую межплатформенную политику. Эталонный сценарий построен на роботе Boston Dynamics Spot. Доступны три источника сцен: встроенный склад combined_multi_rack, набор сгенерированных помещений SAGE-10K и реконструкция среды через NVIDIA Omniverse NuRec.
Рабочий процесс включает шесть шагов: настройку агентного окружения, выбор и подготовку сцены, проверку интеграции робота и сцены, обучение остаточного специалиста, оценку чекпойнтов по стандартным метрикам COMPASS (доля достижения цели, частота падений, время движения) и подключение политики к ROS 2. Если робот не предоставляет совместимую одометрию, применяется библиотека cuVSLAM. Во время инференса кодирующий агент не участвует: экспортированная политика работает в рантайме.
Для воспроизведения нужны Ubuntu 22.04 или 24.04, от 32 ГБ ОЗУ, GPU NVIDIA RTX с 16 ГБ видеопамяти, драйвер Linux 580.95.05, Isaac Sim 6.0, Isaac Lab 3.0, Docker Engine 24+ и доступ к gated-репозиториям nvidia/COMPASS и nvidia/X-Mobility на Hugging Face. Порог успеха не универсален: итоговое решение о продвижении чекпойнта остаётся за человеком.
#news #роботы #AIагенты
https://developer.nvidia.com/blog/how-to-train-a-cross-embodiment-robot-navigation-policy-with-ai-agents/ | 630 |
| 9 | Будущее без джунов может стать будущим без сеньоров
IEEE Spectrum пишет о том, что ИИ может автоматизировать не только работу, но и сам процесс формирования специалистов. Экспертиза не загружается в голову в готовом виде. Она возникает через простые задачи, неудачные сборки, долгую отладку и попытки понять, почему система неожиданно заработала. Если ИИ избавит начинающих инженеров от этого опыта, они смогут контролировать модель формально, но не приобретут интуиции, позволяющей заметить её уверенную и потенциально катастрофическую ошибку.
Неэффективность по замыслу. Более десяти лет назад автор колонки руководил проектированием полностью цифровой системы управления для американской атомной электростанции. В нём использовался важный принцип: некоторые операции намеренно оставили ручными, хотя автоматика могла выполнять их сама. Оператор, который годами лишь наблюдает за автоматикой, постепенно теряет практические навыки и ясное представление о работе системы. Но автоматика возвращает ему управление именно тогда, когда сама столкнулась с необычной или опасной ситуацией. Поэтому ручные этапы были не техническим недочётом, а способом сохранять человеческую компетенцию.
Другой урок дает катастрофа рейса Air France 447 в 2009 году. После того как датчики воздушной скорости начали выдавать противоречивые показания, автопилот отключился и передал управление экипажу. Митчелл описывает дальнейшее развитие событий как не только технический, но и «отказ компетенции»: пилоты не смогли правильно распознать сваливание на большой высоте и вручную вывести самолёт из ещё обратимой ситуации.
В этом и состоит парадокс автоматизации: машина превосходит человека в штатных режимах, лишая его практики, но оставляет ему самые редкие и сложные случаи. Авиация не стала отказываться от автопилотов. Вместо этого FAA в 2017 году призвало авиакомпании поддерживать навыки ручного пилотирования, а некоторые перевозчики, как пишет Митчелл, стали поощрять ручное управление на отдельных этапах полёта в безопасных условиях. Небольшой проигрыш в эффективности оказался платой за сохранение способности действовать в критической ситуации.
IEEE приводит несколько тревожных исследований Гарварда и Стенфорда, которые показывают сокращение занятости молодых специалистов (22-25 лет) выше 9% в профессиях, наиболее подверженных воздействию ИИ. Причём изменения происходят преимущественно через сокращение найма.
Существенную часть падения найма джунов может объяснять не ИИ, а удалённая работа: начинающих сотрудников сложнее обучать на расстоянии: они меньше наблюдают за старшими коллегами, получают меньше неформальной обратной связи и дороже обходятся организации. Однако, эта оговорка не отменяет тезис Митчелла. ИИ может забирать задачи, на которых приобретается опыт, а удалёнка — ослаблять передачу опыта от старших к младшим. В обоих случаях под давлением оказывается один и тот же механизм ученичества.
