Неискусственный интеллект

41 миллион токенов на крышку Робота, обученного работать в одной лаборатории, нельзя просто перенести в другую. Меняются камеры, освещение, расположение оборудования и конструкция захвата — и визуально-языковая модель действий, или VLA, перестаёт узнавать знакомую задачу. Обычно для неё приходится заново собирать демонстрации и проводить дообучение. Но всё это дорого и нудно. Почему бы не спихнуть это на ИИ? Так подумали исследователи из Токийского университета, RIKEN, NYU и Google DeepMind и создали проект WetRobo. Вместо готовой политики в новую лабораторию переносят робота, базовый код и Codex, который осматривается на месте и сам пишет управление под конкретную установку. В набор вошли рука AgileX Piper, камеры, захват, правила безопасности в AGENTS.md и по 15 записанных человеком д…

Рабочий стол для агента Корпоративный ИИ-агент мало похож на сотрудника, если умеет только отвечать в чате. Чтобы довести задачу до результата, ему нужно самостоятельно запускать расчёты, обращаться к данным, работать по расписанию и показывать пользователю нормальный интерфейс. Именно в эту сторону MWS AI развивает MWS AI Agents Platform — платформу для создания ИИ-агентов без программирования. После обновления они получили сразу несколько рабочих инструментов. ✔️ Выполнение кода в песочнице. Агент может сам написать программу для сверки данных, расчёта показателей или подготовки отчёта и запустить её в изолированной среде. Песочница создаётся под конкретную задачу внутри инфраструктуры заказчика, работает с разрешёнными файлами и ресурсами, а внешние подключения для неё заблокированы…

Яблочный сервер В последнее время AI-компании начали в огромных количествах скупать обычные Mac mini и Mac Studio. Крупные AI-лаборатории приобрели уже десятки тысяч таких компьютеров, а некоторые стартапы строят на них собственную инфраструктуру. В результате Mac стал самым быстрорастущим продуктовым сегментом Apple: в последнем квартале продажи выросли почти на 29%, до $10,4 млрд. Дело в том, что у Apple Silicon удачно сочетаются производительность, энергоэффективность и, главное, большой объем единой памяти, которой совместно пользуются CPU и GPU. Для запуска больших open-source моделей это особенно удобно: модель можно целиком держать в общей памяти, не пытаясь впихнуть её в ограниченную видеопамять отдельного GPU. При этом Mac гораздо компактнее и экономичнее полноценного серверног…

Точнее или дешевле У ИИ в науке есть два основных применения. В первом нейросеть заменяет обычную модель прогноза — например, логистическую регрессию или случайный лес. Она требует больше времени, памяти и вычислительных мощностей, зато иногда лучше выявляет сложные зависимости в данных. Во втором нейросеть подменяет тяжёлый научный расчёт: учится на результатах симуляций, а затем воспроизводит их за долю прежнего времени. Но до сих пор открытым оставался вопрос: насколько это экономически оправдано? Теперь ответ есть. Чтобы его получить, исследователи провели 2507 прямых сравнений методов из 268 работ по 27 дисциплинам. В 1122 случаях прежний метод полностью заменяли AI-based решением. К ИИ авторы отнесли свёрточные и рекуррентные сети, трансформеры, графовые сети, нейронные операторы и…

AGI у Anthropic это как атомная бомба у Гитлера (с) Инженер DeepSeek Лю Шэнъюй опубликовал в WeChat эссе об эволюции ИИ. Лю пишет GPU-кернелы, низкоуровневый софт, который оптимизирует вычисления на GPU: от этих кернелов зависит, насколько быстро модель обучается и работает. Лю, по его словам, писал  GPU-кернелы для механизма внимания в только что вышедшей DeepSeek V4.1. За год ИИ в его области прошел путь от помощника, который ищет по документации и ловит баги, до системы, которая сама профилирует и оптимизирует код на уровне отдельных инструкций. Через полгода-год, считает Лю, ИИ скорее всего будет писать их не хуже или даже лучше. Улучшать модели, которые его заменят, он при этом продолжит. Отчасти потому, что оптимизация для него как спидран в игре, но главная причина в другом: даже …

Мы еще не опоздали Девять экономистов, двое из которых работают в METR (организация тестирует фронтир-модели на опасные возможности), выложили на arXiv попытку посчитать, идет ли уже рекурсивное самоулучшение ИИ. Проще говоря, ускоряет ли ИИ разработку нового ИИ настолько, что процесс начинает подпитывать сам себя. Авторы описывают прогресс как замкнутый цикл: более сильная модель делает исследователей продуктивнее, они быстрее улучшают алгоритмы, что дает еще более сильную модель. Цикл разгоняет сам себя, если каждый виток дает эффект больше, чем предыдущий. Большинство звеньев цикла можно оценить по открытым данным, кроме одного: насколько на самом деле сильная модель ускоряет исследования внутри ИИ-лаб. Авторы и посчитали, каким это звено должно быть, чтобы разгон начался. Способно…