💡 Microsoft Majorana 1: Новый уровень квантовых вычислений
🔹 Microsoft представила Majorana 1 — первый квантовый чип с архитектурой Topological Core. Он использует майорановские кубиты, которые обещают стабильность и масштабируемость.
🔹 В отличие от других квантовых процессоров, Majorana 1 делает ставку не на количество кубитов, а на их устойчивость к ошибкам. Сейчас их всего 8, но технология позволяет масштабировать систему до миллиона кубитов.
🔹 Как это работает?
📌 Используются топологических сверхпроводники, где создаются фермионы Майораны – частицы, являющиеся своей собственной античастицей. Они снижают декогеренцию (потерю квантового состояния) и повышают надёжность вычислений.
🔹 Сомнения учёных
Некоторые рецензенты отмечают, что:
❗️ Связь с Майораной не доказана окончательно
❗️ Кубиты пока не демонстрируют необходимую устойчивость
💭 Что дальше?
Даже если Majorana 1 пока не совершил революцию, он открывает путь к квантовым системам нового поколения.
🔹 Microsoft представила Majorana 1 — первый квантовый чип с архитектурой Topological Core. Он использует майорановские кубиты, которые обещают стабильность и масштабируемость.
🔹 В отличие от других квантовых процессоров, Majorana 1 делает ставку не на количество кубитов, а на их устойчивость к ошибкам. Сейчас их всего 8, но технология позволяет масштабировать систему до миллиона кубитов.
🔹 Как это работает?
📌 Используются топологических сверхпроводники, где создаются фермионы Майораны – частицы, являющиеся своей собственной античастицей. Они снижают декогеренцию (потерю квантового состояния) и повышают надёжность вычислений.
🔹 Сомнения учёных
Некоторые рецензенты отмечают, что:
❗️ Связь с Майораной не доказана окончательно
❗️ Кубиты пока не демонстрируют необходимую устойчивость
💭 Что дальше?
Даже если Majorana 1 пока не совершил революцию, он открывает путь к квантовым системам нового поколения.
Google представила ИИ для роботов. Доступна запись в waitlist для тестирования.
Google DeepMind представила две новые модели искусственного интеллекта: Gemini Robotics и Gemini Robotics-ER. Эти модели расширяют возможности роботов, позволяя им лучше понимать окружающий мир и выполнять сложные физические задачи. В демонстрационных видео роботы выполняли действия по голосовым командам, такие как подключение устройств к розетке, наполнение ланч-бокса и застегивание сумки. Google сотрудничает с техасской компанией Apptronik для создания следующего поколения гуманоидных роботов на базе Gemini 2.0.
https://www.youtube.com/watch?v=4MvGnmmP3c0
Google DeepMind представила две новые модели искусственного интеллекта: Gemini Robotics и Gemini Robotics-ER. Эти модели расширяют возможности роботов, позволяя им лучше понимать окружающий мир и выполнять сложные физические задачи. В демонстрационных видео роботы выполняли действия по голосовым командам, такие как подключение устройств к розетке, наполнение ланч-бокса и застегивание сумки. Google сотрудничает с техасской компанией Apptronik для создания следующего поколения гуманоидных роботов на базе Gemini 2.0.
https://www.youtube.com/watch?v=4MvGnmmP3c0
YouTube
Gemini Robotics: Bringing AI to the physical world
Our Gemini Robotics model brings Gemini 2.0 to the physical world. It's our most advanced vision language action model, enabling robots that are interactive, dexterous, and general. Learn more about how we're enabling the next generation of robotic AI agents…
В Китае представили первый серверный процессор RISC-V полностью собственной разработки. Это 32-ядерный RiVAI Lingyu
https://www.ixbt.com/news/2025/04/05/risc-v-32-rivai-lingyu.html
https://www.ixbt.com/news/2025/04/05/risc-v-32-rivai-lingyu.html
iXBT.com
В Китае представили первый серверный процессор RISC-V полностью собственной разработки. Это 32-ядерный RiVAI Lingyu
Архитектура Arm активно захватывает рынок во всех направлениях, однако она является закрытой и зависит от одноимённой компании. Что не очень удобно для Китая из-за потенциальных санкций.
