Пекинская академия выпустила RoboBrain 2.0, вот её характеристики:

Модель 7B и будущая 32B распространяется под лицензией Apache 2.0
Вскоре ожидается выпуск более мощной версии с 32В параметрами

RoboBrain 2.0 обрабатывает несколько изображений, длинные видеоролики и визуальные данные высокого разрешения, что делает её универсальной для сложных задач

Модель способна выполнять пространственный анализ, например, точное определение объектов и их границ и временное прогнозирование (предсказание траекторий движения), что критично для робототехники

RoboBrain 2.0 поддерживает создание и обновление структурированной памяти сцены в реальном времени, что позволяет роботам эффективно взаимодействовать с окружающей средой

Реальный вызов ML — не его возможности, а скорость развития

Через 3-10 лет ML сможет выполнять все задачи, доступные человеку
Если мозг — биологический компьютер, то цифровой компьютер теоретически может делать то же самое, но быстрее.

Что будет означать быть человеком, когда машины смогут делать всю работу человека?
Это вопрос не занятости, а о смысле человеческого существования

Используя ML, наблюдая за ним можно получить интуитивное представление на что оно способно

Истинное понимание возможностей ML приходит только через практическое взаимодействие с технологией
В ближайшие 1-3 года это интуитивное понимание станет массовым

Среди ключевых проблем ML — способность к обману — умение притворяться тем, кем он не является
Это принципиально новые вызовы

Для чего человечество хочет использовать ML?
Ускорение экономики, научных исследований, повышение темпов прогресса — все это возможно, но требует осознанного выбора целей

ML кардинально изменит жизнь независимо от того, готовы кожаные мешки к этому или нет
Это не вопрос "если", а вопрос "когда" и "как"

ML одновременно величайшая проблема и величайшая возможность человечества

Исход зависит от того, насколько осознан подход к формированию этого будущего

At WWDC Apple introduced a new generation of LLMs developed to enhance the Apple Intelligence features

Also introduced the new Foundation Models framework, which gives app developers direct access to the on-device foundation language model

Улучшение классификации ранга эллиптических кривых

Эллиптические кривые — это особые математические объекты, которые помогают решать сложные задачи в криптографии и теории чисел
У каждой такой кривой есть "ранг" — число, которое показывает, сколько у неё базовых решений

Проблема в том, что вычислить этот ранг очень сложно. Математики используют специальные приближённые методы — суммы Местре-Нагао
Но они работают не очень точно

Исследователи придумали два новых способа улучшить эти вычисления
Они используют машинное обучение и более сложные математические формулы
Результат — намного точнее определяем ранг кривых
Это важно для криптографии и защиты данных

https://arxiv.org/abs/2506.07967

Genspark запустили свой ML- браузер
А Perplexity так и не запустили свой Comet

Это не просто браузер, а целый набор ML-инструментов:

ML Browser с блокировкой рекламы
ML Secretary (секретарь)
ML Personal Calls
ML Download Agent
ML Drive, Sheets, Slides,Super Agent

Они делают ставку на скорость и отсутствие рекламы, что противоположно подходу Perplexity

Это полностью меняет конкуренцию:
Теперь это не "поисковик vs браузер", а "браузер vs браузер" с принципиально разными подходами

Perplexity Comet: Персонализация через слежку + реклама
Genspark Browser: Скорость + блокировка рекламы + полная агентность.

