На выставке Mobile World Congress (MWC) 2026 в Барселоне компания MediaTek (Тайвань) представила комплекс технологических решений в области беспроводной связи и искусственного интеллекта. Ключевой темой экспозиции стала идея AI For Life: From Edge to Cloud, а презентацию провёл президент компании Джо Чен.
В области разработки сетей 6G компания MediaTek продемонстрировала первую в мире тестовую систему радиосовместимости (6G radio interoperability test system). Данная система предназначена для проверки баланса между пропускной способностью каналов, величиной задержки передачи данных и уровнем энергопотребления. Тестовая система ориентирована на поддержку приложений генеративного и агентного искусственного интеллекта, которые предъявляют к сетевым ресурсам более высокие требования по сравнению с существующими сервисами.
В рамках концепции «персонального облака устройств» агенты искусственного интеллекта получают возможность взаимодействовать между смартфонами, элементами бытовой техники и иными устройствами через Wi- Fi или сети 6G в защищённой среде. Данная архитектура предполагает распределение вычислительных задач между несколькими устройствами, а не их концентрацию в одном центральном процессоре.
Для повышения эффективности работы восходящих каналов связи компания MediaTek представила технологию ИИ-ускоренного разнесения передачи в восходящем канале. Эта технология использует модели машинного обучения для динамической подстройки параметров передачи под изменяющиеся условия в сети. Предложенный подход принципиально отличается от традиционных систем, которые основаны на фиксированных алгоритмах и не адаптируются к состоянию канала в режиме реального времени.
В сегменте подключённых автомобилей компания продемонстрировала первую в мире технологию видеовызова на основе стандарта 5G NR NTN для транспортных средств. Данное решение позволяет устанавливать видеосвязь, использовать мобильные приложения и выходить в интернет через спутниковые каналы в тех зонах, где отсутствует наземное покрытие сотовой сети.
Кроме того, MediaTek представила новый чипсет для автомобильной телематики. Чипсет поддерживает стандарты 5G-Advanced (версии Release 17 и Release 18) и включает в себя встроенные механизмы искусственного интеллекта на уровне модема, что повышает стабильность соединения в сложных условиях приёма.
Для оснащения интеллектуальных автомобильных салонов была анонсирована платформа Dimensity Auto. Она выполнена по 3-нанометровому технологическому процессу, сертифицированному по стандартам автомобильной надёжности (AECQ100) и функциональной безопасности. Платформа построена на архитектуре Arm v9.2 и включает в себя многоядерный центральный процессор, графический процессор с поддержкой трассировки лучей и нейронный процессор для работы генеративных голосовых помощников. Все вычисления, связанные с обработкой голоса и данных пользователя, выполняются локально на устройстве, что позволяет сохранять конфиденциальность информации.
Дополнительно в рамках выставки MediaTek представила первую в мире абонентскую аппаратуру стандарта 5G-Advanced со встроенной поддержкой Wi-Fi 8, построенную на чипсетах T930 и Filogic 8000. Данное решение обеспечивает снижение задержки передачи данных до десяти раз благодаря применению ИИ-механизма динамического управления сетью.
Также компания продемонстрировала «умные» очки на базе процессора Dimensity 9500 с мультимодальным искусственным интеллектом. Эти очки способны обрабатывать текстовую, визуальную и голосовую информацию непосредственно на устройстве без обращения к удалённым серверам.
📕 📕 📕
https://economictimes.indiatimes.com/magazines/panache/mediatek-outlines-6gedge-ai-and-data-centre-ambitions-at-mwc-2026/articleshow/128944885
https://www.gadgets360.com/mobiles/news/mediatek-showcase-6g-5g-advancededge-ai-innovations-mwc-2026-11158621
📲 MAX
В области разработки сетей 6G компания MediaTek продемонстрировала первую в мире тестовую систему радиосовместимости (6G radio interoperability test system). Данная система предназначена для проверки баланса между пропускной способностью каналов, величиной задержки передачи данных и уровнем энергопотребления. Тестовая система ориентирована на поддержку приложений генеративного и агентного искусственного интеллекта, которые предъявляют к сетевым ресурсам более высокие требования по сравнению с существующими сервисами.
В рамках концепции «персонального облака устройств» агенты искусственного интеллекта получают возможность взаимодействовать между смартфонами, элементами бытовой техники и иными устройствами через Wi- Fi или сети 6G в защищённой среде. Данная архитектура предполагает распределение вычислительных задач между несколькими устройствами, а не их концентрацию в одном центральном процессоре.
Для повышения эффективности работы восходящих каналов связи компания MediaTek представила технологию ИИ-ускоренного разнесения передачи в восходящем канале. Эта технология использует модели машинного обучения для динамической подстройки параметров передачи под изменяющиеся условия в сети. Предложенный подход принципиально отличается от традиционных систем, которые основаны на фиксированных алгоритмах и не адаптируются к состоянию канала в режиме реального времени.
В сегменте подключённых автомобилей компания продемонстрировала первую в мире технологию видеовызова на основе стандарта 5G NR NTN для транспортных средств. Данное решение позволяет устанавливать видеосвязь, использовать мобильные приложения и выходить в интернет через спутниковые каналы в тех зонах, где отсутствует наземное покрытие сотовой сети.
Кроме того, MediaTek представила новый чипсет для автомобильной телематики. Чипсет поддерживает стандарты 5G-Advanced (версии Release 17 и Release 18) и включает в себя встроенные механизмы искусственного интеллекта на уровне модема, что повышает стабильность соединения в сложных условиях приёма.
Для оснащения интеллектуальных автомобильных салонов была анонсирована платформа Dimensity Auto. Она выполнена по 3-нанометровому технологическому процессу, сертифицированному по стандартам автомобильной надёжности (AECQ100) и функциональной безопасности. Платформа построена на архитектуре Arm v9.2 и включает в себя многоядерный центральный процессор, графический процессор с поддержкой трассировки лучей и нейронный процессор для работы генеративных голосовых помощников. Все вычисления, связанные с обработкой голоса и данных пользователя, выполняются локально на устройстве, что позволяет сохранять конфиденциальность информации.
Дополнительно в рамках выставки MediaTek представила первую в мире абонентскую аппаратуру стандарта 5G-Advanced со встроенной поддержкой Wi-Fi 8, построенную на чипсетах T930 и Filogic 8000. Данное решение обеспечивает снижение задержки передачи данных до десяти раз благодаря применению ИИ-механизма динамического управления сетью.
Также компания продемонстрировала «умные» очки на базе процессора Dimensity 9500 с мультимодальным искусственным интеллектом. Эти очки способны обрабатывать текстовую, визуальную и голосовую информацию непосредственно на устройстве без обращения к удалённым серверам.
https://economictimes.indiatimes.com/magazines/panache/mediatek-outlines-6gedge-ai-and-data-centre-ambitions-at-mwc-2026/articleshow/128944885
https://www.gadgets360.com/mobiles/news/mediatek-showcase-6g-5g-advancededge-ai-innovations-mwc-2026-11158621
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3🔥1
Весной 2026 года аналитическая компания ABI Research опубликовала отчет, в котором предупредила о системном дефиците полупроводниковой памяти, способном существенно повлиять на рынок устройств Интернета вещей.
Основная причина нехватки полупроводниковой памяти заключается в резком росте инфраструктуры искусственного интеллекта, которая перераспределяет глобальные производственные мощности микросхем памяти в свою пользу. Ситуация активно обсуждалась на крупнейших отраслевых выставках MWC26 в Барселоне и Embedded world 2026 в Нюрнберге. Представители компаний-производителей оборудования и разработчики полупроводников выразили беспокойство по поводу доступа к традиционным типам памяти.
Суть проблемы заключается не в обычном циклическом спаде, а в структурной перестройке рынка. Крупнейшие производители памяти, включая Samsung, SK Hynix и Micron, переориентируют свои производственные линии на выпуск высокомаржинальной памяти HBM. Данный тип памяти необходим для обучения и работы больших языковых моделей в центрах обработки данных. Один сервер для искусственного интеллекта потребляет в несколько раз больше памяти, чем традиционная вычислительная система. По данным ABI Research, переток мощностей приводит к скрытому сокращению производства микросхем для зрелых технологических процессов в диапазоне 28–65 нанометров. Именно эти микросхемы служат основой для промышленных контроллеров и микроконтроллеров устройств Интернета вещей.
Наиболее уязвимым сегментом оказались высокопроизводительные смарт-модули для Интернета вещей, использующие память LPDDR4. Согласно данным компании Counterpoint Technology Market Research, опубликованным в апреле 2026 года, глобальный прогноз роста поставок сотовых IoT-модулей в 2026 году был пересмотрен: изначальные 8% снизились до 4% в годовом исчислении. Под удар попали, в первую очередь, 5G-модули и смарт-терминалы для дронов, робототехники, систем видеонаблюдения и промышленных панелей управления.
Цены на оперативную память для встраиваемых систем резко выросли. Стоимость некоторых типов LPDDR4 на спотовом рынке увеличилась на 300-500%. Сроки поставки оборудования для промышленной автоматики выросли до 30 недель. Все ключевые производители зависят от одной и той же ограниченной группы поставщиков микросхем. Поэтому конкуренты окажутся примерно в равном положении, но это неизбежно отразится на конечной стоимости продукции и сроках вывода новых устройств на рынок.
Симптоматичным сигналом для отрасли стало повышение цен на одноплатные компьютеры Raspberry Pi в декабре 2025 года. Производитель прямо указал на беспрецедентный рост стоимости LPDDR4 как на причину корректировки цен.
В то же время Qualcomm отмечает сохраняющийся высокий интерес к решениям для периферийного искусственного интеллекта. Это подтверждает, что приоритетом для отрасли остается развитие Edge AI. Производители начинают закладывать в печатные платы возможность использования памяти от разных поставщиков и разных типоразмеров.
Такой подход позволяет быстрее адаптироваться к дефициту конкретных компонентов без полной замены платы. Кроме того, наблюдается тенденция к упрощению спецификаций. Производители смартфонов и планшетов сокращают объем встроенной памяти в недорогих моделях с 32 Гб до 16 или 8 Гб. Это помогает удерживать цены на приемлемом уровне.
Эксперты ABI Research и аналитики рынка сходятся во мнении, что сложившаяся ситуация не является краткосрочным явлением. Давление на рынок памяти сохранится как минимум до конца 2027 года. Для сегмента Интернета вещей это означает переход в новую эпоху. Доступ к памяти и эффективность её использования становятся более критичными факторами, чем вычислительная мощность процессора.
