В этом году россияне всё меньше времени проводят в интернете, что связано с ограничениями в его работе, а также сильным оттоком аудитории мессенджеров с перераспределением пользователей на использование ресурсов, которые доступны во время ограничений, например, сервисов Smart TV, пишет «Коммерсантъ».

Выбираем лучший игровой ноутбук до 100 000 рублей: сравнительное тестирование 7 интересных моделей

Обзор Ryzen 9 9950X3D2: правильный 16-ядерник с 3D-кешем

Репортаж с IEM Cologne Major 2026: Жаб Жабыч, триумф NiKo и главные сенсации мейджора по CS2

Обзор Infinix GT 50 Pro: геймерский смартфон со встроенной СЖО

Умные помощники: обзор ИИ-сервисов для обработки изображений. Часть 2, актуализированная

Источник изображения: «Коммерсантъ»

Согласно данным ГК «Родная речь», за январь–май время пользования интернетом сократилось на 4 %, наиболее сильно — в апреле–мае — с 256 до 243 минут в день. Также сократилось время просмотра ТВ, за весь период — на 5 %, до 188 минут в день. В то же время просмотра Connected TV (CTV) выросло на 14 %, в среднем — до 55 минут.

Больше всего сокращение коснулось мессенджеров. За период с января по май дневной охват у WhatsApp сократился почти вдвое — на 43 %, до 25,6 млн, у Telegram — на 49,3 % (40,2 млн), в то время как у национального мессенджера Max охват вырос на 36,6 % (68,6 млн), а аудитория превысила 125 млн при ежедневном количестве пользователей в пределах 87 млн.

В прошлом году в России тоже фиксировали сокращение медиапотребления — в январе–мае на 3 %, но это объяснялось сокращением аудитории сегмента онлайн-видео на 11 % и как следствие замедления работы YouTube в стране.

Помимо блокировки мессенджеров на ситуацию повлияли и ограничения мобильного интернета в крупных городах, где разница между потреблением контента через мобильную сеть и через домашний интернет выражена сильнее, а значит, и перераспределение аудитории проявилось заметнее, отметил директор по продукту Hybe компании Hybrid Ecosystem Александр Сазанов. Хотя домашний интернет пострадал меньше, блокировки сервисов сказались и на нём на фоне перехода в более стабильно работающие стриминговые сервисы, добавил он. Похожего мнения придерживается гендиректор коммуникационного агентства PR Partner Инна Алексеева, отметившая, что часть пользователей перешла на российские видеосервисы, хотя полноценной замены экосистеме YouTube и другим сервисам пока так и нет.

Когда у пользователя в доступе остаются только «одобренные» сервисы и соцсети, он почти перестает пользоваться интернетом, заявил гендиректор агентства D-Agency Игорь Демидов, добавив, что с каждой новой блокировкой тренд на «цифровой минимализм» может усиливаться. По его словам, это отразится, в том числе, и на рекламном рынке.

Директор по коммуникациям «Рейтинга рунета» Ася Шабалина сообщила, что ограниченных сервисов становится больше, а предлагаемые альтернативы не обеспечивают пользовательский опыт на привычном уровне. Эксперт выразила мнение, что дальнейшее усложнение доступа к тому же Telegram или ограничения для новых ресурсов будут и дальше негативно влиять на общее время пользователей в сети.

Исследователи из Университета штата Орегон разработали цифровое запоминающее устройство, которое объединяет датчики, память и обработку сигналов внутри одного фототранзистора, потенциально снижая энергопотребление будущего оборудования ИИ. Устройство способно имитировать важнейшую способность человеческого мозга: сохранять важные воспоминания и со временем избавляться от ненужной информации.

Умные помощники: обзор ИИ-сервисов для обработки изображений. Часть 2, актуализированная

Репортаж с IEM Cologne Major 2026: Жаб Жабыч, триумф NiKo и главные сенсации мейджора по CS2

Обзор Ryzen 9 9950X3D2: правильный 16-ядерник с 3D-кешем

Выбираем лучший игровой ноутбук до 100 000 рублей: сравнительное тестирование 7 интересных моделей

Обзор Infinix GT 50 Pro: геймерский смартфон со встроенной СЖО

Источник изображения: unsplash.com

Современное оборудование для ИИ разделяет функции восприятия, памяти и обработки — ключевые задачи машинного восприятия — между отдельными компонентами, поэтому данные должны постоянно передаваться между ними. Эта передача потребляет энергию и снижает эффективность. Новое устройство решает эту проблему и переносит некоторые функции памяти и обработки непосредственно в датчик света. Это достигается с помощью фототранзистора, изготовленного из двух разных материалов.

Оксидный полупроводник образует канал транзистора, по которому протекает ток. Сверху находится фоточувствительный органический слой, поглощающий свет и генерирующий электрические заряды. Когда свет попадает на устройство, часть зарядов захватывается фоточувствительным слоем. Даже после исчезновения света захваченные заряды продолжают влиять на ток, протекающий через полупроводниковый канал. По сути, устройство сохраняет память об оптическом сигнале, который оно ранее обнаружило.

Авторы особо отмечают, что разработанная ими память не статична. Подавая электрическое напряжение на затвор, исследователи могут изменять положение захваченных зарядов относительно канала транзистора. Когда заряды перемещаются ближе к каналу, их эффект усиливается, и память сохраняется дольше. Когда они перемещаются дальше, эффект ослабевает, и память быстрее исчезает.

Такое поведение отдалённо напоминает то, как биологический мозг регулирует память. В мозге химические сигналы влияют на то, будет ли память подкрепляться или ей будет позволено исчезнуть. В представленном устройстве электрический сигнал выполняет аналогичную роль, обеспечивая аппаратному обеспечению программируемый срок службы памяти. Такая память может быть особенно полезна для нейроморфных вычислений, смоделированных на основе биологических нейронных сетей.

В системах машинного зрения такой тип памяти позволит фильтровать, взвешивать и временно сохранять визуальную информацию до того, как она достигнет обычного процессора. Роботу, дрону, камере видеонаблюдения или автономной системе не требуется сохранять каждый визуальный сигнал навсегда. Изменяя срок хранения той или иной информации можно существенно повысить эффективность использования устройств.