Genspark может реально удивить рынок
Если они действительно сделают молниеносно быстрый браузер с мощными ML-агентами БЕЗ рекламы, это может стать серьезной альтернативой не только Perplexity, но и Chrome

При такой скорости разработки могут обогнать более крупных конкурентов за счет agility

Другой проект компании, созданный бывшими руководителями Baidu Эриком Цзингом и Кеем Чжу тут

StableMTL: многозадачное обучение с диффузионными моделями

Обычно для ML на нескольких задачах нужно разметить огромное количество данных для каждой задачи
Это дорого и долго

Исследователи предложили использовать диффузионные модели (те же, что создают картинки из текста) для решения этой проблемы
Их метод позволяет обучать ML даже на частично размеченных синтетических данных

Фишка в том, что модель может работать в "zero-shot" режиме — выполнять задачи, на которых её специально не обучали
Это работает за счёт мощной способности диффузионных моделей к обобщению

Результат — можно создавать ML для сложных задач с гораздо меньшими затратами на данные

https://arxiv.org/abs/2506.08013

GPT-4 и o3 уже умнее идиота в десятках задач, а ближайшие «оценки» обещают агентам написать нерешённое уравнение, а роботам — построить для себя новый завод
ML агенты уже пишут код, скоро будут делать научные открытия, и роботы выйдут в реальный мир

Начался цикл рекурсивного самосовершенствования ML — ML помогает создавать лучший ML
До превращения экспоненты развития ML в вертикаль, остались месяцы

Один запрос к ChatGPT сейчас потребляет столько же энергии, сколько духовка за секунду
Скоро это будет сильно дешевле

Если стоимость «мозга» сведётся к цене киловатт-часа, скорость научного взлёта будет измеряться не годами, а неделями: «десятилетие исследований за месяц» — не метафора, а дорожная карта

Малейший баг в ценностях, умноженный на сотни миллионов пользователей, превращается в глобальный провал
Cначала — решить проблему выравнивания, потом — раздача сверхразума как Wi-Fi

Эссе даёт шанс увидеть кривую экспоненты до того, как она станет вертикальной

Полный текст здесь
Прочтите, пока сингулярность нежно шепчет, а не оглушает, как взрыв при извержении вулкана Кракатау в 1883 году (в эпицентре было немыслимых 310 децибел, при болевом пороге для человека около 130 децибел и звуке рядом с реактивным двигателем – примерно 150 децибел)

StableMTL: многозадачное обучение с диффузионными моделями

Обычно для ML на нескольких задачах нужно разметить огромное количество данных для каждой задачи
Это дорого и долго

Исследователи предложили использовать диффузионные модели (те же, что создают картинки из текста) для решения этой проблемы
Их метод позволяет обучать ML даже на частично размеченных синтетических данных

Фишка в том, что модель может работать в "zero-shot" режиме — выполнять задачи, на которых её специально не обучали
Это работает за счёт мощной способности диффузионных моделей к обобщению

Результат — можно создавать ML для сложных задач с гораздо меньшими затратами на данные

https://arxiv.org/abs/2506.08013

Ultra Ethernet Consortium выпустил сетевой стандарт для современных ML-вычислений и высокопроизводительных систем

Он предназначен для корпораций, облачных, ML-компаний, производителей оборудования и корпоративных ЦОДов

$15.000.000.000 в Scale AI (49 % доли в компании)

Эта компания занимается разметкой данных, её клиентами являются все крупные ML-компании

Новая исследовательская лаборатория для разработки суперинтеллекта (ASI), который должен превосходить человеческие когнитивные способности, из 50 специалистов для работы над этим амбициозным проектом, включая
Scale AI, Google DeepMind и Sesame

Где заканчивается разум и начинается мир — статья Энди Кларка

Наиболее примечательным является именно тезис расширенного познания, поскольку он лучше всего обоснован и выступает фундаментом для последующих расширений

Согласно этому тезису, внешние инструменты и артефакты могут быть легитимной частью когнитивной системы субъекта

То есть, познание – это не только то, что происходит внутри черепной коробки субъекта

В пользу этого приводится два базовых аргумента

Сначала идёт негативный довод, указывающий на произвольность границы «черепа и кожи», в которую обычно помещают познание
Из того, что нам кажется, что мы думаем исключительно своей головой, не следует, что мышление исчерпывается только процессами в голове

В пользу интракраниализма (представления о том, что познание ограничено черепной коробкой) нет сногсшибательного аргумента, позволявшего бы раз и навсегда закрыть вопрос
Есть некоторые интересные рассуждения прагматического характера, но и с ними, что называется, не всё так однозначно

