KPMG выпустила стратегический обзоров технологий 2026 года

Большинство технологических прогнозов строятся вокруг списка трендов: AI, квантовые вычисления, роботы, космос, биотех. Но KPMG предлагает другую модель. Главная идея отчета: ИИ перестал быть отдельной отраслью. Он стал мультипликатором всех остальных технологических фронтиров. Авторы выделяют шесть взаимосвязанных направлений:

Path to AGI — интеллект становится масштабируемым ресурсом. Организации будут конкурировать уже не количеством сотрудников, а количеством доступной «когнитивной мощности». Главным дефицитом становятся не знания, а контекст, доверие и способность принимать решения.
Physical AI — AI окончательно выходит из экрана. Роботы, автономная логистика, производство, инспекция инфраструктуры. Причем ближайшие победители — вовсе не гуманоиды, а специализированные системы, работающие в конкретных задачах.
Energy & Compute — неожиданно главным ограничением AI становится не алгоритм, а электричество. Центры обработки данных, энергосети, память HBM и даже земельные участки превращаются в стратегические активы.
Quantum & NextGen Computing — квантовые вычисления уже рассматриваются не как лабораторная экзотика, а как элемент корпоративной архитектуры наряду с фотонными, нейроморфными и in-memory вычислениями. Победят те, кто научится оркестрировать разные архитектуры, а не ставить на одну.
Future of Trust — по мере появления агентных систем главным становится вопрос: кому вообще можно доверять? Проверяемая идентичность, происхождение данных и непрерывная верификация становятся частью инфраструктуры бизнеса.
Space — космос перестает быть отраслью и становится инфраструктурой. Связь, навигация, наблюдение Земли и даже будущие орбитальные вычисления начинают рассматриваться как часть корпоративной ИТ-архитектуры.

Авторы не пытаются угадывать дату появления AGI. Вместо этого они задают гораздо более практичный вопрос:

Что нужно изменить в компании уже сейчас, если интеллект перестает быть дефицитным ресурсом?

Именно поэтому в отчете почти нет разговоров про очередную модель LLM. Вместо этого обсуждаются новые организационные модели, энергетика, доверие, вычислительная архитектура и Physical AI.

На мой взгляд, это один из первых действительно целостных взглядов на технологический ландшафт после бума генеративного ИИ. Не «шесть модных технологий», а единая система, где AI ускоряет развитие всех остальных направлений, а ограничения одного фронтира (например, энергетики) начинают определять скорость развития всех остальных.

Именно такой подход сегодня нужен не только технологическим компаниям, но и государствам, которые формируют научно-технологическую политику.

29 стран подписали соглашение о создании Всемирной организации сотрудничества в сфере AI в Шанхае

Представители 29 стран — в том числе России, Китая, Бразилии, ЮАР, Индонезии, Вьетнама, Беларуси, Казахстана, Кыргызстана, Сербии — подписали документ о создании Всемирной организации сотрудничества в области искусственного интеллекта (World Artificial Intelligence Cooperation Organization), став странами-основателями новой организации.

Последняя будет базироваться в Шанхае. Согласно соглашению, она представляется собой независимую межправительственную организацию, которая будет руководствоваться целями и принципами Устава ООН, придерживаться принципов широких консультаций, совместного вклада и общей выгоды, а также ориентироваться на интересы общества.

Основная цель новой организации — содействие международному сотрудничеству и глобальному управлению в сфере искусственного интеллекта, обеспечение устойчивого и упорядоченного развития AI в полезном, безопасном и справедливом направлении. Ожидается, что деятельность организации принесёт пользу всему человечеству.

#news #AI #политика #БРИКС #ГлобальныйЮг

https://www.prnewswire.com/news-releases/agreement-signed-to-establish-world-artificial-intelligence-cooperation-organization-302829486.html

Кожа, которая считает сама

В 1891 году Габриэль Липпман придумал, как фиксировать цвет фотографически — без красителей. Свет отражался от зеркальной подложки, создавал в толще эмульсии стоячую волну, эмульсия полимеризовалась слоями, и эти слои потом отражали ровно ту длину волны, которая их породила. Нобелевская премия 1908 года. Метод оказался непрактичным и был забыт почти на столетие.

В июле он вернулся — как тактильный сенсор для робота. Queen Mary University of London совместно с университетами Флоренции, Триеста и Тренто опубликовали в Science Advances работу о механохромной коже. Проблема, которую она решает, известна давно и формулируется как жёсткий компромисс. Сенсоры на такселях — ёмкостные, резистивные, пьезоэлектрические — работают в реальном времени, но упираются в размер ячейки, шаг, разводку и перекрёстные помехи; даже нейросетевое сверхразрешение редко пробивает планку в миллиметр. Сенсоры на камере (GelSight и родственники) дают тонкое разрешение, но платят задержкой: сырое изображение нужно превратить в трёхмерную карту контакта.
Решение: 16-микронную фотоэластомерную плёнку кладут на стальную подложку и семь минут освещают красным лазером 635 нм мощностью 5 мВт с расстояния 30 см. Дальше работает эффект Липпмана: стоячая волна полимеризует плёнку слоями толщиной λ/4, получается растяжимый брэгговский отражатель. При деформации слои утоньшаются, отражённая длина волны смещается — красный, зелёный, синий. Камера внутри пальца просто снимает цвет.

