Российские власти подготовили «дорожную карту» по развитию беспилотного автотранспорта до 2028 года — документ предусматривает выход машин с автопилотом на дороги общего пользования к 2027 году, пишет РБК со ссылкой на Минтранс.

Источник изображения: yandex.ru/blog

«План мероприятий позволит вывести беспилотные авто на дороги общего пользования к 2027 году. Тесты грузовиков без водителя за рулём прошли успешно, но ещё нужно доработать технологии и согласовать правила», — рассказали в ведомстве. Там провели заседание рабочей группы, в котором приняли участие представители Минэкономразвития, Госавтоинспекции, ассоциации «Цифровой транспорт и логистика», а также компаний — разработчиков технологий автопилота: «КамАЗ», Navio и «Яндекс». В рамках проекта ещё предстоит выработать единые нормы и сформировать инфраструктуру: обеспечить дороги необходимого качества, оснастить их умными датчиками и произвести интеграцию с цифровыми платформами.

В 2023 году на соединяющей две столицы трассе М-11 начались испытания беспилотных фургонов, а на минувшей неделе по Центральной кольцевой автодороге (ЦКАД) в Московской области пустили четыре грузовые машины с автопилотом — два «КамАЗа» и два автомобиля Navio. В этом году новой площадкой также станет трасса М-12 «Восток». На российских дорогах также проводит испытания свои машины «Яндекс». По состоянию на февраль 2025 года в России были зарегистрированы 36 ДТП с участием беспилотных автомобилей, и только в двух из них виноватым был автопилот — в остальных ответственность лежала на других участниках дорожного движения.

Google выпустила новую ИИ-модель, призванную обеспечить высокую производительность с упором на эффективность. Она называется Gemini 2.5 Flash и вскоре станет доступна в составе платформы Vertex AI облака Google Cloud для развёртывания и управления моделями искусственного интеллекта (ИИ).

Источник изображения: Google

Компания отмечает, что Gemini 2.5 Flash предлагает «динамические и контролируемые» вычисления, позволяя разработчикам регулировать время обработки запроса в зависимости от их сложности.

«Вы можете настроить скорость, точность и баланс затрат для ваших конкретных нужд. Эта гибкость является ключом к оптимизации производительности Flash в высоконагруженных и чувствительных к затратам приложениях», — написала компания в своём официальном блоге.

На фоне растущей стоимости использования флагманских ИИ-моделей Gemini 2.5 Flash может оказаться крайней полезной. Более дешёвые и производительные модели, такие как 2.5 Flash, представляют собой привлекательную альтернативу дорогостоящим флагманским вариантам, но ценой потери некоторой точности.

Gemini 2.5 Flash — это «рассуждающая» модель по типу o3-mini от OpenAI и R1 от DeepSeek. Это означает, что для проверки фактов ей требуется немного больше времени, чтобы ответить на запросы. Google утверждает, что 2.5 Flash идеально подходит для работы с большими объёмами данных и использования в реальном времени, в частности, для таких задач, как обслуживание клиентов и анализ документов.

«Эта рабочая модель оптимизирована специально для низкой задержки и снижения затрат. Это идеальный движок для отзывчивых виртуальных помощников и инструментов резюмирования в реальном времени, где эффективность при масштабировании является ключевым фактором», — описывает новую ИИ-модель компания.

Google не опубликовала отчёт по безопасности или техническим характеристикам для Gemini 2.5 Flash, что усложнило задачу определения её преимуществ и недостатков. Ранее компания говорила, что не публикует отчёты для моделей, которые она считает экспериментальными.

Google также объявила, что с третьего квартала планирует интегрировать модели Gemini, такие как 2.5 Flash в локальные среды. Они будут доступны в Google Distributed Cloud (GDC), локальном решении Google для клиентов со строгими требованиями к управлению данными. В компании добавили, что работают с Nvidia над установкой Gemini на совместимые с GDC системы Nvidia Blackwell, которые клиенты смогут приобрести через Google или по своим каналам.

В рамках конференции Cloud Next на этой неделе компания Google представила новый специализированный ИИ-чип Ironwood. Это уже седьмое поколение ИИ-процессоров компании и первый TPU, оптимизированный для инференса — работы уже обученных ИИ-моделей. Процессор будет использоваться в Google Cloud и поставляться в системах двух конфигураций: серверах из 256 таких процессоров и кластеров из 9216 таких чипов.

Источник изображений: Google

«Ironwood — это наш самый мощный, самый производительный и самый энергоэффективный TPU. Он разработан для ускорения инференса ИИ-моделей в масштабах облачной инфраструктуры», — прокомментировал анонс процессора вице-президент Google Cloud Амин Вахдат (Amin Vahdat).