В сухом остатке известна генеалогия этого воззрения, объясняющая, почему оно было вшито в когнитивную науку на старте

Если кратко, то во всём виноват Декарт со своим дуализмом (на самом деле триализмом)

Из забавного: разбирая картезианские посылки когнитивных наук, Майкл Уилер по сути своей видит в тех, кто им противостоит, интуитивных хайдеггерианцев

Видимо, иногда «4E» — это и есть то, что бытие хочет услышать в ответ на свой зов

Однако есть и позитивный довод

Кларк предлагает представить Отто, страдающего Альцгеймером, который пользуется блокнотом, чтобы «запоминать» события
Если внешний артефакт исполняет ту же функцию, что и естественная когнитивная способность, то на каком основании мы говорим, что артефакт не может быть частью когнитивной системы субъекта?

Кларк считает, что после отвержения догмы о черепе и коже, оснований нет и по принципу паритета внешние артефакты могут быть частью когнитивной системы

Нетрудно догадаться, что суровой критике подверглись и аргументы Кларка, и сам тезис расширенного познания

Фред Адамс и Кен Айзава, среди прочего, критиковали расширенное познание за потенциальную избыточность для науки
Они даже ставили на то, что «наука о познании будет походить на науку о физических, биологических и химических процессах»

Психологи, помимо полемики о теоретической значимости тезисов расширенного, распределенного и прочего внечерепного познания, они указали на эмпирический аналог этих тезисов в виде исследований трансактивной и совместной памяти
Ставка Адамса и Айзавы не то, что не сыграла, а оказалась заведомо не самой удачной

Чем показателен этот сюжет?
Так случается, что иногда в философской дискуссии звучит сакраментальный вопрос, призванный спустить всех с небес на землю: «А как же надои?»
И по иронии судьбы «надои» иногда действительно предъявляются

Другое дело, что в этот же самый момент становится понятно, что суть фундаментальных разногласий не сводится к выяснению того, можно ли теорию как-то прагматически приспособить или даже эмпирически применить

"Dimensionality and dynamics for next-generation artificial neural networks"

Прогресс в нейроморфизации искусственного интеллекта:

Предложенный исследователями новый подход к ML представляет вдохновленные мозгом структуры и петли обратной связи, позволяющие ИИ-системам обрабатывать информацию более эффективно и адаптивно
Эта инновация может снизить потребность в ресурсах, расширить приложения в реальном времени и предложить более глубокое понимание как продвинутого ML, так и человеческой психики

https://techxplore.com/news/2025-06-rethinking-ai-effective-human-approach.html

"Autonomic physiological coupling of the global fMRI signal"

Психофизиологи выяснили, что вегетативная нервная система является ключевым драйвером глобального сигнала фМРТ

Ученые изучили глобальный пространственно-временной паттерн в мозге и показали, что этот паттерн тесно связан с работой вегетативной нервной системы, которая регулирует возбуждение и другие непроизвольные функции организма
Исследователи обнаружили устойчивую связь между глобальным сигналом фМРТ и множеством изменений в организме, управляемых вегетативной нервной системой, включая сердечно-сосудистую, легочную, экзокринную системы и гладкую мускулатуру
Эти связи наблюдались как в состоянии покоя, так и при экспериментальном воздействии на уровень возбуждения и даже во время сна
Открытие помогает лучше понять, как мозг взаимодействует с телом и как вегетативная нервная система влияет на активность всего мозга

https://medicalxpress.com/news/2025-06-autonomic-nervous-key-driver-global.html

"Self-Adapting Language Models"

Учеными из Массачусетского технологического института предложен SEAL (Self-Adapting LLMs) — новый подход в искусственном интеллекте, который позволяет большим языковым моделям самостоятельно адаптироваться к новым задачам
Вместо статичных весов модель генерирует собственные данные для дообучения и инструкции по обновлению