Митчелл предлагает создавать обязательные ручные этапы внутри процессов, в целом усиленных ИИ. Например, при обнаружении дефекта в критическом модуле джуниор сначала без ассистента должен воспроизвести ошибку, найти первопричину и написать тест. Только после собственной диагностики подключается модель: предлагает исправления, альтернативы и ищет похожие дефекты.
Это не призыв отказаться от ИИ. Это предложение защищать некоторые виды «неэффективной» работы как критическую инфраструктуру.
Иногда рутина это не издержка производства, а инвестиция в производство будущих экспертов. | 2 128 |
| 10 | Это предложение защищать некоторые виды «неэффективной» работы как критическую инфраструктуру. Это очень похоже на предложение Билла Гейтса не передавать часть работы машинам.
Иногда рутина это не издержка производства, а инвестиция в производство будущих экспертов. | 1 |
| 11 | Будущее без джунов может стать будущим без сеньоров
В IEEE Spectrum вышла колонка системного инженера Ричарда Митчелла о риске, который почти не виден в отчётах о производительности: ИИ может автоматизировать не только работу, но и сам процесс формирования специалистов.
Экспертиза не загружается в голову в готовом виде. Она возникает через простые задачи, неудачные сборки, долгую отладку и попытки понять, почему система неожиданно заработала. Если ИИ избавит начинающих инженеров от этого опыта, они смогут контролировать модель формально, но не приобретут интуиции, позволяющей заметить её уверенную и потенциально катастрофическую ошибку.
Неэффективность по замыслу. Более десяти лет назад Митчелл руководил проектированием полностью цифровой системы управления для американской атомной электростанции. В нём использовался важный принцип: некоторые операции намеренно оставили ручными, хотя автоматика могла выполнять их сама.
Логика была простой. Оператор, который годами лишь наблюдает за автоматикой, постепенно теряет практические навыки и ясное представление о работе системы. Но автоматика возвращает ему управление именно тогда, когда сама столкнулась с необычной или опасной ситуацией. Поэтому ручные этапы были не техническим недочётом, а способом сохранять человеческую компетенцию.
Урок авиации. Главный пример Митчелла — катастрофа рейса Air France 447 в 2009 году. После того как датчики воздушной скорости начали выдавать противоречивые показания, автопилот отключился и передал управление экипажу. Митчелл описывает дальнейшее развитие событий как не только технический, но и «отказ компетенции»: пилоты не смогли правильно распознать сваливание на большой высоте и вручную вывести самолёт из ещё обратимой ситуации.
В этом и состоит парадокс автоматизации: машина превосходит человека в штатных режимах, лишая его практики, но оставляет ему самые редкие и сложные случаи. Авиация не стала отказываться от автопилотов. Вместо этого FAA в 2017 году призвало авиакомпании поддерживать навыки ручного пилотирования, а некоторые перевозчики, как пишет Митчелл, стали поощрять ручное управление на отдельных этапах полёта в безопасных условиях. Небольшой проигрыш в эффективности оказался платой за сохранение способности действовать в критической ситуации. Об этом писал Станислав Лем в рассказе «Дознание пилота Пиркса», если кто читал.
Что происходит с джунами. IEEE приводит несколько тревожных исследований. Согласно статье Гарварда, после внедрения генеративного ИИ занятость младших специалистов в компаниях за шесть кварталов снизилась примерно на 9% относительно сопоставимых фирм, не внедривших технологию. Анализ Стэнфорда не обнаруживает массового вытеснения работников во всей экономике, но показывает заметное отставание молодых сотрудников 22–25 лет в профессиях, наиболее подверженных воздействию ИИ. Причём изменения происходят преимущественно через сокращение найма, а не увольнения, и особенно выражены там, где ИИ заменяет человеческие задачи, а не дополняет человека. Сами исследователи подчёркивают: пока это описательные признаки, а не доказательство причинности.
Ряд исследований говорит о том, что существенную часть падения найма джунов может объяснять не ИИ, а удалённая работа: начинающих сотрудников сложнее обучать на расстоянии: они меньше наблюдают за старшими коллегами, получают меньше неформальной обратной связи и дороже обходятся организации. Однако, эта оговорка не отменяет тезис Митчелла. ИИ может забирать задачи, на которых приобретается опыт, а удалёнка — ослаблять передачу опыта от старших к младшим. В обоих случаях под давлением оказывается один и тот же механизм ученичества.
