Innovation & Research
رفتن به کانال در Telegram
4 855
مشترکین
+724 ساعت
+1597 روز
+27430 روز
در حال بارگیری داده...
کانالهای مشابه
ابر برچسبها
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
ژوئن '26
ژوئن '26
+302
در 29 کانالها
مه '26
+83
در 8 کانالها
Get PRO
آوریل '26
+70
در 9 کانالها
Get PRO
مارس '26
+137
در 14 کانالها
Get PRO
فوریه '26
+161
در 18 کانالها
Get PRO
ژانویه '26
+145
در 11 کانالها
Get PRO
دسامبر '25
+122
در 12 کانالها
Get PRO
نوامبر '25
+90
در 10 کانالها
Get PRO
اکتبر '25
+103
در 11 کانالها
Get PRO
سپتامبر '25
+74
در 13 کانالها
Get PRO
اوت '25
+51
در 9 کانالها
Get PRO
ژوئیه '25
+85
در 17 کانالها
Get PRO
ژوئن '25
+167
در 12 کانالها
Get PRO
مه '25
+153
در 20 کانالها
Get PRO
آوریل '25
+146
در 18 کانالها
Get PRO
مارس '25
+133
در 8 کانالها
Get PRO
فوریه '25
+139
در 8 کانالها
Get PRO
ژانویه '25
+250
در 7 کانالها
Get PRO
دسامبر '24
+301
در 14 کانالها
Get PRO
نوامبر '24
+97
در 8 کانالها
Get PRO
اکتبر '24
+240
در 16 کانالها
Get PRO
سپتامبر '24
+119
در 14 کانالها
Get PRO
اوت '24
+107
در 9 کانالها
Get PRO
ژوئیه '24
+130
در 15 کانالها
Get PRO
ژوئن '24
+114
در 7 کانالها
Get PRO
مه '24
+172
در 5 کانالها
Get PRO
آوریل '24
+116
در 4 کانالها
Get PRO
مارس '24
+189
در 9 کانالها
Get PRO
فوریه '24
+216
در 15 کانالها
Get PRO
ژانویه '24
+107
در 5 کانالها
Get PRO
دسامبر '23
+77
در 6 کانالها
Get PRO
نوامبر '23
+77
در 4 کانالها
Get PRO
اکتبر '23
+69
در 8 کانالها
Get PRO
سپتامبر '23
+100
در 0 کانالها
Get PRO
اوت '23
+103
در 0 کانالها
Get PRO
ژوئیه '23
+94
در 0 کانالها
Get PRO
ژوئن '23
+45
در 0 کانالها
Get PRO
مه '23
+76
در 0 کانالها
Get PRO
آوریل '23
+101
در 0 کانالها
Get PRO
مارس '23
+64
در 0 کانالها
Get PRO
فوریه '23
+81
در 0 کانالها
Get PRO
ژانویه '23
+62
در 0 کانالها
Get PRO
دسامبر '22
+42
در 0 کانالها
Get PRO
نوامبر '22
+30
در 0 کانالها
Get PRO
اکتبر '22
+24
در 0 کانالها
Get PRO
سپتامبر '22
+75
در 0 کانالها
Get PRO
اوت '22
+52
در 0 کانالها
Get PRO
ژوئیه '22
+38
در 0 کانالها
Get PRO
ژوئن '22
+43
در 0 کانالها
Get PRO
مه '22
+39
در 0 کانالها
Get PRO
آوریل '22
+137
در 0 کانالها
Get PRO
مارس '22
+165
در 0 کانالها
Get PRO
فوریه '22
+35
در 0 کانالها
Get PRO
ژانویه '22
+39
در 0 کانالها
Get PRO
دسامبر '21
+32
در 0 کانالها
Get PRO
نوامبر '21
+47
در 0 کانالها
Get PRO
اکتبر '21
+28
در 0 کانالها
Get PRO
سپتامبر '21
+128
در 0 کانالها
Get PRO
اوت '21
+26
در 0 کانالها
Get PRO
ژوئیه '21
+54
در 0 کانالها
Get PRO
ژوئن '21
+25
در 0 کانالها
Get PRO
مه '21
+280
در 0 کانالها
| تاریخ | رشد مشترکین | اشارات | کانالها | |
| 27 ژوئن | +3 | |||
| 26 ژوئن | +9 | |||
| 25 ژوئن | +16 | |||
| 24 ژوئن | +9 | |||
| 23 ژوئن | +5 | |||
| 22 ژوئن | +23 | |||
| 21 ژوئن | +109 | |||
| 20 ژوئن | +4 | |||
| 19 ژوئن | +3 | |||
| 18 ژوئن | +4 | |||
| 17 ژوئن | +4 | |||
| 16 ژوئن | +5 | |||
| 15 ژوئن | +3 | |||
| 14 ژوئن | +3 | |||
| 13 ژوئن | +5 | |||
| 12 ژوئن | +10 | |||
| 11 ژوئن | +3 | |||
| 10 ژوئن | +15 | |||
| 09 ژوئن | +29 | |||
| 08 ژوئن | +3 | |||
| 07 ژوئن | +2 | |||
| 06 ژوئن | +3 | |||
| 05 ژوئن | +14 | |||
| 04 ژوئن | +13 | |||
| 03 ژوئن | +3 | |||
| 02 ژوئن | +2 | |||
| 01 ژوئن | 0 |
پستهای کانال
Отторжение AI только начинается. И это уже проблема политики, а не только технологий