При получении нового входа модель создает "самоправки" ("self-edits") — может реструктурировать информацию, настроить гиперпараметры или использовать инструменты для улучшения данных
Эти самоправки приводят к постоянным обновлениям весов через дообучение

Модель учится создавать эффективные самоправки с помощью обучения с подкреплением, где подкреплением служит качество работы обновленной модели

В отличие от других методов, SEAL использует собственную генерацию модели для управления адаптацией, что показывает многообещающие результаты в экспериментах

Вывод: SEAL — это важный шаг в сторону самообучающихся языковых моделей, способных автономно дообучаться под новые задачи с минимальным вмешательством

https://arxiv.org/abs/2506.10943

"Photon transport through the entire adult human head"

Ученые впервые смогли зафиксировать свет, прошедший через всю человеческую голову насквозь

Исследователи использовали мощные лазеры и сверхчувствительные детекторы, чтобы поймать фотоны, которые прошли от одной стороны головы к другой через череп и мозг

Это может революционизировать неинвазивную визуализацию мозга, т.к. существующая технология fNIRS видит только поверхностные слои мозга (4 см глубиной), а новый подход потенциально позволит изучать глубокие области мозга, отвечающие за память, эмоции и движение

В будущем это может привести к созданию портативных и доступных устройств для диагностики инсультов, травм мозга и опухолей в условиях, где нет доступа к МРТ или КТ

Ограничения: пока метод требует 30 минут сбора данных и работает только на людях со светлой кожей без волос

https://medicalxpress.com/news/2025-06-scientists-entire-human-doors-brain.html

Meaning as Use, Application, Employment, Purpose, Usefulness (от 10 июня 2025)

Людвиг Витгенштейн размышлял о том, как язык помогает нам понимать мир и общаться
Исследовал разные области: математику, психологию, восприятие цвета, эстетику: как полигоны для экспериментов с языком

Работал с открытыми и доступными записями, что позволило нам понять его мысли, несмотря на изменения в направлении его исследований

Одной из идей Витгенштейна было то, что смысл слова определяется его использованием
Он писал об этом с самого начала своей карьеры и до последних дней
В его записях часто встречаются слова «Gebrauch» (использование), «Anwendung» (применение), «Verwendung» (употребление) и «Zweck» (цель)

Эти термины помогают понять, как символы и слова в языке получают свой смысл

https://arxiv.org/abs/2506.07131v1
https://arxiv.org/pdf/2506.07131v1.pdf

Пять ступеней участия человека: проверьте, на каком уровне ваша работа переживёт ML-революцию
“Шкала участия человека” и «Карта хочу-могу» разложили 844 профзадачи по цветам светофора — узнайте, в какой зоне окажутся ваши навыки в 2026

Впервые стэнфордское исследование совместило пятиуровневую «шкалу участия человека» с «картой хочу-могу» для 844 профзадач, превратив туманную дискуссию об автоматизации в чёткую дорожную карту того, какие профессии ML поглотит в первую очередь и где человеческие навыки резко вырастут в цене

Если отбросить самых упертосамоуверенных, что человек – венец природы, а ML – стохастический попугай, аргументация технооптимистов стоит на 2х ключевых тезисах:
• как и при всех прошлых технореволюциях, одни профессии исчезнут, но другие появятся, и потому, в большинстве своем, люди останутся при деле, лишь поменяв профессии
• ML просто не способен заменить человека во всем, будущее за гибридными «Профкентаврами людей и ML», где и людям, и ML-агентам найдется достойное место

Авторы нового (крайне важного сменой угла зрения и прорывного по методологии) исследования Стэнфордского универа показали примитивность и практическую бесполезность обоих ключевых тезисов
• Они хороши, если использовать их в общефилософских дебатах
• Но они ничего не дают для выстраивания системы социально-человеческих измерений и внедрения инструментов прогнозирования, необходимых для адаптации общества к цунами грядущего массового внедрения LLM-агентов во все индустрии и на все уровни экономики

Что было сделано
104 профессии были разложены на 844 задач оценили по двум измерениям:
• куда люди хотят пустить ML-агентов
• где это технически возможно

Авторы посмотрели на потенциал гибридизации людей и ML не с общих позиций, а конкретно:
• хорошо, внедрим профкентавров
• так сколько тогда людей в рабочем контуре останется (столько же? больше? меньше чем было?)

