Machinelearning

⚛️🔬🚀PsiQuantum привлекла рекордные $1 млрд для строительства квантового компьютера с 1 млн кубитов к 2028 году — это крупнейший раунд финансирования в истории квантовых технологий. 📈 Теперь компания оценена в $7 млрд и напрямую конкурирует с Google и IBM в гонке за создание полнофункциональной машины. 💰 Среди инвесторов: BlackRock, Temasek, Baillie Gifford и венчурное подразделение Nvidia. Квантовые компьютеры рассматриваются как ключ к созданию новых материалов и разработке лекарств, с чем классические методы справиться не могут. Но реальная польза от них появится только тогда, когда кубиты будут достаточно стабильны, а коррекция ошибок станет рабочим стандартом. PsiQuantum делает ставку на фотонные кубиты — частицы света, которые можно производить на обычных полупроводниковых фабриках и использовать с меньшим количеством криогенного оборудования. Именно эта ставка может позволить компании обойти конкурентов. ⚠️Вызовы - Полной коррекции ошибок пока нет - Ранее цель на 2024 год по готовой системе была сорвана - 1 млн физических кубитов нужен, чтобы получить лишь несколько надёжных логических кубитов для долгих программ 🌍Контекст - Конкуренты активно растут: Quantinuum собрал $600M (оценка $10B), IQM — $300M - IonQ, Rigetti и D-Wave взлетели в капитализации до $22B (с <$5B в ноябре) - Nvidia участвует в проекте, несмотря на осторожные прогнозы (20 лет до работающих систем), делая ставку на гибридный путь: квантовые + GPU суперкомпьютеры 🏗️ Первую полную квантовую установку PsiQuantum планирует построить в Австралии при поддержке правительства (A$940M), а вторую — в Чикаго. 🔗 Подробнее: https://ft.com/content/0a16281f-6bb4-4e60-a6f0-3a9d6f8d764a #quantum#ai#nvidia#google#ibm#hardware#future

✨HuMo : еще один релиз от ByteDance Модель, ориентированная на создание видео, где главным элементом является человек, с контролем через разные модальности: текст, изображения, аудио. > на входи модель может принимать: текст + изображение, текст + аудио, текст + аудио > поддержка сохранения образа персонажа и синхронизации движений с аудио > модель основана на **Wan 2.1** и Whisper Large v3 https://huggingface.co/bytedance-research/HuMo @ai_machinelearning_big_data #AI#ByteDance#HuMo#VideoGeneration#Multimoda

🚀 Релиз:Qwen3-Next-80B-A3B - эффективная модель заточенная на работа работу с очень длинным контекстом! 🔹80B параметров, но активируется только 3B на токен → тренировка и инференс 10x дешевле и быстрее, чем у Qwen3-32B (особенно при 32K+ контексте). 🔹Гибридная архитектура: Gated DeltaNet + Gated Attention → сочетает скорость и точность. 🔹Ultra-sparse MoE: 512 экспертов, маршрутизируется 10 + 1 общий. 🔹Multi-Token Prediction → ускоренное speculative decoding. 🔹 По производительности обходит Qwen3-32B и приближается к Qwen3-235B в рассуждениях и long-context задачах. 🟢Qwen3-Next-80B-A3B-Instruct показатели почти на уровне 235B flagship. 🟢Qwen3-Next-80B-A3B-Thinking превосходит Gemini-2.5-Flash-Thinking. ▪Попробовать: https://chat.qwen.ai ▪Анонс: https://qwen.ai/blog?id=4074cca80393150c248e508aa62983f9cb7d27cd&from=research.latest-advancements-list ▪ HuggingFace: https://huggingface.co/collections/Qwen/qwen3-next-68c25fd6838e585db8eeea9d ▪ ModelScope: https://modelscope.cn/collections/Qwen3-Next-c314f23bd0264a ▪Kaggle: https://kaggle.com/models/qwen-lm/qwen3-next-80b ▪ Alibaba Cloud API: https://alibabacloud.com/help/en/model-studio/models#c5414da58bjgj @ai_machinelearning_big_data #AI#LLM#Qwen#DeepLearning#MoE#EfficientModels#LongContext#Reasonin

