Forwarded from Not Boring Tech
✍️ Наткнулся на Product Hunt на страницу нового расширения для Chrome, которое называется Better Writer AI. Программа использует нейронку GPT-3 для того, чтобы помогать авторам писать тексты — например, дополнять их и подкидывать идеи для контента.
Всё, что нужно сделать — это установить расширение, выделить нужный текст, нажать на кнопку и вскоре получить несколько отличных текстов, которыми можно заменить тот отрывок, который вы выделили. В отличие от Grammarly, который разработчики приводят в пример, этот продукт выпущен для создания нового контента, а не только его дополнения. Уже сейчас можно отправить заявку на ранний доступ.
#AI #Startup #Service | Not Boring Tech
Всё, что нужно сделать — это установить расширение, выделить нужный текст, нажать на кнопку и вскоре получить несколько отличных текстов, которыми можно заменить тот отрывок, который вы выделили. В отличие от Grammarly, который разработчики приводят в пример, этот продукт выпущен для создания нового контента, а не только его дополнения. Уже сейчас можно отправить заявку на ранний доступ.
#AI #Startup #Service | Not Boring Tech
Камень-навигатор, кулон-диктофон и другие AI-гаджеты
Хотелось бы завести робота-помощника на базе языковой модели как можно скорее, но инженеры пока что скептичны. По их словам, "люди просто не понимают, насколько сложно развертывать роботов этого типа". Даже робототехники-оптимисты считают, что это потребует много денег и времени. Да что там роботы… Похожая на тамагочи говорилка Rabbit R1 с искусственным интеллектом оказалась Android-приложением в красивом корпусе. AI Pin критикуют все кому не лень.
Можно подумать, что первое поколение гаджетов с LLM провалилось, но это не так. В заголовки новостей в основном попадают громкие MVP. Это проекты стартапов, которые в первую очередь хотят продать себя подороже. В то же время в DIY-сегменте тысячи энтузиастов также работают над применением языковых моделей, только эти усилия пока незаметны.
Вот, скажем, OpenGlass — дешевые самодельные умные очки, к которым подключаются Groq, Chat GPT или Ollama. Другой пример - Friend - миниатюрный носимый диктофон-суммаризатор, который анализирует все записанное. Или TERRA - похожий на камень AI-компас с занятной философией. Он самостоятельно составляет закольцованный маршрут для прогулки и подсказывает, куда идти. В результате пользователь не залипает в навигатор, а смотрит по сторонам и исследует окружающий мир.
Итак, новые перспективные форм-факторы AI-гаджетов могут родиться на GitHub. И хотя у таких проектов нет серьезного финансирования, на их стороне подход Open Source. Например, я трижды подумаю, прежде чем покупать носимый диктофон с подключением к серверам техногиганта, но с интересом испытаю гаджет, работающий на базе локальной языковой модели. Проекты, которые вызывают опасения по части конфиденциальности в Open Source-исполнении выглядят уже не так страшно.
А вы как думаете?
#AI #LLM #ИИ #гаджеты #DIY #OpenSource #будущее #технологии
Хотелось бы завести робота-помощника на базе языковой модели как можно скорее, но инженеры пока что скептичны. По их словам, "люди просто не понимают, насколько сложно развертывать роботов этого типа". Даже робототехники-оптимисты считают, что это потребует много денег и времени. Да что там роботы… Похожая на тамагочи говорилка Rabbit R1 с искусственным интеллектом оказалась Android-приложением в красивом корпусе. AI Pin критикуют все кому не лень.
Можно подумать, что первое поколение гаджетов с LLM провалилось, но это не так. В заголовки новостей в основном попадают громкие MVP. Это проекты стартапов, которые в первую очередь хотят продать себя подороже. В то же время в DIY-сегменте тысячи энтузиастов также работают над применением языковых моделей, только эти усилия пока незаметны.
Вот, скажем, OpenGlass — дешевые самодельные умные очки, к которым подключаются Groq, Chat GPT или Ollama. Другой пример - Friend - миниатюрный носимый диктофон-суммаризатор, который анализирует все записанное. Или TERRA - похожий на камень AI-компас с занятной философией. Он самостоятельно составляет закольцованный маршрут для прогулки и подсказывает, куда идти. В результате пользователь не залипает в навигатор, а смотрит по сторонам и исследует окружающий мир.
Итак, новые перспективные форм-факторы AI-гаджетов могут родиться на GitHub. И хотя у таких проектов нет серьезного финансирования, на их стороне подход Open Source. Например, я трижды подумаю, прежде чем покупать носимый диктофон с подключением к серверам техногиганта, но с интересом испытаю гаджет, работающий на базе локальной языковой модели. Проекты, которые вызывают опасения по части конфиденциальности в Open Source-исполнении выглядят уже не так страшно.