Митчелл предлагает создавать обязательные ручные этапы внутри процессов, в целом усиленных ИИ. Например, при обнаружении дефекта в критическом модуле джуниор сначала без ассистента должен воспроизвести ошибку, найти первопричину и написать тест. Только после собственной диагностики подключается модель: предлагает исправления, альтернативы и ищет похожие дефекты.
Это не призыв отказаться от ИИ. | 1 |
| 12 | Будущее без джунов может стать будущим без сеньоров
Темой занятости молодежи (и линейно связанной с ней социальной стабильностью) мы озабочены давно и писали здесь и здесь.
Но есть проблема, о которой напомнила вышедшая в IEEE Spectrum вышла колонка о риске, который почти не виден в отчётах о производительности труда: ИИ может автоматизировать не только работу, но и сам процесс формирования специалистов.
Экспертиза не загружается в голову в готовом виде. Она возникает через простые задачи, неудачные сборки, долгую отладку и попытки понять, почему система неожиданно заработала (помните, problem solving?). Если ИИ избавит начинающих инженеров от этого опыта, они смогут контролировать модель формально, но не приобретут интуиции, позволяющей заметить её уверенную и потенциально катастрофическую ошибку.
Неэффективность по замыслу. Более десяти лет назад автор колонки, системный инженер Ричард Митчелл руководил проектированием полностью цифровой системы управления для американской атомной электростанции. Проект в итоге не был реализован, однако в нём использовался важный принцип: некоторые операции намеренно оставили ручными, хотя автоматика могла выполнять их сама.
Логика была простой. Оператор, который годами лишь наблюдает за автоматикой, постепенно теряет практические навыки и ясное представление о работе системы. Но автоматика возвращает ему управление именно тогда, когда сама столкнулась с необычной или опасной ситуацией. Поэтому ручные этапы были не техническим недочётом, а способом сохранять человеческую компетенцию.
Урок авиации. Главный пример Митчелла — катастрофа рейса Air France 447 в 2009 году. После того как датчики воздушной скорости начали выдавать противоречивые показания, автопилот отключился и передал управление экипажу. Митчелл описывает дальнейшее развитие событий как не только технический, но и «отказ компетенции»: пилоты не смогли правильно распознать сваливание на большой высоте и вручную вывести самолёт из ещё обратимой ситуации.
В этом и состоит парадокс автоматизации: машина превосходит человека в штатных режимах, лишая его практики, но оставляет ему самые редкие и сложные случаи. Авиация не стала отказываться от автопилотов. Вместо этого FAA в 2017 году призвало авиакомпании поддерживать навыки ручного пилотирования, а некоторые перевозчики, как пишет Митчелл, стали поощрять ручное управление на отдельных этапах полёта в безопасных условиях. Небольшой проигрыш в эффективности оказался платой за сохранение способности действовать в критической ситуации. Об этом писал Станислав Лем в рассказе «Дознание пилота Пиркса», если кто читал.
Что происходит с джунами. IEEE приводит несколько тревожных исследований. Согласно рабочей статье Гарварда, после внедрения генеративного ИИ занятость младших специалистов в компаниях за шесть кварталов снизилась примерно на 9% относительно сопоставимых фирм, не внедривших технологию. Анализ Стэнфорда не обнаруживает массового вытеснения работников во всей экономике, но показывает заметное отставание молодых сотрудников 22–25 лет в профессиях, наиболее подверженных воздействию ИИ. Причём изменения происходят преимущественно через сокращение найма, а не увольнения, и особенно выражены там, где ИИ заменяет человеческие задачи, а не дополняет человека. Сами исследователи подчёркивают: пока это описательные признаки, а не доказательство причинности.
Здесь важна альтернативная точка зрения. Financial Times разбирает работу Питера Джона Ламберта и Янника Шиндлера, согласно которой существенную часть падения найма джунов может объяснять не ИИ, а удалённая работа. Начинающих сотрудников сложнее обучать на расстоянии: они меньше наблюдают за старшими коллегами, получают меньше неформальной обратной связи и дороже обходятся организации. В анализе авторов связь между подверженностью профессии ИИ и сокращением найма исчезает после учёта того, насколько эта работа подходит для удалённого формата. При этом исследование не исключает самостоятельного влияния ИИ.
Эта оговорка не отменяет тезис Митчелла. | 1 |
| 13 | ИИ может забирать задачи, на которых приобретается опыт, а удалёнка лишь ослабляет передачу опыта от старших к младшим. В обоих случаях под давлением оказывается один и тот же механизм ученичества.