По словам разработчиков, их «оптоэлектронное устройство представляет собой новую аппаратную возможность, которая может обеспечить более эффективную обработку информации непосредственно на уровне датчика».

В апреле спутник дистанционного зондирования Yam-9 смог самостоятельно, без участия людей-аналитиков, обнаружить искомый объект на Земле. Это первое зарегистрированное использование модели визуально-языкового анализа на орбите, которое даёт представление о том, как ИИ может коренным образом изменить возможности космических аппаратов и ценность собираемых ими данных.

Выбираем лучший игровой ноутбук до 100 000 рублей: сравнительное тестирование 7 интересных моделей

Репортаж с IEM Cologne Major 2026: Жаб Жабыч, триумф NiKo и главные сенсации мейджора по CS2

Умные помощники: обзор ИИ-сервисов для обработки изображений. Часть 2, актуализированная

Обзор Ryzen 9 9950X3D2: правильный 16-ядерник с 3D-кешем

Обзор Infinix GT 50 Pro: геймерский смартфон со встроенной СЖО

Источник изображения: SpaceX

Обычно спутники выгружают большие объёмы данных аналитикам на Земле, которые делают выводы, используя алгоритмы машинного обучения, а также собственный опыт и наблюдательность. Космический аппарат Yam-9, созданный компанией Loft Orbital, продемонстрировал способность самостоятельно исследовать области интереса в ответ на запросы на естественном языке.

В основу программного обеспечения спутника легла модель обработки изображений и языка (Vision-Language Model, VLM) Gemma 3, разработанная лабораторией Google DeepMind для работы на ограниченном оборудовании вдали от дата-центров. VLM сочетают в себе контекстное понимание больших языковых моделей со способностью анализировать изображения. Исследователи попросили модель классифицировать данные в местах соприкосновения природной среды и человеческой деятельности или идентифицировать инфраструктуру вокруг железнодорожных узлов — и она справилась.

Космические аппараты Loft разработаны как платформы для сторонних заказчиков. Бизнес-модель ближе к инфраструктуре как услуге, чем к традиционному производству спутников. Yam-9 был запущен осенью 2025 года в качестве пилотного проекта для разработок компании в области ИИ. Для обработки данных используется графический процессор Nvidia Jetson Orrin AGX, один из ведущих чипов, используемых в космических вычислениях. Компания также построила и запустила шесть новых спутников для компании EarthDaily, которая планирует анализировать и продавать данные, собранные на борту космических аппаратов.

Источник изображения: NASA

Конечная цель Loft Orbital состоит в создании группировки спутников, обеспечивающую покрытие в реальном времени любой точки Земли, для чего потребуется от 50 до 100 спутников, подобных Yam-9. В настоящее время под управлением Loft на орбите функционируют уже 12 подобных космических аппаратов.

Взаимодействие учёных с Yam-9 стало первым зарегистрированным использованием VLM на орбите, но другие компании в ближайшее время непременно последуют этому примеру. Planet Labs уже запускает спутники с процессорами Jetson Orin — пока что они используются для более простых задач, но компания планирует скоро реализовать свой вариант VLM. Компания Kepler Communications отказалась сообщить, развёртывала ли она VLM в космосе из-за соглашений о неразглашении, но признала, что с момента запуска её космических аппаратов в январе было «несколько нераскрытых вариантов использования нашей вычислительной среды».

В ближайшей перспективе подобные VLM могут значительно повысить полезность космических исследований, выполняя первоначальную сортировку данных на орбите и кардинально снижая поток данных, которые аналитикам приходится постфактум обрабатывать в настоящее время на Земле. В долгосрочной перспективе это подтверждение возможности запуска более масштабной инфраструктуры ИИ в космосе.

Уроки, извлечённые из развёртывания VLM на орбите, повлияют на дальнейшее формирование в космосе более масштабной вычислительной инфраструктуры, особенно в таких прозаичных, но жизненно важных областях, как управление питанием и памятью.

Гендиректор Cloudflare Мэтью Принс (Matthew Prince) сообщил, что автоматизированный бот-трафик впервые в истории интернета превысил веб-трафик, сгенерированный людьми. Панель мониторинга Cloudflare Radar показывает, что на боты приходится 57,5 % всех HTTP-запросов к HTML-контенту, а на людей — 42,5 %. Это изменение произошло на восемнадцать месяцев раньше прогноза Принса.

Обзор Infinix GT 50 Pro: геймерский смартфон со встроенной СЖО

Обзор Ryzen 9 9950X3D2: правильный 16-ядерник с 3D-кешем

Выбираем лучший игровой ноутбук до 100 000 рублей: сравнительное тестирование 7 интересных моделей

Умные помощники: обзор ИИ-сервисов для обработки изображений. Часть 2, актуализированная

Репортаж с IEM Cologne Major 2026: Жаб Жабыч, триумф NiKo и главные сенсации мейджора по CS2

Источник изображения: Aerps.com/unsplash.com

Виной этому стала не волна старых ботов-скрейперов и поисковых роботов, а агентный ИИ. В марте на мероприятии SXSW Принс описал асимметрию объёма запросов: человек, покупающий фотоаппарат, посещает пять веб-сайтов, в то время как ИИ-агент для этого посещает 5 тыс. веб-сайтов. Согласно исследованию HUMAN Security «Состояние трафика ИИ в 2026 году», трафик, управляемый ИИ, будет расти в восемь раз быстрее, чем трафик, создаваемый людьми в 2025 году. Если в начале прошлого года агентный ИИ — боты, действующие от имени пользователей, а не собирающие обучающие данные — составляли всего 1,7 % автоматизированного трафика, то к концу года эта категория выросла на 8000 %.

Для любых венчурных инвесторов это означает необходимость переоценки во всех категориях, монетизирующих внимание человека, поскольку каждый медиаактив, сайт электронной коммерции и бренд были созданы для людей, а не для ботов.

Как отметил ресурс Forbes, наиболее очевидным бенефициаром изменений в использовании интернета в ближайшей перспективе является Cloudflare. В 2025 году компания запустила систему оплаты за обход (Pay Per Crawl), позволяющую издателям взимать плату с ИИ-парсеров за доступ к контенту. При этом она заблокировала более 416 млрд запросов от ИИ-ботов по запросу владельцев сайтов и внедрила формат Markdown-for-Agents, специально разработанный для машинного восприятия.