The Economist вышел с важной колонкой о политической реакции на искусственный интеллект.
Главный тезис: сопротивление AI в западных странах уже нельзя считать шумом техноскептиков. В США протесты против дата-центров сорвали проекты почти на $100 млрд. Около 40% избирателей говорят, что хотели бы запретить AI в большинстве отраслей. Даже дата-центр в пустыне Юты вызывает протесты. Причём это уже не обычный NIMBY-эффект: больше американцев готовы жить рядом с атомным реактором, чем рядом с дата-центром.
Причина понятна. AI одновременно ассоциируется с увольнениями, ростом энергопотребления, водой для дата-центров, биорисками, кибератаками, концентрацией власти у Big Tech и даже экзистенциальными страхами, которые сами AI-лидеры годами разгоняли.
Но The Economist подчёркивает: само отторжение AI тоже опасно. Если страны начнут душить AI регулированием или лишать его вычислительной инфраструктуры, они могут потерять технологию, сопоставимую по значению с электричеством или паровой машиной. А если США или Европа затормозят, но Китай продолжит движение, последствия будут уже не только экономическими, но и военно-технологическими.
The Economist предлагает не писать абстрактный “социальный контракт для эпохи AI”. Слишком много неизвестных. Правильнее действовать инкрементально — как формулировал Дэн Сяопин: «переходить реку, нащупывая камни».
Отсюда четыре практических вывода.
1. Распределять выгоды AI как можно шире
Людей нельзя убедить только обещанием роста ВВП. Они должны видеть, что AI приносит пользу именно им. Если строится дата-центр, местные жители должны понимать, что получит их территория: инвестиции, рабочие места, инфраструктуру, финансирование для муниципалитетов. Если AI меняет рынок труда, нужны инструменты адаптации: переобучение, страхование заработка, помощь при переходе в новые профессии. Иначе возникнет та же токсичная политика «кто выиграл — кто проиграл», которая появилась после глобализации.
2. Жёстко регулировать там, где это действительно нужно
The Economist не призывает к мягкому регулированию. Наоборот: AI-кибератаки, биотерроризм, безопасность критической инфраструктуры — это сферы, где государство должно действовать жёстко. Но именно точечное жёсткое регулирование снижает риск тотальных запретов. Если реальные угрозы не контролируются, общество начинает требовать запретить или затормозить AI целиком. Идеальный вариант — международная координация по самым опасным применениям.
3. Измерять всё
Сейчас вокруг AI слишком много уверенных утверждений и слишком мало хорошей статистики. AI уже массово ведёт к увольнениям? Дата-центры уже поднимают счета за электричество? Их водопотребление действительно критично? The Economist считает, что часть популярных страхов, вероятно, преувеличена. Но без данных это невозможно доказать. Поэтому политика AI должна начинаться с измерений: занятость, производительность, тарифы на энергию, вода, нагрузка на сети, реальные эффекты внедрения, инциденты безопасности. Факты не убьют дезинформацию полностью. Но отсутствие фактов почти гарантированно усиливает недоверие.