Что делать. Митчелл предлагает создавать обязательные ручные этапы внутри процессов, в целом усиленных ИИ. Например, при обнаружении дефекта в критическом модуле джуниор сначала без ассистента должен воспроизвести ошибку, найти первопричину и написать тест. Только после собственной диагностики подключается модель: предлагает исправления, альтернативы и ищет похожие дефекты.
Это не призыв отказаться от ИИ. Это предложение защищать некоторые виды «неэффективной» работы как критическую инфраструктуру. Это очень похоже на предложение Билла Гейтса не передавать часть работы машинам.
Иногда рутина это не издержка производства, а инвестиция в производство будущих экспертов. | 1 |
| 14 | Джун | 1 |
| 15 | Персональный ИИ начинается с ушей
Meta представила Muse Voice Transcribe — первую модель восприятия аудио в реальном времени от Meta Superintelligence Labs. Формально это очередная система speech-to-text. По сути — сенсорный слой для персонального ИИ, который должен не просто слышать команду, а понимать происходящий вокруг разговор.
В одной модели объединены потоковое распознавание речи, диаризация — определение, кто именно говорит, — и endpointing: понимание, когда человек закончил реплику. Muse способна в реальном времени различать более 20 собеседников, работать с аудио длиннее часа, обучена более чем на 70 языках, из которых 25 тщательно проверены, и распознаёт переключение между языками даже внутри одного предложения.
Главная техническая идея в adaptive delay. Аудио поступает фрагментами по 80 миллисекунд, а модель сама решает, уже выводить слово или ещё немного послушать. С помощью обучения с подкреплением она балансирует точность и задержку. По данным Artificial Analysis на 1 сентября, Muse заняла первое место в потоковом распознавании: 3,1% ошибочно распознанных слов и финальный текст примерно через 0,16 секунды после окончания речи.
Модель уже встроена в Meta AI для Mac и Muse Code и доступна через API по цене $0,18 за час аудио. За шесть дней до этого Google представила Gemini 3.5 Transcribe. Похоже, начинается новая гонка — не столько за лучшую «диктовку», сколько за слуховой интерфейс для агентов, умных очков и компьютеров.
Сегодня голосовой помощник ждёт команды. Завтра агент будет слышать всю беседу, различать участников, знать имена, термины и контекст и понимать, когда ему следует вмешаться. Это одновременно делает интерфейс естественнее, но резко повышает требования к приватности.
Большие модели уже научились говорить. Теперь их учат слушать. | 727 |
| 16 | ИИ может создать дефицит разнообразия: человек с ИИ станет умнее, но все вместе — более одинаковыми
Почти год назад в интервью для Science.Mail.ru я предупреждал об опасности «усредненного» мышления, которое стимулируется машинами, натренированными давать самый вероятный ответ. Это были лишь мысли философа. Но постепенно появляются данные, которые подтверждают реальность этого риска.
В свежем материале Nature Bland new world: is AI making us all think the same? Мэттью Хатсон собрал результаты целого ряда исследований о том, как генеративный ИИ постепенно усредняет культуру и мышление. С помощью ИИ каждый из нас может получить более оригинальный результат, но результаты разных людей становятся похожими друг на друга. Помните прекрасный сериал Pluribus? Вот ровно оно. Только без пришельцев.
В одном из экспериментов 22 языковые модели предложили идеи, которые оказались немного оригинальнее человеческих, однако ответы моделей были гораздо менее разнообразными. В других исследованиях рассказы, написанные с подсказками ИИ, оценивались как более интересные, а идеи на мозговых штурмах — как более креативные. Но и тексты, и идеи участников сближались между собой. ИИ повышал средний уровень, но снижал разнообразие идей и мнений.
Похожие процессы уже заметны за пределами лабораторий. Анализ более 400 тысяч научных статей показал, что после появления ChatGPT число публикаций на одного автора выросло, но одновременно увеличилось сходство их содержания и языка. А участники ещё одного эксперимента даже через два месяца после работы с ИИ продолжали давать более похожие ответы. Исследователи назвали это «креативным шрамом».
Генеративные модели обучены на огромном разнообразии человеческой культуры. Но их ответ — это, как правило, наиболее вероятная последовательность. Они хорошо воспроизводят среднее и плохо сохраняют то, что я называю избыточным разнообразием: странные, неудобные и маловероятные гипотезы, одна из которых иногда оказывается единственно верной.