Анонс Ironwood состоялся на фоне усиливающейся конкуренции в сегменте разработок проприетарных ИИ-ускорителей. Хотя Nvidia доминирует на этом рынке, свои технологические решения также продвигают Amazon и Microsoft. Первая разработала ИИ-процессоры Trainium, Inferentia и Graviton, которые используются в её облачной инфраструктуре AWS, а Microsoft применяет собственные ИИ-чипы Cobalt 100 в облачных инстансах Azure.

Google заявляет, что Ironwood обладает пиковой вычислительной производительностью 4614 Тфлопс или 4614 триллионов операций в секунду. Таким образом кластер из 9216 таких чипов предложит производительность в 42,5 Экзафлопс.

Каждый процессор оснащён 192 Гбайт выделенной оперативной памяти с пропускной способностью 7,4 Тбит/с. Также чип включает усовершенствованное специализированное ядро ​​SparseCore для обработки типов данных, распространённых в рабочих нагрузках «расширенного ранжирования» и «рекомендательных систем» (например, алгоритм, предлагающий одежду, которая может вам понравиться). Архитектура TPU оптимизирована для минимизации перемещения данных и задержек, что, по утверждению Google, приводит к значительной экономии энергии.

Компания планирует использовать Ironwood в своём модульном вычислительном кластере AI Hypercomputer в составе Google Cloud.

Утратившие способность говорить пациенты могут вернуться к активному речевому общению, если новая технология перевода мысленных слов в голосовую трансляцию будет доведена до клинического использования. Эксперименты с новым имплантатом и методом преобразования мысленно произнесённых слов в речь показали хорошие перспективы, буквально вернув голос пациентке, которая утратила способность говорить 20 лет назад.

Источник изображения: Nature Neuroscience 2025

Новый имплантат и технологию обучения нейросети для распознавания активности речевых центров мозга разработали учёные Калифорнийского университета в Беркли (UC Berkeley) и Калифорнийского университета в Сан-Франциско (UCSF). Главной особенностью платформы стало сканирование активности мозга каждые 80 мс. Предложенный метод устраняет раздражающую задержку, обычно свойственную подобным решениям.

Система обычно сначала распознаёт активность мозга, затем подключает обучаемую модель, анализирует (как правило) большой фрагмент текста и лишь после этого воспроизводит мысленно произнесённую речь. Живое общение в таком случае затруднено, поскольку постоянно прерывается паузами. Учёные из Калифорнии предложили решение, которое позволяет воспроизводить речь сразу в процессе мысленного произнесения слов пациентом с имплантатом.

Также в новом исследовании учёные обошли проблему обучения модели (интерфейса) с помощью воспроизведения звуков и слов пациентом. Не все потерявшие речь способны на это, поэтому исключение данного этапа позволит расширить круг потенциальных пользователей технологии.

Эксперимент был проведён с 47-летней пациенткой, которая в 30 лет из-за болезни потеряла способность разговаривать. В процессе обучения нейросети она мысленно произносила 100 уникальных предложений из словаря, насчитывающего чуть более 1000 слов. Также использовалась вспомогательная схема для общения, основанная на 50 фразах с использованием меньшего набора слов.

В отличие от предыдущих методов, в новом процессе участница не пыталась произносить слова вслух — она просто проговаривала предложения про себя. Система успешно декодировала оба способа коммуникации, причём среднее количество переводимых в речь слов в минуту почти вдвое превышало показатели предыдущих методов. А при использовании метода прогнозирования мысли переводились в речь на лету в восемь раз быстрее, чем в случае альтернативных способов трансляции.

Для достижения большей естественности звучания использовались старые записи голоса пациентки, что позволило ей говорить фактически своим голосом. Более того, когда процесс распознавания мыслей запустили в автономном режиме без ограничения времени, система смогла перевести в слова даже ту активность мозга, которой интерфейс не обучали.

Авторы отмечают, что метод ещё нуждается в доработке, прежде чем его можно будет считать клинически применимым.

На днях первый пациент с имплантатом Neuralink в голове сообщил об отсутствии каких-либо побочных эффектов от устройства — как физических, так и психологических. Зонды находятся в его голове около года, чего достаточно для первой серьёзной оценки этой нейронной платформы. Практика показала, что Neuralink помогает людям с параличом конечностей обрести самостоятельность в работе с компьютером и начать общение в социальных сетях.

Источник изображения: Neuralink

Ноланд Арбо (Noland Arbaugh), неспособный двигать руками и ногами, поделился своим самочувствием в соцсети X. В частности, он отметил, что за всё время со дня установки имплантата Neuralink «не было никаких негативных побочных эффектов, ни физических, ни психологических, если не считать ненасытного желания заполучить женский конец штекера» — шутку о подключении имплантата к внешней платформе. Судя по всему, имплантат Neuralink имеет разъём типа «папа», а «маму» подключают родственники или специалисты.