А вы как думаете?
#AI #LLM #ИИ #гаджеты #DIY #OpenSource #будущее #технологии
AI на фронтире кибервойны. Как LLM меняют ИБ-ландшафт Давненько я не публиковал лонгридов...
Массовая культура пугает нас восстанием машин, но реальность как всегда интереснее. Нейросети уже меняют ландшафт кибербезопасности, но не так, как можно было ожидать.
Несколько месяцев я слушал экспертов и разбирал исследования о влиянии больших языковых моделей на компьютерную безопасность и готов поделиться выводами. Без фантастики и страшилок — только факты и взвешенные оценки.
Вы узнаете, как хакеры используют ChatGPT, и почему специалисты по безопасности одновременно воодушевлены и глубоко обеспокоены возможностями LLM.
#кибербезопасность #AI #LLM #Инфобез
Массовая культура пугает нас восстанием машин, но реальность как всегда интереснее. Нейросети уже меняют ландшафт кибербезопасности, но не так, как можно было ожидать.
Несколько месяцев я слушал экспертов и разбирал исследования о влиянии больших языковых моделей на компьютерную безопасность и готов поделиться выводами. Без фантастики и страшилок — только факты и взвешенные оценки.
Вы узнаете, как хакеры используют ChatGPT, и почему специалисты по безопасности одновременно воодушевлены и глубоко обеспокоены возможностями LLM.
#кибербезопасность #AI #LLM #Инфобез
Автономная наука 🔬🤖
Помните, как выглядят исследования в стратегических компьютерных играх? Выбираете направление, тратите ресурсы, ждете и получаете гарантированный результат. Последнего обещать не могу, но автоматизация лабораторий приближает нас к похожему сценарию.
Суть автономной науки проста: компьютеры генерируют и анализируют гипотезы, а роботы проводят эксперименты. Майкл Бронштейн (Michael Bronstein) из DeepMind описывает эволюцию научного процесса от нулевого поколения (люди с пробирками), до четвертого поколения, в котором искусственный интеллект полностью управляет циклом научных открытий. Это стало возможным благодаря трем важным прорывам:
Во-первых, машинное обучение. Во-вторых, цены на роботизированные манипуляторы снизились с 30 тысяч до 500 долларов. В-третьих, появились технологии создания лабораторий на чипах.
Передовые лаборатории внедряют полуавтономные системы для медицинских исследований и синтеза новых материалов, но самые интересные сценарии вероятно реализуются там, где человеческих возможностей не хватает.
Представьте будущее где алгоритмы непрерывно берут пробы, анализируют патогены, отслеживают их эволюцию и синтезируют вакцины. Автономные подземные и космические лаборатории проводят эксперименты с альтернативной эволюцией. Роботы создают персональные лекарства, проверяя эффективность на клеточных культурах конкретного пациента.
Однажды исследования в этих замкнутых системах создадут петлю обратной связи: искусственный интеллект генерирует данные, эти данные улучшают его работу, а усовершенствованные модели находят неочевидные связи для новых прорывов.
Но что, если однажды эта петля затянется слишком сильно? Что скажете, готовы ли вы доверить науку машинам?
#AI #наука #будущее #биотех #автоматизация
Помните, как выглядят исследования в стратегических компьютерных играх? Выбираете направление, тратите ресурсы, ждете и получаете гарантированный результат. Последнего обещать не могу, но автоматизация лабораторий приближает нас к похожему сценарию.
Суть автономной науки проста: компьютеры генерируют и анализируют гипотезы, а роботы проводят эксперименты. Майкл Бронштейн (Michael Bronstein) из DeepMind описывает эволюцию научного процесса от нулевого поколения (люди с пробирками), до четвертого поколения, в котором искусственный интеллект полностью управляет циклом научных открытий. Это стало возможным благодаря трем важным прорывам:
Во-первых, машинное обучение. Во-вторых, цены на роботизированные манипуляторы снизились с 30 тысяч до 500 долларов. В-третьих, появились технологии создания лабораторий на чипах.
Передовые лаборатории внедряют полуавтономные системы для медицинских исследований и синтеза новых материалов, но самые интересные сценарии вероятно реализуются там, где человеческих возможностей не хватает.
Представьте будущее где алгоритмы непрерывно берут пробы, анализируют патогены, отслеживают их эволюцию и синтезируют вакцины. Автономные подземные и космические лаборатории проводят эксперименты с альтернативной эволюцией. Роботы создают персональные лекарства, проверяя эффективность на клеточных культурах конкретного пациента.