В интервью я сформулировал это так: AI как экзоскелет или «велосипед для мозга» — это хорошо. Но AI, который заменяет процесс мышления, — путь к умственной атрофии. Когда мы передаём модели не только оформление, но и сам выбор идей, картина мира становится слишком плоской.
Проблема в том, что мы не замечаем момента, когда это происходит. В автономных системах есть проблема hand-off — передачи управления от машины человеку. Но когда речь идёт о такой тонкой вещи, как мышление, момент передачи важнейшей функции легко пропустить. Это идея моя — или уже машины?
У проблемы две стороны. Первая — риск потери субъектности. Вторая — дефицит разнообразия. Nature показывает, как второй риск проявляется в экспериментах: через усреднение языка, идей, культурных различий и даже убеждений.
Но не всё так плохо. Та же статья в Nature предлагает несколько рецептов: правильные промпты, стимулирование моделей давать не один правильный ответ, а несколько несовместимых гипотез. Требовать контраргументы, искать маловероятные решения, сохранять собственный голос — и хотя бы первый набросок мысли делать самостоятельно. Nature пишет и о подходах, которые вознаграждают модели не только за качество, но и за отличие ответов друг от друга.
Есть и оптимисты. Ряд исследователей, признавая факт усреднения, по сути пожимают плечами: «А что тут такого? Переживём и это». В конце концов, культуры исторически оказываются довольно устойчивыми к полной гомогенизации, а люди сами стремятся выделяться и искать собственные ниши.
Может, и переживём.
Но что, если «заточка» моделей под определённые ценности будет сказываться на разнообразии их ответов? В этом случае LLM-ки могут стать одним из самых эффективных способов сделать всех более или менее одинаковыми.
Кажется, в такой ситуации лучшей стратегией будет оставаться разнообразными самим собой, невзирая на любое давление. | 816 |
| 17 | Microsoft Aion: новая операционная система без меню «Пуск» и рабочего стола, полностью управляемая через Copilot
По данным издания Windows Latest, которое обнаружило материалы в Discord-сервере BetaWiki, Microsoft продолжает разработку Project Aion — «интеллектуальной агентной операционной системы» для новых AI-устройств. Система, известная внутри компании как Copilot OS, была начата в 2024 году и нацелена в первую очередь на корпоративный сегмент. Она может работать на устройствах, поддерживающих AOSP, Win3 и Windows 11.
Aion построена на базе браузера Microsoft Edge и облегчённой веб-версии кодовой базы Windows. В интерфейсе нет ни меню «Пуск», ни значков рабочего стола, ни традиционной панели задач. Вместо этого пользователь нажимает кнопку Copilot, после чего появляется приветствие и три карточки: «Stay on Top», «Create something new» и «News of the day». Ниже находится раздел «My Stuff» с приложениями Edge, Teams, Outlook, OneDrive, Microsoft 365, Figma и Visual Studio Code.
Утечка демонстрирует автоматическое дополнение ввода: например, запрос «techc» предлагает открыть TechCrunch, а «to do» вызывает Microsoft To Do во всплывающем окне. Каждый диалог превращается в отдельное приложение с собственной иконкой на панели задач; закрытые беседы сохраняются в «My Stuff». Функция Spaces группирует задачи по целям — на скриншотах показано пространство «TURKEY TRIP» для планирования поездки в Турцию.
Aion также умеет искать информацию в SharePoint и почте. Набор команды «/» активирует функцию Context IQ, подтягивающую контекст из Microsoft 365. При создании письма открывается редактор в стиле Outlook с выбором тона: Casual, Professional, Funny или Undead Pirate Captain; отправка происходит без запуска Outlook.
#news #AI #ОС
https://www.ithome.com/0/993/798.htm | 603 |
| 18 | XPRIZE раздал $10 млн на десять способов продлить здоровую жизнь
XPRIZE Healthspan вошёл в решающую клиническую фазу: из 20 финалистов десять команд получили по $1 млн и доступ к общей инфраструктуре испытаний. Это пока не окончательные победители, а обладатели Milestone 2 Award, которым предстоит доказать, что их вмешательство продолжительностью не более года способно вернуть людям старшего возраста минимум десять лет мышечной, когнитивной и иммунной функции; главный приз размером до $81 млн разыграют в 2030 году.
