⚡️ Nvidia анонсировала систему на чипе RTX Spark Superchip для Windows 11

Архитектура рассчитана на локальный запуск ИИ-моделей размером до 120 млрд параметров.

В основе - 20-ядерный CPU линейки Grace и графическое ядро Blackwell с 6144 ядрами CUDA. Компоненты соединены шиной NVLink и используют до 128 ГБ объединенной памяти LPDDR5X.

При теплопакете 80 Вт мощность видеоядра сопоставима с мобильной GeForce RTX 5070. Чип поддерживает DLSS 4.5.

Ноутбуки на базе RTX Spark поступят в продажу осенью по цене от 2700 евро.

Для корпоративной разработки Nvidia готовит рабочую станцию DGX Station for Windows на базе GB300 Grace Blackwell Ultra с 750 ГБ памяти.


@ai_machinelearning_big_data

#news #ai #ml

📌 Р. Саттон: ИИ без оценки результатов в процессе работы не способен к научным открытиям

Ричард Саттон, один из основоположников RL и лауреат премии Тьюринга, записал видео, в котором раскритиковал нынешние генеративные модели.

Современные генеративные модели (LLM, генераторы изображений и видео) по своей природе лишь имитируют и не способны к настоящему творчеству и открытиям.

Основной ограничитель - отсутствие механизма, который оценивал бы их результаты непосредственно во время работы.

Свой довод Саттон построил вокруг известной шутки об отзыве на научную работу: она "и новая, и хорошая, но хорошие части не новы, а новые - не хороши".

Это описание точно подходит к генеративному ИИ: его вывод бывает либо новым (за счёт случайности при генерации), либо качественным (за счёт обучающих данных), но не тем и другим сразу.

Для большинства задач это несущественно: имитация и есть назначение обучения с учителем, а генеративный ИИ остаётся полезной технологией, если он быстрее, дешевле или удобнее воспроизводимого образца. Проблема возникает там, где требуются открытие и творчество, то есть в науке и математике.

Научное открытие складывается из 3 шагов: вариативности, оценки и избирательного сохранения удачного. Этой способности нет в чистом предсказании и обучении с учителем, но она есть в RL, планировании и комбинаторном поиске.

Саттон привёл в пример системы, которые, по его оценке, нашли одновременно новые и качественные решения: AlphaGo, AlphaZero, AlphaFold и AlphaProof.

Сам трёхчастный принцип, кстати, не нов. На близкие идеи указывали ещё Дональд Кэмпбелл и Дэниел Деннет.

🟡 Генеративным моделям недостаёт шага оценки

Из-за предобучения, они не имеют способа оценивать собственный вывод в момент работы, а без оценки нет и отбора лучшего. Оценку может давать человек, выбирающий результат, но важнее кейс, когда критерий задан явной целью (например, ходом, ведущим к мату, или шагом, ведущим к доказательству).

Ограничение Саттон распространил и на сам метод обучения. Алгоритм обратного распространения ошибки лишён случайности, она вносится лишь однажды при инициализации весов, из-за чего сеть со временем теряет пластичность.

В качестве решения он напомнил о предложенном его группой алгоритме Continual Backprop, который периодически заново инициализирует редко используемые нейроны, поддерживая способность сети меняться.

🟡Вывод

Чтобы добиться полностью автономного ИИ-учёного, инженерам следует делиться с моделями измеримыми целями, по которым те могли бы самостоятельно проходить весь цикл: порождать варианты, оценивать их и сохранять лучшие, не полагаясь на человека в роли арбитра.

Тезисы Саттона перекликаются с его эссе "Горький урок", где он отстаивал ставку на поиск и обучение, масштабируемые вместе с вычислительными мощностями, в противовес встраиванию готовых человеческих знаний.

🔜 Послушать лекцию на Youtube


@ai_machinelearning_big_data

✔️ Лидеры по найму среди стартапов Кремниевой долины

Руководитель по развитию Cursor Бен Ланг опубликовал список из 35 технологических стартапов с самыми высокими темпами найма за последние 90 дней.

Рейтинг учитывает соотношение числа новых сотрудников к изначальному размеру команды.

Около 85% списка заняли проекты в сфере ИИ и автономных систем. Основной рост пришелся на 2 направления:

🟢ИИ-безопасность: Jazz, Tenzai, Straiker, Gray Swan и Native.