Для ответа на этот вопрос появилась “Шкала участия человека” Human Agency Scale: пятиуровневая шкала H1–H5, показывающая, сколько человеческого участия требуется при выполнении задачи совместно с ML-агентом

2) Потом авторы составили «Карту желаний и возможностей» («Карту хочу-могу» Desire × Capability), чтобы оценить:
• где люди сами просят автоматизировать задачи, а где ML-агенты готовы заменить их вопреки желанию
• где автоматизация включит «зелёный свет», а в каких профессиях вырастет ценность человеческого участия

Получился двумерный «ландшафт» задач, разбитый на зоны «зелёный свет», «красный свет», «R&D-возможность» и «низкий приоритет» в зависимости от того, насколько работники хотят автоматизации и насколько она технически возможна

Ключевые «новинки» исследования
Шкала участия человека наконец-то позволила измерить единой линейкой, сколько человека должно оставаться в контуре
Это важно для практики: помогает выбирать между полной автоматизацией и ко-работой

Карта хочу-могу предоставила разбивка задач на Зеленый цвет (хотим + можем), Красный (можем, но люди против), Надо разрабатывать R&D Opportunity (хотим, но пока не умеем) и Пока неважно Low Priority. Это даёт быстрый «радар» для инвестиций и политики занятости

Заточенная на профессии Worker-centric оптика показала, что статистика использования (например, логи Claude.ai) плохо отражает реальный спрос: профессии с самым высоким запросом на автоматизацию составляют лишь 1.26 % текущего использования LLM-чатов

Выявлены конкретные сигналы пересборки навыков
Проведенный анализ связывает каждую задачу с O*NET-скиллами () база Occupational Information Network Министерства труда США) и показывает: ценность скилов типа «анализа данных» уходит вниз, а «налаживания отношений» и «координации ресурсов» — вверх
Это добавляет стратегический слой к чисто количественной оценке прироста производительности

Почему это принципиально
Про смену угла зрения сказано выше

2 новые карты можно прямо вкручивать в программы рескиллинга, фильтры грантов и регуляторные «светофоры»

Риск «красной зоны» - там возможна социальная турбулентность

«Архимеда будут помнить, когда забудут Эсхила, потому что языки умирают, а математические идеи — нет
«Бессмертие» может быть глупым словом, но, вероятно, у математика больше всего шансов на то, что бы оно ни значило»

Квантовые гейты: функциональный базис: I, X, Y, Z

Матрицы Паули — это не просто набор квантовых гейтов, а полный функциональный базис для всех однокубитных операций. Разбираемся, почему четыре простые матрицы могут описать любое квантовое преобразование

Математическая основа

Матрицы Паули вместе с единичной матрицей образуют ортонормальный базис в векторном пространстве всех эрмитовых матриц размерностью 2 × 2
Это означает, что любую эрмитову матрицу можно единственным образом разложить по этому базису:

H = α0I + α1σx + α2σy + α3σz,

где все коэффициенты α — вещественные числа

Сами матрицы имеют вид:

I = (1 0)
(0 1),
σx = (0 1)
(1 0),
σy = (0 −i)
(i 0),
σz = (1 0)
(0 −1)

Почему именно эрмитовы матрицы?