Почему NPU Quadric Chimera отличается от обычных AI-ускорителей?
Quadric делает лицензируемое IP для нейропроцессоров (NPU), чтобы компании могли встроить их “движок” в свои SoC и ускорять edge AI, включая LLM/генеративные модели. Их ключевой продукт, Chimera, это программируемая архитектура NPU (масштабируется по производительности) плюс SDK/компилятор, чтобы переносить и запускать модели без разработки собственного “железа” с нуля.
В статье CMO прямо говорит, что Quadric была прибыльной последние 2 квартала и что рост выручки идёт “на лицензировании, не на сервисах”, а выручка за 2025 год — “двузначные миллионы долларов”. Это редкость для IP-стартапов, где часто всё держится на кастомной разработке под клиента. «стартап привлек $30 миллионов в рамках раунда Series C. Суммарные инвестиции составили $72 миллионов, а оценка компании удвоилась с последнего раунда»
У большинства NPU внутри есть много одинаковых “кирпичиков” вычислений. Каждый такой кирпичик называется PE (Processing Element) — маленький вычислительный блок, и их много, они работают параллельно. Проблема типичных NPU в том, что они хорошо ускоряют только “стандартные” операции нейросетей. Всё, что нестандартное, обычно уходит на CPU или DSP, и это сразу добавляет задержки и лишнее энергопотребление из-за передачи данных туда-сюда.
В Chimera каждый PE содержит не только блоки для быстрых нейросетевых вычислений, но и полноценный 32-битный вычислительный блок, похожий на мини-CPU. Поэтому нестандартные операции, активации и постобработка могут выполняться прямо внутри NPU, без “провала” на внешний процессор.
Модели компилируются в C/C++ и запускаются на NPU. Если в модели есть что-то особенное, разработчик может дописать свой кусок вычислений как C/C++ kernel (по смыслу похоже на CUDA-kernel), и это тоже выполнится внутри NPU.
Идея Chimera — не только скорость, но и программируемость, чтобы ускоритель не ломался при появлении новых моделей и новых операторов.
Ссылка на источник
Quadric делает лицензируемое IP для нейропроцессоров (NPU), чтобы компании могли встроить их “движок” в свои SoC и ускорять edge AI, включая LLM/генеративные модели. Их ключевой продукт, Chimera, это программируемая архитектура NPU (масштабируется по производительности) плюс SDK/компилятор, чтобы переносить и запускать модели без разработки собственного “железа” с нуля.
В статье CMO прямо говорит, что Quadric была прибыльной последние 2 квартала и что рост выручки идёт “на лицензировании, не на сервисах”, а выручка за 2025 год — “двузначные миллионы долларов”. Это редкость для IP-стартапов, где часто всё держится на кастомной разработке под клиента. «стартап привлек $30 миллионов в рамках раунда Series C. Суммарные инвестиции составили $72 миллионов, а оценка компании удвоилась с последнего раунда»
У большинства NPU внутри есть много одинаковых “кирпичиков” вычислений. Каждый такой кирпичик называется PE (Processing Element) — маленький вычислительный блок, и их много, они работают параллельно. Проблема типичных NPU в том, что они хорошо ускоряют только “стандартные” операции нейросетей. Всё, что нестандартное, обычно уходит на CPU или DSP, и это сразу добавляет задержки и лишнее энергопотребление из-за передачи данных туда-сюда.
В Chimera каждый PE содержит не только блоки для быстрых нейросетевых вычислений, но и полноценный 32-битный вычислительный блок, похожий на мини-CPU. Поэтому нестандартные операции, активации и постобработка могут выполняться прямо внутри NPU, без “провала” на внешний процессор.
Модели компилируются в C/C++ и запускаются на NPU. Если в модели есть что-то особенное, разработчик может дописать свой кусок вычислений как C/C++ kernel (по смыслу похоже на CUDA-kernel), и это тоже выполнится внутри NPU.