Кто такие десять получателей премии второго этапа? Коротко о каждом.
1. AgelessRx проверяет «стек» из девяти уже известных препаратов и добавок, включая низкие дозы рапамицина, метформина и тирзепатида, вместе с силовыми тренировками, медитацией и дистанционным коучингом.
2. Goda Lab создала «суперэкзосомы», поверхность которых химически модифицирована ионами лантаноидов, чтобы точнее находить стареющие клетки и доставлять в повреждённые ткани регенеративные молекулы.
3. Johns Hopkins–Suninflam выводит на испытания SIF001 — моноклональное антитело к галектину-3, предназначенное для подавления хронического воспаления и связанных с ним фиброза, иммунной дисфункции и повреждений мозга.
4. Longeveron использует laromestrocel, или Lomecel-B, — аллогенные мезенхимальные стволовые клетки из костного мозга молодых доноров, которые должны уменьшать воспаление и поддерживать восстановление тканей и сосудов.
5. Minicircle тестирует невирусную плазмидную генную терапию с генами фоллистатина и клото, временно заставляющую клетки вырабатывать белки, связанные с поддержанием мышечной массы, обмена веществ и когнитивных функций.
6. Mitochondrial All Stars перепрофилирует эламипретид — пептид, связывающий кардиолипин внутренней мембраны митохондрий и призванный стабилизировать клеточные «энергостанции» и производство энергии.
7. NYC-Vita из Mount Sinai сочетает низкие дозы рапамицина и спермидин с интервальными и силовыми тренировками, пытаясь перенастроить стареющую иммунную систему и уменьшить системное воспаление.
8. RETRO-EPIGERNA превратила возрастные изменения химических меток транспортной РНК в терапевтическую мишень и разработала на этой основе продукт из активных компонентов традиционной китайской медицины.
9. RPRGAON–Progeria тестирует Progerinin — пероральную малую молекулу, блокирующую вредное взаимодействие прогерина с ламином A и переносящую механизм терапии редкой детской прогерии на обычное возрастное старение.
10. TIME TRAVELER – Plant-EVs развивает пищевую добавку с растительными внеклеточными везикулами из петрушки, уже проверенную в небольшом исследовании на людях и теперь переходящую к более масштабным испытаниям.
Это не десять вариантов одной «таблетки от старости», а десять конкурирующих представлений о природе старения. Для одних это хроническое воспаление, для других — поломка митохондрий, истощение регенеративных клеток, нарушение регуляции генов или системный сбой, требующий сразу нескольких вмешательств.
XPRIZE пытается вытащить индустрию долголетия из мира отдельных биомаркеров и красивых обещаний в пространство сопоставимых клинических результатов: силы мышц, работы мозга и иммунной функции.
Пока ни один из перечисленных подходов нельзя считать доказанным способом омоложения человека. Финальные испытания продлятся с 2026 по 2029 год — и только в 2030-м станет ясно, сумел ли кто-нибудь действительно отмотать функциональный возраст хотя бы на десять лет.
https://www.xprize.org/news/10-finalist-teams-awarded-1m-to-advance-in-xprize-healthspan-101-million-race-to-transform-healthy-aging/?utm_source=XPRIZE+Opt-in+Mailing+List&utm_campaign=96cb70aeb5-260831-xchange_opt-in&utm_medium=email&utm_term=0_-23bc67d98b-389467489 | 727 |
| 19 | Anthropic представила стандарт MHS и впервые публично вышла в сферу физического AI
Anthropic представила в формате исследовательского предварительного релиза стандарт Model Hardware Standard (MHS). Это первое публичное вхождение компании в сферу физического AI (Physical AI). MHS представляет собой унифицированный протокол связи и управления, который позволяет AI-агентам взаимодействовать с устройствами, оснащёнными программируемыми интерфейсами. По замыслу разработчиков, стандарт должен играть роль «переводчика» между искусственным интеллектом и разнородным оборудованием.
Под физическим AI понимаются системы, способные воспринимать физический мир, выполнять в нём сложные действия и обучаться на основе получаемого опыта. В отличие от традиционного AI, работающего с текстом, изображениями или аудио, такой AI получает «тело»: это могут быть беспилотные автомобили, складские роботы, промышленные манипуляторы или человекоподобные роботы.