Главная проблема Neuralink в том, что тонкие иглы-зонды, углублённые в ткани головного мозга, могут постепенно смещаться из-за подвижности нервных тканей внутри черепа. Часть зондов способна покинуть своё место или серьёзно сдвинуться уже через несколько часов после операции. Это требует постоянной калибровки нейроимплантата. У первого пациента (Арбо) 85 % зондов вышли из зоны установки, поэтому он регулярно работает с командой Neuralink, чтобы улучшить и упростить процесс неизбежных калибровок.

Тем не менее год ежедневного использования имплантата показал его высокую степень надёжности и безопасности. С его помощью пациент смог отказаться от джойстика, которым управлял ртом, и стал перемещать курсор исключительно силой мысли, освоив гонки и стратегии, включая легендарную «Цивилизацию». По его словам, он мог бы даже управлять своей коляской мысленно и постоянно просит у команды Neuralink роботизированную руку для повседневных дел. Пока это остаётся в планах, но Neuralink открыт для усовершенствований и стремится расширить число пользователей, чтобы имплантат стал привычной частью жизни.

Издание eWeek сообщило, что на конференции Nvidia GTC 2025 лидерам отрасли вживую показали работу малоинвазивного нейронного интерфейса на базе ИИ. Демонстрацию провела компания Synchron, которая заявляет о превосходстве своей технологии интерфейса «мозг-компьютер» над конкурирующими проектами, включая разрекламированный Neuralink Илона Маска.

Источник изображений: Synchron

Мозговой датчик Synchron устанавливается без хирургического вмешательства в головной мозг. Он напоминает стент для расширения сосудов и вводится в яремную вену в районе шеи. Операция простая: стент по вене подводится к моторной зоне коры головного мозга, где считывает её активность. Передатчик сигналов устанавливается под кожу на груди пациента, откуда данные по беспроводной сети передаются на компьютер. Такие имплантаты установлены четырём гражданам Австралии и шести гражданам США.

На GTC компания Synchron продемонстрировала бесшовную интеграцию нескольких новых технологий: Apple Vision Pro, мультимодальной платформы обработки данных Holoscan от Nvidia и Sentrode — запатентованного компанией Synchron интерфейса, который устанавливает связь мыслей человека с физической средой. Данные о желаниях пациента (его мозговой активности) считывались имплантатом-стентом и передавались в систему AssistiveTouch гарнитуры Vision Pro.

«Мы создаём модель мозга, используя методы предварительного генеративного обучения, которые обучаются непосредственно на нейронных данных, абстрагируясь от основ человеческого разума, чтобы создавать функции, улучшающие жизнь наших пользователей, — сказал генеральный директор и основатель Synchron Том Оксли (Thomas Oxley). — Это возможно благодаря нашей способности масштабировать большие наборы данных, обещая сделать [интерфейс] BCI таким же распространённым, как установка [обычного] стента».

Во время демонстрации пользователь по имени Родни с помощью имплантированной системы силой мысли настроил температуру, освещение и музыку в своём доме, что компания демонстрировала в процессе экспериментов задолго до мероприятия.

Согласно целям компании, её интерфейс может помочь людям с параличом и другими серьёзными физическими нарушениями управлять технологиями без помощи рук и лучше взаимодействовать с окружающим миром. Данные, собранные в реальных условиях, помогут обучить «когнитивный ИИ», предназначенный как для медицинских целей, так и для более широкого использования. Для этого, в частности, Synchron вместе с Nvidia работают над концепцией Chiral. Это будущая система интерфейса «мозг-компьютер», которая сочетает в себе нейронную обработку в реальном времени с передовым искусственным интеллектом. Чтобы реализовать эту концепцию, необходимо будет достичь трёх ключевых целей.

Во-первых, разработать систему нейронного декодирования двигательных функций в реальном времени, что позволит пользователям управлять цифровой средой напрямую с помощью мозговых имплантатов с минимальной задержкой. Во-вторых, добавить информацию о реальном мире с помощью среды Nvidia Cosmos для составления карты окружения и понимания реалистичной физики. В-третьих, создать модель ИИ на основе анонимных пользовательских данных. Всё это станет основой Chiral — «самосовершенствующейся универсальной» модели как для медицинского, так и для общего использования.

Компания Synchron называет эту развивающуюся модель «когнитивным ИИ». Конечная цель — выйти «за рамки распознавания намерений, заложив основу для перехода от намерений к действиям в реальном времени» и создать «полномасштабную базовую модель мозга». Смелая идея, но в компании признают, что эта концепция пока остаётся гипотетической.