Идея Chimera — не только скорость, но и программируемость, чтобы ускоритель не ломался при появлении новых моделей и новых операторов.
Ссылка на источник
EE Times
Quadric Raises Series C For Programmable NPU IP
Former chip startup Quadric, now an AI IP supplier, has raised a $30 million Series C to rapidly expand its headcount
Edge AI и KWS: как работает голос “на устройстве”
KWS (Keyword Spotting) это распознавание ключевого слова или короткой команды в аудиопотоке. Типичный сценарий: устройство постоянно слушает “пробуждающее слово”, а после него понимает короткую команду типа “включи свет”, “выключи свет”, “старт пылесос”.
Как устроен workflow KWS
С микрофона идет сырое аудио. Нейросеть почти никогда не ест его напрямую, сначала нужна DSP-подготовка.
Схема обычно такая: микрофон → буфер аудио в RAM → DSP (окно, FFT, MFCC или похожие признаки) → модель → постобработка (порог, подтверждение) → событие “ключевое слово/команда”.
DSP важна, потому что превращает поток сэмплов в компактные признаки и делает распознавание устойчивее к шуму и громкости. Часто DSP по нагрузке сопоставима с самой нейросетью.
MLP и CNN
MLP это простой “многослойный классификатор”, обычно быстрый и легкий, подходит для 1–3 команд и очень ограниченной памяти.
CNN это модель, которая лучше ловит шаблоны во времени и частотах (например на MFCC-матрице), обычно точнее в шуме, но требует больше RAM и CPU.
Где лежит модель и что настраивается
Модель хранится во Flash как константный массив весов, это часть прошивки. В RAM живут аудиобуферы, буферы DSP и рабочая область инференса (arena), её размер задается настройками проекта.
Никаких “отдельных прошивок для ML” обычно нет: ты собираешь одну прошивку, в которую входит DSP-код, runtime (например TFLite Micro) и сама модель. Платформы обучения (Edge Impulse, TensorFlow) дают артефакт для деплоя: либо C/C++ код и веса для прошивки MCU, либо пакет/прошивку для специализированного AI-чипа.
Как это делают в реальных устройствах: 3 архитектуры
1. Один чип, всё локально на MCU (nRF/STM)
KWS и команды считаются прямо на Cortex-M. Плюс: проще и дешевле, минус: ограниченный словарь и нужно аккуратно следить за RAM и энергией.
2. Два чипа: always-on AI-чип + MCU
AI-чип постоянно слушает на очень низком потреблении и будит MCU только когда поймал wake word или простую команду. MCU уже включает радио, управляет устройствами, выполняет бизнес-логику. Это частый вариант для батарейных устройств.
3. Wake word локально, команды в облаке
Ключевое слово распознается на устройстве, чтобы не стримить микрофон постоянно. После пробуждения 2–5 секунд аудио отправляются в сервис распознавания речи, и назад приходит готовая команда (что сделать и с чем). Плюс: качество “естественной речи”, минус: зависимость от сети и приватность.
Энергоэффективность
Энергоэффективность достигается тем, что всегда включен только самый дешевый слой.
Always-on слой ловит wake word, остальное “просыпается” только по событию и на короткое окно. Часто держат кольцевой буфер 1–2 секунды, чтобы не потерять начало фразы.
KWS (Keyword Spotting) это распознавание ключевого слова или короткой команды в аудиопотоке. Типичный сценарий: устройство постоянно слушает “пробуждающее слово”, а после него понимает короткую команду типа “включи свет”, “выключи свет”, “старт пылесос”.
Как устроен workflow KWS
С микрофона идет сырое аудио. Нейросеть почти никогда не ест его напрямую, сначала нужна DSP-подготовка.
Схема обычно такая: микрофон → буфер аудио в RAM → DSP (окно, FFT, MFCC или похожие признаки) → модель → постобработка (порог, подтверждение) → событие “ключевое слово/команда”.
DSP важна, потому что превращает поток сэмплов в компактные признаки и делает распознавание устойчивее к шуму и громкости. Часто DSP по нагрузке сопоставима с самой нейросетью.
