📌 Астрофизик Брис Менар собрал с помощью Claude Science первую полную карту неба в ультрафиолете

Карту всего неба в дальнем и ближнем ультрафиолете исследователь Университета Джонса Хопкинса собрал вместе с ИИ-агентами Claude Science, рабочего пространства Anthropic для учёных.

Агенты сами нашли и скачали открытые данные нескольких космических миссий, очистили их, привели к общей калибровке, разрешению и свели в одну карту.

Менар, по его словам, только ставил задачи и проверял результаты, а Claude часами считал самостоятельно. Работа заняла несколько дней этим летом и претерпела больше десятка версий.

Основа карты – около 38 тысяч снимков телескопа NASA GALEX, который в 2003–2013 годах покрыл примерно две трети неба, но обходил яркие области, в том числе большую часть плоскости Галактики.

Часть пробелов закрыли данные Swift и корейской FIMS/SPEAR, а оставшуюся треть неба, где ультрафиолет никто не измерял, пришлось высчитывать.

Для этого Claude по измеренной части неба выучил, как яркость в ультрафиолете связана с яркостью в видимом, инфракрасном и радиодиапазоне по данным Planck и Gaia.

На проверке, когда участки с известными измерениями скрывали и восстанавливали заново, прогноз расходился с реальными данными примерно на 10%.

🟡 Совсем без человека не обошлось

На ранних версиях остались едва заметные круглые следы от свечения атмосферы на отдельных снимках GALEX, и две проверки агентов их пропустили.

Заметил их Менар, после чего Claude за несколько часов исправил все 38 тысяч снимков.

Карту Менар предлагает использовать прежде всего в обучении, а другим учёным советует вернуться к отложенным проектам, которые теперь можно поручить агентам.

Интерактивная версия с измеренными и предсказанными слоями открыта на сайте Университета Джонса Хопкинса.


@ai_machinelearning_big_data

#news #ai #ml

✔️ Google открыла публичный доступ к SynthID Detector

Компания запустила веб-версию инструмента SynthID Detector, позволяющего анализировать изображения, видео и аудио на наличие невидимых меток, внедряемых ИИ на этапе генерации.

Ранее утилита тестировалась в закрытом режиме представителями медиаиндустрии и определяла только собственные метки экосистемы Google.

Обновленный сканер теперь распознает водяные знаки формата SynthID и сторонних вендоров - OpenAI, NVIDIA и Kakao.

Сервис не классифицирует сгенерированный контент эвристически, а проверяет наличие конкретной совместимой сигнатуры.

Отсутствие детекции не подтверждает подлинность файла, так как материал мог быть создан моделью без встроенного модуля SynthID или подвергнуться агрессивной постобработке.

Для проверки требуется авторизация, действует лимит примерно в 10 запросов в сутки.


@ai_machinelearning_big_data

#news #ai #ml

🆕 Карпатый: 5000 человек живут в другом ИИ мире, чем остальные 8 млрд

Андрей Карпатый считает, что разрыв в понимании возможностей LLM за полгода только вырос и стал похож на резкую воронку.

Около 6 млрд человек с LLM почти не сталкивались. Ещё 1-2 млрд использую только бесплатный чат-бот, который иногда тупит, и работают с ним им как улучшенным поиском.

Около 20 млн разработчиков и математиков на frontier-моделях видят, как проекты на недели и месяцы агенты закрывают по одному промпту.

А примерно 5000 человек внутри лабораторий наблюдают рои из тысяч агентов, которые неделями ищут zero-day, двигают науку и математику быстрее, чем люди успевают это проверять.

Согласно Карпатому, воронку создают три вещи. Отдача растёт с размером задачи, и вопрос на абзац систему почти не нагружает.

Способности модели неровные: пик там, где задачи цифровые, проверяемые и денежные, потому что RL на верифицируемых наградах настраивают под выручку. И доступ: бесплатный, платный или внутренний.

Большинство людей видит глуповатого бота, а небольшая прослойка уже чувствует головокружение от кривой, которая уходит вертикально вверх. И всё это одновременно.

https://x.com/karpathy/status/2109361546505966046

@ai_machinelearning_big_data

⚡️ Sakana AI научила модель учиться у собственной команды агентов

Sakana AI вместе с UC Berkeley представила MASS (Multi-Agent Self-Supervision). Это способ рекурсивного самоулучшения модели без людей и без внешнего учителя.