Учёные из Калифорнийского университета в Сан-Франциско (UCSF) создали платформу, способную вернуть парализованным людям возможность самостоятельных действий с помощью роботизированных рук. Управлять манипулятором можно силой мысли, представляя себе нужное действие. Ключевую роль в этом процессе играет искусственный интеллект.

Источник изображений: UCSF

Разработанная учёными платформа опирается на электрокортикографию (ЭКоГ) — систему выявления активных участков коры головного мозга. Обычно её применяют перед операциями на мозге, чтобы хирург не затронул критически важные зоны. Система и имплантаты ЭКоГ достаточно дорогие, но в данном случае они продемонстрировали высокую эффективность.

Пациент с полной парализацией всех конечностей был подключён через ЭКоГ к компьютеру с ИИ, который, в свою очередь, передавал команды на роботизированную руку. Алгоритм на основе машинного обучения распознавал активность участков мозга, отвечающих за движения рукой, и передавал соответствующие команды манипулятору. Пациент наблюдал за процессом и в режиме реального времени мысленно корректировал движения руки, что тут же передавалось на роборуку.

Исследователи отмечают, что такой метод обучения алгоритма с моментальной коррекцией ошибок на основе желаний пациента показал высокую эффективность. Более того, ИИ научился отслеживать смещение активности ответственных за движения участков мозга в соседние области коры.

В целом рисунок активности не изменялся, но зона активности «дрейфовала» по коре, отметили учёные. Обычно это потребовало бы перекалибровки имплантатов каждые несколько дней. Однако разработанная платформа на основе ИИ смогла самостоятельно учитывать этот сдвиг и оставалась работоспособной более семи месяцев без существенного вмешательства в настройки. Уже одно это делает проект многообещающим.

С помощью роборуки пациент смог брать и опускать предметы, пользоваться посудой и наполнять стакан жидкостью из диспенсера. Учёные также считают, что могут усовершенствовать платформу, например, снабдив роборуку машинным зрением. Это позволит машине помогать пациенту точнее выполнять действия, а также улучшит процесс обучения ИИ.

«Я полностью уверен, что теперь мы знаем, как создать систему, и сможем заставить её работать», — поделился мыслями один из участников исследования, результаты которого опубликованы в журнале Cell.

На взлётно-посадочной полосе NASA в Космическом центре имени Кеннеди (KSC) автономный суперкар Maserati MC20 Coupe установил новый рекорд скорости среди беспилотных автомобилей, разогнавшись до 318 км/ч. Прежний рекорд 310 км/ч был установлен в апреле 2022 года. Заезд был организован Indy Autonomous Challenge (IAC) в сотрудничестве с Политехническим университетом Милана (Politecnico di Milano). Новый рекорд подчёркивает стремительное развитие технологий автономного вождения, создавая перспективы для повышения безопасности самоуправляемых автомобилей.

Источники изображений: TechSpot, Maserati

Испытания прошли на исторической 4,5-километровой взлётно-посадочной полосе, где ранее приземлялись космические шаттлы NASA. Заезд организован IAC — международной инициативой, развивающей технологии беспилотного вождения через соревнования автономных болидов. Важным партнёром выступил Политехнический университет Милана, чьи специалисты разработали алгоритмы для автономного управления. С 2021 года IAC проводит гонки среди беспилотных автомобилей, тестируя ИИ-системы в высокоскоростных условиях.

В испытаниях использовался Maserati MC20 Coupe, относящийся к числу итальянских суперкаров. Стоимость модели начинается от $239 000. Автомобиль оснащён 3,0-литровым V-6 двигателем Nettuno с двойным турбонаддувом, выдающим 621 л.с. и 730 Н·м крутящего момента. Заднеприводная трансмиссия включает восьмиступенчатую роботизированную коробку передач с двумя сцеплениями. Эти характеристики обеспечили необходимый уровень динамики для достижения рекордной скорости.

Управление автомобилем взяла на себя система, разработанная PoliMOVE-MSU, подразделением Artificial Intelligence Driving Autonomous (AIDA) при Политехническом университете Милана. ИИ анализировал окружающую среду, рассчитывал оптимальные параметры ускорения, торможения и корректировки траектории движения. В ходе испытания алгоритмы работали в экстремальных условиях высоких скоростей, проверяя возможности автономных систем на грани их технических возможностей.