MLP и CNN
MLP это простой “многослойный классификатор”, обычно быстрый и легкий, подходит для 1–3 команд и очень ограниченной памяти.
CNN это модель, которая лучше ловит шаблоны во времени и частотах (например на MFCC-матрице), обычно точнее в шуме, но требует больше RAM и CPU.
Где лежит модель и что настраивается
Модель хранится во Flash как константный массив весов, это часть прошивки. В RAM живут аудиобуферы, буферы DSP и рабочая область инференса (arena), её размер задается настройками проекта.
Никаких “отдельных прошивок для ML” обычно нет: ты собираешь одну прошивку, в которую входит DSP-код, runtime (например TFLite Micro) и сама модель. Платформы обучения (Edge Impulse, TensorFlow) дают артефакт для деплоя: либо C/C++ код и веса для прошивки MCU, либо пакет/прошивку для специализированного AI-чипа.
Как это делают в реальных устройствах: 3 архитектуры
1. Один чип, всё локально на MCU (nRF/STM)
KWS и команды считаются прямо на Cortex-M. Плюс: проще и дешевле, минус: ограниченный словарь и нужно аккуратно следить за RAM и энергией.
2. Два чипа: always-on AI-чип + MCU
AI-чип постоянно слушает на очень низком потреблении и будит MCU только когда поймал wake word или простую команду. MCU уже включает радио, управляет устройствами, выполняет бизнес-логику. Это частый вариант для батарейных устройств.
3. Wake word локально, команды в облаке
Ключевое слово распознается на устройстве, чтобы не стримить микрофон постоянно. После пробуждения 2–5 секунд аудио отправляются в сервис распознавания речи, и назад приходит готовая команда (что сделать и с чем). Плюс: качество “естественной речи”, минус: зависимость от сети и приватность.
Энергоэффективность
Энергоэффективность достигается тем, что всегда включен только самый дешевый слой.
Always-on слой ловит wake word, остальное “просыпается” только по событию и на короткое окно. Часто держат кольцевой буфер 1–2 секунды, чтобы не потерять начало фразы.
🔥2
Fast data capture with FMCW LiDAR? The answer lies on a chip
Стартап Voyant Photonics привлёк внимание инвесторов как команда, способная перевести LiDAR с громоздких оптических систем на чип-уровень — по масштабу это сравнивают с тем, как CMOS-сенсоры сделали камеры массовыми. В компанию инвестировали ряд стратегических фондов, включая Bill Gates (через Breakthrough Energy Ventures). Series A ещё в 2021 году составил $15.4 млн и был направлен на масштабирование производства чип-уровневых FMCW-LiDAR-систем.
⸻
🔹 О компании и её истоках
Voyant Photonics была основана примерно в 2018 году в Нью-Йорке группой учёных — Крисом Фаре и Стивеном Миллером, которые до этого занимались исследованиями кремниевой фотоники в лабораториях Columbia University’s Lipson Nanophotonics Group. Эта академическая база стала фундаментом для коммерциализации технологии. Стартап вырос из лаборатории профессора Дэвида Смита (David Smith) в Duke University — того самого, кто в 2006 г. продемонстрировал первый работающий плащ-невидимку из метаматериалов.
Команда стартапа сочетает опыт академической науки (PhD и исследования в области фотоники) и практический опыт построения продуктов для автомобильной и промышленной электроники через специалистов с многолетним опытом в отрасли.
🔹 Проблема и их метод решения
Традиционный LiDAR строится из множества отдельной оптики и механических элементов, что делает его дорогим, громоздким и ненадёжным. Voyant предлагает коренное решение: FMCW LiDAR на кремниевом фотоническом чипе, в котором лазеры, усилители, модуляция и детекция интегрированы на одном кремниевом PIC (Photonic Integrated Circuit). Это устраняет механические части и сложную выравнивающую оптику, увеличивает надёжность и снижает стоимость.
Такой подход делает LiDAR:
• настоящим solid-state устройством без движущихся частей,
• массово производимым на полупроводниковых фабриках,
• способным давать одновременно глубину, отражение и скорость объектов в реальном времени (FMCW), то есть полноценное 4D восприятие.