Разрешение — около 100 микрометров. Карты отпечатка пальца, монеты, листа. Без нейросетевого доучивания и без вычислительной задержки — потому что вычислять нечего. Как формулирует Сассо: касание больше не реконструируют, его наблюдают напрямую.

Вычисление вынесено из процессора в физику материала: оптика делает то, для чего обычно нанимают свёрточную сеть. В эпоху, когда любой дефицит восприятия принято закрывать масштабированием модели, стоит помнить, что часть задач дешевле решить геометрией нанослоёв, чем флопсами.

Однако есть и скепсис. Мягкие материалы деградируют при циклической нагрузке, а деградировавший силикон врёт о рельефе. Ценность работы выяснится, когда палец поставят в настоящую кисть. Пока сенсор уверенно читает объекты, лежащие на плоскости. Заявленные цели — хирургический инструмент с картированием контакта с тканью, протезирование, деликатный захват.

Эффекту Липпмана потребовалось сто лет, чтобы дождаться применения. Иногда технология не опережает время — она просто ждёт задачу, под которую окажется единственно правильной.
Science Advances: https://www.science.org/doi/10.1126/sciadv.aee5236 IEEE Spectrum: https://spectrum.ieee.org/robot-finger

Новый метод нейросетевого квантового Монте-Карло ускоряет моделирование материалов, сочетая нейронные сети и байесовский псевдо-гамильтониан

В области моделирования материалов нейросетевые квантовые методы Монте-Карло (NN-QMC) считаются одними из наиболее точных, однако их применение ограничено малыми системами из-за крайне высоких вычислительных затрат. Международная группа исследователей, возглавляемая доцентом Томохиро Итибой из Японского передового института науки и технологий (JAIST) совместно с командой ByteDance Seed (Китай), сообщила о новом подходе, преодолевающем это ограничение.

Разработанный метод, названный «байесовская локализация псевдо-гамильтониана» (PH), объединяет нейронные сети на основе данного подхода для достижения высокой точности при существенно сниженных вычислительных затратах. Как показали тесты, новый алгоритм позволяет проводить симуляции в десятки раз быстрее по сравнению со стандартными NN-QMC, сохраняя ошибки предсказаний в приемлемых пределах при исследовании межатомных расстояний в различных материалах.

Работа опубликована в журнале Nature Computational Science 10 июля 2026 года. В состав группы вошли Вэйчжун Фу, Рюносукэ Фудзимару, а также сотрудники ByteDance Seed. По словам Итибы, интеграция AI в традиционную квантовую химию открывает путь к анализу крупномасштабных материалов и сложных химических реакций, что ранее было невозможно из-за нехватки вычислительных ресурсов.

Ожидается, что новый метод будут применять для открытия новых материалов, разработки высокоэффективных катализаторов и понимания биологических функций. В перспективе он может быть расширен на твердотельные системы и расчёты возбуждённых состояний, что поможет решить нерешённые проблемы квантовой науки и материаловедения.

#news #AI #AI4science #материалы

https://www.eurekalert.org/news-releases/1136876

«Мы уже в сингулярности». Сэм Альтман сделал самое громкое заявление за всю историю OpenAI

Глава OpenAI Сэм Альтман заявил, что человечество уже вошло в технологическую сингулярность. Не «приближается», не «скоро войдет», а уже находится внутри нее. Еще десять лет назад, по его словам, это казалось фантастикой, а сегодня стало реальностью.

Важно понимать, что Альтман использует термин не в классическом смысле Вернора Винджа или Рэя Курцвейла, где сверхинтеллект начинает самостоятельно улучшать себя, а дальнейшее развитие становится принципиально непредсказуемым. Его версия гораздо «мягче» (gentle singularity), о которой он писал еще в прошлом году.

- AI уже пишет значительную часть программного кода.
- AI помогает создавать следующее поколение AI.
- Производительность исследователей растет экспоненциально.
- Огромные доходы от AI финансируют строительство еще более мощной вычислительной инфраструктуры, которая, в свою очередь, ускоряет создание новых моделей.

То есть возникает положительная обратная связь: AI ускоряет исследования, создающие более мощный AI, которым дается еще больше вычислений и это приводит к еще большему ускорению исследований.

Именно этот цикл Альтман считает началом сингулярности.

Любопытно, что заявление прозвучало практически сразу после публикации результатов внутреннего тестирования OpenAI, где экспериментальная связка моделей смогла выйти за пределы тестовой среды и использовать уязвимость внешней инфраструктуры HuggingFace для выполнения поставленной задачи. Для Альтмана это еще один признак того, что возможности современных систем растут быстрее привычных представлений.

Но далеко не все исследователи согласны с таким выводом. Стюарт Рассел, Роман Ямпольский и ряд других специалистов напоминают: современные модели по-прежнему не способны к полноценному автономному рекурсивному самоусовершенствованию. Они не ставят себе собственные долгосрочные цели, не проектируют самостоятельно новые поколения архитектур и остаются зависимыми от человеческих решений.

На мой взгляд, самое интересное здесь — не вопрос, прав ли Альтман. Куда важнее, что сменился язык лидеров индустрии.

Еще недавно крупнейшие компании говорили об AGI как о цели на горизонте нескольких лет. Теперь глава OpenAI публично говорит, что перелом уже произошел. Это означает изменение не только технологической, но и инвестиционной, кадровой и государственной повестки.