Генеральный директор IAC Пол Митчелл (Paul Mitchell) отметил, что испытания на экстремальных скоростях способствуют повышению безопасности беспилотных автомобилей в повседневных условиях. Тестирование алгоритмов в динамически сложных ситуациях позволяет разработчикам выявлять потенциальные слабые места системы, улучшая реакцию ИИ на резкие изменения дорожной обстановки. Профессор Политехнического университета Милана Серджо Маттео Саварези (Sergio Matteo Savaresi) добавил, что ИИ-системы, используемые в этих испытаниях, уже проходили тестирование в рамках гонок Indy Autonomous Challenge с 2021 года.

Помимо рекордного Maserati MC20 Coupe, в автономных испытаниях участвовал Maserati MC20 Cielo, оснащённый аналогичной системой беспилотного управления. Этот суперкар был задействован в «Тысяча миль» во Флориде (1000 Miglia Experience Florida) — мероприятии, вдохновлённом исторической гонкой 1000 Miglia. В 2023 году MC20 Cielo преодолел около 60 км без вмешательства человека в рамках классического итальянского автопробега, демонстрируя возможности автономного вождения в реальных дорожных условиях.

Согласно более ранним оценкам, ChatGPT потребляет около 3 Вт·ч энергии для ответа на один запрос, что в 10 раз больше средней мощности, необходимой при использовании поиска Google. Однако свежий отчёт исследовательского института Epoch AI, занимающегося изучением ключевых трендов и вопросов, которые будут определять траекторию развития и управление искусственным интеллектом, опровергает эту статистику и указывает на то, что энергозатраты чат-бота OpenAI значительно меньше, чем предполагалось ранее.

Источник изображения: OpenAI

В отчёте Epoch AI говорится, что ChatGPT на базе модели GPT-4o потребляет всего 0,3 Вт·ч энергии при генерации ответа. В разговоре с порталом TechCrunch дата-аналитик Epoch AI Джошуа Ю (Joshua You) отметил: «Потребление энергии на самом деле не так уж и велико по сравнению с использованием обычных бытовых приборов, отоплением или охлаждением дома или использованием автомобиля».

По словам эксперта, предыдущие оценки энергозатрат ChatGPT были основаны на устаревших данных. Специалист отмечает, что предполагаемая «универсальная» статистика энергопотребления ChatGPT была основана на предположении, что OpenAI для запуска и работы ИИ использует старые и неэффективные чипы.

«Кроме того, некоторые из моих коллег обратили внимание, что наиболее широко распространённая оценка в 3 Вт·ч на выполнение запроса была основана на довольно старых исследованиях. И если судить по каким-то приблизительным расчётам, эта статистика показалась слишком завышенной», — добавил Ю.

И всё же следует добавить, что оценку энергозатрат ChatGPT от Epoch AI тоже нельзя считать непреложной, поскольку она не учитывает некоторые ключевые возможности ИИ, такие как генерация изображений чат-ботом.

По словам эксперта, он не ожидает роста энергопотребления у ChatGPT, но по мере того, как ИИ-модели становятся более продвинутыми, им будет требоваться больше энергии для работы. Ведущие компании по разработке ИИ, включая OpenAI, склоняются к развитию так называемых рассуждающих моделей ИИ, которые не просто дают ответ на поставленный вопрос, но также описывают весь процесс, который привёл к получению того или иного ответа, что в свою очередь требует больших энергозатрат.

Множество отчётов последних лет показывают, что такие технологии, как Microsoft Copilot и ChatGPT (а точнее оборудование, на котором они работают) потребляют эквивалент объёма одной бутылки воды для охлаждения при генерации ответа на запрос. Эти выводы следуют за более ранним отчётом, в котором говорится, что совокупные энергозатраты Microsoft и Google превышают потребление электроэнергии более чем в 100 странах мира.

В одном из наиболее свежих исследований подробно описывалось, что модель OpenAI GPT-3 потребляет в четыре раза больше воды, чем считалось ранее, в то время как GPT-4 потребляет объёмы до трёх бутылок воды, чтобы сгенерировать всего лишь 100 слов. Вполне очевидно, что модели ИИ начинают потреблять больше ресурсов по мере того, как становятся более продвинутыми. Однако, выводы последнего исследования показывают, что тот же ChatGPT может быть не таким прожорливым, как считалось ранее.

Boston Dynamics объявила о заключении соглашения о сотрудничестве с Институтом робототехники и искусственного интеллекта (Robotics and AI Institute), ранее известным как Институт ИИ Boston Dynamics (Boston Dynamics AI Institute), с целью обучения с подкреплением электрического человекоподобного робота Atlas.

Источник изображения: Boston Dynamics

Обе организации были основаны Марком Райбертом (Marc Raibert), бывшим профессором Массачусетского технологического института, который в течение 30 лет занимал пост генерального директора Boston Dynamics. Институт робототехники и ИИ был создан им в 2020 году. Обе организации связаны с Hyundai: корейский автопроизводитель приобрёл Boston Dynamics в 2021 году и также финансирует институт.