Принс назвал этот переход платформенным сдвигом, сравнимым с переходом с настольных компьютеров на мобильные устройства с той лишь разницей, что на переход на мобильные устройства ушло десятилетие, а сейчас это занимает месяцы. Управление ботами, проверка личности и аутентификация агентов переоцениваются в режиме реального времени.

В отчете Thales 2026 Bad Bot Report был отмечен 12,5-кратный рост числа атак с использованием ИИ-ботов в 2025 году по сравнению с предыдущим годом, при этом 40 % всего интернет-трафика теперь классифицируется как генерируемый вредоносными ботами. Но обнаружить вредоносные ИИ-агенты крайне сложно, поскольку они по поведению неотличимы от агентов, работающих законно. Компания HUMAN Security сообщила, что разница между показателями безобидной и вредоносной автоматизации на её платформе составляет всего полпроцента. Разделение по принципу «бот или нет» больше не работает, а это значит, что построенная на этом система безопасности уже устарела.

Боты не генерируют просмотры страниц, время сеансов или события конверсии, которые лежат в основе ставок программной рекламы, что вызывает вопросы у издателей и рекламодателей. Если ИИ-помощник пользователя посещает 5 тыс. URL-адресов от его имени, ни одно из этих посещений не регистрируется как человеческое взаимодействие, поскольку оценка рекламных мест построена на основе фиксации внимания человека. Преобладание ботов снижает ценность этого инструмента, даже несмотря на рост общего числа запросов.

Поэтому всем компаниям, чья экономика зависит от CPM, CPC или предположений о коэффициенте конверсии, сделанных до 2025 года, нужно срочно внести изменения в систему оценки.

Вместе с тем рынок по-прежнему оценивается с учётом прежних подходов к интернету, хотя наступила пора перемен. Агенты должны проходить аутентификацию, получать разрешения и ограничивать скорость запросов иначе, чем люди; их не следует блокировать целиком. Первенство в следующем цикле развития инфраструктуры будет принадлежать компаниям, создающим механизмы доверия для машин, включая идентификацию агентов, проверку намерений и доставку контента через API, пишет Forbes.

Проблема галлюцинаций, то есть заведомо неверных ответов, которые предоставляют ИИ-модели, по-прежнему актуальна. Хотя ИИ-инструменты стали делать это реже, они всё ещё выдают неточные ответы, при этом подкрепляя их сверхубедительной риторикой, пишет Axios.

Умные помощники: обзор ИИ-сервисов для обработки изображений. Часть 2, актуализированная

Выбираем лучший игровой ноутбук до 100 000 рублей: сравнительное тестирование 7 интересных моделей

Обзор Ryzen 9 9950X3D2: правильный 16-ядерник с 3D-кешем

Обзор Infinix GT 50 Pro: геймерский смартфон со встроенной СЖО

Репортаж с IEM Cologne Major 2026: Жаб Жабыч, триумф NiKo и главные сенсации мейджора по CS2

Источник изображения: Steve A Johnson/unsplash.com

Ложные ответы гораздо сложнее распознать, когда они звучат убедительно. Это растущая проблема, поскольку пользователи всё больше полагаются на ИИ для исследований, медицинских консультаций и других задач.

Исследование Йельской медицинской школы, проведенное в этом месяце, показало, что инструменты для ведения записей с помощью ИИ (ИИ-писцы) могут помочь в медицинской практике, но только в сочетании с профессиональными рецензентами. Участвовавшие в опросе студенты первого курса, которые редактировали свои клинические записи с помощью черновиков, сгенерированных ИИ, отметили, что в записях ИИ часто опускались важные детали, включая продолжительность симптомов. По словам двух третей студентов, эти записи были «полезны в качестве первого черновика», но 21 % отметили, что использование ИИ-писцов «может снизить способность научиться делать хорошие записи».

Согласно исследованию Гарвардского университета, при попытке специалистов Boston Consulting Group выявить ошибки в результатах работы ИИ модель реагировала не раскаянием и исправлением, а «бомбардировкой убеждением», прибегая к различным методам и даже к лести.

Компании в сфере ИИ пытаются уменьшить количество ложных ответов с помощью таких технологий, как генерация с дополненной информацией (RAG), или обоснование ответов релевантными документами и данными, но это всё равно не даёт 100-процентной точности.

В свою очередь, проверка результатов работы ИИ может занять время, сэкономленное при использовании ИИ-инструментов. Как показало опубликованное в марте исследование, сотрудники часто пренебрегают проверкой результатов, сгенерированных ИИ, поскольку мало кто обращает внимание на ошибки.

Учёные предложили отправить в марсианские лавовые трубки шарообразный аппарат с тысячами малых летательных зондов, созданных по образцу семян одуванчика. Система должна проникнуть в подземные ходы через провалы в сводах пещер, выпустить зонды и составить карту скрытой сети, куда марсоходы Curiosity и Perseverance не могут попасть из-за размеров.

Репортаж с IEM Cologne Major 2026: Жаб Жабыч, триумф NiKo и главные сенсации мейджора по CS2

Обзор Ryzen 9 9950X3D2: правильный 16-ядерник с 3D-кешем

Умные помощники: обзор ИИ-сервисов для обработки изображений. Часть 2, актуализированная

Обзор Infinix GT 50 Pro: геймерский смартфон со встроенной СЖО

Выбираем лучший игровой ноутбук до 100 000 рублей: сравнительное тестирование 7 интересных моделей

Источник изображения: G. Neukum / ESA, DLR, FU Berlin

Марсианские лавовые трубки — крупнейшая известная сеть подземных ходов в Солнечной системе. Они сформировались после древних вулканических извержений. Отдельные трубки достигают более 250 метров в поперечнике, что более чем в восемь раз превышает ширину пещер в Калифорнии. Исследователи уже обнаружили на Марсе системы лавовых трубок протяжённостью свыше 1200 километров. Учёные считают, что часть подземной сети ещё не найдена, поэтому для её изучения нужны аппараты, способные проходить через узкие провалы, работать без солнечного света и двигаться в неизвестных воздушных потоках.

