дарю универсальный слайд на любое время года :)

если нужен highres - спрячу в комментарии

#слайды
———
@tsingular

Робо-глаза с разрешением лучше человеческого

Учёные из Georgia Tech создали мягкую линзу из гидрогеля, которая фокусируется без электричества — только за счёт света.

Внутри гидрогелевого кольца вокруг силиконовой линзы спрятан оксид графена. Он поглощает свет, набухает или сжимается, меняя форму и фокус.
Разрешение — 4 микрометра.

Для сравнения: человек различает детали от 89 микрометров на расстоянии 30 см.

Но есть нюанс. Гидрогели реагируют медленно — от 1 до 10 секунд при умеренном освещении.
В теории такая оптика подходит для мягких роботов в хирургии, поисково-спасательных операциях, сельском хозяйстве. Или даже вместо микроскопных линз в лабораториях.

Проблема — долговечность. Оксид графена разрушается под ультрафиолетом и влагой. Сколько проживёт такая линза в реальных условиях — неизвестно.

Скоро у роботов будут глаза лучше человеческих.

#PHySL #SoftRobotics #eyes
———
@tsingular

Agent Sandbox: Google делает Kubernetes платформой для ИИ-агентов

Google на KubeCon NA 2025 представил Agent Sandbox — новый примитив Kubernetes для безопасного запуска ИИ-агентов, которые могут выполнять код и управлять браузерами.

Основа — изоляция через gVisor и Kata Containers. Когда агент генерирует команды или скрипты, каждая задача крутится в отдельной песочнице с изоляцией на уровне ядра.

Agent Sandbox станет проектом CNCF и будет работать на любом Kubernetes. Но фишки только на GKE:
- предпрогретые пулы песочниц дают задержку менее секунды (на 90% быстрее холодного старта)
- Pod Snapshots — снимки работающих подов с GPU, старт за секунды вместо минут

Для примера: по данным CRIUgpu, чекпоинт GPT-2 XL на H100 занимает 60 GB и требует 88–130 секунд на сохранение.
При тысячах параллельных песочниц накладные расходы на хранение и I/O становятся узким местом.

Agent Sandbox уже доступен.

#Kubernetes #GKE #gVisor
———
@tsingular

NotebookLM получил Deep Research и поддержку новых форматов

Google добавил в NotebookLM функцию Deep Research — агента, который просматривает сотни сайтов за пару минут и собирает отчёт с источниками.
Отчёт можно сразу добавить в ноутбук и продолжить работать — генерить аудио-обзоры или миксовать с другими данными.

Теперь загружаются Google Sheets, Word-документы и картинки. Лимиты есть: 500 тысяч слов на файл или 200 МБ максимум.

Надо уже какую-то новую концепцию придумать, а то DeepResearch уже в каждом блокноте.

#NotebookLM #DeepResearch
———
@tsingular

Альтмана в Твиттере кибербуллят за тире :)

#юмор
———
@tsingular

The Ultimate n8n Starter Kit

О, еще годнота подъехала.

Нэйт Херк, это, если кто не знает, эксперт n8n, автор канала на Youtube уже с 430К подписчиками и максимально полезными роликами по ИИ автоматизации, выпустил книжку для начинающих в n8n

Содержание:
1. Введение в n8n
Автоматизация процессов. Облачная версия и собственный хостинг
2. Основные концепции
Узлы и триггеры. Работа с JSON-данными и API
3. Создание рабочих процессов
Проектирование workflow. Отладка и обработка ошибок
4. AI-агенты
Интеграция OpenAI и Google AI. Промптинг и применение
5. Продвинутые AI-интеграции
Подключение AI-сервисов. Реальные кейсы автоматизации

оставляю в комментариях.

#n8n #обучение
———
@tsingular

Context Engineering 2.0

Если нет времени читать документы, - посмотрите.

Тут кратко сама суть по сборке контекста.
Кстати понравилось, что он не тупо пересказывает документ, а реально похоже сначала строит сценарий повествования так, что сутевые пункты корректно раскиданы по ходу ролика для оптимального восприятия зрителем.

Ну, а если есть время, - сам файл в комментарии.
Вдруг еще не читали.

#Context #обучение
———
@tsingular

Получилось по своей же методике сделать перевод этого курса.

в комментах полный файл.

#переводы #Google #агенты
———
@tsingular

🚀 Китай создал аналоговый чип, который в 1000 раз быстрее Nvidia H100

Университет Пекина разработал аналоговый процессор на базе RRAM-памяти, который решает задачи инверсии матриц для систем MIMO с точностью цифровых чипов, но потребляет в 100 раз меньше энергии.

Суть прорыва:
Вместо цифровой обработки матричных уравнений используют физические свойства резистивной памяти. Проводимость каждой ячейки = элемент матрицы. Умножение матрицы на вектор происходит за один шаг, а не за тысячи итераций.

Схема использует два контура: первый даёт быструю приближённую оценку, второй уточняет результат за 2-10 итераций до нужной точности.

Но есть нюанс - тесты проводились на матрицах максимум 16×16, а сравнение с GPU нормализовали к одноядерной производительности, что не отражает реальные возможности многопоточных систем.

В теории - прорыв для энергоэффективных вычислений в беспроводных сетях и ИИ.
На практике - нужны тесты на реальных нагрузках.

Исходное исследование

#RRAM #Analog #Китай
———
@tsingular