4. Использовать AI для улучшения самого государства
Государство не должно быть только регулятором AI. Оно должно стать одним из главных пользователей. Налоги должны подаваться проще. Государственная медицина должна лучше связывать данные. Школы должны экспериментировать с AI-обучением. Гражданам должно быть проще отслеживать, что делают политики и чиновники.
Это важный политический пункт. Люди меньше сопротивляются технологии, если видят её в лечении своей бабушки или образовании своего ребёнка. И они больше доверяют государству как регулятору AI, если само государство работает лучше благодаря AI.
Главный вывод статьи: будущее AI будет зависеть не только от качества моделей. Не менее важным станет умение убедить избирателей, что их интересы учитываются в этой технологической трансформации.
Иначе будут не инвестиции, а вилы.
| 2 | ИИ продолжает прогресс в биоакустике, расшифруя «языки» птиц
В Scientific American вышел хороший материал о работе Джули Эли из UC Berkeley. Она много лет изучает зебровых амадин — маленьких социальных птиц, которых часто используют как модель для исследований вокального обучения. Но вместо привычного фокуса на сложных песнях самцов Эли занялась более “бытовой” коммуникацией: короткими криками, сигналами тревоги, голода, агрессии, контакта и узнавания.
Результат: у амадин выделили около 11 базовых типов сигналов. Исследователи сумели добиться того, что птицы сами подтверждают эти категории. В экспериментах они различали сигналы не просто по звучанию, а по смыслу: чаще путали разные звуки с близкой функцией, чем похожие звуки с разным значением. Это сильный аргумент в пользу того, что у них есть внутренняя “семантическая карта” своих сигналов.
Прогресс стал возможным потому что машинное обучение помогло разобрать массив наблюдений и связать звуки с поведением. Но сама Эли подчеркивает важное ограничение: одного аудио мало. Алгоритм может ловить акустические различия, но коммуникация — это не только спектрограмма. Нужен контекст: кто издал сигнал, где находилась птица, что происходило вокруг, как отреагировали другие.
Именно это, кажется, и есть новая граница биоакустики. Раньше задача часто сводилась к распознаванию: “какой вид издал звук?”. Теперь поле движется к более сложному уровню: “что означает сигнал?”, “в каком социальном контексте он используется?”, “можно ли воспроизвести его так, чтобы животное поняло ответ?”. Возможно, скоро мы получим Shazam для птиц, китов и мышей. В перспективе это и переход к моделям коммуникации между видами.
Работа с амадинами важна далеко не только для орнитологии. Она показывает методологический шаблон для всей биоакустики:
сначала — большие массивы записей,
потом — машинное обучение для поиска устойчивых паттернов,
затем — привязка сигналов к поведению,
и наконец — проверка на самих животных: согласны ли они с человеческой и машинной классификацией.
Это особенно важно на фоне появления foundation models для биоакустики. Уже появляются модели, которые пытаются переносить навыки анализа человеческой речи и общего аудио на звуки животных, классифицировать виды, находить сигналы в больших архивах и работать с редкими или плохо размеченными данными.
ИИ сам по себе не “переведет язык животных”. Он может радикально ускорить поиск структуры в звуках природы, но смысл возникает только на стыке аудио, поведения, среды и эксперимента. Биоакустика становится не просто наукой о звуках, а наукой о коммуникации в живых системах.
https://main-sciam-nature.content.pugpig.com/a-scientist-deciphered-zebra-finches-vocabulary-and-used-it-to-talk-back-to-them/content.html | 245 |
| 3 | Почему домашние роботы до сих пор не пришли домой?
Ответ, возможно, не в том, что они недостаточно «умные». А в том, что они слишком жёсткие и поэтому НЕБЕЗОПАСНЫЕ!
Большинство современных гуманоидов обучаются имитировать человеческие движения: идти, брать коробку, танцевать, наливать жидкость. Но проблема в том, что такие системы часто пытаются любой ценой держаться за заданную траекторию. Если робот задел стол, столкнулся с человеком или предмет оказался чуть не там, где ожидалось, контроллер воспринимает это как ошибку и начинает агрессивно «возвращать» тело в правильное положение. В физическом мире это может быть опасно.