В рамках сотрудничества Boston Dynamics и институт сосредоточатся на обучении Atlas с подкреплением — одном из способов машинного обучения, который работает путём проб и ошибок, подобно тому, как учатся люди и животные. Обучение с подкреплением всегда было чрезвычайно трудоёмким процессом, однако создание эффективной симуляции позволило выполнять многие процессы одновременно в виртуальной среде, отметил ресурс TechCrunch.

Это один из последних совместных проектов Boston Dynamics и института. Ранее они уже работали над созданием исследовательского комплекта для обучения с подкреплением четвероногого робота Spot от Boston Dynamics. В случае с Atlas учёные займутся обучением робота навыкам «динамического бега и манипулирования тяжёлыми предметами».

Исследователи из Королевского колледжа Лондона и Университета Суонси (Уэльс, Великобритания) в сотрудничестве с учеными из Чили, а также Google Cloud разработали новый тип асфальта, который способен со временем самостоятельно «заживлять» образовавшиеся трещины, устраняя необходимость в использовании ручного труда для их ремонта, сообщается в блоге Google.

Источник изображения: Google

Причины образования трещин в асфальте пока не изучены полностью, но одной из частых причин является чрезмерное затвердевание в связи с окислением битума, который входит в состав асфальта. Ученые занимаются разработкой способов обратить этот процесс вспять, чтобы привести асфальт в прежнее рабочее состояние.

Для изучения органических молекул веществ со сложным химическим составом, таких как битум, команда учёных использовала машинное обучение. Была разработана новая модель на основе собранных данных для ускорения атомистического моделирования, что позволило значительно продвинуться в исследовании процессов окисления битума и образования трещин. Этот подход значительно быстрее и экономичнее традиционных вычислительных моделей, отмечено в блоге Google.

В сотрудничестве с Google Cloud учёные работали над созданием инструментов ИИ, которые позволяют определять химические свойства и создавать виртуальные молекулы, предназначенные для определенных целей, аналогично методам, используемым при открытии лекарств. Эксперт по вычислительной химии, доктор Франциско Мартин-Мартинес (Francisco Martin-Martinez) отметил значительный вклад Google Cloud в создание инструментов ИИ для быстрой разработки самовосстанавливающихся дорожных покрытий, подчеркнув, что подражание природе в её способности к самовосстановлению позволит продлить срок службы дорог и создать более устойчивую и надёжную дорожную инфраструктуру.

Исследователи продемонстрировали в лабораторных экспериментах, как новый асфальтовый материал может залечить микротрещину менее чем за час. Чтобы получить битум со способностью к устранению трещин, исследователи добавили в него крошечные пористые споры растений, пропитанные переработанными маслами. Когда дорожное покрытие сжимается при движении транспорта, споры выдавливаются, и масло попадает в близлежащие трещины, размягчая битум настолько, что он может заполнять трещины.

Исследователи полагают, что через пару лет они выйдут на этап коммерческого выпуска нового материала для использования на дорогах Великобритании.

В интервью Digital Foundry Брайан Катандзаро (Bryan Catanzaro), вице-президент по исследованиям в области прикладного глубокого обучения в Nvidia сообщил, что не исключает возможности в будущем внедрения функции генерации кадров силами ИИ для повышения FPS, ставшей частью технологии DLSS, в старые видеокарты Nvidia GeForce.

Источник изображений: Digital Foundry / Nvidia

С момента своего дебюта в 2018 году технология масштабирования с глубоким обучением (DLSS) от Nvidia эволюционировала уже до четвёртой версии. Её последняя итерация перешла на ИИ-модель типа трансформер, что позволило реализовать ряд новых функций, включая мультикадровую генерацию (Multi Frame Generation, MFG). Последняя позволяет создавать до трёх дополнительных кадров на каждый традиционно отрисованный кадр для повышения FPS.

Nvidia смогла реализовать некоторые новые технологии, включая реконструкцию лучей (DLSS Ray Reconstruction), супер-разрешение (Super Resolution) и технологию сглаживания, опирающуюся на искусственный интеллект (Deep Learning Anti-Aliasing, DLAA) на всех видеокартах GeForce RTX, начиная с 20-й серии. Однако генератор кадров (Frame Generation) первого поколения, изначально представленный как эксклюзивная функция видеокарт GeForce RTX 40-й серии, не поддерживается моделями GeForce RTX 30-й и RTX 20-й серий. Новый мультикадровый генератор так и вовсе изначально заявлен только для новейших GeForce RTX 5000.

В разговоре с журналистами Брайан Катандзаро отметил, что не исключает появления функции генерации кадров у старых моделей видеокарт Nvidia.