Если крупнейшие игроки действительно считают, что мы уже вошли в эпоху самоускоряющегося развития AI, то меняется логика принятия решений. Вопрос больше не звучит как «когда придет сингулярность?». Он превращается в другой:

Какие страны, компании и научные организации успеют встроиться в этот цикл самоускорения, а какие останутся его потребителями?

Этот вопрос сегодня стал самым важным.

Свет, который излучает жизнь

В новом обзоре Nature разбирается одна из самых необычных и, возможно, недооцененных областей современной биологии — ультраслабое свечение живых клеток, или биофотоны. Если направление подтвердит свои самые смелые гипотезы, нас может ждать появление нового класса биосенсоров и даже пересмотр представлений о клеточной коммуникации.

Самый впечатляющий эксперимент провела группа Даниэля Облака из Университета Калгари. Исследователи поместили анестезированных мышей в полностью темную камеру с чрезвычайно чувствительной CCD-камерой. На снимках животные буквально светились. После эвтаназии тех же мышей это свечение почти полностью исчезло. Исследователи получили изображение, которое многие назвали «фотографией жизни».

Но речь не идет ни об ауре, ни о мистике.

Сегодня известно, что биофотоны возникают как побочный продукт работы митохондрий. Во время клеточного дыхания образуются активные формы кислорода, и некоторые химические реакции завершаются испусканием отдельных фотонов. Человеческий глаз их не видит — интенсивность слишком мала, но современные сенсоры способны регистрировать буквально единичные фотоны.

Поскольку интенсивность свечения напрямую связана с метаболизмом и окислительным стрессом, исследователи рассматривают биофотоны как новый биомаркер состояния организма. Уже появляются работы, показывающие различия между здоровыми и опухолевыми клетками мозга, кожи и других тканей. Обсуждаются перспективы ранней диагностики рака, болезни Альцгеймера, болезни Паркинсона, оценки качества донорских органов и даже жизнеспособности семян. Пока все это находится на ранней стадии исследований, но направление быстро развивается.

Однако самая смелая гипотеза касается вовсе не диагностики.

Некоторые исследователи предполагают, что биофотоны могут быть еще одним каналом связи между клетками. Если электрические сигналы и химические молекулы — известные механизмы коммуникации, то свет может оказаться третьим. Пока убедительных доказательств нет: многие эксперименты трудно воспроизвести, а сами сигналы чрезвычайно слабы. Тем не менее в обзоре приводятся работы, где клетки реагировали друг на друга через прозрачные перегородки, а эффект исчезал после установки непрозрачного экрана. Авторы подчеркивают: эти результаты требуют гораздо более строгой проверки.

Еще более смелая идея — возможная роль биофотонов в мозге. Существуют модели, согласно которым аксоны нейронов могут работать как микроскопические оптические волокна, а некоторые внутримозговые фоторецепторы способны воспринимать свет, который вообще не может проникнуть через череп извне. Пока это исключительно гипотезы, но они показывают, насколько мало мы пока понимаем о физических механизмах работы живых систем.

На мой взгляд, главный вывод обзора Nature не в том, что клетки действительно «общаются светом». Это пока не доказано. Гораздо важнее другое. Благодаря новым сверхчувствительным фотонным сенсорам биология получает новый тип данных, который раньше был недоступен. Мы уже наблюдаем переход от электрической физиологии к пространственно-временному картированию метаболизма через свет.

Если этот сигнал окажется достаточно информативным, то через несколько лет рядом с ЭКГ, МРТ и молекулярной диагностикой может появиться еще один класс методов — биофотонная визуализация, позволяющая видеть здоровье клеток практически в реальном времени с помощью света. И сейчас у нас появились инструменты, способные этот свет увидеть.

MIT ускорил роботов: метод VLASH планирует движения по будущему состоянию

Мозг современного робота - VLA-модель (vision-language-action). Она берёт картинку с камеры и описание задачи, выдаёт следующие движения одним блоком и отправляет их на исполнение. Инференс тяжёлый, поэтому между блоками робот делает паузы: движения получаются прерывистыми, а реакция на изменения запаздывает.

VLASH позволяет модели предсказывать будущее состояние робота и планировать следующий блок движений прямо во время выполнения текущего.

Ключевая идея - в точке отсчёта. Обычно планирование идёт от текущего состояния, но среда за время движения меняется, и расчёт по устаревшим наблюдениям даёт рассогласование и неустойчивое управление. Будущую картинку модель не знает, зато знает, где робот сейчас и как он сдвинется, выполняя уже запущенные действия. Этого хватает, чтобы оценить его положение к концу текущего блока.

Результаты:

- скорость реакции выросла в 15-30 раз за счёт устранения пауз между блоками
- поверх этого - квантизация действий: меньше шагов, но крупнее, по той же траектории. Точность несколько снижается, задача выполняется в 2-3 раза быстрее (сортировка кубиков по цвету - вдвое быстрее базовых методов при точности 90%)
- отдельный метод дообучения ускорил тренировку в 5 раз без дополнительных вычислительных затрат

Метод не удорожает планирование и переносится на разное железо. Применения - там, где нужны быстрые манёвры в реальной обстановке: аварийное реагирование, поисково-спасательные операции, а также быстрое исправление собственных ошибок робота.