🟠Embodied AI и робототехника: разработчик моделей Skild AI, провайдер датасетов для машинного зрения Mecka AI и создатель систем управления Allen Control Systems.

Также в список вошли сам Cursor, платформа предиктивных рынков Polymarket и разработчик RL-сред Fleet. По данным Бена, последний сейчас привлекает инвестиции при оценке в $750 млн.


@ai_machinelearning_big_data

#news #ai #ml

✔️ Яндекс подвёл итоги грантовой программы Yandex Open Source

Компания выбрала 18 open source-проектов в направлениях AI, data и developer tools. Среди победителей — инструменты для локальных LLM, GraphRAG, E2E-тестирования, Docker и embedded-баз данных.

🟡Auto AI Router

Прокси-роутер для работы с OpenAI, Gemini, Anthropic и другими моделями через единую точку входа.

Поддерживает:
• балансировку нагрузки
• rate limiting
• каскадную маршрутизацию
• защиту от подозрительных запросов по аналогии с Fail2Ban

🟡RAGU

GraphRAG-движок для построения графов знаний по документам.

Система:
• извлекает сущности и связи
• дедуплицирует узлы
• кластеризует граф
• комбинирует локальный, глобальный и векторный поиск

Поддерживаются как облачные API, так и локальные модели Hugging Face.

🟡langchain-localai

Пакет для работы с LocalAI и LangChain в закрытых контурах.

Разработчики:
• перевели библиотеку на OpenAI SDK v1
• добавили полноценную асинхронность
• ускорили batch-генерацию эмбеддингов
• встроили поддержку reranking внутри RAG-систем

🟡Playwright Labs

Набор инструментов для E2E-тестирования на базе Playwright.

Включает:
• observability через OTLP
• генерацию моков
• Docker orchestration
• поддержку Angular / React / Vue селекторов

@ai_machinelearning_big_data

#opensource #ai #ml

🌟 LangChain сделала модуль самопроверки для ИИ-агентов

Компания выпустила RubricMiddleware, компонент для своего фреймворка Deep Agents, который заставляет ИИ-агента проверять собственный результат по заранее заданным критериям и при необходимости переделывать работу.

Инструмент позиционируется как решение типичной проблемы, когда агент выполняет задачу почти целиком, но упускает формат, тесты или обязательные разделы.

Механизм наиболее полезен для задач с чёткими и проверяемыми критериями приёмки.

🟡 Принцип работы

Разработчик задаёт список требований (рубрику) к выполненной задаче: например, код должен проходить тесты, а отчёт содержать определённые разделы.

Перед тем как агент завершит работу, отдельный проверяющий агент (грэйдер) оценивает результат по каждому пункту. Если что-то не выполнено, его замечания возвращаются основному агенту, и тот делает новую попытку.

Цикл останавливается, когда все критерии выполнены либо когда достигнут заданный лимит итераций.

По словам LangChain, проверяющий агент может не только рассуждать о качестве ответа, но и вызывать внешние инструменты, чтобы опираться на фактические данные, а не только на текст.

LangChain сравнивают подход с функцией /goal в Claude Code и Codex, но утверждают, что их реализация пластичнее за счёт выделенного агента-оценщика, который видит весь ход выполнения задачи.

RubricMiddleware пока в бете, но к нему есть документация, а посмотреть пример трейса можно тут.


@ai_machinelearning_big_data

#news #ai #ml

⚡️ Apple презентовала Siri AI

На WWDC 2026 главной темой конференции стала Siri AI - заново переработанная версия голосового ассистента, построенная на основе моделей Google Gemini.

Siri AI получила более естественный, разговорный характер с возможностью регулировки темпа и выразительности речи ассистента, а сам голос звучит ближе к человеческому, чем прежний синтетический.

Ассистент учитывает личный контекст и содержимое экрана. Появилось отдельное приложение-чатбот, через которое можно задавать вопросы, генерировать тексты и изображения, анализировать файлы.

Функции визуального интеллекта позволяют спрашивать о том, что видит камера или проанализировать снимок экрана.

Apple Intelligence использует обработку данных на устройстве и частные облачные вычисления, обещая, что данные пользователей используются только для выполнения текущего запроса и недоступны Apple или третьим лицам.

Новая Siri и расширенные функции Apple Intelligence в iOS 27, iPadOS 27, macOS 27, watchOS 27 и visionOS 27 будут работать начиная с iPhone 16 и новее, а также на Pro-версиях iPhone 15, iPad mini с чипом A17 Pro и устройствах iPad и Mac с чипом M1 и новее.