🔥WFGY 2.0 — Semantic Reasoning Engine for LLMs (MIT) Это движок с открытым исходным кодом, цель которого — уменьшить галлюцинации и логические сбои в системах типа RAG / LLM, особенно когда: - источники OCR-текста плохо распознаются, - происходит «semantic drift» (когда ответ уходит от вопроса), - «ghost matches», когда извлечённый фрагмент кажется релевантным, но на самом деле нет. Обычно ошибки ловят уже в готовом сгенерированном тексте, из-за чего они часто повторяются. В Semantic Reasoning Engine всё наоборот: если система видит, что рассуждения «кривые» или сбились с курса, она останавливается, сбрасывается или ищет другой путь и отвечает только когда состояние стабильно. 🛡Авторы называют это semantic firewall - семантический «файрвол». Проверки встроены прямо в процесс мышления модели, а не поверх ответа с фильтрами или регексами. Это помогает избегать ошибок до того, как они попадут в вывод. 📌 Проект включает карту из 16 типичных ошибок LLM: - неверный поиск данных, - сбившаяся логика, - «провалы памяти», - путаница ролей агентов и другие. Для каждой есть простое текстовое исправление. Никаких SDK — достаточно вставить инструкции прямо в промпт. 🟢Как модель решает, правильные ли ответ генерируется: - ΔS (drift) - не уходит ли смысл слишком далеко от шага к шагу - λ (convergence) - сходится ли рассуждение к решению или крутится в цикле - Coverage — достаточно ли фактов и аргументов учтено Если все три условия выполнены, ответ считается «качественным». 🟢В тестах стабильность вывода выросла до 90–95% против обычных 70–85% у традиционных подходов. ▪Github: https://github.com/onestardao/WFGY @ai_machinelearning_big_data #ai#llm#opensource#reasoning#hallucinations#promptengineering

⚡️ На чистом SQL запустили легендарный DOOM — прямо внутри базы данных CedarDB! Игра не просто работает, а поддерживает многопользовательский режим, отрисовывая всё с помощью ASCII-графики. Каждый компонент — от рендера до синхронизации игроков — написан исключительно на SQL-запросах. 🎮 GitHub для настоящих ценителей извращённого кода: https://github.com/cedardb/DOOMQL @data_analysis_ml

🔥RenderFormer: как нейросети меняют 3D-рендеринг - Новое Исследование Microsoft Research RenderFormer — это нейросеть, которая способна полностью заменить традиционный рендеринг (ray tracing, rasterization), используя только машинное обучение. - Она работает с любыми 3D-сценами, поддерживает глобальное освещение и отображение материалов. 📌 Как это устроено - Сцена представляется через * tokens* — треугольники с информацией о позиции, нормалях и свойствах материалов. - Источники света также моделируются треугольниками. - Используются два трансформера: 1. View-independent — для теней, рассеянного освещения и эффектов, не зависящих от угла обзора. 2. View-dependent — для отражений, бликов и других эффектов, связанных с перспективой. - Результат работы модели — токены, которые преобразуются в финальное изображение. 📌 Обучение и результаты - Датасет: Objaverse (сотни тысяч 3D-объектов). - Обучение проходило в два этапа: сначала низкое разрешение и меньше треугольников, затем — более высокое качество и больше деталей. - RenderFormer воспроизводит реалистичные тени, отражения и освещённость. 📌 Ограничения и перспективы - Масштабирование на очень сложные сцены пока вызывает трудности. - Для работы требуются большие вычислительные мощности. - Но подход открывает путь к новому поколению технологий: от визуального синтеза и генерации видео до робототехники. https://www.microsoft.com/en-us/research/blog/renderformer-how-neural-networks-are-reshaping-3d-rendering/ @ai_machinelearning_big_data #RenderFormer#NeuralRendering#3DGraphics#MicrosoftResearch#Transformers#ComputerVision#GlobalIllumination

🗣️ «Мысль о том, что ИИ создаст новые рабочие места, - это *полная .. чушь*. Под угрозой замещения находятся даже генеральные директора» — Мо Гавдат, бывший топ-менеджер Google X. @ai_machinelearning_big_data #AI#Jobs#Automation#FutureOfWork