«Я думаю, что ключевым здесь является вопрос проектирования и оптимизации, а также конечного пользовательского опыта. Мы запускаем этот генератор кадров, лучший генератор кадров, коим является технология Multi Frame Generation, с видеокартами 50-й серии. А в будущем посмотрим, сможем ли что-то выжать для старого поколения оборудования», — прокомментировал представитель Nvidia.

На фоне заявления Катандзаро можно предположить, что первая версия генератора кадров может в перспективе появиться на видеокартах GeForce RTX 30-й серии. Однако маловероятно, что она появится у моделей GeForce RTX 20-й серии. При этом, скорее всего, мультикадровый генератор кадров останется эксклюзивом видеокарт RTX 50-й серии, поскольку для его работы требуется значительно больше вычислительной мощности, заточенной под ИИ, которую у этих карт обеспечивают новые тензорные ядра.

Один из ведущих разработчиков Nvidia также поделился некоторой информацией о разработке DLSS.

«Когда мы создавали Nvidia DLSS 3 Frame Generation, нам было абсолютно необходимо аппаратное ускорение для вычислений Optical Flow. Но у нас не было достаточного количества тензорных ядер и не было достаточно хорошего алгоритма Optical Flow. Мы не создавали алгоритм Optical Flow для работы в реальном времени на тензорных ядрах, который мог бы вписаться в наш запас вычислительной мощности. У нас был аппаратный ускоритель Optical Flow, который Nvidia создавала годами как эволюцию нашей технологии видеокодирования. Он также был частью нашей технологии ускорения работы компьютерного зрения для беспилотных автомобилей. Казалось бы, для нас имело смысл использовать его и для Nvidia DLSS 3 Frame Generation. Но сложность в любой аппаратной реализации алгоритма типа Optical Flow заключается в том, что его действительно трудно улучшить. Он такой, какой он есть, и те сбои, которые возникли из-за этого аппаратного Optical Flow, мы не могли исправить с помощью более умной нейронной сети, пока не решили просто заменить его и перейти на решение, полностью основанное на ИИ. Именно это мы и сделали для Frame Generation в DLSS 4».

Компания Parallels выпустила обновление приложения для виртуализации Desktop 20.2.0, которое впервые позволяет запускать операционные системы x86 на компьютерах Mac с процессорами Apple M-серии. Пользователи Mac смогут создавать виртуальные машины x86_64 и устанавливать Windows 10, Windows 11, Windows Server 2019/2022, а также некоторые дистрибутивы Linux с UEFI/BIOS.

Источник изображения: Marcin Nowak / Unsplash

До этого момента владельцы Mac с процессорами Apple Silicon могли запускать Windows только в версии для ARM-архитектуры, что ограничивало работу с традиционными Windows-приложениями. И эта проблема оставалась актуальной с 2021 года. Теперь же, как сообщает Tom's Hardware, компания решила этот вопрос, а заодно добавила поддержку x86-дистрибутивов Linux без необходимости использовать эмулятор Rosetta.

Однако новая функция пока находится в стадии предварительного тестирования и, как заявляют в компании, поддержка x86 в версии Desktop 20.2.0 имеет множество ограничений, главным из которых является низкая производительность. «Загрузка Windows занимает от 2 до 7 минут в зависимости от вашего устройства, а общая отзывчивость операционной системы оставляет желать лучшего», — предупреждают разработчики, советуя запастись терпением тех, кто хочет протестировать новую функцию.

Также отмечается, что x86-эмуляция не поддерживает 32-битные операционные системы, поэтому установка 32-битных версий Windows 10 или Linux невозможна. Среди других ограничений называется отсутствие поддержки USB-устройств, невозможность распознавания подключаемых гаджетов и отсутствие звука. Также виртуальная машина должна загружаться с использованием гипервизора Apple, так как запуск через гипервизор Parallels (Intel VT-x hypervisor) недоступен.

Поскольку поддержка x86_64 на Mac с Apple Silicon находится в тестовой стадии, доступ к функции напрямую ограничен. Она скрыта в обычном пользовательском интерфейсе. Для её активации необходимо кликнуть правой кнопкой мыши на виртуальную машину с пометкой «Не совместимо» (Not Compatible) и выбрать пункт «Запустить с использованием эмулятора» (Start using Emulator). Также можно запустить функцию с помощью утилиты Parallel Command-Line Interface.

В первой половине 2025 года Intel выделит инновационного производителя систем машинного зрения RealSense в независимую компанию, после чего она войдёт в инвестиционный портфель Intel Capital. Новая компания продолжит разрабатывать решения для компьютерного зрения на базе ИИ и представлять текущее портфолио Intel RealSense, включая камеры глубины RealSense, решения для аутентификации лиц, автономные мобильные роботизированные решения и приборы физиотерапии.