📕 📕 📕
Источник ABI research
Источник PartAnalytics
Источник Counterpoint Technology Market Research
📲 MAX
Основная причина нехватки полупроводниковой памяти заключается в резком росте инфраструктуры искусственного интеллекта, которая перераспределяет глобальные производственные мощности микросхем памяти в свою пользу. Ситуация активно обсуждалась на крупнейших отраслевых выставках MWC26 в Барселоне и Embedded world 2026 в Нюрнберге. Представители компаний-производителей оборудования и разработчики полупроводников выразили беспокойство по поводу доступа к традиционным типам памяти.
Суть проблемы заключается не в обычном циклическом спаде, а в структурной перестройке рынка. Крупнейшие производители памяти, включая Samsung, SK Hynix и Micron, переориентируют свои производственные линии на выпуск высокомаржинальной памяти HBM. Данный тип памяти необходим для обучения и работы больших языковых моделей в центрах обработки данных. Один сервер для искусственного интеллекта потребляет в несколько раз больше памяти, чем традиционная вычислительная система. По данным ABI Research, переток мощностей приводит к скрытому сокращению производства микросхем для зрелых технологических процессов в диапазоне 28–65 нанометров. Именно эти микросхемы служат основой для промышленных контроллеров и микроконтроллеров устройств Интернета вещей.
Наиболее уязвимым сегментом оказались высокопроизводительные смарт-модули для Интернета вещей, использующие память LPDDR4. Согласно данным компании Counterpoint Technology Market Research, опубликованным в апреле 2026 года, глобальный прогноз роста поставок сотовых IoT-модулей в 2026 году был пересмотрен: изначальные 8% снизились до 4% в годовом исчислении. Под удар попали, в первую очередь, 5G-модули и смарт-терминалы для дронов, робототехники, систем видеонаблюдения и промышленных панелей управления.
Цены на оперативную память для встраиваемых систем резко выросли. Стоимость некоторых типов LPDDR4 на спотовом рынке увеличилась на 300-500%. Сроки поставки оборудования для промышленной автоматики выросли до 30 недель. Все ключевые производители зависят от одной и той же ограниченной группы поставщиков микросхем. Поэтому конкуренты окажутся примерно в равном положении, но это неизбежно отразится на конечной стоимости продукции и сроках вывода новых устройств на рынок.
Симптоматичным сигналом для отрасли стало повышение цен на одноплатные компьютеры Raspberry Pi в декабре 2025 года. Производитель прямо указал на беспрецедентный рост стоимости LPDDR4 как на причину корректировки цен.
В то же время Qualcomm отмечает сохраняющийся высокий интерес к решениям для периферийного искусственного интеллекта. Это подтверждает, что приоритетом для отрасли остается развитие Edge AI. Производители начинают закладывать в печатные платы возможность использования памяти от разных поставщиков и разных типоразмеров.
Такой подход позволяет быстрее адаптироваться к дефициту конкретных компонентов без полной замены платы. Кроме того, наблюдается тенденция к упрощению спецификаций. Производители смартфонов и планшетов сокращают объем встроенной памяти в недорогих моделях с 32 Гб до 16 или 8 Гб. Это помогает удерживать цены на приемлемом уровне.
Эксперты ABI Research и аналитики рынка сходятся во мнении, что сложившаяся ситуация не является краткосрочным явлением. Давление на рынок памяти сохранится как минимум до конца 2027 года. Для сегмента Интернета вещей это означает переход в новую эпоху. Доступ к памяти и эффективность её использования становятся более критичными факторами, чем вычислительная мощность процессора.
Источник ABI research
Источник PartAnalytics
Источник Counterpoint Technology Market Research
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4
19 сентября пройдёт ежегодная конференция по информационной безопасности ISCRA Talks 2026, в которой НТЦ «Вулкан» как генеральный партнёр принимает непосредственное участие.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7❤🔥2🔥1
Китайская компания 360 Digital Security Group сообщила о создании системы искусственного интеллекта, способной в массовом порядке выявлять уязвимости в программном обеспечении. Разработанный инструмент, который в компании называют многокомпонентной системой обнаружения ошибок, перевел процесс поиска дефектов кода из разряда трудоемкой ручной работы в автоматизированное русло.
Согласно заявлению компании, обнародованному в апреле 2026 года, данный интеллектуальный механизм превратился из вспомогательного средства в основной двигатель для поиска неисправностей. Результаты работы системы являются достаточно впечатляющими: на данный момент она выявила почти тысячу ранее неизвестных уязвимостей, зарегистрированных в международных базах данных. В число обнаруженных проблем входят компоненты критически важного программного обеспечения, включая офисный пакет Microsoft Office, операционные системы семейства Windows, а также платформу OpenClaw — быстро развивающуюся среду с открытым исходным кодом, предназначенную для создания автономных алгоритмических агентов.
Особое внимание исследователи уделяют так называемым долгоживущим уязвимостям, которые годами скрывались в коде продуктов. В качестве примера приводится уязвимость локального повышения привилегий в ядре Windows, которая оставалась незамеченной около пяти лет. Также система обнаружила критическую ошибку в Microsoft Office, которая позволяла удаленно выполнить произвольный код и существовала в продукте восемь лет. Эта уязвимость получила наивысший рейтинг опасности от центра безопасности Microsoft.
Технический подход китайской компании отличается от стратегий, используемых западными конкурентами. Если одни разработчики делают ставку на расширение возможностей базовых моделей для анализа кода, то 360 Digital Security Group делает упор на так называемый роевой эффект. Система построена на основе двадцатилетнего опыта компании в области кибербезопасности и имитации экспертных знаний через множество узкоспециализированных интеллектуальных модулей, которые взаимодействуют друг с другом для проверки найденных фрагментов и построения цепочек атак. Это позволяет не просто находить потенциально опасные участки кода, но и автоматически подтверждать, что их можно использовать для взлома.
Одним из громких случаев стала уязвимость в платформе OpenClaw. Найденный в одном из сетевых протоколов дефект позволял злоумышленнику обходить политики безопасности инструментов и внедрять вредоносные команды с правами рядового участника чата, что вело к утечке локальных файлов сервера. По данным национальной базы уязвимостей Китая, эта проблема угрожала безопасности более чем ста семидесяти тысячам экземпляров OpenClaw по всему миру.
Согласно исследованиям экспертов из Высшей технической школы Цюриха, подобные достижения выводят Китай в число лидеров в области безопасности, связанной с искусственным интеллектом, создавая так называемое несимметричное преимущество в киберпространстве. Генеральный директор 360 Digital Security Group охарактеризовал происходящие изменения как смену эпох: от времени, когда противостояние в сети происходило между людьми, к эпохе, где в качестве противников выступают машины. По его мнению, традиционные системы защиты становятся неэффективными перед лицом противника, способного масштабировать атаки с помощью искусственного интеллекта.
📕 📕 📕
Источник Bloomberg
📲 MAX
Согласно заявлению компании, обнародованному в апреле 2026 года, данный интеллектуальный механизм превратился из вспомогательного средства в основной двигатель для поиска неисправностей. Результаты работы системы являются достаточно впечатляющими: на данный момент она выявила почти тысячу ранее неизвестных уязвимостей, зарегистрированных в международных базах данных. В число обнаруженных проблем входят компоненты критически важного программного обеспечения, включая офисный пакет Microsoft Office, операционные системы семейства Windows, а также платформу OpenClaw — быстро развивающуюся среду с открытым исходным кодом, предназначенную для создания автономных алгоритмических агентов.
Особое внимание исследователи уделяют так называемым долгоживущим уязвимостям, которые годами скрывались в коде продуктов. В качестве примера приводится уязвимость локального повышения привилегий в ядре Windows, которая оставалась незамеченной около пяти лет. Также система обнаружила критическую ошибку в Microsoft Office, которая позволяла удаленно выполнить произвольный код и существовала в продукте восемь лет. Эта уязвимость получила наивысший рейтинг опасности от центра безопасности Microsoft.
Технический подход китайской компании отличается от стратегий, используемых западными конкурентами. Если одни разработчики делают ставку на расширение возможностей базовых моделей для анализа кода, то 360 Digital Security Group делает упор на так называемый роевой эффект. Система построена на основе двадцатилетнего опыта компании в области кибербезопасности и имитации экспертных знаний через множество узкоспециализированных интеллектуальных модулей, которые взаимодействуют друг с другом для проверки найденных фрагментов и построения цепочек атак. Это позволяет не просто находить потенциально опасные участки кода, но и автоматически подтверждать, что их можно использовать для взлома.
Одним из громких случаев стала уязвимость в платформе OpenClaw. Найденный в одном из сетевых протоколов дефект позволял злоумышленнику обходить политики безопасности инструментов и внедрять вредоносные команды с правами рядового участника чата, что вело к утечке локальных файлов сервера. По данным национальной базы уязвимостей Китая, эта проблема угрожала безопасности более чем ста семидесяти тысячам экземпляров OpenClaw по всему миру.
Согласно исследованиям экспертов из Высшей технической школы Цюриха, подобные достижения выводят Китай в число лидеров в области безопасности, связанной с искусственным интеллектом, создавая так называемое несимметричное преимущество в киберпространстве. Генеральный директор 360 Digital Security Group охарактеризовал происходящие изменения как смену эпох: от времени, когда противостояние в сети происходило между людьми, к эпохе, где в качестве противников выступают машины. По его мнению, традиционные системы защиты становятся неэффективными перед лицом противника, способного масштабировать атаки с помощью искусственного интеллекта.
Источник Bloomberg
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5
Пентагон предоставил Google, OpenAI, NVIDIA, Microsoft, Amazon Web Services, SpaceX, Oracle и стартапу Reflection AI доступ к своим секретным сетям. Соответствующие рамочные соглашения знаменуют значительный сдвиг в интеграции искусственного интеллекта в национальную оборонную инфраструктуру США.
Ключевой особенностью данных соглашений является предоставление вышеназванным компаниям доступа к развертыванию своих вычислительных мощностей и больших языковых моделей (LLM) в засекреченных сетях Пентагона, классифицируемых как Impact Level 6 (IL6) и Impact Level 7 (IL7).
Уровни IL6 и IL7 представляют собой высшие категории защиты данных, предназначенные для обработки информации под грифом «Секретно» (Secret) и «Совершенно секретно» (Top Secret) со специальными допусками. До настоящего момента использование коммерческих передовых ИИ-моделей в подобных «воздушных зазорах» (air-gapped), изолированных от публичного интернета, было технически и процедурно ограничено. Новые соглашения знаменуют переход от экспериментов и использования ИИ на несекретных платформах, таких как GenAI.mil, к полноценной операционной деятельности на высокозащищенных контурах связи.