Работа SoftMimic из MIT CSAIL предлагает другой принцип: робот должен не просто копировать движение, а уметь мягко отклоняться от него, если на него действует внешняя сила. Авторы называют это compliant whole-body control — податливое управление всем телом. SoftMimic обучает гуманоида сохранять баланс и общий стиль движения, но при контакте не сопротивляться слепо, а «уступать» с заданной жёсткостью.
Технически идея такая: сначала система через inverse kinematics генерирует набор физически возможных «мягких» вариантов исходного движения, а затем reinforcement learning обучает политику не жёстко повторять оригинал, а воспроизводить эти податливые реакции. То есть робот учится не только «делать как человек», но и реагировать на касание, толчок, смещение объекта или ошибку планировщика.
Потенциально, работа SoftMimic может дать сдвиг в философии робототехники. Для дома, больницы, склада или офиса нужен не робот-атлет, который идеально повторяет motion capture, а робот, который безопасен при несовпадении модели и реальности. Дом — это не лаборатория: люди двигаются непредсказуемо, предметы лежат не там, поверхности меняются, контакты неизбежны.
SoftMimic показывает, что «мягкость» может быть обучаемым свойством. В экспериментах политика сохраняет качество движения, но при столкновениях прикладывает существенно меньшие силы, чем стандартный motion tracking baseline; авторы также показывают управление разной степенью жёсткости — от мягкого взаимодействия до более твёрдого удержания позы.
Роботы должны не только видеть, планировать и говорить, но и физически сосуществовать с людьми. В embodied AI интеллект начинается не с красивого рассуждения, а с простого навыка: не ломать мир вокруг себя.
Путь роботов в мир лежит не только через большие модели, но и через новую культуру управления телом — менее жёсткую, более адаптивную и безопасную.
https://youtu.be/auAmgSSNYqM?is=YIME0JqCFy4OcDHi | 341 |
| 4 | Alibaba представила LOGOS — единую научную модель, которая при 1/56 параметров превзошла Microsoft NatureLM в шести задачах
Alibaba ATH-Token Foundry совместно с Школой высокого интеллекта при Университете Жэньминь (Renmin University of China) объявили об открытии исходного кода первой многообластной научной фундаментальной модели LOGOS (Language Of Generative Objects in Science). Модель основана на единой «научной грамматике», которая преобразует гетерогенные объекты — белки, антитела, малые молекулы, химические реакции и материалы — в унифицированную последовательность дискретных токенов. Это позволяет модели понимать и генерировать различные научные данные в рамках одной парадигмы.
LOGOS продемонстрировала выдающуюся параметрическую эффективность: версия LOGOS-1B с 1 миллиардом параметров превзошла Microsoft NatureLM (8×7B параметров) в нескольких задачах, используя всего 1/56 часть (1,8%) параметров. Модель обучена на корпусе из 44,87 млрд токенов, включающих данные о белках (28,9 млрд), антителах (3,0 млрд), малых молекулах (2,1 млрд), химических реакциях и материалах MOF (0,47 млрд), а также о взаимодействиях белок-лиганд (10,4 млрд).
Ключевая инновация LOGOS — метод «текстового описания» для трёхмерных взаимодействий: модель преобразует пространственные контакты в дискретные токены без использования явных 3D-координат, что позволяет ей изучать сложные пространственные закономерности через предсказание последовательности. Это устраняет необходимость в специализированных геометрических нейронных сетях и делает модель более универсальной.
Важнейшее преимущество LOGOS — согласованность формы и цели (form-objective alignment): формат данных предварительного обучения идентичен формату входных и выходных данных для downstream-задач, а цель обучения (next-token prediction) совпадает с целью генерации. Это устраняет разрыв между предварительным обучением и применением, снижая потребность в тонкой настройке.
GitHub: https://github.com/LOGOS-Hub/LOGOS
#news #AI #AI4science
https://arxiv.org/abs/2606.16905 | 260 |
| 5 | NASA выбрало компанию Эрика Шмидта для полёта на Марс, составив конкуренцию SpaceX
NASA выбрало Relativity Space — ракетную компанию, приобретённую бывшим исполнительным председателем Google Эриком Шмидтом (Eric Schmidt) в прошлом году, — для строительства космического аппарата, который доставит научные приборы на Марс. Контракт предусматривает запуск миссии Aeolus в 2028 году. Это может сделать Relativity первой частной компанией, достигшей Красной планеты, опередив SpaceX, которая ранее не отправляла собственных миссий на Марс.