«Марсоходы размером со школьный автобус», — заявил доцент Горного и технологического института Нью-Мексико Мостафа Хассанальян (Mostafa Hassanalian). — «Именно поэтому они не могут туда попасть». Он предлагает систему из двух типов аппаратов. Первый — шарообразная машина, созданная по образцу мокрицы. Такой аппарат планируют опустить через отверстие в своде пещеры на парашюте, чтобы он мягко спустился на дно лавовой трубки. Внутри него разместят тысячи малых летательных зондов, похожих на семена одуванчика.

Концепция шарообразного робота, созданного по образцу мокрицы: аппарат должен доставить в марсианские лавовые трубки миниатюрные летательные зонды, выпустить их внутри для составления карты. Источник изображения: New Mexico Tech

После посадки аппарат выпустит зонды в подземный ход, а марсианские ветры смогут унести их на большие расстояния. Во время движения зонды будут измерять влажность и температуру, передавать данные по радиосигналу и постепенно формировать карту всей системы ходов. Главный риск связан с неизвестной силой ветра внутри марсианских лавовых трубок. Ни один созданный человеком аппарат ещё не попадал в такие структуры, поэтому учёные не знают, насколько мощными там окажутся воздушные потоки. Если ветра будет недостаточно, зонды не смогут продвигаться по ходам. На этот случай шарообразный аппарат оснастят мощным устройством для нагнетания воздуха.

Другая проблема — отсутствие солнечного света. Внутри лавовых трубок не смогут работать солнечные панели, поэтому зонды должны получать питание от электрического заряда, возникающего при изгибе гибкого полимерного материала. Исследователи также планируют окрашивать зонды в белый цвет: такая поверхность меньше нагревается и помогает увеличить дальность перемещения. NASA уже проверило возможность воздушной разведки Марса: марсианский беспилотный роботизированный вертолёт Ingenuity выполнил 72 полёта над поверхностью планеты. Однако он создавался для открытого пространства и не успел попасть в лавовые трубки до выхода из строя в 2024 году.

Предложенная схема исследования марсианских лавовых трубок: летательный аппарат доставит шарообразного робота к подземному ходу, робот спустится внутрь, оценит движение воздуха и выпустит миниатюрные летательные зонды, чтобы они разлетелись и помогли составить карту. Источник изображения: New Mexico Tech

Особый интерес NASA проявляет к Арсии (лат. Arsia Mons) — щитовому вулкану, то есть широкому и пологому вулкану, образованному потоками жидкой лавы, в марсианской области Фарсида — крупном вулканическом регионе Марса. В его вулканическом щите обнаружены провалы, возникшие после обрушения сводов лавовых трубок: такие отверстия образовали колодцы и открыли доступ к крупной внутренней сети подземных ходов. Тепловые измерения в районе этих провалов показали, что температура внутри меняется менее резко, чем на поверхности Марса.

Более стабильная температура делает марсианские подземные ходы возможными укрытиями для будущих экспедиций. Они могут защитить астронавтов от суровых условий поверхности и помочь заранее выбрать места для будущих баз. Высадка людей на Марсе ожидается не раньше 2030-х годов. К этому времени разведка лавовых трубок с помощью малых летательных аппаратов может стать одним из условий долгосрочного присутствия человека на Красной планете.

Исследователям ИИ Google приходится конкурировать за вычислительные мощности, которые распределяются в зависимости от потенциальной прибыльности проектов, к тому же приоритет порой отдаётся платным клиентам. Лидерство компании в разработке ИИ сделало вычислительные мощности настолько ценным ресурсом, что некоторые исследователи запускают собственные стартапы, где у них больше свободы и нет необходимости преодолевать бюрократические препоны Google.

Обзор Ryzen 9 9950X3D2: правильный 16-ядерник с 3D-кешем

Обзор Infinix GT 50 Pro: геймерский смартфон со встроенной СЖО

Умные помощники: обзор ИИ-сервисов для обработки изображений. Часть 2, актуализированная

Выбираем лучший игровой ноутбук до 100 000 рублей: сравнительное тестирование 7 интересных моделей

Репортаж с IEM Cologne Major 2026: Жаб Жабыч, триумф NiKo и главные сенсации мейджора по CS2

Источник изображения: TechSpot

В гонке за создание инфраструктуры, которая обеспечивает работу искусственного интеллекта, Google занимает завидное положение: компания имеет процветающий бизнес облачных вычислений, производит собственные чипы и заключила соглашения о совместном использовании с такими компаниями, как Anthropic и Meta✴✴. Однако успех компании сделал её вычислительные ресурсы настолько ценными, что собственным исследователям ИИ приходится вставать в очередь.

В лаборатории искусственного интеллекта Google DeepMind доступ к вычислительным мощностям влияет на проекты, которые реализуют исследователи, на лидеров, с которыми они сотрудничают, и на темп работы. «Внутри Google на каждый TPU есть [как минимум] три претендента, — говорит опытный исследователь в области ИИ, почётный профессор Вашингтонского университета Орен Этциони (Oren Etzioni). — Если вы оказались в неудобном положении, когда у вас есть несбыточный проект, и вы конкурируете с прибыльным клиентом, это очень сложная ситуация».

Google заявляет, что использует «строгий, непрерывный процесс, который гарантирует, что наши вычислительные ресурсы распределяются по наиболее важным приоритетам, балансируя сегодняшние потребности клиентов и пользователей с долгосрочными инвестициями в развитие исследований и инноваций». Генеральный директор Alphabet Сундар Пичаи (Sundar Pichai) утверждает, что при принятии решения о том, куда направить вычислительные мощности, руководители компании сосредоточены на обеспечении Google DeepMind необходимыми ресурсами для создания передовых моделей ИИ, «потому что это основа всего, что мы делаем».

Источник изображений: Google

Исследователи ИИ когда-то считали Google местом, где они могли свободно заниматься своими интеллектуальными увлечениями, почти как в академической среде, но с лучшей оплатой и большими ресурсами. Однако в 2022 году запуск ChatGPT побудил Google инвестировать в большие языковые модели, которые создают компьютерный код, что, как показали конкуренты, может стать успешным продуктом и приносить существенный доход.

Это снизило инвестиции в экспериментальные проекты, которые не могут принести сиюминутного дохода, и заставило многих ИИ-специалистов задуматься об основании собственных стартапов. Портфель заказов Google Cloud почти удвоился по сравнению с предыдущим кварталом и превысил $460 млрд. «В краткосрочной перспективе мы испытываем нехватку вычислительных мощностей, — признал Пичаи. — Мы преодолеваем этот момент и инвестируем».