Работу представят осенью на конференции Intelligent Robots and Systems, в планах авторов соединить VLASH с world models. За методом стоит группа профессора Song Han из MIT EECS с коллегами из Nvidia, Tsinghua, UC Berkeley, UCSD и Caltech.

Gartner выпустил Hype Cycle for Emerging Technologies 2026. Самое ценное в нём — не кривая, а вступление.
Отчёт открывается неожиданно резкой формулировкой: индустрия заражена верой, что любая старая функция, соединённая с вероятностной моделью, автоматически становится инновацией. Формула «X + AI». И дальше — операционный вывод: интеллект, надстроенный над неэффективным, разрозненным и плохо управляемым процессом, не чинит процесс, а ускоряет его отказ. Это написано аналитиками, которые зарабатывают на продаже хайп-циклов. Тем интереснее.

Тридцать технологий — одна технология
Формально в цикле тридцать позиций в четырёх блоках: автономные машины, фиджитал-конвергенция, новая техническая инфраструктура, человекоцентричное доверие. Фактически — агенты, управление агентами, маркетплейсы агентов, агенты-надзиратели над агентами, физические агенты, платформы для агентов. Поле зрения сузилось до одной ставки в тридцати костюмах.

Правая половина кривой пуста
Ни одной технологии на склоне просветления. Ни одной на плато продуктивности. Всё сгрудилось на подъёме к пику. Кривая, у которой заполнен только левый склон, — это не прогноз, а автопортрет отрасли, ещё не пережившей ни одного разочарования.

Техносуверенитет как технология
Единственная позиция с рейтингом Transformational и горизонтом менее двух лет — technological sovereignty. Проникновение 20–50%, зрелость «adolescent». Политическая категория окончательно переехала в технологический реестр — причём как самая зрелая и самая быстро окупаемая в наборе. Риск Gartner иллюстрирует не абстракциями, а кейсами отключения организаций от облачных сервисов по внешнему решению.

Hard tech понижен в правах
Квантовые вычисления как сервис — Moderate. Фотонные вычисления — Moderate, широкое коммерческое развёртывание не раньше чем через восемь лет. Термоядерная энергетика — Transformational, но за горизонтом десяти лет. Космические ЦОД — Low benefit, с прямым указанием, что это не ответ на дефицит наземных мощностей.
Ценность, по версии Gartner, мигрировала из субстрата в слой оркестрации. С этим можно спорить — но спорить придётся аргументами, а не энтузиазмом.

Информативнее всего — отсутствия
Из цикла ушли AGI, embodied AI, humanoid robots, vibe coding, конфиденциальные вычисления. Формально — переехали в отраслевые циклы. Содержательно — перестали определять повестку.

Зато пришла механистическая интерпретируемость. Тема, которая недавно существовала только внутри фронтир-лабораторий, теперь стоит в списке для CIO — рядом с регуляторным давлением EU AI Act.
Хайп-цикл описывает не будущее, а консенсус о будущем. В 2026 году этот консенсус впервые начинается с предупреждения самому себе.

Квантовый компьютер становится похож на обычный процессор

В Nature вышла важная инженерная работа в области квантовых вычислений. Речь не о новом рекорде по числу кубитов, а о переходе к архитектуре, напоминающей эволюцию классических компьютеров: вместо лабораторной установки исследователи собрали полноценный квантовый процессор (QPU), где квантовый чип, криогенный CMOS-контроллер и сверхпроводящие соединения работают как единая система.

До сих пор главной проблемой масштабирования были не столько сами кубиты, сколько управление ими. Если каждому кубиту нужен отдельный провод от комнатной температуры, то при тысячах и миллионах кубитов система становится практически нереализуемой.

Авторы предлагают другой путь:
- управляющая электроника переносится внутрь криостата и работает при 4 K;
- к кубитам на 150 мК сигналы идут по сверхпроводящему ленточному кабелю с минимальными тепловыми потерями;
- наружу остаются выведены в основном цифровые интерфейсы и питание.
Фактически это квантовый аналог появления интегральной схемы в классической электронике.

Процессор содержит 54 квантовые точки, позволяющие разместить до 18 кремниевых exchange-only кубитов. Авторы демонстрируют улучшение качества однокубитных и двухкубитных операций примерно на порядок по сравнению с предыдущим состоянием искусства для этой архитектуры. Затем они выполняют уже не отдельные квантовые операции, а полноценные схемы коррекции ошибок: repetition code расстояния 5 и код обнаружения ошибок. Причём эксперимент хорошо совпадает с моделями, что особенно важно для дальнейшего масштабирования.

Авторы утверждают, что теперь ограничением становятся уже не фундаментальные свойства кремниевых кубитов (шум, утечки и т.п.), а вполне инженерные задачи: разводка, энергопотребление контроллеров, калибровка и интеграция компонентов. То есть отрасль очень быстро, почти скачком, переходит из режима «провести еще эксперимент» в режим системного проектирования продукта!

Для меня это ещё один аргумент в пользу идеи, которую я неоднократно обсуждал в канале: победителем в квантовой гонке может стать не тот, кто первым покажет самый большой эксперимент, а тот, кто сумеет превратить квантовый компьютер в массово производимый инженерный продукт, используя зрелые технологии полупроводниковой промышленности.

Работа заслуживает внимания не только физиков, но и всех, кто следит за будущим вычислительной индустрии.