⸻
🔹 Наука, публикации и “как должны работать институты”
Эта технология выросла из фундаментальных исследований в области кремниевой фотоники — интердисциплинарной области, сочетающей оптику и микроэлектронику. Учёные группы Michal Lipson, откуда вышли основатели Voyant, опубликовали много фундаментальных работ по интегрированной фотонике, которые породили современные PIC-решения.
Это отличный пример того, как академическая наука может переходить в инженерную практику: долгие годы исследований + сильная публикационная база = коммерческий продукт, способный изменить отрасль. Подобная трансформация часто обсуждается в литературе про будущее университетов и их связь с индустрией (например, идеи из книги Университет 4.0, где говорится о тесной интеграции науки, образования и инноваций)
Ссылка на источник
Стартап Voyant Photonics привлёк внимание инвесторов как команда, способная перевести LiDAR с громоздких оптических систем на чип-уровень — по масштабу это сравнивают с тем, как CMOS-сенсоры сделали камеры массовыми. В компанию инвестировали ряд стратегических фондов, включая Bill Gates (через Breakthrough Energy Ventures). Series A ещё в 2021 году составил $15.4 млн и был направлен на масштабирование производства чип-уровневых FMCW-LiDAR-систем.
⸻
🔹 О компании и её истоках
Voyant Photonics была основана примерно в 2018 году в Нью-Йорке группой учёных — Крисом Фаре и Стивеном Миллером, которые до этого занимались исследованиями кремниевой фотоники в лабораториях Columbia University’s Lipson Nanophotonics Group. Эта академическая база стала фундаментом для коммерциализации технологии. Стартап вырос из лаборатории профессора Дэвида Смита (David Smith) в Duke University — того самого, кто в 2006 г. продемонстрировал первый работающий плащ-невидимку из метаматериалов.
Команда стартапа сочетает опыт академической науки (PhD и исследования в области фотоники) и практический опыт построения продуктов для автомобильной и промышленной электроники через специалистов с многолетним опытом в отрасли.
🔹 Проблема и их метод решения
Традиционный LiDAR строится из множества отдельной оптики и механических элементов, что делает его дорогим, громоздким и ненадёжным. Voyant предлагает коренное решение: FMCW LiDAR на кремниевом фотоническом чипе, в котором лазеры, усилители, модуляция и детекция интегрированы на одном кремниевом PIC (Photonic Integrated Circuit). Это устраняет механические части и сложную выравнивающую оптику, увеличивает надёжность и снижает стоимость.
Такой подход делает LiDAR:
• настоящим solid-state устройством без движущихся частей,
• массово производимым на полупроводниковых фабриках,
• способным давать одновременно глубину, отражение и скорость объектов в реальном времени (FMCW), то есть полноценное 4D восприятие.
⸻
🔹 Наука, публикации и “как должны работать институты”
Эта технология выросла из фундаментальных исследований в области кремниевой фотоники — интердисциплинарной области, сочетающей оптику и микроэлектронику. Учёные группы Michal Lipson, откуда вышли основатели Voyant, опубликовали много фундаментальных работ по интегрированной фотонике, которые породили современные PIC-решения.
Это отличный пример того, как академическая наука может переходить в инженерную практику: долгие годы исследований + сильная публикационная база = коммерческий продукт, способный изменить отрасль. Подобная трансформация часто обсуждается в литературе про будущее университетов и их связь с индустрией (например, идеи из книги Университет 4.0, где говорится о тесной интеграции науки, образования и инноваций)
Ссылка на источник
Allaboutcircuits
Voyant Photonics Has Silicon That Will ‘Make LiDAR as Common as Cameras’ - News
At CES, All About Circuits interviewed Voyant Photonics' CEO to learn about the company's vision for LiDAR's camera-like future with solid-state 4D FMCW sensing.
На hackaday.com выкатили статью про онлайн музеи компьютерной техники. Можно посмотреть выставки например Computer History Museum в Калифорнии.