Источник изображений: Intel RealSense

Intel утверждает, что выделение RealSense не является результатом недавних финансовых трудностей компании: «Мы верим в ценность RealSense и уверены в её успехе как самостоятельной компании. Это решение соответствует нашей текущей трансформации и поможет нам в дальнейшем соответствовать нашей стратегической цели — сосредоточиться на наших основных видах деятельности».

Новая компания продолжит разрабатывать решения для компьютерного зрения на базе ИИ и представлять текущее портфолио Intel RealSense, включая камеры глубины RealSense, решения для аутентификации лиц, автономные мобильные роботизированные решения и приборы для физиотерапии. Также RealSense планирует расширить свою дорожную карту, добавив инновации в области стереозрения, робототехники, биометрического программного обеспечения и оборудования ИИ.

RealSense всегда была небольшой частью бизнеса Intel. Безусловно, благодаря работе в экосистеме технологического гиганта, компания гарантировала себе финансовую стабильность, возможность серьёзной научной деятельности и доступ к обширным ресурсам Intel, в том числе к масштабной сети отраслевых партнёров.

Intel начала производить решения для компьютерного зрения в рамках своего подразделения Perceptual Computing в 2013 году. В 2014 году это подразделение было переименовано в Intel RealSense. Камеры машинного зрения Intel RealSense являются популярным выбором для разработчиков мобильных и промышленных роботов. К примеру, четвероногий робот ANYmal от ANYbotics оснащён шестью модулями Intel RealSense D435, которые работают вместе, создавая карту высот, помогающую роботу перемещаться по участку и преодолевать препятствия, включая подъем по лестнице.

Это далеко не первый случай резкого изменения политики Intel. Ранее, в августе 2021 года, Intel уже объявляла о закрытии RealSense, однако затем сменила курс, решив сохранить RealSense, но с сокращённым составом. В 2022 году Intel избавилась от компании-разработчика автономных транспортных средств Mobileye, которую приобрела в 2017 году за $15,3 млрд.

«Intel инкубирует передовые, прорывные технологии и бизнесы для проверки потребностей клиентов и принятия рынком. На определённом уровне масштаба для этих бизнесов имеет смысл работать за пределами Intel, с гибкостью, чтобы работать так, как требует рынок, и возможностью инвестировать в ключевые области роста. Это позволяет отделению быстрее принимать решения, иметь большую гибкость решений для клиентов и оставаться гибким на конкурентных рынках» , — заявил представитель Intel.

С выделением RealSense в отдельную компанию история этого подразделения принимает ещё один неожиданный поворот. Конечно, RealSense освобождается от приоритетов реструктуризации Intel, но независимость, безусловно, принесёт новые проблемы.

Учёные из Университета штата Мичиган стряхнули пыль с ламп накаливания, увидев в них основу для мультиспектрального машинного зрения. В природе свет несёт гораздо больше информации об окружающих объектах и процессах, чем видит глаз человека. Поэтому машинное зрение не должно уподобляться зрению людей. Оно должно быть шире и глубже воспринимать мир, делая среду обитания для человека безопаснее и комфортнее.

Источник изображения: Brenda Ahearn/Michigan Engineering

Солнечный свет не имеет поляризации, он может приобретать её, например, при отражении. Отражение от поверхности воды, например, приобретает линейную поляризацию, что делает поляризованный свет ярче и опаснее для зрения. Солнечные очки с поляризационными стёклами легко компенсируют такие явления.

Полезное свойство поляризации заключается в возможности уплотнить канал передачи в оптоволокне. Для этого используют круговую поляризацию. В природе насекомые и некоторые ракообразные видят поляризованный свет, что делает их лучшими собирателями или охотниками. Очевидно, что робототехника и ряд направлений в науке выиграют, если устройства смогут распознавать свет в расширенном спектре, включая разные виды поляризации.

Исследователи из Университета Мичигана создали наномасштабный прибор из вольфрамовой нити накаливания, который способен испускать свет с эллиптической поляризацией. Такое явление стало возможным после того, как нить накала изготовили такой длины, которая сравнима с длиной волны света.

Эллиптическая поляризация — это предельный случай как круговой, так и линейной поляризации, но он может использоваться как самостоятельный для тех же целей уплотнения трафика в одном и том же оптическом кабеле. В случае машинного зрения использование эллиптической поляризации позволяет повысить контраст изображения, что необходимо для распознавания в тёмное время суток или при плохом освещении.

Наконец, благодаря эллиптической поляризации может появиться множество медицинских приборов, которые помогут с визуализацией образцов тканей человека, а также при проведении анализов.