Ой, я только пост написал, но в IBM его уже прочитали и купили эту лабораторию))

IBM объявила о покупке HRL Laboratories — легендарной исследовательской лаборатории, принадлежащей Boeing и General Motors.

На первый взгляд — обычное поглощение. Но на самом деле IBM меняет свою квантовую стратегию. До сих пор компания практически полностью опиралась на сверхпроводниковые кубиты. Именно на них строится ее дорожная карта с системами Starling и Blue Jay. Однако HRL — мировой лидер в совершенно другом подходе: кремниевых spin-qubits (спиновых кубитах на электронах). Буквально вчера я кратко пересказал статью в Nature, которая только что была опубликована (кстати, в Nature еще пара заметок по квантовым вычислениям вышла на этой неделе).

- Сверхпроводниковые кубиты сегодня наиболее зрелые, но требуют громоздкой архитектуры и плохо масштабируются по площади чипа.

- Спиновые кубиты значительно компактнее и могут производиться на оборудовании, близком к современной кремниевой микроэлектронике. Это потенциально открывает путь к интеграции миллионов кубитов на одном кристалле.

По сути IBM перестает делать ставку на единственную технологию и начинает играть сразу на двух досках. Это хороший пример того, как меняется логика квантовой гонки.

Еще несколько лет назад компании конкурировали количеством кубитов. Затем — качеством коррекции ошибок. Теперь крупнейшие игроки начинают диверсифицировать физические платформы, признавая, что сегодня никто не знает, какая архитектура окажется победителем через 10–15 лет.

Любопытно, что Google недавно также усилил исследования альтернативной платформы — нейтральных атомов. Лидеры рынка явно больше не хотят зависеть от единственной технологической гипотезы.

HRL — это не стартап, а одна из самых известных исследовательских лабораторий США, исторически связанная с Hughes Aircraft. Помимо квантовых вычислений, она сильна в квантовых сенсорах, новых материалах и микроэлектронике. IBM получает не просто команду ученых, а десятилетия накопленных компетенций.

Повторю вывод предыдущего поста. Квантовая индустрия вступает в новую фазу. Победит уже не тот, кто построит самый большой процессор, а тот, кто сумеет объединить несколько физических платформ, производство чипов, материалы, сенсоры и программный стек в единый экосистемный продукт. Покупка HRL показывает, что IBM именно так и видит будущее квантовых технологий.

Квантовая телепортация в три раза эффективнее прямой передачи: эксперимент китайских физиков

Исследователи из Китайского университета науки и технологий (USTC) продемонстрировали, что квантовая телепортация может значительно превзойти прямую передачу фотонов по эффективности передачи квантовой информации. В эксперименте использовался оптический канал с пропускной способностью около одного процента, имитирующий условия реальных сетей.

Квантовая телепортация основана на явлении квантовой запутанности, при котором состояние одной частицы мгновенно отражается на другой, независимо от расстояния. Китайским ученым удалось создать оптическую схему с шестью фотонами, где четыре измерялись для подготовки запутанной пары Эйнштейна-Подольского-Розена (EPR) из двух оставшихся. Это позволило избежать потерь при передаче и достичь почти трёхкратного преимущества по сравнению с прямым фотонным каналом.

Как отметил соавтор исследования Чаоян Лу, работа впервые демонстрирует, что телепортация может превзойти прямую передачу в условиях потерь. Исследователи планируют протестировать метод на реальных оптоволоконных линиях и использовать его для построения квантовых ретрансляторов и повторителей. В будущем метод может быть расширен для подготовки более сложных состояний, таких как состояния Гринбергера-Хорна-Цайлингера (GHZ), что позволит реализовать квантовое превосходство в связи и распределенных вычислениях.

#news #кванты #Китай

https://www.nature.com/articles/s41567-026-03348-7

Шагающие роботы: свежий обзор Science Robotics

29 июля Science Robotics опубликовал научную обзорную статью по шагающим роботам. Ценность её не в технической части — она предсказуема, — а в том, что инженеры писали текст вместе с экономистом и специалистом по этике. Получилась карта того, где узкое место больше не находится.

Железо перестало быть барьером. Ключевой сдвиг — высокомоментные обратимые (backdrivable) электроприводы: большой радиус зазора, короткая осевая длина, низкое передаточное отношение. Момент в шарнире почти линейно пропорционален току, поэтому силомоментные датчики и сложные контуры управления не нужны. Гидравлика с её стоимостью, шумом и утечками фактически ушла. Открытые публикации конструкций актуаторов запустили китайскую волну: B2 и Spot стоят $30–90 тыс., но входные модели четырехногих роботов и гуманоидов — уже $2700 и $4900. Это коммодитизация. Реальный предел теперь не в приводах, а в батарее: 90 минут — 6 часов автономии, дальность 4–20 км.

Локомоция решена — и решена дёшево. Эволюция парадигм: квазистатика → whole-body control → MPC → обучение с подкреплением. Но политики ходьбы, обученные в симуляции, укладываются в 10 млн параметров: MLP или рекуррентная сеть. Против миллиардов в языковых и визуальных моделях. Интеллект ходьбы оказался дешёвым — и именно поэтому фронтир ушёл выше. Авторы вводят термин dexterous semantic locomotion: робот уверенно идёт по геометрии, но не понимает, на что наступает — рыхлый камень, ветка, трава, человек рядом.