Идея такая. Одна модель играет сразу три роли: исполнителя, оптимизатора воркфлоу и судьи. Сначала она решает задачу командой виртуальных сабагентов, затем сама ищет лучшую схему их взаимодействия и сама выбирает победителя.

Лучшие прогоны команды становятся данными для дообучения, и после LoRA-тюна модель запоминает коллективный опыт своих агентов уже без подсказок про воркфлоу. Затем цикл повторяется.

Эксперимент проводили на Qwen3.6-27B и синтетических открытых исследовательских задачах. После двух циклов показатель «очки на выходной токен» вырос в 1,2-1,6 раза относительно базы: 1,6x на MLR-Bench, 1,35x на DSBench, 1,28x на AstaBench и 1,2x на ScienceAgentBench. На Terminal-Bench 2.0 и SWE-bench Verified прироста не было.

Модель учили только решать задачи, но при этом у неё заодно выросли навыки оптимизатора и судьи.

Мультиагентные траектории оказались эффективнее одиночных: 68% побед над базой при примерно 31% меньшем объёме данных. И скорость улучшения упирается в оптимизатор, а не в судью.

Авторы честно называют главный риск. Когда модель сама себя оценивает, её слепые зоны могут засчитываться как прогресс и закрепляться обучением. Если ИИ будет развиваться выше уровня человеческой экспертизы, нужно уметь вовремя замечать такие сбои и вмешиваться.

Блог: https://pub.sakana.ai/mass/
Статья: https://arxiv.org/abs/2610.12176
Код: https://github.com/SakanaAI/mass

@ai_machinelearning_big_data

#Sakana

⚡️ Microsoft делает ставку на свои чипы: Maia станет основной платформой инференса компании

С 2027 года компания масштабирует семейство Maia до развёртываний на несколько гигаватт, и Maia станет основной системой инференса для её собственных продуктов и сервисов.

Заодно представили Maia 300. По заявлению Microsoft, новый чип выдаёт на 40% больше токенов на ватт, чем ведущие системы на GPU.

Предыдущее поколение уже в работе. Maia 200 развёрнута в США, Европе и Австралии, и в Teams и Copilot она даёт до 1,7 раза больше токенов на ватт.

При гигаваттных масштабах главная метрика уже токены на ватт, а не пиковые терафлопсы: от неё зависит, во сколько обходится каждый ответ Copilot. Свой чип под свой инференс снижает зависимость от Nvidia и даёт контроль над всем стеком, от железа до модели. Тот же путь раньше прошли Google с TPU и Amazon с Trainium. Ранее сообщалось, что Microsoft ищет у TSMC мощности примерно под 300 тысяч чипов Maia 300.

При этом от GPU компания не отказывается и обещает по-прежнему ставить в свой парк лучшие решения со всего рынка.

https://blogs.microsoft.com/blog/2026/10/12/microsoft-to-expand-azure-maia-system-to-multi-gigawatt-deployments/

@ai_machinelearning_big_data

#Microsoft

✔️ Anthropic за полгода заблокировала больше 11 млн аккаунтов

В обновлённом отчёте о прозрачности, Anthropic сообщила, что в первом полугодии 2026 года заблокировала 11,4 млн аккаунтов.

Это почти в 8 раза больше, чем во втором полугодии 2025-го, когда блокировок было 1,45 млн.

Поводом стали нарушения правил использования, условий обслуживания для частных и корпоративных клиентов или правил о поддерживаемых регионах.

Апелляций на блокировку за полугодие подали 398 тысяч, их которых были удовлетворены 42 тысячи, то есть примерно 10,6%.

Для сравнения - во втором полугодии 2025 года апелляций было 52 тысячи, удовлетворили 1,7 тысячи (около 3,3%).

Причины роста в отчёте не объясняются, по отдельным продуктам статистику компания не разделяет.


@ai_machinelearning_big_data

#news #ai #ml

✔️ DeepSeek вложится в робототехнический стартап Winverse AI

Китайский разработчик возглавит раунд Winverse AI, которая делает модели воплощённого ИИ для робототехники. Участвует в сделке и фонд Long-Z, принадлежащий Meituan, крупнейшему в Китае сервису услуг.