С архитектурной точки зрения данная инициатива создает гибридную среду, где облачная инфраструктура (AWS, Microsoft, Oracle) выступает фундаментом для размещения проприетарных моделей (OpenAI, Google, Reflection) и аппаратных ускорителей (NVIDIA). Согласно имеющимся данным, основной целью является упрощение синтеза данных, повышение ситуационной осведомленности и ускорение принятия решений в сложных оперативных сценариях. В Пентагоне данный шаг рассматривают как переход к вооруженным силам, построенным по принципу AI-first — приоритет искусственного интеллекта. Ключевой задачей названо сохранение превосходства в принятии решений на поле боя.
Значительное внимание в контексте сделок уделяется вопросам безопасности и этических ограничений. Размещение ИИ в сетях IL6/IL7 не подразумевает передачу автономных функций летального поражения. В соглашениях, в частности с OpenAI, закреплены принципы «ответственности человека» (Human-in-the-loop) при применении силы и запрет на использование систем для массовой слежки внутри страны. Это представляет собой реализацию политики «законного операционного использования», которую Министерство обороны стремится отделить от концепции полностью автономных систем вооружений.
Важным аспектом данной инициативы является диверсификация поставщиков, вызванная необходимостью снижения зависимости от единственного вендора. Предыдущее сотрудничество с компанией Anthropic, чьи модели Claude использовались в инструментарии Palantir, столкнулось с нормативными и юридическими препятствиями, включая судебные разбирательства и запреты на федеральные контракты. Технический директор Пентагона Эмиль Майкл подчеркнул стратегическую необходимость отказа от модели единственного поставщика, что привело к включению в пул как проприетарных разработчиков, так и игроков, поддерживающих экосистемы с открытым исходным кодом. Это также отвечает задаче формирования устойчивой цепочки поставок ИИ-компонентов, где наряду с моделями используются специализированные чипы NVIDIA и спутниковая связь SpaceX для обеспечения периферийных вычислений на тактическом уровне.
Данное развитие событий создает прецедент для глубокой интеграции гражданского технологического стека в защищенные правительственные сети.
📕 📕 📕
Источник Breaking Defense
Источник Dataquest Bureau
📲 MAX
Ключевой особенностью данных соглашений является предоставление вышеназванным компаниям доступа к развертыванию своих вычислительных мощностей и больших языковых моделей (LLM) в засекреченных сетях Пентагона, классифицируемых как Impact Level 6 (IL6) и Impact Level 7 (IL7).
Уровни IL6 и IL7 представляют собой высшие категории защиты данных, предназначенные для обработки информации под грифом «Секретно» (Secret) и «Совершенно секретно» (Top Secret) со специальными допусками. До настоящего момента использование коммерческих передовых ИИ-моделей в подобных «воздушных зазорах» (air-gapped), изолированных от публичного интернета, было технически и процедурно ограничено. Новые соглашения знаменуют переход от экспериментов и использования ИИ на несекретных платформах, таких как GenAI.mil, к полноценной операционной деятельности на высокозащищенных контурах связи.
С архитектурной точки зрения данная инициатива создает гибридную среду, где облачная инфраструктура (AWS, Microsoft, Oracle) выступает фундаментом для размещения проприетарных моделей (OpenAI, Google, Reflection) и аппаратных ускорителей (NVIDIA). Согласно имеющимся данным, основной целью является упрощение синтеза данных, повышение ситуационной осведомленности и ускорение принятия решений в сложных оперативных сценариях. В Пентагоне данный шаг рассматривают как переход к вооруженным силам, построенным по принципу AI-first — приоритет искусственного интеллекта. Ключевой задачей названо сохранение превосходства в принятии решений на поле боя.
Значительное внимание в контексте сделок уделяется вопросам безопасности и этических ограничений. Размещение ИИ в сетях IL6/IL7 не подразумевает передачу автономных функций летального поражения. В соглашениях, в частности с OpenAI, закреплены принципы «ответственности человека» (Human-in-the-loop) при применении силы и запрет на использование систем для массовой слежки внутри страны. Это представляет собой реализацию политики «законного операционного использования», которую Министерство обороны стремится отделить от концепции полностью автономных систем вооружений.
Важным аспектом данной инициативы является диверсификация поставщиков, вызванная необходимостью снижения зависимости от единственного вендора. Предыдущее сотрудничество с компанией Anthropic, чьи модели Claude использовались в инструментарии Palantir, столкнулось с нормативными и юридическими препятствиями, включая судебные разбирательства и запреты на федеральные контракты. Технический директор Пентагона Эмиль Майкл подчеркнул стратегическую необходимость отказа от модели единственного поставщика, что привело к включению в пул как проприетарных разработчиков, так и игроков, поддерживающих экосистемы с открытым исходным кодом. Это также отвечает задаче формирования устойчивой цепочки поставок ИИ-компонентов, где наряду с моделями используются специализированные чипы NVIDIA и спутниковая связь SpaceX для обеспечения периферийных вычислений на тактическом уровне.
Данное развитие событий создает прецедент для глубокой интеграции гражданского технологического стека в защищенные правительственные сети.
Источник Breaking Defense
Источник Dataquest Bureau
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4
За несколько недель до ежегодной конференции для разработчиков WWDC 2026 специалисты обнаружили, что Apple зарегистрировала новый поддомен genai.apple.com. Факт появления такого адреса на DNS-серверах компании свидетельствует о масштабной подготовке к запуску генеративных функций.
Название поддомена напрямую отсылает к генеративному искусственному интеллекту. У Apple уже есть страница, посвященная Apple Intelligence, поэтому появление отдельного адреса может означать запуск полноценного центра генеративного ИИ с демонстрациями возможностей, инструментами для разработчиков или отдельными сервисами для пользователей. Аналитики отмечают, что крупные технологические компании часто заводят специальные ИИ-поддомены как витрину для документации, ресурсов для разработчиков или информации о работе моделей.
Ключевые обновления ожидаются в iOS 27, iPadOS 27 и macOS 27. По информации инсайдеров, Apple готовит новую версию Siri с двумя ключевыми возможностями: во-первых, помощник сможет распознавать и интерпретировать содержимое экрана устройства, во-вторых, он получит поддержку многошагового диалога без потери контекста.
Важным направлением развития станет расширение творческих инструментов. Apple существенно улучшила собственные модели, используемые в Genmoji и Image Playground, поэтому ожидается, что качество генерации изображений заметно вырастет по сравнению с текущей версией. Genmoji позволит пользователям создавать персонализированные эмодзи не только по текстовому запросу, но и на основе фотографий из библиотеки и часто используемых фраз. Планируется также анонс генератора обоев на базе искусственного интеллекта, который будет работать на технологиях Image Playground.
Отдельного внимания заслуживает интеграция сторонних ИИ-моделей. Сейчас Apple Intelligence работает только с ChatGPT, однако компания активно тестирует подключение Google Gemini и Anthropic Claude. В iOS 27 появится функция Extensions, которая позволит пользователям устанавливать совместимые ИИ-приложения и выбирать основную модель через раздел «Настройки». Расширения предоставят доступ к сторонним ИИ-сервисам для работы Siri, а также функций Writing Tools и Image Playground. При этом Apple планирует информировать пользователей, что не несет ответственности за контент, созданный сторонними нейросетями.
Сделка с Google обойдется Apple примерно в миллиард долларов в год. Google Gemini будет выполнять функции суммаризатора и планировщика: первая позволит голосовому помощнику кратко пересказывать информацию из сообщений, новостей и писем, а вторая — расписывать сложные действия, например планировать встречи.
Новые возможности затронут также функции доступности. Apple Intelligence позволит автоматически добавлять субтитры к видео, снятым на iPhone. Голосовое управление научится понимать естественную речь: пользователи смогут отдавать команды обычными фразами. Например, «нажми на путеводитель о лучших ресторанах» в Apple Maps или «открой пурпурную папку» в приложении «Файлы». Функция Visual Intelligence сможет сканировать этикетки с информацией о пищевой ценности продуктов, а также добавлять данные с визиток и документов в приложение «Контакты».
📕 📕 📕
Источник Mashable India
Источник MacRumors
📲 MAX
Название поддомена напрямую отсылает к генеративному искусственному интеллекту. У Apple уже есть страница, посвященная Apple Intelligence, поэтому появление отдельного адреса может означать запуск полноценного центра генеративного ИИ с демонстрациями возможностей, инструментами для разработчиков или отдельными сервисами для пользователей. Аналитики отмечают, что крупные технологические компании часто заводят специальные ИИ-поддомены как витрину для документации, ресурсов для разработчиков или информации о работе моделей.
Ключевые обновления ожидаются в iOS 27, iPadOS 27 и macOS 27. По информации инсайдеров, Apple готовит новую версию Siri с двумя ключевыми возможностями: во-первых, помощник сможет распознавать и интерпретировать содержимое экрана устройства, во-вторых, он получит поддержку многошагового диалога без потери контекста.
Важным направлением развития станет расширение творческих инструментов. Apple существенно улучшила собственные модели, используемые в Genmoji и Image Playground, поэтому ожидается, что качество генерации изображений заметно вырастет по сравнению с текущей версией. Genmoji позволит пользователям создавать персонализированные эмодзи не только по текстовому запросу, но и на основе фотографий из библиотеки и часто используемых фраз. Планируется также анонс генератора обоев на базе искусственного интеллекта, который будет работать на технологиях Image Playground.
Отдельного внимания заслуживает интеграция сторонних ИИ-моделей. Сейчас Apple Intelligence работает только с ChatGPT, однако компания активно тестирует подключение Google Gemini и Anthropic Claude. В iOS 27 появится функция Extensions, которая позволит пользователям устанавливать совместимые ИИ-приложения и выбирать основную модель через раздел «Настройки». Расширения предоставят доступ к сторонним ИИ-сервисам для работы Siri, а также функций Writing Tools и Image Playground. При этом Apple планирует информировать пользователей, что не несет ответственности за контент, созданный сторонними нейросетями.
Сделка с Google обойдется Apple примерно в миллиард долларов в год. Google Gemini будет выполнять функции суммаризатора и планировщика: первая позволит голосовому помощнику кратко пересказывать информацию из сообщений, новостей и писем, а вторая — расписывать сложные действия, например планировать встречи.