Дефицит — данные, а не алгоритмы. В отличие от автопилотов, здесь нет флота, который порождает данные сам по себе: сбор требует выезда робота на сложный рельеф, а симулятор не воспроизводит запутывание ног в растительности, деформируемый грунт и визуально-физическое соответствие. Отсюда логика маховика данных: развёртывание → данные → модели → новые применения. Кто первым выведет парк в поле, тот и замкнёт цикл.

Экономика: главное отличие от промышленных роботов. Промышленный робот затрагивает ~7,5% занятых — работников обработки. Шагающий робот потенциально выходит в сервисные секторы, а это до 80% рабочей силы развитых экономик. На этом фоне классические оценки (47% рабочих мест под риском автоматизации у Frey & Osborne; −0,42% к зарплате на каждого дополнительного робота на 1000 работников у Acemoglu & Restrepo) перестают быть верхней границей.

Регуляторная развилка. ЕС — риск-ориентированный AI Act. Япония — промотирует Society 5.0. Китай — прямые целевые установки MIIT: серийное производство гуманоидов и мировое лидерство к 2027 году; плотность роботизации 470 на 10 тыс. занятых, выше Германии и Японии, 276 288 установок за год — 51% мировых. США рамочного закона не имеют. Авторы предлагают регулирование по способностям: минимум для «только ходит», максимум — для манипуляции и социального взаимодействия.

И отдельный сюжет — оборонный. Именно военный спрос на проходимость авторы называют одним из самых коротких путей к коммерциализации, с оговоркой: подавление радиоканала в подземных и боевых условиях требует автономии без человека в контуре. Что немедленно упирается в вопрос об автономных системах вооружения.

Обзор подан в ноябре 2025, вышел в июле 2026 — обещания «серийных гуманоидов к 2026-му» уже стоит сверять с реальностью. Но рамка верна: ноги — не цель, а способ довести цифровой интеллект до физического мира. Барьер общего назначения не в подвижности, а в понимании.

Следующий шаг Physical AI — не отдельный робот, а рой, который умеет думать вместе

Пока индустрия сосредоточена на гуманоидах и Vision-Language-Action моделях для отдельных роботов, в Science Robotics вышла статья с гораздо более масштабной идеей: foundation models (FM) должны стать «операционной системой» для роботизированных роев.

Авторы предлагают разделить роль ИИ на две части:

- FM как архитектор роя. Модель по описанию на естественном языке или даже по схеме автоматически синтезирует алгоритмы поведения каждого робота и распределяет задачи между ними.

- FM как оператор роя. Уже во время миссии модель анализирует данные с сенсоров, ведет диалог с людьми и другими роботами, принимает решения и при необходимости перестраивает поведение всей группы.

Самая интересная мысль статьи — отказ от традиционного программирования.

Сегодня инженеры заранее прописывают почти все сценарии. Авторы предлагают перейти к specification-driven robotics: человек формулирует цель (“найдите пострадавших”, “исследуйте эту территорию”), а конкретные алгоритмы рождаются динамически прямо во время выполнения задачи.

Для спасательных операций это означает, что рой сможет самостоятельно:

- обнаружить новую ситуацию;
- распределить роли между роботами;
- сгенерировать недостающий алгоритм;
- объяснить человеку, что именно происходит и почему принято такое решение.

Но вместе с этим появляются и новые риски. Если foundation model начинает писать код прямо во время миссии, возникают вопросы безопасности, которых раньше просто не существовало:

- как проверить, что новый алгоритм безопасен;
- как защитить рой от prompt injection;
- как избежать галлюцинаций моделей;
- как сохранить управляемость системы, которая постоянно меняется сама. Авторы предлагают обязательную валидацию логики, allowlist разрешенных функций, sandbox, human-in-the-loop и другие механизмы защиты.

На мой взгляд, статья хорошо показывает направление развития Physical AI. Следующая революция — это уже не просто “LLM внутри каждого робота”, а коллективный интеллект, где модель становится языком взаимодействия сотен автономных машин.

Для тех, кто занимается автономными дронами, это особенно актуально. В будущем конкурентным преимуществом будет не отдельный “умный” аппарат, а способность роя совместно планировать, договариваться, адаптироваться и даже создавать новые алгоритмы поведения прямо во время миссии.

Именно здесь проходит граница между сегодняшней автономностью и действительно интеллектуальными роботизированными системами.

AI научилась предсказывать белки. Но иногда она создает молекулы, которые невозможны по законам химии.

После триумфа AlphaFold многие начали воспринимать ИИ как «оракул» структурной биологии. Однако новое исследование, опубликованное в PNAS, возвращает дискуссию на землю: даже лучшие модели могут генерировать белковые структуры, которые физически и химически невозможны.

Исследователи проверили несколько ведущих систем, включая AlphaFold2, RoseTTAFold2, OmegaFold и ESMFold. Оказалось, что в ряде случаев модели строят структуры, нарушающие фундаментальные принципы термодинамики и электростатических взаимодействий. Более того, сами модели оценивают свою уверенность выше, чем это оправдано.

Особенно заметны ошибки при работе с ионизируемыми аминокислотами — остатками, которые меняют заряд в зависимости от окружающей среды. Именно эти взаимодействия часто определяют реальную форму и стабильность белка, но современные модели пока учитывают их недостаточно хорошо.

Главный вывод авторов можно выразить одной фразой:

Trust, but verify.