📊 Stack Overflow жив, но постепеноо меняется. С появлением ChatGPT активность на Stack Overflow снизилась, но характер вопросов сильно изменился. 🔹 Вопросов стало меньше, но они стали длиннее и сложнее. 🔹 Количество примеров кода выросло, особенно в Python (+21%) - это значит, что теперь в вопросах и ответах на Stack Overflow стало значительно больше кода. 🔹 И сами ответы тоже стали длиннее и содержательнее. Учёные проанализировали данные за 2 года и сравнили активность до и после запуска ChatGPT. Они измеряли длину постов, объём кода, просмотры и оценки, а также оценивали уровень сложности вопросов (лёгкие, средние, сложные). 📈 Выводы: - В цлеом, общее число вопросов продолжает снижаться. - Лёгких вопросов становится меньше. - Вопросов среднего уровня стало больше . - Сложные остаются примерно на том же уровне. 👉 Логика проста: - Простые вопросы люди теперь задают ChatGPT. - На Stack Overflow приносят сложные и запутанные случаи, где нужен контекст и человеческий опыт. Так что Stack Overflow не умирает - он превращается в площадку для глубоких технических обсуждений, а «быстрые фиксы» постепенно уезжают к ИИ. 📖 Подробности в исследовании: https://arxiv.org/abs/2509.05879 @ai_machinelearning_big_data

💰 OpenAI заключила гигантский контракт с Oracle на $300 млрд на облачные вычисления сроком примерно на 5 лет - сообщает Wall Street Journal. Это один из крупнейших договоров на облачные вычисления в истории. Расходы на инфраструктуру для ИИ продолжают расти рекордными темпами, несмотря на опасения «перегрева» рынка. ⚡ Масштаб сделки: - OpenAI потребуется 4,5 гигаватта мощности - это больше, чем две плотины Гувера, или электричество для 4 миллионов домов. - Oracle уже демонстрирует рост: акции компании подскочили, а Ларри Эллисон (глава Oracle) за сутки заработал $101 млрд и стал самым богатым человеком на планете, обогнав Илона Маска. Рынок ИИ-вычислений превращается в арену сделок планетарного масштаба — где стоимость инфраструктуры измеряется сотнями миллиардов долларов и требует энергопотребления на уровне целых стран. 🟢Подробнее: wsj.com/business/openai-oracle-sign-300-billion-computing-deal-among-biggest-in-history-ff27c8fe @ai_machinelearning_big_data #AI#Cloud#OpenAI#Oracle#DataCenters

⚡️ Мы сделали для вас выжимку из вчерашнего 44-минутного интервью Илона Маска на All-In Summit. 🤖 Optimus - Tesla завершает разработку Optimus Gen 3. Маск называет его «выдающимся роботом» (кто бы сомневался). - Робот получит человеческую ловкость рук и ИИ-разум, способный ориентироваться в реальности. - Цепочек поставок нет - всё создаётся с нуля: от электродвигателей до электроники. На одну руку приходится 26 актуаторов (исполнительных механизмов, которые преобразуют энергию в движение). - При выпуске 1 млн штук в год цена может снизиться до $20,000, хотя один AI-чип стоит $5–6K и выше. - Маск: *«Если Optimus будет успешен - это станет крупнейшим продуктом в истории»* (и снова маркетинг). - Встроенный LLM без подписки. 🖥️ AI-чипы и FSD - AI5 - собственный суперчип Tesla для ИИ. Он обещает огромный скачок вперёд: - до 40× быстрее AI4 по отдельным метрикам, - 8× больше вычислений, - 10× больше памяти, - 5× выше пропускная способность памяти. - Команды «железа» и софта впервые разрабатывают чип совместно. - Даже AI4 позволит достичь серьёзной автономности. - Маск утверждает: к концу года продукты на новых чипах будут казаться «почти разумными». 📡 Starlink - Новый диапазон частот позволит передавать интернет напрямую со спутника в смартфон. - Понадобятся новые чипсеты - такие телефоны появятся через ~2 года. - Интернет будет работать везде, включая здания и даже подземные пространства. - Можно будет оформить аккаунт Starlink вместо Verizon/AT&T, хотя операторы полностью с рынка не уйдут. - Маск не исключает, что SpaceX может купить телеком-компании ради доступа к спектру. ⭐️Starship - С 2026 года SpaceX планирует демонстрировать полную многоразовость — с возвратом корабля и бустера. - Starship V3 — радикально переработанный, способен выводить более 100 тонн на орбиту. - Маск считает, что самодостаточная жизнь на Марсе возможна примерно через 25 лет. 🔥 Искусственный интеллект - Уже в следующем году ИИ станет умнее любого человека. - К 2030 году он превзойдёт интеллект всего человечества вместе взятого. - Человеческий интеллект, по мнению Маска, будет снижаться. 💬 Самая яркая цитата прозвучала в адрес правительства США: *«Если ИИ и роботы не решат проблему госдолга — нам крышка».* В итоге Маск делает ставку на Optimus как на будущий «самый крупный продукт», улучшает AI-чипы, выводит Starlink в новый формат глобальной связи и готовит Starship к Марсу. @ai_machinelearning_big_data #ElonMusk#Interview#AI#Robotics#Optimus#Tesla#FSD#Starlink#Starship#SpaceX