Миссия Aeolus будет нести четыре инструмента для ежедневного глобального измерения пыли, ветра и температуры в атмосфере Марса с орбиты. Полученные данные, по словам главы NASA Джареда Айзекмана (Jared Isaacman), помогут сделать высадку на поверхность планеты безопаснее для зондов и будущих астронавтов. Контракт напоминает соглашения NASA со SpaceX по доставке грузов на МКС или с Firefly Aerospace по лунным миссиям: правительство обеспечивает науку, а частная компания — недорогую инфраструктуру.
Финансовые условия сделки не раскрыты. Relativity Space, основанная в 2015 году бывшими инженерами SpaceX и Blue Origin, после неудачного первого запуска ракеты Terran-1 в 2023 году перешла к разработке более крупной ракеты Terran R. Из-за проблем с финансированием Шмидт приобрёл контрольный пакет акций и стал генеральным директором. Компания также работает над космическим телескопом Lazuili, финансируемым благотворительным фондом Шмидта.
NASA идёт на определённый риск, выбирая непроверенную компанию, но модель государственно-частного партнёрства позволяет агентству сократить затраты, переложив часть разработки на частный сектор. Для Шмидта успешная миссия будет не только коммерческим достижением, но и возможностью превзойти Илона Маска, с которым у него давние идейные разногласия, в том числе по вопросам безопасности искусственного интеллекта.
#news #космос
https://techcrunch.com/2026/06/17/nasa-picks-eric-schmidts-rocket-company-for-mars-mission-setting-up-a-race-with-spacex/ | 479 |
| 6 | Трамп подписал указы о создании мощного квантового компьютера к 2028 году и защите от квантовых угроз
Президент США Дональд Трамп подписал два исполнительных указа, направленных на развитие квантовых вычислений. Первый указ предписывает федеральным агентствам совместно с частным сектором и академическими кругами создать мощный квантовый компьютер, способный проводить научные исследования, к 2028 году. Цель — доказать практическую применимость квантовых машин, которые пока в основном решают лишь сложные уравнения без реального использования.
Второй указ касается кибербезопасности: он ускоряет разработку постквантовой криптографии (PQC), способной противостоять атакам квантовых компьютеров. Срок достижения этой цели перенесён с 2035 года (установленного администрацией Байдена) на 2031 год. Ранее Google, лидер в этой области, также перенёс свой срок по PQC на 2029 год.
Указ также поручает Пентагону развернуть квантовые датчики к 2028 году. Эти устройства способны обнаруживать мельчайшие изменения в физической среде и могут стать альтернативой традиционным GPS-системам.
За месяц до этого Министерство торговли США объявило о покупке долей в девяти квантовых компаниях на сумму $2 млрд. Среди получателей финансирования — PsiQuantum, одним из инвесторов которой является 1789 Capital — венчурная фирма, где партнёром состоит сын Трампа, Дональд Трамп-младший.
#news #кванты
https://futurism.com/robots-and-machines/trump-powerful-quantum-computer | 652 |
| 7 | Alibaba Cloud представила модель мира HappyOyster 1.0: по текстовой команде создаётся интерактивная цифровая вселенная
17 июня 2026 года компания Alibaba Cloud объявила о запуске продукта HappyOyster 1.0 (快乐生蚝 1.0) — открытой модели мира, способной по одной текстовой команде генерировать целостное, интерактивное и изменяемое в реальном времени цифровое пространство.
HappyOyster 1.0 основан на мультимодальной архитектуре, которая позволяет вводить не только текст, но и изображения, а также создавать аудио- и видеоконтент. В отличие от традиционных генеративных моделей, работающих в режиме «запрос-ожидание-рендеринг», HappyOyster реагирует на команды пользователя в реальном времени, сохраняя при этом долгосрочную согласованность персонажей и окружения.
Продукт предлагает два основных режима. В режиме «Реальный режиссёр» (Directing) пользователь может управлять сюжетом: например, взаимодействовать с виртуальным партнёром, переписывать сцены в коротких видео или участвовать в играх. Режим «Исследование миров» (Adventure) позволяет свободно перемещаться по сгенерированным средам (подводный мир, картины и др.), управлять персонажем с помощью клавиатуры (WASD) и совершать действия — прыгать, атаковать, летать.