Новые возможности затронут также функции доступности. Apple Intelligence позволит автоматически добавлять субтитры к видео, снятым на iPhone. Голосовое управление научится понимать естественную речь: пользователи смогут отдавать команды обычными фразами. Например, «нажми на путеводитель о лучших ресторанах» в Apple Maps или «открой пурпурную папку» в приложении «Файлы». Функция Visual Intelligence сможет сканировать этикетки с информацией о пищевой ценности продуктов, а также добавлять данные с визиток и документов в приложение «Контакты».
Источник Mashable India
Источник MacRumors
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3🔥2
Новая модель GPT-Rosalind позиционируется как инструмент для ускорения ранних стадий разработки лекарственных препаратов, что является одной из наиболее капиталоемких и продолжительных фаз в фармацевтической индустрии.
Традиционный процесс создания нового лекарства от момента идентификации биологической мишени до получения одобрения регулирующих органов в среднем занимает от 10 до 15 лет. Значительная часть этого времени и бюджета (средняя оценка затрат составляет около $2,6 млрд) уходит не на клинические испытания, а начальные исследования: анализ научной литературы, перебор гипотез и интерпретацию противоречивых экспериментальных данных. GPT-Rosalind призвана устранить два основных барьера, тормозящих ранние этапы разработки лекарств: разрозненность рабочих процессов и информационную перегрузку ученых.
В отличие от известных моделей, таких как AlphaFold от Google DeepMind, которые решают конкретную задачу (например, предсказание трехмерной структуры белков), GPT-Rosalind нацелена на более широкий спектр действий. Модель задумана как «рассуждающий агент», способный синтезировать научные доказательства, генерировать гипотезы, планировать эксперименты и взаимодействовать с десятками специализированных баз данных в рамках единого рабочего процесса.
Ключевой особенностью модели является так называемый скептический тюнинг (skepticism tuning). Разработчики сознательно калибровали алгоритм для снижения эффекта сикофантии (sycophancy) — склонности модели «угождать» пользователю или подтверждать неверные предпосылки. Если модель идентифицирует низкоперспективную биологическую мишень, она настроена на отказ от генерации ответа, вместо того чтобы выдавать правдоподобное, но неверное обоснование. Это критически важно для предотвращения дорогостоящих ошибок на ранних этапах разработки.
Результаты тестирования показывают высокую эффективность нового инструмента. На бенчмарке BixBench, оценивающем выполнение реальных биоинформатических задач, модель продемонстрировала лидирующие результаты. В тестах LABBench2 GPT-Rosalind превзошла своего предшественника GPT-5.4 в шести из одиннадцати категорий. При работе с неизвестными РНК-последовательностями (для исключения эффекта заучивания обучающих данных) лучшие результаты модели превысили 95-й перцентиль экспертов-людей в задачах предсказания и около 84-го перцентиля в задачах генерации последовательностей.
Одновременно с моделью OpenAI выпустила бесплатный плагин Life Sciences Research Plugin для платформы Codex. Этот инструмент доступен более широкой аудитории и открывает доступ к интерфейсу для работы с более чем 50 научными базами данных, охватывающих протеомику, геномику и клинические исследования.
Несмотря на впечатляющие показатели, руководство OpenAI, в частности руководитель исследований в области наук о жизни Джой Цзяо, отмечает, что модель не предназначена для автономного создания новых методов лечения. Ее цель — ускорение работы исследователя, а не его замена. Важно отметить, что на сегодняшний день ни один препарат, полностью открытый или разработанный искусственным интеллектом, не прошел третью фазу клинических испытаний. Промежуток между успешным предсказанием функции РНК в пробирке и доказательством снижения смертности у пациентов в контролируемом исследовании остается чрезвычайно большим.
Таким образом, OpenAI предлагает индустрии способ сократить цикл «гипотеза — эксперимент», что в масштабах тысяч лабораторий может привести к значительному кумулятивному эффекту в скорости научного прогресса.
📕 📕 📕
Источник The News International
Источник DrugPatentWatch
📲 MAX
Традиционный процесс создания нового лекарства от момента идентификации биологической мишени до получения одобрения регулирующих органов в среднем занимает от 10 до 15 лет. Значительная часть этого времени и бюджета (средняя оценка затрат составляет около $2,6 млрд) уходит не на клинические испытания, а начальные исследования: анализ научной литературы, перебор гипотез и интерпретацию противоречивых экспериментальных данных. GPT-Rosalind призвана устранить два основных барьера, тормозящих ранние этапы разработки лекарств: разрозненность рабочих процессов и информационную перегрузку ученых.
В отличие от известных моделей, таких как AlphaFold от Google DeepMind, которые решают конкретную задачу (например, предсказание трехмерной структуры белков), GPT-Rosalind нацелена на более широкий спектр действий. Модель задумана как «рассуждающий агент», способный синтезировать научные доказательства, генерировать гипотезы, планировать эксперименты и взаимодействовать с десятками специализированных баз данных в рамках единого рабочего процесса.
Ключевой особенностью модели является так называемый скептический тюнинг (skepticism tuning). Разработчики сознательно калибровали алгоритм для снижения эффекта сикофантии (sycophancy) — склонности модели «угождать» пользователю или подтверждать неверные предпосылки. Если модель идентифицирует низкоперспективную биологическую мишень, она настроена на отказ от генерации ответа, вместо того чтобы выдавать правдоподобное, но неверное обоснование. Это критически важно для предотвращения дорогостоящих ошибок на ранних этапах разработки.
Результаты тестирования показывают высокую эффективность нового инструмента. На бенчмарке BixBench, оценивающем выполнение реальных биоинформатических задач, модель продемонстрировала лидирующие результаты. В тестах LABBench2 GPT-Rosalind превзошла своего предшественника GPT-5.4 в шести из одиннадцати категорий. При работе с неизвестными РНК-последовательностями (для исключения эффекта заучивания обучающих данных) лучшие результаты модели превысили 95-й перцентиль экспертов-людей в задачах предсказания и около 84-го перцентиля в задачах генерации последовательностей.
Одновременно с моделью OpenAI выпустила бесплатный плагин Life Sciences Research Plugin для платформы Codex. Этот инструмент доступен более широкой аудитории и открывает доступ к интерфейсу для работы с более чем 50 научными базами данных, охватывающих протеомику, геномику и клинические исследования.
Несмотря на впечатляющие показатели, руководство OpenAI, в частности руководитель исследований в области наук о жизни Джой Цзяо, отмечает, что модель не предназначена для автономного создания новых методов лечения. Ее цель — ускорение работы исследователя, а не его замена. Важно отметить, что на сегодняшний день ни один препарат, полностью открытый или разработанный искусственным интеллектом, не прошел третью фазу клинических испытаний. Промежуток между успешным предсказанием функции РНК в пробирке и доказательством снижения смертности у пациентов в контролируемом исследовании остается чрезвычайно большим.
Таким образом, OpenAI предлагает индустрии способ сократить цикл «гипотеза — эксперимент», что в масштабах тысяч лабораторий может привести к значительному кумулятивному эффекту в скорости научного прогресса.
Источник The News International
Источник DrugPatentWatch
Please open Telegram to view this post
VIEW IN TELEGRAM
❤🔥4❤4
Рынок речевых технологий пополнился двумя значимыми обновлениями от корпораций Google и OpenAI, которые задают новые векторы развития человеко-машинного взаимодействия. Google сосредоточилась на художественной выразительности синтезированной речи через интуитивно понятные теги, в то время как OpenAI сделала ставку на глубину аналитики и асинхронную обработку потока.
15 апреля 2026 года Google представила обновление модели Gemini 3.1 Flash TTS, предназначенной для преобразования текста в речь. Ключевой особенностью этого релиза стал отказ от сложных схем параметрической настройки в пользу управления через естественно-языковые маркеры. В отличие от классического подхода, использующего SSML (Speech Synthesis Markup Language), новая система позволяет разработчикам встраивать в исходный текст короткие теги, заключенные в квадратные скобки.
Спецификация модели включает поддержку более 200 аудиотегов, таких как whispers (шепот), laughs (смех), very slow (очень медленно) или happy (счастливый), что позволяет динамически менять эмоциональную окраску, громкость и темп речи внутри одного предложения. Модель поддерживает 70 с лишним языков и многоголосый диалог: система способна автоматически распределять реплики между разными синтезированными персонажами без необходимости склеивания нескольких аудиофайлов.
С технической точки зрения Gemini 3.1 Flash TTS возвращает аудио в формате 24 кГц с использованием PCM или Opus. Стоимость использования составляет $20 за 1 миллион выходных аудиотокенов, что, по оценкам аналитиков, примерно на порядок дешевле решений от ElevenLabs. В целях безопасности все генерируемые треки маркируются цифровым водяным знаком SynthID.
Примерно через три недели после анонса Google, OpenAI выпустила релиз линейки GPT-Realtime-2, которая кардинально меняет парадигму работы голосовых ассистентов. Если традиционные TTS работают по принципу «вопрос — ответ», то новый подход внедряет концепцию «пассивного прослушивания» с элементами автономного мышления.
GPT-Realtime-2 позиционируется как первая речевая модель с уровнем рассуждений GPT-5. Она способна не просто транскрибировать услышанное, а вести непрерывный потоковый анализ (streaming listening), распознавая паузы, междометия и смену контекста. Ключевым нововведением стали «предисловия» (preambles) и параллельный вызов инструментов. Ассистент может произнести фразу «Дайте-ка подумать» или «Проверяю календарь», имитируя человеческую паузу на размышление, в то время как система обращается к базам данных или API.
Модель характеризуется расширенным контекстным окном до 128 тысяч токенов, что позволяет удерживать нить часового разговора. Бенчмарки показывают рост эффективности: в тесте Big Bench Audio точность возросла с 81,4% у предыдущей версии до 96,6%. Архитектурно это решение представляет собой единый сквозной пайплайн (последовательную цепочку обработки данных), объединяющий STT, LLM и TTS, что минимизирует задержки при обработке сложных запросов.
Представленные подходы отражают разницу в философии продуктов. Google Gemini 3.1 Flash TTS нацелен на креативные индустрии, локализацию контента и озвучку диалогов, где требуется высокий контроль над интонацией. GPT-Realtime-2, напротив, сфокусирован на операторской деятельности: колл-центрах, планировании задач и ИТ-поддержке, где приоритетом является способность системы слушать между строк и инициировать действия без жесткой команды пользователя. Оба решения знаменуют переход от генерации голоса по шаблону к контекстуально- зависимому и «эмоциональному» искусственному интеллекту.
📕 📕 📕
Источник Apidog
Источник Dev.to
📲 MAX
15 апреля 2026 года Google представила обновление модели Gemini 3.1 Flash TTS, предназначенной для преобразования текста в речь. Ключевой особенностью этого релиза стал отказ от сложных схем параметрической настройки в пользу управления через естественно-языковые маркеры. В отличие от классического подхода, использующего SSML (Speech Synthesis Markup Language), новая система позволяет разработчикам встраивать в исходный текст короткие теги, заключенные в квадратные скобки.