Из часов поддерживаются Apple Watch Series 10+, Ultra 2+, а также SE 3.

Быстрее всего ИИ будет работать на iPhone Air, iPhone 17 Pro и 17 Pro Max, iPad с чипом M4 и Mac с M3 при объёме оперативной памяти не менее 12 ГБ.

Релиз Siri AI запланирован на осень 2026 года и поначалу только на английском языке. В странах ЕС ассистент на iPhone и iPad на старте доступен не будет. В Китае Siri AI также не появится сразу.

Конференция стала последней для Тима Кука в роли генерального директора. 1 сентября он передаёт пост старшему вице-президенту по аппаратной инженерии Джону Тернусу.

@ai_machinelearning_big_data

#news #ai #ml

Перестаньте романтизировать поиск работы. ИИ нас всех заменит

Никакого «все есть путь» больше не существует, поиск работы теперь - это тупой ИИ-шный конвейер
⁃ Перестаньте внимательно читать вакансии, - бесполезно. их штампуют ИИ и пиарщики, смысла там минимум.
⁃ По 2 часа писать сопроводительные, рекрутер всё равно решит, что это ИИ
⁃ Думать, что рекрутер - лицо компании, он отражает ее культуру, должен разбираться в процессах и продуктах компании, - нет, не должен
⁃ Расстраиваться из-за каждого грубого слова в отказе, - это все тоже типовые шаблонные ответы
⁃ Переписывать 100500 раз одно резюме и переживать о том, что там маленькие показы, просмотры - к моменту, как вас пригласят на интервью, вероятнее всего НИКТО, даже рекрутер не смотрел ваше резюме - вся выборка делается авто-фильтрами!!

Процесс поиска работы сейчас - это четкий алгоритм действий, это машина, это постоянные новые алгоритмы, которые меняются каждую неделю. Самому в этом разобраться почти невозможно, поэтому есть классные продукты, которые вас за ручку проведут в этом процессе

Один из таких продуктов - Карьерная группа - это программа карьерного сопровождения, по которой 94% ИТ и digital специалистов за 3 месяца получают ТОПовые офферы в ИТ в 7 направлениях (product / project management, аналитики, разработчики, С-level позиции: СРО, РМО, СТО, СОО, ССО) от таких компаний как AVITO, Яндекс, Т-банк, OZON с ЗП минимум на 20-30% выше рынка: от 190к на администратора проекта до 1,4 млн руб на Тех. владельца продукта

Тут можно посмотреть:
🔴 разборы резюме для получения супер офферов,
🔴 МОК собесы на разные ИТ роли,
🔴 делятся ежемесячными отчетами по полученным офферам, обычно 30-50 шт в мес 😱

И пройти бесплатную КАРЬЕРНУЮ ДИАГНОСТИКУ, чтобы примерно прикинуть свои шансы на рынке труда: по ЗП, роли, оценить сроки на поиск.

В общем, обязательно подпишитесь.

Реклама. Романова О.Ю. ИНН 645004633301 Erid: 2Vtzqwb7BfE

✔️ CacheLib внезапно обновился

После 2-х лет тишины проект получил свежее обновление. Возвращение продиктовано бумом искусственного интеллекта: из-за скачка мировых цен на память IT-индустрии потребовались новые способы снижения расходов на инфраструктуру.

CacheLib позволяет выносить большие объемы кэша из дорогой оперативки на более доступные и емкие SSD без существенной потери производительности.

Инструмент предоставляет масштабируемый механизм гибридного кэширования, который автоматически и прозрачно распределяет данные между разными уровнями памяти.

Движок отличается крайне низкими накладными расходами благодаря поточномуу API и структурам данных без копирования, требуя минимум места для хранения метаданных.

Еще одна особенность CacheLib - отказоустойчивость: библиотека умеет сохранять свое состояние, предотвращая потерю прогретого кэша при перезапуске приложений.

Хотя официальный чейнджлог со списком изменений разработчики не опубликовали, актуальный релиз уже доступен на GitHub.


@ai_machinelearning_big_data

#news #ai #ml

⚡️ Anthropic готовится представить коммерческую версию Mythos

Компания находится в шаге от релиза Claude Fable 5 - публичной адаптации архитектуры Mythos, которая развивается в рамках закрытого проекта Glasswing.