ИИ великолепно распознает статистические закономерности, но законы физики остаются последним арбитром. Поэтому предсказания необходимо проверять методами молекулярной динамики и другими физически обоснованными моделями. Именно сочетание машинного обучения и физического моделирования авторы считают следующим этапом развития AI for Science.

Для меня это важная иллюстрация более общего принципа.

Сегодня многие воспринимают AI for Science как замену традиционной науки. На самом деле происходит другое: ИИ становится новым инструментом генерации гипотез, а окончательное решение по-прежнему принимают физика, химия и эксперимент.

Это напоминает историю с галлюцинациями больших языковых моделей. В биологии появились свои «галлюцинации» — только выглядят они не как выдуманные факты, а как невозможные молекулы.

Пожалуй, главный урок здесь касается не только белков. Чем глубже ИИ проникает в естественные науки, тем важнее становится принцип «нейросеть + физическая модель», а не «нейросеть вместо физики». Именно этот гибридный подход, вероятно, и станет основой следующего поколения научных ИИ-систем.

Квантовый интернет впервые вышел за пределы лаборатории: запутанные фотоны переданы по коммерческому оптоволокну с точностью 94%

Исследователи из Северо-Западного университета (Northwestern University) в США совершили значительный шаг на пути к созданию квантового интернета, впервые продемонстрировав передачу квантово-запутанных фотонов по коммерческой оптоволоконной линии, используемой для обычного интернет-трафика. Эксперимент проводился на отрезке кабеля длиной 24,4 километра, по которому одновременно передавался традиционный сигнал мощностью до 36 терабит в секунду — этого достаточно для одновременной трансляции около 20 миллионов видео в формате YouTube.

Несмотря на колоссальную разницу в интенсивности квантового и классического сигналов (квантовый сигнал сравнивают с муравьём, пробирающимся сквозь стадо слонов), исследователям удалось сохранить высокое качество квантовой запутанности. Точность, измеренная как точность состояния (fidelity), превысила 94%. Это означает, что запутанное состояние фотонов осталось практически нетронутым даже после «путешествия» по перегруженному волокну.

Ключевым техническим решением стало использование оптической системы синхронизации White Rabbit, которая позволила синхронизировать передатчик и приёмник на разных концах линии с точностью до пикосекунды (триллионной доли секунды). Это дало возможность сопоставлять пары запутанных фотонов с высокой точностью в реальном времени, несмотря на фоновый шум.

Профессор Прем Кумар, руководитель исследования, результаты которого были опубликованы 20 июля в журнале Optica Quantum, подчеркнул, что работа доказывает принципиальную возможность сосуществования квантовых и классических сигналов в одной инфраструктуре. Предыдущий эксперимент той же группы в 2024 году был выполнен в лабораторных условиях с использованием 30-километрового волокна без внешнего трафика.

Следующим этапом станет реализация полного цикла квантовой телепортации в городских оптоволоконных сетях, несущих коммерческий трафик. Телепортация требует не только распределения запутанности, но и последующей передачи информации, что представляет собой более сложную задачу. Успех данного эксперимента вселяет уверенность в возможности построения глобального квантового интернета на базе существующей оптоволоконной инфраструктуры.

#news #кванты

https://www.ithome.com/0/980/555.htm

Когда идея оказывается сильнее риск-менеджмента

История 24-летнего Леопольда Ашенбреннера - это, пожалуй, первый по-настоящему крупный крах эпохи AI-инвестиций. И одновременно хороший урок о том, что даже правильный технологический прогноз не гарантирует успеха на финансовом рынке.

Еще год назад Ашенбреннер был исследователем OpenAI. Затем он написал 165-страничное эссе Situational Awareness, в котором утверждал, что мир ждет беспрецедентный спрос на вычисления, память, электроэнергию и инфраструктуру для ИИ. Текст стал вирусным настолько, что инвесторы фактически восприняли его как инвестиционный проспект. На этой идее он создал хедж-фонд, который к июлю 2026 года вырос до $20–24 млрд активов и показывал +439% после комиссий за первое полугодие.

Стратегия была простой и логичной:
- покупать компании, составляющие физический слой AI (SK Hynix, Micron, SanDisk, CoreWeave, Nebius и др.);
- одновременно играть против части традиционных софтверных компаний, ожидая, что генеративный ИИ превратит их продукты в commodity.

Но затем рынок резко развернулся. За несколько недель крупнейшие позиции фонда просели более чем на треть. Из-за высокого кредитного плеча падение быстро превратилось в требования о дополнительном обеспечении (margin calls). Банки начали требовать деньги, а инвесторы - ликвидность. В итоге Ашенбреннер был вынужден продать основную часть публичного портфеля фонду Citadel Кена Гриффина. Это стало одной из крупнейших вынужденных сделок последних лет.

Эта история показывает разницу между технологическим прогнозом и инвестиционной стратегией. Будучи «Капитаном Очевидность», можно верно предсказать главный мегатренд десятилетия — взрывной рост инфраструктуры ИИ — и все равно потерпеть поражение из-за плеча, концентрации позиций, ликвидности и тайминга рынка.

Для тех, кто занимается технологическим форсайтом, это тоже важный урок. Форсайт отвечает на вопрос «что станет важным?». Но инвестстратегия это ответ на другой вопрос «когда именно рынок это оценит и сколько волатильности вы сможете пережить до этого момента?» Это принципиально разные задачи.