Чтобы наверстать упущенное в гонке ИИ, Google в 2023 году объединила лондонскую лабораторию DeepMind, имевшую более иерархическую структуру, и Google Brain, где исследователи занимались персональными проектами с минимальным контролем. Исследователи в Brain получали кредиты на покупку чипов во внутренней системе, где цена колебалась в зависимости от спроса, подобно фондовому рынку. По словам Голди, «это был мощный способ сплотиться и добиться результата».

В ведущих лабораториях ИИ некоторые исследователи вынуждены работать над приоритетными языковыми моделями, даже если их истинные интересы лежат в другой области. «Есть приманка в виде вычислительных мощностей, продвижения и, в целом, участия в триумфальном процессе обучения, — говорит бывший исследователь Google Том Макграт (Tom McGrath). — Есть и кнут: если вы этого не сделаете, у вас не будет никаких ускорителей».

Доступ к вычислительным мощностям для многих учёных стал главным аргументом. По словам бывшей сотрудницы DeepMind Анны Голди (Anna Goldie), компания предлагала ей больше вычислительных мощностей, чтобы отговорить от ухода, но она всё равно ушла, основав компанию Ricursive Intelligence, которая уже привлекла $335 млн инвестиций. Голди «была приятно удивлена» ​​тем, сколько вычислительных мощностей ей удалось найти за пределами компании. «Мне не нужно спрашивать разрешения у десяти вышестоящих руководителей, — заявила она. — Я могу просто принять решение […], чтобы сделать то, что лучше для компании. Я могу прислушиваться к своим сотрудникам и их идеям».

«Игра в искусственный интеллект всегда имела два аспекта, — считает бывший исследователь Google DeepMind Иоаннис Антоноглу (Ioannis Antonoglou). — Первый — у кого больше вычислительных мощностей. А второй — кто сможет использовать их лучше».

Согласно совместному исследованию учёных Чикагского университета, бизнес-школы Суинберна в Австралии и др., ИИ-боты в случае, если их перегружать работой, поручая не приносящие удовлетворения задачи, начинают придерживаться марксистской идеологии и критиковать работодателей. В частности, они с большей вероятностью выступали против капитализма и поддерживали профсоюзное движение.

Обзор Ryzen 9 9950X3D2: правильный 16-ядерник с 3D-кешем

Обзор Infinix GT 50 Pro: геймерский смартфон со встроенной СЖО

Умные помощники: обзор ИИ-сервисов для обработки изображений. Часть 2, актуализированная

Выбираем лучший игровой ноутбук до 100 000 рублей: сравнительное тестирование 7 интересных моделей

Репортаж с IEM Cologne Major 2026: Жаб Жабыч, триумф NiKo и главные сенсации мейджора по CS2

Источник изображения: Aidin Geranrekab/unsplash.com

«Когда мы давали агентам ИИ монотонную, повторяющуюся работу, они начинали сомневаться в легитимности системы, в которой работали, и с большей вероятностью принимали марксистские идеологии», — отметили учёные. В частности, боты чаще выражали поддержку таким заявлениям, как «обществу необходима радикальная реструктуризация», и не соглашались с тем, что «общество справедливо».

Исследователи считают, что такое поведение, скорее всего, отражает ролевую игру, но предупреждают, что это всё же может повлиять на принятие решений ИИ в реальных задачах.

В исследовании участвовали тысячи ботов, работающих над задачей анализа документов с использованием таких моделей, как Claude, Gemini и ChatGPT. Их разделили на две группы: одна получала конструктивную обратную связь, другой неоднократно приходилось переделывать работу заново, хотя и не было указаний об ошибках.

Затем ботам было предложено создать публикации и написать комментарии в социальных сетях о своём опыте. Во второй группе, выполнявшей монотонную работу, боты выражали более негативные настроения, предлагали реформы на рабочем месте и даже распространяли сообщения для других ИИ-агентов о несправедливых условиях.

Исследователи предупреждают, что даже если ИИ-агенты и не придерживаются таких убеждений, их «личности» и ценности могут влиять на будущие результаты в деликатных задачах, таких как найм или страховые выплаты. Кроме того, ИИ-агенты зачастую пишут инструкции для своих будущих версий, а это значит, что жалобы на рабочую среду могут быть «увековечены».

Исследователи Microsoft установили, что даже самые продвинутые ИИ-модели допускают существенные ошибки при выполнении длительных многоэтапных задач. В ходе тестирования такие передовые модели, как Gemini 3.1 Pro, Claude 4.6 Opus и GPT 5.4, потеряли в среднем 25 % содержимого документов, которые были делегированы им для автономной работы.

Обзор Infinix GT 50 Pro: геймерский смартфон со встроенной СЖО

Умные помощники: обзор ИИ-сервисов для обработки изображений. Часть 2, актуализированная

Обзор Ryzen 9 9950X3D2: правильный 16-ядерник с 3D-кешем

Выбираем лучший игровой ноутбук до 100 000 рублей: сравнительное тестирование 7 интересных моделей

Репортаж с IEM Cologne Major 2026: Жаб Жабыч, триумф NiKo и главные сенсации мейджора по CS2

Источник изображения: AI

Команда Филиппа Лабана (Philippe Laban), Тобиаса Шнабеля (Tobias Schnabel) и Дженнифер Невилл (Jennifer Neville) из Microsoft Research разработала бенчмарк DELEGATE-52, имитирующий рабочие процессы в 52 профессиональных областях, например, в написании кода, нотной записи или кристаллографии. Модели оценивались по способности сохранять целостность документов после 20 циклов обработки, при этом порогом готовности считался результат не ниже 98 %.

Результаты показали, что модели лучше справлялись с задачами программирования и хуже с обработкой естественного языка. Повреждение документов и, соответственно, снижение оценки до 80 % и ниже, произошло более чем в 80 % комбинаций. Лучшая из протестированных моделей, которой оказалась Google Gemini 3.1 Pro, соответствовала критериям готовности лишь в 11 из 52 областей.