На официальном сайте модели периодически начисляются бесплатные баллы для тестирования. Проект знаменует собой шаг Alibaba в сторону создания полностью интерактивных виртуальных миров нового поколения.
#news #AI #Китай
https://www.ithome.com/0/965/652.htm | 647 |
| 8 | Alibaba представила семейство Qwen-Robot: три модели для управления роботами — от манипуляций до навигации и предсказания мира
Alibaba представила Qwen-Robot — первое в семействе Qwen полное семейство моделей для воплощённого искусственного интеллекта. Оно включает три модели: Qwen-RobotManip для управления манипуляциями, Qwen-RobotNav для навигации и Qwen-RobotWorld для моделирования мира. Эти модели могут работать как по отдельности, так и совместно, обеспечивая роботам «руки, ноги и мозг».
Qwen-RobotNav объединяет визуально-языковые способности с управлением движением, поддерживая четыре типа задач: следование инструкциям, навигацию к точкам/целям, отслеживание объектов и автономное вождение. Qwen-RobotManip использует нормализованное пространство состояний-действий и приращения положения конечного исполнителя, обучаясь на открытом корпусе данных объёмом более 38 тыс. часов для масштабного обучения на нескольких платформах. Qwen-RobotWorld через интерфейс естественного языка позволяет модели прогнозировать будущее физического мира в задачах манипуляции, вождения и навигации.
#news #AI #PhysicalAI
https://www.ithome.com/0/964/748.htm | 692 |
| 9 | План_реализации_стратегии_приоритета_занятости_15_я_пятилетка_перевод.pdf | 1 118 |
| 10 | Китай «убегает» от демографического кризиса с помощью роботов.
FT выпустила большую статью о том, как Китай превращает роботов в ответ на старение населения. Демография - вещь жестокая - численность людей 15–64 лет, которая в прошлом десятилетии достигала примерно 1 млрд, к 2100 году может упасть до 300 млн. Для промышленной державы это не социальная статистика, а угроза модели роста.
Ответ Пекина - embodied AI: роботы, в которых ИИ встроен в физическое действие.
Масштаб уже виден на графиках. В 2024 году Китай установил больше промышленных роботов, чем весь остальной мир вместе взятый. С 2021 по 2024 год парк роботов на китайских фабриках удвоился до 2 млн единиц. Доля роботов китайского производства в новых установках выросла с 30% в 2020 году до 57% в 2024-м.
Теперь ставка смещается к гуманоидам. Государство направляет субсидии и политику в embodied AI: производство, логистика, ритейл, медицина. Цель на этот год — как минимум 10 тыс. AI-powered роботов в коммерческих сценариях. Morgan Stanley сравнивает этот этап с электромобилями десятилетней давности: сначала внутренний рынок, затем экспортная машина.
Есть опасный эффект «танцующих роботов». В интервью McKinsey Даниэла Рус из MIT хорошо формулирует ограничение: робот — это всегда связка тела и мозга. У нас быстро прогрессируют моторы, сенсоры, материалы и алгоритмы, но гуманоид, который один раз красиво танцует на видео, — не то же самое, что робот, который надежно работает в хаотичной среде.
Главный дефицит — физическое понимание мира. LLM хорошо предсказывает текст, но не имеет «вшитой» физики и здравого смысла. Роботу нужно понимать силу, трение, сопротивление ткани, риск падения, задержку действия. Поэтому настоящий прорыв требует не только больших моделей, а on-device AI, тактильных сенсоров, быстрой камеры, миниатюрных приводов и миллионов часов данных о реальных действиях.
И Китай, похоже, это понимает. Компании уже собирают данные через людей в специальных костюмах с перчатками, камерами и сенсорами. Рабочие сортируют детали, закручивают винты, выполняют операции рядом с полуготовыми роботами — фактически обучая будущих заменителей. Один из производителей говорит, что индустрии нужны десятки миллионов часов данных до настоящего прорыва гуманоидов.