Спецификация модели включает поддержку более 200 аудиотегов, таких как whispers (шепот), laughs (смех), very slow (очень медленно) или happy (счастливый), что позволяет динамически менять эмоциональную окраску, громкость и темп речи внутри одного предложения. Модель поддерживает 70 с лишним языков и многоголосый диалог: система способна автоматически распределять реплики между разными синтезированными персонажами без необходимости склеивания нескольких аудиофайлов.
С технической точки зрения Gemini 3.1 Flash TTS возвращает аудио в формате 24 кГц с использованием PCM или Opus. Стоимость использования составляет $20 за 1 миллион выходных аудиотокенов, что, по оценкам аналитиков, примерно на порядок дешевле решений от ElevenLabs. В целях безопасности все генерируемые треки маркируются цифровым водяным знаком SynthID.
Примерно через три недели после анонса Google, OpenAI выпустила релиз линейки GPT-Realtime-2, которая кардинально меняет парадигму работы голосовых ассистентов. Если традиционные TTS работают по принципу «вопрос — ответ», то новый подход внедряет концепцию «пассивного прослушивания» с элементами автономного мышления.
GPT-Realtime-2 позиционируется как первая речевая модель с уровнем рассуждений GPT-5. Она способна не просто транскрибировать услышанное, а вести непрерывный потоковый анализ (streaming listening), распознавая паузы, междометия и смену контекста. Ключевым нововведением стали «предисловия» (preambles) и параллельный вызов инструментов. Ассистент может произнести фразу «Дайте-ка подумать» или «Проверяю календарь», имитируя человеческую паузу на размышление, в то время как система обращается к базам данных или API.
Модель характеризуется расширенным контекстным окном до 128 тысяч токенов, что позволяет удерживать нить часового разговора. Бенчмарки показывают рост эффективности: в тесте Big Bench Audio точность возросла с 81,4% у предыдущей версии до 96,6%. Архитектурно это решение представляет собой единый сквозной пайплайн (последовательную цепочку обработки данных), объединяющий STT, LLM и TTS, что минимизирует задержки при обработке сложных запросов.
Представленные подходы отражают разницу в философии продуктов. Google Gemini 3.1 Flash TTS нацелен на креативные индустрии, локализацию контента и озвучку диалогов, где требуется высокий контроль над интонацией. GPT-Realtime-2, напротив, сфокусирован на операторской деятельности: колл-центрах, планировании задач и ИТ-поддержке, где приоритетом является способность системы слушать между строк и инициировать действия без жесткой команды пользователя. Оба решения знаменуют переход от генерации голоса по шаблону к контекстуально- зависимому и «эмоциональному» искусственному интеллекту.
Источник Apidog
Источник Dev.to
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5
Добрый день!
Со следующей недели в НТЦ «Вулкан» стартует образовательный курс «Сети для начинающих с упором на ИБ».
Длительность курса составит 5 недель, планируется проведение 4 лекций и 4 лабораторных работ.
В процессе прохождения курса будут рассмотрены следующие темы:
*️⃣ Модели TCP/IP, OSI
*️⃣ Протоколы на всех уровнях модели OSI
*️⃣ Базовые угрозы и защита от них
*️⃣ Построение локальных сетей
*️⃣ Самостоятельная настройка коммутаторов и маршрутиризаторов
Лабораторные работы будут посвящены построению полноценной сети в компании с упором на информационную безопасность.
Участники курса будут отбираться по результатам тестирования.
Тестирование будет проходить с 12:00 14 августа до 12:00 17 августа.
Всем удачи❤️
Со следующей недели в НТЦ «Вулкан» стартует образовательный курс «Сети для начинающих с упором на ИБ».
Длительность курса составит 5 недель, планируется проведение 4 лекций и 4 лабораторных работ.
В процессе прохождения курса будут рассмотрены следующие темы:
Лабораторные работы будут посвящены построению полноценной сети в компании с упором на информационную безопасность.
Участники курса будут отбираться по результатам тестирования.
Тестирование будет проходить с 12:00 14 августа до 12:00 17 августа.
Тестирование состоит из теоретических вопросов с одним или несколькими вариантами ответа. На прохождение тестирования даётся 5 минут!
Всем удачи❤️
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥5
Добрый день!
Тестирование окончено.
Студентам, успешно прошедшим тестирование, разосланы приглашения на курс на Яндекс почту.
Всем спасибо и дальнейших успехов!
Тестирование окончено.
Студентам, успешно прошедшим тестирование, разосланы приглашения на курс на Яндекс почту.
Всем спасибо и дальнейших успехов!
🔥7😭6🗿1
Резидент особой экономической зоны «Технополис Москва», акционерное общество «Научно-исследовательский институт молекулярной электроники» (НИИМЭ), входящее в группу компаний «Элемент», разработал программно-аппаратный комплекс (ПАК) «Звезда», предназначенный для криптографической защиты информации в устройствах Интернета вещей (IoT). Решение является полностью отечественной разработкой: программное обеспечение, микросхема и алгоритмы шифрования созданы в России.
По мере роста количества «умных» устройств, имеющих выход в интернет, вопрос защиты информации в IoT-сетях приобретает все большую остроту. Основными угрозами для IoT-систем признаются: похищение конфиденциальной информации, подмена информации, подмена (компрометация) устройства и DDoS-атаки.
Программно-аппаратный комплекс «Звезда» создает виртуальный защищенный канал передачи данных между конечным устройством и сервером приложений. Решение имеет модульную структуру и состоит из четырех основных компонентов:
- элемент безопасности (ЭБ), представляющий собой микросхему NE51IOT, которая обеспечивает криптографическую защиту на стороне конечного устройства. Микросхема имеет компактный размер (корпус 6x6 или 8x6 мм) и низкое энергопотребление, что позволяет использовать ее в энергоэффективных устройствах;
- модуль безопасности криптосервера (МБС), представляющий собой кластер микросхем элементов безопасности сервера, обеспечивающий криптографическую защиту на стороне серверной инфраструктуры;
- криптосервис, программное обеспечение для управления системой и криптографическими ключами;
- автоматизированное рабочее место (АРМ) администрирования, графическое приложение для взаимодействия администратора с криптосервисом.
Микросхема NE51IOT разработана и производится в России (микросхема «первого уровня»), сертифицирована Федеральной службой безопасности как встраиваемое средство криптографической защиты информации (СКЗИ) по классу КС3, соответствует требованиям СКЗИ-НР (в части защиты от атак инженерного проникновения) и требованиям к средствам электронной подписи. Микросхема может использоваться в качестве «аппаратного корня доверия» (Root of Trust) — защищенного аппаратного хранилища данных, гарантирующего целостность информации.
NE51IOT поставляется в нескольких вариантах исполнения: в виде смарт-карты форм-фактора ID-1, SIM-карт форматов mini-SIM (2FF), micro-SIM (3FF), nano-SIM (4FF), а также в корпусе DFN8 (MFF2) с размерами 5x6 мм.
В ПАК «Звезда» применяются российские криптографические алгоритмы последнего поколения, включая блочный алгоритм шифрования ГОСТ Р 34.12-2015 «Магма», алгоритмы выработки и проверки электронной подписи по ГОСТ Р 34.10-2012, а также алгоритмы хеширования по ГОСТ Р 34.11-2012.
Комплекс использует компактный протокол защиты передаваемых данных CRISP, специально разработанный для Интернета вещей и стандартизованный в России в 2019 году. Данный протокол обладает такими свойствами, как устойчивость к сбоям и отсутствие необходимости предварительной установки защищенной сессии (все сообщения CRISP являются самодостаточными). Решение применимо для различных протоколов транспортного уровня, включая NBIoT, LoRa, NB-Fi, TCP и IP.
ПАК «Звезда» обеспечивает удаленное управление ключевой информацией без демонтажа устройства для регламентной замены криптографических ключей. Управление ключами осуществляется наиболее безопасным методом — с использованием инфраструктуры открытых ключей (PKI). Элемент безопасности клиентского устройства формирует электронную подпись (ЭП) с использованием секретного ключа, уникального для каждого устройства, что позволяет получателю проверять целостность и подлинность любых сообщений, включая архивные.
На стендовых испытаниях криптосервис с кластером из восьми элементов безопасности криптосервера (ЭБКС) обрабатывал свыше 10 миллионов операций в сутки при эмуляции работы тестовой сети из 10 тысяч конечных устройств.
📕 📕 📕
Источник Iot.ru
Источник НИИМЭ
📲 MAX
По мере роста количества «умных» устройств, имеющих выход в интернет, вопрос защиты информации в IoT-сетях приобретает все большую остроту. Основными угрозами для IoT-систем признаются: похищение конфиденциальной информации, подмена информации, подмена (компрометация) устройства и DDoS-атаки.
Программно-аппаратный комплекс «Звезда» создает виртуальный защищенный канал передачи данных между конечным устройством и сервером приложений. Решение имеет модульную структуру и состоит из четырех основных компонентов:
- элемент безопасности (ЭБ), представляющий собой микросхему NE51IOT, которая обеспечивает криптографическую защиту на стороне конечного устройства. Микросхема имеет компактный размер (корпус 6x6 или 8x6 мм) и низкое энергопотребление, что позволяет использовать ее в энергоэффективных устройствах;
- модуль безопасности криптосервера (МБС), представляющий собой кластер микросхем элементов безопасности сервера, обеспечивающий криптографическую защиту на стороне серверной инфраструктуры;
- криптосервис, программное обеспечение для управления системой и криптографическими ключами;
- автоматизированное рабочее место (АРМ) администрирования, графическое приложение для взаимодействия администратора с криптосервисом.
Микросхема NE51IOT разработана и производится в России (микросхема «первого уровня»), сертифицирована Федеральной службой безопасности как встраиваемое средство криптографической защиты информации (СКЗИ) по классу КС3, соответствует требованиям СКЗИ-НР (в части защиты от атак инженерного проникновения) и требованиям к средствам электронной подписи. Микросхема может использоваться в качестве «аппаратного корня доверия» (Root of Trust) — защищенного аппаратного хранилища данных, гарантирующего целостность информации.
NE51IOT поставляется в нескольких вариантах исполнения: в виде смарт-карты форм-фактора ID-1, SIM-карт форматов mini-SIM (2FF), micro-SIM (3FF), nano-SIM (4FF), а также в корпусе DFN8 (MFF2) с размерами 5x6 мм.