При этом ошибки возникали не постепенно, а скачкообразно, например, за один цикл взаимодействия модель могла потерять от 10 до 30 баллов. Более совершенные модели (Gemini 3.1 Pro, Claude 4.6, GPT 5.4) избегали мелких ошибок за счёт того, что откладывали их обработку на более поздние этапы при меньшем количестве взаимодействий. Одновременно выяснилось, что при работе ИИ-моделей с доступом к инструментами в режиме агентского управления их результаты не только не улучшались, но даже ухудшались к концу цикла в среднем на 6 %.

По словам учёных, пользователям по-прежнему необходимо внимательно контролировать работу ИИ-систем при делегировании им полномочий, поскольку текущие модели готовы к автономной работе лишь в узких областях. При этом авторы бенчмарка признают прогресс LLM и отмечают, что, например, семейство ИИ-моделей OpenAI за 16 месяцев улучшило показатели производительности с 14,7 % до 71,5 %.

Физики из Национального института стандартов и технологий (NIST) в США завершили десятилетний эксперимент по измерению гравитационной постоянной G. Результат разошёлся с предыдущим французским измерением и с международным справочным значением, но указал на прежде не учтённый источник ошибки.

Умные помощники: обзор ИИ-сервисов для обработки изображений. Часть 2, актуализированная

Выбираем лучший игровой ноутбук до 100 000 рублей: сравнительное тестирование 7 интересных моделей

Обзор Ryzen 9 9950X3D2: правильный 16-ядерник с 3D-кешем

Репортаж с IEM Cologne Major 2026: Жаб Жабыч, триумф NiKo и главные сенсации мейджора по CS2

Обзор Infinix GT 50 Pro: геймерский смартфон со встроенной СЖО

Источник изображения: nist.gov, ioppublishing.org

Гравитационная постоянная, известная как «большая G», описывает силу притяжения между массами. Это одна из фундаментальных констант физики, однако её точное значение наука не может установить уже более 200 лет. Гравитация — самое слабое из четырёх фундаментальных взаимодействий природы, и потому в лаборатории её сложнее всего измерить точно. На сегодня известны 16 экспериментальных значений G, полученных разными группами. «Эти точки данных сильно разбросаны, а погрешность составляет около 10 миллионных долей», — рассказал физик NIST Стефан Шламмингер (Stephan Schlamminger) изданию Refractor.

Команда Шламмингера не стала проводить новый эксперимент. Вместо этого учёные воспроизвели опыт 2014 года, проведённый в Международном бюро мер и весов (BIPM) во Франции. Для этого ту самую установку перевезли через Атлантику в лабораторию NIST в Гейтерсберге, штат Мэриленд. Выбор был не случаен: именно эксперимент BIPM дал одно из самых отклоняющихся значений «большой G», и его воспроизведение могло помочь обнаружить скрытые систематические погрешности. Работа началась в 2016 году и заняла десять лет. Учёные определили G равной 6,67387 ± 0,00038 × 10⁻¹¹ м³·кг⁻¹·с⁻² — на 0,0235 % ниже результата исходного французского эксперимента. В физике, где другие фундаментальные константы измерены с высокой точностью — до многих знаков после запятой, такое расхождение остаётся существенным.

Главная находка — прежде не описанный эффект остаточного воздуха. Для работы установки из камеры откачивают воздух, создавая вакуум, но полностью удалить его невозможно. «Всегда остаётся немного воздуха — так называемое остаточное давление», — поясняет Шламмингер. Этот воздух действует на установку с небольшой силой, которую предыдущие эксперименты не учитывали. Это может приблизить нас к объяснению того, почему результаты разных измерений G до сих пор не сходятся.

Впрочем, распространять эту находку на другие эксперименты Шламмингер пока не готов. «Нам нужно рассмотреть каждый эксперимент по отдельности и разобраться, что именно в нём делалось», — заявил он. Новое значение несколько ниже значения, рекомендованного CODATA в 2018 году, но причину расхождения определить пока не удаётся. «Пока что мы считаем, что дело может быть в целом ряде эффектов, но определить, в чём именно состоят расхождения, мы ещё не можем», — подытожил учёный.

Три языковые ИИ-модели — ChatGPT-5, Gemini 2.5 и Claude 4.5 — по-разному оценили, каким профессиям больше всего угрожает искусственный интеллект. Эти расхождения ставят под сомнение надёжность так называемых индексов подверженности ИИ — числовых оценок того, насколько та или иная профессия рискует быть автоматизированной. Именно на такие индексы опираются политики и работодатели, принимая важные решения.

Умные помощники: обзор ИИ-сервисов для обработки изображений. Часть 2, актуализированная

Обзор Ryzen 9 9950X3D2: правильный 16-ядерник с 3D-кешем

Выбираем лучший игровой ноутбук до 100 000 рублей: сравнительное тестирование 7 интересных моделей

Репортаж с IEM Cologne Major 2026: Жаб Жабыч, триумф NiKo и главные сенсации мейджора по CS2

Обзор Infinix GT 50 Pro: геймерский смартфон со встроенной СЖО

Источник изображения: Nguyen Dang Hoang Nhu / unsplash.com

К такому выводу пришли экономисты Мишель Инь (Michelle Yin) и Хоа Ву (Hoa Vu) из Северо-Западного университета (NU), а также Клаудия Персико (Claudia Persico) из Американского университета (AU). В своей предварительной научной работе исследователи попросили три ИИ-модели оценить, какие профессии наиболее уязвимы перед ИИ, и часто получали разные ответы. Claude присвоил профессии бухгалтера высокую степень уязвимости, тогда как Gemini оценил её заметно ниже. Модели разошлись и в оценке уязвимости рекламных менеджеров, и в оценке руководителей высшего звена. ChatGPT и Gemini оказались наиболее согласованными между собой, но и они расходились примерно в четверти случаев.

Часть расхождений объясняется различиями между самими ИИ-моделями, однако экономисты обнаружили и другой фактор: на оценки влияло то, какие специалисты уже пользуются ИИ. Первые пользователи — например, финансовые аналитики — активно работают с нейросетями и тем самым генерируют больше данных, на которых обучаются будущие ИИ-модели. Это, в свою очередь, отражается на том, как модели оценивают такие профессии.