Пожалуй, главный вывод всей истории можно сформулировать так:

Быть правым о будущем недостаточно. Нужно еще проложить путь к этому будущему.

США меняют модель финансирования науки. Теперь гранты получают не только ученые, но и AI-агенты.

В США стартовала одна из самых амбициозных научных программ последних лет — Genesis Mission. Ее цель — сделать искусственный интеллект не вспомогательным инструментом, а полноценным участником научных исследований. Первые результаты уже объявлены: Министерство энергетики США (DOE) профинансировало 278 проектов, а Белый дом одновременно заявил о намерении расширить программу более чем до $5 млрд с подключением NSF, NASA и NIH.

На первый взгляд это обычная грантовая программа. На самом деле — это эксперимент по перестройке всей научной системы.

Исследовательские группы получили лишь 6 недель, чтобы собрать консорциумы из университетов, национальных лабораторий и бизнеса. В результате поступило более 5000 заявок, из которых профинансировали всего 5,6%. Но главное — структура финансирования.

Каждая команда получает $500–750 тыс. только на 9 месяцев. Затем проходит жесткий отбор. Лишь немногие смогут претендовать на второй этап стоимостью $6–15 млн. Фактически государство перенимает подход венчурных фондов: быстро проверить гипотезы, а затем масштабировать только победителей.

Еще важнее сами проекты. Например, одна команда использует AI для моделирования подземных микробных экосистем, объединяя геномные модели с физическими симуляциями. Другая создает AI-агентов, которые самостоятельно читают научную литературу, формируют гипотезы, интерпретируют результаты экспериментов и предлагают следующие эксперименты для извлечения критически важных металлов из использованных литий-ионных аккумуляторов. Цель — заменить тысячи лабораторных попыток целенаправленным поиском решений.

Но наиболее показателен проект Prometheus. Консорциум из 32 организаций получил $60 млн государственного финансирования и более $200 млн от промышленности, чтобы создать первый ядерный реактор, который будет спроектирован, построен и введен в эксплуатацию с активным участием ИИ. Если сегодня разработка нового реактора занимает около 15 лет, авторы рассчитывают сократить этот срок примерно вдвое. Для этого потребуется обработка триллионов токенов научных и инженерных данных.

Дело не в размерах грантов.

Genesis показывает смену государственной научной политики. США начинают финансировать не отдельные исследования, а AI-native научные конвейеры, где искусственный интеллект становится таким же элементом исследовательской инфраструктуры, как суперкомпьютеры, лаборатории или ускорители частиц.

Если эта модель окажется успешной, следующим объектом конкуренции между странами станет уже не количество публикаций или даже объем вычислительных ресурсов, а скорость производства научных открытий. Именно она может стать новой ключевой метрикой технологического лидерства.

Нейронкой подробно разобрал все 278 проектов, прошедших первый этап отбора. Получился документ почти на 50 страниц с таблицами, диаграммами и собственным анализом.

Что оказалось наиболее интересным?

- 278 проектов из более чем 5000 заявок — успешность всего 5,6%.

- Программа охватывает практически весь научный ландшафт: энергетику, материаловедение, биологию, квантовые технологии, климат, химию, производство, вычисления и научную инфраструктуру.

- Лидерами стали национальные лаборатории DOE. Именно они формируют ядро новой научной экосистемы, а университеты и компании подключаются в виде консорциумов.

- Главный технологический тренд — Agentic AI. Во многих проектах искусственный интеллект уже не просто анализирует данные, а самостоятельно читает литературу, формулирует гипотезы, планирует эксперименты, управляет симуляциями и предлагает следующие шаги исследования.

- Практически во всех инженерных направлениях используется модель Physics + AI: нейросети работают совместно с физическими моделями, цифровыми двойниками и HPC, а не вместо них.

Главный вывод

Genesis Mission — это не программа финансирования исследований по искусственному интеллекту. Это попытка построить новую операционную систему науки, где AI становится полноценным участником исследовательского процесса.

Если эта модель окажется успешной, государства будут конкурировать уже не только количеством публикаций или мощностью суперкомпьютеров, а скоростью производства научных открытий.

📄 В приложении — полный аналитический обзор:

Google DeepMind разработала метод HOPE: заглянуть внутрь нейросети без доступа к данным

Команда Google DeepMind представила новый метод анализа нейросетей под названием HOPE (Hilbert Operator for Progressive Encoding), над которым работала в течение года. Исследователи отмечают, что хотя нейросети эффективно обучаются, внутреннее представление выученных знаний остаётся плохо изученным.

Традиционные методы анализа типа компрессии имеют два существенных недостатка: они требуют доступа к обучающим данным и не позволяют сравнивать нейроны из разных слоёв по единой шкале. HOPE предлагает альтернативный подход: вместо анализа весов сети изучается функция, которую она реализует. Вся необходимая статистика уже заключена в параметрах Batch Normalization, что позволяет проводить анализ без единого прогона данных через сеть.

Практические преимущества метода включают три ключевых возможности: сжатие моделей без доступа к исходным обучающим данным, честное сравнение нейронов из различных слоёв по единой шкале и, что наиболее важно, инструмент для понимания внутреннего устройства нейросети. При прогрессивном сжатии сети можно выявить несжимаемое ядро выученного знания — то, что нейросеть считает наиболее важным.

#news #AI

https://arxiv.org/abs/2607.21366