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

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

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

Исследовательская группа Университета Иннополис, Санкт-Петербургского государственного электротехнического университета «ЛЭТИ» и Джадавпурского университета (Индия) опубликовала результаты разработки гибридной нейросетевой архитектуры для распознавания эмоциональных состояний по сигналам электроэнцефалограммы. Предлагаемый подход устраняет ключевые недостатки существующих методов: необходимость ручной настройки признаков, низкую обобщаемость на новых данных и высокую вычислительную стоимость.

Предложенная архитектура объединяет в себе две параллельные ветви нейронной сети, каждая из которых выполняет независимую обработку входного сигнала. Временная ветвь использует сеть долгой краткосрочной памяти (LSTM) для обработки сырых сигналов электроэнцефалограммы и обнаружения изменений, связанных с эмоциональными состояниями. Спектральная ветвь задействует сверточную нейронную сеть для извлечения частотных характеристик из сигналов.

Результаты обеих ветвей объединяются, а итоговая классификация выполняется компактной нейросетью. В архитектуру также включен механизм взаимного обогащения признаков между временной и спектральной ветвями. Информация, извлеченная каждой из ветвей, передается в другую ветвь и используется для уточнения собственных представлений модели на последующих этапах обработки. Данный механизм позволяет повысить точность итоговой классификации за счет учета как временных, так и частотных характеристик сигнала в их взаимосвязи.

Модель протестирована на трех общедоступных эталонных наборах данных электроэнцефалограммы. На наборах, требовавших определения спокойствия, стресса, радости и эмоциональных состояний в условиях стресса, точность модели достигла 99,99%. В первом случае система допустила три ошибки из 27 130 выборок, во втором — одну ошибку из 78 328. На наборе данных для отрицательных, нейтральных и положительных эмоций модель продемонстрировала точность 96,49% (15 ошибок из 427 выборок), что превышает предыдущий показатель в 95,99%. В наборе данных для спокойных, стрессовых и радостных состояний предыдущий лучший результат составлял 98,55%, а предложенная модель достигла 99,99%.

Ведущий программист-математик Исследовательского центра в сфере искусственного интеллекта Университета Иннополис Дмитрий Каплун отметил, что мониторинг психического здоровья с помощью распознавания эмоций играет важную роль в разработке систем персонализированного здравоохранения и ранней диагностики депрессии, тревожности и связанных со стрессом расстройств. В отличие от существующих подходов, требующих ручной настройки признаков, новая архитектура снимает эти ограничения и позволяет получать более быстрые и точные результаты при меньших вычислительных затратах.

📕📕📕
Источник Национальные проекты РФ
Источник Scientific Reports