В квантовой механике эрмитовы операторы представляют наблюдаемые величины
Матрицы Паули описывают измерения спина вдоль осей X, Y и Z в трёхмерном пространстве

Поскольку любая физически измеримая величина для кубита должна быть эрмитовой, базис Паули охватывает все возможные наблюдаемые двумерного квантового пространства

Именно поэтому матрицы Паули иногда обозначают как I, X, Y, и Z

Функциональная полнота

Термин «функциональный базис» означает, что через эти четыре матрицы можно выразить любое унитарное преобразование кубита. Используя формулу Эйлера для матричных экспонент:

U = exp(i(α1σx + α2σy + α3σz),

можно получить произвольный однокубитный гейт
Это делает базис Паули универсальным для квантовых вычислений на одном кубите

Геометрическая интерпретация

Матрицы Паули связаны с сферой Блоха — геометрическим представлением состояний кубита
Вектор Паули σ = σxx + σyy + σzz обеспечивает отображение из трёхмерного вещественного пространства R3 в пространство бесследовых эрмитовых матриц:

a⋅σ = (a3a1 − ia2) (a1 + ia2−a3)

Алгебраические свойства

Матрицы Паули обладают уникальными свойствами:

* Эрмитовость: σi† = σi
* Унитарность: σi†σi = I
* Бесследовость: tr(σi) = 0
* Антикоммутация: {σi, σj} = 2δijI

Произведение матриц Паули даёт: σiσj = δij + iεijkσk, где εijk — символ Леви-Чивиты

Связь с группами Ли

Матрицы iσx, iσy, iσz образуют базис алгебры Ли SU(2), которая экспоненцируется в группу SU(2) — группу всех унитарных матриц размерности 2 × 2 с единичным определителем
Это означает, что базис Паули порождает все возможные квантовые вращения в двумерном пространстве

Практическое применение

В квантовых вычислениях базис Паули используется для:

* Разложения произвольных гейтов в элементарные операции
* Квантовой томографии — восстановления состояний через измерения
* Анализа ошибок в квантовых схемах
* Оптимизации квантовых алгоритмов

Базис I, X, Y, Z — это математический фундамент, на котором строится вся архитектура однокубитных квантовых вычислений
Четыре простые матрицы содержат в себе всю полноту квантовой логики для одного кубита

AlphaEvolve: как искусственный интеллект начинает открывать новую математику

В мае 2025 года Google представила AlphaEvolve — революционного ML-агента, который способен разрабатывать сложнейшие математические алгоритмы с помощью больших языковых моделей и эволюционного отбора

Эта система уже демонстрирует прорывные результаты: она не просто поддерживает учёных в доказательствах или вычислениях, а сама открывает новые решения давно открытых и открытых задач, предлагая оригинальные подходы, к которым человечество шло десятилетиями

AlphaEvolve опирается на мощные модели Gemini, которые предлагают гипотезы и пишут код, и на встроенных автоматических оценщиков, проверяющих корректность и эффективность этих решений. Но в отличие от предыдущих поколений ML, этот агент не ограничен задачами автоматизации
Он способен развивать и видоизменять собственные подходы — словно участвует в исследовательском процессе как полноценный математик

Самый яркий пример — новое решение задачи умножения комплексных матриц 4×4. AlphaEvolve нашла способ выполнить это с 48 скалярными умножениями — результат, превосходящий знаменитый алгоритм Штрассена, который считался эталоном с 1969 года

Более того, система не просто случайно наткнулась на улучшение: она прошла через 15 итераций мутаций и селекции, методично выводя эффективную структуру, которую можно математически интерпретировать и воспроизвести

Система была также протестирована на более чем 50 открытых математических задачах из анализа, комбинаторики, геометрии и теории чисел

В 75 % случаев AlphaEvolve воспроизвела лучшие на сегодня известные решения, что само по себе впечатляет
Но более важно то, что в 20 % задач она предложила лучшие решения, повышая текущие нижние или верхние оценки, и тем самым реально продвигая границу знания

Один из таких случаев — проблема поцелуев в 11-мерном пространстве
Задача, мучившая математиков более трёхсот лет, касается максимального количества сфер, касающихся центральной сферы. AlphaEvolve предложила конфигурацию из 593 внешних сфер, улучшив существующую нижнюю границу и тем самым внесла новый вклад в многомерную геометрию