В ПАК «Звезда» применяются российские криптографические алгоритмы последнего поколения, включая блочный алгоритм шифрования ГОСТ Р 34.12-2015 «Магма», алгоритмы выработки и проверки электронной подписи по ГОСТ Р 34.10-2012, а также алгоритмы хеширования по ГОСТ Р 34.11-2012.
Комплекс использует компактный протокол защиты передаваемых данных CRISP, специально разработанный для Интернета вещей и стандартизованный в России в 2019 году. Данный протокол обладает такими свойствами, как устойчивость к сбоям и отсутствие необходимости предварительной установки защищенной сессии (все сообщения CRISP являются самодостаточными). Решение применимо для различных протоколов транспортного уровня, включая NBIoT, LoRa, NB-Fi, TCP и IP.
ПАК «Звезда» обеспечивает удаленное управление ключевой информацией без демонтажа устройства для регламентной замены криптографических ключей. Управление ключами осуществляется наиболее безопасным методом — с использованием инфраструктуры открытых ключей (PKI). Элемент безопасности клиентского устройства формирует электронную подпись (ЭП) с использованием секретного ключа, уникального для каждого устройства, что позволяет получателю проверять целостность и подлинность любых сообщений, включая архивные.
На стендовых испытаниях криптосервис с кластером из восьми элементов безопасности криптосервера (ЭБКС) обрабатывал свыше 10 миллионов операций в сутки при эмуляции работы тестовой сети из 10 тысяч конечных устройств.
Источник Iot.ru
Источник НИИМЭ
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥4❤3
Коллектив бразильских ученых под руководством Далтона Валадареса совместно с рядом европейских научных центров представил новое исследование, посвященное систематизации угроз безопасности экосистем Интернета вещей (IoT).
Исследование выделяет две категории векторов атак. Первую составляют традиционные угрозы, адаптированные под среду межмашинного взаимодействия (M2M). К их числу относятся атаки типа «человек посередине» (Man-in-the-Middle, MitM), сниффинг сетевого трафика, а также распределенные атаки на отказ в обслуживании (DDoS). Указанные методы сохраняют свою эффективность против слабо защищенных шлюзов и датчиков в силу ограниченной вычислительной способности последних и отсутствия механизмов криптографической верификации трафика.
Вторую, более специализированную категорию составляют атаки, характерные исключительно для IoT-экосистем. Наибольшего внимания заслуживает техника репликации узлов (Node Replication). Сценарий реализации данной атаки включает в себя следующие этапы: физический захват злоумышленником легитимного узла сети (например: видеокамеры, датчика температуры или исполнительного устройства), извлечение криптографических ключей и идентификационных параметров из памяти устройства, последующее создание программных или аппаратных клонов захваченного узла. Созданные реплики внедряются обратно в сеть, где соседние узлы, в силу отсутствия механизмов аппаратной аутентификации, идентифицируют их как легитимные.
С точки зрения сетевой безопасности присутствие реплицированных узлов создает множественные векторы компрометации. Реплики способны инициировать внутренние атаки, искажать собираемые телеметрические данные, организовывать топологические нарушения по типу «черная дыра» (black hole), приводящие к уничтожению транзитного трафика, либо осуществлять подмену команд управления. В условиях автоматизированного производства или мониторинга критической инфраструктуры такие нарушения способны инициировать каскадные технологические сбои.
Дополнительными примерами специализированных угроз, рассмотренных в работе, являются скимминг (skimming) — перехват данных с физических интерфейсов устройств сбора информации, а также атаки, нацеленные на нарушение целостности прошивки в процессе беспроводного обновления (Over-the-Air, OTA).
Значимость работы определяется двухуровневой системой оценки угроз. Первый уровень представляет собой функциональную классификацию с применением модели STRIDE. Данная методология, изначально разработанная корпорацией Microsoft, декомпозирует каждую атаку по шести категориям:
🔤 подделка идентичности (Spoofing) — выдача злоумышленником одного устройства за другое с целью обхода механизмов аутентификации;
🔤 фальсификация данных (Tampering) — несанкционированное изменение передаваемой телеметрии, управляющих команд или хранимой конфигурации;
🔤 отказ от авторства (Repudiation) — ситуация, при которой злоумышленник может отрицать факт совершения действий вследствие недостаточного логирования событий на IoT-устройстве; - раскрытие информации (Information Disclosure) — несанкционированный доступ к конфиденциальным данным, включая ключи шифрования и персональную информацию;
🔤 отказ в обслуживании (Denial of Service) — вывод устройства из штатного режима работы либо блокировка каналов связи;
🔤 повышение привилегий (Elevation of Privilege) — получение субъектом атаки прав доступа, превышающих легитимно назначенные.
Второй уровень классификации базируется на системе оценки уязвимостей CVSS (Common Vulnerability Scoring System). Применение CVSS позволяет перевести качественные описания угроз в количественные показатели — баллы критичности, учитывающие вектор атаки, сложность ее реализации, требуемые привилегии, а также потенциальный ущерб для конфиденциальности, целостности и доступности. Сочетание STRIDE и CVSS дает возможность техническим специалистам анализировать природу угрозы, а руководителям — ранжировать риски и распределять ресурсы на их устранение на основе формализованных метрик.
📕 📕 📕
Источник Browse-export
📲 MAX
Исследование выделяет две категории векторов атак. Первую составляют традиционные угрозы, адаптированные под среду межмашинного взаимодействия (M2M). К их числу относятся атаки типа «человек посередине» (Man-in-the-Middle, MitM), сниффинг сетевого трафика, а также распределенные атаки на отказ в обслуживании (DDoS). Указанные методы сохраняют свою эффективность против слабо защищенных шлюзов и датчиков в силу ограниченной вычислительной способности последних и отсутствия механизмов криптографической верификации трафика.
Вторую, более специализированную категорию составляют атаки, характерные исключительно для IoT-экосистем. Наибольшего внимания заслуживает техника репликации узлов (Node Replication). Сценарий реализации данной атаки включает в себя следующие этапы: физический захват злоумышленником легитимного узла сети (например: видеокамеры, датчика температуры или исполнительного устройства), извлечение криптографических ключей и идентификационных параметров из памяти устройства, последующее создание программных или аппаратных клонов захваченного узла. Созданные реплики внедряются обратно в сеть, где соседние узлы, в силу отсутствия механизмов аппаратной аутентификации, идентифицируют их как легитимные.
С точки зрения сетевой безопасности присутствие реплицированных узлов создает множественные векторы компрометации. Реплики способны инициировать внутренние атаки, искажать собираемые телеметрические данные, организовывать топологические нарушения по типу «черная дыра» (black hole), приводящие к уничтожению транзитного трафика, либо осуществлять подмену команд управления. В условиях автоматизированного производства или мониторинга критической инфраструктуры такие нарушения способны инициировать каскадные технологические сбои.
Дополнительными примерами специализированных угроз, рассмотренных в работе, являются скимминг (skimming) — перехват данных с физических интерфейсов устройств сбора информации, а также атаки, нацеленные на нарушение целостности прошивки в процессе беспроводного обновления (Over-the-Air, OTA).
Значимость работы определяется двухуровневой системой оценки угроз. Первый уровень представляет собой функциональную классификацию с применением модели STRIDE. Данная методология, изначально разработанная корпорацией Microsoft, декомпозирует каждую атаку по шести категориям:
Второй уровень классификации базируется на системе оценки уязвимостей CVSS (Common Vulnerability Scoring System). Применение CVSS позволяет перевести качественные описания угроз в количественные показатели — баллы критичности, учитывающие вектор атаки, сложность ее реализации, требуемые привилегии, а также потенциальный ущерб для конфиденциальности, целостности и доступности. Сочетание STRIDE и CVSS дает возможность техническим специалистам анализировать природу угрозы, а руководителям — ранжировать риски и распределять ресурсы на их устранение на основе формализованных метрик.
Источник Browse-export
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥3
Дорогие подписчики, мы рады, что наше сообщество растет! В честь этого и предстоящей конференции ISCRA Talks мы объявляем розыгрыш памятных и уникальных подарков!
Правила участия:
1. Подпишитесь на канал Учебного центра НТЦ «Вулкан»
2. Подпишитесь на канал ISCRA
3. Нажмите «Участвую!» под этим постом
4. Ожидайте результаты 10 сентября в 17:00. С победителями свяжется представитель Учебного центра — не пропустите сообщение!
Что же получат 3 счастливчика???
🎁 Книги по информационной безопасности с персональными пожеланиями от действующих специалистов ИБ
🎁 А также лимитированный мерч, созданный специально для конференции ISCRA Talks
Если вы ждали знак, то это он!
Приглашаем всех желающих присоединиться к ежегодной конференции ISCRA Talks 19.09 в Конгресс-холле МГТУ им. Н.Э. Баумана 👉 Регистрируйтесь как участник и зовите друзей, времени успеть осталось немного!
Правила участия:
1. Подпишитесь на канал Учебного центра НТЦ «Вулкан»
2. Подпишитесь на канал ISCRA
3. Нажмите «Участвую!» под этим постом
4. Ожидайте результаты 10 сентября в 17:00. С победителями свяжется представитель Учебного центра — не пропустите сообщение!
Что же получат 3 счастливчика???
🎁 Книги по информационной безопасности с персональными пожеланиями от действующих специалистов ИБ
🎁 А также лимитированный мерч, созданный специально для конференции ISCRA Talks
Если вы ждали знак, то это он!
Приглашаем всех желающих присоединиться к ежегодной конференции ISCRA Talks 19.09 в Конгресс-холле МГТУ им. Н.Э. Баумана 👉 Регистрируйтесь как участник и зовите друзей, времени успеть осталось немного!
На всемирном конгрессе мобильной связи 2026 года (MWC 2026) в Барселоне прошло обсуждение фундаментальных изменений в сегменте IoT-связи.
Согласно аналитическому отчету IoT Analytics, основанному на обзоре мероприятия и обсуждениях с участием более чем шестидесяти компаний, отрасль движется к более тесной интеграции возможностей подключения, вычислительных ресурсов и управления устройствами, что приводит к фрагментации и специализации рынка по нескольким ключевым направлениям.
Главной темой стало восприятие сетевой инфраструктуры как расширенной вычислительной платформы, а не просто уровня доступа. На сетевом уровне это выразилось в концепции AI-RAN (искусственный интеллект в радиосетях), предполагающей совместное использование вычислительных ресурсов базовых станций. На уровне устройств аналогичный сдвиг проявился в продвижении периферийного искусственного интеллекта (Edge AI), когда выполнение выводов нейронных сетей все чаще переносится непосредственно в подключенное оборудование, что позволяет сократить трафик, задержки и энергопотребление.