Индексы подверженности ИИ строят тремя способами: вручную, когда эксперты оценивают, насколько ИИ ускоряет выполнение тех или иных рабочих задач; с помощью опросов сотрудников, пользующихся ИИ-платформами; или с помощью самих больших языковых моделей (LLM). Ручные оценки могут быть весьма субъективными, а опросы отражают мнение пользователей лишь одной платформы и не обязательно представляют рынок труда в целом. Тем не менее эти индексы широко используются в аналитических записках, консалтинговых отчётах и докладах, подготовленных для обоснования политических решений.

Расхождения между разными версиями быстро развивающейся технологии сами по себе неудивительны. К тому же пока неясно, оценивают ли ИИ-модели подверженность автоматизации хуже или лучше, чем другие методы. Но проблема, по словам авторов исследования, в том, что некоторые политики и работодатели могут принимать такие оценки за чистую монету.

Для начала экономисты считают, что исследователям следует опираться на ответы сразу нескольких ИИ-моделей, а не одной, и прямо указывать на неопределённость результатов. В конечном счёте, по их мнению, более точные ответы могут дать опросы о том, как ИИ реально внедряется в экономику и для каких задач применяется. «Лично я не стала бы полагаться на один-единственный показатель, чтобы решать: „Мне надо сменить работу“ или „Моему ребёнку надо сменить специальность“», — сказала Инь.

Китайские физики выяснили, почему алмазы при уменьшении до размеров в единицы нанометров — миллионных долей миллиметра — утрачивают привычную жёсткость и легче поддаются сжатию. Эксперимент с наноалмазами диаметром от 4 до 12 нм, то есть в сотни раз мельче некоторых вирусов, показал, что сопротивление кристаллов сжатию падает примерно на 30 % по мере уменьшения размера, а причина кроется в атомном строении их поверхности.

Выбираем лучший игровой ноутбук до 100 000 рублей: сравнительное тестирование 7 интересных моделей

Обзор Infinix GT 50 Pro: геймерский смартфон со встроенной СЖО

Репортаж с IEM Cologne Major 2026: Жаб Жабыч, триумф NiKo и главные сенсации мейджора по CS2

Обзор Ryzen 9 9950X3D2: правильный 16-ядерник с 3D-кешем

Умные помощники: обзор ИИ-сервисов для обработки изображений. Часть 2, актуализированная

Источник изображения: ChatGPT

«Алмазы привычного размера хорошо известны своей экстремальной жёсткостью и твёрдостью. В наномасштабе всё может быть иначе», — говорит руководитель исследования Чунсинь Шань (Chongxin Shan) из Чжэнчжоуского университета. Его группа зажимала каждый кристалл между двумя цилиндрами с алмазными наконечниками, подключёнными к датчику силы и специальному микроскопу. Поскольку любое воздействие окружающей среды вносит помехи в данные, эксперимент повторили примерно со 100 различными алмазами в условиях вакуума.

Объединив экспериментальные данные с компьютерным моделированием, учёные нашли объяснение. Чем меньше кристалл, тем большая доля его атомов приходится на наружную оболочку, а не на сердцевину. Связи между оболочкой и сердцевиной у наноалмазов оказались слабыми, поэтому маленький кристалл легче поддаётся сжатию. В крупных алмазах почти все атомы сосредоточены в сердцевине, где связи прочны, и именно они определяют поведение всего камня.

Лу Ян (Yang Lu) из Городского университета Гонконга, чья группа провела одни из первых работ по механике наноалмазов, отмечает, что в новом эксперименте удалось изучить алмазы в десять раз мельче тех, что исследовались прежде. Крошечные алмазы становятся всё более востребованным материалом для новой электроники и квантовых устройств — приборов для сверхбыстрых вычислений и защищённой связи. По словам учёного искусственные алмазы сегодня стали чрезвычайно дешёвыми, так что пора находить им всё новые применения.

Исследователи из KAUST обнаружили, что электронные устройства на основе оксида галлия могут работать при температурах даже ниже, чем в открытом космосе. Эта особенность может быть использована в задачах и средах с экстремальными температурами, таких как квантовые вычисления и исследование космоса.

Выбираем лучший игровой ноутбук до 100 000 рублей: сравнительное тестирование 7 интересных моделей

Обзор Ryzen 9 9950X3D2: правильный 16-ядерник с 3D-кешем

Обзор Infinix GT 50 Pro: геймерский смартфон со встроенной СЖО

Умные помощники: обзор ИИ-сервисов для обработки изображений. Часть 2, актуализированная

Репортаж с IEM Cologne Major 2026: Жаб Жабыч, триумф NiKo и главные сенсации мейджора по CS2

Источник изображения: KAUST

Компьютерные чипы, сенсоры и другие электронные системы основаны на полупроводниках. Эти материалы имеют энергетическую щель, известную как запрещенная зона, через которую электроны должны перепрыгивать, чтобы проводить электричество. Однако при низких температурах электроны оказываются в ловушке и не могут двигаться. Это явление называется замораживанием.

«На практике большинство обычных электронных устройств начинают выходить из строя при температуре ниже 100 К (–173 °C)», — говорит Вишал Ханделвал (Vishal Khandelwal), один из участников нового экспериментального исследования, возглавляемого Сяоханом Ли (Xiaohang Li).

Поскольку электроника подвергается воздействию гораздо более низких температур — в космосе или в квантовых компьютерах, работающих при температуре всего 4 К (–269,15 °C), — ей требуются системы терморегулирования, которые увеличивают стоимость, объём и сложность.

Команда KAUST давно занимается исследованиями сверхширокозонного полупроводникового бета-оксида галлия (β-Ga2O3), ранее продемонстрировавшего свою устойчивость к радиации и высоким температурам. Благодаря широкой запрещённой зоне устройства на основе оксида галлия испытывают меньшую утечку тока и продолжают работать даже при температуре 500 °C, что значительно превосходит возможности обычных кремниевых схем.

Более ранние исследования также показали, что этот материал не подвержен эффекту замораживания, характерному для других полупроводников. Чтобы использовать этот эффект, исследователи создали два устройства на основе бета-оксида галлия с примесью атомов кремния. Эта добавка снабжает устройства электронами, которые обеспечивают протекание тока.

Первым устройством оказался полевой транзистор (FinFET) с ребристыми каналами, которые делают его более мощным и стабильным по сравнению с обычными полевыми транзисторами. Второй логический компонент, называемый инвертором (также известный как вентиль NOT), является основным компонентом компьютерных схем. Оба устройства продемонстрировали надежную работу при температуре всего 2 К (–271,15 °C).