Оригинальная модель Mythos умеет автономно находить уязвимости нулевого дня и выполнять многоступенчатые хакерские атаки. Чтобы безопасно вывести технологию на рынок, Anthropic разделит релиз.

Базовая версия Mythos останется эксклюзивом для государств и профильных партнеров, а Fable 5 станет общедоступным флагманом для разработчиков.

В публичной Fable 5 будут вшиты строгие системные ограничения на сетевое проникновение и эксплуатацию вредоносного кода, при этом она сохранит возможности Mythos (сложную логику, работу со сверхдлинным контекстом и многоэтапное автономное выполнение задач).

Ожидается, что официальный анонс Fable 5 состоится 10 июня на конференции Code with Claude в Токио.


@ai_machinelearning_big_data

#news #ai #ml

✔️ OpenAI переделает ChatGPT в суперприложение

В ближайшие недели компания проведёт первый крупный редизайн ChatGPT с 2022 года. Сервис трансформируется из диалогового чат-бота в платформу автономных агентов.

Обновлённый интерфейс интегрирует партнёрские сервисы для самостоятельного выполнения многошаговых задач без дополнительных промптов и переключения между приложениями.

Смена курса обусловлена низкой рентабельностью чат-бота. Перед IPO OpenAI смещает фокус на B2B-сегмент и реструктуризирует продуктовые команды. Бизнес-модель переориентируется на корпоративных клиентов со стабильной монетизацией по аналогии со стратегией Anthropic.
ft.com

✔️ Инженер из аппаратного подразделения OpenAI перешёл в Anthropic

Anthropic наняла бывшего инженера OpenAI Клайва Чана для разработки собственных ИИ-чипов. До этого у компании не было профильного аппаратного подразделения.

В OpenAI Чан проектировал кастомный кремний и участвовал в партнёрстве с Broadcom. До этого он разрабатывал чипы для обучения ML-моделей в Tesla Autopilot, где отвечал за архитектуру дата-центров и энергоэффективные вычисления.

Найм Чана должен помочь Anthropic сформировать команду аппаратных инженеров. Переход на собственное железо планируется для снижения себестоимости вычислений и повышения маржинальности.
Clive Chan в сети Х

✔️ TSMC испытывает дефицит производственных мощностей

Google заказала у Intel производство более 3 млн TPU на 2028 год. Nvidia пока не заключила контракт, но тестирует техпроцессы Intel для будущей GPU-архитектуры Feynman. Причина переноса заказов - из-за нехватки производственных линий у TSMC.

Глава TSMC подтвердил, что индустрия не сможет покрыть спрос на ИИ-чипы в ближайшие несколько лет. Дефицит позволил Intel привлечь новых клиентов на фоне прошлых финансовых убытков и срывов дедлайнов.

Параллельно SK Hynix проверяет совместимость своей памяти с новыми технологиями упаковки Intel.
theinformation.com

✔️ Sakana AI займётся алгоритмической эволюцией ИИ

Японский стартап открыл исследовательскую лабораторию рекурсивного самосовершенствования (RSI). Цель - создание сетей, которые итеративно переписывают, тестируют и оптимизируют собственный код.

Компания рассчитывает, что алгоритмическая эволюция позволит отказаться от парадигмы масштабирования вычислений.

В портфеле стартапа уже есть система LLM-Squared, где одни LLM создают алгоритмы обучения для других, и платформа AI Scientist, автоматизирующая научные исследования.

Следующий этап дорожной карты Sakana AI - разработка автономных агентов, способных улучшать свою архитектуру без участия человека.
sakana.ai

✔️ Динамический биллинг лишил 74% бизнеса контроля над ИИ-бюджетами

По данным неопубликованного отчета KPMG, только 26% компаний полностью контролируют свои расходы на ИИ. 50% ведут ограниченный мониторинг, а 22% узнают о затратах постфактум из выставленных счетов. Причина - неготовность финансовых отделов к токенизированному биллингу и динамическому ценообразованию.

Из-за непрогнозируемой нагрузки потребление ресурсов в отдельных проектах возрастает до 6 раз. Это приводит к исчерпанию годовых бюджетов на облачные вычисления и API за несколько месяцев. По итогам текущего квартала ожидается пересмотр расходов после получения бизнесом реальных счетов от ИИ-провайдеров.

Текущую ситуацию сравнивают с закупками облачных мощностей во время пандемии, за которыми последовало сокращение инфраструктурных бюджетов.
wsj.com


@ai_machinelearning_big_data

#news #ai #ml