🧠 ИИ генерирует научный код лучше людей. Сегодняшний дамп статей от Google Research — это не очередной инкрементальный апдейт, а знаковое событие. Исследователи представили систему, которая автоматически создаёт экспертное ПО для научных задач, и она уже побеждает на профессиональных лидербордах. Это не просто ещё один кодогенератор. Система использует LLM (Gemini), управляемую древовидным поиском (Tree Search) — алгоритмом из мира AlphaGo. Её цель — не просто скомпилировать код, а итеративно улучшать его, максимизируя конкретную метрику качества (score) на реальных данных. Учёные называют такие задачи «scorable tasks». ⚡ Что система сделала на практике: 1. Биоинформатика (scRNA-seq): Открыла 40 новых методов для интеграции данных single-cell, которые побили лучшие человеческие методы на публичном лидерборде OpenProblems. ИИ не просто скопировал известный метод BBKNN, а улучшил его, скомбинировав с другим алгоритмом (ComBat), до чего люди не додумались. 2. **Эпидемиология (COVID-19):** ИИ сгенерировал 14 моделей, которые в течение всего сезона 2024/25 стабильно показывали результаты лучше, чем ансамбль CDC и любые отдельные модели при прогнозировании госпитализаций. Работа с временными рядами обычно очень сложна, но здесь ИИ справился и превзошёл существующие подходы. 3. Другие области: Система также показала SOTA в: · Сегментации спутниковых снимков (DLRSD benchmark, mIoU > 0.80) · Прогнозировании нейронной активности целого мозга zebrafish (ZAPBench) · Прогнозах временных рядов (GIFT-Eval benchmark) · Численном решении сложных интегралов, где стандартная scipy.integrate.quad() падает. 🟠Как это работает? Вместо того чтобы с нуля генерировать код, система начинает с существующего решения (например, вызова quad() или простой модели) и запускает древовидный поиск. На каждом шаге LLM предлагает «мутации» — варианты изменения кода. Дерево поиска решает, какую ветку развивать дальше, балансируя между эксплуатацией (улучшение текущего лучшего решения) и исследованием (попытка радикально новых идей). Ключевая фишка — система умеет интегрировать научные идеи извне. Ей можно скормить PDF научной статьи, и она попытается реализовать описанный там метод. Более того, ИИ может комбинировать идеи из разных статей, создавая гибридные методы, которые и приводят к прорыву. 🟠Что это значит? Это не замена учёным. Это мощнейший инструмент усиления. Система за часы прорабатывает и тестирует идеи, на которые у исследовательской группы ушли бы недели или месяцы. Она без устали перебирает «иголки в стоге сена» — те самые нетривиальные решения, которые ведут к скачку в качестве. Пока что система требует чётко определённой метрики для максимизации. Но для огромного пласта эмпирической науки (от биологии и медицины до климатологии и астрофизики) это и есть основной способ оценки гипотез. Вывод: Это один из самых убедительных на сегодня шагов к реальному ИИ-ассистенту для учёных. Он не просто отвечает на вопросы — он проводит вычислительные эксперименты и находит решения, превосходящие человеческие. 🟢Оригинал статьи: An AI system to help scientists write expert-level empirical software 🟢Код и примеры решений:github.com/google-research/score @ai_machinelearning_big_data #AI#Science#MachineLearning#LLM#Research#GoogleAI