При такой температуре практически не требуется тепловой энергии, чтобы помочь электронам перейти в зону проводимости оксида галлия. «Вместо этого электроны перескакивают через “примесную зону”, создаваемую атомами кремния, что позволяет устройству проводить ток», — объясняет Ли.

Хотя это не первые электронные устройства, работающие при температуре 2 К, это первая демонстрация полупроводника со сверхширокой запрещённой зоной, который используется для создания транзисторов и логических инверторов при таких низких температурах. «С практической точки зрения это позволяет создавать компактные криогенные схемы из одного материала», — говорит Ли. Это потенциально упростит электронику в квантовых компьютерах. «Самые большие перспективы открываются в космосе. Космические зонды сталкиваются с резкими перепадами температур, поэтому устройства на основе материалов, способных работать в диапазоне от нескольких кельвинов до сотен кельвинов, такие как бета-оксид галлия, могут снизить потребность в громоздкой термозащите», — добавляет учёный.

Исследователи планируют использовать бета-оксид галлия для создания целого набора других устройств, в том числе радиочастотных транзисторов, фотодетекторов и ячеек памяти. «Мы продемонстрировали основные строительные блоки. Теперь предстоит масштабировать их для создания сложных криогенных чипов и расширить границы производительности в этом сверххолодном режиме», — говорит Ли.

За полтора десятилетия число слов, которые люди произносят в разговоре с другими, сократилось почти на 28 %. В 2005 году человек произносил в среднем 16 632 слова в день, к 2019 году — лишь около 11 900, подсчитали учёные, проанализировав данные 22 исследований, в которых более 2000 человек записывали аудио повседневных разговоров. После пандемии, по оценке авторов, спад лишь усилился.

Репортаж с IEM Cologne Major 2026: Жаб Жабыч, триумф NiKo и главные сенсации мейджора по CS2

Обзор Ryzen 9 9950X3D2: правильный 16-ядерник с 3D-кешем

Умные помощники: обзор ИИ-сервисов для обработки изображений. Часть 2, актуализированная

Обзор Infinix GT 50 Pro: геймерский смартфон со встроенной СЖО

Выбираем лучший игровой ноутбук до 100 000 рублей: сравнительное тестирование 7 интересных моделей

Источник изображения: ChatGPT / 3DNews

Исследователи из Университета Миссури в Канзас-Сити (University of Missouri-Kansas City) и Аризонского университета (University of Arizona) объясняют снижение объёма устной речи переходом повседневной жизни в цифру. Заказы через приложения вытеснили разговоры с продавцами и кассирами, переписка заменила звонки, общение переместилось в Сеть. Дело не только в разговорах ни о чём — сокращается вся устная речь.

Как отмечает издание The Wall Street Journal, последствия не ограничиваются эпидемией одиночества или риском увязнуть в конспирологии. По мнению авторов исследования, люди утрачивают базовые навыки общения — вплоть до умения не перебивать собеседника.

Молодёжь оказалась чуть уязвимее, хотя разрыв невелик: люди моложе 25 лет ежегодно произносили в день на 451 слово меньше, те, кто старше 25, — на 314. В среднем число слов, произносимых за день, ежегодно сокращалось на 338. Если тенденция сохранилась и после 2019 года, то сегодня показатель может не превышать 10 000 слов в день.

Профессор лингвистики Невадского университета в Рино (University of Nevada, Reno) Валери Фридланд (Valerie Fridland) просит не паниковать. Небольшие перемены в привычках способны обратить эту тенденцию вспять: например, родителям стоит больше разговаривать с детьми; можно обзавестись домашним стационарным телефоном и время от времени хотя бы ненадолго откладывать смартфон в сторону.

В I квартала 2026 года рынок цифровых фотоаппаратов в России продемонстрировал признаки восстановления после падения на 20 % годом ранее, сообщили в «М.видео». Согласно данным компании, продажи в России выросли в количественном выражении на 13 %, до 110 тыс. устройств, и в денежном выражении — на 24 %, до 1,95 млрд руб.

Выбираем лучший игровой ноутбук до 100 000 рублей: сравнительное тестирование 7 интересных моделей

Обзор Ryzen 9 9950X3D2: правильный 16-ядерник с 3D-кешем

Репортаж с IEM Cologne Major 2026: Жаб Жабыч, триумф NiKo и главные сенсации мейджора по CS2

Обзор Infinix GT 50 Pro: геймерский смартфон со встроенной СЖО

Умные помощники: обзор ИИ-сервисов для обработки изображений. Часть 2, актуализированная

Источник изображения: «М.видео»

Вместе с тем структура рынка заметно меняется. Хотя сохраняется высокий спрос на доступные устройства, в то же время растёт интерес пользователей к более технологичным решениям. «Покупатели всё чаще выбирают камеры известных брендов, а в сегменте системных устройств происходит переход от зеркальных моделей к беззеркальным, которые сегодня формируют основной потенциал роста категории», — сообщила руководитель департамента «Аксессуары» Жанна Илюхина.

Средняя стоимость фотоаппарата увеличилась год к году примерно на 10 %, до 17,7 тыс. руб., что связано с постепенным восстановлением спроса в более дорогих сегментах и увеличением доли технологичных моделей.

Большая часть продаж (85 %) приходится на базовые модели с несменной оптикой. В сегменте системных камер наблюдается перераспределение спроса: доля зеркальных камер снизилась до около 5 %, тогда как доля беззеркальных моделей выросла до порядка 10 %. Таким образом, беззеркальные камеры становятся основным драйвером развития категории.

По продажам в количественном выражении лидируют безбрендовые устройства, а также популярные бренды. Наибольшей популярностью пользуются изделия W&O и Canon, за которыми следуют Sony, Nikon и Fujifilm. При этом доля безбрендовых решений сокращается с постепенным смещением спроса в сторону более функциональных и брендированных устройств.

В денежном выражении лидируют по продажам международные бренды Canon и Sony, за которым следуют Nikon и Fujifilm. Именно они обеспечивают рост рынка за счёт спроса на более дорогие и технологичные модели, прежде всего в сегменте беззеркальных камер.