Основал Winverse AI бывший учёный Tencent, отвечавший там за мультимодальные системы для физических агентов.

Для DeepSeek это одна из крупнейших внешних инвестиций и продолжение выхода на рынок робототехники, ранее лаборатория купила 2% акций Unitree Robotics.

Ставка даёт шанс конкурировать с американскими Skild AI и Physical Intelligence в архитектурах управления и восприятия, нужных китайским производителям оборудования.
bloomberg.com

✔️ Anthropic предупредила о скором появлении ИИ-червей

Команда Frontier Red Team показала, что автономные ИИ-черви могут размножаться на устройствах интернета вещей без дата-центров.

В эксперименте распределённый инференс модели Gemma4-26B-A4B запустили на 15 бюджетных ТВ-приставках с Android, кластер выдал 0,39 токена в секунду.

Открытые модели уже умеют подбирать пакеты и создавать окружение на разнородном оборудовании без root-прав, а в изолированной среде GLM-5.2 прошла полный цикл репликации, то есть просканировала сеть, проникла на целевой хост, развернула среду исполнения и запустила свою копию.

По оценке Anthropic, распределённые ботнеты на моделях до 30 млрд параметров станут технически возможны к концу этого года.
anthropic.com

✔️ AlphaProof Nexus от DeepMind закрыла девять задач Эрдёша

Две из них оставались открытыми 56 лет. Система доказала ещё 44 гипотезы из онлайн-энциклопедии целочисленных последовательностей, закрыла вопрос в алгебраической геометрии и улучшила оценку в минимаксной оптимизации для обучения нейросетей.

Архитектура соединяет Gemini 3.1 Pro с языком формальных доказательств Lean. Модель пишет доказательство и правит его в цикле обратной связи, Lean разбирает код после каждой итерации, а сообщения об ошибках уходят в контекст следующей попытки.

Для сложных подзадач подключается отдельный инструмент AlphaProof, но задачи Эрдёша базовая связка решила без внешних модулей.
science.org

✔️ AMD представила стоечную архитектуру Helion

Открытый проект на спецификациях OCP рассчитан на инфраструктуру агентного ИИ. Ключевой элемент – маршрутизатор токенов, он перенаправляет вызовы агентов и балансирует нагрузку между небольшими открытыми и флагманскими проприетарными моделями.

Поддерживаются жидкостное и воздушное охлаждение, конфигураций две. Крупным облачным операторам предназначена стойка только с процессорами, до 32 тыс. ядер на AMD EPYC шестого поколения, она держит логику агентов, а инференс уходит на внешнюю инфраструктуру.

Корпоративная сборка объединяет процессоры EPYC и ускорители Instinct MI350P, так что инференс и управление агентами влезают в одну стойку.

Готовые системы Dell, HPE, Lenovo и Supermicro обещают в ноябре.
amd.com

✔️ Tesla подала заявку на патент эластичной сенсорной кожи

Документ описывает трёхмерные эластичные сенсорные матрицы для пальцев и ладоней робота Optimus, т. е. тактильную кожу для криволинейных поверхностей манипуляторов.

Сенсор собран из гибких полимерных слоёв с проводящими дорожками и разделяющей чувствительной прослойкой, работает он по ёмкостному или резистивному принципу, когда деформацию при контакте регистрирует массив независимо опрашиваемых пикселей.

Для серийного выпуска Tesla предлагает формовать многослойные заготовки в пресс-формах под нагревом, а дорожки наносить трафаретной печатью, тампопечатью или прямым 3D-напылением. Внешний слой защищает от влаги и износа.
patents-review.com


@ai_machinelearning_big_data

#news #ai #ml

📌 Всего 10 минут работы с ИИ снижают способность самостоятельно решать сложные задачи

Группа из ученых MIT и Оксфорда выяснили, что 10 минут работы с LLM снижают способность самостоятельно решать математические и логические задачи.

В эксперименте на 1200 участниках часть людей использовала ChatGPT, а затем лишалась доступа к модели. После отключения ассистента результативность этой группы падала - участники чаще пропускали вопросы и сдавались по сравнению с контрольной выборкой, работавшей без ИИ с самого начала.

Исследователи объясняют эффект исчезновением продуктивного сопротивления - интеллектуального усилия, необходимого для освоения сложных навыков.