Вторым значимым направлением, отмеченным аналитиками, стала интеграция спутниковых и неназемных сетей в основной сегмент IoT-связи. Внеземные сети перестали восприниматься как нишевая услуга для удаленных зон и превратились в стандартный компонент коммерческих предложений операторов.
Starlink на MWC 2026 совершил программный переход от поставщика широкополосного доступа к глобальному оператору мобильной связи, объявив о запуске бренда Starlink Mobile и превышении отметки в десять миллионов активных пользователей спутниковой связи для телефонов. Компания подтвердила намерение использовать глобально скоординированный S-диапазон, приобретенный у EchoStar, и принять стандарт 3GPP R19 NR-NTN для масштабирования услуг.
Третьей ключевой тенденцией стало коммерческое внедрение стандарта eSIM SGP.32 для IoT-устройств. Согласно аналитическому отчету IoT Analytics, фокус рынка смещается с простой удаленной настройки профилей к оркестровке — динамическому управлению несколькими операторскими профилями на одном устройстве, что обеспечивает устойчивость, соблюдение требований постоянного роуминга и независимость от единичного оператора.
Компания Soracom открыла предварительные заказы на свою платформу Connectivity Hypervisor, совместимую с SGP.32, которая уже прошла полевые испытания в автомобильной промышленности. Решение позволяет устройствам активироваться на одном профиле и при необходимости переключаться на наиболее подходящего локального оператора, сохраняя встроенный механизм возврата к основному профилю. Однако аналитики отмечают, что массовое переключение между операторами в масштабе парка устройств пока остается ограниченным ввиду операционной сложности, что создает возможности для поставщиков программного обеспечения, упрощающих этот процесс.
На фоне этих изменений рынок сотовых IoT-модулей, согласно оценкам экспертов, дифференцируется по двум основным направлениям. Стандарт Cat 1 bis остается доминирующим в текущем сегменте, в то время как RedCap и eRedCap формируют траекторию для будущих развертываний, ориентированную на баланс между стоимостью, энергопотреблением и требованиям к пропускной способности.
Аналитики также отмечают переход к постквантовой безопасности и укрепление связи между аппаратным обеспечением устройств, сетевой архитектурой и управлением идентификацией, что свидетельствует о встраивании безопасности непосредственно в жизненный цикл подключенного устройства.
📕 📕 📕
Источник Security Brief Canada
Источник Iot Business News
Источник Fuse Squared
📲 MAX
Согласно аналитическому отчету IoT Analytics, основанному на обзоре мероприятия и обсуждениях с участием более чем шестидесяти компаний, отрасль движется к более тесной интеграции возможностей подключения, вычислительных ресурсов и управления устройствами, что приводит к фрагментации и специализации рынка по нескольким ключевым направлениям.
Главной темой стало восприятие сетевой инфраструктуры как расширенной вычислительной платформы, а не просто уровня доступа. На сетевом уровне это выразилось в концепции AI-RAN (искусственный интеллект в радиосетях), предполагающей совместное использование вычислительных ресурсов базовых станций. На уровне устройств аналогичный сдвиг проявился в продвижении периферийного искусственного интеллекта (Edge AI), когда выполнение выводов нейронных сетей все чаще переносится непосредственно в подключенное оборудование, что позволяет сократить трафик, задержки и энергопотребление.
Вторым значимым направлением, отмеченным аналитиками, стала интеграция спутниковых и неназемных сетей в основной сегмент IoT-связи. Внеземные сети перестали восприниматься как нишевая услуга для удаленных зон и превратились в стандартный компонент коммерческих предложений операторов.
Starlink на MWC 2026 совершил программный переход от поставщика широкополосного доступа к глобальному оператору мобильной связи, объявив о запуске бренда Starlink Mobile и превышении отметки в десять миллионов активных пользователей спутниковой связи для телефонов. Компания подтвердила намерение использовать глобально скоординированный S-диапазон, приобретенный у EchoStar, и принять стандарт 3GPP R19 NR-NTN для масштабирования услуг.
Третьей ключевой тенденцией стало коммерческое внедрение стандарта eSIM SGP.32 для IoT-устройств. Согласно аналитическому отчету IoT Analytics, фокус рынка смещается с простой удаленной настройки профилей к оркестровке — динамическому управлению несколькими операторскими профилями на одном устройстве, что обеспечивает устойчивость, соблюдение требований постоянного роуминга и независимость от единичного оператора.
Компания Soracom открыла предварительные заказы на свою платформу Connectivity Hypervisor, совместимую с SGP.32, которая уже прошла полевые испытания в автомобильной промышленности. Решение позволяет устройствам активироваться на одном профиле и при необходимости переключаться на наиболее подходящего локального оператора, сохраняя встроенный механизм возврата к основному профилю. Однако аналитики отмечают, что массовое переключение между операторами в масштабе парка устройств пока остается ограниченным ввиду операционной сложности, что создает возможности для поставщиков программного обеспечения, упрощающих этот процесс.
На фоне этих изменений рынок сотовых IoT-модулей, согласно оценкам экспертов, дифференцируется по двум основным направлениям. Стандарт Cat 1 bis остается доминирующим в текущем сегменте, в то время как RedCap и eRedCap формируют траекторию для будущих развертываний, ориентированную на баланс между стоимостью, энергопотреблением и требованиям к пропускной способности.
Аналитики также отмечают переход к постквантовой безопасности и укрепление связи между аппаратным обеспечением устройств, сетевой архитектурой и управлением идентификацией, что свидетельствует о встраивании безопасности непосредственно в жизненный цикл подключенного устройства.
Источник Security Brief Canada
Источник Iot Business News
Источник Fuse Squared
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3🔥1
На Хабре вышла большая статья о летней стажировке в Учебном центре НТЦ «Вулкан»! Будет интересно всем, потому что рассказываем о стажировке через призму наставничества.
В статье мы честно рассказали:
✅ Как строится работа над hardware-проектом с нуля в условиях, приближенных к реальным
✅ Топ-5 полезных выводов, которые сделали студенты
✅ Почему ошибки на стажировке — это лучший учитель, а не повод для выговора
Если вы студент и хотите понять, как выглядит реальная инженерная работа, или вы ментор, ищущий инсайты по онбордингу команд — эта статья для вас!
🔗 Ссылка на статью: https://habr.com/ru/companies/ntc-vulkan/articles/1074590/
Поддержите нас кармой на Хабре и задавайте любые вопросы о стажировке в комментариях! 👇
В статье мы честно рассказали:
✅ Как строится работа над hardware-проектом с нуля в условиях, приближенных к реальным
✅ Топ-5 полезных выводов, которые сделали студенты
✅ Почему ошибки на стажировке — это лучший учитель, а не повод для выговора
Если вы студент и хотите понять, как выглядит реальная инженерная работа, или вы ментор, ищущий инсайты по онбордингу команд — эта статья для вас!
🔗 Ссылка на статью: https://habr.com/ru/companies/ntc-vulkan/articles/1074590/
Поддержите нас кармой на Хабре и задавайте любые вопросы о стажировке в комментариях! 👇
🔥6👀3❤2
Группа испанских ученых из компании Multiverse Computing под руководством Борхи Айспуруа представила исследование, демонстрирующее возможность повышения качества работы большой языковой модели за счет интеграции квантовых вычислительных блоков. В исследовании показано, что добавление шести тысяч параметров к модели с восемью миллиардами параметров позволяет снизить показатель перплексности на 1,4% и улучшить точность ответов на ряд вопросов.
Ключевым элементом метода являются параметризованные по Кейли унитарные адаптеры (Cayley-parameterised unitary adapters) — квантовые схемы, встраиваемые в замороженные проекционные слои предварительно обученной модели. В отличие от традиционных подходов, предполагающих полное переобучение модели или использование независимых кодировщиков, данный метод оставляет исходные параметры модели неизменными. Обучение адаптеров выполняется на классическом оборудовании, после чего они загружаются в квантовый процессор для выполнения этапа вывода.
Архитектурное решение ориентировано на минимизацию требований к квантовому оборудованию. Адаптеры строятся как блочно-диагональные унитарные операторы, факторизующиеся на независимые блоки, что позволяет выполнять их в виде мелких схем в пределах текущих ограничений по времени удержания состояния. В экспери- ментах использовался блок размером 4×4, реализованный в виде схемы глубиной 19 вентилей на 156-кубитном процессоре IBM Quantum System Two.
Данная конструкция обходит проблему экспоненциального роста сложности, характерную для унитарных преобразований общего вида, и обеспечивает практическую реализуемость на существующих квантовых устройствах.
В качестве тестовой модели выступала Llama 3.1 8B — широко распространенная открытая модель с восемью миллиардами параметров. Выбор был обусловлен репрезентативностью модели и наличием устоявшихся бенчмарков для оценки качества. Для систематического анализа влияния параметров квантовых блоков дополнительно использовалась модель SmolLM2 с 135 миллионами параметров, позволяющая проводить эксперименты с различными конфигурациями без значительных вычислительных затрат.
Количественные результаты эксперимента на тестовом наборе WikiText показали снижение перплексности на 1,4% при добавлении 6000 параметров, что составляет 0,000075% от общего объема модели. При этом исследователи отмечают, что улучшение перплексности возрастает вместе с увеличением размерности унитарного блока вплоть до точки, где шум квантового оборудования начинает преобладать над вычислительными преимуществами. Данный эффект авторы обозначают как фазовый переход шум-экспрессивность (noise–expressivity phase transition), указывающий на конкретный путь к достижению квантовой полезности при увеличении числа кубитов.
Исследователи подчеркивают, что представленная работа является первой успешной демонстрацией сквозного квантового улучшения предварительно обученной языковой модели производственного масштаба на реальном сверхпроводящем квантовом оборудовании. Значимость результата по их оценке заключается не столько в величине достигнутого улучшения, сколько в самом факте его существования, что открывает путь к дальнейшему масштабированию по мере совершенствования квантового оборудования и увеличения числа доступных кубитов.
Перспективы развития метода связаны с возможностью прямой кодировки всей квантовой схемы, а не только адаптеров, что потенциально позволит достичь более низкой перплексности и более высокой точности при меньшем числе параметров по сравнению с классическими методами. Исследование носит характер подтверждения концепции (proof of concept) и определяет направление для дальнейших разработок в области гибридных классическо-квантовых систем искусственного интеллекта.