Однажды исследования в этих замкнутых системах создадут петлю обратной связи: искусственный интеллект генерирует данные, эти данные улучшают его работу, а усовершенствованные модели находят неочевидные связи для новых прорывов.
Но что, если однажды эта петля затянется слишком сильно? Что скажете, готовы ли вы доверить науку машинам?
#AI #наука #будущее #биотех #автоматизация
Substack
Commercializing Autonomous Science
Generation 4 Bio AI
This media is not supported in your browser
VIEW IN TELEGRAM
🤖 "Упал, отжался!" Роботы-гуманоиды научились вставать после падения
Помните, как старичок Atlas от Boston Dynamics перепрыгивал препятствия и крутил сальто? За кадром осталось, то, как инженеры поднимали его после падений. Долгое время это была непреодолимая сложность для роботов.
Во время соревнований DARPA Robotics Challenge 25 из 26 упавших машин превратились в беспомощные груды металла и нуждались в человеческой помощи. 🤷♂️
Дело в том, что подъем на ноги как инженерная задача радикально отличается от ходьбы. В отличие от циклических шагов при ходьбе, подъем требует непериодического поведения. Робот сталкивается с множественными точками контакта тела с поверхностью и большим разнообразием ситуаций. Возникает проблема разреженности наградных сигналов — алгоритму сложно понять, какие действия привели к успеху, потому что положительная обратная связь приходит только после целого комплекса действий, когда робот наконец устойчиво стоит на ногах.
👨🔬 Инженеры из Университета Иллинойса придумали, как обойти проблему недостатка мотивации. Они разделили одну крайне сложную задачу на две попроще: сначала найти траектории, чтобы "просто как-нибудь подняться", а затем оптимизировать решение — сделать движения плавными, энергоэффективными и подходящими к различным поверхностям. Вместо одного сложного процесса обучения с редкими подкреплениями получается две последовательных задачи, каждая из которых решается эффективнее.
В результате полевые испытания Unitree G1 выглядят как занятия в хореографическом училище — робот демонстрирует почти органическую пластику.
Unitree G1 уверенно поднимается на разных поверхностях: от гладкого бетона до скользкого снега и травянистых склонов с уклоном до 10°. Успешность — 78,3%. Причем алгоритм учитывает особенности конструкции и больше использует мощные ноги (с моторами на 83 Н), чем слабые руки (всего 25 Н).
По словам разработчиков алгоритма, это "первая успешная демонстрация обученных алгоритмов подъема для гуманоидных роботов человеческого размера в реальном мире". Ещё один шаг к автономным машинам, способным работать в сложных человеческих средах.
Интересно, подадут ли они руку, когда мы упадем? 🤔
#роботы #AI #будущее
Помните, как старичок Atlas от Boston Dynamics перепрыгивал препятствия и крутил сальто? За кадром осталось, то, как инженеры поднимали его после падений. Долгое время это была непреодолимая сложность для роботов.
Во время соревнований DARPA Robotics Challenge 25 из 26 упавших машин превратились в беспомощные груды металла и нуждались в человеческой помощи. 🤷♂️
Дело в том, что подъем на ноги как инженерная задача радикально отличается от ходьбы. В отличие от циклических шагов при ходьбе, подъем требует непериодического поведения. Робот сталкивается с множественными точками контакта тела с поверхностью и большим разнообразием ситуаций. Возникает проблема разреженности наградных сигналов — алгоритму сложно понять, какие действия привели к успеху, потому что положительная обратная связь приходит только после целого комплекса действий, когда робот наконец устойчиво стоит на ногах.
👨🔬 Инженеры из Университета Иллинойса придумали, как обойти проблему недостатка мотивации. Они разделили одну крайне сложную задачу на две попроще: сначала найти траектории, чтобы "просто как-нибудь подняться", а затем оптимизировать решение — сделать движения плавными, энергоэффективными и подходящими к различным поверхностям. Вместо одного сложного процесса обучения с редкими подкреплениями получается две последовательных задачи, каждая из которых решается эффективнее.
В результате полевые испытания Unitree G1 выглядят как занятия в хореографическом училище — робот демонстрирует почти органическую пластику.
Unitree G1 уверенно поднимается на разных поверхностях: от гладкого бетона до скользкого снега и травянистых склонов с уклоном до 10°. Успешность — 78,3%. Причем алгоритм учитывает особенности конструкции и больше использует мощные ноги (с моторами на 83 Н), чем слабые руки (всего 25 Н).
По словам разработчиков алгоритма, это "первая успешная демонстрация обученных алгоритмов подъема для гуманоидных роботов человеческого размера в реальном мире". Ещё один шаг к автономным машинам, способным работать в сложных человеческих средах.
Интересно, подадут ли они руку, когда мы упадем? 🤔
#роботы #AI #будущее