✔️Архитектурный сдвиг в больших языковых моделях: линейное внимание выходит на промышленные рельсы. Эксперт Tiezhen WANG в своем годовом прогнозе отмечает, что RL и системы памяти получают широкое распространение, но главное — нас ждет фундаментальное изменение архитектуры ИИ. Ключевой инсайд: следующее поколение моделей, такое как Qwen3-next, активно экспериментирует с линейным вниманием (linear attention). Объем исследований в этой области достиг критической массы, и теперь эти наработки находятся на пороге внедрения в mainstream-модели промышленного масштаба. Это прорыв в эффективности: линейное внимание потенциально позволяет радикально снизить вычислительную сложность и потребление памяти при работе с длинными контекстами, что открывает дорогу для более дешевых и мощных моделей. X.com ✔️ElevenLabs анонсировала фреймворк для автоматического тестирования ИИ-агентов. Компания представила комплексное решение для автоматизации тестирования голосовых и текстовых агентов. Фреймворк позволяет уйти от ручных проверок через звонки к быстрому и повторяемому процессу, что значительно ускоряет итерации разработки. Система включает два ключевых подхода: · LLM-оценка — проверяет качество и уместность ответов агента по заданным критериям (эмпатия, точность, tone of voice). · Тестирование вызова инструментов — валидирует, что агент корректно использует API, передает правильные параметры и следует критически важной логике (например, трансфер в экстренные службы). Главная фича — возможность одним кликом создавать тест-кейсы из реальных диалогов, моментально превращая провалы агента в production в тесты для предотвращения регрессий. Фреймворк интегрирован в CI/CD через CLI. elevenlabs.io ✔️Microsoft делает беспрецедентный шаг для снижения зависимости от OpenAI Несмотря на инвестиции более $13 млрд в OpenAI, компания теперь диверсифицируется — подключая технологии Anthropic в Office 365.Microsoft начнёт использовать модели Anthropic (например, Claude Sonnet 4) в таких приложениях, как Word, Excel, Outlook и PowerPoint, наряду с OpenAI и собственными AI-моделями. Причина — внутренние тесты показали, что Claude превосходит OpenAI в задачах вроде автоматизации финансов в Excel и генерации более эстетичных презентаций в PowerPoint. Это явная стратегия снижения риска единого поставщика и шаг к многосторонней AI-экосистеме. Reuters ✔️ Sakana AI открыла найм в финансовый сектор. Японский ИИ-стартап, основанный экс-инженерами Google, ищет Technical Program Manager для работы с крупными предприятиями и финтехом. Кандидат будет отвечать за доставку комплексных проектов — от планирования до внедрения — и совместную разработку ИИ-решений с клиентами из финансовой индустрии. Это сигнал о стратегии Sakana: вместо массового продукта они фокусируются на глубокой B2B-интеграции в высокомаржинальных вертикалях. Новость указывает на растущий спрос со стороны крупных корпораций на кастомные ИИ-решения под, а не на использование готовых API. Sakana.ai ✔️Apple расширяет функции AirPods Синхронный перевод теперь работает не только на новых моделях — поддержку получили и AirPods Pro 2, и AirPods 4. Условие: нужны iPhone 15 Pro или новее с iOS 26. На старте доступны 5 языков: английский, французский, немецкий, португальский и испанский. ✔️Claude научился создавать и редактировать файлы: Excel, PowerPoint, Docs и PDF. Anthropic представила бета-доступ к функции создания файлов прямо в чате. ИИ теперь может генерировать полноценные, готовые к использованию документы: финансовые модели с формулами, дашборды в таблицах, презентации на основе отчетов и многое другое. Для этого Claude получает доступ к изолированной компьютерной среде («Claude’s computer»), где выполняет код и запускает программы для обработки данных и сборки финальных файлов. Это не просто текстовый вывод, а работа в полноценных приложениях. Функция доступна для корпоративных планов, для Pro — появится в ближайшие недели. Anthropic прямо предупреждает о рисках конфиденциальности, так как процесс требует доступа в интернет. anthropic.com #news#ai#ml