В демонстрационных материалах Anthropic показано, как AI-агент одновременно управляет микроскопами, жидкостными процессорами, роботизированными манипуляторами и квантовыми вычислительными устройствами, почти без участия человека. В раннем закрытом тестировании MHS показал значительное ускорение рабочих процессов в биомедицине, квантовых вычислениях и передовом производстве.
#news #AI #PhysicalAI
https://www.ithome.com/0/995/514.htm | 949 |
| 20 | «Люди, не знающие, о чем мечтали в прошлом, вряд ли способны составить элементарное представление о будущем».
Артур Кларк
Проверка будущего
Мы взяли 15 влиятельных прогнозных докладов, опубликованных в 2002–2006 годах, и проверили, насколько точно они описали мир 2020–2027 годов.
В выборку вошли работы Римского клуба, NIC, RAND, Shell, World Economic Forum, Cisco и Economist Intelligence Unit, McKinsey Global Institute, Goldman Sachs, IEA, Millennium Project, Institute for the Future и других организаций.
Главный результат исследования парадоксален: будущее довольно хорошо предсказали по функциям — и значительно хуже по конкретной форме.
Прогнозисты верно заметили смещение экономического центра к Китаю и Индии, массовое распространение беспроводной связи, сенсоров и цифровых сервисов, эрозию приватности, старение населения, рост энергетического спроса в Азии и возвращение геополитической фрагментации.
NIC почти буквально описал пандемию как событие, способное вызвать миллионы смертей, остановить путешествия и торговлю и перегрузить национальные системы здравоохранения.
Римский клуб оказался прав не в популярной карикатуре про «точную дату конца света», а в более глубоком тезисе: человечество вошло в режим экологического overshoot, а политическая реакция на системные ограничения хронически запаздывает.
Сценарии WEF для Китая и Индии тоже показали свою ценность. Реальность не повторила ни один из них целиком, но оказалась смесью заранее описанных режимов: открытой глобальной интеграции, регионализации, внутреннего спроса, быстрого роста и сохраняющегося неравенства.
Практически никто не увидел главную технологическую архитектуру нашей эпохи:
смартфон + облако + цифровая платформа + глубокое обучение.
Предсказывались отдельные элементы — мобильная связь, сенсоры, программные агенты, видео, персонализация, носимые устройства. Но почти никто не собрал их в единый стек и не увидел, что контроль над клиентом и основной экономической рентой получат платформы, облачные компании и владельцы операционных систем.
Особенно часто ошибались в выборе технологического носителя. Декарбонизация транспорта пришла через аккумуляторный электромобиль, а не через массовую водородную машину. Цифровая зависимость — через смартфоны и социальные сети, а не через VR-костюмы. Квантовая защита — прежде всего через постквантовые алгоритмы, а не через повсеместные квантовые сети.
Физическому миру вообще ошибочно приписывали скорость программного обеспечения. Универсальные домашние роботы, искусственные органы, brain upload, космические электростанции и лифты на орбиту распространяются совсем не так, как приложения и нейросети.
Отдельно интересен Cisco. Cisco очень точно увидела broadband, домашний Wi-Fi, IP-видео, подключенные приборы, мобильные команды, удаленную совместную работу и персонализацию.
Но компания переоценила роль самой сети. Сеть стала необходимой — и почти невидимой инфраструктурой. Отношения с клиентом и значительную часть ренты забрали смартфонные экосистемы, облака, маркетплейсы и цифровые платформы.
McKinsey Global Institute лучше многих переводил большие тренды в конкретные механизмы: домохозяйства, категории расходов, профессии, навыки, сбережения и поведение поколений.
MGI точно увидел рост китайского городского среднего класса, и демографическое давление на развитые экономики. Но переоценил скорость китайской урбанизации и недооценил влияние цен активов, политики и технологических платформ.
Главный урок для любого друго будущего форсайта-2050. Нужно прогнозировать не один «победивший» продукт, а:
— функцию, которую предстоит реализовать;
— несколько конкурирующих технологических носителей;
— стоимость и производственные ограничения;
— инфраструктуру, регулирование и ответственность;
— бизнес-модель и распределение ренты;
— ранние сигналы перехода между сценариями.
Старые прогнозы лучше отвечали на вопрос «куда движется мир?», чем на вопросы «когда именно?», «в какой форме?» и «кто получит власть и деньги?».
Полный разбор 15 докладов — в приложенном исследовании «Проверка будущего». | 1 194 |