Из-за привыкания к готовым ответам самостоятельный поиск решений начинает восприниматься мозгом как неэффективный и утомительный.

В качестве решения авторы предлагают развивать ИИ по модели наставничества, которая стимулирует рассуждение, а не выдает готовый результат.

Код экспериментов выложен на Github.


@ai_machinelearning_big_data

#news #ai #ml

▶️Почему роботы с Physical AI всё ещё не готовы к массовому появлению в наших домах

Современные роботы-гуманоиды уже демонстрируют сложные движения и акробатику, но научить их уверенно взаимодействовать с окружающим миром по-прежнему непросто.

• Что требуется от модели: определить положение предмета, рассчитать силу захвата, заметить скольжение и успеть скорректировать движение.

• Главное ограничение: навыки, отработанные в одной среде, плохо переносятся в другую. Поэтому до появления универсальных домашних помощников пока далеко.

• Где проверяли: в Лаборатории интеллектуальной космической робототехники Сколтеха. В выпуске подкаста «Паша AI AI AI» CEO MWS Павел Воронин и руководитель лаборатории Дмитрий Тетерюков испытали роботов и обсудили, как машины воспринимают физический мир и чему им ещё предстоит научиться.

Полное видео: https://vkvideo.ru/video-226874221_456239657

@ai_machinelearning_big_data

🚀 Anthropic отказалась от Git. И всё из-за ИИ-агентов

Claude начал писать столько кода, что привычная инфраструктура разработки перестала справляться.

В мае Anthropic объединяла около 2500 изменений в день. К сентябрю их число превысило 30 000.

В результате компания за пять месяцев разработала собственную систему контроля версий Scion и полностью перевела на неё свой монорепозиторий.

Масштабы впечатляют:

▪️ 25 млн операций checkout ежедневно.

▪️ Почти 100 ГБ истории основной ветки.

▪️ В 200 раз меньше затрат CPU и памяти на инфраструктуру хранения версий.

▪️ Checkout ускорился с минут до секунд.

▪️ Нагрузка CI на CPU снизилась на 25%.

Scion и систему код-ревью Antique разработала команда всего из семи инженеров, активно используя Claude.

По словам разработчиков, Claude уже пишет код лучше каждого из них. Задача инженеров всё больше смещается в сторону архитектуры, контроля ограничений и принятия решений.

🔗 https://www.anthropic.com/engineering/redesigning-source-control

@ai_machinelearning_big_data

#Anthropic #claude

📌 В UCLA собрали двуногого робота за 400 долларов на безе смартфона

Двуногий робот PhoneBot ростом 48 см и весом 1,8 кг использует обычный Android-смартфон одновременно как камеру, датчик положения тела и бортовой компьютер.

Без телефона детали робота обходятся примерно в 400 долларов, а близкие по размеру гуманоиды, с которыми авторы сравнивают PhoneBot, стоят от 3,5 до 13,8 тысячи долларов.

Смартфон закреплён на корпусе и его гироскоп и акселерометр служат датчиками равновесия, а камера – глазами робота.

Нейросеть, управляющая ходьбой, работает на процессоре телефона и по Wi-Fi передаёт целевые положения суставов небольшому бортовому компьютеру, а тот раздаёт команды 13 сервоприводам Dynamixel (24 доллара за штуку.

По шесть приводов стоят в каждой ноге, ещё один поворачивает корпус, чтобы камера следила за человеком, не разворачивая всего робота.

Распознавание людей и их поз, а также построение карты помещения тоже идут на телефоне, а вот речь он только записывает и озвучивает ответ, распознавание и языковая модель работают на отдельной машине.

Приложение проверили на Honor 9 2017 года и трёх новых бюджетных моделях по 50–80 долларов - Moto G 2024, Moto G 2025 и Galaxy A16 5G. На испытаниях робот ходил, поднимался из положения лёжа и следил за человеком.

Нейросеть для ходьбы занимала от 6 до 10% процессора, построение карты – до 34%.

Рук у PhoneBot пока нет, ходить его учили только по ровной поверхности, а слабые сервоприводы ограничивают и полезную нагрузку, и динамичные движения.

Авторы собираются добавить лёгкие руки, научить робота ходить по неровной поверхности и перенести языковую модель на сам смартфон.


@ai_machinelearning_big_data

#news #ai #ml