📕 📕 📕
Источник Yahoo Tech
Ключевым элементом метода являются параметризованные по Кейли унитарные адаптеры (Cayley-parameterised unitary adapters) — квантовые схемы, встраиваемые в замороженные проекционные слои предварительно обученной модели. В отличие от традиционных подходов, предполагающих полное переобучение модели или использование независимых кодировщиков, данный метод оставляет исходные параметры модели неизменными. Обучение адаптеров выполняется на классическом оборудовании, после чего они загружаются в квантовый процессор для выполнения этапа вывода.
Архитектурное решение ориентировано на минимизацию требований к квантовому оборудованию. Адаптеры строятся как блочно-диагональные унитарные операторы, факторизующиеся на независимые блоки, что позволяет выполнять их в виде мелких схем в пределах текущих ограничений по времени удержания состояния. В экспери- ментах использовался блок размером 4×4, реализованный в виде схемы глубиной 19 вентилей на 156-кубитном процессоре IBM Quantum System Two.
Данная конструкция обходит проблему экспоненциального роста сложности, характерную для унитарных преобразований общего вида, и обеспечивает практическую реализуемость на существующих квантовых устройствах.
В качестве тестовой модели выступала Llama 3.1 8B — широко распространенная открытая модель с восемью миллиардами параметров. Выбор был обусловлен репрезентативностью модели и наличием устоявшихся бенчмарков для оценки качества. Для систематического анализа влияния параметров квантовых блоков дополнительно использовалась модель SmolLM2 с 135 миллионами параметров, позволяющая проводить эксперименты с различными конфигурациями без значительных вычислительных затрат.
Количественные результаты эксперимента на тестовом наборе WikiText показали снижение перплексности на 1,4% при добавлении 6000 параметров, что составляет 0,000075% от общего объема модели. При этом исследователи отмечают, что улучшение перплексности возрастает вместе с увеличением размерности унитарного блока вплоть до точки, где шум квантового оборудования начинает преобладать над вычислительными преимуществами. Данный эффект авторы обозначают как фазовый переход шум-экспрессивность (noise–expressivity phase transition), указывающий на конкретный путь к достижению квантовой полезности при увеличении числа кубитов.
Исследователи подчеркивают, что представленная работа является первой успешной демонстрацией сквозного квантового улучшения предварительно обученной языковой модели производственного масштаба на реальном сверхпроводящем квантовом оборудовании. Значимость результата по их оценке заключается не столько в величине достигнутого улучшения, сколько в самом факте его существования, что открывает путь к дальнейшему масштабированию по мере совершенствования квантового оборудования и увеличения числа доступных кубитов.
Перспективы развития метода связаны с возможностью прямой кодировки всей квантовой схемы, а не только адаптеров, что потенциально позволит достичь более низкой перплексности и более высокой точности при меньшем числе параметров по сравнению с классическими методами. Исследование носит характер подтверждения концепции (proof of concept) и определяет направление для дальнейших разработок в области гибридных классическо-квантовых систем искусственного интеллекта.
Источник Yahoo Tech
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7
Учебный центр НТЦ «Вулкан»
Дорогие подписчики, мы рады, что наше сообщество растет! В честь этого и предстоящей конференции ISCRA Talks мы объявляем розыгрыш памятных и уникальных подарков! Правила участия: 1. Подпишитесь на канал Учебного центра НТЦ «Вулкан» 2. Подпишитесь на канал…
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5
Исследовательская группа Школы Розенстиля по морским и атмосферным наукам, а также наукам о Земле при Университете Майами опубликовала результаты разработки авиационной системы оптического сканирования на базе искусственного интеллекта, предназначенной для обнаружения неразорвавшихся боеприпасов в мелководных прибрежных зонах.
В основу системы положены две технологии, разработанные NASA: пассивная мультиспектральная технология Fluid Lensing и активная технология MiDAR. Fluid Lensing представляет собой алгоритм, устраняющий искажения, возникающие при прохождении света через нестабильную водную поверхность. Волны действуют как движущиеся линзы, вызывая размытие и смещение объектов под водой. Алгоритм производит коррекцию в режиме реального времени, формируя изображения морского дна с разрешением до 0,3–1 см на пиксель. MiDAR, в свою очередь, представляет собой активную мультиспектральную систему, излучающую свет в диапазоне от ультрафиолетового (375 нм) до видимого (675 нм) спектра. Активная подсветка целевого участка позволяет улучшить освещенность глубин и получать спектральные отпечатки объектов, что критически важно для идентификации заиленных и покрытых биологическим обрастанием боеприпасов. Сбор данных осуществляется с беспилотных летательных аппаратов, выполняющих облет прибрежных территорий по заданному маршруту.
Обнаружение и классификация целей обеспечиваются сверточной нейронной сетью на основе архитектуры YOLO (You Only Look Once), адаптированной в рамках модифицированной версии фреймворка NASA NeMO-Net. Данный фреймворк изначально разрабатывался для классификации коралловых рифов и был перенастроен для задач обнаружения антропогенных объектов на морском дне с учетом их характерных морфологических признаков — формы, размеров и пространственного паттерна.
Экспериментальная валидация системы проводилась на полигоне исследовательской станции Broad Key архипелага Флорида-Кис в условиях, приближенных к реальным. В прибрежной зоне на глубине до 10 метров были размещены четырнадцать инертных боеприпасов, различающихся по цвету, состоянию и размеру (ширина от 2 до 10 см, длина от 25,5 до 66 см). Цели оставались на дне в течение двух месяцев, в результате чего на них образовались отложения осадков и биологические обрастания. После этого были проведены воздушные съемки с использованием пассивных (трех- и десятиспектральных) и активных (восьмиспектральных) режимов визуализации. Обучение модели выполнялось на 2700 синтетически расширенных выборках, полученных из изображений девяти целей.
По результатам экспериментов система продемонстрировала точность около 95% при полноте около 71%, при этом все четырнадцать целей были успешно локализованы по изображениям, полученным как в пассивном, так и в активном режимах. Активная восьмиспектральная технология MiDAR Fluid Lensing продемонстрировала более высокие показатели точности (80–90%) по сравнению с трехспектральной (71–74%) и десятиспектральной (73–89%) пассивной съемкой при сопоставимом пространственном разрешении. Активные спектральные каналы обеспечили устойчивое обнаружение даже при наличии ложных целей, размещенных рядом с реальными объектами. Модель показала способность различать боеприпасы и объекты естественного происхождения, такие как камни и кораллы, а также идентифицировать цели, частично перекрытые отложениями и обрастаниями.
Авторы исследования подчеркивают, что на данном этапе работа носит характер демонстрации концепции и подтверждает жизнеспособность предложенного подхода для масштабного обнаружения неразорвавшихся боеприпасов в мелководных зонах. В исследовании отмечается, что метод не предназначен для выявления объектов, полностью погруженных в слой донных отложений; данная задача остается областью применения магнитометрических и акустических профилирующих систем. Для широкомасштабного применения и сокращения уровня ложных срабатываний требуются дополнительные полевые испытания в различных условиях: в мутных водах, на больших глубинах и в акваториях с разнородными типами донных субстратов.
📕 📕 📕
Источник Heise-medien
Источник Frontiersin
В основу системы положены две технологии, разработанные NASA: пассивная мультиспектральная технология Fluid Lensing и активная технология MiDAR. Fluid Lensing представляет собой алгоритм, устраняющий искажения, возникающие при прохождении света через нестабильную водную поверхность. Волны действуют как движущиеся линзы, вызывая размытие и смещение объектов под водой. Алгоритм производит коррекцию в режиме реального времени, формируя изображения морского дна с разрешением до 0,3–1 см на пиксель. MiDAR, в свою очередь, представляет собой активную мультиспектральную систему, излучающую свет в диапазоне от ультрафиолетового (375 нм) до видимого (675 нм) спектра. Активная подсветка целевого участка позволяет улучшить освещенность глубин и получать спектральные отпечатки объектов, что критически важно для идентификации заиленных и покрытых биологическим обрастанием боеприпасов. Сбор данных осуществляется с беспилотных летательных аппаратов, выполняющих облет прибрежных территорий по заданному маршруту.
Обнаружение и классификация целей обеспечиваются сверточной нейронной сетью на основе архитектуры YOLO (You Only Look Once), адаптированной в рамках модифицированной версии фреймворка NASA NeMO-Net. Данный фреймворк изначально разрабатывался для классификации коралловых рифов и был перенастроен для задач обнаружения антропогенных объектов на морском дне с учетом их характерных морфологических признаков — формы, размеров и пространственного паттерна.
Экспериментальная валидация системы проводилась на полигоне исследовательской станции Broad Key архипелага Флорида-Кис в условиях, приближенных к реальным. В прибрежной зоне на глубине до 10 метров были размещены четырнадцать инертных боеприпасов, различающихся по цвету, состоянию и размеру (ширина от 2 до 10 см, длина от 25,5 до 66 см). Цели оставались на дне в течение двух месяцев, в результате чего на них образовались отложения осадков и биологические обрастания. После этого были проведены воздушные съемки с использованием пассивных (трех- и десятиспектральных) и активных (восьмиспектральных) режимов визуализации. Обучение модели выполнялось на 2700 синтетически расширенных выборках, полученных из изображений девяти целей.
По результатам экспериментов система продемонстрировала точность около 95% при полноте около 71%, при этом все четырнадцать целей были успешно локализованы по изображениям, полученным как в пассивном, так и в активном режимах. Активная восьмиспектральная технология MiDAR Fluid Lensing продемонстрировала более высокие показатели точности (80–90%) по сравнению с трехспектральной (71–74%) и десятиспектральной (73–89%) пассивной съемкой при сопоставимом пространственном разрешении. Активные спектральные каналы обеспечили устойчивое обнаружение даже при наличии ложных целей, размещенных рядом с реальными объектами. Модель показала способность различать боеприпасы и объекты естественного происхождения, такие как камни и кораллы, а также идентифицировать цели, частично перекрытые отложениями и обрастаниями.
Авторы исследования подчеркивают, что на данном этапе работа носит характер демонстрации концепции и подтверждает жизнеспособность предложенного подхода для масштабного обнаружения неразорвавшихся боеприпасов в мелководных зонах. В исследовании отмечается, что метод не предназначен для выявления объектов, полностью погруженных в слой донных отложений; данная задача остается областью применения магнитометрических и акустических профилирующих систем. Для широкомасштабного применения и сокращения уровня ложных срабатываний требуются дополнительные полевые испытания в различных условиях: в мутных водах, на больших глубинах и в акваториях с разнородными типами донных субстратов.
Источник Heise-medien
Источник Frontiersin
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3