Самое интересное — роботы идут не только на заводы. В отельной сети Huazhu автоматизация довела соотношение персонала к номерному фонду до 0,1: то есть 100-комнатный отель может работать примерно с 10 сотрудниками против привычных 30–80 в эконом-сегменте. В Dongpeng, производителе плитки и сантехники, с 2021 года число работников снизилось на 40%, а производство выросло на 32%. AI-контроль качества убрал потребность в 40–50 опытных специалистах.
Это уже политический риск. Роботы решают проблему нехватки труда, но могут быстрее уничтожать рабочие места, чем демография будет сокращать рабочую силу. В Китае около 320 млн внештатных работников (гигов). JD.com уже предупреждает, что роботы «рано или поздно» заменят 700 тыс. курьеров, хотя компания параллельно подписывает соглашения со школами для переобучения работников на ремонт и обслуживание роботов.
Получается парадокс: Китай роботизируется, чтобы спасти экономический рост от старения, но тем самым ускоряет конфликт между трудом и капиталом. Инфографика FT показывает, что доля оплаты труда в национальном доходе Китая последние годы росла. Массовая автоматизация может развернуть этот тренд обратно — в пользу капитала, владельцев платформ, производителей роботов и софта.
Роботизация Китая — это не история про отдельные гуманоиды. Это государственная программа перехода от трудоемкой экономики к экономике физического ИИ.
Сначала роботы заменят не человека «вообще», а конкретные скучные, опасные, повторяемые или требующие дефицитного мастерства операции. Потом вокруг этих операций появится рынок навыков: робот как тело, а «умение сварить, закрутить, проверить, приготовить, доставить» — как лицензируемый софт.
Если AI демократизировал когнитивный труд, то Physical AI начинает делать то же самое с физическим трудом. Китай хочет пройти этот путь первым. | 1 303 |
| 11 | Ян Лекун назвал xAI Маска «провалом» и заявил, что лаборатории рискуют столкнуться с «взрывом большого пузыря»
Ян Лекун, основатель AMI Labs и бывший главный научный сотрудник Meta* по AI, назвал компанию Илона Маска xAI «провалом», заявив, что она не сможет конкурировать с OpenAI и Anthropic. По его словам, это связано с уходом команды основателей. Кроме того, сам Маск находится в очень сложном положении для найма топ-специалистов из-за своего поведения по отношению к предыдущим сотрудникам. За три месяца до 31 марта операционный убыток сегмента AI компании SpaceX (включающего xAI) составил $2,5 млрд. В феврале Маск объединил SpaceX с xAI в рамках сделки, оценивающей компанию в $1,25 трлн. При этом у xAI есть огромные дата-центры Colossus 1 и Colossus 2 в Мемфисе, которые компания сдает в аренду другим фирмам, включая Google и Anthropic, чтобы окупить затраты.
Лекун также предупредил, что AI-лаборатории рискуют вызвать «большой взрыв пузыря», если не сократят расходы или не поднимут цены на свои услуги, поскольку текущая модель, когда использование сервисов большинством людей финансируется инвесторами, неустойчива. Он подтвердил слова главы OpenAI Сэма Альтмана о том, что стоимость разработки AI — огромная проблема: цены растут, но себестоимость снижается недостаточно быстро, из-за чего все компании несут убытки.
Сам Лекун является сторонником развития «моделей мира» (world models) как следующего этапа эволюции искусственного интеллекта, а не больших языковых моделей (LLM), и недавно его компания AMI Labs привлекла $1 млрд инвестиций при оценке в $3,5 млрд для работы над этим подходом.
*организация признана экстремистской и запрещена в России
#news #AI
https://www.cnbc.com/2026/06/18/yann-lecun-elon-musk-xai-failure-ai-labs-bubble-risk.html | 711 |
| 12 | 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 | 808 |
| 13 | 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 | 739 |
| 14 | 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/ | 768 |
| 15 | 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 | 816 |
| 16 | А тем, кто быстрее, дешевле и надёжнее превращает данные, модели и симуляции в проверяемое знание. | 1 |
| 17 | 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. | 1 122 |
| 18 | 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. | 1 |
| 19 | 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. | 1 |
| 20 | scienceaef4214.pdf | 1 |
اکنون در دسترس! پژوهش تلگرام ۲۰۲۵ — مهمترین بینشهای سال 
